Dagli advanced analytics ai sistemi cognitivi, gli strumenti per monetizzare il patrimonio informativo aziendale sono sempre più evoluti nelle potenzialità, ma semplici nell’utilizzo (basti pensare alle applicazioni di data visualization che permettono a chiunque di interpretare le informazioni a beneficio dell’attività professionale). Tuttavia le soluzioni tecnologiche rappresentano solamente la punta dell’iceberg all’interno di una strategia di più ampio respiro, volta all’ottimizzazione dei processi e all’innovazione del business attraverso l’utilizzo dei dati.
Oggi infatti diventare una data driven enterprise è l’obiettivo di qualsiasi organizzazione che intenda cavalcare appieno le opportunità offerte dalla rivoluzione digitale e dal proliferare delle informazioni. Se ormai il termine viene ripetuto come un mantra dai vendor IT, non sempre è così chiaro alle aziende utenti che devono invece concretizzare il cambiamento abbracciando il nuovo modello.
La data driven company: cos’è e come funziona
Cosa si intende esattamente per “impresa guidata dai dati”? Sintetizzando, si tratta di un’organizzazione capace di gestire, processare e valorizzare le informazioni aziendali per restituire la massima efficienza ai processi operativi e decisionali, ma soprattutto per sviluppare nuovi modelli di business e trarre profitto economico. Peculiarità essenziale è l’implementazione di un sistema strutturato e coerente di information governance, nonché l’utilizzo pervasivo degli strumenti analitici per prendere decisioni consapevoli a qualsiasi livello.
Diventare una data driven company presuppone un percorso di maturazione a step: le informazioni e gli analytics vengono utilizzati allo stadio più basico per il monitoraggio dell’esistente, quindi per l’estrazione degli insights, l’ottimizzazione dei processi aziendali, la generazione di ulteriori guadagni e infine, al livello più alto, per lo sviluppo di approcci disruptive alla gestione del business.
Il ruolo degli analytics nell’impresa guidata dai dati
Dallo scenario descritto emerge chiaramente la necessità per le aziende di adottare il corretto impianto tecnologico di gestione e analisi dei dati, ma solo all’interno di una precisa roadmap di implementazione che include l’aggiornamento delle competenze e la “democratizzazione” della conoscenza. Chiunque nell’organizzazione deve essere in grado di accedere al patrimonio informativo e utilizzare gli strumenti analitici.
Partendo da questi presupposti, l’adozione degli analytics e dei sistemi di intelligenza artificiale permette l’elaborazione dei dati con diverso grado di profondità e quindi con differenti ricadute sul business.
L’analisi descrittiva – tipica dei classici strumenti di business intelligence – consente di esaminare lo storico dati per valutare a posteriori le performance di un’attività. L’analisi diagnostica rappresenta il passo successivo: il monitoraggio delle prestazioni è finalizzato infatti a individuare eventuali inefficienze dei processi e possibili sacche di miglioramento. Salendo di livello con la sofisticazione degli algoritmi, l’analisi predittiva consente di processare dati multi-formato, provenienti da più fonti e aggiornati in tempo reale, per ipotizzare scenari what-if e affinare le strategie aziendali (in sostanza, si prospettano eventi futuri con un alto grado di attendibilità e si misurano le conseguenze di eventuali decisioni). Infine, l’analisi prescrittiva, appannaggio ancora di pochissime realtà, si serve di tecniche avanzate di big data analytics e machine learning per suggerire – ed eventualmente eseguire in modo automatico – azioni correttive e migliorative in ottica di continous improvement.
Dalla business intelligence alle analisi avanzate sui big data
I progressi nel campo degli analytics e dell’intelligenza artificiale (ovvero l’insieme delle metodologie e delle tecnologie che permettono all’elaboratore di simulare le capacità di ragionamento umano) hanno permesso di sviluppare un ampia gamma di soluzioni per l’azienda data driven.
Gli advanced analytics, secondo la definizione di Gartner, fanno riferimento a tutta una serie di tecniche matematiche (ad esempio, le statistiche multivariate o gli algoritmi predittivi) e di strumenti informatici che consentono: l’estrazione delle informazioni pertinenti rispetto alla massa infinita dei big data, l’apprendimento automatico, il pattern matching, la previsione di eventi futuri e la simulazione di scenari what-if, la data visualization per individuare rapidamente gli insights, l’analisi semantica e del sentiment, l’analisi di reti e cluster.
