Il magazzino è cambiato. Richiede strumenti diversi.

Risulta oggi uno degli asset più strategici per molte aziende operanti nel manufacturing, nella logistica e nel retail. Settori che sono chiamati a gestire volumi crescenti, processi sempre più complessi e aspettative elevate in termini di velocità e qualità del servizio.

Per questo motivo, sempre più aziende stanno investendo in sistemi avanzati di Warehouse Management System (WMS), progettati per digitalizzare e ottimizzare l’intera gestione del magazzino.

QUANDO L’ERP NON BASTA PIÙ: IL VALORE DI UN WMS EVOLUTO

In molte organizzazioni il gestionale ERP rappresenta il cuore dei processi aziendali, ma la gestione operativa del magazzino richiede funzionalità specialistiche.

Un sistema WMS consente di:

• gestire le ubicazioni in modo strutturato
• tracciare ogni movimentazione in tempo reale
• guidare gli operatori nelle attività quotidiane
• ridurre gli errori di prelievo e stoccaggio
• velocizzare le operazioni di inventario
• migliorare la produttività del personale;
• aumentare il livello di controllo sull’intera supply chain

Il risultato? Un magazzino più efficiente, organizzato e reattivo, in grado di supportare la crescita del business con processi più fluidi e un maggiore controllo operativo.

WAYTOWMS: LA SOLUZIONE HORSA WAY PER LA GESTIONE AVANZATA DEL MAGAZZINO

Software separati che comunicano tra loro con difficoltà, generano duplicazioni di dati, processi più complessi e maggiori rischi di errore.

Con la soluzione WayToWMS questo problema viene superato grazie a un ecosistema integrato in cui ERP e magazzino dialogano costantemente.

Horsa Way ha sviluppato WayToWMS, la soluzione stand alone dedicata alla gestione avanzata del magazzino, progettata per integrarsi in modo nativo con Microsoft Dynamics 365 Business Central.

WayToWMS nasce dall’esperienza maturata da Horsa Way nei progetti di digitalizzazione delle PMI e dalla conoscenza approfondita dei processi logistici che caratterizzano diversi settori.

Una soluzione che si adatta anche ad aziende che operano in settori diversi da quello manufatturiero, come ad esempio: aziende distributive, operatori logistici, grossisti, realtà retail con magazzini strutturati, organizzazioni che gestiscono elevati volumi di movimentazione.

L’obiettivo infatti è fornire uno strumento capace di aumentare efficienza, tracciabilità e controllo, indipendentemente dal settore di appartenenza.

OPERAZIONI PIÙ RAPIDE E MAGGIORE CONTROLLO

La digitalizzazione del magazzino non riguarda solamente la tecnologia, ma ha un impatto diretto sull’operatività quotidiana.
Grazie a WayToWMS, gli operatori possono gestire in modo guidato attività come:

• ricevimento merci
• stoccaggio
• trasferimenti interni
• picking
• packing
• spedizioni
• inventari

L’utilizzo di dispositivi mobili e lettori barcode permette inoltre di ridurre drasticamente gli errori di registrazione e aumentare la velocità delle operazioni. Questo si traduce in tempi di evasione più rapidi, minori errori operativi e una migliore esperienza per clienti e fornitori.

Ogni movimento viene registrato e tracciato in tempo reale, offrendo una visibilità completa sullo stato del magazzino e consentendo decisioni più rapide e informate. Il tutto perfettamente sincronizzato in tempo reale con Business Central.

TRACCIABILITÀ E AFFIDABILITÀ DEI DATI

WayToWMS consente di monitorare costantemente il percorso dei materiali e delle merci, garantendo un controllo preciso delle giacenze e delle movimentazioni.

Questo significa:

• maggiore affidabilità delle informazioni
• riduzione delle discrepanze inventariali
• migliore gestione delle scorte
• supporto ai processi di audit e conformità

Avere dati corretti e aggiornati è oggi una condizione indispensabile per prendere decisioni efficaci e mantenere elevati standard di servizio.

