Secondo McKinsey, le organizzazioni data-driven hanno una probabilità 23 volte superiore di acquisire nuovi clienti, 6 volte maggiore di fidelizzarli e 19 volte più alta di risultare profittevoli rispetto a quelle che non adottano un approccio basato sui dati. Eppure, come sottolineato in un precedente approfondimento, le vere aziende data-driven sono poche; a volte, questo dipende dalla complessità dell’ecosistema tecnico sottostante, ma più frequentemente il tema chiave è culturale e/o organizzativo.
Ogni percorso di trasformazione inizia con una strategia che, in questo caso, è una strategia dei dati, o data strategy. Secondo diverse fonti, circa una (grande) azienda su due l’avrebbe già formalizzata; tuttavia, ciò che emerge con certezza (MIT Technology Review e Databricks) è che solo il 13% di queste imprese è stato in grado di tradurre la propria data strategy in risultati di business significativi e duraturi.
Ma cosa intendiamo esattamente per data strategy? È un piano strategico, o una visione a lungo termine, che definisce come l'organizzazione intende raccogliere, gestire, analizzare e utilizzare i propri dati per raggiungere i propri obiettivi di business. L’elemento chiave è quindi la connessione tra i dati e il business: la data strategy spiega il modo con cui l’azienda intende utilizzare i propri dati per attuare la strategia di business e ottenere i risultati che si è prefissa. L’allineamento con la business strategy è il punto di partenza di qualsiasi percorso vincente.
Sviluppare e implementare una strategia di dati determina grandi vantaggi poiché crea una regia centralizzata e definisce degli obiettivi concreti per l’intero percorso di trasformazione data driven dell’azienda, abbattendo la frammentazione dei progetti che ancora contraddistingue molte imprese.
Una data strategy definisce i processi e fornisce agli utenti i tool e le conoscenze necessarie per prendere decisioni basate sui dati, migliorando la capacità di rispondere rapidamente alle dinamiche di mercato e anticipando i principali trend.
Una strategia di dati ben pianificata contribuisce a ottimizzare i processi aziendali, riducendo i costi operativi e migliorando l'efficienza attraverso l'automazione e decisioni migliori.
Definendo policy chiare per la gestione dei dati, le aziende rispettano la normativa in essere, prevengono le sanzioni e mitigano i rischi legati alla violazione dei dati.
Una data strategy ben definita aiuta l’azienda ad adottare tecnologie avanzate come l'intelligenza artificiale (AI), che richiede dati di alta qualità, nonché architetture e infrastrutture moderne.
A seconda del mercato in cui opera, del contesto di mercato, delle tecnologie disponibili e degli obiettivi, ogni azienda dovrebbe definire una propria data strategy. Anche se le esigenze specifiche variano, gli elementi costitutivi di una solida data strategy sono comuni.
Si è già detto che una data strategy deve essere allineata agli obiettivi aziendali. Il primo passo, fondamentale, consiste nell'individuare la direzione strategica corretta, un'operazione che può avvenire solo attraverso la comprensione chiara e approfondita degli obiettivi aziendali. Senza questa consapevolezza, si corre il rischio di focalizzarsi e di investire in progetti non essenziali e/o di scarsa rilevanza.
Organizzare incontri con i vari stakeholder e responsabili delle linee di business (LOB) è essenziale per identificare le esigenze specifiche di ciascun reparto e comprendere come i dati possano apportare valore non solo alla visione complessiva, ma anche ai singoli componenti dell'organizzazione. A valle della fase di studio, va progettata la strategia vera e propria, ovvero va definito come i dati verranno utilizzati per ottenere risultati concreti e per abilitare la crescita dell’organizzazione.
Per definire una strategia di dati efficace, è fondamentale conoscere l’attuale stato dell’arte per individuare i punti di forza e le aree di miglioramento. Questo richiede un'analisi approfondita dell'intero ecosistema dei dati, il cui obiettivo è capire quanto l’azienda sia (già) matura sotto il profilo dello sfruttamento delle potenzialità dei dati. Un problema comune, a tal fine, è rappresentato dai silos, che riflettono le divisioni organizzative e impediscono la democratizzazione del dato. Altri temi da affrontare:
Questa analisi permette di comprendere le capacità analitiche attuali, sia in termini di strumenti disponibili che di livello di adozione, nonché la data literacy presente in azienda, ovvero la capacità di utilizzare i dati in base alle esigenze specifiche di ciascun professionista e di ogni reparto.
Gestire e analizzare dati richiede professionisti qualificati in diverse aree della data science, come i data analyst, data scientist e data engineer. Disporre in azienda di competenze specifiche e complementari permette di affrontare le complessità della gestione dei dati, garantendo non solo l'integrità e la sicurezza delle informazioni, ma anche la capacità di trasformarle in valore tangibile per l’azienda.
Definire un framework di governance dei dati è essenziale per fare in modo che questi siano gestiti in modo efficace, responsabile, sicuro e allineato alla normativa vigente. Ciò implica la definizione di policy e procedure per la raccolta, l'archiviazione, l'uso, l’analisi e la condivisione dei dati, policy che andranno implementate da tutti gli strumenti che daranno poi concretezza alla strategia stessa.
In quest’ottica, vanno identificati tutti i ruoli e le responsabilità necessarie per garantire la qualità, la sicurezza e la conformità dei dati (data steward), nonché veri e propri team di governance dei dati (data governance committee) che si facciano carico di garantire il rispetto delle policy interne e delle normative in essere. Una buona governance aiuta a mantenere alta la qualità dei dati e a proteggere le informazioni sensibili.
L’espressione architettura dei dati (data architecture) si riferisce alla struttura e all'organizzazione dei dati all'interno di un'azienda. Comprende la scelta delle piattaforme di archiviazione, l'integrazione dei dati provenienti da diverse fonti e, soprattutto, la progettazione di un sistema che consenta un facile accesso e analisi. Una buona architettura dei dati deve essere scalabile e flessibile, in grado cioè di adattarsi alle esigenze future e all'aumento del volume di dati, nonché accessibile a tutti i data user, siano essi dipendenti dell’azienda ma anche applicazioni informatiche.
La scelta e/o lo sviluppo degli strumenti a supporto della data strategy dipende dagli obiettivi specifici, dalla complessità del panorama dei dati, dalle competenze e anche dal budget disponibile. Certamente, le aziende devono valutare la realizzazione (o l’acquisto) di soluzioni scalabili, moderne e innovative, che diano solidità alla gestione dei dati ma siano anche in grado di fornire valore concreto.
La cultura dei dati è un elemento essenziale per il successo a lungo termine di una data strategy. È quindi fondamentale sensibilizzare tutto il personale sull'importanza dell’uso dei dati per prendere decisioni informate, promuovendo la fiducia negli stessi e favorendo un approccio data-driven a ogni livello dell'organizzazione. Qui si innesta il tema, e la relativa sfida, della data democratization.
Perché generi valore, la strategia va implementata. È dunque fondamentale disporre di un piano d'azione dettagliato, che parta da obiettivi ben definiti e includa i passaggi operativi e i criteri di misurazione (KPI inclusi). La roadmap deve quindi organizzare le tappe essenziali e stabilire le priorità tra le azioni, tenendo conto dei vincoli temporali e definendo le risorse necessarie per raggiungerli. Durante l'implementazione, è importante monitorare sempre i progressi al fine di apportare ottimizzazioni quando necessario.