Se, come anticipato, le soluzioni tradizionali di business intelligence processano i dati storici per esaminare i fenomeni passati, gli Advanced analytics si focalizzano sull’elaborazione di informazioni aggiornate dinamicamente e sulla predizione degli effetti che potrebbero comportare eventuali azioni di business.
Le nuove frontiere del cognitive computing
Con il termine “sistemi cognitivi” invece si pone l’accento sulla capacità delle piattaforme informatiche di simulare i processi di pensiero umani attraverso il ricorso a diversi modelli computazionali.
Le funzionalità di apprendimento automatico rappresentano il cuore del cognitive computing. Il cosiddetto machine learning è una disciplina dell’intelligenza artificiale che utilizza metodi statistici per migliorare progressivamente la performance di un algoritmo nell’identificare pattern nei dati, costruendo in modo induttivo un modello basato su dei campioni.
II machine learning si dirama in due approcci distinti. Il primo metodo ha l’obiettivo di sviluppare piattaforme general-purpose e si riferisce alle reti neurali, ovvero architetture computazionali ispirate alla struttura cerebrale biologica, che si basano su nodi interconnessi di informazioni elaborate in parallelo. La seconda tecnica invece intende costruire sistemi in grado di imparare solo attività specifiche e, pur richiedendo interventi di riprogrammazione per ogni nuova applicazioni, si rivela attualmente molto più efficace.
Il machine learning supporta le funzionalità di data mining che permettono ai sistemi cognitivi di estrarre le informazioni pertinenti alle finalità di analisi dal mare magnum dei big data in modo automatico o semi-automatico.
Caratteristiche dei cognitive systems sono anche le funzionalità di reasoning (ragionamento) e Nlp – natural language processing, che permettono di comprendere, elaborare e utilizzare il linguaggio umano.
Il cognitive computing trova impiego in una pluralità di applicazioni: ad esempio, nel campo della diagnostica medica, nel settore Retail per la realizzazione di personal shopper oppure presso le multinazionali dell’energia, che possono analizzare facilmente i big data provenienti dalle reti elettriche.
Processi e funzionalità analitici per l’azienda data driven
Se gli advanced analytics e i sistemi cognitivi sono le piattaforme principe per la moderna azienda digitalizzata, interessante è capire quali sono le funzionalità specifiche e le nuove frontiere applicative che oggi possono fare la differenza nel data driven journey.
Un esempio concreto è rappresentato dai sistemi di recommandation che tengono traccia delle preferenze esplicite fornite dagli utenti online (ad esempio, acquisti effettuati, recensioni pubblicate e likes sui social media) e che, attraverso l’uso di algoritmi di machine learning, forniscono all’azienda suggerimenti preziosi per lo sviluppo e la proposta di un’offerta personalizzata, in linea con le esigenze del singolo cliente.
Gli strumenti di analisi predittiva in generale sono infatti tra i catalizzatori principali dei budget It, perché permettono di predire trend e pattern di comportamento, sulla base dell’elaborazione di dati storici e attuali. Diventa quindi possibile pianificare e prevedere i risultati delle strategie aziendali, calcolando i rischi con un alto grado di attendibilità.
L’image recognition rappresenta una delle opportunità più interessanti soprattutto nel campo dell’automazione industriale e della sorveglianza: grazie alle funzionalità di machine learning, gli strumenti analitici permettono di rilevare e identificare un oggetto all’interno di un’immagine o di un video digitale.
L’analisi testuale attraverso le funzionalità di natural language processing è un abilitatore importante per l’azienda data driven. I documenti (come gli scambi di email, le conversazioni in chat o le chiamate vocali trascritte) racchiudono infatti un enorme patrimonio informativo per conoscere il cliente e misurare le performance dei servizi offerti. Strumenti di topic recognition o sentiment analysis permettono di intercettare tempestivamente eventuali situazioni critiche oppure per migliorare la qualità dei processi aziendali. Oggi ci sono sul mercato soluzioni che permettono di analizzare in maniera integrata contenuti multimediali, che includono testi e immagini.
Insomma, gli strumenti per il data driven journey sono già disponibili sul mercato. Occorre quindi la volontà della dirigenza e della compagine aziendale a tutti i livelli perché dati e analytics possano innescare la tanto auspicata trasformazione del business.
