Capitolo 2. Dalla Business Intelligence all’Advanced Business Analytics
3.1 Analisi dei modelli di maturità ICT presenti in letteratura
3.1.11 Altri modelli di maturità
Per una maggiore efficienza del trattato è risultato doveroso identificare i modelli più significativi per l’elaborazione della nuova proposta.
Un primo criterio di scelta è stato effettuato in base alla tematica: sono stati analizzati soltanto i modelli che analizzano strettamente i Big Data e il passaggio da una Performance Management & Basic Analytics all’Advanced Analytics.
Sono stati successivamente eliminati i modelli che dispongono di una componente teorica molto solida, pertanto, non si prefiggono di essere esaustivi nella caratterizzazione delle dimensioni di analisi, ma si rivelano utili per comprendere quale debba essere la struttura del modello da proporre.
Inoltre, per alcuni modelli (AMR Research e CMMI) non sono stati inseriti nell’analisi poiché l’utilizzo e la comprensione sono penalizzati dalla carenza di informazioni dettagliate.
Per ogni istituto è stato selezionato, successivamente il modello che risultava più completo ed esaustivo.
Corporate Planning & Business Intelligence Maturity Model
Il Corporate Planning & Business Intelligence Maturity Model55 è stato sviluppato nel 2010
nell’Università di San Gallo, con lo scopo di inserire la Business Intelligence tra gli aspetti considerati durante la pianificazione aziendale. La costruzione del modello comincia dalla definizione di un meta-modello di maturità del corporate planning, a partire dall’analisi del ciclo di vita dell’organizzazione, e si conclude con l’allocazione delle tecnologie BI appropriate, attraverso un approccio analitico ed empirico. Infatti, oltre a mappare i requisiti, sono stati raccolti alcuni case studies ai fini della validazione. I livelli sono descritti da 3 dimensioni:
o Corporate planning contingencies, ovvero la strategia aziendale e l’assetto organizzativo;
o Corporate planning, ossia la pianificazione operativa e strategica, e le previsioni; o Business Intelligence, distinta in applicazioni accentrate e decentrate.
Il modello prevede 5 livelli di maturità:
o Informal planning: l’azienda è di piccole dimensioni e non è presente un planning system formale. Le soluzioni BI principali sono applicazioni legate a spreadsheeet (es. Excel). o Corporate operational planning: l’organizzazione è di tipo funzionale e ricerca mercati
ed efficacia operativa. La pianificazione operativa e le previsioni finanziarie hanno un orizzonte temporale di un anno; mentre la pianificazione strategica è di tipo informale. Il
supporto tecnologico viene fornito da ERP e applicazioni di pianificazione finanziaria integrate.
o Corporate financial planning: l’aumento della diversificazione e delle dimensioni aziendali spinge verso un’organizzazione di tipo divisionale e ciò si riflette nello scope della pianificazione operativa e dello sviluppo della strategia. Il focus viene posto sulla pianificazione finanziaria, con applicazioni decentrate e centralizzate.
o Corporate strategic planning: la crescita esterna e la necessità di allineamento cross- divisionale aumentano la complessità in azienda e l’assetto organizzativo più adatto è la matrice. Le applicazioni utilizzate sono le medesime del livello precedente, con l’aggiunta di quelle centralizzate per la pianificazione strategica.
o Corporate strategic management: l’azienda è dotata di un framework aziendale e di applicazioni che integrano la pianificazione strategica con quella operativa.
Data Management Practice Maturity Model
Il Data Management Practice Maturity Model56 è stato sviluppato nel 2007 da Peter Aiken, della
Virginia Commonwealth University, per ovviare all’inadeguatezza delle pratiche di data management poste in essere dalle organizzazioni, offrendo loro uno strumento per capire quali sfide affrontare per migliorare. Il modello scorpora il data management in 5 processi:
o Data program coordination: garantire processi di data management e infrastruttura tecnologica adeguata;
o Organizational data integration: assicurare che i dati siano condivisi nell’organizzazione;
o Data stewardship: conseguire l’integrazione dei dati a livello semantico e sintattico; o Data development: ottenere la condivisione dei dati all’interno di un’area di business; o Data support operations: garantire l’affidabilità dell’accesso ai dati.
