Oggi molte organizzazioni adottano pratiche di data science come parte delle loro iniziative di trasformazione digitale. Tuttavia, la maggior parte non raccoglierà i frutti dell’analisi dei propri dati senza una strategia dei dati e un piano chiaro per scalare la data science all’interno dell’organizzazione. McKinsey ha rilevato che solo otto aziende su 1.000 impegnate in iniziative di trasformazione digitale sono riuscite a scalare la data science oltre pochi progetti pilota.
Inoltre, sebbene la maggior parte delle organizzazioni comprenda il valore di essere data-driven, molte trattano la data science come una funzione di supporto centralizzata e isolata che lavora su richieste da vari team. Questo contrasta con ciò che la data science dovrebbe essere: un mezzo per raggiungere obiettivi di business. Come afferma Peter Wang, CEO di Anaconda, la data science è "una modalità di indagine ed esplorazione" per orientarsi nel mondo del business.
Così come un fisico usa la matematica per ragionare sul mondo naturale, i data scientist sfruttano strumenti matematici e computazionali per ragionare sul mondo del business. —Peter Wang, CEO di Anaconda
Questo effetto di isolamento è aggravato dal falso presupposto che il fine ultimo della data science debba sempre essere la realizzazione di modelli di intelligenza artificiale che automatizzino o semplifichino grandi aree produttive di un’organizzazione. Le aziende in cerca di ritorni immediati sull’investimento restano deluse nel constatare che spesso non è così.
Questa visione ristretta attribuisce valore alla data science solo a forme di analytics predittive relativamente difficili da realizzare (ossia la capacità di prevedere il futuro con i dati). Inoltre, ignora il lavoro infrastrutturale necessario per fare machine learning su larga scala. Gran parte del valore della data science deriva invece dall’implementazione di analytics descrittive relativamente più semplici (la capacità di descrivere i dati e metterli nelle mani giuste) e prescrittive (prendere decisioni basate sui dati).
Portare a termine con successo una trasformazione digitale richiede di sviluppare competenze organizzative in data science e analytics. Questo significa costruire ed eseguire una strategia dati intelligente, inclusiva e scalabile.
Qui entra in gioco il nostro framework IPTOP. IPTOP è un modello che definisce cinque pilastri (I nfrastructure, P eople, T ools, O rganization e P rocesses) per eseguire in modo scalabile la tua strategia dati e completare con successo la trasformazione digitale. Partecipa alla nostra prossima serie di webinar per saperne di più.
Infrastruttura
L’obiettivo di qualsiasi strategia dati è trasformare i dati grezzi in insight e decisioni. Per farlo, le organizzazioni devono raccogliere, registrare e archiviare i dati in modo sicuro ed efficiente, rendendoli accessibili a tutti. Ma i dati sono spesso raccolti in forme, strutture e dimensioni diverse. I vari database, data lake, data warehouse, script e dashboard che supportano questo percorso costituiscono l’infrastruttura dati. Costruire un’infrastruttura dati solida richiede la comprensione delle best practice.
Persone
Considerare la data science come un mezzo per raggiungere l’obiettivo finale di decisioni migliori consente alle organizzazioni di costruire i team in base alle competenze necessarie. Un approccio basato sui ruoli implica identificare, valutare e mappare gli obiettivi di performance con le competenze richieste per raggiungere gli obiettivi di business, come prevedere il churn o visualizzare i dati con dashboard. Questo si traduce in percorsi di apprendimento dedicati per ciascun ruolo.
Un buon esempio è la Data University di Airbnb, il programma proprietario di formazione concepito per dotare ogni dipendente delle competenze necessarie a prendere decisioni basate sui dati. Mettere in condizione i dipendenti che non sono data scientist di professione di diventare Citizen Data Scientist in grado di prendere decisioni informate ha liberato tempo al team di data science per lavorare su progetti più strategici.
