Secondo un sondaggio McKinsey condotto tra gli amministratori delegati, "l'86% dei dirigenti afferma che le loro organizzazioni sono state, nella migliore delle ipotesi, solo in parte efficaci nel raggiungere l'obiettivo primario dei loro programmi di dati e analisi, compreso più di un quarto che afferma che sono stati inefficaci". Il 38% di questi CEO ritiene di essere il principale responsabile dell'agenda di dati e analisi della propria organizzazione.

Alla luce di queste statistiche, è giunto il momento che gli amministratori delegati conoscano i dati e i problemi associati alla loro utilità.

Perché leggere oltre?

Se c'è una cosa che è diventata chiara nell'era digitale è che "AI sta trasformando i modelli operativi aziendali "¹. Un esempio sorprendente è quello di Ant Financial, nativa digitale. Ant ha più utenti digitali delle maggiori banche statunitensi, ma solo una frazione del loro personale. Ant Financial ha "la capacità di sfruttare i dati per conoscere le esigenze degli utenti e rispondere con servizi digitali per soddisfarle".^{2 Ad esempio} , l'azienda ha completamente automatizzato i processi di prestito, trasformandoli in servizi digitali senza alcun coinvolgimento umano.

Perché oggi gli amministratori delegati hanno bisogno di comprendere i dati e le analisi? Come illustra questo esempio, perché sono diventati un motore universale per l'esecuzione del business. Infatti, nel loro libro "Competing in the Age of AI", che cito più volte in questo blog, Marco Iansiti e Karim Lakhani suggeriscono che l'intelligenza artificiale (AI) - di fatto, dati + analytics - sta rimodellando le basi operative delle imprese proprio per questo motivo.

Alcune buone notizie

Secondo Abigail Hess della CNBC, il 40% degli amministratori delegati ha un MBA. Questo significa che dovreste ricordare cose come le statistiche descrittive, tra cui la media, la mediana e la modalità, e forse avete anche accennato a cose come l'analisi di regressione e l'analisi multivariata. Questo significa che conoscete già i dati e forse anche un po' di scienza dei dati.

Sebbene molti termini siano cambiati con la trasformazione della ricerca operativa in scienza dei dati, i concetti fondamentali appresi sono ancora validi. Le cose principali che sono cambiate sono la varietà dei dati, la quantità di dati disponibili e la velocità di acquisizione dei dati.

Tradurre ciò di cui parlano gli scienziati delle decisioni

Per aiutarvi a comprendere la nuova terminologia, ecco alcuni termini e concetti comuni di cui parlano oggi i data scientist e i decision scientist.

Big Data significa che la quantità di dati è maggiore rispetto ai tradizionali sistemi di elaborazione dei dati (data warehouse + business intelligence) e richiede nuove tecnologie. Secondo l'analista Judith Hurwitz, i Big Data sono determinati da tre caratteristiche chiave: il volume, o quantità di dati; la velocità (quanto velocemente i dati vengono elaborati); e la varietà, o tipi di dati.

Il clustering raggruppa, ad esempio, i clienti in segmenti in base alla somiglianza.

Il Data Mining consiste nell'estrarre conoscenze utili dai dati per risolvere i problemi aziendali.

La preparazione dei dati è il processo con cui i dati vengono manipolati e convertiti in una forma che produca risultati migliori.

La modellazione è una rappresentazione semplificata della realtà.

La modellazione analitica stima o classifica i valori dei dati tracciando una linea attraverso i punti dei dati storici.

L'apprendimento automatico è un insieme di approcci di modellazione predittiva.

Un set di dati di formazione è un insieme di dati utilizzati per addestrare un programma informatico a elaborare i dati per un modello decisionale.

Dati strutturati e non strutturati: pensate a nomi e indirizzi rispetto a immagini e video.

L'apprendimento supervisionato utilizza un insieme di dati di formazione per estrarre un insieme più ampio di dati. Ad esempio, per determinare quali clienti hanno probabilità di cambiare fornitore e quali invece lo hanno già fatto.

L'apprendimento non supervisionato impara da solo, senza l'uso di un set di dati di addestramento.

Problemi di dati che forse non conoscete

Ora abbiamo stabilito che conoscete già qualcosa di analitica e scienza dei dati. Anche se le parole di cui sopra potrebbero essere nuove per voi, speriamo che le definizioni di cui sopra vi siano state d'aiuto. E siamo solo all'inizio: Questo primer ha l'obiettivo di farvi conoscere tutti gli aspetti associati ai dati.

