Last chance! 50% off DataCamp Premium
Sale ends in
Do per scontato che tu sappia quanto i dati siano una grande risorsa in un’azienda a tutti i livelli: che si tratti di un dirigente o di un direttore, i dati giocano un ruolo chiave. Ma possedere grandi quantità di dati non rende un’azienda di successo se non si riesce a ricavarne informazioni di valore.
Queste informazioni impattano i ricavi, direttamente o indirettamente. Per estrarre informazioni da grandi insiemi di dati serve una piattaforma di Analytics e, fortunatamente, sul mercato esistono numerosi prodotti in grado di rispondere alle esigenze di un’organizzazione in termini di reportistica descrittiva, diagnostica e predittiva.
Dal punto di vista dei dati, la maturità dei dati conta davvero, e il suo livello può essere categorizzato in base alla presenza dei seguenti aspetti:
- Dati coerenti con l’architettura attuale
- Uno strumento enterprise
- Nessuna molteplicità di fonti sovrapposte
- Architettura cloud o data warehouse on-premise
- Standard dei dati e specialisti dedicati
- Analisi predittiva e relativi casi d’uso identificati
- Trattare i dati come un asset finanziario e integrarli con aspetti di IA
La maturità dei dati aumenterà dall’alto verso il basso con l’inclusione dei punti sopra in un’organizzazione.
La maturità dei dati procede di pari passo con tecnologia, architettura, organizzazione e strategia dei dati.
-
Per tecnologia intendo come un’organizzazione utilizza una tecnologia acquistata.
-
L’architettura consiste nel far funzionare insieme queste tecnologie in modo che i dati si muovano senza attriti.
-
Per organizzazione mi riferisco alle persone che interagiscono con i dati.
-
Miglioramenti nella strategia dei dati: gli aspetti “di plumbing” della gestione dei dati sono vitali per le alte prestazioni di qualsiasi organizzazione. Le pratiche di data management adottate forniranno agli analisti dati pertinenti e strutturati per le loro analisi, riducendo il tempo speso nella preparazione. Questo aiuterà il management a raggiungere obiettivi come l’aumento della redditività e un ROI più alto grazie a visualizzazioni e rappresentazioni dei dati facili da comprendere. Aiuterà anche l’organizzazione a migliorare le prestazioni dei dati e a ottimizzare l’archiviazione.
Bene, abbiamo parlato di dati; ora parliamo delle piattaforme di Analytics. Sappiamo che sul mercato esistono numerose piattaforme di analytics: coprirle tutte sarebbe quasi impossibile, perciò mi concentrerò su quattro grandi nomi, leader di mercato:
-
Tableau rappresenta lo standard d’oro quando si parla di visual analytics. Le sue varianti sono Tableau Desktop, Prep, Online e Server. Ognuna abilita la self-service BI a livelli diversi. Tableau Desktop offre una delle migliori piattaforme per visual analytics e Business Intelligence con insight self-service. Tableau Prep permette a più persone di lavorare insieme per analizzare i dati più velocemente. Tableau Online estende condivisione e collaborazione senza un server fisico. Tableau Server condivide i dati con server effettivi, on-premise o cloud. Per i dettagli sullo sviluppo di dashboard in Tableau, visita qui.
-
SAP è un nome ben noto nel mercato degli strumenti enterprise, fornendo soluzioni ad aziende con profili molto diversi. SAP ha lanciato diversi prodotti in ambito Analytics; il suo Business Warehouse offre un’integrazione molto fluida con l’Enterprise e gestisce grandi volumi di dati. Tra i rilasci recenti ci sono SAP Analytics Cloud e SAP Lumira; in precedenza ha acquisito Business Objects e lo ha offerto come propria piattaforma di analytics.
-
Tibco Spotfire è uno dei prodotti che soddisfano l’analisi avanzata e predittiva in modo molto professionale e rigoroso. È molto potente se confrontato con altri prodotti in ambito Predictive Analytics. Tibco offre i suoi servizi on-premise e in cloud. Fornisce anche un’architettura preconfigurata e scalabile con ridotte esigenze di manutenzione IT.
-
Qlik è noto per la rapida creazione di applicazioni di analytics guidate che supportano l’esplorazione dei dati da parte degli utenti fino al livello gerarchico più basso. Dispone di un proprio repository e di funzionalità di elaborazione in-memory. Ha due varianti: QlikView e Qlik Sense. QlikView è lo strumento di creazione di applicazioni BI per uso personale ed enterprise. Qlik Sense è il servizio end-to-end per la BI che può essere integrato nel cloud.
