Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

SMAU Bologna 2019 - La vita dei dati per raggiungere gli obiettivi di business: raccolta, sicurezza e analisi dei dati nell’epoca 4.0.

349 views

Published on

Perché le aziende devono arrivare all’utilizzo della Business Intelligence? E da dove bisogna partire?
La corretta lettura del dato, e delle informazioni, porta alla definizione e alla verifica degli obiettivi aziendali e alla possibilità di raggiungere un’elevata percentuale di successo di quest’ultimi.
Una delle principali cause di errore, e in alcuni casi di fallimento, di un’azienda è l’essersi posti degli obiettivi non specifici, misurabili, raggiungibili, realistici e determinati.
Il workshop ha l'obiettivo di mostrare come oggi sia possibile costruire un processo efficiente: per poter definire degli obiettivi raggiungibili è importante capire l’importanza dei dati. Viviamo in un’epoca in cui la mole dei dati raccolti, e che ancora si possono raccogliere, è incredibile. Ma come si fa? Che percorso deve fare il dato per essere raccolto, salvato e poi letto?
Come possiamo fare a raccogliere i nostri dati nel modo corretto, per poi essere trasformati in informazioni utili per la definizione e il raggiungimento dei nostri obiettivi? Qual è la vita più "sana” per i nostri dati per poter essere davvero utili?

Published in: Business
  • Login to see the comments

  • Be the first to like this

SMAU Bologna 2019 - La vita dei dati per raggiungere gli obiettivi di business: raccolta, sicurezza e analisi dei dati nell’epoca 4.0.

