Cos'è la strategia dei dati?

I vantaggi di una solida strategia dei dati sono molti di più:

Risoluzione delle sfide derivanti dalla gestione dei dati

La maggior parte delle organizzazioni si trova a dover affrontare sfide di gestione dei dati come silos di dati, duplicazione di dati tra le unità aziendali, flusso di dati inefficiente tra i reparti e mancanza di chiarezza sulle priorità dei dati. Una strategia dei dati consente alle aziende di risolvere queste sfide rendendo i dati accessibili e condivisi in modo sicuro. È possibile sfruttare il valore dei dati per soddisfare le iniziative aziendali. Un migliore allineamento sui dati e l'accesso ai dati giusti al momento giusto consentono alle organizzazioni di prepararsi al futuro o all'ignoto.

Migliore esperienza e fedeltà del cliente

Le organizzazioni utilizzano dati e analisi per comprendere meglio i clienti e migliorarne l'esperienza. Dalle esperienze online ai contact center, le organizzazioni possono utilizzare i dati per creare più valore per i clienti e rispondere in modo proattivo alle esigenze non soddisfatte. I dati aiutano inoltre le organizzazioni a creare nuove opportunità di business o di monetizzazione e a costruire prodotti e servizi iper-personalizzati basati sulle esigenze dei clienti. Le esperienze personalizzate sono anche in grado di rafforzare la fidelizzazione dei clienti nel tempo.

Raggiungimento della maturità analitica

Il Gartner Analytic Ascendancy Model definisce quattro fasi di maturità analitica. In genere le organizzazioni iniziano con analisi descrittive e diagnostiche per capire cosa è successo e perché. La maturità analitica arriva quando l'organizzazione passa all'analisi predittiva, che utilizza i dati per rispondere a ciò che accadrà. Le organizzazioni nella fase finale della maturità utilizzano l'analisi prescrittiva per ottenere risultati predeterminati. Una strategia dei dati definisce quindi un piano dettagliato per aiutare l'organizzazione a prendere decisioni basate sulla previsione anziché sul senno di poi.

Crea applicazioni a prova di futuro, come il machine learning e l'IA generativa

I dati sono al centro delle applicazioni ML e di IA generativa. I modelli ML e IA richiedono la capacità di importare e gestire facilmente i dati per addestrare modelli ed eseguire inferenze. Una strategia dei dati tiene conto dei dati che alimentano casi d'uso come il riconoscimento delle immagini, le previsioni e la ricerca intelligente nelle applicazioni. È inoltre necessario tenere conto della governance del ML, la quale include la gestione dei modelli di dati.

Creazione di una cultura dei dati a livello di organizzazione

Una strategia dei dati presenta una tabella di marcia per migliorare l'alfabetizzazione e l'efficienza nell'uso dei dati in tutta l'organizzazione. Team eterogenei possono lavorare in sintonia per migliorare la qualità e l'accuratezza della raccolta dei dati. Inoltre, è possibile sviluppare una formazione personalizzata e creare percorsi di apprendimento per i collaboratori, affinché passino da principianti a esperti nella gestione e nell'utilizzo dei dati.

Garanzia della conformità normativa

Una valida strategia dei dati migliora la sicurezza degli stessi implementando misure per limitare l'accesso non autorizzato ai dati. Nel definire le policy e i processi è possibile tenere conto di tutte le norme e i regolamenti in materia di governance dei dati. Tutte le operazioni possono essere pianificate con cura per garantire che la gestione dei dati aziendali mantenga la privacy, la sicurezza e l'integrità dei dati in ogni momento.

Esistono due approcci principali alla creazione di una strategia dei dati per la propria organizzazione.

Centralizzazione

Un approccio alla gestione dei dati altamente centralizzato e orientato al controllo, include in genere un'unica fonte di attendibilità per ogni categoria di dati. Ad esempio, esiste una fonte primaria di dati sulle entrate, sui clienti o sulle vendite. I sistemi di dati raccolgono i dati da diverse fonti, li puliscono e li conservano in questo archivio centrale. L'approccio ai dati difensivo riduce quindi al minimo il rischio a valle identificando, standardizzando e amministrando origini dati autorevoli per mantenere l'integrità dei dati che fluiscono attraverso i sistemi interni dell'azienda. Il sistema stabilisce le priorità delle attività, come ad esempio le seguenti:

• Conformità e regolamenti
• Rilevamento di attività fraudolente tramite l'analisi dei dati
• Misure di sicurezza per la prevenzione di furti

Decentralizzato

Un approccio decentralizzato aggiunge maggiore flessibilità ai sistemi di gestione dei dati gestiti centralmente. Questo approccio riconosce che più unità aziendali interpretano gli stessi dati in modo diverso. Si adatta a queste diverse interpretazioni consentendo trasformazioni controllate dei dati che possono essere ricondotte in modo affidabile all'unica fonte di attendibilità.

