Inizia la prova gratuita
Tendenze Novità Generi Autori
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Ricerca in corso...
SoBrief
Big Data

Big Data

I big data possono prevedere ciò che conta prima che gli esperti se ne accorgano, ma prevedere non significa spiegare.
di Viktor Mayer-Schönberger 2013 242 pagine
3.69
8.000+ valutazioni
Ascolta
Immersivi
V2.3
Amazon Kindle Audible
Prova l'accesso completo per 3 giorni
Sblocca l'ascolto e molto altro!
Continua

Punti chiave

Considerare la scala dei dati come un cambiamento nelle domande a cui è possibile rispondere

La scala cambia la domanda. Big Data significa usare informazioni su una scala tale da rivelare intuizioni o creare valore impossibili da ottenere con insiemi di dati più piccoli. Durante l’epidemia di H1N1 del 2009, le ricerche su Google offrirono un quadro dell’attività influenzale più tempestivo rispetto ai ritardati rapporti ufficiali. Il servizio Farecast di Oren Etzioni analizzava le cronologie dei prezzi dei biglietti per consigliare quando acquistare, senza dover comprendere le regole tariffarie delle compagnie aeree. Nel 2012, le sue previsioni si rivelavano corrette circa tre volte su quattro e facevano risparmiare ai viaggiatori una media di 50 dollari a biglietto.

Più che computer più veloci. La tesi centrale del libro è che questo cambiamento derivi da nuovi modi di usare i dati, non semplicemente da macchine migliori. Quando cambia la quantità, possono emergere nuovi schemi e nuove possibilità.

Analisi

La versione più convincente di questa tesi riguarda l’ampliamento della gamma di domande osservabili. Un insieme di dati scarso può rispondere soltanto a ciò che i ricercatori hanno pensato di chiedere in anticipo; uno più ampio può far emergere schemi inattesi. Eppure, il volume da solo non garantisce intuizioni. Le ricerche descrivono le persone che usano una determinata piattaforma, non tutti coloro che hanno l’influenza. La scala cambia ciò che si può vedere, ma le scelte di raccolta continuano a determinare il punto di vista.

Usare insiemi di dati completi quando la risposta dipende da sottogruppi rari

I campioni sfumano i confini. Il campionamento casuale resta utile: circa 1.100 risposte selezionate a caso possono stimare una risposta sì o no per una popolazione molto ampia, con un margine di circa tre punti percentuali nella maggior parte dei casi. Ma questa precisione non si applica facilmente ai sottogruppi più piccoli. Un sondaggio su mille persone potrebbe includere troppo pochi elettori benestanti di una certa regione per dire molto su di loro. Il libro chiama l’alternativa N=all: usare l’intero insieme di dati, o la maggior parte possibile.

I segnali rari hanno bisogno di contesto. Esaminando undici anni di registrazioni del sumo, Steven Levitt e un collega analizzarono oltre 64.000 incontri. Trovarono percentuali di vittoria sospettosamente alte negli incontri in cui un lottatore aveva bisogno di vincere per conservare il proprio rango: uno schema che un campione ridotto avrebbe potuto non rilevare.

Analisi

La lezione non è che il campionamento sia diventato obsoleto. Può essere meno costoso, più rapido e più rispettoso della privacy, e un campione ben progettato può essere più efficace di un censimento distorto. La distinzione utile riguarda le domande sulle medie complessive e quelle sui casi insoliti o sui gruppi definiti in modo preciso. Quando conta un evento raro, una registrazione completa può rivelare schemi che la media cancella, a condizione che le registrazioni coprano davvero la popolazione pertinente.

Rinunciare alla precisione puntuale in favore dell’ampiezza solo quando gli errori si compensano

L’imprecisione può ampliare la portata. I grandi insiemi di dati contengono spesso etichette incoerenti, valori mancanti, rilevazioni in ritardo o veri e propri errori. Gli autori sostengono che accettare qualche imperfezione possa valere la pena quando un maggior numero di osservazioni rende più chiaro il quadro generale. Il sistema di traduzione di Google, per esempio, attingeva a un’enorme raccolta di testi in rete, comprese traduzioni imperfette e disomogenee. Le sue dimensioni gli permisero di superare sistemi addestrati su materiale molto più limitato e accuratamente selezionato.

La precisione resta importante. Un vigneto dotato di molti sensori di temperatura economici può ottenere un quadro più ricco di quello offerto da un solo sensore preciso, anche se alcune letture sono sbagliate. Il compromesso funziona solo se gli errori non distorcono sistematicamente il risultato. Una risposta approssimativa può bastare per individuare una tendenza; il saldo bancario o un calcolo essenziale per la sicurezza richiedono una precisione più rigorosa.

Analisi

È una distinzione pratica tra rumore casuale ed errore sistematico. Gli errori casuali possono perdere influenza man mano che si accumulano le osservazioni; un pregiudizio condiviso, invece, può apparire sempre più convincente a ogni nuova registrazione. La domanda, dunque, non dovrebbe limitarsi a stabilire se un insieme di dati sia pulito. Bisogna chiedersi se i suoi difetti distorcano la conclusione specifica che se ne trae. Un segnale meteorologico impreciso può aiutare a prevedere una tendenza; la stessa tolleranza sarebbe sconsiderata nel calcolo di una dose clinica.

