Quando si parla di Big Data Analytics ci si riferisce, solitamente, all’analisi avanzata di grandi moli di dati. Prendere decisioni oggettive, migliori e più efficaci rispetto al passato, basate su una corretta analisi dei dati è un’esigenza – ma potremmo ormai dire una priorità – per le aziende di qualsiasi dimensione e tipologia. Di fronte a scenari globali e mercati sempre più competitivi prendere le giuste decisioni è innegabilmente complesso; tuttavia, non è più efficace “navigare a vista” prendendo decisioni “di pancia” o basate semplicemente sull’esperienza. Servono competenze e tecnologie nell’ambito dell’analisi dei dati, ancor di più oggi che la battaglia della competitività si gioca, anche, attraverso i Big Data Analytics.
Anche Business Intelligence (BI) e Business Analytics (BA) rappresentano definizioni ricorrenti quando si parla di analisi dei dati, in generale, e di Big Data Analytics più nello specifico. Il notevole interesse acceso dai Big Data Analytics quale elemento abilitante gli aspetti 4.0 della trasformazione digitale, inoltre, sta rendendo progressivamente sempre più popolare il mantra che vuole l’analisi descrittiva, predittiva e prescrittiva quali processi indispensabili per estrarre valore dai dati di cui l’azienda dispone. In particolar modo quando si tratta di supportare i processi decisionali.
Affinché ciò accada, è indispensabile un approccio più consapevole nei confronti dell’analisi dei dati, capace di identificare in maniera corretta quali sono i vantaggi e le criticità che derivano dalle attività che è possibile implementare sui Big Data Analytics.
L’obiettivo che ci poniamo in questo servizio mira ad identificare in maniera compiuta Big Data Analytics, Business Intelligence e Business Analytics, andando oltre le definizioni e le differenze che le contraddistinguono, per evidenziare la loro linea di continuità nel contesto più ampio dell’analisi dei dati realmente utile ad orientare e supportare i processi decisionali delle aziende.
Big Data Analytics, BI e BA: cosa sono e cosa consentono di ottenere
Partiamo dai Big Data Analytics. Come accennato, di solito quando si usa questa espressione si intende l’analisi di grandi moli di dati. Come spiegato nell’articolo dedicato all’evoluzione della Data Science, dalla Business Intelligence agli Advanced Analytics, una definizione, ancorché approssimativa, di Big Data Analytics potrebbe essere la seguente: “l’analisi predittiva di grandi moli di dati eterogenei (provenienti cioè da molte fonti diverse) e di natura differente (dati strutturati e dati non strutturati) per la scoperta, l’interpretazione e la conoscenza di modelli significativi all’interno di tali moli di dati, fondamentali per abilitare e accelerare processi decisionali più efficaci”.
Stando alla definizione disponibile su Wikipedia, per Big Data Analytics si intende “il processo di raccolta e analisi di grandi volumi di dati (Big Data) per estrarre informazioni nascoste”.
Sul fronte Big Data, torna utile la definizione che ne diede Gartner diversi anni fa: “i Big Data sono asset di informazioni ad alto volume, ad alta velocità e/o ad alta varietà che richiedono forme innovative e convenienti di elaborazione delle informazioni che consentono una migliore comprensione, processo decisionale e automazione dei processi”.
Ciò su cui fanno leva le analisi avanzate sui Big Data sono processi di analisi che consentono di sfruttare a pieno le cosiddette analisi predittive (di cui parliamo nei prossimi paragrafi), ed è questo che differenza questo tipo di analisi dalla Business Intelligence.
La Business Intelligence (BI) è una disciplina che consiste nella raccolta, archiviazione ed analisi dei dati relative alle operazioni aziendali, sulla base delle quali può fornire metriche in tempo reale, ai fini di migliorare il processo decisionale (tradizionalmente la BI si basa sulle cosiddette analisi descrittive, anche se va precisato che oggi, la maturità e l’avanzamento tecnologico, hanno consentito di “innervare” le soluzioni di Business Intelligence di processi di analisi più avanzati, fino alle analisi predittive). In termini generalisti, la stessa cosa si potrebbe dire anche in merito alla Business Analytics, che si distingue in maniera sostanziale in merito alle tecniche e al modus operandi. Nella sua implementazione ottimale, la Business Analytics impiega sistemi di apprendimento automatico, basati su tecniche di intelligenza artificiale, per analizzare i dati e fornire previsioni (analisi predittiva), oppure ipotizzare cosa potrebbe accadere qualora si adottassero determinate strategie e azioni (analisi prescrittiva).
