News and Events

News and Events

Data Analytics: leggenda o realtà? Gli 8 falsi miti da sfatare

Se ci sei dentro, lo sai: spesso nel mondo IT più grande è l’hype, più grande è la confusione che si genera in sottofondo, e temi caldi come Analytics e Data Science non fanno eccezione.

Per questo, il magazine online cio.com, fonte di tech news sempre attenta, ha deciso di sgomberare il campo su alcuni falsi miti che molte aziende (ma possiamo dire tutte) impegnate nella Data Analysis dovrebbero tenere a mente.

 

#1: L’analisi dei dati ha dei costi improponibili

Quanto costerà?”: questa è una delle prime domande che i responsabili aziendali e IT ricevono quando propongono l’avvio di un progetto o l’implementazione di un nuovo strumento. C’è chi ritiene che l’analisi dei dati sia per sua natura un’impresa costosa e quindi limitata alle organizzazioni con grandi budget o molte risorse interne. Non tutti gli sforzi di analisi dei dati però richiedono un investimento importante, considerando in particolare la diffusione di strumenti open source e di tanti altri disponibili sul mercato che possono aiutare a mostrare il valore della Data Analysis. E non solo, i moderni strumenti di analisi si basano per lo più su sistemi cloud e architetture Big Data, che per definizione sono molto meno costosi dei tradizionali sistemi di Data Warehouse. Senza contare i notevoli ritorni sull’investimento!

#2: Hai bisogno di grandi quantità di dati per fare analisi

Per molti, Big Data e analisi vanno di pari passo. Il pensiero diffuso è che le organizzazioni devono raccogliere enormi volumi di dati prima di eseguire analisi e generare informazioni di business, migliorare il processo decisionale, e molto altro ancora. A ben vedere, però, l’idea che i Big Data siano indispensabili per l’analisi non è corretta. Invece di più dati, infatti, gli analisti necessitano piuttosto di dati specifici.
Cosa dovrebbe quindi tenere a mente un analista? Capire cosa è davvero importante per l’azienda e come presentare le informazioni nel formato più semplice possibile.

#3: Gli algoritmi? Una botte di ferro.

Le persone ereditano fiducia in modelli e algoritmi statistici ad alto livello e, quando le organizzazioni costruiscono i propri programmi di analisi, si affidano sempre più a modelli sofisticati per supportare il processo decisionale. Non tutti però capiscono i modelli, gli algoritmi e tutte le altre pratiche avanzate di Data Science, di conseguenza si affidano ciecamente a loro. Questo implica che debbano necessariamente fidarsi delle “persone intelligenti” che li hanno costruiti.
Da almeno cinquantanni sentiamo ripeterci che a breve l’Intelligenza Artificiale prenderà il controllo e probabilmente continueremo a sentirlo per molto a lungo, ma la verità è che c’è ancora molta strada da percorrere prima di poterci fidare esclusivamente dell’apprendimento automatico e dei suoi risultati. Fino ad allora, dobbiamo piuttosto mettere alla prova le persone che costruiscono gli algoritmi e i modelli per spiegare come vengono raggiunti i risultati… abbiamo ancora un grande bisogno di trasparenza per poterci fidare e verificare l’analisi.

#4: La Data Science, quella cosa che è tipo un dogma

Negli ultimi anni si parla sempre più spesso di Data Science, eppure c’è ancora molta confusione su cosa sia. Per farla semplice, potremmo dire che la Data Science implica l’uso di algoritmi per trovare dei pattern nei dati.
La scienza dei dati sembra misteriosa perché questi algoritmi sono in grado di analizzare più variabili e set di dati più ampi di quanto la mente umana possa comprendere”, afferma Trevor Schulze, CIO di Micron Technology, che prosegue: “[La Data Science] è la naturale evoluzione delle tecniche di inferenza statistica che sono state ben comprese da decenni. Non c’è alcun mistero per la scienza dei dati, una volta che hai capito la matematica”. A questo mito si affianca quello della scarsità di Data Scientist: non sono pochi, ma vengono impiegati in lavori di basso valore aggiunto (come la ricerca dei data set).

