Voglio imparare la Big Data Analytics

Big Data, intelligenza artificiale, data analytics, machine learning, data science, cloud: tutte queste espressioni sono diventate protagoniste di articoli, lezioni universitarie, tavole rotonde, libri, seminari accademici, master e – nelle aziende – progetti, meeting, iniziative commerciali e, talvolta, vere e proprie ristrutturazioni organizzative. Capiamo meglio di che cosa si tratta e perché ci interessa.

Di che cosa parliamo

1. Che cos’è la Big Data Analytics
2. A quali professionalità serve la Big Data Analytics
3. Quali competenze servono per la Big Data Analytics
4. Come la Big Data Analytics cambia il lavoro dell’azienda e delle persone
5. Che cosa vuol dire Data Transformation

1. Che cos’è la Big Data Analytics

Dan Ariely, professore di psicologia ed economia comportamentale alla Duke University di Durham, ha colto bene l’improvvisa attenzione al tema proponendo nel 2013 una definizione di Big Data tanto ironica quanto azzeccata:

L’argomento Big Data è come l’argomento sesso per gli adolescenti: tutti ne parlano, nessuno sa davvero come farlo ma tutti pensano che chiunque altro lo stia facendo e, di conseguenza, tutti dichiarano di farlo.

La definizione che utilizzeremo per portare chiarezza sull’argomento è meno divertente, ma più utile:

I Big Data rappresentano una raccolta di dati così estesa in termini di volume, velocità e varietà da richiedere tecnologie e metodi analitici specifici per l’estrazione di valore.

Big Data Analytics è proprio l’insieme di tecniche, strumenti e buone pratiche per procedere all’analisi dei Big Data e ricavarne nuova informazione utile a tutti i livelli, dalla società nel suo insieme alle aziende ai singoli.

Questa definizione ha il pregio di segnalare attraverso le parole che la compongono le quattro componenti essenziali del concetto di Big Data:

• informazione, in quanto i Big Data sono – essenzialmente – dati, organizzati allo scopo di estrarne il contenuto informativo;
• tecnologia, data l’esigenza di dotarsi di strumenti tecnologici specifici per l’utilizzo di questi dati;
• metodi, visto il bisogno di usare metodologie analitiche particolari per la loro analisi;
• impatto, in quanto i Big Data influiscono sulla nostra vita e sul nostro modo di lavorare, creando o proponendosi di creare del valore.

Il bello della data analytics applicata (in qualsiasi contesto, scientifico, industriale o commerciale che sia) è l’essere un mix di arte e scienza. Per creare valore con questo tipo di tecnologie, non basterà essere, diciamo, il “tecnico” degli algoritmi; bisognerà unirli con quella componente intrinsecamente umana che è la creatività.

Torna all’inizio.

2. A quali professionalità serve la Big Data Analytics

Passare al modello operativo digitale non si risolve con l’acquisizione di una persona competente. Il cambiamento imposto dai Big Data è diverso e più pervasivo. Il punto fondamentale di partenza è la scelta strategica di volersi muovere verso il modello operativo digitale, ovvero investire nella Data Transformation. E poi bisogna evitare le false partenze. Le chiamo così nel mio libro per indicare i passi falsi tipici dell’inizio della trasformazione. Ad esempio partire dall’accumulo dei dati, pensando erroneamente che il valore dei Big Data arrivi nel momento in cui c’è una quantità di dati sufficiente: di conseguenza, si parte spesso dall’acquistare dati senza avere le idee ben chiare su come questi poi verranno utilizzati. Ovviamente è una ricetta per il fallimento, anche nel caso in cui raccolga dati direttamente (first party data) invece di acquistarli. Prima bisogna, infatti, avere chiare le idee su come trasformare i dati in valore. 

Un altro passo falso è partire dall’acquisizione di personale specialistico. Il mito del data scientist, un po’ supereroe un po’ pietra filosofale che trasforma il dato in oro, va un poco ridimensionato. La falsa partenza si attua nel momento in cui arrivano data scientist che non sanno quello che devono fare, perché non conoscono l’azienda, e nessuno può guidarli in maniera opportuna in quanto manca la preparazione per parlare con loro in maniera adeguata e per tradurre le opportunità di business in termini analitici.

