Attualità

Data Management, leva necessaria per prendere decisioni migliori

Oggi il business più efficiente è quello basato su decisioni consapevoli, ottenute con un data management di qualità. Con Sergio Fraccon di Horsa Group capiamo come raggiungere questo risultato

Pubblicato il 14 Apr 2021

Data Management

Nonostante gli investimenti fatti dalle aziende in tecnologie e piattaforme per ottenere il massimo dai dati in modo più flessibile, scalabile ed efficiente, il data management è ancora una grande sfida. “Questo perché oggi più che mai la complessità è aumentata e sono necessari approcci e soluzioni flessibili e scalabili che richiedono buona pratica e pianificazione per essere ottenute”, afferma Sergio Fraccon, Managing Director Analytics di Horsa Group.

Nell’economia digitale, è un fatto indiscusso che i dati rappresentino una base imprescindibile nel supporto alle aziende data-enabled, ovvero di quelle realtà in cui le decisioni sono “abilitate” dai dati. “Ma le informazioni disponibili crescono sempre di più perché anche le fonti da cui provengono sono sempre più numerose ed eterogenee – precisa Fraccon. – E spesso tali fonti non sono integrate fra loro o, ancor peggio, non sono certificate all’origine”. Inoltre, può capitare che certi processi raccolgano dati extra sistema, magari da fogli Excel o da applicazioni legacy, nate con l’azienda stessa e basate su logiche che non hanno recepito il mutato contesto di mercato in cui l’azienda opera.

È indubbio, inoltre, come mercati più volubili e organizzazioni più complesse richiedano spesso decisioni più connesse (una decisione ne impatta altre), informate, non monolitiche e assolute, contestualizzate (e quindi caratterizzate dalla situazione) e che possono e spesso devono mutare nel tempo. E in questo certo non aiutano i differenti fattori che impediscono di conoscere in anticipo in che modo e in che forma arriveranno le informazioni su cui poi si baseranno le decisioni.

foto Sergio Fraccon
Sergio Fraccon, Managing Director Analytics di Horsa Group

I processi che compongono il data management di qualità

Per abilitare l’utilizzo dei dati come supporto efficace alle decisioni è necessario garantire che, a monte, tali dati siano raccolti e strutturati con il necessario governo, indifferentemente dalla forma e qualità che queste informazioni sottendono. “Questo è un aspetto che viene spesso sottovalutato dalle aziende”, sottolinea Fraccon. Che aggiunge: “Per garantire il giusto supporto nel prendere le decisioni, ci sono le tecnologie e le buone pratiche garantite dal data management, e prima ancora dalla Data Governance, che migliorano visibilità, affidabilità, sicurezza, scalabilità e in ultima istanza l’ “utilizzabilità” del dato stesso”.

Con il termine data management si sottintende infatti un insieme di attività che consentono di raccogliere informazioni eterogenee da fonti differenti e in tempi e modi diversi, di organizzarle, di integrarle, di validarle e di certificarle. Più in dettaglio, il data management è costituito da alcuni elementi di base come la Data Integration, la Data Preparation, la valorizzazione del metadato e da tutti gli strumenti che permettono di immagazzinare i dati come data warehouse, data lake o data hub. A questi si aggiunge la Data Governance, ovvero l’insieme delle pratiche e processi relativi alla gestione del dato che avvengono sia all’interno sia all’esterno dell’organizzazione.

“Di data management si parla ormai da anni ed è un’attività che spesso risulta meno evidente e quindi necessaria al management delle aziende rispetto ad esempio a quelle che riguardano il front-end, ovvero il consumo dei dati, ma oggi è sicuramente più critica – sostiene Fraccon. – Questo perché l’attuale economia digitale richiede, anzi pretende, una molteplicità di data producer che comportano inevitabilmente fonti assolutamente eterogenee, gravità dei dati differenti (il cloud e l’on premise), l’esigenza di dati più aggiornati, talvolta anche in real time, e l’ottemperare ad esigenze normative e di sicurezza nel trattamento del dato sempre più imprescindibili e in contesti di “data platform” estesi e liquidi.

Va da sé quindi che un data management moderno debba assicurare visibilità, affidabilità, sicurezza e scalabilità secondo dei paradigmi adatti alla realtà attuale.

In pratica, si dovrebbe avere ampia visibilità sul processo di generazione, modifica e utilizzo dei dati, rendendoli connessi, contestualizzabili e disponibili quando e dove necessari.

