Nel mondo aziendale stiamo assistendo a grandi cambiamenti, dove la competizione spesso scatena una corsa al ribasso. Da un lato, ci sono i colossi della tecnologia (i nomi li conosciamo tutti) che stravolgono i settori sfruttando il vantaggio ottenuto grazie ai dati in loro possesso. Dall’altra parte ci sono le start-up, pompate da quantità apparentemente illimitate di finanziamenti. Queste due tipologie di entità sono spesso autorizzate a bypassare i normali criteri con cui gli altri player sono costretti a fare i conti, come il profitto o le entrate: qualsiasi organizzazione che vuole sopravvivere in un contesto data driven, senza essere schiacciata fra queste dinamiche, è costretta ad agire con urgenza.
Inoltre, l’ingente modernizzazione tecnologica vista negli ultimi 18 mesi ha accelerato la trasformazione digitale e sbloccato opportunità di innovazione senza precedenti. Big data, AI e automazione non sono più inafferrabili, ma a portata di mano in questa corsa verso la digitalizzazione. In un sondaggio di Gartner, il 77% dei CIO afferma di essere in procinto di raggiungere la “prossima normalità”; tuttavia, ci sono molte sfide per cui trovare la via d’uscita non è così semplice. Un recente sondaggio di IDC ha rivelato che in gran parte del mondo “trovare dipendenti talentuosi e qualificati” è l’ostacolo più significativo al raggiungimento degli obiettivi aziendali.
Non è insomma più sufficiente innovare all’interno delle quattro mura della singola organizzazione. Bisogna pensare più in grande. Nessuno può farcela da solo, e per resistere è necessario associarsi, intrecciarsi con altre entità, creando catene di valore. Combinando diverse capacità e mettendo in comune le risorse, è possibile aprire nuove opportunità e sfruttare dati che non sarebbe possibile raccogliere da soli. In questo scenario, come ogni anno, Qlik ha individuato le tendenze nei dati e nelle analytics che contribuiranno a rendere questa transizione possibile. Vediamo insieme le principali:
L’emergere del mining collaborativo
Il massiccio passaggio al lavoro da remoto ha reso essenziale integrare rapidamente la BI nei flussi di lavoro e nelle applicazioni per la produttività come Teams, Slack e Zoom. E una volta eliminati i limiti dello spazio fisico, si sono aperte nuove opportunità per incrementare la collaborazione con gli stakeholder esterni. Tuttavia, la collaborazione dovrebbe iniziare già nelle fasi precedenti, man mano che i dati derivati vengono generati e durante l’esplorazione, la discussione e la creazione di insight immediatamente utilizzabili. Nulla elimina i silos come la collaborazione.
Con la diffusione della collaborazione nel workflow delle analytics, crescerà anche la capacità di esaminarne i meccanismi, migliorando il modo in cui si arriva a dati, reti e processi. In altre parole, così come abbiamo imparato a estrarre dati e processi, assisteremo all’avvento del “mining collaborativo”. Questo ci permetterà di tenere traccia delle decisioni, garantendone l’attendibilità e aumentando la fiducia tra i diversi stakeholder.
La dashboard è davvero morta?
Si parla molto della fine della dashboard. È vero, monitorare una serie di visualizzazioni statiche non fa la differenza nel mercato odierno. Ma c’è una grande differenza tra il semplice monitoraggio dei KPI e l’analisi investigativa approfondita supportata da un’applicazione interattiva e avanzata di analytics aumentate.
Come si sta evolvendo la dashboard? I KPI stanno passando da indicatori di ritardo a passaggi principali, insieme all’analisi di fattori chiave. Stanno diventando altamente contestualizzati e collaborativi: la contestualizzazione deriva dalla capacità di creare avvisi sofisticati per ottenere insight immediati quando i dati cambiano ed è legata anche all’AI, che aiuta ad associare i dati al contesto e a stabilire dove focalizzare l’attenzione in un dato momento.
