What is *Too Big to Ignore* by Phil Simon about?

*Too Big to Ignore* explores the critical role of collaboration, technology, and data scalability in modern organizations. Phil Simon argues that businesses must adopt agile frameworks and decentralized systems to thrive in today’s fast-paced digital landscape. The book provides actionable strategies for leveraging platforms, APIs, and emerging tools to solve complex problems.

Who should read *Too Big to Ignore*?

This book is ideal for business leaders, project managers, and IT professionals seeking to future-proof their organizations. It’s especially relevant for those navigating hybrid workplaces, digital transformation, or data governance challenges. Simon’s insights cater to readers interested in practical tech adoption and collaborative workflows.

What are the key concepts in *Too Big to Ignore*?

- **Platform ecosystems**: How interoperable tools enhance organizational agility - **Data democratization**: Breaking silos to empower decision-making - **Low-code solutions**: Accelerating innovation through accessible tech - **Remote collaboration**: Redefining teamwork in distributed environments

How does *Too Big to Ignore* address workplace technology?

Simon advocates for “hub-and-spoke” models, where centralized platforms (hubs) integrate with specialized tools (spokes). He critiques legacy systems that hinder adaptability, offering case studies on companies successfully implementing AI, automation, and real-time analytics.

What critiques exist about *Too Big to Ignore*?

Some argue the book assumes mid-size corporate resources, potentially overlooking small-business constraints. Others note its focus on tech-savvy industries may limit applicability to traditional sectors. However, its principles remain broadly valuable for digital-first strategies.

How does *Too Big to Ignore* relate to Phil Simon’s other books?

It expands on themes from *The Age of the Platform* (tech ecosystems) and *The Nine* (workplace evolution), offering a tactical playbook rather than theoretical analysis. Simon ties concepts like data literacy and API-driven workflows to broader organizational trends.

What real-world examples does *Too Big to Ignore* use?

Case studies include: - Enterprise adoption of Notion and Airtable for project management - Healthcare systems using interoperable platforms for patient data - Retailers leveraging low-code tools to streamline omnichannel operations

How does *Too Big to Ignore* approach collaboration tools?

Simon emphasizes “purposeful tool stacking”—strategically combining communication apps (Slack, Teams), documentation platforms (Confluence, Coda), and workflow automations. He warns against tool sprawl, advocating for integrated ecosystems over disjointed solutions.

Riassunto di Troppo grande per essere ignorato

The Business Case for Big Data

Phil Simon

3.65(129 Reviews)

Panoramica del Riassunto di Troppo grande per essere ignorato

In "Too Big to Ignore," Phil Simon rivela come aziende come Netflix e Google sfruttino l'80% inutilizzato di dati non strutturati per rivoluzionare le decisioni aziendali. Quale vantaggio strategico potresti ottenere dagli stessi Big Data che hanno trasformato interi settori?

Scegli come raccontarlo

Esplora il Riassunto di Troppo grande per essere ignorato con diversi stili di apprendimento

Le stesse idee di Troppo grande per essere ignorato. Scegli la voce, la profondità e il ritmo adatti a te. Cambia in qualsiasi momento.

Capitolo 1

Il diluvio che non entra in una colonna

Le informazioni più preziose che un'azienda possiede sono proprio quelle che non ha mai imparato a conservare. Per decenni, i dati aziendali hanno significato una cosa sola: righe e colonne. Nomi di clienti, numeri d'ordine, date di spedizione, la struttura ordinata di un foglio di calcolo. Poi, verso il 2005, quel mondo si è silenziosamente dissolto. Foto, tweet, registrazioni dei call center, dati dei sensori, articoli di blog: tutte informazioni che rifiutavano di stare composte in una tabella hanno iniziato a crescere a un ritmo che nessuno aveva previsto a bilancio. Secondo alcune stime, oltre l'ottanta per cento di ciò che un'organizzazione moderna produce oggi non si può nemmeno aprire con Excel. Phil Simon ha passato quasi quindici anni immerso in questo caos lavorando come consulente. Ha visto aziende soffocare sotto la loro stessa mole di informazioni, mentre nuove ondate continuavano ad arrivare. Se ha scritto un libro su questo argomento, è per una ragione ben precisa. Non per entusiasmarsi davanti a server e algoritmi, ma per dimostrare una cosa: questo cambiamento è prima di tutto un problema di leadership, prima ancora che una questione tecnologica. Gli strumenti di cui parla, come Hadoop, NoSQL o i database colonnari, erano all'avanguardia quando il libro è uscito, nel 2013. Alcuni dei fornitori dell'epoca sono persino spariti nel frattempo. Ma ciò che non è sparito affatto è il principio di fondo: come fa un leader a decidere se un'azienda è davvero pronta a usare questo oceano di rumore? Come si trasformano un miliardo di dati in una decisione strategica? E che cosa succede quando un'azienda sbaglia tutto davanti agli occhi del pubblico? È questo il vero filo conduttore. Non una visita al museo dei software più in voga nel 2013, ma una guida pratica su come si costruisce, decisione dopo decisione, una cultura aziendale basata sui dati. Partiamo da dove si nascondeva il vero valore fin dall'inizio.

