La qualità dei dati è un requisito fondamentale per ottimizzare la raccolta e l’analisi dei dati. Oltre che la successiva esplorazione e interpretazione delle informazioni, nascoste nei Big Data. Un corretto processo di data quality si traduce in aumento dell’efficacia dei processi decisionali. I dati “puliti” sono la base per sviluppare progetti efficienti e solidi, in grado di supportare appieno le strategie data-driven. Si fa presto a dire analytics, monetization e trasformazione dei dati in conoscenza. Occorre però essere meno superficiali nell’associare ai dati un valore intrinseco. Nelle operazioni di utilizzo, secondo i diversi paradigmi, i dati vengono conservati, spostati o copiati da un repository all’altro. Tutte operazioni – costose in termini di risorse – che rischiano di avere un impatto negativo dal punto di vista dell’integrità e della qualità dei dati.

Senza una base integra, univoca e accessibile di dati, è difficile estrarre vero valore di business. Il ciclo di vita del dato, dalla gestione all’analisi, richiede pratiche e strumenti adeguati. Sicurezza, consistenza, incorruttibilità, qualità e integrità dei dati sono fattori determinanti per le strategie di ogni organizzazione, soprattutto a supporto dei processi decisionali assistiti dall’intelligenza artificiale. Non basta avere una fonte di informazione, è necessario porre al centro delle attività aziendali una vera “data community” per incentivare un’evoluzione più spedita e stabile interna all’organizzazione. Troppo spesso le aziende si ritrovano a lavorare con dati non “puliti”. Questa non uniformità del dato può avere impatti potenzialmente disastrosi per chi necessita di muoversi con agilità e velocità nel proprio mercato di riferimento. Oggi, i CDO sono chiamati a colmare il divario fra l’IT e il mondo del business, non solo attraverso l’inserimento di soluzioni innovative o di risorse professionali specializzate, ma soprattutto con la possibilità di condividere scelte, esperienze e responsabilità.

#dataquality Le aziende devono fidarsi dei processi costruiti sui dati – Vercellino @IDCItaly
Click To Tweet

TRACCIABILITÀ DEI PROCESSI

La qualità del dato si misura in base a sette dimensioni: completezza, accuratezza, tempestività, coerenza, univocità, integrità, conformità. Ognuna di esse deve essere rispettata per avere un dato di qualità. Oggi, il concetto di data quality sta evolvendo verso una ottava dimensione che è essenzialmente quella legata alla tracciabilità dei processi di trasformazione dei dati, come conseguenza dei nuovi algoritmi. «Il data lineage è indispensabile per tenere traccia del confine, talvolta sottile e ingannevole, tra dato, informazione e insight» – spiega Giancarlo Vercellino, associate director Research & Consulting di IDC Italy. «Un elemento indispensabile per fare quel “sanity check” che è richiesto per valutare la correttezza dei workflow analitici». I dati sono alla base, ma le aziende come possono fidarsi completamente dei dati in loro possesso? Secondo Vercellino – le aziende non devono fidarsi dei dati, ma dei processi che sono in grado di costruire sui dati. «I processi possono essere monitorati e se necessario emendati. I dati, soprattutto quando provengono da fonti esterne, non possono sempre e comunque essere validati o accertati. Una azienda propriamente data-driven deve imparare a convivere con l’errore, che è un po’ il rumore di fondo, il rumore bianco, che contraddistingue una società che produce e macina grandi quantità di dati ogni giorno».

L’automazione di tanti processi che caratterizzano il back-end dell’IT aziendale – oggi parliamo di data governance, ma pensiamo a tutto quanto sta avvenendo con il Serverless lato configurazione e deployment – avrà un impatto molto importante nel rafforzare la credibilità di una organizzazione data-driven. «L’errore umano – spiega Vercellino – è il primo fattore che può mettere a repentaglio la qualità dei dati, introducendo distorsioni e manipolazioni che possono poi impattare sulle decisioni finali. Una macchina capace di portare avanti in modo autonomo e controllabile alcuni aspetti legati alla data curation potrebbe accelerare in modo importante il time-to-insight».

#dataquality Coerenza e univocità requisiti determinanti – Aversa allyconsulting.it
Click To Tweet

Una comprensione approssimativa della realtà porta sempre a decisioni errate. Quando gli insights vengono utilizzati per guidare i manager esecutivi e i direttori di funzione, si entra nel dominio della politica aziendale e capire se una decisione sia giusta o sbagliata diventa un tema di dibattito o un esercizio di potere. «Quando gli insights vengono impiegati per automatizzare i processi – precisa Vercellino – se sono stati commessi degli errori di gestione del dato, diventa immediatamente evidente a tutti: in primo luogo ai clienti, poi a chi lavora a contatto con i clienti e quindi a chi controlla i numeri. In questo caso, diventa davvero difficile nascondere la polvere sotto il tappeto». L’implementazione di un attento processo di data quality può ridurre costi e rischi su entrambi i fronti. Le ragioni sono le più disparate e dipendono dai casi d’uso. «In ambito finanziario – spiega Vercellino – la qualità dei dati può mitigare i rischi di un affidamento. In ambito di servizio, la qualità dei dati può ridurre il rischio di churn dei clienti. In ambito industriale, la qualità del dato può garantire l’efficienza del prezzo edonico di un prodotto, calcolando finemente quello che è il contributo marginale di ogni fattore produttivo alla qualità del prodotto finale. I casi possibili sono tanti». Il CDO ha la responsabilità di costruire un processo capace di gestire gli analytics e gli insights come se fossero un processo industriale – avverte Vercellino – garantendo la valorizzazione dei dati e promuovendo una cultura centrata sul dato a tutti i livelli aziendali. «Si tratta di compiti assolutamente non facili che richiedono una stretta collaborazione con CEO, CIO, CTO, COO e CMO per essere perfettamente allineati sugli obiettivi e sui tempi necessari per una trasformazione di questo tipo».

BASE DI PARTENZA E NON DI ARRIVO

Avere dati precisi e accessibili nelle modalità giuste e nel tempo giusto oggi non è più sufficiente. Determinanti sono requisiti come la coerenza e l’univocità – spiega Paolo Aversa, managing director di ally Consulting. «Un dato che è utilizzato da più funzioni aziendali deve essere per prima cosa univoco, ma allo stesso tempo deve poter essere elaborato in modo automatico in informazioni specifiche e utili al singolo contesto, mantenendo la coerenza anche trasversalmente alle funzioni organizzative». Un altro aspetto cruciale è la conformità formale: i dati che stiamo raccogliendo seguono le best practice aziendali e rispecchiano i processi di efficienza definiti dal top management? «Avere sotto controllo questo aspetto è fondamentale – continua Aversa – perché permette di capire se le strategie intraprese sono davvero funzionali o se devono essere adeguate all’evolvere della nostra impresa». Secondo Andrea Zinno, data evangelist di Denodo, il concetto di qualità non può limitarsi a indagare la componente estensionale dei dati (le loro occorrenze), ma deve estendersi anche a quella intensionale (il loro significato) – «perché ancor prima di garantire la qualità dei dati rilevati, è importante garantirla per il loro significato, facendo sì che questo sia esplicito, indagabile e condivisibile, che rappresenti, cioè, quello che realmente deve essere rappresentato, dando la possibilità di evolvere, di catturare quei “punti di vista” che sono inevitabili e necessari all’interno di ogni azienda e che rappresentano, in ultimo, quelle che sono le responsabilità dei ruoli aziendali».

#dataquality La prima parola chiave è trasparenza – Zinno @denodo
Click To Tweet

La data quality è parte integrante della data strategy e rappresenta la base di partenza e non di arrivo – spiega Filippo Gentilini, marketing Di.Tech – per consentire alle aziende di approntare strategie efficaci basate sulle informazioni e sulla conoscenza, che abilitano i processi di trasformazione digitale completa. «Non bisogna fermarsi all’ottenimento della sola qualità del dato, ma è necessario dotarsi anche di partner e strumenti in grado di analizzarli, per applicare le strategie migliori per il proprio business che permettano un vantaggio competitivo». La scelta e l’utilizzo di opportune metriche per la definizione e la misurazione della qualità dei dati è essenziale per supportare correttamente le scelte di business. «Completezza, accuratezza, tempestività, coerenza, integrità e conformità – mette in evidenza Lara Binotti, sales director di Holonix – sono solo alcuni esempi di metriche operative utilizzabili, ma che per loro stessa natura sono molto manuali e quindi suscettibili di errori sostanziali. L’apprendimento automatico è divenuto l’approccio dominante e sta cambiando la metodologia di implementazione della data quality».

EFFICACIA E COERENZA

Nell’era della data economy sempre più aziende stanno puntando sulla data monetization. Guardando ai “big” come Google o Facebook – spiega Glauco Cataldi, cloud sales specialist integration solution di Oracle Italia – è chiaro che il successo viene oltre che alla capacità di raccogliere grandi moli di dati dall’affidabilità che i dati trattati forniscono per gli scopi richiesti. «La data quality diventerà sempre più pervasiva, rafforzata dall’apprendimento automatico e specializzandosi su processi definiti per scopi ben precisi, che si tratti del lancio di un prodotto o di un sondaggio su un dato argomento». Per Mirko Menecali, Partner and Alliance manager di Sinfo One i dati sono il patrimonio principale di qualsiasi sistema e la loro qualità è direttamente connessa con l’efficacia complessiva del sistema/processo, sia esso un’applicazione operativa, un ERP, un tool di analitica e business intelligence. E oltre ai requisiti di completezza, precisione, disponibilità e tempestività, ce ne sono molti altri da prendere in considerazione – «come la coerenza centrale nei sistemi di analitica che usano diverse fonti dati, l’univocità nei sistemi ERP, la conformità formale fondamentale nei sistemi EDI, l’integrità fondamentale quando si usa IoT».

