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

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

Maturità del dato: cambio di visione 

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

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

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

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

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

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

Il valore dei dati aziendali 

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

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

Le domande da porsi 

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

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

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

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

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

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

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

Ma tutto questo può avvenire solo se il profondo cambiamento, perché di questo si tratta, è supportato e sponsorizzato dalla parte direttiva del management, trasformando dapprima i dati in informazioni utili per arricchire la fase decisionale e, successivamente, in un asset aziendale da costruire e difendere nel tempo come valore economico e strategico.

Integrazione dei dati: ostacoli e soluzioni

Arrivando a sintetizzare potremmo definire questo processo secondo un facile schema. 

• Obiettivo: la creazione di una piattaforma di big data più ampia possibile al fine di permettere a tutti gli utenti aziendali, sia a quelli business sia a quelli che utilizzano singole applicazioni, di poter utilizzare i dati con qualsiasi strumento a disposizione.
• Problema: come rendere subito disponibili grandi volumi di dati provenienti da fonti eterogenee, possibilmente in real time, per analisi che favoriscano il lavoro decisionale dei responsabili business e dei data scientist?
• Soluzione: occorre modernizzare e automatizzare la data integration.

Il primo ostacolo da superare è sicuramente quello dell’eterogeneità della fonte dati: data warehouse, RDBMS (Relational Database Management System), silos, SAAS, mainframe, APPS, SAP, solo per citarne alcune, mettono a dura prova i responsabili dei processi di integrazione. A questi aggiungiamo l’elevata probabilità di essere in presenza di sistemi ibridi, dove i dati siano disponibili sia su piattaforme on-premise, sia su quelle on-cloud, e queste ultime magari erogate da provider diversi.

Non certo ultima è la questione della presenza di applicazioni legacy, spesso non troppo aggiornate e molto diffuse in tutti quei contesti industriali in cui gli operatori attingono direttamente tramite un’applicazione core ai dati necessari per la produzione. Poter integrare queste informazioni e renderle fruibili al più ampio ventaglio di decisori aziendali consente di automatizzare la creazione di insight e accelerare il time-to-value.

Per quantificare e qualificare il dato occorre per prima cosa procedere con un’attenta mappatura delle fonti e con la catalogazione dei data asset, collegando in modo trasparente le piattaforme disponibili già in essere. Determinare il perimetro dei dati è un’operazione di estrema importanza. La creazione di data warehouse, data lake e data mart darà successivamente la possibilità di implementare l’automazione desiderata mettendo a disposizione delle piattaforme di business intelligence e tool di data science le basi per la creazione dei modelli di analytics. La scalabilità di tutto il sistema sarà l’obiettivo da raggiungere per offrire la massima flessibilità e adattabilità ai diversi scenari produttivi e di sviluppo dell’azienda.

Integrazione dei dati: 3 vantaggi da considerare

Ma perché un’azienda dovrebbe affrontare un percorso così complesso e non privo di ostacoli? Semplice, perché oltre alle analisi con Excel c’è molto di più! L’integrazione dei dati permette di affrontare in modo consapevole, grazie al maggior numero di informazioni, le eventuali ma ormai sempre più probabili, crisi economiche e degli approvvigionamenti dovute ai repentini cambiamenti dei mercati. La reattività è, infatti, condizione necessaria per continuare a rendere profittevole l’azienda nel breve come nel lungo periodo.

Ma ecco in sintesi tre motivi che spiegano perché convenga attivare un processo di integrazione dei dati all’interno della propria realtà aziendale.

1. Lo spostamento delle applicazioni legacy su piattaforme cloud ne permette l’integrazione con gli altri dati e li mette a disposizione di tutti e, soprattutto in real-time, senza quindi più ritardi dovuti a successive elaborazioni. Il continuo aggiornamento delle soluzioni cloud consente di incrementare la qualità del dato e di elevarne la sicurezza. Si ottiene al contempo una riduzione dei costi delle infrastrutture necessarie alla sua produzione e un miglioramento delle fasi di manutenzione per il suo rilevamento (vedi ecosistemi IoT).

2. La modernizzazione della data warehouse consente di spostare velocemente i dati dove “funzionano” meglio, adattandosi velocemente ai cambiamenti richiesti. L’integrazione ne va a garantire anche la conformità e il rispetto della Governance aziendale su tutta la filiera di produzione del dato, anche quando gli utenti accedono ad essi in modalità self-service.

