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.

Cos’è la Data Literacy

Possiamo riassumere la Data Literacy come la capacità di leggere, lavorare, analizzare e argomentare (con) i dati, nonché l’abilità di estrarre il valore, anche economico, che essi sono in grado di generare.​ Stando a tale definizione, la Data Literacy non è una capacità monodimensionale, ma prevede 3 tipologie di competenze:

• Competenza verbale
• Competenza numerica
• Competenza grafica

Si potrebbe quindi pensare alla Data Literacy come a un traguardo a cui tutti possono aspirare, riassumibile tramite un “punteggio” che viene attribuito all’azienda. Tuttavia, è importante considerare che ciascun individuo all’interno dell’organizzazione deve raggiungere un livello di Data Literacy adatto alle attività che normalmente svolge, al fine di massimizzare l’utilità e gli sforzi dell’organizzazione in tale ambito.

Una buona Data Literacy fa prendere decisioni migliori

Gartner sostiene che “la scarsa Data Literacy è classificata come il secondo più grande ostacolo interno al successo dell’ufficio del CDO. Entro il 2023, diventerà essenziale per promuovere il valore aziendale, come dimostrato dalla sua inclusione formale in più dell’80% delle strategie di analisi e dati e nei programmi di gestione del cambiamento”¹. Una percentuale così alta di inclusione è dovuta a una semplice consapevolezza, ormai di dominio pubblico all’interno delle aziende: persone con una buona Data Literacy prendono decisioni migliori, e lo fanno più velocemente. Un uso consapevole del dato, infatti, aumenta la capacità delle organizzazioni di dare seguito agli obiettivi di business e a navigare la naturale complessità dell’attuale contesto competitivo.

Dall’individuo a una Data Literacy pervasiva in tutta l’azienda

All’interno delle aziende, non è inusuale trovare punte di diamante in termini di Data Literacy. Solitamente si tratta di piccoli team, aree di business o singole persone, che hanno conoscenze approfondite sull’utilizzo dei dati per le loro mansioni, hanno creato processi adeguati di utilizzo del dato nel tempo e spesso sono riusciti a portare risultati notevoli grazie a questa capacità, al contrario di altre funzioni in cui l’utilizzo del dato risulta più “buio” e complicato.

In queste circostanze, tali soggetti si trovano a essere isolati e creano un dislivello all’interno dell’azienda, dovuto al fatto che solitamente il passaggio di competenze non si diffonde ma rimane circoscritto.

La Data Literacy è pervasiva all’interno di un’organizzazione solo quando i dati diventano parte integrante dei meccanismi aziendali e vengono realmente utilizzati per prendere decisioni e comunicare all’interno e all’esterno. In tal senso, la Data Literacy non è più una competenza dei singoli individui, ma è parte di un meccanismo più ampio e complesso, in cui il dato è visto come patrimonio condiviso su cui tutti possono fare affidamento (i dati sono un bene comune).

Le sfide della Data Literacy

Intraprendere un percorso di Data Literacy all’interno di un’azienda comporta un grande passo per le organizzazioni, che spesso devono fare i conti con la resistenza al cambiamento organizzativa e altre sfide interne come la scarsa diffusione di competenze Data&Analytics e la mancanza di leadership virtuose nell’uso del dato che rallentano il diffondersi della cultura sul dato stesso. A queste si aggiungono l’assenza di governance e di un linguaggio comune all’interno dell’azienda e delle singole funzioni, l’insicurezza e la mancanza di confidenza con il dato che provocano, soprattutto all’inizio, una sorta di riluttanza nel mettersi in gioco, e infine, ma non meno importante, le diverse modalità di apprendimento a cui gli individui sono propensi che comportano un impegno ulteriore nello scegliere le metodologie più adeguate al contesto aziendale.

Vantaggi, benefici e il fattore tempo

Una volta intrapreso un percorso di Data Literacy, sono però tanti e diversi i benefici che si raggiungono all’interno dell’organizzazione. Spesso tali benefici si traducono in un miglioramento generale delle performance e dei KPI aziendali. In generale, possiamo schematizzarli come segue:

• Consapevolezza dei limiti e delle potenzialità dei dati​
• Aumento della competitività aziendale sul mercato​
• Capacità di prendere decisioni migliori più velocemente​
• Impatto positivo su performance aziendali e indici di redditività​
• Business insights più approfonditi e immediati​
• Decisioni aziendali più consapevoli e fondate sul dato​
• Maggior coinvolgimento della forza lavoro.​

Un aspetto che accomuna tutti i punti sopra elencati è un buon utilizzo del fattore tempo. Data Literacy vuol dire, infatti, che gli individui impiegano molto meno tempo per decidere quali siano le analisi di cui hanno davvero la necessità, per estrarle o fare in modo che venga creato un processo che le estragga per loro. E infine, per giustificare il perché di tali numeri ad altri membri dell’organizzazione, al fine di prendere le decisioni in modo consapevole.

