Esistono diverse tecniche e metodologie che, a seconda dell’area di business e delle necessità, possono essere applicate per analizzare i Dati Aziendali nelle diverse forme in cui si presentano.
Le suddette tecniche si basano sia su aspetti matematico-statistici che visuali.
Alcuni di essi si applicano da diverso tempo, mentre altri stanno prendendo piede prevalentemente nell’ultimo decennio grazie ad un costante avanzamento della tecnologia e degli strumenti a disposizione.
Al giorno d’oggi non esiste ambito applicativo dove l’Analisi dei Dati non sia utilizzata, sia per fornire significative indicazioni che per guidare il personale a qualsiasi livello aziendale a prendere delle decisioni fattuali e data-driven.
In alcuni contesti, la Data Analysis è ormai un’usanza consolidata, parte integrante dei meccanismi organizzativi.
In altri invece esistono ancora aspetti etici e culturali che devono ancora maturare per fare in modo che venga accolta pienamente.
Cos’è l’Analisi dei Dati o Data Analysis
Una delle definizioni che vengono date quando si tratta di spiegare l’Analisi dei Dati è la seguente:
L’applicazione metodologica di funzioni matematiche, statistiche e logiche per la manipolazione, l’organizzazione, la pulizia, la presentazione dei dati in diverse forme e la loro valutazione per derivare utili indicazioni a supporto delle decisioni.
I primi accenni di quello che può essere considerato come un processo di analisi dei dati risalgono ad un periodo compreso tra il XVIII e il XIX secolo, quando gli economisti Charles Joseph Minard e William Playfair utilizzano i dati relativi all’import-export dei generi alimentari del Regno Unito – nello specifico del cotone in Europa e della campagna di Russia di Napoleone – per creare rispettivamente delle analisi quantitative di comparazione e di visualizzazione di informazioni numeriche.
Venendo a tempi più recenti, l’utilizzo della matematica e della statistica, insieme al crescere della potenza computazionale dell’hardware, prevalentemente on cloud, ha contribuito a diffondere metodologie che mirano a replicare l’intelligenza umana per estrarre informazioni utili nell’analisi dei dati, sfruttando le conoscenze logiche e tecnologiche in modo da supportare efficacemente le decisioni future e comprendere al meglio ciò che è accaduto in passato.
Potrebbe anche interessarti: Come diventare un’Azienda Data Driven
Come si struttura il Processo di Analisi dei Dati
Esistono una moltitudine di fasi e attività che insieme concorrono alla formazione del processo di Analisi dei Dati nella sua interezza.
Alcuni di questi vengono a volte svolti solo in parte, mentre altri sono maggiormente importanti e time-consuming nell’ambito di specifiche tecniche e contesti.
Riportiamo di seguito i principali step legati ad un processo di Data Analysis:
Requirement Gathering
Si tratta della fase che sta alla base del processo di Analisi dei Dati, che non può assolutamente prescindere da un’attenta e chiara definizione di quelli che sono i problemi, i bisogni, le necessità che l’Analisi stessa ha come obiettivo.
Identificare i risultati desiderati ed il valore che l’Analisi deve portare al proprio Business aiuterà sicuramente a guidare le fasi successive del processo, come scegliere quelle che sono le corrette sorgenti dati (o porzioni di esse) che dobbiamo considerare, cosa dobbiamo misurare dentro questo perimetro informativo e come i risultati andranno poi opportunamente comunicati.
Questo primo passo aiuterà anche a direzionare la scelta della migliore metodologia e degli opportuni strumenti da utilizzare.
Data Collection
Dopo una prima fase legata all’analisi dei requisiti, si passa poi alla raccolta vera e propria dei Dati necessari a soddisfare le nostre esigenze finali, i comportamenti da valutare e gli aspetti che si vogliono misurare.
Le sorgenti dati possono essere di differenti tipologie, come ERP, DB, Feed Web ecc. che conterranno sia informazioni strutturate che non strutturate.
In questa fase è spesso necessario intraprendere azioni tecniche o commerciali per recuperare determinate informazioni ancora non presenti nei sistemi di riferimento.
Data Processing
Una volta collezionati i Dati dalle diverse sorgenti, questi devono essere processati ed organizzati opportunamente per poter essere utilizzati in fase di analisi.
In questa fase vengono applicate misure quali il controllo di integrità referenziale o la conversione dei Dati in un formato utile alle lavorazioni successive.
