Firenze. IoT e Machine Learning per le PMI

Transcript

1 Firenze

2 Chi siamo Stefano Terna Daniele Grieco Technical TomorrowData Commercial TomorrowData stefanoterna stefano.terna@tomorrodata.io daniele.grieco@tomorrodata.io stefanoterna danielegrieco

3 Sguardo quantitativo: un mercato potenziale enorme Stima Imprese con dipendenti - Italia Classi di addetti Totale imprese 1-9 % Industria in senso stretto (A.S.I.A. Istat 2014)) % , , , , , , , ,54 Totale PMI+MICRO , ,45

4 L impatto della super innovazione tecnologica sulle imprese e sul mercato DISRUPTIVE TECHNOLOGIES McKinsey Global Institute, 2013 $ 5 7 trillion Potential economic impact by 2025 of automation of knowledge work Innovazione Tecnologica Mobile Internet Automation of knowledge work Internet of Things Cloud technology Advanced robotics Advanced materials Etc. Etc.

5 La super innovazione nelle imprese: una sfida ad armi pari? VS. Innovazione Tecnologica Grande Impresa

6 La super innovazione nelle imprese: una sfida ad armi pari? VS. Innovazione Tecnologica Media Impresa

7 La super innovazione nelle imprese: una sfida ad armi pari? VS. Innovazione Tecnologica Piccola Impresa

8 La super innovazione nelle imprese: una sfida ad armi pari? VS. Innovazione Tecnologica Micro Impresa

9 Portare la super innovazione nelle PMI: l approccio consumer driven Prima di offrire soluzioni capire i bisogni!

10 Portare la super innovazione nelle PMI: i limiti di un approccio tradizionale Innovare come portare l Innovazione nelle Imprese (solo nelle PMI?)

11 Portare la super innovazione nelle PMI SE l innovazione tecnologica è per tutti (o comunque per molti) Target potenziale: tra micro e PMI

12 Portare la super innovazione nelle PMI: Mercato Consumer Mercato PMI requisiti compatibilità economica user friendly

13 Portare la super innovazione nelle PMI: un nuovo approccio è fattibile ORA L innovazione innova come portare l innovazione nelle Imprese

14 Opportunità Tecnologiche Transizioni di fase Carbon Infrastrutture IT Dati Costo dei sensori Volume Pressione > 10 GPa Costo storage Velocità Riduzione consumi Costo CPU Variabilità CLOUD Dispositivi Embedded BIG DATA Pervasività

15 Opportunità Tecnologiche We re in the middle of a period of combinatorial innovation. Now... you have software, protocols, languages, and capabilities to combine these component parts in ways that create totally new innovations. You can reproduce them, you can duplicate them, you can spread them around the world, and you can have tens of thousands of innovators combining or recombining the same component parts to create new innovation. It s a situation where the components are available for everyone, and so we get this burst of innovation that we re seeing. Hal Varian (Google s chief economist)

16 Opportunità Tecnologiche COMBINATORIAL INNOVATION OPEN SOURCE

17 Opportunità Tecnologiche

18 Opportunità Tecnologiche Python is a programming language that lets you work quicklyand integrate systems more effectively Python Website Espressivo Agile Accessibile Facile E-legante (liberamente ispirato a The Internet of Things (R) Evolution, Fabio Pliger, PyCon6)

19 Opportunità Tecnologiche nella Cassetta degli Attrezzi: pronti per le PMI?

20 Metodo di approccio analisi delle esigenze analisi di processo condivisione delle priorità condivisione delle soluzioni

21 Lavorare su/con/tra/fra i dati Dati Rilevanti Misurabili Profittevoli Decisioni Azioni Non è la carenza di competenze la barriera per un vantaggio competitivo grazie all'analisi: l'ostacolo maggiore è l'incapacità di passare dai dati all'azione Marketing in the Driver s Seat: Using Analytics to Create Customer Value, HBR 2016

22 Fonti dei data-to-action: Azienda strutturata con business intelligence Engineering? Bill of Materials Dati Product cost Manufacturing management

23 Fonti dei data-to-action: Azienda non strutturata Engineering Bill of Materials Product cost Manufacturing management????? Dati

24 IoT e Machine Learning scardinano la barriera di ingresso alla super innovazione per le PMI Dati Ottenere Data-to-Action dal proprio prodotto quando è sul mercato (after-sales)

25 IoT e Machine Learning scardinano la barriera di ingresso alla super innovazione per le PMI Internet delle Cose rendere possibile alle aziende e alle persone di comunicare, controllare, gestire, utilizzare oggetti a distanza quando questo sia utile e profittevole, creativo o semplicemente divertente

26 IoT e Machine Learning scardinano la barriera di ingresso alla super innovazione per le PMI Internet delle Cose Gestire via internet oggetti animati o inanimati Native smart things oggetti nati intelligenti perché sono essi stessi un device o lo diventano se collegati ad un device (es. ad uno smartphone) Adoptive smart things oggetti resi intelligenti perché collegati ad una scheda (board), oppure a sensori e/o attuatori a loro volta collegati ad una scheda.

27 IoT e Machine Learning sul prodotto after-sales: aree aziendali di utilizzo dei data-to-action Manutenzione Produzione Marketing Progettazione Assistenza Ricerca e Sviluppo Post-vendita

28 IoT e Machine Learning sul prodotto after-sales: multisettorialità

29 IoT e Machine Learning sul prodotto after-sales: applicazioni Monitoraggio remoto Controllo remoto Intelligenza remota (Applicazioni predittive)

30 IoT e Machine Learning sul prodotto after-sales: esempi

31 IoT + Machine Learning TomorrowData s Talk at PyCon Sette Machine Learning and Internet of Things applications: a case study for a SME Slides here Iottly, the First Open Source Internet of Things Distribution Slides here

32 Grazie! c/o Bliss Coworking Strada Basse di Dora, 42 Torino - Italia tomorrowdata.io info@tomorrowdata.io Talk given at PyCon7, April 2016, Florence, Italy Slides distributed under Creative Commons License Attribution-Share Alike 4.0 International (CC BY-SA 4.0)