Capitolo 2

L'oro nascosto nel caos

Quando la maggior parte dei dirigenti sente la parola "dati", immagina ancora una tabella. Numero cliente, nome, codice postale, contatti. Dati puliti, ordinati, facili da contare e da gestire. Ma è proprio questa abitudine che non fa vedere loro dove si trova oggi il valore reale. Prendiamo un ospedale. Un ospedale regionale di medie dimensioni ricovera in media circa duecento nuovi pazienti al giorno. Nessun picco di tweet o di articoli su un blog cambierà mai quel numero. Gli ospedali hanno dei letti. E i letti sono finiti. Possiamo definirlo l'anti-Amazon: un'organizzazione che, per quanto internet cresca, non può trarre beneficio dai cosiddetti effetti di rete. Confrontate tutto questo con un'azienda come Amazon. I dati di Amazon crescono semplicemente esistendo. Ogni accesso al sito, ogni clic arricchisce la montagna di informazioni, senza alcun sforzo extra da parte di un venditore. Due organizzazioni, due ruoli completamente diversi con la crescita. E oggi la maggior parte delle aziende si trova a metà strada tra l'ospedale e Amazon, senza nemmeno sapere a chi somiglia di più. Ora pensiamo a qualcosa di assolutamente comune, come una fotografia. Scattiamo una foto a un concerto con lo smartphone, la carichiamo su una piattaforma di condivisione, aggiungiamo la posizione, la data, il nome della band. Ognuna di queste immagini porta con sé un file ombra pieno di informazioni su se stessa: ora dello scatto, dimensione del file, coordinate GPS, impostazioni della fotocamera. Questo file ombra si chiama metadata, ovvero dati sui dati. Ed è proprio ciò che permette a uno sconosciuto che cerca "batteristi rock" di imbattersi in una foto che magari nessuno aveva etichettato in quel modo. Nessuna di queste informazioni sta in una tabella. Sta tutta dentro quel grande caos. E quel caos è enorme per struttura, non per un errore. I dati non strutturati — ricchi di testo, non relazionali, incapaci di stare in righe e colonne — oggi crescono, secondo alcune stime, da dieci a cinquanta volte più velocemente di quelli strutturati. Eppure la maggior parte delle aziende ha semplicemente scelto di voltarsi dall'altra parte. Secondo un'indagine di IBM, meno della metà delle organizzazioni si prende la briga di raccogliere e analizzare i dati dei propri canali social. Trattano un tweet come semplice rumore di fondo, anziché come la mano alzata di un cliente. Ma ecco il cambio di prospettiva su cui vale la pena riflettere: quel rumore non è una distrazione dalle vere domande di business. È esattamente il luogo in cui sono custodite le risposte alle domande del futuro. L'azienda che impara ad ascoltare quell'ottanta per cento di dati non strutturati non sta facendo nulla di esotico. Sta solo iniziando a guardare la maggior parte di ciò che i suoi clienti le stanno già dicendo.

Vedi ogni parola mentre la ascolti

Segui la lettura senza sforzo mentre ogni parola del Riassunto di Troppo grande per essere ignorato si illumina in tempo reale.

Capitolo 3

Due mazze nella stessa sacca

Tutto questo non significa affatto doversi sbarazzare dei fogli di calcolo. Ed è qui che molto dell'entusiasmo per i Big Data prende una storta. Diciamolo chiaramente: un'organizzazione che non sa gestire i propri dati ordinati, strutturati e transazionali — paghe, fatture, schede clienti — non ha alcun senso che si lanci subito a inseguire i dati non strutturati. Immaginate due mazze da golf nella stessa sacca. Un driver può scagliare la palla a trecento yard lungo la pista, ma nessuno lo usa per andare in buca sul green. Servono entrambe le mazze per fare un buon punteggio. La stessa cosa vale qui: pensate ai dati strutturati ben gestiti — quelli che Simon chiama Small Data — come al gioco della dama. I dati non strutturati, più complessi e disordinati, sono invece gli scacchi. Se non sapete giocare a dama, non avete alcun motivo di sedervi al tavolo degli scacchi. Il consulente Tony Fisher, che ha costruito la sua carriera proprio su questo problema, ha centrato il punto del perché così tante aziende si bloccano. I vari reparti gestiscono i dati per servire le proprie applicazioni interne, non l'azienda nel suo insieme. Il commerciale ottimizza per le vendite, le risorse umane per le risorse umane. Il risultato? Un'azienda che non sa rispondere a domande elementari su se stessa. Quanti dipendenti lavorano davvero qui? Quali competenze ci mancano? Quali clienti hanno acquistato da noi l'anno scorso? Phil Simon racconta di aver visto molte aziende valutarsi su quella che equivale a una piramide di maturità dei dati. E la scomoda verità è che ben poche si avvicinano alla cima. La maggior parte sta ancora lottando per avere un conteggio preciso del proprio personale. Ed ecco perché questo è fondamentale per tutto quello che vedremo tra poco: tutti gli strumenti sofisticati delle prossime sezioni — i concorsi in crowdsourcing, l'analisi del sentiment, le dashboard grafiche — non fanno che amplificare le fondamenta già esistenti. Un'azienda che sta affogando tra duplicati di schede clienti non verrà salvata dall'aggiunta dei dati di Twitter. Finirà solo per avere due problemi enormi al posto di uno. I Big Data completano i Small Data, non li sostituiscono mai. E le aziende che saltano questo passaggio sono quelle che spendono una fortuna in nuovi software, solo per veder riemergere le stesse vecchie inefficienze.