Data Cleansing
Quando saranno processati ed organizzati, i nostri Dati potranno però risultare incompleti, contenere duplicati o errori.
Per far sì che i risultati generati dalla nostra Analisi siano coerenti ed affidabili è importante prevedere azioni di Data Cleansing che siano in grado di fornire un elevato livello di Data Quality.
Spesso questa fase, assieme alla precedente, è quella che risulta più time-consuming, a seconda della varietà ed il volume di dati che sono coinvolti nell’Analisi.
Analysis/Communication
Una volta puliti ed organizzati, i nostri Dati sono pronti per passare alla fase di Analisi vera e propria.
L’approccio a questa fase cambia a seconda di quelle che sono le tecniche di Analisi Dati che vogliamo mettere in atto nella nostra strategia.
Ciò che resta invece sempre invariata è la comunicazione con gli stakeholder che hanno commissionato o sono interessati alla suddetta Analisi, che va veicolata attraverso differenti formati grafici che rispondano ai requisiti iniziali.
Per fare ciò, vengono applicate diverse metodologie di Data Visualization, in modo da rendere la comunicazione dei messaggi chiave contenuti nelle informazioni analizzate il più chiara ed efficace possibile.
Gli utenti finali che usufruiranno dell’Analisi, basandosi sull’intero iter che abbiamo visto, potranno fornire dei feedback a riguardo, generando così ulteriori azioni analitiche che daranno vita ad un processo iterativo.
Potrebbe anche interessarti: Come scegliere la tua prossima piattaforma di Analytics
Metodologie di Analisi Dati
Ci sono diversi metodi che possono essere utilizzati per analizzare i nostri Dati, solitamente divisi in due macro-categorie: Analisi Quantitative ed Analisi Qualitative.
Le prime sono quelle che contengono informazioni espresse numericamente, utilizzabili di conseguenza in calcoli di diversa natura e rappresentabili in maniera visuale tramite tabelle o grafici.
Le Analisi Quantitative forniscono informazioni su come classificare le possibili cause dei problemi e possono anche quantificarne l’impatto, ma non ci dicono direttamente come e quale problema affrontare per primo.
Per rispondere a domande sui nostri Dati come “quando, come, perché” avremo invece bisogno di un’Analisi Qualitativa che ci potrà fornire, in forma testuale, la possibilità di definire un problema e suggerirci le azioni atte ad affrontare il problema stesso.
Vediamo assieme le metodologie di Data Analysis più diffuse:
Analisi Descrittiva o Statistica
E’ una delle metodologie più diffuse, che segue tutti i passaggi nei quali si struttura il processo di Analisi dei Dati descritti in precedenza per fornire un disegno onnicomprensivo di ciò che è accaduto.
Questo tipo di analisi permette di avere una visione chiara di quello che è accaduto nel passato, fornendo quindi gli elementi necessari per dare supporto a decisioni tipicamente basate sull’esperienza di chi ne usufruisce.
Uno step successivo è quello dell’Analisi Diagnostica, la quale fornisce una analisi più approfondita su quelle che sono le ragioni relative al manifestarsi di eventi passati.
Analisi Predittiva
Una metodologia di Analisi Predittiva si basa sul fornire appunto delle predizioni su quelli che potrebbero essere gli scenari futuri partendo dalle osservazioni ottenute in fase di analisi.
L’individuazione di trend, pattern, cluster o relazioni di causa-effetto, fatta in maniera ingegnerizzata grazie all’applicazione di algoritmi di Machine Learning, fa sì che venga sfruttata a pieno la mole di dati a disposizione per non lasciare completamente all’esperienza del decisore quelle che sono le azioni da intraprendere.
L’Analisi Predittiva può dunque fornire un valido aiuto verso un reale approccio Data-Driven.
Analisi Prescrittiva
Questa metodologia non si limita soltanto a prevedere o a descrivere ciò che è accaduto o è probabile che accada, ma suggerisce anche quello che è il corso delle azioni e le potenziali implicazioni che esse possono avere con lo scopo di generare raccomandazioni o decisioni automatizzate.
L’Analisi Prescrittiva richiederà un perimetro ben definito e specifici algoritmi per poterci fornire le indicazioni corrette.
Tecniche di Analisi Dati
Le metodologie sopra elencate non possono essere applicate senza specifiche tecniche e tecnologie.