  1. 1. La vita dei dati per raggiungere gli obiettivi di business. Raccolta, sicurezza e analisi dei dati nell’epoca 4.0.
  2. 2. Buongiorno! Danilo Longoni CEO & Founder di Focus Informatica d.longoni@focusinformatica.com www.focusinformatica.com 2
  3. 3. La corretta lettura del dato, e delle informazioni, porta alla definizione e alla verifica degli obiettivi aziendali e alla possibilità di raggiungere un’elevata percentuale di successo di quest’ultimi. Una delle principali cause di errore, e in alcuni casi di fallimento, di un’azienda è l’essersi posti degli obiettivi non specifici, misurabili, raggiungibili, realistici e determinati. Il workshop ha l'obiettivo di mostrare come oggi sia possibile costruire un processo efficiente: per poter definire degli obiettivi raggiungibili è importante capire l’importanza dei dati. Viviamo in un’epoca in cui la mole dei dati raccolti, e che ancora si possono raccogliere, è incredibile. Perché le aziende devono arrivare all’utilizzo della Business Intelligence? E da dove bisogna partire? 3
  4. 4. Ma come si fa? 4 Che percorso deve fare il dato per essere raccolto, salvato e poi letto? Come possiamo fare a raccogliere i nostri dati nel modo corretto, per poi essere trasformati in informazioni utili per la definizione e il raggiungimento dei nostri obiettivi? Qual è la vita più "sana” per i nostri dati per poter essere davvero utili?
  5. 5. Alcuni «dati» sui «dati» La percentuale di aziende che si identificano come «basate sui dati» è diminuita in ciascuno degli ultimi 3 anni nonostante l'aumento degli investimenti in Big Data e iniziative di AI. Source: Harvard Business Review, Feb 5, 2019 (Randy Bean and Thomas Davenport) 5
  6. 6. Indagine su Big Data e AI Intervistati i «C-Level» tecnologici di grandi aziende 6 dei partecipanti al sondaggio riferisce di non aver ancora creato una cultura dei dati riferisce di non aver creato un'organizzazione basata sui dati afferma di non trattare ancora i dati come una risorsa aziendale (asset) ammette di non essere in competizione su dati e analisi identifica le persone e i problemi nei processi come ostacolo principale identifica la mancanza di allineamento nell'organizzazione cita la resistenza culturale come uno dei principali fattori che contribuiscono al mancato utilizzo dei dati nel business aziendale. Le aziende devono diventare molto più serie e creative nell'affrontare il «lato umano» dei dati se si aspettano davvero di ottenere dei benefici aziendali significativi. Source: 2019 Big Data and AI Executive Survey (NewVantagePartners)
  7. 7. Il dato Un dato (dal latino datum che significa dono, cosa data) è una descrizione elementare, spesso codificata, di un'informazione, un'entità, di un fenomeno, di una transazione, di un avvenimento o di altro. Source: Wikipedia 7
  8. 8. Il dato e l’informazione DATO rappresentazione oggettiva e non interpretata della realtà, ciò che è immediatamente presente alla conoscenza. INFORMAZIONE visione della realtà derivante dall’elaborazione e interpretazione dei dati, il significato che associamo ai dati 8
  9. 9. Il dato e l’informazione: pull vs. push PULL sono le specifiche richieste dagli utenti a guidare e, in base ad esse, si definiscono le caratteristiche che devono avere le informazioni, che sono “tirate” (Pull) dagli utenti. Il punto di partenza sono le necessità aziendali esplicitate da un utente specifico. Con tecnologie molto innovative viene adottato l’approccio push: i tecnici anticipano le soluzioni perché gli utenti difficilmente sarebbero in grado di indicarle. 9 PUSH sono gli analisti a predisporre l’elaborazione dei dati che producono informazioni che vengono poi sottoposte all’analisi dell’utente finale. In questo caso il punto di partenza è la tecnologia. Nel momento in cui la tecnologia sarà più conosciuta e gli utenti avranno imparato ad utilizzarla, l’approccio sarà di tipo pull.
  10. 10. In questi anni la Data Governance è diventato un mantra ma quasi sempre l’attenzione si concentra su due aspetti fondamentali: • il rispetto della legislazione (GDPR/Privacy) • la sicurezza (Cybersecurity) Ma è davvero solo questo? In realtà, c’è molto di più. Airbnb o Booking, per esempio, devono tutto il loro valore ai dati e alle informazioni: non hanno beni immobili ma rappresentano il reale mercato del turismo. Quindi i dati diventano un vero asset aziendale. In che senso? Nel senso di raccogliere, memorizzare, integrare, sviluppare, analizzare e gestire le informazioni per ottenere un vantaggio di business, in opposizione al solo mantenimento dei dati su supporti fisici o virtuali. I dati e le informazioni come risorsa competitiva 10
  11. 11. Analizzare e interpretare i dati Microsoft, ai tempi del regno di Steve Ballmer, aveva a sua disposizione i dati che testimoniavano come gli utenti non comprassero più laptop e desktop con lo stesso entusiasmo di qualche anno prima, il trend si era appiattito da anni, la connessione ad Internet mobile era pronta per un salto tecnologico significativo per rimettersi al passo con quella wired. Nonostante tutto ciò, l'azienda sottovalutò l'impatto degli smartphone che riassumeva in sé già tutte quelle funzioni che prima di allora erano state delegate a laptop e desktop. Si creò un nuovo mercato. 11
  12. 12. Va bene, ma come posso valorizzare i miei dati ? È molto difficile riuscire a «inventare un numero» da scrivere in un bilancio 12