Strumenti
Se l’infrastruttura abilita le organizzazioni a ricavare insight dai dati, gli strumenti facilitano e incentivano l’adozione di un linguaggio dati comune in tutta l’organizzazione. L’uso di strumenti per accesso ai dati, analisi, visualizzazioni e dashboard rende le organizzazioni più efficienti, riducendo il tempo necessario per ottenere insight. Questi strumenti spaziano da linguaggi open source come Python, R e SQL a soluzioni point-and-click come Power BI, Tableau ed Excel.
Costruire framework specifici per l’organizzazione, che semplifichino l’accesso ai dati sopra questi strumenti, riduce notevolmente le barriere allo scaling della data science. In DataCamp disponiamo di pacchetti Python e R proprietari che astraggono il collegamento ai data lake, l’interrogazione dei dati e la loro aggregazione tramite comandi semplici. Chiunque può rispondere a domande come "Qual è stato il rating del corso X nelle ultime Y settimane?" con una o due righe di codice. Allo stesso modo, Airbnb ha un pacchetto R che agevola l’interrogazione e la visualizzazione dei dati secondo le estetiche desiderate, eliminando l’incertezza e garantendo coerenza nelle analisi e nelle visualizzazioni in tutta l’organizzazione.
Organizzazione
Una dimensione importante di una strategia dati è come sono organizzati i professionisti dei dati. Poiché strutture di riporto e agende guidano il lavoro nella maggior parte delle aziende, la struttura organizzativa deve predisporre la tua impresa a un successo sostenibile. Esistono compromessi tra un modello centralizzato, in cui i data scientist fanno parte di un unico team di data science, e un modello decentrato, in cui i data scientist sono inseriti in diversi dipartimenti.
Nel modello centralizzato, un team centrale di data science dà priorità e lavora sulle richieste informative provenienti dagli altri dipartimenti. In questo modello, le domande entrano e ci si aspetta che le risposte escano. Ciò consente al team di data science di diventare un centro di eccellenza, dove i data scientist collaborano e condividono conoscenze sotto un’unica direzione strategica. Tuttavia, questo isola i team di data science e i loro strumenti, rendendo complicate per i data scientist il coordinamento e la comunicazione con gli altri dipartimenti.
Nel modello decentrato, i data scientist sono inseriti in vari dipartimenti dell’organizzazione. Questo dà alla data science un posto al tavolo per influenzare la direzione strategica del proprio dipartimento, poiché i data scientist acquisiscono il dominio conoscitivo necessario per avere successo. Tuttavia, essendo dispersi e gestiti dai manager dei team di business, lo svantaggio è che ciò può penalizzare la crescita, l’apprendimento, lo sviluppo e la capacità di collaborare dei data scientist.
Questi due modelli vanno considerati come estremi opposti di uno spettro. Esistono molti modelli ibridi che combinano elementi dei modelli centralizzato e decentrato, con diversi modi di raggruppare e aggregare i dipartimenti per massimizzare il valore della data science su larga scala.
Processi
Infine, costruire una strategia dati scalabile richiede allineamento su convenzioni, best practice e processi. Favorire l’allineamento è essenziale per facilitare la collaborazione ed evitare un’organizzazione a silos. Questo consente a tutti i team di lavorare e comunicare senza attriti usando un linguaggio dati comune.
Un modo semplice per iniziare a costruire allineamento sui processi è creare una struttura e un template di progetto predefiniti, in cui le diverse attività e sotto-attività di un progetto di analytics siano mappate in anticipo con i rispettivi requisiti. Microsoft ha adottato The Team Data Science Process, che consente a qualsiasi stakeholder di comprendere chiaramente i requisiti del progetto, utilizzare template per l’analisi dei dati e l’accesso alla potenza di calcolo, e identificare i responsabili delle varie fasi del processo.
A seconda della tua organizzazione e del tuo settore, i template di progetto predefiniti possono essere soggetti a requisiti normativi specifici e richiedere processi complessi. Puoi utilizzare strumenti open source per definire template di struttura dei progetti, così da aumentare l’allineamento tra team e professionisti dei dati.
Fai il data maturity assessment per comprendere meglio l’approccio del tuo team ai dati.