Il criterio con il valore più basso determina il livello di maturità del processo cui si riferisce. L’assessment delle altre aziende intervistate stabilisce un range di valori che consente da un lato la comparazione dell’organizzazione studiata, dall’altro una maggiore comprensione dello stato dell’arte delle pratiche di data management. Al pari di altri modelli di maturità, sono contemplati 5 livelli:
o Initial: il data management è ad hoc o caotico, basato sui singoli individui e poco trasparente in termini di costi e performance.
o Repeatable: l’organizzazione sa dove si annidi l’esperienza in ambito di data management e assegna le persone più capaci ai progetti più critici, per ridurre il rischio e migliorare i risultati. Si riescono a definire best practices, così da rendere ripetibili i risultati conseguiti.
o Defined: si riesce a stabilire un set di processi di data management consigliati e le persone più capaci fungono da traino per i meno esperti.
o Managed: ricorrere ai processi di data management definiti dall’organizzazione è richiesto e monitorato. La gestione si basa su previsioni statistiche.
o Optimizing: l’organizzazione ha raggiunto alti livelli di sicurezza dei risultati e rianalizza i processi di data management in un’ottica di miglioramento continuo.
Data Quality Management Maturity Model
Il Data Quality Management Maturity Model57, frutto di una collaborazione tra l’Electronics and
Telecommunications Research Institute (Daejeon, Corea), l’Università Kyung Hee di Seoul e l’Università di Stanford, è stato messo a punto nel 2006 per descrivere la qualità dei dati con un approccio rigoroso e tecnico. Per descrivere gli stadi di maturità, non sono utilizzate dimensioni ben definite e istanziate, ma si integrano 3 punti di vista: Corporate integration, Data structure quality management e Livelli di maturità. Il modello prevede 4 stadi di maturità, che procedono verso il massimo grado di integrazione aziendale:
o Initial (DBMS): la data structure quality si fonda sul catalogo di regole del database system, ma esistono problemi di de-normalizzazione e di distorsione dei dati durante il processamento.
o Defined (Data model): la gestione dei dati si basa su un modello logico, che viene convertito in fisico attraverso le regole del database e del sistema fisico. I problemi di distorsione vengono scongiurati, ma la mancanza di standard di denominazione ostacola la condivisione e il riuso dei dati.
Nei livelli 1 e 2 del modello si migliora la profondità della qualità dei dati, ovvero quelle proprietà di accuratezza, completezza, attualità e ricercabilità, che contraddistinguono i dati, se considerati in maniera reciprocamente indipendente. Nei livelli successivi, viene
incrementata l’estensione della data quality, misura dell’integrazione e della consistenza dei dati in un sistema informativo o database.
o Managed (Standard Metadata): i dati vengono standardizzati a livello aziendale, tramite la definizione e il controllo centralizzati di metadati, e risultano, pertanto, integrati e riutilizzabili al di fuori del dipartimento di origine. Se la standardizzazione ha un approccio bottom-up o se non si considera il sistema informativo nella sua interezza, si rischiano effetti di isolamento dei dati.
o Optimized (Data architecture): si raggiunge il massimo livello di data management attraverso l’introduzione di standard architetturali (che evitano l’isolamento dei dati e richiedono un amministratore unico), e mediante la gestione centralizzata del cambiamento e un approccio bottom-up per il reverse engineering.
IT Performance Measurement Maturity Model
L’IT Performance Measurement Maturity Model58 è stato realizzato nel 2009 presso l’Università
di Münster (Germania), a complemento di uno studio relativo ai modelli di maturità a supporto dell’IT management e volto a definirne i criteri di sviluppo con un approccio scientifico. L’IT Performance Measurement Maturity Model caratterizza i suoi livelli attraverso tre dimensioni, a loro volta dettagliate da 5 criteri ciascuna:
o Contents include Conoscenza e comunicazione, Orizzonte temporale e intenti, Goal setting, Copertura ed Elementi concettuali. Spiega quindi l’impatto della misurazione delle performance IT sull’IT management;
o Organization comprende Analisi costi-benefici, Percezione del valore IT, Skills ed esperienza, Responsabilità e Policy, standard e procedure, analizzando l’integrazione del dipartimento IT all’interno (tra organizzazione e operations) e all’esterno (con i principi aziendali);
o Technology prevede Standardizzazione dei componenti, Storicizzazione dei dati, Grado di integrazione dei dati, Automazione e tempestività e Provision di informazioni e range funzionale, prendendo in esame i vari strumenti usati.