  13. 13. Valore dei dati e delle informazioni Costo dell'acquisizione quanto ci costa acquisire i dati e archiviarli ? Es.: costo dati provenienti da sensori (IOT): costo dei sensori + costo dello storage + costo delle ore di elaborazione + costo dei backup + ... Qualsiasi possa essere la fonte dati è sicuramente possibile calcolare, con una buona approssimazione, il costo di tali dati. INTERESSANTE E UTILE sarebbe provare a calcolare questo costo soprattutto per i dati immagazzinati ma non utilizzati. 13
  14. 14. Valore dei dati Valore del business Per coloro che utilizzano i dati per guidare i processi aziendali o prendere decisioni, probabilmente questi genereranno un valore. Che si tratti di risparmio sui costi o di un aumento del margine, il valore aziendale generato dai dati è misurabile. 14
  15. 15. Valore dei dati Costo della perdita Quanto costerebbe all'azienda la perdita dei dati? Se dovessi riacquisire i dati persi, cosa mi costerebbe? Quanto incide la perdita dei dati sulle mie entrate o sui costi? 15
  16. 16. Opportunità L’opportunità, per un’azienda privata, è la possibilità di analizzare i dati costantemente per comprendere meglio le dinamiche del proprio business, quello dei competitor e del mercato in generale 16 I dati hanno quindi un valore in azienda e vanno perciò considerati in un ottica di opportunità. ESEMPI: L’opportunità per una struttura ospedaliera sarà quella di migliorare la qualità nei percorsi di cura, estendere la capacità di monitorare l'intera popolazione e il singolo individuo, evidenziando la possibilità di interventi mirati e personalizzati.
  17. 17. Problematiche 17 I dati e la loro gestione portano con sè anche delle problematiche: occorre essere in grado di analizzarle e predisporre le azioni necessarie per mitigare questi rischi. ESEMPI: Le quantità elevate di dati da gestire porta inevitabilmente a problemi di qualità dei dati: ambiguità, distorsioni, .... GDPR: tutti i dati personali che non sono gestiti correttamente possono spostarsi molto rapidamente dalla colonna delle opportunità a quella delle problematiche e delle responsabilità.
  18. 18. Data management E’ l’insieme dei processi, regole e procedure di gestione dell’intero ciclo di vita dei dati, finalizzata alla loro trasformazione in un asset aziendale utilizzabile in maniera efficace dagli utilizzatori dei dati stessi (decision maker) 18
  19. 19. EDM – Enterprise data management L’Enterprise Data Management (EDM) è l’estensione del processo di gestione dei dati (DM) a tutti i processi aziendali Obiettivo: creare dati affidabili coinvolgendo tutti i reparti aziendali per la creazione di una base di dati comune e condivisa 19
  20. 20. I manager aziendali considerano generalmente i dati «un problema IT», ma non è così. La gestione dei dati in azienda è considerata spesso come un esercizio accademico o viene «snobbata». Il ritorno sull’investimento (ROI) non è chiaro ed è difficile collegare le attività di governance dei dati con il valore aziendale che questi possono generare. EDM: chi è l’owner ? 20 Il CDO ha il compito di avviare e forzare il processo di digitalizzazione della gestione delle informazioni. Ciò significa, in particolare, la raccolta, la gestione, la qualità e la sicurezza dei dati, e la possibilità di fare più business a partire dalle informazioni. Più in particolare il CDO: • Sviluppa la strategia di un Master Data Management aziendale • Stabilisce norme, regole per il Master Data Management • Distribuisce informazioni ai colleghi e al management inoltre • Gestisce la Data Governance e la qualità dei dati • Gestisce la parte di Compliance • Gestisce la Business Intelligence e Data Analytics
  21. 21. EDM: i concetti • Master Data Management • Reference Data Management • Metadata Management • Data Governance • Data Quality • Data Analytics • Data Privacy • Data Integration • Data Architecture EDM: i concetti fondamentali 21 MDM (Master data management) è un metodo completo per definire e gestire i dati critici di un'organizzazione e fornire un unico punto di riferimento in cui trovare definizione, dominio dei dati, .... per tutta l’azienda https://youtu.be/WHOTx46CzcA
  22. 22. EDM: i concetti • Master Data Management • Reference Data Management • Metadata Management • Data Governance • Data Quality • Data Analytics • Data Privacy • Data Integration • Data Architecture EDM: i concetti fondamentali 22 Metadata management : a cosa serve ? Ci aiuta a identificare in tutta l’azienda da dove viene il dato, dove è utilizzato, in quali sistemi è un’informazione critica, un eventuale impatto in caso di modifiche dovute al business o alla nosrmativa, ....
  23. 23. Data governance Sfruttare il potere dei dati in azienda La governance dei dati è la capacità che consente a un'organizzazione di garantire qualità elevata dei dati durante l'intero ciclo di vita dei dati stessi. I dati aziendali sono analizzati e organizzati secondo le seguenti principali caratteristiche: qualità, disponibilità, usabilità, coerenza, integrità e sicurezza. La data governance analizza e sviluppa anche i processi per garantire un'efficace gestione dei dati in tutta l’azienda. 23