#dataquality Base di partenza e non di arrivo – Gentilini ditechonline.it
Click To Tweet

Difficile dire quale sia il più importante, anche se negli ultimi tempi viene stressato il concetto di tempestività intesa come velocità di fruizione. Entrando nello specifico delle applicazioni di BI – Menecali spiega che gli utenti evoluti, come i data scientist, devono accedere a importanti moli di dati preparati per supportare analisi complesse e destrutturate. «Rispondere a queste richieste in modo tempestivo richiede, anche in aree tradizionali come il data warehousing, approcci evoluti come l’Unified Star Schema e l’utilizzo di “tabelle ponte” per aumentare la tempestività di presentazione dei dati». Per misurare la qualità dei dati vanno definite delle metriche standard valide a prescindere dal contesto di utilizzo e altre che invece devono essere strettamente legate al contesto – evidenzia Antonio Cataldi, project manager di Skìanet, Community Partner Network di Seeweb. «Quelle più usate sono l’accessibilità, l’accuratezza, la consistenza e la quantità. Il contributo di tecnologie di AI e ML offre un grande supporto per tutto il ciclo di vita del dato, dalla data creation, alla data maintenance e alla data protection, riducendo notevolmente il costo di queste operazioni, automatizzandole». A prescindere dalle specificità definite, fulcro del cambiamento è la partecipazione delle unità di business alla gestione diretta della qualità dei dati. E su questo punto Antongiulio Donà, VP Sales Italy di Talend mette in chiaro che i dati – secondo le definizioni dell’IT e dei gestori delle applicazioni – «non hanno la qualità che il business attende che non è semplicemente “tecnica” ma è direttamente legata all’utilizzo che il business ne dovrà fare. Oggi, è il data scientist che assorbe buona parte della distanza fra i due concetti di qualità. Distribuire la responsabilità è cruciale».

TRASPARENZA E RAPPRESENTATIVITÀ

La data quality dovrà sempre di più evolvere come caratteristica intrinseca dell’impresa che va gestita nella fase di raccolta del dato, nel suo aggiornamento, fino alla sua rielaborazione in informazione. «Gli strumenti avanzati di business analytics – spiega Paolo Aversa di ally Consulting – sono tool fondamentali per individuare scostamenti, mancanze e deviazioni di processo. Allo stesso tempo, avere un partner specializzato nella data analysis e nella consulenza IT e di processo è indispensabile per garantire l’efficacia della data quality, grazie all’introduzione di automazioni di interi processi o semplicemente di alcuni task critici che riducono l’errore umano e permettono di raccogliere molti più dati in meno tempo». Il supporto del consulente – continua Aversa – diventa cruciale anche per la definizione delle strategie che consentono di sfruttare al meglio i dati e di garantirne l’affidabilità nel tempo. «Non è sufficiente avere una buona strategia di raccolta e di rielaborazione. È fondamentale definire anche le modalità di aggiornamento, verifica della coerenza e dell’attendibilità del dato. In questo caso, strumenti tecnologici avanzati come i sensori IoT e le piattaforme di Process Orchestrator sono ideali per gestire con efficacia ed efficienza situazioni che mutano nel tempo».

#dataquality Il ML cambia la metodologia di implementazione – Lara Binotti @HolonixSRL
Click To Tweet

Se è vero che le aziende non devono fidarsi dei dati ma dei processi che sono in grado di costruire sui dati, la prima parola chiave in grado di rafforzare la fiducia – afferma Andrea Zinno di Denodo – è “trasparenza”, in tutti i sensi. E questo significa – «piena consapevolezza di ciò che si possiede, in termini di dati; possibilità di conoscere la genesi di ciascun dato, per quanto elementare questo possa essere (Data Lineage); capacità di sapere, in ogni momento, chi ha fatto cosa e per fare cosa». La seconda parola chiave è “rappresentatività” – continua Zinno – «sia per il significato dei dati, che deve essere aderente a ciò che si intende rappresentare, sia per la conseguente rilevazione, che deve sempre essere una fotografia aggiornata di ciò che si osserva, perché in un mondo digitale, che si muove sempre più velocemente e dove i dati sono gli occhi con i quali lo si osserva, non si può correre il rischio di vedere qualcosa che è già passato». Dal mondo finanziario a quello industriale, l’implementazione di un attento processo di data quality può ridurre costi e rischi grazie al contributo di tecnologie avanzate per automatizzare i processi di data quality. Per esempio, nel retail food italiano, il volume di dati da gestire, interni all’organizzazione o esterni, è sempre in crescita.

#dataquality Un processo di qualità isolato non porta risultati accettabili – Glauco Cataldi @OracleItalia
Click To Tweet

Per questa ragione – spiega Filippo Gentilini di Di.Tech – «sono necessarie tecnologie come l’AI e il ML che consentono elaborazioni precise e veloci, per automatizzare i processi e creare una migliore data quality. Esempi pratici sono l’adozione di strumenti di predictive pricing, per un migliore posizionamento, oppure soluzioni di retail intelligence per una più efficace gestione del processo promozionale o di riordino». Una corretta data quality – continua Gentilini – «abilita efficaci analisi su dati provenienti da una pluralità di fonti, consentendo alle aziende di ottimizzare e migliorare i propri servizi e prendere decisioni strategiche in modo più consapevole, prevendendo rischi e costi. Data scientist e system integrator specializzati hanno un ruolo fondamentale in questo processo di digital transformation, portando tecnologie, ma soprattutto competenze non banalmente recuperabili all’interno delle organizzazioni». Per Antongiulio Donà di Talend – «devono crescere gli strumenti, intelligenti e non, a supporto dell’analisi della qualità. Soprattutto, avvicinando il Business alla gestione diretta della qualità in modalità self-service. In particolare, Talend ha recentemente aggiunto alla sua piattaforma uno strumento, TrustScore, che è in grado di fornire una “istantanea” sulla qualità assoluta di qualsiasi insieme di dati aziendali».

DATA QUALITY AS A SERVICE

La crescita del ML può influire in modo considerevole sulle metodologie utilizzate per verificare la qualità dei dati. «Parte dei processi di standardizzazione, come la corrispondenza dei dati, potrebbe essere automatizzata configurando un modello di ML in modo che impari a riconoscere e prevedere le corrispondenze come operazione di routine» – spiega Lara Binotti di Holonix. «Più dati vengono forniti al modello, migliori saranno le prestazioni dell’algoritmo ML e più accurati i risultati. Per questo motivo, il ML risulta più scalabile rispetto agli approcci tradizionali». Garantire dati attendibili e di alta qualità allo scopo di ridurre i compiti manuali legati alle pratiche di data quality, diminuendo l’intervento umano a favore dell’automatizzazione dei flussi di lavoro all’interno dei processi con un conseguente risparmio di tempo e costi, sono alcuni degli effetti derivanti dall’utilizzo di tecnologie ML e AI. «Oltre a un efficace strumento di data quality in grado di verificare, attraverso l’esecuzione di controlli, la rispondenza dei dati a una serie di requisiti tecnici e di business, è necessario – avverte Lara Binotti – dotarsi di un tool di data governance, cioè di un sistema di gestione dei metadati, che gestisca una “carta di identità” delle informazioni aziendali, comprendente tutte le entità tecniche e di business».

#dataquality La qualità è connessa con l’efficacia complessiva del sistema – Menecali sinfo-one.it
Click To Tweet

E questo significa avere processi di qualità fortemente integrati nei processi di lavorazione e trasformazione dei dati, in modo costante, giorno per giorno. Perché – come afferma Glauco Cataldi di Oracle Italia – «eseguire un processo di qualità isolato non porta risultati accettabili. Un tool di monitoraggio è importante per dare evidenza degli interventi qualitativi apportati e verificare gli SLA da mantenere nel tempo». Secondo Cataldi, i dati rappresentano la base su cui costruire e consolidare l’impresa un po’ come le fondamenta di un edificio. «Ma se le fondamenta non sono solide e c’è troppa sabbia nel calcestruzzo è chiaro che non sopporteranno il peso dell’edificio causandone gravi crepe fino al crollo. Il futuro di un’azienda si basa su delle scelte che vengono prese in funzione dei dati che si hanno a disposizione e se non sono attendibili porteranno a scelte sbagliate». Un’azienda che decide di innovare il proprio business lo farà basandosi sui dati che ha a disposizione, quindi se il dato non è affidabile la probabilità di fallimento sarà alta. Al contrario un’analisi di mercato, basata su dati qualitativamente buoni e attendibili porterà a considerazioni corrette e probabilità di successo molto alte. «Una buona analisi riduce – spiega Cataldi – i rischi sugli investimenti e permette un’ottimizzazione sana dei costi. La bontà dell’analisi parte dai dati che devono essere quantitativamente idonei per lo scopo e qualitativamente buoni».

L’investimento, in questo modo, è sicuramente considerevole e cresce al crescere dei dati. La grande novità oggi in questo settore è legata al cloud. Con un approccio tradizionale, l’azienda deve dotarsi di un software di data quality che implementa i classici algoritmi, formare il personale, investire in hardware capace di supportare la capacità di calcolo: con costi importanti che crescono al crescere dei dati. «Le soluzioni di data quality in cloud, disponibili in forma di servizio, riducono notevolmente i costi – afferma Cataldi – permettendo di accedere a capacità di calcolo altissime e impensabili fino ad oggi, allocando un numero di processori, teoricamente infinito e per il solo tempo necessario. È possibile eseguire i processi di qualità in modo rapidissimo e idoneo alla lavorazione del dato end-to-end nei tempi stabiliti. I vantaggi di questa soluzione sono molteplici, si riesce ad avere tutta la capacità di calcolo di cui si ha bisogno pagandola per il solo tempo necessario, ottenendo dati certificati, nei tempi desiderati, nelle applicazioni di primario interesse». Ogni progetto di implementazione deve includere un’adeguata fase di data quality – afferma Mirko Menecali di Sinfo One. «Noi adottiamo una metodologia che impone determinati standard aiutandoci a non sottovalutare questo processo. Alcuni clienti hanno adottato questi standard procedurali, per esempio, individuando figure specifiche a livello di funzione responsabilizzate sulla qualità dei dati generati e figure centrali con il compito di gestire il governo delle informazioni».