Capitolo 4

Che cosa ha fatto Twitter a Netflix

I Big Data possono proteggerti, ma possono anche rivoltarsi contro di te con una velocità spaventosa. E non c'è caso di studio migliore per raccontare questo colpo di frusta di quello che è successo a Netflix nell'estate del 2011. Sotto ogni punto di vista, Netflix aveva costruito una delle gestioni dei dati più avanzate al mondo. Non tracciava solo cosa guardavano i suoi venticinque milioni di utenti, ma anche quando mettevano in pausa, quando mandavano indietro, che dispositivo usavano, a che ora della giornata guardavano i contenuti. Parliamo di oltre due miliardi di ore di visione solo negli ultimi tre mesi del 2011. Quattro milioni di valutazioni al giorno, tre milioni di ricerche al giorno. Ben tre quarti di ciò che le persone guardavano arrivavano dai consigli automatici della piattaforma. Non erano tirate a indovinare. Era uno dei quadri più dettagliati mai assemblati sul comportamento dei consumatori. E Reed Hastings ci aveva costruito sopra un'intera azienda amata da tutti. Poi Hastings prese una decisione di business che non aveva nulla a che fare con tutti quei dati: decise di separare il servizio di noleggio DVD via posta in un marchio indipendente chiamato Qwikster, cambiando tariffe e nome in un unico colpo goffo. I clienti si sentirono traditi all'istante. E ecco la parte che rende questa storia un caso emblematico di Big Data e non un semplice errore aziendale: la protesta non rimase nei corridoi. Esplose subito su Twitter e Facebook, in tempo reale, sotto gli occhi di tutti. Su YouTube nacquero video intitolati "Netflix fa schifo". Secondo alcune stime, solo Twitter fu responsabile di oltre il dieci per cento del calo del titolo in borsa. L'azienda perse più di metà del suo valore di mercato in due mesi e bruciò oltre ottocentomila abbonati prima che Hastings chiedesse scusa e tornasse sui suoi passi. La lezione qui non è che i social media siano pericolosi. È che i Big Data non creano il buon senso: amplificano semplicemente il giudizio che hai già. Qwikster era una pessima decisione di per sé. Twitter non ha causato il fallimento, ha solo fatto viaggiare quel fallimento alla velocità della luce anziché al ritmo del passaparola. Ogni leader che oggi ha accesso ai dati di sentiment in tempo reale dovrebbe rifletterci bene. Lo strumento che ti permette di vedere chiaramente i tuoi clienti è lo stesso strumento che permette ai tuoi clienti di vedere chiaramente i tuoi errori. E di diffonderli prima ancora che tu abbia finito di compierli.

Ottieni di più dal Riassunto di Troppo grande per essere ignorato

Ricevi spunti ogni giorno da oltre 100.000 lezioni
Le parole si illuminano in sincronia con l'audio
La tua libreria salvata su ogni dispositivo

Capitolo 5

Trasformare i numeri in una storia credibile per i dirigenti

Tutte queste intuizioni non servono a nulla se restano chiuse nel computer di un analista. La vera abilità non sta nel trovare il modello giusto in cento milioni di righe, ma nel farlo vedere a una sala piena di dirigenti scettici, nel tempo di una rapida occhiata allo schermo. È l'unica ragione per cui la visualizzazione dei dati ha smesso di essere un dettaglio ed è diventata una disciplina vera e propria. Tableau Software non ha vinto il premio come "Best Overall in Data Visualization" da DM Review, o "Best of 2005 for Data Analysis" da PC Magazine, creando semplicemente grafici più carini. Ha vinto quei premi risolvendo un problema di leadership molto preciso: si può guardare a occhio una tabella di cento righe e individuare un'anomalia, ma nessuno può farlo con cento milioni di righe. Un'immagine non serve a decorare una tesi. Per un insieme di dati di quelle dimensioni, un'immagine è l'unica tesi in grado di fare presa. Amazon lo aveva capito presto. Creò una mappa termica delle vendite di libri di politica negli Stati Uniti: gli stati repubblicani si illuminavano di rosso dove i titoli conservatori vendevano più di quelli liberali. L'azienda fu attenta a precisare i limiti del proprio strumento, ricordando che "i libri non sono voti", dato che un acquisto può nascere dalla curiosità tanto quanto da una convinzione. Ma quella mappa riusciva comunque in qualcosa che nessun foglio di calcolo avrebbe mai potuto fare: permettere a uno sguardo casuale di cogliere ciò che altrimenti avrebbe richiesto ore di incroci di tabelle per essere spiegato. L'altra metà di questa capacità di persuasione riguarda i test, non solo la visualizzazione. Molto prima che "Big Data" diventasse uno slogan di moda, Capital One condusse migliaia di esperimenti dal vivo sui propri clienti. Inviava per posta diverse combinazioni di tassi di interesse, canoni annui e limiti di credito a gruppi differenti, misurando quale offerta convertisse meglio. L'amministratore delegato di Harrah's, Gary Loveman, espresse questo principio in modo ancora più schietto: nella sua azienda ci si poteva far licenziare solo per due motivi, rubare oppure lanciare un esperimento commerciale senza un adeguato gruppo di controllo. Entro il 2007, Capital One effettuava ben ventotto mila test distinti all'anno. Eric Ries, quando doveva promuovere il suo libro The Lean Startup, mise alla prova questa stessa logica in prima persona. Discusse a lungo con il suo editore per via delle copertine che definiva "orrende" e che continuavano a proporgli. Invece di litigare sui gusti personali, decise di fare un test. Avviò esperimenti dal vivo su grafica e sottotitoli fino a quando i dati non indicarono una scelta che persino l'editore dovette accettare. Poi fece una cosa ancora più astuta: offrì ai lettori che preordinavano il libro la possibilità di vedere i dati reali del test di marketing, trasformando l'esperimento stesso nella leva di vendita. È questo il filo conduttore da ricordare: in una cultura guidata dai dati, persuadere non significa affogare le persone nei numeri. Significa trovare quell'unico grafico, o quell'unico risultato di un test, così innegabile da chiudere ogni discussione.

