{"id":255698,"date":"2023-03-31T13:11:40","date_gmt":"2023-03-31T13:11:40","guid":{"rendered":"https:\/\/www.artera.net\/?p=255412"},"modified":"2023-04-17T12:13:02","modified_gmt":"2023-04-17T12:13:02","slug":"caratteristiche-big-data","status":"publish","type":"post","link":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/","title":{"rendered":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V)"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Negli ultimi tempi i dati e le tecnologie di analisi sono diventati asset indispensabili per la maggior parte delle imprese e delle aziende di tutto il mondo che oggi hanno a che fare con <strong>enormi quantit\u00e0 di dati<\/strong>.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Infatti, pi\u00f9 che di semplici dati si tratta di grandi dataset provenienti da fonti interne ed esterne all\u2019azienda, che possono essere generati da macchine o persone.&nbsp;Nel processo di <a href=\"https:\/\/www.artera.net\/it\/marketing\/digital-transformation-trend\/\">digital transformation delle aziende<\/a> l&#8217;approccio data driven (basato sui dati) \u00e8 indispensabile per attuare strategie di marketing ponderate su base fattuale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per tutte queste e altre variabili che vediamo nel corso dell\u2019articolo, nel 2001, <em>Doug Laney<\/em> descrisse le <strong>caratteristiche dei Big Data<\/strong>, all\u2019epoca fissate nelle 3 V di Volume, Velocit\u00e0 e Variet\u00e0. Nel tempo, le 3 V sono diventate le 5 V dei Big Data, e poi altre V sono state introdotte da ricercatori e analisti per spiegare la sempre maggiore particolarit\u00e0 di questi dati cos\u00ec multiformi, dinamici e sempre pi\u00f9 complessi da gestire.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Brevi cenni storici sui Big Data<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Giusto per inquadrare il contesto, prima di immergerci nelle caratteristiche dei <a href=\"https:\/\/www.artera.net\/it\/glossario\/big-data\/\"><strong>Big Data<\/strong>,<\/a> vediamo di capire come si arriva ai grandi volumi odierni dei dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dai tempi pi\u00f9 remoti e presso le <strong>civilt\u00e0 pi\u00f9 antiche<\/strong> si sente il bisogno di possedere la conoscenza dei dati per gestire al meglio decisioni e ottenerne vantaggi. Ne sono testimonianza gli antichi Egizi e l\u2019Impero Romano. Nel 300 a.C. nasce la famosa Biblioteca di Alessandria, probabilmente il primo tentativo di raccogliere i dati. Sembra che nella biblioteca vi fossero oltre 100.000 libri, all\u2019epoca nella forma dei rotoli.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/big-data-antichita-1-1024x672.jpg\" alt=\"big data nell'antichit\u00e0\" class=\"wp-image-255457\"\/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Durante l\u2019Impero Romano, invece, avvengono le prime forme di analisi statistiche dei dati per prevenire le pi\u00f9 probabili insurrezioni nemiche preparando gli eserciti per affrontarle. Questa forma di analisi sembra anticipare l\u2019analisi predittiva dei dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ma chi per primo si occup\u00f2 di l&#8217;analisi statistica dei dati fu tale <em>John Graunt<\/em>, studioso londinese pioniere dei cosiddetti \u201caritmetici politici\u201d, promotore della statistica e della biometria. Gi\u00e0 nel <strong>1663<\/strong> ne maneggia un gran volume studiando la peste bubbonica che aveva colpito l\u2019Europa. Nel 1800 \u00e8 gi\u00e0 chiara la percezione della sovrabbondanza dei dati in occasione dei censimenti annuali.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 il <strong>1881<\/strong> quando <em>Herman Hollerith, <\/em>ingegnere statunitense inventa la prima macchina per la tabulazione dei dati basata sull\u2019uso di schede perforate. L\u2019obiettivo \u00e8 quello di ridurre il lavoro di calcolo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel corso del <strong>20\u00b0 secolo<\/strong>, i dati si sono evoluti a una velocit\u00e0 impressionante e inaspettata, diventando leva del progresso e dell\u2019evoluzione. Nel 1965, il governo degli Stati Uniti costruisce il primo centro dati per archiviare milioni di serie di impronte digitali e dichiarazioni dei redditi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il termine \u201cBig Data\u201d si affaccia negli<strong> anni \u201890<\/strong>. Sembra sia stato lo scienziato informatico americano <em>John R. Mashey <\/em>a introdurlo per primo rendendolo popolare. Dal punto di vista della conoscenza, i dati implicano un melting pot di materie quali matematica, statistica e tecniche di analisi dei dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A partire dall\u2019inizio del <strong>21\u00b0secolo<\/strong>, i dati iniziano ad aumentare caratterizzando per volume e velocit\u00e0 con cui vengono generati. E cambia anche il modo con cui accedervi.