Sei consapevole che i dati sono una risorsa preziosa per la tua organizzazione e hai deciso di tuffarti nel mondo dell’analisi dati avviando un progetto di Data Analytics. Ma c’è un problema: non sai da dove iniziare. La ricchissima offerta di tecnologie per la gestione e l’analisi dei dati non aiuta e, anzi, aumenta la confusione e il senso di frustrazione.

Abraham Lincoln diceva “datemi sei ore per abbattere un albero e spenderò le prime quattro per affilare l’ascia”. Allo stesso modo, in un progetto di Data Analytics è fondamentale ragionare su quali siano gli obiettivi e l’approccio più opportuno prima di gettarci a capofitto nella sua realizzazione.

In questo articolo vogliamo analizzare i passi fondamentali di un progetto di Data Analytics: una guida pratica utile a definire un efficace piano di progetto, a ridurre i rischi di errore e a comprendere come approcciare nel modo migliore il mondo della Data Analytics. Indipendentemente dalla natura e dalla complessità delle tecniche che utilizzerai (Business Intelligence, Process Mining, Machine Learning, etc.) questi consigli sono validi per qualunque progetto di Data Analytics.

Passo 1: comprendere il business

Il primo passo consiste nel definire in modo esauriente l’obiettivo di business che si intende raggiungere con il progetto. Sembra incredibile, ma questo primo step è spesso l’ostacolo maggiore del nostro progetto di Data Analytics.

Innanzitutto, per individuare l’obiettivo del progetto dovremmo prima comprendere il nostro business: il mercato in cui si opera, le alleanze chiave, le caratteristiche peculiari della nostra offerta di valore e, soprattutto, la strategia per affrontare le sfide del futuro. La comprensione del business permette di identificare le aree critiche della nostra azienda sulle quali focalizzare l’attenzione e, quindi, di individuare i possibili obiettivi che la Data Analytics potrebbe aiutarci a raggiungere.

Iniziare un progetto senza avere chiari gli obiettivi da raggiungere e la strategia, pensando di affrontare imprevisti e correggere errori man mano che si presentano, non è la strada giusta per ottenere risultati concreti e durevoli. C’è inoltre un altro elemento da considerare: l’azienda deve aver fiducia in questi “approcci innovativi” ed è quindi indispensabile che il progetto coinvolga le persone e le aiuti a risolvere un problema preciso.

Partire da intenti chiari e ben definiti è un fattore chiave per il successo di qualsiasi tipo di progetto, ma lo è in particolare per un progetto di Data Analytics.

Ad esempio, un possibile obiettivo di business potrebbe essere dover migliorare la pianificazione della produzione adoperando la Data Analytics per prevedere quanti articoli acquisteranno i clienti. È importante ricordare che è sempre necessario stabilire anche un criterio quantitativo per misurare il successo del progetto: in altre parole, dovrai individuare dei KPI che ci diranno quanto siamo riusciti a raggiungere l’obiettivo del progetto.

Passo 2: ottenere i dati

Una volta compreso l’obiettivo del progetto, è il momento di iniziare a cercare i dati.

Si parte dal censimento dei dati di cui disponi. Un’organizzazione già matura in questo campo dovrebbe avere una visione dell’architettura dei sistemi IT e dei dati ben definita (una sorta di catalogo dei dati disponibili) e, dal punto di vista tecnico, un data warehouse. In tal caso, la fase successiva del progetto sarebbe davvero molto semplice. Se, invece, parti da una situazione diversa allora dovrai necessariamente esplorare i sistemi IT dell’azienda per comprendere quali siano i dati di cui disponi, le informazioni che potenzialmente trasportano e il livello di qualità dei dati.

È importante ricordare che i dati sono connessi ai processi: un processo genera ineluttabilmente dati e ha bisogno di dati per poter essere eseguito. Quindi nella ricerca parti dalla conoscenza dei processi della tua organizzazione. Anche in questo caso potresti trovarti in situazioni diverse: in alcune organizzazioni i processi sono ben definiti e documentati, integrati nell’architettura dei sistemi IT e dei dati; in altre, invece, la conoscenza dei processi aziendali potrebbe essere tacita, racchiusa nell’esperienza delle persone o, peggio ancora, in qualche obsoleto sistema informatico.

