Parliamo ormai da tempo di digital business e digital transformation, considerandoli determinanti per il futuro delle imprese. Fattori chiave sia del successo di aziende “digital native”, sia per la sopravvivenza di incumbent che stanno sperimentando l’inattesa comparsa nel proprio ecosistema di una concorrenza in grado di operare con modelli di business innovativi.
Modelli interamente basati sulle tecnologie dell’informazione, in grado di erodere significative quote di quel mercato fino ad allora di loro esclusivo appannaggio.
Si è parlato e scritto tantissimo su quanto una transizione verso il digital business comporti cambiamenti non solo nelle tecnologie, ma nei processi, nelle competenze, nella cultura d’impresa. È però innegabile che non c’è digital business senza dati.
Qual è il ruolo dei dati nel disegno e nell’esecuzione di una digital strategy?
Capiamolo tramite qualche esempio. L’interazione digitale con il cliente per mezzo di una app si esprime attraverso lo scambio di dati. Un processo complesso di gestione del customer journey digitale viene ideato, progettato, realizzato, eseguito, governato, grazie a dati raccolti, arricchiti, aggregati, acquisiti, trasformati, generati nelle varie fasi del suo ciclo di vita, dalla concezione all’esercizio.
Consideriamo in maggior dettaglio queste fasi.
Esercizio
Servono dati per gestire l’esercizio della relazione con il cliente, relazione che genera a sua volta informazioni: in un modello digital intensive questa interazione è automatizzata, anche perché parte del suo valore sta nella velocità della sua esecuzione, non interrotta da human task; l’intervento umano è elevato e limitato a ruolo di supervisione, di decisione, ad esempio, in caso di scelte non automatizzabili (magari per ora…) tra più opzioni.
Questa delega della gestione operativa del processo alla sola tecnologia implica una fiducia non solo nella sua capacità di portarlo a termine con successo, ma nell’attendibilità dei dati che essa tratta: si richiede che siano completi, accurati, tempestivi. Stiamo cioè parlando di soddisfare criteri di qualità del dato, qualità che deve essere garantita preventivamente, proattivamente.
Progettazione
Servono poi dati per supportare la fase di progettazione e realizzazione delle soluzioni tecnologiche a supporto del processo: c’è bisogno di dati sia per testare la soluzione, sia per addestrare un modello di machine learning.
È necessario identificare dati che configurino casi d’uso rappresentativi, garantendo ad esempio il rispetto di vincoli di protezione dei dati personali (ad esempio pseudonimizzando i dati di test o i training set); ma questo richiede un corredo di metadati (ownership, semantica, regole di masking) che consenta di qualificare, di corredare di una “carta di identità” i dati impiegati a questo scopo.
Ricerca e sviluppo
Anche le fasi propedeutiche alla realizzazione della soluzione (quali la ricerca di opportunità di digitalizzazione, sostenibilità/fattibilità di una business idea) richiedono dati opportunamente qualificati, cioè corredati di metadati in grado di determinarne nel dettaglio
- l’ubicazione nei sistemi informativi o
- la disponibilità in fonti accessibili all’azienda,
- l’attendibilità,
- i percorsi di trasformazione a cui sono sottoposti (regole di discovery, quality, lineage).
Data strategy, è utile?
Ma soprattutto serve una data strategy allineata alla strategia digitale. Senza una visione strategica che piloti e programmi la trasformazione digitale, il successo o il destino di un’azienda sono legati a un filo, quello dell’occasionalità, dell’opportunità episodica, che non è certo garanzia di risultato. Allo stesso modo è necessario stabilire una strategia che governi quello che oggi è ancora più di prima un patrimonio chiave dell’azienda: gli asset informativi. È necessario verificare che si disponga di tutto quanto occorre perché i dati siano riconoscibili, valutabili, disponibili in tutte le fasi di espressione del digital business, dalla strategia all’execution: metadati, processi, modelli organizzativi, tecnologie, competenze. È necessario identificare i gap e programmare un piano di adeguamento che sia in linea con i requisiti e i tempi della strategia digitale. Significa portare la data governance a dignità di fattore abilitante di una visione strategica per il futuro dell’impresa.
Molti CDO che ho avuto occasione di incontrare sono consapevoli di questa necessità, ma quanti CEO, quanti altri C-level lo sono? Quasi tutte le banche e le assicurazioni italiane, ad esempio, hanno definito e attivato propri standard di data governance e hanno costituito specifiche unità organizzative a presidio di questi standard, ma lo hanno fatto soprattutto in risposta alle spinte regolamentari del settore (Basilea, Solvency, BCBS 239, ecc…). Solo per alcune di esse la compliance alle normative è stata un’occasione di maturazione, un punto di partenza di un percorso finalizzato ad una migliore qualificazione del patrimonio informativo per un suo impiego più strategico.
Per altre il sistema di data governance è rimasto un’incombenza, un obbligo formale a cui conformarsi e ottemperare al minor costo possibile. In altri settori, meno caratterizzati da vincoli regolamentari, le imprese stanno intraprendendo programmi di qualificazione e valorizzazione degli asset informativi in modo più consapevole del ruolo chiave dei dati nelle strategie aziendali. Per esse è stato da subito chiaro che i dati sono la componente chiave del digital business e che solo una data governance in grado di garantirne un presidio costante consente di sfruttarne completamente il potenziale.