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Infatti, se fino agli anni \u201850 l\u2019analisi dei dati viene fatta manualmente e su carta, tra gli anni &#8217;60 e &#8217;70 nascono i primi data center e i database relazionali, strumenti di raccolta e aggregazione dei dati.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dopo qualche decennio, tra il 2005 e il 2008, \u00e8 la volta della nascita di <strong>siti web e social network<\/strong>, come Facebook e YouTube. E ancora, con la crescita dell\u2019<strong>Internet of Things (IoT)<\/strong>, sempre pi\u00f9 dispositivi e oggetti connessi a Internet comportano un\u2019elevata produzione di ingenti volumi di dati generati da molteplici fonti diverse da catturare, elaborare e memorizzare. Nel 2013, la quantit\u00e0 totale di dati nel mondo raggiunge i 4,4 zettabyte.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I big data aumentano di giorno in giorno perch\u00e9 tante sono le attivit\u00e0 e le operazioni che compiamo tutti noi, tutti i giorni, producendo una mole imperiosa di dati dai dispositivi mobili ai sensori, dai call center ai server web, dai siti web agli e-commerce, ai social network. Per citare solo alcuni esempi.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questi dati hanno la caratteristica di essere molto grandi, veloci e difficili da gestire per i database tradizionali e le tecnologie esistenti. Ecco perch\u00e9 sempre pi\u00f9 aziende, oggi, complice la <a href=\"https:\/\/www.artera.net\/glossario\/digital-transformation\/\">digital transformation<\/a>,&nbsp; sentono il bisogno di dotarsi delle tecnologie non tradizionali per estrapolare, gestire e processare terabyte di dati anche in una frazione di secondo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Le prime 3 V dei Big Data<\/h2>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/5v-big-data-1-1024x672.jpg\" alt=\"\" class=\"wp-image-255461\"\/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">In base a uno studio del 2001, l\u2019analista <em>Doug Laney<\/em> defin\u00ec le caratteristiche dei Big Data secondo il modello delle 3V: <strong>Volume, Variet\u00e0, Velocit\u00e0<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">1 V: Volume<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per volume si intendono le dimensioni dei dati, cio\u00e8 le <strong>quantit\u00e0 di dati raccolti e archiviati<\/strong> generati da umani o da macchine e provenienti da varie fonti, tra cui dispositivi IoT (i sensori sempre connessi), apparecchiature industriali, applicazioni, servizi cloud, siti web, social media, video e strumenti scientifici, transazioni commerciali e bancarie, movimenti sui mercati finanziari, ecc.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In passato, l\u2019archiviazione rappresentava un grande problema rispetto ai limiti degli spazi fisici destinati alla memorizzazione dei dati. Con il tempo, fortunatamente, sono emerse tecnologie avanzate come i <strong>data lake e Hadoop<\/strong>, oggi diventati strumenti standard per l\u2019archiviazione, l\u2019elaborazione e l\u2019analisi dei dati<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">2 V: Variet\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Il volume e la velocit\u00e0 dei dati sono fattori importanti per un\u2019azienda, ma i big data comportano anche l\u2019elaborazione di diversi tipi di dati raccolti da varie fonti.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La variet\u00e0 riguarda la<strong> diversit\u00e0 dei formati, delle fonti e delle strutture<\/strong>. Le informazioni dei big data sono molto diverse tra loro e ognuna ha una sua origine.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le <strong>fonti<\/strong> di dati possono essere sia interne sia esterne. E questa eterogeneit\u00e0 pu\u00f2 diventare critica nella realizzazione di un data warehouse.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esiste una grande variet\u00e0 di dati disponibili in tutti i <strong>formati<\/strong>, come dati numerici, documenti di testo, immagini, video, tweet, e-mail, audio, blog post, commenti sui social network, informazioni dei sensori IoT ecc.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per variet\u00e0, infatti, si intende una grande diversit\u00e0 di tipi di dati provenienti da fonti diverse e con <strong>diverse strutture<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Possiamo classificare i Big Data in tre tipi: <strong>strutturati, semistrutturati e non strutturati o dati grezzi<\/strong>.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I <strong>dati strutturati <\/strong>sono quelli tradizionali, ordinati e conformi a una struttura formale. Sono i dati memorizzati in sistemi di database relazionali. Un estratto conto bancario, ad esempio, include la data, l&#8217;ora e l&#8217;importo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I <strong>dati semi-strutturati <\/strong>sono dati non completamente ordinati che si discostano dalla struttura dei dati standard: file di log, file JSON, file CSV ecc.