La crescita del volume di informazioni a disposizione delle aziende è una delle conseguenze più vistose della Digital Transformation. La mole di dati, tuttavia, non costituisce di per sé un valore per il business. È necessario, infatti, che i dati diventino informazioni "azionabili", ovvero dati che possono essere utilizzati per prendere decisioni strategiche e operazionali informate.
In tale contesto, la Decision Intelligence rappresenta la pratica di maggiore valore aggiunto per il business: non a caso, le analisi di mercato prevedono che il tasso di crescita aggregato (CAGR) di questa tecnologia sarà del 17,2% nel periodo 2024-2032. Con la Decision Intelligence, grazie all’uso dell’Artificial Intelligence e degli Advanced Analytics, i dati vengono tradotti in previsioni di business, enunciate con il linguaggio proprio del dominio aziendale o del settore merceologico di riferimento. Le aziende che investono in infrastrutture di dati robuste, tecnologie avanzate di analisi e sviluppano una cultura aziendale basata sui dati, sono meglio posizionate per prendere decisioni strategiche efficaci e ottenere un vantaggio competitivo nel mercato.
Nel Manufacturing, ad esempio, la Decision Intelligence può suggerire in che misura modificare i piani di produzione in previsione delle future richieste del mercato; nel Finance, può indicare come adeguare il portafoglio investimenti in base alle previsioni di performance degli stessi; in ambito Retail, infine, la Decision Intelligence può fornire indicazioni sulle modifiche al layout dello store, derivanti dai “pattern” esistenti tra disposizione della merce e processo d’acquisto.
Il valore aggiunto della Decision Intelligence è quello di supportare e migliorare il processo decisionale strategico delle aziende, combinando scienza dei dati, intelligenza artificiale (AI) e tecniche di analisi avanzata con feedback ricevuti in tempo reale.
La necessità di costruire un approccio data-driven
Il fondamento della Decision Intelligence è una solida base informativa, ovvero una politica strutturata di Data Governance che definisca come raccogliere, preparare e rendere disponibili, in modo stabile e continuativo, i dati oggetto delle analisi. Tuttavia, la realtà delle aziende è variegata e complessa e costituisce, spesso, un ostacolo ad un uso dei dati coerente e funzionale.
L’Osservatorio Big Data e Business Analytics del Politecnico di Milano evidenzia il problema: da un lato l’utilizzo di pratiche di analisi dei dati (BI e Data Visualization) è pervasivo tra le grandi aziende italiane (73%); dall’altro lato, una percentuale ben minore è in grado di garantire la fruibilità dei dati in tutti i domini aziendali (19%). Ma non è l’unica criticità. Lo studio mostra che, seppure sia alta la percentuale di aziende con progetti attivi di Advanced Analytics (73%), solo nella metà dei casi i risultati hanno impatti sul business.
Per superare queste criticità, è fondamentale implementare un’architettura data-driven che permetta di integrare i dati provenienti da diverse fonti aziendali, e garantire la loro accessibilità a tutti i dipartimenti. Parallelamente, è cruciale stabilire politiche di gestione dei dati efficaci per assicurare qualità, sicurezza e coerenza delle informazioni utilizzate.
Decision Intelligence: un processo in 4 step
Un’architettura data-driven è, dunque, il presupposto necessario per riuscire a cogliere i vantaggi della Decision Intelligence. La catena di valore dei dati si costruisce attraverso un processo in quattro fasi:
- Data Governance. In questa fase viene costruita l’infrastruttura necessaria alla raccolta e preparazione dei dati. La figura di riferimento è il Data Engineer. I dati sono sia quelli già presenti nei dei database aziendali, sia quelli raccolti in tempo reale; le fonti possono essere aggiunte o eliminate dinamicamente. I dati vengono integrati e normalizzati, al fine di fornire informazioni coerenti.
- Semilavorati Machine Learning. L’azienda può implementare in modo facilitato gli algoritmi di Machine Learning, che sono per loro natura complessi. Le piattaforme di mercato, come ad esempio Amazon QuickSight o Microsoft Power BI, mettono a disposizione modelli pre-addestrati, funzionalità preconfigurate o componenti elementari da utilizzare come base per costruire soluzioni personalizzate e dashboard facilmente comprensibili.
