Il percorso che conduce alla data-driven company è stracolmo di sfide. Per quanto la trasformazione culturale (data culture) sembri la più ardua da affrontare, le sottostanti tematiche tecniche non sono certamente banali. Infatti, il passaggio da architetture monolitiche e silos di dati a quello basato su modelli sistemici, distribuiti ed enterprise-wide non si realizza in tempi record, e soprattutto presuppone un cambio di visione circa il valore del dato e il suo impatto sul futuro dell’azienda.
D’altronde, nell’era dei volumi e delle varietà di dati, nonché delle complesse architetture ibride, adottare un approccio sistemico alla gestione e valorizzazione del dato è l’unico modo per ridurre la distanza tra il ‘producer’ e il ‘consumer’, ma soprattutto per accorciare il time-to-insight e costruire su di esso una differenziazione competitiva.
Il tutto, fino a generare quella democratizzazione del dato che rappresenta, di fatto, uno degli step finali nel cammino verso la data driven company. I numeri parlano chiaro: avendo realizzato il legame profondo tra la valorizzazione del dato e il vantaggio competitivo, il 93% delle imprese continuerà in futuro ad investire in data & analytics (fonte: EY).
Un nuovo approccio al dato: data product o data as-a-product?
Tra tutte le trasformazioni che l’azienda deve intraprendere, è significativa quella che riguarda l’approccio al dato, un argomento molto ampio nel quale si innestano i temi del data product e del data as-a-product, che di fatto rispondono a due concetti distinti.
Il data product, secondo la definizione di DJ Patil (ex Chief Data Scientist degli Stati Uniti) è un prodotto che “semplifica il raggiungimento di un obiettivo attraverso l’uso dei dati”. La definizione, tratta dal suo libro Data Jujitsu: The Art of Turning Data into Product del 2012, è considerata da molti un po’ troppo ampia, tanto che oggi si preferisce pensare al data product come ad un prodotto il cui “scopo primario è usare i dati per facilitare il raggiungimento di un obiettivo”. In tal senso, sono data product un’auto a guida autonoma, Google Analytics, le funzionalità di classificazione e ricerca di Gmail (ma non Gmail in sé), un sistema di reportistica aziendale, un modello di analisi (ad esempio per la manutenzione predittiva), un data warehouse e via dicendo.
Data as-a product è invece un concept, una metodologia che spiega come i data team possono (o dovrebbero) creare valore all’interno dell’organizzazione. Negli anni si sono succedute molte definizioni, ma il concetto resta quello dell’applicazione dei principi dello sviluppo di prodotto (risposta a bisogni non soddisfatti, agilità, riusabilità…) ai dati, così da ottenere più scalabilità, qualità e velocità. Il titolo dell’articolo di Jeff Davis “Approach Your Data with a Product Mindset” disegna perfettamente il significato della metodologia.
Dal progetto di dati al prodotto di dati
La modernità del data as-a-product emerge quando lo si compara con l’attuale approccio aziendale alla valorizzazione del dato. Oggi si parla di progetto di dati poiché, come spiega bene Accenture nello studio Building Data Products as a Competitive Advantage, il progetto è avviato da una certa funzione aziendale e, in tutte le fasi, ruota attorno al soddisfacimento di una specifica esigenza.
L’identificazione dei dati e delle sorgenti, l’acquisizione, la preparazione, lo sviluppo e l’applicazione dei modelli fanno parte di un’unica pipeline, indirizzata a uno scopo ben preciso. Il progetto di dati si sposa con le attuali logiche a silos, ma non eccelle a livello di efficienza: richiede tempo, progetti diversi portano a lavori duplicati e, soprattutto, l’esito non ha caratteristiche di riusabilità, non può essere cioè adattato ad altri use case, né riutilizzato o venduto a stakeholder interni o esterni.
I limiti dell’approccio a progetto vengono superati proprio con il data as-a-product, che però non richiede solo un product mindset, ma anche un’infrastruttura dati in grado di dare concretezza a tale approccio. La logica a silos, sedimentata nel tempo, deve necessariamente lasciare spazio a un approccio sistemico, a una piattaforma o a un ecosistema di dati che si estenda (con governance e logiche di data quality integrate) in tutta l’azienda, a prescindere dalla sua complessità organizzativa e delle architetture IT. Da tale esigenza traggono origine tutte le evoluzioni in termini di data platform, data fabric e data mesh.
Sulla base di questa piattaforma o dell’ecosistema definito precedentemente, i data team costruiscono dei prodotti riutilizzabili che rispondono a concrete esigenze di business, li pubblicano nei marketplace o negli store aziendali e ne permettono la fruizione da parte di diverse funzioni di business, che li potranno adattare e comporre in funzione delle proprie necessità. In questo modo, si creano dei sottoprodotti finalizzati a indirizzare necessità specifiche partendo da elementi core riutilizzabili.
In questa accezione, i “prodotti” possono essere dataset, modelli di dati e di analisi (es, modelli di Machine Learning), dashboard, API e molto altro. Il concetto del data marketplace è centrale in questo modello, poiché identifica non solo il punto d’accesso ai prodotti, ma anche l’estensione del concept a tutta l’enterprise. In quanto prodotti a tutti gli effetti, i data product necessitano di una governance adeguata, di policy di sicurezza, di una ownership cristallina e di un lifecycle management come tutti gli altri prodotti.
Dalla riusabilità al ROI: i benefici del data as-a-product
Nel documento citato, Accenture sottolinea quanto un approccio di questo genere porti benefici in termini di ROI e di cost-per-use rispetto ai tradizionali progetti di dati, nonostante i costi iniziali possano essere ben superiori. Il concetto di riusabilità, che tra l’altro è un elemento di differenziazione tra data as-a-product e data as-a-service (DaaS), è ciò che disaccoppia il dato dall’applicazione, permettendogli di servire svariati scopi e obiettivi, oltre che di abbattere i data silos. Seguono benefici evidenti in termini di velocità (il time-to-insight), di fiducia nel dato e di accessibilità, oltre che vantaggi economici. Il data product, realizzato da un data team dedicato, può infatti essere acquistato da un’altra business unit, adattato e arricchito di funzionalità ad hoc, generando un circolo virtuoso che porta a nuovi investimenti in innovazione.