A questo si collega un ulteriore vantaggio che genera la Data Literacy, importantissimo nel periodo storico che stiamo vivendo di costante e incontrollata proliferazione dei dati: una sostanziale riduzione della circolazione di informazioni, ovviamente quelle ridondanti, non importanti all’interno delle analisi data da una maggiore consapevolezza sull’utilizzo del dato, che deve dare un vero valore aggiunto per essere presentato, permettendo di far entrare gli individui e l’azienda in una sorta di consapevole “minimalismo sui dati”.

Migliorare la Data Literacy in 3 step

Il percorso di Data Literacy comporta solitamente 3 step essenziali:

• condurre una ricognizione sull’attuale livello di Data Literacy presente in azienda;
• definire degli obiettivi legati al livello di Data Literacy che si intende raggiungere e comunicarli a tutta l’azienda;
• costruire percorsi di formazione e di apprendimento adeguati, supportati da processi ad hoc di diffusione della Data Literacy.

A livello strategico è molto importante lavorare, in modo diverso e con strumenti specifici, su vari livelli dell’organizzazione, per aumentare la consapevolezza e l’autonomia rispetto all’uso e alla valorizzazione dei dati e generare dei processi che supportino la cultura del Data Driven Decision Making nel tempo. A tal proposito, a meno di non avere un team di esperti di tale materia all’interno della propria azienda, è consigliabile rivolgersi a degli esperti D&A che sappiano guidarci in un percorso di Data Literacy, attraverso sessioni di management coaching, workshop guidati e revisioni della governance organizzativa, per supportare gli individui nell’utilizzo corretto ed efficace dei dati e nello sviluppo delle competenze aziendali.

Da un lato, quindi, tale programma permette solitamente agli individui di accelerare la loro crescita e allo stesso tempo aiuta le aziende a navigare il complesso panorama della trasformazione digitale.

¹ Fonte: Gartner

L'articolo Data Literacy, l’importanza di costruire una cultura del dato in azienda proviene da Horsa Blog.

Cos’è la data quality e perché bisogna prevederla nelle aziende

Ma cosa vuol dire data quality? È un concetto che va oltre la qualità dei dati in sé e riguarda tutto l’insieme di processi atti a monitorare e incrementare, attraverso l’analisi e il miglioramento di tutti i dati aziendali, le caratteristiche che incidono sulla capacità dei dati stessi di soddisfare bisogni dichiarati o impliciti per l’azienda. Come sostiene ancora Gartner, “i leader di D&A (Data & Analytics) devono intraprendere azioni pragmatiche e mirate per migliorare la qualità dei dati aziendali se vogliono accelerare la trasformazione digitale delle loro organizzazioni”. Dati sparsi, ridondanti o non corretti creano disordine e inefficienze all’interno delle aziende, perché non permettono di prendere decisioni corrette e nemmeno di agire nei tempi giusti. E questo riduce le opportunità di possibili introiti.

La data quality in due esempi

Vediamo nel concreto cosa significa avere dei dati di qualità. Prendiamo per esempio l’anagrafica cliente, un tipo di dato presente pressoché in tutte le aziende e che ingloba diverse informazioni relative a email, partita Iva, indirizzo e simili. Immaginiamo di essere un’azienda e-commerce che ha la necessità di inviare via e-mail informazioni promozionali o di spedire prodotti all’indirizzo di un cliente. Se i dati nell’anagrafica non sono stati compilati correttamente o se, per qualche motivo, all’interno dei processi c’è qualcosa che li “sporca”, li elimina o li modifica, si avranno una perdita di efficacia sulle campagne marketing o lamentele da parte del cliente perché non riceve i prodotti.

Immaginate ora di avere un sistema su cui sono attivi vari processi, tramite cui vengono contabilizzati tutti gli ordini, le spedizioni, i resi, i costi e i ricavi dei prodotti. Immaginate di dover prendere delle decisioni in base all’andamento di tali processi e che a un certo punto notate un comportamento anomalo. Vi accorgete che c’è una diminuzione di uno o più dei predetti fattori e non riuscite a spiegarvi il motivo. Nel frattempo, vi viene chiesto di stimare la pianificazione della produzione da raggiungere nei prossimi mesi. Per soddisfare la richiesta, dovrete capire cosa è successo, se la variazione dipende da un problema sui dati oppure da un calo di mercato. Ma se è un problema sui dati, quanto tempo impiegherete a trovare la causa e a risolvere tutto?

La data quality serve a prevenire tali problematiche, e nel caso in cui esse si presentino, a rendere più semplice l’individuazione e la risoluzione, grazie a una migliore percezione e conoscenza dei processi. Non è dunque uno strumento utile solo a monitorare i dati, ma anche i processi che li producono.

Un processo strutturato non delle “toppe”

Da quanto visto, appare chiaro come la data quality sia un tassello fondamentale per le aziende che operano in ottica di un decision making data-driven ed è destinata a diventare uno strumento indispensabile per tutte le aziende che hanno intenzione di crescere e migliorarsi in tale prospettiva.

Gartner prevede che entro il 2022, il 70% delle organizzazioni monitorerà rigorosamente i livelli di qualità dei dati, migliorandoli del 60% in modo da ridurre significativamente i rischi operativi e i costi.

Spesso, però, alcune aziende cercano di risolvere il problema della data quality tramite attività di manutenzione estemporanee, eseguite in fase di sintesi del dato e supportate da mappature in Excel o altri strumenti di revisione manuali.

Tali attività comportano un impegno costante e non indifferente da parte del personale nel tenerle sempre aggiornate, con tutti i rischi di errori “umani” che possono verificarsi. Ma soprattutto non sono altro che toppe sui processi che vanno a risolvere momentaneamente un problema, per poi spesso andare a finire nel “dimenticatoio aziendale”, provocando ulteriori problemi ai processi e dunque compromettendo nuovamente la data quality. Inoltre, tanto più sono presenti questi tipi di “toppe” tanto più costoso e difficile sarà manutenerle nel tempo: tutto ciò senza ottenere minimamente i benefici e la longevità di un processo strutturato.

Come monitorare il processo di data quality

Il processo di data quality viene monitorato attraverso la pianificazione e messa a punto di indicatori sintetici, che permettono di ottenere una valutazione oggettiva dello stato qualitativo delle basi dati e dei relativi ambiti informativi. Tali risultati vengono solitamente rappresentati con strumenti analitici come dashboard, permettendo dunque il controllo continuo del grado di affidabilità delle risorse dati in azienda.

Affinché la data quality porti risultati tangibili è quindi importante considerare due aspetti fondamentali: il monitoraggio della qualità dei dati e l’identificazione delle azioni correttive da intraprendere per la qualità stessa, che devono essere inserite in una scala di priorità di risoluzione.

Non uno standard, ma adattato all’azienda

Il processo di data quality è costruito sulla base di regole standard di monitoraggio (che valutano i dati attraverso criteri di Consistenza, Completezza, Coerenza, Accuratezza, Copertura, Stabilità). Tuttavia, è necessario creare altre regole e metriche sulla base delle caratteristiche di business del dato che si analizza e sulle necessità dell’azienda. Per questo è bene affrontare tali tematiche supportati da specialisti D&A che sappiano guidarci nel percorso, per permettere all’azienda di investire in un processo che darà benefici tangibili, oltre a spingerla verso un più consapevole uso e interpretazione del dato.

Uno studio approfondito sulle dinamiche funzionali e di gestione del dato da parte di esperti D&A, supportati dalle varie funzioni aziendali, permette di creare algoritmi di controllo ad hoc. Questo si traduce in una maggiore tranquillità per l’azienda nelle scelte fatte sulla base dei dati che consulta tutti i giorni.

Infine, l’attività D&A in ambito data quality non si limita soltanto al monitoraggio, ma alla creazione di dashboard data quality che riflettono anche l’impatto delle attività di miglioramento effettuate sui KPI aziendali. È dunque parte essenziale del processo dare un riscontro in termini di benefici sul business e sui ricavi ottenuti a seguito di tali miglioramenti, che giustificheranno le spese inizialmente sostenute.

Uno degli strumenti che risponde ad una parte di tali esigenze è il Data Catalog, spesso utilizzato a supporto del processo di Data Quality, che aiuta ad avere una visione d’insieme dei dati e delle loro relazioni, oltre ad essere uno strumento di studio del dato i cui i risultati e le analisi sono condivisibili con tutti coloro che ne hanno accesso, permettendo di individuare possibili problematiche da risolvere e monitorare.

[hubspot type=cta portal=8916761 id=2d60a8bf-3532-4dd2-ab01-937ce61c0f7e]

L'articolo Data quality: perché avere i dati non basta. Come renderli utili e disponibili proviene da Horsa Blog.

D’altro canto, i dati sono diventati asset strategici per la maggior parte delle organizzazioni e loro gestione è perciò una priorità assoluta. Sono infatti le informazioni, strutturate e non strutturate, raccolte dalle aziende a fornire di frequente indicazioni su strategie innovative. In sostanza, come si dice, a rendere le organizzazioni data-driven, o data-enabled.

Un approccio agile per la data integration

Con il cloud è quindi cambiato il data management ed è sorta l’esigenza della data integration. Ma al contempo, in ottemperanza alle richieste del business, occorre mantenere velocità e flessibilità nella gestione delle informazioni all’interno dei processi. Questo ha indotto molte aziende a scegliere un approccio agile per gestire i loro programmi di dati. Agile è una metodologia collaudata e usata nelle organizzazioni IT per costruire software o gestire i processi in modo più efficace. In generale, si tratta di un approccio collaborativo in cui i team interfunzionali (chiamati anche “scrum”) progettano e costruiscono rapidamente prodotti e funzionalità, li testano con i clienti, li perfezionano e li migliorano tramite rapide iterazioni. Analogamente, l’agilità dei dati si basa su un approccio congiunto allo sviluppo e alla fornitura: i team interfunzionali composti da membri del business e dell’IT lavorano sulla generazione di insight affidabili che consentano all’azienda di affrontare le principali priorità di business e di ottenere rapidamente risultati positivi.

Un approccio agile alla migrazione e alla gestione dei dati comporta una serie di vantaggi importanti, non ultimo quello di rendere più ordinato il panorama delle informazioni aziendali. Inoltre, i dati provenienti da più database, funzioni e unità di business possono essere combinati e resi più facilmente accessibili. Le aziende possono ottenere un valore immediato dal rilascio frequente di soluzioni di gestione dei dati. E se il business è coinvolto nella migrazione dei dati fin dall’inizio, può cogliere rapidamente le opportunità emergenti o aiutare l’organizzazione IT a dare priorità ai dati e alle iniziative di trasformazione digitale.

Data integration alla velocità del business

Con così tanti dati distribuiti in modo ampio, la velocità con cui è possibile riunirli e renderli disponibili è fondamentale per creare una differenziazione competitiva. L’uso agile deve consentire una facile scoperta delle informazioni indipendentemente da dove si trovano (on premise o in cloud) e deve consentire di predisporle per creare degli analytics.

Molte strategie sui dati si stanno concentrando sull’opportunità che i data warehouse e i data lake basati sul cloud forniscano una migliore disponibilità per progetti di analytics, machine learning e data science. Tuttavia, mentre i nuovi set di dati ospitati nel cloud sono più flessibili e prontamente disponibili, la sfida che la maggior parte delle aziende deve superare è come i dati provenienti da diversi sistemi e archivi possano essere integrati sulle piattaforme basate sul cloud alla velocità richiesta dal business. In definitiva, i CIO sanno dove si trovano i loro dati di valore (per esempio, nei sistemi ERP e CRM) ma come si può fornire un accesso quasi in tempo reale a questi dati transazionali che hanno un formato ottimizzato per i processi di lettura dei sistemi analitici? I requisiti di business per i dati sono più agili di quanto consenta di ottenere l’ETL.

Leggere e replicare i dati transazionali da fonti meno agili attraverso lo streaming può aiutare le aziende a superare le sfide relative alla creazione di pool in tempo reale su cui gli analisti possano operare. Tuttavia, i dati in streaming da soli non forniscono l’agilità di cui le aziende hanno bisogno. I dati transazionali nella loro forma originale non sono pronti per l’analisi. La vera agilità non può essere raggiunta se, una volta trasmesse le informazioni, serve un altro processo manuale per raffinarle e prepararle per essere analizzate. È invece essenziale automatizzare i processi e i compiti ripetitivi associati al reperimento, alla replica e alla sincronizzazione dei dati in tutta l’azienda. Solo così il software di data integration permette alle organizzazioni di rendere rapidamente disponibili i dati affinché possano usarli gli analisti.