Senza nulla togliere ai data scientist e al loro ruolo, preziosissimo e non rimpiazzabile, le competenze analitiche vanno costruite anche all’interno del proprio organigramma costruendo sulla passione e sulla disponibilità a mettersi in gioco delle persone che conoscono al meglio la nostra azienda: quelle che già ci lavorano. Ovviamente il tutto passa attraverso una scelta strategica di investire anche sull’addestramento professionale delle persone, per completare il loro bagaglio di skill e di abilità.

Torna all’inizio.

3. Quali competenze servono per la Big Data Analytics

Avere tanto carburante (i dati) e un motore potente (la tecnologia) non bastano a vincere la gara: il talento del pilota rimane un ingrediente indispensabile. L’avvento dei Big Data è stato accompagnato dal bisogno di codificare tecniche e metodologie analitiche nuove o affinare quelle già esistenti.

Questi metodi analitici, volti a interpretare ed estrarre conoscenza dai dati, si sono sviluppati in un ambito scientifico fortemente multidisciplinare (un mix di informatica, matematica, statistica e altre discipline) che va sotto il nome di data science, scienza dei dati. Insieme al successo dei Big Data è arrivato anche l’interesse per la data science e per il suo operatore principale: il data scientist.

La figura del data scientist è ancora oggi in grossa ascesa nel mercato del lavoro e le aziende – sia in Italia sia nel mondo – confermano quanto sia difficile trovare persone esperte di data analytics. Il mito del data scientist è stato anche eccessivamente caricato di aspettative, in quanto gli sono richieste competenze molto variegate: statistico, programmatore, ricercatore, esperto di business, responsabile di progetto, specialista di architetture cloud, amministratore di sistema, comunicatore, esperto di privacy eccetera. Nella realtà, le aziende hanno bisogno di un mix di professionalità diverse e complementari tra loro. Analizziamo le quattro famiglie principali di ruoli professionali legati ai Big Data, rappresentate nella prossima figura:

I quattro ruoli fondamentali di Big Data Analytics e relative competenze, da Human resources for Big Data professions: A systematic classification of job roles and required skill sets.

1. Analista di business (o business analyst, data analyst): l’interfaccia tra le funzioni aziendali tradizionali (come marketing, vendite, acquisti e così via) e il mondo dei dati.
2. Data scientist: identifica i giusti modelli e algoritmi da utilizzare in base all’esigenza e, all’occasione, modifica e riscrive metodi analitici esistenti, se non ne crea da zero.
3. Sviluppatore: progetta, sviluppa e gestisce il software applicativo per l’utilizzo dei Big Data in azienda.
4. Tecnico sistemista (o data engineer o system engineer): disegna, implementa e mantiene operativa tutta l’infrastruttura tecnologica a supporto della data analytics.

È importante una precisazione: le competenze di data analytics in azienda non possono essere patrimonio esclusivo di data scientist e analisti. Per poter collegare le opportunità dei Big Data alle esigenze di business servirà che tutti in azienda (a partire da chi la dirige) siano in grado di parlare di questi temi e abbiano una certa conoscenza di base di potenzialità e limiti dei vari metodi analitici.

Il percorso ideale per costruire una carriera nei Big Data

Avere una base di educazione quantitativa può aiutare nel momento in cui il proprio ruolo professionale è focalizzato sul rendere più efficienti gli algoritmi o i sistemi per gestire i dati. In parole semplici, un data scientist o un data engineer, figure professionali con un focus particolare e specifico sui dati, avranno un grosso vantaggio se possono contare su competenze forti in materie STEM (Science, Technology, Engineering, Math). Ma queste non sono le uniche figure necessarie per fare data analytics in azienda.

Tra il manager focalizzato sul business e il data scientist focalizzato sull’algoritmo si trova un’ampia gamma di figure professionali: per esempio il business analyst, una persona che utilizza l’algoritmo in maniera pragmatica per connettere il bisogno di business con quello che l’algoritmo sa fare.