Usare le correlazioni per prevedere segnali utili, senza scambiarle per cause

Un indicatore indiretto può bastare. Una correlazione è un rapporto statistico tra due elementi che tendono a cambiare insieme. Può rendere un segnale misurabile un indicatore utile di qualcosa di più difficile da osservare, senza spiegare perché esista quel legame. Le raccomandazioni di Amazon migliorarono quando il gruppo di Greg Linden abbinò i prodotti acquistati insieme dai clienti, invece di cercare di abbinare ogni cliente ad altri acquirenti simili. Walmart scoprì che le vendite di Pop-Tarts aumentavano prima degli uragani e li mise vicino alle forniture per le tempeste.

Prevedere non significa spiegare. Le correlazioni possono orientare le decisioni, per esempio su cosa tenere in magazzino o cosa ispezionare, ma le coincidenze e gli schemi instabili possono trarre in inganno. L’analisi dei dati può individuare un segnale utile prima che qualcuno riesca a spiegarne in modo credibile la causa. Questo può bastare per una previsione a basso rischio, ma non necessariamente per decidere quale intervento risolverà il problema.

Analisi

La distinzione ricorda quella tra un termometro e una teoria del calore: una misura può guidare l’azione senza spiegare il processo sottostante. È una risorsa potente nelle situazioni in cui il tempo è essenziale e attendere una spiegazione completa può costare caro. È anche un motivo per limitare l’intervento a ciò che le prove consentono di sostenere. Un segnale d’allarme affidabile può giustificare il controllo di una macchina; da solo, non individua la riparazione necessaria.

Trasformare le tracce trascurate in dati prima di giudicarle inutili

La datificazione rivela strutture nascoste. La datificazione (datafication) consiste nel trasformare le informazioni su qualcosa in una forma quantificata che possa essere registrata e analizzata. È diversa dalla digitalizzazione, che converte semplicemente il materiale in un formato leggibile da un computer. Matthew Fontaine Maury si rese conto che i diari di bordo scartati registravano venti, correnti e condizioni meteorologiche. Organizzò oltre un milione di osservazioni in carte oceaniche, aiutando le navi a scegliere rotte più rapide e riducendo di circa un terzo la durata di alcuni viaggi.

Nuove forme aprono nuovi usi. La scansione di un libro crea un’immagine digitale; il riconoscimento delle parole lo rende ricercabile e analizzabile. Analogamente, trasformare in dati la posizione, le vibrazioni del motore o le interazioni di una persona può consentire usi che vanno oltre lo scopo originario. Il valore nasce non solo dalla raccolta delle informazioni, ma anche dalla loro rappresentazione in una forma che ne permetta il confronto e il riutilizzo.

Analisi

La vicenda di Maury mostra che l’innovazione nei dati consiste, in parte, in un cambiamento di attenzione: ciò che veniva liquidato come materiale inutile può diventare una prova quando qualcuno trova il modo di organizzarlo. Lo stesso principio vale per le istituzioni i cui archivi sono stati creati per la contabilità, la manutenzione o la comunicazione, non per la ricerca. Ma la quantificazione non è mai neutrale. Decidere cosa contare, come classificarlo e cosa escludere determina quali schemi diventano visibili.

Valutare i dati in base agli usi futuri, non al loro primo impiego

Il riutilizzo crea valore di opzione. Gli autori usano questo termine per indicare il potenziale valore dei dati nei possibili usi futuri, oltre lo scopo per cui sono stati raccolti. In origine, chi usava ReCaptcha digitava parole distorte per dimostrare di essere umano; lo stesso sforzo contribuiva anche a decifrare testi illeggibili per il riconoscimento ottico dei caratteri. Gli errori di battitura nelle ricerche possono migliorare i suggerimenti ortografici, mentre le vecchie registrazioni dei biglietti possono servire a prevedere le tariffe future.

Le informazioni possono essere utilizzate più volte. A differenza di una risorsa fisica che si consuma, i dati possono spesso essere analizzati di nuovo o combinati con altre informazioni. Le tracce digitali lasciate dalle azioni quotidiane sono chiamate scorie di dati (data exhaust). Tuttavia, la loro utilità può svanire: un vecchio acquisto potrebbe non riflettere più gli interessi di un cliente. Chi detiene i dati deve valutare quali registrazioni restino informative e quali siano diventate rumore.

Analisi

L’idea del valore di opzione cambia l’economia della conservazione degli archivi. Un insieme di dati può valere di più per chi vi intravede un uso secondario che per l’organizzazione che lo ha raccolto. Ciò incentiva a conservare e condividere le informazioni, ma anche a raccoglierne più di quanto ci si aspetti. La domanda cruciale, quindi, non è soltanto se i dati abbiano un valore futuro, ma chi possa realizzarlo e chi debba sostenere il costo del loro riutilizzo.

Creare un vantaggio combinando l’accesso ai dati con immaginazione e capacità analitiche

Tre ingredienti creano valore. Il libro descrive tre ruoli nell’economia dei Big Data: i detentori, che controllano le informazioni; gli specialisti, capaci di analizzarle; e le persone con una mentalità orientata ai Big Data, che intravedono nuovi modi di usarle. Un rivenditore potrebbe possedere le registrazioni delle transazioni, assumere una società di analisi per individuare degli schemi e poi applicare alle proprie attività un’intuizione inattesa. Intermediari dei dati come Inrix combinano informazioni sul traffico provenienti da molte fonti per formulare previsioni che nessun singolo produttore di automobili potrebbe elaborare con altrettanta efficacia.