Come sai, tutte le piattaforme sopra sono diverse e hanno funzionalità proprie. Farò quindi un’analisi comparativa su quattro parametri principali:
- Acquisizione dei dati
- Preparazione dei dati
- Visualizzazioni
- Modellazione predittiva
Il parametro dell’acquisizione dei dati comprende importazione, estrazione, connessione e accesso ai dati. In parole semplici, la capacità di acquisire dati da diverse fonti o servizi semantici come SQL, Big Data, servizi cloud.
Ora confrontiamo gli strumenti in base alle funzionalità di acquisizione dei dati di cui dispongono:
Tableau
Quando parliamo di Tableau, un potente strumento BI, vengono in mente visualizzazioni impressionanti create in un attimo e persino esplorazioni dati complesse.
Tableau non possiede un proprio repository di dati: acquisisce dati da diverse fonti e li converte in visualizzazioni significative e comprensibili.
Per farlo, deve disporre di connettori verso diverse fonti, e per fortuna li ha. Tableau offre oltre 100 connessioni a sorgenti dati diverse, con anche connessioni live ai dati transazionali.
Sul parametro dell’acquisizione dei dati ha il vantaggio.
SAP
SAP dispone di più prodotti a supporto dell’acquisizione dei dati, che fungono da livello intermedio per fornire dati alle visualizzazioni finali. Parlando di Lumira e Analytics Cloud, supporta la connettività a oltre 60 sorgenti dati al momento, numero destinato sicuramente a crescere.
SAP non ha alcun problema ad acquisire dati dal proprio ecosistema: anzi, è l’attività più fluida. Quando si tratta di acquisire dati da ecosistemi diversi, dispone di strumenti che aiutano a spostare i dati, ma ciò aggiunge lavoro e richiede competenze aggiuntive.
Tibco Spotfire
Spotfire è uno degli strumenti più potenti e talvolta complessi; in termini di acquisizione dei dati dispone di oltre 40 connettori a sorgenti e funziona sempre con connettori JDBC e ODBC. Supporta connettori Big Data e cloud che forniscono i dati in modo efficiente.
I problemi nell’acquisizione emergono quando è necessaria la pulizia dei dati prima di acquisirli.
Qlik
Qlik è uno dei leader di mercato in crescita nella BI. Per l’acquisizione dei dati, Qlik dispone di un gran numero di connettori, suddivisi in diversi gruppi. Qlik possiede un proprio repository per acquisire i dati ed eseguire ETL (estrazione, trasformazione e caricamento), risolvendo molti problemi negli scenari reali. Le capacità di manipolazione dei dati di Qlik rendono più semplice la presentazione dei dati.
Dopo l’acquisizione arriva la fase di preparazione. È il lavoro “sporco” che nessuno vuole fare, ma che non puoi saltare. Comprende unione dei dati, pulizia e modellazione fino a un livello che permetta di creare un report descrittivo sui dati con una semplice query SELECT.
Tableau
Tableau dispone di un buon numero di tecniche di preparazione dei dati per convertirli in report presentabili. Trovi tutti i dettagli nella seconda e terza sezione di questo tutorial.
SAP
SAP dispone, ancora una volta, di diversi strumenti per preparare i dati. Il sistema BW è abbastanza potente da gestire la preparazione dei dati fino a un livello considerevole. Con l’arrivo di HANA ha acquisito un’enorme potenza nella gestione di grandi volumi con motori in-memory.
Ma si tratta di uno strumento separato, con competenze specifiche. Puoi visitare qui per uno sguardo all’aspetto BI di SAP.
Tibco Spotfire
Le capacità di data wrangling di Spotfire sono molto buone, così come l’automazione dei modelli che facilita i processi incrementali di preparazione con minore intervento dell’IT.
Per preparazione incrementale intendo la capacità di cogliere le variazioni dei dati da diverse fonti e preparare i dati in base a tali cambiamenti. Visita qui per una panoramica dettagliata.
Qlik
Qlik possiede capacità di preparazione dei dati simili a quelle di Tableau, insieme al suo motore in-memory. È possibile scrivere script separati in base alle esigenze e implementarli a vari livelli. Se vuoi un assaggio dello scripting che aiuta a trasformare i dati, visita qui.
