Fare una buona Data Strategy assicura la capacità di valorizzare internamente e/o esternamente i dati che un’azienda possiede. In pratica, definire una strategia basata sui dati, è come avere un piano d’azione di lungo termine per raggiungere un obiettivo ben definito.
Ogni azienda, però, per strutturare una buona data strategy deve conoscere il giusto metodo. In questo articolo, con l’aiuto della Ricerca dell’Osservatorio Big Data & Business Analytics della POLIMI School of Management, capiremo come si struttura una buona Data Strategy, come allinearla agli obiettivi di business e come gestire i Big Data.
Prima di comprendere come strutturare una buona Data Strategy e come sfruttare le sue opportunità in azienda, diamone una definizione precisa e puntuale.
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.
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.
Come costruire una buona Data Strategy e su quali pilastri misurarne la maturità? Possiamo identificarne quattro.
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, ma non solo. Bisogna anche sviluppare processi in grado di garantire integrità, affidabilità e buona qualità. Tutto questo, per renderli pronti all’utilizzo. Ancora oggi, in molte realtà aziendali, il passaggio dai dati d’origine alle informazioni è vincolata ad operazioni poco standardizzate e ridondanti.
Di fatto, le ricerche condotte dall’Osservatorio Big Data & Business Analytics evidenziano un forte ritardo delle aziende nell’adattarsi alle esigenze informative attuali. Questo succede sia nell’organizzazione che nelle tecnologie utilizzate. Nella maggior parte dei casi, le grandi aziende non sono dotate di figure di responsabilità e modelli organizzativi efficaci, nonostante il tema sia percepito come imprescindibile. Altre realtà, più mature sul tema, hanno sviluppato, invece, alcuni modelli organizzativi efficaci. Questi modelli, a seconda delle necessità e dello stato di avanzamento del cambiamento, permettono alla Data Governance di avere una sua autonomia dall’IT. Tutto ciò per favorire un approccio strategico all’utilizzo e valorizzazione dei dati.
Il prossimo step evolutivo, come ci dicono gli analisti internazionali, è l’inserimento di una figura C-Level, ovvero in alto nella gerarchia aziendale, (che possiamo chiamare Chief Data & Analytics Officer) capace di collegare il mondo della Data Governance con quello della Data Science. Infatti, questi due ambiti aziendali, pur con finalità molto differenti, sono fortemente interconnessi.
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.
Come detto in precedenza, i dati sono “materia prima” e, soprattutto nell’utilizzo di metodologie avanzate, come per 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:
Nell’utilizzo del Real-time Analytics, un rapido processamento del dato rischia di compromettere la qualità del risultato. Proprio per questo, sono necessari standard di Data Quality e processi di Data Governance più agili, abilitati anche dalle nuove tecnologie oggi presenti sul mercato.
Considerazioni simili valgono per il tema dell’integrazione dei dati da più fonti. Ad oggi la maggior parte degli sforzi nell’ambito Advanced Analytics sono focalizzati proprio sull’estrazione di insights da più fonti; tuttavia, sono poche le aziende che si dichiarano soddisfatte dalle tecnologie e dai processi in uso per integrare i dati che, molto spesso, sono eterogenei.
Proprio per questo, non sorprende che, 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.
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.
La necessità di avere informazioni affidabili in un dominio aziendale sempre più vario suggerisce di ampliare le analisi integrando dati interni, quasi sempre strutturati, con dati provenienti da fonti esterne. L’adozione di tecnologie che abilitano questo processo è un requisito fondamentare per sfruttare le opportunità di un contesto aziendale sempre più dinamico.
Le analisi in tempo reale abilitano, inoltre, nuovi progetti di analisi o permettono di automatizzare alcuni processi. Alcuni settori (in particolare vicini al mondo dell’Internet of Things) si sono per questo dotati di tecnologie di Streaming Analytics.
Un altro trend a cui si assiste è l’introduzione di Data Science Platform. Queste sono piattaforme pensate per supportare end-to-end il processo di sviluppo, testing e implementazione di progettualità di Advanced Analytics. Ciò favorisce la collaborazione nel team di Data Science e governance dei modelli sviluppati.
Per la loro rilevanza nelle scelte aziendali, i dati hanno iniziato ad avere anche un valore economico. Sono diversi, infatti, 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.
Per questo, un ultimo fattore da considerare in una buona Data Strategy è la Data Monetization (o più precisamente Data Monetization esterna), intesa come quell’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. Riguardano, infatti, 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, ad esempio 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.
Contenuti suggeriti dell’Osservatorio Data & Decision Intelligence
