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 embeddando 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.

[hubspot type=cta portal=8916761 id=38da65d4-4bf7-4a57-ba37-4f21d7bdf5c8]

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

Data Assessment e GAP Analysis: perché sono fondamentali in una Data Strategy

Non tutte le aziende sono uguali: dimensioni, settori, natura e contesti fanno sì che ogni impresa abbia le sue necessità e la propria struttura. Proprio per questo, non esiste una sola Data Platform. In un progetto di Data&Analytics, l’individuazione della piattaforma più corretta è fondamentale perché un’azienda possa ottenere risposta alle proprie esigenze. La scelta di una piattaforma è parte integrante di un percorso di Data Strategy, nel quale vengono evidenziati tutti i modi per acquisire, archiviare, gestire, condividere e utilizzare i dati. La base di tale percorso è costituita da una GAP Analysis e da un Data Assessment. Il primo misura la distanza tra lo stato attuale di un’azienda e il punto di arrivo desiderato. Dalla distanza tra questi due punti ne consegue un piano di azione: per colmare appunto il gap esistente. Per Data Assessment si intende invece un percorso di individuazione dei passaggi e delle priorità da rispettare durante il processo di migrazione verso una Data Platform; è costituito da varie fasi. Vediamole nello specifico.

Data Assessment: fasi e caratteristiche 

Il Data Assessment evidenzia il percorso corretto da intraprendere per l’implementazione di una Data Platform. Si parte, dunque, dalla necessità di implementazione di quest’ultima, per arrivare alla definizione dello stato aziendale attuale e dal calcolo della distanza dal proprio ideale. Struttura, qualità, disponibilità del dato e semplicità di accesso sono gli elementi essenziali di quest’analisi. Il Data Assessment delinea dunque una road map che evidenzia non solo un problema tecnologico, ma che diventa un vero e proprio abilitatore del business. Il percorso standard è caratterizzato da un concatenarsi di fasi di analisi di ricognizione. Nello specifico le fasi sono:

1. Onboarding: raccolta di tendenze ed esposizione di macro trend del contesto e restituzione delle interviste IT fatte fino a quel momento;
2. Assessment: raccolta di informazioni e materiale per capire lo stato attuale del dato in azienda. Vengono raccolte informazioni anche attraverso interviste individuali;
3. Design: si disegna il percorso vero e proprio basandosi sulle analisi svolte, evidenziando le necessità data&analytics. Importante è la definizione delle priorità con il reparto IT dell’azienda. L’implementazione di una Data Platform è, infatti, un percorso, per cui questo passaggio è fondamentale;
4. DP project: si redige una prima proposta. Qui, si ipotizza una tipologia di platform, con migrazione su cloud o meno, con un determinato percorso. Sulla base dei feedback, si formalizza la scelta;
5. Data strategy ed excecution plan: il percorso viene ufficializzato e si procede con l’operatività.

Il Data Assessment: una road map per gli obiettivi aziendali

Un Data Assessment mira dunque a mettere in luce eventuali problemi, nonché delinea chiaramente lo stato attuale del dato in azienda e i passaggi da compiere per implementare la Data Platform più adatta per un’azienda. L’output di questo processo di analisi è, quindi, una road map aziendale che mira a una corretta gestione del dato in ottica analytics, per arrivare alla scelta e all’implementazione di una tecnologia, a prescindere da quale si scelga.

L’approccio di Horsa non si limita dunque a una tecnologia, ma si amplia ad un supporto consulenziale che mette al centro le esigenze del cliente. Ascoltando e analizzando i suoi punti deboli e necessità, Horsa attiva una metodologia che permette di implementare una Data Platform per gradi facendola evolvere nel tempo secondo le necessità.

L'articolo Dalla Data Strategy alla Data Platform: perché ti serve un Data Assessment proviene da Horsa Blog.

Le aziende e la difficoltà nella ricerca ed accesso ai dati

Negli ultimi anni la Digital Transformation, e l’inarrestabile ascesa di tutti gli scenari ad essa correlati, hanno fatto crescere in maniera esponenziale il volume dei dati trattati dalle aziende ed anche l’eterogeneità dei sistemi informatici che li producono e li consumano. Molto spesso, a questa crescita impetuosa, non corrisponde un percorso evolutivo organico e sostenibile (sia dal punto di vista architetturale che di processo) che la vada ad affiancare. Ci si può quindi ritrovare, ad un certo punto, di fronte ad una matassa di fili difficile da districare. Si pensi a:

• Conoscenza non completa e capillare di:
  • Patrimonio informativo
  • Architettura dei sistemi
• Decentralizzazione dei dati (assenza di Master Data)
• Conseguente difficoltà nel comprendere chi sono i Data Owner.
• Incapacità di recuperare il Lineage tecnico (dei dati) e di Business (dei flussi tra i processi).
• Assenza di un’orchestrazione di tali flussi
• Difficoltà nel segregare i dati per profilo di visibilità
• Incapacità di comprendere in quale punto della supply chain del dato si siano generati degli errori

In scenari di questo tipo, e senza un’azione mirata e tarata sulla singola situazione aziendale, anche la semplice operazione di ricerca ed accesso ai propri dati può diventare molto difficoltosa. Si pensi per estremizzare a quanto diventi complesso, sotto queste condizioni, raggiungere l’obiettivo data driven che ogni azienda moderna deve porsi.

Data Catalog: perché aiuta ad orientarsi tra i dati aziendali

Un Data Catalog è sostanzialmente l’inventario aziendale dei dati, dei metadati e delle entità ad essi correlate. È la bussola che permette ad un’azienda di navigare tra i suoi dati e soprattutto di iniziare ad andare della direzione data driven.

