Data-Science

Ci sono società riconosciute leader nell’usare i dati per guidare le decisioni aziendali. Vengono subito in mente nomi come Amazon, Google e Facebook. Ed è interessante notare come in realtà non abbiano mai attraversato il processo verso la trasformazione digitale. Sono nate come società digitali e da quel momento in poi sono semplicemente cresciute raggiungendo i loro obiettivi di business.

E le aziende che non sono nate nell’era digitale?

Aziende attive da molti decenni, che producono prodotti del mondo reale (non solo servizi), e che oggi per ottenere (o mantenere) la posizione di leader di mercato devono necessariamente operare una trasformazione verso il digitale?

Attuare questa transizione è molto più difficile per un’azienda affermata, rispetto ad una nata nell’ultimo decennio.

Ed è la sfida da superare per la stragrande maggioranza delle compagnie nel mondo di oggi.

La promessa della scienza dei dati è immensa…

Per ogni azienda le promesse della data science sono seducenti. Parliamo di:

  • aumento delle entrate e poco o nessun aumento dei costi
  • utilizzo di dati già esistenti affinati per prendere decisioni che migliorano la redditività generata da tutti i reparti.

…ma non è sempre mantenuta

Nonostante alcuni sorprendenti progetti isolati, le imprese faticano a rendere la data science pienamente operativa al loro interno e parte integrante delle operazioni aziendali. Cioè automatizzata, standardizzata e di routine.

Il suo enorme potere è fornito da pochi professionisti e, nella maggior parte dei casi, sotto forma di progetti una tantum difficili da ripetere. E resta preoccupante il fatto che, senza controlli rigorosi su qualità e processi, le decisioni prese grazie alla scienza dei dati possono persino risultare errate. Con un impatto significativo su ogni reparto aziendale.

Quattro problemi da risolvere

Abbiamo identificato quattro problemi da superare per diventare un’azienda completamente digitale / data-driven.

Accesso negato ai dati

I dati importanti restano collegati alle applicazioni che li generano e strettamente protetti dai proprietari. Ad es., un reparto vendita potrebbe non avere alcun incentivo a condividere i dati generati dal suo sistema CRM e persino percepire un certo rischio se altri gruppi dell’azienda avessero accesso ai loro dati.

Troppo tempo per il rilascio

Testare e implementare modelli predittivi può richiedere lunghi cicli di sviluppo. Intanto possono cambiare le condizioni in cui l’azienda si trova e le sue necessità. E si deve adottare il modello successivo prima di imparare dall’implementazione del modello precedente.

Mancanza di procedure operative standard

Non ci sono una disciplina e un processo operativo comuni a tutta l’impresa. Sono in atto singoli progetti di data science, ma senza la piena collaborazione dei reparti perché dopo non ci sono protocolli standard da seguire per la loro attuazione.

Modelli inutilizzati

La cosa peggiore che si possa fare ad uno scienziato dei dati è non usare un modello che ha sviluppato. Eppure la metà di tutti i modelli completati, testati e pronti per l’implementazione non sono mai applicati. Spesso a causa della mancanza di comprensione o di fiducia da parte del settore di attività che ne trarrebbe maggiore beneficio.

Quattro soluzioni operative

La maggior parte delle aziende cerca di superare questi problemi attraverso modifiche incrementali (per fasi, protratte in un lungo lasso di tempo). Spesso, per ottenere vantaggi reali e duraturi, occorre compiere scelte audaci e dirompenti che sfidino lo status quo.

Suggeriamo quattro buone pratiche generali per guidare la trasformazione digitale.

#1: Avere un piano scalabile

Occorre pianificare soluzioni completamente scalabili e concentrarsi sulle operazioni e sulla modernizzazione. Procedere per piccoli passi si rivela insufficiente ed è utile costruire una forte organizzazione centralizzata per realizzare il piano.

#2: Creare un prodotto

Un tratto importante di chi ha avuto successo nel rendere operativa la scienza dei dati è concentrarsi sulla costruzione di una “cosa” e non solo sull’annotazione di buone pratiche e procedure. Serve pensare (e agire) come un’azienda di software che costruisce una fabbrica di data science che sforna regolarmente prodotti di alta qualità e di valore. I “prodotti” sono modelli predittivi e intuizioni prescrittive.

#3: Disaccoppiare i dati dalle applicazioni

I dati creati da ciascun settore di attività sono un bene a livello aziendale da condividere. Non devono essere di proprietà dell’applicazione o del reparto che li genera. Ad es., lo scopo del sistema CRM non è supportare solo venditori e clienti, bensì generare dati su vendite e clienti a vantaggio dell’intera azienda. È un punto di vista che crea un mercato dei dati aperto e collaborativo.

#4: Rendere la scienza dei dati una priorità per tutti

Per apportare cambiamenti dirompenti è necessario cambiare il pensiero e la cultura non solo a livello di senior management, ma anche a quello intermedio. La scienza dei dati è intrinsecamente più complessa della maggior parte delle altre tecnologie. Ed ha la proprietà paradossale di raccomandare decisioni che non sono intuitive (se lo fossero le avremmo già prese). Tutti in azienda devono essere consapevoli dei risultati ottenuti e riconoscere l’importanza della trasformazione digitale.

Quattro anni da oggi

Le sfide per rendere operativa la data science sono continue e richiedono una vigilanza costante. Ma possono essere vinte attuando buone pratiche, seguite e applicate da una forte organizzazione centrale.

In futuro, ci aspettiamo di vedere alcune aziende sorpassare misteriosamente le loro pari sul mercato. Probabilmente senza mostrare segni esterni di cambiamento rispetto ad innovazioni tecnologiche, nuove iniziative di marketing o lancio di nuovi prodotti.

Queste aziende avranno reso operativa la data science e migliorato tutti i loro processi di business. Avranno sfruttato i propri dati per prevedere e pianificare. Potranno vedere nel futuro solo un po’ meglio dei loro concorrenti. E quel po’ farà la differenza nel loro successo.