I riflettori puntati sui dati all’interno dei piani aziendali hanno portato a un aumento degli investimenti nel settore Big Data e Analytics. A questo, però, non ha corrisposto lo stesso impatto nel cambiamento delle abitudini nelle persone tra diverse aree di business. Sono di varia natura le motivazioni per le quali ancora tantissime realtà non possono sostenere con convinzione di aver adottato una cultura aziendale che ponga i dati al primo posto (Data Driven Culture). La resistenza al cambiamento, la scarsa fiducia e il ritorno economico stanno portando a un periodo di profonda riflessione nei leader che hanno come obiettivo quello di guidare la trasformazione digitale, spostando il focus dalla tecnologia, alle persone.
Indice degli argomenti
Cos’è la Data-Driven Culture
Durante gli ultimi 10 anni, quasi tutte le organizzazioni hanno posto al centro dei propri obiettivi strategici, con crescente frequenza, quello di diventare data-driven. Diventare quindi una realtà in cui è pratica comune prendere la maggior parte delle decisioni grazie all’ausilio di strumenti che usano diverse sorgenti informative per guidare la scelta migliore. Ciò significa abbracciare in maniera olistica la gestione del dato aziendale in tutte le sue forme, qualsiasi sia il fine ultimo che l’azienda stessa vuole perseguire: basare la sicurezza della propria catena produttiva sul machine learning, guidare il marketing attraverso campagne automatizzate, fornire assistenza clienti tramite servizi di intelligenza artificiale e così via.
Le realtà che hanno intrapreso questo faticoso percorso hanno probabilmente sottostimato lo sforzo necessario e, purtroppo, è spesso chiaro come queste stiano rallentando il passo.
Un semplice esercizio per capire quanto la nostra società sia realmente data-driven è quello di chiedersi “se perdessi l’accesso agli strumenti con cui recupero i dati aziendali (analytics, BI,…), come ne risentirebbe la mia operatività nel day-by-day?”. Meno impattante è l’effetto, più siamo lontani dall’avere processi di decisioni data-oriented.
Quanto riportato in una survey di Gartner del 2018 evidenzia come per i team di Data e Analytics creare una cultura data-driven sia considerato il principale obiettivo da conseguire. A supporto di questa ricerca ci sono i sempre crescenti investimenti in materia di strumenti/consulenze in ambito dati.
Tuttavia, sono diversi gli studi che mostrano numeri poco confortanti in termini di soddisfazione sui risultati raggiunti. Nonostante nel mondo si stimano siano stati spesi (nel solo 2018) 1,3 trilioni di dollari in iniziative di Digital Transformation, ben il 70% di queste non hanno raggiunto pienamente gli obiettivi inizialmente prefissati (Forbes). Una survey condotta da Deloitte, insieme a professionisti senior in ambito dati, ha invece evidenziato come il 63% di questi non crede che la propria company sia realmente data-driven, ma fermamente ancorata a vecchi processi decisionali.
Un’approfondita ricerca di New Vantage Partners, che ha visto come protagonisti diversi C-level in ambito BI/Analytics/Big Data nel settore americano, mostra come, seppur il 92% di questi dichiari un’accelerazione negli investimenti in settori come AI e Big Data, nel 2019 solo il 31% ritenga che la propria realtà aziendale sia guidata dai dati (erano il 32% nel 2018 e il 37% nel 2017). Sempre in questo documento emergono altri risultati allarmanti:
- il 72% ritiene che non esista ancora una vera e propria cultura del dato
- il 53% sostiene che i dati non siano ancora trattati come un vero e proprio asset di business
- il 52% ammette che non traggono reale valore competitivo dagli analytics
Quindi come mai è così difficile stabilire una cultura data-driven e perché, nonostante i notevoli investimenti, in tanti stanno faticando a vedere dei risultati tangibili?
I pilastri della Data Driven Culture
Per poter capire quali sono le principali cause per le quali la cultura del dato fatica a far breccia, occorre fare chiarezza sui principi che ne stanno alla base.
Vision
La sponsorizzazione di iniziative data-driven deve arrivare dall’alto. È chi guida l’azienda che deve, con l’esempio, guidare il cambiamento ispirando il business facendogli capire come questo sia necessario e come cambierebbe in positivo il loro approccio al decision making.
Comunicazione
È una derivata prima del punto precedente. Una corretta comunicazione dalla leadership aziendale su quelli che sono i risultati da conseguire con relative tempistiche è un passo fondamentale per chiarire che l’uso dei dati arricchirà l’expertise all’interno dell’azienda. Allo stesso tempo, anche il business dovrà supportare il cambiamento aiutando a capire quali sono i punti di forza e le aree di miglioramento dei processi esistenti.
Iterazione
Avviare il cambiamento iniziando con dei progetti quick-win, dei prototipi, nei quali si crea velocemente un prodotto (o processo/automatismo), andandolo a migliorare in maniera agile e iterativa confrontandosi con il business, per poi arrivare a qualcosa di solido che può essere adottato a pieno e replicato su altre aree/funzioni.
Accesso e univocità
Facilitare l’accesso ai dati aziendali a tutti i livelli, favorendo analisi self-service, regolato da una opportuna Data Governance e da una chiara documentazione (dizionari, cataloghi). I dati acceduti dovranno essere coerenti e rappresentare una “singola versione della verità” aziendale, evitando che l’uso delle informazioni avvenga in modalità a silos.
Pulizia
La poca pulizia del dato causa una difficoltà di utilizzo, scarsi risultati di analisi e genera scarsa fiducia nello stesso, per questo è fondamentale includere iniziative di Data Quality Management per supportare analisi efficaci.
Training
È importante che tutti i livelli aziendali, siano formati su cosa significa trattare il dato. Ogni livello avrà peculiarità che dovranno essere approfondite: dalle questioni legate alla privacy (vedi GDPR) a quelle relative all’accesso e alla manipolazione del dato stesso stesso.
Le company che sono riuscite a puntare su questi concetti sono quelle che sono partite dai fondamentali, cambiando il mindset dei propri dipendenti.
Ostacoli alla diffusione della Data Driven Culture
Quali sono quindi le cause principali che rendono così difficile infondere questo tipo di cultura?
Prima gli strumenti
Questo è uno dei principali errori che viene fatto: prendere la strada più facile. La strada più facile solitamente è rappresentata dall’introduzione di uno o più strumenti (di analytics, discovery, data quality…) sperando in un utilizzo in massa da parte degli utenti.
Si stima che una fetta sempre maggiore di C-level in ambito analytics ritenga le persone il principale fattore di rischio nella corsa alla trasformazione digitale insieme ai processi, mentre la tecnologia è risulta un problema a margine. Questo aspetto risponde all’andamento divergente tra investimenti e risultati.
Partecipa alla community