Ok, ma una volta che io mi prefiggono di volerlo fare dei moniti Zach mi prefiggono di voler utilizzare i dati per generare valore per la mia organizzazione.

Quali sono le capabilities? Quali sono gli asset? Quali sono le cose che devo avere nella mia organizzazione per abilitare questo processo in questa slide? Ve le ho riportate.

Vengono dell'mit in particolare dalla Barbara Week.

Sam, sono queste cinque data asset data platform, the times data governance e customer understanding.

Ricapitoliamo insieme.

Poi ve la lascio leggere la slide, ma ve la racconto in breve io dataset sono tutti come curiamo i dati? Come facciamo sì che i dati possano essere comprensibili per tutti, utilizzabili da tutti.

Ok accessibili a tutti quanti.

Data platform Come faccio in modo che ci siano quanti piu' automatismi possibili per aggregare i dati in maniera intelligibile da tutti e che standardizzata che li ripuliscono per generare una qualità dei dati sufficiente che li aggiornino in maniera sensata.

Ok, questa è tutta la parte di data platform.

La ditta governance salto un attimo dalle tasse.

Invece è come faccio a fare una overview a tener d'occhio questi dati soprattutto in maniera automatica, per ridurre i rischi delle decisioni per non creare dei Bayes, ok, per creare delle azioni magari automatiche di decisione verso la mia verso.

La mia organizzazione data science è tutti sono tutti quei processi o quelle persone che mi aiutano a fare il piccolo chimico con i dati che io in azienda e che ho messo nella mia dieta platform.

Quindi magari ho creato un data lake apposito, una data warehouse fatta apposta per poterci fare delle altre chance sopra sono termini magari i tecnici, ma di fatto vuol dire ho un posto dove io metto i dati, che è fatto apposta per poter andare a giocare con questi dati si o no, non ce l'ho è difficile, okay, poterci monetizzare sopra e l'ultimo customer understanding, cioè la capa meeting custom understanding di solito non è inserita nelle del mondo dei dati.

Mai sbagliato.

Bisogna inserirla perché la mia non è Bates.

La mia il mio grado di competenza, della mia quantità di cose che so sui miei customer, sui miei possibili clienti mi aiuta a informare ancor di più tutto il processo, tutte le capabilities di cui sopra, di cui vi ho appena parlato e quindi a migliorare anche tutto quello che è sono magari le riduzioni dei costi che voglio fare nella vendita, aumentare il fatturato, eccetera eccetera.

E in più mi aiutano a creare quello che è la mia brand reputation, la mia community di persone intorno al mondo dei dati.

La customer understanding fa pienamente parte dei processi di strategia del mondo dei dati e questa è una cosa che spesso non viene considerata.

Andiamo avanti.

Queste capabilities che vi ho citato, quindi detta asset data platform, data science data, governance e customer understanding, quanto valore aggiunto ci generano davvero per il nostro business data driven? Beh, questa ricerca ci dice che tipicamente le aziende che sono anche top performer nel mondo dei dati e che quindi riescono davvero a guadagnare dal mondo dei dati con la dieta manifestation, hanno anche, guarda caso, il cinquantacinque percento in più di asset ll ottantatré per cento in piu' di metà platform come qualità di vita platform, i sei novantatré percento in più di The Times.

Ben fatta il sessantuno percento in più di una governance ben fatta e quarantasette per cento in piu', quindi quasi il cinquanta per cento in piu' di customer understanding rispetto alle aziende che non riescono invece a utilizzare bene il mondo dei dati.

Diciamo che è una cosa abbastanza logica, no? Se Larry adesso la red diciamo e scopriremo quanto logica è ovvio che, guarda caso le persone che usano meglio il mondo dei dati sono anche quelle che trattano i dati meglio questo è il è logico, ma è stato dimostrato.

Non dovete spaventarvi perché sicuramente nella vostra organizzazione, nel vostro business non sarete probabilmente al top con tutte queste business capabilities.

Ma non è un problema, è una cosa evolutiva, lo dicono anche quelle delle mst, quindi ve lo dicono per tranquillizzarvi.

In questo senso l'importante è che partiate da qualche parte, come si dice per arrivare in cima a una scala comunque dal primo gradino devi partire.

