Cos’è la Data Strategy? Secondo Paolo Raineri, creatore del corso omonimo su Learnn:
“La Data Strategy è la strategia con cui si intende utilizzare i dati al fine di trarne beneficio per il business ed il purpose dell’organizzazione.”
È fondamentale legare la strategia che utilizzeremo per i nostri dati al business dell’azienda: sembra banale dirlo, ma spesso questo non viene fatto e tantissime scelte vengono prese senza avere una strategia alla base.
Il risultato? Le scelte prese sono slegate dal business, risultando così un azzardo piuttosto che delle solide decisioni nate da una base dati attendibile e dagli obiettivi aziendali.
Per fare un esempio: come possiamo sapere se si rivela una scelta giusta eliminare o meno Excel dalla nostra azienda, se non sappiamo quante persone ne trarrebbero beneficio o uno svantaggio, oppure in quanti lo usano e in quanti no?
La risposta è semplice: non si può sapere. Servono i dati.
Il ruolo del purpose
Un ruolo importante nella Data Strategy lo ha anche il purpose dell’organizzazione, ovvero lo scopo per cui l’azienda esiste al di là dell’aspetto economico.
Ad esempio, se un brand volesse diventare molto green e al tempo stesso rivolgersi ai giovani, avrebbe un purpose molto forte: dunque potrebbe legare la propria Data Strategy a questo aspetto, magari utilizzando un software di data Analytics che sposa il green grazie all’azzeramento delle emissioni di anidride carbonica.
What & Why
Un’altra definizione che possiamo affiancare a quella di Paolo è quella di Peter High, Presidente del Metis Strategy, che dice:
“La Data Strategy e l’IT Strategy rispondono al ‘What’ dell’organizzazione, la Business Strategy risponde al ‘Why'”.
La Business Strategy ci dice il Perché (Why) l’organizzazione sta compiendo determinate azioni per il business, mentre la Data Strategy e l’IT Strategy rispondono al What, ovvero alle azioni messe in atto per raggiungere l’obiettivo che il business ci ha dato.
I 5 componenti per la gestione della Data Strategy
L’aspetto più complicato della creazione di una Data Strategy è il modo in cui i dati vengono archiviati e condivisi.
Per questo motivo, il primo passo di una strategia dati – e quello più complicato e costoso – è la progettazione di un piano completo che migliori tutte le fasi di acquisizione, conservazione, gestione, condivisione e utilizzo dei dati. Questi “pilastri portanti” della Data Strategy devono essere attentamente definiti per garantire il successo dell’approccio.
Secondo SAS Institute Inc. – società di software e servizi di Business Analytics – una Data Strategy è composta da cinque elementi che lavorano insieme al fine di supportare la gestione dati all’interno di un’organizzazione.
Questi cinque elementi sono l’identificazione dei dati, l’archiviazione in un’infrastruttura sicura, l’integrazione dei dati tra diversi ambienti, la distribuzione regolamentata dei dati e la governance o supervisione dei dati.
Vediamoli singolarmente.
1. Identificazione e visualizzazione
Lo step iniziale è quello di individuare i dati e comprenderne il significato a prescindere dalla struttura, dall’origine o dalla loro posizione.
Individuare questi dati ci consente di definire delle linee guida, ad esempio tramite metadati e un glossario, che ci consentono di poter accedere ai dati in modo facile e veloce, e di visualizzare eventuali anomalie e problemi da risolvere in modo tempestivo.
Pensa ad esempio ad una biblioteca: trovare un libro tra le migliaia di libri contenuti al suo interno diventa impossibile senza un sistema costruito appositamente per poterli catalogare e trovare al momento più opportuno.
2. Archiviazione dei dati
Dopo aver individuato i dati, come potrai intuire, è necessario costruire un’infrastruttura che conservi al sicuro tutti i dati in nostro possesso e nel modo più efficiente possibile.
Infatti la crescita dei Big Data e la loro condivisione tra aziende manca di un processo di condivisione efficace che consenta di accedervi facilmente senza avere la necessità di creare copie.
Un esempio è quello della ricerca di Forbes del 2012, con cui ha individuato un centro di ricerca medica che genera 100 terabyte di dati da vari strumenti, i quali però sono stati copiati e conservati da oltre 18 squadre per un totale di 10 petabyte.
Una conservazione dei dati decisamente poco efficiente. Immagina la loro gestione oggi, dopo più di 10 anni!
Nell’immagine d’esempio puoi vedere come la duplicazione dei dati da parte di ciascun sistema comporta un aumento del 400% dello spazio di archiviazione e delle attività di elaborazione.
3. Distribuzione e condivisione
In passato non esisteva un vero e proprio sistema per permettere la condivisione dei dati tra i membri del team. In caso di bisogno, quei pochi sviluppatori che ne avevano accesso li impacchettavano e li condividevano secondo le proprie modalità.
Questo comportava che, se ognuno aveva il proprio metodo di condivisione, chi non era addetto ai lavori doveva imparare tutti i processi di ogni singolo sviluppatore. Ciò si traduce in un incredibile spreco di tempo.
Oggi è necessario individuare delle procedure e regole comuni che permettano di accedere e condividere i dati in modo semplice e veloce.
