Quattro modi in cui il tuo team può iniziare a sfruttare la data science

Spintee dal desiderio di raggiungere l’elusivo obiettivo di diventare data-driven, le organizzazioni hanno accumulato con tenacia dati, costruito infrastrutture e attratto talenti altamente qualificati. Considerando che i dati sono spesso presentati come la soluzione miracolosa a una miriade di problemi, queste organizzazioni stanno andando nella direzione giusta.

Tuttavia, disporre degli strumenti e dei talenti giusti non rende automaticamente un’azienda data-driven. Il più grande ostacolo verso questo traguardo consiste nel costruire una cultura dei dati, in cui la data science è vista da tutti come una metodologia per risolvere problemi di business. In effetti, qualsiasi organizzazione che ambisca a essere data-driven deve prima coltivare una cultura dei dati promuovendo una alfabetizzazione diffusa, dotando tutti delle competenze necessarie per svolgere le attività sui dati che servono per eccellere nei propri ruoli. Questo cambiamento di mentalità, così fondamentale, rappresenta una sfida considerevole per l’obiettivo aziendale di diventare data-driven. Secondo il Gartner Chief Data Officer Survey 2018, infatti, il 35% dei CDO ritiene che la bassa alfabetizzazione sui dati sia il principale ostacolo all’estrazione di valore dai dati su larga scala.

I benefici del diventare data-driven e sfruttare la data science su larga scala sono numerosi e ampiamente documentati. Ecco una panoramica di quattro ambiti della data science che le organizzazioni possono adottare rapidamente per iniziare a estrarre valore dai propri dati, illustrati con casi d’uso specifici.

1. Comunicare insight complessi tramite la visualizzazione dei dati, in modo rapido e conciso

I dashboard interattivi sono sempre più diffusi perché consentono agli stakeholder di accedere facilmente a informazioni aggiornate.

I dashboard sono incredibilmente versatili. Possono essere un telescopio puntato sulle metriche guida di lungo periodo di un’azienda o un microscopio che si concentra con attenzione sui dettagli operativi di breve periodo. In ogni caso, permettono alle organizzazioni di scalare il processo decisionale guidato dai dati. Oggi, molti strumenti di business intelligence no-code come Tableau e Power BI offrono interfacce intuitive drag-and-drop per creare dashboard potenti. D’altro canto, pacchetti open source basati su linguaggi di programmazione popolari, come plotly per Python e Shiny per R, offrono alle organizzazioni una soglia d’ingresso bassa per costruire visualizzazioni interattive altamente personalizzabili.

2. Prendere decisioni migliori analizzando i dati storici

Un’azienda data-driven descrive, riassume e comprende le proprie performance storiche e le utilizza per guidare decisioni che le permettono di puntare su ciò che funziona e correggere la rotta su ciò che non funziona. Un sondaggio di Deloitte ha rilevato che circa la metà delle aziende afferma che il beneficio più significativo dell’analisi è abilitare decisioni migliori guidate dai dati. Inoltre, il 62% delle aziende ha dichiarato che i dati sono importanti per guidare la strategia aziendale. È chiaro che i dati stanno diventando uno strumento sempre più insostituibile nella cassetta degli attrezzi aziendale.

Il decision making guidato dai dati può mantenere e rafforzare il vantaggio competitivo di un’organizzazione. Ad esempio, la market basket analysis può aiutare i retailer fisici a ottimizzare meglio gli spazi e creare esperienze d’acquisto superiori per i clienti. I marketer possono analizzare i tassi di click-through storici delle email per valutare il successo delle campagne di email marketing. Gli analisti finanziari possono applicare l’analisi delle serie temporali ai dati storici per ottimizzare la pianificazione del budget.

Quando la dimensione dei dati è ridotta, tali analisi storiche possono essere eseguite in modo efficiente con strumenti come Microsoft Excel e Google Sheets. All’aumentare dei dati, l’analisi è più efficace utilizzando linguaggi di programmazione open source come R e Python.