Gli impatti negativi di una cattiva attenzione alla data quality possono essere diversi. «Basti pensare a una campagna marketing – spiega Antonio Cataldi di Skìanet – dove non avere dati aggiornati può causare delle perdite importanti quando si cerca di contattare un grande numero di clienti. Così come usare modelli predittivi con dati non completi può guidare a decisioni sbagliate, causando un ulteriore spreco economico. In generale, prendere decisioni data-driven senza un’adeguata attenzione alla data quality, può portare fuori strada o quanto meno a un rendimento molto inferiore alle potenzialità». Una gestione attenta della data quality garantisce la massima adesione delle scelte aziendali alle realtà del mercato e della catena produttiva sia essa di servizi o di beni. «Senza qualità – avverte Antongiulio Donà di Talend – è difficile scegliere la strada per il successo ma, ancor di più, analizzare i risultati delle scelte».

#dataquality Il CDO come elemento unificante tra IT e Business – Antonio Cataldi #Skìanet @seeweblive
Click To Tweet

CDO, CERNIERA TRA IT E BUSINESS

Il compito del CDO sarà sempre più centrale. La consapevolezza che il dato è alla base dell’evoluzione economica, sociale, politica è direttamente proporzionale alla necessità di una presa di responsabilità da parte di chiunque abbia la capacità di collezionare dati – «perché i dati sono “armi” che possono fare del bene o meno a seconda dell’utilizzo» – afferma Glauco Cataldi di Oracle Italia. «ll CDO è esattamente quella figura che si assume la responsabilità di garantire la conformità alle normative, di conoscere i movimenti dei dati all’interno dell’infrastruttura aziendale e di mantenerli integri e sicuri.

Il CDO  è un ruolo diventato ormai da tempo di primaria importanza con l’avvento dei big data. Oltre alle responsabilità sulla qualità e sulle scelte relative ai dati – secondo Antonio Cataldi di Skìanet – il ruolo più importante è quello di far interagire costantemente IT e Business. «Il CDO, con una conoscenza approfondita sulle tecnologie di utilizzo dei dati e una visione chiara degli obiettivi del business, ha il compito di interfacciarsi con i diversi reparti per farli collaborare per un unico obiettivo». La figura del CDO è quanto mai strategica – spiega Antongiulio Donà di Talend – «ma purtroppo è ancora un “ministro senza portafoglio” e questo non consente un approccio veramente strategico, in quanto le loro scelte sono sottomesse a dinamiche che sfuggono al loro controllo. Il CDO in alcuni casi è sotto l’IT, in altri lo troviamo in staff, ma molto raramente ha indipendenza nelle scelte».

#dataquality Il CDO sempre più strategico, ma ancora “senza portafoglio” – Donà @Talend
Click To Tweet

Data analytics

La nuova frontiera dei commercialisti

Far emergere con chiarezza l’immensa quantità di informazioni celate nei dati che risiedono all’interno degli applicativi è uno degli obiettivi di Wolters Kluwer Tax & Accounting Italia. Alessia Berra, product management & marketing director dell’azienda, evidenzia in particolare il grande valore del patrimonio informativo contenuto all’interno dei gestionali utilizzati dai professionisti 4.0.  «Grazie alle avanzate tecnologie delle nostre soluzioni offriamo al professionista quanto gli serve per fornire in modo semplice ed efficace un servizio di consulenza ai propri clienti. Per esempio, il nostro applicativo Fattura SMART mutua la sua capacità di generazione di analytics dall’ecosistema nel quale è nato. Genya è infatti un progetto digitale olistico, fruibile in cloud, rivoluzionario per prestazioni, usabilità, look and feel, flessibilità, performance e intuitiva semplicità, in grado di aiutare il professionista nel percorso di trasformazione del suo ruolo in consulente d’impresa.

#DataAnalytics Commercialisti data-driven @Wolters_Kluwer Tax & Accounting Italia @Prof_Digitali
Click To Tweet

Grazie a chiare e immediatamente usufruibili dashbord, Fattura SMART diventa un esempio di “edge computing” in ambito amministrativo e finanziario. L’analisi congiunta – tra piccolo imprenditore, commerciante o artigiano e il proprio commercialista – dell’output di dati del nostro applicativo di fatturazione elettronica consente di restituire preziose informazioni anche alle realtà più piccole del mondo produttivo e del retail». Ogni impresa necessita di una guida e indirizzo strategico e spesso proprio le realtà più piccole sono carenti in questa specifica capacità analitica. Il percorso che rende più “data-driven” la gestione dell’impresa avviene attraverso il coinvolgimento di tecnologie evolute, competenze organizzative e data analysis profonde. Diventa sempre più necessario, anche per i professionisti, raccogliere e analizzare i dati che emergono dai vari applicativi e utilizzarli per ricavarne le informazioni necessarie a raggiungere obiettivi di crescita e sviluppo.

L'articolo Data quality, universo a otto dimensioni proviene da Data Manager Online.

A cura di Bernd Stangl, CFO di Alcatel-Lucent Enterprise

Alcatel-Lucent Enterprise è un’azienda leader nel settore delle comunicazioni in Francia e in Europa ed è tra i principali fornitori di soluzioni e servizi di comunicazione, dal desktop al cloud, con 20 controllate in 42 paesi. Da quando è diventata un’azienda indipendente, nel 2014, Alcatel riscontrava problemi a livello di affidabilità dei dati finanziari, difficoltà nel processo di reporting, nel consolidamento multivaluta e nella contabilità multi-standard. Inizialmente, abbiamo scelto di effettuare il reporting di gruppo utilizzando Excel, sulla base dei dati emessi dai software contabili delle varie aziende. Tuttavia, dovendo gestire 20 controllate in 42 paesi, l’azienda si è trovata a fare i conti con particolari esigenze a livello di sicurezza, performance e produttività a seguito delle quali era necessario semplificare gli strumenti e i processi di consolidamento, e accelerare la realizzazione di un reporting affidabile. Rischiavamo di commettere errori in fase di inserimento dei dati, applicare formule sbagliate, utilizzare una versione datata dei file di reporting, o di compilare in maniera errata le varie informazioni finanziarie trasmesse dalle nostre aziende. Quando ci accorgevamo di un errore nel conto economico consolidato, impiegavamo circa due o tre ore per correggerlo. Non avevamo visibilità dell’ordine e della riconciliazione delle fatture compilate dai crediti, pertanto avevamo difficoltà a risalire all’origine dell’errore e analizzare le discrepanze.

ANALISI DELLE ESIGENZE

Il nuovo sistema basato su cloud doveva fornire la flessibilità utile a permettere a ogni azienda di configurare in maniera indipendente le regole specifiche del proprio paese e rispondere alle relative esigenze di reporting. Allo stesso tempo, la soluzione doveva essere in grado di tracciare e verificare i dati emessi da ogni azienda al fine di rispondere alle esigenze di consolidamento a livello di gruppo. Inoltre, il sistema avrebbe dovuto far risparmiare al team ore di lavoro manuale, migliorare l’accuratezza e i tempi di produzione del reporting ed essere semplice da implementare, usare e manutenere. Infine, il nuovo sistema doveva accelerare e semplificare la comunicazione dei dati alla Direzione Generale in modo da rendere le tabelle immediatamente accessibili e disponibili nei meeting.

.@ALUEnterprise sceglie @Tagetik la soluzione #cloud per la gestione del reporting finanziario
Click To Tweet

Dopo aver analizzato diverse offerte, Alcatel-Lucent Enterprise ha scelto CCH Tagetik. A convincerci che questa era la giusta soluzione per i nostri problemi sono state diverse variabili: la lunga storia di CCH Tagetik, la sua forte presenza internazionale, le referenze dei suoi clienti, la definizione di obiettivi funzionali alle attività di business del Gruppo, la metodologia progettuale proposta, l’impegno contrattuale e l’approccio finanziario. A ottobre 2016, CCH Tagetik è entrata nel dipartimento finanziario e abbiamo deciso di collocare le nostre informazioni finanziarie e tutti i processi di reporting e consolidamento sul cloud, questo perché la soluzione si collega ai software contabili di tutte le nostre aziende e fornisce una visione completa delle informazioni finanziarie del gruppo. Queste informazioni vengono poi inserite nel nostro report annuale.

LA SCELTA GIUSTA

Inoltre, gli elementi estratti da questa piattaforma finanziaria unificata sul cloud possono essere utilizzati dai revisori contabili, che apprezzano molto la semplicità con cui è possibile tracciare ogni singolo importo. Con CCH Tagetik, siamo in grado di definire il reporting mensile in 8 giorni invece di 10, e di portare a termine la standardizzazione di tutti i report con una settimana di anticipo, fornendo dati sempre affidabili. La soluzione sul cloud ci fa risparmiare più di due mesi nella chiusura dei conti annuali e il team dedicato è passato da 6 a 4 persone. Inoltre, anche l’aspetto economico non è da sottovalutare, CCH Tagetik Cloud permetterà infatti ad Alcatel-Lucent Enterprise di risparmiare annualmente un costo di circa 500mila euro, che verrà ammortizzato in meno di un anno. Per tutti questi motivi, possiamo affermare che CCH Tagetik è stata la scelta vincente!

L'articolo Alcatel-Lucent Enterprise sceglie CCH Tagetik. La soluzione cloud per la gestione del reporting finanziario proviene da Data Manager Online.

La sigla ISS potrebbe dirvi poco. Niente di grave. Anch’io non l’avevo mai presa in considerazione. Ho scoperto cosa si celava dietro quell’acronimo solo quando sono inciampato in quelle tre lettere mentre stavo – come al solito – dando la caccia a qualche storia da raccontare. E così ho appurato che la sigla individua la International Space Station. Stavolta parliamo della NASA, la spettacolare realtà aerospaziale statunitense che recentemente il pubblico “normale” ha rivisto come scenografia dell’opera cinematografica “Il diritto di contare” di Theodore Melfi. Lontana, la romantica corsa alla Luna e troppo distante, anche la conquista del Pianeta Rosso (già impietosamente raffigurata da Corrado Guzzanti nel film “Fascisti su Marte”), nessuno ricordava Houston, Cape Canaveral e altre suggestive località dell’astronautica.