Non fermarti ai dati connessi direttamente ai processi coinvolti nel tuo progetto (ad esempio: non fermarti ai dati delle vendite se vuoi prevedere le vendite), ma cerca il più lontano possibile, prova ad allargare il campo della tua ricerca. Chiedi in giro, a tutti i tuoi colleghi: i dati si annidano nei posti più impensabili all’interno della nostra organizzazione, molto spesso custoditi in fogli excel.

Cerca anche fuori dalla tua organizzazione. Esistono tante sorgenti dati da cui potresti attingere conoscenza. Ad esempio, le condivisioni effettuate sui social network riguardanti i prodotti della tua azienda, abbinati ai dati delle vendite, potrebbero diventare una fonte dati preziosa.

Passo 3: esplorare e pulire i dati

Una volta ottenuti i dati, è il momento di iniziare a lavorarli ed esplorarli per comprendere cosa hai a disposizione per raggiungere l’obiettivo. Non appena arriverai alle prime conclusioni poni delle domande ai tuoi colleghi per validarle. Ad esempio, se scopri dai dati che un processo non inizia mai in determinati giorni chiedi il motivo ai colleghi che lavorano su quel processo. Ricorda: la conoscenza estratta dai dati riduce la necessità di interazione con le persone per ottenere informazioni utili, ma non potrà mai soppiantarla completamente.

Il passaggio successivo è la cosiddetta pulizia dei dati. Per “pulizia” intendiamo un insieme di trasformazioni necessarie per assicurare che i dati:

• abbiano il formato desiderato e rispettino determinate regole di coerenza;
• siano organizzati in modo da facilitare l’analisi e consentire il raggiungimento dell’obiettivo di analisi;
• consentano di conservare informazioni altrimenti non disponibili (ad esempio, il valore assunto da una metrica in un determinato giorno del mese).

Questa è la fase più complessa, perché potrebbe richiedere fino all’80% del lavoro totale del progetto. Ed è spesso anche la più sottovalutata, poiché si crede – erroneamente – che aver digitalizzato un processo equivalga a disporre anche dei dati per analizzare il processo stesso e trarre così qualsiasi tipo di conclusione sulle sue performance. Purtroppo, non è così. Fino a quando non ci adoperiamo per raccogliere e trasformare i dati in base alle specifiche necessità, questi non saranno mai come vorremmo.

Infine, un elemento di fondamentale importanza nella preparazione dei dati è assicurare la privacy. La protezione dei dati personali sta diventando sempre più importante nella vita delle persone. Dovrebbe esserlo anche per te e per la tua azienda, sin dall’inizio del tuo viaggio nella Data Analytics. Non pensare alla privacy come ad un mero adempimento normativo. Ricorda che i tuoi utenti e i tuoi clienti apprezzeranno sempre gli sforzi profusi per assicurare un corretto utilizzo dei dati sensibili. Per realizzare progetti che rispettino i principi della privacy, sarà molto importante usare tecnologie che consentano di centralizzare la governance dei dati, lungo tutto il loro ciclo di vita.

Passo 4: creare visualizzazioni utili

Ora dovresti avere un set di dati (o forse anche più di uno), puliti e ottimizzati per il tuo scopo di analisi. È arrivato il momento di iniziare ad esplorarli costruendo dei grafici.

La visualizzazione dei dati traduce le informazioni in oggetti visivi, per facilitarne la comprensione e stimolare le intuizioni. L’obiettivo principale della visualizzazione dei dati è semplificare l’identificazione di modelli, tendenze e valori anomali in un set di dati (soprattutto con data set di grandi dimensioni).

