I Big Data possono dare informazioni molto utili all\u2019azienda. Ma una massa di dati \u00e8 sostanzialmente inutile se non viene trasformata in qualcosa di significativo. Solo dopo la loro combinazione e normalizzazione possono mostrare tutte le loro potenzialit\u00e0<\/p>\n
di Valerio Alessandroni<\/em><\/p>\n Nel 1999 l\u2019arrivo dei blog diede inizio a quello che avremmo imparato a conoscere come \u201cWeb 2.0\u201d: da fruitori di contenuti generati da un numero ristretto di fonti, gli utenti di Internet sono diventati gli autori di tali contenuti. La quantit\u00e0 di informazioni disponibili \u00e8 esplosa e non ci \u00e8 voluto molto tempo perch\u00e9 aziende ed esperti ITC capissero che la mole di dati generati online, bench\u00e9 quasi impossibile da gestire, presentava un potenziale enorme in termini di business intelligence. Nel 2010, l\u2019ex presidente del consiglio di amministrazione di Google, Erick Schmidt, ha ricordato come siano stati creati cinque Exabyte (miliardi di miliardi di byte) di informazioni nel periodo che va dall\u2019alba della civilt\u00e0 fino al 2003. Oggi, questi stessi cinque Exabyte vengono generati ogni due giorni.<\/p>\n Un cambiamento epocale che vale enormi quantit\u00e0 di dati<\/strong> I megadati diventeranno la pietra angolare del futuro Internet 3.0<\/strong> Cosa sono le cinque \u201cV\u201d che caratterizzano i Big Data<\/strong> L\u2019importanza di prendere decisioni sulla base di modelli e trend<\/strong> Data Mining: sfruttare al massimo i dati disponibili in azienda<\/strong> Un esempio concreto nell\u2019ispezione delle valvole idrauliche<\/strong> I Big Data possono dare informazioni molto utili all\u2019azienda. Ma una massa di dati \u00e8 sostanzialmente inutile se non viene trasformata in qualcosa di significativo. Solo dopo la loro combinazione e normalizzazione possono mostrare tutte le loro potenzialit\u00e0 di Valerio Alessandroni Nel 1999 l\u2019arrivo dei blog diede inizio a quello che avremmo imparato a conoscere …<\/p>\n","protected":false},"author":4,"featured_media":1154,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"","_seopublitec_meta_desc":"","_seopublitec_keyphrases":"","_seopublitec_canonical":"","_seopublitec_noindex":false,"_seopublitec_nofollow":false,"_seopublitec_og_title":"","_seopublitec_og_desc":"","_seopublitec_twitter_title":"","_seopublitec_twitter_desc":"","_seopublitec_twitter_image":"","_seopublitec_og_image":"","_seopublitec_twitter_card":"","_seopublitec_cornerstone":false,"_seopublitec_score":""},"categories":[27],"tags":[],"class_list":["post-1153","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologie"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[1154],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1153","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/comments?post=1153"}],"version-history":[{"count":1,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1153\/revisions"}],"predecessor-version":[{"id":1155,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1153\/revisions\/1155"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media\/1154"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media?parent=1153"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/categories?post=1153"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/tags?post=1153"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nBastano pochi esempi per capire questo cambiamento che ha fatto la storia. Nel 2016, il volume stimato di traffico mobile a livello mondiale \u00e8 stato pari a 6,2 miliardi di Gbyte (6,2 Exabyte) al mese. Per il 2020 si prevedono quasi 40.000 Exabyte di dati (40 Zetabyte). Su Google vengono eseguite oltre 3,5 miliardi di ricerche al giorno, mentre gli utenti di FaceBook aumentano all\u2019incirca del 22% anno dopo anno. Possiamo aggiungere i 187 milioni di email, i 38 milioni di messaggi WhatsApp e i 18 milioni di sms scambiati ogni minuto, e cos\u00ec via. Si stima che dalla sola Cina, entro il 2020, proverr\u00e0 il 20% di tutti i dati generati sul pianeta.
\nDifficile visualizzare numeri di questo tipo. Per dare un\u2019idea, ecco un paio di termini di paragone. Supponendo che su tutte le spiagge della Terra vi siano 700,5 miliardi di miliardi di granelli di sabbia, i 40 Zb citati prima equivarrebbero a 57 volte tale quantit\u00e0. Oppure, se potessimo salvare tutti i 40 Zb su dischi Blu-ray, il peso di tali dischi (senza custodia) sarebbe pari a quello della portaerei da guerra Nimitz. L\u2019espressione \u201cBig Data\u201d si riferisce appunto alle grandi quantit\u00e0 di dati come queste.<\/p>\n
\nDi tutti questi dati, solo un quarto potrebbe dimostrarsi utile ad aziende e consumatori, se opportunamente classificato e trattato. Ma solo il 3% di essi viene \u201ctaggato\u201d e una percentuale ancora minore, stimata intorno allo 0,5%, viene davvero esaminata. Nella loro forma grezza, i Big Data sono infatti difficili da sfruttare, ma non rimarranno sempre cos\u00ec. Si prevede infatti che i megadati diventeranno la pietra angolare del futuro Internet 3.0 o \u201cWeb semantico\u201d, che vedr\u00e0 il passaggio alla produzione di massa e al consumo mirato. Per giungere a questo, tuttavia, saranno necessari strumenti capaci di elaborare e strutturare i megadati, senza costi troppo elevati. Attualmente, solo una manciata di aziende possiede le competenze e i mezzi per sfruttare i megadati, e questo sta ostacolando pesantemente lo sviluppo di un mercato che, entro il 2027, dovrebbe arrivare a valere 103 miliardi di dollari.