- Advanced Analytics. I Data Scientist e i Business Analyst identificano sia i processi di business, sia gli algoritmi da applicare. I modelli vengono elaborati e aggiornati secondo un ciclo ricorsivo: identificazione del business, preparazione del modello, test di validazione, rilascio, feedback di correzione. In questa fase, l’Artificial Intelligence individua i pattern di comportamento, combinando i dati storicizzati e quelli in tempo reale, grazie ai quali l’analisi predittiva risulta particolarmente accurata.
- Decision Intelligence. I responsabili del business e gli utenti finali del processo utilizzano gli esiti dell’Advanced Analytics per prendere decisioni strategiche supportate da riscontri oggettivi. Sia i processi di business, sia i processi interni all’azienda possono essere ottimizzati grazie all’approccio data-driven. Per facilitare l’utilizzo, le piattaforme mettono a disposizione interfacce NLP – Natural Language Processing, che consentono ai Manager di ipotizzare scenari di business ponendo domande in linguaggio naturale.
Va sottolineato che la collaborazione tra le figure coinvolte nel processo, ovvero Data Engineer, Data Scientist, Business Analyst e Decision-maker, è fondamentale al fine di garantire coerenza nell’intero processo.
Decision Intelligence: le Best Practice
L’implementazione della Decision Intelligence può avvenire secondo modelli diversi, a seconda delle risorse disponibili e della dimensione dell’azienda. Per le grandi imprese, le Best Practice si focalizzano sulla scalabilità e la gestione di operazioni complesse:
- Implementazione di Data Lake e Data Warehouse per centralizzare e organizzare grandi quantità di dati, facilitando l'accesso e l'analisi.
- Utilizzo di Tecnologie Avanzate di Machine Learning e Business Intelligence per sfruttare algoritmi avanzati per analizzare dati complessi e fornire insight predittivi e prescrittivi.
- Utilizzo del Cloud Computing per scalare facilmente l’elaborazione dei dati e facilitare l’accesso in tempo reale grazie a infrastrutture cloud che offrono flessibilità e riduzione dei costi operativi.
- Uso Estensivo dell’Automazione di Processo per automatizzare processi ripetitivi, migliorare l'efficienza operativa e ridurre gli errori umani, liberando risorse per attività a maggior valore.
- Sviluppo di Team Inter-Funzionali Articolati al fine di creare team composti da esperti di diverse discipline (dati, IT, business) per assicurare che le decisioni siano informate da diverse prospettive.
Per le PMI, invece, le Best Practice si concentrano su approcci graduali e soluzioni “ready to use”:
- Implementazione di Progetti Pilota di Piccole Dimensioni: iniziare con progetti pilota per testare e dimostrare il valore della Decision Intelligence su scala ridotta, minimizzando i rischi.
- Utilizzo di Soluzioni Cloud “Pay per Use”: adottare servizi cloud che permettono di pagare solo per le risorse effettivamente utilizzate, riducendo i costi iniziali e offrendo scalabilità secondo necessità.
- Adozione di Piattaforme Integrate di Raccolta Dati, Analisi e Visualizzazione: utilizzare strumenti che combinano raccolta, analisi e visualizzazione dei dati in un'unica piattaforma, semplificando l’implementazione e l’uso.
- Uso Estensivo dei Semilavorati di Machine Learning: sfruttare modelli di machine learning pre-addestrati e soluzioni pre-configurate per accelerare l'adozione e ridurre la complessità tecnica.
La tendenza prevalente nel mercato è la progressiva adozione degli approcci data-driven a supporto del business, e la consapevolezza del valore insito nei dati stimola la domanda di soluzioni in grado di sfruttare tale valore. Allo stesso tempo, le tecnologie di avanguardia come, ad esempio, l’Artificial Intelligence, offrono soluzioni tanto raffinate quanto semplici da usare, che facilitano l’adozione della tecnologia. In questo scenario, è opportuno che soluzioni dal grande potenziale di business, come la Decision Intelligence, siano adottate secondo metodi e best practice consolidate, al fine di garantire il miglioramento delle performance e il ritorno degli investimenti atteso.
