Il passaggio dalla Business Intelligence di primo livello a quella avanzata (parte terza): il processo di auto-apprendimento del sistema

Continuando l’approfondimento sulla business intelligence di livello avanzato, ritengo sia interessante esplodere il concetto di auto-apprendimento dei sistemi.

Come si è detto nei post precedenti il valore costituito dalla competenza dell’esperto è complementare a qualunque base dati, per quanto esaustiva, che una azienda abbia potuto predisporre per descrivere la propria conoscenza, sopratutto perché l’aumento delle informazioni disponibili, conseguente alla rivoluzione digitale, ha reso ancor più determinante la capacità interpretativa dei dati dell'esperto al fine di estrarre informazione di sintesi.

Al tempo stesso questa capacità risulta sempre meno utilizzabile in maniera non automatica con il crescere delle informazioni da esaminare ed è difficilmente formalizzabile, ma gli strumenti basati su modelli statistici contribuiscono a rendere “computabile” questo know how implicito. Vediamo per esempio come potrebbe funzionare un modello basato sull’analisi discriminante.

L’analisi discriminante tenta di identificare le variabili che, appunto, “discriminano”, l’appartenenza ad un gruppo piuttosto che un altro e ad individuare le funzioni lineari che meglio descrivono e chiariscono l’appartenenza ad un gruppo. Si tratta in definitiva delle sommatorie di variabili indipendenti “pesate”, con un processo che è finalizzato all’individuazione di set di pesi che, meglio di altri, collochino un evento descritto dalle variabile in un gruppo piuttosto che un altro. In definitiva si ricerca cosa differenzia in sostanza i due gruppi.

L’analisi discriminante è basata sull’esplorazione di un set di casi, in cui gli eventi vengono suddivisi in gruppi logici ed il percorso di apprendimento consiste proprio nell’identificazione dei pesi delle possibili funzioni lineari che descrivono gli eventi, con la individuazione di quelle che minimizzano quanto più possibile l’area grigia cui possono appartenere eventi dei gruppi distinti.

La definizione dei casi campione è il modo in cui l’esperto comunica al sistema la propria conoscenza e ne determina il percorso di apprendimento. Alla fine di questo il sistema è in grado di analizzare nuovi eventi ed assegnare loro uno scoring, la probabilità che l’evento appartenga ad un insieme o ad un altro.

Ma rifacciamo un passo indietro, ovvero a come avviene il trasferimento di competenza. Il primo step è costituito dalla “segmentazione” ovvero lo studio delle informazioni presenti per individuare quali sono le categorie di informazioni in grado di rappresentare gli eventi e se esistono dati storici adeguati ad attivare il processo di auto apprendimento.

La “selezione” delle variabili consiste nella ricognizione delle stesse per identificare quelle rilevanti ai fini dello studio in oggetto.

Occorre osservare che diventa determinante la corretta identificazione delle variabili e l’eventuale correlazione tra esse perché si possa realmente valutare il peso discriminate delle singola variabile

Il processo di apprendimento termina con la validazione dei modelli con l’applicazione degli stessi ad un numero significativo di casi campione per determinare, sempre con tecniche statistiche, la rilevanza dell’errore atteso.

In realtà, potenzialmente, il processo prosegue durante l’esercizio stesso del sistema perché possono essere definiti degli ulteriori punti di sincronizzazione del sistema, nei quali i risultati stessi dell’attività di analisi possono essere forniti al sistema come feedback, per ampliare/aggiornare i casi campione e rifinire ulteriormente i modelli, variando eventualmente i pesi, in relazione alle modifiche introdotte dal tempo sul corso degli eventi.

Questa caratteristica di continua ricorsività costituisce evidentemente un ulteriore plus di questo approccio che non è più statico o modificato su precisa e formale analisi dell’uomo che interviene a cambiare le impostazioni iniziali, ma è lo strumento stesso che offre la base informativa ed i mezzi per avviare un processo di revisione.

I casi cui tale metodo può essere utilizzato sono moltissimi nella abituale operatività aziendale, a fini “repressivi” e di indagine, ovvero determinare che un certo evento sia fraudolento o nocivo (tentativo di frode o di intrusione, possibilità che un cliente non restituisca un prestito, possibilità che stia per verificarsi un crash di un servizio critico) di “allerta” commerciale (comportamento che indica la propensione di un cliente ad abbandonare un il suo fornitore, appartenenza di una persona ad un target specifico).

