“In Italia stiamo riscontrando una crescente curiosità e voglia di innovare in tutti i settori con cui collaboriamo. Il progetto della raffineria digitale presentato nel nostro articolo è solo un esempio dei molti progetti in atto sul territorio. La crescita delle risorse di BCG Gamma, società del gruppo BCG dedicata al tema dei big data e degli advanced analytics, è la prova concreta della richiesta sempre più stringente che riceviamo in questo ambito dai clienti nel mercato italiano”. Lo afferma in un’intervista a BigData4Innovation Giulia Airaghi (nella foto), consulente di Boston Consulting group ed esperta di Agile. Insieme ai colleghi Fabrice Roghé, Erik Lenhard e Burt Lafountain è autrice dello studio Bcg “Using Agile to help mix Big data’s big problems”, pubblicato recentemente, da cui emerge che molte aziende utilizzano spesso strumenti datati per sviluppare i propri progetti legati all’analisi dei big data.
Airaghi, quali sono le debolezze del vecchio approccio “a cascata” del project management, e perché adottare un approccio Agile potrebbe essere una soluzione?
Le debolezze dell’approccio a cascata del project management riguardano principalmente l’ambito della qualità dell’output finale e del coinvolgimento delle persone.
Innanzitutto, nell’approccio a cascata le competenze richieste per lo sviluppo di un progetto o prodotto sono utilizzate in maniera sequenziale, per cui ogni persona detentrice di una competenza specifica lavora a una parte dello sviluppo, per poi passare l’output a colleghi con competenze diverse. Questo ha un grande impatto sul risultato finale perché invece di essere sviluppato attraverso una sinergia di competenze risulta come un aggregazione di parti, che a volte non considerano la complessità dell’intero processo. Inoltre, in questo passaggio di semilavorati, informazioni importanti possono andare perse o, peggio, essere male interpretate.
Quanto è importante basarsi sui feedback degli utenti?
L’approccio a cascata risente di un punto di partenza fondamentalmente contro produttivo. Invece di partire dalle reali esigenze degli utilizzatori finali, si fonda su un’idea sviluppata internamente sulla base di assunzioni, giuste o sbagliate, che non spingono gli sviluppatori a trovare le soluzioni migliori per il cliente finale. L’ultima “fonte di verità” rimane il project manager e non il cliente. Ma, in particolare nei progetti di big data, il product manager potrebbe non avere le competenze necessarie o sufficienti per valutare la qualità dell’output finale. Basarsi sul feedback del cliente/utente e quindi sulle sue reali esigenze – principio fondamentale delle metodologie Agile – aiuta a prendere decisioni migliori circa il prodotto/servizio da sviluppare.
Nella ricerca parlate anche dell’importanza, per l’approccio Agile, di sfruttare la massimo le competenze e il coinvolgimento di tutti…
Strettamente collegato alla qualità dell’output è il coinvolgimento delle persone che, normalmente, nei progetti con un approccio a cascata non viene pienamente sfruttato. Far sentire le persone ingaggiate e responsabili non ha infatti solo una ricaduta sul “benessere” del lavoratore, ma anche sulla sua capacità di sforzarsi nel trovare soluzioni più innovative/creative. Ed è una grande leva di innovazione e cambiamento, una dimensione molto rilevante nel contesto dei big data, che rimane un campo parzialmente inesplorato.
Nell’approccio a cascata, in cui la figura del product manager funziona da coordinatore del processo e valutatore del contenuto, tutta la responsabilità ricade sulle sue spalle. Al contrario, le metodologie di lavoro Agile garantiscono una piena responsabilizzazione delle persone sul processo e un potere decisionale esteso sulle scelte di contenuto. Seppure la scelta finale sul prodotto/servizio sviluppato è data da una figura specifica (product owner), la possibilità di poter contribuire proattivamente alle scelte gratifica maggiormente gli sviluppatori aumentando il loro coinvolgimento e la qualità del lavoro.
Nel vostro studio sottolineate l’importanza di lavorare ai big data in Agile e con team interfunzionali. Che valore aggiunto possono portare figure diverse dai data scientist?
Come sottolineato nell’articolo, i data scientist sono profili con competenze molto forti in termini di utilizzo del dato e di costruzione di pattern emergenti da grandi quantità di dati, aspetti non immediatamente riconoscibili da profili di business che invece non sono abituati a quel tipo di ragionamento logico-matematico. Mentre i data scientist a volte mancano di quella sensibilità di business necessaria a capire come si possano applicare concretamente i risultati del loro lavoro. Avere team misti in cui i data scientist si confrontano costantemente con figure di business chiave per il prodotto/servizio sviluppato aumenta notevolmente la possibilità di fornire soluzioni utili sia al cliente esterno sia al cliente interno di una organizzazione. Ad esempio, in tutto l’ambito di digitalizzazione dei processi HR e dell’uso di big data/advanced analytics per la gestione delle risorse umane, si ottiene un grande beneficio nel costituire team cross-funzionali in cui esperti di big data, sviluppatori IT e risorse HR lavorano insieme per sviluppare soluzioni innovative.