La pellicola di Melfi, ambientata nel clima segregazionista della Virginia degli anni Sessanta, racconta di tre donne che lavorano a Langley (Katherine Johnson, Dorothy Vaughan e Mary Jackson) e che a diverso titolo “fanno di conto” a supporto del centro di ricerca, surclassando persino i computi eseguiti da ciclopici elaboratori elettronici cui dovevano andare in soccorso. Come ogni volta, quasi fosse un severo e inevitabile rituale, c’è chi si chiederà l’attinenza della vicenda a 35mm con il tema della sicurezza che costituisce il perno di questo storico appuntamento. Se la storia più o meno romanzata delle tre ragazze di colore ha calamitato l’attenzione sull’importanza del fattore umano nei contesti più delicati anche di carattere scientifico, quel che sto per tratteggiare può far addirittura balzare dalla sedia i più scettici.

.@Umberto_Rapetto La #qualità del dato è moltiplicatore di #sicurezza
Click To Tweet

La vicenda coinvolge due britannici. A differenza delle barzellette “etniche” in cui ci sono sempre protagonisti di più nazionalità, stavolta i due individui hanno la medesima origine e intervengono in tempo e modi differenti. Tim Peake, classe 1972, ex ufficiale elicotterista dell’Esercito di Sua Maestà la Regina, poi collaudatore alla Agusta Westland, selezionato tra oltre ottomila candidati, si è aggiudicato uno dei sei posti nel programma di formazione degli astronauti dell’ESA e poi ha trascorso qualche mese sulla ISS di cui abbiamo parlato nell’incipit. La sua notorietà ha agevolato un piano di sensibilizzazione e di istruzione degli studenti del Regno Unito, che ha generato un loro positivo coinvolgimento in esercitazioni di analisi delle informazioni. E qui salta fuori l’altro eroe della nostra epopea. Il suo nome è Miles Soloman e ha diciassette anni. Liceale alla “Tapton” di Sheffield, ha avuto – come tanti altri suoi coetanei – l’opportunità di leggere ed esaminare un documento messo a disposizione dall’Institute for Research in Schools. Al giovanissimo Miles, è toccato in sorte lo studio di un foglio di calcolo in cui erano riportati i dati relativi ai livelli di radiazione a bordo della Stazione Spaziale Internazionale. A un certo momento è saltato fuori un numero negativo, che lo studente ha ritenuto inammissibile ed eventualmente riconducibile a un’erronea acquisizione di dati da parte dei sensori della ISS. Il ragazzo – senza dubbio armato di capacità straordinarie e di determinazione non comune – non ha esitato a inviare una email alla National Aeronautics and Space Administration.

Gli scienziati non solo hanno riconosciuto valide le osservazioni dello studente, ma non hanno esitato a invitarlo a fornire collaborazione per la soluzione del problema. Se la medesima umiltà della NASA si andasse ad annidare nelle nostre istituzioni, probabilmente le nuove generazioni potrebbero trovare spazio per esprimere al meglio le proprie capacità. E la sicurezza ne trarrebbe giovamento in ogni sua declinazione.

L'articolo E se i dati a disposizione fossero sbagliati? proviene da Data Manager Online.

Nelle aziende vengono accumulati numerosi dati, spesso senza che siano sfruttati nel migliore dei modi: nei diversi archivi sono nascoste opportunità che dovrebbero essere esplorate, valorizzandole, attraverso una corretta strategia di investimento. Una visione comune, riduttiva, valuta i dati come strumento per tagliare i costi e per ottimizzare i processi: invece, soprattutto negli ultimi anni, l’analisi dei dati può portare a importanti ritorni economici. Fino a pochi anni fa, i dati erano usati solo come base per soluzioni aziendali di supporto alle varie business operations, utili ai fini decisionali; oggi, invece, nell’era dei Big Data, i vari settori di business si chiedono come utilizzarli al meglio per creare nuovi prodotti e servizi, come collaborare con altre organizzazioni per condividerli e creare nuove iniziative.

#DataQuality Paola Pomi #SinfoOne Come leggere attraverso la complessità
Click To Tweet

La gestione dei dati è un primo, importante, passo nelle iniziative di Big Data o uno dei prerequisiti di ogni progetto analitico. Le aziende si stanno concentrando sui vantaggi ottenibili dall’analisi di enormi moli di dati, ma non possono perdere di vista le complessità associate alla loro acquisizione, alla loro preparazione e alla loro qualità. Infatti, la domanda crescente di analisi su larga scala aumenta la necessità di una corretta governance dei dati e della garanzia di qualità dei dati stessi: è chiaro che i Big Data non esisterebbero senza il data quality. Ed è altrettanto chiaro che per avere dati accurati e utilizzabili nei progetti, il data quality va integrato in ogni fase del ciclo di produzione e distribuzione dei dati: dal momento in cui il dato viene creato, o caricato, poi nei successivi punti di integrazione, scambio o arricchimento, fino al punto immediatamente precedente a dove il dato sarà caricato all’interno dei sistemi di destinazione.

Per Paola Pomi, direttore generale di Sinfo One, la certezza di informazioni è cruciale per prendere decisioni efficaci e quindi per la buona salute delle aziende. «Fare data quality risponde a due esigenze sempre più sentite dalle aziende. La prima è gestire la complessità in costante aumento. I manager devono prendere decisioni intelligenti nel vero senso del termine: “intellegere” o leggere attraverso la complessità. La complessità è data da fattori sia interni – organizzativi, di processo e così via – sia esterni come espansione di mercato, servizi e prodotti diversificati per clienti più esigenti, e altro ancora. Una possibile chiave per leggere in modo diverso gli eventi la si può trovare nell’interpolazione di dati interni con fonti esterne. La seconda è la velocità: non ci si può più permettere di avere il conto economico cinque giorni dopo la fine del mese, o il lusso di ricostruire il dato a mano su Excel. Le informazioni per governare – continua Paola Pomi –  servono in tempo reale, o addirittura, in anticipo! Inoltre i sistemi devono evidenziare solo le anomalie nei dashboard dei manager, con la possibilità di analisi in drill immediata e di condividere osservazioni sul dato con altri. Il primo step dei nostri progetti è quello di condividere con i clienti un concetto fondamentale: la qualità dei dati non può ridursi a un esercizio tecnico, ma deve partire dalle sfide quotidiane del management». Infatti, si stima che quasi un progetto strategico su due fallisca a causa di scarsa qualità dei dati. Se i dati sono imprecisi, lo saranno anche tutte le analisi che seguiranno, in una logica che negli Stati Uniti viene chiamata Garbage in / Garbage out: se in input ho dei dati “spazzatura”, questi vengono elaborati in maniera acritica, ottenendo come risposta risultati “spazzatura”. Fare data quality porta quindi ritorni dell’investimento sia qualitativi sia quantitativi.

#DataQuality Giancarlo Vercellino @IDCItaly In forte crescita la domanda di soluzioni
Click To Tweet

Secondo gli esperti di IDC, i dati non saranno mai puliti e corretti al cento per cento. Le organizzazioni hanno bisogno di sapere quanto sono non precisi i loro dati, al fine di regolare il grado di fiducia e di rischio associato con l’utilizzo dei dati. I vendor specializzati possono aiutare non solo negli sforzi di pulizia, ma anche nella misurazione della pulizia stessa. Gli strumenti a disposizione rendono più semplice scoprire se ci sono imprecisioni sui dati, permettendo di esaminarle a fondo con delle preview sui dati, fornendo la possibilità di impostare un processo replicabile per mantenere un elevato livello di qualità, con la possibilità di lavorare dove risiedono i dati, senza la necessità di spostarli: in questo modo le operazioni sono più veloci ed efficienti, e non si mettono a rischio i propri dati sensibili. È molto importante comprendere come il data quality non sia qualcosa che si fa una volta sola, ma è un processo continuo, da integrare negli altri processi aziendali che producono dati. Il data quality non può prescindere dalla data governance, una pratica aziendale che allinei strategia sui dati con le strategie aziendali, orchestrando persone, processi e tecnologie di gestione del dato.

Secondo Giancarlo Vercellino, research & consulting manager di IDC Italia, la domanda di soluzioni per il data quality è in crescita: «Le organizzazioni sanno di avere problemi di qualità dei dati, ma non sanno come misurare la pulizia dei dati, e sanno che qualcosa deve essere fatto al fine di prendere migliori decisioni basate sui dati. C’è stata anche una presa di coscienza che il data quality inizia con i master data, domini di dati che includono persone, luoghi e cose di cui le organizzazioni si preoccupano. Il mercato sta rispondendo: stiamo vedendo che le soluzioni domain-specific crescono a un ritmo più veloce rispetto a soluzioni per il data profiling e alle tecnologie match / merge». IDC prevede che i segmenti per il data quality nel mercato dell’integrazione dei dati e del software di accesso avranno un tasso di crescita annuo composto (CAGR) di 7,9% fino al 2019. Il segmento di software di qualità dei dati domain-specific è previsto in crescita, nello stesso periodo (2014-2019), con un CAGR del 9,6%. Il segmento generale del software per il data quality ha un CAGR previsto del 6,2%.