3. L’integrazione dei dati favorisce analytics di nuova generazione, sfruttando tutta la versatilità e potenza delle nuove funzioni di catalogazione, inventory, search e retrieve per big data. L’integrazione deve essere vista come un facilitatore del business per arrivare a raggiungere l’obiettivo primario, la valorizzazione del dato come asset aziendale.

In un contesto che vede i team IT chiamati a rispondere in maniera sempre più veloce alle crescenti domande dei team business, l’integrazione dei dati è quindi l’unico vero strumento per supportare i decision maker con insight e analytics sempre più aderenti alla realtà aziendale.

L'articolo L’integrazione dei dati: un affare complicato proviene da Horsa Blog.

La mole di lavoro, in termini di data management, è quindi in continua crescita e questo sta costringendo molti dipartimenti IT a trovare il modo per ridurre la quantità di tempo che è necessario trascorrere nel memorizzare, analizzare e presentare le informazioni agli utenti per permettergli di concentrarsi su attività a più alto ROI.

Per soddisfare la necessità di una maggiore efficienza, alcuni software vendor stanno integrando capacità di machine learning e di intelligenza artificiale nei loro prodotti al fine di automatizzare i compiti manuali e consentire agli utenti meno tecnici di essere più autonomi quando usano i dati. Allo stesso tempo, gli utenti più tecnici possono essere concentrati su compiti ad alto impatto. Una tendenza che, secondo le previsioni¹ di Gartner, entro il 2022 porterà una riduzione del 45% delle attività manuali di data management attraverso l’aggiunta di machine learning e della gestione automatizzata dei livelli di servizio.

Ma, nella pratica, in che modo l’apprendimento automatico può giovare al data management?

Automatizzare il data management

Molte aziende devono affrontare elevati costi di archiviazione, gestire enormi volumi di informazioni e silos di dati. Poter sfruttare la tecnologia per superare questi ostacoli trasformando l’approccio al data management consente a tali aziende di assumere una migliore posizione ed evolvere con successo. In particolare, due elementi hanno la capacità di apportare un cambiamento dirompente, il machine learning e l’intelligenza artificiale. Questo perché trasformano la tecnologia, in sistemi intelligenti e di apprendimento. Avere un più alto livello di automazione significa acquisire semplicità ed efficienza. L’automazione adattiva e il machine learning consentono al software di data management di operare in modi più intelligenti per gestire le esigenze aziendali.

Le organizzazioni possono così usare software intelligenti per impostare politiche basate su obiettivi e abbandonare procedure ingombranti, monotone, soggette a errori e che richiedono molto tempo. Tipicamente, il data management basato su regole prevede che una persona presagisca ogni singola eventualità e definisca una regola nel caso tale eventualità si verifichi. Invece, il passaggio a politiche basate su obiettivi, in cui un software intelligente elabora il modo appropriato per raggiungerli, assicura che l’IT abbia il controllo del risultato senza il carico del lavoro manuale, evitando anche gli errori associati all’approccio basato su regole.

Non solo. Un ostacolo significativo all’adozione dei big data è stata la difficoltà a reperire i set di dati giusti da analizzare, con informazioni sparse in miliardi di file e diversi silos di archiviazione, sia on premise sia nel cloud. Machine learning e intelligenza artificiale possono guidare la ricerca e la scoperta efficiente dei dati per aiutare a estrarre valore in modo più efficiente, anche a fronte della massiccia mole di dati odierni. Esempi concreti in questo senso sono l’individuazione di anomalie in grandi insiemi di dati, la risoluzione di problemi di qualità dei dati e il rintracciare dati specifici, a partire da un report per arrivare alle fonti delle informazioni.

Aziende più agili ed efficienti con l’augmented data management

Gli effetti delle trasformazioni che machine learning e intelligenza artificiale apportano nel data management aiutano le aziende a diventare più adattabili, agili ed efficienti. In particolare, abilitano l’augmented data management che sfrutta appunto machine learning e intelligenza artificiale per configurare automaticamente operazioni, sicurezza e prestazioni. In questo modo, un’azienda può semplificare, consolidare, ottimizzare e automatizzare le operazioni relative alla qualità dei dati, alla gestione dei metadati, all’integrazione dei dati, ai sistemi di gestione dei database e altro ancora.