Capitolo 6

Il laboratorio aperto: Hadoop, Kaggle e il genio in prestito

A questo punto entra in gioco la tecnologia vera e propria. Ed è un bene fare chiarezza invece di citare soltanto dei nomi, perché molti manager, quando sentono la parola "Hadoop", staccano mentalmente la spina. Hadoop, alla base, risolve un problema molto specifico: i database tradizionali partono dal presupposto che le informazioni arrivino in righe ordinate. Ma i dati non strutturati non funzionano così. Quindi, invece di forzare tutto dentro una tabella fin da subito, Hadoop prende un problema gigantesco e lo divide in pezzi più piccoli. Distribuisce poi questi pezzi su molte macchine comuni che lavorano in parallelo, e infine riassembla i risultati. È gratuito, è open-source, e deriva direttamente da strumenti che Google aveva creato per il proprio uso interno. Ciò che lo rende solido non è il codice in sé, ma la comunità che ci sta attorno. Quando un ingegnere di Google di nome Marcel Kornacker si stancò di creare strumenti interni fantastici che il pubblico non avrebbe mai visto, lasciò l'azienda, fece il pane in casa per due settimane e nel 2008 si unì a una piccola società chiamata Cloudera per sviluppare la stessa tecnologia alla luce del sole. Quella singola scelta di carriera ha contribuito a trasformare Hadoop da semplice curiosità a pilastro di un intero settore. La mossa manageriale più interessante, tuttavia, non è installare una piattaforma: è capire che non serve possedere tutto il talento all'interno dell'azienda per usarla. È l'idea alla base di Kaggle, fondata nel 2010 da Anthony Goldbloom e Jeremy Howard. Kaggle è un sito dove un'azienda pubblica un insieme di dati e un problema reale, e una comunità globale di oltre quarantamila data scientist da più di cento paesi gareggia per risolverlo, incassando il premio in denaro solo se il proprio modello risulta vincente. La NASA gestisce qualcosa di strutturalmente identico attraverso il NASA Tournament Lab, creato insieme alla Harvard Business School e a una società chiamata TopCoder. In una gara, la NASA ha messo a disposizione trent'anni e oltre cento terabyte di dati di missioni planetarie, chiedendo semplicemente al mondo quali idee si potessero sviluppare. In due settimane sono arrivate duecentododici iscrizioni e trentasei progetti inviati. L'idea vincente — uno strumento per individuare le "zone bianche" mai esplorate negli archivi planetari — non è arrivata da un laboratorio della NASA, ma da una ragazza ventenne di nome Elena Shutova, che lavorava da Kiev, in Ucraina, per un premio di mille dollari. È questo il flusso di lavoro che un leader non tecnico deve davvero capire: non serve assumere un esercito di esperti di dati per accedere a competenze di livello mondiale. Bisogna saper definire il problema con chiarezza sufficiente perché uno sconosciuto dall'altra parte del pianeta possa affrontarlo. Il team della NASA ha scoperto che la parte più difficile non è mai stata la tecnologia. È stato scomporre il problema in una domanda abbastanza specifica da poter essere risolta da un esterno.

Vedi ogni parola mentre la ascolti

Segui la lettura senza sforzo mentre ogni parola del Riassunto di Troppo grande per essere ignorato si illumina in tempo reale.

Capitolo 7

Il test di preparazione prima di spendere un solo centesimo

Ecco l'errore che commettono le aziende subito dopo essersi entusiasmate per tutto questo: comprano il software prima ancora di chiedersi se la loro cultura aziendale sia in grado di usarlo. Phil Simon racconta la storia di un cliente della classifica Fortune 500 che chiama ABC. Vale la pena rifletterci, perché succede di continuo. ABC implementò un nuovo fiammante sistema aziendale con uno strumento di business intelligence integrato. Una dirigente delle risorse umane, che chiameremo Diane, disse con orgoglio ai colleghi che il reparto HR poteva finalmente diventare un "vero partner strategico", grazie a questi nuovi e fantastici report. Ciò che Diane non sapeva, o non voleva sapere, era che quei report non arrivavano affatto dal nuovo software. Il suo staff stava ancora mettendo insieme i numeri manualmente dietro le quinte, raccogliendoli da una ragnatela di vecchi sistemi. E anche dopo tutto quel lavoro manuale, i report erano pieni zeppi di errori. I dirigenti diedero la colpa al software. Ma il software non c'entrava nulla. I dati con cui veniva alimentato erano spazzatura. E nessun software, per quanto sofisticato, può trasformare la spazzatura in intuizioni geniali. Il principio "spazzatura dentro, spazzatura fuori" vale per un cluster Hadoop esattamente come valeva per un mainframe degli anni Ottanta. Quindi, prima di investire soldi veri, un leader deve dare risposte oneste a una breve serie di domande. Che cosa farete concretamente con questi dati nei prossimi sei mesi? E nei prossimi tre anni? Quali nuove domande siete pronti a porre che non avete mai posto prima? E c'è una domanda ancora più scomoda: siete davvero pronti ad accettare risposte inaspettate? Quelle che smentiscono ciò in cui un alto dirigente ha creduto per vent'anni? Perché un'organizzazione che cerca solo dati capaci di confermare i propri timbri non ha costruito una cultura dei dati. Ha solo comprato uno specchio molto costoso. Una risposta sincera divide la maggior parte delle aziende in tre gruppi. Alcune sono davvero pronte a partire, e per loro il consiglio è semplice: andate avanti, ma non pensate di dover comprare ogni singolo server quando esistono soluzioni in cloud. Altre non sono chiaramente pronte, e la cosa più saggia da fare è ammetterlo subito, prima di chiamare i consulenti e prima di un lancio fallimentare, per poi riprendere in mano la questione dopo sei mesi. E un buon numero di aziende si trova in quella fascia grigia nel mezzo. Lì la mossa giusta è fare una prova prima di impegnarsi a lungo termine: avviate un progetto pilota economico basato sul cloud, verificate se il gioco vale la candela, prima di investire in un'infrastruttura permanente. Nessuno di questi è un consiglio spettacolare, ma è la differenza tra un'iniziativa sui Big Data che cambia il modo di pensare di un'azienda e una voce di spesa spaventosamente cara di cui nessuno oserà più parlare.