#DataQuality Brad Hathaway @SASitaly Un processo continuo che coinvolge non solo l’IT
Click To Tweet

DATA QUALITY INTEGRATI

Quanta importanza danno le aziende ai progetti di data quality? Secondo Brad Hathaway, regional advisory technical manager data management di SAS, di frequente i progetti di data quality sono visti come leve da attivare quando emergono problemi, magari per gestire dati sbagliati o non precisi. «La strategia di data quality – invece – è un processo continuo che coinvolge tutte le funzioni aziendali poiché è fondamentale che la qualità dei dati sia garantita in ogni momento. Pertanto, gli strumenti di data quality – mette in evidenza Brad Hathaway – vanno sfruttati in tutte le fasi del ciclo di produzione e distribuzione dei dati, dall’ingresso del dato in azienda fino alla generazione dell’output». Dello stesso avviso è Andrea Maderna, South Europe general manager di BOARD International SA. Secondo la sua esperienza, ricavata sul campo in numerosi clienti, «un progetto di data quality deve richiedere da un lato la realizzazione di interventi puntuali su modello organizzativo, processi e strumenti, e dall’altro l’evoluzione dell’architettura applicativa con l’obiettivo di garantire la qualità, l’affidabilità e la coerenza interna dei dati attraverso l’introduzione di strumenti come BOARD». Ovviamente, tale attività di data quality permette alle aziende di rilevare le anomalie in essere, introducendo due momenti di controllo: «Controlli ex ante sui sistemi origine del dato (per esempio ERP, legacy, motori di controllo di gestione) e controlli ex post sui sistemi destinatari che permettono poi di rappresentare il dato in modo semplice e immediato ad esempio con uno strumento evoluto di BI come BOARD».

Per avere successo, questi progetti devono essere accompagnati da un’organizzazione chiara, come ci spiega Alberto Scavino, amministratore delegato di Irion che ha realizzato molti progetti di data quality in ambito finance. I punti chiave sono tanti: «Prima di tutto, un quadro organizzativo di ruoli, processi e procedure ben strutturato, con forte commitment del management. Ma non è sufficiente. Parliamo di business data quality con dati qualificati in relazione ai contesti di utilizzo e non di semplici controlli tecnici. Inoltre, il software deve avere un approccio agile a regole (molto sofisticate, flessibili e definibili da utenti business) per acquisizione, trasformazione e controllo dei dati (per controlli andamentali o riconciliazioni contabili-gestionali)». Non solo. «Sono fondamentali sia un laboratorio, per simulare i controlli su dati veri e verificarne correttezza ed efficacia, sia la documentazione completa, automatica e aggiornata delle regole del progetto, anche in linguaggio naturale».

#DataQuality Andrea Maderna @BOARDItalia L’evoluzione dell’architettura applicativa
Click To Tweet

COME VALUTARE I BENEFICI

L’importanza dell’impegno in azienda verso la qualità dei dati è sottolineato anche da Mauro Tuvo, principal consultant information management di System Evolution per il quale è necessario innanzitutto che la qualità dei dati sia un impegno di tutta l’azienda, non solo del comparto IT. «Il principale fattore di successo di un progetto data quality è la partecipazione attiva di rappresentanti di tutte le aree coinvolte nella gestione di quei dati, IT e non» – dice Tuvo. Un altro aspetto da garantire è l’efficienza: «È preferibile concentrare l’attenzione su un ambito informativo e sui suoi processi più significativi, identificandone i dati più rilevanti, concentrando su di essi gli interventi sia di controllo sia di miglioramento. Questo approccio consente di ottenere buoni risultati in tempi e con sforzi sostenibili, lavorando per moduli progettuali all’interno di un piano complessivo» – continua Tuvo. «Ogni modulo si concentra su un ambito specifico e ha l’obiettivo di proteggere prioritariamente i dati più rilevanti per i processi selezionati in base alla loro criticità. È poi necessario che questi progetti vengano condotti secondo un unico standard operativo, che definisce ruoli e responsabilità (data owner, process owner, system owner e così via), tecniche di controllo e miglioramento, Key Quality Indicator, da applicare in tutti gli interventi».

#DataQuality Alberto Scavino #Irion Processi, soluzioni ma anche un forte commitment
Click To Tweet

Poter valutare i benefici di questi progetti è importante anche per Riccardo Brandinelli, innovation manager di Altea UP. «Il mercato ci sta dimostrando che stiamo vivendo un’era in cui la crescita tecnologica è più rapida della capacità dell’uomo di generare nuove idee. I progetti di data quality sono la dimostrazione di quanto sia importante definire con chiarezza i benefici attesi con dei chiari KPI di valutazione del risultato, definire l’ambito e la strategia di governo a breve/medio termine nonché la gestione dei processi aziendali approfondendone aspetti tecnologici e operativi». Se valutare i benefici e i KPI è relativamente semplice e oggettivo, la valutazione della qualità dei dati è relativa, definita dalla business unit che utilizza i dati. È quanto ci dice Angelo Cian, responsabile soluzioni di business intelligence di Zucchetti: «Poiché la “qualità” è spesso una valutazione relativa che viene definita da chi deve utilizzare il dato, in Zucchetti ci siamo posti l’obiettivo di generare informazioni mediante un processo guidato dall’utente stesso e, se possibile, confrontando più fonti. In sostanza, se al cliente è chiaro fin dall’inizio quali informazioni sono necessarie per prendere le decisioni migliori in relazione al suo business, allora il progetto di data quality avrà buone probabilità di successo».

#DataQuality Mauro Tuvo #SystemEvolution Come valutare i benefici in modo chiaro
Click To Tweet

I SETTORI PIÙ INTERESSATI

I progetti di data quality sono trasversali a ogni industry. Come conferma Hathaway di SAS, avere a disposizione dati puliti e di qualità va a vantaggio di tutte le tipologie di imprese, indipendentemente dal settore di mercato e dalle dimensioni. Non solo. «Adottare una strategia di data quality si traduce in un ritorno dell’investimento grazie a dati attendibili e privi di errori su cui contare per prendere le decisioni di business». Dello stesso parere è Tuvo di System Evolution: «Operiamo principalmente nel mercato bancario e assicurativo, dove norme e regolamenti sono sempre più stringenti, ma siamo convinti che l’applicazione di un approccio sistemico alla qualità dei dati può produrre benefici anche in altri settori, per esempio le utility, la PA, la Sanità». Sulla stessa lunghezza d’onda Brandinelli di Altea UP che parlando di data quality focalizza l’attenzione al mondo social dove sono presenti informazioni destrutturate e ridondanti. «In questi termini è fuorviante pensare che i temi di data quality siano rilevanti esclusivamente per società che interagiscono con il consumatore finale». Infatti, a un’attenta analisi – continua Brandinelli – «si scopre che queste attività sono fondamentali per tutti i nostri clienti indipendentemente dal mercato in cui operano o dalle dimensioni dell’organizzazione. Nel momento storico in cui ci troviamo a operare, l’unico limite è dato dalla predisposizione delle società a intraprendere un processo di digital transformation in cui il miglioramento delle informazioni è finalizzato alla conoscenza approfondita del proprio target di riferimento».

#DataQuality Riccardo Brandinelli @AlteaUp Definire la strategia e misurare i risultati
Click To Tweet

Secondo Scavino di Irion, i settori più interessati sono «banche, assicurazioni e società finanziarie, soggette alla vigilanza. Anche retail, telco e le energy utilities sono sensibili al tema». Interessante anche l’utilizzo nel risk management, spiegato da Claudio Ruffini, presidente di Augeos: «Sempre più spesso si parla di metodologie per il data quality risk management e ciò testimonia la centralità della qualità dei dati nella moderna governance dei rischi. Diversi sono i framework di riferimento sul data quality, ma di particolare efficacia sembrano i metodi Process Driven che uniscono alle metriche di misurazione della qualità dei dati anche l’analisi dei processi che gestiscono tali dati. Ancora poco si è fatto sull’analisi della catena degli eventi che possono accadere e sull’analisi cause – conseguenze in una risk analysis, utilizzando una Process Asset Event Map. Infatti, è utile correlare gli effetti della scarsa qualità dei dati con i possibili costi o eventi di rischio operativi nei processi correlati costruendo dei veri e propri Key Quality Risk Indicator che possono incidere negativamente sulle performance del processi. Alla base di questi tipi di analisi, vi è una corretta correlazione tra gli obiettivi di qualità dei dati e gli obiettivi dei processi che gestiscono questi dati».

IL DATA QUALITY IN DUE AZIENDE

Ci spiega Cian di Zucchetti: «Il commercio elettronico è uno dei settori più attivi in questo ambito. Il nostro cliente 7Pixel – che è una società leader nel mercato italiano e tra le principali in quello spagnolo nell’ambito della comparazione prezzi con portali come Trovaprezzi.it e nello shopping online con siti come Shoppydoo.it – ha sviluppato un progetto di data quality integrando diverse soluzioni Zucchetti. Con Infinity CRM è stato ottimizzato l’intero flusso di selezione, acquisizione e monitoraggio dei negozi virtuali affiliati: da un semplice cruscotto è possibile verificare sia la situazione contabile-amministrativa sia le informazioni commerciali relative al singolo “merchant”. L’integrazione con l’ERP Ad Hoc Infinity permette di gestire in maniera meccanizzata la generazione di documenti contabili dei singoli negozi online, mentre Infinity DMS ne rende possibile la condivisione alle differenti funzioni aziendali, facilitando la gestione operativa. Infine grazie a InfoBusiness, la soluzione Zucchetti di business intelligence, 7Pixel ha un valido supporto per il monitoraggio dell’andamento aziendale e per orientare in modo più consapevole le proprie decisioni strategiche». Maderna di BOARD International SA descrive così un progetto di data quality nel settore bancario: «Un nostro cliente strategico del settore bancario ha implementato un progetto completo di controllo di gestione, creando un potente ambiente d’analisi multidimensionale per la valutazione della redditività dei clienti, della strutturazione dei portafogli e dell’andamento delle visite commerciali. Da queste parole si può facilmente intuire come sia fondamentale aumentare accuratezza, attendibilità, completezza, consistenza e coerenza dei dati. L’analisi di dati errati potrebbe portare a decisioni assolutamente negative con potenziali perdite di clienti e opportunità di business».