E qui vi dividono un pochino in questa slide tre step per ogni capabilities, quindi non so se parliamo di che ne sono a times.

Il resto ve lo lascio vedere.

Dita sai se potete partire anche solo dalla reportistica, quindi anche solo mettere in piedi la reportistica più sensata che potete per non so, per il vostro mondo dei selfie è una reportistica, magari pdf statici è comunque meglio di non avere nulla.

Poi potete passare a delle statistiche più avanzate, magari più ricercate magari con una una business intelligence, un po' più automatizzata, un po' più action.

Able quindi dove il seis può cliccare sui vari grafici e giocarci per andare magari a trovarci delle informazioni serie fino a poi metterci magari del machine learning e magari della data visualization spinta quindi machine learning, che fa modo fa' in modo di masticare, analizzare i miei dati, ma in maniera più sensata, più potente e in maniera automatica.

E che magari si parla con chi, nella nostra azienda o fuori dalla nostra azienda, si occupa di fare data visualization per noi e di contarsi i dati in modo che siano una storia per questo selfie che li deve utilizzare.

Quindi, come vedete è una cosa evolutiva.

Non dovete pensare di partire già dal machine learning, cominciate a fare della buona reportistica per tutti e già avete fatto un buon primo passo oppure andiamo sul customer understanding anche lì non vi dice di partire dal experimentation, quindi da fare in modo che insieme al vostro cliente, in maniera automatica e automatizzata, si riescano a creare le informazioni che vi servono partite intanto da sans making, quindi cominciate a fare, che ne so sans making sui social network, per esempio.

Poi passerete alla cooperation, quindi a cominciare ad ingaggiare il cliente possibile possibile lead nelle vostre scelte di business e poi alla fine arriverete alle experimentation.

Per farlo servono i dati.

Si, non dovete per forza partire dall'ultimo step, anzi, sconsiglio di partire dall'ultimo step, perché se non avete fatto esperienza con gli step precedenti, tipicamente andrete a schiantarmi contro.

Questo è un errore quando si parla spesso con i consulenti esterni che magari arrivano a proporvi già machine learning per avanzato quando la vostra azienda magari ancora non ha neanche la reportistica, magari ancora non ha neanche un data Lake aziendale doveva inserire tutti i dati.

State molto attenti a non fare il passo più lungo della gamba.

Questo non vuol dire che non dovete muovervi.

Mi raccomando, non prendetelo come una scusa, ma fate le cose per bene, eh? Diciamo riassumendo cosa vi serve per essere pronti.

Quindi, dal punto di vista dei dati vi serve sicuramente di cominciare a mettervi in gioco mentalmente per capire come aumentare il fatturato utilizzando i dati.

Se non fate questo passaggio mentale, chiaramente di che cosa stiamo parlando? secondo, cercate di creare e di gestire degli asset che possono essere utili in maniera dieta driven per le vostre linee di business.

Quindi cominciate Beau per Beau o se non avete le business unit.

Insomma Tim per TIM a capire quali sono i dati più interessanti che possono servire a questo team per lavorare meglio, per fatturare di piu', per essere più efficienti, per rinnovare Ok, create gli asset che vi servono pezzetto per pezzetto, come se fossero di Lego e poi l'ultima Non per importanza preparare una cultura dell'organizzazione cultura del dato.

Questo sicuramente tu che stai seguendo questo corso già lo stai facendo.

Sarebbe il caso di farlo fare a tutta la tua organizzazione.

Anche le persone che non devono poi lavorare col mondo del dato devono però avere un mindset data-driven senza il mix giusto.

E la persona che dovrà collaborare con il dita analisti non capirà certe cose, non capirà perché lo sta facendo senza il mix giusto.

La persona che dovrà data Scientist non capirà perché lo sta facendo senza il mix giusto, il middle management non capirà perché dai, dai, dai, si leverà, arrivano determinate richieste o perché dal mondo esterno arrivano dei customer, per esempio arrivano determinate richieste, quindi il mix è sicuramente uno dei passi piu' importanti.

É il piu' difficile perché sappiamo che ottenere il cambiamento nelle persone è una cosa complicata.