In conclusione

La velocità con cui si possono ricavare degli analytics dai dati è sempre più critica per il vantaggio competitivo di un’azienda. E questo è soprattutto vero oggi, con le organizzazioni che devono continuamente reagire al rapido cambiamento dell’ambiente economico e commerciale. Automatizzare il processo di streaming dei dati da fonti transazionali e legacy e raffinarli per l’analisi permette alle aziende di avere finalmente un quadro chiaro e completo per muoversi con la velocità e l’agilità richieste dal mercato.

¹ Fonte: Osservatori Digital Innovation

L'articolo Data Integration: come garantire un uso agile del dato proviene da Horsa Blog.

Per raccoglierli, renderli tracciabili, sicuri e soprattutto fruibili in tempo reale a tutti i settori dell’azienda, è necessario adottare nuove piattaforme software come il MES (Manufacturing Execution System), software che per essere davvero efficaci debbono però essere integrati con i sistemi già in essere, vedi ERP (Enterprise resource planning).

Introdurre un MES permette ai responsabili di produzione di accedere a dati preziosi per la loro quantità e qualità. Integrarli all’interno dei propri report e modelli di business permette di completare i primi e innovare i secondi. L’attivazione di processi decisionali basati su nuovi e più aggiornati dati di produzione velocizza il time to market (TTM), consentendo all’azienda di allargare il perimetro del business, diversificando produzione e scenari di mercati.

Come i dati di produzione aiutano a ridurre il time to market

In estrema sintesi potremmo definire il MES come un “attivatore” di efficienza: migliorando la qualità dei dati di produzione permette di efficientare la comunicazione tra i reparti, consentendo ai Responsabili, non solo quelli di Produzione, di prendere decisioni non solo migliori, ma anche in tempi più brevi. Il MES è quindi un driver che permette di snellire processi, individuare eventuali rallentamenti nella produzione e di sviluppare un numero superiore di progetti.

Prima della sua adozione occorre però un assessment iniziale dei processi e del layout produttivo, indispensabile affinché possa avvenire l’integrazione del software con macchinari e le piattaforme già presenti in azienda.

Ma in che modo una migliore gestione dei dati di produzione può ridurre il time to market, e aiutare il responsabile di produzione a rispettare, o migliorare, le scadenze programmate? Ecco i principali mezzi attraverso cui è possibile migliorare il TTM:

• È uno dei primi elementi da perseguire; raggiungere un’operatività paperless, in cui le informazioni raggiungono ogni singolo attore in real time, permette di automatizzare i processi, accelerare la produzione e ridurre il time to market.
• Gli ordini di lavoro vengono presi in carico dal MES direttamente dal sistema ERP; diventa così più semplice per gli operatori di linea comunicare le varie fasi di avanzamento della produzione. Lo scambio continuo di informazioni tra le piattaforme permette di recuperare efficienza e ridurre il numero di errori, dando al management un quadro sempre preciso della produzione. Questo permette di prendere decisioni non solo migliori ma anche in tempi molto più brevi.
• Comunicazione. La realizzazione di prodotti anche complessi viene velocizzata dalla possibilità di accedere, anche in linea, a schede tecniche e istruzioni operative sempre aggiornate in tempo reale. Gli operatori traggono quindi vantaggio da una comunicazione più capillare e procedure più complete e sicure; questo favorisce sensibilmente la riduzione dei tempi di ciclo di produzione.
• Ottimizzazione. L’analisi dei dati permette di alzare gli standard qualitativi, ridurre il numero di errori e gli scarti di materiale. L’interconnessione con i macchinari permette al MES di fornire in tempo reale dati ulteriori per migliorare la tracciabilità dei materiali durante tutto il percorso della supply chain. Diventa più semplice disegnare nuovi scenari produttivi per migliorare il time to market.
• Misurabilità. La trasparenza dei dati permette di definire tempi ciclo di produzione più realistici, ottimizzando le performance e consentendo la definizione di nuovi KPI ed obiettivi. La loro misurabilità e condivisione viene facilitata da tool software di visualizzazione dei dati (Business Intelligence).
• Tracciabilità. Permette di mantenere elevati gli standard qualitativi e il rispetto di eventuali certificazioni. Questo fattore è particolarmente utile nel mondo della produzione agroalimentare (ISO 22005), ma anche in quello biomedicale (in riferimento ai dispositivi medici), come in quello aerospaziale e dell’automotive: in questi settori occorre poter ricostruire tutto il percorso del prodotto in termini di locazione e storia, gli interventi che lo hanno interessato, le materie prime con cui è venuto in contatto e la sua eventuale posizione nella filiera in un determinato istante. Spesso, esistono normative dedicate e piuttosto stringenti al riguardo.
• Non certo ultima, una corretta gestione del dato consente di avere sempre in tempo reale lo stato di avanzamento delle commesse, ottimizzando la reportistica da e verso il settore logistico degli approvvigionamenti e delle spedizioni; la gestione dei dati consente inoltre una migliore gestione dell’obsolescenza degli articoli con prelievi/movimentazioni FIFO/FEFO che riducono gli sprechi. Se ne avvantaggiano quindi i rapporti con fornitori, partner e clienti.

