Pexels Artem Podrez 5716032 Min 891x501

Negli ultimi anni, molte imprese hanno già adottato o stanno iniziando ad approcciarsi a soluzioni di Analytics di vario tipo, che consentono di ottenere informazioni di qualità per le decisioni operative, tattiche e strategiche, con l’obiettivo di ottenere un vantaggio cruciale sui propri competitor. Infrastrutture come i Data Warehouse e i Data Lake, permettono ad esempio di sfruttare il patrimonio dati dell’azienda, rendendolo fruibile sia agli analisti di business sia ai Data Scientists per la realizzazione di modelli di analisi predittiva e di altri strumenti di analisi e visualizzazione. In questo contesto, un fattore che incide sull’efficacia delle soluzioni di Business Intelligence e di Intelligenza Artificiale è sicuramente rappresentato dalla cultura aziendale.

Sviluppare una cultura aziendale che incentivi l’innovazione significa riuscire a creare un ambiente dove ogni dipendente possa esprimere il proprio parere e abbia un margine di autonomia riguardo ai suoi compiti, in modo che possa provare a intraprendere strade alternative per risolvere i problemi che emergono quotidianamente. In questo senso, una cultura data-driven è caratterizzata da un processo decisionale che pone l’accento sulla possibilità di sperimentare nuove soluzioni (accettando quindi anche l’eventualità che esse possano fallire), a patto che esse siano guidate dai dati e non da opinioni o sensazioni. È importante ricordare che in una cultura dell’innovazione i fallimenti sono da considerarsi comunque utili, qualora si riesca ad imparare qualcosa da essi e i rischi siano ragionevolmente limitati. Un altro elemento cruciale è in questo caso la possibilità di proporre nuove idee e punti di vista diversi che mettano in discussione aspetti e processi già consolidati. In una cultura improntata all’innovazione, la frase “abbiamo sempre fatto così” non dovrebbe quindi essere usata per troncare a prescindere nuove idee, che potrebbero nascondere un grande potenziale se propriamente considerate.

Vediamo quindi quali sono gli ingredienti più importanti che permettono di realizzare una cultura aziendale data-driven:

Gli ingredienti di una cultura aziendale data-driven

Data Culture Min

Top Management

Il Top management ha sicuramente un ruolo chiave nell’adozione di una cultura data-driven e deve essere attivamente coinvolto nello sviluppo di una strategia per introdurre gli opportuni cambiamenti senza sconvolgere le dinamiche all’interno dell’impresa. Da un lato infatti, il middle management e i dipendenti potrebbero mostrarsi ostili al cambiamento, avversando l’adozione di nuovi strumenti e creando potenziali conflitti con nuove figure professionali come i Data Scientists. Dall’altro lato invece, eccessive aspettative circa l’efficacia delle soluzioni di Analytics potrebbero alimentare un sentimento di sfiducia, qualora non si raggiungessero immediatamente i risultati desiderati (è bene ricordare che alcuni strumenti mostrano la loro efficacia solo nel lungo periodo).

I dati

Forse può sembrare scontato ricordarlo, ma i dati restano sempre l’elemento cardine di qualsiasi strategia data-driven. In questo senso, è necessario capire quali dati si possiedono e quali sono le fonti che li generano, oltre ad assicurarsi di avere adottato le opportune misure per preservare dati di qualità elevata, in modo che riflettano fedelmente la realtà dei fatti. Questo vale non solo per chi si affaccia per la prima volta a questa prospettiva, ma anche per le aziende che hanno già investito in passato in soluzioni di Business Intelligence e Data Analytics. I dati storici possono ad esempio essere integrati con nuove fonti, sia interne che esterne, ed analizzati attraverso nuovi strumenti.

Strumenti

Ogni impresa che desideri orientare la propria cultura verso l’utilizzo dei dati deve dotarsi degli strumenti più opportuni a seconda dei propri bisogni ed obiettivi. Per una realtà di modeste dimensioni e con un numero molto limitato di dati può essere sufficiente impiegare strumenti di visualizzazione come Power BI, Tableau o Qlik per realizzare la cosiddetta self-service Business Intelligence. In imprese più grandi, con volumi di dati maggiori e necessità più ampie e diversificate è invece essenziale avvalersi anche di strumenti come Data Warehouse e Data Lake, tool di ETL e cubi OLAP, per realizzare un’architettura in grado di essere veramente efficace. Quando manca una solida struttura alle spalle del front-end possono infatti insorgere diversi problemi, come ad esempio sovraccarichi sul reparto IT (che deve occuparsi di reperire i dati) e problemi di incoerenza fra i dati stessi, potenzialmente in grado di produrre versioni della realtà discordanti che minano alla base la validità della Business Intelligence. Infine, qualora si possieda già una solida BI e si voglia aumentare le proprie potenzialità in termini di Analytics, è necessario adottare gli strumenti migliori per attività di Analisi Predittiva e Data Mining, che devono essere utilizzati con le adeguate competenze per produrre risultati tangibili (in questo caso, è opportuno avvalersi di un team di Data Scientist interno o di un consulente esterno come Dataskills).