Una soluzione Data Catalog infatti permette di raggiungere i seguenti obiettivi:

• Accentrare i dati: l’esistenza del catalogo dei dati, di per sé, rappresenta un traguardo perché si ha la mappa del patrimonio informativo aziendale.
• Definizione di Business Glossary aziendale e dell’interpretazione personale sul significato di dati, logiche di Business ecc.
• Documentazione architetturale e delle relazioni tra le componenti.
• Implementazione delle tecniche di Lineage su dati, flussi di processo ecc. e conseguente documentazione (anche dei metadati).
• Supporto (via AI e ML) alla Data Quality, così da intercettare per tempo problematiche sulla qualità del dato, e più in generale su tutti gli automatismi che possano portare valore alla catena del dato.
• Segregazione logica dei dati: il Data Catalog permette l’automazione delle politiche di masking dei dati abbinate ad una gestione della profilazione degli stessi che vada di pari passo con la Data Governance aziendale.
• Supporto alla Data Governance anche attraverso la definizione dei profili che vanno in relazione diretta coi ruoli previsti (appunto) da una politica di Data Governance.

Data Catalog: possibili pattern implementativi

L’adozione di un Data Catalog, che va di pari passo con quella di una Data Governance aziendale, può spesso spaventare perché sembra essere un processo lungo, complesso e che coinvolge persone, processi e tecnologie differenti. Come in ogni data journey efficace, l’adozione di un Data Catalog dev’essere vista come un insieme di step propedeutici al raggiungimento del traguardo finale. Quest’iniziativa, inoltre, rientra all’interno dell’adozione del più ampio processo di Data Governance che ogni azienda data driven deve intraprendere. Diventa essenziale dunque, per capire quali sono gli step che la tua azienda deve fare, comprendere essenzialmente a che punto l’azienda è oggi.

Si rimanda a tal proposito al webinar sotto riportato in cui abbiamo raccontato come adottare un percorso di Data Governance in una realtà aziendale italiana e, per estensione, come approcciare questo percorso alla parte di Data Catalog.

L'articolo Data Catalog: perché ti serve, e come implementarlo proviene da Horsa Blog.

L’Analytics Maturity Index (AMI) rappresenta il punto di partenza della Data Journey di un’azienda, quel processo che la porta gradualmente ad acquisire consapevolezza e abilità nell’uso del dato. Strumento fondamentale per conoscere il grado di maturità analitica della propria azienda, l’AMI permette di capire:

• A che punto della Data Journey ci si trova
• Se in azienda esiste e quanto è diffusa una reale cultura del dato
• A che livello è

Vediamone nello specifico caratteristiche e vantaggi.

Data & Analytics e cultura del dato: perché l’AMI è il punto di partenza

Un’organizzazione che voglia intraprendere un percorso di Data & Analytics non può non iniziare da un’analisi della sua situazione, nonché dal comprendere il proprio livello di preparazione in quest’ambito. Per questo l’AMI risulta lo strumento ideale, perché indaga il grado di maturità analitica di un’azienda in sette diverse aree legate all’uso e alla gestione del dato, prendendo in considerazione anche le priorità dell’azienda in quegli stessi ambiti e quanto l’organizzazione è pronta ad assorbire l’impatto delle iniziative strategiche che sta portando avanti.

Ad ogni modo, l’analisi del grado di maturità analitica dell’azienda è essenziale per poter pianificare una corretta strategia del dato, che sia di reale supporto al business e garanzia del suo successo, e per programmare un percorso di miglioramento progressivo.

Questo assessment, oltre a fotografare lo stato dell’arte, è anche particolarmente valido per stimare la distanza tra la propria situazione di partenza e quella desiderata.

Cos’è l’Analytics Maturity Index: caratteristiche e aree di analisi

L’Analytics Maturity Index è un questionario autosomministrato che, completato da differenti ruoli aziendali provenienti da più funzioni, produce un report che rappresenta con precisione la situazione di partenza sotto differenti aspetti.

Il questionario propone tre assi d’investigazione:

• Maturità analitica: un set articolato di domande che indagano sette aree (uso del dato, cultura del dato, business alignment, data literacy, data management, artificial intelligence/machine learning, data governance). Per ciascuna area viene restituito nel report di output un punteggio e una descrizione di sintesi della situazione dell’azienda. Vengono inoltre forniti suggerimenti per migliorare e vengono riportate delle best practice a cui ispirarsi;
• Priorità: un set di domande che analizza il livello di priorità dell’azienda nelle sette aree presentate in precedenza;
• Prontezza: ovvero quanto l’azienda è preparata ad affrontare le sfide che ha di fronte. Parte chiedendo quali sono le iniziative strategiche, con impatti Data &Analytics, che sono in atto in azienda e che questa ha già calendarizzato. Si tratta di iniziative come l’introduzione di un nuovo CRM, la definizione di un team Data & Analytics, l’erogazione di attività di formazione in ambito digitalizzazione dell’impresa, la diffusione di tool di marketing automation, etc. Tramite una valutazione dell’impatto che le iniziative indicate complessivamente hanno sulle sette aree, si ottiene un risultato che evidenzia quanto l’azienda è pronta ad affrontare i cambiamenti

In sintesi, grazie allo strumento di assessment si otterrà una misura della maturità analitica dell’azienda nel suo complesso e per ciascuna delle sette aree indagate, si valuteranno le sue priorità in ambito D&A, si stimerà la sua prontezza rispetto alle sfide che ha davanti, mettendo in relazione le iniziative strategiche previste e i punteggi raggiunti nelle varie aree.

In aggiunta, il report riporta anche una misura del grado di disaccordo mostrato dai partecipanti. È un insight più che rilevante: può infatti evidenziare la necessità di diffondere linee guida, di lavorare su una maggiore omogeneità della cultura del dato in azienda, può far emergere particolari situazioni di sofferenza di una o più funzioni. Il report, nel complesso, ci dà quindi questa visione completa del punto di partenza e degli aspetti su cui puntare e/o intervenire, evidenziando sia gli elementi positivi da sfruttare per il successo, sia le criticità da risolvere.

Ma perché utilizzare l’AMI?

L’Analytics Maturity Index come rivoluzione: perché partire da qui

L’Analytics Maturity Index rappresenta una rivoluzione del concetto di consulenza: un vero e proprio passaggio culturale. Esso non è, infatti, un mero prodotto, ma è parte di un processo olistico che mira all’analisi e allo studio del miglior approccio da utilizzare con le aziende clienti. Un percorso di introduzione o di miglioramento della cultura del dato deve necessariamente partire da qui: l’AMI non fotografa la situazione di partenza solo a livello tecnologico, ma anche a livello culturale e organizzativo.

Ottenere informazioni da più fonti, comprendere il contesto adottando diverse prospettive, far convergere nell’analisi elementi eterogenei senza trattare le organizzazioni come cumuli di compartimenti stagni, sono tutte componenti preziose, che permetteranno di formulare con maggiore precisione la strategia aziendale e il progetto che vi si costruirà sopra. E, grazie a questo studio profondo della situazione di partenza di un’impresa, i progetti che ne conseguono diventano davvero custom, in grado di soddisfare le esigenze più specifiche.

L’AMI è dunque uno strumento ricco e indispensabile per qualificare le aziende. Grazie all’Analytics Maturity Index, un’organizzazione può davvero puntare a estrarre il massimo valore dai propri dati.

L'articolo Progetti di Data & Analytics: perché cominciare con l’Analytics Maturity Index proviene da Horsa Blog.

Ma come si fa l’automatic forecasting? Un’ottima opportunità è quella di H In Time proposto da Horsa Insight.

L’automatic forecasting basto su modelli di previsione avanzati

H In Time è un motore di automatic forescasting che si avvale dei modelli più avanzati, in termini di serie storiche, per la stima del forecasting. Sostanzialmente, quello che fa è testare svariati modelli e, attraverso alcune metriche di errore, trovare quello che meglio si adatta all’analisi dei dati forniti. Questa scelta dipende anche da caratteristiche decise a priori, come per esempio la gittata (l’estensione temporale del forecast) oppure la granularità dei dati (se si vuole un forecast giornaliero, settimanale, mensile o così via). Quindi in base ai modelli scelti e alle specifiche richieste per la previsione, viene poi realizzato l’automatic forecasting.

H inTime può analizzare migliaia di serie storiche e può essere usato per avere diverse versioni dello stesso forecast. Ha inoltre la capacità di “imparare” ogni volta che viene utilizzato e sulla base delle informazioni in suo possesso. Questo gli permette di acquisire conoscenza incrementale e di effettuare una scelta sempre più mirata tra i modelli disponibili. Ovviamente ne consegue un automatic forecasting sempre più preciso.

In virtù di queste caratteristiche, H in Time si dintingue per l’estrema flessibilità. Ne consegue che può essere usato in modo efficace per i più svariati forecasting all’interno di diversi settori lavorativi. L’unico vincolo è disporre di dati riferiti a un ampio periodo storico e non frammentari.

Come scegliere un software di automatic forecasting per la propria azienda

L’impiego ideale di un software per il forecast è nella produzione o nelle vendite. Un ruolo particolarmente importante lo svolge anche in quelle organizzazioni multiprodotto, sia sul versante di chi produce sia su quello di chi distribuisce. Sono dunque le aziende del manufacturing quelle che possono trarne i maggiori benefici.

Più in generale, si può affermare che tutte le aziende dovrebbero avere un buon forecast, indipendentemente dalla tipologia dell’azienda stessa o del settore e di competenza. D’altra parte, un forecast poco curato o approssimativo può avere effetti piuttosto negativi su tutta la supply chain, con conseguenze che si possono riflettere, per esempio, sull’approvvigionamento delle materie prime per chi deve produrre o sulle scorte di magazzino (in eccesso o di stock out) nel caso di distributori o retailer.

Va da sé che il software deve essere personalizzato per meglio aderire a eventuali specificità di un’azienda o di un determinato settore.

Semplice da usare, si integra con i sistemi aziendali

H In Time si integra in modo semplice all’interno del sistema informativo aziendale perché impiega un motore che si basa su un software open source. Ma è anche molto facile da usare e per il suo impiego non serve particolare formazione.

Tipicamente, l’implementazione prevede un’integrazione a monte, cioè H In Time prende i dati dai vari sistemi informativi dell’organizzazione, e un’integrazione a valle, ovvero il software scrive le previsioni all’interno del database aziendale oppure in una console, un’interfaccia o, ancora, si collega direttamente con gli strumenti di Business Intelligence presenti in azienda.

Per altro, il software si fa carico di una serie di attività che svolge in automatico, liberando tempo e risorse che possono essere più efficacemente impiegate nella valutazione e nell’interpretazione dei risultati ottenuti con l’automatic forecasting.

L'articolo Automatic forecasting: come ottenere previsioni di business più chiare e precise proviene da Horsa Blog.

Non esiste business senza forecast aziendale

Per ripensare le strategie, ottimizzare i processi, indirizzare la produzione e ipotizzare l’andamento delle vendite il forecast aziendale è il riferimento. Non si può pensare di organizzare il business sulla base delle intuizioni. Ci si deve muovere seguendo indicazioni concrete ottenute da precise analisi che sappiano coniugare le dinamiche aziendali e quelle di mercato. In un’economia volatile come quella attuale è bene agire avendo a disposizione tutte le informazioni necessarie a prendere decisioni in modo adeguato.

In azienda è disponibile un elemento fondamentale per effettuare accurati forecast. Quell’elemento sono i dati. Dalla loro analisi, commisurata con i trend di mercato, è possibile ricavare le informazioni necessarie per ottenere efficaci indicazioni sulle strategie da mettere in atto e sulle attività da pianificare.

In pratica, il forecasting aiuta a determinare come allocare le risorse e pianificare strategicamente i prossimi progetti, attività e costi. Le previsioni permettono alle organizzazioni di gestire le risorse, allineare gli obiettivi con le tendenze attuali e di aggiungere un vantaggio competitivo, facendo la differenza tra un’azienda che ha successo e una che non ce l’ha. Qualsiasi consapevolezza sulle condizioni future mette un’organizzazione in una posizione di vantaggio perché le previsioni aiutano a prevedere problemi potenziali, a prendere decisioni migliori e a misurare l’impatto di tali decisioni.

