I Big Data come strumento di innovazione

1.  I Big Data come fenomeno in crescita

Il concetto di big data può essere definito come: “qualsiasi data set che superi i confini e le normali capacità di elaborazione della tecnologia dell’informazione^[1]”.

Il ricorso massivo ai Big Data deriva dalla diffusione delle tecnologie Web 2.0, ossia quelle piattaforme che permettono agli utenti di interagire attivamente sul Web^[2].

Oggi i dati vengono prodotti in maniera pressoché continua in molteplici modi: post e commenti sui social network, sensori installati sulla linea di produzione, sistemi di identificazione basati sulla radiofrequenza e sistemi GPS all’interno degli smartphone che rilevano la localizzazione geografica.

L’incremento dei dati a disposizione è dovuto prevalentemente alla diffusione dei sensori dell’Internet of Things. Grazie a questi, infatti, oggi qualsiasi oggetto è potenzialmente un produttore autonomo di dati. Per questi motivi è stata coniata l’espressione “Datafication of the world”, attraverso la quale si indica il passaggio della società dall’approccio analogico verso quello digitale^[3]. Ciò è dovuto al fatto che le persone e le organizzazioni sono costantementeconnesse, per cui si possono raccogliere dati su qualsiasi cosa, in qualunque luogo e in qualunque momento.

A tal proposito, si riporta un grafico che dimostra la crescita della quantità di dati a disposizione avvenuta negli ultimi anni e una stima relativa all’andamento futuro.

Figura 1 – Andamento del volume dei dati disponibili a livello mondiale (l’unità di misura è lo  zettabyte) [Fonte: https://www.statista.com/statistics/871513/worldwide-data-created/ ].

2.  Le 5 principali caratteristiche dei Big Data

Il grafico evidenzia come il volume complessivo dei dati creati a livello mondiale sia in crescita oramai da oltre undecennio. In più, si nota come questa tendenza è destinata a ripetersi in maniera ancora più significativa nei prossimi anni. Di conseguenza, si comprende come per le organizzazioni sia importante sfruttare questa risorsa per mantenereelevata la propria competitività sul mercato.

Una migliore spiegazione del fenomeno dei big data può essere fornita analizzando le sue  5 principali caratteristiche, conosciute anche come le 5V^[4]:

• Volume: si riferisce alla grande quantità di dati a disposizione. A tal proposito, l’espressione big data viene utilizzata soltanto se i dati superano i limiti dei tradizionali sistemi di elaborazione e di archiviazione Questa caratteristica deve essere intesa in senso dinamico, visto che le dimensioni dei big data, come già evidenziato, continuano a crescere giorno dopo giorno. Secondo alcuni studiosi, tuttavia, ciò che realmente interessa alle organizzazioni non è il semplice volume, quanto piuttosto la capacità dei dati di essere intelligenti, cioè in grado di fornire informazioni utili a livello di business. Per questo motivo, l’attributo del volume può essere sostituito con quello della granularità, la quale indica il livello di dettaglio che i dati consentono di raggiungere nell’analisi e nell’interpretazione degli eventi aziendali rilevanti;
• Velocità: riguarda sia la velocità con la quale i dati vengono prodotti che quella necessaria per Quest’ultima è fondamentale, in quanto i dati devono essere esaminati in maniera istantanea al fine di creare valore e di ottenere un vantaggio competitivo nei confronti della concorrenza;
• Varietà: fa riferimento all’eterogeneità strutturale del data set, sia relativamente alla tipologia e alla natura dei dati che lo compongono, che alle fonti da cui essi In base alla loro tipologia, come già visto, i dati possono essere classificati in strutturati e non strutturati. I primi sono semplici da gestire in quanto organizzati secondo schemi predefiniti. I secondi invece sono più complessi da esaminare, poiché provengono da molteplici fonti. Tuttavia, è fondamentale per le organizzazioni perfezionare l’analisi di questa seconda tipologia, visto che, secondo alcune ricerche, essi costituiscono circa l’80% dei dati complessivi a disposizione;
• Veridicità: indica la prevedibilità, l’affidabilità e l’accuratezza dei dati e conseguentemente anche delle analisi che si basano su di essi. Non è sempre facile garantire questo attributo, visto che i dati provengono da fontidifferenziate e richiedono dunque complesse tecniche di indagine;
• Valore: segnala la misura in cui i dati generano delle intuizioni che sono utili e valide ai fini del processo decisionale organizzativo. Talvolta, gli studiosi utilizzano questo termine anche per riferirsi alla bassa densità di valore che contraddistingue i big data, visto che le informazioni effettivamente utili ai fini organizzativi sonoridotte rispetto alla grande mole di dati che viene raccolta

