Per le aziende di qualsiasi settore o dimensione il problema non è quello di reperire nuove fonti di dati quanto, piuttosto, quello di riuscire a gestire al meglio la crescente quantità a disposizione per riuscire a trarne un vantaggio competitivo. Nell’era dell’IoT e del cloud, infatti, le imprese hanno a disposizione una quantità crescente di informazioni digitali, provenienti dalle fonti più disparate, che deve essere gestita e interpretata per potersi trasformare in reale valore per il business.
Ecco perché nessuna azienda può oggi esimersi dall’implementare una strategia di Data Governance e dall’adottare metodologie e strumenti per valorizzare quello che nell’era data-driven viene considerato l’asset più importante: i dati.
Cosa è la Data Governance
Secondo la definizione del DGI (Data Governance Institute) può essere definita come “l’esercizio del processo decisionale e della responsabilità di tutto ciò che riguarda i dati aziendali”, che prevede la convergenza di varie azioni come Data Quality, Data Management, Data Policies, Business Process Management e Risk Management. Va detto, tuttavia, che nonostante di Data Governance si parli ormai da tantissimi anni, non sempre i risultati possono essere definiti ottimali: basti pensare che in un settore cruciale come quello bancario molto spesso gli istituti di credito non riescono a risalire all’identità unica del cliente. Dal momento che ogni diverso rapporto (mutui, prestito, carte di credito) può essere stato gestito con un codice identificativo differente, risulta difficile avere quella visione d’insieme del cliente, che è invece fondamentale per massimizzare l’efficacia delle strategie aziendali.
Big Data: l’impatto sulla Data Governance
Il quadro è poi oggi ulteriormente complicato dalla eterogeneità delle fonti (che spesso restituiscono dati grezzi e non strutturati), nonché dalla velocità con la quale i dati vengono creati, cosa che rende piuttosto arduo impostare una gestione della Data Governance di tipo tradizionale, fondata cioè su database classici, che a loro volta tendono a funzionare al meglio quando le relazioni tra fenomeni/attività sono chiare ed evidenti.
È in questo scenario che si comincia a parlare di Big Data, vale a dire soluzioni e strumenti in grado di “digerire” dati complessi e non strutturati e restituirli sotto forma di elementi utili per la Data Governance e per il business. Perché è proprio dal pieno controllo dei dati aziendali che passa ormai qualsiasi strategia di business in azienda. Quello dei Big Data, non a caso, è qualcosa che, secondo IDC, muove già (nel 2018) un giro d’affari a livello globale pari a 166 miliardi di dollari, destinati a diventare di 260 miliardi nel 2022. Anche in Italia i numeri appaiono di tutto rispetto: secondo l’Osservatorio Big Data Analytics & Business Intelligence del Politecnico di Milano il mercato Analytics nazionale nel 2018 ha raggiunto quota 1,393 miliardi di euro, crescendo con un tasso del +26%, in linea con il trend degli ultimi anni.
C’è però un punto ulteriore che merita una riflessione: secondo uno studio pubblicato ancora nel 2015 da IDC e intitolato “Futurescape: Worldwide Big Data & Analytics 2016 Predictions”, entro il 2020 il giro d’affari addizionale che può derivare dall’analisi e dall’utilizzo dei dati rilevanti potrebbe raggiungere i 430 miliardi di dollari, mentre KeyStone Strategy, nel 2016, valuta nell’ordine dell’8% l’incremento di fatturato ottenibile dai processi di digital transformation basati sui dati.
C’è dunque anche una ragione economica importante che dovrebbe fin da ora portare le aziende a considerare in maniera diversa il patrimonio di dati in proprio possesso.
Big Data: gli obiettivi delle aziende italiane
Cifre che forse possono stupire, ma il punto è che i Big Data non sono un semplice trend temporaneo ma, piuttosto, una necessità gestionale per aziende di tutti i settori e le dimensioni, tanto da essere diventati un’arma chiave per la competitività, la crescita del business e l’innovazione.
