In questo scenario complesso e dinamico, emerge uno strumento di navigazione essenziale: la Skill Matrix. Molto più di un semplice inventario di capacità, la Skill Matrix si configura come una bussola strategica per mappare, valutare e, soprattutto, potenziare attivamente le competenze aziendali nell’ambito cruciale del Data & Analytics. Permette non solo di identificare con precisione le lacune di competenze più significative, ma anche di progettare e implementare percorsi formativi mirati ed efficaci. Il suo valore, però, si estende ben oltre la formazione, vediamo perché.

Decodificare la Skill Matrix: uno strumento a doppia azione

Ma cos’è, in essenza, una Skill Matrix? Nella sua definizione più generale, è uno strumento pensato per la mappatura delle competenze individuali, che permette alle aziende di avere un quadro chiaro delle capacità e delle conoscenze dei propri dipendenti. Tuttavia, applicata al dominio specifico del Data & Analytics, la Skill Matrix rivela la sua natura più potente e duale.

1. Fase diagnostica (mappatura e valutazione): inizialmente, agisce come una sorta di “risonanza magnetica” organizzativa, permettendo di mappare e valutare con precisione lo stato attuale delle competenze Data & Analytics presenti in azienda. Questa fase fornisce un’istantanea dettagliata del patrimonio di conoscenze esistente.
2. Fase strategica (potenziamento e allocazione): sulla base dei risultati della prima fase, la Skill Matrix diventa uno strumento proattivo per potenziare le competenze identificate come carenti e per allocare in modo più efficiente le risorse umane.

È fondamentale sottolineare che queste due fasi sono ugualmente indispensabili. Una Skill Matrix efficace non può e non deve limitarsi a scattare una fotografia statica della situazione attuale. Il suo vero valore si manifesta quando viene utilizzata attivamente per guidare il cambiamento: identificare i gap di competenze, costruire piani di formazione personalizzati, bilanciare i carichi di lavoro tra i team e creare gruppi di lavoro dove le diverse abilità si completano a vicenda.

Il “perché”: i benefici strategici innegabili della Skill Matrix

Negli ultimi anni, è cresciuta la consapevolezza che un approccio efficace ai dati non può essere solo tecnologico; richiede un profondo cambio culturale. La Skill Matrix è parte integrante di questa trasformazione. Possiamo investire nella più avanzata data platform sul mercato, ma senza le competenze adeguate per utilizzarla, il valore intrinseco dei dati rischia di rimanere inespresso.

Implementare una Skill Matrix aiuta a prevenire una serie di problematiche comuni e costose:

• Fallimento dei progetti D&A: molti progetti legati ai dati falliscono non per limiti tecnologici, ma per la mancanza di competenze chiave all’interno del team.
• Assunzioni superflue: senza una chiara visibilità delle capacità interne, le aziende possono finire per cercare all’esterno competenze che già possiedono, con costi e tempi non necessari.
• Allocazione inefficace delle risorse: team sovraccarichi mentre altri sono sottoutilizzati è un sintomo di cattiva gestione delle competenze.
• Identificazione e sviluppo dei talenti: permette di riconoscere i talenti interni, anche quelli meno visibili, e di coltivarli, individuando potenziali “data champion” e pianificando percorsi di carriera e successione nei ruoli chiave.
• Gap analysis strategica: mette in luce il divario tra le competenze possedute e quelle necessarie per raggiungere gli obiettivi di business presenti e futuri, orientando le strategie di sviluppo del personale.

Un altro punto di forza significativo è la possibilità di analizzare i risultati non solo a livello individuale, ma anche aggregato: per team, funzione, ruolo o persino per diverse aziende all’interno di un gruppo. Questo consente confronti mirati per identificare discrepanze tra competenze effettive e attese.

La struttura della Skill Matrix: sezioni chiave e tipologie di domande

Praticamente, la Skill Matrix assume la forma di un questionario online, strutturato in diverse sezioni, la cui composizione specifica deve adattarsi alle esigenze dell’azienda. Tuttavia, alcune sezioni sono quasi sempre essenziali: ne sono un esempio quelle dedicate alle conoscenze numeriche e statistiche, alla gestione e all’analisi dei dati o alla data visualization.

Le domande si dividono in due macro-categorie complementari:

1. Domande di autovalutazione: permettono ai partecipanti di esprimere la propria percezione del livello di competenza su concetti generali e non.
2. Domande quiz: generalmente a risposta multipla, valutano le competenze effettive tramite punteggi. Dovrebbero concentrarsi su capacità di ragionamento applicate a scenari realistici (interpretazione di grafici complessi, casi aziendali), piuttosto che su nozioni puramente mnemoniche (come formule specifiche).

La compresenza di queste due tipologie è vitale. Permette il confronto diretto tra la percezione di sé e le competenze effettive misurate. Questo può rivelare discrepanze significative: persone che si sottovalutano nonostante ottimi risultati nei quiz (talenti nascosti) o, al contrario, persone che si sopravvalutano.

Un aspetto cruciale è creare un clima di fiducia. La compilazione è individuale e autonoma. È essenziale che il management comunichi chiaramente che l’obiettivo non è giudicare, ma costruire insieme un percorso di crescita.

La sfida metodologica principale è il trade-off tra profondità dell’indagine e tempo di compilazione. Un questionario troppo superficiale è inutile, uno eccessivamente lungo rischia di essere compilato frettolosamente. Bisogna riconoscere che, per quanto ben progettato, un questionario offre una visione parziale.

Applicazioni avanzate: la Skill Matrix in organizzazioni mature

Nelle organizzazioni con una governance dei dati già consolidata, la Skill Matrix può assumere un ruolo ancora più sofisticato. Può essere utilizzata per verificare non solo le competenze tecniche, ma anche la comprensione delle responsabilità specifiche associate ai diversi ruoli Data & Analytics e la familiarità con le procedure interne e i modelli organizzativi adottati (es. Hub & Spoke). Questo è particolarmente utile durante l’introduzione di nuovi modelli operativi o tecnologie, per assicurare una transizione fluida. Può diventare anche uno strumento per i dipendenti per esprimere interesse verso ruoli più avanzati, dimostrando la propria preparazione rispetto alle aspettative aziendali e stimolando la crescita interna.

Per approfondire come questa metodologia può essere implementata nella vostra realtà aziendale e scoprire casi d’uso specifici, vi invitiamo a scaricare l’ebook completo, che include esempi concreti e best practice per una corretta implementazione.  

Non esitare a contattarci per ulteriori approfondimenti e capire come portare i benefici di questo  strumento nella tua azienda. 

L'articolo La Skill Matrix: navigare la complessità delle competenze data & analytics per un vantaggio strategico proviene da Horsa Blog.

La Generative AI sta rapidamente trasformando il modo in cui le aziende operano, promettendo di rivoluzionare processi consolidati e aprire nuove opportunità di innovazione. Tuttavia, mentre i media si concentrano sulle applicazioni più spettacolari di questa tecnologia, sono le implementazioni concrete nei processi aziendali quotidiani a offrire il vero valore aggiunto per le imprese. 

Il concetto chiave che rende la Generative AI così potente è quello delle “emergent capabilities” – la capacità di far emergere funzionalità complesse quando la tecnologia viene integrata in modo organico nei processi esistenti. Non si tratta solo di automatizzare compiti ripetitivi, ma di potenziare le capacità decisionali e operative dell’intera organizzazione. 

Prendiamo ad esempio la gestione documentale: ogni giorno le aziende ricevono e processano migliaia di documenti in formati diversi – ordini cliente, documenti tecnici, contratti, fatture. Questi documenti contengono informazioni preziose che, se estratte e strutturate correttamente, possono alimentare processi decisionali e operativi.  

Ma come trasformare questa massa di dati non strutturati in conoscenza aziendale utilizzabile? 