Tabella 1 – Caratteristiche dei big data [Fonte: Pighin, M., & Marzona, A. (2018)].

3.  I Big Data come elemento di complessità

A livello organizzativo, si può affermare che, almeno inizialmente, i big data rappresentano un elemento di complessitàper i seguenti motivi:

• Vengono generati dagli utenti in contesti diversi rispetto a quello aziendale;
• Hanno delle peculiarità che li differenziano dai dati normalmente trattati nelle organizzazioni;
• I modelli di elaborazione e di archiviazione tradizionali si rivelano inefficaci al loro.

4.  I Big Data come strumento di innovazione

Nonostante queste apparenti criticità, i big data rappresentano uno strumento fondamentale, in quanto permettono ai manager di acquisire una conoscenza più approfondita del loro business, che consente loro di prendere decisioni più efficaci e di migliorare le performance globali.

A livello generale, si può sostenere che le decisioni guidate dai dati sono potenzialmente migliori, perché basate sull’evidenza empirica e non sull’istinto e sull’esperienza dei decisori.

Per sfruttare questi vantaggi, però, occorre che le organizzazioni adottino delle adeguate tecniche di analisi dei big data. Con quest’ultima espressione si indica il processo di analisi di grandi moli di dati volto a individuare linee evolutive nascoste, correlazioni e altre informazioni utili a supportare il processo decisionale^[5].

A dimostrazione della significativa importanza rivestita dai big data, si riporta un grafico che evidenzia la crescita difatturato a cui è andato incontro il mercato dell’analisi dei dati negli ultimi anni.

Figura 2 – Andamento del fatturato del mercato dei big data a livello mondiale (i valori del grafico sono in miliardi di dollari) [Fonte: https://www.statista.com/statistics/472934/business- analytics-software-revenue-worldwide/ ].

Dai dati a disposizione si evince che il mercato dei big data ha attraversato un periodo di crescita negli ultimi anni, fatta eccezione per l’anno 2015. In particolare, il suo valore complessivo è sostanzialmente raddoppiato nel periodo che va dal 2011 al 2019. Ciò a ulteriore dimostrazione del fatto che le organizzazioni necessitano di potenziare le fasi di raccolta, archiviazione e analisi dei dati, per mantenere e rafforzare la propria posizione sul mercato negli anni avvenire.

5.  Le principali tecniche di analisi dei Big Data

Le principali tecniche di analisi dei big data possono essere classificate in questo modo^[6]:

• Analisi descrittiva: ha come scopo principale quello di comprendere cosa è accaduto, tramite la descrizione di un evento o di una situazione. È la tecnica più comune e sfrutta prevalentemente le conoscenze statistiche. Può essere utilizzata per il monitoraggio costante di alcuni sistemi aziendali;
• Analisi diagnostica: consente di comprendere le ragioni per cui un determinato fatto è avvenuto. Pertanto, riprende la logica alla base delle relazioni di causa- effetto;
• Analisi predittiva: cerca di prevedere ciò che può accadere nel futuro sulla base dei dati storici a disposizione. In genere, conduce alla costruzione di un modello che effettua ipotesi, utilizzando prevalentemente tecniche statistiche e di probabilità;
• Analisi prescrittiva: è una tecnica di ottimizzazione, per cui cerca di fare in modo che una situazionedesiderata si verifichi effettivamente nella realtà. Per far ciò, sviluppa un meccanismo in grado di condurre gli eventi e le persone coinvolte nella direzione

Tabella 2 – Principali tecniche di analisi dei big data [Fonte: CGMA (2016)].