Dai Big Data si possono capire le reazioni dei mercati e la percezione che questi hanno dei brand, si possono identificare i fattori chiave che spingono le persone ad acquistare un certo servizio o un determinato prodotto, si può segmentare la popolazione per personalizzare quanto più possibile le strategie d’azione. Non solo: i Big Data consentono di abilitare nuove sperimentazioni grazie alla disponibilità di dati inediti e di guadagnare in predittività, grazie a uno storico di informazioni talmente puntuale da consentire simulazioni molto più che verosimili, abilitando in definitiva nuovi modelli di business. Tutto questo traspare chiaramente dall’analisi dell’Osservatorio: tra le aziende che hanno già avviato iniziative in campo Big Data Analytics, gli obiettivi prefissati sono stati soprattutto il miglioramento dell’engagement con il cliente (70%), l’incremento delle vendite (68%), la riduzione del time-to-market (66%), l’ampliamento dell’offerta di nuovi prodotti e servizi e l’ottimizzazione dell’offerta attuale per aumentare i margini (64% ciascuno), la riduzione dei costi (57%) e la ricerca di nuovi mercati (41%).
Big Data Analytics: quando serve e perché
Molteplici sono i casi d’uso nei quali il ruolo dei dati è determinante.
Pensiamo al mondo dei media e dell’entertainment: fenomeni come Netflix e Spotify hanno costruito il loro successo proprio sull’analisi dei dati dei loro clienti e su un potente motore di recommendation, che consente non solo di proporre contenuti personalizzati a ciascun utente sulla base del suo profilo e delle sue scelte, ma anche di indirizzare azioni mirate, per ridurre quanto possibile i tassi di abbandono, sulla base di una costante sentiment analysis.
In ambito clinico farmaceutico, poi, se la raccolta di dati genomici sulla popolazione è un contributo importante allo sviluppo di nuovi farmaci e terapie, il machine learning applicato alla diagnostica per immagini aiuta in una più accurata esecuzione della diagnostica per immagini, mentre il proliferare di dispositivi indossabili sta ponendo i primi mattoni di un approccio alla cura sempre più personalizzato e “individuale”.
Nel settore dell’oil and gas, invece, l’unione di tecnologie IoT e di data analytics consente di ottimizzare tutto il percorso dalla produzione alla gestione della supply chain.
Senza dimenticare che in un momento in cui il tema della sicurezza è centrale per tutte le imprese e le organizzazioni, l’individuazione dei rischi, le attività di fraud prevention e detection, le reportistiche sulla compliance trovano nell’analisi dei dati le loro fondamenta tecnologiche.
Dati: cosa vogliono le aziende
È chiaro dunque che le aziende hanno sempre più bisogno di abilitare i loro dipendenti e collaboratori ad utilizzare i dati e ancor più gli insight che ne derivano per prendere decisioni informate.
C’è la necessità di realizzare una cultura del dato pervasiva, una data governance che non riguardi più soltanto alcuni reparti o dipartimenti, ma che deve estendersi all’interno e all’esterno del perimetro aziendale.
Così, all’interno del dipartimento marketing, l’utilizzo dei dati è a supporto della conoscenza e profilazione degli utenti e consente di lavorare nella recommendation e di ridurre i tassi di abbandono, nell’area vendite aiuta a misurare l’efficacia delle azioni ed è strumento indispensabile nello sviluppo di strategie di pricing dinamico. Nell’area post-vendita sono sempre dati, in questo caso abbinati a strumenti di machine learning e di intelligenza artificiale, alla base dello sviluppo di chatbot e assistenti virtuali, mentre nelle operation il tema della predictive maintenance non troverebbe alcuna declinazione concreta in assenza di dati storici e di dati puntuali provenienti dalle linee di produzione.
E ancora l’area finance conta sui dati per tutte le attività di forecasting e di risk analysis, mentre l’HR riesce ad avere piena visibilità di quanto accade in azienda e trova pieno supporto in tutte le attività di resource planning.
Perché questo si realizzi, c’è bisogno in primo luogo di un intervento di standardizzazione e di modernizzazione dei sistemi dati e di Business Intelligence, adottando soluzioni per l’aggregazione e la visualizzazione dei dati e l’identificazione delle tendenze. Questo significa lasciarsi alle spalle sistemi legacy precedenti e implementare nuovi livelli di automatizzazione, che superino i comprensibili limiti delle capacità umane.
Un viaggio verso un modello data-driven
Sono poche le aziende che possono dirsi nativamente data-driven. Nella maggior parte dei casi, data-driven si diventa. E non lo si fa dall’oggi al domani, soprattutto senza una metodologia.
C’è un percorso che parte dai dati e arriva alle smart decision, vale a dire al fine ultimo di un investimento in ambito dati, che Gartner ha ben sintetizzato in quattro fasi.
La prima fase, definita reattiva, è quella in cui si analizza un evento, utilizzando ad esempio dei report, per poi domandarsi il motivo alla base dell’evento stesso, in questo caso facendo uso di dashboard interattive.