Si può impiegare l’augmented data management in quelle aree in cui il team di data scientist ha più bisogno di supporto. Per fare ciò, un’impresa deve individuare quali attività potrebbero essere automatizzate o eseguite senza errori e implementare l’augmented data management in tali attività. Per esempio, per velocizzare il processo di applicazione di regole a certi tipi di dati (per esempio quelli sensibili ai fini della privacy), la tecnologia potrebbe generare l’elenco delle soluzioni utilizzate in precedenza e presentarlo al decisore.

Grazie all’augmented data management anche i data scientist possono lavorare su attività e progetti più produttivi, prevedendo un loro intervento nel data management solo nella fase finale del processo decisionale. Con un motore potenziato che utilizza machine learning e intelligenza artificiale, si migliorano e automatizzano infatti le capacità di business intelligence, come la scoperta e l’estrazione dei dati, o anche l’esecuzione delle più ordinarie attività aziendali.

¹ Fonte: Gartner

L'articolo Data management: qual è il ruolo strategico del machine learning 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.

Una scelta obbligata dunque per quelle organizzazioni che vogliono rimanere competitive. Per farlo, occorre ridurre i tempi di reazione, migliorare la qualità dei propri dati e la condivisione dei medesimi all’interno dei gruppi di lavoro. Introdurre in azienda la cultura dei dati diventa quindi un vero e proprio percorso di evoluzione, che deve essere però condiviso a tutti i livelli del management, per essere poi trasferito in modo omogeneo a collaboratori interni e partner esterni.

Da Excel a Data Analytics: quali vantaggi per una cultura dei dati

Excel è tra gli applicativi più versatili e potenti che un’azienda possa sfruttare per il proprio business. Ma è proprio la sua versatilità a far credere alle aziende di poterlo utilizzare in modo indiscriminato e nella maggior parte dei casi come un “appoggio sicuro e inviolabile” per i propri dati.

Stilando un elenco di attività normalmente eseguite tramite questa applicazione è facile comprendere come sia possibile per le aziende incorrere in criticità sia a livello di gestione del dato sia di salvaguardia del know-how interno. Proviamo a stilarne un elenco:

• Numero di file indefinito, ovvero la proliferazione incontrollata di file Excel completamente slegati tra loro, difficilmente aggiornabili e al contempo facilmente condivisibili con l’esterno;
• Macro e tabelle pivot, cioè file Excel pesanti, aggravati da elaborazioni in locale che necessitano di tempi di preparazione lunghi ad ogni nuovo aggiornamento, spesso incompatibili con altre versioni dell’applicazione;
• Basso livello di sicurezza, ovvero i file vengono condivisi via e-mail, cartelle o con dispositivi removibili (chiavette USB) con un indice di protezione basso o inesistente, mettendo a rischio dati sensibili e conoscenze dell’azienda;
• Competenze limitate, l’accesso a dati non strutturati aumenta la probabilità che vengano operate modifiche e manipolazioni da parte di utilizzatori poco attenti o poco preparati, aumentando in modo sensibile il rischio di introdurre errori o corrompere i dati esistenti.

In risposta a queste problematiche occorre per prima cosa far crescere la consapevolezza sull’importanza della qualità del dato all’interno dell’azienda. Il conseguente passaggio da una gestione del dato con Excel (on-premise) a quello più articolato ed efficiente di Data & Analytics con strumenti Cloud (SaaS) e di Business Intelligence porta numerosi benefici, alcuni in diretta risposta alle criticità sopra evidenziate. Parliamo di: 

• Ottimizzazione della gestione dei costi. L’utilizzo di soluzioni cloud comporta minori costi per l’acquisto di hardware e software. È possibile sfruttare piattaforme sempre aggiornate e scalabili a seconda delle esigenze del momento ma, soprattutto, in grado di garantire sempre le migliori performance.
• Sicurezza e gestione dei dati. La protezione offerta dalle piattaforme cloud tramite algoritmi di crittazione permette di abbassare il rischio di eventuali e ormai sempre più probabili attacchi esterni. Analoghe soluzioni on-premise avrebbero costi molto elevati e non garantirebbero un uguale grado di sicurezza. L’applicazione di processi avanzati di pulizia, secondo precise politiche di Data Quality Management, ne salvaguarda la qualità e la sicurezza lungo tutto la filiera.
• Amministrazione semplificata dell’architettura e migliore accesso ai dati. Sono richieste meno competenze rispetto a quelle delle soluzioni on-premise, sebbene il personale debba comunque essere formato per il corretto utilizzo di nuovi strumenti di BI che consentano la consultazione dei dati in modalità self-service, grazie a modelli predisposti, nel pieno rispetto della Governance.

