Data analytics: chi comincia oggi sarà avvantaggiato

Gli insegnamenti fondamentali di Data Analytics per tutti

La mia ambizione nello scrivere questo libro è stata di offrire ai lettori tre benefici principali:

• Capire come gli analytics possano impattare sul loro lavoro quotidiano. Non parlo delle grandi strategie aziendali di lungo termine ma delle esigenze pratiche con cui tutti noi ci misuriamo quotidianamente nel lavoro.
• Diventare autonomi nell’automatizzare la gestione di semplici flussi di dati, utilizzando all’occorrenza gli algoritmi base del machine learning pur non diventando esperti di programmazione o data scientist professionisti.
• Acquisire confidenza con lo storytelling dei dati e imparare a tradurre fredde tabelle numeriche in narrazioni coinvolgenti, che convincano e ispirino azioni concrete di business.

Nel complesso, mi piace pensare che tutti i mei lettori possano completare la lettura travolti da un mix di ottimismo, confidenza e impazienza rispetto al grande valore potenziale (per lo più ignorato) di dati e algoritmi sul proprio posto di lavoro.

Un libro sulla Data Analytics davvero diverso dagli altri

Esistono molti buoni libri che trattano la data analytics: ho avuto l’opportunità di leggerne diversi mentre definivo i contenuti di Data Analytics per tutti. Volevo che questo libro fosse differente e offrisse un percorso di sviluppo all inclusive, accessibile davvero a chiunque, che andasse dai concetti fondamentali del machine learning e dell’intelligenza artificiale alle esigenze pratiche quotidiane di pulizia dei dati e di reporting.

Le differenze che ritengo più significative tra Data Analytics per tutti e gli altri libri sono le seguenti:

• non è richiesta preparazione pregressa in matematica o informatica. Molti altri libri danno per scontata la familiarità con la programmazione, l’interrogazione di database e la statistica. In questo libro invece tutto viene spiegato da zero. Per chi già mastica dati (compresi i data scientist) il libro offre, inoltre, una buona ripetizione dei concetti fondamentali arricchita da casi di business e competenze più umane come lo storytelling dei dati: repetita iuvant;
• questo libro mette nelle mani del lettore un kit da analista dei dati pienamente funzionale. Altri libri tendono a concentrarsi su un singolo strumento o linguaggio di programmazione. La data analytics di oggi copre bisogni molto sfaccettati: uno strumento singolo non potrà bastare. Per questo ho selezionato un insieme di tool complementari (KNIME e Power BI) capaci di soddisfare la gran parte delle esigenze quotidiane del data analyst. Una volta girata l’ultima pagina del libro, il lettore può accendere il portatile e integrare dati, automatizzare pipeline, costruire modelli di machine learning, progettare dashboard interattive e mettere insieme presentazioni accattivanti basate sui dati.

Scrivere pensando a chi legge

Durante la stesura del libro, ho sempre mantenuto l’attenzione sulle esigenze pratiche del lettore. Per me, il lettore è il vero boss dell’autore: sono i bisogni di chi leggerà a guidare quello che che va scritto. I lettori non ne vogliono sentire di aneddoti sensazionali e teoria fine a se stessa, né ricevere un elenco delle funzionalità del pacchetto tal dei tali. Vogliono sapere invece come costruire un ponte tra la potenza della data analytics e il proprio business. Vogliono mettere in pratica quello che leggono e che trovano interessante.

Leggi anche: Voglio imparare la Big Data Analytics, di Andrea De Mauro

Ho il piacere di collaborare con molte persone (esperte di dati e no) nell’applicazione della data analytics sul posto di lavoro. La mia esperienza di interazione con loro è stata cruciale nel decidere quale contenuti coprire nel libro e come spiegarli. Mi sono continuamente posto domande del tipo ma questo pezzo li aiuterà davvero con il loro problema?, questo livello di dettaglio sarà sufficiente per mettere in piedi questa analisi partendo da zero? Tutti i concetti presentati nei vari capitoli hanno un duplice scopo: mettere i lettori in grado di comprendere che cosa può fare la data analytics per loro e renderli utenti autonomi di una serie di strumenti software pensati a questo fine.

Ho deciso di alternare contenuti concettuali con tutorial pratici che diano immediatamente una possibilità di mettere in pratica quanto esposto. Non amo i libri che descriva qualcosa di interessante senza spiegare come riprodurlo! I tutorial nel mio libro assicurano che ciò non accada.

