Gestire i dati è cruciale nell’era della dataficazione e gestirli come se fossero un prodotto permette di estrarne il valore. Lo spiega uno studio a firma di Harvard Business Review, dal titolo “A better way to put your data to work” (letteralmente: Un modo migliore per far funzionare e gestire i dati).
Creare dati riutilizzabili come prodotti o data products e riconoscere pattern consente di mettere insieme tecnologie dei dati. Significa che la data strategy permette alle aziende di estrarre valore dai dati anche in futuro. Ecco come
stabilire un percorso sostenibile per raggiungere lo scopo: estrarre valore dai dati.
Gestire i dati come un prodotto: cosa significa
La chiave è gestire i dati così come se fosse un prodotto consumer. Gestire i dati così è un approccio innovativo (si chiama Data Products) e soprattutto efficace al fine dell’estrazione del valore.
Oggi le data strategy più in voga in azienda sono quella basic (detta “grassroots approach“) o l’approccio big-bang, ma nessuna delle due rende profittevoli gli investimenti messi in campo nella gestione dei dati.
Il “grassroots approach” vede team individuali mettere insieme dati e tecnologie di cui necessitano. L’approccio è basic e ha come risultato di una duplicazione significativa degli sforzi e un groviglio architetture tecnologi, costose da costruire, gestire e mantenere.
Nell’approccio big-bang, il team è centralizzato: estrae, pulisce end aggrega dati in masso. Questa modalità può eliminare rielaborazioni, ma spesso non è allineato con i casi d’uso in ambito business e dunque finisce per fallire nel supportare le esigenze specifiche degli utenti finali.
Gli end user possono, inoltre, tentare di confermare che i dati forniscano il livello basato sulla data governance e data quality, che limita il risparmio di tempo. L’elaborazione successiva sui casi d’uso allineati con il valore del business spesso innescano un “grassroots approach” e tutti i problemi associati.
Entrambe le strategie, dunque, non riescono a dare fondamento ai casi d’uso presenti e futuri che creeranno valore.
Invece gestire i dati come prodotto, adottando il Data Product, promette di superare questi limiti finora riscontrati.
La data strategy più efficace per le aziende
L’approccio migliore ovvero più sostenibile e performante, sotto il profilo dell’estrazione di valore, è la gestione dei dati come prodotto consumer, sia digitale che fisico.
Innanzitutto, realizzare valore a breve termine dagli investimenti nei dati consente di estrarre maggior valore domani.
Oggi, ogni azienda riconosce il potere dei dati, ma è più difficile compiere il passo successivo: sbloccare il loro intero potenziale.
Infatti, il problema è che gli investimenti nei dati deve distribuire valore a breve termine e, al contempo, porre le basi per ricercare e sviluppare rapidamente utilizzi futuri. Intanto le tecnologie dei dati evolvono in maniere imprevedibili, mentre emergono nuove tipologie di dati e aumentano i volumi dei dati generati e raccolti.
Data Product: tutti i dati in un’unica entità
Un data product offre un insieme di dati di alta qualità, pronti-all’-uso, a cui i dipendenti di aziende ed organizzazioni possono accedere facilmente, applicandoli alle differenti sfide del business.
Per esempio, un data product potrebbe fornire una visione a 360 gradi di un’importante entità, come clienti, impiegati, linee produttive o branchie. Oppure potrebbe offrire una particolare “data capability”, come i digital twin che replicano l’operazione di asset del mondo reale.
Data Product: gestire dati come prodotti in un’unica entità
Sono connessi in modo tale da abilitare tipologie standard di consumo.
I Data Product incorporano la connessione necessaria per differenti business system, come le app digitali o sistemi di reportistica in grado di “consumare” i dati. Ogni tipo di business system vanta i suoi set di richieste su come i dati sono archiviati, processati e gestititi ovvero a seconda degli Archetipi di consumo.
Un’organizzazione dovrebbe avere centinaia di casi d’utilizzo nella sua roadmap. Tuttavia i casi d’uso si suddividono in cinque principali Archetipi di consumo. I Data Product sono costruiti in modo tale da supportare uno o più di questi Archetipi di consumo, al fine di essere applicati a moltiplici applicazioni business con lo stesso fattore comune ovvero aventi simili Archetipi di consumo.
Vantaggi
I team che usano i Data Product non devono sprecare tempo a cercare i dati, processandoli nel giusto format e costruendo data set e data pipeline. Lo sforzo, in definitiva, genera confusione sul fronte dell’architettura e sfide lato governance.
Secondo McKinsey, che ha analizzato lo studio su come gestire i dati come prodotto, i benefici di questo approccio possono essere significativi:
- consegnare i nuovi casi d’uso nel business il 90% più velocemente;
- tagliare del 30% il costo totale di ownership (tecnologia, sviluppo e mantenimento);
- ridurre i rischi e i carichi di data governance.
I quattro pilastri del Data Product
Il successo nello sviluppo dei prodotti richiede un modello operativo che assicuri gestione e fondi dedicati, l’adozione di standard e best practice, tracciamento di performance e garanzia di qualità. In ambito Data Product è la stessa procedura.
Gestire dati come prodotti e fondi dedicati
Ogni Data Product dovrebbe avere un product manager e un team composto di Data engineer, Data architect, Data modeler, Data platform engineers.
Dunque, servono fondi per gli ingegneri, al fine di costruire e migliorare continuamente i loro prodotti, abilitando nuovi casi d’uso.
Si tratta di team che necessiterebbero di un gruppo di data utility nella business unit. Dunque, una struttura organizzativa dovrebbe dar loro libero accesso alle competenze richieste: nel business, negli aspetti operativi, nei processi, in ambito legale e nella gestione del rischio), per sviluppare Data Products, utili e conformi.
Inoltre, i team dovrebbero ottenere l’accesso ai feedback, che li aiuta a continuare a migliorare i prodotti e ad identificare nuovi impieghi.
Standard e best practice
Aziende ed organizzazioni sono di maggior successo quando adottano standard e best practice per realizzare Data Products trasversalmente alle organizzazioni.
Un data center di eccellenza in genere gestisce questo lavoro. Standard e best practice definiscono come i team documenteranno la provenienza dei dati, verificheranno l’utilizzo dei dati e misureranno la data quality, come delineare come le tecnologie necessarie dovrebbero l’una con l’altra per ciascun Archetipo di consumo da riutilizzare lungo tutti i Data products.
Performance tracking
Per confermare che i prodotti soddisfino le necessità siano sottoposti a continue migliorie, i team di Data Product dovrebbero misurare il valore del loro lavoro.
Metriche rilevanti includono il numero di:
- utenti mensili di un certo prodotto;
- volte in cui un prodotto è riutilizzato attraverso un business;
- il punteggio che misura il livello di soddisfazione dalle indagini sui data users;
- il Roi (ritorno degli investimenti dei casi d’uso abilitati).
Garanzia di qualità
I problemi che intaccano la qualità possono erodere la fiducia degli utenti finali e la retention rate. Dunque, i team di Data Product gestiscono da vicino le definizioni dei dati (per esempio, per decidere la definizione di customer data si limita ai clienti attivi o include clienti attivi e precedenti), verificando se disponibilità e controlli di accesso soddisfino il giusto livello di governance per ogni caso d’uso. Per confermare la data integrity, lavorano in prossimità dei Data steward che possiedono i sistemi di data source.
