{"id":1949,"date":"2023-08-14T09:00:00","date_gmt":"2023-08-14T07:00:00","guid":{"rendered":"https:\/\/learnn.com\/blog\/?p=1949"},"modified":"2023-12-04T17:53:30","modified_gmt":"2023-12-04T15:53:30","slug":"come-costruire-una-data-strategy","status":"publish","type":"post","link":"https:\/\/learnn.com\/blog\/come-costruire-una-data-strategy\/","title":{"rendered":"Costruire una Data Strategy: il ruolo dei dati come asset aziendale"},"content":{"rendered":"\n

Cos\u2019\u00e8 la Data Strategy?<\/em> Secondo Paolo Raineri, creatore del corso omonimo su Learnn:<\/p>\n\n\n\n

\n

\u201cLa Data Strategy \u00e8 la strategia con cui si intende utilizzare i dati al fine di trarne beneficio per il business ed il purpose dell’organizzazione.\u201d<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n

\u00c8 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.<\/p>\n\n\n\n

Il risultato?<\/em> Le scelte prese sono slegate dal business, risultando cos\u00ec un azzardo piuttosto che delle solide decisioni nate da una base dati attendibile e dagli obiettivi aziendali.<\/p>\n\n\n\n

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?<\/em><\/p>\n\n\n\n

La risposta \u00e8 semplice: non si pu\u00f2 sapere. Servono i dati.<\/p>\n\n\n\n

Il ruolo del purpose<\/h3>\n\n\n\n

Un ruolo importante nella Data Strategy lo ha anche il purpose dell\u2019organizzazione, ovvero lo scopo per cui l\u2019azienda esiste al di l\u00e0 dell\u2019aspetto economico<\/strong>.<\/p>\n\n\n\n

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\u2019azzeramento delle emissioni di anidride carbonica.<\/p>\n\n\n

    <\/ul>\n\n\n\n

    What & Why<\/h3>\n\n\n\n

    Un’altra definizione che possiamo affiancare a quella di Paolo \u00e8 quella di Peter High, Presidente del Metis Strategy, che dice:<\/p>\n\n\n\n

    \n

    \u201cLa Data Strategy e l’IT Strategy rispondono al ‘What’ dell’organizzazione, la Business Strategy risponde al ‘Why'”.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n

    La Business Strategy ci dice il Perch\u00e9 (Why)<\/em> l’organizzazione sta compiendo determinate azioni per il business, mentre la Data Strategy e l\u2019IT Strategy rispondono al What<\/em>, ovvero alle azioni messe in atto per raggiungere l\u2019obiettivo che il business ci ha dato.<\/p>\n\n\n

      <\/ul>\n\n\n
        <\/ul>\n\n\n\n

        I 5 componenti per la gestione della Data Strategy<\/h2>\n\n\n\n

        L\u2019aspetto pi\u00f9 complicato della creazione di una Data Strategy \u00e8 il modo in cui i dati vengono archiviati e condivisi.<\/p>\n\n\n\n

        Per questo motivo, il primo passo di una strategia dati – e quello pi\u00f9 complicato e costoso – \u00e8 la progettazione di un piano completo che migliori tutte le fasi di acquisizione, conservazione, gestione, condivisione e utilizzo dei dati. Questi \u201cpilastri portanti\u201d della Data Strategy devono essere attentamente definiti per garantire il successo dell’approccio.<\/p>\n\n\n\n

        Secondo SAS Institute Inc. – societ\u00e0 di software e servizi di Business Analytics – una Data Strategy \u00e8 composta da cinque elementi che lavorano insieme al fine di supportare la gestione dati all\u2019interno di un’organizzazione<\/strong>.<\/p>\n\n\n\n

        Questi cinque elementi sono l\u2019identificazione dei dati, l\u2019archiviazione in un\u2019infrastruttura sicura, l\u2019integrazione dei dati tra diversi ambienti, la distribuzione regolamentata dei dati e la governance o supervisione dei dati.<\/p>\n\n\n\n

        Vediamoli singolarmente.<\/p>\n\n\n

          <\/ul>\n\n\n\n

          1. Identificazione e visualizzazione<\/h3>\n\n\n\n

          Lo step iniziale \u00e8 quello di individuare i dati e comprenderne il significato a prescindere dalla struttura, dall’origine o dalla loro posizione<\/strong>.<\/p>\n\n\n\n

