Aumentare i ricavi, ridurre i costi e individuare nuove opportunità. La Data Science è la disciplina in grado di trasformare i dati aziendali in veri e propri assets, il cui valore è enorme per la capacità di supportare le aziende nelle loro scelte.
Oggi le organizzazioni di maggiore successo devono i loro risultati migliori a decisioni funzionali prese in modo sistematico e razionale, e alla loro capacità di lasciarsi guidare sempre di più dai dati e sempre meno dall’intuito.
Uno degli elementi più importanti a sostegno del loro successo è la Data Science, sintesi della brillante fusione di analisi dei dati e deduzione, sviluppo di algoritmi e tecnologia.
In queste aziende, team di specialisti (Data Scientist) raccolgo dati e analytics, li modellano per trarne insight dal valore sorprendente e, infine, li trasformano in scelte e azioni vincenti.
Prima di parlare di Data Science, meglio però fare chiarezza sul significato di alcuni termini che è giusto conoscere se si vuole approcciare questa materia: parole a cui spesso è attribuito significato analogo, ma che in realtà esprimono concetti e significati molto diversi tra loro.
- Dati: i dati sono insiemi di frammenti digitali, strutturati o destrutturati, spesso privi di organizzazione logica. Hanno un enorme valore intrinseco perché contengono informazioni preziose che nella forma originaria ‘grezza’, non possono essere ancora utilizzabili per giungere a delle valutazioni.
I dati costituiscono l’elemento fondante di ogni operazione di analisi finalizzata alla deduzione di nuove intuizioni di business. Bisogna però saperli raccogliere, gestire e analizzare: è necessario avere le competenze per sapere quali dati raccogliere e definirne un percorso di valorizzazione.
I dati – secondo Michael Mandel (Chief Economic Strategist presso il Progressive Policy Institute), non sono né un prodotto né un servizio, ma un giacimento di potenziale valore da estrarre con sofisticate tecniche analitiche.
- Informazioni: quando i dati sono stati analizzati e inseriti in un modello di valutazione in grado di restituire elementi di valutazione intelligibili, parliamo di informazioni.
- Insight: sono le intuizioni che si ottengono leggendo i dati e le informazioni, per capire la ragioni che stanno alla base di una determinata situazione. Sono deduzioni illuminanti che ci consentono di comprendere meglio una situazione e di agire in modo diverso da quanto consiglierebbe l’intuito.
Il compito della Data Science è di trasformare i dati grezzi in insight e quindi in decisioni migliori e più consapevoli. È una scienza e – in quanto tale – garantisce un approccio sistematico e logico all’analisi dei dati, un aspetto molto importante se si considera che il panorama dei dati è multiforme, che le fonti (e i formati di dati) che li generano sono molteplici e tutte diverse, oltre che la loro natura cambia con il tempo e con l’utilizzo.
Statistica, matematica, fisica computazionale, competenze informatiche di alto livello, e business sense. Tutto questo, insieme, è la Data Science.
Data science, la qualità di un approccio multidisciplinare
I processi di valutazione tradizionali mostrano il loro più grosso limite nell’incapacità di definire un raffronto trasversale tra le informazioni: la Data Science si distingue invece per il suo approccio interdisciplinare, capace di integrare competenze, teorie e metodi differenti in un unico sistema di conoscenza.
Tra tutte le competenze, il business sense è forse l’attitudine più rilevante perché è quella componente indispensabile per unire l’analisi e la raccolta di informazioni al valore, quell’abilità e sollecitudine a tradurre ogni quesito di business in una risposta basata sui dati. L’attitudine a collegare aspetti isolati – che presi da soli possono essere privi di valore nell’immediato – in un modello integrato e calato nella dimensione dell’azienda, diventa il presupposto fondante di scelte che si traducono in vantaggio competitivo.