Il controllo può diventare una leva. Gli autori prevedono che i dati stessi acquisiranno importanza man mano che le capacità analitiche si diffonderanno. Le aziende possono anche cambiare ciò che vendono: Rolls-Royce ha usato le informazioni sul monitoraggio dei motori per creare un’attività di servizi continuativi attorno ai motori degli aerei, anziché limitarsi a produrli.

Analisi

La catena del valore aiuta a spiegare perché un analista tecnicamente brillante potrebbe non ottenere la quota maggiore dei guadagni. Accesso, interpretazione e applicazione commerciale sono capacità distinte, e il potere contrattuale spesso appartiene a chi controlla informazioni scarse. Gli intermediari condivisi possono migliorare le previsioni combinando le registrazioni di aziende concorrenti, ma queste devono fidarsi dell’intermediario e accordarsi su chi trae beneficio dalla risorsa comune.

Usare i dati per mettere in discussione le competenze, non per cancellare il giudizio

L’analisi può smascherare presupposti ereditati. Nel baseball, gli Oakland Athletics usarono indicatori come la percentuale di arrivo in base per mettere in discussione i giudizi soggettivi degli osservatori sui giocatori. Analogamente, Amazon scoprì che le raccomandazioni automatiche vendevano più libri delle selezioni del suo gruppo editoriale. Il punto non è che gli specialisti non sappiano nulla, ma che l’esperienza può non cogliere schemi visibili su molti casi. Uno studio citato nel libro rilevò che la produttività era fino al 6 per cento più alta nelle aziende che davano importanza alle decisioni basate sui dati.

La competenza aiuta comunque a formulare la domanda. Gli analisti di New York scoprirono dagli ispettori che una facciata in mattoni rifatta da poco indicava che il proprietario si prendeva cura dell’edificio. Trovarono registrazioni dei permessi che potevano tradurre quell’osservazione in un dato da inserire nel modello. Analisi dei dati e conoscenza sul campo collaborarono: i lavoratori esperti fornirono indizi, mentre il modello aiutò a classificare un vastissimo elenco di immobili.

Analisi

I dati possono disciplinare l’intuizione, soprattutto quando ci si affida a impressioni vaghe e difficili da confrontare tra casi diversi. Eppure, un modello è utile solo quanto lo sono il suo obiettivo e le misure scelte per rappresentarlo. Gli esperti del settore possono accorgersi che un indicatore indiretto trascura un contesto importante, mentre gli analisti possono verificare se le convinzioni degli esperti reggono su molte osservazioni. L’approccio più produttivo non consiste né nell’affidarsi ciecamente all’esperienza né nel fidarsi ciecamente di un punteggio.

Considerare i dati come prove, mai come verdetti indiscutibili

I numeri si possono manipolare. Robert McNamara, segretario alla Difesa degli Stati Uniti durante la guerra del Vietnam, si affidava molto a statistiche come il numero dei nemici uccisi per valutare i progressi. In seguito, alcuni generali riferirono che tali cifre venivano spesso gonfiate, in parte perché gli ufficiali sapevano quanto i vertici le considerassero importanti. Una misura pensata per descrivere la guerra cominciò a influenzare ciò che le persone riferivano su di essa.

Una misura non è la cosa in sé. Il libro mette in guardia dal considerare i dati una fonte di verità automatica. Google continuò a chiedere ai candidati un impiego i risultati accademici anche dopo che un’analisi interna aveva rilevato scarsi legami con la prestazione lavorativa. Raccogliere più numeri non può correggere una misura scelta male, un processo di rilevazione distorto o un’interpretazione che va oltre le prove.

Analisi

È un classico problema di misurazione: una volta che un numero diventa un obiettivo, le persone possono ottimizzare il numero invece dello scopo sottostante. Il rischio aumenta quando i dirigenti scambiano la leggibilità per comprensione. Un cruscotto può far apparire gestibile un’istituzione complessa, nascondendo gli incentivi che hanno prodotto i dati che vi compaiono. Una buona prassi si chiede come sia stata generata una misura, quali comportamenti premi e quali risultati importanti lasci invisibili.

Non punire mai le persone sulla base di previsioni riguardanti scelte che non hanno ancora compiuto

Il rischio non è una colpa. I sistemi predittivi possono stimare chi potrebbe avere problemi di salute, non rimborsare un prestito o essere coinvolto in un reato. Il libro sostiene che tali previsioni possano aiutare a distribuire l’attenzione, ma non debbano essere considerate prove di responsabilità. Un metodo di previsione della libertà condizionale descritto nel testo dichiarava un’accuratezza di almeno il 75 per cento nel prevedere il coinvolgimento in un omicidio. Anche prendendo per buona tale affermazione, circa una persona su quattro sarebbe stata classificata erroneamente.

Il comportamento futuro resta una scelta. La polizia predittiva e i controlli preventivi comportano il rischio di imporre restrizioni prima che si verifichi un reato. Una persona non può confutare in modo significativo una previsione relativa a un atto che non è ancora avvenuto. Usare la probabilità per orientare un sostegno o un’ispezione è diverso dall’usarla per attribuire colpe o infliggere punizioni.

Analisi

La questione va oltre la precisione del modello. Anche una previsione ben calibrata può distribuire gli oneri in modo iniquo se alcune persone vengono sorvegliate più da vicino e finiscono così per generare più episodi registrati. La distinzione tra prevenzione e punizione è importante: offrire un sostegno volontario non equivale a limitare la libertà. Ogni intervento dovrebbe essere valutato in base alle sue conseguenze per la persona classificata, non soltanto in base alla sua capacità di abbassare un punteggio di rischio complessivo.

Responsabilizzare chi usa i dati e consentire di contestare gli algoritmi

Trasferire la responsabilità a chi usa i dati. Poiché molti usi secondari non possono essere previsti al momento della raccolta delle informazioni, gli autori sostengono che informativa e consenso, da soli, non possano tutelare la privacy. Propongono la responsabilizzazione degli utilizzatori dei dati: le organizzazioni valutano i rischi di un uso previsto e si assumono la responsabilità di prevenire i danni. Una tecnica correlata, la privacy differenziale, rende deliberatamente approssimativi i risultati, riducendo così la probabilità che l’analisi di un grande insieme di dati esponga una persona specifica.

Creare modi per contestare le decisioni. Gli autori propongono gli analisti degli algoritmi (algorithmists): revisori indipendenti o interni che esaminino i dati, i metodi e l’interpretazione alla base delle previsioni dalle conseguenze rilevanti. Per le decisioni delicate chiedono trasparenza sui fondamenti di una previsione, certificazione da parte di esperti e un modo per consentire alle persone interessate di confutarla. Queste tutele mirano a rendere i sistemi complessi responsabili nei confronti delle persone.

Analisi

La proposta riconosce che la privacy non è un’autorizzazione concessa una volta per tutte. È un rapporto continuo, plasmato da ciò che le organizzazioni fanno con le informazioni. La responsabilizzazione può sostenere analisi utili senza richiedere un nuovo consenso per ogni finalità imprevista, ma deve comportare conseguenze applicabili e una revisione davvero indipendente. Altrimenti, il controllo rischia di diventare una formalità di conformità che documenta una decisione senza offrire alla persona interessata un modo concreto per contestarla.

Considerare le previsioni mappe per l’azione, non ritratti della realtà

Prevedere può salvare vite. Ogni anno a New York si ricevevano circa 25.000 segnalazioni di conversioni edilizie illegali, ma gli ispettori erano soltanto 200. Il gruppo di Mike Flowers combinò registrazioni di 19 enti con cinque anni di dati sugli incendi per classificare le segnalazioni che meritavano un intervento urgente. In precedenza, gli ispettori avevano emesso ordini di sgombero nel 13 per cento dei casi esaminati; grazie alle classifiche, la percentuale superò il 70 per cento. Le osservazioni sul campo, compresi gli indizi relativi alla manutenzione degli edifici, contribuirono a migliorare il modello.

Nessun modello vede tutto. Le previsioni stimano gli esiti probabili, non un futuro già deciso, e le informazioni disponibili sono sempre incomplete. L’argomento conclusivo del libro è che i dati dovrebbero aiutare le persone ad agire, non sostituirsi alla creatività, all’intuizione o alla responsabilità. Previsioni migliori possono orientare l’attenzione; da sole, non possono stabilire ciò a cui la società dovrebbe dare valore.

Analisi

L’esempio di New York rende concreta la promessa: un personale limitato può essere indirizzato verso i casi con maggiori probabilità di essere pericolosi. Mostra anche perché le previsioni debbano restare parte di un processo umano. Gli ispettori fornirono osservazioni che inizialmente non erano presenti nell’insieme di dati, e i funzionari dovettero comunque decidere come usare le classifiche. Una previsione è più utile quando affina il giudizio senza pretendere di risolvere ogni questione.

Analisi

L’intuizione più duratura del libro non è che gli insiemi di dati più grandi producano sempre risposte migliori. È che i costi di raccolta, archiviazione e ricombinazione delle informazioni sono scesi abbastanza da rendere praticabili nuove forme di indagine. Gli esempi rendono tangibile questo cambiamento: Maury trasforma diari di bordo trascurati in indicazioni per la navigazione, Amazon sostituisce la selezione umana dei libri con raccomandazioni basate sui modelli di acquisto e New York indirizza i pochi ispettori disponibili verso gli edifici pericolosi. Nel loro insieme, queste storie mostrano i dati come infrastruttura, non come semplice risorsa tecnica.

L’argomentazione è più convincente quando distingue la previsione dalla spiegazione. Una correlazione può essere utile senza rivelare una causa, soprattutto quando l’obiettivo è stabilire priorità, fare previsioni o individuare una domanda promettente da approfondire. Diventa molto meno solida quando gli autori lasciano intendere che i dati su vasta scala possano sostituire abitualmente la teoria o il giudizio degli esperti. I dati non offrono una visione trasparente della realtà. Le piattaforme decidono chi diventa visibile, i sistemi di misurazione incorporano presupposti e le ricerche più ampie moltiplicano le occasioni di trovare coincidenze. Un insieme di dati enorme può far apparire precisa un’osservazione ristretta o distorta.

L’analisi politica è altrettanto importante. La previsione modifica i rapporti di potere perché le istituzioni possono classificare le persone prima che agiscano, spesso senza fornire loro una motivazione comprensibile o un modo per contestare quella classificazione. Le tutele proposte — responsabilità, autonomia delle persone e revisione algoritmica — affrontano problemi reali, ma la loro efficacia dipende dall’indipendenza, dalla possibilità di far valere rimedi concreti e dall’accesso alle prove. Un revisore privo dell’autorità di bloccare un sistema dannoso offre ben poca protezione.

Il libro si legge meglio come una guida a una nuova forma di prova, non come una profezia secondo cui i dati sostituiranno il giudizio. Il suo criterio pratico è al tempo stesso modesto e potente: usare informazioni ampie per individuare schemi e migliorare le decisioni, preservando l’indagine causale quando la posta in gioco lo richiede e mantenendo l’umiltà ogni volta che le previsioni riguardano vite umane.

Riassunto in 30 secondi
I grandi insiemi di dati possono rivelare modelli e casi rari che sfuggono ai piccoli campioni, anche se i dati imperfetti sono utili solo quando gli errori non distorcono sistematicamente i risultati. Le correlazioni possono orientare le previsioni senza spiegare le cause. Le informazioni acquistano valore quando possono essere riutilizzate e vengono combinate con competenze analitiche e conoscenze del settore. Le previsioni possono aiutare a indirizzare risorse scarse, ma restano incerte: non sono una prova di colpevolezza né un sostituto del giudizio umano. Le organizzazioni hanno bisogno di supervisione e di strumenti che consentano alle persone di contestare le decisioni con conseguenze rilevanti.
Contiene spoiler

Ultimo aggiornamento:

Segnala un problema

Sintesi delle recensioni

3.69 su 5
Media di 8.000+ valutazioni da Goodreads e Amazon.

Big Data ha ricevuto recensioni contrastanti: apprezzamenti per la panoramica accessibile sull’argomento e per gli esempi illustrativi, ma anche critiche per le ripetizioni e le eccessive semplificazioni. I lettori apprezzano le riflessioni sull’impatto dei dati sulla società, sui problemi di privacy e sulle implicazioni future. Alcuni trovano i contenuti datati o poco approfonditi. Il libro è consigliato a chi si avvicina per la prima volta ai concetti dei big data, ma potrebbe deludere gli esperti. Nel complesso, è considerato un’introduzione stimolante a un settore sempre più importante, pur con limiti quanto ad ampiezza e livello di dettaglio.

La tua valutazione:
4.29
284 valutazioni
Vuoi leggere il libro completo?

Glossario

Big Data

Analisi su vasta scala

Il libro definisce i big data come l’uso di informazioni su una scala tale da rendere possibili nuove intuizioni o forme di valore, inaccessibili a insiemi di dati più piccoli. La loro importanza non risiede solo nella quantità di dati o nella potenza di calcolo, ma anche nei nuovi modi di analizzare, riutilizzare e impiegare le informazioni.

N=all

Usare l’intero insieme di dati

N=all descrive un approccio che utilizza l’intero insieme di dati relativo a un fenomeno, o quanto più è possibile farlo concretamente, anziché basarsi su un campione. Una copertura più ampia può rivelare casi rari e sottogruppi piccoli che il campionamento potrebbe nascondere. Non significa che sia possibile raccogliere ogni fatto immaginabile sul mondo.

datificazione (datafication)

Quantificare per analizzare

La datificazione è il processo che trasforma le informazioni su un oggetto, un’attività o una relazione in una forma quantificata, registrabile, confrontabile e analizzabile. Si distingue dalla digitalizzazione, che converte il materiale in una forma leggibile dal computer, ma non necessariamente rende i suoi contenuti ricercabili o analizzabili come dati.

valore di opzione

Valore potenziale derivante dal riutilizzo

Il valore di opzione dei dati è il valore che può derivare dai loro possibili utilizzi futuri, non soltanto dallo scopo per cui sono stati raccolti inizialmente. Le query di ricerca, per esempio, possono essere usate subito per una ricerca e, in seguito, contribuire a migliorare i suggerimenti ortografici, prevedere tendenze o supportare un altro servizio.

scorie di dati (data exhaust)

Tracce lasciate dalle attività

Le scorie di dati sono le informazioni prodotte come sottoprodotto delle azioni, soprattutto delle interazioni digitali. Clic, termini di ricerca, visite alle pagine e correzioni possono essere raccolti e analizzati per migliorare un servizio o crearne un altro. Per l’utente queste tracce possono essere incidentali, ma per l’organizzazione che le raccoglie possono avere valore.

dati ricombinati (recombinant data)

Insiemi di dati combinati

I dati ricombinati consistono nel combinare informazioni provenienti da fonti diverse per rispondere a domande a cui nessuno degli insiemi di dati potrebbe rispondere altrettanto efficacemente da solo. L’esempio del libro unisce i dati danesi sugli abbonamenti alla telefonia mobile, i registri dei tumori e informazioni demografiche per studiare se l’uso del cellulare sia associato al cancro.

analisi della realtà tramite dati (reality mining)

Dedurre i comportamenti dai telefoni

L’analisi della realtà tramite dati è l’analisi di grandi quantità di dati di telefonia mobile per trarre deduzioni sul comportamento umano. I modelli di localizzazione e comunicazione possono aiutare a rivelare attività sociali o individuare tendenze emergenti. Questo metodo può sostenere la ricerca in ambito sanitario e urbano, ma crea anche rischi quando gli spostamenti personali vengono usati senza adeguate tutele.

analisti degli algoritmi (algorithmists)

Revisori degli algoritmi

Gli analisti degli algoritmi sono specialisti proposti per esaminare i dati, i metodi analitici e le interpretazioni alla base di previsioni con conseguenze rilevanti. Possono lavorare in modo indipendente o all’interno di organizzazioni, valutando la solidità di un sistema e rispondendo ai reclami delle persone interessate dalle sue decisioni. Il loro ruolo mira a rendere i sistemi complessi basati sui dati più responsabili e contestabili.

privacy differenziale

Approssimare i risultati per proteggere le persone

La privacy differenziale è un approccio tecnico che rende deliberatamente approssimativi i risultati delle query, riducendo la probabilità che dall’output si possa identificare una persona. L’obiettivo è preservare i modelli utili presenti in un grande insieme di dati, rendendo al contempo più difficile collegare un risultato specifico a una persona specifica.

culturomica (culturomics)

Studiare la cultura attraverso i testi

La culturomica è lo studio quantitativo della lingua e delle tendenze culturali attraverso grandi raccolte di testi digitalizzati e consultabili. I ricercatori possono seguire nel tempo i cambiamenti nelle parole e nei riferimenti, confrontare testi o studiare modelli di attenzione. I risultati dipendono dai libri che sono stati conservati e digitalizzati, perciò la raccolta di testi non costituisce una registrazione completa della società.

FAQ

Di cosa parla «Big Data» di Viktor Mayer-Schönberger?

  • Panoramica sulla rivoluzione dei big data: Il libro esplora come l’esplosione dei dati e le nuove tecniche analitiche stiano trasformando la società, le imprese, la sanità e la governance.
  • Un cambiamento nell’analisi dei dati: Illustra il passaggio da insiemi di dati piccoli e precisi a insiemi vasti e disordinati, con l’attenzione rivolta alle correlazioni anziché alla causalità.
  • Implicazioni sociali ed etiche: Gli autori discutono sia i vantaggi sia i rischi dei big data, compresi i problemi di privacy e la necessità di nuovi principi di governance.
  • Casi di studio concreti: Esempi come Google Flu Trends e Farecast illustrano l’applicazione pratica dei big data.

Perché leggere «Big Data» di Viktor Mayer-Schönberger?

  • Un’introduzione completa: Il libro offre un’introduzione accessibile ma approfondita all’impatto dei big data in diversi settori, adatta sia ai principianti sia agli esperti.
  • Cambiamenti di mentalità: Spiega i cambiamenti fondamentali di prospettiva necessari per sfruttare i big data, come accettare l’imperfezione e dare priorità alle correlazioni.
  • Indicazioni pratiche ed etiche: Gli autori propongono strumenti per sfruttare il potenziale dei big data affrontando al tempo stesso le sfide legate alla privacy e all’etica.
  • Prepararsi al futuro: La lettura aiuta a orientarsi e ad avere successo in un mondo sempre più basato sui dati.

Quali sono i principali insegnamenti di «Big Data» di Viktor Mayer-Schönberger?

  • Tre grandi cambiamenti: Il libro individua nell’uso di tutti i dati (N=all), nell’accettazione dell’imperfezione e nella preferenza per la correlazione rispetto alla causalità i cambiamenti fondamentali nell’analisi dei dati.
  • I dati come nuova risorsa: I dati sono presentati come un fattore economico essenziale, il cui valore aumenta attraverso il riutilizzo e la combinazione.
  • Rischi e governance: Il libro sottolinea la necessità di nuovi sistemi di tutela della privacy e di responsabilizzazione algoritmica per gestire i rischi dei big data.
  • Il cambiamento delle competenze: La crescita delle competenze sui dati e il declino del predominio tradizionale degli esperti di settore sono indicati come tendenze del mercato del lavoro.

Come definisce e spiega il concetto di datificazione «Big Data» di Viktor Mayer-Schönberger?

  • Definizione di datificazione: La datificazione è il processo che trasforma aspetti della vita, come i comportamenti, la localizzazione e le interazioni, in dati quantificabili da analizzare.
  • Differenza rispetto alla digitalizzazione: A differenza della digitalizzazione, che converte l’analogico in digitale, la datificazione rende misurabili e analizzabili fenomeni immateriali.
  • Contesto storico e moderno: Il libro ripercorre la datificazione dalle prime forme di registrazione fino ai moderni dati GPS e dei sensori, mostrando quanto sia radicata e quanto stia accelerando oggi.
  • Nuove intuizioni: La datificazione amplia ciò che è possibile analizzare e favorisce innovazioni nella sanità, nella pubblicità e nella gestione urbana.

Quali sono i principali cambiamenti di mentalità nell’analisi dei dati descritti in «Big Data» di Viktor Mayer-Schönberger?

  • Dal campionamento a N=all: Il libro promuove l’analisi di interi insiemi di dati anziché di piccoli campioni, riducendo i bias di campionamento e consentendo analisi più dettagliate.
  • Accettare l’imperfezione: Incoraggia a tollerare dati imperfetti e incoerenti, poiché grandi volumi possono compensare le imprecisioni e produrre risultati migliori.
  • Dare priorità alla correlazione rispetto alla causalità: L’attenzione si sposta dalla ricerca delle cause sottostanti all’individuazione di correlazioni predittive, mettendo in discussione gli approcci scientifici tradizionali.
  • Indicazioni utili per agire: Questi cambiamenti consentono di prendere decisioni più rapide e pratiche in ambito aziendale, sanitario e di governance.

Come spiega «Big Data» di Viktor Mayer-Schönberger l’uso delle correlazioni anziché della causalità nell’analisi dei dati?

  • La correlazione come strumento: Il libro mostra che le correlazioni permettono di fare previsioni accurate senza dover capire perché si verificano determinati fenomeni.
  • Esempi pratici: Casi come i suggerimenti di Amazon e la gestione delle scorte di Walmart in occasione degli uragani illustrano come possa bastare sapere «che cosa» sta accadendo.
  • I limiti della causalità: Stabilire la causalità è spesso impraticabile; l’abbondanza di dati rende l’analisi basata sulle correlazioni più fattibile e, talvolta, più utile.
  • Correzione dei bias: Gli autori sostengono che le persone tendono a scorgere nessi causali inesistenti, e che gli approcci basati sulle correlazioni possono quindi rappresentare un utile correttivo.

Che cos’è il «valore di opzione dei dati» secondo «Big Data» di Viktor Mayer-Schönberger?

  • Definizione del valore di opzione: Il valore dei dati non risiede soltanto nel loro uso principale, ma anche nel potenziale di applicazioni secondarie innovative.
  • Riutilizzo e combinazione: Combinare insiemi di dati può far emergere intuizioni e valore impossibili da ottenere da fonti isolate.
  • Implicazioni per le imprese: Le aziende che riconoscono e sfruttano il valore di opzione dei dati ottengono vantaggi competitivi e creano nuovi modelli di business.
  • Difficoltà di valutazione: La contabilità tradizionale spesso non riesce a cogliere il reale valore dei dati, che finiscono così per essere sottovalutati come risorsa.

Come classifica «Big Data» di Viktor Mayer-Schönberger le aziende dei big data e i loro ruoli nella catena del valore dei dati?

  • Detentori dei dati: Organizzazioni che controllano l’accesso a grandi insiemi di dati, ma potrebbero non analizzarli né innovare utilizzandoli direttamente (per esempio, MasterCard).
  • Specialisti dei dati: Aziende dotate di competenze analitiche che ricavano informazioni dai dati, spesso per clienti che ne sono proprietari (per esempio, Accenture).
  • Innovatori con una mentalità da big data: Persone o startup che usano i dati in modo creativo, talvolta senza possederli inizialmente, per trasformare i settori (per esempio, FlightCaster e Decide.com).
  • Il successo nasce dalla combinazione: Le aziende di maggior successo combinano accesso ai dati, competenze analitiche e pensiero innovativo.

Quali sono i principali rischi e le sfide dei big data discussi in «Big Data» di Viktor Mayer-Schönberger?

  • Erosione della privacy: La portata e la profondità della raccolta di dati personali rendono inadeguate le tradizionali tutele della privacy, mentre l’anonimizzazione spesso non è efficace.
  • Punizione predittiva: Usare l’analisi dei dati per penalizzare le persone sulla base di comportamenti previsti solleva questioni etiche e giuridiche di giustizia e libero arbitrio.
  • Eccessiva dipendenza dai dati: La «dittatura dei dati» può portare a decisioni che ignorano il contesto, la causalità o il giudizio umano; gli esempi storici fungono da monito.
  • La necessità di una nuova governance: Il libro invoca nuovi sistemi per gestire responsabilmente questi rischi.

Come affronta «Big Data» di Viktor Mayer-Schönberger il tema della privacy e quali nuove soluzioni di governance propone?

  • I limiti del consenso: Il modello tradizionale di «informativa e consenso» è inadeguato per i big data, perché spesso gli usi futuri dei dati non sono prevedibili.
  • Spostare la responsabilità: Gli autori propongono di rendere responsabili gli utilizzatori dei dati per le proprie azioni, anche attraverso valutazioni formali dei rischi e supervisione normativa.
  • Soluzioni tecniche: Si discutono innovazioni come la privacy differenziale, che protegge l’identità delle persone preservando al contempo l’utilità dei dati.
  • Revisione degli algoritmi: Il libro sostiene la necessità di una nuova categoria di professionisti, gli «analisti degli algoritmi», che esaminino e certifichino gli algoritmi in termini di equità e trasparenza.

Come descrive «Big Data» di Viktor Mayer-Schönberger il cambiamento del ruolo delle competenze specialistiche e del processo decisionale nell’era dei big data?

  • Declino delle competenze tradizionali: Le competenze nell’analisi dei dati e la capacità di interpretare le correlazioni stanno diventando più preziose di una conoscenza approfondita di un singolo settore.
  • Crescita delle decisioni basate sui dati: Le organizzazioni si affidano sempre più a modelli predittivi e analisi, riducendo la dipendenza dall’intuizione o dalle sensazioni.
  • Servono competenze interdisciplinari: Matematica, statistica, programmazione e scienza dei dati sono fondamentali e completano le conoscenze di settore.
  • Esempi pratici: Squadre sportive, aziende tecnologiche e amministrazioni cittadine sono citate come prime adottanti del processo decisionale basato sui dati.

