La digitalizzazione dei modelli di business, con la proliferazione delle piattaforme cloud, delle applicazioni in mobilità, delle piattaforme social e degli smart object apre nuovi scenari sulla raccolta, l’utilizzo e le potenzialità di grandi volumi di dati.
Con l’Internet of Things (IoT) ogni oggetto interconnesso fornisce dati utili alle decisioni e alle scelte da parte delle aziende, tanto da costruire una realtà sempre più fondata sulla conoscenza. Le strategie di valorizzazione dei dati resi disponibili dall’IoT sono ancora poco sviluppate per le loro potenzialità: dall’analisi di una recente ricerca dell’Ossevatorio IoT del Politecnico di Milano appare evidente che più si consolida la diffusione di soluzioni e dispositivi IoT in differenti settori più l’attenzione si sposta sul come riuscire a ricavare valore dai dati resi disponibili dagli oggetti connessi. Questi dati infatti possono essere utilizzati nei processi interni aziendali ad esempio per ridurre i costi e/o migliorare l’efficacia dei servizi nei confronti dei clienti, grazie alla migliore comprensione delle loro caratteristiche ed esigenze. In questo caso si fa riferimento alla valorizzazione interna del dato.
Molti sono gli esempi che possono essere presi a modello in questo senso: dai contenitori riutilizzabili dotati di tag RFId (Radio Frequency Identification) per ridurre i costi dei controlli nei processi di noleggio, ai lampioni intelligenti per ottimizzare i consumi energetici e la manutenzione, fino ai kit15 in ambito Smart Home che consentono alle assicurazioni di migliorare la propria competitività grazie all’offerta di nuovi servizi come l’assistenza 24 ore su 24 e ridurre i costi delle polizze grazie alla diminuzione del numero di frodi e alla minore entità dei danni.
Questi stessi dati possono generare valore anche all’esterno dell’azienda attraverso la vendita a terzi: in questo caso si tratta di una valorizzazione esterna del dato, che apre addirittura nuove opportunità di business, non necessariamente note al momento della realizzazione dell’applicazione IoT. Ad esempio, i dati relativi ai consumi energetici delle utenze domestiche, utilizzati dalle utility per rendere più efficiente il processo interno di fatturazione, potrebbero essere rivenduti a soggetti interessati a migliorare le previsioni dei consumi energetici aggregati. In molti casi le modalità di utilizzo di questi dati sono solo parzialmente note nel momento in cui si progetta una applicazione IoT.
La capacità di correlare i dati raccolti dalle soluzioni IoT con altre informazioni, interne o esterne all’azienda stessa, diventa fondamentale per la loro piena valorizzazione. I dati si legano sempre di più alle strategie di pricing delle aziende, in alcuni casi abilitano nuove logiche di vendita basate sull’effettivo utilizzo, in altri giustificano forti sconti sui prodotti che consentono di raccoglierli. In ambito Smart Car, ad esempio, i dati raccolti da sensori nei pneumatici o nel motore iniziano a essere utilizzati per consentire all’utente di pagare su base periodica, a seconda dei chilometri percorsi, e non più in un’unica soluzione al momento dell’acquisto.
Questi sono alcuni degli ulteriori esempi che confermano la centralità del dato nelle applicazioni IoT il cui valore può essere così elevato da giustificare scontistiche o addirittura offerte anche gratuite di prodotti e servizi.
Dall’analisi all’azione
Per trasformare gli Analytics in Action occorre, secondo SAS Italy, un approccio basato su tre pillar: Data, Discovery e Deployment. I Dati ovviamente sono alla base del processo analitico e devono poter essere gestiti in modo efficiente, garantendone la massima qualità. La Discovery deve invece poter consentire da parte di qualsiasi tipologia di utenza, anche priva di competenze tecniche, l’esplorazione autonoma dei dati. Attraverso il Deployment, infine, i modelli analitici devono poter entrare in produzione per essere distribuiti all’interno dell’organizzazione. In questo contesto il Data Management aggiunge certezze alle analisi poiché garantisce che la disposizione di processi e ruoli aziendali risultino sempre efficaci e funzionali al raggiungimento degli obiettivi di business.
Il Data Management
Il Data Management sembra configurarsi sempre più come una risorsa fondamentale per la gestione aziendale, sia per le piccole e media imprese (PMI), che per le grandi organizzazioni che si trovano ogni giorno a gestire complessità e grandi quantità di dati per trasformarli in conoscenza e opportunità di business. I dati hanno dunque bisogno di avere una determinata forma o struttura di partenza per poter effettivamente supportare le decisioni che ogni giorno un’azienda deve prendere per la crescita del proprio business. Un buon Data Management ha dunque necessità di due strumenti chiave: Data Quality e Data Integration.
La Data Quality rappresenta l’insieme dei processi che assicurano la conformità del valore del dato per le esigenze di business. Le aziende hanno da sempre due obiettivi chiari e precisi ovvero aumentare le vendite e offrire una migliore customer experience ai propri clienti. Con l’avvento dei Big Data questi obiettivi sono diventati sempre più concreti ma, al contempo, sempre più soggetti a sfide.
La Data Integration è invece la combinazione di processi e tecnologie per l’implementazione in azienda dei dati di business provenienti da fonti diverse, trasformandoli e aggregandoli in un unico formato con l’obiettivo di unificare i risultati e accrescerne il valore.
Sviluppi futuri
Analizzare tutti i touchpoint della customer journey permette di individuare i comportamenti e le abitudini dei consumatori, dando la possibilità, ad esempio, di creare campagne di marketing personalizzate e indirizzate a target specifici, migliorando i risultati e evitando sprechi di risorse e costi inutili. L’accesso e la trasformazione di dati provenienti da diversi fonti ha trovato molte limitazioni nel tempo, soprattutto nel momento della scelta degli strumenti adatti e nella valutazione del loro grado di compatibilità.
Standardizzare è la parola d’ordine, sia in termini di condivisione di regole interne all’organizzazione, sia di prodotto. Un’efficace Data Integration, combinata con un’opportuna Data Quality, aiuta infatti a incorporare tutti i tipi di dati unificandoli in un unico sistema. Questo si traduce in minori costi e benefici in termini operativi e di supporto alle decisioni di business. Si possono seguire una grande varietà di programmi di Data Integration e/o iniziative di business tenendo sempre come centro del focus la qualità dei dati in ogni livello della strategia d’integrazione. Questo fa sì che ogni dato nuovo che entri in azienda, non solo si aggiunga alla quantità di informazioni già presenti, ma moltiplichi il suo valore combinandosi con i dati attuali. Le organizzazioni più performanti, secondo lo studio SAS Italia, saranno appunto quelle che hanno già in atto una precisa strategia che riconosca la Data Integration come base su cui fondare il proprio vantaggio competitivo. Ciò consentirà maggiore semplicità, flessibilità e velocità di reazione.
