La big data analysis permette di trasformare grandi moli di informazioni, diverse per origine e formato, in evidenze utili al miglioramento e all’innovazione dei processi aziendali. Ma come è possibile avviare un progetto di big data analysis? Ecco sei step fondamentali per partire con il piede giusto.
1. Valutare il big data maturity index
Innanzitutto occorre effettuare l’assessment della situazione esistente, valutando l’approccio più o meno evoluto dell’azienda nel gestire e processare i big data. Finora quale finalità hanno avuto i progetti analitici e quali strumenti sono stati adottati (ad esempio sistemi di business intelligence, advanced analytics, algoritmi predittivi e prescrittivi)?
Tipicamente si distinguono cinque livelli consequenziali di maturità, in base agli utilizzi degli analytics: monitoraggio a posteriori delle attività; estrazione degli insights per rilevare cause nascoste; ottimizzazione dei processi; monetizzazione dei dati per generare opportunità di business e profitti; metamorfosi dei modelli di business e dell’approccio al mercato.
2. Costruire la big data roadmap
Definito l’approccio aziendale ai big data, bisogna architettare il piano strategico e operativo. Per ogni progetto analitico bisogna studiare tutti gli aspetti pratici: quali dati vanno inclusi nel processo, quali sono le tecnologie da implementare, quali dipartimenti e figure vengono coinvolti, quali sono le finalità di business e così via. Non bisogna comunque dimenticare che ogni progetto va inserito all’interno di una big data roadmap (e relativo documento) coerente e di più ampio respiro, con un orizzonte temporale di due o tre anni.
3. Definire le priorità di business
Quando si avvia un progetto di big data analysis, bisogna valutare a monte il suo livello di criticità e priorità. Quale impatto avrà sul business e qual è la sua urgenza? Prevedere le conseguenze e i ritorni di un’iniziativa analitica è fondamentale per sviluppare secondo una logica sequenziale razionale la roadmap. Solo procedendo step-by-step si potrà concretizzare il progetto di un’azienda sempre più data-driven, dove gli analytics guidano i processi decisionali.
4. Implementare il progetto analitico
Dopo gli step iniziali di pianificazione, si può procedere con l’implementazione vera e propria del software e del processo di big data analysis. La mossa fondamentale è preparare l’azienda al nuovo workload analitico sotto diversi profili: potenziamento tecnologico qualora necessario a ospitare la nuova soluzione (ad esempio, aumento della capacità di calcolo o archiviazione); revisione dei processi coinvolti in ottica di razionalizzazione; selezione, pulizia e organizzazione delle informazioni pertinenti, nonché costruzione di un sistema di data management appropriato. Solo con queste premesse, sarà possibile iniziare il deployment degli analytics, partendo da piccole aree e procedendo a successivo ampliamento.
5. Riorganizzare risorse e attività
Come qualsiasi progetto tecnologico che impatta fortemente i processi operativi e strategici, le iniziative di big data analysis vanno supportate da un piano preciso di change management. Per il personale si tratta di adottare un nuovo modus operandi e serve effettuare un salto di pensiero. Occorre un aggiornamento delle competenze, attraverso la formazione delle risorse interne e l’acquisizione di figure specializzate.
6. Pensare come un data scientist
L’obiettivo ultimo è espandere la data literacy (ovvero la capacità individuale e collettiva di interpretare le informazioni attraverso l’uso degli analytics) e la data democracy (per estendere l’accesso alle informazioni a qualunque tipologia di utente secondo granularità).
Un processo di big data analysis che si chiude con successo prevede infatti la realizzazione dell’approccio “think like a data scientist”: le persone devono abituarsi al decision-making guidato dai dati come procedura comune e connaturata a qualsiasi attività aziendale.