Le diverse tipologie di analisi nei Big Data Analytics e gli esempi di applicazione
Senza addentrarci nel contesto tecnologico dei software che le implementano, la linea di distinzione tra Big Data Analytics, Business Intelligence e Business Analytics sarebbe pertanto più sottile di quel che potrebbe sembrare sulla base delle semplici definizioni. È l’approccio con cui si affacciano ai dati a differenziarle e renderle oltretutto complementari nell’analisi. In termini dialettici, la Business Intelligence si interroga sul “cosa”, mentre Big Data Analytics e Business Analytics tendono a domandarsi il “perché”. Sono gli aspetti da cui deriva la vocazione descrittiva, predittiva e prescrittiva delle analisi sui dati che le caratterizza.
Per conoscerle meglio, scopriremo il loro significato nel vero e proprio contesto analitico, in funzione di quegli obiettivi che ci riconducono all’analisi descrittiva, terreno d’azione tipico della Business Intelligence, all’analisi predittiva ed all’analisi prescrittiva, che rientrano nell’ambito applicativo di Big Data Analytics e Business Analytics. Vediamole nel dettaglio.
Analisi descrittiva: i dati per supportare decisioni oggettive
L’analisi descrittiva rappresenta il primo livello delle Business Analytics ed esattamente come suggerisce il nome, il loro compito è descrivere una situazione analizzando dati ed eventi passati o in corso fornendo ai decisori una base per comprendere l’andamento dell’azienda, di una divisione, di un prodotto o servizio.
L’analisi descrittiva si occupa di prendere il dato grezzo e renderlo fruibile ai decision maker, in modo che possano visualizzarli, capirli ed interpretarli, funzionalmente alle loro valutazioni. Si pone quindi come un’azione intelligente nei confronti del dato storico e del dato presente, per avere una visione in tempo reale capace di offrire indicazioni oggettive sugli eventi.
Per facilitare la loro azione divulgativa, le analisi descrittive si avvalgono spesso di tecniche come la Data Visualization e vengono erogate sotto forma di report e altri strumenti che possono avere una pubblicazione periodica o in tempo reale, per offrire una sintesi relativa ad un determinato argomento (es. analisi delle vendite, analisi della produzione, ecc.).
In altri termini, l’analisi descrittiva risponde alle domande: “cosa è successo?”, “quante volte?”, “cosa sta accadendo ora?”, “si è in linea con le previsioni?”, le stesse che i decisori si porrebbero per avere le informazioni utili a capire l’andamento – in dettaglio – rispetto agli obiettivi di business prefissati, in modo da prendere azioni correttive ove necessario.
Esempi di analisi descrittive
Tutte le soluzioni tradizionali di Business Intelligence rientrano nell’alveo delle analisi descrittive perché offrono report e alert attraverso i quali imprenditori, manager e decisori aziendali possono avere una rappresentazione dei fatti utile per comprendere eventi passati, la realtà o l’andamento delle prestazioni rispetto ad indicatori prestabiliti.
Le analisi descrittive sono utili nel processo decisionale perché aiutano gli utenti a comprendere cosa è successo e che impatti si sono verificati a seguito di eventi passati: questa “vista” diventa un patrimonio di conoscenza prezioso per le decisioni future.
Esempi di analisi descrittive sono i cruscotti di verifica dei KPI – Key Performance Indicator e le dashboard riepilogative dei KPI, i report, le tabelle e i grafici per la rappresentazione (e descrizione) di determinate situazioni, ecc.