6.  I Big Data e l’organizzazione aziendale

Per sviluppare questi metodi, le organizzazioni hanno due soluzioni principali a loro disposizione, ovvero la possibilità di realizzare un’unità organizzativa interna deputata all’analisi dei big data, guidata da un Chief Data Officer, oppure quella di esternalizzare tale attività.

Entrambe possono condurre ai risultati desiderati e la scelta finale dipende prevalentemente dalle esigenzeorganizzative e dalle competenze tecnologiche possedute. È importante poi che i centri di analitica utilizzino tutti i dati aloro disposizione. Soltanto in questa maniera, infatti, è possibile individuare delle correlazioni nascoste e talvolta ancheimprevedibili, che permettono alle organizzazioni di effettuare le scelte migliori.

Infine, per mettere a frutto tutti i potenziali benefici, è necessario effettuare anche un cambiamento dal punto di vista culturale. In particolare, è opportuno che i manager adottino una nuova forma mentis, secondo la quale bisogna arrendersi ai dati, poiché questi conducono mediamente a decisioni migliori. In questo ambito potrebbero venirsi acreare dei conflitti, perché per alcuni dirigenti è complesso abbandonare l’idea secondo cui le scelte vengono prese sulla base dell’esperienza e dell’intuito personali^[7].

Per mitigare questa problematica, può essere conveniente coinvolgere un esperto di dati nella formulazione delle strategie generali e dei piani di investimento. Soltanto in questa maniera è possibile trasformare i dati grezzi in una risorsa cruciale a livello organizzativo^[8]. Una volta superata questa fase, le organizzazioni possono usufruire deimolteplici vantaggi generati dai big data.

7.  Il caso Sears Holding

Ricollegandoci al capitolo precedente, si può affermare che essi si trovano alla base di alcune innovazioni apportate nell’area marketing. In questo senso, un esempio concreto deriva da Sears Holding, azienda statunitense attiva nelsettore della grande distribuzione. Quest’ultima, infatti, grazie all’analisi dei big data, è in grado di realizzare offerte ad hoc per la propria clientela in tempi brevi. Come afferma il direttore tecnico, il tempo necessario per elaborare eformulare una promozione è calato da circa 2 mesi a 1 settimana. In più, tali offerte sono migliori, in quanto più accurate, più rapide e più personalizzate^[9]. Un’altra esemplificazione delle potenzialità dei big data a livello organizzativo è data da Siemens Gamesa, azienda leader a livello mondiale nel settore delle energie rinnovabili.

Quest’ultima ha dotato di sensori le sue oltre 10 000 turbine eoliche distribuite in tutto il mondo. In questo modo, si raccolgono oltre 200 gigabyte di dati quotidianamente, i quali vengono poi inviati a un centro diagnostico situato in Danimarca. Qui, tramite l’analisi dei big data e il monitoraggio continuo, i dati grezzi vengono trasformati in informazioniutili a livello di business. In particolare, si riescono a prevedere eventuali guasti alle turbine, in modo tale da ridurre la manutenzione non pianificata e i tempi di fermo, e da aumentare le settimane di produzione attiva e i mesi di vita dellemacchine^[10].