Capitolo 8

Piccole scommesse, cicli veloci

Ammesso di aver superato questo test, l'errore successivo è cercare di strafare fin dal primo giorno. Trattare il primo progetto come se dovesse risolvere ogni singolo dubbio che l'azienda abbia mai avuto sui propri clienti. L'applicazione del comune di Boston per segnalare le buche stradali, chiamata Street Bump, è l'esempio perfetto dell'approccio opposto. Non è stata lanciata come un sistema definitivo. È nata come qualcosa di molto simile a un prototipo, una prima versione grezza pensata per essere migliorata man mano che arrivavano nuovi dati ed esperienze. Non è un errore di pianificazione. È il modo corretto di costruire qualcosa in un campo in cui nessuno sa ancora che aspetto debba avere la versione finale. Sears offre la versione più dura e pragmatica della stessa lezione. La sua architettura informatica aziendale, ormai obsoleta e appesantita, faceva sì che per generare i report di analisi sui clienti ci volessero mesi. Un'eternità, mentre colossi come Walmart e Amazon si muovevano in tempo reale e conquistavano quote di mercato. Adottando Hadoop e strumenti simili, l'azienda è riuscita ad aumentare i profitti del 163 per cento nel trimestre conclusosi a luglio 2012 rispetto al trimestre precedente. Il suo stesso direttore tecnico riassunse la filosofia di fondo in poche parole chiare: il vecchio processo di estrazione, trasformazione e caricamento — quegli anni spesi a forzare i dati in formati rigidi prima ancora di poterli guardare — doveva morire. Non perché il rigore non contasse, ma perché Hadoop permette di tenere i dati nello stato grezzo originale e di interrogarli direttamente, invece di decidere a priori che forma debba avere la risposta. Il modello in entrambi gli esempi è lo stesso, ed è bene dirlo in parole semplici: non cercate di prevedere l'abbandono dei clienti al primo giorno se non avete mai tracciato con successo il loro comportamento. Iniziate con qualcosa di abbastanza circoscritto da poter essere portato a termine. Imparate a convivere con il disagio di non conoscere la risposta in anticipo, e lasciate che lo strumento migliori come è migliorato Street Bump: con l'uso reale, non con un piano perfetto disegnato in una sala riunioni prima ancora di aver individuato una singola buca per strada.

Ottieni di più dal Riassunto di Troppo grande per essere ignorato

Ricevi spunti ogni giorno da oltre 100.000 lezioni
Le parole si illuminano in sincronia con l'audio
La tua libreria salvata su ogni dispositivo

Capitolo 9

Quando il frigorifero inizia a risponderti

Tutto quello che abbiamo visto finora presuppone che siano le persone a generare attivamente i dati: digitando, facendo clic, caricando foto, scrivendo tweet. Il passaggio successivo è ancora più strano e, per certi versi, denso di conseguenze: sono le macchine a generare dati su di noi, senza che noi facciamo assolutamente nulla. Il termine per definire tutto questo è Internet delle cose, un concetto coniato dal ricercatore Kevin Ashton nel 1999. La logica è semplice: date ai computer i propri sensi — sensori, chip RFID, connessioni di rete — e smetteranno di dipendere dagli esseri umani per l'inserimento delle informazioni. Si limiteranno a osservare. Tony Fadell, l'ingegnere che ha progettato l'hardware di undici modelli consecutivi di iPod, ha lasciato Apple e ha applicato questo stesso principio a qualcosa che nessuno aveva mai pensato di rendere interessante: il termostato. Il termostato Nest Learning Thermostat non si limita a farvi regolare la temperatura a distanza dallo smartphone. Impara in silenzio che vi piace avere settantuno gradi in casa la sera d'inverno e una temperatura più fresca di giorno, e si regola da solo, senza che voi dobbiate impostare alcuna preferenza. EPB, un'azienda pubblica senza scopo di lucro di Chattanooga, nel Tennessee, ha applicato la stessa logica alla rete elettrica. Ha installato contatori intelligenti che comunicano i consumi ogni quindici minuti invece che una volta al mese. Risultato? Un'interruzione di corrente viene rilevata e gestita in pochi minuti, anziché attendere la telefonata di un cliente infuriato. Niente di tutto questo ha richiesto che una persona inserisse dei dati. Le informazioni si accumulano semplicemente come effetto collaterale della vita quotidiana. Ma la storia che mostra fino a che punto possa spingersi questa raccolta passiva — e perché richieda una seria riflessione etica — arriva da Target. Nel 2002, due responsabili del marketing si avvicinarono a uno statistico di nome Andrew Pole con una domanda insolita: se volessimo capire se una cliente è incinta, anche se lei non vuole farcelo sapere, ci riusciresti? Pole prese la sfida sul serio. Costruì un modello basato su acquisti piccoli e ordinari che cambiano quando inizia una gravidanza: lozioni senza profumo, integratori specifici, i prodotti che una donna comincia a comprare e, dettaglio ancora più rivelatore, quelli che smette di comprare. Usando solo la normale cronologia degli acquisti, Target iniziò a inviare per posta coupon per culle e vestiti da neonato a donne che la statistica indicava come probabili future mamme, molto prima che molte di loro lo avessero persino annunciato. Circa un anno dopo, un padre infuriato entrò in un punto vendita Target fuori Minneapolis con un volantino in mano indirizzato a sua figlia minorenne. Il volantino era pieno di pubblicità sulla maternità e foto di neonati sorridenti. L'uomo pretese di sapere perché il negozio stesse praticamente incoraggiando sua figlia a rimanere incinta. Il direttore del punto vendita si scusò, confuso, e richiamò l'uomo qualche giorno dopo per scusarsi ancora. Ma scoprì che il padre aveva cambiato completamente tono. "Ho parlato con mia figlia", ammise. "È emerso che in casa mia succedevano cose di cui non ero a conoscenza. Il termine è ad agosto. Le devo delle scuse." Il modello di Target, costruito interamente sugli scontrini della spesa, aveva capito cosa stava succedendo in quella casa prima ancora del padre della ragazza. È una storia che lascia un senso di disagio, ed è pensata proprio per questo. La rivoluzione dei dati passivi significa che ogni acquisto, ogni dispositivo, ogni impostazione del termostato sta costruendo in silenzio un profilo su di voi, senza che l'abbiate mai fornito consapevolmente. Gli strumenti che rendono Nest attento ed EPB reattivo sono gli stessi strumenti che permettono a Target di dedurre una gravidanza da una lista della spesa. La tecnologia non fa distinzioni tra questi usi. Sono solo le persone che la gestiscono a farne.

