Big data: cosa sono e come gestirli in 4 mosse

Senza dati e analytics ‘sostanziosi’ l’azienda ‘vola un po’ alla cieca’. Se un’affermazione del genere era valida già anni fa, immaginiamo il valore che racchiude oggi dove i dati sono … big data, non sono più custoditi all’interno delle fortezze aziendali, non sono più generati solo dalle persone interne all’impresa ma, soprattutto, rappresentano la ‘linfa vitale’ ormai per ciascuna funzione di business.

Cosa sono i big data: definizione

Cosa sono i big data? La definizione big data fa riferimento sia al mondo della statistica sia a quello dell’informatica, indica infatti la raccolta di una tale quantità di dati (caratterizzata da un grande volume, ma anche da ampia varietà) da rendere necessario l’utilizzo di metodi analitici e tecnologie specifiche per essere trattati e fare in modo che vi si estragga valore e conoscenza. Sempre più in informatica il significato di big data si estende alla capacità di mettere in relazione dati eterogenei, strutturati e non strutturati, con l’obiettivo di scoprire legami e correlazioni tra fenomeni diversi per poi compiere previsioni.

La necessità del Big data management

“I dati sono un asset critico virtualmente per qualsiasi tipo di funzione aziendale, incluse ricerca e sviluppo, operations e finance… non solo per le Lob – line of business che più tradizionalmente hanno sfruttato la Business Intelligence come marketing e vendite” faceva notare già qualche anno fa Mike Gualtieri, principal analyst di Forrester nel report Four steps to a Data Management strategy in light of Big data.

Ed è per questa ragione che il Big data management non può essere approcciato come in passato, quando le priorità si ‘riducevano’ ad una governance del dato a livello It e alla sua fruizione da parte di alcuni utenti ‘ristretti’. Oggi gli scenari sono cambiati e una corretta strategia di Big data management, scriveva Gualtieri insieme al ricercatore Nasry Angel, co-autore del report, dovrebbe tenere conto di alcune importanti considerazioni (che Forrester suggerisce addirittura come vere e proprie ‘raccomandazioni’):

1. le fonti di dati continuano ad evolvere e crescere: ‘ondate’ di nuovi dati continuano a essere generate non solo dalle applicazioni aziendali interne ma da risorse pubbliche (come per esempio il web e i social media), piattaforme mobile, data services e, sempre di più, da cose e sensori (IoT-Internet of Things basti pensare che secondo l’Osservatorio Internet of Things della School of Management del Politecnico di Milano l’adozione dell’IoT in settori come la Smart Home e l’Industrial IoT cresceva nel 2018 rispettivamente del 52% e del 40%, ciò significa che aumenteranno i dati generati dai dispositivi collocati in questi ambiti in maniera esponenziale). “La strategia di Big Data Management non può non tenere conto di questi aspetti, spesso ricondotti alle caratteristiche di volume, velocità e varietà dei Big data in continua crescita ed evoluzione. Per le aziende diventa fondamentale riuscire, secondo una logica di continuous improvement, a identificare le nuove fonti e incorporarle nelle piattaforme di Data management”, commentavano i due analisti;
2. catturare, gestire e archiviare tutti i dati aziendali per preservare storia e contesto: i dati depauperati del contesto servirebbero a poco, “sarebbe come entrare in un Museo pieno di reperti senza alcuna descrizione o indicazione della loro natura”, hanno commentato ironicamente Gualtieri e Angel. “Non si riuscirebbero a capirne la provenienza, l’utilizzo, i benefici o addirittura la ‘legittimazione’, ossia la veridicità, rendendo così impossibile il loro utilizzo”. Nell’era dei Big data diventa quindi fondamentale riuscire a ‘catturare’ e archiviare tutti i dati utili all’azienda e poiché la loro utilità spesso non è valutabile a priori, diventa una sfida riuscire ad averli tutti a disposizione (alcuni dati che potrebbero risultare irrilevanti nel contesto aziendale attuale, come per esempio i dati mobile dei Gps, potrebbero in realtà essere pertinenti con gli obiettivi di business futuri). “Fino a qualche anno fa gli sforzi e i costi per riuscire a catturare e mantenere tutti questi dati erano eccessivi”, si legge nel report di Forrester, “ma oggi tecnologie innovative e a basso costo come Hadoop hanno reso possibile tale approccio”;
3. analizzare scientificamente i dati per ‘arricchirli’ di significato utile e ‘non ovvio’: l’obiettivo della big data analysis non è generare report su ciò che è accaduto ma comprendere come questo possa aiutare a prendere decisioni migliori. Ciò significa cambiare il modello di big data analysis optando per approcci cosiddetti ‘descrittivi’, ‘predittivi’, ‘prescrittivi’, ossia sfruttando la big data analytics attraverso cui generare ‘insights’, conoscenza utile ai processi decisionali (anticipando per esempio i bisogni del cliente conoscendone in real-time preferenze e abitudini). Riuscire in questo obiettivo richiede nuove competenze, a partire dai data scientist; inoltre, significa utilizzare tecniche di intelligenza artificiale, tecnologie analytics big data, algoritmi di machine learning, advanced visualization tools, data mining, riconoscimento di pattern, elaborazione del linguaggio naturale, signal processing e implementare le più avanzate tecnologie hardware per realizzare le piattaforme tecnologiche che cercano di imitare il cervello umano: tutto ciò genera informazioni utili e ‘non scontate’ a sostegno della competitività e redditività aziendali;
4. rilasciare dati velocemente e liberamente a tutti coloro che hanno necessità: può sembrare un’ovvietà ma sappiamo bene come la storia dell’It abbia dimostrato quanto l’approccio ‘a silos’ valga anche per i dati, spesso risiedenti in database non condivisi e difficili da integrare. Per superare tali barriere, sarà sempre più necessario, scrivono gli analisti di Forrester, dotare le piattaforma di Data management di funzionalità innovative attraverso le quali poter rendere disponibili e accessibili i dati lungo tutti i livelli aziendali.

