Questo sito utilizza cookie per raccogliere informazioni sull'utilizzo. Cliccando su questo banner o navigando il sito, acconsenti all'uso dei cookie. Leggi la nostra cookie policy.OK
Le aziende italiane mature per essere data driven enterprise? Si direbbe di no…
09 maggio 2017
Pensare all’evoluzione di un’azienda in ottica data driven significa porre attenzione a diversi aspetti, tra i quali quello delle tecnologie non solo non è il principale, ma soprattutto non è quello più complesso da affrontare. Nell’articolo, sulla base delle indicazioni fornite dall’ Osservatorio Big Data Analytics & Business Intelligence della School of Management del Politecnico di Milano si cerca di capire qual è il livello di maturità raggiunto dalle aziende italiane dove il 26% risulta ancora all’inizio del percorso
Solo l’8% delle organizzazioni si colloca a un livello elevato di maturità nel Big Data Journey mentre il 26% è ancora all’inizio del percorso. Situazione intermedia, dove alcuni parametri sono privilegiati rispetto ad altri, per il 66% delle aziende analizzate. E’ quanto è emerso dai dati dell’Osservatorio Big Data Analytics & Business Intelligence della School of Management del Politecnico di Milano, che, oltre a indagare il livello di penetrazione delle tecnologie di analytics presenti, e di prossima implementazione, nelle aziende in Italia sia per dimensione e aree aziendali sia per settore, ha posto l’attenzione sul livello di maturazione complessivo delle imprese nel raggiungimento dell’obiettivo della trasformazione verso una data driven enterprise sulla base di 4 dimensioni:
  • strategia: capire qual è l’approccio dell’azienda o della pubblica amministrazione alla gestione degli analyticse se questo si inserisce in un piano strategico;
  • modalità di gestione dei dati: si tratta di un parametro essenziale (e che in parte rappresenta la cartina di tornasole del precedente) e riguarda la gestione del dato all’interno dell’organizzazione ossia la modalità con cui i dati vengo immagazzinati nei sistemi aziendali e vengono resi disponibili ai vari applicativi;
  • competenze e governance: comprendere quali sono le competenze presenti in azienda relativamente alla gestione e analisi del dato e come si configura la governance dei sistemi di analytics;
  • tecnologia: valutare il framework tecnologico adottato per quanto riguarda gestione dei dati e loro analisi
Sulla base di casi analizzati nel corso di anni di attività nonché della letteratura disponibile, l’Osservatorio ha identificato quattro approcci principali alla governance degli analytics, dei quali riassumiamo brevemente le caratteristiche:
  • Centralizzato: struttura dedicata alla data science, con l’identificazione formale di un Chief Data Scientist, che raccoglie le richieste del business.
    • Pro: struttura efficiente e riconfigurabile con sviluppo di prassi consolidate di gestione dei progetti di data science e di competenze eterogenee nel team.
    • Contro: si genera competizione all’interno dell’organizzazione per accedere alle risorse di data science e diventa complesso il coinvolgimento di business unit più tradizionali.
  • Matriciale: esiste una figura di Chief Data Scientist che ha il ruolo di coordinare le progettualità in modo cross rispetto alle funzioni di business, ma il team di data scientist è diluito all’interno delle diverse funzioni di business, ed è caratterizzato da un riporto duplice, nei confronti del proprio referente di business e del Chief Data Scientist.
    • Pro: le scelte tecnologiche e gli approcci progettuali sono maggiormente armonizzati e i data scientist, grazie al loro posizionamento, sono nativamente agevolati a sviluppare conoscenza verticale di business.
    • Contro: la presenza di un duplice coordinamento sulle risorse rende la struttura più complessa da gestire, così come la prioritizzazione dei progetti. Non è infine semplice l’inserimento organizzativo dei data scientist.
  • Business Driven: non esiste una figura di coordinamento dei data scientist, che sono collocati a livello organizzativo direttamente nelle funzioni di business di riferimento.
    • Pro: tempi di risposta veloci, un controllo maggiore dei dati da parte della business line e una conoscenza verticale del business (come nel modello precedente).
    • Contro:  le scelte tecnologiche possono rilevarsi spesso disomogenee e contrastanti, la visione dei dati può risultare parziale e verticale, i profili di data scientist sono molto specializzati, ma hanno una limitata visibilità cross funzionale.
  • Ibrido: rappresenta una composizione dei precedenti, con la coesistenza di una struttura organizzativa indipendente e la presenza di unità di data science nelle singole linee di business. Questo approccio richiede la progettazione di dettaglio di ruoli organizzativi, competenze e attività delle varie anime organizzative e del coordinamento tra struttura indipendente ed unità di business. In questa progettazione bisogna tener conto dei pro e dei contro dei modelli precedenti al fine di delineare un’organizzazione che, ovviamente, ne ottimizzi i vantaggi.
Quelle riportate sono solo alcune indicazioni principali, per leggere l’articolo completo pubblicato su ZeroUno vai all’articolo Big Data: qual è il livello di maturità delle aziende italiane