Nell’ambito del convegno di presentazione dell’Osservatorio Big Data & Business Analytics del Politecnico di Milano, si sono svolte alcune tavole rotonde per analizzare il ruolo dei dati e dell’advanced analytics oltre l’emergenza, a partire dall’esperienza di aziende e provider di soluzioni. Nel confronto di seguito sintetizzato, ci si interroga su come le soluzioni di analisi dati abbiano supportato le decisioni nel periodo dell’emergenza Covid e quali sono stati e saranno i cambiamenti di un’azienda data driven nel new normal.
La data driven strategy in un’azienda come Telepass
Davide Cervellin, Chief Data & Insurance Officer – Telepass, ricorda che la sua azienda ha focalizzato l’attività dei primi 27 anni sul telepedaggio, mentre solo negli ultimi 3 anni ha cominciato a diversificare il business con la creazione di Telepass Pay che abilita l’accesso a servizi di mobilità alternativa.
“Si tratta di servizi utili per il cliente e che, al tempo stesso, generano dati che possiamo utilizzare per creare comunicazioni, offerte e prodotti sempre più rilevanti”, spiega Cervellin sottolineando che i dati rappresentano un’opportunità solo se si è in grado di fare ordine, per estrarre ciò che suggeriscono essere più rilevante.
È questo il ruolo dello stesso Cervellin in Telepass, a partire dalla grande quantità di dati raccolti negli anni scorsi pur senza finalità chiare, fortunatamente ancora disponibili.
“Nel momento in cui abbiamo obiettivi e un perché chiaro possiamo creare processi, procedure, strumenti e assumere persone che ci consentono di portare il dato al centro delle decisioni – aggiunge – Proprio la presenza in azienda di una data driven strategy, nel 2020 quando si è stravolto tutto, ci ha consentito di prendere decisioni deterministiche in tempi brevi con la confidenza del risultato”. È stata così evitata la navigazione a vista.
Durante il lock-down è stata definita la roadmap, per il rilascio di tre prodotti che hanno avuto grande successo da giugno, disegnati sulle nuove esigenze dei clienti: la possibilità di prenotazione cibo negli autogrill, evitando assembramenti, la collaborazione con Arval per noleggio auto di lungo termine, tramite app, senza la necessità di ritirare fisicamente l’auto, consegnata a domicilio, l’acquisto di biglietti dei treni, mentre sono in rampa di lancio servizi e dati per il mondo aziendale sulla gestione delle flotte.
“Quando ci sono delle crisi, anche meno drammatiche e globali di quella attuale che possono creare difficoltà al business, una data strategy, i dati e le persone consentono di prendere decisioni consapevoli e guidare la nave durante la tempesta”, sottolinea Cervellin.
Il Covid cambia anche le domande sui dati, la testimonianza Data Reply
Nonostante il ruolo evidente delle tecnologie di analisi dei dati per una navigazione sicura, la crisi sanitaria ha rallentato i progetti incorso sia in ambito analytics sia data science.
Lo sostiene Antonella Crea, Manager di Data Reply, a partire dall’esperienza di fornitore di progetti in ambito dati. “Molte aziende clienti che all’inizio del 2020 erano pronte e avevano già designato le figure interne dedicate hanno frenato i progetti perché tutti gli sforzi, soprattutto in ambito IT, erano indirizzati allo smart working”, spiega Crea, evidenziando che questa tendenza è stata più accentuata da parte delle aziende che avevano sedi distribuite in più paesi.
Da giugno si è assistito alla ripresa i progetti. “Probabilmente le imprese hanno preso coscienza che il dato, in questo momento storico, può fornire una marcia in più per competere sul mercato”, aggiunge. Nella ripresa sono però cambiate le domande poste. Nello specifico del mondo data science, mentre in precedenza si puntava soprattutto all’analisi di forecasting (relativa a vendite o consumi), dopo la ripresa di giugno la richiesta era più indirizzate all’ottimizzazione (relativa a costi o percorsi).
