Per le aziende che hanno scelto di diventare data driven company o che più semplicemente hanno deciso di valorizzare la propria capacità di generare dati, la data monetization rappresenta una nuova opportunità di sviluppo. Anche i dati, come tutti gli altri asset aziendali, esprimono il loro valore nel momento in cui sono utilizzati in modo appropriato, per obiettivi specifici, ovvero nel momento in cui consentono alle organizzazioni di raggiungere nuovi traguardi. Può essere un miglioramento nell’efficienza, una riduzione dei costi, lo sviluppo di un nuovo mercato, l’ingaggio di nuovi clienti, il miglioramento nelle funzionalità di un prodotto e di un servizio. Sono tante le forme attraverso le quali la data monetization concretizza i propri benefici. Uno degli esempi più efficaci riguarda la possibilità di valorizzare i dati aumentando la capacità di ascolto e di comprensione verso i clienti per convertirla in ingaggio e in decisioni di acquisto. Un processo che si può concretizzare in una forma diretta, con una “vendita” vera e propria, oppure in forma indiretta, tramite modalità di valorizzazione che “monetizzano” il dato in altre possibili azioni.
Comunque sia l’approccio della data monetization rappresenta una disciplina che apre nuove prospettive, ma che nello stesso tempo richiede alle imprese di considerare i dati come un vero e proprio asset. Per comprendere e approfondire le logiche di questo approccio e dei passaggi verso la loro valorizzazione e monetizzazione ci siamo confrontati con Luca Flecchia, Data Driven Innovation Manager P4I.
Quali sono i presupposti per considerare i dati aziendali come un asset?
Dobbiamo dire subito che siamo costantemente immersi in uno scenario nel quale si parla costantemente di Data Driven Company. In questo contesto la prima regola da osservare, per qualsiasi organizzazione, riguarda il fatto che i dati devono essere considerati come un asset aziendale. Come un valore. Si tratta di un passaggio fondamentale che rappresenta la premessa affinché si possano poi attuare logiche di valorizzazione e di monetizzazione. Accanto a questo presupposto è poi necessario che le aziende siano nella condizione, anche per la dotazione di strumenti tecnologici, di supportare il dato sin dal momento in cui viene generato. L’altro aspetto fondamentale riguarda il fatto che il dato come asset va gestito lungo tutta la sua “filiera” e in tutte le sue relazioni. Solo per fare un esempio, nel momento in cui si parla di dati interni all’azienda, occorre lavorare sui sistemi informativi che generano o gestiscono questi dati; nel caso di dati esterni, occorre analizzare le fonti, controllarle e valutarne il livello di qualità e affidabilità. In altre parole, come tutti gli asset di una organizzazione devono essere monitorati e controllati. Va infatti considerato che sempre più aziende sviluppano strategie che si “muovono” al di fuori del perimetro aziendale, possono accedere a dati che permettono di generare analisi sempre più ricche, e possono creare insights sempre più rilevanti per il business in tantissimi ambiti e in tantissime forme. Incrociando informazioni sui consumatori, sui prodotti o sul contesto di mercato con informazioni già disponibili in azienda è infatti possibile ottenere analisi dettagliate con le quali affrontare al meglio le sfide del mercato. E tutto questo implica un controllo e un monitoraggio adeguati.
Quali sono le priorità in questo approccio?