Capitolo 10

Quello che i dati non possono dirti

E questo ci riporta a un principio che vale la pena portare con sé oltre ogni grafico, ogni algoritmo e ogni dashboard d'impatto: nulla di tutto questo elimina la necessità del giudizio umano. Semmai, alza la posta in gioco sull'averlo davvero. Nate Silver, parlando del suo lavoro di previsione, lo ha detto chiaramente: le previsioni basate sui dati possono avere successo e possono fallire. È proprio quando neghiamo il nostro ruolo nel processo che le probabilità di fallimento si impennano. Prima di pretendere di più dai nostri dati, dobbiamo pretendere di più da noi stessi. Non è una clausola di salvaguardia o una nota a margine aggiunta a una difesa trionfale della tecnologia. È il cuore stesso dell'argomento. Le organizzazioni che hanno tratto un valore reale da questa rivoluzione — una piccola azienda di tecnologia pubblicitaria che ha dovuto inventare il proprio file system perché Hadoop non era ancora abbastanza grande, una startup di cartelle cliniche che ha scelto la trasparenza al posto dei silos di dati, un'agenzia governativa che ha indetto concorsi invece di custodire i problemi al proprio interno — non hanno vinto perché avevano gli strumenti più sofisticati. Hanno vinto perché qualcuno nella stanza è stato disposto a fare una domanda scomoda e ad accettare qualsiasi risposta ne sia uscita, anche quando smentiva vent'anni di intuizioni viscerali dell'azienda. È questa la vera sfida. E ha ben poco a che fare con i server o con le licenze software. Da qualche parte, nel vostro lavoro, c'è un numero che state evitando, un riscontro che avete cercato di giustificare, un comportamento nei vostri clienti o nel vostro team che già intuite, ma che non vi siete ancora permessi di confermare. Gli strumenti per trovarlo non sono mai stati così economici né così accessibili. Ciò che non possono fare è rendervi abbastanza coraggiosi da guardare. Quella parte, come è sempre stato, spetta ancora a voi.

★★★★★

Hai raggiunto la fine del Riassunto di Troppo grande per essere ignorato

“Sono passati 23 giorni e l'ho usata ogni giorno. Ora fa parte della mia routine quotidiana.”

jayallen

Temi chiave del Riassunto di Troppo grande per essere ignorato

unstructured data management
data-driven decision making
predictive analytics strategy
information economy survival
enterprise data governance

Le migliori citazioni dal Riassunto di Troppo grande per essere ignorato

Understanding Big Data isn't just advantageous; it's essential for survival.
Big Data isn't a magical solution to organizational problems.
Big Data complements but doesn't replace traditional systems.
Big Data cannot eliminate uncertainty entirely.
Big Data doesn't fit neatly into traditional database structures.

Personaggi del Riassunto di Troppo grande per essere ignorato

Phil SimonAuthor and expert on Big Data strategy
Douglas LaneyAnalyst who defined the 3Vs of Big Data
Potter StewartJustice cited for his definition threshold

Sull'autore

Phil Simon, autore pluripremiato di Too Big to Ignore: The Business Case for Big Data, è un rinomato esperto di tecnologia e strategia aziendale specializzato in analisi dei dati, collaborazione sul posto di lavoro e innovazione dirompente. Ex membro della facoltà presso la W. P. Carey School of Business dell'Arizona State University, Simon combina il suo background nella consulenza aziendale e nella ricerca accademica per demistificare i complessi cambiamenti tecnologici per i leader aziendali.

I suoi 14 libri—tra cui The Age of the Platform e The Nine: The Tectonic Forces Reshaping the Workplace—esplorano le intersezioni in continua evoluzione tra tecnologia, comunicazione e design organizzativo, ottenendo cinque Axiom Business Book Awards.