          Individuare questi dati ci consente di definire delle linee guida<\/strong>, 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.<\/p>\n\n\n\n

          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 pi\u00f9 opportuno.<\/p>\n\n\n

          \n
          \"Un
          Un esempio di catalogo a schede dei dati – Immagine di: Sas.com<\/figcaption><\/figure><\/div>\n\n
            <\/ul>\n\n\n\n

            2. Archiviazione dei dati<\/h3>\n\n\n\n

            Dopo aver individuato i dati, come potrai intuire, \u00e8 necessario costruire un\u2019infrastruttura che conservi al sicuro tutti i dati in nostro possesso e nel modo pi\u00f9 efficiente possibile<\/strong>.<\/p>\n\n\n\n

            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 necessit\u00e0 di creare copie.<\/p>\n\n\n\n

            Un esempio \u00e8 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 per\u00f2 sono stati copiati e conservati da oltre 18 squadre per un totale di 10 petabyte.<\/p>\n\n\n\n

            Una conservazione dei dati decisamente poco efficiente. Immagina la loro gestione oggi, dopo pi\u00f9 di 10 anni!<\/p>\n\n\n\n

            Nell\u2019immagine d\u2019esempio puoi vedere come la duplicazione dei dati da parte di ciascun sistema comporta un aumento del 400% dello spazio di archiviazione e delle attivit\u00e0 di elaborazione.<\/p>\n\n\n

            \n
            \"Grafico
            Grafico che mostra la gestione errata dei dati, che ne causa la duplicazione – Immagine di: Sas.com<\/figcaption><\/figure><\/div>\n\n\n

            3. Distribuzione e condivisione<\/h3>\n\n\n\n

            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 modalit\u00e0.<\/p>\n\n\n\n

            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. Ci\u00f2 si traduce in un incredibile spreco di tempo<\/strong>.<\/p>\n\n\n\n

            Oggi \u00e8 necessario individuare delle procedure e regole comuni che permettano di accedere e condividere i dati in modo semplice e veloce.<\/p>\n\n\n\n

            Se ci pensiamo bene, grandi aziende come Google o Meta vivono della produzione e vendita dei dati. Per tale motivo la loro condivisione non pu\u00f2 essere gestita pi\u00f9 come una cortesia dello sviluppatore di turno, ma come un asset aziendale da affrontare tramite un processo standard condiviso.<\/strong><\/p>\n\n\n\n

            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\u2019accesso e la comprensione ai dati.<\/p>\n\n\n\n

            L\u2019utente \u00e8 lo stesso ma, proprio perch\u00e8 ogni reparto gestisce a proprio modo la raccolta dati, i dati sono sparsi, incompleti, a volte errati e confusi.<\/p>\n\n\n

            \n
            \"Esempio
            Immagine di: Sas.com<\/figcaption><\/figure><\/div>\n\n\n

            4. Integrazione con altre fonti dati<\/h3>\n\n\n\n

            Il quarto \u201cpilastro\u201d di una Data Strategy \u00e8 l\u2019integrazione dei dati con altre fonti: sempre secondo SAS, il 40% dei costi aziendali viene bruciato nello sviluppo di sistemi di integrazione dati<\/strong>.<\/p>\n\n\n\n

            Ma cosa significa questo?<\/em><\/p>\n\n\n\n

            Le imprese che vivono di dati – ancora una volta pensiamo a Google e Meta – impiegano ingenti quantit\u00e0 di tempo nel costruire logiche per abbinare e collegare i dati tra le varie fonti dati, generate dai diversi sotto-team aziendali.<\/p>\n\n\n\n

            Questo \u00e8 dovuto al fatto che ogni sotto-team lavora in genere per compartimento stagno<\/strong>: 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<\/strong>.<\/p>\n\n\n\n

            Il problema si presenta nel momento in cui questi dati devono essere intersecati tra di loro: ogni volta che questa attivit\u00e0 si render\u00e0 necessaria, i team di sviluppo dovranno ricostruire la logica per incrociare i dati.<\/p>\n\n\n\n

            Se, come abbiamo detto prima, i dati sono un asset aziendale prezioso, \u00e8 importante identificare lo sviluppo dei dati come una disciplina che richiede la stessa metodologia e gli stessi processi standard di integrazione<\/strong>, proprio come nella distribuzione dei dati.<\/p>\n\n\n\n