UNA SOLUZIONE PENSATA PER CRESCERE INSIEME ALL’AZIENDA

Ogni impresa ha esigenze diverse e processi specifici. Per questo motivo è importante scegliere una soluzione in grado di adattarsi all’evoluzione del business.

WayToWMS ha un approccio flessibile e scalabile, che consente alle aziende di crescere senza dover ripensare continuamente i propri strumenti.

Che si tratti di ampliare il numero di magazzini, aumentare i volumi gestiti o supportare nuovi processi logistici, la piattaforma è in grado di accompagnare l’organizzazione nel tempo.

Vuoi scoprire come ottimizzare la gestione del tuo magazzino? Contatta gli esperti Horsa Way e approfondisci tutte le funzionalità di WayToWMS.

L'articolo Dal caos all’efficienza: come cambia il magazzino con un WMS integrato proviene da Horsa Blog.

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

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

Il cloud, sede naturale del data warehouse

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

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

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

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

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

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

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

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

Oggi è diventata evidente l’importanza strategica per le aziende di disporre di un’architettura tecnologica che consenta di gestire la rapida mutabilità e scalabilità dei dati. Molte organizzazioni hanno perciò iniziato a cercare soluzioni per implementare moderne architetture di dati che sfruttino a fondo gli analytics e permettano, allo stesso tempo, di tenere i costi sotto controllo. Una direzione strategica che potrebbe davvero far diventare i data lake il perno delle architetture dati. E i numeri confermano il trend.

Data lake: un incremento annuo di mercato del 30%

Secondo un recente rapporto di Mordor Intelligence, nel 2020 il mercato dei data lake ha raggiunto i 3,74 miliardi di dollari e dovrebbe toccare i 17,60 miliardi di dollari entro il 2026, con un CAGR del 29,9% nel periodo 2021 – 2026. Cifre importanti che riflettono il crescente interesse delle aziende verso i data lake, e che sembrano anche indicare che il paradigma secondo cui per interrogare e analizzare i dati sia necessario estrarli e caricarli in un costoso data warehouse proprietario abbia oggi, in molte situazioni, una valida e più economica alternativa, per l’appunto i data lake.

Questi, lo ricordiamo, sono soluzioni ibride di gestione dei dati che possono offrire una chiave per risolvere le sfide poste dai big data e attivare nuovi livelli di analisi in tempo reale. Un ambiente altamente scalabile può supportare volumi estremamente grandi di dati che arrivano da un’ampia varietà di fonti nel loro formato nativo. Le soluzioni basate su data lake aiutano ad abbattere i “tradizionali” silos, consentendo alle organizzazioni di ottenere una visione a 360 gradi delle informazioni e di condurre analisi interdipartimentali, tra più uffici o anche regioni.

I data lake permettono anche l’adozione di tecnologie come l’AI e l’IoT. Anzi, proprio queste tecnologie, assieme al machine learning, potrebbero portare verso un data discovery visuale per ottenere più valore, spostando l’attenzione dalla mera gestione dell’enorme volume di dati alla possibilità di raccogliere preziose informazioni per una strategia di business data-driven.

Costi, sicurezza e governance

Un impulso alla più ampia diffusione dei data lake potrebbe arrivare dalle maggiori necessità di controllo di costi, sicurezza e governance dei dati imposto dalle attuali condizioni macroeconomiche combinate con le nuove leggi sulla privacy e dalle preoccupazioni di violazione della sicurezza.

Questi fattori rendono interessante la costruzione di piattaforme aziendali basate sui data lake, che permettano di ridurre drasticamente i costi complessivi del cloud eliminando le copie di dati (spesso estratti e condivisi senza la supervisione o il controllo dell’IT) e la necessità di ricorrere sempre ai data warehouse. Le tecnologie di monitoring dei data lake delle versioni dei dati potrebbero poi permettere una governance centralizzata, aumentando significativamente la flessibilità e l’agilità poiché tutte le applicazioni lavorano su set di dati senza doverli far migrare tra più sistemi separati e chiusi.

E non solo. Alcuni nuovi progetti open source porteranno in breve all’integrazione di funzionalità non ancora presenti nei data warehouse e che consentiranno analisi dei dati più precise per capire se, come e perché sono avvenuti cambiamenti nel tempo.