Analisi predittiva: i dati per consigli e suggerimenti utili alle decisioni
L’analisi predittiva utilizza, come accennato, modellazione predittiva con tecniche statistiche e di apprendimento automatico (oggi sempre più sofisticate grazie agli avanzamenti del Machine Learning e delle tecniche di Intelligenza Artificiale) per fare previsioni, ossia per simulare situazioni o scenari possibili che aiutino a prevedere i risultati di determinate scelte, azioni, decisioni se ed ove applicate. L’obiettivo pratico dell’analisi predittiva consente alle aziende di rispondere a domande quali “cosa potrebbe accadere?”, “quando potrebbe accadere?”, “perché potrebbe accadere?”, “che probabilità ci sono che accada?”.
In altre parole, questo tipo di analisi sfrutta le informazioni a disposizione (provenienti da analisi di dati passati, con modelli statistici) per estrarre ulteriori informazioni sotto forma di insight sul futuro (non sono sistemi in grado di prevedere esattamente cosa accadrà in futuro, sono tecniche di analisi che consentono di capire cosa potrebbe accadere – e con quali probabilità – a fronte del verificarsi di determinate situazioni o in seguito a determinate decisioni/azioni). Un futuro probabilistico, legato soprattutto ad eventuali condizioni che potrebbero verificarsi a seguito di determinate situazioni. La loro azione non mira a sostituirsi al decisore, quanto a supportarlo nel migliore dei modi, offrendogli un quadro delle possibili conseguenze.
Esempi di analisi predittive
Alcuni esempi di analisi predittive sono le cosiddette Churn Analysis, oppure i Big Data Analytics per l’up selling o il cross selling. Nel primo caso, l’analisi predittiva prende in esame la clientela e calcola quali sono le probabilità di perdere il cliente, consentendo così all’azienda di intervenire per tempo e fidelizzare gli utenti. Nel secondo caso, le analisi predittive consentono di capire quali sono gli utenti più propensi a compiere altre azioni nei confronti del brand, in modo da renderli più profittevoli.
A titolo di esempio, nel contesto di un’analisi delle vendite, l’analisi descrittiva potrebbe sintetizzare ad esempio un picco di vendite in un determinato periodo. L’analisi predittiva potrebbe invece offrirci una visibilità in merito alle previsioni di vendita nel futuro prossimo, in modo da capire se aumentare la produzione del prodotto che ha avuto un particolare picco, oppure procedere con una strategia differente.
Analisi prescrittiva: i dati per far si che le decisioni si avverino
L’analisi prescrittiva è complementare all’analisi predittiva, in quanto si focalizza nel suggerire le azioni da prendere affinché un determinato evento, dato per probabile in sede previsionale, abbia effettivamente luogo.
Secondo la società americana di analisi e ricerche di mercato Forrester, l’analisi prescrittiva è una combinazione di analisi, matematica e statistica, esperimenti, ipotesi, modellazioni e simulazioni in grado di migliorare e guidare il processo decisionale e l’efficacia delle decisioni prese dagli esseri umani.
L’analitica prescrittiva si spinge quindi oltre la previsione di eventuali scenari o risultati futuri (deducibili dal calcolo probabilistico), per fornire ai manager una serie di raccomandazioni – anche in modo automatizzato – utili sulle decisioni da prendere e le azioni da compiere per raggiungere determinati risultati.
L’analisi prescrittiva, infatti, aiuta a rispondere alla domanda cui tutti gli imprenditori, i manager, i decisori aziendali vorrebbero risposta: “cosa posso fare perché accada questo?”.
Come l’analisi predittiva, anche l’analisi prescrittiva fa largo uso di sistemi di Machine Learning e tecniche di Intelligenza Artificiale. A variare è soprattutto il training, il modo con cui questi sistemi vengono allenati, in quanto orientati ad estrarre dai dati valutazioni di tipo differente rispetto agli strumenti predittivi. A differenza delle analisi predittive, nelle analisi prescrittive i sistemi sono in grado di spiegare il perché di determinati avvenimenti. Mentre nelle analisi prescrittive si deduce cosa è probabile che avvenga, nelle analisi predittive si capisce anche il perché da cui si deducano quindi le raccomandazioni utili ed i suggerimenti di azione affinché la decisione risulti efficace e produca i risultati previsti.