Così, chi vuole fare il data scientist farà meglio a partire dall’ambito STEM ma poi scendere prima possibile nel concreto con analisi reali di dati veri. Un modo per impratichirsi è quello delle competizioni analitiche, come quelle che si trovano su Kaggle: questo sito mette a disposizione problemi da risolvere e dati reali per farlo. Alcune di queste competizioni analitiche hanno anche premi in denaro. L’obiettivo, però, non deve essere quello di diventare ricchi, bensì di creare un portfolio di progetti da inserire anche nel proprio curriculum, che potrebbe anche essere umanistico in partenza.

Le materie umanistiche hanno un grosso ruolo all’interno dell’utilizzo sistemico dei dati nell’intelligenza artificiale, un ruolo che con gli anni sta aumentando.

Nel futuro, saper trovare le risposte servirà sempre meno. Nel mondo del lavoro servirà sempre di più porre le giuste domande e avere, quindi, una forma mentis aperta al dubbio e carica di intelligenza emotiva per capire le esigenze degli altri. Anche se ciò sembra paradossale, l’intelligenza artificiale è uno di quei temi in cui si cercherà sempre più convergenza tra skill di natura umanistica e di natura scientifica e tecnologica. Una disciplina che la nostra scuola, nella sua divisione netta tra umanesimo e scienza, come ad esempio tra liceo classico e liceo scientifico, fatica ad abbracciare.

Torna all’inizio.

4. Come la Big Data Analytics cambia il lavoro dell’azienda e delle persone

Nel mondo del business l’arrivo dei Big Data ha creato una miscela incandescente di euforia e paura. Effettivamente, le scelte relative alla gestione dei dati hanno portato delle semplici start-up a prosperare, mentre alcune floride multinazionali poco attente ai cambiamenti sono fallite nel giro di pochi mesi. È celebre il caso di Blockbuster e Netflix: la prima era l’azienda leader globale del noleggio di film e videogiochi. Nel 2004 contava oltre 84.000 dipendenti e solo sei anni dopo avrebbe dichiarato bancarotta, schiacciata dall’arrivo dell’on-demand streaming di Netflix, un’azienda che al tempo aveva poco più di 2.000 dipendenti ma che con i dati ci sapeva fare.

Settori molto diversi tra loro, da quello finanziario alla produzione industriale, ci offrono numerosi scenari di utilizzo dei Big Data. Le banche, per esempio, li usano per valutare il rischio di concedere credito. Nel settore aeronautico i dati provenienti dai sensori installati sugli aeromobili in volo (un altro esempio di IoT) sono utilizzati per ottimizzare rotte, prevedere guasti e risparmiare carburante.

Diversi studi hanno dimostrato che le aziende più veloci a dotarsi di tecnologie e talenti per utilizzare i Big Data hanno raggiunto un vantaggio competitivo finanziariamente significativo sul bilancio, pari a circa 6 punti percentuale di produttività incrementale in media. Le fonti di valore economico che derivano dallo sfruttamento dei Big Data sono principalmente tre:

1. Riduzione dei costi: analizzando i Big Data si possono eliminare sprechi di tempo e materiale.
2. Miglioramento delle decisioni: i metodi di data analytics permettono ai dirigenti di prendere scelte migliori e più veloci.
3. Miglioramento di prodotto: i Big Data possono migliorare gli stessi prodotti e servizi offerti da un’azienda.

Applicare la passione per i big data alle necessità aziendali

Mi piace pensare che con una passione per l’analisi dei big data si possano sempre “sbloccare” risultati migliori. È però legittimo chiedersi se, da una parte, in aziende molto grandi ci sia lo spazio per esercitare questa passione e che, d’altra parte, nelle realtà più piccole e con più libertà di movimento, ci sia la massa critica per ottenere risultati degni di nota.

Una prima considerazione: oggi l’utilizzo dei dati è ancora basso in termini relativi. Secondo alcuni osservatori, la percentuale di dati effettivamente utilizzati rispetto al totale dei dati disponibili in azienda è di qualche punto percentuale. Significa che ogni azienda, anche piccola, ha sicuramente dei dati inutilizzati da cui partire, anche se sono pochi.

La parte difficile è scoprire la metodologia per trasformare questi dati in valore economico. I dati col tempo possono sicuramente aumentare in termini quantitativi, se c’è una strategia che va in quella direzione. L’importante è partire.