Il passaggio dalla Business Intelligence di primo livello a quella avanzata (parte seconda): il trasferimento di competenza tra uomo e macchina

Abbiamo osservato nel precedente post una differenza tra BI di base ed avanzata e proviamo ad analizzare un po’ più in dettaglio in cosa consiste questa secondo più evoluto livello della business intelligence.

Appartengono, per esempio, a questa fascia di applicazioni quei sistemi basati sulla capacità del sistema di applicare modelli statistici all’analisi degli eventi presenti e passati per ottenere indicazioni sul comportamento futuro.


Analisi del passato per predirre il futuro

Tutto ciò avviene dopo che il sistema ha subito un periodo di “addestramento”, durante il quale degli esperti cercano di trasferire al sistema stesso la propria competenza. Questo trasferimento di conoscenza avviene indicando al sistema quali risultati ha ottenuto in passato l’osservazione degli esperti ed il sistema cerca di dedurre quali sono le reali correlazioni tra le variabili che rappresentano un evento, individuando pattern che possano permettere di riconoscere il riprodursi di un evento con un certo anticipo. Si definiscono degli scenari predittivi entro i quali si riconosce che l’evento che si è realizzato o si sta realizzando appartiene, un una certa probabilità, ad una specifica categoria di avvenimenti.


Trasferimento di competenza dall'uomo alla macchina

La differenza con sistemi tradizionali è che l’esperto non descrive in una analisi formalizzata la propria competenza, successivamente trasferita ad un team di progetto che elabora del software sulla base di queste specifiche. L’esperto opera un trasferimento di conoscenza direttamente nei confronti dell’applicazione. Per rendere più semplice il discorso ricorrerò ad una mia esperienza progettuale personale.

Nel progetto in questione ci siamo trovati nella situazione di dover discriminare se nell’occorrere di una serie di eventi si riuscisse ad individuare quali di questi rivelassero un comportamento fraudolento. In casi come questo le reti neurali possono rivelarsi molto utili nell’individuazione di tali casi, ma hanno il difetto di non riuscire a certificare ex-post il processo attraverso il quale hanno raggiunto le proprie conclusioni.


Scelta della metodologia adeguata

Questo aspetto risulta invece determinante nel momento in cui tale attività necessita di verifiche da audit interni o enti di sorveglianza terzi. Si è optato quindi, in quel caso, per un diverso modello statistico. Semplificando in maniera estrema il processo, vengono individuati due insiemi campione di eventi, quelli che fanno riferimento ad operazioni corrette e quelli che fanno riferimento ad operazioni “sospette”. Questo è il lavoro dell’esperto (applicativo!) ed è il modo in cui l’esperto stessa comunica al sistema la sua competenza. Ciò avviene senza esplicitare quali sono i parametri per i quali tale operazione viene ritenuta sospetta (un valore supera una certa soglia o altri valori si presentano in una certa serie o con caratteristiche specifiche).

Sarà il sistema a desumere nella fase di apprendimento quali sono le variabili determinanti e quali sono le relazioni che le legano.


Addestramento ricorsivo dei sistemi

I principali vantaggi che derivano da tale approccio è che la ponderazione del peso di una singola variabile viene fatta in base a precisi calcoli su dati reali e che il sistema non si presenta statico ma intrinsecamente dinamico perché, quando si passa alla fase operativa, i risultati dell’attività del sistema stesso costituiscono un feedback per il modello di calcolo che può continuamente essere raffinato e migliorato.

Il sistema quindi auto apprende dalla propria attività, acquisendo ulteriore competenza da chi lo utilizza e ne giudica i risultati, mentre nel caso di un sistema tradizionale, sviluppato su un pur complesso algoritmo basato su soglie è evidente che l’evoluzione della procedura informatica dipende da step di analisi da parte di esperti e successive attività di tuning da parte di un team di sviluppo.

Nello schema che segue un’analisi del flusso logico della procedura che esplica chiaramente la sua natura ricorsiva.



continua..

Il passaggio dalla Business Intelligence di primo livello a quella avanzata (parte prima): contesto e riferimenti

Mi sono occupato nei precedenti post della business intelligence e dei risultati dei due osservatori di due delle principali istituzioni scientifiche milanesi l' Università Bocconi ed il Politecnico.

L’attenzione che dedico al settore specifico deriva anche dalla mia attività professionale che ha come focus, in questo momento, proprio la business intelligence. Si parla molto del tema ed il settore di mercato appare tra quelli maggiormente in crescita, sia nel passato che nel futuro prossimo, insieme ad enterprise content management, collaboration, unified communications e pochi altri, ma la percezione che si ricava dall’osservazione sullo stato dell’arte è che ci sia ancora molta strada da percorrere.


