Il tempo d’aggiornamento dei dati è un fattore critico in molti ambiti di business, motivo per cui oggi sta montando l’interesse attorno ai real time analytics e al data streaming. Capacità d’alimentazione dei dati e analitiche in tempo reale o quasi reale (near real time) vanno a braccetto con lo sviluppo dell’e-commerce, con l’ottimizzazione delle produzioni in fabbrica e molti altri processi “just in time”.
Il tempo d’aggiornamento dei dati è un fattore critico in molti ambiti di business, motivo per cui oggi sta montando l’interesse attorno ai real time analytics e al data streaming. Capacità d’alimentazione dei dati e analitiche in tempo reale o quasi reale (near real time) vanno a braccetto con lo sviluppo dell’e-commerce, con l’ottimizzazione delle produzioni in fabbrica e molti altri processi “just in time”.
Se da una parte, grazie al cloud, le tecnologie a supporto dei real time analytics sono diventate più accessibili rispetto al passato, dall’altra resta fondamentale capire come impiegarle per produrre informazioni in grado di creare valore di business per l’azienda.
Un aspetto chiave delle implementazioni dei real time analytics è capire quali sono gli ambiti che possono trarne beneficio, sia relativamente al contesto aziendale sia del mercato in cui opera.
Questa analisi richiede l’individuazione del right-time ossia del tempo ideale entro il quale le informazioni hanno massimo valore (l’immediatezza può non essere sempre necessaria) e su quali aree dell’architettura dati è utile intervenire, tenendo presente che gli aggiornamenti tecnologici alle basi dati sono sempre rischiosi ed economicamente onerosi. L’analisi da parte di esperti indipendenti, agnostici rispetto alle piattaforme da implementare, deve poter dimostrare il ROI dei progetti, distinguere le aree aziendali che ne hanno vantaggio da quelle nelle quali le elaborazioni in batch restano appropriate. La disponibilità dei dati analitici in real-time o near real-time, da sola, non dà valore nei dipartimenti che lavorano su commessa, oppure dove l’aggiornamento infrastrutturale dell’ambiente dati non viene accompagnato dalla revisione dei processi e dell’organizzazione.
La crescente maturità dei servizi cloud nell’ambito della gestione dei dati cambia i giochi nel campo dei sistemi analitici, sia sotto il profilo della gestione sia dei costi. Con il cloud diventa semplice gestire caricamenti (ingestion) dei dati in near real time e quindi disporre dei set di funzioni più utili per l’elaborazione e l’analisi dei dati.
Tutti i principali cloud provider offrono funzionalità che, sulla carta, possono apparire equivalenti, ma che hanno capacità differenti nel generare valore in realtà aziendali di settore diverso. Un aspetto importante, per esempio, è la compatibilità dell’ambiente cloud con gli strumenti già in uso nell’ecosistema aziendale. Non sempre è possibile far cooperare gli strumenti in cloud con i tool impiegati nella BI aziendale e con i quali sono stati creati negli anni migliaia di report (ridisegnarli sarebbe oltremodo oneroso e porterebbe certamente a problemi di prestazioni).
Soluzioni analitiche right time davvero efficaci possono quindi richiedere l’impiego delle funzionalità di provider diversi, condizione realizzabile solo disegnando l’ambiente dati con architettura aperta e multicloud che consenta all’azienda di non legarsi a nessun provider di servizi e non rischiare il lock-in.
L’introduzione dei real time analytics ha un grande potenziale, tra le altre, nelle aziende di produzione e retail.
Un’azienda farmaceutica americana, oggi impegnata sul fronte dei vaccini, l’ha sfruttata per ottimizzare i livelli di produzione. Il progetto è partito analizzando in batch (sul cloud di AWS) i grandi volumi di dati destrutturati che vengono prodotti da sensori e apparati nelle fasi dei processi di produzione, applicando quindi gli algoritmi di classificazione per identificare i cicli ideali che conducono al miglior risultato. Ha quindi sfruttato i near real time analytics in cloud per evidenziare gli scostamenti dal ciclo ideale durante la produzione per capire cosa non va, intervenire con azioni correttive, prevedere le conseguenze sulle quantità del prodotto finito.
Una grande azienda nel campo del fashion ha impiegato l’analisi sui dati di vendita storici e sofisticate capacità algoritmiche di classificazione per individuare gli store e i negozi più rappresentativi delle vendite future. Con queste informazioni l’azienda è riuscita a pianificare meglio produzioni e distribuzione e ha ottenuto miglioramenti previsionali significativi anche durante l’attuale pandemia.