Tenendo in considerazione che la Data Analysis è una materia che non possiede confini netti tra i diversi obiettivi che si preclude di raggiungere, e che quindi sia usanza comune mirare a soddisfare svariate esigenze attraverso diverse metodologie in maniera combinata, ecco di seguito le tre tecniche di Analisi Dati più diffuse.
Business Intelligence
BI ed Analytics sono le principali tecniche che vengono utilizzate attualmente per l’Analisi dei Dati.
Sono tecniche basate sulla strutturazione dei Dati aziendali da diverse sorgenti e sulla definizione di un modello semantico di metadati dove vengono applicate le logiche di business e regole di contesto aziendale per fare in modo che i dati grezzi si trasformino in informazioni di valore vere e proprie.
I sistemi di BI sono diventati ormai una commodity in moltissime realtà aziendali, e permettono di supportare in maniera descrittiva e diagnostica le decisioni all’interno di un’organizzazione.
I sistemi di BI portano con sé una forte componente di conoscenza e governance centralizzate, fruibili da tutti i livelli organizzativi.
Di contro la poca tempestività nei nuovi sviluppi, i limitati insights ed i costi di gestione elevati, hanno fatto sì che negli anni siano state valutate anche tecniche ulteriori di Analisi dei Dati.
Potrebbe anche interessarti: 10 Top Trend della Business Intelligence per il 2021
Data Mining
Il termine Data Mining (letteralmente “estrazione di dati”) viene molto spesso male interpretato, visto che l’obiettivo di questa tecnica è l’estrazione di pattern e conoscenza dai Dati e non solamente di questi ultimi.
Il processo combina statistica, Machine Learning e varie tecnologie per garantire la scoperta automatica o semiautomatica di pattern, correlazioni, cluster, classificazioni, profilazioni e regressioni di grossi volumi di Dati.
Le attività di Data Mining sono sicuramente al centro delle moderne iniziative di Data Science ed Intelligenza Artificiale, e permettono di superare le semplici metodologie di analisi descrittiva fornendo conoscenza ulteriore e supportando ancora più puntualmente gli analisti stessi, aiutandoli a capire i possibili comportamenti futuri.
Il grande vantaggio di questa tecnica è quello di estrarre realmente conoscenza dai dati, apportando enorme valore all’Azienda.
D’altra parte, non tutte le organizzazioni possiedono le skills adatte per fare in modo che ciò avvenga, e formare tecnicamente i propri dipendenti o avvalersi di figure esterne non è sempre possibile per via dei limiti di tempo e budget.
Data Visualization & Exploration
Accanto a tecniche più “dirette” come quelle sopra citate, esiste un mondo di tecnologie che stanno diventando sempre più popolari proprio per la loro capacità di soddisfare l’esigenza di transizione delle Aziende da una cultura “IT-Centrica” verso un approccio misto che vede anche figure esterne all’informatica entrare nella modellazione vera e propria dell’Analisi Dati.
Questo “ecosistema” di tecniche include la Data Visualization, la Data Exploration e la Data Discovery.
Lo sforzo maggiore richiesto da queste tecniche non è tanto legato alla fase di modellazione e di processamento dei Dati, ma alla loro interpretazione via visualizzazioni avanzate da sfruttare per poter individuare situazioni anomale o potenziali opportunità.
Richiedono una forte predisposizione all’Analisi Dati in modalità self-service, grazie alla quale anche professionisti con attitudini di processo possono soppiantare i tecnici IT applicando la propria esperienza per estrarre informazioni utili.
Sono tecnologie talmente diffuse che alcune di esse includono in maniera snella piccole funzionalità provenienti dal mondo statistico, come l’integrazione di trendline, outlier detection o clustering.
Il vantaggio di queste tre tecniche è sicuramente quello di essere svincolati dai tempi e dalle abilità tecniche del reparto IT, con la possibilità di sfruttare il know-how interno all’Azienda per raggiungere risultati ottimali con le Analisi dei nostri Dati.
Il rovescio della medaglia sta invece nel fatto che questi approcci, nel lungo termine, finiranno per soffrire a causa della mancanza di una “struttura” sottostante che permetta di ingegnerizzare i risultati ottenuti all’interno della value chain aziendale, riuscendo difficilmente a scalare per farne un utilizzo più allargato.
Ambiti in cui si applica l’Analisi Dati
Al giorno d’oggi è difficile immaginare dei contesti nei quali l’Analisi dei Dati non venga utilizzata, anche in maniera poco approfondita.