Le implicazioni di un titolo per tutti

La data analytics è un dominio vasto e complesso. Molte persone, seppure affascinate e attratte dall’argomento, restano intimidite dalla sua apparente inaccessibilità, si scoraggiano e neanche provano a cimentarsi nello studio. La realtà è che letteralmente chiunque può costruire la propria base di conoscenza della data analytics, coglierne il vero potenziale e afferrare le basi di come usarla nella pratica lavorativa. Mi piace pensare che il mio libro sia un punto di partenza accessibile a tutti i lettori, a prescindere dal loro livello di esperienza. La data analytics può essere uno strumento per tutti: renderlo tale è l’obiettivo del libro.

Quanto basta per capire gli analytics e metterli in azione

Per usare il computer nel lavoro di tutti i giorni, non bisogna essere specialisti informatici. Allo stesso modo, non serve essere data scientist certificati per trarre vantaggio dalla data analytics nella propria professione. Inoltre la conoscenza verticale di un dominio funzionale – come marketing, vendite, contabilità o risorse umane – amplifica di molto il valore della data analytics. I puri tecnici dei dati non sono sempre in grado di generare un impatto significativo e sostenibile sul business. La magia si verifica quando l’esperto di business incontra in prima persona la potenza della data analytics. Ecco perché permettere anche ai non tecnici di mettere le mani sugli analytics può fare davvero la differenza in azienda.

La data analytics può fare davvero la differenza nel business

Le organizzazioni hanno costruito negli anni la propria conoscenza del mercato in cui operano, della concorrenza, dei clienti e delle leve in grado di impattare sulla performance.

Quando entra in campo la data analytics, di solito le cose cambiano. Si manifestano nuove evidenze. Emergono verità inaspettate. Questo è intrinsecamente dirompente come un’alta marea, talvolta come uno tsunami. Alcune aziende cavalcano l’onda degli analytics come un’opportunità di accelerare la propria crescita e porsi in situazione di vantaggio competitivo. Altre aspettano passivamente che gli altri si muovano, assumendosi il rischio di andare in bancarotta. Non ripeterò qui la storia di Netflix e Blockbuster: oramai è cliché.

Ho visto organizzazioni affrontare brillantemente l’ondata della data analytics organizzandosi con il giusto talento e tecnologia; hanno generato crescita significativa lungo le direzioni più importanti per il loro business.

Questo processo è rapido ma anche graduale. La mia esperienza è che gli impatti più immediati si vedono con le applicazioni più semplici (talvolta banali) di analytics descrittiva. Creare dashboard che permettono a tutti di capire lo stato del business, democratizzare l’accesso ai dati e agli analytics per consentire di prendere decisioni robuste e data-driven: normalmente sono questi i modi più semplici e immediati per dare evidenza precoce del valore dei dati in una azienda. I primi successi generano l’entusiasmo e la sponsorship del management, due ingredienti essenziali per addentrarsi in applicazioni analitiche più avanzate e sfidanti.

Che cosa deve sapere chi inizia un percorso nella data analytics partendo da zero

La prima cosa da ricordare è di cercare incessantemente opportunità (semplici) di mettere in pratica quello che si è imparato. Accumulare conoscenze teoriche senza ottenere esperienza sul campo nella data analytics è una ricetta per il fallimento: presto la teoria verrà dimenticata e le priorità quotidiane prenderanno il sopravvento. Le cose continueranno a essere fatte come sono state sempre fatte e nessuno si assumerà il rischio di sperimentare con la data analytics.

Qualunque occasione, anche la più semplice, è un’ottima opportunità per sporcarsi le mani. Pensiamo per esempio all’automazione di una procedura ripetitiva di riformattazione dei dati, alla creazione di un cruscotto aziendale o alla presentazione degli insight rintracciati nei dati mediante tecniche di storytelling. Tutte queste attività (che vengono trattate nel libro) permettono di prendere confidenza con i dati e di generare il coraggio di sperimentare nuove vie.

La seconda cosa da ricordare è di organizzarsi per un apprendimento continuo: una volta che si inizia a imparare nell’ambito della data analytics non si smette mai! Il campo è in tale evoluzione che personalmente mi sembra di essere sempre in ritardo rispetto a quanto voglio imparare. Trovo utile preservare del tempo nella mia agenda settimanale per studiare nuovi strumenti e tecniche, cercando di applicarli subito alle mie esigenze di lavoro. Non è facile: questo richiede pianificazione e perseveranza.