Primo livello di approccio alla BI

Le conclusioni dei due laboratori citati evidenziano che il macro tema può essere genericamente diviso in due sottocategorie, la BI elementare e quella avanzata, dove nella prima possono essere compresi tutti gli strumenti di organizzazione e navigazione dei dati ed appare come il livello di utilizzo al momento maggiormente diffuso.

Certamente questo primo passo permette di desumere informazioni sintetiche dalla mole di dati presenti in una azienda e questo fa si che i principali fruitori dei servizi di BI e dei suoi risultati siano soprattutto i livelli direttivi e di management.

Al tempo stesso però appare una grossa limitazione, soprattutto in considerazione del lavoro necessario a raggiungere questi risultati e dal gap, proporzionalmente minimo, per raggiungere risultati di ben altro spessore.


Principale barriera: quantità e qualità dei dati

Come infatti ci evidenzia la School of Management del Politecnico la maggiore difficoltà percepita dalle aziende è quella di avere a disposizione dati in maniera corretta e completa. Questa percezione è lo specchio della difficoltà reale costituita dall’organizzare una raccolta sistematica delle informazioni dai vari processi operativi, soprattutto in realtà con strutture organizzative complesse, come sono appunto le banche di cui principalmente mi occupo. Decine di procedure, gestite da divisioni e aziende diverse, i cui dati devono essere raccolti e resi omogenei.

Un grande lavoro di organizzazione, di sviluppo ma anche di verifica dei risultati ed infine di manutenzione.

Stupisce perché a questo punto, quando il lavoro più impegnativo, in termini di impegno di risorse umane ed economiche, è stato realizzato, non si sfrutti appieno la capacità informativa di questo mapping della conoscenza aziendale.


Business Intelligence evoluta

Quella che abbiamo definito BI avanzata, ovvero quella fa uso di strumenti statistico-probabilistici e “sistemi esperti”, non ha ancora fatto il suo ingresso estensivo nelle aziende, a parte alcuni settori first mover, che ne fanno uso al momento, in particolare si tratta di settori che si occupano di marketing o rischio.

Il limite, in questo momento, è a mio avviso, costituito dalle competenze, che sono diverse da quelle abitualmente disponibili nel mondo dell’IT e che quindi, essendo poco presenti in azienda, non riescono a dare un impulso decisivo all’utilizzo di questi metodi. C’è anche da dire che la rivoluzione digitale è tutto sommato recente e ancora più recente è la consapevolezza del patrimonio costituito dall’informazione digitale.


Disponibilità di adeguate figure professionali

Il costo quindi per fare questo ulteriore scatto in avanti nel dominio della conoscenza non è più un costo misurabile con variabili quantitative, ma un costo determinato da esigenze qualitative. Se la BI di primo livello si basa essenzialmente su sistemi di organizzazione e rappresentazione delle informazioni, dai classici strumenti di reportistica a quelli più evoluti di navigazione nell’informazione, la BI di secondo livello utilizza motori di calcolo, modelli matematici e sistemi ad auto-apprendimento.

Nel primo caso la funzione di intelligence è soprattutto demandata alla capacità ed alla competenza di chi analizza i dati, supportato da meccanismi di “lettura” delle informazioni, mentre nel secondo livello lo strumento informatico si pone come un mezzo in grado di fornire delle sue autonome interpretazioni delle informazioni, basate sulla capacità di dotare il sistema delle medesima competenza di un esperto.

Si usano in questo caso sistemi di apprendimento basati su modelli di previsione che utilizzano diversi metodi statistici, dalle celebri reti neurali, all’analisi discriminante, alla support vector machine, etc.

Ma in cosa si traduce tutto ciò?

continua nel post successivo: trasferimento di competenza tra uomo e macchina

Bocconi e Politecnico: la sfida degli Osservatori sulla Business Intelligence

Avevo appena finito di raccontare del convegno di presentazione dell’osservatorio della School of Management del Politecnico che mi sono ritrovato a leggere un approfondimento sulla BI di linea EDP, fortemente contraddistinto dai dati dell’osservatorio del prof Pasini della SDA Bocconi e dagli studi sul settore di IDC.

