Senti sempre parlare di dati e intelligenza artificiale, ma quando arriva il momento di scendere nel pratico, o di capire come sfruttare la tecnologia per rendere più efficiente la tua azienda, ti trovi di fronte a un grosso muro: hai bisogno di una data strategy.

Dalla mia esperienza ti posso confermare che è proprio questo il problema che hanno il 99% delle aziende:

In questo approfondimento ti spiegherò proprio come superare questo problema, come colmare il gap di mercato, e come creare una vera e propria data strategy utile per migliorare l’efficienza della tua azienda.

Leggi fino in fondo per un framework dettagliato, info-grafiche e preziosi consigli per scrivere la tua data strategy ed eseguirla con successo.

Queste sono le sezioni che affronteremo in questo articolo:

  1. Business strategy e data strategy
  2. Dove iniziare con la data strategy
  3. Generare use case creativi
  4. Come valutare uno use case (matrice + template)
  5. Scrivere la data strategy (+ template)
  6. Pensieri finali

Business strategy e data strategy

Questo è forse il più grande errore che viene commesso nel creare una data strategy: partire dai propri dati e dalla propria tecnologia per poi collegare i problemi di business.

Niente di più sbagliato.

Nel parlare di strategia, mi viene in mente una frase che credo sia importante da ricordare quando si lavora con big data e intelligenza artificiale:

The essence of strategy is choosing what not to do.

Michael Porter

La strategia è scegliere cosa non fare.

Il tutto sta proprio nell’analizzare la business strategy, selezionare gli obiettivi più importanti a seconda della tipologia di azienda, e poi cercare di risolvere questi problemi con i dati.

Questo approccio, come vedrai, è il fulcro del mio intero lavoro e fa la differenza tra successo e fallimento nel lavorare con i big data.

Dove iniziare con una data strategy

Insomma: il tutto sta nel partire con obiettivi di business ben definiti, e poi pensare a come risolverli con la tecnologia nel modo più efficiente possibile.

Per esempio, se dovessi lavorare con un retailer partirei subito con il pensare a come monetizzare i suoi dati.

Un retailer ha una posizione strategica molto favorevole rispetto ai fornitori: ha accesso diretto al mercato e alle vendite.

Questi dati ben profilati sono una miniera d’oro per i fornitori, che molto volentieri li acquisterebbero in cambio di denaro o per un prezzo migliore di rivendita.

Al contrario, se mi trovassi davanti un’azienda manifatturiera (o di trasporti), dove di solito c’è un fatturato molto importante ma costi operativi altissimi, cercherei di trovare un modo per abbattere queste spese.

Ad esempio automatizzando i processi ripetitivi (leggi il paragrafo sull’RPA), oppure applicando sensori ai macchinari per capire quale sia il ritmo giusto con cui sostenere la manutenzione (risparmiando sul fermo macchina e non rischiando il default).

Una volta definito il mio obiettivo strategico più importante passerei alla fase successiva: gli use cases.

Generare use cases creativi

Avendo ben chiaro il nostro obiettivo, inizia forse la fase più complessa in assoluto: generare use cases creativi che ci avvicinano alla soluzione.

Il problema è che per pensare a questo tipo di use cases devono incontrarsi due importanti caratteristiche:

Il tutto sta nel trasferire ai business leader la conoscenza di dati e analytics per metterli nella condizione di ripensare alla proprie decisioni di business.

Il manager classico compie tantissime scelte che possono essere rese più efficienti con il digitale: dal come immaginare i clienti al come allestire una vetrina, oppure dal come assumere il personale a come gestire i commerciali.

Dalla mia esperienza possono dire che un mix tra formazione, interviste mirate e workshop sono il modo migliore per far avvenire questo processo, e per formare i manager nel giusto modo.

La presenza di un consulente esterno che abbia conoscenza sia di business che di big data può essere utile allo svolgimento dell’intera data strategy.

Come valutare uno use case

Ora che abbiamo trovato i possibili use cases, dobbiamo essere in grado di valutarli e classificarli in base al loro valore potenziale e la loro fattibilità.

In questo processo di valutazione ci può aiutare la famosa cost/opportunity matrix usata largamente dalle grandi aziende di consulenza.

cost opportunity matrix big data
Cost/Opportunity Matrix Big Data Use Cases

Il problema principale non è certo usare la matrice (anche se non è sempre scontato utilizzarla nel migliore dei modi).

Il problema è capire come valutare gli use cases per poi inserirli nella matrice.

Soprattutto per quanto riguarda l’asse delle ascisse (la fattibilità), non è certo semplice fare i conti a priori.

Per questo motivo, di seguito, lascio 6 criteri fondamentali con cui classificare gli use cases:

data strategy use cases

1. Dati

Chiaramente la scelta della fonte di dati è di importanza vitale per la riuscita dello use case.

Anche in questo caso, il tutto sta nell’avere delle business questions ben definite da cui partire.

Solo dopo aver chiarito i propri obiettivi si può passare alla fase di selezione dei dati.

Quello che consiglio è di guardare (in ordine) a:

Perché spendere soldi in dati esterni quando si possono risolvere i problemi usando quelli interni? Questo è il motivo per cui iniziamo sempre dalla business strategy.

2. Data Governance

Per chi opera in Europa (o ha clienti europei) la governance dei dati personali si riassume in una parola: GDPR.

Questo è un fatto assolutamente da non sottovalutare, e da porre al centro di ogni progetto di analytics.

Ne possiamo riassumere i principali punti in:

3. Tecnologia

Si tratta di tutta la componente tecnologica dietro all’acquisizione, processing, visualizzazione e reporting dei big data.

Alcuni degli strumenti più utilizzati da valutare:

4. Skills / Partner

Il classico problema Build vs Buy vs Partner.

Sostanzialmente le soluzioni che si possono scegliere per portare a compimento il proprio business case sono:

Ognuna con i suoi punti di forza e debolezza.

5. Change Management

Più è forte l’impatto dello use case e più lavoro di change management sarà necessario all’interno dell’azienda.

La realtà è che non è affatto semplice per manager, operai e professionisti cambiare il modo con cui si è lavorato per 20 anni.

La fiducia in dati e tecnologia è una skill che si evolve nel tempo rassicurando, facendo formazione e dimostrandone i risultati.

6. KPI (Key Performance Indicators)

Altro punto fondamentale è saper tracciare le giuste KPI per monitorare la riuscita (o meno) di un progetto.

Le KPI possono essere di svariati tipi:

Scrivere la Data Strategy (+ template)

Infine, dopo aver fatto un ranking degli use cases, non ci rimane che scrivere la data strategy vera e propria.

Abbiamo già una tabella di marcia da rispettare per portare a compimento gli use cases: tuttavia è possibile che ci siano delle sovrapposizioni dei 6 elementi che determinano la fattibilità.

data strategy template
Data Strategy Template

Ad esempio (come nell’immagine) ci accorgiamo che le fonti di dati (data audit) dello use case 2 e dello use case 3 sono le stesse o comunque si sovrappongono mettendo ancora più enfasi su queste due possibili applicazioni.

Oppure, notiamo che gli use cases 1,3 e 4 possono essere implementati dallo stesso vendor (skills e partner) così da poter negoziare un migliore prezzo ed accorciare notevolmente il processo.

Dopo aver definito le varie aree, conviene riguardare il ranking e verificare se conviene scambiare di posto alcuni use cases per poi procedere alla stesura del documento finale.

Pensieri finali sulla data strategy

A mio parere, la data strategy è il documento più importante in assoluto per una compagnia che ha deciso di lavorare seriamente con i big data e intelligenza artificiale.

Ben prima di assumere il primo data analyst, ricorda sempre di definire come primo passo gli obiettivi e le business strategy.

Solo dopo aver fatto ciò, pensa a una soluzione tecnologica che possa creare reale valore di business.

Più ci si muove con strategia, più ci si attiene alla data strategy, e più il rischio di fare un buco nell’acqua investendo in big data e intelligenza artificiale si abbassa.

Se sei interessato ad approfondire la questione dei big data e dell’intelligenza artificiale, dai un’occhiata ai miei articoli sul ROI dei big data e sui 5 step per portare l’AI in azienda.