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I <strong>dati non strutturati <\/strong>sono i dati non organizzati che non possono rientrare nei database relazionale: file di testo, e-mail, foto, filmati, messaggi vocali, file audio.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per fare degli <strong>esempi:<\/strong> i dati disponibili sul Web sono \u2018non strutturati\u2019. L\u201980% dei dati mondiali \u00e8 non strutturati. Esiste una grande variet\u00e0 di dati sul Web. I blog, le foto, i tweet, i video sui social media non sono dati strutturati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>\u00c8 importante distinguere tra le varie fonti dei dati:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>I <strong>dati in streaming<\/strong> provengono dall\u2019Internet degli oggetti (IoT) e da altri dispositivi connessi, come gli indossabili, le automobili intelligenti, i dispositivi medici, i sensori industriali ecc.<\/li>\n\n\n\n<li>I <strong>dati dei social media<\/strong> originano dalle attivit\u00e0 su Facebook, YouTube, Instagram, e altri, sotto forma di immagini, video, testo e audio in forma non strutturata o semistrutturata.<\/li>\n\n\n\n<li>I <strong>dati pubblici<\/strong> originati dalle fonti di dati aperti, come ISTAT, l\u2019Open Data Portal dell\u2019Unione Europea, il data.gov del governo statunitense, il World Factbook della CIA.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Per affrontare questa diversificazione nella gestione dei vari dati e per comprendere i big data, sono necessari strumenti di analisi dei dati pi\u00f9 evoluti dei semplici fogli di calcolo, come il modello di Data Analytics, il processo per estrarre valore da questa mole di informazioni.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3 V: Velocit\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Questo aspetto indica la rapidit\u00e0 con cui i dati sono prodotti. Oltre alla quantit\u00e0 esponenziale dei dati in entrata, anche la velocit\u00e0 dei dati \u00e8 importante.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La velocit\u00e0 dei dati si riferisce alla <strong>velocit\u00e0 di dati e informazioni che fluiscono in entrata e in uscita<\/strong> dai sistemi interconnessi in tempo reale, quindi alla crescente velocit\u00e0 con cui i dati possono essere ricevuti, elaborati, archiviati e analizzati dai database relazionali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gli insiemi dei dati devono <strong>essere gestiti in modo tempestivo<\/strong>, <strong>in tempo reale<\/strong>, soprattutto quando si tratta di sistemi RFID, sensori e IoT in grado di generare dati con una velocit\u00e0 elevatissima.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A questo proposito, si immagini un servizio di apprendimento automatico che si serve costantemente di un flusso di dati, oppure una piattaforma di social media con miliardi di persone che caricano e pubblicano foto 24H, 7\/7.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La velocit\u00e0 di accesso ai dati ha un forte impatto diretto sul possedere un quadro chiaro ed esaustivo per prendere decisioni aziendali tempestive e accurate.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Pochi dati ma buoni<\/strong>, ovvero elaborati in tempo reale, producono risultati migliori rispetto a un grande volume di dati che richiede troppo tempo per essere acquisito e analizzato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Altre V<\/strong> sono state aggiunte, poi, come <strong>caratteristiche dei Big Data<\/strong> che ne potessero approfondire la natura inerente alla loro complessit\u00e0.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">4 V: Veridicit\u00e0&nbsp;<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La veridicit\u00e0 si riferisce alla<strong> qualit\u00e0, integrit\u00e0 e accuratezza dei dati <\/strong>raccolti. Il problema maggiormente avvertito \u00e8 legato proprio all\u2019ambiguit\u00e0 e all\u2019indeterminatezza dei big data, considerando che provengono da pi\u00f9 fonti e in diversi formati, e che l\u2019analisi dei dati acquisiti \u00e8 inutile se non \u00e8 attendibile e fondata.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019accuratezza e l\u2019affidabilit\u00e0 sono <strong>parametri meno controllabili<\/strong> per molte forme di big data. Per esempio, sui social network sono molto frequenti post con hashtag, abbreviazioni, errori di battitura e frasi gergali.&nbsp;&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per ottenere la veridicit\u00e0 dei dati, eliminando cos\u00ec i dati incompleti e indeterminati, \u00e8 necessario utilizzare <strong>tecnologie intelligenti <\/strong>e non strumenti tradizionali per i quali l\u2019adozione risulterebbe anche molto pi\u00f9 onerosa dal punto di vista economico.