Se ci pensiamo bene, grandi aziende come Google o Meta vivono della produzione e vendita dei dati. Per tale motivo la loro condivisione non può essere gestita più come una cortesia dello sviluppatore di turno, ma come un asset aziendale da affrontare tramite un processo standard condiviso.
Nel grafico di esempio qui sotto puoi vedere come i dettagli dei clienti memorizzati e referenziati in modi diversi in ciascuna applicazione operativa rendono difficile l’accesso e la comprensione ai dati.
L’utente è lo stesso ma, proprio perchè ogni reparto gestisce a proprio modo la raccolta dati, i dati sono sparsi, incompleti, a volte errati e confusi.
4. Integrazione con altre fonti dati
Il quarto “pilastro” di una Data Strategy è l’integrazione dei dati con altre fonti: sempre secondo SAS, il 40% dei costi aziendali viene bruciato nello sviluppo di sistemi di integrazione dati.
Ma cosa significa questo?
Le imprese che vivono di dati – ancora una volta pensiamo a Google e Meta – impiegano ingenti quantità di tempo nel costruire logiche per abbinare e collegare i dati tra le varie fonti dati, generate dai diversi sotto-team aziendali.
Questo è dovuto al fatto che ogni sotto-team lavora in genere per compartimento stagno: lavorano singolarmente, spesso non comunicano e non conoscono le metodologie degli altri team. Ergo, costruiscono i propri processi e infrastrutture tecnologiche in base alle proprie esigenze.
Il problema si presenta nel momento in cui questi dati devono essere intersecati tra di loro: ogni volta che questa attività si renderà necessaria, i team di sviluppo dovranno ricostruire la logica per incrociare i dati.
Se, come abbiamo detto prima, i dati sono un asset aziendale prezioso, è importante identificare lo sviluppo dei dati come una disciplina che richiede la stessa metodologia e gli stessi processi standard di integrazione, proprio come nella distribuzione dei dati.
Questo eviterà di “reinventare la ruota”, di sprecare budget, risorse e tempo.
Immagine di: Sas.com
E come vedi nell’immagine, se ciascuna fonte dati contiene dati unici – rappresentati da caselle colorate – ed ogni applicazione crea la propria logica di integrazione, allora i valori dei dati che si ottengono possono differire tra ciascuna applicazione.
5. Governance
La governance aziendale identifica chi possiede le responsabilità e la gestione decisionale di un’impresa. Inoltre rappresentano l’insieme di politiche e regole che tutti devono rispettare e seguire.
Una buona governance, però, non deve limitare l’accesso ai dati o introdurre regole ferree che interferiscano con il loro utilizzo: al contrario devono garantire facilmente l’accesso, l’utilizzo e la loro condivisione tramite una serie di processi decisionali atti al conseguimento dell’obiettivo d’impresa.
Costruire una Data Strategy in 4 fasi
Adesso che abbiamo visto il ruolo del purpose, del Cosa e del Perché all’interno di una Data Strategy, e quali sono i pilastri base per una corretta gestione e utilizzo dei dati, vediamo come si articola il suo sviluppo.
Possiamo distinguere quattro fasi principali:
- Formare un team di Gestione e Governance dei Dati;
- Identificare Dati e Source;
- Definire Obiettivi e Roadmap;
- Definire l’archiviazione dati e implementare la strategia.
1. Formare un team di Gestione e Governance dei Dati
Il primo passo è la creazione dei team di Data management e Data Governance: sono composti da esperti con competenze diverse, e il loro ruolo sarà cruciale nella supervisione, sviluppo e attuazione della strategia aziendale.
Un mix di competenze è essenziale per garantire una visione completa sull’utilizzo dei dati e per rispondere alle esigenze specifiche delle diverse funzioni aziendali.
2. Identificare Dati e Source
Identificare i dati rilevanti da includere nella strategia è una fase critica che richiede una stretta collaborazione con le diverse parti aziendali interessate.
Questo processo strategico non solo determinerà le sfide operative della gestione dei dati, ma influenzerà anche le scelte aziendali. Una comunicazione approfondita con gli stakeholder aziendali consentirà di raccogliere i requisiti, priorizzarli e associarli ai dati corrispondenti.
3. Definire Obiettivi e Roadmap
Definire degli obiettivi chiari, specifici e misurabili permette di valutare nel tempo l’efficienza delle attività all’interno di una strategia di dati. Essi dovranno essere inseriti all’interno di una roadmap di progetto dettagliata, il cui obiettivo sarà di guidare l’intera attività e motivare la struttura aziendale verso l’obiettivo comune.
4. Definire l’archiviazione dati e implementare la strategia
Giunti a questo punto, si dovrà scegliere il modello di archiviazione dati. Come visto prima sarà fondamentale avere delle strutture, processi e regole comuni che semplifichino il processo di integrazione e condivisione dei dati tra i vari reparti.
Infine si passerà alla fase di implementazione della strategia dei dati.
Conclusioni
Una Data Strategy ingloba una serie di conoscenze, asset, professionisti che fanno di questa disciplina un aspetto assai complicato, che merita di essere approfondito ulteriormente. Ecco un video con alcuni casi di Data Application estratti dal corso di Data Strategy.
Vuoi approfondire tutti gli aspetti che riguardano la Data Strategy? Allora ti consigliamo di farlo iniziando a studiare gratuitamente i corsi che trovi nel box qui sotto!
Fonti:
