Cos'è l'acquisizione di dati?

L'acquisizione di dati è il processo di acquisizione dei dati da varie fonti, utilizzando metodi diversi. Rappresenta un passaggio cruciale nella pipeline di data ingestion, seguito dalla convalida, dalla trasformazione e dal caricamento dei dati.
 

I fondamenti aziendali moderni, come il processo decisionale basato sui dati, l'analisi dei dati e l'intelligenza artificiale (AI), dipendono tutti dalla disponibilità di grandi quantità di dati di qualità. L'acquisizione di dati recupera i dati che rendono possibili queste decisioni e tecnologie informate. Sebbene il concetto possa sembrare semplice, l'acquisizione di dati può essere complessa, soprattutto nell'era dei big data.

I set di dati moderni sono enormi e complessi. Possono estendersi su terabyte o petabyte, sono disponibili in formati strutturati o non strutturati e risiedono su diverse fonti. Queste complessità introducono sfide relative alla gestione dei volumi di dati, alla governance e alla sicurezza durante l'intero processo di acquisizione.

Tuttavia, se eseguito in modo efficace, il processo di acquisizione dei dati può rappresentare una fonte di carburante di alta qualità per le iniziative strategiche. Di fatto, uno studio di Harvard Business Review ha rilevato che le organizzazioni che utilizzano con successo i big data e l'AI hanno superato i concorrenti nelle metriche aziendali chiave, tra cui efficienza operativa, aumento del fatturato ed esperienza del cliente.¹

Il termine "acquisizione di dati" può anche riferirsi specificamente alla raccolta dei segnali fisici o elettrici che misurano le condizioni del mondo reale, in genere i dati dei sensori. Tra gli esempi rientrano le misurazioni della temperatura, della pressione e di altri fenomeni fisici.

Questi segnali vengono elaborati e convertiti in valori digitali fruibili utilizzando dispositivi per l'acquisizione di dati (dispositivi DAQ). Questo utilizzo è comune in campi come il monitoraggio ambientale, l'automazione industriale e la ricerca scientifica.

Secondo l'US Geological Survey, esistono quattro metodi per acquisire dati: ²

• Raccolta di nuovi dati
• Conversione o trasformazione di dati legacy
• Condivisione o scambio di dati
• Acquisto di dati

Le organizzazioni possono raccogliere dati attraverso un numero apparentemente illimitato di fonti. I dati possono essere sia strutturati che non strutturati, interni o esterni. Alcune delle fonti di dati più comuni sono:

• Applicazioni aziendali: dati provenienti da enterprise resource planning (ERP), customer relationship management (CRM) e altri sistemi
  
  
• Social media: dati di interazione in tempo reale dalle piattaforme di social media
  
  
• Dati aperti: set di dati provenienti da istituzioni accademiche e governi, utilizzati per la ricerca e l'elaborazione delle politiche
  
  
• Dati pubblici: dati provenienti da governi e organizzazioni, come censimenti e dati economici
  
  
• Dati transazionali: dati di vendita, fatture e informazioni di pagamento
  
  
• Sondaggi: dati raccolti tramite il feedback dei clienti o questionari di ricerca
  
  
• Web analytics: dati provenienti dalle interazioni con i siti web, come le visualizzazioni di pagina e le conversioni
  
  
• Dispositivi IoT: dati in tempo reale da dispositivi connessi, come contatori intelligenti o elettrodomestici

Le organizzazioni che acquisiscono dati devono tenere a mente diversi aspetti durante tutto il processo di acquisizione:

• Riservatezza e sicurezza dei dati
• Qualità dei dati
• Compatibilità dei dati
• Esigenze aziendali e costi

La privacy dei dati , nota anche come privacy delle informazioni, è l'idea che le persone dovrebbero avere il controllo sul modo in cui le organizzazioni raccolgono, memorizzano e utilizzano i propri dati personali. Durante l'acquisizione, le organizzazioni potrebbero raccogliere informazioni sugli utenti come indirizzi e-mail o dati di autenticazione biometrica. È essenziale che ottengano il consenso dell'utente prima di elaborare questi dati e che li proteggano dagli utilizzi impropri e forniscano agli utenti gli strumenti necessari per gestirli attivamente.

Molte aziende sono legalmente obbligate a seguire queste pratiche in base a normative come il Regolamento generale sulla protezione dei dati (GDPR). Tuttavia, anche senza leggi formali sulla privacy dei dati, vi sono dei benefici nell'implementazione di misure per la privacy dei dati. Spesso, le pratiche e gli strumenti che proteggono la privacy degli utenti aiutano anche a proteggere le informazioni digitali da accessi non autorizzati, corruzione o furto.

