Le organizzazioni oggi raccolgono più dati, più velocemente che mai. Il numero di dispositivi IoT connessi dovrebbe raggiungere i 24,1 miliardi entro il 203020301, there’s no sign of slowing. Tuttavia, molte imprese stanno faticando a trasformare queste valanghe di dati in informazioni sfruttabili per crescere.
È qui che l'analisi in tempo reale può tornare utile. In questo articolo, scoprirete come le organizzazioni utilizzano l'analisi in tempo reale, come adattarla alla vostra strategia dei dati e le infrastrutture necessarie per implementarla correttamente nella vostra attività.
Che cos'è l'analisi in tempo reale?
L'analisi in tempo reale trasforma i dati in informazioni immediatamente dopo la loro raccolta. Questo genere di informazioni vengono utilizzate quando il tempo è un fattore chiave. Anche nota come operational intelligence, l'analisi in tempo reale può prevedere quando un dispositivo sta per rompersi, avvertendo il team operativo prima che succeda. Può avvisare un rivenditore di mandare promozioni mobile ai clienti quando si trovano in prossimità di un punto vendita. Oppure può rilevare una frode con carta di credito prima ancora che la transazione venga completata.
Per comprendere meglio come funziona l'analisi in tempo reale, confrontiamola con l'analisi tradizionale o l'elaborazione in batch. Con l'approccio tradizionale, vengono memorizzati e indicizzati set limitati di dati storici. Quando gli utenti hanno bisogno di informazioni strategiche, devono solo interrogare il sistema. L'elaborazione in batch è generalmente utilizzata per attività di routine, come la generazione di rapporti di vendita mensili o il calcolo delle buste paga.
I report in batch sono adatti ad attività non sensibili al fattore tempo. Altre attività, invece, richiedono informazioni immediate, come il monitoraggio sulla sicurezza dei pazienti o il rilevamento delle frodi. È qui che entra in gioco l'analisi in tempo reale.
Analisi dei dati in tempo reale e analisi streaming
Esistono diversi tipi di analisi in tempo reale, tra cui analisi on-demand e continua, o streaming. Gartner chiarisce la loro relazione con la seguente definizione: "L'analisi on-demand in tempo reale attende che gli utenti o i sistemi facciano una richiesta, quindi fornisce risultati analitici. L'analisi continua in tempo reale è più proattiva e avvisa gli utenti o innesca risposte non appena accadono determinati eventi".2
Poiché l'edge computing e l'Internet delle cose (IoT) investono le imprese di sempre più dati a velocità sempre maggiori, la necessità di elaborare i dati mentre sono in movimento, prima ancora che vengano memorizzati, ha incrementato la domanda di analisi streaming. Inoltre, sempre più imprese fanno affidamento sull'analisi streaming per produrre analisi aziendali in tempo reale, che permettono di prendere decisioni tempestive e garantire un vantaggio competitivo.
Il 91% dei CIO afferma che l'analisi streaming può aiutarli a incrementare i profitti.3
Casi di utilizzo dell'analisi in tempo reale
Dai rivenditori e i produttori, fino alle imprese di servizi finanziari e le organizzazioni sanitarie, le imprese stanno faticando a rimanere al passo con la velocità dei dati. Poiché il valore di questi dati può svanire in pochi giorni, ore, minuti o persino secondi, l'elaborazione quasi in tempo reale è fondamentale per massimizzare il valore delle informazioni aziendali.
Ad esempio, i dati IoT che guidano un camion senza conducente diventano inutili o persino pericolosi, se sono obsoleti. Analogamente, i dati che segnalano l'usura di una macchina o di una linea di produzione diventano inutili una volta che la macchina ha smesso di funzionare.
L'analisi in tempo reale affronta molti problemi delle organizzazioni. I retailer online combinano l'attività transazionale e la navigazione sul Web per determinare la successiva offerta migliore da proporre a un cliente. Le banche analizzano i comportamenti per identificare attività fraudolente o rilevare segni che un cliente che lavora con una delle loro filiali è pronto a ricevere un'offerta da un'altra filiale. L'assegnazione dinamica dei prezzi, la gestione dei rischi, l'ottimizzazione dei call center e la sicurezza sono solo alcuni dei processi che possono essere ottimizzati con l'analisi in tempo reale.