Big data management: visione e pragmatismo insieme

Il minimo comun denominatore di tutte queste ‘raccomandazioni’ è rappresentato dal fatto che, nella visione di Forrester, una strategia di gestione dei dati efficace deve ‘servire’ il business fornendo agli utenti un accesso completo e rapido a tutti i set di dati necessari non solo rispetto al presente contesto aziendale ma anche in virtù di quelli che potrebbero essere gli scenari futuri. La domanda chiave diventa quindi “come impostare una next-generation strategy di Data management che sia al contempo pragmatica e visionaria?”. La risposta la forniscono Gualtieri e Angel: “la strategia è da vedersi come un action plan di alto livello che può essere preparato in soli quattro passi”.

Step 1: individuare i giusti stakeholders

All’interno di un’organizzazione molte funzioni di business possono avere interessi e bisogni comuni rispetto all’accesso e all’utilizzo dei dati, ma ciascun utente avrà comunque esigenze tipiche della propria funzione che lo contraddistinguono dagli altri. Ma tali utenti come possono sapere qual è il giusto interlocutore cui rivolgersi per avere supporto e garantirsi l’accesso ai dati necessari? Secondo gli analisti di Forrester solo l’It è in grado di fornire il supporto richiesto, ma non in autonomia. Per affrontare correttamente questa prima fase strategica, infatti, sarà necessario ‘assemblare’ dei working group di ‘data subject-matter experts’ lungo tutte le divisioni e funzioni di business dell’azienda, ossia stabilire dei team con competenze diversificate (prevalentemente competenze It inserite all’interno delle Lob) attraverso i quali identificare esigenze e ownership all’interno dell’organizzazione. In particolare, l’It dovrà mettere in campo le seguenti figure/competenze:

1. chief data officer, un leader di livello executive che interagisce con il top management e le Lob per identificare dove indirizzare gli investimenti e le strategie di Data governance rispetto alle aspettative e agli obiettivi di business;
2. data governance program leader, un esperto che guida il governo dei dati in funzione delle piani e delle policy stabilite; è colui che stabilisce i programmi e le regole della data governance;
3. business data steward, l’elemento che fa ‘da cuscinetto’ tra le esigenze degli utenti e le regole di data governance e gestione tecnologica; questo soggetto deve continuamente verificare le esigenze delle line of business, capire se ci sono opportunità di miglioramento a livello tecnologico e come eventualmente migliorare l’efficacia dei dati rispetto al loro utilizzo negli analytics e nei processi operativi;
4. enterprise/information architect, colui che ha la responsabilità di mantenere sotto controllo tutti gli aspetti relativi alla gestione di regole, procedure, tecnologie necessarie ad automatizzare il Data management;
5. business data analyst, ossia gli analisti in grado di interpretare i dati e stabilire quindi quali possono essere utili o meno al business.