  24. 24. Data Architecture the overall structure of data and data-related resources as an integral part of the enterprise architecture Data Modeling & Design analysis, design, building, testing, and maintenance Data Storage & Operations structured physical data assets storage deployment and management Data Security ensuring privacy, confidentiality and appropriate access Data Integration & Interoperability acquisition, extraction, transformation, movement, delivery, replication, federation, virtualization and operational support Documents & Content storing, protecting, indexing, and enabling access to data found in unstructured sources (electronic files and physical records), and making this data available for integration and interoperability with structured (database) data. Reference & Master Data Managing shared data to reduce redundancy and ensure better data quality through standardized definition and use of data values. Data Warehousing & Business Intelligence managing analytical data processing and enabling access to decision support data for reporting and analysis Metadata collecting, categorizing, maintaining, integrating, controlling, managing, and delivering metadata Data Quality defining, monitoring, maintaining data integrity, and improving data quality Data governance: schema DAMA 24 Fonte: Data Management Association DAMA-DMBOK Data Management Body of Knowledge
  25. 25. 25 Data Governance: Data Maturity Model Introduction Expansion Transformation Level 0 1 2 3 4 5 Description None Initial Managed Standardized Advanced Optimized Data Governance None Project Level Program Level Division Level Cross Level Enterprise Wide Master Data Management No formal master data classification Non-integrated master data Integrated, shared, master data repository Data Management Services Master data stewards established Data stewardship council Data Integration Ad-hoc, point to point Reactive, point-to-point interfaces, some common tools, lack of standards Common integrations platform, design patterns Middleware utilization: service bus, canonical model, business rules, repository Data Excellence Centre (education and training) Data Excellence embedded in corporate culture Data Quality Silos, scattered data, inconsistencies accepted Recognition of inconsistencies but no management plan to address Data cleansing at consumption in order to attempt data quality improvement Data Quality KPI’s and conformance visibility, some cleansing at source. Prevention approach to data quality Full data quality management practice Behaviour Unaware/Denial Chaotic Reactive Stable Proactive Predictive Technology & Infrastructure PRIMARY IT FOCUS Information & Strategic Business Enablement HIGH RISK LOW LOW VALUE GENERATION HIGH
  26. 26. 26 Documentation and/or physical Database Generation(project focused) Conceptual, Logic, Physical (Design) Enterprise including canonical, lineage, governance metadata Full governance metadata, business glossary integration, lifecycle, value- chain Fully integrated modeling, glossaries, metadata, self serve analytics Data Model Utilization DataMaturity Evolution
  27. 27. La Data Governance è un processo incrementale in cui bisogna partire dai dati più importanti, ovvero quelli che caratterizzano il business di un’azienda o quelli critici dal punto di vista delle normative. Di qui, con un programma pluriennale, si arriverà a governare i dati aziendali secondo il proprio livello di necessità aziendale e secondo una caratteristica di sostenibilità progettuale. La Data Governance richiede un duro lavoro e un grande impegno (commitment) per tutta l’organizzazione aziendale: • Persone • Processi • Tecnologia • Cultura To understand organizational data • What’s important? • Where is it? (can be may places) • Where did it come from? • How is it used (business processes)? • What is the chain of custody? • What are the business rules? • Governance • How do I identify private information? • How long should I keep the information? • Master Data Management classification • Data quality • Is it fit for purpose? • What changed and why? Data governance: concretamente 27
  28. 28. Qualità 28 Un dato di qualità è un dato affidabile Per una azienda è fondamentale ottenere un alto livello di qualità dei dati per raggiungere una corretta base informativa per orientare le scelte strategiche. • Da dati errati o distorti, si ottengono analisi errate o distorte, con la conseguenza di prendere decisioni strategiche errate o distorte. • Per ottenere dati di alta qualità occorre introdurre una politica di Gestione dei Dati (Data Management) in ogni processo aziendale. • La corretta e attiva gestione dei dati aziendali crea una protezione che previene la generazione di dati non affidabili (bad data). • Il completo governo attivo dei dati consente ai decisori di avere una rappresentazione accurata, completa e reale dell’impresa e dei suoi processi ISO 8000-8 defines three categories for data quality measurements: syntactic, semantic and pragmatic. It provides a foundation for measuring information and data quality.
  29. 29. Qualità 29 Data Quality Dimensions 6 Key Data Quality Dimensions Accuracy Validity Timeliness Completeness Uniqueness Consistency Data accurately represent the «real-world» values. Data conforms to the syntax (format, type, range) of its definitions. Data represents reality from the required point of time. Data are complete in terms of required potential of data. Data are properly identified and recorded only once. Data are represented consistently across the data set. E.g.: Incorrect spellings of the product or person names, address E.g.: Incorrect classifications values for gender or customers type E.g.: Customer address change which is effective on July 1st is entered into the system in July 15st E.g.: Customer address missing a ZIP code E.g.: Single customer is recorder twice in the database, with different identifiers E.g.: Customer account is closed, but there is a new order associated to that account.