In sintesi: La completa visibilità del reparto produttivo, intesa come completezza di informazione durante tutto l’avanzamento sulla catena, è l’obiettivo da perseguire per poter ottimizzare il time to market. Automazione dei processi, azzeramento delle attività a basso (o nessun) valore, miglioramento della comunicazione tra i reparti, sono possibili a patto di introdurre tecnologie ad alto valore aggiunto come quelle fornite da un software MES. La conseguente riduzione del TTM permette di aumentare la competitività e quindi la possibilità per l’impresa di mantenere e migliorare la sua posizione nel lungo periodo, allargando i margini di manovra per intraprendere un virtuoso percorso di innovazione.

L'articolo Dati di produzione: come usarli per velocizzare il time to market proviene da Horsa Blog.

Risorse umane digitali: si parte da un nuovo mindset

Per risorse umane sempre più digitali, e quindi dinamiche, flessibili e pronte al cambiamento, si parte dall’acquisizione di un nuovo mindset tra il personale dell’azienda. Questo è necessario per riuscire ad assorbire in azienda culture e processi nuovi, continuando a beneficiare degli aspetti positivi – maggiore familiarità con gli strumenti digitali e operatività più agile – acquisiti durante il remote working forzato, e eliminando quelli invece più negativi (senso di isolamento, aumento del carico di lavoro, annullamento dei confini tra vita privata e vita lavorativa).

Il principale compito dei CPO (Chief People Officer) sarà quindi sempre più quello di disegnare e mettere in atto nuovi modelli di lavoro ibridi, percorsi di formazione e sistemi di incentivi per aumentare l’engagement e la retention dei migliori talenti. Un obiettivo che persegue sul lungo termine il miglioramento continuo delle stesse performance aziendali a 360 gradi.

In questo contesto, la raccolta, il monitoraggio e l’analisi dei dati  relativi al personale attraverso i nuovi tool digitali è un asset strategico per riuscirci.

Il ruolo di KPI e dati per le risorse umane digitali

Secondo l’Osservatorio HR Innovation Practice¹ i tool digitali più utilizzati dalle Risorse Umani sono i sistemi e le app per la micro-formazione (48%) e i social media con finalità di recruiting (45%). Parallelamente, si stanno diffondendo strumenti di analytics con l’obiettivo di analizzare le dinamiche di assenteismo (29%), monitorare le performance dei collaboratori (24%) e il loro grado di turnover (21%).

La società ICD parla di Strategic HR per individuare la nuova direzione verso la quale si muovono gli uffici Risorse Umane delle aziende. Le tecnologie che caratterizzano questa nuova direzione aiutano a ottimizzare la gestione dei processi di recruiting, di sviluppo carriere, di engagement, di performance management e di formazione. Per la società di analisi sono infatti sempre più popolari tra le HR strumenti che si basano sull’analisi dei dati e sul monitoraggio dei KPI per supportare il raggiungimento degli obiettivi di business. Una volta identificati gli indicatori chiave di prestazione più corretti (KPI – Key Performance Indicator) diventa più facile riuscire a capire come e quanto si è allineati rispetto alla strategia aziendale. I dati generati dalla rilevazione dei KPI, a livello individuale o di team, sono materiale prezioso per capire su quali elementi occorra lavorare.

In questo scenario, l’intelligenza artificiale e il machine learning sono le tecnologie che giocheranno un ruolo da protagonista nelle HR del futuro. In base alle IDC Predictions 2020², entro i prossimi due anni, un terzo delle principali duemila organizzazioni mondiali (G2000) avrà implementato logiche agili e data-driven. Questo è vero soprattutto per i percorsi di apprendimento e sviluppo delle competenze, sulle quali implementare i processi di crescita e di carriera dei talenti. A questo proposito, si parla di People Analytics (o HR Analytics), ovvero l’applicazione di modelli e soluzioni digitali di data intelligence alle risorse umane. Una preziosa opportunità di evoluzione dunque per risorse umane sempre più digitali.

