Nelle scorse settimane abbiamo introdotto il tema della Data Virtualization parlando in prima battuta dei concetti chiave e poi andando ad indicare le figure professionali che in azienda possono trarre vantaggio dall’utilizzo della DV.

Come spesso succede quando si parla di analisi dati, anche la DV è trasversale, ossia non è funzionale solo in ambiti specifici, ma può fare veramente la differenza in tutte quelle situazioni in cui si hanno molti dati presenti su fonti diverse o su un’unica fonte molto complessa, che devono essere integrati e analizzati e devono dare degli output per permettere all’area business di prendere decisioni.

Di seguito vediamo qualche esempio di come la Data Virtualization porti vantaggi in alcuni settori specifici.

 

Data Virtualization nel settore finanziario

Grazie alla data virtualization le banche sono in grado di fornire dati diversi ai vari settori che li richiedono (ogni area necessita di informazioni differenti, ad esempio i responsabili marketing avranno bisogno di un tipo di dati differenti da quelli utilizzati dal personale allo sportello) mantenendo il dato certificato (elemento fondamentale per il settore bancario) grazie alle funzionalità di data lineage.

In casi come questo inoltre replicare il dato per far fronte alle esigenze dei diversi settori comporterebbe un aumento dei costi dell’infrastruttura e della complessità di realizzazione e mantenimento della stessa. Grazie a Denodo è stato possibile creare una sorta di “viste” integranti di tutti i dati necessari su cui poi possono essere effettuate delle query (adesso) semplici i cui risultati diventano gli input delle applicazioni finali.

Denodo ha una sua funzionalità di data lineage per delineare tutto il percorso del dato, dall’origine attraverso tutte le trasformazioni che subisce, fino alle “viste” in cui è utilizzato, in modo anche da dare l’idea dell’impatto che una modifica al dato avrebbe sul processo globale.

Denodo inoltre è integrato con i prodotti MDM leader sul mercato, in questo modo è in grado di importare la struttura delle tabelle e le relazioni che le legano senza doverla ricreare da zero. Questo permette di mantenere il dato certificato.

 

Data Virtualization nel settore delle telecomunicazioni

Le aziende del settore delle telecomunicazioni sono sempre sotto pressione perché si trovano a competere in un mercato sempre più affollato. La percentuale di rischio di abbandono dei clienti che scelgono compagnie telefoniche con condizioni più vantaggiose o maggiore copertura di rete è altissima. Per rimanere competitive le aziende di telecomunicazioni devono far fronte a diverse sfide:

  • – fornire servizi sempre più customizzati
  • – rendere la struttura del loro business model più flessibile ( es: tariffe)
  • – migliorare continuamente le infrastrutture ( di rete).

Con la Data Virtualization le compagnie di telecomunicazioni possono rispondere a queste sfide. Vediamo come:

  • – Migliorare la customer care e i servizi ai clienti accedendo ai dati in tempo reale
  • – Maggiore agilità nei servizi business: grazie alla virtualizzazione dei dati non sono più necessari aggiornamenti o background
  • – Un layer di data virtualization permette la manutenzione, l’aggiornamento e sostituzione dei database chiave nei sistemi di supporto alle operazioni. Inoltre, con i dati in tempo reale, le apparecchiature possono essere proattivamente sostituite ed è possibile fornire assistenza in modo tempestivo. Infine, la virtualizzazione dei dati facilita la risoluzione delle chiamate dei clienti relative alla rete.

 

Data Virtualization nel settore retail

Le aziende nel settore retail spesso devono poter organizzare preventivamente la produzione o vedere l’andamento delle vendite relativamente al numero di pezzi per ogni prodotto, altre volte hanno necessità di ottimizzare la logistica o definire gli ordini rispetto alla localizzazione degli store. La DV permette di rispondere anche a queste esigenze di business, integrando informazioni provenienti da fonti dati diverse e mostrando tutti i risultati in un’unica vista creando un unico output finale che può essere mostrato in qualsiasi strumento di data visualization accedendo direttamente ad un’unica tabella salvata in automatico  sul server di denodo.

 

Guarda il videodel webinar “La Data Virtualization a sostegno della Data Science”

realizzato insieme ad Andrea Zinno, sales Manager di Denodo.

Guarda il webinar

Approfondimenti da BNext:

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.

A cosa serve la Data Science?

L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli...

Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate

Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data Science attraverso cui si cerca di prevedere quali clienti hanno maggiori probabilità di abbandonare l’azienda, cosa che si...

I 6 comandamenti per un Data Storytelling di successo 

Letteralmente il Data Storytelling è l’arte del raccontare una storia attraverso i dati. Si tratta dell’evoluzione della Data Visualization, l’ultimo step di quel lungo processo analitico che ha lo scopo di trasformare i dati provenienti dalle diverse origini di...

Cosa sono i Big Data e come vengono utilizzati?

I Big Data sono ormai entrati a far parte del mercato tecnologico globale, ma spesso questa definizione viene utilizzata senza aver chiaro di cosa si tratta o di quali sono le accortezze e le tecnologie necessarie per poterli sfruttare al meglio nel loro valore...

Chi è e quanto guadagna un Data Engineer?

Fino a qualche tempo fa occuparsi dell’analisi dati in azienda voleva dire fare BI, e non era difficile trovare figure che si occupassero di questo. Nell’ultimo decennio, invece, l’analisi dati si è evoluta in modo esponenziale, si inizia a parlare di Data Science,...

Dataiku e Data Exploration: chi è il miglior detective della serie “Scooby-doo”?

Dataiku e la data exploration, il primo passo per impostare i progetti nel modo più adatto è esplorare i dati e imparare a conoscerli.

Denodo e la data virtualization a supporto di Machine Learning e Data Science

Il Machine Learning e la Data science sono strettamente legate alla data virtualization. denodo è il tool ideale individuato da BNova

Data Science Tools: la cassetta degli attrezzi dei team di Data Scientist

Strumenti tecnologici, piattaforme, linguaggi di programmazione, tools di vario genere rappresentano elementi importanti, gli “attrezzi del mestiere” per i Data Scientist. Ecco alcuni dei linguaggi e dei tools che solitamente non mancano all’interno di un team di Data Scientist.

Natural Language Processing (R)evolution

Reti neurali, AI. Tutte tecnologie che portano all’evoluzione del NLP verso modelli Transformers e Assistenti virtuali.