A cura di Giovanni Mazzucato, Project Leader di Axiante
Per diventare un’azienda realmente data-driven non è sufficiente l’adozione di piattaforme dati avanzate e di nuove tecnologie; è necessario che i dipendenti – a tutti i livelli – abbiano accesso a strumenti per sfruttare i dati. Solo così un’organizzazione può sfruttare il proprio patrimonio di dati, perché quest’ultimo da solo, è bene ricordarlo, non genera valore.
In questa direzione gli strumenti self service Business Intelligence (BI), e in particolare i self service analytics, sono cruciali nel processo di trasformazione verso un’organizzazione data-driven. Queste soluzioni permettono agli utenti aziendali, anche senza competenze tecniche, di accedere, visualizzare e analizzare i dati in modo autonomo facilitando decisioni rapide, mirate e “informate”.
Tra i principali strumenti di self service analytics rientrano soluzioni come Power BI che permettono, ad esempio, a un responsabile marketing di analizzare in pochi minuti le performance delle campagne pubblicitarie oppure a un manager della logistica di monitorare in tempo reale l’andamento degli stock per magazzino, prodotto, ingombro, data di scadenza e altri parametri, filtrando i dati in autonomia in base alle esigenze del momento.
I self service analytics supportano quindi la cosiddetta “democratizzare dei dati” ovvero la capacità di un’azienda di facilitare a un numero il più possibile ampio di dipendenti – quindi non solo alle figure più tecniche – l’utilizzo dei dataset nelle loro attività.
Dati in azione
In particolare, introdurre strumenti di self-service analytics in una organizzazione si traduce in una serie di vantaggi. Infatti questa tecnologia permette:
1# Accelerazione dei processi decisionali
Grazie ai self-service analytics, gli utenti di business possono accedere direttamente a dati e insight in tempo reale, senza dover necessariamente richiedere l’intervento del team IT o di un data analyst. Ciò assicura maggiore tempestività e reattività;
2# Aumento dell’autonomia e della responsabilizzazione
Poter analizzare i dati in autonomia porta anche a una maggiore responsabilizzazione e proattività;
3# Maggiore precisione
I self-service analytics consentono anche ai dipendenti delle aree vendite, marketing, HR, customer care, ect. di generare insight più mirati grazie alla loro maggiore conoscenza del contesto e dell’esigenza specifici;
4# Ottimizzazione delle risorse tecniche
Riducendo il carico operativo, questi strumenti permettono di allocare le risorse tecniche su attività a maggiore valore aggiunto come lo sviluppo di modelli predittivi o di advanced analytics, oltre a diminuire i colli di bottiglia;
5# Maggiore ROI
I self-service analytics favoriscono inoltre un maggiore utilizzo dei dati già disponibili e delle piattaforme di BI, data lake e data warehouse esistenti, massimizzando gli investimenti sostenuti;
6# Agilità
Nell’attuale contesto economico e di mercato altamente dinamico, i self-service analytics supportano sperimentazioni e verifiche più rapide e quindi processi decisionali e operativi più flessibili che si traducono a loro volta in un adattamento più tempestivo e mirato ai cambiamenti;
Largo all’autonomia, ma…
L’esigenza crescente di promuove una cultura e pratiche decisionali basate sui dati all’interno delle imprese sta portando a una crescente adozione di strumenti di BI self-service, come i self-service analytics. Tendenza ulteriormente sostenuta da una parte dalla necessità, nell’attuale scenario di forte instabilità, di analisi in tempo reale; dall’altra dall’integrazione in questi strumenti di intelligenza artificiale ed elaborazione del linguaggio naturale (NLP) che consente a tutta l’organizzazione di ricavare informazioni e analisi in modo ancora più facile e immediato.
Tuttavia non va sottovalutato che questo processo di “democratizzazione”, si scontra spesso con la mancanza le competenze analitiche di molti utenti. Una lacuna che può portare a un sottoutilizzo dei dataset disponibili o, ancor peggio, a estrapolazioni e decisioni imprecise o persino errate. Per un’implementazione efficace è pertanto centrale che le imprese investano anche in formazione per raggiungere una diffusa “alfabetizzazione” dei dati.
Inoltre, sebbene i self-service analytics promuovano un approccio autonomo all’uso delle informazioni, una governance rigorosa è comunque indispensabile per garantire che la libertà di accesso e di creazione di report o dashboard non si traduca in una situazione caotica o persino in veri e propri rischi per l’azienda. Senza un quadro di regole chiaro, infatti, si possono generare dati incoerenti, rapporti duplicati o triplicati, aggiornamenti dei dati errati, fino a vere e proprie violazioni della compliance e della sicurezza.
Una governance centrale che definisca ruoli, responsabilità, linee guida e controlli – come la classificazione dei dati, i modelli autorizzati, l’accesso basato su ruoli e l’autorizzazione alla revisione delle modifiche – è pertanto un requisito per rendere i dati e le analisi affidabili e così le conseguenti decisioni. Un buon framework di governance non limita, come si potrebbe essere portati a pensare, l’autonomia ma anzi la valorizza guidandola.
In particolare, un equilibrio fra centralizzazione e autonomia nell’accesso ai dati è raggiungibile applicando un approccio ibrido – il cosiddetto blended approach – in grado di consentire alle organizzazioni di mantenere un controllo centralizzato e al contempo ai team di gestire i dati in modo indipendente.
In grande sintesi, in questo modello, l’IT si occupa di predisporre un’infrastruttura solida, curando aspetti fondamentali come la qualità dei dati, la sicurezza, l’accesso controllato alle fonti e la definizione dei modelli semantici. All’interno di questo quadro, gli utenti possono autonomamente esplorare i dati, creare dashboard e report, personalizzare le analisi e generare insight in tempi rapidi, senza dipendere dal supporto tecnico.
Questo approccio si rileva particolarmente efficace perché supera le limitazioni dei modelli puramente centralizzati, troppo rigidi e lenti nel rispondere alle esigenze del business e operative, ma evita anche i rischi tipici, già menzionati, di un approccio totalmente self-service. Diversamente un’autonomia “governata” è in grado non solo di stimolare la diffusione di un mindset data-driven nell’intera organizzazione ma permette anche di estrarre il massimo valore dai dati sia in termini di qualità e affidabilità che di tempestività e focalizzazione sui singoli e specifici bisogni.