In conclusione: è chiaro come le aziende che vogliono essere in primo piano sui mercati del futuro devono iniziare con una formazione e una gestione all’avanguardia delle proprie persone. Principale alleato in questo percorso di sviluppo è il digitale, in particolare le tecnologie di data analytics, che diventano sempre più accurate grazie a intelligenza artificiale e machine learning. L’impatto benefico si registra su molteplici piani, dal coordinamento interno al recruiting, fino all’engagement della popolazione aziendale, e gli obiettivi strategici dell’azienda diventano finalmente più facili da raggiungere.

¹ Fonte: Osservatori
² Fonte: IDC

L'articolo Risorse umane digitali: è ora di KPI e dati proviene da Horsa Blog.

La roadmap fino al 2027, d’altra parte, è tracciata. È praticamente impossibile racchiudere in una manciata di righe tutti i lanci e gli upgrade con cui il gigante della Business Intelligence sosterrà l’evoluzione dell’ecosistema basato sull’in-memory database HANA, ma è fondamentale sottolineare alcuni aspetti, cruciali per le organizzazioni che hanno deciso di affidarsi a SAP non solo per assicurarsi gestionali ad alte prestazioni, ma anche e soprattutto per affrontare la transizione che le porterà a essere vere intelligent enterprise.

Il traguardo del 2027 e la migrazione a SAP S/4HANA

In primo luogo, c’è tempo fino al 2027 per migrare verso SAP S/4HANA, l’ERP di nuova generazione su cui convergeranno tutti gli applicativi della galassia SAP che ruotano intorno all’approccio data driven: il 31 dicembre 2027 il vendor cesserà infatti di fornire supporto tecnico e di rilasciare aggiornamenti funzionali e di sicurezza per le piattaforme diverse da S/4.

Le imprese che oggi utilizzano gli ERP di SAP dovranno necessariamente pianificare per il medio termine la migrazione al nuovo gestionale.  Pena, il rischio di perdere la continuità operativa e le performance elevate garantite invece dai nuovi ambienti. Ambienti tra l’altro cloud-friendly, ovvero ottimizzati per consentire anche alle piattaforme e alle applicazioni mission-critical di integrarsi con la logica on-demand, e abbracciare gli sviluppi futuri della proposizione di SAP.

Roadmap SAP: via le barriere tra planning e analisi grazie all’approccio data driven

La roadmap SAP impostata sull’approccio data driven punta a mettere a disposizione di tutte le tipologie di utenti strumenti per la pianificazione di business di nuova generazione. Anche grazie a dashboard intuitive e a funzionalità avanzate di BI, integrate con funzionalità di collaborazione e commento, questi strumenti promuoveranno un ambiente agile e adatto alla mobility, eliminando di fatto le barriere tra planning e analisi su qualsiasi supporto.

I sistemi di condivisione dei dati saranno inoltre personalizzati, e lo stesso avverrà per le soluzioni che aiutano a gestire i flussI di lavoro e i processi operativi. Nuovi strumenti di simulazione e controllo e tool di analisi degli scenari faciliteranno un processo di pianificazione accessibile a ciascuna linea di business, anche direttamente da mobile.

Il ruolo di SAP Analytics Cloud: semplificare al massimo l’approccio data driven

Il nuovo ambiente SAP permetterà inoltre di visualizzare e gerarchizzare in tempo reale tutte le fonti di dati utili a comprendere come ottimizzare i processi e come indirizzare il business man mano che si evolve lo scenario competitivo. Il merito è di SAP Analytics Cloud, una soluzione per l’analisi dei dati direttamente integrata con SAP S/4HANA.

Nell’ottica di perfezionare l’approccio data driven aziendale, SAP Analytics Cloud consente di portare strumenti di machine learning direttamente agli utenti finali, generando previsioni di ricavi o costi, ipotizzando i risultati aziendali e anticipando il comportamento di clienti o dipendenti con la semplice pressione di un tasto. In altre parole, per comprendere gli insight, non si dovrà più ricorrere all’intervento di un data scientist.

L’integrazione di SAP Analytics Cloud con SAP S/4HANA consente agli utenti, ovunque si trovino, di accedere alle stories della piattaforma, di visualizzare le presentazioni di SAP Digital Boardroom e di utilizzare le applicazioni Analytics Designer dai dispositivi mobile in modo totalmente sicuro. L’interfaccia semplificata aiuta a regolare nel giro di pochi clic o tap il formato delle presentazioni, che in maniera intelligente e automatica si adattano alle dimensioni degli schermi dei device in uso presso la popolazione aziendale.

Il sistema, infine, introduce un ulteriore elemento di semplificazione: adoperando il Software Development Kit, la soluzione può essere resa disponibile a tutti i collaboratori, che hanno la facoltà di scaricarla e installarla sul proprio dispositivo personale tramite l’App Store aziendale.

È così che l’approccio data driven diventa davvero a portata di chiunque.

L'articolo Approccio data driven: il ruolo di SAP e la sua roadmap 2027 proviene da Horsa Blog.

Grazie all’attuale potenza di elaborazione dati, una piattaforma ERP (Enterprise Resource Planning) consente di indirizzare ruoli, strumenti e competenze attraverso una pianificazione tanto accurata quanto dinamica delle risorse, con relative task e attività, e la facoltà di intervenire per mettere a confronto strategie adottate ed effetti riscontrati. Nel lungo termine, anche le decisioni strategiche potranno così diventare più accurate.

Come conoscere i flussi dei dati e governare i processi aziendali

Come si diventa una data driven company?

Il primo passo consiste nell’adottare una piattaforma ERP che dia la giusta visibilità sulle risorse, garantendo al tempo stesso disponibilità, usabilità, coerenza, integrità, standardizzazione e sicurezza delle stesse e dei dati a loro correlati. In secondo luogo, è necessario espandere il tema della gestione dei dati oltre le strutture e le funzioni che – ammesso esistano – si occupano di raccogliere, elaborare e distribuire le informazioni.

Una tale evoluzione non può essere gestita unicamente dal top management: l’attenzione all’accelerazione dell’organizzazione , d’altra parte, non può più essere di esclusivo appannaggio di professionalità specializzate, né può essere devoluta alla divisione IT, che ha ben altri compiti da svolgere. Poichè l’implementazione di un ERP possa davvero orientare i risultati di business è necessario il contributo dell’intera organizzazione, che va coinvolta a tutti i livelli nella definizione e nel raggiungimento degli obiettivi.

A questo punto, bisogna rendere i processi abbastanza flessibili da poter essere modificati in modo agile. Parole chiave sono dematerializzazione e digitalizzazione. L’esplosione dello smart working in risposta all’emergenza sanitaria ha dato una spinta importante in questa direzione, coinvolgendo anche le PMI. Ma perché l’iter di digitalizzazione si compia in modo corretto, occorre convertire una mossa di natura tattica in un approccio strutturale, anche quando si lavora in un’azienda di piccole dimensioni.

Perché anche le PMI devono adottare un ERP

Non è necessario produrre enormi volumi di dati per considerare necessario un ERP. È ovvio: tanto più numerose e varie sono le fonti di informazioni a cui attinge l’organizzazione, tanto più accurati potranno risultare i processi.

Detto questo, oggi qualsiasi organizzazione, anche una PMI, genera nello svolgimento delle proprie attività una grande quantità di dati, tale da rendere utile, quanto necessaria, l’adozione di un ERP.

Strategia data driven: ERP, e non solo

Grazie alla tecnologia è possibile rendere i processi trasparenti, e si riescono a identificare criticità, colli di bottiglia, margini di miglioramento in ciascuno dei task che li compongono. La possibilità, infine, di mettere a fattor comune i dati di sistemi diversi, a partire dall’ERP, ma anche dal CRM (Customer Relation Management), fino ad arrivare alle soluzioni di PLM (Product Lifecycle Management), permette alle aziende di identificare i pattern che contraddistinguono l’operatività ottimale delle varie divisioni dell’impresa.

È questo che aiuta, in ultima analisi, a sviluppare nel tempo la capacità di predire l’andamento del business in funzione anche di nuove variabili introdotte nell’ecosistema aziendale, modificando – o ridefinendo – di volta in volta task, ruoli e processi perché esprimano il massimo potenziale sia sul piano dell’efficacia  sia su quello dell’efficienza.

L'articolo Puntare sulla potenza di elaborazione dei dati: come sfruttare l’ERP per accelerare la tua organizzazione proviene da Horsa Blog.