3. Integrare l’expertise di dominio esistente con il pensiero statistico

La statistica può essere usata per riassumere in modo conciso grandi quantità di dati. Alla base della statistica ci sono le statistiche descrittive che rappresentano le medie (come media, moda e mediana) e le deviazioni dalla media (come deviazione standard e varianza). Queste statistiche di sintesi sono i mattoni di strumenti come il box plot e di metriche come il coefficiente di correlazione (una misura dell’intensità della relazione tra due variabili). Ad esempio, i retailer possono calcolare la correlazione tra gli acquisti di prodotti per ottimizzare le campagne di cross-selling. I ricercatori di mercato possono sfruttare l’analisi congiunta per determinare il mix ideale delle preferenze dei clienti prima di lanciare una nuova funzionalità o modificare il prezzo di un prodotto.

Esperimenti controllati possono aiutare le aziende a isolare l’effetto di un cambiamento, stabilire una chiara relazione causa-effetto tra due metriche e prendere decisioni migliori. Con fondamenta radicate nella statistica, gli esperimenti controllati offrono un metodo relativamente semplice ma rigoroso per confermare o smentire le intuizioni degli esperti di dominio. Un semplice esempio di esperimento controllato è l’A/B test sulle righe oggetto delle email, scegliendo quella con il tasso di click-through più alto. In AirBnB, un cambiamento è stato implementato per tutti gli utenti solo quando un esperimento ha dimostrato in modo conclusivo che una modifica al filtro del prezzo massimo causava un aumento del tasso di conversione. In Shutterstock, l’idea di rimuovere le filigrane dalle immagini nella pagina di ricerca è stata respinta quando gli esperimenti hanno fornito forti evidenze che tale cambiamento riduceva il tasso di conversione.

4. Fare previsioni e scoprire nuova conoscenza con il machine learning

Le aziende possono usare dati passati per fare previsioni sul futuro con il machine learning. Ad esempio, sfruttando l’apprendimento supervisionato, una tecnica che addestra algoritmi a classificare dati o prevedere risultati con dati etichettati, qualsiasi organizzazione può prevedere quali clienti hanno maggiori probabilità di abbandonare in base alla loro attività storica. Una società di trading può usare i prezzi storici di un titolo per prevederne i prezzi futuri nella modellazione finanziaria.

A differenza dell’apprendimento supervisionato, l’apprendimento non supervisionato è una tecnica che può essere utilizzata da un’azienda con poca conoscenza di un dataset grezzo per esplorarlo, anche se non sa esattamente cosa stia cercando. Il clustering è un esempio di algoritmo di apprendimento non supervisionato che ordina i dati in categorie non predeterminate. Per esempio, una società di telecomunicazioni che dispone di dati preziosi sui propri clienti ma non ha ancora trovato un modo per segmentarli può utilizzare l’apprendimento non supervisionato per identificare cluster di clienti con caratteristiche distintive.

L’apprendimento non supervisionato è anche eccellente nel trovare associazioni. Nell’e-commerce, i consigli di prodotto del tipo "a chi piace il prodotto X piace anche il prodotto Y" sono spesso il risultato di tecniche di apprendimento non supervisionato che svelano collegamenti nascosti. Tali raccomandazioni di prodotto possono costituire la spina dorsale di una strategia di cross-selling efficace.

Costruire un’organizzazione data-driven

È evidente che intraprendere i passi verso il diventare data-driven sblocca molti potenziali vantaggi per un’organizzazione. Esistono molti casi d’uso a bassa soglia che i team funzionali possono iniziare ad applicare insieme, a patto di avere le competenze necessarie per partire. Per questo DataCamp for Business offre una piattaforma di apprendimento interattiva per le aziende che devono aggiornare e riqualificare il proprio personale sulle competenze dati. Con argomenti che spaziano dalla data literacy e dalla data science al data engineering e al machine learning, oltre 1.600 aziende si affidano a DataCamp for Business per potenziare il talento interno.