Come essere certi che, dato che i modelli non sono infallibili, questo processo sia coerente con l’ecosistema dei dati aziendali? 

Grazie all’integrazione di AI e Talend si può liberare la potenza di questa integrazione che risiede nella capacità dell’AI di estrarre dati in maniera puntuale grazie allo zero-shot e di Qlik Talend di applicare regole di business specifiche e garantire la qualità dei dati. Questo permette, per esempio, di verificare automaticamente che i codici prodotto estratti corrispondano al catalogo aziendale, che i valori numerici rientrino in range accettabili, che le date seguano i formati corretti. 

Document Intelligence: quando l’AI incontra i documenti 

La Document Intelligence rappresenta uno dei campi di applicazione più promettenti e concreti della Generative AI in ambito aziendale. L’evoluzione di questa tecnologia parte da lontano, dai primi sistemi OCR degli anni ’90 fino agli attuali modelli multimodali basati su architetture Transformer, capaci non solo di estrarre testo ma di comprendere il contesto e la struttura dei documenti. 

Ma l’estrazione del contenuto è solo il primo passo. La vera sfida sta nel garantire che i dati estratti siano accurati, conformi agli standard aziendali e pronti per essere utilizzati nei processi operativi. È qui che entra in gioco la piattaforma Qlik Talend, che si integra perfettamente nel workflow di Document Intelligence attraverso un processo strutturato in più fasi: 

1. Estrazione iniziale tramite OCR avanzato per catturare sia contenuti testuali che tabellari 
2. Applicazione di modelli GenAI per classificare e contestualizzare le informazioni estratte 
3. Implementazione di rigorosi controlli di data quality attraverso Qlik Talend 
4. Possibilità di revisione umana per casi specifici che richiedono verifiche aggiuntive 

La potenza di questa integrazione risiede nella capacità di Qlik Talend di applicare regole di business specifiche e garantire la qualità dei dati attraverso il suo modulo Data Stewardship. Questo permette di verificare automaticamente che i codici prodotto estratti corrispondano al catalogo aziendale, che i valori numerici rientrino in range accettabili, che le date seguano i formati corretti. 

Un aspetto particolarmente innovativo è il meccanismo di apprendimento continuo: le correzioni manuali effettuate attraverso Talend Data Stewardship vengono storicizzate e possono essere utilizzate per migliorare i modelli AI, creando un ciclo virtuoso di ottimizzazione continua. 

I benefici di questo approccio integrato sono molteplici: 

• Automazione di processi business-critical come l’acquisizione ordini o la riconciliazione fatture 
• Accelerazione nella catalogazione di fonti esterne 
• Maggiore accuratezza nel processing documentale 
• Scalabilità dei processi grazie all’approccio cloud-based 
• Costi per documento elaborato notevolmente ridotti 

La vera rivoluzione sta nella democratizzazione di queste capacità: grazie all’approccio cloud e ai modelli pre-addestrati, anche aziende di medie dimensioni possono implementare soluzioni di Document Intelligence avanzate senza dover affrontare investimenti proibitivi o possedere competenze specialistiche interne. 

Per approfondire come questa tecnologia può essere implementata nella vostra realtà aziendale e scoprire casi d’uso specifici, vi invitiamo a scaricare l’ebook completo, che include esempi concreti e best practice per una corretta implementazione.  

Non esitare a contattarci per ulteriori approfondimenti e capire come portare i benefici di questa tecnologia nella tua azienda. 

L'articolo Generative AI e Document Intelligence: come l’intelligenza artificiale sta rivoluzionando la gestione documentale aziendale proviene da Horsa Blog.

Eccoci ai blocchi di partenza della nostra nuova serie di appuntamenti di “Interviste con il Vendor”: incontri ricorrenti che ci permetteranno di raccogliere riflessioni e punti di vista dei principali player tecnologici che orbitano nel mondo “data & analytics”.

Non poteva esserci partenza migliore visto che siamo qui, oggi, con Antonio Milone, responsabile del segmento Retail, Telco & Media per Google Cloud Italia.

Non credo ci sia bisogno di presentazioni per Google Cloud, tra i principali provider di servizi cloud a livello globale e leader, in termini di presenza di mercato, nel mondo retail.

Effettivamente oggi Google Cloud è la piattaforma di riferimento a livello globale per almeno 9 Retailers su 10. Una responsabilità che ci sprona nella continua ricerca di innovazione in ambiti che spaziano dalla gestione e analisi dei dati, alla messa in sicurezza degli stessi dati e dell’infrastruttura, al supporto alla collaborazione interna ed esterna alle aziende fino ovviamente ai temi di Artificial Intelligence e Machine Learning, che sono da sempre elemento distintivo di Google.

E allora, con queste premesse, dedichiamoci oggi al complesso quanto affascinante mondo della grande distribuzione.

Antonio, ci racconteresti, dal tuo punto di vista, quale momento di mercato sta vivendo la GDO, passata dal periodo pandemico all’attuale situazione politica ed economica?

Durante la pandemia la GDO ha affrontato moltissime sfide dettate dall’emergenza. Dall’incremento repentino della domanda sugli e-commerce, alla necessità di efficientare la catena distributiva per coprire l’ultimo miglio ai vari “shortage” di prodotti sugli scaffali fino anche al ripensamento dei sistemi di comunicazione e collaborazione con i dipendenti di ufficio e negozio. Molte di queste sfide sono rimaste tali anche dopo a causa della crisi energetica o della guerra e hanno costretto gli operatori della GDO a ripensare a molti servizi per essere più resilienti e resistenti alle diverse oscillazioni della domanda sui diversi canali di vendita.

Google si occupa di tecnologia ed offre servizi cloud a 360° a supporto della trasformazione digitale. Quali sono i principali trend emergenti nel settore della GDO e come la tecnologia IT può supportare?

Sono diverse le soluzioni che possono andare incontro ai clienti della GDO relativamente ai temi citati prima, che siano anche alcuni dei trend principali di mercato. Ma innanzitutto credo che uno dei trend più rilevanti oggi sia la Customer Experience. Un tema ad ampio spettro, che comprende l’omnicanalità, il customer engagement e loyalty. Tutti argomenti che richiedono la collezione, l’analisi e l’attivazione del dato. Google Cloud è il leader di mercato sulla gestione dei dati ed è il partner ideale per i retailers che vogliono diventare una data driven company.

Quindi un po’ tutte le principali organizzazioni retail confermano l’importanza strategica del dato e l’attivazione di progetti in tal senso. Qual è il ruolo dei dati nel successo del settore e come l’adozione di tecnologie cloud può aiutare ad analizzarli e sfruttarli al meglio?

I dati possono essere utilizzati per prendere decisioni migliori, migliorare le operations, creare nuovi prodotti e servizi. In sintesi, offrire un’esperienza migliore ai clienti. L’adozione di tecnologie cloud aiuta le aziende a raccogliere, analizzare e sfruttare i dati in modo più efficiente e scalabile. Infatti, le tecnologie cloud offrono una serie di vantaggi, tra i quali una scalabilità pressoché illimitata, che consente di eseguire operazioni di analisi complesse in pochi secondi, la flessibilità che garantisce ai retailer di ritagliare la soluzione IT all’esigenza specifica, i livelli di sicurezza superiori offerti da una soluzione cloud rispetto alle soluzioni tradizionali e come nota aggiuntiva l’efficienza operativa che scaturisce in un costo inferiore.

Quando si parla di retail, non si può non pensare all’importanza che hanno le strategie di marketing e la definizione di una customer journey vincente. Google è da sempre presente su questi temi e non solamente con i servizi cloud. Come l’offerta integrata di Google aiuta le aziende in questo ambito, particolarmente caro e strategico nel retail e quali sono le esperienze più significative?

