Come diventare un’organizzazione basata sui dati

1. Implementare un’architettura dati moderna

I complessi processi manuali di gestione dei dati non sono più sufficienti per soddisfare le esigenze delle organizzazioni moderne. Gli utenti aziendali hanno bisogno di un accesso immediato alle informazioni pertinenti e, per farlo, l’infrastruttura dei dati deve essere in grado di evolversi rapidamente.

La necessità di una maggiore agilità dei dati ha esposto due problemi. Innanzitutto, il vecchio approccio al data warehousing era costoso, richiedeva tempo e risorse e spesso forniva informazioni incomplete. E, in secondo luogo, gli approcci di prima generazione ai big data erano rivolti a utenti altamente tecnici che avrebbero codificato e realizzato a mano query complesse.

I segnali che indicano che l’organizzazione non dispone di una moderna architettura dei dati sono l’incapacità di gestire più fonti di dati e casi d’uso analitici, l’incapacità di scalare volumi di dati e utenti e la necessità di risorse specializzate per supportare pipeline di dati complesse.

Un’architettura dati moderna è incentrata sul business, adattativa e abbastanza flessibile da affrontare tutti i casi d’uso. Dovrebbe utilizzare l’intelligenza artificiale (IA) e il machine learning (ML) per automatizzare le attività manuali e utilizzare la scalabilità e la sicurezza intrinseche del cloud computing.

2. Utilizzare l’automazione per unificare i dati

Le applicazioni e le soluzioni analitiche della maggior parte delle organizzazioni non sono mai state progettate per funzionare insieme e questo rende difficile condividere dati e informazioni oltre i confini organizzativi. Senza una moderna architettura dei dati, gli utenti aziendali possono impiegare settimane per la creazione di report semplici su più sistemi, spesso con errori e incoerenze a causa della mancanza di conoscenza tecnica e comprensione dei dati coinvolti.

Per risolvere questo problema, molte organizzazioni hanno investito in complessi software di integrazione dei dati, che richiedono team di ingegneri dei dati altamente qualificati per sviluppare e mantenere i flussi di dati.

L’uso di IA e ML per automatizzare l’integrazione dei dati è destinato a trasformare questo approccio che richiede tempo e risorse grazie alla capacità di rilevare automaticamente le relazioni tra elementi di dati, perfezionare i dati e creare un livello semantico.

3. Implementare data-as-a-service in tutta l’organizzazione

La frustrazione degli utenti aziendali per le analisi centralizzate e gestite dall’IT ha portato a una proliferazione nell’uso di strumenti di data discovery sul desktop. Sebbene l’autonomia dell’utente finale sia aumentata, ciò è avvenuto a danno della creazione di silos di dati che causano incongruenze analitiche e il potenziale di decisioni aziendali sbagliate.

Fornendo data as a service (DaaS), i team IT centralizzati possono offrire una versione condivisa della verità in tutta l’organizzazione, nonché l’autonomia di estendere queste definizioni centralizzate per gestire casi d’uso e fonti di dati locali.

Fondamentale per la distribuzione di DaaS è una piattaforma di business intelligence e analisi basata sul cloud multi-tenant, che consente la distribuzione di tenant di analisi virtuali. È la loro natura virtuale che consente ai team centralizzati di fornire un set unico di dati regolato, consentendo ai team decentralizzati di connettere e arricchire queste fonti con i dati edge, senza influire su altri gruppi.

4. Rendere l’analisi facile da utilizzare

Per definizione, un’organizzazione basata sui dati dovrebbe avere la visione che tutti abbiano un facile accesso ai dati di cui hanno bisogno per prendere decisioni. Ciò significa la fornitura di una gamma di diverse interfacce utente personalizzate per soddisfare i livelli di conoscenza e competenza degli utenti, o l’integrazione di analisi nelle applicazioni in cui gli utenti trascorrono la maggior parte della giornata. Ciò significa che i lavoratori in prima linea possono facilmente vedere informazioni e gli analisti dei dati possono combinare i propri dati con i dati aziendali. Ciò significa che i data scientist possono cercare in un catalogo di data lake i set di dati pertinenti e significa che gli sviluppatori dispongono di API flessibili per integrare l’analisi nelle applicazioni aziendali.

