BIG DATA I big data sono una raccolta dati così estesa in termini di volume, velocità e varietà da richiedere tecnologie e metodi analitici specifici per l’estrazione di valore. Volume: sono dati raccolti in enormi quantità (in termini di terabytes o exabytes) immaginabili come dataset composti da: tantissime righe (n, casi o individui ai quali si riferiscono i dati); ma anche tantissime colonne (k, ossia variabili descrittive dei singoli casi o individui). Talvolta k>n dati ad alta dimensionalità (non facilemente trattabili con i metodi tradizionali). L’enorme volume di dati derivano: dai consumatori che rilasciano dati continuamente (sia offline sia online) e dai loro oggetti connessi tra loro e a internet (IoT). Velocità: i dati sono raccolti in tempi brevissimi (real time). Esempio i sensori di una singola auto intelligente (come una tesla) sono in grado di raccogliere 80Gb di dati al minuto in diversi formati (es. video, sonor, radar, GPS, ecc.) Varietà: i dati sono raccolti in formati molto diversi e sono sia qualitativi che quantitativi. Esempio nel caso dei dati disseminati tramite i social media, la gran parte dai dati postati da miliardi di persone ogni giorno sono sotto forma di video, immagini, testo, ecc. Tecnologie: lo storage e l’elaborazione di tutti questi dati (in grandi volumi, in real time o quasi e in formati variegati) richiede grandi capacità di memoria e calcolo. Oggi esistono varie tecnologie che permettono tutto questo. Esempio distributed computing (un calcolo complesso viene suddiviso in molteplici calcoli semplici e affidati a diversi computer che lavorano in parallelo). Metodi analitici: per analizzare questi dati servono metodi diversi da quelli tradizionali, denominati big data analytics. Nascono dalla combinazione di informatica, matematica e statistica dando vita ad una nuova branca scientifica nota come data science. Data scientist esperto con forti competenze di informatica, matematica e statistica in grado di estrarre conoscenza e valore dai big data. Esistono diversi software che permettono l’implementazione di questi metodi alcuni esempi R e Knime. Estrarre valore: i big data possono essere fonte di conoscenza per le imprese che li sanno analizzare e utilizzare. Esempio netflix utilizza i suoi 137 milioni di utenti per predire i loro gusti e fare proposte personalizzate. Esempio nel settore finanziario le banche utilizzano i big data per valutare il rischio nella concessione di prestiti a individui e imprese. Dati relativi a transazioni passate, credito, debiti, dati socio demografici e talvolta anche sui comportamenti online e sui social network. Alcune opportunità per le ricerche di marketing possibilità di ottimizzare le promozioni in store : analizzando sinergia tra prodotti complementari e sviluppando combinazioni ottime di promozioni; possibilità di ottimizzare il location-based marketing: comprendendo la posizione geografica giusta per far arrivare sullo smartphone del consumatore il messaggio promozionale giusto; possibilità di studiare dati sotto forma di video: studiando comportamenti ed espressioni facciali che indicano apertura verso comunicazione di marketing (software di riconoscimento facciale); possibilità di studiare le preferenze dei consumatori : per ridurre il tasso di fallimento dei nuovi prodotti (oggi intorno al 90%). alcune criticità rischio di over reliance nei big data: non bisognerebbe togliere l'attenzione dalle ricerche tradizionali (i big data dovrebbero integrare gli small data, non sostituirli); i big data sono più utili per le decisioni tattiche di breve termine (es.promozioni) e meno per le decisioni strategiche di lungo termine (es positioning, brand image). Affidarsi troppo ai big data potrebbe significare anteporre la tattica alla strategia. il rischio di affidarsi ai big data senza avere le giuste competenze : occorre essere preparati investendo in persone e infrastrutture. rischio di violazione della privacy : i consumatori potrebbero non gradire consigli e suggerimenti palesemente frutto di analisi minuziosa dei loro comportamenti.