Da sempre Google collabora con le principali aziende del settore retail e da sempre è al fianco dei team di marketing per supportarli in tutte le iniziative più strategiche. Dai sistemi di recommendation alle tanto attuali opportunità di generative AI, Google offre un parco tecnologico al tempo stesso ampio ma anche particolarmente profondo e potente, tanto da arrivare ad avere soluzioni specifiche per chi oggi vuole disegnare una moderna e vincente customer journey. Proprio in quest’ottica si inquadra la collaborazione con Horsa Insight, che portiamo avanti per garantire ai maggiori brand della GDO e del fashion con cui collaboriamo insieme in Italia competenze e progetti innovativi.

Altro tema forte su cui si pone spesso l’accento in un settore complesso come quello del retail è quello della supply chain. Come le tecnologie cloud possono essere utilizzate per migliorare la gestione delle scorte e della supply chain nei negozi al dettaglio?

Le tecnologie cloud possono essere utilizzate per migliorare la gestione delle scorte e della supply chain nei negozi al dettaglio in diversi modi. Un esempio può essere la supply chain visibility dove le tecnologie cloud possono aiutare i negozi al dettaglio a tenere traccia dei propri prodotti in ogni fase della catena di fornitura, dalla produzione alla consegna al cliente. Questo può aiutare a identificare e correggere rapidamente eventuali problemi, come interruzioni della catena di fornitura o scorte in eccesso. Altro esempio è l’ottimizzazione delle scorte, dove le tecnologie cloud possono aiutare i negozi al dettaglio a determinare il livello ottimale di scorte da tenere in magazzino. Ciò può aiutare a ridurre i costi di inventario e a garantire che i prodotti siano sempre disponibili per i clienti.

Oggi si parla davvero tanto di intelligenza artificiale e di machine learning, e anche tu hai più volte fatto cenno a questo. In pratica, potresti raccontarci come AI ed ML possono portare vantaggio competitivo a quei player che decidono di adottare soluzioni di advanced analytics?

Tutto quello di cui abbiamo parlato fin qui come soluzioni Cloud è impregnato di AI e ML. Ma per essere puntuali ci sono 3 aspetti che mi sento di citare principalmente.  Innanzitutto, l’esperienza cliente: AI e ML possono essere utilizzate per iper-personalizzare l’esperienza del cliente in diversi modi, ad esempio raccomandando prodotti in base ai loro interessi, offrendo sconti personalizzati e anticipando le loro esigenze. Poi nell’incremento delle vendite, ambito in cui AI e ML possono essere utilizzate in diversi modi, ad esempio identificando i prodotti più popolari, ottimizzando le campagne di marketing e personalizzando le offerte. E infine nella riduzione dei costi attraverso l’automazione delle attività operative, il miglioramento della gestione delle scorte e l’ottimizzazione della catena di distribuzione dei materiali.

Tanti spunti che saranno sicuramente da stimolo per i decision maker del settore che, a volte, però, si trovano a dover fronteggiare anche alcune paure. Prima tra tutte, forse, il tema della sicurezza. Sono certo che anche tu avrai spesso condiviso riflessioni su questo tema con i vostri Clienti.

La sicurezza è un lavoro che si svolge in collaborazione tra azienda retailers, fornitori di soluzioni e consulenza e IT/Cloud providers. Scegliere i partner corretti è il primo e forse il più importante dei passi da fare per tutelarsi da possibili attacchi informatici o per ripartire velocemente una volta subitone uno. Google Cloud è stato progettato per essere sicuro fin dall’inizio, è costantemente aggiornato con le ultime funzionalità di sicurezza e fa della protezione dei dati e della sicurezza dei sistemi uno dei suoi pilastri fondanti.

Un esempio su tutti: Il 1° giugno 2022, un cliente di Google Cloud è stato preso di mira da una serie di attacchi DDoS HTTPS che hanno raggiunto il picco di 46 milioni di richieste al secondo. Questo è il più grande attacco DDoS segnalato finora. Per dare un’idea della portata dell’attacco, è come ricevere tutte le richieste giornaliere a Wikipedia (uno dei 10 siti web più trafficati al mondo) in soli 10 secondi. La Protezione Adattiva di Google Cloud è stata in grado di rilevare e analizzare il traffico all’inizio del ciclo di vita dell’attacco, avvisare il cliente e bloccare l’attacco, assicurando che il servizio del cliente rimanesse online e continuasse a servire i propri utenti finali. 

Antonio, ci hai raccontato tante vostre esperienze e chiaramente, dei vostri clienti. Abbiamo capito che c’è bisogno di competenza sia sulla vostra tecnologia ma anche in termini di conoscenza di dominio. Qual è la vostra strategia di mercato e come riuscite a portare tutto questo dai Clienti trasformando le idee in una progettualità di successo?

La formazione e la valorizzazione delle competenze al fine di assicurare al sistema Paese le risorse necessarie alla transizione digitale sono centrali nella nostra strategia e passano dal coinvolgimento dei nostri Partner.
Un ecosistema efficace ha la capacità di intercettare e dare risposta alle esigenze del mercato, accelerando la velocità di ingaggio e supporto per i potenziali clienti che si confrontano con le tematiche legate al cloud.
Tutti temi che cerchiamo di considerare sempre nei nostri programmi, e che trovano ulteriore testimonianza nella nostra collaborazione con Horsa Insight.

E noi di Horsa Insight siamo davvero felici di contribuire nel portare valore tramite l’innovazione e la trasformazione digitale di un settore, come quello del retail e della GDO in particolare, che vede nel cloud e nei dati due abilitatori straordinari per competere in un mercato non facile e soggetto a continui mutamenti.

Antonio, grazie infinite di aver condiviso con noi queste riflessioni e per il lavoro straordinario che fate per portare innovazione digitale in Italia.

L'articolo Horsa intervista Google! proviene da Horsa Blog.

Sempre più aziende stanno puntando verso un approccio data-driven della loro gestione. Questo significa che le decisioni vengono prese basandosi su dati, tradotti in informazioni e fatti oggettivi, e non sensazioni; più corrette e precise saranno queste informazioni migliori saranno di conseguenza le decisioni.  

Ed è proprio da questo attuale contesto, caratterizzato da un’inarrestabile crescita dei volumi dei dati, dalla loro varietà sempre meno omogenea e dai data needs sempre più rapidi, che emerge l’esigenza delle aziende di avere un dato certificato realmente: qui nasce la Data Quality.  

Nonostante l’implementazione di processi di Data Integration, Data Warehouse, Data Lake ecc. che riconducano i dati a un tracciato definito, non c’è la sicurezza che i dati siano corretti e di qualità. E come è ben risaputo, dati di qualità portano alle aziende una serie di benefici: 

• decisioni migliori, 
• maggiori introiti,
• risparmio di tempo, 
• maggior confidenza nei sistemi analitici, 
• minori costi,  
• maggior customer satisfaction. 

Le misure della qualità dei dati 

Ma in base a che cosa viene valutata la qualità dei dati? Al fine di elaborare degli standard per la Data Quality è stato introdotto in Horsa un framework che consente di misurare la qualità dei dati attraverso 6 dimensioni: 

• Completezza: la percentuale di dati di qualità rispetto al totale
• Tempestività: quanto i dati rappresentano la realtà nel momento richiesto
• Validità: i dati sono conformi alla sintassi (formato, tipo, intervallo) della loro definizione? 
• Unicità: nessuna entità unica verrà salvata più di una volta nei sistemi
• Accuratezza: i dati descrivono correttamente il “mondo reale”? 
• Consistenza: c’è differenza, quando si confrontano due o più rappresentazioni di un’entità con la loro definizione? 

Se prendiamo ad esempio il campo “indirizzo” nella base dati di un’azienda che fa consegne e questo campo manca di alcune delle informazioni fondamentali (completezza), o non è aggiornato (tempestività) o contiene il civico al posto del CAP (validità), ne conseguiranno delle consegne sbagliate e tutti i relativi problemi collegati. 