#5: Ci vuole troppo tempo per fare analisi

Agire rapidamente, sia che si tratti di lavorare su un prodotto o un servizio già sul mercato o di rispondere a una richiesta del cliente in “tempo reale”, rappresenta senza dubbio un grande vantaggio competitivo. Fare analisi suona invece come qualcosa che richiede tempo, in totale controtendenza rispetto all’obiettivo di velocità e agilità. E dunque (R)esiste ancora il mito che i progetti di analisi richiedano troppo tempo e siano piuttosto complessi. Ma non è così: tutto ruota attorno al talento. Con il giusto mix di competenze e l’applicazione di metodologie agili, alle grandi domande si può rispondere in giorni, al massimo settimane, ma assolutamente non in mesi.

#6: La tecnologia è la parte difficile

Tante sono le tecnologie disponibili oggi, meno immediato è selezionare la giusta combinazione di strumenti da implementare e integrare per ottenere i risultati desiderati: questo è sicuro, ma la cosa davvero complicata è adeguare la struttura organizzativa e il modello operativo per mettere insieme tutto ciò che viene dalle persone, dai processi e dalla tecnologia. Il modo in cui si abilita questo processo, a dire il vero, è quello che sembra essere ancora più difficile per aziende e organizzazioni.

#7: I Data Analytics dovrebbero avere un reparto a sé

In alcune organizzazioni, quello della Data Science funziona come un reparto a sé stante, mentre in altre è profondamente radicato in un team interfunzionale.
Con l’esplosione dei dati in tutte le aree aziendali e la velocità dei cambiamenti, può reggere il modello di un dipartimento di Data Science separato dagli altri? Difficile. Infatti, man mano che le organizzazioni diventano più incentrate sul cliente, i Data Scientist dovrebbero essere messi al centro della business unit, non in un reparto al quale richiedere supporto. Molte delle problematiche complesse che le aziende affrontano oggi sono all’interno delle business unit e molte soluzioni a questi problemi sono proprio nascoste nei dati.
I Data Scientist, lavorando a stretto contatto con queste unità aziendali e utilizzando grandi set di dati e Intelligenza Artificiale, saranno fondamentali per incubare la prossima generazione di prodotti, servizi e esperienze dei clienti.

#8: L’Intelligenza Artificiale ci ucciderà tutti

L’introduzione di nuove tecnologie ha storicamente rivoluzionato molti lavori e molte industrie. Oggi si teme che l’Intelligenza Artificiale eliminerà la necessità per le persone di svolgere determinati compiti. Ma sapete perché i robot non sostituiranno mai gli umani? Perché l’Intelligenza Artificiale è forte nell’immagazzinare informazioni e calcolare ma non è in grado di affrontare situazioni veramente nuove e inaspettate… gli umani in questo restano imbattibili!
Quindi perché non collaborare? L’unione fa la forza e i sistemi di AI, che eseguono alcuni dei lavori più pesanti, possono essere un supporto fantastico per l’uomo.

 

Non perdere il prossimo appuntamento Technology Speed Date, che ti permetterà in sole 3 ore di conoscere le tecnologie leader di mercato di Advanced Analytics. Guarda qui »
Bologna / Headquarters

Via Bazzanese 32/7
40033 Casalecchio di Reno
(BO) Italia

051.4391311
Email
Google Maps
Milano

Piazza 4 Novembre, 7
20124 Milano
Italia

02.87343708
Email
Google Maps
Roma

Via della Conciliazione, 10
00193 Roma
Italia

06.68809942
Email
Google Maps
London

2nd floor, Hygeia House
66 College Road
Harrow Middx HA1 1BE
UK

+44 (0)207.8876249
Email
Google Maps
Iscriviti alla newsletter