Forecast aziendale: è una questione di metodo

Lo scopo del forecasting è di sviluppare migliori strategie e piani di progetto usando i dati disponibili e rilevanti del passato e del presente per assicurare il futuro del proprio business. Una buona previsione aziendale permette di ottenere intuizioni uniche e personalizzate sui probabili eventi futuri, di sfruttare le adeguatamente risorse e di fissare i risultati attesi.

Ma come si ottiene un buon forecast? Anzitutto definendo chiaramente gli obiettivi che si intendono raggiungere e in che periodo di tempo. Solitamente, si tende a fare previsioni su un periodo di 12-18 mesi. Tuttavia, il corso degli ultimi eventi ha insegnato che è meglio cercare di limitare il più possibile l’orizzonte temporale del forecast in modo che l’analisi del passato recente dia indicazioni utili per il futuro invece di falsarlo.

La previsione deve considerare quante più fonti di dati possibili e affinare continuativamente i risultati anche sulla base di nuove informazioni che possono emergere. Per esempio, cambiamenti significativi come il completamento di un nuovo prodotto, nuovi concorrenti, strategie competitive o il cambiamento dei requisiti di conformità diminuiscono la connessione tra le tendenze passate e future e quindi vanno attentamente valutate.

Come ottenere un valido forecast aziendale

Stabiliti gli orizzonti temporali e gli obiettivi di business, il forecast aziendale dovrebbe essere ottenuto tramite un’analisi strutturale dei dati eseguita con metodologie adeguate. Questo significa che, a differenza di quanto accade ancora molto di frequente presso le aziende, non basta operare manualmente o avvalendosi di un foglio Excel. I risultati che si ottengono sono troppo approssimativi e nel panorama economico attuale non è sufficiente l’esperienza delle persone per trasformarli in valide previsioni. Le elaborazioni devono essere effettuate con strumenti avanzati di data & analytics. Solo in questo modo si riescono a sfruttare appieno le potenzialità dei dati a disposizione.

Attraverso l’impiego di modelli di machine learning o predictive analytics si automatizzano i processi, modellando con precisione i dati storici, eventualmente arricchendoli con altre informazioni, e producendo così forecast sempre più accurati e affidabili. La combinazione di dati storici e data analytics consente di avere una più precisa visione degli scenari che si potrebbero prospettare in futuro per ordini e vendite. A tutto beneficio del business e della competitività aziendale.

L'articolo Forecast aziendale: come migliora con la Data & Analytics proviene da Horsa Blog.

Perché è necessario un Data Catalog per la maturità aziendale

Non è semplice definire il concetto di “maturità aziendale”: ad essa, infatti, concorrono parametri diversi, e può essere misurata secondo numerose modalità. In linea generale, potremmo dire che più un’azienda è “matura”, più è in grado di far lavorare in maniera efficace i fattori della produzione. In questo senso, la maturità di un’azienda si misura secondo la sua capacità di essere efficiente, veloce, ma anche consapevole. La maturità aziendale si può raggiungere in diversi ambiti (alcuni prima di altri); in questo articolo prendiamo in considerazione la maturità che esprimono le aziende nell’uso dei dati.

Per ottenere un buon grado di maturità aziendale nell’utilizzo dei dati, bisogna innanzitutto prestare attenzione a queste due tensioni:

• la capacità di farsi le domande giuste;
• la capacità di selezionare il minimo set di informazioni con le quali le persone debbano relazionarsi

Il numero giusto deve essere comunicato quando serve, a chi ne ha bisogno e per soddisfare una precisa necessità informativa.

La qualità è sempre più importante della quantità: è preferibile infatti avere dati distillati, piuttosto che una mole di informazioni poco sfruttate, non categorizzate e di bassa o (peggio) sconosciuta qualità. Per ridurre la quantità e organizzare correttamente la supply-chain del dato, è sempre più necessario procedere all’adozione di un Data Catalog.

Esso rappresenta infatti uno strumento imprescindibile per raggiungere lo stato di “azienda matura”. Un Data Catalog è uno strumento di Governance che organizza le informazioni sotto il punto di vista logico per profilare e sintetizzare, comprendere e distribuire. Un’azienda matura è, infatti, quella che riesce ad affrontare la complessità e usa i dati come elemento per comprenderla e anticiparla.

Data Catalog: cos’è e perché migliora i tuoi dati

La quantità di dati necessari ad un’azienda deve essere gestita ed ordinata in modo da ricavare informazioni sintetiche e strategicamente utili. Il compito principale di un Data Catalog è questo: facilitare la lettura dei dati, ordinarli, osservarli, capirne il ciclo di vita.

Un Data Catalog, quindi, non è che un moderno e potente inventario per censire tutti i data asset di un’impresa e le entità ad essa connesse. Uno strumento indispensabile per ottenere informazioni chiare, ordinate e utili sotto il punto di vista strategico ed operativo, che deve necessariamente avere queste caratteristiche:

• capacità di mettere a disposizione i dati aziendali in modo assistito e controllato;
• possibilità di digerire, determinare le specifiche caratteristiche e organizzare in un modello strutturato di metadati le fonti informative più disparate
• supportare le tecniche di Data Lineage e Impact Analysis, come gestione del lineage di business (flussi di informazioni tra processi), lineage tecnico (flussi di dati fisici tra sistemi IT) e lineage verticale (identificazione dei data asset IT che rappresentano fisicamente le informazioni del business);
• supportare lo sviluppo, la gestione e la manutenzione dei workflow a supporto dei processi data intensive;
• farsi carico e facilitare i processi di Data Governance e compliance normativa;
• abilitare automatismi, anche basati su logiche di AI e Machine Learning

I metadati che compongono un Data Catalog sono così organizzati in modo che si possa facilmente sapere dove risiedono i dati, capirne la semantica, valutarne la qualità e consentirne l’accesso in modo agevole e controllato agli attori interessati. Ogni persona autorizzata può, attraverso il Data Catalog, individuare un set di informazioni rilevanti, comprenderne il significato, determinarne le relazioni con altre informazioni per sostenere il valore d’impresa.

Tutti i vantaggi del Data Catalog

La mancanza di uno strumento di catalogazione, governance e controllo come il Data Catalog spinge, ancora oggi, le aziende ad effettuare una segregazione fisica dei dati per proteggerli e garantirne la sicurezza. Si ricorre generalmente ad una scelta hard, secondo cui soltanto alcuni reparti possono accedere a determinate informazioni.

Il Data Catalog, in questo senso, permette di segregare logicamente i dati: in questo modo si può decidere chi può vedere quali informazioni, limitando l’accesso, abilitando il masking dei dati o l’anonimizzazione (pseudonimizzazione) e garantendo la sicurezza.

Altra caratteristica del Data Catalog è quella di gestire la condivisione della conoscenza: una volta che le informazioni sono state aggregate ed ordinate, al punto di poter esprimere valore dalla loro analisi, si può condividere l’exploit con tutta l’organizzazione in modo che il dato diventi patrimonio diffuso.

Il Data Catalog è dunque un luogo per gestire e favorire l’uso dei dati, ma non solo. Esso parte dall’organizzazione di quest’ultimi, per arrivare all’isolamento di eventuali problemi e bug, identificandoli e risolvendoli rapidamente. In questo modo, anche la Data Quality viene nettamente migliorata.

L'articolo Data Catalog: come ottenere il controllo dei dati proviene da Horsa Blog.

Integrazione dei dati: non significa (solo) dire “mettere assieme”

Il termine integrazione può avere un’interpretazione un po’ riduttiva. Esprime un concetto che va ben oltre il semplice spostamento da un database a un altro per riunire in un unico luogo tutti i dati. In realtà, implica il processo che consente di rendere i dati più utilizzabili. In pratica, l’integrazione dei dati prende informazioni strutturate e non strutturate da fonti disparate e le combina in una singola visione unificata.

L’integrazione inizia con il processo di “ingestione” e include passaggi come la pulizia, la mappatura ETL e la trasformazione. L’integrazione dei dati permette infine agli strumenti di analisi di produrre una business intelligence efficace e “actionable”, cioè già pronta per azioni strategiche. L’obiettivo è migliorare le capacità di analisi, consentendo di comprendere meglio le operazioni aziendali e identificare nuove opportunità di business e innovazione. Una ricerca condotta da IDC nel dicembre 2020 ha rilevato che il 94% dei data engineer, degli specialisti dell’integrazione dei dati, dei Data Steward e dei Chief Data Officer stavano integrando fino a cinque tipi differenti di dati.

Tre fonti di dati molto eterogenei

Senza dati unificati, un singolo report comporta tipicamente l’accesso a più account su più siti, l’accesso ai dati all’interno di app native, la copia dei dati, la riformattazione e la pulizia. E tutto questo prima che l’analisi possa avvenire, il che può tenere impegnati per molto tempo i Data Scientist e gli sviluppatori.

Un fattore importante che richiede un’efficace strategia di integrazione dei dati è quindi il fatto che ci sono molti tipi diversi di dati che un’organizzazione ingerisce. Secondo gli esperti, i dati possono provenire principalmente da tre diverse fonti:

• una è costituita dai sistemi ERP, dai Data Warehouse e dai Data Lake;
• un’altra è costituita da milioni di dispositivi mobili, diversi punti di contatto e di coinvolgimento dei clienti, nonché dai negozi fisici;
• l’ultima è rappresentata dagli sviluppatori, i Data Scientist e Data Architect che creano applicazioni o servizi.

Ad aumentare il livello di complessità c’è poi il fatto che le varie forme di dati vengono gestite attraverso molti tipi diversi di tecnologie. La più diffuse sono sicuramente i fogli di calcolo e i database relazionali, ma molto comuni sono anche i database analitici e i mainframe.

Come funziona l’integrazione dei dati

Non esiste un approccio universale all’integrazione dei dati. Tuttavia, le soluzioni di integrazione dei dati coinvolgono tipicamente alcuni elementi comuni, tra cui una rete di fonti di dati, un server principale e i client che accedono ai dati dal server principale. In un tipico processo di integrazione dei dati, il client invia una richiesta di dati al server principale. Questo prende i dati necessari da fonti interne ed esterne e vengono consolidati in un unico set di dati coesivo. Tale set di dati viene servito al cliente per l’utilizzo.

Poter disporre di dati completi e accurati è una base cruciale per costruire la fiducia nei dati in tutta l’organizzazione. Garantire l’affidabilità è uno degli obiettivi principali delle iniziative di integrità dei dati, utilizzate anche per mantenere la sicurezza dei dati, la qualità dei dati e la conformità normativa. La piattaforma end to end Talend per l’integrazione e la gestione dei dati e delle applicazioni aziendali, permette di semplificare molti degli aspetti più complessi della catena del valore dei dati. Vediamo come.

Talend, soluzione all-in-one per l’integrazione dei dati

Talend permette di raccogliere, governare, trasformare e condividere i dati in modo che gli utenti possano acquisire informazioni da vari sistemi, governarle per garantirne un utilizzo corretto, trasformarle in nuovi formati, migliorarne la qualità e condividerle con parti interessate all’interno e all’esterno dell’azienda.

Talend è composta da più soluzioni integrate, come cloud, intesa come integrazione dati fra diverse fonti cloud, e Data Integration, Data Governance, API e Application Integration, Data Fabric, Data Catalog e Talend ESB (Enterprise Service Bus). Quale soluzione che integra in un’unica piattaforma funzionalità altrimenti previste come isolate e separate, Talend è in grado di automatizzare qualsiasi processo di integrazione, anche real time, rendendolo più rapido, veloce e meno costoso. Inoltre, con oltre 900 connettori e componenti consente di collegarsi a qualsiasi sorgente e mette a disposizione controlli automatici della qualità dei dati attraverso l’utilizzo di algoritmi di profilazione che sfruttano il machine learning.