Il modello presenta 6 stadi di maturità, descritti come segue: o Non-existent: le performance IT non sono misurate.
o Initial: la misurazione delle performance viene svolta ad hoc.
o Repeatable: la misurazione delle performance viene svolta in maniera frammentaria. o Defined: vi sono processi di misurazione delle performance ben definiti, che si fondano su
report implementati con desktop tools.
o Managed: la misurazione delle performance è formalizzata, automatizzata e supportata da dashboard.
o Optimized: i processi di misurazione sono implementati con strumenti di Business Intelligence integrati a livello corporate.
DataFlux - Data Governance Maturity Model
Il Data Governance Maturity Model di DataFlux59 (oggi sussidiaria di SAS) è stato sviluppato nel
2009 per valutare il livello di maturità della data governance di un’organizzazione e proporne in seguito un percorso di crescita. Il modello si fonda sul principio secondo cui il successo aziendale è legato alla quantità di informazioni disponibile per prendere decisioni relative alla customer retention, all’efficienza della supply chain e alla compliance
Le dimensioni analizzate sono:
o People: livello di executive sponsorship e del commitment di IT e business; o Policies: policy per regolare la raccolta e la gestione dei dati;
o Technology: data model e strumenti e tecnologie volti alla data quality & integration, alla sincronizzazione e alla collaborazione;
o Risk & Reward: bilancio tra i rischi in cui l’organizzazione può incorrere e i benefici che può ottenere;
o Advancing to the next stage: si tratta di una dimensione sui generis, dal momento che non studia una caratteristica AS-IS dell’azienda, ma indica quali azioni debbano essere intraprese per passare al livello successivo.
Il modello propone 4 livelli, che procedono verso benefici e scope dei programmi progressivamente più ampi. Nel dettaglio:
o Undisciplined: sono poche le policy relative a qualità e integrazione, e i dati risultano replicati e ridondanti. I problemi vengono affrontati manualmente una volta che si siano palesati e il successo degli interventi dipende dalle competenze di pochi. Cleansing e
standardizzazione dei dati sono presenti solo in fonti isolate e mancano profilazione, analisi e auditing. I rischi (es. perdita di clienti o non rispetto della compliance) sono molto alti e i benefici si riducono alla rispondenza ai requisiti di singoli individui, ma non dell’azienda.
o Reactive: l’organizzazione inizia a definire alcune regole di data governance. Il successo delle azioni intraprese dipende da piccoli gruppi, che non possono contare su standard procedurali condivisi. L’attenzione crescente rivolta alla data quality si riflette anche nell’utilizzo di tecnologie e strumenti a essa dedicati, ma i dati non sono integrati tra business unit. Questo costituisce una forte componente di rischio, che tende a smorzare i benefici conseguibili.
o Proactive: il ruolo della data governance è riconosciuto dal management e a livello executive si percepiscono i dati come un asset aziendale. Si passa dall’approccio reattivo del livello precedente, al tentativo di prevenire l’insorgere di problemi. Il controllo sulle regole svolto dai data steward, la presenza di una Service-Oriented Architecture (SOA) e il processamento dei dati in tempo reale consentono la condivisione di dati integri, che vanno a beneficio del processo decisionale.
o Governed: la strategia di data governance è unificata e coinvolge l’intera azienda. Gli strumenti, gli standard e le tecnologie adottate assicurano il monitoraggio, il controllo e la conformità della qualità dei dati dell’organizzazione nel suo complesso e consentono di prendere decisioni molto affidabili. Le policies per garantire che i dati rimangano consistenti e accurati sono automatizzate e incorporate nelle regole di processo. La data governance, che ha una sponsorship a livello executive, conta sul contributo degli utenti nella definizione della strategia e dei requisiti, ed è gestita da parte di un gruppo che lavora con data steward, sviluppatori e amministratori di database.
HP - Business Intelligence Maturity Model
Il Business Intelligence Maturity Model di HP60 è stato realizzato nel 2009 per accompagnare le
organizzazioni lungo il percorso verso la creazione di un ambiente di Business Intelligence agile e integrato. Vengono identificate tre capabilities fondamentali:
o Business Enablement, che corrisponde ai problemi e ai bisogni di business che la BI concorre a risolvere;
o Information Technology, ossia le soluzioni tecnologiche da adottare;
o Strategy & Programme Management, ovvero le competenze manageriali necessarie per il successo dell’iniziativa BI.
Il modello include 5 stadi di maturità spiegati dalle tre dimensioni descritte in precedenza. Nello specifico:
o Operation: ci si focalizza su reportistica e analisi di basso livello, su base mensile o trimestrale. Sono principalmente gli executives e i manager a utilizzare gli strumenti BI, mentre il lavoro di integrazione e prima elaborazione dei dati deve essere fatto manualmente. Le soluzioni tecnologiche mirano a garantire un accesso base ai dati e rispondono a esigenze locali. I dati sono conservati in data mart, dipartimentali o della funzione di business, indipendenti e non integrati tra loro.
o Improvement: oltre al reporting e a prime forme di analisi, vengono implementati dashboard, scorecard e applicazioni di pianificazione e previsione. Diminuisce lo sforzo manuale profuso per preparare e presentare i dati, e vengono erogate funzionalità di Self- Service BI, con la possibilità di customizzare report e analisi. A livello tecnologico si nota la diffusione di data warehouse verticali, data mart e operational data store, che rimangono di portata dipartimentale o della business unit. Si presta attenzione alla qualità dei dati, ma le attività svolte sono ancora ad hoc e manuali. Per quanto concerne gli aspetti manageriali, si riconosce l’importanza della gestione dei progetti BI, formalizzando ruoli e responsabilità.
o Alignment: aumenta il grado di integrazione e allineamento, ponendo enfasi sulla gestione delle performance di business (con un reporting integrato, balanced scorecard e KPI ben definiti). La base utenti degli strumenti BI aumenta e ha accesso a dati di qualità nei tempi richiesti. Le fonti di dati vengono integrate in un unico data warehouse centralizzato e si profondono sforzi per la governance e la data quality. Alcune aree di business si sono fatte carico dell’ownership dei propri dati e hanno identificato e formalizzato data steward. Esitenza di una strategia ben definita e messa a punto di azioni di Change Management.
o Empowerment: la Business Intelligence inizia a trasformare i processi e il modo di lavorare in azienda. Gli analytics sono sempre più embedded nei processi, automatizzati e centrali. Tra le attività più diffuse, vi sono quelle di monitoraggio e di data visualization. Si cerca di creare una sola versione della verità e pertanto i programmi di data quality e
data governance vedono la collaborazione della funzione IT e del business. Rispetto agli stadi precedenti, si inizia a considerare i dati non strutturati come un asset da gestire, integrare e sfruttare. La governance è di alto livello e il Programme Management Office (PMO) della Business Intelligence entra a far parte del PMO globale dell’azienda.
o Transformation: l’organizzazione gode di un information environment agile e vede negli analytics una fonte di vantaggio competitivo. Per questo motivo si investe nell’innovazione BI. Gli utenti di tutti i livelli dell’organizzazione hanno accesso ai dati e agli insight che reputino utili per il proprio lavoro. Vi sono commitment e sponsorship molto forti, così come sono molto robuste le attività di data governance e data quality.
AMR Research - Business Intelligence/Performance Management Maturity Model, Version 2 AMR Research
Il Business Intelligence/Performance Management Maturity Model61 è stato messo a punto nel
2006 da parte della società di analisi AMR Research (acquisita nel 2009 da Gartner), al fine di analizzare il legame tra le prestazioni aziendali e l’utilizzo di strumenti BI a supporto del processo decisionale. Gli stadi di maturità si fondano su una gerarchia di bisogni, che presuppone il soddisfacimento graduale dei requisiti per l’avanzamento allo stadio successivo. Il modello prevede 4 livelli di maturità, che non sono spiegati da dimensioni misurate rispetto a soglie evolutive, ma assumono configurazioni specifiche:
o Reacting: l’approccio di gestione delle performance è di tipo bottom-up e i progetti di Business Intelligence rispecchiano esigenze di livello dipartimentale. L’attenzione è rivolta soprattutto all’analisi di dati storici. L’adozione tecnologica è minimale e spesso le iniziative appartengono ai singoli individui. Le aziende appartenenti a questo livello spesso ricercano risultati a breve termine.
o Anticipating: le organizzazioni acquistano maggiore consapevolezza delle opportunità BI e cercano di espandere lo scope dei progetti pilota. I progetti rivestono una maggiore strategicità e vengono estesi a livello inter-dipartimentale. L’interesse è rivolto allo stato attuale delle performance e per questo vengono utilizzati dashboard a scopo informativo. Si inizia a prestare attenzione alla gestione dei dati, a causa delle criticità prodotte dalla pluralità di data sources presenti nel livello precedente.
o Collaborating: l’azienda è orientata alla previsione delle prestazioni future e pertanto vengono definiti KPI e impiegati dashboard e scorecard, per allineare risorse e obiettivi tra i gruppi inter-dipartimentali. Gli analisti hanno una visione di insieme dell’organizzazione ed elaborano scenari e modelli utili per prendere decisioni rapidamente e migliorare le performance.
o Orchestrating: nelle organizzazioni la gestione delle prestazioni non è più un elemento legato alle sole dimensioni tecnologiche, ma diventa una vera e propria cultura aziendale. Questo implica che gli obiettivi vengano fissati con un approccio top-down, dai livelli executive alle operations. Si vuole ottenere un’unica visione dell’azienda, con obiettivi e incentivi adeguatamente fissati e allineati. Il supporto decisionale è pressoché immediato e ciò permette di competere in mercati dinamici.
CMMI Institute - Data Management Maturity Model
Il Data Management Maturity Model62 è stato presentato nell’agosto 2014 da parte del CMMI
Institute, come modello di raccolta di best practice relative alle discipline di gestione dei dati. Il modello valuta in maniera interrelata, oltre ai processi di supporto (es. risk management, measurement & analysis, process management), le 5 componenti della gestione dei dati:
o Strategy: funzioni e strategia di gestione dei dati, comunicazione, business case e modalità di finanziamento;
o Governance: governance management, business glossary e gestione dei metadati; o Quality: data quality strategy e assessment, profilazione e cleansing dei dati;
o Operations: definizione dei requisiti dei dati, data lifecycle management e provider management;
o Platform & Architecture: approccio e standard architetturali, piattaforma di gestione e integrazione dei dati, dati storici, archiviazione e retention.
Il modello prende come riferimento il Capability Maturity Model (CMM), elaborato nel 1984 dal Software Engineering Institute della Carnegie Mellon University in ambito di sviluppo software. Il CMMI ne costituisce un’evoluzione, essendo diventato un modello di applicabilità più generale. I livelli sono 5:
o Performed: i processi sono eseguiti, ma non documentati. o Managed: i processi sono documentati.
o Defined: oltre alla documentazione, sono definiti anche standard e procedure. o Measured: vengono misurate le performance.
o Optimized: i processi tendono al miglioramento continuo. Big Data Journey
Il modello di maturità “Big Data Journey”63 è stato presentato 2015 da parte dell’Osservatorio del
Politecnico di Milano, come un modello di percorso di crescita.
Il modello individua 5 livelli di maturità descritti con le quattro dimensioni analizzate.
o Strategia: in questa dimensioni si analizza l’approccio strategico dell’azienda e il budget dedicato.
I livelli individuati nella strategia sono i seguenti:
o Tradizionale: le opportunità dei Big data Analytics non sono comprese fino in fondo e non esiste un piano condiviso e definito.
o Buttom Up: l’approccio alla gestione della conoscenza aziendale è di tipo tradizionale ma esistono approcci virtuosi guidati dalla esigenze verticali di alcune funzioni aziendali
o Tactical: Le opportunità dei Big Data Analytics sono note a livello di top management ed esiste un piano annuale in cui sono definite linee guida e priorità sulla base di esigenze prevalentemente contingenti.
o Planned: Esiste un piano pluriennale per la gestione dei Big data con un budget allocato. Esiste una roadmap di evoluzione in termini di investimenti tecnologici e progetti prioritari.
o Big Data First: i Big data fanno parte della strategia complessiva dell’azienda, esiste un piano pluriennale e sono considerati fonte di vantaggio competitivo.
o Data: con data si intende la qualità ed accessibilità del dato. I livelli individuati sono i seguenti:
o Fragmented: i dati presenti in azienda sono prevalentemente di cattiva qualità e forniscono informazioni spesso contraddittorie ed inconsistenti.
o Managed: i dati tradizionali sono a disposizione in un repository centralizzato. Esistono alcune policy e linee guida indirizzate a gestire la qualità dell’informazione, il livello di affidabilità eterogeneo e non strandardizzato. o Centralized: I dati sono raccolti a livello centralizzato e sono a disposizione delle
applicazioni che ne richiedono l’uso. La qualità è medio alta.
o Available: la tassonomia di riferimento per i dati è definita in modo centralizzato. I dati sono identificati univocamente all’interno dell’azienda e sono accessibili da un unico punto con diverse viste di lettura ed analisi.
o Harmonized: i dati sono sempre disponibili aggiornati ed univocamente identificati per le esigenze di business. Sono raccolti anche dati di tipo destrutturato.
o Governance: si intende analizzare le competenze e la struttura di governance.