Questo articolo fa parte di una serie di mie riflessioni sull’innovazione technology-driven, cominciata qui.
Quando si parla di valore generato dai Big Data, il primo tema rilevante è quello della cosiddetta data-driven organization: l’analisi massiva dei dati sui processi aziendali e sull’utilizzo dei servizi da parte della clientela può migliorare l’allocazione e l’utilizzo delle risorse fisiche ed umane, abilitando la sperimentazione di nuovi percorsi di efficacia e di efficienza.
Ad esempio, in aziende di prodotto/servizio con una buona presenza digitale è ragionevolmente semplice inserire dei punti di controllo sia nei processi interni che nelle interazioni della clientela, sviluppare ipotesi di miglioramento ed avviare sessioni pilota per misurarne i risultati. C’è un interessante articolo dell’aprile del 2011 di Erik Brynjolfsson, Lorin M. Hitt, and Heekyung Hellen Kim: “Strength in numbers: How does data-driven decisionmaking affect firm performance?”, che dà evidenza scientifica dei benefici di un approccio decisionale data driven applicato agli ambiti organizzativi.
Segmentare la clientela per personalizzare le azioni di marketing e di vendita fino a livello del singolo cliente è un obiettivo comune a tutte le aziende che servono i consumatori e potrebbe essere interessante attivare dei servizi di offerta mirata alla clientela in fase di interazione (un po’ come fa amazon con i suggerimenti per l’acquisto del prossimo libro). Sebbene l’utilizzo di dati di natura demografica e di comportamento d’acquisto per segmentare la clientela sia ormai prassi consolidata, analisi massive di adeguatezza di ogni singolo prodotto/servizio ad ogni singolo cliente sono la prossima frontiera.
Infine, algoritmi sofisticati, basati su analisi massive di natura predittiva, possono essere implementati per supportare decisioni ancora oggi deputate al giudizio personale del singolo, quali ad esempio le decisioni di pricing per le offerte di servizio.
Secondo una ricerca sviluppata dal McKinsey Global Institute, diversi settori industriali e dei servizi potranno beneficiare dei Big Data, compreso il settore pubblico:
Le valutazioni dei benefici economici derivanti dall’uso dei Big Data si concentrano sulle attività del CMO (Chief Marketing Officer). Secondo l’indagine di McKinsey le aziende leader nell’utilizzo commerciale dei Big Data nei settori dei Servizi Finanziari, della Grande Distribuzione Organizzata e della Consumer Electronics, hanno profitti mediamente più alti del 6% rispetto ai concorrenti del settore che non li utilizzano. Inoltre, tali aziende sono riuscite a migliorare i propri processi di promozione commerciale, eliminando le campagne generalizzate e moltiplicando le campagne focalizzate su specifici target di clientela. E’ interessante notare come tutti e tre questi settori abbiano un contatto diretto con il cliente/consumatore e possano accedere a dati di prima mano sulle preferenze di acquisto.
Cosa accade invece quando una azienda decide di utilizzare altre fonti informative, quali i social media, per alimentare la propria business analytics?
L’utilizzo dei social media come fonte per i Big Data ha cominciato recentemente ad essere oggetto di studio a livello accademico e, tornando al tema della significatività statistica delle analisi sui Big Data, ho trovato particolarmente interessante un working paper dell’Università di Princeton (Big Data: Pitfalls, Methods and Concepts for an Emergent Field. Zeynep Tufekci. Princeton University – Center for Information Technology Policy) che analizza i potenziali punti deboli, metodologici e concettuali, di questa pratica. Ve ne elenco alcuni:
- Facebook sarebbe la piattaforma più interessante da analizzare, tuttavia le opzioni di privacy spesso non consentono di accedere ai post degli utenti e si rischia di avere una visione inadeguata del comportamento dell’utente.
- Twitter non ha questo problema, ha una struttura di privacy molto semplice (tutto pubblico o tutto privato), dei cicli di vita delle conversazioni molto brevi e una compattezza dei dati prodotti (140 caratteri) ed è emerso nel tempo come quello che in biologia si chiama “organismo modello”. Questi organismi hanno cicli di vita molto brevi e un elevato livello di standardizzazione nei modelli di crescita, cosa che rende semplice e veloce la comparazione dei risultati di un esperimento. Tuttavia, come in biologia gli organismi modello, nella loro semplicità, non rappresentano tutta la propria specie, così il comportamento dei consumatori rilevato su Twitter non necessariamente rappresenta il comportamento generalizzato. Ad esempio, Twitter è utilizzato prevalentemente da dispositivi mobili, quindi fuori casa, spesso in occasione di eventi o in presenza di minore banda dati disponibile. Inoltre, il meccanismo dei re-tweet è soggetto a norme di comportamento e influenza degli utenti, che non necessariamente si replicano su altre piattaforme o al di fuori della rete. Infine, Twitter è utilizzato da circa il 10% della popolazione (dato US, in Italia sono circa 4 milioni di utenti), che non risulta essere un campione significativo.
- Qualunque siano le piattaforme scelte come fonte dei dati, non c’è chiarezza sulla rappresentatività del campione. Ad esempio, su Facebook è possibile esprimere una preferenza (like), tuttavia non abbiamo modo di stabilire se chi non ha schiacciato il bottone like sia contrario o indifferente. E non siamo in grado di valutare la percentuale di popolazione che non ha avuto accesso all’informazione e non ha potuto esprimere un parere, per poter valutare la rappresentatività del campione.
L’autore prosegue con diversi argomenti, che sarebbe troppo tecnico trattare e che potete eventualmente approfondire alla fonte. Un paio delle sue conclusioni mi sembrano tuttavia condivisibili, al fine di comprendere questa tecnologia e le sue implicazioni:
- Come qualunque sistema di business analytics, l’analisi dei Big Data deve essere diretta a rispondere concretamente ad una domanda di business e non essere solo data-driven.
- È necessaria una migliore comprensione dei limiti dell’analisi dei Big Data, al fine di comprenderne meglio i risultati.
Questo articolo chiude le riflessioni sui BigData, nei prossimi post parleremo di mobilità.
luigiatauro.com 