Conoscere la Business Intelligence e i Data Analytics per la trasformazione dell’azienda in “data driven”
Un’enorme massa di dati viene generata giornalmente nel corso delle normali operazioni aziendali. Come elaborali in modo efficace?
La gestione dei dati è una delle strategie aziendali necessarie per comprendere i dati storici e contemporanei e per ricavarne una conoscenza approfondita. I fattori distintivi tra questi due concetti sono estremamente sottili: la confusione è ulteriormente aggravata dato che i termini sono spesso usati in modo intercambiabile, ma di principio non lo sono.
Le differenze
Business Intelligence o BI è il termine generale che racchiude le attività di archiviazione, raccolta e gestione dei dati del business aziendale. L’obiettivo della BI è trasformare i dati grezzi in informazioni significative e fruibili, aiutando a guidare il processo decisionale dell’organizzazione tramite la creazione di cruscotti di performance e l’identificazione delle tendenze del mercato.
I Data Analytics permettono alle aziende di analizzare tutti i propri dati (in tempo reale, storici, non strutturati, strutturati, qualitativi) per individuare i modelli e generare idee per informare e, in alcuni casi, automatizzare le decisioni, collegando intelligenza e azione. Le migliori soluzioni di oggi supportano il processo analitico end-to-end, dall’accesso, la preparazione e l’analisi dei dati fino all’operatività dell’analitica e al monitoraggio dei risultati. Che si tratti di ricerche di mercato, ricerche di prodotti, posizionamento, recensioni dei clienti, analisi del sentiment, dati provenienti dal campo dai sensori IIOT o qualsiasi altro problema per il quale esistono dati, la loro analisi fornirà insight, scoprendo tendenze nascoste, correlazioni e modelli di cui le organizzazioni hanno bisogno per fare le scelte aziendali migliori.
I Data Analytics si basano sulla “data science”, disciplina che rappresenta la fusione di matematica, statistica e informatica e che cerca di fare un uso ottimale di algoritmi, tecnologie e statistiche per condurre l’analisi dei dati strutturati e non strutturati, la modellazione predittiva, il data mining.
Nell’evidenziare la differenza tra Business Intelligence e Data Analytics occorre ricordare che l’ambito dei due campi è diverso.
La BI è più interessata all’acquisizione e all’analisi dei dati operativi, quelli generati dal business aziendale: è con la BI che vengono create le dashboard (preferibilmente digitali e aggiornate in tempo quasi reale) con cui vengono presentati i risultati operativi e i relativi KPI. La BI, quindi, si occupa di studiare e comprendere i dati derivati da eventi o situazioni che hanno già avuto luogo in passato e si concentra sull’analisi descrittiva, aiutando a visualizzare i dati presenti e storici, al fine di dare un senso di ciò che è accaduto o di ciò che sta accadendo. Quindi, si occupa del “cosa” e “come”.
I Data Analytics, invece, cercano di trovare i fattori causali che potrebbero aver influenzato i risultati aziendali e fornisce dettagli più complessi della condizione esistente. Attraverso la scoperta di pattern e correlazioni, cercano di evidenziare modelli, che spiegano la realtà: si occupano del “perché. Tramite la modellazione predittiva, inoltre, possono determinare, attraverso l’uso di tecniche come machine learning e data mining, la probabilità che si verifichino risultati futuri: trattano quindi anche di “cosa accadrà” e “cosa succederà se”.
Gli strumenti informatici e le competenze necessarie
La BI viene condotta su dati strutturati che sono appositamente preparati per l’analisi attraverso strumenti come Tableau, Qlik e Power BI, strumenti fra i più comuni in ambito aziendale. I software per Data Analytics più conosciuti sono gli stessi Tableau, Qlik e Power BI con IBM Watson, SAS, TIBCO e Oracle insieme alle piattaforme cloud in PaaS come quelle di Microsoft, Amazon, Google, Databricks e si occupano, invece, di dati strutturati e non strutturati, permettendo analisi anche su formati di file video, audio o di testo.
Magic Quadrant for Analytics and Business Intelligence Platforms
Dato il tipo di dati coinvolti in entrambi i casi, la BI lavora con i “datawarehouse”, una collezione di dati strutturati, provenienti da fonti interne operative aziendali ed esterne, mentre i Data Analytics utilizzano i dati tipicamente raccolti su “data lake o lakehouse”, generalmente disponibili su cloud per dati non strutturati, parzialmente strutturati e strutturati.
Mentre la BI non comporta necessariamente il requisito di competenze matematiche ma conoscenze di grafica e di visualizzazione dei dati, i Data Analytics richiedono la conoscenza dell’algebra lineare e della statistica, la conoscenza del business e conoscenze informatiche
La Business Intelligence non comporta necessariamente il requisito di competenze matematiche di base come l’esperienza in probabilità, statistica ed algebra lineare. La maggior parte degli strumenti di BI ha funzionalità specializzate che eseguono questi comandi; tuttavia, può essere richiesto di conoscere i linguaggi operanti sulle piattaforme BI. Non è neanche richiesta la conoscenza del business in modo particolare, in quanto la Business Intelligence rimane in gran parte interessata alle statistiche descrittive nel trovare la media, la mediana e la media. E’ invece richiesta la conoscenza della grafica e delle modalità di presentazione efficace per trasmettere correttamente i dati presentati.
La data analysis e i data analytics, invece, utilizzano statistiche descrittive e inferenziali per comprendere i dati e condurre analisi predittive. Inoltre quando è necessario correlare tantissime fonti di informazioni (come per esempio nell’IoT) che producono milioni di dati, l’analista deve essere in grado di implementare modelli complessi di machine learning su sistemi di elaborazione per alcune applicazioni anche molto performanti.
L’analista deve quindi conoscere approfonditamente il business, lavorando possibilmente nel suo interno per interpretare corretamente i risultati delle analisi ottenute e apportare le dovute correzioni confrontando gli stessi con la realtà operativa.
Deve essere competente in abilità matematiche per essere in grado di interpretare e valutare i dati e di competenze informatiche per implementare gli algoritmi necessari.
A tal proposito, l’analista di dati deve conoscere linguaggi di programmazione quali R e Python, oggi fra i più utilizzati per la data science e i Data Analytics.
Deve inoltre essere in grado di gestire le applicazioni costruite in Iaas o utilizzare applicazioni in PaaS o SaaS sviluppate dai maggiori provider di cloud.
Concludo con una tabella riassuntiva delle caratteristiche della BI e dei Data Analytics, con la speranza di aver reso più chiaro un panorama alquanto complesso e spesso non chiaro.