Collaboratore frequente di Harvard Business Review, The New York Times e CNN, Simon fornisce consulenza a società Fortune 500 e ha tenuto discorsi programmatici per Netflix, IBM e Harvard Business School. Il suo approccio pragmatico ai Big Data in Too Big to Ignore attinge da casi di studio del mondo reale, offrendo quadri operativi per sfruttare il sovraccarico di informazioni. Il libro è stato elogiato dai leader del settore e tradotto in più lingue, consolidando la reputazione di Simon come ponte tra la complessità tecnica e il processo decisionale esecutivo.

Scarica il riassunto di Troppo grande per essere ignorato

Ottieni il riassunto di Troppo grande per essere ignorato in formato PDF o EPUB gratuito. Stampalo o leggilo offline quando vuoi.

Agli utenti è piaciuto anche

Too Big to Ignore

Phil Simon

Big Data

Viktor Mayer-Schönberger & Kenneth Cukier

Bernard Marr

Martin Lindstrom

Dimitri Maex

Tom Davenport & Nitin Mittal

Predictive Analytics

Eric Siegel

It's Not the Size of the Data -- It's How You Use It: Smarter Marketing with Analytics and Dashboards

Koen Pauwels

Domande frequenti sul Riassunto di Troppo grande per essere ignorato

Scopri di più

PIANO DI APPRENDIMENTO

The Billion-Pound Blueprint

This blueprint is essential for ambitious entrepreneurs and executives aiming to transition from a successful model to a market-dominating empire. It provides the strategic roadmap for scaling operations without compromising the core integrity of the business.

45 m•3 Sezioni

PIANO DI APPRENDIMENTO

Innovate Like the Top 1%

In an era of rapid change, the ability to innovate systematically is the only sustainable competitive advantage. This program is designed for ambitious leaders and entrepreneurs who want to move beyond luck and master the repeatable frameworks used by the world's most successful disruptors.

5 h 21 m•4 Sezioni

PIANO DI APPRENDIMENTO

Digital Transformation: Systems Over Software

This plan is essential for leaders and entrepreneurs who feel stuck in reactive cycles and want to build scalable operations. It bridges the gap between simply using digital tools and architecting a business that improves itself through systems thinking.

2 h•4 Sezioni

PIANO DI APPRENDIMENTO

The Decision Science Toolkit

In an era of information overload, the ability to think systematically is a competitive advantage. This plan is designed for leaders and problem-solvers who need to move beyond gut instinct to master logical frameworks and probabilistic reasoning.

2 h•4 Sezioni

PIANO DI APPRENDIMENTO

Understand & influence human decision-making

In an era of information overload, understanding the hidden mechanics of the mind is a critical competitive advantage. This plan is ideal for leaders, marketers, and designers looking to leverage behavioral science to drive better results and ethical engagement.

4 h 40 m•4 Sezioni

PIANO DI APPRENDIMENTO

The Superscaling Revolution

This plan is essential for entrepreneurs and leaders looking to move beyond linear growth into exponential territory. It provides the strategic blueprint for anyone needing to master modular systems and cost-efficiency at a massive scale.

1 h•2 Sezioni

PIANO DI APPRENDIMENTO

The Hidden Operating System of Human Behavior

This plan bridge the gap between abstract psychology and practical application, revealing the invisible forces that govern our daily choices. It is essential for leaders, marketers, and anyone seeking to master influence and understand the mechanics of the human mind.

1 h 30 m•3 Sezioni

PIANO DI APPRENDIMENTO

The Data Science Engine

In an increasingly data-driven economy, understanding the end-to-end lifecycle of information is a critical competitive advantage. This plan is ideal for aspiring data professionals and managers who need to bridge the gap between technical execution and ethical leadership.

2 h•4 Sezioni

Creato da alumni della Columbia University | a San Francisco

BeFreed Riunisce Una Community Globale Di Menti Curiose

4.7

valutazione media

Oltre 7,84 mila valutazioni dell’app

Community BeFreed

Sul serio, non ho ancora esplorato l'app fino in fondo, ma dopo questi primi giorni sono davvero colpita… BeFreed è su un altro livello rispetto a qualsiasi altra app di apprendimento che abbia usato. Ti coinvolge tantissimo e migliora davvero la concentrazione: perfetta per chi non riesce a smettere di scrollare!

@ladyInfinity

Ho comprato BeFreed esattamente 23 giorni fa e da allora l'ho usata ogni singolo giorno. Si è integrata completamente nel mio flusso di lavoro e nelle mie abitudini di studio.

@jayallen

La verità è che l'app ha superato tutte le mie aspettative. Posso chiederle di generare audio su qualunque argomento, qualsiasi esso sia, e il risultato è impressionante. Il mio campo professionale è una specializzazione in psicoterapia, molto multidisciplinare; eppure le risposte sono molto accurate.

@Raguipa

Quello che apprezzo di più è quanto abbia ridotto il mio scrolling: passo meno tempo a cercare e più tempo ad assorbire informazioni. La combinazione di audiolibri completi, podcast e piani di apprendimento è brillante.

@colonyofcreatorsNGO

Sono istruttore di apprendimento accelerato PhotoReading da 24 anni… libri, lettura e apprendimento sono il mio pane, e BeFreed ha fatto un ottimo lavoro offrendo un approccio innovativo per trasmettere le informazioni in un modo facile da assimilare.

@BeFreed user

Non è solo un'app di riassunti di libri: ho usato l'opzione di lettura divertente ed è un riassunto molto migliore, un modo più efficace di afferrare le idee rispetto al metodo tradizionale. Solo questo vale la spesa.

@austinakon

Adoro questa app. La uso da diversi giorni e non riesco a smettere di ascoltare. Un ottimo modo per iniziare.