Tante le sfide, ma allora perché la domanda continua a crescere?

C’è però il rovescio della medaglia. L’implementazione di un data lake di produzione nel cloud richiede solitamente da sei a nove mesi di sviluppo. In più, senza un monitoraggio e una gestione frequente e regolare, gli investimenti annuali richiesti per mantenere le implementazioni possono crescere in modo esponenziale. A questo si aggiunge che la necessità di team di DevOps, professionisti della sicurezza ed esperti del cloud, e le complessità che comportano, possono essere un grande ostacolo per le imprese che vogliono sfruttare i vantaggi dei data lake in cloud senza avere in mano un progetto adeguato. Non stupisce, quindi, che Gartner nel 2016 abbia registrato un tasso di fallimento dei progetti di data lake e big data del 60%, rivedendolo al rialzo l’anno successivo per portarlo addirittura all’85%.

Nonostante questi ostacoli, in questi anni la domanda di data lake è costantemente aumentata. Le imprese hanno compreso il valore e il grande potenziale di questa risorsa per individuare informazioni strategiche attraverso la raccolta e l’analisi di dati provenienti da numerose fonti eterogenee. Un modo davvero efficace di sfruttare i dati di un’organizzazione.

Infine, va poi considerato che entro il 2021 potremmo vedere diversi progetti che portano alla convergenza di data warehouse e data lake in modo da poter sfruttare il meglio dei due mondi.

L'articolo Data Lake: come evolve nel 2021, tra successi e fallimenti proviene da Horsa Blog.

Google permette, tramite l’adozione di alcune componenti specifiche, la costruzione di una modern data platform per gli analytics che rispecchi in pieno le reali necessità dell’azienda. E tuttavia le componenti disponibili sono molte: per non rischiare di scegliere quelle sbagliate, è opportuno avere chiaro cosa, innanzitutto, deve poter fare una modern data platform.

Una architettura moderna per gli analytics deve infatti essere:

• scalabile
• in grado di separare la parte di computazione dallo storage
• cloud, per mantenere aderenza alle necessità più a lungo

Una modern data platform deve inoltre integrare il concetto di datawarehouse e di datalake. A questo proposito, è necessario che contenga tutti i tool e servizi per le principali fasi di vita del dato:

• ingestion:
  • batch
  • realtime / streaming
• storage
• trasformazione
• query /processing

I vantaggi del cloud per una modern data platform

Fino a qualche anno fa, realizzare un datalake on premise e collegarlo a un datawarehouse richiedeva notevoli competenze tecniche e un importante investimento in termine di hardware e server di cui dotarsi. I servizi in cloud hanno di gran lunga semplificato questa parte. Google, per esempio, contiene tutte le componenti per costruire una modern data platform che supporti datawarehouse, datalake, datascience, scenari realtime, iot, e altri servizi analytics. Anzi, su molti aspetti offre più di una soluzione per lo stesso problema e questo all’inizio può disorientare. Per esempio, sul tema dell’ingestion e trasformazione del dato Google offre: dataproc, dataprep, dataflow, fusion e si può optare anche per delle query SQL su BigQuery.

Per non rischiare di adottare servizi inutili o ridondanti, è suggeribile partire con un’architettura semplice ma completa, e farla evolvere man mano che si impara a conoscere l’ecosistema Google in termini di selezione delle componenti più adatte agli use case aziendali, ma anche in termini di sizing e costo. Cosa, quest’ultima, che su cloud significa imparare in parte un nuovo modo di lavorare.

La base degli analytics in ottica moderna sono  il datalake e il cloud datawarehouse

La base degli analytics in google è Bigquery: adatto sia come query engine per il datalake (bigdata) che per il cloud datawarehouse.

Poniamoci come primo obiettivo quello di realizzare un datalake e un cloud datawarehouse con la piattaforma google che sia in grado di gestire situazioni “standard” con le quali intendiamo trattare una mole dati dell’ordine delle decine di terabyte.  La buona notizia è che Bigquery è lo strumento ideale per questo scopo: copre sia l’aspetto cloud datawarehouse che query sul datalake.

