<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Roberto Lucchese on Medium]]></title>
        <description><![CDATA[Stories by Roberto Lucchese on Medium]]></description>
        <link>https://medium.com/@roberto.lucchese?source=rss-c79e2299c336------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*ARYtFedq-g_ug34AVnoWmw.jpeg</url>
            <title>Stories by Roberto Lucchese on Medium</title>
            <link>https://medium.com/@roberto.lucchese?source=rss-c79e2299c336------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 21:04:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@roberto.lucchese/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Architettura big data: le fondamenta dell’informazione]]></title>
            <link>https://medium.com/digitalmarketing-hfarm/architettura-big-data-le-fondamenta-dellinformazione-710b0ff42d76?source=rss-c79e2299c336------2</link>
            <guid isPermaLink="false">https://medium.com/p/710b0ff42d76</guid>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[data-architecture]]></category>
            <category><![CDATA[digital-marketing]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Roberto Lucchese]]></dc:creator>
            <pubDate>Tue, 27 Nov 2018 09:20:00 GMT</pubDate>
            <atom:updated>2018-11-30T09:35:10.420Z</atom:updated>
            <content:encoded><![CDATA[<h4>Sempre più aziende oggi hanno accesso ad enormi quantità di dati. Ma come si trasformano in informazioni di valore per il business?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*BcUtnloQpUJPVXX_JX-IGw.jpeg" /></figure><h3><strong>La risposta è nell’architettura</strong></h3><p>Mettiamoci nei panni di un Data Scientist (giusto il tempo della lettura di questo articolo, promesso) e di dover analizzare un insieme di dati la cui grandezza è maggiore del disco fisso del nostro computer: cosa facciamo?</p><p><strong>Non è così banale</strong>:</p><ol><li>Potremmo sfruttare la potenza di linguaggi di programmazione come Python e R, ma rimarremmo comunque vincolati dalla potenza di calcolo e dallo spazio di archiviazione del nostro pc;</li><li>Potremmo rivolgerci al dipartimento IT chiedendo un computer più performante, ma rischieremmo di ritrovarci nella stessa situazione quando, tra alcuni mesi, dovremo analizzare una mole di dati ancora superiore.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/667/1*M9NdAw7h6FU7vMpcA9mLJw.jpeg" /></figure><h3><strong>E allora cosa fare?</strong></h3><p>Come dicevamo, la risposta è nell’architettura. Quello che ci serve è <strong>un’infrastruttura che ci permetta di immagazzinare ed analizzare i big data</strong>: un posto sicuro e durevole in cui salvare i nostri grandi file senza preoccuparci della loro dimensione attuale e futura e un computer sufficientemente potente per analizzarli.</p><p>Dove li troviamo questi spazi? Dove lo trovo un supercomputer? Compiere questa missione può sembrare impossibile, ma in realtà ad oggi piattaforme cloud come Amazon Web Services, Google Cloud Platform e Microsoft Azure (alcuni tra i tanti disponibili) permettono di farlo in maniera veloce ed efficiente. Tra i vari servizi, offrono <strong>spazi in cui salvare i nostri dati e dei server con cui elaborarli</strong>. Possiamo immaginare queste piattaforme come dei veri e propri <strong>“noleggi” di servizi </strong>a cui possiamo accedere direttamente dal nostro computer, pagando una tariffa.</p><p>Una volta scelti i servizi che calzano al meglio la tipologia del dato e l’analisi da svolgere, non ci resta che scrivere del codice che legga ed analizzi i nostri dati. Il linguaggio di programmazione è spesso a nostra discrezione (probabilmente saremo indecisi tra Python ed R). Una volta scritto ed eseguito il codice sul server non ci resterà che aspettare. Ma quanto tempo?</p><p>Anche se riuscissimo effettivamente ad analizzare tutto, i tempi potrebbero risultare davvero lunghi. Ma non solo: se per qualsiasi ragione il server sul quale stiamo lavorando dovesse cadere, perderemmo tutto quanto fatto fino ad ora.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yETCUpU_TEypIGiw8bzEdA.jpeg" /></figure><h3><strong>La soluzione è il cluster</strong></h3><p>Eureka! Invece di utilizzare un solo server possiamo noleggiarne tanti per <strong>farli lavorare insieme</strong>. Ed è proprio così che da un singola macchina passiamo ad un <strong>cluster</strong>: un insieme di server collegati tra loro il cui scopo è quello di distribuire il lavoro tra tutti i partecipanti, velocizzando l’analisi.</p><p>Per <strong>distribuire il lavoro e sincronizzare tutti i server</strong>, possiamo fare uso di alcuni framework in grado di suddividere la mole dei dati da analizzare e quindi di ripartire lo sforzo. In questo senso, ci vengono in aiuto framework come Spark, in grado di offrire API in linguaggi come Python, R, Scala o Java.</p><p>Finalmente, è davvero arrivato il momento di aspettare i nostri risultati.</p><h3><strong>Il nostro approccio</strong></h3><p>Nella Business Unit <a href="https://www.h-farm.com/it/innovation/digital-marketing">Digital Marketing di H-FARM</a>, <strong>ci appoggiamo a piattaforme e architetture di questo</strong> <strong>tipo </strong>per svolgere analisi come quella del <a href="https://blogdm.h-farm.com/customer-journey-misurare-lefficacia-nel-path-to-conversion-aaca24d79b83"><strong>path to conversion</strong></a> consentendoci di applicare modelli di attribuzione avanzati come la<strong> </strong><a href="https://blogdm.h-farm.com/markov-chain-il-modello-di-attribuzione-pi%C3%B9-vantaggioso-per-le-aziende-a410f4dd1ed1"><strong>Markov Chain</strong></a>, che non considera soltanto i percorsi che portano alla conversione ma anche i cammini negativi (facendo aumentare notevolmente i volumi dei dati in analisi).</p><p>È così che siamo in grado di scalare <strong>dalla visione di <em>una parte</em></strong><em> </em>(percorsi, utenti, comportamenti e molto altro), <strong>alla comprensione del <em>tutto</em></strong>.</p><p>Per ulteriori dettagli o per pormi qualsiasi domanda scrivetemi pure alla mia email: roberto.lucchese@h-farm.com</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=710b0ff42d76" width="1" height="1" alt=""><hr><p><a href="https://medium.com/digitalmarketing-hfarm/architettura-big-data-le-fondamenta-dellinformazione-710b0ff42d76">Architettura big data: le fondamenta dell’informazione</a> was originally published in <a href="https://medium.com/digitalmarketing-hfarm">Archivio | H-FARM Digital Marketing</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>