Gli attori aziendali presentano esigenze e requisiti diversi circa le informazioni che consentono loro di svolgere il proprio compito.
6.1 I manager
Il management si occupa di attività strategiche e tattiche. Le prime consistono nella definizione degli obiettivi aziendali e delle politiche volte al loro raggiungimento. Le attività tattiche riguardano invece l’allocazione efficace ed efficiente delle risorse al fine di conseguire gli obiettivi e l’attività di controllo sul raggiungimento degli stessi (per esempio budget, programmazione della produzione). I manager hanno quindi bisogno dei dati che risiedono in due grandi categorie di applicativi82:
Knowledge Management System (KMS). Si tratta dell’insieme degli strumenti software per la ricerca, l’identificazione, la strutturazione di tutte le informazioni riguardanti le attività svolte in azienda. Un esempio è indivi- duabile nei software di gestione documentale, che consentono di creare, or- ganizzare e consultare vere e proprie biblioteche elettroniche costituite dai documenti aziendali.
Sistemi di Business Intelligence (BI), che sono formati da un insieme di stru- menti il cui compito finale è quello di fornire un supporto alle decisioni, tramite la trasformazione dei dati aziendali in informazioni. Il punto centrale dei sistemi di business intelligence è il data warehouse, che fornisce dati agli
80 HARFORD T., Big data are we making a big mistake?, in Financial Times, 28 marzo 2014, p. 5. 81 Ibidem, p. 8.
41 strumenti di reportistica e ai processi di predictive analytics.
Il management richiede informazioni analitiche di sintesi, presentate anche con l’ausilio di un supporto grafico tale da offrire, attraverso un semplice sguardo, la percezione dell’andamento dell’azienda o di singoli settori aziendali. Spesso per arrivare a produrre un output adatto al management occorrono molte fasi di elaborazione, che partono dai dati grezzi e arrivano alla determinazione dei Key
Performance Indicator (KPI) aziendali83.
Le esigenze del management non si fermano però alla descrizione del passato. È sempre maggiore il desiderio di anticipare gli eventi ponendo in essere un’attività predittiva volta a raggiungere un vantaggio competitivo nel mercato.
Gli strumenti per realizzare analisi di questo genere non mancano e la crescente disponibilità di dati ne aumenta l’efficacia e offre nuovi spunti analitici. I dati di cui parliamo appartengono sia alla categoria dei dati esterni, sia ai dati interni che con le tecnologie big data sono sfruttabili al livello di massimo dettaglio e con una profondità storica molto elevata. Le analisi predittive sono comunque destinate a produrre risultati di sintesi, anche se originano da dati di estremo dettaglio.
6.2 II personale esecutivo
Il personale esecutivo si occupa dell’operatività corrente (gestione ordini, magazzino, fatturazione,...) che permette all’azienda di funzionare e difficilmente richiede dati sintetici per svolgere i propri compiti: la natura delle proprie attività esige invece dati di dettaglio, forniti con tempestività. Tali dati sono contenuti nei seguenti sistemi applicativi84:
Enterprise Resource Planning (ERP). Sono strumenti gestionali che interessa- no praticamente tutte le aree aziendali, dalla gestione degli ordini alla fattura- zione, dalle paghe al bilancio, dai pagamenti alla contabilità.
Supply Chain Management (SCM). I software di questa categoria gestiscono la catena di fornitura (sia relativa agli acquisti, sia relativa alle vendite), velo- cizzando la trasmissione di ordini di acquisto, ottimizzando le scorte di ma- gazzino, definendo piani di produzione in base alla domanda, monitorando i
83 BARRETT N., Will Big Data create a new untouchable business elite?, op. cit., p. 54. 84 MARR B., Managing and Delivering Performance, op. cit., p. 98.
42 processi di consegna.
Software di Customer Relationship Management (CRM). Supportano l’attività di contatto con il cliente e forniscono strumenti per la gestione delle vendite, delle campagne di marketing e del customer service.
Sistemi di Business Intelligence. Sono in grado di supportare l’attività ope- rativa con analisi di dettaglio fornite in tempo quasi reale; si parla in questo caso di Operational Business Intelligence.
Le prime tre tipologie di software sono generalmente supportate da database relazionali che, a loro volta, rappresentano le fonti per alimentare il data warehouse e il sistema di Business Intelligence85.
Il personale operativo ha esigenze analitiche che possono riguardare aspetti ben più granulari rispetto alle tematiche trattate dai manager e, come questi ultimi, sono beneficiari di nuove opportunità che si generano con le tecnologie big data: più dati e tecniche predittive che consentono di ottimizzare i processi di produzione, vendita, CRM, ecc.
6.3 I data scientist
Abbiamo già nominato la figura del data scientist, ovvero colui che in azienda ha il compito di svolgere l’analisi dei dati86: la sua attività è in particolar modo attinente a quei processi che richiedono l’utilizzo di tecniche avanzate, informatiche, statistiche o di machine learning.
Proprio per quanto detto, il data scientist diventa una figura centrale in azienda: egli porta con sé un insieme di competenze che consentono di utilizzare i dati per generare vantaggi competitivi.
È innegabile che anche il termine data scientist sia diventato una buzzword, al pari di quanto è successo per “big data”, ma al di là delle mode del momento, l’esigenza di un profilo con forti competenze analitiche è ormai una necessità per quasi tutte le aziende.
Il profilo ideale di un data scientist comprende numerose competenze, che è molto difficile trovare in un’unica persona87:
85 Ibidem, p. 101.
86 REZZANI A., Big Data Analytics. Il manuale del data scientist, op. cit., p. 121. 87 Ibidem, p. 124.
43
Competenze informatiche riguardanti in particolare: - Database relazionali e linguaggio SQL - Hadoop e il suo “ecosistema” di software - Spark
- Database NoSQL, in particolare quelli presenti nella piattaforma Hadoop
- Linguaggi di programmazione fortemente orientati all’analisi dei dati, quali R o Python
- Tool di analisi e visualizzazione avanzati.
Competenze statistiche.
Conoscenza delle tecniche di predictive analytics e machine learning.
Conoscenza dei processi di gestione della qualità del dato.
Conoscenza dei processi di business e dell’organizzazione aziendale.
Conoscenza delle problematiche e delle sfide del dominio settoriale di interesse (industria, finanza, telecomunicazioni, ...).
Capacità di comunicare i risultati dell’analisi a tutti i destinatari.
Capacità di colloquiare con i manager e di supportarli nelle decisioni critiche. È ovvio, quindi, che il singolo data scientist avrà livelli elevati di competenza solo in alcuni di questi campi e potrà, attraverso l’esperienza all’interno dell’azienda, acquisire conoscenze ulteriori, in particolare legate al business e ai processi interni. Un approccio che funziona quasi sempre molto bene consiste nella creazione di un team di data scientist, ognuno dei quali apporta al gruppo competenze diverse e volte verso i differenti aspetti informatici, statistici o di business.