In uno scenario iniziale accontentiamoci di portare i dati in modalità batch (la realtime sarà una evoluzione naturale se necessaria ed è ampiamente supportata). Per memorizzare i dati del datalake la scelta migliore (in ottica di crescita e costo) è memorizzarli su bucket di Google cloud storage (file system cloud distribuito). Il costo è minimo in scrittura, in lettura e in persistenza; la crescita è pressoché illimitata.

Ora bisogna portare i dati dalle sorgenti allo storage, e qui il consiglio è fare un piccolo sforzo in più usando dataflow. Questo servizio è altamente scalabile e performante , inoltre supporta lo streaming e il realtime in ottica evolutiva. In questo modo, quando ce ne sarà bisogno, non dovremo cambiare o affiancare un altro servizio nella parte di ingestion.

Ora il dato è su storage nella sua forma nativa e necessita di una serie di trasformazioni per poter essere utilizzato. Di solito il datalake viene suddiviso in zone in base alla qualità del dato e agli utenti a cui sono dedicate (curated -> analisti / published -> business, DW, sistemi di BI).

Per tutte queste trasformazioni, in casa Google esistono tool grafici (fusion, dataprep) ma come tool ad uso del reparto IT per iniziare si consiglia di fare queste trasformazioni con statement SQL da eseguire in bigquery. Sono molto performanti e permettono di coinvolgere risorse con skill SQL per la fase di ELT. Inoltre rendono semplice il versioning in Git.

Ora bisogna schedulare e mettere in ordine questi passaggi affinché il datalake e il cloud datawarehoue siano aggiornati con la cadenza richiesta. Anche qui Google offre diverse possibilità. Si consiglia di usare Cloud Composer (basato su airflow): più complesso di Cloud Run, ma più completo : supporta tutti gli scenari futuri che si potranno incontrare. Inoltre vanta un gran numero di librerie ed è conosciuto da molti data engineer con skill Python.

Infine, la cosa più importante: gli standard di progetto. A partire dalle basi come naming convention, definizione delle zone dati della data platform fino alla governance e alla quality. Tutto questo all’interno di una roadmap che traguardi le evoluzioni a 24 mesi.  Sono gli ingredienti fondamentali nel successo a lungo termine di queste iniziative.

L'articolo Una modern data platform per gli analytics su infrastruttura Google proviene da Horsa Blog.

Molte organizzazioni si trovano a dover gestire una nuova ricchezza informativa, data dalla proliferazione delle sorgenti dati. Il nuovo scenario comporta un cambiamento nel sistema di analisi delle aziende: le Data Platform devono evolversi, esattamente come è successo con il traditional data warehouse, diventato modern data warehouse.

Cos’è una modern data platform?

Per descrivere la modern data platform partiamo confrontandola con il traditional data warehouse. Uno dei primi aspetti riguarda la tipologia dei dati: invece di essere incentrata principalmente sull’elaborazione dei dati, come facevano i primi data warehouse, la versione “moderna” si basa sull’archiviazione di molti dati da più fonti, in vari formati, e sull’acquisizione di insights sufficientemente utili da guidare le decisioni aziendali.

Un altro aspetto importante di confronto è la gestione dei volumi di dati: al contrario delle modern data platform, i traditional data warehouse in genere hanno difficoltà a tenere il passo con le crescenti sfide di grandi volumi di dati, che si tratti di dati strutturati e non strutturati gestiti in locale o dati basati su cloud ospitati da terze parti.

Nel tempo, per rispondere alle necessità di analisi sempre più evolute, a fianco delle piattaforme tradizionali sono stati introdotti i Data Lake, repository che accettano dati da più origini e possono archiviarli in qualsiasi formato, legati principalmente sui casi d’uso della data science. Rimanevano però due ambienti di analisi separati, e c’era la necessità di trovare un modo per unificarli. Da qui nasce il concetto di modern data platform: con essa si ha la possibilità di unire in un unico ambiente tutte le necessità di analisi e si possono gestire adeguatamente i dati multi-strutturati in un’unica piattaforma. La modern data platform è sia una piattaforma di analisi completa che un “warehouse” organizzato dei dati, e a differenza di un Data Lake esalta i concetti di governance e certificazione del dato.