Dalle piccole attività che desiderano tenere sotto controllo il proprio inventario ed il cashflow, fino alle grandi organizzazioni che vogliono proporre in maniera automatizzata l’articolo che più si addice ai gusti dei propri utenti, la Data Analysis è oramai entrata a tutti gli effetti nella value chain organizzativa delle Aziende come processo a supporto delle attività primarie.
Vediamo di seguito alcune delle più interessanti aree di applicazione di quelle metodologie e tecniche viste in precedenza.
Marketing
Tecnologie ed algoritmi di Data Mining sono ormai un approccio consolidato nel fare targeting sempre più mirato dei clienti da ingaggiare con campagne pubblicitarie ed advertising ad-hoc.
Manufacturing
Analisi più avanzate, basate su tecniche di Machine Learning ed Intelligenza Artificiale, sono il motore che sta portando le Aziende verso la cosiddetta Industria 4.0, dove un’elevata connessione tra macchine e componenti può aiutare ad ottimizzare i processi produttivi e ad applicare iniziative di predictive maintenance per evitare blocchi o guasti nella produzione.
Tipicamente richiedono anche componenti prescrittive ed automatizzate per potersi sostituire all’intervento umano in certe situazioni.
Finance
Questo ambito si presta a diverse applicazioni, come lo sfruttamento della Business Intelligence descrittiva per fornire indicazioni significative di riepilogo sui principali trend e comparare così l’andamento di diversi strumenti finanziari, fino ad arrivare a tecniche più avanzate per predire gli andamenti dei mercati o individuare delle frodi in anticipo ed agire di conseguenza.
Logistica
Gli Analytics supportano in maniera particolarmente efficace anche le operazioni di ottimizzazione dello stoccaggio merci tra centri di distribuzione centrali e quelli più piccoli dislocati nel territorio per ridurre le spese di spedizione.
Applicare ad esempio algoritmi di associazione tra prodotti per capire quali di quelli meno popolari vengono tendenzialmente comprati rispetto a quelli più diffusi fa in modo che si possano assortire in maniera migliore i magazzini, coerentemente con la politica di saving sui costi e di efficientamento dei tempi di spedizione.
Scopri le Nostre Soluzioni per Criticità
Cybersecurity
Per evitare attacchi ransomware ai propri sistemi informativi (soprattutto se siamo un’Azienda molto grande e con molti dati sensibili), possono venirci in aiuto l’analisi statistica avanzata dei dati della nostra rete aziendale – insieme, ovviamente, ad un’adeguata formazione del personale su questo tema – ed il monitoraggio dei dispositivi in comunicazione con l’esterno, attività indispensabili per l’individuazione di anomalie e la predizione di potenziali intrusioni.
Asset Management
I prodotti di Business Intelligence di tipo visuale, di riepilogo o geo-spaziali, possono permetterci di monitorare lo stato ed i KPI associati ai nostri diversi asset – come ad esempio ponti, gasdotti o binari se siamo un’Azienda di trasporti – in modo da organizzare i cicli di manutenzione e le aree di intervento.
Conclusioni
Dal momento in cui le Aziende hanno visto nei propri flussi dati e nei repository informativi un asset strategico, la loro analisi è diventata un’attività perfettamente integrata nel tessuto organizzativo.
Grazie agli sviluppi tecnologici e all’aumentare del volume dei dati a disposizione, anche le tecniche e le metodologie applicate si sono evolute di conseguenza, e continueranno a farlo.
Queste ultime, così come gli strumenti ed i vari step che sono alla base del processo, si fondono, si intersecano e talvolta si alimentano a vicenda nella complessità ed eterogeneità della moltitudine di Analisi Dati esistenti.
Che si tratti di avere un targeting più mirato della propria clientela, anticipare il blocco della catena produttiva perché si sta per presentare un guasto, capire quale ritorno sull’investimento si è concretizzato con l’ultima campagna di marketing o valutare le performance della propria forza vendite, l’attività di Analisi dei Dati – e gli analytics in senso allargato – aiuta a prendere le decisioni che con maggiore probabilità ci permetteranno di raggiungere gli obiettivi che ci siamo preposti, in maniera fattuale.
Attualmente è ancora l’utente umano che fa gran parte del lavoro in questo senso ma, grazie alle recenti evoluzioni tecnico/metodologiche, i livelli di automazione e di precisione ottenuti saranno sempre più un valore aggiunto per le analisi del futuro.
Cerchi una consulenza sull’Analisi Dati per la tua Azienda? Contattaci!
