I dati ridefiniranno il nostro modo di produrre, consumare e vivere. Da un consumo energetico più consapevole alla tracciabilità dei prodotti, dei materiali e degli alimenti; da una vita più sana a una migliore assistenza sanitaria: l’utilizzo dei dati avrà un impatto positivo sulla nostra vita e sull’ambiente.
I dati sono la nuova linfa dello sviluppo economico: sono la base di molti nuovi prodotti e servizi e generano guadagni in termini di produttività ed efficienza delle risorse in tutti i settori economici. (1)
Il mondo intorno a noi sta cambiando, sta diventando sempre più digitale: sempre più persone acquistano on-line una crescente varietà di prodotti e servizi, ascoltano musica su Spotify anziché acquistare i CDs, guardano Netflix anziché la TV tradizionale, prenotano viaggi con Airb&b anziché recarsi in una Agenzia di viaggi, leggono i libri sul Kindle, rimangono in contatto con i loro amici con Facebook e Twitter. Tutto questo si traduce in dati che vengono poi utilizzati per creare e personalizzare prodotti, servizi e interazioni.
Un’altra innovazione che contribuisce alla rapida crescita del volume dei dati prodotti ogni giorno è costituita dall’utilizzo di sensori installati su macchinari o su componenti per monitorare performance, consumi e spostamenti.
Anche la crescente digitalizzazione dei processi Aziendali genera ogni giorno grandi quantità di dati.
Avere a disposizione grosse moli di dati e la tecnologia per poterle processare a basso costo, alimenta a sua volta l’innovazione portata da algoritmi di machine-learning e più in generale dall’intelligenza artificiale.
I big internet player come Google, Netflix, Amazon, Uber, Airbnb, Booking, Spotify e più in generale le aziende digitali utilizzano dati e algoritmi in ogni singola parte del loro business, in tutti i processi e in tutte le geografie in cui operano.
Netflix utilizza dati e algoritmi per creare uno start screen personalizzato con i film che altri, che hanno gli stessi nostri gusti, hanno già visto; identifica l’immagine di un film da proporre scegliendo, tra migliaia, quella dalla quale con più probabilità saremo attratti; decide quale è il posto dove e quando girare un film sulla base di caratteristiche quali la disponibilità di attori, staff, budget, e in base alle necessità delle scene da produrre (riprese di giorno vs notte, probabilità di eventi meteo in una location etc. )(2).
Amazon usa i dati di acquisto di un prodotto per predire la domanda, usa algoritmi di machine learning per identificare gli acquisti fraudolenti; analizza i dati di navigazione e di acquisto per raccomandazioni personalizzate; utilizza dati e algoritmi per ottimizzare i processi di supply-chain.(3)
Uber utilizza i dati di viaggio rilevati attraverso i driver e i clienti per generare informazioni su traffico, percorsi preferenziali, stimare il tempo di arrivo. L’utilizzo di algoritmi sempre più sofisticati permette di migliorare le stime del tempo di attesa e ridurre le cancellazioni; attraverso l’uso di dati di traffico e algoritmi basati sulle reti neurali. Uber è in grado di predire con sempre maggiore accuratezza dove e quando ci sarà richiesta di mezzi.(4)
Come in queste aziende, lo stesso utilizzo pervasivo dei dati e di algoritmi lo troviamo in tutte le Tech Company.
Molte Aziende tradizionali, sulla scia dei digital player, hanno iniziato a investire sul digitale e nello specifico sui dati, istituendo un Chief Data Officer, investendo in tecnologie Big Data e in skill di Data Science.
Ma non sempre gli investimenti sui dati hanno dato i risultati desiderati e questo per una molteplicità di motivi.
Spesso l’approccio adottato è quello di investire, per prima cosa, nella costruzione di un Data Lake ovvero un sistema di Big Data dove fare confluire tutti i dati che si hanno a disposizione. C’è in genere molta aspettativa in questo tipo di soluzioni che però a volte risultano costose e soprattutto richiedono tempi lunghi per essere implementate, principalmente a causa delle difficoltà che si hanno a recuperare i dati dalle fonti esistenti in azienda e dalla mancanza di skills sulle tecnologie abilitanti.
Spesso poi il Business risulta lontano da queste soluzioni che sono invece gestite da personale tecnico. E si vedono casi in cui i Data Scientist elaborano modelli e algoritmi anche molto validi ma che spesso rimangono il laboratorio, isolati, non innestati nei processi aziendali.