Bibliografia

• Agrawal, A., Gans, J., & Goldfarb, A. (2017). The trade-off every AI company will face.
• Harvard Business Review Digital Articles.
• Aspan, M. (2020). Siri, Did I Ace the Interview? Fortune International (Europe), 181(2).
• Bhimani, A., & Willcocks, L. (2014). Digitisation, Big Data and the transformation of accounting information. Accounting and Business Research, Taylor & Francis, Vol. 44 No. 4.
• Brundage, M., Avin, S., Clark, J., Toner, H., Eckersley, P., Garfinkel, B., … & Amodei, D. (2018). The malicious use of artificial intelligence: Forecasting, prevention, and mitigation. arXiv preprint arXiv:1802.07228.
• CGMA (2016). Business Analytics And Decision Making. Baseline.
• Costa, G., & Gianecchini, M. (2019). Risorse umane: persone, relazioni e valore (Vol. 454). McGraw-Hill.
• Craigen, D., Diakun-Thibault, N., & Purse, R. (2014). Defining cybersecurity. Technology Innovation Management Review, 4(10).
• Daft, R. L. (2017). Organizzazione aziendale. Sesta edizione. Daft, R. L. (2021). Organizzazione aziendale. Maggioli, Milano.
• Davenport, T., Guha, A., & Grewal, D. (2021). How to Design an AI Marketing Strategy: What the Technology Can Do Today—and What’s Next. Harvard Business Review, 99, 42- 47.
• Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24- 42.
• Doke, D. (2021). Software AI. Recruiter.
• Forger, G. (2020). AI and IoT are ready for your warehouse. Logistics management (Highlands Ranch, Colo.: 2002).
• Fountaine, T., McCarthy, B., & Saleh, T. (2021). Getting AI to scale. Harvard Business Review.
• Galeotti, M., & Garzella, S. (Eds.). (2013). Governo strategico dell’azienda: Prefazione del Prof. Umberto Bertini. G Giappichelli Editore.
• Gambhir, B., & Bhattacharjee, A. (2021). Embracing the role of artificial intelligence in accounting and finance: contemplating the changing skillset expectations. Development and Learning in Organizations: An International Journal.
• Gregg, M. (2005). CISSP security-management practices. Upper Saddle River, NJ: Pearson Education.
• Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California management review, 61(4), 5-14.
• Harrison, N., & O’Neill, D. (2017). If your company isn’t good at analytics, it’s not ready for AI. Harvard Business Review.
• Henke, N., Levine, J., & McInerney, P. (2018). You don’t have to be a data scientist to fill this must-have analytics role. Harvard Business Review.
• Huang, M. H., Rust, R., & Maksimovic, V. (2019). The feeling economy: Managing in the next generation of artificial intelligence (AI). California Management Review, 61(4), 43-65.
• Lichtenthaler, U. (2020). Mixing data analytics with intuition: Liverpool Football Club scores with integrated intelligence. Journal of Business Strategy.
• Luo, X., Qin, M. S., Fang, Z., & Qu, Z. (2021). Artificial intelligence coaches for sales agents: Caveats and solutions. Journal of Marketing, 85(2), 14-32.
• McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard business review, 90(10), 60-68.
• Miyashita, M., & Brady, M. (2019). The Health Care Benefits of Combining Wearables and AI. Harvard Business Review.
• Nair, K., & Gupta, R. (2021). Application of AI technology in modern digital marketing environment. World Journal of Entrepreneurship, Management and Sustainable Development.
• Niehueser, W., & Boak, G. (2020). Introducing artificial intelligence into a human resources function. Industrial and commercial training, 52(2), 121-130.
• Ore, O., & Sposato, M. (2021). Opportunities and risks of artificial intelligence in recruitment and selection. International Journal of Organizational Analysis.
• Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019). Artificial intelligence (AI) and its implications for market knowledge in B2B marketing. Journal of Business & Industrial Marketing.
• Paschen, U., Pitt, C., & Kietzmann, J. (2020). Artificial intelligence: Building blocks and an innovation typology. Business Horizons, 63(2), 147-155.