Per raggiungere questo obiettivo, un’organizzazione deve investire in una piattaforma di BI e analisi che supporti una gamma di opzioni e stili di distribuzione delle informazioni, dai report pixel-perfect alle dashboard reattive, nonché al data discovery ad hoc e ai dispositivi mobili. Inoltre, la capacità di creare insight generati dalle macchine utilizzando l’IA sta diventando sempre più importante per migliorare la produttività degli utenti e scoprire i fattori nascosti delle performance aziendali.

L’integrazione dell’analisi nelle applicazioni aziendali sta diventando un approccio comprovato per migliorare significativamente il valore dell’analisi per gli utenti finali, in particolare quelli non tecnici. Eliminando la necessità di passare a uno strumento o a un’applicazione analitici separati, gli utenti aziendali possono prendere decisioni informate all’interno del processo aziendale effettivo su cui stanno lavorando, semplificando il processo decisionale e la facilità con cui accedono ai dati.

Un ulteriore vantaggio dell’analisi integrata è che i fornitori di software per applicazioni aziendali possono fornire modelli di dati, dashboard e report predefiniti, risparmiando mesi di lavoro per le organizzazioni basate sui dati e accelerando drasticamente il time-to-value dell’analisi

5. Progettare analisi tenendo in considerazione i risultati aziendali

Uno dei maggiori ostacoli per diventare un’organizzazione basata sui dati non è la tecnologia, ma la cultura decisionale all’interno dell’organizzazione. Anni di esperienza ci hanno insegnato che due cose sono fondamentali per creare una cultura basata sui dati: un’iniziativa dall’alto verso il basso per utilizzare i dati per guidare il processo decisionale e far lavorare l’intera organizzazione sugli stessi dati, metriche e obiettivi.

Per raggiungere questo obiettivo, è importante progettare analisi tenendo a mente i risultati aziendali, in modo che le persone si concentrino sulle metriche più critiche per il loro ruolo. Un approccio dall’alto verso il basso porta a una serie di metriche interconnesse che guidano le cose più importanti per i dirigenti di livello C.

Una volta definite le metriche chiave, le organizzazioni devono identificare i punti azione: questi sono gli attributi aziendali più influenti che possono essere modificati per migliorare una metrica. Questi devono essere aspetti che un’organizzazione può cambiare, non le condizioni di mercato, ad esempio, e quasi sempre possono essere descritte in termini di persone, prodotti (o servizi) e processi.

6. Monetizzare i dati

La fase finale di un’organizzazione che vuole diventare basata sui dati è quando l’organizzazione inizia a realizzare il valore della condivisione dei dati al di fuori dell’azienda con clienti, fornitori e partner. I due approcci più comuni prevedono la monetizzazione dei dati per creare nuovi flussi di entrate o la fornitura di analisi del valore aggiunto sul prodotto o servizio principale che differenzia l’offerta sul mercato, spesso migliorando la fedeltà dei clienti allo stesso tempo. È perfettamente possibile combinare entrambi gli approcci.

Naturalmente, costruire un prodotto analitico è probabilmente un nuovo concetto per la tua organizzazione. La buona notizia è che ci sono molti consigli pratici disponibili, spesso raccolti dalle organizzazioni basate sui dati che lo hanno già fatto. Un prodotto analitico tipico richiede un business case, una strategia di commercializzazione, lo sviluppo e, infine, il lancio di un prodotto.

La strada per diventare un’organizzazione basata sui dati

Come definito all’inizio di questa guida pratica, un’organizzazione basata sui dati è un’azienda in cui chi prende decisioni accede ai dati di cui ha bisogno quando ne ha bisogno.

Per realizzare ciò le organizzazioni devono compiere una serie di passi che iniziano con la creazione di una solida base di dati con un’architettura moderna e flessibile, usando la tecnologia IA e ML di ultima generazione per automatizzare i processi di gestione dei dati manuali che richiedono risorse. La fornitura di data-as-a-service in tutta l’azienda fornisce quella versione unica elusiva, adattando al contempo i team decentralizzati e i loro dati edge.

Una volta implementati i dati, le organizzazioni devono assicurarsi di disporre delle interfacce giuste per tutti gli utenti, indipendentemente dalle loro competenze tecniche e dalla conoscenza dei dati. Le dashboard e i report utilizzati devono essere incentrati sulle metriche aziendali più importanti e una cultura dall’alto verso il basso del processo decisionale basato sui dati è abilitata a ogni livello. Infine, le organizzazioni basate sui dati monetizzano l’intero valore dei propri dati condividendoli in modo sicuro al di fuori dell’azienda.