Salta subito all’occhio come la ricerca della SDA definisca le PMI come le realtà più attive nell’introdurre nella propria gestione sistemi di questo genere, mentre la ricerca del Politecnico era fortemente incentrata (ma non solo) sulle aziende (industrie e banche) di dimensioni medio grandi. Entrambe queste due prestigiose istituzioni però concordano nel dire che ancora un passo indietro rimane la pubblica amministrazione; alcuni progetti sono stati realizzati anche in questo ambito, come questa una esperienza della Ragioneria di Stato citata alla fine di questo post

I due animatori delle rispettive iniziative hanno raccontato la loro visione in due articoli, su Linea EDP la SDA e su Datamanager la School of Management e nelle loro conclusioni emergono valutazioni comuni.

Per entrambi le maggiori difficoltà nell'introduzione di tecnologie di BI sono, per esempio, costituite sostanzialmente dalla qualità e dalla integrazione dei dati, come evidenziato nei post dedicati alla School of Management e dalla SDA,
ma anche dalla scarsa capacità analitica del management, come fa notare, con accento piuttosto critico, proprio l’analisi della Bocconi. L’informazione non viene utilizzata direttamente dai decisori, ma vi arriva mediata da analisti, perdendo quindi un po’ di valenza informativa.

Il segmento di mercato si conferma come uno di quelli che registrerà i maggiori tassi di crescita, superiori a quelli medi del comparto IT, come ci confermano le stime di IDC che ipotizzano il passaggio da un +8,3% del 2007 ad un +2008% per l’anno che sta per chiudersi. Sempre IDC conferma che gli utilizzatori della BI sono coloro che sono deputati a fare scelte strategiche e che sono per il 60% gli executive, il 58% i manager ed il 40% gli analisti.

Tutti concordano quindi sulle potenzialità di questo mercato anche il prossimo anno e risulta una intenzione da parte dei manager di incrementare gli investimenti in BI o almeno di mantenere i medesimi livelli dell’anno precedente.

L’ Osservatorio sullo stato della Business Intelligence in Italia della School of Management del Politecnico di Milano: il primo report (parte III)

Abbiamo osservato come la Business Intelligence venga spesso usata per processi decisionali strategici e molto meno per processi operativi.

Cito a questo proposito un esempio che ho vissuto da vicino ed è quello della normativa sulla Market Abuse Detection sui mercati mobiliari, ovvero quella legge che imponeva agli intermediari di valutare la correttezza delle operazioni dei propri clienti.

Molti operatori del settore sono partiti a sviluppare soluzioni ad hoc per il problema, mentre noi ci siamo soffermati ad analizzare le tematiche sul tavolo ed abbiamo deciso di utilizzare modelli matematici e prodotti esistenti. Il risultato è stato di duplice soddisfazione, da un lato per la tempestività di realizzazione (in una sola settimana avevamo un oggetto funzionante e specializzato sui primi due casi analizzati), d’altro per avere ottenuto di fatto un prodotto già di nuova generazione rispetto agli altri, in quanto non ragionava solo su soglie fisse o programmabili, ma traeva dall’utilizzo stesso dello strumento, il feedback necessario ad autoapprendere e raffinarsi continuamente.


Processi Operativi e Decisioni Strategiche

Questo è solo un esempio di un possibile impiego operativo, ma possono essere citati diversi esempi:dall’individuazione del ri-presentarsi di pattern indicanti la possibilità di crash nell’erogazione di un servizio o alla valutazione dei migliori livelli attesi in caso di SLA. I metodi statistici vengono spesso utilizzati nella valutazione dei rischi (in genere nei crediti e nella contrattazione mobiliare), ma, come si è detto, non si osserva un uso estensivo della BI nell'operatività quotidiana.

Fonte: Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008*

Fonte: Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008*

La motivazione probabilmente risiede nella necessità di acquisire anche competenze matematico-statistiche e ciò non è una consuetudine nelle strutture IT, se non in particolari settori. Inoltre il consueto approccio è quello di risolvere problemi con metodi deterministice ed algoritmi basati solo su condizioni oggettive. Ciò fa mancare un po’ l’attitudine a considerare utilizzabili queste metodologie.


Criteri di valutazione

Tra le caratteristiche ritenute qualificanti per un prodotto/suite di BI c’è, sopra tutti, l’integrabilità con altri applicativi, ma anche flessibilità e facilità d’uso, quasi a testimoniare che lo strumento viene visto soprattutto come finalizzato all’uso da parte dell’utente finale. Per il medesimo motivo viene visto come fattore critico l’assistenza, soprattutto da parte delle PMI.

Fonte: Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008*

Il costo è ritenuto rilevante per i piccoli, non determinate per le grandi strutture.


