I dati sono il nuovo petrolio

Quarta rivoluzione industriale: i dati sono il nuovo petrolio

Clive Humby, data scientist e matematico inglese, nell’ormai lontano 2006 coniò lo slogan “I dati sono il nuovo petrolio”.

Così come il petrolio ha permesso lo sviluppo socio-economico mondiale tra il XIX ed il XX secolo, nel XXI secolo sono le connessioni, le tecnologie ed i dati a svolgere questo importante ruolo.

I dati, hanno non solo permesso e promosso il progresso sociale, ma creato nuove opportunità di business, modificato completamente interi settori industriali e sviluppato nuove figure professionali. 

Il concetto di Big data, entrato a far parte del nostro vocabolario ormai da una decina d’anni, non è più solo un argomento dibattutissimo e di estremo interesse, ma anche oggetto di studio interdisciplinare in continua evoluzione. 

Prima di approfondire perché i dati siano così rilevanti e come è possibile trarne del vero valore, è necessario capirne le caratteristiche ed i cambiamenti che hanno portato sul mercato:

1. Volume: le tecnologie hanno reso semplice l’acquisizione e la conservazione dei dati grezzi, portando ad una crescita esponenziale dei dati. Ciò ha contribuito a creare nuovi mercati nell’ambito dei database, dell’elaborazione e conservazione del dato in cloud. 
2. Velocità: la continua produzione dei dati ha accelerato i tempi di mercato, con riferimento ai settori legati alla produzione e al consumo di contenuti. Ciò ha creato opportunità relative alla disponibilità e gestione del dato in tempo reale con ad esempio software per l’automazione.
3. Varietà: l’aumento dei tipi di formati digitali ha reso disponibili sempre più tipologie di contenuti processabili con i software, come testi, musica, video, mappe, ecc…Ciò ha modificato interi mercati, si pensi all’industria discografica con le vendite dei CD.
4. Veridicità: i dati personali e transazionali accumulati nei database di tutto il mondo sono informazioni veritiere, cioè generate da persone e da comportamenti reali. Questo aspetto ha aperto spazi nel mondo della consulenza per l’interpretazione e l’utilizzo dei dati per migliorare come ad esempio la relazione tra brand e cliente. 
5. Variabilità: sia i dati che i modelli da essi estratti cambiano a velocità incredibili aprendo nei mercati coinvolti numerose opportunità per ideare servizi scalabilità. 

E’ in questo contesto che si è affermata la Data Science, cioè la scienza dei dati, l’insieme di principi metodologici e di tecniche multidisciplinari volta all’estrazione ed interpretazione dei dati. I data scientist, sono coloro che combinano le proprie competenze e conoscenze di statistica, informatica, marketing, micro e macroeconomia, per raccogliere ed analizzare i dati provenienti da varie fonti, come web, smartphone, clienti, gps, sensori, ecc… 

In parole semplici, se i big data sono una potenziale miniera di conoscenza, la data science è la cassetta degli attrezzi per estrarne il prezioso valore. 

Ma come estrarlo davvero? Quali dati sono necessari per prendere decisioni strategiche, di investimento, di realizzazione di nuovi prodotti? 

Per rispondere a queste domande è necessario avere le idee molto chiare su quale è l’argomento di indagine, quali sono i dati da estrapolare, come e da dove estrapolarli, per chi e per quali scopi. Si identificano quindi 3 step per ricavare utili prospettive dai big data: 

• fissare, con il data scientist, obiettivi misurabili e chiari di indagine. 
• definire la raccolta dati e / o come generarli, ed il loro formato, che deve essere funzionale. Se al momento della raccolta il dato non è funzionale, il data scientist deve elaborare un modello per fare in modo che lo diventi. Un esempio pratico è il modello di elaborazione naturale del linguaggio, NPL, che ha la capacità di elaborare dati testuali e / o grafici in valori numerici positivi o negativi. Questa modello viene utilizzato, ad esempio, nella Sentiment Analysis, utile per capire come un brand viene percepito dal pubblico tramite commenti, recensioni, ecc…
• pre-elaborazione dei dati per migliorare la qualità del dato raccolto e renderlo davvero fruibile e significativo per l’analisi. Una fase spesso dispendiosa in termini di tempo. Una raccolta dati poco accurata potrebbe portare ad un risultato distorto.

In questo processo è facile intuire che strumenti di automazione, tecniche analitiche avanzate, machine learning e modelli predittivi, abbinati alle competenze ed alle capacità del data scientist, sono fondamentali non solo per ridurre i costi temporali ed economici di elaborazioni complesse, ma anche il margine di errore rispetto ad un lavoro svolto completamente a mano. 

Per le aziende di qualsiasi settore, sta diventando fondamentale avere il supporto dei dati e di figure competenti in grado di leggerli, interpretarli e calarli nei contesti di riferimento, per prendere decisioni strategiche. Qualche esempio del valore strategico che considerazioni basate sui dati possono avere: 

• settore finanziario: supporto da parte dei dati per investimenti più sicuri, veloci e logici;
• settore farmaceutico: produzione precisa di farmaci in base a trend stagionali, dati di acquisto storici, di geolocalizzazione, in linea con gli interessi dell’utente;
• settore entertainment: selezioni personalizzate di video, podcast, film che variano in base all’interesse dell’utente e a come interagisce con la piattaforma;
• settore dell’advertising: pubblicità online sempre più mirate, personalizzate, dinamiche, che vanno incontro ai gusti dell’utente. 

Da questi esempi potremmo aprire molti altri spunti di riflessione, come ad esempio elaborare modelli previsionali della domanda, tecniche di valutazione dell’impatto dei prodotti, comprensione dei processi decisionali di acquisto in un contesto omnicanale, predirre il customer lifetime value ed il customer acquisition cost. Il campo di applicazione dei dati, inoltre, non si esaurisce solo parlando di consumatore finale, ma si allarga a tutto ciò che riguarda il mondo del lavoro: come efficientare i processi aziendali e produttivi di un’azienda, come migliorare lo stile di vita dei lavoratori, come e quando prevedere il sistema di incentivi per i manager. 

Concludendo i dati potrebbero essere il nuovo petrolio, ma, come il petrolio greggio, i big data devono essere raffinati ed elaborati prima di poter veramente essere una ricchezza!