Utente:FabiorWikiTIM/Big Data Analytics: differenze tra le versioni

Versione delle 19:57, 30 giu 2017

Versione attuale delle 09:39, 31 mar 2020

(13 versioni intermedie di 8 utenti non mostrate)

Riga 1:

{{Voce Scuole|Federico II}}

[[File:BDA.png|destra]]'''Big data analytics''' è il termine usato per indicare il processo di raccolta e analisi di grandi volumi di dati per estrarre informazioni nascoste. CombinatiAssociati cona sofisticate analisi di business, i [[Big Data]] hanno il potenziale perdi dare alle imprese intuizioni sulle condizioni di mercato, sul comportamento dei clienti, rendendo l’attività decisionale più efficace e veloce rispetto alla concorrenza. Oggi sono fornite diverse tecnologie e tecniche di analisi per scoprire patterns nascosti e connessioni tra i dati. Essi si discostano dalle tradizionali soluzioni di [[Business Intelligence]] perché operano sui Big Data e pertanto richiedono un’elaborazione più lenta e meno efficiente.

Big Data Analytics permette di conoscere anticipatamente cosa accadrà. Ciò rientra nell’analisi predittiva, poiché se abbiamo un modello e abbiamo dati storici a sufficienza possiamo determinare cosa succederà in un futuro prossimo (una tendenza) con basi o fondamenti statistici. Sulla base di queste previsioni è possibile intervenire sul futuro mediante un analisi prescrittiva, ovvero si vanno a cercare le condizioni affinché un certo evento accada.

Insomma, i Big Data rappresentano il nuovo strumento che rende ''“misurabile'“ la società. Spingono verso una nuova scienza dei dati, in grado di misurare e, in prospettiva, prevedere crisi economiche, epidemie, diffusione di opinioni, distribuzione delle risorse economiche, bisogni di mobilità.<ref>{{cita pubblicazione|autore1=Dino Pedreschi|lingua=EN|anno=2012|titolo=Siamo tutti pollicini digitali|url=http://novareview.ilsole24ore.com/lavitanova/230787|accesso=2017-06-30}}</ref>

InsommaQuindi, i Big Data rappresentano il nuovo strumento che rende ''“misurabile“misurabile“''“ la società. Spingono verso una nuova scienza dei dati, in grado di misurare e, in prospettiva, prevedere crisi economiche, epidemie, diffusione di opinioni, distribuzione delle risorse economiche, bisogni di mobilità.<ref>{{cita pubblicazione|autore1=Dino Pedreschi|lingua=EN|anno=2012|titolo=Siamo tutti pollicini digitali|url=http://novareview.ilsole24ore.com/lavitanova/230787|accesso=2017-06-30}}</ref>

== Definizione e Caratteristiche ==

Si tratta di un processo di Business Intelligence adattato allaai bigBig dataData. Sono, quindi, necessari strumenti automatici che possano aiutare i manager ed i responsabili dell'azienda a prendere le decisioni giuste per massimizzare i profitti ed evitare gli sprechi dovuti allea scelte sbagliate, soprattutto negli ultimi anni in cui la crisi economica lascia ancora meno margini per gli errori.

La presenza di dati non strutturati nella big data analytic, rende necessario un diverso approccio nell’analisi che differisce dai tradizionali sistemi di gestione delle basi di dati. In questo contesto bisogna disporre di architetture software predisposte alla gestione di grossi volumi di dati, capaci di elaborazioni parallele su sistemi [[cluster]]. Tecnologie emergenti come [[Hadoop]], [[MapReduce]] e [[NoSQL]] databases.

I principali obiettivi della Big Data analytics sono:

Riga 15 ⟶ 19:

== Differenze con la business intelligence ==

La crescente maturità del concetto dei bigBig dataData mette in evidenza le differenze con la [[businessBusiness intelligenceIntelligence]], in materia di dati e del loro utilizzo:

* la ''businessBusiness intelligenceIntelligence'' utilizza la [[statistica descrittiva]] con dati ad alta densità di informazione per misurare cose, rilevare tendenze, ecc., utilizza cioè dataset limitati, dati puliti e modelli semplici per scoprire cosa è successo e perché è successo;<ref name="emc">{{cita pubblicazione|titolo=I Big Data vi parlano. Li state ascoltando?|anno=2012|editore=[[EMC Corporation]]|url=http://italy.emc.com/microsites/cio/articles/big-data-pwf/pwf.pdf|accesso=207-06-25}}</ref>

* i ''bigBig dataData'' utilizzano la [[statistica inferenziale]] e concetti di identificazione di [[Sistema non lineare|sistemi non lineari]]<ref name="billings">{{cita libro|titolo=Nonlinear system identification: NARMAX methods in the time, frequency, and spatio-temporal domains|autore=Stephen A. Billings|lingua=EN|città=New York|data=2013-09-23|editore=Wiley|isbn=978-1119943594}}</ref> per dedurre leggi ([[Analisi della regressione|regressioni]], relazioni non lineari ed effetti [[Causalità naturale|causali]]) da grandi insiemi di dati<ref>{{cita web|url=http://www.andsi.fr/tag/dsi-big-data|autore=Pierre Delort|titolo=Big data Paris 2013|lingua=FR|accesso=2017-06-25}}</ref>, e per rivelare rapporti e dipendenze ed effettuare previsioni di risultati e comportamenti<ref name="billings" /><ref>

{{cita web|url=http://lecercle.lesechos.fr/entrepreneur/tendances-innovation/221169222/big-data-low-density-data-faible-densite-information-com|autore=Pierre Delort|titolo=Big Data car Low-Density Data? La faible densité en information comme facteur discriminant|lingua=FR|accesso=2017-06-25}}</ref>, in altre parole utilizzano dataset eterogenei (non [[Correlazione (statistica)|correlati]] tra loro), dati raw e modelli predittivi complessi.<ref name="emc"/><ref>

Riga 23 ⟶ 27:

== Storia ==

Per molti anni si è parlatiparlato di bigBig dataData, ma solo recentemente molte organizzazioni hanno compreso la loro importanza. Catturare l’innumerevolil’innumerevole mole di dati, che viene condivisa ogni giorno nel loroproprio business, permette ad un’azienda di analizzare ed estrarre informazioni significative e talvolta vitali per le proprie decisioni.

Inizialmente, prima ancora che il termine “big“Big data”Data” fossevenisse usato, le attività commerciali erano basatibasate su semplici analisi numeriche per scoprire informazioni e andamenti nascosti. Oggi invece le informazioni sono recuperatirecuperate da enormi volumi di dati, dove l’analisi, ormai diventatediventata velociveloce, permettonopermette di anticipare le scelte future in modo più accurato.

== Note ==

<references/>

== Bibliografia ==

* Arshdeep Bahga, Vijay Madisetti, Big Data Science & Analytics: A Hands-On Approach, ISBN 978-0996025539, VPT, 2016

* Alessandro Rezzani, Big Data Analytics. Il manuale del data scientist, ISBN 978-8891621856, Apogeo Education, 2017

== Voci correlate ==

* [[Analisi dei dati]]

* [[Datawarehouse]]

* [[Business intelligence]]

* [[Data mining]]

== Altri progetti ==

{{interprogetto}}

== Collegamenti esterni ==

{{Controllo di autorità}}

{{portale|informatica|statistica}}

<!-- [[:Categoria:Terminologia informatica]]

[[:Categoria:Analisi dei dati]]

[[:Categoria:Gestione dei dati]]

-->