Data velocity è una terminologia usata nell’informatica che specifica la velocità con cui uno o più dati vengono processati da un certo programma. Tra i vari tipi di velocità, abbiamo ad esempio la velocità di computazione in tempo reale. Questo tipo di programmi o algoritmi permettono di processare i dati praticamente in tempo reale rispetto all’acquisizione del dato stesso. Un po’ più lenti ma comunque velocissimi sono i processi “near-real time”, ovvero quasi in tempo reale, che danno una risposta leggermente in ritardo (ad esempio dopo un’ora) rispetto ai dati ricevuti in input. Come processi di durata intermedia troviamo invece i così detti “batch” e “custom”, che vengono iniziati quando ci sono le risorse computazionali disponibili e vengono messi in secondo piano rispetto alle computazioni considerate prioritarie e che meritano risorse computazionali in tempo reale.
Un esempio potrebbe essere l’aggiornamento dei post sui social network. Questo deve essere fatto in tempo reale e per tutte le pagine caricate da ogni utente nel mondo e richiede dunque priorità. Per quanto riguarda invece la scansione dei post al fine di identificare quelli che violano le regole dei social network stessi, questo tipo di processi avviene normalmente in differita, qualche giorno dopo la pubblicazione del post.
Data velocity: definizione
Il parallelismo con il concetto di velocity of money viene dunque da sé: qual è il tasso di reimissione (indiretta) nel mercato di tutti i dati mai generati rispetto a quelli che rimangono per sempre inutilizzati in qualche server o data center?
Una metrica forse più interessante è quella di restringere il campo e di focalizzarsi sulle singole aziende. Quanto un’azienda riesce a monetizzare i dati che ha raccolto? Ovviamente le così dette aziende data-driven, per natura digitali, non possono che essere tra quelle più avanzate in questo senso. Anzi, i grandi giganti digitali sono quelli che più di tutti hanno saputo sfruttare al meglio i miliardi di dati che noi per anni abbiamo loro inconsciamente regalato. E per tutte le altre? Quanto riesce un’azienda normale a ottimizzare le proprie decisioni e strategie di impresa basandosi sui dati che ha già?
Ovviamente la grande differenza tra money e data velocity sta proprio nel fatto che per aumentare la velocità del denaro basta semplicemente volerlo spendere, facendo così girare l’economia. Per quanto riguarda invece la velocità dei dati, questi possono essere reimmessi nel mercato solo una volta che degli algoritmi sufficientemente sofisticati siano stati sviluppati. Ecco che dunque diventa centrale il ruolo dei data scientist, il ruolo chiave nelle aziende se si vuole che i dati fruttino di più rispetto al costo di stoccarli.
Un esempio che viene dall’economia: la velocità del denaro
Prima di passare a una nuova definizione di data velocity (o meglio, a un suo ampliamento), facciamo un passo indietro e vediamo da dove questo termine trae ispirazione. In economia, la “velocity of money” indica il tasso in cui il denaro in circolazione viene speso per comprare beni e servizi. In pratica, indica quanta parte del denaro guadagnato viene reimmesso nel mercato, accrescendolo, rispetto a quanta parte di quel denaro viene ad esempio investita o risparmiata, rallentandone e postponendone la transazione. Si osserva che nei periodi di espansione economia la velocità del denaro aumenta, mentre nei periodi di recessione questa diminuisce perché le persone tendono a essere più riluttanti a spendere e preferiscono risparmiare. In epoca COVID-19, si è parlato di velocità del denaro rallentata perché, non potendo accedere a beni e servizi a causa dei continui lockdown, la gente non ha di fatto potuto spendere i soldi che guadagnava come d’abitudine.
La filiera del dato
È possibile fare un paragone tra il denaro e il dato. Se pensiamo a una fantomatica “filiera del dato”, troviamo in prima battuta lo step in cui il dato viene generato e raccolto. Dopo di che, abbiamo la fase in cui tali dati vengono valutati e interpretati per dare una spiegazione delle realtà ed eventualmente fare previsioni future. Questo è il lavoro, ad esempio, dei business analyst che raccolgono dati di produzione e vendita per capire che cosa cambiare, ad esempio, delle campagne di marketing per essere più attrattivi ai consumatori. O, molto più recentemente, questo è il lavoro dei data scientists, coloro che usano e customizzano complicati algoritmi di machine learning e intelligenza artificiale (ML/AI), in modo da ottenere “insight” non ovvi da tutti quei dati raccolti che possono portare a delle strategie di business vincenti e non ancora battute. Una volta che quel dato verrà dato in input a un tale algoritmo (o a una formula Excel nel caso del business analysis più classico) e dal risultato in output ne conseguiranno, ad esempio, una nuova strategie di marketing, una modifica di un prodotto o addirittura investimenti al fine di costruire da zero un prodotto o servizio, allora si potrà dire che quel dato, anche se indirettamente, è stato reimmesso nel mercato.
Data velocity e money velocity in correlazione
Con un po’ di speculazione economico-filosofica, si potrebbe dire che money velocity e data velocity sono positivamente correlate. Se si pensa agli algoritmi di ML/AI come a una tecnologia volta a rendere prodotti e servizi sempre più customizzabili e sempre più “customer-centric”, allora è chiaro che all’aumentare della velocità del dato, aumenterà anche la velocità del denaro. Questo perché il consumatore, interfacciandosi con prodotti e servizi che sembrano sempre più fatti apposta per lui, sarà più propenso ad acquistarli, riconoscendovisi.
Conclusioni
Un ampliamento della classica definizione di data velocity all’ambito economico diventa un indicatore di quanto un’azienda sia in grado di monetizzare i propri dati e, così facendo, di non rimanere indietro in questo nuovo mercato digitale.