Garantire la qualità dei dati dovrebbe essere una priorità assoluta per le organizzazioni che acquisiscono dati da un'ampia gamma di fonti. La qualità dei dati si riferisce alla capacità di un set di dati di soddisfare i criteri di accuratezza, completezza, validità, coerenza, unicità, tempestività e rilevanza per lo scopo previsto. Dati di alta qualità supportano un processo decisionale accurato, equo ed efficace, in linea con gli obiettivi aziendali.

L'importanza del controllo della qualità dei dati va oltre le operazioni quotidiane. I dati di addestramento di alta qualità sono fondamentali per l'adozione efficace dell'intelligenza artificiale e dell'automazione. Tuttavia, vale il noto detto dell'AI "garbage in, garbage out", ovvero che dati di scarsa qualità in ogni caso d'uso portano a output di scarsa qualità.

Quando le organizzazioni acquisiscono set di dati da diverse fonti, dovranno risolvere eventuali problemi di compatibilità prima di caricarli nei loro sistemi. Le pratiche di standardizzazione e pulizia dei dati possono garantire che i dati aderiscano a un formato e a una struttura coerenti, facilitando la comprensione e l'analisi lungo la pipeline. Ad esempio, i nomi delle strade americane contengono solitamente indicazioni stradali, come North o West. La standardizzazione formatterebbe questi valori in "N" o "W".

Le organizzazioni in settori fortemente regolamentati (come la finanza o l'assistenza sanitaria) potrebbero trovarsi ad affrontare norme e regolamenti aggiuntivi sugli standard in materia di dati. L'Health Insurance Portability and Accountability Act (HIPAA), ad esempio, ha stabilito set di codici standard per diagnosi e procedure, dando vita a un linguaggio comune per i dati sanitari.

Prima di acquisire i dati, le organizzazioni devono determinare le proprie esigenze a livello di dati e se il costo per la loro acquisizione sia giustificato. Oltre ai costi relativi alla pulizia e alla standardizzazione dei dati, le aziende dovrebbero prendere in considerazione i prezzi, i costi di licenza (se applicabili) e gli eventuali costi aggiuntivi indicati nei contratti di acquisto.

L'acquisizione efficiente dei dati richiede anche una solida infrastruttura di dati in grado di gestire e memorizzare i dati. Le organizzazioni potrebbero dover investire in aree come data storage, analytics, sicurezza e governance per garantire che i dati acquisiti siano memorizzati, governati e utilizzati correttamente.

Sebbene siano spesso usate in modo intercambiabile, l'acquisizione e la raccolta di dati hanno significati distinti.

La raccolta di dati è il processo di raccolta di informazioni non elaborate direttamente da varie fonti, in genere eseguito da data scientist e analisti. Al contrario, l'acquisizione di dati è un termine più ampio che include la raccolta di dati. Implica tuttavia anche l'ottenimento di dati attraverso metodi aggiuntivi come partnership, accordi di licenza, acquisto di dati e trasformazione dei dati legacy.

Secondo il 72% dei CEO con le migliori prestazioni, ottenere un vantaggio competitivo dipende dal possesso dell'AI generativa più avanzata. Tuttavia, anche gli algoritmi di machine learning più sofisticati sono efficaci solo nella misura in cui lo sono i dati su cui vengono addestrati. I dati di alta qualità sono essenziali affinché i sistemi di AI apprendano, si adattino e forniscano un valore reale.

Nella pratica, tuttavia, acquisire abbastanza dati pertinenti per addestrare i modelli AI può essere difficile. I problemi di privacy, i costi elevati e i vincoli legali o normativi possono limitare l'accesso a metodi e fonti di acquisizione di dati preziosi, come il web scraping o i set di dati pubblici. In alcuni casi, le normative possono vietare del tutto la raccolta di tipi specifici di dati per i casi d'uso dell'AI.

Per alleviare questi ostacoli, molte organizzazioni si rivolgono ai dati sintetici, ovvero dati generati artificialmente che imitano i dati del mondo reale. Creati utilizzando metodologie statistiche o tecnologie avanzate di intelligenza artificiale, come il deep learning e l'AI generativa, i dati sintetici offrono diversi vantaggi: maggiore personalizzazione, acquisizione più efficiente, maggiore privacy dei dati e dati complessivamente più ricchi.