La Data Quality come processo 

Il tema della Data Quality è una questione di processo iterativo e continuo, che fa da cappello a tutto quello che è la Data Governance, intesa come governo del dato comprensivo di obblighi normativi e individuazione di una platform che consenta di gestire ruoli, metadati, regole di business, regole di quality e infine la tecnologia. Dunque, non è un processo strettamente tecnologico, ma iterativo e fatto soprattutto di persone e di coinvolgimento continuo, dove alla base ci sono la definizione di ruoli e processi aziendali.  

Conclusioni 

La Data Quality rappresenta quindi un ambito di fondamentale importanza all’interno di un’azienda. Necessita di attenzione e investimenti in quanto primo step verso la garanzia della bontà delle informazioni aziendali, base per fare decision making in modo più efficiente. 

L'articolo Data Governance e… Data Quality proviene da Horsa Blog.

In questa analisi non tratteremo gli aspetti potenzialmente negativi; vogliamo invece concentrarci sui possibili scenari che potremmo trovarci a vivere nei prossimi anni. 

Proveremo quindi a giocare con la fantasia per immaginare come tale risorsa potrebbe integrarsi nei software gestionali che usiamo tutti i giorni nelle nostre aziende. 

Partiamo però dal capire di cosa stiamo parlando.  

Questa è la definizione estratta dall’articolo Che cos’è l’intelligenza artificiale e come viene usata? presente sul sito del parlamento europeo: 

“L’intelligenza artificiale (IA) è l’abilità di una macchina di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività.” 

Rispetto ai programmi che siamo abituati a conoscere quindi, una IA è in grado di imparare, eseguire un ragionamento partendo da una richiesta specifica e fornire una risposta, in maniera simile al nostro cervello. 

Un software convenzionale invece è fatto per dare un risultato processando i dati che gli vengono forniti secondo un’elaborazione definita a monte. 

Questo dà un enorme vantaggio in termini di velocità di analisi dei dati perché non saremo più noi a dover pensare a come strutturare le analisi che ci serviranno per prendere decisioni, ma sarà il gestionale stesso che lo farà in autonomia: noi dovremmo solo chiedere. 

Partiamo da alcune domande: 

 “Quali sono gli articoli che hanno il margine più alto?” 

“Quali sono gli articoli che hanno il margine più alto e che hanno un tempo di giacenza media in magazzino inferiore ai 10 giorni?” 

“Quali sono gli articoli che hanno il margine più alto, che hanno un tempo di giacenza media in magazzino inferiore ai 10 giorni e che generano meno richieste di assistenza?” 

L’IA, interrogando i dati del nostro gestionale, potrebbe incrociare i dati di vendita, del magazzino e delle richieste di assistenza per rispondere a ognuno di questi quesiti.  

Queste sono però domande che potremmo fare anche a un buon software di Business Intelligence. 

Proviamo quindi a spingerci oltre: 

“Quali sono le 10 migliori aziende, non ancora nostre clienti, che potrebbero essere interessate ai nostri prodotti?” 

“Quali sono le 10 migliori aziende, non ancora nostre clienti, che potrebbero essere interessate ai nostri prodotti e che si trovano nel raggio di 200 chilometri dalla nostra sede centrale?” 

Se nel caso precedente i dati erano tutti interni all’‘azienda, in questo secondo esempio abbiamo immaginato che l’IA andasse a incrociare i dati interni con quelli esterni recuperabili in rete. 

1. Ricerca dati dei prospect tramite analisi del web ed eventuali bilanci pubblici.
2. Esclusione delle aziende già clienti grazie al confronto tramite Partita IVA.
3. Restringimento dei risultati alle aziende entro i 200 km grazie all’indirizzo. 

Anche in questo caso però, con un po’ di lavoro di analisi, potremmo arrivare ad ottenere le risposte a queste domande. 

Vogliamo quindi spingerci ancora più in là: 

“Secondo le previsioni future di crescita economica, su quali paesi dovremmo concentrarci nei prossimi due anni?” 

“Secondo le previsioni future di crescita economica, su quali paesi dove abbiamo già clienti che ci hanno fatto fatturare più di 5 milioni di € negli ultimi 2 anni, dovremmo concentrarci nei prossimi 2 anni?” 

“Analizzando la tendenza dei prezzi delle materie prime su cui basiamo la nostra produzione, di quanto dovremmo variare i nostri listini per poter mantenere i livelli di profitto attuali?” 

In questo ultimo esempio abbiamo ipotizzato di chiedere all’AI di fare un’‘analisi molto complessa che a noi umani avrebbe richiesto uno sforzo notevole. 

Tornando con i piedi per terra, queste sono domande a cui non sappiamo quanto la tecnologia impiegherà a rispondere. Sappiamo però che Microsoft sta investendo molto ed ha già iniziato ad integrare le intelligenze artificiali nel suo motore di ricerca BING e nella suite 365.  

Da un lato l’intenzione è quella di battere i competitor sul campo della ricerca web, dall’altro è quella di velocizzare il lavoro delle persone. Proprio pensando a questo, in un evento dedicato che si è svolto il 16 Marzo, “Future of Work with AI”, è stato presentato “Microsoft 365 Copilot”, un sistema di IA che si integra nei programmi che già conosciamo e che usiamo quotidianamente: sfruttando la potenza della tecnologia e combinandola con tutti i dati presenti nei sistemi aziendali questo nuovo strumento può, ad esempio, generare un documento o un Power Point di presentazione di un progetto partendo da un altro Word che contiene solo le specifiche tecniche facendo risparmiare in questo modo tantissimo tempo. 

Un altro caso d’uso è stato confermato per Microsoft Dynamics 365 Business Central dove sarà possibile generare elenchi di prodotti per l’e-commerce: sfruttando gli attributi dei prodotti come taglia, colore e materiale verranno generate delle descrizioni convincenti da usare nelle vetrine dei prodotti presenti online. 

Queste sono solo due dei tanti utilizzi presentati. Come è facile intuire abbiamo toccato solo la punta dell’iceberg delle possibilità che questa tecnologia ci metterà a disposizione in futuro. Futuro che, con la velocità a cui si evolve questo mondo, sembra essere già qui.  

[hubspot type=cta portal=8916761 id=e2d07340-4e44-480b-b9f0-e6428374f66c]

L'articolo Intelligenza artificiale: come potrebbe integrarsi nel software gestionale che conosciamo? proviene da Horsa Blog.

L’idea, sostenuta tra i primi sul mercato da Qlik, segue un ragionamento molto semplice. Per orientare le decisioni future servono dati il più possibile aggiornati. La portata e il ritmo dei cambiamenti sono tali da non potersi più permettere di limitarsi a un modello previsionale costruito sullo storico e su poche iterazioni periodiche. Il processo di Business intelligence attiva fa leva, prima di tutto, sulla dinamicità e quindi sulla capacità di prendere in considerazione i dati non appena prendono forma. In pratica, in tempo reale.

Un’esigenza più diffusa di quanto si possa pensare. Se può venire spontaneo pensare al mondo finanziario, dove fluttuazioni importanti sono da considerare ormai nell’ordine dei minuti, se non dei secondi, altri settori meno scontati possono ricavarne importanti benefici. Per esempio, con l’IoT al servizio del mondo produttivo, diventa possibile prevedere con maggiore affidabilità una potenziale situazione a rischio per un impianto produttivo; o in ambito Healthcare, dove di riesce a riconoscere tempestivamente i sintomi di un malore e aumentare le probabilità di intervenire per tempo; o ancora in aziende che operano nel mondo B2C, dove l’analisi del comportamento di acquisto dei clienti può segnalarne la potenziale disaffezione quando non addirittura il potenziale abbandono e l’utilizzo di algoritmi predittivi, interni alla piattaforma o integrati con essa, può quindi consigliare l’azione migliore da mettere in campo per evitare che accada.

