Qual è il punto in comune tra aziende tech di successo come Amazon, Netflix, Google e Airbnb? Hanno tutte scalato e reso operativa la loro funzione di data science. Ciò significa che hanno costruito team dati di altissimo livello e hanno acquisito o sviluppato internamente i propri strumenti dati. Questo ha richiesto la progettazione di processi e architetture interne potenti che sfruttano i dati per far progredire il business.
Nel nostro webinar del mese scorso, Maksim Percherskiy, Data Engineer presso The World Bank ed ex Chief Data Officer della città di San Diego, ha spiegato che queste aziende erano ben posizionate per farlo perché sono cresciute con i dati. «Le organizzazioni più vecchie—come istituzioni finanziarie, sanità e governi—non hanno avuto il privilegio [di costruire il loro business attorno ai dati]. La città di San Diego è stata fondata nell'Ottocento e sta ancora imparando ad adattarsi e ad allineare efficacemente i dati alle proprie operazioni.»
Vediamo come le grandi organizzazioni possono costruire una funzione di data science efficace. Negli ultimi anni, molte hanno assunto chief data officer, creato team di data scientist e data engineer, e trovato il modo di monetizzare e condividere i dati. Ma la ricerca di NewVantage Partners del gennaio 2020 ha rivelato che, su 70 aziende intervistate, il 98,8% stava investendo in iniziative di big data e IA, ma solo il 37,8% poteva affermare di aver creato un'organizzazione data-driven.
Gli ostacoli più comuni per diventare data-driven riguardano persone e processi—in particolare, rendere operativi e ripetibili i processi, creare un'infrastruttura dati funzionale e colmare il gap di competenze sui dati.
Requisiti dei dati
La seguente immagine riassume cosa rende i dati utilizzabili e affidabili:
Innanzitutto, i dati devono essere raccolti al momento giusto, nel modo giusto e con uno scopo. Poi devono essere rintracciabili, cioè tutti gli utenti dei dati nell'organizzazione devono sapere che quei dati sono stati raccolti e poterli trovare. Successivamente, i dati devono essere affidabili, senza lacune o incoerenze. Devono anche essere facilmente comprensibili—ad esempio, correttamente strutturati ed etichettati. Essere conformi è fondamentale—devono esistere i protocolli di sicurezza adeguati per controllare l'accesso ai dati sensibili e in alcuni settori esistono standard normativi. Infine, i dati devono essere azionabili, ossia gli utenti devono avere tecnologia, formazione e cornici etiche per usarli correttamente.
Le sfide per diventare data-driven
Ci sono tre categorie di sfide per soddisfare questi requisiti: organizzative, culturali e tecniche.
Sfide organizzative
Le grandi organizzazioni spesso hanno silos in cui i team possono avere obiettivi diversi. Questi silos possono esistere per requisiti legali, come spesso accade nella finanza, oppure semplicemente perché i team non hanno lavorato in passato in modo collaborativo. Qualunque sia la causa, i silos generano incomprensioni e disallineamenti, che danneggiano l'efficacia complessiva dell'organizzazione.
Un sintomo potrebbe essere manager che vogliono costruire team più grandi o la creazione di più di un centro di eccellenza per l'IA.
Sfide culturali
La data literacy organizzativa—in cui tutti hanno le competenze sui dati per avere successo—è spesso considerata un obiettivo ambizioso, e alcune organizzazioni possono essere avverse al rischio nell'affrontarlo. Per questo DataCamp cerca di demistificare temi come il machine learning per aiutare le organizzazioni a capire come i dati possano essere di utilità pratica. Dare autonomia alle persone e facilitare lo sviluppo delle competenze è la chiave.
Le sfide culturali possono anche manifestarsi in incentivi differenti all'interno dell'organizzazione. Il management può volere dashboard d'impatto da presentare ai superiori, gli ingegneri vogliono usare gli strumenti più recenti e avanzati, e gli utenti di business possono voler solo rispondere a una domanda specifica o snellire i processi. Non è sempre possibile rendere felice ogni stakeholder. Questo si ricollega alle sfide organizzative citate prima—l'obiettivo è allineare la strategia dati alla strategia complessiva di business.
