Da qualche anno la Data Science trova applicazione in azienda producendo significativi impatti in termini sociali ed economici. Come misurare allora gli impatti in rapporto a costi/benefici di una gestione basata sui dati e come scegliere la strategia di investimento più appropriata?
In un recente studio dell’University of Notre Dame è stata elaborato un modello sperimentale utile a calcolare il ROI della Data-Driven Governance.
Data Science: perché?
Le aziende stanno rapidamente adottando la Data Science per supportare i propri processi decisionali e di management anche al fine di determinare un impatto positivo in attività e/o operazioni con lo scopo di aumentare i ricavi, ridurre i costi e aumentare l’efficienza aziendale. Per tali motivi le imprese stanno incorporando sempre più spesso nuovi programmi di analisi per creare maggiore valore non solo utilizzando i propri dati interni, ma anche attraverso il collegamento tra questi dati aziendali con fonti informative esterne. Tuttavia l’acquisizione di dati esterni non è un’attività a basso costo ed anzi richiede quasi sempre un investimento da parte dell’organizzazione. Inoltre più si sviluppano e si realizzano modelli complessi e avanzati di analisi dati e maggiori sono gli investimenti richiesti in termini di risorse umane e infrastrutture tecnologiche.
Come è possibile, quindi, ottimizzare alcune analisi per l’abbattimento dei costi, con la conseguenza di un maggiore ritorno sull’investimento (ROI) utilizzando la scienza dei dati? Esiste un modo oggettivo per confrontare il valore di strategie diversificate come l’acquisizione di dati o il modeling in modo da poter guidare le aziende nella scelta più appropriata in base alle proprie esigenze?
Come ottimizzare gli investimenti
I ricercatori della Notre Dame University hanno voluto fornire un modello utile a valutare il ROI della governance basata sui dati, ovvero come individuare per le aziende i budget sviluppando strategie adeguate e diversificate rispetto alle svariate situazioni del mercato e in un contesto di bilanciamento dei costi di investimento con i benefici/ricavi.
Il modello NPV elaborato nello studio suggerisce le migliori pratiche possibili di business in merito alle attività di analisi e strategia. Nel framework proposto si possono unificare i costi di sviluppo del modello, l’acquisizione di dati esterni, e quelli del valore temporale delle previsioni; ciò facilita lo sviluppo e l’implementazione di strategie che traggono vantaggio dalla sinergia e confluenza di sviluppo del modello e acquisizione esterna di dati.
In sintesi il modello elaborato è di tipo predittivo e si basa sul machine learning o apprendimento automatico che, partendo da misurazioni tradizionali empiriche, traduce in misura economica (in dollari americani) la combinazione di acquisizione dati, costi operativi e parametri di investimento. L’utilizzo del machine learning assicura al modello una maggiore accuratezza riducendo i cosiddetti falsi negativi, che di solito hanno per le aziende un costo maggiore rispetto ai falsi positivi.
Nel framework elaborato la classificazione dei costi sensibili tiene conto anche dei costi per l’acquisizione di dati e fonti esterne, dei costi di modellazione e dei costi operativi, ciascuno dei quali è essenziale all’implementazione del modello per l’analisi dei casi concreti. Se le aziende vogliono valutare la possibilità di acquisire dati esterni per le proprie operazioni, utilizzando il modello, possono capire se il costo di questi dati, legato al valore dei dati interni prodotti dall’azienda stessa (inhouse), è maggiore al netto dei costi di passaggio. In caso positivo varrebbe la pena da parte dell’azienda portare avanti l’investimento per acquisire e ottenere i dati esterni poiché nel medio periodo il vantaggio e il ricavo nell’utilizzo dei dati saranno maggiori, quindi il ROI sarebbe decisamente positivo.
In sintesi lo studio elaborato fornisce un framework all’interno del quale sviluppare una strategia per migliorare l’allocazione dei budget e delle risorse nel medio e lungo tempo sfruttando le analisi dei processi di Data Science. Tre i parametri principali di cui gli analisti possono e devono tener conto nello sviluppo delle linee di business e investimento:
1) se il tipo di modello di dati esterni è migliore
2) se il tipo di modello di sviluppo è migliore
3) quando uno o ciascuno di questi due modelli dovrebbe essere distribuito, specificatamente ai vari settori per la business integration.