Nestlé: la pandemia ha accelerato e trasformato il percorso verso l’advanced analytics
Francesco Marzoni, Head of Analytics, Data & Integration – Nestlé Information Technology, considera un punto di forza per il suo gruppo aver puntato all’evoluzione verso competenze di business analytics, intrapresa prima dell’esplosione della crisi generata dalla pandemia. In questa direzione Nestlé aveva adottato un codice etico per l’uso dei dati e dell’AI all’interno del gruppo; aveva creato una comunità di 45mila consumatori di soluzioni analytics self-service, attraverso cui veicolare le soluzioni di advanced analytics da sviluppare in futuro; aveva investito nella standardizzazione dei modelli di dati negli oltre 180 paesi dove opera. “Questa ultima iniziativa permette di traferire soluzioni di analytics costruite in un mercato ad altri mercati in tempi rapidi grazie alla condivisione dei modelli dei dati- spiega Marzoni e sottolinea – L’emergenza sanitaria ha accelerato tre elementi della analytics strategy di Nestlé”.
Il primo si è concretizzato nella creazione gruppi di lavoro multifunzionali per portare alla luce iniziative di analytics veloci ma rilevanti. Le task force sono state utilizzate per supportare i diversi mercati nel momento in cui entravano nel picco della crisi. La pandemia ha modificato il paradigma con cui viene gestita l’interazione dei dati, da un paradigma usa e getta a uno riutilizzabile con la possibilità di attivarlo in modo rapido. L’emergenza ha accelerato la consapevolezza della necessità di gestire in maniera strutturata anche i dati esterni all’azienda.
“Oggi è chiaro a tutti la necessità di ecosistemi digitali (costituiti dai diversi attori della filiera, istituzioni accademiche,… ) per favorire lo scambio dati e creare soluzioni di analytics rilevanti per i diversi attori”, conclude.
Verso l’advanced analytics per superare i limiti dell’analisi tradizionale, l’esperienza Datrix
L’esperienza Nestlé risulta in controtendenza rispetto al rallentamento dei progetti indotto dall’emergenza. “Nonostante la crescente disponibilità di informazioni e di sistemi basati su data analytics tradizionale, molte organizzazioni non sono riuscite a sfruttare al massimo la potenza di queste soluzioni con il conseguente rallentamento dell’evoluzione a soluzioni avanzate”, sostiene Claudio Zamboni, Chief Revenue Officer – Datrix, lasciando sottintendere che i problemi fossero pre-esistenti.
“La situazione attuale ha acuito lo smarrimento e il senso di urgenza di avere informazioni affidabili per costruire la propria rotta in acque non solo agitate ma del tutto nuove e con la necessità rimappare il comportamento collettivo su scala globale”, aggiunge Zamboni.
Queste considerazioni si basano sull’esperienza Datrix, grazie alla partnership con organizzazioni caratterizzate da alta complessità e che operano su grandi moli di dati in un contesto fortemente regolato. In questi ambiti gli analisti e i data scientist intervengono manualmente nel trattamento del data set (con dati strutturati e non, interni ed esterni) e cercano di estrarre gli insight azionabili.
“Dal nostro punto di vista le problematiche dei data analytics tradizionali si possono ricondurre a macrofattori come la scarsa qualità dato, la difficoltà di gestione, i tempi lunghi di preparazione dei data set, la difficoltà di comprensione degli output, la difficoltà a misurare il ROI delle iniziative e la carenza data scientist”, spiega Zamboni che indica come soluzione il ricorso all’augmented analytics, un altro modo per indicare gli advanced analytics che rappresentano un approccio evolutivo della data analytics tradizionale. Questo approccio sfrutta le tecnologie di apprendimento degli algoritmi, non solo finalizzandoli all’analisi ma utilizzandoli anche nella raccolta e nel trattamento del dato, senza la mediazione di data scientist e analisti.
Machine learning, Computer vision, natural language processing sono al servizio delle fasi di estrazione e preparazione del dato per la fase di analisi, andando a ridurre la presenza di errori che possono derivare dalle attività manuali, e diminuendo i tempi di lavorazione.
Secondo Zamboni l’adozione dell’augmented analytics in un’azienda data driven risulta particolarmente utile visto che fino al 70% del tempo di un data scientist può essere dedicato alle attività manuali del trattamento del dato in preparazione dell’analisi. Le persone possono essere così allocate su attività a maggior valore come la modellazione algoritmica. La riduzione delle tempistiche progettuali e l’automazione dei processi nelle fasi raccolta e trattamento, analisi e messa a terra delle azioni che emergono dall’insight permettono infine una più facile misurazione del ROI delle iniziative intraprese.
