Tutti concordano che la Data Science sia un elemento strategico per l’innovazione aziendale, ma poche aziende nel nostro paese prendono reali iniziative in questa direzione.
C’è una diffusa resistenza all’innovazione digitale e la sensazione che si sperimenta davanti a un prospect al quale proponiamo l’ultima soluzione di Big Data Analyitics è l’irrilevanza.
Molti manager mostrano interesse e curiosità, ma quando si viene al dunque si capisce che ciò che proponiamo non è poi così indispensabile, viste le urgenze del momento.
Si vive in una sorta di perpetua emergenza dell’ordinaria amministrazione e se la concorrenza non si muove neanche il nostro prospect tende a muoversi.
Il mercato rimane paralizzato e nessuno prende iniziative.
Sappiamo tutti che questo è un atteggiamento miope, che alla lunga non pagherà e metterà a rischio la sopravvivenza di molte aziende in Italia, che verranno minacciate sempre più dallo sbarco di aziende molto più concorrenziali che vengono da fuori.
È fondamentalmente un problema culturale che andrebbe colmato con attività formative continue a tutti i livelli aziendali, a partire dal management.
Ma vediamo quali sono i fattori che comunque già da oggi possono rappresentare uno stimolo a cambiare direzione per tutte le realtà che vogliano giocare la scommessa dell’innovazione, per poi fare qualche esempio concreto che approfondiremo in successivi blog post.
Data Lake fattore abilitante dei nuovi business
Il primo punto è legato alle infrastrutture informatiche.
I vendor tradizionali cercano di perpetuare all’infinito modelli on-premises, per salvaguardare l’installato e tutto il business della manutenzione ordinaria e straordinaria.
Abbiamo avuto come Linkalab vari casi aziendali in cui era evidente il pericolo di collasso di software ormai al limite delle loro capacità di accumulare informazioni ed eseguire calcoli complessi su questa massa di dati.
Ci si arrangia aggiungendo un disco qua e là, aumentando il throughput delle reti.
È come mettere delle pezze in una vasca che sta perdendo acqua da tutte le parti.
In questo quadro, anche aziende che hanno potenziale di crescita, sono limitate alla radice.
D’altro canto i dipartimenti IT mostrano una grande resistenza al cambiamento con le Business Unit che spingono per cambiare passo.
A partire dalle realtà più grandi la soluzione che sta emergendo è quella di affidarsi ai nuovi sistemi di Data Lake (il famoso Cloud) che inizialmente affiancandosi ai sistemi legacy introduce logiche trasversali di data management, mantenendo integrità e scalabilità della soluzione.
Oltre gli steccati dei silos applicativi
Un secondo punto legato al primo è che anche le applicazioni più diffuse, sistemi CRM, ERP.
Tali approcci hanno un impianto monolitico e scarsamente interagente con gli altri applicativi dei Data Warehouse.
Sono concepiti per fare una cosa molto bene, ma non sono in grado di evolvere velocemente nelle nuove direzioni di analisi avanzate e multidimensionali che implicherebbero il dialogo con gli output di altri software interni e magari con dati esterni.
Nel campo dell’analisi dati ci sono dei casi limite in cui il sistema prevede solo visualizzazioni elementari e se si vuole introdurre qualcosa di nuovo è il classico bagno di sangue.
Tipicamente nasce un’esigenza dal dipartimento marketing che vuole fare il salto di qualità nelle strategie di ‘churn detection’ e si rende conto che i dati del CRM non sono sufficienti, incluse le analisi statistiche già proposte, e che occorrerebbe incrociare questi dati con le statistiche degli accessi al portale aziendale, ai commenti sui social e così via.
Data Governance: nessuno sa come si fa!
Ovviamente non è tutto così semplice e lineare.
Quando si comincia a estrarre dati dalla loro sede nativa, nei formati più disparati e si mescolano tra di loro in un impianto di Data Lake occorre considerare il prezzo di una Data Governance tutta da impostare.
Ho visto con i miei occhi banche primarie del nostro paese brancolare nel buio nel cercare di mettere ordine nei dati provenienti dai propri sistemi, che avevano un significato nella loro collocazione originaria, ma che adesso non era più chiaro come catalogare in queste nuove configurazioni “liquide”.
Anche qui si presenta una questione culturale e di ampliamento delle conoscenze verso il mondo della classificazione semantica, delle tassonomie, delle ontologie fino a spingersi verso i concetti dei Linked Open Data.
Data Science: l’ultima frontiera è quella più difficile da raggiungere
Infine, una volta che siano stati risolti i problemi infrastrutturali e di piattaforma, occorre valutare l’impatto degli algoritmi della Data Science.
Ci sono delle soluzioni chiavi in mano, ma il più delle volte quello che serve è impostare delle procedure ad hoc.
Per questo è necessario affidarsi ad ambienti aperti di programmazione, tipicamente in Python, che partendo da librerie standard, consentano di costruire la propria soluzione a partire dalle molteplici fonti dati accumulate nei Data Lake.
Quanto sono pronte le PMI ad adottare questo scenario?
Quale è il livello di consapevolezza dell’importanza strategica della Data Science?
Avremo modo di approfondire nei prossimi blog post, specifici casi di business associati ad aziende innovative che hanno avuto il coraggio di andare oltre l’esistente e affacciarsi al nuovo mondo dei dati.