\n\u00c8 tuttavia evidente che una massa tanto enorme di dati non pu\u00f2 essere gestita e analizzata utilizzando metodi tradizionali per estrarre le informazioni in essi \u201cnascoste\u201d, ed eseguire operazioni come la manutenzione predittiva degli impianti, l\u2019analisi dei comportamenti dei consumatori, proiezioni di mercato e cos\u00ec via.<\/p>\n
\nIn generale, i Big Data possono essere caratterizzati da 5 \u201cV\u201d: volume, velocit\u00e0, variet\u00e0, veracit\u00e0 e valore. Del volume abbiamo gi\u00e0 detto. La velocit\u00e0 si riferisce invece alla quantit\u00e0 di dati accumulati nell\u2019unit\u00e0 di tempo, considerando che nei Big Data vi \u00e8 un flusso enorme e continuo. Per quanto riguarda la variet\u00e0, si riferisce alla natura dei dati, che possono essere strutturati o meno. Quelli strutturati sono fondamentalmente dei dati organizzati, con lunghezza e formato definiti, mentre quelli non strutturati, in genere non organizzati, non si inseriscono nella tradizionale struttura a righe e colonne dei database relazionali. Esempi possono essere testi, immagini, video e via dicendo.
\nLa veracit\u00e0 indica le incongruenze e l\u2019incertezza nei dati, perch\u00e9 quelli disponibili, provenendo da pi\u00f9 sorgenti diverse, possono essere disordinati rendendo difficile il controllo della qualit\u00e0 e della precisione.
\nIn particolare, una massa di dati disordinati pu\u00f2 creare confusione, mentre pochi dati possono fornire informazioni incomplete. Infine, il valore.
\nDobbiamo ricordare che una massa di dati non ha alcun valore ed \u00e8 sostanzialmente inutile se non viene trasformata in qualcosa di significativo, da cui si possano estrarre delle informazioni. Di fatto, questa \u00e8 la \u2018V\u2019 pi\u00f9 importante delle cinque.<\/p>\n
\nDopo la loro combinazione e normalizzazione, i Big Data possono mostrare tutte le loro potenzialit\u00e0. Per esempio, si possono applicare modelli di analisi e algoritmi per identificare i possibili risparmi in termini operativi e di energia, si possono prevedere i futuri malfunzionamenti dei sistemi di produzione dell\u2019azienda e cos\u00ec via. Prendere decisioni sulla base dei modelli e dei trend individuati nei dati raccolti pu\u00f2 creare la differenza nella gestione dell\u2019edificio. Il problema \u00e8 farlo con un BMS, che tipicamente \u00e8 progettato per il comando e il controllo dei sistemi dell\u2019edificio mentre i dati vengono raccolti. Occorre quindi una nuova piattaforma da affiancare al BMS che, appunto, si occupi del Data Mining, ossia dei programmi di estrazione di informazioni utili dalle grandi quantit\u00e0 di dati disponibili.<\/p>\n
\nIl Data Mining \u00e8 un processo di estrazione di conoscenza da banche dati di grandi dimensioni tramite l\u2019applicazione di algoritmi che individuano le associazioni \u201cnascoste\u201d (pattern) tra i dati e le rendono visibili. L\u2019analisi statistica dei dati pu\u00f2 infatti evidenziare comportamenti anomali e correlazioni tra parametri di funzionamento e di ambiente utili, per esempio, a ottimizzare gli interventi manutentivi. Si pu\u00f2 scoprire che un certo tipo di guasto in un\u2019apparecchiatura si verifica sempre quando c\u2019\u00e8 un calo di tensione superiore al 5%, o quando l\u2019apparecchiatura viene utilizzata insieme a un altro dispositivo. A differenza della statistica, che permette di elaborare informazioni generali come percentuali di disoccupazione o nascite, il data mining viene utilizzato per cercare correlazioni tra pi\u00f9 variabili relativamente a singoli soggetti; conoscendo il comportamento medio dei clienti di una compagnia telefonica, ad esempio, si pu\u00f2 cercare di prevedere quanto spender\u00e0 il cliente medio nell\u2019immediato futuro. Oppure, analizzando l\u2019andamento delle vibrazioni di un albero meccanico, si pu\u00f2 prevedere in anticipo il momento della sua rottura.<\/p>\n
\nLe tecniche di Data Mining stanno diventando molto importanti alla luce dei progressi di Industry 4.0 e dell\u2019Internet of Things. Quest\u2019ultima, infatti, permette di raccogliere grandi quantit\u00e0 di dati attraverso sensori \u201cintelligenti\u201d posizionati all\u2019interno di oggetti (strumentazione, apparecchi elettrici, dispositivi industriali e cos\u00ec via).
\nTali dati, tuttavia, rimarrebbero privi di valore se non ci fornissero informazioni utili. Scopo del Data Mining \u00e8 appunto quello di ricavare informazioni \u201cnascoste\u201d in grandi moli di dati che, osservate in quanto tali, apparirebbero casuali o prive di significato.
\nValutando i dati di produzione, ad esempio, un\u2019importante azienda tedesca \u00e8 riuscita a ridurre il tempo necessario per ispezionare le valvole idrauliche del 17,4%. Con circa 40.000 valvole prodotte ogni anno, l\u2019azienda pu\u00f2 contare su un risparmio di 14 giorni. Quando si parla di milioni di pezzi, anche pochi secondi risparmiati possono accumularsi rapidamente, trasformando i centesimi in milioni di euro. La capacit\u00e0 di generare nuove conoscenze dai Big Data si sta quindi confermando come una competenza chiave del futuro.<\/p>\n","protected":false},"excerpt":{"rendered":"