Data driven management & imprese data science oriented

Data-driven Management
& Imprese Data Science Oriented:
Il “nuovo” dei dati nel supporto al processo decisionale
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
Evento: Big & Open Data

Due Macro-modalità di Creare Valore
ØCreazione di modelli di business centrati su big
data
ØSupporto al processo decisionale (oggetto di questa
presentazione):
◦Data-driven Management
◦Imprese Data Science Oriented

Supporto al Processo Decisionale (1/2)
Tradizionalmente, tre sono considerati gli input necessari
all'assunzione di decisioni efficaci: l'intelligenza, l'intuizione e
l'informazione (Capgemini 2012). Data Driven Decision-making
(DDD): Centrare le decisioni sull'analisi dei dati per privilegiare
accuratezza rispetto a creatività.

Supporto al Processo Decisionale (2/2)
Decisore umano
1. alcuni fenomeni non si notano senza il ricorso ai dati
2. lo studio dei dati favorisce intuizioni competenti
Decisore automatizzato
Problema trovare il giusto equilibrio tra velocità e controllo del
processo decisionale e cost saving.

Data-Driven Management
come introdurlo
vMirare subito ad una generalizzata diffusione dei dati e
rendere necessaria la loro dettagliata adozione da parte del
decisore con metodologie analitycs (verso l’impresa Data Science
Oriented)
v Focalizzare l’uso dei dati su una particolare funzione o su
una particolare decisione o ricerca (es. commerciale e/o ricerca di
nuovi clienti).

Impresa Data Science Oriented
1. Leadership Data non soltanto perché possiedono dati maggiori o migliori
rispetto ai concorrenti, ma soprattutto perché possono contare su una
leadership che definisce gli obiettivi in modo chiaro e si pone le giuste
domande. Nuovo ruolo per visione e dell'intuizione
2. Talent Data Management reclutare data scientists che sappiano "saper
parlare il linguaggio del business" (McAfee e Brynjolfsson 2012 p. 8)
3. Tecnologie Data Piattaforme (es. Hadoop) per l'elaborazione di enormi set di
dati e per il calcolo distribuito (Davenport e Patil 2012).
4. Processo decisionale Processo flessibile per decisioni veloci di problem-
findind-setting-solving necessarie allo scopo;
5. Cultura aziendale orientata all'individuazione di opportunità di sfruttamento
dei dati

Da digitalizzazione a datizzazione
ORA
• post su un social network,
• un acquisto online,
• una telefonata,
• una query su un motore di ricerca,
• un’ e-mail:
NEL PROSSIMO FUTURO
Ø Quasi tutte le azioni
quotidiane genereranno
crescenti quantità di dati
soprattutto in imprese e
dagli enti pubblici

Approcci all’acquisizione
di dati
1. La Pesca a Lenza
2. La Rete (Rezzaglio o a
Strascico)
3. Il Governo del Flusso
8/4/16

Big Data da Nasa 1996 a
“next big thing” del management.
MCKINSEY GLOBAL INSTITUTE (2011)
ritiene che, parlando di Big Data,
ci si riferisca a un insieme di dati
la cui dimensione
va al di là delle capacità dei
database tradizionali
precedentemente utilizzati per
acquisire, memorizzare, gestire e
analizzare le informazioni.
VILLARS, OLOFSON E EASTWOOD (20 IL)
una nuova generazione di
tecnologie, progettate per poter
estrarre il maggior valore possibile
da grandi volumi e varietà di dati,
così da acquisire, scoprire e
analizzare le informazioni nel modo
più veloce possibile. Per far fronte a
dati prodotti da moltissime
sorgenti, in modo sempre più
rapido e in un ammontare sempre
più ampio e differenziato.