Problemi connessi all'introduzione della BI

Un aspetto che sembra accomunare aziende di ogni dimensione è invece la valutazione dei principali ostacoli all’introduzione della BI. Come ci si poteva aspettare il principale freno è costituito dalla necessità di dovere lavorare molto per ottenere la migliore quantità e qualità dei dati. Stupisce un pochino la buona percentuale di intervistati che addebitano allo scarso successo della BI lo scarso commitment in struttura grandi, mentre non stupisce vedere citate la resistenza al cambiamento e la difficoltà di modificare i processi in funzione delle competenze acquisite.

Fonte: Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008*

Ancora una volta si evidenzia la differente visione tra PMI e grandi aziende sulla valutazione degli impatti, predominanti sui processi per le prime, sulle risorse per le seconde, evidentemente legato alla capacità, da parte di aziende con catene di comando più corte, di percepire meglio l’effetto dell’adozione di sistemi specifici, mentre tale impatto risulta evidentemente stemperato in organizzazioni con strutture complesse.


Politecnico e Bocconi

In questi giorni mi è accaduto di leggere anche un articolo su una analoga iniziativa della Bocconi, neoi prossimi giorni proverò ad analizzarne le differenze.



* Fonte: C. Orsenigo & C. Vercellis,
Business Intelligence. Creare vantaggio competitivo con l'analisi dei dati, Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008

L’ Osservatorio sullo stato della Business Intelligence in Italia della School of Management del Politecnico di Milano: il primo report (parte II)

Continuiamo dal post precedente l’analisi dei risultati dell’Osservatorio sullo Stato della Business Intelligence in Italia della School of Management del Politecnico di Milano.

Sulla base della distinzione descritta precedentemente tra Business Intelligence di base ed BI evoluta la situazione che sembra emergere dall’analisi è che le aziende sono raggruppabili in due insiemi diversi, aziende che la utilizzano in settori specifici, probabilmente stimolati dalla presenza di specifiche figura professionali che possono essere definite early adopters, ovvero fanno da apripista all’utilizzo in azienda di metodologie di BI (approccio verticale) ed aziende che ne fanno un uso pervasivo a più livelli (approccio sistemico)


Approccio Verticale vs. Approccio Sistemico

Nel secondo insieme sono incluse realtà in cui l’adozione è sistematica, molto probabilmente decisa a livello di management. Nel grafico seguente è rappresentato il posizionamento delle aziende rispetto all'utilizzo della BI, relativamente ai 73 case studies analizzati dall'Osservatorio. Le misure con cui vengono descitti i 4 macroinsiemi si riferiscono all'ulitizzo della BI per funzioni aziendali e all'intensità di utilizzo di tali tecnologie

* Fonte: C. Orsenigo & C. Vercellis, Business Intelligence. Creare vantaggio competitivo con l'analisi dei dati, Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008

Ma anche all'interno della seconda tipologia di aziende, ovvero quelle che strutturalmente hanno introdotto la BI nel proprio processo operativo sono stati osservati comportamenti diversi e percorsi diversificati a seconda delle aziende stesse:

• approccio sistemico, con precise scelte architetturali e metodologiche valide a livello enterprise
• approccio pragmantico, rappresentabile con una funzione a “scalini”, in cui il consolidamento di una sperimentazione prelude all’inizio di una successiva
• approccio “creativo”, in cui viene demandata alla singola funzione organizzativa sia la scelta applicativa che quella tecnica, per ottenere il maggior livello dei risultati, anche a scapito dell’univocità architetturale.

Questa differenziazione introduce, a mio avviso, un tema molto interessante sulle strategie ottimali che le diverse divisioni IT perseguono nella propria attività. Una riflessione su cui torneremo con maggior dettaglio.


Motivazioni all'uso della BI

La principale motivazione che spinge le aziende ad utilizzare strumenti di BI risiede, come emerge dalla ricerca, nella capacità che si acquisisce nel prendere decisioni con miglior cognizione di causa e la capacità di definire migliori strategie di business.

E’ interessante notare che le attese di grandi aziende (68% e 59%) e PMI (55% e 65%) sono sostanzialmente invertite rispetto a questi due aspetti, probabilmente a causa dell’approccio più strutturato delle grandi aziende e della maggiore tensione al mercato di quelle minori, mentre lo scoring dei possibili vantaggi che derivano dall'utilizzo di tali metodologie risulta pressocché uguale per i principali due punti emersi dalla ricerca, come riportato nel grafico seguente e relativo appunto allo scoring dei vantaggi legati all'introduzione della BI.

