In questo articolo, con l’aiuto della Ricerca dell’Osservatorio Data & Decision Intelligence della School of Management del Politecnico di Milano, capiremo come si struttura una buona Data Strategy, come allinearla agli obiettivi di business e come gestire i Big Data.
Con il termine Data Strategy si fa riferimento ad un piano d’azione di lungo termine volto al raggiungimento di un obiettivo specifico: quello di valorizzare internamente e/o esternamente i dati.
Strutturare una buona Data Strategy, allineata alla Business Strategy, ha un impatto rilevante sui risultati economici. Questo perché contribuisce a ridurre (indirettamente) i costi generali e migliora la marginalità operativa. Ne sono consapevoli i board aziendali che nell’ultimo decennio hanno già approfittato delle opportunità abilitate dai nuovi scenari tecnologici, in particolare la capacità di immagazzinare e trattare Big Data, analizzarli e trarne valore.
In un contesto sempre più competitivo, i dati rappresentano uno degli asset più strategici di un’azienda. Senza una strategia chiara, il rischio è di disporre di enormi quantità di informazioni senza riuscire a trasformarle in valore concreto.
Una Data Strategy efficace consente di:
Adottare una Data Strategy strutturata produce benefici concreti e misurabili a livello operativo, strategico e competitivo. Vediamo i principali:
La Data Strategy trova applicazione in tutti i principali settori industriali, con modalità e obiettivi specifici per ciascuno:
I confini su cui si muove la definizione di una buona Data Strategy sono certamente cambiati negli ultimi anni, risultato di uno sviluppo tecnologico che obbliga a un’ulteriore evoluzione dei piani aziendali. In particolare, l’avvento dei dati non strutturati, l’utilizzo sempre più estensivo del Machine Learning e la progressiva creazione di un mercato dei dati aprono nuove opportunità e pongono nuove sfide.
Oggi possiamo identificare quattro pilastri su cui è possibile misurare la Data Strategy.
Il primo pilastro per impostare una strategia basata sui Dati è la Data Governance. Qualsiasi siano le fonti e la struttura dei dati, è necessario dotarsi di strumenti adeguati. Inoltre, bisogna sviluppare processi in grado di garantire integrità, affidabilità e buona qualità, per renderli pronti all’utilizzo.
Ancora oggi, in molte realtà aziendali, il passaggio dai dati alle informazioni è ostacolato da processi poco standardizzati, responsabilità non sempre chiare e strumenti di governo del dato ancora parziali. Le ricerche dell’Osservatorio Data & Decision Intelligence evidenziano infatti una maturità ancora disomogenea: molte grandi aziende non hanno ancora consolidato una Data Governance pienamente strutturata. Nelle realtà più mature, invece, il governo del dato sta assumendo una crescente autonomia rispetto all’IT, grazie alla formalizzazione di ruoli dedicati, all’introduzione di strumenti specifici e a una maggiore integrazione nei processi aziendali. L’obiettivo, in questi casi, è rendere la valorizzazione dei dati una leva strategica sempre più misurabile, diffusa e orientata al business.
In questo percorso, uno degli elementi che distingue le organizzazioni più avanzate è la presenza di una guida chiara e riconoscibile a livello executive, capace di collegare il governo del dato con le esigenze di valorizzazione analitica e decisionale.
Nel 2025, stando ai dati di Ricerca dell’Osservatorio Data & Decision Intelligence, solo il 20% delle grandi aziende italiane ha nominato un executive alla guida della propria strategia dati, come Chief Data Officer o Chief Data & Analytics Officer.
Il secondo pilastro utilizzato per definire la maturità aziendale nell’ambito della Data Strategy è l’utilizzo che si fa dei dati nello sviluppo di progetti di Advanced Analytics.
I dati sono “materia prima”. Soprattutto nell’utilizzo di metodologie avanzate come gli algoritmi di Machine Learning, è necessario utilizzare dati di ampio volume e ben bilanciati per allenare modelli affidabili.