Il Big del Data è la
COMPLESSITA’
La teoria della complessità (nata negli anni ‘70 dai contributi di Edgar
Moren e Ilya Prigogine) evidenzia come dal caos emerga un
comportamento denso di significati capace di auto-organizzarsi con
elementi di ripetitività.
TEORIA DELLA COMPLESSITA’
TEORIA DELLA COMPLESSITA’ COMPUTAZIONALE

“5V” della Complessità Big Data
Volume
• Terabytes
• Registrazioni
• Transazioni
• Tabelle, files
Varietà
• Strutturati
• Semi-strutturati
• Non strutturati
Velocità
• Real-time
• Near-time
• Batch
• Flussi
Le “3V” di Russom (2011)

Molte altre V, tra cui le altre 2 considerate
Veridicità
•qualità dei dati,
•chiarezza e intelligibilibilità
•comprensibilità
•user-friendly sviluppatori, e fruitori
•coinvolgimento per decisore.
Valore(Saporito 2013).
Identificare le opportunità in cui
poter investire
Svolgere l'analisi dei dati per
poter raggiungere risultati di
business
Ottimizzare la gestione della
performance in corso
“5V” della Complessità Big Data

Nuova Intelligenza Decisionale?
NON CONCORDIAMO DEL TUTTO
con Mayer-Schonberger e Cukier (2013):
Superamento di una logica di causa-effetto
I Big Data introducono un approccio più pragmatico all'interpretazione dei
fenomeni, prediligendo l'emersione di correlazioni tra le variabili in gioco, le
quali “non ci diranno esattamente perché accade una certa cosa, ma ci
avvisano quantomeno che sta accadendo”.

Nuova Intelligenza Decisionale?
I modelli cognitivi e dei processi decisionali stanno cambiando.
ESEMPIO. Amazon basa il sistema di raccomandazione di altri prodotti che potrebbero
interessare ai clienti, proprio sull'analisi algoritmica delle correlazioni tra le loro
ricerche e i loro acquisti precedenti. Il sistema non permette tanto di conoscere le
cause del potenziale interesse dei clienti, ma sortisce l'effetto di stimolare le vendite.
Il Big Data Marketing offre un approccio più sbrigativo all'assunzione di decisioni.
Le correlazioni più rapide e con costi più bassi rispetto ai rapporti di causalità.
Ma…
I rapporti di causa-effetto rimangono centrali per una strategia proattiva e non solo
adattiva.

14 modi per creare valore dai Big Data
Zhang e Chen (2015)
1) Creare trasparenza l'accesso ai dati più
facile e veloce
2) Utilizzare potenziali correlazioni tra
dati
3) Riutilizzare i dati residui
4) Scoprire bisogni attraverso variabilità
della performance e migliorarla
5) Segmentare la popolazione per
personalizzare le azioni
6) Rimpiazzare/supportare la decisione
con algoritmi automatici
7) Innovare i Modelli di Business, creando
nuovi prodotti e servizi
8) Sfruttare i dati non strutturati
9) Clienti social networks per sentiment
utenti
10) Svolgere operazioni in tempo reale
11) Svolgere simulazioni di situazioni reali
12) Scoprire ed estrarre nuovi patterns dai
dati
13) Creare modelli per prevedere
14) Migliorare condivisione anche per
supply chain.

Esempi di supporto decisionale data-driven
Per studiare alcuni esempi, possiamo suddividerli nelle
principali funzioni aziendali:
1. Produzione
2. Logistica
3. Acquisti
4. Marketing
5. Finanza
6. Risorse Umane

Produzione (1/2)
a) Controllo qualità:
L’analisi di enormi quantità di dati consente inoltre di stabilire i parametri che
occorre tener maggiormente sotto controllo per garantire massimi livelli di
qualità dei prodotti, anticipando eventuali difetti ed attuando le opportune
azioni correttive (Köksal et al., 2011).
b) Manutenzione preventiva:
Tramite appositi sensori, è possibile raccogliere enormi quantità di dati
rappresentativi del livello di performance e usura dei macchinari esistenti,
consentendo di valutare l’attuale stato di salute e prevederne la futura
evoluzione (Lee et al., 2014).

Produzione (2/2)
c) Scheduling:
E’ possibile selezionare in tempo reale la regola di carico migliore, che
maggiormente si adatta alle condizioni esistenti. Ogni volta che si verifica un
cambiamento delle condizioni di produzione (cambiamenti nella data di
consegna, guasti di macchinari), i dati vengono aggiornati ed il sistema
individua la nuova regola di carico (Metan et al, 2010)

Logistica (1/2)
I big data e l'analisi predittiva offrono alla logistica uno strumento
per superare tali ostacoli poiché, ricorrendo all’integrazione di dati
sul traffico stradale, dati metereologici, dati sulla manutenzione
stradale, costo del carburante, mezzi di trasporto e personale
effettivamente disponibili, le aziende sono in grado di analizzare le
tendenze storiche passate ed offrire dei suggerimenti.