È inevitabilmente molto difficile per le persone passare da un modello decisionale costruito sull’esperienza personale ad uno basato sui dati, soprattutto quando le informazioni contraddicono il sentire comune, ma sovvertire uno “status quo” è molto più semplice se ognuno può “vedere” come una determinata scelta potrà contribuire al raggiungimento di un risultato certo. Quindi, iniziare a cercare informazioni senza una strategia di orientamento, senza essersi posti delle domande di business sostanziali a cui rispondere con i dati, rischia di essere dispersivo e costoso.
La Data Science e la statistica non sono magie oscure, non hanno la capacità di risolvere magicamente i problemi delle aziende. Servono quesiti sfidanti, serve curiosità imprenditoriale. Solo allora potranno diventare strumenti utilissimi per aiutare le organizzazioni a prendere decisioni più accurate e a porsi nuove domande di business.
Del resto, la quantità di dati che si possono raccogliere è oggi potenzialmente infinita (più difficile è invece dedurne degli insight, la cui generazione richiede una particolare sensibilità a comprendere le esigenze di business delle aziende) ma se questi elementi non vengono utilizzati e trasformati in qualcosa di più interessante, a cosa servono? La Data Science è in grado di fornire a quei dati un significato è un’utilità nuova di enorme valore.
Come funziona la Data Science e chi se ne occupa?
L’obiettivo della Data Science è di costruire un modello capace di estrarre degli insight “business-focused” dalle diverse fonti di dati a disposizione. Una ricerca granulare e immersiva per esplorare e comprendere comportamenti, trend e implicazioni di tipo complesso, dedurre informazioni rilevanti e aiutare le aziende a prendere le decisioni di business più appropriate.
Questo compito presuppone la capacità di saper investigare il valore del flusso ininterrotto di informazioni che pervade ogni area di un’azienda e trasformarlo in opportunità, un’analisi che spesso deve essere costruita secondo un modello di elaborazione continuativa perché diverse funzioni aziendali hanno necessità di informazioni costanti e regolari.
La Data Science è inoltre una disciplina in continua evoluzione, che presuppone esperienza di statistica, matematica, economia, tecnologia, capacità di contestualizzazione dei risultati e di comunicazione ai business users. Queste competenze fanno riferimento a professionisti con funzioni differenti: business intelligence analyst, data analyst e data architect, data scientist e data engineer, solo per citare alcuni ruoli.
È per questo che nelle aziende si creano team eterogenei, con competenze e ruoli diversi, spesso multisciplinari. Possono quindi essere impiegati data analyst per ispezionare i dati prima della presentazione al team di lavoro e per costruire un modello validante, ma possono servire anche data engineers per costruire pipelines che arricchiscano i data set e li rendano fruibili a tutta l’azienda.
Spesso inoltre i data scientist non appartengono a team di lavoro isolati ma svolgono il loro lavoro in supporto ad altre funzioni aziendali, per esempio all’interno dei team di sviluppo, con compiti e responsabilità di business. In questo ruolo, acquisiscono un’importanza cross funzionale e possono orchestrare dati, tool, codice e contesto collaborativo dall’inizio alla fine di uno sviluppo, con il vantaggio di avere una ricerca contestualizzata e costante della soluzione più economica e pratica per raggiungere con successo un obiettivo specifico.
La loro attitudine e il loro approccio alla valutazione si trasferiscono anche ai componenti del team di lavoro, un effetto che si verifica spesso in modo molto fluido ed efficace.
Qual è il processo per individuare un insight?
L’attività ha inizio da un’esigenza e da quesiti di business, una o più questioni sfidanti cui si vuole trovare una risposta. Le domande iniziali devono mettere in discussione in modo critico un processo esistente o tendere ad affrontare da diversi punti di vista un nuovo argomento. Dalla scelta della domanda più rilevante e ispirativa (es. “come identificare le categorie di clienti più propense ad acquistare un determinato prodotto”) inzia il processo di valutazione.
