Business Analytics, come si imposta e gestisce un progetto

Nell'era digitale in cui viviamo, la gestione e l'analisi dei dati rappresentano un pilastro fondamentale per il successo delle imprese. Il Business Analytics si erge come una disciplina che sfrutta i dati per trarre informazioni preziose e prendere decisioni strategiche. Al centro di questo processo ci sono tre pilastri chiave: obiettivi, competenze e metodologie. Questi elementi collaborano sinergicamente per garantire un'analisi accurata e una comprensione profonda dei fenomeni aziendali. Ma cosa sono esattamente i Big Data e i Business Analytics e come vengono utilizzati dalle aziende? In questa guida, ci immergeremo nel mondo degli Analytics, esplorando gli obiettivi e le modalità di analisi, con il contributo dell'Osservatorio Big Data & Business Analytics del Politecnico di Milano.

In questa pagina:

• Cosa sono i Business Analytics
• La Data Analysis
  • Obiettivi dei Business Analytics
  • Le competenze per gestire un progetto di Business Analytics
  • Metodologie di Business Analytics
  • Descriptive Analitycs
  • Predictive Analytics
    • Prescriptive Analytics
    • Automated Analytics
• Tipologie di Business Analytics in azienda

Cosa sono i Business Analytics

I Business Analytics stanno impattando fortemente sulla capacità competitiva di grandi aziende e non solo. Con la collaborazione dell'Osservatorio Big Data & Business Analytics, possiamo dare una definzione dettagliata di cosa sono i Business Analytics: 

Sfruttare i Business Analytics significa avere le competenze e gli strumenti tecnologici adeguati a identificare correlazioni tra dati eterogenei e di grandi volumi. Questa capacità può trasformarsi in un aumento delle performance aziendali in maniera trasversale sui settori o i processi.

Data Analysis: obiettivi, competenze e metodologie a supporto dei Big Data

Realizzare un progetto di analisi e gestione dei dati all'interno di un'azienda vuol dire fronteggiare diverse sfide legate agli obiettivi di business da perseguire, agli strumenti tecnologici a disposizione e alle competenze da mettere in campo.

Oltre a chiedersi cosa siano i Big Data che, come detto, sono enormi volumi di dati eterogenei per fonte e formato, analizzabili in tempo reale, e a come gestirli è, dunque, doveroso capire in che modo un progetto di Business Analytics possa dare valore all'azienda.

In generale, le organizzazioni che decidono di introdurre una strategia di Analytics Big Data possono farlo con differenti livelli di maturità. È importante, però, nel momento in cui si dà vita a un progetto, avere ben chiare tre variabili:

• gli obiettivi e le finalità di un progetto di Business Analitycs;
• le competenze necessarie per la gestione della Data Science;
• le metodologie e gli strumenti a supporto dei Business Analytics, che illustreremo più avanti nel dettaglio all'interno di questa guida.

Gli obiettivi dei Business Analytics

Quando è opportuno impostare un progetto di Business Analytics per un'azienda? Partire dal problema da risolvere – in termini più tecnici da uno "use case" – o partire dall’ "inventario" dei dati a disposizione? Le aziende seguono approcci differenti ed entrambe le opzioni possono avere vantaggi e rischi. L’importante è, però, definire gli obiettivi con chiarezza, puntando il più possibile sulla misurabilità dei benefici dei dati.

Sono diversi i casi in cui una corretta analisi dei dati in possesso dell'azienda può giovare al business della stessa. Tra i principali segnaliamo:

1. migliorare l'engagement con il cliente;
2. aumentare le vendite;
3. ridurre il time to market;
4. identificare nuovi prodotti e servizi od ottimizzare l'offerta attuale;
5. ridurre i costi;
6. identificare nuovi mercati.

Opportunità (più che obiettivi) perseguibili alla distanza. È nel lungo periodo, infatti, che emergono le vere potenzialità dei dati.

Come gestire progetti di Business Analytics

La grande mole di dati a disposizione dell'azienda, se analizzata da chi è in grado di estrarne valore, può rappresentare un elemento indispensabile di vantaggio competitivo. Il Data Scientist è la figura professionale che comunemente si associa alla capacità di estrarre valore dai dati.

Il mix di competenze necessarie a questa figura professionale è molto variegato. Nel 2012 il Data Scientist è stato definito il lavoro più "sexy" del XXI secolo, ma molte aziende si chiedono ancora quali siano le skill che lo caratterizzano. Dall’informatica al business, dall'introduzione degli algoritmi di machine learning alla data visualization, la sfida organizzativa e l’attrazione dei talenti giusti è un fattore critico nel successo delle progettualità di Business Analytics.

Le metodologie di Business Analytics

I progetti di Business Analytics possono essere classificati in base al livello di maturità delle metodologie utilizzate nell’analisi dei dati, e, di conseguenza, dalle informazioni che si è in grado di estrarne. In prima battuta distinguiamo i Descriptive Analytics dagli Advanced Analytics.