Altro ostacolo alla piena valorizzazione dei dati è il retaggio del passato per cui c’è un prima e un dopo nella implementazione di capability digitali: prima le funzionalità – vendita, customer service, logistica etc – poi l’analisi dei relativi dati. In realtà la vera trasformazione data-driven sta nell’utilizzo dei dati prima e durante, non solo dopo. Per cui, ad esempio l’interazione digitale con un cliente deve essere personalizzata sulla base dei dati disponibili o ottenibili durante l’interazione. Oppure, la gestione di una richiesta o di un reclamo va gestita nel momento in cui si manifesta attraverso informazioni utili e algoritmi che valutino real time una serie di opzioni di prioritizzazione e risoluzione o, ancora meglio, va anticipata grazie all’uso di algoritmi predittivi. Tutto ciò dovrebbe avvenire in modo automatico e possibilmente attraverso algoritmi di autoapprendimento anziché attraverso delle regole impostate ex-ante.
L’approccio e il modo migliore di procedere nel cammino di valorizzazione dei dati dipendono ovviamente dal contesto aziendale: dal livello di maturità digitale, dalle capability e skills già disponibili, dal settore di riferimento e da molto altro. In ogni caso ci sono delle evidenze che ci possono aiutare nel cammino da fare.
Innanzitutto, risulta ormai chiaro che dietro alle iniziative di valorizzazione del patrimonio dati deve esserci una vision e una strategia di come si voglia cambiare il business mediante l’uso sistematico di dati e algoritmi. Implementare qualche algoritmo non avrà un impatto considerevole sulle performance aziendali: occorre definire una strategia di lungo termine che trasformi l’azienda in modo da competere nell’era digitale. Processi, organizzazione, modo di lavorare subiranno un cambiamento rilevante. Persone che hanno lavorato per decenni in un certo modo dovranno cambiare il loro modo di pensare e di agire.
Serve poi un approccio che porti a risultati nel breve e al contempo permetta alle persone di adattarsi ad una nuova organizzazione e acquisire skills per attuare il cambiamento. In tal senso il concetto del Data Product ci può dare una mano.
Un Data Product inteso in senso stretto è un sistema fatto di dati, infrastrutture, tools, algoritmi di intelligenza artificiale e applicazioni data driven che, insieme, indirizzano un determinato Use Case di Business come, ad esempio, la riduzione dei malfunzionamenti degli impianti o il miglioramento dei tempi di attesa in un customer service o il miglioramento dell’efficacia delle azioni di vendita e così via.
In senso più ampio il Data Product si porta dietro cambi organizzativi – come, ad esempio, la nascita di una nuova funzione aziendale preposta alla ideazione e governance di questo tipo di soluzioni; cambiamenti di processo – come, ad esempio, l’introduzione di automazioni data driven; nuove competenze – come ad esempio quelle di data science.
Approcciare il cambiamento attraverso la costruzione di Data Product successivi permette di raggiungere l’obiettivo di diventare una Data Driven Company, con il vantaggio di avere comunque risultati nel breve.
Infine, un cenno ad un altro importante aspetto da considerare. La tecnologia da sola non è sufficiente: occorre apportare dei cambiamenti nell’organizzazione aziendale, acquisire nuove competenze e innestare nuove figure professionali. Dovranno essere adottate nuove modalità di lavoro, in particolare andrà ridefinito il modo di collaborare tra persone di Business e persone tecniche. Andranno cambiati i modi di gestire i sistemi. Andranno costruite nuove competenze anche lato Business, attraverso formazione specifica e innesto di nuove professionalità.
Sembra tutto molto complicato ma in realtà i tempi sono più che maturi e si hanno a disposizione, oltre che tecnologie fino a qualche anno fa alla portata di pochi, anche metodologie e framework di riferimento nate da lessons learned di programmi di successo e non, ed esperienze che sicuramente costituiscono un valido supporto per chi vuole intraprendere il cammino per trasformare la propria Azienda in una Data Driven Company.
Fonti
(1) Commissione Europea, ‘Una strategia europea per i dati’
(2) Yu, A, How Netflix uses AI, data science, and machine learning – from a product perspective, [Blog], 27 February 2019.
(3) Camhi, J and Pandolph, S, Machine learning driving innovation at Amazon, Business Insider Deutschland, 17 April 2017.
(3) Tara Johnson, 19 Feb 2020, How the Amazon Supply Chain Strategy Works
(4) Uber Engineering, Uber AI in 2019: Advancing Mobility with AI