Anche le squadre sportive utilizzano l'analisi streaming per gestire meglio biglietti, concessioni, vendite al dettaglio e prestazioni sul campo. Ad esempio, se un ingresso diventa troppo affollato, l'organizzazione può inviare lì più personale di sicurezza e addetti ai biglietti per contribuire a ridurre i tempi di attesa e garantire la sicurezza del pubblico.
In questi casi, dati quasi in tempo reale consentono alle imprese di offrire servizi e prodotti a valore aggiunto nel momento stesso in cui i clienti li desiderano e di difendersi da situazioni potenzialmente pericolose prima che si verifichino.
Come rientra l'analisi in tempo reale in una strategia generale di analisi?
L'analisi è uno spettro, con la maggior parte delle aziende che adottano una combinazione di approcci analitici in base a tipi di dati, carichi di lavoro e al tipo di problemi aziendali che stanno provando a risolvere. L'analisi copre attualmente cinque categorie:
- L'analisi descrittiva risponde a domande su quello che è successo nel passato.
- L'analisi diagnostica offre informazioni sui motivi per cui si sono verificati questi eventi.
- L'analisi predittiva esamina i dati correnti e quelli storici per fornire informazioni su quello che potrebbe succedere nel futuro.
- L'analisi prescrittiva suggerisce iniziative che un'organizzazione dovrebbe intraprendere in base alle previsioni.
- L'analisi cognitiva automatizza o migliora le decisioni umane.
Queste cinque categorie si basano una sull'altra in maniera graduale, trasformando l'organizzazione in un'impresa on demand in cui le decisioni vengono prese in modo più rapido ed efficace.
L'analisi predittiva è il punto iniziale dell’“analisi avanzata” in cui è possibile alimentare i processi decisionali con informazioni in tempo reale. Pertanto, l'analisi predittiva, prescrittiva e cognitiva beneficiano delle potenzialità dell'analisi dei dati in tempo reale.
Indipendentemente dal tipo di analisi utilizzato, le imprese devono adottare una strategia dei dati globale basata su un'architettura di analisi in tempo reale in grado di computare dati e silos organizzativi. Il tema comune è la capacità di acquisire, archiviare, analizzare e proteggere i dati in modo che le informazioni siano rapidamente scalabili nell'organizzazione per consentire di prendere decisioni tempestive per il business.
Infrastrutture necessarie per l'analisi in tempo reale
Lo stack di soluzioni di analisi è costituito da quattro livelli: infrastruttura, dati, analisi e applicazione. Le tecnologie Intel® si estendono ad ogni componente importante di un'infrastruttura aziendale, a livello di rete, storage e computing, consentendo di gestire i dati in modo efficiente e di sfruttarli rapidamente per il vantaggio competitivo. Un'architettura omogenea nell'intera organizzazione, basata ad esempio sui processori scalabili Intel® Xeon®, fornisce un percorso prevedibile per scalare rapidamente le iniziative di analisi senza la necessità di supportare più piattaforme.
Le tradizionali soluzioni per i big data, orientate sui data warehouse, non sono indicate per la maggior parte delle elaborazioni in tempo reale. Sempre più spesso, i fornitori di servizi cloud offrono soluzioni Platform-as-a-Service (PaaS) e Software-as-a-Service (SaaS) che possono essere sfruttate a servizio dell'analisi in tempo reale. Le soluzioni di brokeraggio tra i cloud consentono alle aziende di eseguire i carichi di lavoro quando vogliono, in base a quantità, varietà e velocità delle informazioni.
Con le enormi quantità di dati generati, le aziende devono determinare quali dovranno essere riportati in azienda per prendere decisioni intelligenti. I dati in tempo reale possono essere elaborati nell'edge, con l'analisi dei dati che si verifica in corrispondenza o vicino al punto di raccolta. Tuttavia, l’analisi dei dati in tempo reale nei data center richiede l’accesso rapido e l’analisi di quantità di dati sempre più imponenti. Questo significa che è essenziale ottimizzare ogni livello della vostra infrastruttura, dalla CPU ai sottosistemi di memoria e storage.
