Molte organizzazioni stanno lottando per ottenere valore aziendale dalle analisi dei dati. Secondo Gartner, fino al 2022, solo il 20% degli insight analitici fornirà però risultati di business. Quando si parla di intelligenza artificiale, Gartner afferma che l’80% dei progetti quest’anno rimarrà “alchimia, gestita da maghi i cui talenti non cresceranno nell’organizzazione”.

Impostare progetti di analytics è una cosa, ma trarre valore da essi è un’altra. E con la pandemia COVID-19 che sta sconvolgendo le economie di tutto il mondo, le aziende probabilmente esamineranno da vicino il ROI quando si tratta di analytics e data science. “Non si tratta di analytics e non si tratta nemmeno di insight. Si tratta di impatto. Se non si ha un impatto, si perde tempo” afferma Mike Onders, chief data officer, divisional CIO e head of enterprise architecture presso la KeyBank di Cleveland, Ohio.

Qui, è fondamentale concentrarsi spietatamente sui risultati aziendali, così come la capacità di dimostrare rapidamente che gli analytics possono avere un impatto sul business e quindi fornire risultati su larga scala. “In realtà lavoriamo a ritroso rispetto a specifici risultati aziendali che stiamo cercando di ottenere” afferma Shri Santhanam, vicepresidente esecutivo e direttore generale dell’analisi dei dati globali e dell’intelligenza artificiale di Experian. “In definitiva, machine learning e intelligenza artificiale tendono a essere veicoli per portarci all’obiettivo finale, ma in realtà ciò di cui parliamo e ciò che condividiamo con i nostri clienti è un insieme migliore di risultati”.

Ostacoli al valore degli analytics

I blocchi istituzionali sono tra i maggiori ostacoli al ROI degli analytics, afferma Brian Hopkins, vicepresidente e principale analista al servizio dei CIO di Forrester Research. “Il problema che riscontriamo è che la strategia dei dati dei CIO implica molti cambiamenti a livello aziendale, cambiamenti dei processi aziendali, nuove strutture organizzative al di fuori dell’IT per prendere decisioni sulle definizioni dei dati e prendere decisioni sulle priorità, applicare le politiche sulla privacy dei dati e altro cose che il CIO non può controllare ma che hanno un costo”.

Hopkins afferma che molte aziende si rivolgono ai propri CIO per offrire una soluzione tecnologica per ricavare valore dai propri dati, ma non vedono il quadro più ampio. Indipendentemente da quanto sia il budget per la tecnologia, potrebbe essere necessario investire il doppio per un ampio cambiamento aziendale.

“Questa grossa fetta di aziende che hanno questa nobile visione della strategia dei dati che è caduta sul CIO in termini di budget da investire nelle soluzioni tecnologiche riconosceranno che il costo della strategia sui dati è molto più grande del semplice IT e coinvolge molti aspetti del cambiamento aziendale”, afferma Hopkins. “Comprende modifiche ai processi, modifiche alle applicazioni, gestione del cambiamento organizzativo, modifiche agli incentivi”.

Per iniziare, i CIO devono creare partnership con gli stakeholder aziendali e la leadership senior deve creare incentivi per guidare queste partnership. “Dovete incentivare i manager aziendali a prendersi cura dei dati e a interessarsi al modo in cui i loro dati possono essere utilizzati da altre linee di business”, afferma Hopkins. “Non è qualcosa che la maggior parte dei CIO può facilmente cambiare agitando una bacchetta”.

Responsabilità degli analytics

Onders afferma che KeyBank ha affrontato questo problema facendo sì che le parti interessate della linea di business collaborino strettamente con il team di analisi e siano responsabili dei risultati di business dei progetti di analytics che richiedono. Per ogni progetto, KeyBank crea un documento di una pagina che descrive il risultato che l’azienda cerca e le metriche per valutare tale risultato. Il documento elenca lo sponsor aziendale, il responsabile del prodotto, il responsabile analytics, il responsabile del rischio e il responsabile tecnico.

dati

Anche il data team di Experian si affida a strette collaborazioni con l’unita business per guidare iniziative di analytics, inclusa un’enfasi sull’ottenere “chiarezza sui risultati aziendali in modo quantificabile”, afferma Santhanam. Ma la filosofia analitica di Experian consente anche un approccio più flessibile e iterativo.

