8 errori da evitare nelle strategie sui dati
Con quasi 800 sedi, RaceTrac gestisce un volume notevole di dati, che comprende 260 milioni di transazioni all’anno, oltre ai dati provenienti dalle telecamere dei negozi e dai dispositivi IoT (Internet of Things) incorporati nelle pompe di carburante.
Con quasi 800 sedi, RaceTrac gestisce un volume notevole di dati, che comprende 260 milioni di transazioni all’anno, oltre ai dati provenienti dalle telecamere dei negozi e dai dispositivi IoT (Internet of Things) incorporati nelle pompe di carburante.
“Questo scenario ha portato allo sviluppo di formule, processi e definizioni diverse per la gestione dei report, all’interno di ogni unità aziendale e di ogni dipartimento, generando così conclusioni e intuizioni diverse a partire dagli stessi set”, aggiungere Williams.
Per abbattere i silos [in inglese], l’azienda ha creato un ambiente unificato che integra i dati tra i vari sistemi per la loro condivisione in tutta l’azienda. “L’implementazione di un sistema centralizzato di gestione e l’incoraggiamento della comunicazione interdipartimentale svolgeranno un ruolo fondamentale nel garantire la coerenza e l’accessibilità di dati affidabili in tutta l’impresa”, evidenzia Williams.
RaceTrac sta sfruttando la Data Intelligence Platform di Alation per centralizzare i dati e fornire analisi self-service agli utenti, se necessario.
Decentrare i team di dati
Analogamente alla creazione di silos, il decentramento dei team di dati può creare problemi alle organizzazioni e diminuire il valore.
“Una struttura che lavora con dati isolati può essere particolarmente problematica per le aziende che cercano di sviluppare e scalare una strategia efficace che porti a risultati di business”, riflette Swann di Vanguard. “Piuttosto, può essere sensato strutturare i team in modo che siano centralizzati dal punto di vista organizzativo [e] fisicamente co-locati, con obiettivi allineati al business stesso”.
Questo approccio contribuisce a creare un ecosistema di dati unificato che consente la loro integrazione, la loro condivisione e la loro collaborazione in tutta l’azienda.
“La stretta collaborazione tra i professionisti dei dati e l’impresa fornisce, inoltre, informazioni preziose e continue, perfeziona i processi, crea efficienza e riduce l’attrito nelle aree operative-chiave”, prosegue Swann. “Questo tipo di ambiente può essere anche molto gratificante per i professionisti dei dati e delle analytics”.
Ignorare la governance dei dati
La governance dovrebbe essere al centro di qualsiasi strategia sui dati. Quando non lo è, le conseguenze si possono riflettere sulla scarsa qualità dei dati, sulla mancanza di coerenza e sulla non conformità alle normative.
“Mantenere la qualità e la coerenza rappresenta un ostacolo da superare in assenza di un approccio standardizzato alla gestione dei dati”, racconta Williams. “Prima di incorporare Alation in RaceTrac, abbiamo lottato contro questi problemi, con il risultato di produrre una mancanza di fiducia nei dati, nonché sforzi ridondanti che hanno ostacolato il processo decisionale data-driven”.
Secondo Williams, le aziende devono creare un solido quadro di governance dei dati e ciò comporta l’assegnazione dei responsabili, la definizione trasparente della loro proprietà, e l’implementazione di linee guida per la loro accuratezza, accessibilità e sicurezza.
L’impiego di piattaforme di data intelligence specifiche per il lineage, la governance e la collaborazione dei dati “può garantire che tutti i membri dell’azienda si affidino a una fonte di verità affidabile per le analisi e i report”, evidenzia Williams.
L’utilizzo di dati di scarsa qualità
I dati sono davvero preziosi per un’azienda soltanto se sono accurati; in caso contrario, possono portare a decisioni sbagliate e perfino compromettere la customer experience.
I dati “sporchi” o di scarsa qualità sono il problema principale dell’IA, secondo Johnson di Impact Advisor. “L’IA generativa ne è un ottimo esempio”, afferma. “I loro Large Language Model hanno dati poveri o sporchi. La prova è nella produzione di fonti e fatti ‘inventati’ che citano in risposta alle richieste”.
Gli strumenti di pulizia dei dati sono un modo per affrontare il problema, dice Johnson. “Tuttavia, il problema si riduce a una strategia ben studiata, con un modello di dati comune” per entità, attributi, relazioni, tipi di dati, vincoli, gerarchie e così via.
Mancanza di visibilità sui dati in tempo reale
In assenza della capacità di sfruttare i dati in tempo reale, le aziende possono perdere l’opportunità di adattarsi ai cambiamenti della domanda dei clienti e di fornire loro una migliore esperienza d’uso.
“Nel panorama del business in così rapida evoluzione, la capacità di accedere e comprendere tempestivamente i dati in realt-time è fondamentale e fornisce alle aziende un vantaggio competitivo”, tiene a precisare Williams di RaceTrac.
Senza una prospettiva completa sui dati organizzativi, diventa difficile discernere il loro scopo, determinarne l’accuratezza, migliorarne la qualità e identificare le ridondanze, aggiunge il manager. E ciò può portare all’utilizzo di dati inaffidabili, inferiori agli standard o obsoleti nel processo decisionale.
“Trasformare dati affidabili in una risorsa che abbraccia l’intera azienda richiede che chi li utilizza abbia una comprensione approfondita dell’intero loro ciclo di vita all’interno dell’azienda”, prosegue. Dopo la trasformazione dei dati di RaceTrac, “abbiamo ottimizzato la conformità alle normative, semplificato l’analisi dell’impatto e siamo in grado di notificare tempestivamente agli stakeholder le modifiche dei dati a monte in tempo reale”, conclude Williams. “Questo consente agli utenti di prendere decisioni basate sui dati e real-time con maggiore sicurezza”.
Trascurare i background alternativi nell’acquisizione dei talenti
Le imprese hanno bisogno di professionisti con esperienza nel campo dei dati, e per occupare le posizioni che contribuiscono all’esecuzione delle relative strategie potrebbe essere opportuno ampliare il bacino dei candidati.
“Le aziende che limitano la ricerca di talenti nel campo dei dati e dell’analisi a coloro che hanno una vasta esperienza di codifica o di programmazione possono avere difficoltà a costruire una strategia di dati efficace”, sostiene Swann di Vanguard.
“I team eterogenei sono associati a una maggiore innovazione, a un processo decisionale più informato, a una più ampia possibilità di risolvere i problemi e a una migliore comprensione delle esigenze e delle preferenze dei clienti”, afferma Swann. “Per questo motivo, un approccio unico ai talenti nel campo dei dati e dell’analisi può ostacolare la collaborazione, la diversità di pensiero e l’aumento delle prestazioni”.
Vanguard assume persone di ogni provenienza per il suo Chief Data and Analytics Office, compresi alcuni che hanno studiato matematica, inglese e business ad alto livello, conclude Swann.
About Author
