Per quanto accurato e tecnicamente ineccepibile possa essere sviluppato un progetto di analytics aziendale, il conferirne un’utilità effettiva con risultati tangibili dipende da quanto esso riuscirà a sfociare in un output comprensibile dagli stakeholder aziendali. Rendere questo possibile è il risultato di una condivisione dei requisiti attesi e della traduzione delle attività tecniche in un ambiente che rappresenti chiaramente i principali numeri aziendali, sia in ottica descrittiva che predittivo/prescrittiva.
Analytics aziendale, le caratteristiche della data visualization
Partiamo dalla fine, cioè dal front end che, di fatto, rappresenta l’unico risultato visibile e misurabile del lavoro di analytics aziendale. Tra le caratteristiche principali che uno strumento di data visualization a oggi deve avere per risultare efficace e utile vi sono:
– capacità di rappresentazione grafica.
– semplicità di utilizzo lato utente.
– semplicità di amministrazione ed evoluzione lato sviluppatore.
– funzionalità di drill down, drill through, filtri.
– meccanismi di profilazione utente, facilmente implementabili e gestibili.
– integrazione con lo stack tecnologico esistente.
– integrazione effettiva e semplice con linguaggi di machine learning, es. Python.
Al di là di queste caratteristiche, è fondamentale – ovviamente – il contenuto informativo oggetto del front end, in altre parole lo “storytelling” che si vuole andare a raccontare. Che non può essere altro che un valore aggiunto rispetto a quanto si ha già a disposizione in azienda. Ed è qui che va capito bene cosa voglia dire “advanced analytics”.
Quando “analytics” diventa “advanced”
Seguendo un’interpretazione estensiva del termine “advanced”, si potrebbe considerare qualsiasi tipo di analisi che, grazie a una rappresentazione chiara e/o un’applicazione di nuovi algoritmi o calcoli e/o l’utilizzo intelligente delle funzionalità sopra descritte, consenta agli utenti di ottenere informazioni che prima non avevano e, soprattutto, di poterle considerare con fiducia nella pianificazione delle strategie aziendali. In sostanza, un valore aggiunto concreto. Che poi questo sia il risultato di metodi di machine learning o più semplicemente di uno “storytelling” chiaro, poco importa.
È un processo di crescita attraverso il quale l’utente va accompagnato, partendo magari dall'”as is” e cercando semplicemente di rappresentarlo meglio. In questo contesto è importante rappresentare correttamente i KPI, gli indicatori di sintesi che di fatto devono comunicare a prima vista come va l’azienda (o come potrebbe andare). Perché questo sia realizzabile, questi KPI devono rispettare alcuni requisiti:
– avere un riferimento, un paragone da cui interpretarne il messaggio (es. vendite YTD rispetto alla stessa data dell’anno scorso, o al giorno precedente). I numeri assoluti, molto spesso, non danno l’idea dell’andamento di un business, ciononostante è una trappola in cui molti cadono.
– rappresentare fedelmente l’organizzazione che vanno a trattare. Dietro ogni numero ci deve essere un responsabile di tale numero, con cui condividere di persona opportunità e punti di attenzione trasmessi da quel numero.
– essere graficamente “prevalenti” rispetto al resto. “K” sta per “Key”, devono risultare la prima cosa che un utente vede, e se non ha tempo anche l’unica, ma sufficiente comunque a far capire lo stato delle cose.
– costituire un punto di partenza per un’analisi approfondita, che l’ambiente di front end deve consentire di fare in modo semplice e con performance elevate, indipendentemente dalla mole di dati trattati.
Data mining, un livello più alto
Una volta generati interesse e – soprattutto – fiducia nell’ambiente di analytics aziendale si potrà osare di più, inserendo nel contesto anche un sistema di data mining a tutti gli effetti. E qui possiamo parlare di “advanced analytics” anche in senso stretto, con l’applicazione di algoritmi statistici ai fini della scoperta di relazioni nascoste tra i dati. Tuttavia, è importante avere sempre in mente l’interlocutore finale del processo, ovvero l’utente di business (se consideriamo il ruolo del data scientist interno al team di progetto). Il risultato del data mining va comunicato a utenti non statistici e a non informatici, deve parlare un linguaggio riconoscibile dall’utente aziendale comune. Tale linguaggio non deve essere di base molto differente da quello con cui si sono trattati in precedenza i KPI, sia da un punto di vista di rappresentazione che di “storytelling”.
Ad esempio: se il focus analitico è sulla supply chain di un’azienda di produzione, l’applicazione di algoritmi di forecasting dovrà portare evidenza, chiara e di impatto, dei risultati di business che un conseguente anticipo della domanda e ottimizzazione del magazzino potranno portare. Non indici statistici, ma numeri aziendali. Solo così il data mining diventa di patrimonio comune e, quindi, utile.
Analytics aziendale, l’integrazione lato back end
Anche dal punto di vista dei processi di ETL, che generano i risultati lato front end, l’integrazione tra ciò che è “advanced” in senso stretto e ciò che non lo è deve essere coerente ed efficiente. Diventa fondamentale, ad esempio, rimettere il dato in circolo a fronte del risultato di un processo di data mining per una sua valutazione e utilizzo ai fini di un miglioramento dell’algoritmo sottostante. Così come, ancora una volta, è altrettanto fondamentale gestire il tema del “data quality” in modo scrupoloso.
