Oggi si parla sempre più di approccio "data-driven". Il marketing, la cultura aziendale, il design, l’innovazione di prodotto. Tutto deve essere approcciato secondo un logica data-driven. La grande mole di dati a disposizione delle aziende, i cosiddetti Big Data, d’altronde deve essere valorizzata nel modo giusto, così da poter trarre vantaggio competitivo ed effettuare le scelte di business migliori.
Ma cosa vuol dire all’atto pratico essere “data-driven”? In che modo le aziende devono ripensare i propri processi in un’ottica orientata al dato? La trasformazione data-driven è una sfida ancora in atto e per affrontarla al meglio occorre il giusto mix di competenze e strumenti. In quest’articolo vediamo quali sono gli step principali per trasformare la propria azienda in una data-driven company.
Il vero significato “data-driven”
Iniziamo con una definizione di fondo. Con il termine data-driven, letteralmente “guidato dai dati”, si intende la costruzione di processi decisionali sempre di più basati sulle informazioni estraibili dai dati. Rendere data-driven i processi decisionali di un’organizzazione complessa comporta una rivisitazione delle competenze e dei modelli di governance.
Per supportare questa trasformazione, l’Osservatorio Big Data & Business Analytics ha sviluppato un framework di sintesi, denominato Analytics Skill Journey, fondato su due direzioni.
- La prima è la necessità di sviluppare una forte Data Literacy diffusa in azienda, intesa come capacità di analizzare e interpretare i dati al fine di ricavare informazioni utilizzabili per prendere decisioni.
- La seconda è la formazione di un Core Team con competenze trasversali in ambito analytics, business e IT, che costituirà di fatto il principale centro di competenza sull’analisi dei dati in azienda.
4 step per diventare una data-driven company
L’Analytics Skill Journey si propone come una guida pratica per la trasformazione data-driven in quattro fasi, descrivendo gli obiettivi intermedi e gli step da intraprendere per sviluppare la cultura degli analytics.
Nelle fasi primordiali, l’organizzazione deve sperimentare progetti di Advanced Analytics con il supporto di partner tecnologici esterni, incrementando man mano le competenze interne. L’obiettivo intermedio è creare un team di Data Science maturo e mettere in pratica azioni di diffusione della data literacy.
Approccio data-driven nel mondo vitivinicolo: il caso Masi Agricola
1. Data-driven si nasce: la fase della consapevolezza
L’azienda entra nella prima fase con un approccio tradizionale, in cui al più vengono svolte attività di business intelligence. In questa prima fase il team di Data Science è inesistente ma, a partire da una singola funzione aziendale o da poche figure d’innovazione, si iniziano a sperimentare progettualità di Advanced Analytics, soprattutto grazie al supporto di partner tecnologici esterni.
L’obiettivo è tastare il terreno, studiare la fattibilità di progetti complessi e sviluppare una cultura di base. La capacità di scegliere progetti quick-win sarà determinante nel mostrare concrete dimostrazioni dei benefici della Data Science e quindi convincere i decisori aziendali nel proseguire in questa direzione.
2. Data-driven si diventa: sviluppare il team di Data Science
La formazione di un Core Team permette di internalizzare la gestione di nuove progettualità. È indispensabile quindi, nelle prime battute, organizzare le competenze in un unico gruppo tecnico, formato principalmente da data scientist e data engineer: in questa fase risulta decisivo condividere esperienze, sviluppare un linguaggio comune e agevolare la nascita di best practices da esportare in tutta l’organizzazione. A questo punto al core team non rimane che integrare l’ultimo ingrediente, ossia il business: figure molto tecniche, appena formate o assunte da poco tempo, hanno bisogno di interagire con gli end-user.
Per far sì che il dialogo sia costruttivo, è legittimo pensare a politiche di sensibilizzazione o formazione per gli utenti finali. L’avviamento di un percorso di cambiamento tecnologico può provocare sensazioni di smarrimento nonché incomprensioni, per questo un programma educativo può facilitare la comprensione del cambiamento, generando così nuovi sostenitori e promotori delle iniziative di data science: affidarsi a un partner esterno con percorsi di apprendimento personalizzati e una conoscenza multi-industria può essere preferibile. Si rivela inoltre molto efficace la pianificazione di workshop interni per applicare concetti talvolta astratti e permettere di affrontare le difficoltà e gli errori comuni nelle progettualità di Advanced Analytics. Infine, sono apprezzabili sedute di brain storming per far emergere idee e soluzioni.
Man mano, l’azienda sarà sempre più coinvolta in progettualità evolute e, procedendo a macchia di leopardo, il core team inizierà a portare avanti in maniera proattiva un numero crescente di sperimentazioni. L’obiettivo della seconda fase è quindi inserire la competenza mancante e rendere partecipe l’intera organizzazione.
3. Data-driven si cresce: coinvolgere tutta l’organizzazione
A questo punto, l’obiettivo è consolidare l’approccio sperimentale adottato nella fase precedente e coinvolgere sempre più funzioni aziendali. Per rendere l’intera azienda data-driven è consigliabile individuare i cosiddetti Analytics Translator.
L’Analytics Translator è una figura intermedia tra il team di Data Science e le linee di business, si tratta di un ruolo chiave perché facilita la prioritizzazione dei progetti e accelera la comprensione degli insight. Ha una visione chiara del dominio aziendale (business, processi, settore), conosce il linguaggio degli Analytics (modelli statistici e linguaggi di programmazione) e dispone di spiccate doti di project management.
In questa fase la mole di lavoro risulta sicuramente superiore ed è necessario attuare una gestione efficiente delle risorse.
4. Data-driven si matura: bilanciare ruoli e risorse
L’ultimo passo è rendere pervasive le attività di Data Analytics e Data Science. L’azienda in questa fase ha raggiunto una buona maturità, dispone delle risorse adeguate e le deve bilanciare nella maniera corretta tra il Core Team e le linee di business.
Una netta divisione nei compiti è imprescindibile per evitare conflitti d’interesse: il nucleo centrale è responsabile della strategia di Data Science mentre le linee di business saranno impegnate a livello operativo. La giusta distribuzione di risorse permetterà di portare a termine progetti complessi, apportare migliorie su progetti già conclusi e soprattutto sviluppare un sistema di monitoraggio e misurazione dell’attività.
In conclusione
Rendere un’azienda data-driven significa iniziare un percorso caratterizzato da una forte componente umana oltre che tecnologica.
Ad oggi, secondo le rilevazioni dell’Osservatorio Big Data & Business Analytics, circa una grande azienda su due ha almeno un Data Scientist al proprio interno, tra queste però più della metà permane in un approccio decentralizzato, ossia vi sono numerose figure che si occupano di Analytics in diverse funzioni aziendali.
Questo approccio, efficace nel breve periodo, non facilita lo sviluppo di una vera cultura data-driven.
Trasformazione data-driven: quale percorso da seguire e dove si trovano le aziende italiane?
- Autore
Gli ultimi articoli di Nicola Ciani