Una missione per esperti

Si tratta di un quadro facile da comprendere ma decisamente più difficile da tradurre in trasformazione dei processi, naturalmente con l’apporto di adeguati strumenti e un elevato livello di automazione. Quantità di dati da trattare, complessità delle procedure e tempi di manovra sono infatti al di fuori delle capacità umane.

La strategia e le competenze messe in campo da Qlik prevedono, prima di tutto, la Data Integration. Le informazioni non vanno semplicemente raccolte e classificate. È altrettanto importante correlarle e selezionarle, liberandole dai silos in cui si trovano. Per esempio, analizzando e trattando di conseguenza tutti i possibili riferimenti, sintatticamente diversi, a uno stesso oggetto.

Una fase delicata ma anche estremamente personalizzata. Da qui, l’esigenza di un profondo conoscitore della tematica. Un partner con competenze consolidate sul mercato in grado di individuare gli elementi particolari necessari a individuare la soluzione ideale e calarla nella singola realtà.

Un percorso costante, dove la messa in opera di un sistema di Business Intelligence Attiva è solo una tappa. Efficienza e ritorno degli investimenti si ottengono da una riorganizzazione dei processi, ma anche da un continuo aggiornamento in linea con l’evoluzione degli scenari.

La marcia in più di Qlik

Dal punto di vista dell’utente, la piattaforma di Active Intelligence di Qlik aiuta, in particolare, a superare alcuni limiti dei sistemi attuali. Garantendo, per esempio, maggiore autonomia nell’esplorare il dato e di personalizzare le ricerche e le proprie analisi costruendo dashboard dinamici più facili da interpretare e aderenti alle esigenze dell’utente business (Self-Service BI) ma anche di impostare azioni automatiche, verso utenti o sistemi terzi grazie all’Application Automation. Inoltre, la piattaforma agisce anche come stimolo alla collaborazione, attraverso alert e messaggi su diversi canali.

Opportunità disponibili per buona parte solo sulla piattaforma end-to-end Qlik adottabile, peraltro, anche modularmente e con logica di integrazione. Si pensi ad esempio alle moderne data-platform offerte dai 3 principali Cloud Vendor (Amazon, Google e Microsoft) con cui la piattaforma Qlik può essere facilmente integrata. Grazie a Qlik è infatti possibile attivare una soluzione di Active Intelligence in grado di combinare Data Integration e Data Analytics, con l’obiettivo principale di essere in grado di trasformare dati grezzi in azioni informate, stabilendo una pipeline di dati analitici per aiutare a liberare i dati dai propri silos, trovarli, comprenderli e renderli utilizzabili a supporto di decisioni operative.

Un primo passo importante è liberare le informazioni dai silos. I dati grezzi, a prescindere dall’origine, vengono estratti, trasformati e resi omogenei e confrontabili ed infine portati nei target individuati (dwh, datalake, etc) con un processo continuo, riflettendo nelle applicazioni in mano al business i cambiamenti in tempo reale che avvengono nelle fonti dati coinvolte.

Le informazioni, inoltre, devono essere facili da recuperare. Viene quindi eseguita la classificazione intelligente in un catalogo governato, dove gli utenti possano acquisire i dati e pubblicarli nel loro strumento di analisi, in ottica di Self-Service Data Preparation.

In termini di facilità di comprensione delle informazioni, con Qlik Sense si può contare sull’analisi aumentata grazie al motore di AI/ML integrato che lavora di concerto con il motore associativo per scoprire insights più significativi e trend e pattern non visibili a prima vista. Questo permette di cogliere un altro degli obiettivi di Qlik, che consiste nell’abbattere le barriere all’ingresso costituite da una cultura del dato potenzialmente bassa o comunque non uniformemente distribuita in azienda. In questo senso l’adozione di Qlik contribuisce ad aumentare il livello di Data Literacy all’interno delle organizzazioni.

A questo punto si può contare su tutte le informazioni utili per passare all’azione. Si parla dell’elemento chiave dell’Active Intelligence Platform. Il sistema incorpora l’analisi nei flussi di lavoro automatizzati e fornisce avvisi sofisticati e sensibili al contesto in tempo reale, nel momento in cui si verificano i cambiamenti.

I dati sono infine accessibili in qualsiasi momento su diversi canali. Non solo attraverso dashboard, ma anche sfruttando alert (via mail o anche app su smartphone) o semplici messaggi sintetici, dai quali eventualmente è possibile approfondire accedendo attraverso un deep link all’applicazione e al set di filtri all’origine dell’alert. In questo modo il sistema di Business Intelligence è in grado di portare le informazioni strategiche direttamente sul punto in cui nasce l’esigenza di prendere una decisione.

L'articolo Sistemi di business intelligence: come superare il modello di BI “passiva” con Qlik proviene da Horsa Blog.

Dietro la definizione estremamente sintetica, si nasconde una realtà decisamente più articolata. Giustamente, perché dalla maturità del dato dipende buona parte delle fortune per un qualsiasi attività imprenditoriale.  

La trasformazione digitale e la connettività diffusa hanno portato alla disponibilità di una enorme quantità di informazioni, anche dove non espressamente voluto. La distinzione tra limitarsi a conservarle e trasformarle in valore aggiunto può fare la differenza.

Maturità del dato: cambio di visione 

Molto spesso, infatti, ci si limita a sfruttare i dati aziendali  per semplici analisi parziali e a posteriori, circoscritte alle richieste di un singolo. Con un maggiore livello di organizzazione e investimento in strumenti di analisi, si può invece già arrivare a informazioni uniformi in grado di essere condivise e confrontate a un livello aziendale più esteso.  

Andando oltre, si può spostare l’asse temporale dal passato al futuro, aggiungendo anche principi di analisi predittiva. Dove però è necessario iniziare a pensare a strumenti più sofisticati, capaci cioè di valutare l’importanza delle informazioni e correlarle in modo dinamico, senza fermarsi alla stessa natura.  

Infine, al livello di maggiore maturità del dato, si può arrivare ad applicare strumenti di apprendimento automatico e relativa intelligenza artificiale. Si avrà così la possibilità di valutare più scenari possibili e le relative conseguenze, preparando la propria organizzazione ad affrontare diverse evoluzioni.  

Ogni passaggio comporta naturalmente disponibilità di risorse, competenze e tempi diversi, con relative organizzazioni. D’altra parte, trascurare il problema può avere ripercussioni importanti, mentre per chi è pronto a investire i vantaggi non tardano ad arrivare. Secondo il Rapporto Annuale 2021 di Istat, durante la pandemia solo il 4,1% delle imprese considerate digitalmente mature ha dovuto affrontare un ridimensionamento delle attività, contro quote più che doppie di imprese nelle altre categorie.  

Per tutti, l’importante è inquadrare come ormai il dato sia un fattore fondamentale per la crescita aziendale e limitarsi ad accumularne non è certo sufficiente. D’altra parte, oltre ai relativi strumenti serve definire anche strategie di crescita e non aver paura di condividerli, al servizio dei processi decisionali.  

Naturalmente, per fare tutto questo servono le relative competenze, non necessariamente presenti all’interno di ogni organizzazione. Quindi, un passaggio importante può essere valutare la decisione di aprirsi a un servizio esterno, dove la consulenza di esperti specializzati sull’argomento e capaci di entrare in sintonia con i propri processi dimostrerà presto tutta la propria validità. 

Il valore dei dati aziendali 

Esattamente come i prodotti, i brevetti, il personale o i finanziatori, oggi i dati devono essere riconosciuti come una delle primarie risorse aziendali. In questo caso però, il costo non è tanto legato ad acquisirli, quanto invece proprio a sfruttarli a dovere.  