  30. 30. Business Intelligence «Provenendo dalla Business Intelligence, ho vissuto momenti di vera frustrazione quando, dopo interminabili processi di standardizzazione, qualità e aumento dei dati, i report e le analisi presentavano risultati inaffidabili.» È sempre stata colpa dei dati: non tracciati, non consolidati, non reali. La Data Governance ci permette di migliorare i processi e il risultato tangibile è sempre la riduzione dei costi. 30
  31. 31. Una sintesi attraverso un esempio 31 L’esempio vuole mostrare un caso d’uso reale che condensa il percorso del dato dalla identificazione alla acquisizione, dalla memorizzazione alla verifica di qualità, dalla reportistica alla analisi predittiva. IDENTIFICAZIONE E ACQUISIZIONE MEMORIZZAZIONE E QUALITÀ REPORTISTICA E ANALISI
  32. 32. Una sintesi attraverso un esempio • L’azienda CITYFUN* produce, installa attrezzature/giochi per parchi divertimento bambini e fa manutenzione sulle stesse • Si è posta come obiettivo di business un miglioramento della qualità dei prodotti e dei servizi e una riduzione dei costi per la manutenzione • Desidera quindi acquisire sul campo i dati di utilizzo, di deterioramento e usura, di stagionalità,.... • I dati vengono raccolti sia automaticamente, da sensoristica, che con osservazione diretta in mobilità sul campo • La data governance prevede la data security e quindi il rispetto GDPR • I dati raccolti saranno oggetto di analisi per ottenere un supplier scorecard integrato *nome di fantasia 32
  33. 33. All’interno della nostra EDM (Enterprise data management) dovremo avere, o creare, un catalogo dati che comprenda le informazioni che desideriamo trattare, utili allo scopo di business dichiarato. Condivideremo e troveremo una convergenza su significato e formalismi anche con altri dipartimenti interessati: ufficio tecnico, produzione, acquisti, ... La definizione e l’allineamento servirà a non creare ambiguità e quindi distorsioni ed errori per le fasi successive. Dati strutturati • Indirizzo parco giochi (Via, Nr.civico, Cap, Nazione) • Attrezzature osservata • Data di installazione gg-mm-aaaa • Data Audit gg-mm-aaaa • Difettosità rilevata • Gravità (Alta, Media, Bassa) • Produttore • ... Dati non strutturati • Fotografia dettaglio • Filmato di utilizzo • ... PARTIAMO! 33
  34. 34. Inserisce quindi dati controllati e raccoglie le informazioni utili che, attraverso la connettività, vengono memorizzate nel cloud. 34 Con un sistema mobile, l’auditor visita il parco giochi ed effettua le indagini attraverso la compilazione di una o più checklist on site, in mobilità
  35. 35. Siamo nell’epoca 4.0! Viene installato un sensore radar che acquisisce dati movimento, velocita, posizione e trasmette nel cloud costantemente. Utilizziamo un sensore radar e non, per esempio, una telecamera per rispettare le norme GDPR / privacy come previsto dalla nostre politiche di Data Governance alla voce Data Security Dati da sensori • Data • Ora (HH-MI-SS) • Utilizzo (heat map) • ... 35 The IWR6843 is an integrated single chip mmWave sensor based on FMCW radar technology capable of operation in the 60-GHz to 64-GHz band. It is built with TI’s low power 45-nm RFCMOS process and enables unprecedented levels of integration in an extremely small form factor. The IWR6843 is an ideal solution for low power, self-monitored, ultra-accurate radar systems in the industrial space.
  36. 36. 36 DATI RACCOLTI IN MOBILITÀ DATI RACCOLTI CON SENSORISTICA Data Governance - Data Quality Q1,2,3,4,5,6 I dati vengono assoggettati al controllo qualità e memorizzati nel cloud secondo la Data Governance - Data Architecture Business Intelligence reports e Analytics Data Governance - Data Analytics
  37. 37. Scorecard 37
  38. 38. Una buona gestione dell’informazione e del dato può incidere in modo sostanziale sul funzionamento dell’intera organizzazione. La normativa internazionale in materia di privacy e sicurezza dei dati ci impone un’attenzione particolare al trattamento delle informazioni. La vita delle persone si è traslata on line e questo ha generato un imponente flusso di informazioni possibili da raccogliere, analizzare. Un’attenta analisi dei dati può incidere positivamente sia sui costi (per esempio lavorando su manutenzione predittiva, gestione dei processi, procurement, supply chain e logistica) che sui ricavi, attraverso l’apertura a nuovi mercati, il miglioramento dell’esperienza utente e la scelta di migliori modalità di distribuzione. Quindi: La governance dei dati è strategica per le aziende Conclusione 38
  39. 39. 39 • La capacità di gestire le informazioni nelle organizzazioni è scarsa (e in declino!) nonostante gli investimenti in intelligenza artificiale e le iniziative sui big data • La governance dei dati è un duro lavoro • Occorre affrontare il «lato umano» dell'equazione, piuttosto che rincorrere la tecnologia • Occorre sviluppare e gestire cambiamenti organizzativi • L'implementazione del cloud non sposta la responsabilità della gestione a qualcun altro • Non confondere l'architettura e la modellazione dei dati con la data science • Il machine learning non sostituisce la gestione dei dati • Gli studi, i trend, i ranking e le raccomandazioni delle grandi aziende di consulenza vanno considerati con una valutazione critica • Smettere di rincorrere la «sfera brillante» della tecnologia …ma occorre fare attenzione! “If your data is bad, machine learning accelerates garbage-in, garbage-out (GIGO). You simply achieve disaster faster.” •Ron Huizenga
  40. 40. CI SONO DOMANDE? Danilo Longoni CEO & Founder di Focus Informatica d.longoni@focusinformatica.com www.focusinformatica.com 40 Grazie

×