• Petkov, R. (2020). Artificial intelligence (AI) and the accounting function—A revisit and a new perspective for developing framework. Journal of emerging technologies in accounting, 17(1), 99-105.
• Pighin, M., & Marzona, A. (2018). Sistemi informativi aziendali: ERP e sistemi di data analysis.
• Poba-Nzaou, P., Galani, M., Uwizeyemungu, S., & Ceric, A. (2021). The impacts of artificial intelligence (AI) on jobs: an industry perspective. Strategic HR Review, 20(2), 60- 65.
• Ponnapalli, P. (2022). Keys to successful innovation through artificial intelligence. Harvard Business Review.
• Ransbotham, S., Candelon, F., Kiron, D., LaFountain, B., & Khodabandeh, S. (2021). The Cultural Benefits of Artificial Intelligence in the Enterprise. MIT Sloan Management Review and Boston Consulting Group.
• Rudko, I., Bashirpour Bonab, A., & Bellini, F. (2021). Organizational structure and artificial intelligence. Modeling the intraorganizational response to the ai contingency. Journal of Theoretical and Applied Electronic Commerce Research, 16(6), 2341-2364.
• Samonas, S., & Coss, D. (2014). The CIA strikes back: Redefining confidentiality, integrity and availability in security. Journal of Information System Security, 10(3).
• Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019). Organizational decision- making structures in the age of artificial intelligence. California Management
• Review, 61(4), 66-83.
• Simonovich, L. (2021). Balancing AI advances with robust cybersecurity solutions. World Oil.
• Soni, V. D. (2020). Challenges and Solution for Artificial Intelligence in Cybersecurity of the USA. Available at SSRN 3624487.
• Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. arXiv preprint arXiv:1906.02243.
• Tabesh, P. (2021). Who’s making the decisions? How managers can harness artificial intelligence and remain in charge. Journal of Business Strategy.
• S (2021). 3 areas where AI will boost your competitive advantage. Harvard Business Review Digital Articles.
• Truong, T. C., Zelinka, I., Plucar, J., Čandík, M., & Šulc, V. (2020). Artificial intelligence and cybersecurity: Past, presence, and future. In Artificial intelligence and evolutionary computations in engineering systems (pp. 351-363). Springer, Singapore.
• Tschang, F. T., & Almirall, E. (2021). Artificial intelligence as augmenting automation: Implications for employment. Academy of Management Perspectives, 35(4), 642-659.
• Tse, T., Esposito, M., Takaaki, M., & Goh, D. (2020). The dumb reason your AI project will fail. Harvard business review digital articles, 2-5.
• Vadari, S., & Desik, P. A. (2021). The Role of AI/ML in Enhancing Knowledge Management Systems. IUP Journal of Knowledge Management, 19(2), 7-31.
• Wamba-Taguimdje, S. L., Wamba, S. F., Kamdjoug, J. R. K., & Wanko, C. E. T. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
• Whitmore, A., Agarwal, A., & Da Xu, L. (2015). The Internet of Things—A survey of topics and trends. Information systems frontiers, 17(2), 261-274.
• Yampolskiy, R. V. (2017). AI Is the Future of Cybersecurity, for Better and for Worse. Harvard Business Review. May, 8.
• Zaki, M., McColl-Kennedy, R., & Neely, A. (2021). Using AI to Track How Customers Feel—In Real Time. Harvard Business Review.
• Zhang, H., Zhang, X., & Song, M. (2021). Deploying AI for New Product Development Success: By embracing and incorporating AI in all stages of NPD, companies can increase their success rate of NPD projects. Research-Technology Management, 64(5), 50-57.
• Zouave, E., Gustafsson, T., Bruce, M., Colde, K., Jaitner, M., & Rodhe, I. (2020). Artificially intelligent cyberattacks. Swedish Defence Research Agency, FOI, Tech. Rep. FOI.
• (2017). Lavazza a caccia di “coffe addicted” con l’intelligenza artificiale. Il Sole 24 Ore. Retrieved fromhttps://www.ilsole24ore.com/art/lavazza-caccia-coffee-addicted-l- intelligenza-artificiale–AEBRpxQD 2022/08/02
• Amar, J., Majumder, S., Surak, Z., & von Bismarck, N. (2021). How AI-driven nudges can transform an operation’s performance. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/how-ai-driven- nudges-can-transform-an-operations-performance 2022/07/27