Le tecnologie di memoria persistente mantengono una quantità maggiore di dati più vicino alla CPU e li mantengono in memoria durante i cicli di blackout, eliminando le latenze causate dai colli di bottiglia dell’I/O, recuperando i dati dagli SSD più lenti e velocizzando i riavvii.
L'analisi in tempo reale richiede di acquisire i dati ovunque, in qualsiasi formato e di convertirli nel formato di record appropriato in modo che possano essere elaborati come un insieme. La chiave è capire dove vengono creati i dati e come verranno usati per migliorare i processi aziendali e decisionali.
Chi sono i principali player dell'analisi in tempo reale?
Come partner tecnologico per l'analisi, Intel offre la flessibilità per scegliere una delle soluzioni software all'avanguardia oggi disponibili, sia open source che proprietarie.
SAP HANA è un singolo database combinato con elaborazione dati avanzata, servizi applicativi e servizi flessibili di integrazione dei dati. HANA sfrutta il software di database in memory, un approccio per interrogare i dati quando risiedono nella memoria del sistema (oggi chiamata RAM), anziché su dischi fisici.
In questo modo i clienti possono elaborare i dati in nuovi modi, molto più velocemente e creare una serie di scenari di simulazione per sfruttare opportunità o evitare problemi. Anche altri fornitori tradizionali di tecnologie, come IBM e Oracle, hanno abilitato operazioni in tempo reale nelle loro piattaforme con le nuove tecnologie.
Le soluzioni open source, incentrate sul codice di base Apache Spark, introducono l'analisi in tempo reale di dati non strutturati, come social media, immagini e video. Spark usa l'analisi in memoria distribuita tra numerosi sistemi, in modo da elaborare grandi quantità di dati in parallelo.
Molte di queste soluzioni possono essere offerte nel cloud, permettendo di eseguire l'analisi dove vengono generati i dati, dai social media all'Internet delle cose. Di conseguenza, le aziende possono interrogare dati online e transazionali per far emergere modelli ricorrenti e tendenze in tempo reale, muovendosi alla tessa velocità del mondo e dei clienti.
Nuove soluzioni e fornitori continuano a entrare nel mercato. È quindi disponibile un vasto ecosistema di soluzioni destinate a trarre vantaggio dalle funzionalità di computing, rete e storage fornite da Intel per supportare una sempre maggiore agilità nell'analisi aziendale e nei processi decisionali.
Tecnologia di analisi in tempo reale Intel
Dai processori scalabili alla tecnologia in memory, Intel offre soluzioni che accelerano le applicazioni ad alto carico computazionale, che rendono possibile l'analisi in tempo reale e un processo decisionale tempestivo.
Processori scalabili Intel® Xeon®
I processori scalabili Intel® Xeon® offrono prestazioni elevate per l'analisi in tempo reale, l'IA e altri carichi di lavoro impegnativi in termini di dati.
Tecnologia Intel® Optane™
La tecnologia Intel® Optane™ comprende supporti di memoria Intel® 3D XPoint™, controller di memoria e storage Intel®, IP di interconnessione Intel® e software Intel®. Questi collaborano per garantire una minore latenza e sistemi accelerati per carichi di lavoro di analisi che richiedono storage rapido e di grande capacità.4
Intel® Memory Drive Technology
La tecnologia Intel® Memory Drive espande la memoria di sistema per nalisi più veloci. Questa tecnologia integra in modo trasparente un'unità Solid State Drive Intel® Optane™ (SSD) nel sottosistema di memoria, aumentando la capacità oltre le limitazioni della DRAM.
Informazioni in tempo reale per ricavare valore in tempo reale
L'analisi streaming in tempo reale può aiutarvi a ricavare maggiore valore dai vostri dati, più rapidamente. Dal miglioramento della modellazione dell'inventario alla gestione delle minacce per la sicurezza di rete, le imprese di ogni settore stanno implementando l'infrastruttura necessaria per fare previsioni più accurate e prendere decisioni più informate.