L’analisi dei dati è un processo attraverso il quale i dati grezzi vengono trasformati in informazioni di senso e di valore. Nella nostra era tutti produciamo una mole di dati enorme e mai vista prima, lasciando costantemente tracce del nostro passaggio sul web.
Allo stesso modo, è sempre più facile collezionare dati su qualsiasi tema: sanità pubblica, cambiamento climatico, andamento dei mercati, costo della vita ecc.
Le aziende, le organizzazioni pubbliche e no-profit possono servirsi vantaggiosamente di queste informazioni per prendere decisioni fact-based, prevedendo anche i possibili sviluppi futuri.
Si prevede che il mercato generato dell’analisi dei dati possa raggiungere il valore di 132,9 miliardi di dollari entro il 2026 (Market Research Future).
In questa pagina, affrontiamo uno per uno tutti i punti centrali per capire che cos’è l’analisi dei dati, a cosa serve, quanto è vantaggiosa per le aziende e come farla funzionare al meglio.
In questa pagina:
1. Che cos’è l’analisi dei dati
L’analisi dei dati o data analytics è il processo di acquisizione, raccolta e elaborazione di dati, per scovare i legami e le correlazioni tra essi ed estrapolare informazioni utili.
Questo processo include anche la gestione e la preparazione dei dati, che per essere analizzati in modo funzionale devono essere integri, affidabili e sicuri.
Ci sono tre tipologie di analisi che vengono comunemente utilizzate dalle aziende e dalle organizzazioni:
- L’analisi descrittiva, che dà informazioni sui dati già disponibili per comprendere un fatto o uno scenario già accaduto e prendere decisioni basate su questa conoscenza;
- L’analisi predittiva, che si basa soprattutto su Machine Learning e Intelligenza artificiale e individua pattern e relazioni di causa e effetto tra i dati, svelando gli scenari futuri in termini probabilistici;
- L’analisi prescrittiva, che fa un ulteriore passo avanti prevedendo ipotesi sui risultati di un’azione futura e automatizzando le decisioni.
Per approfondire leggi: “Cos’è l’analisi dei dati e come puoi semplificarla”
A che cosa serve
Ci sono 4 macro-obiettivi comuni a tutte le aziende e le organizzazioni che usano i dati. Possiamo sintetizzare come segue:
- migliorare l’esperienza del cliente / utente;
- ridurre i costi e aumentare i profitti;
- realizzare campagne di marketing o di comunicazione sempre più mirate;
- aumentare l’efficienza dei processi chiave per l’azienda o l’organizzazione.
Ogni settore industriale può trarre vantaggi specifici dalla Data Analytics. Ad esempio, il settore retail è oggi concentrato sull’analisi predittiva per ridurre sprechi e inefficienze, ottimizzando le risorse in base alle richieste e alle aspettative dei clienti target.
O nelle aziende manifatturiere i dati sono indispensabili per gestire in maniera automatizzata e semplificata processi molto complessi e esposti a vulnerabilità, primo fra tutti la supply chain.
Ma la data analytics può essere usata con profitto anche nella logistica, nel customer care, nelle HR ecc.
Anche settori apparentemente lontani, come l’agricoltura, la lotta al cambiamento climatico, la sicurezza alimentare e il settore pubblico possono ottenere risultati migliori se le azioni sono coadiuvate dai dati.
As esempio, durante la recente pandemia Covid-19, sono state molte le iniziative basate sui dati, per fornire assistenza ai malati, ai soggetti colpiti dalla crisi economica e per prevedere gli sviluppi epidemiologici.
Se vuoi approfondire i vantaggi dell’analisi dei dati settore per settore, puoi leggere il nostro precedente articolo dedicato proprio a questo tema.
La storia della Data Analytics
Parliamo di una disciplina nuova? Sì, nei termini in cui siamo abituati a riferirci all’analisi dei dati, ma l’approccio razionale viene da molto lontano. Già il metodo scientifico di Galilei si basava sull’osservazione della natura, per fare ipotesi. La data analytics non è poi così diversa.