L’analisi prescrittiva, come accennato, non solo dice ai decisori aziendali cosa ci si debba aspettare, ma suggerisce anche cosa si dovrebbe fare, “incitando” quindi all’azione. Come dice il nome stesso della tipologia di analisi, essa “prescrive” possibili azioni o linee di condotta per supportare le persone a prendere una decisione o compiere un’azione (risolvere un problema, superare un ostacolo, cogliere un’opportunità…).
Sia le applicazioni di analisi predittiva che di analisi prescrittiva sfruttano le capacità di autoapprendimento intrinseca dei sistemi su cui si basano per automatizzare le azioni ed interfacciarle in maniera assolutamente intuitiva verso gli utenti finali, che non devono essere degli esperti di intelligenza artificiale per poter capire quanto viene loro suggerito di fare. Il decisore deve infatti essere messo nella condizione di concentrarsi soltanto sul suo lavoro, senza perdersi in quei tecnicismi che sarebbero oltretutto troppo complessi da gestire per chi non dispone di una formazione specifica nell’ambito della Data Science.
Esempi di analisi prescrittive
Le analisi prescrittive sono spesso utilizzate per il controllo completo dei processi aziendali (soprattutto in ottica di Industria 4.0 con le grandi moli di dati provenienti dall’IoT – Internet of Things che possono “alimentare” continuamente i Big Data Analytics), spesso anche mediante automatismi con consentono di innescare azioni “correttive” di fronte ad alert e/o scenari che richiedono interventi in real-time.
Un altro esempio di utilizzo delle analisi prescrittive riguarda il calcolo del prezzo di un bene (per esempio i biglietti aerei) sulla base di variabili in mutamento costante come la loro disponibilità residua, la domanda da parte della clientela, ma anche fattori molto più complessi come le condizioni metereologiche o i prezzi dei combustibili e delle materie prime.
Nel settore manifatturiero le analisi prescrittive sono valide alleate per l’ottimizzazione della produzione o la gestione ottimale della supply-chain. Nel marketing consentono di simulare scenari e valutare rischi ed impatti di eventuali azioni prima di compierle, questo massimizza l’efficacia delle campagne.
Business Intelligence e Business Analytics per l’analisi dei dati e i processi decisionali in azienda
La differenza funzionale tra le tre tipologie di analisi descritte ci consente di confermare quanto ipotizzato in sede di premessa: Business Intelligence e Business Analytics si rapportano in maniera complementare all’analisi dei dati per generare valore nel contesto decisionale.
Si tratta di discipline le cui differenze sono oltretutto riconducibili al periodo storico in cui si sono formate. La Business Intelligence vanta una tradizione di lunghissimo corso, che almeno per quanto concerne la sua valenza etimologica risale agli anni Cinquanta nel Novecento, quando venne utilizzata per la prima volta dal ricercatore tedesco Hans Peter Luhn. Da li in avanti il suo impiego è stato progressivamente perfezionato, con il costante obiettivo di raccogliere dati ed analizzarli per fornire informazioni strategiche alle aziende.
La Business Intelligence vanta quindi un profondo know-how sia per quanto riguarda l’implementazione nei processi aziendali che le tecnologie in grado di supportarla, anche a livello di software disponibili sul mercato.
In questo contesto, notevolmente storicizzato, la Business Analytics si pone in linea di continuità, senza rinnegare affatto i presupposti che l’hanno storicamente preceduta, mirando piuttosto ad andare oltre, per potenziare il comparto analitico con nuovi approcci e nuove tecnologie, condividendo il medesimo obiettivo: supportare al meglio l’azione dei decision maker aziendali.
Ai fini di sostenere con successo le rispettive missioni, Business Intelligence e Business Analytics poggiano la loro analisi su basi comuni, che coincidono con un’adeguata modellazione dei dati. Il dato grezzo va infatti acquisito, pulito, categorizzato, convertito, aggregato, validato e pertanto trasformato per soddisfare determinati obiettivi, siano essi descrittivi, predittivi o prescrittivi.