#DataQuality Angelo Cian @ZucchettiSpa Come definire la qualità a partire dall’utente
Click To Tweet

COME ADOTTARE UNA STRATEGIA DI DATA QUALITY

La complessità di questi progetti è tale che gli strumenti informatici, per quanto sofisticati, non sono sufficienti. Occorrono soprattutto metodologie e capacità di data governance, come ci dice Hathaway di SAS: «Abbiamo notato che i nostri clienti ottengono vantaggi significativi adottando una strategia di data quality che comprende tutto il ciclo di vita del processo: dalla profilazione alla standardizzazione, dal matching al monitoraggio della qualità dei dati. Inoltre, la pulizia dei dati avviene nel luogo in cui si trovano le informazioni, senza necessità di esportazione. Tutto questo si traduce in un alto livello di qualità dei dati per supportare le iniziative di business e le decisioni critiche aziendali». Alcune delle aziende che operano nel settore ci hanno descritto, brevemente, la loro offerta nel data quality, fatta di consulenza, metodologia e servizi di supporto. Spiega Tuvo di System Evolution: «In quest’ambito ci proponiamo come fornitore end-to-end. Negli ultimi cinque anni abbiamo realizzato più di centotrenta progetti di data quality e data governance, abbiamo progettato master plan, redatto policy di data quality, disegnato e implementato impianti di controllo, realizzato interventi per la rimozione strutturale delle cause di non qualità».

#DataQuality Ruffini #Augeos La centralità della qualità nella governance dei rischi
Click To Tweet

Suggerendo nuovi spunti e idee per il controllo dei processi aziendali, Brandinelli di Altea UP ci spiega come la società sia di supporto «nell’armonizzare le complessità tecnologiche, fornendo gli strumenti necessari al mantenimento nel tempo della qualità delle informazioni». E parlando di metodologia, Ruffini di Augeos aggiunge: «Abbiamo sviluppato una metodologia di Data Quality Risk, frutto di un progetto di ricerca fatto in collaborazione con la Bicocca di Milano in grado di calcolare la soglia oltre la quale un Key Quality Risk Indicator può segnalare un problema operativo, partendo proprio dall’analisi degli eventi di rischio operativo». Consulenza e servizi sono i punti chiave del supporto al cliente. Tra gli strumenti, Scavino di Irion cita le soluzioni «IrionDQ, gli RTG Add-On per Data Integration, Business & Control Rules, Metadata Catalog & Lineage, Key Business Indicator» – e conclude: «I nostri servizi danno la copertura completa dei processi di data quality, incluse funzionalità di data governance e di valutazione di Key Quality Indicator con una metodologia proprietaria molto sofisticata».

L'articolo Data quality, CIO sotto pressione proviene da Data Manager Online.

Due sono le spinte: una normativa, l’altra di mercato. Al momento, Intesa Sanpaolo è impegnata nella realizzazione di un sistema Big Data con reportistica aziendale per la banca e per i rapporti con la BCE. Forse, è il più grande progetto di questo tipo in Italia, destinato a fare scuola. L’obiettivo è raccogliere tutti i dati, puliti e certificati, e metterli a disposizione di tutte le line of business per attività di analisi e reporting. Nel progetto, sono coinvolti diversi partner tecnologici per l’infrastruttura data base, lo storage, il framework Hadoop, l’acquisizione del dato, la data quality, la data governance, l’analisi e il reporting.

In questa prima fase, stiamo lavorando sulle attività di reporting per il controllo di gestione a uso della direzione e che sarà fruibile anche a livello di singola filiale. Si tratta di reingegnerizzare i processi per rendere più semplice l’esperienza dei clienti, più snella l’offerta dei servizi, aumentando nel contempo la sicurezza e abbattendo i rischi. Il successo si basa su quattro pilastri: governance, data quality, customer experience e risk management. A fronte di una fase di difficoltà che ha investito tutto il settore finanziario, cambia il modo dell’utente di usufruire i servizi bancari. C’è una complessità nella raccolta delle informazioni che già si configurano come trattamento dei dati e c’è una complessità nella gestione di questi dati che raccontano la storia dei clienti. Nell’attività di erogazione e gestione dei crediti, la componente rischio è la più problematica. L’attribuzione del rating non è più sufficiente. È necessario eseguire correlazioni fra dati interni e informazioni provenienti da fonti esterne specializzate, per generare indicatori sintetici di qualità in logica predittiva. Le regole tecniche da sole non bastano, ci vuole trasparenza dei comportamenti per fare un salto di responsabilità.

La #banca diventa data-centric, fiducia e trasparenza sono l’anima dell’economia dei #dati
Click To Tweet

Stiamo parlando di coprire le esigenze normative, gestire meglio la propria esposizione al rischio ed essere quindi più preparati a prendere decisioni, reagendo rapidamente. Ma non è solo una questione di velocità, dimensioni e varietà. Si tratta di valore. Non basta quindi avere un “magazzino dei dati” e lasciare a chiunque le chiavi di accesso. Si tratta di rendere usabili i dati corretti nel momento in cui gli utilizzatori ne hanno bisogno. La raccolta dei dati, che è un tema tipico dell’IT, non basta più, bisogna capitalizzare la conoscenza dei dati. Si parte dal controllo e dalla qualità dei dati. In un contesto normativo molto complesso e regolamentato come quello bancario, gli ostacoli di natura tecnologica e analitica non rappresentano l’unica difficoltà.

Gli analytics abilitano la creazione di dati di valore, ma questi devono essere corretti e di qualità. I dati di per sé non sono un asset. L’asset vero è riuscire a utilizzarli. Il tema della data quality in banca è un tema storico. La data quality in ottica Big Data invece è un tema scarsamente esplorato. Per costruire una strategia “data driven” bisogna abbattere le barriere funzionali. Ci deve essere una sola fonte dei dati, una sola “nuvola”, per rendere univoco il dato per ciascun utilizzatore. L’informazione ha valore solo se genera conoscenza, se è condivisa e se è alimentata da tutti gli stakeholder. Forse, il vero “data owner” dei dati è chi sa utilizzarli meglio degli altri ed è responsabile della data quality.

Claudio Sguoto, responsabile data governance di Intesa Sanpaolo

L'articolo La banca data-centric proviene da Data Manager Online.

Si fa presto a parlare di Big Data o forse meglio si dovrebbe parlare di Big Info. In un contesto normativo molto complesso e regolamentato, soprattutto in determinati settori come quello bancario – gli ostacoli di natura tecnologica e analitica – che devono essere superati per trasformare i dati in asset competitivo e strategico al fine di generare valore, non rappresentano l’unica difficoltà. L’aspetto del governo delle informazioni generate dalle procedure o dalle applicazioni e quindi da più fonti eterogenee sia strutturate sia non strutturate, necessitano la validazione della qualità del dato, la sua integrità, il rispetto della compliance. Questi aspetti, che vanno a complemento della capacità di innovazione e della tecnologia, non devono essere trascurati. UniCredit è una delle prime grandi realtà bancarie internazionali a nominare un chief data officer (CDO) a riporto diretto del COO chief operating officer e deputy general manager a livello di Gruppo. Lo scorso maggio, Roberto Monachino è stato nominato chief data officer di UniCredit e ci ha spiegato il significato e le funzioni di questo nuovo ruolo. «Dalla conoscenza dell’informazione, le analisi abilitano la creazione di valore dati, ma questi devono essere corretti e di qualità».

#InnovationBank UniCredit: #DataManagement = #Valore di Business @UniCredit_PR
Click To Tweet

Innovare il modo di fare banca

Ma che cosa ha spinto il management di UniCredit a dotarsi di questa funzione e come si inserisce questa figura sul piano organizzativo? «L’industria bancaria sta attraversando un’importante fase di trasformazione» – racconta Monachino. «Le nuove esigenze regolamentari e la velocità del cambiamento spinto dall’evoluzione tecnologica coinvolgono le istituzioni finanziarie in sfide che non hanno precedenti». Allo stesso tempo, questa trasformazione sta offrendo opportunità un tempo impensabili di ridefinire e innovare il modo di fare banca, facendo leva su gestioni, metodi e ruoli nuovi. «In questo contesto – continua Monachino – la gestione del ciclo di vita del dato sta diventando sempre più trasversale e l’uso della stessa informazione certificata è fattore distintivo nei processi decisionali delle aziende». La scelta di introdurre la figura del CDO di Gruppo nel sistema bancario italiano è una diretta conseguenza di tutto questo. «Da un lato deriva dalla spinta della Banca Centrale Europea, nel suo ruolo di supervisore unico introdotto nel novembre 2014, di garantire la complessiva qualità e integrazione dei dati, la capacità di aggregazione degli stessi e la loro tempestiva disponibilità; allo stesso tempo, dal momento che la gestione e valorizzazione dei dati a supporto dei processi decisionali è diventata un’attività sempre più essenziale e “critica”, anche alla luce della crescente mole disponibile di informazioni, si è reso necessario adottare, attraverso una figura unica, un approccio integrato end-to-end alla loro gestione e fruibilità, avvalendosi delle nuove opportunità offerte dall’evoluzione tecnologica».

All’interno della struttura del CDO ci sono due grandi blocchi funzionali, come spiega Monachino. «Il primo si caratterizza per competenze più organizzative, di processo e di architettura del dato, che permettono di accorciare la catena e i tempi di “decodifica” dei requisiti di Business in requisiti funzionali. Gli specialisti di questa area lavorano a stretto contatto con le funzioni IT per la definizione del modello logico dei dati, perché hanno una conoscenza completa del ciclo di vita dell’informazione».
Il secondo blocco ha caratteristiche da business partner (in gergo data steward), con competenze di rischio, finance e business: «Questi professionisti – dice Monachino – interagiscono ogni giorno con le rispettive funzioni aziendali, supportandole e facilitando l’uso delle informazioni in tutte le necessità di analisi dei fenomeni. Sono anche coloro che aiutano Business e IT a introdurre le nuove tecnologie nei processi operativi e a comprenderne tutte le potenzialità, attraverso approcci agili di prototipazione in ambiente di laboratorio con dati reali, allo scopo di disegnare e contribuire a una chiara visione strategica del dato per sfruttare le nuove opportunità o idee di business. Un piano di people development ad hoc è stato definito per l’onboarding e lo sviluppo delle competenze chiave delle persone che lavorano in questo ruolo».

