Hugo Bowne-Anderson, data scientist ed educatore in DataCamp, ha recentemente tenuto un webinar sulle cinque cose che i leader aziendali devono sapere sulla strategia dei dati. Qui trovi un riassunto del webinar, oppure guarda il webinar on-demand.
1. La regola 80/20 per la data science
La regola 80/20, nota anche come principio di Pareto, afferma che, per molti fenomeni, circa l’80% degli effetti deriva dal 20% delle cause. Nel 2018, ad esempio, circa l’80% delle imposte negli Stati Uniti è stato pagato dal 20% dei contribuenti con redditi più alti. Applicata alla data science, la regola di Pareto significa che il lavoro svolto nel 20% del tempo genera l’80% dei risultati. Quindi, quando stabilisci le priorità nella tua strategia dei dati, devi concentrarti su ciò che crea davvero valore.
Concentrati su ciò che sposterà l’ago della bilancia
Spesso, i leader aziendali sono attratti da argomenti di tendenza come il deep learning, il machine learning (ML) e l’AI. Ma ci sono aree più basilari su cui dovresti concentrarti prima e che possono portare a grandi risultati, come queste:
- L’infrastruttura dati è necessaria, ma il ritorno potrebbe non essere immediato. Aziende come Spotify hanno migliorato la scoperta dei dati unificando le fonti. Dare priorità all’infrastruttura dati può aiutare a evitare standard diversi tra i silos, prepararsi meglio a iniziative future e generare viste e dashboard coerenti.
- Le best practice per il servizio clienti includono l’instradamento delle chiamate nei call center, i modelli di churn dei clienti e la conversational AI.
- I modelli di propensione alle vendite sono importanti per i team di vendita e marketing.
La business intelligence genera l’80% del valore
Potresti chiederti: “Su quale tipo di analytics aziendale dovrei concentrarmi per primo?” Il principio di Pareto può aiutarti:
- Le analytics descrittive, o business intelligence, rappresentano l’80% del valore per molte aziende. Si tratta di prendere i dati che la tua azienda già possiede e portarli alle persone giuste nella forma in cui possano consumarli e utilizzarli. Questo significa dashboard, report ed email. Sfida: se vuoi davvero spostare l’ago della bilancia, individua cinque progetti di analytics descrittive che possano guidare le tue decisioni e ordinali per importanza.
- Le analytics predittive, o ML, servono a prepararsi al futuro prevedendo cosa accadrà. Il ML è il ramo delle analytics predittive che utilizza algoritmi statistici snelli per prevedere il futuro a partire dalle informazioni esistenti e individuare relazioni e insight—pensa al motore di raccomandazione di Netflix.
- Le analytics prescrittive, o decision science, sono la fase finale delle analytics aziendali, in cui si anticipa cosa, quando e perché certi esiti si verificheranno—e si determina cosa fare con quell’informazione. Applicano i dati al processo decisionale. Nel nostro podcast DataFramed, Cassie Kozyrkov, Chief Data Scientist di Google Cloud, spiega il legame tra decision intelligence e data science.
2. Perché il big data non è poi così “big”
Grandi risultati con small data
Esistono molti modi per definire il big data. Hugo propone una buona definizione operativa di big data:
Il big data è una quantità di dati di gran lunga superiore a quella che puoi archiviare su un laptop o su un singolo hard disk: qualcosa che richiede la distribuzione su cluster di computer per essere archiviato, elaborato, trasmesso e analizzato.
Aziende come Google hanno sfruttato il big data con grande efficacia, generando anche parecchio clamore. Ma, secondo Hugo, lo small data può in realtà produrre risultati molto validi e non dobbiamo farci trascinare dall’hype.
Un buon modo per pensare al big data è tramite il Gartner Hype Cycle. Se usiamo Google Trends come proxy delle aspettative, abbiamo superato il Picco delle Aspettative Esagerate e stiamo scendendo verso il Baratro della Disillusione.
Fonte: Wikipedia
Quindi, la domanda è: può bastare lo small data? Per Hugo la risposta è sì. Non servono montagne di dati—servono dati piccoli e ad alta precisione. Ad esempio, Tycho Brahe, astronomo danese, raccolse solo circa 2.000 punti dati che consentirono a Johannes Kepler di formulare le tre leggi del moto planetario, da cui poi derivò la teoria della gravitazione di Newton. E i sondaggisti riescono a usare un campione statisticamente rappresentativo di circa 1.000 cittadini e a prevedere gli esiti con un margine d’errore del 3%.
Cosa è più importante del big data: la varietà
Hugo fa un passo oltre: sostiene che avere varietà di dati è più importante che avere grandi volumi di dati. Combinare dati qualitativi, o thick data, nel tuo dataset porterà risultati migliori. Thick data è un termine preso in prestito da sociologia e antropologia ed è principalmente descrittivo, a differenza del thin data, che è basato sui numeri.
3. Perché il futuro del lavoro sui dati è point-and-click
Usare le GUI per lavorare con i dati
Qual è il modo migliore per permettere a chi non ha competenze tecniche sui dati di attingere alla business intelligence e usare il ML per informare le proprie decisioni? Non è far imparare a tutti a programmare. La risposta sta in vendor o strumenti che “prodotizzano” le analytics. In futuro, Hugo prevede che la maggior parte del lavoro sui dati sarà svolta in interfacce grafiche, le cosiddette GUI, ovvero interfacce drag-and-drop e point-and-click.
