Dal momento che i dati sono ormai parte integrante del processo decisionale delle aziende, è fondamentale avere un’efficace data driven strategy. Solo con strumenti adeguati si può affrontare in modo efficace la sfida per rendere utilizzabili i dati raccolti ed elaborarli per ottenere le migliori indicazioni per il business.
Per ottenere immediatamente valore dai dati, è necessario che la loro analisi sia più rapida di quella disponibile utilizzando la tradizionale tecnologia di gestione.
Con l’esplosione dell’analisi dei dati web, dei social media e dell’Internet delle cose (IoT), c’è oggi l’opportunità di riprogettare radicalmente l’architettura dei dati per fornire alle organizzazioni un approccio a più livelli per la loro raccolta, con analisi dei dati storici e in tempo reale.
Data driven strategy, la base per l’elaborazione e l’archiviazione
L’IoT può essere un componente basilare all’interno di una data driven strategy perché permette di avere innumerevoli informazioni inerenti uno o più processi aziendali. Lo stesso vale per tutti gli altri dati che si possono ottenere relativamente alla propria attività o all’interazione con i clienti, attivi o potenziali. Però, affinché tali informazioni si trasformino in indicazioni strategiche per il business, è necessario poterle elaborare in modo adeguato.
Data driven strategy: i Big Data e gli analytics
L’infrastruttura per i Big Data e gli analytics è una combinazione di componenti che permette di realizzare un’architettura idonea ad avere i risultati di business attesi. Lo sviluppo di questa architettura coinvolge sia l’informatica, che deve fornire una potenza di calcolo adeguata, sia il networking aziendale, che deve consentire l’interconnettività e i servizi tecnologici necessari. L’infrastruttura è la base per l’elaborazione e l’archiviazione ottimali, da cui non si può prescindere se si vogliono gestire Big Data e analytics.
Tecnologia e l’infrastruttura per una data driven strategy
Le scelte tecnologiche avranno un impatto significativo sulla data driven strategy e sulla capacità delle organizzazioni di sfruttare i dati in modo strategico, consentendo di svincolarli dai vecchi ambienti monolitici per integrarli con altre fonti di dati al fine di creare qualcosa che risulti utile e significativo.
Data driven strategy e sistemi legacy
In molte aziende sono in uso sistemi informativi legacy, ovvero molto datati se non addirittura obsoleti, che per svariati motivi non sono mai stati aggiornati. Questi solitamente faticano a “dialogare” con i sistemi esterni più recenti a causa delle differenze tecnologiche. In tali situazioni, per abilitare una comunicazione che aiuti a stabilire relazioni di successo con la supply chain, bisogna mettere in atto semplici strategie per creare interfacce verso l’esterno. Così si possono ottenere aggiornamenti automatici dei dati e anche che i dati stessi si adattino all’evoluzione del processo. Dette strategie possono rimodellare un sistema legacy che, se reingegnerizzato, si può trasformare in un nuovo sistema informativo aziendale. Questo vale nel caso che il sistema legacy sia di un modello orientato ai dati o di un modello orientato ai processi.
Reingegnerizzare il sistema informativo per la data driven strategy
La tradizionale reingegnerizzazione orientata ai dati si concentra sulla migrazione di database di sistemi legacy verso gli attuali database relazionali, sulla standardizzazione dei dati aziendali, sull’integrazione di sistemi informativi separati e così via. La reingegnerizzazione orientata ai dati può anche essere condotta concentrandosi sul miglioramento delle tipologie di dati, una per una in modo pragmatico. Questo approccio elimina la possibilità di errori nel sistema e riduce al minimo l’impatto sul sistema stesso durante la riprogettazione.
La reingegnerizzazione orientata al processo considera ogni attività lavorativa e rimodella una parte rilevante del sistema legacy. Non è da escludere che si renda necessario estendere il sistema informativo legacy a un processo esterno.
Data driven strategy e intelligenza artificiale
Un altro aspetto da considerare è quello di rendere i dati facilmente utilizzabili dall’intelligenza artificiale (AI). Gli strumenti di intelligenza artificiale potrebbero svolgere un ruolo fondamentale nella produzione di interpretazioni “più sfumate”. Ad esempio, potrebbero interagire con l’Internet of Things per monitorare nuovi feed di dati ad alto volume o con strumenti di social auditing che mirano a misurare l’evoluzione delle tendenze del mercato e le mutevoli preferenze dei clienti per prevedere la variazione della domanda.