Arriviamo ora alla parte divertente, almeno per me. Abbiamo acquisito e preparato i dati, ma per analizzarne così tanti abbiamo bisogno di visualizzazioni, che fanno risparmiare tempo e permettono di arrivare ai problemi molto più rapidamente. Gran parte dell’esplorazione dei dati avviene nelle visualizzazioni, il resto con metodi statistici. Vediamo come si comportano gli strumenti su questo parametro.
Tableau
Tableau possiede uno dei set più vari di componenti per la visualizzazione dei dati: a base comparativa, distributiva, compositiva, mappe, ecc. Dispone quasi di tutti i componenti ed è riconosciuto a livello mondiale per la sua community di supporto.
Ha anche idee uniche che aiutano nel percorso di apprendimento. È possibile trovare il grafico desiderato, anche con idee personalizzate, nella sua vasta galleria. Dai un’occhiata ad alcuni ottimi grafici e storie.
Tableau è uno degli strumenti certificati da IBCS (International Business Communication Standards) per l’adozione delle migliori pratiche di data visualization a supporto della comunicazione aziendale.
SAP
SAP Lumira è lo strumento più utilizzato per la visualizzazione nell’arsenale di SAP. Copre tutti i requisiti di base per la creazione di grafici, con estensioni che aiutano a personalizzare secondo le esigenze.
SAP Analytics Cloud ha ottenuto di recente la certificazione IBCS e si spera continui a soddisfare tutte le esigenze di visualizzazione.
Tibco Spotfire
Spotfire offre tutte le funzionalità necessarie per la creazione di grafici, coprendo tutti i gruppi di chart per analizzare i dati in formato visivo. Le sue funzionalità di analisi avanzata consentono di aggiungere grafici di analisi statistica insieme a formati scientifici.
Qlik
Qlik si comporta bene quando si tratta di capacità di charting, coprendo quasi tutti i gruppi di grafici. Fornisce estensioni per modificare e aggiungere funzionalità richieste.
La funzionalità di accesso a ogni punto dati con un clic lo distingue dagli altri strumenti.
Passiamo ora alla parte in cui tutte le piattaforme di analytics stanno convergendo: integrare funzionalità di machine learning nei propri strumenti. Alcune ci sono riuscite piuttosto bene, altre hanno fatto buoni passi iniziali.
Vediamo cosa offrono su questo parametro.
Tableau
Per quanto riguarda l’analisi predittiva, Tableau ha iniziato a lavorare in quest’area. Nel prodotto sono state aggiunte funzionalità di previsione di base.
Oltre alle funzionalità base, si può integrare con R e Python, come descritto nelle ultime sezioni di questo tutorial.
SAP
Anche in questo caso SAP offre uno strumento separato del suo arsenale per fornire una piattaforma di analisi predittiva. Questo strumento copre la modellazione predittiva di base con una buona funzionalità di analisi delle serie temporali. SAP è andata soprattutto con R per aggiungere script personalizzati ai modelli sviluppati sulla piattaforma.
Per i dettagli sulla piattaforma, visita qui.
Tibco Spotfire
In termini di analisi predittiva, Spotfire sarebbe in testa: il suo approccio nell’accogliere un’architettura di data science al proprio interno è piuttosto evidente.
Richiede competenze e conoscenze per comprendere la tecnologia e implementarla. Combina metodologie di data science e statistica per offrire uno strumento in grado di eseguire analisi predittive con un adeguato ritorno sull’investimento.
Per saperne di più, visita.
Qlik
Qlik sta lavorando per implementare l’analisi predittiva a un livello ragionevole. Ha implementato alcuni algoritmi di modellazione di base nel sistema, ma il gap di competenze per usarli è ancora presente. Apprezzabili, però, i suoi sforzi di integrazione con R e Python. Consente lo scambio dati con strumenti di terze parti come R e Python, insieme all’uso del suo motore Associative che rende il trasferimento dei dati rapido ed efficiente.
Dispone anche di connessioni analitiche open source su GitHub per l’integrazione con R e Python.
E questo è tutto da parte mia: tutto dipende dalla persona o dall’organizzazione e da quale parametro sia più importante nella scelta di una piattaforma.
Se vuoi saperne di più su Python, R o SQL, segui i corsi introduttivi di DataCamp.