Logistica (2/2)
Esempio_ Caso UPS (Shontell, 2011):
Come conseguenza dell’applicazione delle tecniche di big data analytics, i
corrieri di UPS per risparmiare tempo e carburante devono sempre svoltare
a destra poiché negli Stati Uniti, se le condizioni di traffico lo consentono, la
svolta a destra è concessa anche con il semaforo rosso mentre quella a
sinistra richiede di attendere il semaforo verde, con un conseguente spreco
di tempo e carburante. I conducenti UPS svoltano a sinistra solo il 10% delle
volte e questo ha permesso all’azienda di ridurre fortemente il numero di
veicoli impiegati e la distanza complessivamente percorsa.

Acquisti (1/2)
La disponibilità di enormi quantità di dati permette alla funzione acquisti ed
al management di trarre utili insight per la gestione aziendale in tempo
reale, grazie con un continuo aggiornamento delle informazioni:
1. Individuare eventuali peggioramenti nella relazione con alcuni dei
propri fornitori, monitorarli, richiedere delle azioni correttive ed,
eventualmente, sostituirli.
2. Prevedere e stimare il futuro andamento delle esigenze di
approvvigionamento e della spesa, anche ricorrendo a fornitori diversi,
selezionando infine la strategia migliore.

Acquisti (2/2)
3. Determinare i vari livelli di sconto che i fornitori sono in grado di
concedere per ogni quantitativo di prodotti e, in base alla disponibilità
di spazio e alle richieste di magazzino, la funzione acquisti sarà allora in
grado di selezionare la strategia che massimizza il risparmio sulla spesa
di approvvigionamento.
4. Individuando i fornitori che presentano i migliori tempi di consegna, la
funzione acquisti può decidere di rivolgersi ai fornitori che più si
adattano alle specifiche esigenze presentate dal magazzino.

Marketing (1/3)
1. Customer micro-segmentation: La disponibilità di maggiori volumi di
dati sui propri clienti consente di generare segmenti di clientela sempre
più precisi; a riguardo numerose imprese si stanno addirittura
spingendo verso la personalizzazione pura (Manyika J., 2011);
2. Price optimization: L’esplosione dei canali di vendita online ha
permesso, tramite opportuni strumenti, di delineare il profilo
comportamentale degli utenti, consentendo ai manager di stabilire il
prezzo ottimale che i clienti sono disposti a pagare (Lühr P., 2013).

Marketing (2/3)
3. Location-based marketing: Grazie al crescente utilizzo di smartphone, le
persone generano enormi quantità di personal data poi analizzati dalle
imprese per delineare i profili di comportamento (abitudini lavorative,
hobby e preferenze), in base ai quali realizzare le proprie campagne
pubblicitarie (Manyika J., 2011);
4. Recommendation System: Raccolgono enormi quantità di dati e di
informazioni sui vari utenti, ne tengono traccia e le comparano con
quelle di altri soggetti riuscendo in questo modo ad apprendere i gusti e
le preferenze dei propri consumatori. Esempi tipici sono Netflix e
Amazon (Linden et al., 2003).

Marketing (3/3)
5. Cross-selling e Up-selling: Analizzando i dati relativi alle vendite
compiute nel passato da parte dei vari clienti, è possibile comprendere
che tipo di prodotto offrire in base ai prodotti acquistati in passato o
realizzare particolari promozioni per incrementare il volume dei
prodotti venduti (Baumgartner T., 2011).
6. In-store analysis: L’utilizzo di smartphone consente anche di rilevare la
posizione ed il percorso che il cliente compie all’interno del negozio;
l’analisi dei numerosi dati così generati permette di delineare il profilo
del consumatore medio (età, genere, quante volte è già stato nel
negozio, interazione all’interno del negozio) (Manyika J., 2011).