La visualizzazione dei dati è un’attività sempre più importante nella Data Analytics: affinché il tuo progetto abbia successo è indispensabile che riesca a produrre report visivi e interattivi che permettano a chi li osserva di interpretarli con facilità e cogliere velocemente le informazioni più significative. Naturalmente, i sistemi di Business Intelligence e Data Analytics di ultima generazione offrono tante funzionalità per ottenere una buona visualizzazione dei dati.

Comprendere come utilizzare al meglio le funzionalità di elaborazione visiva offerta da questi software è di fondamentale importanza per il tuo progetto. Non si tratta di creare un semplice istogramma o un grafico a torta come siamo abituati a fare con un foglio excel: oggi le possibilità di rappresentazione visuale dei dati sono davvero infinite. Si sta sviluppando una specie di “scienza della visualizzazione del dato” che richiede studio e dedizione per essere padroneggiata.

Passo 5: diventare predittivo

Il prossimo step del tuo progetto di Data Analytics è il più divertente. Gli algoritmi di machine learning possono aiutarti ad estrarre informazioni molto utili dai dati a tua disposizione.

Ad esempio, grazie agli algoritmi di clustering è possibile creare modelli per raggruppare automaticamente i tuoi dati in “cluster”, non chiaramente distinguibili con la visualizzazione grafica e le altre tecniche di analisi descrittiva. Immaginiamo, come applicazione pratica, la capacità di creare cluster dei nostri clienti oppure dei progetti della nostra azienda: l’algoritmo individua le caratteristiche che influiscono maggiormente sul raggruppamento, aiutandoci a comprendere quale sia il modo più opportuno per gestire ogni cluster.

Se disponi delle competenze necessarie, puoi andare ancora oltre e cimentarti nelle previsioni del futuro. Gli algoritmi predittivi analizzano i dati del passato, trovano le caratteristiche che hanno influenzato le tendenze e le usano per costruire previsioni sul futuro. Come puoi immaginare il valore di questa analisi è molto alto: fare previsioni attendibili riduce l’incertezza e aiuta ad assumere le decisioni opportune per migliorare le performance.

Infine, per ottenere un vantaggio reale dal tuo progetto di Data Analytics, ricorda che il tuo modello predittivo deve essere reso operativo per aiutare le persone nelle attività quotidiane. Quindi, nella scelta delle tecnologie che utilizzerai per creare il modello, non dimenticare questo aspetto: alla fine, quando avrai ottenuto un algoritmo che funziona come vorresti, ricorda che devi integrarlo nei sistemi IT con cui gestisci i processi.

Passo 6: iterare, iterare, iterare

Il modello di un progetto di Data Analytics deve essere fortemente iterativo: è impossibile pianificare in dettaglio tutte le attività se prima non si sono affrontati in modo pratico dei problemi; ad esempio, è impossibile comprendere quanto sia complessa la pulizia dei dati se prima non si valutano i dati effettivamente disponibili. Inoltre, suggeriamo sempre di coinvolgere attivamente l’utente in questo tipo di progetti. Fai partecipare i tuoi utenti in ogni fase del progetto e, soprattutto, consegna loro dei prototipi il prima possibile nel corso del progetto.

Il più grande errore che potresti commettere in un progetto di Data Analytics è pensare che un modello o un report di analisi, una volta costruito e reso operativo, continuerà a funzionare in modo ottimale per sempre. Al contrario, la qualità dei modelli diminuirà nel tempo se non vengono continuamente alimentati con nuovi dati e i report di analisi diventeranno presto inattuali e gli utenti si stancheranno di consultarli.

Per completare con successo il tuo primo progetto di Data Analytics, devi partire dall’assunto che il tuo modello e il tuo report non sarà mai completamente “completo”.

Ciò non significa che un progetto di Data Analytics non abbia mai fine (altrimenti non sarebbe un progetto). Dobbiamo invece gestire questa particolarità in due modi: da un lato, adottare un approccio fortemente iterativo nella gestione del progetto; dall’altro, prepararci ad eseguire più progetti e abituarci all’idea che la Data Analytics entrerà a far parte delle attività chiave della nostra azienda.