La storicizzazione di questi dati aiuta ad entrare nell’ambito predittivo, quello, cioè, che porta a chiedere cosa succederà e a tradurre la risposta in modelli predittivi.
Ma se il modello predittivo funziona, allora si entra in una fase ancora successiva: cosa si può fare per far sì che un determinato evento si realizzi, oppure per evitare che accada? È qui che entrano in gioco sia i meccanismi di recommendation, sia gli automatismi, che si possono applicare sulla base di quanto definito da algoritmi di machine learning o di intelligenza artificiale. Quando questo accade, si può davvero parlare di smart decision.
Big Data: il ruolo del machine learning
È evidente che l’analisi di crescenti enormi quantità di dati non strutturati ha bisogno di strumenti non convenzionali e il più possibile automatizzati per trovare delle correlazioni utili per il business aziendale. I software di machine learning, con la loro capacità di autoapprendimento, sono in grado di scandagliare nel profondo i dati grezzi per andare alla ricerca di ogni possibile correlazione, con una velocità e una precisione impossibili per un occhio umano. Ad esempio, un utilizzo corretto del machine learning può giocare un ruolo chiave nella logistica, permettendo alle aziende di non prendere decisioni eccessivamente statiche (sulla base cioè di quanto registrato nel passato) o comunque prese con informazioni frammentarie e disomogenee. Questi software sono in grado di aiutare le aziende a gestire al meglio scorte e magazzini, con vantaggi significativi dal punto di vista dei costi.
Una infrastruttura per la Data Governance
Naturalmente, per poter virare verso nuovi modelli data-driven, serve anche una infrastruttura adeguata.
I dati dell’Osservatorio del Politecnico di Milano evidenziano come esista un legame sempre più stretto tra Analytics e cloud, e in particolare infrastrutture cloud ibride, le uniche in grado di garantire il livello di flessibilità e di scalabilità necessari, senza per altro venir meno a quei requisiti di sicurezza e privacy imposti dalle normative vigenti (GDPR in primis) e dalle policy aziendali.
Accanto all’Hybrid Cloud sta riscuotendo un crescente interesse il tema dell’Edge Computing, ovvero un’architettura con risorse distribuite che coadiuva le risorse centralizzate Cloud, avvicinando specifiche elaborazioni ed analisi al luogo dove le informazioni vengono effettivamente raccolte (ad esempio i sensori IoT). In questo modo è possibile accrescere l’efficienza delle attività di raccolta e analisi, evitando di movimentare grandi moli di dati tra la periferia e i sistemi on-premises o Cloud, attività che tra l’altro richiede la disponibilità di una notevole quantità di banda.
Big Data: Il Data Intelligent Framework di 4ward
Le opportunità del mondo Big Data & Analytics sono perfettamente note a 4ward, da tempo attiva in questo campo, oggi con una propria offerta denominata Data Intelligent Framework.
“Ci siamo resi conto – sostiene Giorgio Claudio Sommariva, responsabile della practice – che anche le aziende più tradizionali stanno cercando una nuova conformazione intorno al valore del dato. I dati in azienda ci sono, ma c’è bisogno di dell’intervento della tecnologia per arrivare alle cosiddette smart and fast decision, superando un modello ancora troppo reattivo”.
Data Intelligent Framework è una soluzione di data estate management che, applicando moderni pattern di PowerBI, Analytics e Machine Learning, garantisce la possibilità di raccogliere e integrare dati provenienti da fonti diverse e analizzarli per trarne un vantaggio competitivo.
“E’ un vero e proprio framework, una metodologia, che consente di trasformare i dati in azioni”, spiega Sommariva, che continua: “Noi crediamo in un approccio di tipo start small: si parte da piccoli test, con l’obiettivo di mettere insieme tanti quick win, dai quali partire per poi estendersi”.
Il tutto seguendo una serie di passaggi chiave:
1 – Sources
2 – Ingestion & integration
3 – Store & model
4 – Analytics
5 – Intelligence
“Finito questo percorso si arriva a realizzare dashboard e report o addirittura a procedure automatizzate. E l’aspetto più interessante è che questo percorso si può fare in circa due settimane, partendo dall’assessment, passando alla review, e via via attraverso tutte le fasi di implementazione e revisione finale”.
Il tutto, sostiene 4ward, con un investimento alla portata anche delle realtà più piccole.
“Vogliamo dare la possibilità alle aziende di giocare con i dati e superare i gap tecnologici o di costi con una soluzione in grado di coprire l’intero ciclo del dato, dalla raccolta e integrazione all’analisi, dall’automazione allo sviluppo di dashboard”.