Le direzioni aziendali dovrebbero considerare le buone pratiche di data management, e in senso più esteso di data governance, fra gli elementi fondanti necessari ad incentivare l’utilizzo dei dati e stimolare il pensiero critico che ne viene abilitato. Parlare di dati implica, come si diceva, anche riflettere sulla loro sicurezza in senso esteso; occorre adottare una pratica, la data security, che deve essere attuata con efficacia sia per il valore che i dati sintetizzano in sé, sia per soddisfare le disposizioni normative, diventate particolarmente coercitive con l’introduzione nel 2018 del GDPR. Infine, la flessibilità deve essere conforme a quanto impongono gli attuali contesti, e non più legata alle soluzioni monolitiche di qualche anno fa: molto solide, ma poco resilienti, rispetto alle esigenze di un panorama economico che cambia molto velocemente.

Come il data management migliora le decisioni

Un data management di qualità acquisisce un’importanza strategica per il business aziendale. Infatti, offre un supporto che consente di prendere decisioni migliori, più accurate, più inclusive, trasparenti e personalizzate. Questo vale sia per le decisioni particolarmente critiche che devono essere prese in autonomia dalle persone (basate su giudizio ed esperienza ma che utilizzano il dato di sintesi come supporto), sia per le decisioni prese a fronte del mix di analisi umane, più legate alla comprensione del contesto, con l’elemento di giudizio delle macchine, connesso alla logica e al pensiero sistematico. Parliamo in questo caso di Decision Augmentation (gli algoritmi suggeriscono delle azioni, raccomandazioni che il manager valuta). Ma vale anche, e soprattutto, per le decisioni prese in automatico dagli algoritmi, sulla base di previsioni o simulazioni; una pratica conosciuta come Decision Automation.

E per permettere di accelerare la “reingegnerizzazione delle decisioni” secondo i paradigmi evidenziati è indispensabile garantire un data management moderno, che estenda l’approccio tradizionale di integrazione dati e disegno di architetture data & analytics

Le buone pratiche di data management

Più che un processo fine a sé stesso, il data management, parte integrante della più ampia Data Governance, diventa una vera e propria filosofia aziendale. E in quanto tale deve essere compresa e accettata da tutta l’organizzazione. Il suo impatto all’interno di un’impresa avviene infatti su più dimensioni, che integrano il processo di definizione della strategia sul dato:

  • impatto sul business: si parte da una chiara analisi delle principali aree aziendali che possono beneficiare di maggior supporto dei dati per prendere le decisioni, rappresentando le priorità. Si analizzano quindi con estrema attenzione le sorgenti e i processi che li generano e ci si focalizza sulla qualità e sull’integrazione delle fonti fra loro;
  • impatto sulle persone: è necessario avere ben chiare le responsabilità di validazione delle fonti e le necessità informative: chi deve accedere al dato, quando e perché? Sono disponibili in casa tutte le competenze per supportare un’evoluzione di questo tipo?
  • impatto normativo: in tutto ciò non va dimenticata la componente normativa, ponendo al di sopra di tutto ogni aspetto concernente la privacy;
  • impatto sulle tecnologie: la reingegnerizzazione del processo decisionale è prima di tutto un esercizio orientato agli impatti sul business e sulle persone, ma non dovrebbe essere sottovalutata la componente tecnologica. Il fattore chiave del successo non sta solo nel portare nuove tecnologie, ma nella valorizzazione delle tecnologie più adeguate al contesto, in uno scenario nel quale si sta imponendo la logica del Data Fabric che estende le vecchie pratiche con maggior attenzione al metadato e all’utilizzo dei dati per creare “composable analytics application” . Secondo i dati di Gartner, entro il 2023 il 60% delle organizzazioni utilizzerà componenti di analytics e data management a partire dalle soluzioni di tre o più vendor per comporre applicazioni analitiche in grado di connettere insights con azioni.(Top Trends in Data and Analytics for 2021: Composable Data and Analytics, Gartner, 16 Febbraio 2021)

In conclusione: prima la consapevolezza, poi le decisioni migliori

Per chi desidera implementare una strategia di data management, Sergio Fraccon sottolinea che “è facile e spesso di moda dire: prendiamo delle decisioni abilitate dai dati; ma per arrivare a questo risultato bisogna avere la consapevolezza che a monte c’è molto lavoro da fare. Il processo è complesso e va pianificato anche in base alla maturità dell’azienda e alla sua coerente capacità di digerire gli step da affrontare nel tempo. Prima di avviare il percorso, è necessario come sempre definire chiari obiettivi che considerino gli impatti sul business (che detta l’agenda), sulle persone (cultura, responsabilità e nuove pratiche di decision making) e sulla tecnologia (le nuove tecnologie, le nuove opportunità, con l’esperienza della buona pratica). E tutto ciò componendo, oltre che nuove applicazioni analitiche, anche l’approccio di breve termine con la visione più ampia nel percorso di crescita dell’azienda nell’uso consapevole dei propri dati”.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati