Quali sono le 5 caratteristiche di un’azienda data-driven?
Olivier Penel, Head of Global Advisory SAS
Tempo di lettura: 5 min
Il cambiamento è l'unica costante, e non avviene da un giorno all'altro. Questo è particolarmente vero nel mondo dell'analisi dei dati. Il processo di digitalizzazione delle aziende che mirano a diventare sempre più resilienti e redditizie impone ai responsabili di riconsiderare il loro approccio ai dati e agli analytics per trasformare la loro attività. Ma a cosa dovrebbero puntare? E come ci arriveranno?
"La sperimentazione, il fallimento e l'adattamento fanno parte del viaggio. Come quando un capitano salpa verso un'isola paradisiaca, non ci sarà mai una linea retta per arrivarci. Ci saranno correnti, onde, tempeste e ostacoli tecnici. Quando si parla di trasformazione digitale, l'isola paradisiaca è "data-driven".
OLIVIER PENEL
Head of Global Advisory SAS
I responsabili dati, business e IT potrebbero avere una visione, un'idea della direzione da seguire per la loro trasformazione digitale. Tuttavia, la destinazione esatta è qualcosa che probabilmente dovranno perfezionare lungo il percorso.
La sperimentazione, il fallimento e l'adattamento fanno parte del viaggio. Come quando un capitano salpa verso un'isola paradisiaca, non ci sarà mai una linea retta per arrivarci. Ci saranno correnti, onde, tempeste e ostacoli tecnici.
Quando si parla di trasformazione digitale, l'isola paradisiaca è "data-driven", che di solito implica l'utilizzo di tecnologie di IA per prendere decisioni migliori. Ma cosa significa esattamente essere "data-driven"?
A prescindere dalle specifiche condizioni di mercato, dai professionisti del settore e dalle scelte tecniche, tutte le organizzazioni orientate al futuro e ai dati condividono cinque caratteristiche.
1. Ogni decisione aziendale è alimentata da analisi predittive e prescrittive
I dati sono sempre stati una parte fondamentale del processo decisionale, anche prima dell'avvento dei computer. Ciò che è cambiato è il livello di sofisticazione dei sistemi che oggi utilizziamo per estrarre informazioni dai dati, fare previsioni e prendere decisioni.
La tecnologia ci permette di realizzare cose straordinarie, ma in realtà l'uso dei sistemi predittivi rimane generalmente sporadico e sperimentale. Le ragioni sono diverse: complessità dell'ecosistema tecnologico, mancanza di consapevolezza o comprensione a livello di board, moltiplicazione di strumenti e tecnologie disgiunte e, al di là della tecnologia, la necessità di cambiare la cultura.
Ciò che le organizzazioni di maggior successo riescono a fare è incorporare i dati, le previsioni e le raccomandazioni come parte di ogni decisione, in tutti gli aspetti della gestione aziendale.
Ogni punto di contatto con il cliente, attraverso tutti i canali, è un'opportunità per fornire una migliore personalizzazione dei servizi, aumentare la fedeltà, impedire ai clienti ad alto valore di rivolgersi alla concorrenza e offrire nuovi prodotti e servizi più rilevanti per loro.
Queste organizzazioni non si sono limitate a fare previsioni e a stimare la probabilità che un evento specifico si verifichi. Hanno utilizzato queste informazioni per determinare la migliore linea d'azione, passando di fatto dagli analytics predittivi agli analytics prescrittivi, pienamente integrati nel processo decisionale.
2. Insight-as-a-service consente di prendere decisioni in tempo reale e di automatizzare i processi aziendali
La seconda caratteristica delle organizzazioni data-driven è quella di elaborare i dati e prendere decisioni in tempo reale. Questo è fondamentale per fornire una migliore esperienza ai clienti e per risultati aziendali eccellenti.
Le organizzazioni prendono decisioni più informate e le automatizzano per snellire i processi aziendali. Ad esempio, possono elaborare direttamente le richieste di risarcimento assicurativo senza alcun intervento umano o fornire una risposta immediata a una richiesta di prestito. I processi automatizzati hanno il vantaggio di ridurre i costi di gestione di un'azienda e di fornire ai clienti un'esperienza veramente digitale e senza interruzioni.
3. I principi di DevOps sono utilizzati per industrializzare il ciclo di vita end-to-end dell'analisi
Oggi, la maggior parte delle organizzazioni sta solo grattando la superficie di ciò che può ottenere con gli analytics. L'approccio rimane spesso sperimentale e artigianale. Ogni fase del processo - preparazione dei dati, modellazione, implementazione e monitoraggio - richiede troppo tempo e sforzi, e la sperimentazione non sempre porta a una soluzione produttiva.
Secondo IDC, le organizzazioni indicano che solo il 35% dei modelli analitici viene completamente portato in produzione, e possono essere necessari mesi, se non anni, per implementare un nuovo modello.
Le organizzazioni del futuro hanno cambiato radicalmente il modo in cui producono e distribuiscono gli analytics per migliorare azionabilità, scalabilità e produttività, passando da un approccio artigianale a un sistema industrializzato e altamente automatizzato.
- Integrazione e delivery continue con pipeline automatizzate di dati e modelli.
- Orchestrazione dei processi di sviluppo e distribuzione, con ruoli e responsabilità chiari per una collaborazione efficace tra i team.
- Monitoraggio proattivo dei modelli in produzione per evitare di sottrarre risorse preziose alle attività di manutenzione quotidiane.