Per l’applicazione del metodo all’ambito industriale e economico dobbiamo attendere la fine del ‘700. Sr. William Playfair ebbe infatti l’intuizione di raccogliere dati sull’import – export e di realizzare dei grafici per descriverli.
Qualche decennio più tardi, C. J. Minard creò mappe lineari per mostrare i dati sulla campagna di Napoleone in Russia, mettendo in relazione i dati relativi ai progressi dell’esercito napoleonico con i dati climatici e la distanza delle truppe dalle linee di rifornimento.
Solo con l’avvento della tecnologia però l’analisi dei dati ha subito una forte accelerazione. Le prime tecnologie a essere utilizzate furono le schede perforate che leggevano automaticamente i dati, inventate a fine ‘800 negli USA. Il ‘900 è stato poi il secolo del boom dell’informatica, con computer, server e database a capacità sempre crescente: l’analisi dei dati è diventata una vera e propria Eldorado per le aziende.
Oggi, la spinta alla Data Analytics è ancora più forte e le aziende che non usano i dati per competere sul mercato sono fortemente svantaggiate. Le nuove tecnologie in campo sono complesse: Machine Learning, Intelligenza Artificiale, Big Data. Il mercato dei software per l’analisi dei dati è estremamente fiorente e sempre di più si predilige un approccio data-driven che permette a tutti i decision makers delle aziende – anche a chi non ha skills matematico / statistiche – di capire i dati per prendere decisioni.
2. La data strategy
La data strategy è la strategia che ogni azienda o organizzazione prepara per ottimizzare gli esiti dell’analisi dei dati. La pianificazione è importante, perché consente di individuare obiettivi, modus operandi e ruoli e di dare a tutte le risorse coinvolte un know-how condiviso.
Gli step della Data Analytics
Gli step del processo di analisi dei dati sono i seguenti:
- Definizione degli obiettivi;
- Definizione dei requisiti dei data e dei desiderata (Requirement Gathering);
- Raccolta dei dati (o data collection) avvalendosi di database, data-warehouse, repository in locale o cloud ecc;
- Preparazione e pulizia dei dati, per ricondurli tutti ad un unico formato standard;
- Data processing.
Oggi, dopo questi 5 step, è sempre più comune ricorrere all’ausilio di piattaforme che automatizzano e semplificano l’analisi dei dati mettendo tutti i decision makers nelle condizioni di capire le informazioni (approccio self-service analytics). Ciò è possibile presentando i dati attraverso grafici esplorabili e interattivi, che sfruttano pattern visivi che facilitano i processi cognitivi (visual analytics).
Come costruire una strategia partendo dagli obiettivi smart
La prima cosa da fare per costruire una buona data strategy è individuare degli obiettivi SMART. Gli obiettivi SMART sono:
- Specifici
- Misurabili
- Arrivabili
- Realistici
- Temporalmente limitati.
Solo scegliendo un set di goal realistici da raggiungere in un tempo limitato è possibile costruire una strategia concreta e fare un buon lavoro con i dati.
Gli obiettivi della data strategy devono essere in linea – ovviamente – con gli obiettivi dell’azienda o dell’organizzazione: i dati servono a coadiuvare la crescita degli affari, o del brand, o dei risultati di Enti e No – Profit.
Stabilito “dove si vuole arrivare” e perché, allora è il momento di capire qual è la strada da percorrere e come misurare i passi fatti, individuando dei KPI qualitativi e quantitativi. L’analisi dei dati – oltre che per raggiungere gli obiettivi – è perfetta per misurare il work in progress e capire se la strada intrapresa è giusta o meno.
Per approfondire ti consigliamo di leggere: “Analisi dei dati e metodo smart: è il perfect match?”
3. Chi può fare l’analisi dei dati in azienda?
Chi usa i dati nella tua azienda o nella tua organizzazione? Questo è uno degli aspetti che dovresti mettere in luce nella data strategy.
Puoi scegliere un approccio di Enterprise Analytics, con piattaforme ad hoc, che perlopiù affida l’analisi dei dati e la loro comprensione a un team estremamente settoriale, composto di data scientists, ingegneri o statistici.
