TECH | 16 Feb

Un Data Science Lab per abilitare la Digital Innovation

Come e perché nasce un Data Science Lab: l’esperienza di Engineering

“La nostra società chiede risposte semplici a problemi complessi. Ciò spesso non è possibile o errato.
Esiste però sempre una strada semplice per individuare una risposta ad un problema complesso.”
(frammento da un’ orazione pubblica, giugno 2003)

Un manager che deve innovare le proprie soluzioni sa di dover avere tre attitudini: l’abitudine a “guardarsi attorno” con curiosità e interesse; le capacità di sintesi e scelta; l’attitudine a non “reinventare la ruota”, ma ad arricchire soluzioni, utilizzando anche quanto già presente nel mercato, inserendo la propria “salsa segreta” che aggiunga quel sapore unico che crea originalità e distinzione.

Se guida team di innovatori, deve saper creare un ambiente multidisciplinare e multiculturale dove questi possano crescere nel tempo sia come individualità che come gruppo. Si tratta di valorizzare gli aspetti straordinari che possiedono tecnici brillanti, quali creatività, talento e passione, ma anche di gestire le complicazioni relazionali e le implicazioni psicologiche, con il supporto di strumenti e pratiche operative in un contesto di comunità che abiliti la crescita armonica di una cultura comune.

La principale attività è creare un team che sia pre-adattato a rispondere alle esigenze di innovazione quando le condizioni saranno opportune.

Si tratta di gestire un’organizzazione piatta ed agile che favorisca la circolazione delle idee, dell’informazione e della conoscenza, facendo emergere quei potenziali capaci di anticipare il futuro e non semplicemente di inseguirlo: un contesto organizzativo generatore di una riserva di potenziale costituita da risorse che, con competenze e relazioni, sia in grado di rispondere a diversi eventi quando questi accadranno. Ben sapendo che quando si affrontano attività esplorative potrà essere necessaria una “virata” se il “vento lo richiederà” e che la sostenibilità dell’insieme è dimostrata dalla paziente, ma progressiva, raccolta di risultati tangibili, anche se di natura diversa.

Da questo approccio, derivano cinque insegnamenti:

  1. Se nelle tecnologie dell’informazione, attività ad alta intensità di lavoro intellettuale, è naturale investire nelle persone, ciò è essenziale nell’innovazione: si tratta di creare gli stimoli perché nei gruppi di lavoro possano emergere e si manifestino in modo bilanciato caratteristiche come il talento, la creatività, la disciplina, oltre ad un adeguato tasso di produttività.
  2. Un’organizzazione piatta è necessaria per favorire le giuste condizioni: si tratta di creare un gruppo di professionisti dove la singolarità possa emergere, ma soprattutto dove il risultato e la crescita del singolo siano risultato e crescita della collettività.
  3. L’abilità manageriale risiede nella capacità di avere visione d’insieme, nel saper gestire la complessità, con approcci multi-disciplinari che sono indispensabili in un’economia basata sui servizi e sulla conoscenza.
  4. Far circolare l’informazione e condividere il sapere è una pratica essenziale per ottenere ritorni spesso inaspettati: l’esperienza di questi anni ha dimostrato che termini come apertura, aiuto reciproco, gratuità e fiducia non sono parole da “libro dei sogni”, ma possono essere pratiche di lavoro quotidiane, quando inserite nel giusto contesto.
  5. E’ necessario, anche se talvolta faticoso, mantenere una mente aperta per vivere il presente, indagare le novità, conoscere quanto sta emergendo o è sul picco dell’innovazione e, quando possibile, anticipare il futuro.

Per creare una comunità di lavoro non è però sufficiente organizzare il contesto: è necessario avere un obiettivo comune e questo talvolta è dato da eventi “che accadono”.

Il Data Science Lab di Engineering

Nel 2005, Peter Sondergaard, responsabile della società di ricerca Gartner, in un discorso pubblico ha dichiarato: “Algorithmic business is here”. E ha continuato affermando che “le interconnessioni, le relazioni e gli algoritmi stanno definendo il nuovo business”, che sarà “guidato non solo dai dati, ma dagli algoritmi”.