Per raggiungere questo primo obiettivo, l’azienda deve innanzitutto disporre di piattaforme dedicate alla parte di ingestion per svolgerla nella maniera più efficace possibile. E’ relativamente importante che si tratti di piattaforme on premise o in cloud, è invece importante che siano piattaforme in grado di rispondere alle specifiche esigenze dell’azienda. È poi fondamentale capire, mappare e qualificare in modo preciso i dati che si devono trattare. Per quelli macroeconomici non ci saranno grandi problemi, ma nel caso di dati personali o sensibili occorre garantire il giusto livello di sicurezza e ovviamente di gestione della privacy. Ma l’ingestion è solo il primo step. Se ci si muove lungo la catena di valore del dato ecco che giocano un ruolo fondamentale tutte quelle piattaforme in grado di analizzare i dati restituendo degli actionable insights. Si tratta di tutta la famiglia di piattaforme legate al mondo della data science o soluzioni tecnologiche di Machine Learning, di Artificial Intelligence e di Cognitive Computing. Piattaforme che ultimamente stanno guadagnando sempre più successo per la capacità di automatizzare enormi quantità di informazioni, difficilmente elaborabili con metodi tradizionali con un livello di frequenza efficace e rilevante per il business. Se guardiamo poi un po’ più a valle di questa filiera del valore del dato ecco che si avverte l’importanza di quelle piattaforme dedicate alla monetizzazione dei dati che permettono di gestire l’utilizzo del dato verso l’esterno in maniera coerente con conoscenze di dominio del business. A questo livello è poi fondamentale gestire la sicurezza nell’esposizione dei dati e disporre degli strumenti per consentire all’IT di monitorare gli accessi nel rispetto delle normative. Proseguendo poi in questa visione della “filiera del dato” si arriva alla parte conclusiva del ciclo di vita del dato: con l’archiviazione o con la cancellazione che è a sua volta, come ben noto, estremamente importante in termini di gestione del percorso del dato e dei diritti degli interessati.
Quali sono i passaggi organizzativi chiave per mettere a valore i dati?
Sicuramente, può apparire “banale” ma il passaggio più importante per mettere a valore i dati è rappresentato dalla capacità di analizzarli con la massima precisione, cogliendo sia ciò che i dati esprimono in forma diretta sia ciò che invece può arrivare dalla relazione, indiretta, con altri dati. In questa fase occorre considerare la particolare importanza dei Big Data che rappresentano un significativo abilitatore tecnologico. I dati in assoluto, senza una analisi e una interpretazione, rischiano di esprimere scarso valore. Il fatto di raccogliere il dato sulla temperatura di funzionamento di un apparato di per sé dice poco. Se invece si definiscono dei parametri dei riferimento, se si scelgono delle “soglie critiche”, delle relazioni o se si identificano dei “pattern” di funzionamento e si stabiliscono correlazioni con altre informazioni, ecco che si possono generare insight, e si possono “estrarre” informazioni di maggior valore per il business.
Arriviamo al tema delle competenze…
Certamente le organizzazioni sono costrette ad evolvere e per farlo servono nuove competenze. L’esempio più eclatante è quello del data scientist. Non è l’unica figura professionale emersa negli ultimi anni, ma è forse quella che ha ricevuto maggiore notorietà: “il lavoro più sexy del XXI secolo” è stato definito dalla rivista Harward Business Review nel 2012. Con i data scientist ci sono tantissime altre figure legate ad aspetti tecnici, come ad esempio il data architect o il data engineer. Più recentemente nelle aziende stanno crescendo figure nuove che possono essere identificate anche come “business translator”, ovvero come attori rilevanti che fanno da ponte tra data science e business per aiutare le organizzazioni a indirizzare in modo preciso gli obiettivi e a comunicare in modo più efficace. Si tratta di figure che uniscono competenze tecniche a competenze di dominio e di mercato. In tanti casi le aziende hanno affrontato questa sfida, ma il punto chiave affinché questi ruoli e queste competenze possano esprimere il loro valore lungo la “filiera del dato” è strettamente legato alle logiche di governance. La sintesi tra competenze tecnologiche e competenze di sviluppo del business risulta efficace nel momento in cui l’organizzazione dell’azienda e le sue logiche di governance permettono alla data science di recuperare le corrette relazioni tra i dati e tra le diverse fonti per costruire una conoscenza effettivamente utile al business. Nel momento in cui, per tante e diverse ragioni, nelle organizzazioni non si riesce a rompere i classici silos informativi, si pongono dei limiti a questa prospettiva. Governance è dunque da intendere come la possibilità di fare in modo che queste figure siano nella condizione di produrre analisi di efficacia, di analizzare e incrociare i dati delle diverse aree aziendali (produzione, logistica, vendite, marketing ecc.) per cercare il valore della conoscenza aziendale in relazione alle prospettive del mercato. Sul tema della governance, che merita e necessita di un approfondimento specifico, si deve aggiungere che una delle peculiarità deve essere quella di mettere le imprese nella condizione di far evolvere le competenze in sintonia con l’evoluzione evoluzione dell’organizzazione stessa.