Cosa puoi fare con una modern data platform

La modern data platform semplifica, ottimizza e migliora il lavoro in diversi ambiti.

1. Puoi gestire origini dati relazionali e non relazionali, come Hadoop: è il data management and processing. La modern data platform può gestire i dati in tempo reale utilizzando soluzioni di streaming in real-time. Può facilmente uniformare i dati interni on-premise con i dati cloud e, infine, fornisce un motore analitico per l’analisi predittiva e l’esplorazione interattiva di dati aggregati da diverse prospettive.
2. La modern data platform arricchisce i dati con le funzionalità ETL e li prepara attraverso tecniche di big data (ELT o INGESTION). Fornisce inoltre un modo per interrogare facilmente i dati relazionali e non relazionali attraverso un singolo servizio di query federato (linguaggio SQL). È il cosiddetto data enrichment and federated query.
3. Parlando più in generale di funzionalità di business intelligence e data science, possiamo dire che il sistema deve supportare tutti gli strumenti che le organizzazioni possono utilizzare per ottenere informazioni dai dati. Ciò include strumenti self-service che semplificano l’analisi da parte degli analisti aziendali dei dati con strumenti di BI che in azienda già si conoscono. Gli utenti aziendali hanno bisogno di un modo per creare analisi in un ambiente condiviso e su differenti dispositivi. La modern data platform deve inoltre supportare una nuova generazione di analisi, dove i data scientist eseguono sperimentazioni sui dati con modelli analitici predittivi e forniscono assistenza nel processo decisionale in tempo reale.

I vantaggi di una modern data platform

Esistono diversi aspetti positivi nell’introdurre o migrare verso una soluzione di modern data platform:

1. Ottimizzazione dei tempi. Per quanto riguarda gli utilizzatori e gli amministratori, si potranno notare dei miglioramenti nei tempi di gestione; in particolare avremo una riduzione nei tempi di preparazione dei dati e quindi più tempo da dedicare per introdurre funzionalità di analisi avanzate.
2. Riduzione dei costi. L’organizzazione potrà avere in tempi brevi una riduzione dell’overall cost of ownership e potrà aumentare la produttività degli analisti.
3. Una architettura che permette di coprire tutti gli ambiti di analisi. Si avrà a disposizione una piattaforma sempre disponibile per le analisi e scalabile, per sostenere grandi volumi di dati e un numero elevato di utenti concorrenti. Sarà inoltre possibile definire diversi livelli di caricamento ed aggiornamento dei dati sia in modalità batch che in real-time.

Conclusioni: perché adottare una modern data platform

Adottare una soluzione di modern data platform permette alle organizzazioni di avere una piattaforma di analisi completa, dove tutti gli utilizzatori possono avere sempre a disposizione tutti i dati e le informazioni utili per generare gli insights di business.

Infine, una nota sul tipo di piattaforma da adottare. Un ruolo importante spetta al cloud, che offre maggiore scalabilità delle risorse e flessibilità nella gestione dei costi operativi, mantenendo un alto livello di servizio sia in termini di disponibilità che di performance. Inoltre, la flessibilità e la scalabilità ricoprono un ruolo importante nel mantenere un ambiente di analisi sempre al passo con le mutevoli esigenze del business e del mercato, rendendo costante nel tempo il livello delle performance richieste e potendo aggiungere funzionalità in qualsiasi momento, quando se ne ha necessità, senza dover rimettere in discussione l’architettura adottata.

L'articolo Modern Data Platform: ecco perché hai bisogno di una piattaforma moderna proviene da Horsa Blog.

Nonostante gli effetti della pandemia, gli investimenti delle aziende in progettualità Data Analytics hanno continuato a crescere. La motivazione è dovuta al fatto che proprio la criticità del periodo rende più urgente dotarsi di competenze e strumenti adeguati per pianificare strategie data-driven. In aggiunta, per avere una risposta in tempi rapidi, la scelta ricade sul cloud perché è l’unica piattaforma che permette di attivare dei servizi (anche on demand) senza dover rivedere tutta la propria dotazione tecnologica aziendale.