Partire anche con poco: un piccolo negoziante può, ad esempio, iniziare a utilizzare i dati del registratore di cassa non solo per fare contabilità ma magari anche per ottimizzare i processi, anticipare i consumi e quindi le vendite future; nel momento in cui c’è questo cambio di passo, questo cambio di forma mentis, cioè considerare il dato non più come semplice contabilità ma come opportunità per creare valore economico, inizia la magia.

Torna all’inizio.

5. Che cosa vuol dire Data Transformation

Per sfruttare appieno dati e algoritmi, bisogna perseguire la Data Transformation. Questa idea si associa naturalmente a quella di cambiamento sistematico e sintetizza l’ambizione del percorso che attende l’azienda, ovvero cambiarne profondamente il modo di operare. Sembra un concetto impegnativo, non alla portata di tutti; eppure la Data Transformation – insieme con la sua accezione più ampia, la Digital Transformation – è un tema trasversale, che riguarda oggi organizzazioni di ogni dimensione e settore. Utilizzare tecnologie di Big Data Analytics in generale e di intelligenza artificiale in particolare richiede all’azienda e alle persone di mettersi in gioco e rivedere gli schemi, i canoni e le strutture organizzative tradizionali, adottando un’ottica nuova e intrinsecamente data-driven.

La differenza tra il modello operativo tradizionale e quello digitale

L’appetito per i big data vien mangiando. Nel momento in cui anche una piccola quantità di dati crea valore, scatta quella scintilla per cui di dati ve ne saranno sempre di più.

Questo può innescare un circolo virtuoso di crescita che l’azienda tradizionale non può sperare di uguagliare. Questione di modelli operativi.

Parliamo essenzialmente del modo di operare dell’azienda e di quanto i dati siano centrali rispetto a esso.

Immaginiamoci due casi due estremi: l’azienda puramente tradizionale e quella puramente digitale. Nell’azienda tradizionale i dati hanno un ruolo assolutamente secondario. Servono solo per motivi di necessità legale e per la contabilità: tutti i processi passano dall’esecuzione umana.

Nell’azienda puramente digitale, la stragrande maggioranza dei processi avviene in maniera automatica attraverso l’utilizzo di algoritmi che macinano dati. È ovvio che tutte le aziende reali si situeranno in qualche punto tra questi due estremi.

Tutto sta nel nello spostare l’asticella muovendosi sempre di più verso il modello operativo digitale. Perché i dati sono beni intangibili; hanno un costo di gestione molto basso e, come asset aziendali, costano molto meno di tanti altri. Gli algoritmi sono degli operatori instancabili che operano a un costo marginale che diminuisce con la scala.

Inoltre, più dati vengono messi a disposizione degli algoritmi, meglio questi funzioneranno: questo è tipico del machine learning. Grazie all’apprendimento automatico, nel modello operativo digitale l’azienda funziona progressivamente sempre meglio, grazie a livelli di accuratezza sempre più alti, nel momento in cui i dati a disposizione per imparare quello che avviene aumentano in termini di dimensioni e di disponibilità.

Nel modello operativo tradizionale, al crescere della dimensione dell’azienda, cresce anche il costo di gestire la crescente complessità: l’azienda ha bisogno di più coordinamento, di più persone, e subisce quelle dinamiche tipiche delle organizzazioni per cui si burocratizzano i processi per poterne gestire sempre di più.

Quello che invece avviene nell’azienda con un modello operativo digitale è molto diverso: più dati a disposizione rendono i processi ancora più ottimizzati e quindi più efficaci ed efficienti. Il valore con la crescita dell’azienda tende a superare sempre più quello del modello operativo tradizionale.

Il passaggio al modello operativo digitale non si fa dal giorno alla notte; non è una rivoluzione ma un processo di Data Transformation lungo, progressivo, graduale, probabilmente anche interessante ma sicuramente nel lungo termine estenuante.

Questo processo non è mai immediato e richiede una modalità di trasformazione continuativa e progressiva. Parliamoci chiaro: non è una rivoluzione che porta risultati in poche settimane; è invece un’evoluzione, magari anche accelerata, che trasforma gradualmente i vari aspetti del modello operativo di un’azienda fino a farle cambiare pelle.

Torna all’inizio.

Immagine di apertura di imgix su Unsplash.