Ho costruito un team di Data Science: e ora?

Con la ricerca 2020 dell’Osservatorio Big Data & Business Analytics abbiamo certificato l’esistenza di un gap - tecnologico, progettuale e, ancor prima, culturale – tra aziende mature in ambito Data Science e aziende che si sono approcciate con ritardo al tema. Nonostante vi sia stato un aumento di consapevolezza sull’importanza dei dati, l’emergenza pandemica ha accentuato un divario già esistente, che ha avuto un’ovvia ricaduta sugli investimenti e sulla capacità progettuale.

In questo contesto, come si stanno muovendo le aziende più mature? Quali sono le sfide che si pongono per il 2021 e quali risposte hanno dato a problematiche progettuali e organizzative con cui molte altre aziende potrebbero scontrarsi in futuro? Nel ripartire con l’edizione 2021 dell’Osservatorio, ne abbiamo discusso in un evento dedicato, con il nostro Advisory Board - un comitato di selezionati C-level ed Executive sul tema – e con alcuni rilevanti attori dell’offerta in ambito Analytics.

Come adottare davvero gli Analytics in azienda?

Con l’espressione adozione degli Analytics intendiamo la progressiva implementazione ed utilizzo da parte degli utenti di un numero crescente di data product, a partire da dashboard interattive fino ad elaborati modelli di machine learning. Detto ciò, quali sono gli elementi che ci aiutano a raggiungere questo obiettivo? La tecnologia è un fattore abilitante ma di certo non è la risposta.

Come noto a livello internazionale, e come confermano le rilevazioni 2020 dell’Osservatorio, il coinvolgimento degli utenti fin dalle prime fasi dello sviluppo progettuale è cruciale. Il concetto chiave, apparentemente banale, dell’utilità della Data Science deve tradursi in meccanismi che permettano di allineare obiettivi e strategie. Le aziende mature hanno strutturato al proprio interno dei sistemi di relazione tra funzioni di Data Science e linee di business, sistemi di relazione innovativi, dalla creazione di team cross-funzionali alla nascita di community interne di scambio e condivisione, passando per l’identificazione di nuovi ruoli, come ad esempio l’Analytics Translator.

Che cosa fa un Analytics Translator? Proviamo, semplificando leggermente, a riassumere con una frase il suo principale compito in azienda: supporta gli esperti di dominio nel formulare correttamente domande a cui i dati disponibili possono dare una risposta e fornisce, grazie a competenze analitiche e comprensione delle dinamiche di business, una corretta interpretazione dei risultati raggiunti.

Governare e analizzare i dati: i trend e la maturità delle aziende italiane

V come Valore ma anche come Valutazione

Ormai da alcuni anni si è iniziato a porre l’accento sul Valore dei Big Data, cioè sull’effettiva capacità dell’analisi dei dati di avere un impatto in grado di creare vantaggio competitivo per l’azienda. Passata la fase di hype, si è compreso che i dati non hanno valore in sé e quelle aziende che oggi hanno al proprio interno nutriti gruppi che si occupano di Data Science diventano sempre più esigenti.

La capacità di valutare il valore generato diventa quindi la sfida principale. Ci sono tipologie progettuali per cui la risposta è più semplice: quanto sono riuscito a risparmiare grazie ad un nuovo algoritmo di identificazione delle frodi? Di quanto è aumentata l’efficacia delle mie campagne marketing grazie a una nuova metodologia di profilazione degli utenti? Ci sono altri ambiti, persino più strategici (pensiamo al mondo della safety in ambito manifatturiero), su cui un punto di vista strettamente economico-finanziario risulterebbe miope. Da non dimenticare poi cosa c’è dietro l’analisi dei dati: qual è il valore di attività di Data Governance o di Data Engineering? La creazione di un Data Catalog non è certo un mero esercizio di stile, ma come misurarne i risultati?

Il team di Data Science: da start up a scale up?

Seppur in grandi multinazionali, negli anni sono nati piccoli team di Data Science, quasi come startup innovative interne. Un ristretto gruppo di innovatori, chiamati a mettersi a disposizione della propria realtà, in modo proattivo e collaborativo. Oggi, per molti, è il momento di scalare.

Proseguendo il paragone con le startup, potremmo dire che un modello di business rivelatosi profittevole deve essere replicato. Ciò può voler dire coinvolgere sempre più funzioni aziendali o replicare delle attività su più Stati. Da qui, una domanda su tutte: cosa significa sfruttare le economie di scala nel mondo della Data Science? Non si tratta semplicemente dell’introduzione di una tecnologia in più Paesi ma della verifica di riproducibilità delle metodologie e degli algoritmi. Non solo una questione tecnica, dunque, ma la necessità di coinvolgere nuovi stakeholder e conoscere nuovi contesti di business.

Le nuove frontiere della tecnologia danno vita a nuove domande

Se, nella logica del Self-Service Data Analytics, viene data la possibilità ad utenti non specialisti di elaborare dei modelli analitici, chi garantisce la buona qualità dei risultati? Come si gestiscono e governano in maniera efficiente dati non strutturati? Come si certifica la qualità dei dati in un contesto di analisi dei dati in streaming? Chi ha la responsabilità di decisioni totalmente o parzialmente automatizzate? Sono tantissime le domande che le nuove opportunità tecnologiche portano al tavolo, domande che nascono dalla tecnologia ma si esplicano in decisioni organizzative o progettuali, finanche etiche.

Il tema degli Analytics si dimostra sempre più trasversale, in grado di avere un impatto non soltanto sulle tecnologie in uso e su singole applicazioni, ma nel concreto dei meccanismi decisionali e delle modalità di lavoro di una platea aziendale in continua crescita.

Nel ripartire con l’edizione 2021, ringraziamo le aziende con cui ci siamo confrontati per discutere questi ed altri interrogativi e che ci accompagneranno in questo anno di ricerca.

Vuoi capire come sfruttare le opportunità dei Big Data e degli Advanced Analytics per il tuo business?