Dati attuali e facilmente analizzabili

Nel contesto Data & Analytics, il cloud permette maggiore flessibilità e agilità perché integra diverse tipologie di dati, senza dover installare tecnologie differenti. Sarà possibile decidere semplicemente in base allo scenario del momento se utilizzare dati in batch, aggiornati ad esempio una volta al giorno, in near real time oppure anche in real time, per i casi che lo richiedono. Si possono inoltre integrare algoritmi di Intelligenza Artificiale andando ad utilizzare come base informativa previsionale i dati storici, piuttosto che dati in real time in contesti dove il fenomeno debba essere intercettato in simultanea.

L’agilità di integrazione del cloud di fonti eterogenee, anche destrutturate, riconducono al concetto di “data lake”, che permette di immagazzinare al suo interno i più svariati tipi di informazioni, senza quasi alcun limite di numerosità né di eterogeneità, dalle più diverse sorgenti. Al data lake si può accedere tramite interfacce simili a quelle già conosciute dagli utenti finali e questo rende prossima allo zero la curva di apprendimento. In altre parole, si possono raccogliere nel data lake informazioni anche destrutturate (come immagini, file video, e così via) per poi fare delle interrogazioni (magari con strumenti che si appoggiano al linguaggio SQL, molto conosciuto dalle aziende) in modo da avere insight da informazioni che non risiedono all’interno dell’organizzazione.

I cinque motivi per avere un data warehouse in cloud

Per comodità, potremmo riassumere in cinque parole chiave il motivo per cui è vantaggioso avere un data warehouse in cloud. Tali parole sono: migrazione, flessibilità, riusabilità, scalabilità e integrazione. Cerchiamo di spiegare meglio come possono rappresentare un sostanziale beneficio per l’azienda che decide di passare dall’on premise al cloud.

Anzitutto perché per la migrazione è possibile riutilizzare tutta l’infrastruttura posseduta senza dover ripartire da zero. In secondo luogo, perché se e quando servono più risorse tramite un meccanismo automatizzato si “accendono” quelle necessarie in funzione delle esigenze e le si “spengono” quando non servono più. Fare la medesima cosa on premise vorrebbe dire avviare la procedura di acquisto della risorsa, per esempio un server, controllare che la spedizione vada a buon fine, installarlo, configurarlo e connetterlo in rete. Per poi magari usarlo solo un mese e con il rischio che quando serva di nuovo si riveli obsoleto. Tutto questo diventa più automatico nel cloud e anche più semplice da gestire. Oltre a beneficiare di una riduzione nei costi di acquisto di nuovo hardware. L’integrazione per il passaggio al cloud è un altro aspetto importante. Infatti, oggi molte aziende stanno portando diversi applicativi sulla cosiddetta “nuvola”. Così, anche per una questione di integrazione, ha senso che anche il sistema di data warehouse sia in cloud.

Una generazione di software sempre aggiornati

Un altro vantaggio che offre il cloud è che, all’interno di un’offerta Plaftorm as a Service (PAAS), oltre all’hardware si può disporre anche del software. Questo implica che non ci si debba preoccupare dell’aggiornamento degli applicativi: viene fatto in automatico e si ha sempre a disposizione la versione più recente.

In pratica, nel contesto Data & Analytics, il cloud offre svariate funzionalità che si possono attivare, on demand, per soddisfare specifiche esigenze. Questo riguarda necessità sia di breve periodo, legate ad una richiesta contingente che richiede tecnologie specifiche, che di lungo periodo, per un analytics più matura e che quindi accompagni l’azienda durante le varie fasi del proprio percorso. Un esempio è l’integrazione degli elementi per la sicurezza, o di compliance normativa, spesso integrata nel cloud by design.

In conclusione, rispetto all’on premise, nel cloud viene soddisfatta la grande esigenza di flessibilità che oggi tutte le aziende richiedono, riducendo anche i costi dei continui aggiornamenti necessari a mantenere il livello di adeguamento del proprio portafoglio applicativo di Data & Analytics.

L'articolo Data warehouse in cloud: dall’on-premise alla rivoluzione della nuvola 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.