Quale futuro attende la data analytics

Mi aspetto che diventi sempre più pervasiva sul posto di lavoro. Gli strumenti diverranno più semplici e accessibili; la conoscenza minima necessaria per farli funzionare sarà sempre di meno. In pratica, potremo fare di più con meno fatica. Strumenti come KNIME anticipano questa tendenza e sono l’Excel del futuro. Oggi Excel viene usato praticamente da chiunque svolga un lavoro di natura intellettuale. Lo stesso accadrà presto per quegli strumenti che oggi definiamo di advanced analytics, come il machine learning: questi saranno il pane quotidiano per (quasi) tutti. I concetti fondamentali dell’intelligenza artificiale (presenti nel libro) saranno insegnati nelle scuole primarie, diventando competenze di base per tutti.

Alcuni miti sulla data analytics

Ce ne sono tantissimi. Ne menziono alcuni:

• È un problema dell’IT e riguarda i tecnici. Niente di più sbagliato. La data analytics si è già dimostrata un propulsore irrinunciabile per il business. nel tempo, diverrà sempre più un ingrediente centrale del modello operativo di qualsiasi azienda. Non è uno strumento esoterico in mano a smanettoni: è un modo potente di condurre il business e chiunque in azienda dovrebbe sapere come usarlo. Marketing, vendite, risorse umane, finanza, ufficio legale: tutti possono trarre beneficio da dati e algoritmi se rimangono abbastanza curiosi per imparare e sufficientemente ambiziosi per sperimentare.
• La data science è un’attività per un singolo individuo. La verità è che per generare valore a partire dai dati è necessario il lavoro di gruppo. Pochi anni fa era diffusa l’idea che bastasse assumere un manipolo di data scientist, considerati come una sorta di supereroi dell’algoritmo. Sfruttare sistematicamente i dati e andare oltre l’aneddoto richiede più del lavoro di un singolo. Siamo tutti coinvolti, il top management in primis. Gli executive possono sicuramente delegare le complessità delle iniziative riguardanti i dati, ma non possono svincolarsi dalla sponsorizzazione in prima persona di un programma di data transformation, come descrivevo nel mio libro precedente, Big Data per il Business.
• L’intelligenza artificiale sostituisce l’intelligenza umana. Senza un essere umano alle spalle, l’intelligenza artificiale non vale niente. La fantascienza degli anni ottanta ci ha proposto intelligenze robotiche deumanizzate che potrebbero diventare ostili verso le persone o addirittura prenderne integralmente il posto. Si tratta, appunto, di fantascienza. L’intelligenza artificiale non fa altro che amplificare quella umana, non sostituirla. Gli algoritmi ci aiutano perché evidenziano schemi sottili (talvolta inaspettati) che, da umani, non abbiamo sufficiente banda cognitiva per riconoscere all’interno di grandi volumi di dati. Gli algoritmi possono automatizzare alcune delle procedure noiose e ripetitive necessarie in tanti ambiti aziendali e liberare le risorse umane per permettere loro di dedicarsi a quello che gli riesce meglio, come il pensiero causale e la creatività. L’intelligenza artificiale rende gli umani più umani!

Che cosa vedranno le persone che iniziano un percorso nella data analytics

Gli strumenti diventeranno nel tempo più immediati da usare. Alcune procedure complesse finiranno per diventare banali, permettendo alle persone di concentrarsi su ciò che non può essere ancora automatizzato. Questo renderà la disciplina ancora più interessante di quanto lo sia oggi.

Lo spiego con un esempio: all’università ho studiato come programmare in linguaggio assembly (nei primi anni dieci di questo secolo era già considerato un un argomento attempato e dotato di un notevole fascino vintage). Nella programmazione in assembly è necessario occuparsi con fatica di ogni passo dell’elaborazione, perché occorre pensare a ogni singolo aspetto che la CPU dovrà affrontare. Il risultato è che una semplice moltiplicazione di due numeri richiede diversi minuti di coding.

Con i linguaggi di programmazione moderni, che operano a un livello di astrazione superiore, otteniamo due righe di codice ciò che poteva richiedere diverse pagine di assembly. Programmare è diventato alla portata di molti. Tuttavia, occorre sempre sapere ciò che si sta facendo e il ruolo degli esperti informatici è importantissimo. Il tempo destinato a programmare una moltiplicazione si riduce notevolmente e questo permette di pensare a livello più strategico e creativo.

Lo stesso accadrà nel campo della data analytics. Gli strumenti si semplificheranno, ma gli operatori dovranno ugualmente sviluppare competenze specifiche per governarli al meglio. L’investimento nello studiare la data analytics promette ritorni molto positivi: chi inizia ora otterrà più vantaggi di chi ci arriverà più tardi. È un buon momento per imparare a fare analytics, tutti.

Immagine di apertura di Stephen Dawson su Unsplash.