La cultura dei dati è il punto di partenza

Si tratta quindi di affrontare un radicale cambio di mentalità nella gestione del dato che, a sua volta, deve essere amministrato da una governance adeguata che ne faciliti non solo la reperibilità ma anche ne identifichi la fonte, certificandone di conseguenza il valore. Ma, affinché questo avvenga, il percorso di sviluppo culturale e di aggiornamento deve toccare i tre pillar principali dell’azienda ovvero, le Persone (formazione), la Tecnologia (aggiornamento) e i Processi (automazione).

Solo dall’interpolazione di questi tre sistemi è possibile centrare l’obiettivo di trasformazione dell’azienda Excel “centrica” in un’organizzazione data-driven, che si fonda sull’uso di strumenti di analisi avanzati a Business Intelligence.

L'articolo Da Excel alla Business Analytics: promuovere la cultura dei dati proviene da Horsa Blog.

Ma per ottenere indicazioni davvero utili occorre sapere interpretare tali dati in modo opportuno con strumenti adatti, come un data warehouse. Si tratta di un sistema centralizzato dove sono raccolte informazioni di varia natura e che permette all’azienda di avere i numeri necessari ad analizzare il proprio business. All’interno di un data warehouse si possono far confluire più database, che vengono analizzati per ricavare informazioni di importanza strategica nella pianificazione dei processi aziendali.

Un data warehouse permette di soddisfare necessità di data governance e di decision making attraverso una reportistica flessibile e analisi dettagliate. Per ottenere questi risultati è bene stabilire anzitutto una roadmap degli obiettivi che si vogliono raggiungere. A tale scopo dovrebbe essere implementata un’architettura semplice ma versatile, che possa scalare ed essere ottimizzata in funzione delle esigenze, che offra la possibilità, quando necessario, di integrare sistemi di terze parti e che permetta di realizzare nuovi e più specifici report.

Un data warehouse non dovrebbe essere una struttura monolitica ma uno strumento capace di evolvere e di adattarsi alle necessità operative per migliorare il business nel suo insieme.

I data warehouse sviluppati seguendo queste best practice abilitano efficaci servizi di business intelligence e l’impiego di quelle capacità analitiche che trasformano un’organizzazione in una vera e propria data driven company.

Come si costruisce un data warehouse

Creare un data warehouse non significa dover introdurre nuovi dati all’interno del sistema informativo aziendale, quanto invece riorganizzare quelli già presenti per sfruttarli al meglio.

Ma allora quando è importante poter disporre di un data warehouse? Quando si ritiene che si possa trarre un vantaggio strategico dall’analisi delle prestazioni di business nel tempo. Proprio per questo, ancor prima di definire la struttura che avrà il data warehouse, è opportuno stabilire una precisa strategia analitica da implementare su uno o più temi della data driven strategy aziendale. La definizione di tale strategia è basilare perché permette di disegnare un data warehouse che possa scalare in funzione delle necessità che via via si verranno a creare e che quindi si possa facilmente adattare a sviluppi futuri.

L’acquisizione dei dati può essere poi effettuata tramite processi ETL (Extract-Transformation-Load), che permettono di attingere da fonti remote omogenee o eterogenee svariati tipi di informazioni e di farle passare attraverso un processo che le arricchisce e le trasforma in un formato relazionale gestibile dal data warehouse.

Il progetto del data warehouse dovrebbe poi tenere conto del tipo di query che è necessario supportare. In questo senso, si deve considerare chi sarà fruitore di tali query: se si tratta del personale di business si potranno prevedere query ad hoc o di service BI, mentre se si prevede che saranno effettuate analisi da parte dei data scientist bisognerà prevedere l’impiego di strumenti specifici che possano includere l’impiego del machine learning.

Un altro punto da valutare è la scelta di un data warehouse on premise o su cloud. Anche in questo caso, la scelta ricadrà su una o sull’altra opzione a seconda delle esigenze e risorse specifiche presenti nel contesto aziendale. Va però sottolineato che le soluzioni basate su cloud oggi offrono vantaggi innegabili in termini di flessibilità, scalabilità e ottimizzazione dei costi.

Infatti, un data warehouse in cloud consente analytics più rapidi e insights più utili perché mette a disposizione le risorse giuste al momento giusto: quando ne servono di più si attivano quelle da integrare e si disattivano quando non sono più necessarie (questo processo può essere anche impostato perché avvenga in automatico). Il tutto senza dover acquistare né apparecchiature né applicazioni, ma avendo la sicurezza che hardware e software utilizzati siano sempre aggiornati e basati sulle tecnologie più attuali.

Più è blindato, più è veloce

L’obiettivo del data warehouse dovrebbe essere quello di ottimizzare le attività di specifiche unità aziendali, come per esempio la produzione, il customer care o la logistica, per migliorare il business nel suo insieme. Per ottenere questo risultato si può strutturare il data warehouse come un sistema a blocchi.

Tali blocchi sono chiamati data mart e, in pratica, si possono assimilare a dei sottoinsiemi di dati “estratti” dal database globale che consentono di avere rapido accesso alle informazioni inerenti specifiche unità aziendali. Per via della sua struttura, questo approccio si definisce “blindato”. Ma non ci si lasci ingannare dal nome: è il migliore per consentire di avere un time to deliver più corto e avere risultati in tempi rapidi.

Una visione a lungo temine

Progettare un data warehouse basato su data mart implica la definizione di una roadmap di distribuzione per capire quali saranno i processi coinvolti e quando verranno rilasciati all’interno del data warehouse. Ma impone anche di fare una stima delle eventuali evoluzioni che il sistema avrà nel tempo.

Un punto fondamentale dello sviluppo del data warehouse è infatti che il sistema non deve essere pensato solo per quello che si analizza oggi. Si dovrebbe invece avere una visione più a lungo termine, se possibile anche di qualche anno, che ipotizzi la direzione che potrebbe prendere l’azienda o il business e quindi prevedere quali processi potrebbero essere potenzialmente coinvolti nel data warehouse e nelle analisi.

Per far sì che il data warehouse sia un sistema che duri nel tempo con determinate caratteristiche di performance e una gestione ottimizzata, devono essere poi previsti un monitoraggio dell’intero sistema e precise procedure di ottimizzazione. In questo caso, sono le soluzioni su cloud a permettere una maggiore flessibilità.

Una considerazione conclusiva

La scelta di implementare un data warehouse deve nascere dalla consapevolezza di introdurre in azienda una strategia di data management.

Le componenti di successo passano da diversi fattori, non solamente tecnologici, tutti orientati alla “cultura del dato” che deve essere condivisa in azienda, per trasformare tutti i settori e i livelli di un’organizzazione. La definizione di linee guida strategiche su come gestire e organizzare i dati permette di creare un data warehouse capace di evolversi nel tempo, seguendo i cambiamenti dell’organizzazione o di variabili esterne, in modo da fornire al business insight sempre nuovi.

Tutto questo deve essere supportato da un lato da risorse con rilevanti competenze funzionali di processo e tecniche di gestione dei dati, e dall’altro dalla tecnologia, scegliendo una piattaforma che dia garanzie di flessibilità e scalabilità che oggi sono sostenibili solo dal cloud.

L'articolo Data warehouse: come evitare di perderne il controllo proviene da Horsa Blog.

Poiché oggi più che mai i dati sono essenziali per ogni azienda, il successo di un’organizzazione dipende dalla capacità di accedere ai dati giusti, resi disponibili al momento giusto e in condizioni tali da poter eseguire analisi accurate e suggerire conclusioni basate sui fatti. Sono ancora molte le aziende che devono mettere in atto precise discipline, processi e pratiche per accelerare e ottenere il massimo valore dai dati raccolti.