Ad esempio, si consideri uno scenario in cui sia il reparto finanziario che quello marketing producono report mensili sulla spesa per la pubblicità sui social media. Il marketing, interessato ad analizzare l'efficacia degli annunci, produce report sull'impatto della spesa sui clic e sulle visualizzazioni. Il reparto finanziario produce report sull'effetto delle spese sul flusso di cassa. I rapporti contengono numeri diversi, ma entrambi rappresentano una versione accurata della verità.

Equilibra gli approcci alla strategia dei dati

Ogni azienda deve incorporare approcci centralizzati e decentralizzati affinché la propria strategia dei dati abbia successo, ma trovare il giusto equilibrio può essere complicato. Gli approcci decentralizzati tendono a essere operazioni in tempo reale e sono più rilevanti per le funzioni aziendali incentrate sul cliente, come il marketing e le vendite. Gli approcci centralizzati sono più importanti per i reparti legali, finanziari, di conformità e IT. Una strategia dei dati equilibrata offre ai leader aziendali la flessibilità necessaria per adattare l'unica fonte di attendibilità in modi coerenti per soddisfare meglio le esigenze aziendali.

Identifica le iniziative aziendali finanziate

Il primo passo consiste nell'allinearsi alle iniziative commerciali finanziate. Per questo, è possibile utilizzare la metodologia Lavorare a ritroso di Amazon. Successivamente, stabilisci quali dati sono necessari per tali iniziative aziendali.  Quindi identifica quali funzionalità di dati sono necessarie per supportare le iniziative aziendali.

Ecco alcuni esempi di passaggi per la creazione di una strategia di dati:  

• Sostieni l'iniziativa imprenditoriale finanziata da qualcun altro
• Identifica le funzionalità dei dati richieste
• Determina la condizione dei dati necessari
• Crea una tabella di marcia per la strategia dei dati
• Identifica quali pratiche operative aziendali, come l'architettura aziendale e la gestione dei progetti, possono supportare la strategia dei dati
• Integra con i programmi di strategia di IA

Costruzione di un team

Trovare le persone giuste pronte ad apportare un ventaglio di punti di vista diversificati è indispensabile per il successo della strategia dei dati. Il team sarà responsabile di diversi incarichi, tra cui i seguenti:

• Assegnazione e distribuzione delle risorse
• Definizione e miglioramento delle policy
• Gestione dei problemi relativi ai dati non appena questi si presentano
• Comunicazione dello stato e dei risultati del programma

È inoltre possibile assegnare ruoli di governance dei dati per determinare i responsabili dell'implementazione delle tecnologie, garantire la conformità agli standard e fornire aggiornamenti a tutti gli interessati sulle modifiche alle policy.

Ottimizzazione dell'architettura dei dati

Qualsiasi strategia dei dati richiede gli strumenti e le tecnologie giuste per risultare di successo nella pratica. Sarà necessario esaminare l'infrastruttura di dati esistente, analizzare il modo in cui i diversi team utilizzano attualmente i dati e identificare eventuali lacune da risolvere. Questa fase comporta in genere decisioni incentrate sulla tecnologia e basate sui propri requisiti, che possono includere i seguenti elementi:

• Volume e tipo di dati
• Qualità e analisi dei dati
• Sicurezza e conformità
• Ciclo di vita dei dati

In definitiva, l'obiettivo è creare una strategia dei dati che li renda il più possibile accessibili, condivisibili e fruibili da tutti gli stakeholder che ne hanno bisogno, con i dovuti controlli di sicurezza.

Integra con il programma di strategia di IA

Per generare valore dall'intelligenza artificiale e dal machine learning, i dati sottostanti devono soddisfare le esigenze delle iniziative specifiche associate ai modelli di intelligenza artificiale e machine learning per garantire una qualità adeguata dei dati, l'integrazione, la sicurezza e così via. Pertanto, è necessario instaurare una partnership tra i team di strategia dei dati e quelli di strategia dell'IA.

Considerazioni speciali sulla governance per IA/ML

L'IA/ML introduce nuove funzionalità di cui dobbiamo tenere conto nella nostra strategia dei dati. Ad esempio:

• Archivi funzionalità
• Conformità normativa aggiuntiva
• MLOps
• Nuove considerazioni etiche
• Considerazioni sull'IA generativa