Quali sono le citazioni più memorabili di «Big Data» di Viktor Mayer-Schönberger e che cosa significano?

  • «Misurare significa conoscere.» — Lord Kelvin: Sottolinea l’importanza della quantificazione per comprendere, un tema centrale nell’espansione delle possibilità di misurazione resa possibile dai big data.
  • «La quantità batte la qualità.» — Principio dei big data: Suggerisce che insiemi di dati ampi e disordinati spesso producono intuizioni migliori di quelli piccoli e accurati, mettendo in discussione i criteri tradizionali di qualità dei dati.
  • «I big data riguardano il che cosa, non il perché.» — Intuizione fondamentale: Evidenzia il passaggio dalla ricerca di spiegazioni causali all’attenzione per le correlazioni predittive.
  • «I dati sono una piattaforma.» — Tim O’Reilly: Sottolinea il ruolo fondamentale dei dati nel rendere possibili nuovi prodotti, servizi e modelli di business nell’economia digitale.

Sull'autore

Viktor Mayer-Schönberger è un esperto di fama internazionale di big data e governance di Internet. In qualità di professore all’Oxford University Internet Institute, ha scritto numerosi articoli e libri sull’impatto sociale delle tecnologie digitali. La sua opera «Delete: The Virtue of Forgetting in the Digital Age» esplora le implicazioni della memoria digitale. Le competenze di Mayer-Schönberger sono richieste da aziende e organizzazioni globali, tra cui Microsoft e il World Economic Forum, nei cui consigli consultivi ricopre incarichi. Le sue ricerche e le sue intuizioni contribuiscono in modo significativo alla comprensione del panorama digitale in evoluzione e dei suoi effetti sulla governance, sulla regolamentazione e sulla società.

Scarica PDF

Per conservare questo riassunto di Big Data e leggerlo in seguito, scarica il PDF gratuito. Puoi stamparlo o leggerlo offline quando vuoi.
Download PDF

Scarica EPUB

Per leggere il riassunto di Big Data sul tuo e-reader o sulla relativa app, scarica l’EPUB gratuito. Il formato digitale .epub è ideale per leggere ebook su telefoni, tablet ed e-reader.
Download EPUB
Vuoi leggere il libro completo?
Segui
Ascolta
Home
Swipe
Libreria
App
Prova l'accesso completo per 3 giorni
Ascolta, salva e molto altro
Confronta le funzionalità Gratuito Pro
📖 Leggi i riassunti
Leggi riassunti illimitati. Gli utenti gratuiti ne ricevono 3 al mese
🎧 Ascolta i riassunti
Ascolta riassunti illimitati in 40 lingue
—
❤️ Segnalibri illimitati
Gli utenti gratuiti sono limitati a 4
—
📜 Cronologia illimitata
Gli utenti gratuiti sono limitati a 4
—
📥 Download illimitati
Gli utenti gratuiti sono limitati a 1
—
Prova senza rischi
Oggi: accesso immediato
Ascolta i riassunti completi di oltre 26.000 libri. Sono più di 12.000 ore di audio!
Giorno 2: promemoria della prova
Ti invieremo una notifica per avvisarti che la prova sta per scadere.
Giorno 3: inizia il tuo abbonamento
L'addebito avverrà il 25 nov,
puoi annullare in qualsiasi momento prima.
Consume 2.8× More Books
2.8× libri in più Ascolto Lettura
I nostri utenti ci adorano
1M+ lettori
Trustpilot Rating
TrustPilot
4.6 Eccellente
Questo sito è una vera rivoluzione. Ho letto riassunti di libri come mai prima d'ora. Consigliatissimo.
— Dave G
Vale ogni centesimo e ogni minuto, ed è davvero ben fatto. Non ho mai visto riassunti di questa qualità su altri siti. Utilissimo!
— Em
Consigliatissimo!! Servizio fantastico. Perfetto per chi vuole qualcosa in più di un'anteprima ma senza tutti i dettagli di un audiolibro completo.
— Greg M
Risparmia il 62%
Annuale
$119.88 $44.99/anno/anno
$3.75/mese
Mensile
$9.99/mese
Inizia la prova gratuita di 3 giorni
3 giorni gratis, poi $44.99/anno. Cancella quando vuoi.
Unlock a world of fiction & nonfiction books
Oltre 26.000 libri al prezzo di 2
Leggi qualsiasi libro in 10 minuti
Scopri nuovi libri come su Tinder
Richiedi qualsiasi libro se non è ancora disponibile
Leggi più libri di chiunque tu conosca
App n. 1 per gli amanti dei libri
Lifelike & immersive summaries
Garanzia di rimborso entro 30 giorni
Scarica i riassunti in EPUB o PDF
Cancella in qualsiasi momento con pochi clic

Perché un solo riassunto?

Scanner
Trova un codice a barre da scansionare

⭐
⭐
⭐
Abbiamo un regalo speciale per te
Apri
38% di sconto
SCONTO PER TE
⭐
⭐
⭐
$79.99
$49.99/anno
Solo $4.16 al mese
Continua
Bastano 2 tocchi per iniziare, cancellare è facilissimo
Impostazioni
Generali
Widget
Caricamento...