Qua è dove si valuta la maturità del dato aziendali. Quando si è in grado di elaborarli per trasformarli in informazioni strategiche, la strada è certamente quella buona. Ancora meglio, se si è in grado di valutare tutto questo in modo preciso, esattamente come si fa per una vendita o un investimento in marketing. In questo modo sarà anche possibile dimostrare a tutte le figure aziendali coinvolte, l’effettiva utilità di dedicare tempo alla lettura dei dati e la relativa gestione.   

Le domande da porsi 

Per arrivarci, è utile progettare un percorso per gradi. Prima di tutto, con una valutazione dello stato attuale di maturità del dato. Basta porsi una serie di domande, dalla disponibilità delle informazioni al relativo livello di utilizzo; solo consuntivo oppure anche previsionale, basato su semplici modelli predittivi statici oppure sfruttando l’intelligenza artificiale.  

Sulla base di questo, occorre fissare un traguardo in linea con gli obiettivi aziendali e le disponibilità di investimento, per capire fino a quale livello i benefici si possano tradurre in vantaggi strategici. In questa circostanza, il parere di un esperto in materia con una visione più ampia del mercato si rivela fondamentale, anche per individuare i punti deboli all’interno dei propri processi.  

Per rendere questa operazione più concreta, si può partire da una serie di semplici domande, alla prova dei fatti, probabilmente molto meno banali di quanto possano sembrare ,e proprio per questo, utili a inquadrare la propria realtà. 

Per esempio, se si conosce effettivamente la natura e l’origine dei dati disponibili, così da stimare meglio il relativo valore. Oppure, se e quanto al momento risultino di supporto alle decisioni. Ancora, quanto contribuiscano effettivamente alla crescita aziendale. 

Si parla, in questo caso, di valore intrinseco del dato. Per un quadro più completo, si possono aggiungere altrettanti interrogativi legati all’aspetto finanziario. A partire dal potenziale danno economico in caso di perdita o indisponibilità, anche parziale. Oppure, se possano tornare utili in sede di condivisione o scambio. Infine, anche in questo caso il contributo alla crescita, visto però dal punto di vista dell’apporto ai ricavi aziendali. 

A completare il quadro, in entrambi i casi vanno tenuti in considerazione tutti relativi aspetti legati alla governance. Vale a dire, la conformità con tutto quanto riguardi aggiornamenti e valutazioni periodiche e naturalmente la sicurezza.   

L'articolo Maturità del dato in azienda: che cos’è e come si misura proviene da Horsa Blog.

Il problema è diventato particolarmente attuale negli ultimi anni, e non solo per gli obblighi normativi a partire dal GDPR. La trasformazione digitale ha infatti moltiplicato nel giro di poco tempo utenti, dispositivi utilizzati e modalità di accesso. Una situazione impossibile da ignorare o gestire manualmente, se trascurata fonte di problemi, anche seri, nell’efficienza dei processi.

Il Data Catalog, primo passo verso l’ordine digitale

Il Data Catalog è una premessa fondamentale per ricavare informazioni strategiche dal proprio patrimonio acquisito nel tempo. Pensare di mettere in piedi progetti di Data Analytics senza basi solide rischia infatti di rivelarsi prima di tutto una perdita di tempo e denaro. In casi limite, anche una semplice operazione di ricerca può rivelarsi una vera e propria impresa. Una perdita di tempo in grado di mettere a rischio il rispetto di una scadenza o il semplice assolvimento di un compito.

Viceversa, applicare una soluzione di Data Catalog non tarderà nel dimostrarsi valida nel raggiungere diversi obiettivi. A partire da un riferimento unico e certo per tutti i dati. Di conseguenza, maggiore facilità nell’organizzarli e soprattutto relazionarli in funzione degli obiettivi di business. Infine, poter fornire un input di qualità a un sistema di Business Intelligence e sfruttare il potenziale dell’intelligenza artificiale in sede di analisi.

Dal punto di vista più semplice, quella sorta di censimento aziendale rappresentato dal Data Catalog può essere visto come un inventario delle risorse riconducili alla produzione, archiviazione e trattamento dei dati. Deve essere organizzato in modo da permettere agli utenti di recuperare le informazioni desiderate e interpretarle secondo gli obiettivi.

L’anticamera della Data Governance

Una soluzione di Data Catalog al servizio della Data Governance deve garantire due funzioni principali: riuscire a raccogliere e collegare tutte le fonti informative sparse nei vari sistemi per organizzarle in un modello strutturato con i metadati e la relativa disponibilità delle informazioni in modo guidato, controllato ed esaustivo.

Fondamentale è l’attenzione dedicata ai metadati. Le chiavi di ricerca devono essere compilate secondo criteri rigidi e noti a tutti. Voci duplicate, mancanti o imprecise, contribuiscono ad aumentare la confusione e diminuire la produttività. Basti pensare per esempio ai diversi modi di definire una località, a partire dalla lingua originale o quella locale. Affrontare il problema sin dai primi passi del Data Catalog significa ridurre gli errori nei database e fornire a tutti i reparti aziendali un insieme di informazioni condivise e affidabile.

Sono infatti diverse le figure in gioco da tenere in considerazione, dai classici utenti IT e di business, ai più specializzati data analyst, data engineer e data scientist, per arrivare agli sviluppatori. Ricordando anche come ciascuno di questi abbia la necessità di gestire linguaggi e seguire procedure diverse, le stesse in grado di tradursi in benefici per l’azienda.

Da materia prima di qualità, in questo caso il Data Catalog, è di conseguenza più facile costruire applicazioni valide a supporto delle strategie aziendali, nello specifico attraverso la Data Governance. Affiancando inoltre una gestione in ottica di sicurezza, con raggio d’azione in termini di accesso, modifica o semplice lettura correlato ai rispettivi ruoli, alla fine i benefici si riveleranno ad ampio raggio.

A partire da quelli interni, sul monitoraggio dei processi, per assicurare il pieno sfruttamento del patrimonio informativo aziendale, fino a una gestione ottimale delle procedure amministrative. Inoltre, una valutazione più accurata dei servizi in cloud, una maggiore capacità di rilevare segnali di potenziali inefficienze e in generale il supporto ai processi decisionali.

L'articolo Obiettivo Data Governance, perché il primo passo è il Data Catalog proviene da Horsa Blog.

Avere nei confronti di tutte queste informazioni un approccio passivo, da semplice spettatore che si limita a osservare superficialmente la scena e ignora tutto ciò che sta dietro le quinte, significa rinunciare a delle grandi opportunità.

Al contrario, guardare i dati con un approccio più innovativo, con lo sguardo volto al futuro, permette di migliorare significativamente le performance aziendali, attraverso la ricerca di specifici patterns e insights che offrono la possibilità di anticipare le richieste di mercato, ottimizzare i processi, ridurre le perdite e tanto altro.

Il ramo che permette di effettuare questo tipo di analisi è la Predictive Analytics. Tableau, strumento leader nel settore della data Visualization, ha puntato molto negli ultimi anni in questo settore, aggiungendo funzionalità che permettono di effettuare analisi di tipo predittivo e integrarle direttamente nelle Dashboard.

I tipi di analisi che Tableau offre sono tre:

• Cluster Analysis
• Time Series Analysis
• Model Analysis.

Cluster Analysis

Da come suggerisce il nome, la Cluster Analysis permette di suddividere i dati in cluster, ovvero gruppi omogenei basati sulla somiglianza di features. Partendo dalla creazione di una matrice che associa ad ogni elemento delle specifiche caratteristiche, l’algoritmo riesce a raggruppare i vari elementi sulla somiglianza di queste caratteristiche.

Obiettivo della Cluster Analysis è ad esempio creare gruppi di consumatori a cui inviare una specifica pubblicità.

Tableau permette con un semplice drag and drop di effettuare una cluster Analysis su una qualsiasi visualizzazione, con la possibilità di scegliere il numero di cluster e le caratteristiche su cui essa si deve basare.