Finanza (1/2)
1. Credit scoring dei clienti: Analizzando i numerosi dati disponibili sui propri
clienti dati (acquisti su Amazon, dati relativi alla posizione, profilo
Facebook, etc.), le aziende possono essere in grado di delineare un profilo
della propria clientela e prevedere eventuali more nel pagamento o
situazioni di insolvibilità, potendo in parte attutire gli effetti negativi in
termini di flussi di cassa. Ad es., la società di servizi finanziari online
Kreditech ha sviluppato un algoritmo di machine learning che, analizzando
enormi quantità di, permette di classificare i vari clienti tra idonei e non
nonché di stabilire la linea di credito più opportuna (Schoell, 2015).

Finanza (2/2)
2. Risk Management: L’analisi del business risk nella forma di perdita di
clientela può essere misurato e mitigato tramite l’analisi dei big data, che
permettono all’azienda di studiare il comportamento assunto dai clienti e,
in particolare, di quelli che hanno abbandonato l’impresa per individuare i
tratti distintivi. Questi ultimi, una volta individuati nei modelli
comportamentali degli altri clienti esistenti vengono immediatamente
segnalati e permettono all’azienda di intraprendere le opportune azioni
correttive (Hormozi e Giles, 2004).

Risorse Umane (1/3)
L’introduzione dei sistemi di big data nei processi aziendali richiede che
l’azienda intraprenda un processo di cambiamento dal punto di vista
organizzativo e culturale.
1. Cambiamento organizzativo
2. Cambiamento culturale

Risorse Umane (2/3)
1. Cambiamento organizzativo
Innanzitutto, l’azienda garantire che al suo interno siano presenti delle
apposite figure professionali, in grado di gestire ed analizzare i big data.
Tra queste spiccano:
• Data Scientist: soggetto chiamato a trasformare i dati in conoscenza e
quest’ultima in valore di business nell’impresa.
• Chief Data Officer: figura manageriale incaricata di sviluppare le
strategie di valorizzazione dei dati e di gestione del ciclo di vita degli
stessi

Risorse Umane (3/3)
2. Cambiamento culturale
La cultura organizzativa rappresenta probabilmente uno dei principali
ostacoli all’ottenimento dei benefici che i big data sono potenzialmente in
grado di offrire (Lavalle et al., 2014). E’ necessario che l’assunzione di
decisioni data-oriented divenga una pratica diffusa all’interno dell’azienda,
anche e soprattutto laddove i dati suggeriscano una direzione che
differisce dall’intuito del soggetto o dalle sue esperienze passate (Gupta e
George, 2016).

Alcuni riferimenti bibliografici
Baumgartner T., H. H. (2011). Find Big Growth in Big Data. In H. H. Baumgartner T., Sales Growth. Five proven strategies from world's sales leader (p. 41).
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049-1064.
Hormozi, A. M., & Giles, S. (2004). Data mining: A competitive weapon for banking and retail industries. Information systems management, 21(2), 62-71.
Köksal, G., Batmaz, İ., & Testik, M. C. (2011). A review of data mining applications for quality improvement in manufacturing industry. Expert systems with Applications, 38(10), 13448-
13467.
LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2011). Big data, analytics and the path from insights to value. MIT sloan management review, 52(2), 21.
Lee, J., Kao, H. A., & Yang, S. (2014). Service innovation and smart analytics for industry 4.0 and big data environment. Procedia Cirp, 16, 3-8.
Linden, G., Smith, B., & York, J. (2003). Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, (1), 76-80.
Lühr P., M. R. (2013, Febbraio). Name your price: The power of Big Data and analytics. McKinsey Quarterly.
Manyika J., C. M. (2011). Big Data: The Next Frontier for Innovation, Competition, and Productivity.
Metan, G., Sabuncuoglu, I., & Pierreval, H. (2010). Real time selection of scheduling rules and knowledge extraction via dynamically controlled data mining. International Journal of
Production Research, 48(23), 6909-6938.
Schoell, M. (2015). Kreditech: Big Data Scoring for Consumer Lending. Harvard Business School Digital Initiatives.
8/4/16

Data driven management & imprese data science oriented

More Related Content

Similar to Data driven management & imprese data science oriented

More from ConfindustriaFirenze

Data driven management & imprese data science oriented