Oppure, puoi preferire un approccio di Self Service Analytics, adottando piattaforme che permettono anche agli utenti business di analizzare e capire i dati attraverso dashboard esplorabili e interattive, spesso con l’aiuto della data visualization.
Sempre più frequentemente i software di Self Service Analytics sono dotati di funzionalità basate su Intelligenza Artificiale e Machine Learning per semplificare la vita degli utenti business e ottimizzare i risultati. Grazie a IA e ML anche l’analisi predittiva è alla portata di tutti.
L’approccio Self-Service viene adottato dalle aziende che scelgono di diventare Data Driven: ogni processo è guidato dalle informazioni ottenute dall’analisi dei dati. Dunque è basato su fatti e non su intuizioni.
Per conoscere meglio la Self Service Analytics leggi il nostro approfondimento.
Diventare data driven conviene?
Ma perché un’azienda dovrebbe scegliere di diventare Data Driven? Le esperienze sempre più diffuse di approccio data driven da parte di aziende di vari settori e diverse dimensioni, mostrano che la guida dei dati dà dei vantaggi sui competitor.
Sappiamo che le aziende data driven riescono a svolgere alcuni compiti chiave prima e meglio della concorrenza. Tra questi:
- Il monitoraggio dei risultati e degli obiettivi strategici;
- L’analisi SWOT di ogni strategia e processo interno, individuando i punti di forza e quelli da migliorare;
- La previsione di scenario attraverso l’analisi predittiva, per prendere decisioni in anticipo e risolvere i problemi prima che si manifestino;
- La gestione dell’incertezza ecc.
Questi vantaggi possono essere moltiplicati per ogni linea di business e a ogni settore dell’azienda: produzione, logistica, HR, acquisti, marketing, customer care ecc.
Quello data driven è un vero e proprio modello organizzativo che permea la cultura aziendale. Tra gli impiegati vi è una diffusa alfabetizzazione dei dati e i manager sono i primi a dare il buon esempio usando personalmente l’analisi dei dati.
Si dà ormai per assodato che questo modello generi un clima di fiducia nel team e nelle proprie capacità decisionali. I decision makers infatti si sentono facilitati nel loro compito e lo spirito di collaborazione viene incentivato. Chi è coinvolto nei processi data – driven un’azienda o un’organizzazione è più incline a sperimentare e usare la creatività per risolvere i problemi, a partire da informazioni affidabili e sicure.
Leggi anche: “Perché le data driven company sono più forti dei competitor”
4. Gestire e analizzare i big data
Tutto quanto abbiamo detto fin ora sull’analisi dei dati vale anche per i big data, ossia una mole di dati tanto grande e complessa da richiedere database e software ad hoc.
L’aggettivo “big” indica che sono grandi il volume, la velocità e la varietà dei dati (che possono essere strutturati, semi-strutturati, non strutturati).
Sono sempre di più le aziende che decidono di sostenere un investimento per gestire i Big Data con strumenti di analisi avanzati. Infatti, nonostante parliamo di investimenti significativi, i vantaggi tendono ad essere maggiori anche in termini di riduzione dei costi a lungo termine e di raggiungimento degli obiettivi di business.
Per gestire i big data, bisogna costruire una data strategy e lavorare su tre processi fondamentali:
- L’integrazione di dati provenienti da più fonti;
- L’archiviazione sicura su server on premise o in cloud;
- La scelta di piattaforme di advanced BI, preferibilmente con un approccio di Self Service Analytics e di Data Visualization.
Abbiamo affrontato questo argomento complesso ma indispensabile per le aziende moderne in un altro articolo: Big Data: come gestirli e con quali strumenti.
5. La Visual Analytics cambia le carte in tavola
La Visual Analytics è comparsa spesso nei precedenti paragrafi, soprattutto in relazione all’approccio Self Service all’analisi dei dati. Di cosa si tratta?
Possiamo definirla come l’impiego di strumenti e tecnologie sviluppati appositamente per consentire anche agli utenti business di analizzare i dati mediante dashboard grafiche interattive ed esplorabili. Attraverso questo render “visuale”, gli utenti possono ottenere insights significativi e scoprire più intuitivamente le relazioni tra i dati.