Step 2: effettuare un assessment dei reali bisogni

Una volta creato il team (o più d’uno) che riunisce i corretti stakeholders cui rivolgere necessità ed obiettivi rispetto all’utilizzo e all’analisi dei dati, è fondamentale capire quali sono i reali bisogni cui il team di esperti è chiamato a dare supporto. Innanzitutto, si legge nel documento di Forrester, sarà bene analizzare e comprendere qual è il reale e corrente ‘business use case’ dei dati, ossia come vengono utilizzati, da chi, in che modo e in risposta a quali esigenze. In questa prima fase dell’assessment, suggeriscono Gualtieri ed Angel, è importante fornire tutti i massimi dettagli circa il profilo degli utenti, le transazioni It e l’utilizzo degli analytics, in modo da poter ricostruire l’origine e il flusso dei dati lungo tutte le architetture tecnologiche. In una seconda fase, l’assessment dovrebbe poi proseguire con la definizione degli use case futuri, ossia con l’identificazione dei possibili requirement futuri cui l’It potrebbe essere chiamato a rispondere. In linea di massima, tranquillizzano i ricercatori, esistono due tipi di ‘richieste future’:

1. un più efficace link ai dati a supporto di processi di business chiave (che tradizionalmente hanno usufruito poco dei dati custoditi nei sistemi It tradizionali ma che con l’avvento dei Big data potrebbero trovare nei dati informazioni utili sul piano organizzativo e di processo);
2. un utilizzo massivo di funzionalità analitiche nuove con l’obiettivo di generare più insights di business.

Step 3: capire quali sono gli elementi strategici

Una volta chiariti chi sono gli interlocutori e comprese le necessità, non resta che valutare le possibili opzioni di intervento. “Questa è la fase in cui si compone il puzzle”, hanno scritto Gualtieri e Angel, “perché è da qui che si stabiliscono gli elementi chiave della strategia di Data Management che potremmo riassumere in tre categorie: gli imperativi di business (esigenze ed obiettivi); gli aspetti tecnologici architetturali; la roadmap implementativa”.

Rispetto alla prima chiave strategica, il team di esperti dovrà tenere conto di elementi quali l’impatto della strategia di Data management sugli utenti (clienti, business, Lob, eccetera), i processi di business interni, la struttura organizzativa, i rischi, la misurazione dei successi e via dicendo. In funzione degli aspetti tecnologici, chi si occuperà di Data management non potrà non tenere conto delle architetture esistenti, della loro evoluzione ed eventuale integrazione con tool più innovativi; non solo, anche dalla prospettiva It diventano fondamentali elementi quali l’organizzazione, i processi, i costi ed i rischi associati alla strategia di gestione dei dati. Infine, rispetto alla roadmap implementativa, gli elementi chiave da prendere in considerazione sono senz’altro le risorse disponibili (economiche ma anche asset e persone) nonché il valore generato non solo dalla strategia nel suo insieme ma anche dalla pianificazione e programmazione dei singoli progetti.

Step 4: dare priorità alle opzioni strategiche individuate

Una volta compresi gli elementi chiave della strategia, non resta che definirne le priorità in modo da iniziare un percorso di trasformazione graduale in grado di generare risultati tangibili anche nel breve periodo. Per non correre il rischio di considerare tutto prioritario e urgente, come spesso accade, gli analisti concludono il report suggerendo alcuni piccoli accorgimenti:

1. esaminare le varie opzioni emerse dall’analisi degli elementi strategici con tutti gli stakeholders, non solo i team It ma anche le line of business e gli utenti non necessariamente coinvolti direttamente in un processo o progetto per avere una vista d’insieme oggettiva e incondizionata;
2. valutare gli impatti di ciascun progetto sia sul piano organizzativo sia dalla prospettiva economica, dei rischi e dei tempi di realizzazione;
3. formulare più ‘use case’ per ciascun progetto strategico in modo da poter avere più opzioni disponibili e più elementi utili per decidere come procedere.

Le tendenze relative ai dati nei Top Trend 2020 di Gartner

Nel contesto dei Top trend tecnologici 2020 elaborati da Gartner è interessante notare che l’argomento dati si inserisce nel filone “Democratizzazione”. Gartner ritiene infatti che gli strumenti per la gestione dei big data stanno espandendo da tool dedicati a data scientist a mezzi pensati per la comunità di sviluppatori professionali. Non solo.

Sempre nel documento che riporta i top trend tecnologici 2020 della società di analisi emerge un altro trend ovvero che il 75% dei dati generati da ciascuna azienda sarà creato e analizzato al di fuori del perimetro aziendale grazie alla diffusione dell’edge computing.