Dal punto di vista collaborativo, la dashboard si sta evolvendo in un hub analitico che cataloga gli insight e i dati distribuiti, un luogo in cui computer, processi e intelligenza collaborativa possono coesistere. Questo consentirà l’interconnessione di informazioni tra i produttori e i consumatori e permetterà di coinvolgere stakeholder esterni quando necessario.
Il Data lineage consente l’Explanaible BI
Per anni, i consumatori di analytics hanno faticato a spiegare i dati alla base di metriche, KPI e calcoli. Il problema è stato esacerbato dal fatto che i dati sono diventati più distribuiti e frammentati, non solo all’interno dell’organizzazione ma anche al suo esterno.
Cosa accadrebbe se i dati fossero tutti conservati, insieme, in un unico repository? Non avremmo comunque una singola versione della verità, perché i dati cambiano in un nanosecondo e perché ci sono continuamente nuove variabili di cui tenere conto.
Oggi, con l’avvento di architetture di dati più distribuite, uno dei fattori fondamentali è l’osservabilità dei dati attraverso l’Augmented Data Management, in termini di governance, analisi di impatto e provenienza dei dati. In un mondo interconnesso, con più versioni della verità, la provenienza sarà fondamentale per la triangolazione dei dati e per garantire affidabilità e “spiegazioni”. Aiuterà anche a interconnettere le analytics tra sorgenti dati e piattaforme hyperscale differenti.
Quando gli utenti hanno visibilità sulla provenienza dei dati e sul relativo ciclo di vita, dall’interno del workflow delle analytics, possono utilizzare con sicurezza e fiducia gli insight forniti dai dati stessi.
Insight rapidi e aumento esponenziale dei costi
La modernizzazione e l’ampia diffusione di data warehouse e data lake nel cloud ha portato alla possibilità di interrogare direttamente grandi quantità di dati in tempo reale, aggiungendo un altro straordinario strumento di esplorazione. Tuttavia, l’uso di questa tecnica può comportare un aumento fuori controllo dei costi di cloud computing. Inoltre, possono risentirne anche le performance.
Anziché utilizzare esclusivamente le query in tempo reale, è preferibile adottare un approccio alla gestione dei dati e alle analytics basato sui requisiti di frequenza e latenza. Una mappa termica delle query tipiche potrebbe mostrare che le domande che vengono poste sono perlopiù esplorative e, pertanto, senza la necessità di aggiornamenti in tempo reale – e possono quindi essere eseguite in memoria. D’altro canto, le query più coordinate potrebbero richiedere l’elaborazione a livello di sorgente dati.
Dal punto di vista della data integration, è possibile scegliere tra l’unione e l’aggiornamento continuo dei dati, con costi di elaborazione più elevati, e una visualizzazione aggregata che comporta costi inferiori. Per quanto riguarda le analytics, tra query in tempo reale, con costi di elaborazione più elevati, ed esplorazione in memoria, che può essere più veloce e più economica. Un approccio realmente data-driven comporta un aumento sia della velocità che del costo degli insight: è quindi fondamentale comprendere come eseguire le query giuste nella posizione giusta.
L’automazione delle applicazioni come stimolo per l’azione
L’economia delle API apre la possibilità per aziende, partner, clienti e persino competitor di partecipare a iniziative congiunte in uno scenario concorrenziale. Rende meno rilevante la decisione di acquisto o creazione, offrendo invece l’opportunità di assemblare e orchestrare. L’automazione delle applicazioni è un’area emergente che rimuove la necessità di codificare le integrazioni, rendendo l’opportunità molto più accessibile a una più ampia varietà di partecipanti.
Le applicazioni di un ecosistema non dovrebbero solo dialogare tra loro per avvisare e informare gli utenti con insight in tempo reale, ma anche permettere di configurare azioni attivate da obiettivi basati sui dati direttamente nel workflow, con o senza il coinvolgimento umano. In questo modo è possibile cogliere al volo ogni opportunità di business.