La sfida del cambiamento

Per Monachino la vera sfida che abbiamo oggi è quella di utilizzare i Big Data non solo per rafforzare il nostro business attuale ma anche e soprattutto per aprire le porte a nuovi business, innovando continuamente. «Mettere enfasi strategica sui Big Data richiede lo sviluppo di una capacità analitica un tempo imprevista» – commenta Monachino. «Come segnalavo in precedenza, la sfida qui sono le Big Info, perché si generano molte più informazioni e molte più variabili, il cui contenuto di qualità ne fa la differenza nel processo decisionale. Per questo è necessario costruire un team interdisciplinare, con differenti competenze, che abbia insita sia la conoscenza di business sia anche la capacità di governare e controllare i dati, utilizzando un approccio statistico e al contempo olistico e un alto grado di capacità di ingegnerizzarlo. In UniCredit abbiamo raccolto la sfida dei Big Data, apportando anche modifiche organizzative, con la nomina all’interno della perimetro del chief operating officer della funzione del CDO e la creazione della struttura nella nostra società globale di servizi, UniCredit Business Integrated Solutions, di Data and Analytics (D&A) che ha come priorità lo sviluppo della tecnologia Big Data dal punto di vista di architettura informatica. Queste due realtà guideranno l’innovazione per consentire un cambiamento dirompente necessario per dare risposte alle crescenti richieste sia di carattere regolamentare che di Business».

#InnovationBank Quali sono le nuove regole del chief data officer in banca? @UniCredit_PR
Click To Tweet

L’evoluzione delle competenze

Il CDO di una banca è una figura a tutto tondo e anche un po’ eclettica, capace di coniugare competenze diverse, specialistiche e trasversali, di contenuto alla capacità di analisi dei fenomeni di business alla conoscenza dei prodotti e dei processi operativi della banca, con esperienze che spaziano dal business alla finanza, alla comprensione delle componenti di rischio.
Questo ruolo composito, e per questo sfidante, apre quindi la strada a percorsi di crescita che bilanciano le aspettative individuali con l’evoluzione del mercato e dell’ambiente esterno. Opportuni processi di selezione e formativi sono allo studio per selezionare risorse con competenze adeguate.

«Già da tempo – spiega Monachino – le più grandi organizzazioni e le banche americane ed europee si sono dotate di questa figura, consapevoli del fatto che l’informazione, se gestita in maniera appropriata e messa al centro dei processi, può sancire la crescita di un’organizzazione». Ma non solo. «Di fronte alla crescita esponenziale delle informazioni disponibili e della loro variabilità da gestire, questa figura è destinata a crescere, anche in Italia» – fa notare Monachino. «è facile immaginare che lo sviluppo sia verso il governo della varietà di informazioni (Big Info) per la continua trasformazione dei prodotti, proprio perché il mercato evolve velocemente. La grande sfida sarà, quindi, sempre più quella di saper anticipare i nuovi trend e seguire la velocità del cambiamento». E questa sfida coinvolgerà l’intera organizzazione: Business, Processi e Tecnologia. «E il CDO – conclude Monachino – lavorerà in partnership con loro, attraverso percorsi sostenibili dall’execution progettuale alla creazione di “cultura”, proponendo soluzioni e garantendo la qualità dei dati così da facilitarne la valorizzazione come asset aziendale».

L'articolo Data management, le nuove regole del CDO proviene da Data Manager Online.

System Evolution è una realtà nata nel 1985, con una forte focalizzazione sul settore finance. I principali ambiti di competenza sono i sistemi gestionali ERP e la realizzazione e l’integrazione di applicazioni informatiche in ambiente mainframe, dipartimentale, su web, su dispositivi mobili. Ma l’area di maggiore crescita riguarda lo sviluppo di soluzioni di information management. «Il nostro business si concentra sul mercato finance che rappresenta l’80% del fatturato aziendale, che vale circa 15 milioni di euro» – spiega Matteo Cucco, amministratore unico dell’azienda. Fare information management per banche e assicurazioni significa gestire il proprio patrimonio informativo lungo l’intero ciclo di vita dei dati, con una forte attenzione ai processi decisionali, di controllo e rendicontazione. Lo scopo è fornire informazioni complete, accurate e tempestive a tutti i soggetti coinvolti nell’attività degli istituti e delle compagnie (manager, analisti, mercato, istituzioni e organismi di vigilanza, stakeholder). «Le tecnologie da sole non bastano» – commenta Cucco. «Alle competenze di business intelligence e data warehousing occorre abbinare una profonda conoscenza di merito sui processi bancari e assicurativi, ma anche sulle normative che li regolano in modo sempre più pervasivo». Utilizzando metodi, tecniche e acceleratori pensati specificamente per questo settore, i clienti di System Evolution possono – per esempio – monitorare le performance della rete commerciale; verificare costantemente l’efficacia della relazione con la clientela; impostare e gestire in tempo reale le campagne di marketing e di acquisizione di nuovi clienti, identificare opportunità di cross-selling e up-selling; valutare la redditività dei prodotti e dei servizi offerti.

#finance #SystemEvolution, Matteo Cucco «Come valorizzare il patrimonio informativo»?
Click To Tweet

Multicanalità e mobility

L‘evoluzione della tecnologia e delle modalità di offerta hanno avuto in questi anni un impatto importante sull’IT, in primo luogo per quanto riguarda la multicanalità e la mobility. System Evolution si è quindi specializzata nella realizzazione di applicazioni mobile di information management. «In questo campo, la user experience rappresenta ancora più che per altri canali un fattore critico» – spiega Matteo Cucco. «Nell’interazione con smartphone o tablet, la componente emozionale è importante. L’esperienza di utilizzo può determinare realmente il successo anche per una business application». Per esempio, System Evolution ha realizzato soluzioni mobile di “scheda cliente” a uso dei gestori della banca, che supportano una visione integrata del cliente stesso, lungo tutte le differenti prospettive di relazione (rapporti, visite, canali, redditività…).

Gestione del rischio

Un’altra area in costante crescita è quella del risk management, che richiede supporti informatici per un’analisi e una misurazione attraverso opportuni indicatori delle varie tipologie di rischio con cui un istituto finanziario deve confrontarsi. «Negli ultimi anni, istituzioni e organismi di vigilanza hanno emanato norme e regolamenti che impongono una valutazione formale e una conseguente gestione dei rischi informatici, di credito, di mercato, e così via. La gestione dei rischi ha conseguenze rilevanti sul business delle banche e delle assicurazioni, anche in termini di requisiti di capitale. Il nostro compito è fornire soluzioni software in grado di alimentare i modelli di calcolo del rischio e di sostenere i processi connessi» – afferma Cucco.

#finance #SystemEvolution, Mauro Tuvo «Le competenze tecnologiche, da sole, non bastano»
Click To Tweet

Governare i dati e l’IT

Altri temi in forte crescita sono quelli dell’IT governance e della data governance. «Le banche sono chiamate a tutelare la qualità dei dati gestiti, anche monitorandola con opportuni indicatori» – prosegue il manager. La sfida per gli “ingegneri dei dati” di System Evolution è ora quella dei big data. «Anche in questo caso non si tratta solo di conoscere le nuove tecnologie: cambiano i paradigmi, i modelli, e si aprono enormi spazi di applicazione ancora da esplorare, in particolare per il mondo finance. Il governo dei dati sarà ancora più fondamentale, vero pilastro di un approccio industriale alla gestione del patrimonio informativo» – conclude Cucco.

L'articolo System Evolution, ingegneria dell’informazione proviene da Data Manager Online.

Irion è una società leader nell’Enterprise Data Management e nel campo della Data Quality, presente sul mercato con un proprio prodotto, IrionDQ, da oltre un decennio. I suoi fondatori, Alberto e Giovanni Scavino e Mauro Sturaro, dopo aver maturato una significativa esperienza nella realizzazione di soluzioni software per il mondo finanziario, hanno deciso di avviare la nuova compagnia.

“Il settore che indirizziamo è quello del cosiddetto ‘fintech e regtech’, ovvero le tecnologie per la finanza, la compliance alle normative emanate dai soggetti che hanno funzioni di regolamentazione, controllo e vigilanza nel mondo bancario e finanziario, in particolare per tutto quanto attiene alla gestione dei dati. Si tratta di un campo molto interessante ma anche estremamente delicato”, spiega Alberto Scavino, CEO di Irion. Una delle sfide maggiori è quella di mettere in comunicazione il business con l’IT, superando barriere culturali e stratificazioni applicative. A livello tecnico, le banche e gli istituti finanziari devono essere in grado di fornire agli enti di vigilanza dati formalmente completi e corretti, che corrispondano ai risultati contabili. Allo stesso modo anche il management, incaricato di prendere le decisioni di business, deve disporre di informazioni aggiornate e rilevanti per orientare le strategie.

“La nostra soluzione, IrionDQ, offre funzionalità uniche e distintive per impostare i motori di regole per il controllo, l’arricchimento e la derivazione di dati, in modo da soddisfare sia le esigenze di compliance normativa che le necessità del business”, sottolinea Alberto Scavino. Le caratteristiche del sistema si sintetizzano in tre parole chiave: “performante, flessibile e agile”. La piattaforma presenta funzionalità native come la possibilità di definire regole business-oriented, la disponibilità di un dizionario completo e documentato delle regole, la tracciabilità automatica e completa del processo, e la capacità di elaborare elevati volumi di dati. “IrionDQ traduce in automatico le regole tecniche in linguaggio naturale, arricchendole con il business glossary. Questo è un importante plus ai fini della documentazione e tracciabilità di ogni singolo passaggio. L’automazione delle funzioni di documentazione e audit avviene con un solo click”.