Ascoltate queste frasi, consapevoli di come stavano evolvendo i trend di mercato, abbiamo deciso di prepararci costruendo la nostra “riserva di potenziale”. Avevamo la conoscenza di tecnologie e strumenti e mantenerla aggiornata su quanto stava emergendo non era affatto un problema; stavamo costruendo quella che è la nostra infrastruttura di cloud privato che oggi utilizziamo non solo per gli sviluppi interni, ma anche come offerta sul mercato. Mancavano però in modo strutturato le nuove competenze specialistiche. A questo punto, sia come raccolta all’interno dell’azienda di talenti e competenze che operavano in modo isolato, sia come selezione dal mercato di competenze con esperienza e di brillanti neo-laureati, abbiamo costituito un team multi-disciplinare con un comune denominatore: la passione per l’analisi dei dati al fine di estrarne valore. Oggi, all’interno del Centro di Competenza Big Data e Analytics, un team di fisici, matematici, statistici, ingegneri, economisti, chimici e linguisti computazionali affianca i “tradizionali” architetti e sviluppatori big data.

Necessitava quindi un obiettivo comune: la costruzione di una piattaforma comprendente approcci metodologici – agili, outcome-driven – competenze, tecniche e strumenti adatti a supportare il digital business. Questo è stato affrontato con un cambio di approccio: non solo a partire dalle richieste dei clienti (dalla conoscenza del loro modello di business, all’analisi dei processi, per rispondere ad una opportunità di business), ma a rovescio, utilizzando dati ed algoritmi in modo esplorativo per anticipare le domande, osservando ciò che accade (dalla percezione di un’opportunità di business, all’individuazione dei processi opportuni, per giungere all’adeguamento del modello di business).

Il Data Science Lab Engineering è un’infrastruttura che utilizza tecnologie e strumenti allo stato dell’arte (soluzioni hadoop, di data analysis e di front-end), dove si utilizzano tecniche statistiche, e di machine learning e si consolidano artefatti (componenti analitiche riutilizzabili e combinabili) sia per attività di ricerca interna, sia per l’offerta di servizi ai clienti. Diversi i casi d’uso ed esempi concreti applicabili in ogni mercato già affrontati: analisi predittive sulla fedeltà dei clienti o previsioni di fatturato, manutenzione predittiva in linee di produzione di stabilimento, valutazione automatica circa l’erogazione e l’efficacia di finanziamenti concessi, analisi di segnali provenienti da apparati connessi alla rete elettrica delle abitazioni, social listening con analisi congiunta di testi ed immagini, funzionalità di reccomendation tipiche dell’e-commerce.

Oggi si possono realizzare in tempi relativamente rapidi analisi avanzate a fronte della combinazione di tecniche e algoritmi, anche originali, a supporto dell’intero Analytics Maturity Model ( Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics).
Il risultato di questa esperienza, ancora in divenire, più che dagli algoritmi realizzati e già utilizzabili in diversi campi realizzativi, è dato dall’esperienza stessa. Un approccio all’innovazione volto a creare un nucleo di competenze capace di crescere non solo come diffusione di un modo nuovo di concepire il business e di trattare i dati che oggi gli danno nuova forma, ma anche per essere a disposizione di iniziative di partnership con i clienti per accelerare lo sviluppo di tali competenze al loro interno.
Senza trascurare la cooperazione con quegli “ecosistemi della conoscenza” che come Engineering frequentiamo da sempre grazie ad una consolidata esperienza sia all’interno delle comunità open source, sia delle iniziative e dei progetti della ricerca nazionale ed europea.

Agilità, capacità di esplorazione, apertura e condivisione della conoscenza sono le abilità che un’azienda deve possedere per essere protagonista alla frontiera dell’innovazione digitale.


Gabriele Ruffatti