È un luogo comune che i dati siano per l’azienda come la linfa per una pianta, ma è oggi una realtà in molte imprese il fatto che i dati non siano soltanto una componente necessaria, ma l’essenza stessa del business. Nella moderna azienda data driven, i dati fanno parte della catena di produzione, tutte le azioni e le direzioni strategiche sono dettate dagli insight ricavati dall’analisi dei dati che arrivano dal mercato, da partner, clienti, sensori IoT e una molteplicità di fonti diverse.
La data science per il business si configura quindi come l’insieme di metodi, processi, algoritmi e tecnologie che consentono di estrarre la conoscenza utile dalla moltitudine di dati strutturati (database) e soprattutto non strutturati (testi, immagini, video ecc.), che l’azienda ha a disposizione internamente o per accesso esterno sotto la forma di data warehouse, data lake o big data.
I metodi statistici e analitici più avanzati, assieme all’intelligenza artificiale(AI) e al machine learning(ML) sono le risorse di base della moderna data science per il business; risorse che permettono di comprendere correlazioni e andamenti che riguardano fenomeni complessi come le preferenze dei consumatori, l’evoluzione della domanda di uno specifico prodotto o servizio, le analisi della concorrenza sul mercato.
Come funziona la data science per il business
Secondo le definizioni più accreditate, la data science per il business si caratterizza come un processo che alla base comprende le tre fasi della raccolta dei dati, del data modeling/analysis e del supporto alle decisioni. Mentre le prime due fasi (raccolta dati, modeling/analisi) riguardano aspetti di natura informatica che comprendono anche le competenze specialistiche di matematica e statistica, l’ultima (il supporto alle decisioni) riguarda la capacità dell’organizzazione di comprendere il significato dei dati e quindi di servirsene nel modo migliore per ottenere un vantaggio sul mercato.
L’azienda data driven è quella che riesce meglio a coniugare le capacità di raccogliere e ottenere insight sui dati con quelle di sfruttare le informazioni nei propri processi per ridisegnarli continuamente in funzione delle esigenze di cambiamento. Va da sé che la chiave del successo nei progetti che riguardano la data science per il business risieda nella capacità di creare uno stretto collegamento tra i data scientist e i fruitori finali delle informazioni nelle line of business (LOB).
Perché i dati siano utili, serve un alto livello di comunicazione e di collaborazione all’interno all’azienda. Collaborazione che permetta di trasferire agli specialisti dei dati la conoscenza delle esigenze contingenti del business e alle LOB di partecipare alla definizione di analitiche e algoritmi AI, in modo da potersi fidare dei risultati per le decisioni che devono essere prese.
L’utilizzo dell’AI nell’azienda data driven
Le tecnologie dell’intelligenza artificiale sono oggi alla base di molti business innovativi che stanno ridefinendo interi settori di mercato, dal mondo del retail online ai servizi di trasporto, dalla domotica al campo assicurativo e bancario. Le tecniche di AI e del machine learning permettono di comprendere i bisogni del cliente, ricavare indicazioni in tempo reale dalla navigazione su un sito e-commerce per proporre i prodotti che hanno maggiore probabilità d’essere comprati, ritagliare offerte assicurative o finanziarie su misura, capire da un insieme di sensori i segni premonitori di un guasto e quindi inviare sul posto l’assistenza prima che si crei il disservizio.
In presenza di quantità di dati sempre crescenti e di business che richiedono azioni in tempo reale, le tecniche di AI e ML diventano l’unico modo per riuscire a estrarre la conoscenza utile dai dati e quindi per innescare azioni automatizzate e rapide. Le tecniche dell’AI sono oggi fondamentali non solo per migliorare la relazione con il cliente o creare nuovi servizi di manutenzione predittiva, ma anche per la gestione IT.
AI e ML consentono oggi all’azienda di difendersi da attacchi esterni (cyber security) e di realizzare ottimizzazioni automatiche nel funzionamento dei sistemi IT, tenendo conto degli andamenti storici o contingenti dei carichi di lavoro. I sistemi intelligenti possono risolvere problemi in modo rapido, molto prima che intervengano le persone dei team, in altri casi suggeriscono quali possono essere le migliori azioni da intraprendere, sulla base delle best practice o delle precedenti situazioni.