Alla base di questo approccio industrializzato c'è una piattaforma di analisi unificata, che fornisce un ambiente affidabile per sviluppare e distribuire efficacemente casi d'uso innovativi, sfruttando risorse e competenze open-source con una governance a livello aziendale.
4. Elevato grado di alfabetizzazione ai dati raggiunto attraverso la democratizzazione degli analytics
I dati stanno diventando un prodotto, prontamente disponibile a scaffale. I consumatori di dati possono sfogliare il catalogo delle risorse dati disponibili e accedere ed esplorare tali dati set senza affidarsi a un team di data warehouse. Utilizzano interfacce utente point-and-click che incorporano regole di sicurezza e privacy, e impediscono la replica infinita di data set su database locali.
Il gap di competenze viene indirizzato fornendo funzionalità di low-code/no-code per integrare l'approccio di programmazione open-source, consentendone l’utilizzo a una comunità più ampia di citizen data scientist.
I "traduttori delle analisi" forniscono il collegamento mancante tra il business e i team di data sciientist. Un Data and Analytics Center of Excellence identifica proattivamente nuovi casi d'uso, promuove il riutilizzo e la collaborazione, sostiene l'innovazione e la sperimentazione, facilita l'operatività dei modelli nel processo decisionale e supporta lo sviluppo delle competenze attraverso programmi di formazione e coaching.
5. La governance proattiva dell'IA assicura risultati aziendali tangibili e responsabili
Ogni singola organizzazione ha l'ambizione di diventare data-driven e di utilizzare l'IA per innovare. Solo quelle più innovative hanno un approccio proattivo, organizzato e strategico ai dati e agli analytics.
Che cosa significa in pratica? In primo luogo, significa che esiste una strategia di dati e analisi formalizzata in un documento e condivisa in tutta l'organizzazione. In secondo luogo, significa che esiste un'organizzazione che supporta l'esecuzione di tale strategia.
Potrebbe trattarsi di un CDO, di un centro di eccellenza o di un comitato direttivo, in ogni caso, un qualche tipo di struttura di governance che abbracci i reparti e le linee di business, con ruoli e responsabilità chiari.
Nei settori più regolamentati, come i servizi finanziari e il settore farmaceutico, la compliance richiede già molta governance, di conseguenza, le organizzazioni di questi settori tendono ad essere all'avanguardia. Devono sfruttare le ottime basi di cui dispongono per concentrarsi non solo sulla conformità, ma anche sull'innovazione digitale. Questo quadro di governance deve mirare a rendere i dati e gli analytics più produttivi e fruibili. Inoltre, dovrebbe stabilire una supervisione etica per garantire che le organizzazioni utilizzino le tecnologie di IA in modo responsabile, con il giusto livello di equità, responsabilità, trasparenza e spiegabilità.
Come accelerare la trasformazione digitale?
Ecco tre raccomandazioni fondamentali da non dimenticare
1. Integrare l’approccio: dai dati agli insight fino all'azione
I dati sono inutili senza un'ottima analisi. Allo stesso modo, gli analytics sono inutili senza una base dati affidabile, e pienamente integrata nel processo decisionale. Di conseguenza, è fondamentale abbracciare l'intero percorso, dalla raccolta dati alla modellazione e all’azione.
2. Invertire la marcia
Spesso le organizzazioni spendono molte energie nelle prime fasi di accesso e preparazione dei dati. Quando si arriva alla parte interessante (le decisioni prese sulla base dei dati), si è esausti. E la maggior parte delle iniziative non vede il traguardo. Ecco perché è importante invertire la marcia: iniziate definendo cosa volete fare con i dati e i risultati aziendali che volete ottenere. Quindi, stabilite quali sono gli insight di cui avete bisogno per ottenere tali risultati e quali sono i dati necessari per creare tali insight. Con questo approccio è possibile dare priorità agli sforzi concentrandosi su ciò che conta davvero.
3. Sforzi vs. valore
In genere, la maggior parte delle organizzazioni si concentra su query, reporting e dashboard a basso valore dedicando pochissimo tempo agli advanced analytics ad alto valore. Democratizzando gli analytics a una comunità più ampia di utenti, è possibile sfruttare meglio i talenti e le competenze disponibili e concentrare gli sforzi sull'utilizzo dei dati che può produrre risultati aziendali più significativi..
Vuoi saperne di più? Guarda il webinar on-demand Take Analytics to the Next Level and Future-Proof Your Organization e scopri come modernizzare gli analytics per accelerare la trasformazione digitale.
13 giugno 2022
ARTICOLI CONSIGLIATI
-
Innovation sparksInnovazione e Trasformazione nell’Area Credito: l’esperienza di TIMTIM ha intrapreso un progetto ambizioso volto a innovare processi, sistemi e organizzazione, con l’obiettivo di migliorare l’efficienza e garantire una gestione sempre più data-driven. -
Data for GoodAI_PREMie: innovazione e collaborazione per prevenire le complicazioni della preeclampsiaLa ricerca condotta dall'University College di Dublino potrebbe salvare decine di migliaia di vite utilizzando il machine learning per diagnosticare la preeclampsia. -
Innovation SparksLe Model Card di SAS: una bussola per la trasparenza e l’eccellenza nei modelli di Intelligenza ArtificialeIntegrate nella piattaforma SAS Viya, le Model Card di SAS sono concepite per documentare e chiarire ogni aspetto dei modelli di intelligenza artificiale e machine learning.
Ispirazioni sul mondo di oggi e sulle tendenze di domani