I dati non sono incontaminati e perfetti come probabilmente lo erano nei vostri corsi MBA. Sono disordinati, frammentati e difficili da gestire. Ma questo è il momento giusto per imparare a ottenere il massimo dai dati. Come ha recentemente affermato JoAnn Stonier, chief data officer di Mastercard, in occasione di una conferenza, "questo è un momento educativo per i leader aziendali che devono comprendere la qualità dei dati, i dati falsi, le distorsioni dei dati e il modo in cui questi problemi influiscono sul processo decisionale "³.

Sapere dove sono i dati

So che sembrerà incredibile, ma la maggior parte delle grandi organizzazioni legacy non sa quali dati possiede e nemmeno chi dovrebbe governare i dati e il loro utilizzo all'interno dell'organizzazione.

Le ragioni sono molteplici. I sistemi sono stati installati a pezzi e persino i data mart attivi sono stati implementati nel tempo per risolvere problemi discreti. La ricerca di Tom Davenport ha rilevato che l'80% del tempo dei data scientist è dedicato alla semplice scoperta e preparazione dei dati. Inoltre, meno della metà dei dati strutturati di un'organizzazione viene utilizzata attivamente nel processo decisionale. La realtà è che non esiste un catalogo di carte o una ricerca su Google per i vostri dati, a meno che non investiate nell'automazione.

Portare i dati dove servono

Una volta che il team scopre i dati necessari per l'analisi o il progetto di innovazione digitale, in genere è necessario spostare i dati dal luogo in cui si trovano a un posto dove possono essere analizzati.

Le attività sui dati sono tipicamente intensive e, pertanto, devono essere eseguite al di fuori dei sistemi transazionali. Un'altra ragione per eseguire queste attività in un luogo diverso è che i dati in questi sistemi sono spesso archiviati in un modo che non funziona per l'analisi analitica. Il trasferimento dei dati comprende le funzioni di comprensione dei dati, raccolta dei dati e spostamento dei dati. Ciò può anche comportare la trasformazione dei dati in modo che possano essere utilizzati per l'analisi.

Bontà dei dati

Durante il corso di statistica dell'MBA o di ricerca operativa, i dati con cui si lavorava erano pronti per essere utilizzati. Ma nel mondo degli affari, purtroppo, non è mai così.

Potrebbe trattarsi del modo in cui l'organizzazione ha creato i propri sistemi transazionali, o di attività di fusione e acquisizione che hanno dato origine a più fonti di dati disparate. Sistemi diversi spesso descrivono cose semplici in modo diverso. I campi e i formati dei dati, ad esempio quelli relativi alla regione o al paese, possono differire da una parte all'altra dell'azienda.

E può essere ancora peggio per i dati provenienti dalle apparecchiature di produzione. Queste apparecchiature possono produrre un numero come 70, ma non hanno i dati descrittivi per dire che 70 è una temperatura e a quale scala di temperatura appartiene. Mancano i dati sui propri dati, o metadati.

Un altro problema aziendale comune è la presenza di più record di clienti non integrati in sistemi diversi. Oltre a non sapere quale sistema abbia le informazioni corrette, un'applicazione può contenere alcuni campi che mancano in un'altra, rendendo ancora più difficile mettere insieme informazioni accurate.

Per questo motivo, è importante stabilire i proprietari dei dati e mettere in atto un programma per stabilire la governance e la qualità dei dati.

Sicurezza e privacy dei dati

Molto di ciò che è stato detto sulla protezione dei dati ha a che fare con la creazione di fossati e castelli attorno ai vostri dati. Ma proprio come nel Medioevo, la mentalità del castello alla fine è finita. Lo stesso vale per la protezione dei dati.

In un mondo di ecosistemi sempre più aperti, l'unico modo per mettere in sicurezza i dati e proteggere le informazioni di identificazione personale in essi contenute è proteggere i dati stessi e garantire che chiunque abbia le chiavi di quei dati possa vederne solo una piccola parte. Ciò richiede una governance e un'architettura dei dati, il che significa creare politiche sui dati e sulla privacy. Richiede ciò che Ann Cavoukian chiama privacy by design.

Per saperne di più su come la privacy by design può aiutare la vostra azienda a rispettare le normative sulla privacy dei dati e a conquistare i clienti, leggete il nostro ebook "Crescere i profitti e raggiungere la conformità con la privacy by design".