La necessità di avere dati di buona qualità è strettamente connessa con altre due tendenze in atto:
Oggi sono poche le aziende che si dichiarano soddisfatte dalle tecnologie e dai processi in uso per integrare i dati che, molto spesso, sono eterogenei. Mentre la quota di aziende che avvia progetti di Advanced Analytics cresce, molte si scontrano con aspetti legati alla governance, all’integrazione e alla preparazione dei dati.
Secondo l’Osservatorio, ancora il 27% delle grandi organizzazioni italiane non ha avviato alcun progetto di Advanced Analytics. Tra chi ha già sperimentato almeno un progetto, però, l’87% ha aumentato il numero di iniziative nell’ultimo anno.
Un terzo fattore critico per stabilire una buona Data Strategy, sono le tecnologie di Data Management & Analytics utilizzate in azienda. La gestione e la valorizzazione dei Big Data nelle dinamiche di business implica l’adozione di strumenti ad hoc, strumenti che vivono in continua evoluzione.
Le principali aree tecnologiche da considerare sono:
L’Osservatorio ha rilevato che l’87% delle grandi aziende italiane ha lavorato alla costruzione di una Data Platform, ma poche realtà riescono oggi a governare in modo completo l’intero ciclo di vita del dato, cruciale per generare valore attraverso le metodologie di Intelligenza Artificiale.
Per la loro rilevanza nelle scelte aziendali, i dati hanno iniziato ad avere anche un valore economico. Sono diversi gli attori che possono essere interessati all’utilizzo di dataset esterni, sia per una migliore profilazione della clientela sia per il miglioramento di efficacia dei propri modelli predittivi.
La Data Monetization (o più precisamente Data Monetization esterna) consiste in un insieme di azioni volte alla condivisione dei dati con partner strategici. Questo succede per favorire sinergie tra aziende, o per lo scambio o la compravendita di dati sul mercato.
Le attività di Data Monetization, quindi, non riguardano più soltanto gli Information Provider. Coinvolge anche le aziende che hanno core business differenti e che possono dar vita a nuove opportunità di mercato. La gamma di dati che è possibile mettere a disposizione può andare ben oltre le fonti tradizionali. Un esempio potrebbero essere i dati di bilancio nella direzione di fonti dati semi-strutturate, come i dati geo-spaziali. Pur nei limiti normativi, di anno in anno, la quota di grandi organizzazioni che compie azioni di acquisizione o compravendita di dati aumenta.
Nonostante i benefici siano chiari, costruire e mantenere una Data Strategy efficace non è privo di ostacoli. Le organizzazioni si trovano ad affrontare sfide a livello organizzativo, tecnologico e non solo:
La Generative AI può essere una risposta parziale alla carenza di talenti: semplifica il lavoro degli specialisti nel coding, nella creazione di report standardizzati e nelle attività di pulizia dei dati. Il 45% delle organizzazioni ha già messo a disposizione dei propri Data Expert strumenti di GenAI selezionati a livello centrale. Nel 37% dei casi, invece, i singoli professionisti utilizzano in autonomia le applicazioni – senza una supervisione centralizzata. È qui che nasce il fenomeno della Shadow AI: l’uso di strumenti AI non approvati che espone l’azienda a rischi concreti di sicurezza, perdita di controllo sui dati e violazioni normative.
Questo scenario rende ancora più urgente il punto sollevato da Alessandro Piva, Responsabile della Ricerca dell’Osservatorio, durante il Convegno dei risultati di Ricerca:
“La sfida che le imprese si trovano ad affrontare oggi è duplice. Da un lato, è essenziale mantenere una sana cultura basata sul miglioramento del decision-making, consapevoli che l’AI rappresenta un mezzo e non il fine ultimo. Dall’altro, è cruciale preparare le piattaforme dati aziendali per diventare AI-ready, in vista di un’ondata di innovazione che richiederà maggiore scalabilità e apertura verso una crescente eterogeneità di applicazioni di intelligenza artificiale. Da questo deriva un avvicinamento sempre più marcato tra Data Governance e AI Governance, due ambiti interconnessi che ora più che mai necessitano di logiche di dialogo e collaborazione”.
Contenuti suggeriti dell’Osservatorio Data & Decision Intelligence