Alcune caratteristiche della Visual Analytics:
- i dati sono riprodotti su grafici di vario tipo, adeguati alla comprensione dello scenario: carte geografiche, grafici a barre, mappe termiche, grafici a linee ecc.
- i grafici sfruttano pattern visivi abbondantemente studiati e noti per facilitare la funzione cognitiva dell’utente: dimensioni, forme, colori, posizione delle icone nello spazio ecc.
Per saperne di più: Visual Analytics: cos’è e perché non puoi farne a meno
6. Analisi dei dati real time: quando usarla e quando no
Tra i trend sempre più affermati nel settore, c’è l’analisi dei dati real time. Questa lavora su un flusso di dati continuo, processando i dati in un tempo che può variare da alcuni secondi ad alcuni minuti.
Questa metodologia va sempre bene per tutti? La risposta è no. Bisogna ponderare quali dati vale la pena analizzare in tempo reale.
Non è consigliabile per esempio utilizzare la real time analytics per dati che possono subire cambiamenti repentini come per esempio quelli relativi agli ordini di acquisto su un sito e-commerce, dal momento che potrebbero essere soggetti a improvvise cancellazioni.
Ci sono invece processi in cui la real time analytics è estremamente vantaggiosa:
- Monitoraggio di KPI e obiettivi;
- Split Test;
- Marketing personalizzato;
- Benchmarking competitivo;
- Conoscenza real time di tutti gli aspetti dell’azienda ecc.
L’analisi real time può essere condotta con un approccio di self service analytics, sfruttando la data visualization? La risposta è sì, scegliendo dei tools appositi in grado di gestire questa funzionalità più complessa.
Trovi altre info in un nostro precedente articolo dedicato alla Real Time Analytics.
7. Tableau software per l’analisi dei dati
Quali strumenti adottare per l’analisi dei dati? Sicuramente oggi è necessario scegliere piattaforme che consentono un approccio Self Service, anche di fronte a processi più complessi come l’analisi dei Big Data o la Real Time Analytics.
Tableau Software è stata la piattaforma che ha rivoluzionato l’analisi dei dati attraverso la Data Visualization, mettendo per prima tutti gli utenti nelle condizioni di analizzare e capire i dati attraverso le dashboard.
Oggi è una delle piattaforme più avanzate e apprezzate da aziende di ogni settore, grandi e piccole. Il sistema di licenze infatti è pensato per dare a ogni realtà la possibilità di sostenere un investimento secondo le proprie esigenze. Si integra con le infrastrutture pre-esistenti e il deploy è molto flessibile. Quindi si ottimizza anche il ROI per i costi già sostenuti per l’analisi dei dati.
Per le aziende che vogliono diventare Data Driven è perfetto, perché ogni aspetto del software è progettato con una visione user-centric. L’Intelligenza Artificiale e il Machine Learning abilitano anche gli utenti business a fare analisi predittiva o a interrogare i dati usando il linguaggio naturale. Per altro, le dashboard dati sono esplorabili per livelli crescenti di granularità e mettono in luce ogni tipo di relazione tra i dati, anche quelle apparentemente meno significative.
8. Chi è e cosa fa Ecoh Media come partner Tableau
Come partner italiani di Tableau sia per il reselling delle licenze che per la consulenza dedicata, in Ecoh Media abbiamo sviluppato una serie di servizi mirati a creare una soluzione su misura per il cliente.
Questo obiettivo si raggiunge solo attraverso una presa in carico dell’azienda, dalla fase decisionale a dopo l’acquisto.
Prima dell’acquisto, affianchiamo il cliente nella scelta delle licenze (quante e quali, in base ed esigenze specifiche e obiettivi mirati). Dopo l’acquisto, abbiamo costruito servizi dedicati alla gestione dei dati, all’implementazione della prima dashboard Tableau, al supporto post-vendita. Abbiamo anche una particolare attenzione verso la formazione del personale delle aziende clienti, attraverso i corsi online erogati dalla nostra Academy o nei corsi on-demand per i team dei nostri clienti, che possono essere erogati anche in aula o on-the-job.