Le principali aziende tech lo hanno capito. Negli ultimi tempi hanno fatto notizia acquisizioni di strumenti di business intelligence. Proprio l’anno scorso, Salesforce ha acquisito Tableau e, poche settimane fa, Google ha finalizzato l’acquisizione da 2,6 miliardi di dollari di Looker, un popolare strumento di BI.
Anche gli strumenti di analytics predittive stanno “prodotizzando” il ML. Google AutoML consente a non–data scientist di creare modelli diagnostici e predittivi, e Microsoft Azure ora offre uno strumento di ML automatico che rende la creazione dei modelli semplice quanto importare un dataset e dire al servizio quale valore prevedere.
Sii consapevole quando usi prodotti data-driven
Strumenti come questi permettono a dipendenti non tecnici di diventare molto efficaci nell’uso dei dati. Ma devono saperli usare nel modo giusto. Hugo è interessato a prodotti che aiutino le persone a riconoscere quando i risultati sono distorti. Consiglia di dare un’occhiata a Survival of the Best Fit, un gioco educativo sui bias nell’assunzione basata su AI.
4. Strategia dei dati significa cultura dei dati
Quanti dati vengono davvero usati?
Abbiamo già detto che raccogliere montagne di dati (big data) non è importante quanto raccogliere dati essenziali e pertinenti (small data). In un sondaggio durante il webinar, abbiamo scoperto che il 53% dei partecipanti utilizza meno della metà dei dati raccolti. L’obiettivo, naturalmente, è far lavorare per te una quota maggiore dei tuoi dati. Questo richiede una strategia dei dati solida e la creazione di una cultura dei dati robusta e sana.
Come costruire una strategia dei dati
Nell’episodio 30 del nostro podcast, DataFramed, Taras Gorishnyy, allora Senior Analytics Manager in McKinsey, ha identificato gli elementi necessari per costruire una strategia dei dati:
- Creare una visione per l’analytics allineata alla strategia aziendale
- Stabilire un forte supporto a livello C, ad esempio advocacy, finanziamenti ed entusiasmo
- Estrarre valore in tempi brevi da almeno alcuni casi d’uso
- Implementare il redesign dei processi e il cambiamento culturale per assicurare il giusto mix di competenze sui dati in tutta l’azienda
- Costruire fondamenta dati solide per fornire dati integrati, affidabili e tempestivi
La necessità di ridisegnare i processi dati e cambiare la cultura
La missione di DataCamp di democratizzare le competenze sui dati in tutto il mondo è strettamente legata al quarto punto: aiutare le aziende a costruire una cultura fortemente fluente nei dati. Eppure, in un sondaggio su oltre 300 organizzazioni nel 2019, abbiamo scoperto che solo il 39% delle aziende con maturità nella data fluency aveva implementato il redesign dei processi e il cambiamento culturale in ambito dati, e solo il 7% tra le aziende con bassa maturità.
Fonte: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
L’upskilling, non l’assunzione, è la strada per la data fluency
Tutte le aziende vogliono assumere i migliori talenti, ma secondo la regola 80/20, la maggior parte non ci riuscirà. C’è carenza di talenti rispetto all’abbondanza di lavoro sui dati da svolgere, ed è irrealistico costruire una strategia dei dati basata sull’assunzione di “unicorni”. L’alternativa? Creare una cultura dei dati fondata su upskilling e reskilling dei dipendenti esistenti, coltivando un ambiente di apprendimento nella tua azienda.
5. Perché la strategia dei dati riguarda davvero l’empatia
Considera i tuoi stakeholder
Hugo sostiene che la strategia dei dati, come qualsiasi altra strategia aziendale, richiede un’attenta considerazione di chi stai impattando e di cosa hanno bisogno i diversi stakeholder. La strategia dei dati di un’azienda informa come costruisce prodotti e come prende decisioni su larga scala. Quindi, quando usi i dati, ricorda che ogni punto dati rappresenta una persona o un gruppo di persone. Non c’è dubbio che i dati possano aiutare le aziende su larga scala—ma possono anche danneggiarle.
Un caso emblematico: qualche mese fa è emerso che la Apple Card era “sessista” nei confronti delle donne che richiedevano credito. Pur senza l’intenzione di ostacolare l’equità nel processo di richiesta, Apple si è ritrovata con un enorme problema di PR e un aumento della pressione da parte dei regolatori. Gli algoritmi non possono essere considerati affidabili in modo implicito—vanno valutati con la lente dell’empatia.
Riconosci i tuoi punti ciechi
Nell’episodio 50 del nostro podcast, DataFramed, Cathy O’Neil, autrice di Weapons of Math Destruction, ha detto: “La data science non si limita a prevedere il futuro. Lo causa.”
Le aziende che costruiscono prodotti su larga scala e sviluppano strategie dei dati estese non solo devono elencare chi ritengono siano i loro stakeholder, ma devono consultare il maggior numero possibile di persone, perché inevitabilmente ci saranno gruppi impattati che verranno trascurati, proprio come è accaduto ad Apple.
Sii onesto su quali task verranno automatizzati
Molte persone temono che le macchine prenderanno il loro posto. Ma con il progresso tecnologico, la sfida maggiore per i lavoratori non sarà l’automazione dei lavori—bensì l’automazione dei task. Alcune parti del lavoro di una persona potrebbero essere automatizzate. La sfida per i datori di lavoro è capire come fare upskill e reskill di questi dipendenti alla luce di tale automazione e come accompagnarli verso attività di livello più alto.
Per approfondire questi temi, guarda il webinar on-demand di Hugo.