Con le soluzioni di Data Catalog di Talend si possono infine analizzare, profilare, organizzare, collegare e arricchire velocemente tutti i metadati, creando un catalogo dati centralizzato. Talend è disponibile in versioni entry level gratuite, per cominciare da subito a testare la piattaforma all’interno di contesti meno complessi.

L'articolo Integrazione dati: più affidabilità, qualità e accessibilità con Talend proviene da Horsa Blog.

Il valore della business analytics integrata

Con business analytics integrata (o embedded) si intende la possibilità di disporre di tutte le informazioni che servono direttamente all’interno delle applicazioni che le utilizzeranno. In altre parole, è la possibilità di inserire contenuti complessi, di solito sotto forma di report e dashboard, in siti web, applicazioni e software.  

L’embedded analytics offre tutti i software e i servizi che possono essere utilizzati per elaborare e analizzare i dati all’interno di un’applicazione al fine di generare preziose intuizioni e quindi prendere decisioni nel modo più efficace possibile. D’altro canto, le variazioni crescenti e la complessità dei set di dati stanno aumentando ulteriormente la domanda di business analytics integrata in modo da avere un aiuto per ottenere informazioni strategiche in tempi rapidi. Secondo i dati raccolti da Research and Markets¹, nel 2020 il mercato dell’embedded analytics ha raggiunto i 40,09 miliardi di dollari e dovrebbe crescere sino a 104,71 miliardi di dollari entro il 2027, facendo registrare un tasso annuo di crescita composto (CAGR) del 14,7%. 

Business analytics integrata: i dati sono più fruibili se si fa un mashup

L’evoluzione della business analytics ha portato le organizzazioni a monitorare e ottimizzare le attività aziendali sulla base di dati concreti invece che su sensazioni o best practice.   

Diventa oggi sempre più importante riuscire a fare un mashup di intranet o applicazioni aziendali, inserendo contenuti analitici direttamente all’interno degli strumenti che vengono utilizzati dalle diverse figure aziendali. Questo, infatti, permette di rendere più fluido e veloce il reperimento delle informazioni, senza avere la necessità di passare da un ambiente ad un altro. Per raggiungere l’obiettivo di essere un’azienda data driven un passaggio obbligato è quello di avere a disposizione i dati giusti e quando servono per poterli analizzare nel modo più efficace. 

Decisioni migliori per un business migliore

Da sempre i dati sono il grande valore di un’azienda. E oggi tali dati assumono ancor più importanza perché con le tecnologie disponibili si possono fornire strategiche informazioni per il business. A tal fine ricopre un ruolo fondamentale la business intelligence (BI), ma solitamente le decisioni sono prese operando su dashboard all’interno di una soluzione dedicata. La business analytics integrata rende ancor più efficace l’uso della BI perché permette di portare le dashboard al di fuori dei confini della business intelligence stessa, rendendole disponibili dove servono (sul web, nelle app o su altro software) e a chiunque ne abbia la necessità per prendere le corrette decisioni. In questo modo si colma il divario tra la BI e i processi aziendali: integrando i dati di business intelligence nei flussi di lavoro si semplificano i processi e si aggiungere valore ai prodotti.  

D’altra parte, poter sfruttare il mashup dei dati consente di individuare le tendenze tra elementi apparentemente non in relazione tra loro o set di informazioni vagamente correlati. Meglio si riesce a capire quali attività stanno avendo un’influenza reciproca, meglio si può gestire il business in generale. 

¹ Fonte: Research and Markets

L'articolo La business analytics integrata all’interno delle applicazioni esistenti (embedded e mashup) proviene da Horsa Blog.

La data visualization consente infatti di trasformare i numeri in immagini e rendere così immediatamente evidenti trend, fenomeni e altri insight che potrebbe non essere facile individuare dai soli numeri. Prova ne è che si è soliti dire di una rappresentazione grafica che fornisce riposte a domande che non si sapeva di avere.

Visualizzazione dei dati: perché un’immagine è meglio di mille parole

Si stima che ogni secondo al mondo siano prodotti 13 milioni di miliardi di byte di dati¹. Molti di questi sono creati da aziende che devono trovare il modo di analizzare e organizzare questi Big Data in una forma che fornisca informazioni significative per il business. È chiaro che, ad esempio, realizzare lunghi rapporti sui visitatori di un determinato sito web non sia generalmente il modo più efficace per comunicare tali informazioni. Ed è qui che entrano in scena gli strumenti per la visualizzazione dati.

Poiché l’occhio umano può elaborare immagini 60.000 volte più velocemente di un testo o dei numeri, la visualizzazione grafica dei dati risulta il modo migliore per apprendere ed elaborare le informazioni. Strumenti come le dashboard aiutano a rendere più incisive le visualizzazioni di dati, soprattutto considerando che possono essere ottimizzati in funzione delle caratteristiche o delle esigenze degli utenti.

Visualizzazione dati ottimizzata in sei step

Per ottimizzare la visualizzazione dei dati, si possono seguire alcuni accorgimenti che aiutano a migliorare l’uso di tutte le informazioni raccolte. Una metodologia particolarmente efficace è quella del Design Thinking, che permette di avere un approccio innovativo, sviluppando il prodotto secondo un processo efficiente. A questo proposito, si può usare un modello a doppio diamante che prevede quattro momenti: Discover, Define, Develop, Deliver.

Discendendo da tali fasi, è consigliabile seguire questi sei step:

• [Discover] Identificare le personas – È fondamentale sapere a chi è indirizzato il prodotto da realizzare. Occorre quindi effettuare una ricerca tra gli utenti, intervistandoli per conoscere i loro pain e i loro obiettivi, così da identificare le cosiddette personas. In questo modo si individuano gli “utenti tipo” e si hanno ben chiare le esigenze da soddisfare.
• [Define] Creare una user story – Identificate le personas, si può sviluppare una user story, cioè si calano le personas all’interno delle attività quotidiane, cercando di stabilire gli obiettivi che si vogliono raggiungere attraverso l’utilizzo del prodotto. Per esempio, se una delle personas fosse un manager probabilmente sarebbe più interessato a riassunti veloci, chiari e affidabili sull’andamento di una campagna, mentre un analista preferirebbe un set di dati più ricco per evidenziare modelli e trend interessanti o eventuali anomalie. Nel caso del marketing, è importante identificare parametri che riflettano gli obiettivi dell’organizzazione.
• [Develop] Preparare il wireframe – Il wireframe è un documento che descrive il layout e il comportamento delle personas nei confronti del prodotto finale. In base al pubblico e alla sua familiarità con l’argomento trattato, quando si usano degli strumenti di visualizzazione, è necessario assicurarsi che i dati riportati non siano né troppi né pochi e che siano coerenti con le aspettative.
• [Develop] Realizzare un prototipo – Una volta definito il wireframe, si può realizzare una versione parzialmente navigabile e quanto di più simile al risultato finale del prodotto da rilasciare ai key user.
• [Develop] Effettuare test di usabilità – Il prodotto è pronto in versione “beta”. Non rimane dunque che verificare se le funzionalità richieste sono presenti e soddisfano i desiderata. Oltre alle eventuali indicazioni che arriveranno sicuramente dagli utenti, per capire se quanto creato trasferisce davvero delle informazioni, c’è una semplice regola da rispettare: tutti i parametri più importanti dovrebbero risultare evidenti a una prima occhiata. In altre parole, un utente non dovrebbe impiegare più di cinque secondi per trovare quanto sta cercando.
• [Deliver] Sviluppare il prodotto – Approvato il prototipo, si procede con lo sviluppo del prodotto definitivo.

In sintesi: la visualizzazione dei dati si basa sulla conoscenza dell’utente finale

L’ottimizzazione della visualizzazione dati è un’operazione che non prevede procedure standard e gli strumenti disponibili vanno usati in modo da soddisfare al meglio le necessità di chi dovrà poi trarre informazioni da tali dati. Per questo il coinvolgimento dell’utente è essenziale. Solo sapendo esattamente chi userà il prodotto sarà possibile personalizzarlo così da rendere subito chiari i parametri di interesse, velocizzando così analisi e decisioni.

¹ Fonte: SocialMediaToday

L'articolo Strumenti di visualizzazione dei dati: quali step servono per ottimizzarla proviene da Horsa Blog.

L’introduzione di sistemi MES, il rinnovamento di una piattaforma ERP, la costituzione di un team dedicato al mondo analytics o la revisione dei processi di business in ottica di marketing automation sono tutte iniziative che caratterizzano quelle aziende desiderose di intraprendere un percorso per diventare data-driven. Al contempo consentono a un’azienda di consulenza e system integrator come Horsa – assieme ad altri aspetti relativi alla gestione e uso del dato – di valutare la capacità dell’impresa di affrontare le sfide più difficili, affidando le proprie decisioni a breve e lungo termine alla qualità dei propri dati aziendali.

Data strategy: definire il punto di partenza e gli strumenti

Come già accennato, il punto di partenza per una data strategy è la definizione di una roadmap precisa per il completamento delle eventuali modifiche organizzative e delle iniziative proposte è condizione indispensabile per poter effettuare successivamente una corretta misurazione dei benefici attesi, sia in termini monetari che in termini di vantaggio competitivo.

Tra gli aspetti che concorrono a misurare il livello di maturità dell’azienda, il livello di consapevolezza digitale e analitica del personale interno è uno di quelli che richiedono maggiore attenzione. La crescita delle competenze interne, sia mediante formazione che tramite selezione e assunzione di nuovo personale, diventerà, assieme ad un buon livello di data management e data governance, un fattore abilitante alla crescita della cultura del dato in azienda e allo sviluppo di un percorso di data strategy vincente.

Sintetizzando, la roadmap del cambiamento secondo Horsa si snoda lungo 4 punti sostanziali:

• Data & Analytics Assessment: attraverso questo strumento, Horsa misura il livello di maturità dell’azienda lungo diversi assi e identifica le priorità aziendali e le iniziative strategiche in atto. In questo modo, sarà possibile identificare il punto di partenza sul quale costruire un percorso di data strategy in linea con i bisogni aziendali e coerente con il livello di maturità dell’azienda.
• Data Platform Assessment & Design: effettuata la misurazione dell’Analytics Maturity Index dell’azienda, Horsa effettua valutazione delle data platform in uso e, se necessario, individua le modifiche necessarie. Questo perché una data strategy efficace ha la necessità di essere sostenuta da architetture evolute, aggiornate e scalabili, facilmente allineabili alle necessità del contesto aziendale e degli scenari competitivi in cui l’azienda si trova. Il corretto sviluppo di questa fase permette di costruire solide fondamenta su cui progettare e definire obiettivi.
• Definizione del documento di Data Strategy: si tratta di un tassello estremamente importante che permette non solo di offrire un’istantanea della situazione basata sull’assessment iniziale e sugli obiettivi da raggiungere, ma anche di definire in che modo l’azienda potrà/dovrà raccogliere, conservare, condividere e utilizzare i dati e, possibilmente, come estrarre valore da essi. Eventuali modifiche o sviluppi dei progetti di data planning vengono definiti e inseriti durante questa fase. In questo documento, Horsa aiuta il cliente a delineare e prendere coscienza della roadmap da seguire per il raggiungimento dei benefici attesi.
• Data & Analytics Execution Plan: è il momento di definire il piano operativo a medio e lungo termine e pianificare le azioni prioritarie emerse dal documento di data strategy. Occorre dare risposte anche ad eventuali azioni di breve periodo, necessarie all’azienda per far fronte a necessità immediate. Horsa è in grado di affiancare e sostenere con i propri esperti l’azienda nelle prime e sempre complicate fasi di avvio.

La data strategy come acceleratore verso gli obiettivi strategici

La data strategy può offrire grandi vantaggi competitivi se accuratamente definita e accompagnata dalla consapevolezza che il dato deve essere gestito come nuovo asset strategico per l’impresa. Rendere più efficienti i processi i business, prendere decisioni in tempi sempre più rapidi e innovare il core business di prodotti e servizi sono solo alcuni degli obiettivi raggiungibili.

Per Horsa, in base all’esperienza maturata, l’approccio strutturato sotto forma di “lab aziendale” rappresenta una soluzione ideale per tutte quelle realtà che vogliano apprendere come supportare i propri processi decisionali e di business grazie ai dati. Il percorso sviluppato dal gruppo consente di acquisire gli strumenti indispensabili per governare questo cambiamento. Cambiamento che, in alcuni casi, può far sì che i dati raccolti possano generare un valore economico diretto e non solo attraverso il sostegno ai processi decisionali e aziendali o all’innovazione del core business (data monetization).

Con il servizio Insight as a Service, Horsa mette a disposizione dei clienti un team coordinato e multidisciplinare di esperti in ambito analytics, capace di fornire un supporto continuativo alle necessità dell’azienda e una risposta veloce e competente alle sempre più pressanti domande del business e dei mercati di riferimento.

L'articolo Data Strategy: come definire una roadmap con Horsa proviene da Horsa Blog.

Gli ostacoli sul cammino della digital transformation sono davvero molti e non a caso si arriva a parlare del fenomeno “data blind”, per evidenziare come il muoversi alla “cieca” nel mondo data analytics sia oggi uno dei principali freni allo sviluppo di un’impresa, sia in termini digitali, sia di business. Difficile dire se sia peggio investire in modo frettoloso e non pianificato nelle ultime tecnologie o rimanere bloccati su soluzioni antidiluviane, inadeguate rispetto alle crescenti richieste in termini di prestazioni e di scalabilità dell’azienda.

Solo un accurato assessement può far emergere i benefici che l’impresa potrà ottenere grazie ad un corretto uso dei dati e mostrare quanto l’azienda potrà guadagnare sia in termini monetari sia di reali vantaggi competitivi. Secondo l’esperienza di Horsa, gruppo specializzato nella consulenza in ambito ICT a livello internazionale, occorre quindi massimizzare il valore dei dati aziendali e definire un percorso di crescita progressiva, che coinvolga persone, tecnologie e processi.

3 criticità che la data analytics strategy aiuta a superare

Lo scopo primario della data analytics strategy è quello di aiutare il management a migliorare il processo decisionale, affidandosi ai dati ma, soprattutto, potendosi fidare della loro qualità. I dati raccolti devono quindi rispettare precisi requisiti di data quality per potersi trasformare in informazioni utili. Prima che questo possa avvenire è però necessario definire con esattezza quale sia il livello raggiunto dall’azienda in aree quali la data literacy, la data governance, il data management, l’uso e la distribuzione dei dati. Qui di seguito identifichiamo gli ostacoli più comuni, ma non per questo meno difficili da superare senza l’aiuto di un valido consulente.

1. I dati non sono usati per prendere decisioni: questo fenomeno riguarda la maggior parte delle aziende che non ritengono i dati un asset strategico con un reale valore economico. Mancano analisti e data scientist in posizioni chiave dell’organizzazione e il management non è in grado di rendere omogeneo l’uso del dato lungo tutta la filiera produttiva e decisionale.

2. I dati non vengono analizzati: il “collezionismo” dei dati è un’operazione del tutto inutile se non evolve in un processo di analisi responsabile, che preveda sia la conservazione delle informazioni raccolte (privacy e sicurezza), sia garanzie rispetto alla qualità del dato e alle relative fonti. Non a caso si stima che gli analisti investano l’80% del loro tempo a pulire/preparare i dati [1]. Occorre quindi ottimizzare i processi e costruire pipeline di analisi che assicurino la riproducibilità degli esperimenti e dei risultati ottenuti.

3. Obsolescenza delle tecnologie: come avviene per i dati, anche il collezionismo delle tecnologie è un fenomeno che colpisce molte imprese. Acquisti frettolosi, mal consigliati e mal calibrati, sia per eccesso che per difetto, rispetto alle reali necessità dell’azienda, rendono il reparto IT inefficiente e non in grado di garantire la qualità delle analisi e quindi delle informazioni. L’impiego di soluzioni in cloud garantisce la scalabilità e l’aggiornamento delle piattaforme, consentendo agli analisti di rispondere in modo adeguato alle richieste del management.

L’approccio di Horsa alla data analytics strategy

Molto spesso le aziende mancano delle risorse o delle competenze specifiche e settoriali necessarie per intraprendere con successo la loro data analytics journey. Per rispondere a questi bisogni, Horsa offre una soluzione flessibile e innovativa, capace di garantire un supporto completo lungo tutte le fasi del percorso: il servizio Insight as a Service.

L’approccio ideale di crescita proposto da Horsa permette alle aziende di acquisire non solo strumenti utili a governare il processo di adozione di analitiche avanzate, ma di farlo considerando sia il punto di vista tecnologico sia quello organizzativo. Diventa quindi indispensabile introdurre un nuovo tipo di approccio, questa volta interdisciplinare, che coinvolga in modo organico i vari settori dell’azienda e del management. Lo scopo ultimo può essere ben sintetizzato in questi quattro punti:

• potenziare le attuali attività di business;
• migliorare il processo decisionale;
• innovare il core business;
• sfruttare la data monetization.

Affrontare questa sfida significa per l’azienda misurarsi con la propria capacità di trasformare la mole di informazioni “inerti” in un vero vantaggio competitivo, rendendo il business più intelligente e performante, le decisioni più consapevoli e sicure. Un obiettivo sicuramente ambizioso, che richiede un partner capace di valutare in modo adeguato le reali necessità di un’organizzazione, al fine di individuare l’architettura e le soluzioni che meglio rispondano alle esigenze presenti e, soprattutto, future.

[1] Horsa Group: BA Estrarre valore dei dati, pag. 4 – da Harvard Business Review: Dalle Mule, L. & Davenport, T.H. (2017). “What’s your data strategy?” https://hbr.org/2017/05/whats-your-data-strategy

L'articolo Come creare una data analytics strategy con Horsa proviene da Horsa Blog.