La Business Intelligence può pertanto fare tesoro degli approcci di modellazione dei dati tipici delle procedure di Business Analytics ed in generale sarebbe auspicabile adottare un approccio unificato nei confronti della gestione del dato aziendale, finalizzato alla integrazione continua delle varie attività previste, sin dalle fasi iniziali, come quelle relative alla formazione dei database. Un esempio è dato dall’impiego di strumenti come gli ETL (Extract, Transform, Load), utili a strutturare un sistema di sintesi come gli stessi Big Data a partire dall’attività delle applicazioni aziendali più diffuse, come gli ERP o i CRM. Lo stesso dicasi per tutte le attività finalizzate alla gestione di grandi quantità di dati, come lo stesso data cleaning, indispensabile per consentire una base di lavoro efficace ai fondamentali processi di data mining, fondamentale nell’estrarre valore informativo dai dati, in funzione a tutti le fasi analitiche previste.
Sul fronte dell’evoluzione, i Big Data Analytics potrebbero oggi essere interpretati come una naturale evoluzione delle analisi di business (Business Analytics) necessarie in virtù di un nuovo contesto, più complesso, dinamico ed eterogeno (che si ripercuote nella complessità, nell’eterogeneità e nella dinamicità dei dati stessi).
Big Data Analytics, i casi di utilizzo
A titolo di esempio, per dare una panoramica sui possibili casi di utilizzo dei Big Data Analytics, ricorriamo a quanto emerso dalle analisi di mercato condotte nell’ultimo decennio dalla società americana Forrester la quale, mappando l’adozione dei Big Data Analytics nelle aziende, ha identificato tre macro-gruppi all’interno dei quali convogliare i differenti casi applicativi:
- Efficienza operativa e gestione dei rischi
In questo macro-gruppo rientrano tutte le analisi di grandi molti di dati, di tipo predittivo e prescrittivo, finalizzate alla mitigazione dei rischi e ad una loro corretta gestione, siano essi rischi finanziari, operativi, di sicurezza, ecc.
Affine per tipologia di analisi, benché gli obiettivi siano differenti, anche quelle usate in casi di efficientamento ed ottimizzazione (si pensi alle analisi in ambito production e/o suplly-chain che possono innescare progetti di manutenzione predittiva).
- Sicurezza e performance
L’ambito della sicurezza, visto da un’altra prospettiva rispetto al risk management, ossia quello della continuità (operativa e di business) gode oggi dei benefici generati dai Big Data Analytics che, soprattutto grazie alle analisi predittive e prescrittive, consentono di prevenire malfunzionamenti, colli di bottiglia, interruzioni di servizio e, più in generale, problematiche nell’erogazione dei servizi o nello svolgimento delle operations.
- Conoscenza del mercato e dei clienti
In virtù delle potenzialità derivanti dalla simulazione di scenari e analisi “preventiva” degli impatti e delle conseguenze di determinate azioni e/o decisioni, i Big Data Analytics (soprattutto in virtù delle analisi prescrittive) vengono spesso utilizzati dalle aziende per avere una vista più chiara dell’andamento dei mercati e per poter fare previsioni. Con lo stesso obiettivo (ossia quello di poter fare previsioni rispetto agli impatti che un’azione o una decisione possono generare), le analisi avanzate sui Big Data vengono utilizzate per aumentare la conoscenza dei clienti, utile ad un processo decisionale più oggettivo soprattutto sul fronte della fidelizzazione della clientela ma anche in ottica di ricerca e sviluppo ed innovazione (per esempio erogando nuovi servizi o lanciando nuovi prodotti avendo simulato preventivamente la reazione possibile del mercato e dei clienti).
Categoria: ANALYTICS

Churn rate: cos’è, come si calcola e come gestirlo
Customer churn rate, tecniche e strumenti per capire quali sono le cause che portano un cliente a cercare alternative Leggi tutto

Change Data Capture (CDC): i vantaggi e come funziona
Il data management è una disciplina incredibilmente varia e complessa, che si compone di varie componenti, come la data replication.… Leggi tutto

Data warehouse vs database: differenze e come scegliere
Database e data warehouse sono indubbiamente tra i sistemi di gestione dei dati più popolari e diffusi in ambito aziendale.… Leggi tutto