Descriptive Analytics

Ricadono sotto questa categoria l’insieme degli strumenti orientati a descrivere la situazione attuale e passata dei processi aziendali e/o aree funzionali. Tali strumenti permettono di accedere ai dati secondo viste logiche flessibili e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione.

Nonostante l'uso dei Descriptive Analytis sia ormai consolidato (la totalità delle grandi organizzazioni svolge analisi descrittive sui propri dati), vi sono molteplici traiettorie d’evoluzione, relative all’aggiornamento dei dati in tempo reale, al miglioramento e arricchimento delle tipologie di visualizzazione e all’ampliamento della platea di coloro che accedono e interagiscono con le analisi.

Advanced Analytics

Gli Advanced Analytics comprendono le categorie di Predictive, Prescriptive e Automated Analytics, che analizzeremo più nel dettaglio nei prossimi punti di questa guida.

Attraverso gli Advanced Analytics si realizzano progettualità avanzate che hanno finalità almeno predittive e che possono avere un impatto molto rilevante su uno o più processi aziendali. Per realizzare un progetto di Advanced Analytics vanno considerati diversi aspetti, quali, ad esempio, la scalabilità delle tecnologie, le diverse fasi di sviluppo, il coinvolgimento degli utenti di business.

Predictive Analytics

I Predictive Analytics sono strumenti avanzati che effettuano l’analisi dei dati per rispondere a domande relative a cosa potrebbe accadere nel futuro. Queste tipologie di analisi si caratterizzano per l’utilizzo di tecniche matematiche quali regressione, forecasting, modelli predittivi ecc.

Almeno fanno uso dei Predictive Analytics, almeno in alcuni processi aziendali. Se dovessimo parlare del presente ma ancor di più del futuro del mondo delle analisi predittive, la parola chiave sarebbe una sola: Machine Learning.

Prescriptive Analytics

Lo sviluppo di analisi predittive e, quindi, l'utilizzo di Presciptive Analytics, è la condizione necessaria, ma non sufficiente, per sviluppare analisi ancor più avanzate, che chiamiamo prescrittive.

Si tratta in questo caso di modelli di ottimizzazione che riescono a ipotizzare una serie di scenari futuri. Questa tipologia di Analytics richiede, quindi, l’utilizzo di tool avanzati che, a partire dall’analisi dei dati, sono capaci di proporre al decision-maker soluzioni operative/strategiche sulla base delle analisi svolte.

Gli ambiti applicativi dei Prescriptive Analytics sono vari. Alcuni esempi sono l’ottimizzazione della supply chain e la manutenzione predittiva.

Automated Analytics

Vi sono alcuni processi o alcune situazioni, cosiddette di fast decision-making, in cui è possibile automatizzare non solo l’analisi e l’identificazione della scelta ottimale, ma anche l’azione stessa. Si parla, in questi casi, di Automated Analytics, ovvero di strumenti capaci di implementare autonomamente l’azione proposta secondo il risultato delle analisi dei dati svolte.

L’esempio classico è il dynamic pricing su un sito web, ma vi sono anche altri casi interessanti, come lo smistamento automatico delle pratiche in ambito bancario o assicurativo, in ottica di identificazione delle frodi.

Le tipologie di Business Analytics utilizzate dalle aziende

Da un'analisi condotta dall'Osservatorio Big Data & Business Analytics, emerge come tutte le grandi organizzazioni ora facciano uso di Descriptive Analytics: il 93%, infatti, ha adottato almeno uno strumento ad-hoc. Aumenta in modo considerevole anche la parte di Predictive Analytics, tanto è vero che il 73% delle organizzazioni hanno avviato sperimentazioni in questo ambito.

Gli ambiti progettuali di Business Analytics più diffusi nelle organizzazioni risultano essere:

1. progetti di supporto post-vendita;
2. analisi della reputazione del brand;
3. analisi dei comportamenti, sia in store sia online;
4. ottimizzazione delle scorte;
5. gestione dell’infrastruttura di rete.

Tra i progetti di Business Analytics in azienda di maggiore interesse prospettico, vi sono, ancora una volta, l’analisi della reputazione del brand e il monitoraggio post-vendita.

Con riferimento alle organizzazioni che hanno implementato una specifica soluzione, le progettualità che sono sviluppate in misura maggiore con un livello di maturità, almeno di tipo predittivo, sono la gestione ciclo di vita del prodotto, l’ottimizzazione dei percorsi, la previsione tasso di churn (in italiano, tasso di abbandono) e il customer care.

Per alcuni ambiti, poi, è possibile identificare una second wave di adozione, ovvero una situazione nella quale si sta lavorando a un’evoluzione di un progetto già attivo in quell’area. Tra gli aspetti maggiormente interessati da questa condizione vi sono la previsione del tasso di churn, il tracciamento asset, il cross/up selling, l’ottimizzazione dei percorsi, il customer care.

Vuoi conoscere le opportunità del Business Analytics per la tua azienda?