* Fonte: C. Orsenigo & C. Vercellis, Business Intelligence. Creare vantaggio competitivo con l'analisi dei dati, Rapporto Osservatorio Business Intelligence, Politecnico di Milano, 2008

Gli influenzatori del processo decisionale

Gli influenzatori del processo decisionale sono ovviamente per le grandi aziende in primo luogo:

• responsabili IT (54%)
• direzione (42%)
• finanza (31%)
• marketing (28%)

Di contro le PMI mostrano percentuali diverse:

• IT (29%)
• direzione (45%)
• finanza (12%)
• marketing (26%)

Questo sembra potersi spiegare con la forte propensione del management delle PMI di assolvere anche a funzioni tipiche dell’IT e del Finance. Ciò finisce con rendere meno strutturate queste due funzioni e quindi meno in grado di essere driver di innovazione.

Questo quadro statistico sembra testimoniare anche, in generale, la scarsa propensione ad utilizzare metodologie di questo tipo in processi operativi veri e propri, infatti la BI viene ancora vista come un supporto di analisi delle informazioni a fini decisionali e non a migliorare processi ed organizzazione. La BI viene vista come un fattore strategico, ma risulta essere un po' inprigionata proprio da questa visione, che di fatto non permette di sfruttarne in pieno tutte le potenzialità.

Su questo tema nel prossimo post vorrei dedicare un po' di tempo ad analizzare un episodio professionale che ho vissuto in prima persona.

Facebook Connect: il nuovo passo del social network più dinamico degli ultimi anni

Se si dovesse assegnare la palma d'ora della creatività tra i social network di grande successo questa probabilmente finirebbe a Facebook.

Da quando la creatura di Zucker era aperta solo agli studenti dei college americani ed era distanziata, per milioni di utenti dal colosso MySpace. Non escludo che esistano reltà più creative ed innovative ma la mia affermazione è relativa al grado di successo ottenuto e quindi commisurata alle difficoltà introdotte da una crescita cosi repentina e dall'acquisizione di una "responsabilità" di mercato.

L'arma vincente della rincorsa fu agli inizi proprio la disponibilità di API e l'integrabilità della piattaforma con applicazioni terze; già allora, quando mi era solo possibile leggere le cronache sull'uso del SN, mi sembrava fosse una corretta interpretazione del fenomeno Social, a dispetto della sostanziale chiusura del più accreditato rivale. In diverse presentazioni che ho fatto, anche all'interno di aziende che cominciavano ad approcciare i modelli di social network, indicavo quello di Facebook quale quello a maggiore potenzialità di crescita.

Questo implicava ovviamente che, ancora più che per i SN in generale, un'esperienza come Facebook richiedeva un'ampia cessione delle proprie prerogative di controllo di diretto sugli utenti, ma al tempo stesso, questa politica di apertura avrebbe rappresentato un vantaggio proprio nei processi di fidelizzazione.

Oggi Facebook conta più utenti di MySpace (ma questo secondo raccoglie molta più pubblicità) ed in Italia, negli ultimi mesi, ha vissuto un'impressionante esplosione.La mia seconda utenza (la prima l'avevo cancellata dopo un periodo di studio) ha vivacchiato ignorata per mesi, poi improvvisamente è cominciato un boom di contatti, da parte di persone che non mi sarei aspettato di trovare su un SN.

Ora Facebook consente di utilizzare le stesse credenziali di accesso per altri siti, offrendo possibilità ulteriori di social networking e, come riportato da un articolo di Repubblica, "Jeremiah Owyang, analista di Forrester Research, già vede oltre e prevede che Facebook Connect farà diffondere la moda dei social network anche sui siti aziendali, ora molto spesso grigi e statici. A qualunque sito basterà aderire all'iniziativa, infatti, per mettersi un cappello da social network."

Come il medesimo articolo fa notare non è una novità assoluta, ma occorre osservare che se prima Facebook si trovava nella condizione di inseguire e quindi con la necessità di osare, oggi è nella auspicabile, ma più critica, condizione di leader, ovvero nella quale si possono correre alti rischi che una decisione sbagliata metta a repentaglio il consolidato piuttosto che condurre a passi in avanti.
In generale ritengo che il management di Facebook abbia avuto in passato ed ancora ora un buon fiuto nel capire come anticipare trend o addirittura arrivare a determinarne nuovi, staremo a vedere se riuscirà a capire come saprà reagire quando si diffonderà una prevedibile ondata di riflusso da Facebook.