I 3 passi fondamentali per una Data Strategy vincente

Il patrimonio dati di un’azienda oggi più che mai rappresenta un asset strategico utilizzabile per migliorare i processi decisionali e acquisire un vantaggio cruciale nei confronti dei propri competitor.

Il problema è che possedere una grande quantità di dati non basta: bisogna essere in grado di estrarre valore da essi.

Vi sono infatti diversi passaggi da compiere prima di poter utilizzare i dati in modo efficace. Spesso le informazioni che ci interessano sono contenute in database che non parlano fra loro, vessati da problemi di incoerenza e da logiche complesse, che appesantiscono il processo di estrazione e lettura dei dati. In più, se il dato non viene correttamente “ripulito” una volta che esce dalla fonte operazionale – che sia il gestionale ERP, il CRM o il proprio sito web – rischia di essere inutilizzabile a causa della sua scarsa qualità, non permettendogli di essere immediatamente disponibile per l’analisi.

Se si vuole sfruttare in modo efficace i propri dati, è necessario pensare in ottica di lungo periodo. L’errore che molte aziende fanno in questo caso è quello di focalizzarsi eccessivamente sulle necessità e sui problemi correnti, quando invece sarebbe opportuno sviluppare una strategia che possa essere vincente anche nel lungo termine. Le soluzioni rapide infatti, sebbene utili per risolvere i problemi immediati, possono rivelarsi inadatte o addirittura controproducenti negli anni a venire. Ad esempio, investire molte risorse in un tool di reportistica aggiornato può portare vantaggi immediati, permettendo una lettura istantanea di quelli che sono i dati chiave per le performance aziendali. Se però alle spalle del front-end non vi è un solido sistema per l’estrazione, la pulizia, il caricamento e la conservazione dei dati, lo strumento su cui abbiamo investito tante risorse rischia di diventare inutilizzabile in poco tempo. Senza un’architettura adatta alla gestione del patrimonio dati infatti, qualora le condizioni di mercato o le logiche all’interno dei dati stessi dovessero cambiare, correre ai ripari può risultare molto costoso.

Per questo è importante sviluppare una strategia di lungo periodo, che riesca a diffondere in azienda la “cultura” dei dati, in modo da coinvolgere sia il personale IT sia gli analisti business e il management.

Secondo il modello proposto da Gartner (vedi figura), la strategia per la gestione dei dati aziendali dovrebbe partire dalla semplice analisi descrittiva (Che cosa è successo?), per poi passare ad un’analisi delle cause (Perché è successo?) e giungere infine a fare inferenze sul futuro (Che cosa succederà? Come possiamo far sì che accada?) tramite la Predictive Analytics e la Prescriptive Analytics.

Se si procede nella direzione giusta, risalendo questa sorta di scala, i dati aziendali vengono sempre più valorizzati e si è in grado di trarne profitto in modo efficace. Si passa infatti da una capacità di analisi limitata al breve periodo, che permette di risolvere i problemi correnti e di conseguire gli obiettivi tattici, alla possibilità agire in anticipo, battendo i competitors e conquistando per primi gli obiettivi strategici.

 

Gartner Analytic Ascendancy Model

 

Ma quali sono i passi fondamentali per costruire una strategia di gestione dei dati vincente, in grado di renderci capaci di estrarre valore dal patrimonio dati della nostra azienda?

  • Capire quali dati ci servono

Nell’era dei Big Data, è possibile misurare un’infinità di grandezze e ottenere in questo modo una mole impressionante di dati. Ma in mezzo a questo mare di informazioni, quali sono quelle cruciali che permetterebbero di accrescere significativamente il valore della nostra impresa? Su quali parametri è importante focalizzare gli obiettivi futuri?

Un primo passo per un’efficace strategia di gestione dei dati è sicuramente individuare quali possono essere i KPI che meglio rispondono a queste domande.

  • Capire da dove provengono i dati

Una volta individuati i dati di cui abbiamo bisogno, possiamo passare al passo successivo: capire dove si trovano questi dati. È quindi necessario esaminare attentamente le fonti per capire come questi dati sono prodotti e, soprattutto, dove questi dati esistono. In genere, è molto difficile che l’intero patrimonio dati dell’azienda sia già collocato in un unico luogo, accessibile dalle varie aree di business senza particolari procedimenti. Prima di arrivare sulla scrivania dei manager i dati possono subire diverse trasformazioni, in un processo che in assenza di architetture apposite – i Data Warehouse, ad esempio – rischia di essere enormemente dispendioso in termini di tempo e risorse. Allo stesso tempo è importante capire qual è il livello di dettaglio dei dati che abbiamo a disposizione (può essermi utile conoscere non solo il giorno, ma anche l’ora esatta di un certo evento?) e con che frequenza i dati vengono aggiornati. Parimenti, è necessario assicurarsi che profondità storica dei dati sia conservata correttamente per analizzare come certe grandezze siano mutate nel tempo.

  • Identificare l’infrastruttura più adatta per gestire i dati

Per la gestione del patrimonio dati aziendale vi sono soluzioni che possono presentare caratteristiche e approcci molto diversi. Occorre quindi identificare quale infrastruttura meglio si adatta ai bisogni della nostra impresa. È meglio sviluppare un Data Warehouse o affidarsi ad un Data Lake? Tutto dipende da quali sono le nostre esigenze e le risorse che abbiamo a disposizione (oltre che, ovviamente, alle caratteristiche dei dati che ci servono).  A questo punto è fondamentale chiedersi anche come saranno gestite, una volta implementate, le architetture per la gestione dei dati. Ecco alcune domande che è utile porsi in questa fase:

  • Il personale IT è in grado di effettuare le manutenzioni necessarie?
  • Le fonti dei dati sono complete o è necessario fare integrazioni con fonti esterne?
  • È opportuno costruire un Data Warehouse o è preferibile avvalersi di un Data Lake?
  • I dati “grezzi” che escono dalle fonti necessitano molte trasformazioni?
  • Una volta ripuliti, i miei dati potranno essere utilizzati dai Data Scientist per sviluppare sistemi di analisi predittiva?
  • Chi produrrà i report di cui ho bisogno?
  • Si tratterà di report statici o di report dinamici, che permettono l’interazione coi dati?
  • A chi sono destinati questi report? Dovranno essere letti anche da soggetti esterni all’impresa?

 

Questi primi 3 passi fondamentali ci permettono di vedere con maggiore chiarezza quali sono le nostre esigenze, e di iniziare a delineare una solida strategia per la gestione dei dati all’interno della nostra impresa. È importante infine ricordare che progettare un’architettura efficiente, scalabile per le varie aree di business ed in grado di raccogliere l’intero patrimonio dati aziendale non è un compito semplice. L’intero progetto deve essere correttamente pianificato e coinvolgere diverse figure professionali. In questo senso, adottare un approccio iterativo, che punti a preservare la massima qualità dei dati e al coinvolgimento degli utenti finali può essere la scelta vincente.

 

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.

Iscrivi alla newsletter







Dichiaro di aver letto ed accetto l’informativa sulla privacy

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.