• Balabio, B., Orlando, P., & Scolari, T. (2021). Cresce il mercato dell’intelligenza artificiale in Italia. Retrieved from https://www.osservatori.net/it/ricerche/comunicati- stampa/artificial-intelligence-italia-mercato-progetti-20202022/07/08
• Berruti, F., Nel, P., & Whiteman R. (2020). An executive primer on artificial general intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/an-executive- primer-on-artificial-general-intelligence 2022/07/06
• Boehm, J., Curcio, N., Merrath, P., Shenton, L., & Stahle T. (2019). The risk-based approach to cybersecurity. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/risk-and-resilience/our-insights/the-risk- based-approach-to-cybersecurity 2022/08/03
• Brooks, C. (2022). Alarming cyber statistics for mid-year 2022 that you need to know. Forbes. Retrieved from https://www.forbes.com/sites/chuckbrooks/2022/06/03/alarming- cyber-statistics-for-mid-year-2022-that-you-need-to-know/?sh=7043d0247864 2022/08/03
• Brown, S., Gandhi, D., Herring, L., & Puri, A. (2019). The analytics academy: bridging the gap between human and artificial intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/the- analytics-academy-bridging-the-gap-between-human-and-artificial-intelligence 2022/07/18
• Buehler, K., Dooley, R., Grennan, L., & Singla, A. (2021). Getting to know-and manage- your biggest AI risks. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/getting-to- know-and-manage-your-biggest-ai-risks 2022/07/11
• Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai- frontier-modeling-the-impact-of-ai-on-the-world-economy#part1 2022/07/15
• Chakraborty, A. (2021). A.I. can be a cornerstone of success – but only if leaders make the right choices. Fortune. Retrieved from https://fortune.com/2021/10/27/ai-artificial- intelligence-business-strategy-data-accenture/ 2022/07/29
• Chui, M., Hall, B., Singla, A., & Sukharevsky, A. (2021). The state of AI in 2021. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business- functions/quantumblack/our-insights/global-survey-the-state-of-ai-in-20212022/07/08
• Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018). Notes from the AI frontier: Applications and value of deep learning. McKinsey global institute discussion paper, April. Retrieved from https://www.mckinsey.com/featured- insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep- learning 2022/07/07
• Dandona, G. S., Sharma, J., & Wright, M. (2021). Our own digital journey: upskilling hundreds of McKinsey technologists in AI. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/about-us/new-at-mckinsey-blog/ai-upskilling-for-over-500- firm-technologists 2022/07/19
• Fowler, G. (2020). AI and its potential for cybersecurity. Forbes. Retrieved from https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2020/12/18/ai-and-its- potential-for-cybersecurity/?sh=5d2f609e69d9 2022/08/03
• https://assets.siemens-energy.com/siemens/assets/api/uuid:cf20f2e1-ca9c-4589-9f88- 4e6592b4672d/brochure-deeparmour-industrial-200609.pdf 2022/08/05
• https://bids.berkeley.edu/news/berkeley-institute-data-science-and-accenture-applied- intelligence-announce-new-collaboration 2022/07/18
• https://info.algorithmia.com/hubfs/2020/Reports/2021-Trends-in- ML/Algorithmia_2021_enterprise_ML_trends.pdf?hsLang=en-us 2022/07/08
• https://wwd.com/business-news/technology/levis-ai-bootcamp-data-science-1234881378/ 22/09/04
• https://www.accenture.com/_acnmedia/PDF-63/Accenture-CoBE-Brochure-
• pdf#zoom=50 2022/08/23
• https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf 2022/07/08
• https://www.bcg.com/publications/2020/is-your-company-embracing-full-potential-of- artificial-intelligence 2022/09/17
• https://www.capgemini.com/wp-content/uploads/2019/07/AI-in- pdf 2022/08/03
• https://www.careers.ox.ac.uk/article/the-pymetrics-games-overview-and-practice- guidelines 2022/07/26
• https://www.cnr.it/sites/default/files/public/media/attivita/editoria/VOLUME%20FULL%20 14%20digital%20LIGHT.pdf 2022/08/22