@jcrules328

Il programma mi piace davvero; lo sto provando da circa un mese e lo trovo una vera gemma. Funziona così bene perché con BeFreed posso creare i miei argomenti, e la voce è ottima, con una scelta illimitata di narrazioni.

@DanielCZ

Sul serio, non ho ancora esplorato l'app fino in fondo, ma dopo questi primi giorni sono davvero colpita… BeFreed è su un altro livello rispetto a qualsiasi altra app di apprendimento che abbia usato. Ti coinvolge tantissimo e migliora davvero la concentrazione: perfetta per chi non riesce a smettere di scrollare!

@ladyInfinity

Ho comprato BeFreed esattamente 23 giorni fa e da allora l'ho usata ogni singolo giorno. Si è integrata completamente nel mio flusso di lavoro e nelle mie abitudini di studio.

@jayallen

La verità è che l'app ha superato tutte le mie aspettative. Posso chiederle di generare audio su qualunque argomento, qualsiasi esso sia, e il risultato è impressionante. Il mio campo professionale è una specializzazione in psicoterapia, molto multidisciplinare; eppure le risposte sono molto accurate.

@Raguipa

Quello che apprezzo di più è quanto abbia ridotto il mio scrolling: passo meno tempo a cercare e più tempo ad assorbire informazioni. La combinazione di audiolibri completi, podcast e piani di apprendimento è brillante.

@colonyofcreatorsNGO

Sono istruttore di apprendimento accelerato PhotoReading da 24 anni… libri, lettura e apprendimento sono il mio pane, e BeFreed ha fatto un ottimo lavoro offrendo un approccio innovativo per trasmettere le informazioni in un modo facile da assimilare.

@BeFreed user

Non è solo un'app di riassunti di libri: ho usato l'opzione di lettura divertente ed è un riassunto molto migliore, un modo più efficace di afferrare le idee rispetto al metodo tradizionale. Solo questo vale la spesa.

@austinakon

Adoro questa app. La uso da diversi giorni e non riesco a smettere di ascoltare. Un ottimo modo per iniziare.

@jcrules328

Il programma mi piace davvero; lo sto provando da circa un mese e lo trovo una vera gemma. Funziona così bene perché con BeFreed posso creare i miei argomenti, e la voce è ottima, con una scelta illimitata di narrazioni.

@DanielCZ

Adoro poter ricevere informazioni e idee utili e condensate in un audio in stile podcast da 8-15 minuti. Non sono un grande fan dei podcast per via di tutto il riempitivo, ma qui si va dritti al punto.

@BeFreed user

Sto finendo il dottorato e devo leggere un sacco di materiale che non conosco… Con BeFreed basta inserire un prompt: l'app trova le fonti per te e genera un podcast audio. Trovo il processo di BeFreed più scorrevole di NotebookLM.

@Brad

Cerco spesso su YouTube qualcosa da ascoltare mentre preparo la colazione, cammino o sono in viaggio, e BeFreed offre un approccio ancora più mirato, senza pubblicità e senza riempitivi!

@BeFreed user

La cosa in assoluto migliore di questa piattaforma è la versatilità. Non c'è letteralmente nessun argomento fuori portata. Gestisce qualsiasi cosa le proponi… È raro trovare uno strumento di apprendimento senza limiti che mantenga davvero le promesse.

@jayallen

BeFreed è fantastica. Il design intuitivo mi fa passare meno tempo a navigare e più tempo a imparare. Il mix di audiolibri, podcast e piani di apprendimento è una combinazione geniale che ha cambiato completamente la mia routine quotidiana.

@BeFreed user

All'inizio mi ci è voluto un po' per capire come creare podcast in italiano e poi… boom! È fantastico! Posso chiedergli di spiegarmi qualsiasi argomento e lo fa benissimo, con grande intelligenza!

@matteo77

BeFreed è diventata la mia app quotidiana per gli audiolibri… Quello che mi piace di più è che inserisci il tuo testo e ottieni un audio da ascoltare ovunque.

@kotanzu1

Adoro poter ricevere informazioni e idee utili e condensate in un audio in stile podcast da 8-15 minuti. Non sono un grande fan dei podcast per via di tutto il riempitivo, ma qui si va dritti al punto.

@BeFreed user

Sto finendo il dottorato e devo leggere un sacco di materiale che non conosco… Con BeFreed basta inserire un prompt: l'app trova le fonti per te e genera un podcast audio. Trovo il processo di BeFreed più scorrevole di NotebookLM.

@Brad

Cerco spesso su YouTube qualcosa da ascoltare mentre preparo la colazione, cammino o sono in viaggio, e BeFreed offre un approccio ancora più mirato, senza pubblicità e senza riempitivi!

@BeFreed user

La cosa in assoluto migliore di questa piattaforma è la versatilità. Non c'è letteralmente nessun argomento fuori portata. Gestisce qualsiasi cosa le proponi… È raro trovare uno strumento di apprendimento senza limiti che mantenga davvero le promesse.

@jayallen

BeFreed è fantastica. Il design intuitivo mi fa passare meno tempo a navigare e più tempo a imparare. Il mix di audiolibri, podcast e piani di apprendimento è una combinazione geniale che ha cambiato completamente la mia routine quotidiana.

@BeFreed user

All'inizio mi ci è voluto un po' per capire come creare podcast in italiano e poi… boom! È fantastico! Posso chiedergli di spiegarmi qualsiasi argomento e lo fa benissimo, con grande intelligenza!

@matteo77

BeFreed è diventata la mia app quotidiana per gli audiolibri… Quello che mi piace di più è che inserisci il tuo testo e ottieni un audio da ascoltare ovunque.

@kotanzu1

Scopri di piu su come si parla di BeFreed nel web