Organizzazione

La maggior parte delle imprese possiede già all’interno del proprio reparto IT personale dedicato a mantenere attiva l’infrastruttura di Business Intelligence. Tipicamente, gli addetti alla BI si occupano di estrarre i dati per produrre report standardizzati, con cadenza mensile o trimestrale, che vengono poi analizzati e presentati dagli analisti di business. Tuttavia, per aumentare le capacità di Analytics è necessario sperimentare, manipolando i dati per provare a estrapolare insights ed elaborare nuove strategie. In questo senso, per ampliare lo spettro di analisi è indispensabile mettere i dati a disposizione degli analisti e del management, in modo che possano testare autonomamente le proprie idee, senza sovraccaricare di richieste il reparto IT. Questo processo di “democratizzazione” dell’accesso ai dati deve però essere accompagnato da una formazione continua in modo che chi utilizza i dati sia in grado di sfruttarne appieno le potenzialità.

Decision-making

Una volta che si possiedono tutti gli ingredienti sopracitati, il Decision-making è dove si rifletterà veramente la nuova cultura data-driven dell’azienda.

In particolare, si assisterà ad un rinnovato processo decisionale, caratterizzato da un ambiente dove il paradigma “test and learn” è la norma. Alcuni esperimenti inevitabilmente falliranno ed in tal caso è necessario non lasciarsi prendere dalla sfiducia ma provare a fare tesoro dei propri errori. Nella cultura data-driven non esistono idee troppo insolite o stravaganti, a patto che esse siano frutto di analisi giustificate dai dati. In un contesto ideale, per ogni problema di business si stabilisce quali dati debbano essere raccolti ed analizzati per trovare la soluzione migliore, in modo da prendere decisioni senza basarsi su opinioni o sensazioni.

Mentalità

Last but not least, l’ingrediente meno tangibile ma forse più importante è essere disposti ad accettare il cambiamento. Modificare la cultura aziendale non è un compito semplice, e anche possedendo tutti gli strumenti non è detto che le persone riescano a mutare la propria mentalità verso un approccio guidato dai dati. Per far sì che questo accada è importante che i membri dell’azienda capiscano come la cultura data-driven possa incidere sulle performance e trasformare positivamente anche gli aspetti quotidiani del proprio lavoro, migliorando la qualità della vita aziendale e, possibilmente, anche incrementando gli stipendi e i benefit dei lavoratori stessi.

 

Per approfondire:

 

Fonti:

Vidgen, R., Shaw, S., & Grant, D. B. (2017). Management challenges in creating value from business

analytics. European Journal of Operational Research.

LaValle et al. (2011). Big Data, Analytics and the Path From Insights to Value. MIT Sloan Management Review.

Rezzani, A. (2012). Business Intelligence: processi, metodi, utilizzo in azienda. Maggioli editore.

 

 

Andrea Bergonzi 150x150

Andrea Bergonzi

Sono laureato in Economia, Finanza e Mercati Internazionali presso l’Università Cattolica di Milano. Prima di terminare gli studi, ho ricoperto il ruolo di analista dei mercati finanziari presso una società di consulenza e ho collaborato come Research Editor con una società di Singapore. Dal 2020 sono membro di Dataskills, dove mi occupo di Data Science e Business Intelligence.

Comments are closed.

Iscrivi alla newsletter













    Dichiaro di aver letto ed accetto l’informativa sulla privacy

    Andrea Bergonzi 150x150

    Andrea Bergonzi

    Sono laureato in Economia, Finanza e Mercati Internazionali presso l’Università Cattolica di Milano. Prima di terminare gli studi, ho ricoperto il ruolo di analista dei mercati finanziari presso una società di consulenza e ho collaborato come Research Editor con una società di Singapore. Dal 2020 sono membro di Dataskills, dove mi occupo di Data Science e Business Intelligence.