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Quando si accenna alle tecnologie tradizionali, si intendono i database relazionali (RDBMS, Relational Database Management Systems) e i tool di analisi predittiva e data mining con forti limiti di fronte alla crescita dei volumi di dati o alla mancanza delle strutture tabellari.&nbsp;<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">5 V: Variabilit\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 un parametro legato alla variet\u00e0. I dati arrivano da fonti diverse e devono quindi essere diversificati tra dati inconsistenti e dati utili, importanti ai fini dell\u2019<strong>utilit\u00e0 informativa o predittiva<\/strong> che possono rappresentare per l\u2019azienda.&nbsp;<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">6 V: il Valore<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La \u201cV\u201d pi\u00f9 importante per l\u2019impatto che ha sull\u2019azienda \u00e8 il valore dei dati legato alla <strong>rivelazione di insight e creazione di pattern<\/strong> pi\u00f9 competitivi e vantaggiosi in termini di risultati concreti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato concreto si ottiene solo quando i <strong>dati vengono trasformati in informazioni<\/strong> <strong>di valore,<\/strong> dalle quali ricavare conoscenza al fine di prendere decisioni mirate da<strong> tradurre in azioni, attivit\u00e0 e scelte orientate<\/strong>. Per far questo occorrono strumenti di analisi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 fondamentale per ogni azienda valutare il costo degli investimenti nelle tecnologie e nella gestione dei big data, nonch\u00e9 soppesarne il valore che possono apportare. Non conta tanto la quantit\u00e0 dei dati che raccogliamo, quanto il valore che ne possiamo trarre per guidare decisioni e azioni.&nbsp;<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Le 10 V dei Big Data<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Nel 2014 Kirk Born, fondatore della piattaforma online <a href=\"https:\/\/www.datasciencecentral.com\/\" target=\"_blank\" rel=\"noreferrer noopener\"><strong>Data Science Central<\/strong><\/a>, ha ridefinito le 10 V dei big data in&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>Volume, Velocit\u00e0, Valore, Variet\u00e0, Verit\u00e0, Valore, Validit\u00e0, Venue, Vocabolario e Vaghezza.<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Commentiamo solo le V aggiunte.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">7 V: Venue&nbsp;<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si riferisce ai diversi sistemi o piattaforme in cui i dati vengono archiviati, elaborati e analizzati. Il tipo di venue utilizzato per i big data dipende dalle esigenze aziendali e dal tipo di dati che vengono elaborati.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">8V: Vocabolario<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si riferisce alla necessit\u00e0 di condividere terminologia e semantica per descrivere e definire i modelli e le strutture dei dati.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">9V: Vaghezza<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La V di vagueness si riferisce alla difficolt\u00e0 di definire con precisione i dati, a causa della loro natura sfumata o imprecisa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I dati in questione possono essere parziali, incerti o incompleti, e potrebbero non essere adatti all&#8217;analisi tradizionale. Questa vagueness pu\u00f2 essere causata da una serie di fattori, come l&#8217;imprecisione delle fonti di dati, la variabilit\u00e0 dei dati stessi o la complessit\u00e0 dei processi di acquisizione e gestione dei dati.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Le 14 V dei Big Data<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Tutte le caratteristiche dei big data (le 14 V) sono state elencate e definite da ricercatori e data scientist al fine di spiegarne tutta la complessit\u00e0, e per gestirli nel modo pi\u00f9 efficace possibile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>Volume, Velocit\u00e0, Valore, Variet\u00e0, Verit\u00e0, Validit\u00e0, Volatilit\u00e0, Visualizzazione, Viralit\u00e0, Viscosit\u00e0, Variabilit\u00e0, Venue, Vocabolario, Vaghezza<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Commentiamo solo le V aggiunte.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">10 V: Volatilit\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per volatilit\u00e0 si intende il valore dei dati che cambia velocemente perch\u00e9 nuovi dati vengono continuamente prodotti (es: i dati provenienti dai sensori IoT possono essere altamente volatili poich\u00e9 vengono generati in tempo reale e possono cambiare rapidamente).