Sfide tecniche
Maksim afferma che le grandi organizzazioni spesso hanno «un patchwork di sistemi legacy» come sistemi principali di registrazione dei dati. Da questi sistemi può essere difficile estrarre o scalare i dati—ma spesso i responsabili di dipartimento non vogliono affrontare un grande progetto. Temono di incorrere nei costi di switching per sostituirli, nei possibili costi di fallimento del progetto, oltre ai costi di riqualificazione e a un calo temporaneo della produttività. Sono tutti errori miopi che derivano dalla mancanza di una strategia dati unificata.
Ulteriori sfide tecniche includono standard di conformità e sicurezza, come HIPAA, FERPA, GDPR e CCPA. Le aziende devono aderire a questi standard per evitare usi non etici dei dati.
Cadere vittima di queste sfide porta a quello che Brian Balfour descrive come la Data Wheel of Death, mostrata sotto. Illustra come dati non mantenuti con costanza diventino irrilevanti o difettosi, portando le persone a perdere fiducia nei dati e, alla fine, a usarli meno.
Soluzioni per diventare data-driven
Quindi, come possono le aziende consolidate diventare data-driven come Netflix e Airbnb? Devono ricostruire attorno ai dati. Ecco come.
Comprendi lo scenario
Le grandi organizzazioni devono capire i diversi silos esistenti e come comunicano tra loro. Devono coltivare sponsor a livello esecutivo che supportino questo percorso. E devono comunicare gli obiettivi sui dati a tutti gli stakeholder.
Identifica i tuoi utenti
Poi, per facilitare una trasformazione data-driven di successo, devi conoscere le tue personas. Entrare davvero in empatia con ogni persona—che sia un consumatore di dati, un leader, un data analyst o un data scientist—ti aiuterà a capire come supportarla al meglio e come valorizzarla nella tua missione.
Parti in piccolo e mantienilo semplice
Maksim dice che all'inizio non è possibile sistemare tutto in una volta. È davvero importante essere disciplinati nel concentrarsi sull'impatto. Scegli un progetto visibile e di impatto in tutta l'organizzazione che non richieda una miriade di stakeholder o coordinamento. Ottenere una serie di vittorie rapide all'inizio catalizzerà il buy-in e garantirà visibilità ai progetti sui dati. Potrai anche iterare sul lavoro dati e mettere a frutto gli apprendimenti nei progetti futuri.
Allinea la strategia dati alla strategia di business
Cosa significa allineare la strategia dati alla strategia di business? Il consiglio pratico di Maksim è di scegliere progetti dati che amplino e mettano alla prova la tua infrastruttura, servano i tuoi utenti di business e siano allineati con gli obiettivi e i risultati aziendali. Assicurati che ogni progetto sia documentato, riproducibile e segua le best practice. Poi, amplifica le tue vittorie a livello aziendale con il supporto degli executive così da costruirci sopra e continuare a iterare.
Come si presenta un'organizzazione data-driven
Essere data-driven richiede di saper misurare il successo delle iniziative sui dati. Maksim dice che è allettante usare metriche facilmente accessibili come il numero totale di progetti, il numero di dataset completati o il numero di follower del repository.
«Sono tutte buone metriche, ma non toccano davvero il cuore del tuo successo», dice Maksim. «Penserei di più al numero di decisioni prese con i dati. Anche a quanto tempo serve a qualcuno per trovare un set di dati, o al time-to-data. Dovresti anche guardare a quanti obiettivi, risultati e OKR sono definiti e tracciati con i dati, incluso come vengono revisionati.»
Per saperne di più su come rendere operativi i dati all'interno di grandi organizzazioni con processi complessi, guarda il webinar di Maksim su Operationalizing Data Within Large Organizations.