La soluzione, utilizzando tecnologie proprietarie ed innovative (tra queste DELT – Declarative Extract Load and Transform, EAsT – Everything As a Table) genera l’infrastruttura tecnica per realizzare i sistemi di controllo della compliance normativa in tempi molto rapidi, unendo scalabilità e performance di classe enterprise con un approccio semplice alla gestione dei dati. Irion lavora a stretto contatto con i clienti, per garantire che il risultato finale, la personalizzazione del servizio, sia realmente customer-centric. L’azienda è cresciuta negli anni da una realtà con pochi dipendenti a quella che invece è oggi, con un raggio d’azione su tutta Italia e presente pure all’estero, oltre ad avere progetti per internazionalizzarsi ulteriormente. Il portafoglio clienti comprende tra gli altri il Gruppo Intesa Sanpaolo, Banco Popolare, State Street Bank, BNL-BNP Paribas, Ubi Banca, Mediobanca, Fideuram, Credito Valtellinese, Popolare di Sondrio, ICBPI, Banca Carige, Sparkasse, Banca Marche, Cattolica Assicurazioni, Ergo e Axpo.

“Irion vuole espandersi ulteriormente nel mercato assicurativo e delle grandi aziende, ma ha nel mirino anche Londra e il mercato UK. Vogliamo continuare a essere una società italiana, ma sempre più globale”, commenta Alberto Damiani, Marketing & International Partnership Manager. La compagnia fattura 7 milioni di Euro e sta crescendo del 30% su base annua, sviluppando nuove funzionalità del prodotto e investendo in ricerca e sviluppo e sul capitale umano. Tra le feature di Irion DQ vi sono anche servizi orientati al mondo mobile, per la rappresentazione su tablet o smartphone degli esiti del controllo sui dati. Irion presenterà inoltre a brevissimo un’app che utilizza Datazen – soluzione acquisita da Microsoft che ha effettuato l’integrazione con SQL Server – rivolta proprio al mobile. “Puntiamo alla qualità e certificazione dei dati unita all’agilità di adattamento alle normative emesse dai soggetti preposti. La nostra soluzione può elaborare ovviamente anche i Big Data, grazie a connessioni native con Hadoop, e offre strumenti di analisi secondo criteri impostabili dall’utente”, sottolinea il manager. Per restare dominanti nel mercato è necessario “un atteggiamento proattivo – conclude Scavino – , non basta più solo reagire ai cambiamenti ma occorre, per quanto possibile, prevederli. Il settore del fintech-regtech avrà un ruolo sempre più rilevante nello sviluppo dell’informatica, e la nostra mission è offrire il meglio dell’innovazione ai clienti”.

L'articolo Irion: compliance e flessibilità a ritmo di business proviene da Data Manager Online.

Questo mese vi racconto una storia. La storia di una città americana, che come tante altre sta provando a diventare smart. Che ci ha provato nel modo tradizionale, e poi, a farla diventare smart davvero, ci ha pensato una “principessa” che normalmente viene presa per sfinimento. La sua cittadinanza.

Chicago è una città del Nord degli Stati Uniti, che deve il suo skyline al progetto di Daniel Burnham, classe 1846: il suo piano urbano, presentato nel 1909, a quei tempi, era considerato innovazione allo stato puro. Mantenendo la nomea di città innovativa, oggi Chicago è pioniera tra le smart city. E ha cercato di dimostrarlo con “Chicago, Città dei Big Data”, esposizione interattiva organizzata da Chicago Architecture e da una fondazione locale in collaborazione con IBM che ha fornito la piattaforma tecnologica.

#smartcity Emanuela Donetti: «Dati, città e ricchezza, a partire dal basso» @urbanocreativo
Click To Tweet

L’esposizione intendeva dimostrare come sia cambiato il modo di fare design urbano ai tempi del digitale, e il ruolo dei big data nella vita delle città: “distillare” in cluster tematici, anche sovrapposti, analizzare e riutilizzare le enormi quantità di dati generati da tutta la città è diventato di enorme aiuto per comprendere meglio le questioni urbane e costruire città più intelligenti, o mostrare lo stato di salute e di felicità delle aree costruite, in tempo reale.

Dati, città e ricchezza

Orari meteo, abitazioni e confronti di tempo di viaggio con altre città, i dati del bike sharing, il conto alla rovescia per il prossimo autobus, la qualità dell’aria o di permessi di costruzione rilasciati, mischiati ai post dei social media come Facebook, Instagram e Twitter per i diversi quartieri, il tutto in un modello 3D utilizzabile da chiunque attraverso giganteschi schermi touch a disposizione dei visitatori. Ed è qui, a dire il vero, che finisce la realtà ed entriamo nella dimensione della favola.

Perché proprio i visitatori, che la loro città la conoscono meglio delle loro tasche, e sanno che ai dati delle macchine bisogna sempre approcciarsi con la flessibilità dell’essere umano, si sono resi conto che buona parte dei dati non era del tutto corretta. Non che fosse falsa, intendiamoci. Semplicemente, non rispecchiava del tutto la realtà in ogni suo aspetto. E così, i cittadini di Chicago hanno cominciato a dare i numeri. Letteralmente. E si sono impegnati in un’azione autonoma (ma subito appoggiata dalle istituzioni, che ne seguono da vicino i risultati) di controllo e “fact checking”. Per sei mesi, hanno individuato una prima area del quartiere di Bronzeville, dopo hanno cominciato a espandersi al resto della città.

#smartcity Emanuela Donetti: «Ecco, come nasce una città smart» @urbanocreativo
Click To Tweet

Nel loro sito, spiegano di essere impegnati a raccogliere dati e statistiche “accurati” della comunità di Bronzeville, chiarendo in particolare che a essere interessanti sono i fatti che riguardano coloro che in quel quartiere vivono o lavorano. Perché, “current public data records do not accurately reflect our numbers”, gli attuali dati pubblici non riflettono accuratamente i nostri dati. Questo continuo rimando all’accuratezza, fa capire che quando una comunità capisce qual è il vantaggio di riferirsi ai big data anche nella quotidianità, la qualità del dato diventa molto importante. Oggi, i dati della città di Chicago sono verificati e messi a disposizione della comunità perché l’economia locale possa trarne vantaggio. Dati, città e ricchezza, per la prima volta, a partire dal basso. Ecco, come nasce una città smart: quando a farla sono i suoi cittadini.

Emanuela Donetti @urbanocreativo

L'articolo Fare grandi progetti proviene da Data Manager Online.

L’evento è stato un’opportunità di confronto su una tematica sempre più presente nelle agende di banche e assicurazioni in Italia. Rappresentanti di Gruppi e Istituti bancari, di compagnie assicurative e del mondo accademico hanno illustrato le proprie esperienze e prospettive sull’argomento. Anche System Evolution ha condiviso la propria vision, maturata su più di cento progetti di data governance all’attivo realizzati negli ultimi anni. Gli atti del convegno sono consultabili direttamente sul sito CeTIF o attraverso il sito www.systemevolution.it. Colgo l’occasione di questo evento per condividere alcune riflessioni sulle direttrici di evoluzione di questa tematica.

#DataGovernance , non solo #quality, ma un utilizzo più consapevole dei dati @CeTIF1
Click To Tweet

Prima riflessione. La Data Governance è in questo momento percepita da molte organizzazioni come una revisione, un rilancio più strutturato di quel concetto di Data Quality previsto da norme e regolamenti del settore finanziario. Questa visione è solo parzialmente condivisibile: governare il patrimonio informativo significa infatti impiegare una serie di discipline (tra cui anche la Data Quality) e di tecniche per garantire non solo la qualità, ma un utilizzo dei dati più consapevole, efficace ed efficiente. Nonostante si tratti in realtà di discipline e tecniche non nuove, già ampiamente applicate e sperimentate (business metadata, master data, information lifecycle management, data lineage, per citarne alcune), il principale elemento di innovazione consiste soprattutto nel loro impiego sinergico all’interno di una visione organica e sulla base di una roadmap che ne consenta una adozione progressiva.

Seconda riflessione. La Data Governance rappresenta un valore a prescindere dall’esistenza delle normative che la prescrivono: come è ormai ampiamente dimostrato dalle esperienze (tra cui quelle illustrate nel convegno CeTIF) e documentato dalla letteratura in materia, la gestione organizzata del patrimonio informativo ha ricadute positive sui risultati d’impresa.

Terza riflessione. La Data Governance porta vantaggi tanto più evidenti quanto più è considerata e applicata in sinergia con l’IT Governance. Il buon funzionamento delle risorse IT è una condizione necessaria per un governo efficace e sostenibile del patrimonio informativo.

Quarta riflessione. Governare i dati e le risorse IT significa innanzitutto averne un monitoraggio preciso e aggiornato; il governo di un fenomeno non può prescindere da una misurazione dei principali fattori che ne descrivono il funzionamento e da una rappresentazione di questi fattori attraverso opportuni indicatori. Tecniche, metodi, strumenti di business intelligence sono componenti imprescindibili di un sistema di governance.

#DataGovernance , un valore a prescindere dalle regole @CeTIF1
Click To Tweet

È sulla base di questi principi che System Evolution ha costituito la propria linea di offerta di Information Management. I servizi e le soluzioni proposte coinvolgono consulenti di processo e di metodo, analisti e tecnici ciascuno con proprie specifiche competenze, ma tutti guidati da una visione unica e organica. Questa visione, ispirata a principi di derivazione anglosassone, si è consolidata in una metodologia adattata alla nostra realtà e ormai ampliamente consolidata come standard nel nostro mercato. Visione, metodo e servizi sono inoltre supportati da una suite di strumenti specifici (DG Suite) in grado di agevolare la gestione dei processi di governance e dei relativi metadati. Tutto questo ha per System Evolution l’obiettivo di sostenere i propri clienti nella gestione dei risultati di impresa anche attraverso un efficace governo delle risorse informative.

Matteo Cucco, amministratore di System Evolution

L'articolo Come governare i dati proviene da Data Manager Online.