• https://www.levistrauss.com/2021/05/17/machine-learning-bootcamp/ 2022/07/19
• https://www.linkedin.com/pulse/how-coca-cola-using-ai-stay-top-soft-drinks-market- shivani-salunkhe 2022/08/23
• https://www.mckinsey.com/about-us/new-at-mckinsey-blog/mckinsey-receives-top- ranking-in-the-forrester-wave-ai-report 2022/07/19
• https://www.nist.gov/system/files/documents/cyberframework/cybersecurity-framework- pdf 2022/08/03
• https://www.statista.com/statistics/1083482/worldwide-ai-revenue-increase/ 2022/08/02 https://www.statista.com/statistics/1083516/worldwide-ai-cost-decrease/ 2022/08/02
• https://www.statista.com/statistics/1119824/global-business-and-hr-leaders-on-ai-impact- to-job-numbers/ 2022/07/20
• https://www.statista.com/statistics/1235395/worldwide-ai-enabled-cyberattacks- companies/ 2022/08/05
• https://www.statista.com/statistics/1293758/ai-marketing-revenue-worldwide/ 2022/07/25
• https://www.statista.com/statistics/472934/business-analytics-software-revenue- worldwide/ 2022/07/29
• https://www.statista.com/statistics/871513/worldwide-data-created/ 2022/07/29
• https://www.statista.com/statistics/941137/ai-investment-and-funding-worldwide/ 2022/07/08
• https://www.treccani.it/enciclopedia/intelligenza-artificiale 2022/07/04
• https://www.treccani.it/enciclopedia/sicurezza-informatica/#:~:text=sicur%C3%A9zza%20inform%C3%A0tica%20Ramo%20dell’informatica,dati%20riservati%20in%20essi%20contenuti. 2022/09/13
• https://www.tripwire.com/state-of-security/security-data-protection/43-billion-stolen- through-business-email-compromise-since-2016-reports-fbi/ 2022/09/13
• https://www.webfx.com/martech/pricing/ai/#:~:text=In%202020%2C%20companies%20can%20pay,house%20or%20freelance%20data%20scientists.&text=In%20comparison
• %2C%20custom%20AI%20solutions,from%20%246000%20to%20over%20%24300%2C 000. 2022/09/18
• Jeans, D. (2020). Companies will spend $50 billion on artificial intelligence this year with little to show for it. Forbes. Retrieved from https://www.forbes.com/sites/davidjeans/2020/10/20/bcg-mit-report-shows-companies- will-spend-50-billion-on-artificial-intelligence-with-few-results/?sh=7efe3fe57c87 2022/09/17
• Johar, P. (2020). How AI makes big data smarter. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2020/03/23/how-ai-makes-big-data- smarter/?sh=381f9b6a4684 2022/08/01
• Luchtenberg, D., & Migliorini, R. (2022). Coca-Cola: The people-first story of a digital transformation. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/coca-cola-the-people-first-story-of-a-digital-transformation 2022/08/02
• Malins, A. (2022). Machine learning and artificial intelligence: implementation in practice. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/01/25/machine-learning-and- artificial-intelligence-implementation-in-practice/?sh=7692b2a35c89 2022/07/15
• Manyika J., & Sneader K. (2018). AI, automation, and the future of work: Ten things to solve for. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured- insights/future-of-work/ai-automation-and-the-future-of-work-ten-things-to-solve-for 2022/07/15
• Marr, B. (2017). The Amazing Ways Coca Cola Uses Artificial Intelligence And Big Data To Drive Success. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2017/09/18/the-amazing-ways-coca-cola- uses-artificial-intelligence-ai-and-big-data-to-drive-success/?sh=1448c01778d2 2022/08/02
• Marr, B. (2018). The amazing ways how Unilever uses artificial intelligence to recruit & train thousands of employees. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2018/12/14/the-amazing-ways-how-unilever-uses-artificial-intelligence-to-recruit-train-thousands-of-employees/?sh=485a1ca76274 2022/07/26
• Marr, B. (2022). The most in – demand technical skills – and how to develop them. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2022/08/03/the-most- in-demand-technical-skills–and-how-to-develop-them/?sh=7a1c4e1362e4 2022/08/22
• Mohan S. (2022). How to make it easier to implement AI in your business. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/05/27/how-to- make-it-easier-to-implement-ai-in-your-business/?sh=481bfbd65300 2022/07/12