            Questo eviter\u00e0 di \u201creinventare la ruota\u201d, di sprecare budget, risorse e tempo.<\/p>\n\n\n

            \n
            \"Esempio
            Immagine di: Sas.com<\/figcaption><\/figure><\/div>\n\n\n

            Immagine di: Sas.com<\/p>\n\n\n\n

            E come vedi nell\u2019immagine, 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.<\/p>\n\n\n\n

            5. Governance<\/h3>\n\n\n\n

            La governance aziendale identifica chi possiede le responsabilit\u00e0 e la gestione decisionale di un’impresa<\/strong>. Inoltre rappresentano l\u2019insieme di politiche e regole <\/strong>che tutti devono rispettare e seguire.<\/p>\n\n\n\n

            Una buona governance, per\u00f2, non deve limitare l\u2019accesso ai dati o introdurre regole ferree che interferiscano con il loro utilizzo: al contrario devono garantire facilmente l\u2019accesso, l\u2019utilizzo e la loro condivisione<\/strong> tramite una serie di processi decisionali atti al conseguimento dell’obiettivo d’impresa. <\/p>\n\n\n\n

            Costruire una Data Strategy in 4 fasi<\/h2>\n\n\n\n

            Adesso che abbiamo visto il ruolo del purpose, del Cosa<\/em> e del Perch\u00e9<\/em> all\u2019interno 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.<\/p>\n\n\n\n

            Possiamo distinguere quattro fasi principali:<\/p>\n\n\n\n

              \n
            1. Formare un team di Gestione e Governance dei Dati;<\/li>\n\n\n\n
            2. Identificare Dati e Source;<\/li>\n\n\n\n
            3. Definire Obiettivi e Roadmap;<\/li>\n\n\n\n
            4. Definire l’archiviazione dati e implementare la strategia.<\/li>\n<\/ol>\n\n\n\n

              1. Formare un team di Gestione e Governance dei Dati<\/h3>\n\n\n\n

              Il primo passo \u00e8 la creazione dei team di Data management e Data Governance: sono composti da esperti con competenze diverse, e il loro ruolo sar\u00e0 cruciale nella supervisione, sviluppo e attuazione della strategia aziendale<\/strong>.<\/p>\n\n\n\n

              Un mix di competenze<\/strong> \u00e8 essenziale per garantire una visione completa sull’utilizzo dei dati e per rispondere alle esigenze specifiche delle diverse funzioni aziendali.<\/p>\n\n\n

                <\/ul>\n\n\n
                  <\/ul>\n\n\n\n

                  2. Identificare Dati e Source<\/h3>\n\n\n\n

                  Identificare i dati rilevanti da includere nella strategia \u00e8 una fase critica che richiede una stretta collaborazione con le diverse parti aziendali interessate<\/strong>.<\/p>\n\n\n\n

                  Questo processo strategico non solo determiner\u00e0 le sfide operative della gestione dei dati, ma influenzer\u00e0 anche le scelte aziendali<\/strong>. Una comunicazione approfondita con gli stakeholder aziendali consentir\u00e0 di raccogliere i requisiti, priorizzarli e associarli ai dati corrispondenti.<\/p>\n\n\n\n

                  3. Definire Obiettivi e Roadmap<\/h3>\n\n\n\n

                  Definire degli obiettivi chiari, specifici e misurabili<\/strong> permette di valutare nel tempo l\u2019efficienza delle attivit\u00e0 all\u2019interno di una strategia di dati. Essi dovranno essere inseriti all\u2019interno di una roadmap di progetto dettagliata<\/strong>, il cui obiettivo sar\u00e0 di guidare l’intera attivit\u00e0 e motivare la struttura aziendale verso l’obiettivo comune.<\/p>\n\n\n

                    <\/ul>\n\n\n
                      <\/ul>\n\n\n\n

                      4. Definire l’archiviazione dati e implementare la strategia<\/h3>\n\n\n\n

                      Giunti a questo punto, si dovr\u00e0 scegliere il modello di archiviazione dati. Come visto prima sar\u00e0 fondamentale avere delle strutture, processi e regole comuni che semplifichino il processo di integrazione e condivisione dei dati tra i vari reparti<\/strong>.<\/p>\n\n\n\n

                      Infine si passer\u00e0 alla fase di implementazione della strategia dei dati.<\/p>\n\n\n\n

                      Conclusioni<\/h2>\n\n\n\n

                      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<\/em>.<\/p>\n\n\n\n