Il primo passo del data & analytics assessment

Una sfida che molte organizzazioni si trovano oggi ad affrontare è la capacità di trasformare la mole di dati disponibili in vantaggio competitivo, per avere un modello di business più “intelligente” e performante, basato su decisioni più consapevoli e sicure.

Il primo passo del data & analytics assessment per comprendere se si stanno usando i dati in modo corretto è quindi chiarire quali informazioni siano disponibili e quali indicatori siano rilevanti per ciò che si sta tentando di ottenere. Questo è vero sia che l’azienda si trovi a ridisegnare il set di KPI (Key Performance Indicator, o indicatore chiave di prestazione) per il management, sia che, più in generale, si impegni a rispondere a domande importanti per affrontare il proprio contesto competitivo.

Determinare quali informazioni siano rilevanti per ottenere il risultato desiderato dalla propria strategia sia essa digitale o “tradizionale” aiuta quindi a stabilire priorità e azioni sulla base delle evidenze rilevate. Per esempio, sapere quante persone visitano il sito web della tua azienda è utile, ma questo come si traduce in fatturato? Se un certo numero di visitatori del sito diventano nuove lead, ma solo una percentuale di questi diventa nuovi clienti, allora è possibile determinare l’impatto complessivo dei dati sul business. Non solo. Anche la quantificazione della differenza tra i nuovi visitatori del sito web e quelli di ritorno può fornire valide informazioni.

Questi risultati possono essere ottenuti però solo se i dati usati, indipendentemente da come sono stati raccolti, sono organizzati ed elaborati in modo da essere coerenti tra loro e facilmente interpretabili. In questo senso, è necessario disporre di sistemi che siano in grado di gestire l’acquisizione in real time delle informazioni, in forma strutturata o non. Inoltre, questi sistemi devono eseguire l’elaborazione tramite risorse scalabili basate su architetture che sfruttino al meglio le opportunità offerte sia dal cloud sia dall’on premise.

Un valore che cambia nel tempo

Da non dimenticare poi che il valore dei dati non è statico. Con il passare del tempo, per esempio, può diminuire. Al contrario, ad esempio, i dati in tempo reale sono estremamente preziosi, così come lo sono i dati integrati con informazioni complementari provenienti da altre fonti.

Oggi accade di frequente di accumulare dati provenienti da più relazioni, più sistemi e più fonti. La maggior parte delle persone tende però a concentrarsi e ad attribuire valore ai dati che emergono dalle proprie operazioni o da fonti “familiari”. Invece, l’opportunità di ottenere valore dai dati aumenta considerevolmente quando vengono combinati con i dati fuori dalla sfera di influenza diretta di qualsiasi individuo o gruppo.

Ottenere dai dati informazioni migliori

La maggior parte delle aziende oggi archivia già regolarmente una quantità sufficiente di dati. Per ottenere da questi dati informazioni più utili al business, è necessario prima porsi alcune domande.

• Quanto so dei dati e dei loro processi di raccolta nella mia azienda?
• Con quale frequenza vengono aggiornate le informazioni e dove vengono archiviate?
• Le informazioni vengono analizzate regolarmente?
• Ci sono problemi di sicurezza o riservatezza riguardo le informazioni archiviate?

Avere risposte chiare e precise a queste domande ti darà un vantaggio e ti assicurerà di comprendere meglio le pratiche correnti della tua azienda, inclusa la conformità alle leggi locali e internazionali.

Come valutare il livello di maturità aziendale nell’uso del dato

Per aiutarti a rispondere alle precedenti domande e valutare il grado di maturità delle aziende sui temi Data & Analytics, esistono specifici strumenti di Analytics Assessment. Attraverso una serie di quesiti sarai in grado di valutare il livello di maturità della tua azienda su diversi assi, come:

• Uso del dato
• Cultura del dato e consapevolezza
• Data management
• Data literacy e competenze interne
• Data governance
• Crisis management
• Planning for the future

I risultati dell’assessment possono poi essere presentati e discussi, anche in collaborazione con un partner esperto, per valutare i traguardi raggiunti, accompagnati da suggerimenti e buone pratiche per supportare l’azienda nella pianificazione dei prossimi passi della sua data journey.

L'articolo Data & Analytics assessment: come capire se stai usando i dati nel modo giusto proviene da Horsa Blog.