• Rossitto, S. (2021). “Senza intelligenza artificiale e big data impossibile un vaccino contro il Covid in tempi brevi”. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/senza-intelligenza-artificiale-e-big-data-impossibile-vaccino-contro-covid-tempi-brevi-AD5lOYHB 2022/08/01
• Rusconi, G. (2022). L’intelligenza artificiale facilita il cambiamento organizzativo. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/l-intelligenza-artificiale-facilita- cambiamento-organizzativo-AEitC2OB 2022/07/14
• Sinur, J., & Peters, E. (2019). AI & big data; better together. Forbes. Retrieved from https://www.forbes.com/sites/cognitiveworld/2019/09/30/ai-big-data-better- together/?sh=61a9e9a360b3 2022/08/01
• Taulli, T. (2021). Artificial intelligence: should you teach it to your employees? Forbes. Retrieved from https://www.forbes.com/sites/tomtaulli/2021/09/10/ai-artificial- intelligence-should-you-teach-it-to-your-employees/?sh=2bab6b507b73 2022/07/18
• Tremolada, L. (2019). Machine learning, deep learning e reti neurali. Ecco di cosa parliamo. Il sole 24 ore. Retrieved from https://www.ilsole24ore.com/art/machine- learning-deep-learning-e-reti-neurali-ecco-cosa-parliamo–AEaToEBH2022/07/07
• ASIMOV, I. (1950), I, Robot. (Cited at page 5)
• BABBAGE, C. (1982), «On the Mathematical Powers of the Calculating Engine», The Origins of Digital Computers. Texts and Monographs in Computer Science.
• BODEN, M. A. (2018), Artificial Intelligence: A Very Short Introduction.
• CAMPBELL, M., HOANE, A. J. e HSIUNG HSU, F. (2002), «Deep Blue», Artificial Intelligence, vol. 134, p. 57–83.
• CLARKE, A. C. e KUBRICK, S. (1968), 2001: A Space Odyssey.
• DICK, P. K. (1968), Do Androids Dream of Electric Sheep?
• HASHEMIPOUR, S. e ALI, M. (2020), «Amazon Web Services (AWS) – An Overview of the On-Demand Cloud Computing Platform».
• KRIZHEVSKY, A., SUTSKEVER, I. e HINTON, G. E. (2012), «ImageNet classification with deep convolutional neural networks», Communications of the ACM, vol. 60, p. 84 – 90.
• LECUN, Y., BENGIO, Y. e HINTON, G. E. (2015), «Deep Learning», Nature, vol. 521, p. 436–444.
• MASLEJ, N., FATTORINI, L., BRYNJOLFSSON, E., ETCHEMENDY, J., LIGETT, K., LYONS, T., MANYIKA, J., NGO, H., NIEBLES, J. C., PARLI, V., SHOHAM, Y., WALD, R., CLARK, J., e PERRAULT, R. (2023), «The AI Index 2023 Annual Report», Rap. tecn., AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA.
• MCCARTHY, J. (1960), «Programs with common sense».
• MCCARTHY, J., MINSKY, M., ROCHESTER, N. e SHANNON, C. E. (2006), «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955», AI Mag., vol. 27, p. 12–14.
• RAO, A. S. e VERWEIJ, G. (2017), «Sizing the prize: what’s the real value of AI for your business and how can you capitalise?».
• RUSSELL, B. e WHITEHEAD, A. N. (1956), «Principia Mathematica to *56».
• RUSSELL, S. e NORVIG, P. (1995), «Artificial intelligence – a modern approach: the intelligent agent book».
• TURING, A. (1937), «On computable numbers, with an application to the Entscheidungsproblem», Proc. London Math. Soc.
• VASWANI, A., SHAZEER, N. M., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A. N., KAISER, L. e POLOSUKHIN, I. (2017), «Attention is All you Need», in «NIPS».

Note

[1] Daft R. L. (2021), op. cit., 351.

[2] Pighin, M., & Marzona, A. (2018). Sistemi informativi aziendali: ERP e sistemi di data analysis. Pearson, 350.

[3] Bhimani, A., & Willcocks, L. (2014). Digitisation, Big Data and the transformation of accounting information.Accounting and Business Research, Taylor & Francis, Vol. 44 No. 4.

[4] Pighin, M., & Marzona, A. (2018), op. cit., 352-353.

[5] Tabesh, P. (2021), op. cit., 2.

[6] CGMA (2016). Business Analytics And Decision Making. Baseline.

[7] Daft R. L. (2021), op. cit., 354-355.

[8] Chakraborty, A. (2021), op. cit.

[9] McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard business review, 90(10), 64-65.

[10] Daft R. L. (2021), op. cit., 353.