4 pilastri per costruire una Data Strategy vincente

Aggiornato il / Creato il / Di Irene Di Deo

La Data Strategy è l'arte e la scienza con cui valorizzare internamente e/o esternamente i propri dati. Un piano d’azione di lungo termine volto al raggiungimento di un obiettivo ben definito.

Come si struttura una buona Data Strategy che sia allineata agli obiettivi di business e in grado di gestire Big Data? Dalla Data Governance agli Advanced Analytics, passando per la monetizzazione diretta dei dati, una buona gestione dei dati impone ripensamenti tecnologici e organizzativi. Passiamoli in rassegna in quest'articolo.

 

Che cos'è la Data Strategy

Con il termine Data Strategy si fa riferimento ad un piano d’azione di lungo termine volto al raggiungimento di un obiettivo specifico: valorizzare internamente e/o esternamente i dati.

Strutturare una buona Data Strategy, allineata alla Business Strategy, ha un rilevante impatto sui risultati economici, riducendo indirettamente i costi generali e migliorando 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 4 pilastri della Data Strategy

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.

 

1. La Data Governance

Il primo pilastro è la Data Governance. Qualsiasi siano le fonti e la struttura dei dati, è necessario dotarsi di strumenti adeguati e sviluppare processi in grado di garantirne integrità, affidabilità e buona qualità, ossia renderli pronti all’utilizzo. Ancora oggi, in molte realtà, il passaggio dai dati grezzi alle informazioni è vincolata ad operazioni poco standardizzate e ridondanti.

Di fatto, le ricerche condotte dall’Osservatorio Big Data & Business Analytics denotano un forte ritardo delle aziende nell’adattarsi alle esigenze informative attuali, 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 modelli organizzativi che, a seconda delle necessità e dello stato di avanzamento del cambiamento, permettono alla Data Governance di avere una sua autonomia dall’IT, al fine di 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 (che possiamo chiamare Chief Data & Analytics Officer) capace di collegare il mondo della Data Governance con quello della Data Science: questi due ambiti aziendali, pur con finalità molto differenti, sono fortemente interconnessi.

 

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

Guarda il Webinar

 

2. Lo sviluppo di progettualità di Advanced Analytics

Il secondo elemento da valutare per definire il grado di maturità aziendale nell’ambito Data Strategy è relativo all’utilizzo che si fa dei dati nello sviluppo di progettualità di Advanced Analytics.

I dati sono la materia prima e, ancor più nell’utilizzo di metodologie avanzate, come 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: il real-time analytics e l’integrazione di dati da più fonti. Nel primo caso, un rapido processamento del dato rischia di compromettere la qualità del risultato: 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 delle tecnologie e dei processi in uso per integrare dati molto eterogenei.

Non sorprende dunque che, mentre la quota di aziende che avvia progettualità di Advanced Analytics cresce di anno in anno, molte di queste si scontrano con aspetti legati alla governance, integrazione e preparazione dei dati.

 

3. Le tecnologie per una buona Data Strategy

Terzo fattore critico: le tecnologie di Data Management & Analytics utilizzate in azienda. Gestire e valorizzare 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 eterogeneo suggerisce di ampliare l’area di analisi integrando i dati interni, tipicamente strutturati, con dati provenienti da fonti esterne. L’adozione di tecnologie che abilitano il processo appena descritto è un requisito indiscutibile per sfruttare le opportunità di un contesto aziendale sempre più allargato e dinamico.

Le analisi in tempo reale abilitano inoltre nuove progettualità di analisi o permettono addirittura di automatizzare alcuni processi. Alcuni settori (in particolare vicini al mondo dell’Internet of Things) si sono già dotati per questo di tecnologie di Streaming Analytics.

Un ulteriore trend a cui si assiste è l’introduzione di Data Science Platform, ossia piattaforme pensate per supportare end-to-end il processo di sviluppo, testing e implementazione di progettualità di Advanced Analytics, favorendo collaborazione nel team di Data Science e governance dei modelli sviluppati.

 

4. La Data Monetization

Per la loro rilevanza nelle scelte aziendali, i dati hanno iniziato a incorporare un valore economico: diversi attori possono essere interessati oggi ad utilizzare dataset esterni, con finalità differenti: da una migliore profilazione della clientela al 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 attività volte alla condivisione dei dati con partner strategici per favorire sinergie, o allo scambio o compravendita di dati sul mercato.

Le attività di Data monetization non riguardano più soltanto gli Information Provider, ma anche aziende che hanno core business differenti e che possono dar vita in tal modo a nuove opportunità di mercato. La gamma di dati che è possibile mettere a disposizione può andare ben oltre le fonti tradizionali, quali dati di bilancio, ad esempio, 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.

 

La Data Strategy nelle imprese italiane: quali sono le tecnologie e le modalità di gestione dati utilizzate dalle aziende più avanzate?

Scopri il Report

  • Autore

Ricercatrice Senior degli Osservatori Big Data & Business Analytics e Artificial Intelligence