Chiariamo la differenza tra valorizzazione del dato e monetizzazione del dato
Questo è un aspetto cruciale e troppo spesso confuso. Quando parliamo di valorizzazione del dato o monetizzazione indiretta parliamo delle attività aziendali per la trasformazione dei dati in valore. Questo significa prendere i dati grezzi dal “campo”, analizzarli e incrociarli tra loro per trasformarli in insights con un valore di indirizzo o di supporto al business. Per fare esempi pratici di valorizzazione pensiamo all’analisi dei dati del customer care che permette alle aziende di capire se e dove il servizio è carente grazie a una conoscenza che fornisce indicazioni utili per migliorare la customer experience.
La valorizzazione è indiretta perché non c’è un ritorno economico immediato, sicuramente avranno un impatto economico, ma di fatto quelle analisi non abilitano di per sé un ROI diretto.
Se parliamo di monetizzazione diretta del dato parliamo di tutte quelle attività che le aziende svolgono per creare un business direttamente correlato con il dato. Questo significa anche generare nuovi revenue stream a partire dal dato in sé. All’inizio del percorso della data monetization ci sono state organizzazioni che hanno preso in considerazione l’ipotesi di “vendere” dati grezzi o semilavorati. Poi ci si è indirizzati verso la possibilità di generare dati ricchi di valore soprattutto grazie all’integrazione di dati interni ed esterni per creare dataset che potevano essere poi monetizzati attraverso lo sviluppo di nuove forme di business.
Vediamo nello specifico il tema delle competenze, quali sono quelle necessarie per valorizzare i dati
Affinché un’azienda possa valorizzare i dati in maniera efficace sono indispensabili tante e diverse capacità di analisi. Questi skill sono molto importanti, ma non sufficienti, servono anche conoscenze approfondite di dominio per fare in modo che le evidenze dei dati si possano trasformare in azioni. Proprio per raggiungere al meglio questi obiettivi le aziende stanno introducendo nuove figure tra cui, appunto, come abbiamo già sottolineato, il business translator, una professionalità a cui viene chiesto di facilitare la comunicazione e la collaborazione tra le figure con competenze forti di analisi dei dati come il data scientist e appunto quelle con competenze di dominio come i process owner. Figure che portano la conoscenza che arriva dai dati nei processi aziendali. Combinare e integrare queste competenze è oggi sempre più fondamentale. Non ultimo poi c’è il tema della qualità del dato, che è stato spesso sottovalutato. E’ sempre più importante governare i dati nella maniera corretta e per questo si deve tornare ancora una volta al tema della governance e alla necessità per le organizzazioni di poter contare su figure impegnate a gestire la data governance e a lavorare per assicurare la qualità del dato.
Quali competenze sono invece necessarie per monetizzare i dati?
Se poi parliamo di monetizzazione tutte le competenze fin qui citate restano naturalmente fondamentali, ma da sole non bastano. Sarà necessario disporre di figure che comprendano il contesto macroeconomico nel quale opera l’azienda, figure con competenze relative al framework legale di riferimento, con capacità di innovazione e creatività. Si tratta di competenze che devono partire dalla lettura del contesto nel quale si colloca l’analisi dei dati e di gestione dei fenomeni di innovazione legati all’utilizzo dei dati. Solo per fare un esempio la monetizzazione dei dati in ambito industriale avrà maggiori opportunità di sviluppo in tutte quelle realtà che hanno avviato processi 4.0, ovvero dove la ricchezza di dati da una parte e le possibili declinazioni in termini di valorizzazione dall’altra sono molteplici e collegabili a tante e diverse opportunità: dalla ricerca di efficienza nei processi alla sperimentazione di nuovi modelli di business. Basti pensare a quali prospettive si possono aprire grazie a un fenomeno come quello della servizitizzazione: nel momento in cui un prodotto si trasforma in servizio sulla base di un processo completamente basato sui dati e sulla conoscenza. Si possono conoscere con più precisione i bisogni dei clienti / utenti, si possono intercettare nuove necessità e si possono sviluppare proposte e soluzioni in modo più veloce, più preciso e più personalizzato.