Dopo aver isolato le domande di business corrette e individuato una potenziale via di studio, i data scientist danno avvio al processo di raccolta dei dati. In questa fase, i Data Science team dedicano buona parte del loro tempo a ricercare e collezionare dati, normalizzandoli e ripulendoli da ciò che è irrilevante. I dati possono provenire da diverse fonti ufficiali, come il CRM, Google Analytics, form o nuovi strumenti di raccolta appositamente predisposti. Altri dati possono invece provenire da fonti diverse, anche distanti dall’azienda o dal settore, che possono però diventare determinanti in fase di analisi. Età, genere, transazioni precedenti, interazioni digitali, fenomeni esterni al contesto: ogni dato può diventare importante se letto e analizzato in relazione ad altri.
La terza fase si concentra sull’esplorazione degli elementi raccolti. A fronte di un quesito di business, il data scientist diventa un investigatore il cui compito è di comprendere quali pattern di comportamento e quali caratteristiche si nascondono tra i dati stessi. Questa operazione richiede una buona dose di creatività analitica e l’applicazione di tecniche di tipo quantitativo, come modelli deduttivi, analisi di segmenti, previsioni, esperimenti di controllo ecc.. con l’obiettivo di affrontare in modo scientifico (e data-driven) la ricerca di informazioni e di insight.
Buona parte del materiale raccolto inizialmente contiene anomalie, che possono essere rimosse solo dopo aver compreso ogni attributo del dataset. Con approccio critico, il data scientist analizza la mancanza eventuale di dati e se questa carenza di dati può in qualche modo condizionare la completezza delle informazioni; considera la presenza di dati invalidi e come risolvere ogni errore; studia il formato dei dati, se ci sono diversi data set e se l’unione delle fonti può avere senso.
Dopo tutte queste operazioni di normalizzazione, i dati sono pronti per l’analisi. Non si possono avere informazioni corrette da dati sbagliati e quindi ognuna delle tre fasi fin qui descritte deve essere condotta con rigoroso scrupolo scientifico: avere dati errati è un’opzione peggiore di non averne.
Modellare i dati per ottenere informazioni
Quando finalmente si arriva alla modellazione dei dati, diventa possibile analizzare e visualizzare i risultati dell’incrocio degli elementi selezionati per comporre informazioni rilevanti, individuare ipotesi e spunti di interesse. Compito del data scientist è di dare una spiegazione scientifica a ogni pattern e di valutare la compatibilità dei dati nel contesto di un modello predefinito. Il data modeling è un processo utile a definire e a rappresentare il sistema complesso dei dati in un diagramma comprensibile, che rappresenta il flusso che i dati devono seguire e che diventa una base, chiamata blueprint per ogni successiva implementazione.
Un modello diventa uno strumento di semplificazione del volume di dati e di sintesi in un’equazione matematica, indispensabile per confermare ogni tipo di ipotesi e di predizione. È il preludio alla presentazione finale che avviene secondo i parametri dello storytelling e gli schemi di rappresentazione visiva più adatti a rendere comprensibile il risultato finale.
Data driven companies: soluzione vincente
I progetti realizzati con il contributo della Data Science hanno un ritorno sull’investimento esponenziale per la capacità di disporre di insight unici e di grande valore immediato.
Una data driven company riesce infatti ad accedere ad un set di previsioni e di intuizioni esclusive che permettono di rincofigurare consapevolmente i processi e di guidare ogni decisione di business; è un percorso di trasformazione digitale che coinvolge prima gli schemi organizzativi, le scelte tecnologiche e, subito dopo, i prodotti o servizi che ne derivano.
Questa capacità di generare un vantaggio competitivo, di saper intercettare e disegnare nuovi modelli di business e orientare le strategie di una società fa riferimento a professionisti con competenze singolari e quindi rari da individuare nel mercato del lavoro.
Un data scientist è infatti una persona che si pone delle domande e cerca di valorizzare delle risposte, non un semplice analista.
Saper individuare figure professionali con capacità così distintive è molto difficile poiché il numero complessivo di data scientist è di molto inferiore alle richieste delle aziende e il valore che possono generare sempre più chiaro a tutti.