Tableau permette inoltre di analizzare più a fondo i cluster. È infatti disponibile una funzionalità che descrive i gruppi individuati, fornendo informazioni dettagliate e analisi statistiche.

I cluster possono infine essere salvati come campo dati e usati per analisi aggiuntive più specifiche.

Time Series Analysis

Partendo da una serie storica, Tableau consente, sempre tramite un drag and drop, di prevedere le osservazioni future basandosi sul passato.

Oltre ad aiutare a individuare la presenza di trend o stagionalità, la Time Series Analysis è utile per avere un’anteprima di quello che potrebbe accadere anche in base a diversi scenari. È infatti possibile scegliere fra 3 diversi tipi di modelli: automatic, automatic without seasonality e custom (che consente di personalizzare le opzioni trend e seasonality).

Model Analysis

Attraverso l’utilizzo della regressione, la funzione di modellazione predittiva permette di generare previsioni ed evidenziare relazioni nei dati.

La modellazione predittiva risulta utile per svariati propositi, come ad esempio creare delle scenario-analysis che permettono di visualizzare i dati in prospettive what if, identificazione di outliers, stimare valori mancanti, ecc.

Le funzioni di modellazione predittiva previste da Tableau sono due: model quantile, che restituisce un valore numerico, e model percentile, che restituisce una probabilità.

I modelli predittivi supportati sono invece tre: regressione lineare, regressione lineare regolarizzata e regressione con processo gaussiano.

Combinando la scelta di specifici predittori (che possono essere qualsiasi campo nell’origine dati, sia misura che dimensione) con una delle due funzioni e uno dei tre modelli viene creato un calcolo tabella contenente i valori predetti.

In conclusione, Tableau offre diverse funzionalità che permettono di sviluppare analisi piuttosto complesse in modo intuitivo e veloce, senza dover acquistare nessun componente aggiuntivo, ma sfruttando semplicemente le proprie funzionalità native. Tableau offre quindi ai propri utenti la possibilità di rivoluzionare il modo in cui vengono osservati i dati, al fine di ottenere un vantaggio competitivo sia in termini di ottimizzazione dei costi che di utilizzo.

In aggiunta a quanto appena descritto si trova la possibilità di integrare strumenti esterni di analisi avanzata come R o Python per raggiungere un livello di profondità ancora più elevato.

[hubspot type=cta portal=8916761 id=d7a2e35f-bbd2-4e71-8c83-aa57ed26ae40]

L'articolo Predictive Analytics: una svolta nell’analisi dati attraverso Tableau proviene da Horsa Blog.

Ogni organizzazione ha infatti bisogno di un insieme di regole e processi interni su come debbano essere utilizzati i dati, con rispettivi ruoli e mansioni. Capire dove si trovino questi dati, come organizzarli e come metterli al servizio dell’analisi, è il primo passo per individuare i KPI e tradurli in strumenti di supporto alle diverse mansioni e relativi obiettivi.

Si parla di un’applicazione legata a processi, ruoli e regole. Di conseguenza, con un elevato fattore di personalizzazione. Si possono però individuare cinque caratteristiche importanti per definire un Data Catalog, utili in qualsiasi circostanza. Anche solo per evitare il proliferare di strategie indipendenti all’interno di una stessa azienda, con relative difficoltà nel comunicare e condividere e nel mettere a punto le relative strategie.

Data Catalog: dalla parte dell’utente

Prima di tutto, occorre curare l’interfaccia utente. In generale, è difficile prevedere chi e come utilizzerà il Data Catalog. Serve quindi costruire un’interfaccia semplice, con procedure guidate e a prova di errore nell’inserimento o nella gestione dei dati e soprattutto nei metadati. Anche per gli utenti esperti, semplicità significa ridurre la possibilità di errori. È importante quindi superare ogni eventuale remora sulla professionalità di un’interfaccia, con il relativo timore di uno strumento eccessivamente semplice, al limite del banale, senza il timore di affidarsi a colori e a grafiche per guidare le operazioni.

Un altro problema da evitare, potenzialmente in grado di minare sin dalle origini la qualità dei dati aziendali, è la gestione dei duplicati o dei sinonimi. Se esistono più modi per riferirsi a uno stesso oggetto, una procedura o un prodotto, è fondamentale riuscire a prevederli tutti e fare in modo all’occorrenza di ricondurli alla stessa voce. Per quanto possibile, con il supporto di strumenti automatici. In alternativa, limitare i potenziali input definendo un insieme di voci ammissibili, facendo però attenzione anche a non circoscrivere eccessivamente il raggio d’azione degli utenti, potenzialmente in difficoltà nel trovare il termine corretto accettato dal Data Catalog.

Per esempio, il riferimento a una località. Dal punto di vista più generico, può essere inserito usando il nome originale, oppure quello nella propria lingua. Oppure ancora, in un terzo idioma internazionale. Senza dimenticare i potenziali nomignoli o contrazioni.

Fondamentale è di conseguenza la fase di definizione dei metadati, in pratica il vero nucleo del Data Catalog. In estrema sintesi, i metadati sono le chiavi di ricerca attraverso i quali gli utenti risaliranno all’informazione desiderata. Per esempio, tutti i parametri con i quali rintracciare un libro nel database di una biblioteca. A seconda del ruolo aziendale e dell’obiettivo, possono essere  estremamente variabili per numero e tipo ed è importante soddisfare ogni possibile esigenza. D’altra parte, è altrettanto importante essere molto rigorosi nella scelta e nella gestione. È necessario esaminare come inserire i metadati, i relativi formati e quando siano indispensabili o quando invece opzionali.

I vantaggi dell’automazione grazie a un Data Catalog

A questo punto appare quasi scontato capire quanto sia difficile, se non impossibile, fare a meno di una gestione automatizzata. Tra le conseguenze più evidenti della digitalizzazione, c’è infatti un’esplosione incontrollata di dati da gestire e, prima di tutto, da raccogliere e catalogare.

Non solo è impensabile farlo manualmente. Per elaborarli e classificarli è praticamente indispensabile affidarsi a un software con strumenti di Learning Machine e relativa Intelligenza Artificiale. Si rivelerà particolarmente utile anche nella fase di analytics, per le funzioni previsionali.

Infine, un buon risultato dipende anche dal livello di confidenza dell’utente. Quindi, nel limite del possibile meglio puntare su dashboard non rigide, con elementi di personalizzazione in grado di mettere a proprio agio in ogni circostanza. Un discorso collegato anche alle fasi successive di estrazione dei dati, dove ognuno possa essere in condizione di ricavare il report desiderato. Sempre però mantenendo un’uniformità di fondo, utile anche a favorire la condivisione  e relativa collaborazione.

Partendo da questi principi è possibile costruire fondamenta solide per il proprio Data Catalog e quindi per una Data Governance alleata delle strategie aziendali. Aspetto non trascurabile, preziosa anche in sede di conformità.

Devono restare tuttavia elevati gli spazi di personalizzazione. Se sul fronte della raccolta e validazione le esigenze possono essere meglio codificate, accesso e analisi sono strettamente legati a processi e a strategie interne. Per quanto sia difficile indicare una soluzione precisa di Data Catalog sul mercato, certamente un buon punto di partenza nella valutazione delle possibili soluzioni può essere guardare proprio a proposte attente alla personalizzazione, a partire da prodotti come Talend, Qlik o Irion.

L'articolo Data Catalog, 5 caratteristiche del software ideale proviene da Horsa Blog.