Come mettere in forma i dati

Per mettere in forma i dati, è necessario iniziare con la creazione di una pipeline di dati. "Una pipeline di dati raccoglie, immette, pulisce, integra, elabora e protegge i dati in modo sistematico, sostenibile e scalabile "⁴.

Come spiegano Iansiti e Lakhan, "l'idea di base della pipeline dei dati è quella di rendere disponibili alle applicazioni (dati) puliti e coerenti".⁵ I problemi che vengono risolti sono la messa in forma dei dati, la creazione di un'unica visione di clienti, dipendenti o fornitori e la preparazione dei dati per l'analisi.

Modellazione analitica

Una volta che i dati hanno preso forma, è il momento della modellazione. AI e gli algoritmi servono a trasformare i dati in valore. Storicamente, tale valore era rappresentato da un grafico o da un'analisi descrittiva. Ma oggi il valore è generato dalla capacità di generare una previsione dai dati. E la prevedibilità si basa sulla massima quantità di dati affidabili di cui un'azienda può ragionevolmente fidarsi e che sono disponibili per l'analisi.

Sebbene AI possa essere applicato a diversi casi d'uso, l'obiettivo è prevedere ciò che un utente desidera o sapere quando un'apparecchiatura dovrà essere sostituita. Il potere dell'apprendimento supervisionato, dell'apprendimento non supervisionato, dell'apprendimento rinforzato e di altri AI è quello di trasformare i modelli di business.

Come afferma Ming Zeng di Alibaba Group, "i nostri algoritmi possono esaminare i dati delle transazioni per capire quanto bene stia facendo un'azienda, quanto siano competitive le sue offerte in un mercato, se i suoi partner hanno un rating elevato e così via".⁶ In poche parole, AI può trasformare il modo in cui pensiamo ai modelli di business esistenti.

Diventare un leader incentrato sui dati

Come per tutte le cose che si vogliono realizzare in qualità di CEO, il punto di svolta per trasformare l'organizzazione in un leader dei dati "inizia dall'alto, con la motivazione e la formazione di una generazione di leader in grado di svolgere il duro lavoro necessario "⁷.

Se voi e il vostro team vi impegnate a favore dell'analisi, è molto più probabile che questa dia i suoi frutti. Tom Davenport afferma che "se dovessimo scegliere un singolo fattore per determinare il grado di analiticità di un'organizzazione, questo sarebbe la leadership".⁸

Gli amministratori delegati possono anche sostenere gli investimenti in tecnologie che supportano la democratizzazione dei dati - facilità d'uso, facilità di accesso e coinvolgimento di un gran numero di dipendenti di varie funzioni nell'utilizzo di dati affidabili come parte del loro lavoro quotidiano.

Per ottenere i migliori risultati, è necessario che l'analisi sia al centro delle vostre azioni e dei vostri pensieri. Non c'è esempio migliore di Brian Cornell di Target. Un articolo di Fortune Magazine lo ha descritto come assetato di conoscenza. Per esempio, Cornell ha creato un focus group ad hoc per le mamme di Target e ha visitato un negozio Target con loro, e dice di aver ricevuto da loro un feedback fantastico e genuino. Quindi, consiglio di rendere questo tipo di sete di conoscenza parte del vostro modello operativo come CEO.

Parole di commiato

Se siete stati svegli durante le lezioni di MBA, sapete qualcosa di analytics. Certo, ci sono problemi di dati che forse non conoscete, ma sono tutte cose che si possono imparare. L'importante è scavare e fare le domande giuste. Affrontate la raccolta dei dati come Brian Cornell, con una sete di conoscenza. Questo vi fornirà le informazioni e la mentalità necessarie per trasformare la vostra organizzazione in un'azienda orientata ai dati, il passo più importante per vincere la trasformazione digitale.

‍

Fonti:

1 Competere nell'era di AI, Marco Iansiti e Karim Lakhani, pag. 12

2 ibidem, pagina 25

3 Conferenza MIT CDOIQ, 18 agosto 2020

4 Competere nell'era di AI, Marco Iansiti e Karim Lakhani, pag. 58

5 ibidem, pagina 72

6 ibidem, pagina 37

7 ibidem, pagina 58

8 Analitica al lavoro, Thomas Davenport, pagina 57

‍