“Iniziamo facendo cose che non scalano e non risolvono il problema aziendale stesso. Questo ci consente di deviare da quello che potrebbe essere un insieme di vincoli, permettendoci di operare molto rapidamente e di sperimentare e capire dove si trova la leva”, afferma Santhanam.

Upskilling per il successo degli analytics

Ma affinché una collaborazione business-IT sugli analytics abbia successo, il cambiamento culturale è essenziale, poiché i professionisti aziendali non devono solo essere esperti in processi e tecnologie basati sui dati, ma anche aiutare a colmare le lacune nelle aree in cui la domanda di competenze supera l’offerta. Jabil è un’azienda che istruisce professionisti e dirigenti aziendali su ciò che è necessario per trasformare l’analisi dati in iniziative aziendali di grande impatto. Il CIO di Jabil, Gary Cantrell, afferma che i due componenti chiave della spinta di Jabil a diventare più basata sui dati sono stati una forte focalizzazione sull’affrontare i problemi aziendali e una spinta strettamente correlata per la sponsorizzazione dei dirigenti.

Coinvolgere leader aziendali e dirigenti senior è stato impegnativo, ma alla fine si è rivelato uno dei fattori più importanti per il successo di Jabil. Nell’ambito del suo programma Citizen Data Science, Jabil ha creato una piano di formazione a livello dirigenziale che sottopone i dirigenti chiave a un programma di training sulla scienza dei dati di due giorni. Il programma ha aiutato i dirigenti a comprendere l’importanza di diventare un’organizzazione basata sui dati e ha raccolto la loro entusiasta sponsorizzazione quando hanno iniziato a cercare problemi aziendali da affrontare con i dati.

Abbattere i silos di dati

Le pratiche legacy legate ai dati possono soffocare la capacità di un’organizzazione di trasformare i propri dati in valore aziendale. Il principale colpevole? Silos di dati. Negli ultimi anni Bayer Crop Science ha cercato di applicare il machine learning e l’intelligenza artificiale a ogni aspetto della propria attività. L’agricoltura di precisione è stata al centro dell’attenzione.

Michelle Lacy, responsabile della strategia dei dati per la ricerca e lo sviluppo nella divisione di biotecnologia vegetale di Bayer Crop Science, afferma che l’adesione dell’azienda ai dati FAIR, una serie di principi guida per la gestione e la gestione dei dati scientifici pubblicati su Scientific Data, è stata fondamentale per la trasformazione data-driven, aiutandola ad abbattere i silos di dati.

FAIR (findable, accessible, interoperable, and reusable) è una sorta di carta dei diritti dei dati secondo cui gli utenti dovrebbero essere in grado di trovare facilmente i propri dati e di accedere ai dati di cui hanno bisogno quando prendono decisioni (pur seguendo precise policy di sicurezza). “È estremamente importante”, dice la Lacy. “È il fondamento della nostra strategia sui dati”.

Spesso, i dati sviluppati da un gruppo possono essere utili per il lavoro svolto da altri gruppi. Per fare un uso efficiente dei dati, i vari gruppi devono sapere che i dati esistono e come trovarli, e i dati devono essere compatibili. “Se state eseguendo vari test su un singolo impianto, che si tratti di test sul campo o di diversi esperimenti in un laboratorio, dovete essere in grado di mettere insieme quei dati. Potete pensarlo come un puzzle e tutti questi diversi test che eseguite sono pezzi di quel puzzle, che il responsabile del progetto deve poi rimettere insieme”.

Fiducia

Come per molte trasformazioni, il passaggio a un’organizzazione basata sui dati dipende dalla fiducia: nei membri dei team, nei nuovi processi e nelle intuizioni derivate dai dati che avranno un impatto positivo sul business. In Experian, “quattro pilastri” guidano ogni progetto di machine learning e AI, afferma Santhanam: prestazioni, scalabilità, adozione e fiducia. Storicamente, afferma Santhanam, la questione della fiducia ha limitato ciò che le banche avrebbero fatto con i loro modelli di analisi.

“Quello che stiamo vedendo è che sia il quadro normativo, sia le aziende in questo ambito stanno riconoscendo il valore di algoritmi più complessi e tecniche più complesse e stanno adottando un approccio più graduale muovendosi responsabilmente in quello spazio con framework di intelligenza artificiale spiegabili”, conclude Santhanam. “In definitiva, ottenere l’impatto essenziale per la crescita della propria azienda tramite i dati richiede tutte e quattro queste cose ed è abbastanza facile perdersi se non si hanno in mente i risultati aziendali come obiettivo”.