Caratteristica fondamentale di un data warehouse è la grande quantità di dati raccolta, insieme alla relativa varietà. Dai classici fogli Excel o archivi nei vari formati, fino alle pagine web o più in generale qualsiasi informazione possa tornare utile alla creazione di report e analisi, sempre più in ottica previsionale. Obiettivo principale è trarre il massimo valore dai dati a disposizione, alimentando l’attività di business intelligence, o la versione più aggiornata business analytics. Grazie al cloud in grado di assecondare le esigenze di crescita continua e condivisione, anche un fondamentale strumento per la collaborazione.

Per raggiungere questi obiettivi però, non è sufficiente memorizzare dati. Il vero valore di un data warehouse si raggiunge con l’organizzazione. I dati devono essere elaborati, correlati e ottimizzati in funzione delle informazioni che se ne vorranno ricavare, le query al servizio degli utenti.

Il cloud, sede naturale del data warehouse

Un primo passo è stabilire un punto di raccolta, il contenitore. Oggi, il cloud rappresenta in tanti casi l’opzione ottimale sia per la fase di raccolta sia per quella di accesso, con in più tutta la flessibilità necessaria in caso di scalabilità o di modalità di accesso.

Non a caso, praticamente tutte le grandi organizzazione sfruttano i data warehouse e li gestiscono almeno in parte nel cloud. Servizi di reportistica, analisi e sempre più previsioni sono ormai la regola per il personale di banche, assicurazioni, ospedali e operatori nel mondo della sanità o nella logistica e distribuzione. Soprattutto per le realtà distribuite, memorizzare dati nel cloud agevola il lavoro di raccolta dei dati da CRM, ERP, profili clienti, servizi Web e altro dalle singole sedi, permettendo a loro volta di accedere alle informazioni condivise ed elaborate secondo le esigenze delle strategia aziendali.

La fase più delicata dal punto di vista della qualità di risultati raggiungibili è nell’elaborazione dei dati prima di alimentare i processi di analisi. Selezionare le informazioni, correlarle e uniformarle richiede strumenti e competenze adeguate. In cambio però, sarà più facile convertire tutto questo in valore competitivo al servizio dei dipendenti.

Dati uguali per tutti, al servizio di tutta l’azienda

Tassello fondamentale in una strategia di business intelligence, il data warehouse aiuta a ottenere un quadro generale su uno scenario, la situazione aziendale in generale o nel dettaglio, e guida di conseguenza le decisioni. Così, uniformità e accesso condiviso supportano anche il lavoro collettivo.

Parlare lo stesso linguaggio di fronte a report uniformi e non creati liberamente da ciascun dipendete sulla base di esigenze personali significa ridurre i tempi condivisione delle informazione e, di conseguenza, di decision-making, anche e soprattutto in team.

Puntando sulla flessibilità del cloud, eventualmente con l’aiuto di un partner esperto sull’argomento, un data warehouse si trasforma presto in strumento strategico per migliorare l’efficienza dei processi di collaboration attraverso una visione più accurata e dettagliata dell’azienda, maggiore efficacia nel prendere le decisioni e mettere a punto strategie di crescita, restando allineati ai frequenti cambiamenti senza compromettere la competitività.

L'articolo Come un’architettura di data warehouse nel cloud facilita la collaboration proviene da Horsa Blog.

Abbiamo visto in un articolo precedente i limiti del vecchio modello di BI, nonché la necessità di spostare il focus su un approccio integrato e anticipatore delle situazioni grazie, appunto, alla piattaforma di Active Intelligence: ecco alcune caratteristiche che una piattaforma di questo tipo di solito ha.

• È end-to-end
• Unisce l’integrazione dei dati con la business analytics
• Sfrutta una pipeline di dati che lavora in tempo reale trasformando i dati in informazioni
• Permette di cogliere rapidamente fenomeni
• Spinge a fare o fa direttamente delle azioni (sia verso l’organizzazione che verso altri sistemi) a beneficio del business

Qlik è l’unico attore a fornire una piattaforma end-to-end che consente di adottare questo approccio. Scopriamo, quindi, tutte le caratteristiche e i vantaggi della piattaforma di Active Intelligence di Qlik.

Funzionalità e vantaggi dell’Active Intelligence di Qlik

Qlik e i suoi partners permettono di attivare una piattaforma di Active Intelligence attraverso la potente combinazione di Data Integration e di Data Analytics, supportati da un programma di educazione alla cultura del dato (“Data Literacy”) che permette di abbattere gli ostacoli alla creazione di un ambiente di lavoro in cui le decisioni di business vengano prese in base ai dati e agli insight che se ne colgono.

Lo scopo principale è quello di essere in grado di trasformare i dati grezzi in azioni informate, stabilendo una pipeline di dati analitici per aiutare a liberare i dati dai propri silos, trovarli, comprenderli e renderli utilizzabili per compiere delle azioni («Active»).  L’Active Intelligence abilita dunque la possibilità di concretizzare e mettere a terra delle azioni che nascono automaticamente da app Sense o che vengono impostate manualmente dagli utenti business.

Tutti i segreti dell’Active Intelligence: l’Analytics Data Pipeline

La piattaforma di Active Intelligence di Qlik lavora seguendo una pipeline di dati di analytics (“Analytics Data Pipeline”, secondo alcuni passaggi.

Il primo passaggio (“Free it”) nella pipeline dei dati analitici consiste nel liberare i dati dai silos. I dati grezzi – interni, esterni, dati derivati – ovunque si trovino – nel cloud, multi-cloud, on-premise – vengono estratti e forniti continuamente dove è necessario, riflettendo i cambiamenti in tempo reale.

Dopo aver liberato i dati, bisogna assicurarsi che gli utenti possano trovarli facilmente (“Find it”). Quindi, in questa fase, si acquisiscono quei dati, preservandone il lineage. Viene eseguita l’identificazione intelligente in un catalogo governato, in cui gli utenti possono acquisire i dati e pubblicarli nel loro strumento di analisi. I dati in questa fase diventano “pronti per l’analisi” (“Analytics ready”).

Successivamente si entra nella fase della pipeline di dati analitici in cui gli utenti possono iniziare a comprendere i dati (“Understand it”). Con Qlik Sense, gli utenti possono sfruttare la potenza dell’analisi aumentata grazie al motore di AI/ML integrato (“Cognitive Engine”) che lavora di concerto con il motore associativo (“Associative Engine”) per scoprire insights più ricchi.

Possono collaborare con altri utenti e possono farlo in movimento. La collaborazione è fondamentale per l’Active Intelligence: in questo modo si abbattono i silos lungo la pipeline tra i diversi tipi di “data persona” in un’organizzazione. In questo stadio, i dati sono pronti per il business (“Business Ready”), cioè sono state applicate le logiche di business e sono quindi facilmente comprensibili da parte degli utenti business.

Il passaggio finale una volta compresi i dati è essere in grado di agire (“Action it”). Questo è un elemento chiave dell’Active Intelligence Platform. Il sistema incorpora dunque l’analisi nei flussi di lavoro automatizzati e fornisce avvisi sofisticati e sensibili al contesto in tempo reale, man mano che si verificano i cambiamenti.

I dati diventano quindi utilizzabili, in qualsiasi momento e in modi diversi, su diversi canali, superando il paradigma della dashboard, ad esempio attraverso alert o «consumando» il dato su mobile attraverso un messaggio sintetico, che però poi può contenere un deep link che porta all’applicazione e al set di filtri che ha generato l’alert. Oppure addirittura inserendo l’ultimo miglio all’interno dei processi aziendali, per rendere disponibile l’informazione vicino al punto dove si decide.

L’implementazione di un’analytics data pipeline intelligente, grazie alla piattaforma di Active Intelligence di Qlik, consente alle informazioni di fluire continuamente nei processi quotidiani. Si ottimizza così ogni decisione di business grazie ad un’azione informata e si accelera il valore per l’azienda.

Questo è ciò che chiamiamo Active Intelligence.

L'articolo Attivare una piattaforma di Active Intelligence con Qlik: tutti i vantaggi proviene da Horsa Blog.