<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">11 V: Visualizzazione<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si riferisce al processo di rappresentazione delle grandi quantit\u00e0 di dati al fine di renderli pi\u00f9 comprensibili ed esplorabili. La visualizzazione dei big data \u00e8 una parte critica del processo di analisi dei dati, perch\u00e9 pu\u00f2 aiutare gli analisti a identificare modelli, tendenze e relazioni nei dati altrimenti difficili da individuare.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">12 V: Viralit\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si riferisce alla velocit\u00e0 con cui i dati vengono trasmessi\/diffusi e ricevuti per il loro utilizzo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">13: Viscosit\u00e0<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si riferisce al ritardo dell\u2019evento, ovvero alla discrepanza temporale tra l\u2019evento che si \u00e8 verificato e l\u2019evento descritto, che pu\u00f2 essere fonte di ostacoli nella gestione dei dati.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La difficolt\u00e0 nella gestione dei dati pu\u00f2 essere aggravata dalla differenza temporale tra l\u2019evento reale e la sua descrizione. Ad esempio, se la registrazione dei dati avviene con un certo ritardo rispetto all\u2019evento, si pu\u00f2 verificare una perdita di informazioni importanti o una riduzione dell\u2019accuratezza dei dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In conclusione, i big data sono un asset fondamentale per ogni azienda caratterizzati da alcuni aspetti che abbiamo messo in luce con le 5 V + le altre aggiunte per spiegarne la complessit\u00e0.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sempre pi\u00f9 rincorsi per il loro valore, questi dati hanno bisogno di tecnologie capaci di occuparsi di tutte le fasi del ciclo di vita dei big data: acquisizione (o data ingestion), immagazzinamento e organizzazione, trasformazione e analisi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ma non solo di analisi di tipo descrittivo che, seppur importante, guarda al passato osservando ci\u00f2 che \u00e8 accaduto e misurandone le conseguenze. Il valore aggiunto dei big data \u00e8 dato dalle tecniche di analisi avanzata proiettate nel futuro, ovvero quella predittiva e prescrittiva, che fanno luce su aspetti che l\u2019azienda pu\u00f2 anticipare per evitare scelte rischiose o sconvenienti.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le tecnologie big data sono in grado di analizzare i dati in modo veloce, profondo e granulare, nonch\u00e9 di prestarsi come strumenti molto pi\u00f9 flessibili e convenienti in termini di storage e licenze software.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le tecnologie di cui hanno bisogno le aziende devono anche assicurarne la qualit\u00e0, la governance e l\u2019archiviazione, nonch\u00e9 la preparazione dei dati per l\u2019analisi. Alcuni dati possono essere archiviati localmente in data warehouse tradizionali, per altri si adotteranno soluzioni molto pi\u00f9 convenienti, flessibili e dai costi ridotti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ne sono esempio tecnologie per archiviare i dati come data lake, i framework open-source Hadoop e Spark, per raccogliere, archiviare ed elaborare grandi volumi di dati strutturati e non, e le piattaforme di <a href=\"https:\/\/www.artera.net\/it\/glossario\/cloud-computing\/\"><strong>Cloud Computing<\/strong><\/a> che rendono pi\u00f9 semplici ed economici i processi di manipolazione dei big data perch\u00e9 gestiti dal provider ed erogati con il sistema pay-per-use, quindi senza costi iniziali.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per ricavare informazioni utili dai dati, negli ambiti pi\u00f9 disparati, da quello produttivo a quello del marketing, a quello finanziario, tanto per citarne alcuni, ci si avvale degli algoritmi di intelligenza artificiale.<\/p>\n\n\n","protected":false},"excerpt":{"rendered":"<p>Negli ultimi tempi i dati e le tecnologie di analisi sono diventati asset indispensabili per la maggior parte delle imprese e delle aziende di tutto il mondo che oggi hanno a che fare con enormi quantit\u00e0 di dati.&nbsp; Infatti, pi\u00f9 che di semplici dati si tratta di grandi dataset provenienti da fonti interne ed esterne [&hellip;]<\/p>\n","protected":false},"author":4,"featured_media":255715,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_eb_attr":"","footnotes":""},"categories":[674],"tags":[],"class_list":["post-255698","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-science"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera<\/title>\n<meta name=\"description\" content=\"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera\" \/>\n<meta property=\"og:description\" content=\"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/\" \/>\n<meta property=\"og:site_name\" content=\"Artera\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/artera.net\/\" \/>\n<meta property=\"article:published_time\" content=\"2023-03-31T13:11:40+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-04-17T12:13:02+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1440\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Sergio Ravera\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Sergio Ravera\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"14 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/\"},\"author\":{\"name\":\"Sergio Ravera\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#\\\/schema\\\/person\\\/48ffb6b3727677643fbfd3ecf0a10aa0\"},\"headline\":\"Caratteristiche dei Big Data (3V, 5V, 10V, 14V)\",\"datePublished\":\"2023-03-31T13:11:40+00:00\",\"dateModified\":\"2023-04-17T12:13:02+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/\"},\"wordCount\":2568,\"publisher\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2023\\\/03\\\/178695618_m_normal_none-scaled.jpg\",\"articleSection\":[\"Data science\"],\"inLanguage\":\"it-IT\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/\",\"url\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/\",\"name\":\"Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2023\\\/03\\\/178695618_m_normal_none-scaled.jpg\",\"datePublished\":\"2023-03-31T13:11:40+00:00\",\"dateModified\":\"2023-04-17T12:13:02+00:00\",\"description\":\"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2023\\\/03\\\/178695618_m_normal_none-scaled.jpg\",\"contentUrl\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2023\\\/03\\\/178695618_m_normal_none-scaled.jpg\",\"width\":2560,\"height\":1440},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/data-science\\\/caratteristiche-big-data\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.artera.net\\\/it\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Caratteristiche dei Big Data (3V, 5V, 10V, 14V)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#website\",\"url\":\"https:\\\/\\\/www.artera.net\\\/it\\\/\",\"name\":\"Artera\",\"description\":\"Swiss Premium Hosting\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.artera.net\\\/it\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#organization\",\"name\":\"Artera\",\"url\":\"https:\\\/\\\/www.artera.net\\\/it\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2019\\\/09\\\/artera-logo.png\",\"contentUrl\":\"https:\\\/\\\/www.artera.net\\\/wp-content\\\/uploads\\\/2019\\\/09\\\/artera-logo.png\",\"width\":300,\"height\":77,\"caption\":\"Artera\"},\"image\":{\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/artera.net\\\/\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/artera\\\/\",\"https:\\\/\\\/www.instagram.com\\\/artera_swiss\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.artera.net\\\/it\\\/#\\\/schema\\\/person\\\/48ffb6b3727677643fbfd3ecf0a10aa0\",\"name\":\"Sergio Ravera\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g\",\"caption\":\"Sergio Ravera\"},\"description\":\"Raised in a family tradition of merchants, my entrepreneurial spirit drove me to launch my first e-commerce venture in 1998. My vision and dedication led, in 2002, to the founding of Artera, now a leading brand in premium managed cloud hosting services. As Chief Executive Officer, I lead DHH Switzerland SA, part of the international DHH S.p.A. group, listed on the Milan Stock Exchange with the reference code (AIM \u2013 ISIN: IT0005203622). It is under this brand that the Artera brand continues to grow and thrive. In addition to my commitment to the business world, I am an active researcher in the field of new technologies, always fascinated by cutting-edge innovations in the industry.\",\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/in\\\/sergioravera\\\/\"],\"url\":\"https:\\\/\\\/www.artera.net\\\/it\\\/author\\\/sergio-ravera\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera","description":"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/","og_locale":"it_IT","og_type":"article","og_title":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera","og_description":"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.","og_url":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/","og_site_name":"Artera","article_publisher":"https:\/\/www.facebook.com\/artera.net\/","article_published_time":"2023-03-31T13:11:40+00:00","article_modified_time":"2023-04-17T12:13:02+00:00","og_image":[{"width":2560,"height":1440,"url":"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg","type":"image\/jpeg"}],"author":"Sergio Ravera","twitter_card":"summary_large_image","twitter_misc":{"Scritto da":"Sergio Ravera","Tempo di lettura stimato":"14 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#article","isPartOf":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/"},"author":{"name":"Sergio Ravera","@id":"https:\/\/www.artera.net\/it\/#\/schema\/person\/48ffb6b3727677643fbfd3ecf0a10aa0"},"headline":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V)","datePublished":"2023-03-31T13:11:40+00:00","dateModified":"2023-04-17T12:13:02+00:00","mainEntityOfPage":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/"},"wordCount":2568,"publisher":{"@id":"https:\/\/www.artera.net\/it\/#organization"},"image":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#primaryimage"},"thumbnailUrl":"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg","articleSection":["Data science"],"inLanguage":"it-IT"},{"@type":"WebPage","@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/","url":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/","name":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V) - Artera","isPartOf":{"@id":"https:\/\/www.artera.net\/it\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#primaryimage"},"image":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#primaryimage"},"thumbnailUrl":"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg","datePublished":"2023-03-31T13:11:40+00:00","dateModified":"2023-04-17T12:13:02+00:00","description":"Ripercorriamo la storia dei big data e delle sue caratteristiche individuate come le 3V, poi diventate 5 V, 10V, 14V etc.","breadcrumb":{"@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#primaryimage","url":"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg","contentUrl":"https:\/\/www.artera.net\/wp-content\/uploads\/2023\/03\/178695618_m_normal_none-scaled.jpg","width":2560,"height":1440},{"@type":"BreadcrumbList","@id":"https:\/\/www.artera.net\/it\/data-science\/caratteristiche-big-data\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.artera.net\/it\/"},{"@type":"ListItem","position":2,"name":"Caratteristiche dei Big Data (3V, 5V, 10V, 14V)"}]},{"@type":"WebSite","@id":"https:\/\/www.artera.net\/it\/#website","url":"https:\/\/www.artera.net\/it\/","name":"Artera","description":"Swiss Premium Hosting","publisher":{"@id":"https:\/\/www.artera.net\/it\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.artera.net\/it\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"it-IT"},{"@type":"Organization","@id":"https:\/\/www.artera.net\/it\/#organization","name":"Artera","url":"https:\/\/www.artera.net\/it\/","logo":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/www.artera.net\/it\/#\/schema\/logo\/image\/","url":"https:\/\/www.artera.net\/wp-content\/uploads\/2019\/09\/artera-logo.png","contentUrl":"https:\/\/www.artera.net\/wp-content\/uploads\/2019\/09\/artera-logo.png","width":300,"height":77,"caption":"Artera"},"image":{"@id":"https:\/\/www.artera.net\/it\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/artera.net\/","https:\/\/www.linkedin.com\/company\/artera\/","https:\/\/www.instagram.com\/artera_swiss\/"]},{"@type":"Person","@id":"https:\/\/www.artera.net\/it\/#\/schema\/person\/48ffb6b3727677643fbfd3ecf0a10aa0","name":"Sergio Ravera","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/secure.gravatar.com\/avatar\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/618f2c20338bb422bd317eae8d6c9c097ba85d3f5a1da18e21ecf5da5ee3a448?s=96&d=mm&r=g","caption":"Sergio Ravera"},"description":"Raised in a family tradition of merchants, my entrepreneurial spirit drove me to launch my first e-commerce venture in 1998. My vision and dedication led, in 2002, to the founding of Artera, now a leading brand in premium managed cloud hosting services. As Chief Executive Officer, I lead DHH Switzerland SA, part of the international DHH S.p.A. group, listed on the Milan Stock Exchange with the reference code (AIM \u2013 ISIN: IT0005203622). It is under this brand that the Artera brand continues to grow and thrive. In addition to my commitment to the business world, I am an active researcher in the field of new technologies, always fascinated by cutting-edge innovations in the industry.","sameAs":["https:\/\/www.linkedin.com\/in\/sergioravera\/"],"url":"https:\/\/www.artera.net\/it\/author\/sergio-ravera\/"}]}},"_links":{"self":[{"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/posts\/255698","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/comments?post=255698"}],"version-history":[{"count":3,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/posts\/255698\/revisions"}],"predecessor-version":[{"id":255734,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/posts\/255698\/revisions\/255734"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/media\/255715"}],"wp:attachment":[{"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/media?parent=255698"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/categories?post=255698"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.artera.net\/it\/wp-json\/wp\/v2\/tags?post=255698"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}