Creare valore con i dati e le informazioni

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Creare valore con i dati e le informazioni"

Claudia Carraro
5 anni fa
Visualizzazioni

1 Creare valore con i dati e le informazioni P. Pasini I.S. SDA Professor Copyright SDA Bocconi, Paolo Pasini 1

2 Indice 1. Il Valore del patrimonio dati aziendale: alcuni concetti di base 2. La Complessità aziendale e i dati per la gestione d impresa 3. Data Quality Management: i tre elementi essenziali 4. Big Data e BI/Analytics Governance Copyright SDA Bocconi, Paolo Pasini 2

3 Il patrimonio dati: alcuni concetti fondamentali I dati rappresentano la realtà d impresa in tutte le sue forme e manifestazioni, sono la materia prima per la produzione delle informazioni con le quali si possono generare insight e conoscenza aziendale Scopo della Data Governance è costruire un patrimonio dati che consenta di produrre in modo ampio, affidabile e tempestivo tutte le informazioni necessarie in azienda Copyright SDA Bocconi, Paolo Pasini 3

4 Il valore (anche quantitativo) del patrimonio dati dipende da: Capacità di produrre le informazioni necessarie (algoritmi e modellizzazione logica strutturata e non, metadati e classificazioni, ricerca dei dati, formati integrabili, arricchimento dei dati, ) Caratteristiche intrinseche dei dati (Completezza e Unicità della rilevazione, Modalità di rappresentazione, Omogeneità e semantica, Velocità e Fasatura temporale, Fruibilità, Sicurezza) Strumenti specializzati impiegati per la Data Governance (data mapping, ETL tools, metadata tools, data modelling, DB management, data security, ) Copyright SDA Bocconi, Paolo Pasini 4

5 DIFFICOLTA DI MISURAZIONE QUANTITATIVA Il valore di business della Data Analysis (BI/Analytics) dipende dall Obiettivo di impiego INNOVAZIONE DEI PROCESSI DECISIONALI DIREZIONALI INNOVAZIONE DI PRODOTTO/SERVIZIO QUALITA DEI DATI E DELLE INFORMAZIONI Riduzione dei Costi operativi di data governance e data analysis Risparmio di tempo (efficienza) nella data ( governance (IT) e nella data analysis (utenti) CONOSCENZA AZIENDALE INNOVAZIONE DEI PROCESSI OPERATIVI (adattabilità, velocità) GRADO DI IMPATTO AZIENDALE (portata e rilevanza) Copyright SDA Bocconi, Paolo Pasini 5 VALORE DEGLI INTANGIBLES

6 Come rappresentare una realtà aziendale sempre più complessa e dinamica? La curva di esperienza nell impiego dei dati in azienda segue alcune tipiche fasi di Maturity: 1 fase: dati Financial (ufficiali e strutturati) 2 fase: dati non Financial (più o meno ufficiali e strutturati) Il passaggio dal trattamento dei dati financial ai non financial è fondamentale, ma è ancora faticoso (es. Balanced Scorecards, Value-Based Mgmt,, oppure i sensor/meter data o gli M2M data!) Copyright SDA Bocconi, Paolo Pasini 6

7 Come rappresentare una realtà aziendale sempre più complessa e dinamica? 3 fase: dati non strutturati generare abitudine e capacità nel trattamento di dati qualitativi, soft e in forma non numerica (testuale, grafica, video, audio, ), generati da fonti interne ( documenti dematerializzati, ) ed esterne (web log, social data, web content, ) 4 fase: dati con mix crescenti di Volumi, Velocità (di generazione, raccolta ed elaborazione) e Varietà (fonti e formati) -> Big Data Copyright SDA Bocconi, Paolo Pasini 7

8 La qualità dei dati tra certificazione e pragmatismo! Il passaggio a fasi di maturity più avanzate cambia i paradigmi della qualità dei dati Es. misure e indicatori non financial spesso usano dati non ufficiali e non certificati, ma autocertificati (es. n. team, tempo impiegato in un attività, clima organizzativo,...) Es. la semantica dei dati e delle informazioni spesso non è condivisa, ma è un opinione, soprattutto nei problemi manageriali (es. customer satisfaction, potenziale di mercato, progetto, produttività, ) Es. il tempo di latenza dei dati (si riduce fino al real time) Il cambiamento aziendale accresce il livello di complessità della qualità dei dati (es. acquisizioni, canali distributivi nuovi, nuovi prodotti o di mercato, nuovi metodi di management, ) La qualità dei dati necessari per produrre le informazioni non è un progetto, non è un intervento una-tantum o saltuario, ma è continuos effort and improvement Copyright SDA Bocconi, Paolo Pasini 8

9 La qualità dei dati è il risultato di tre elementi complementari Tecnologie di data gov. Pratiche e Procedure Aziendali Persone IT e di business La collaborazione e le relazioni tra IT e utenti è fondamentale per condividere i problemi e le opportunità della qualità dei dati Il committment della direzione è fondamentale sia per l assegnazione delle risorse economiche, sia per dirimere i conflitti di semantica dei dati e nel definire le regole di business Ownership chiara dei dati Competenze specialistiche: Data manager, DB manager, Data designer o modeler, Copyright SDA Bocconi, Paolo Pasini 9

10 La qualità dei dati è il risultato di tre elementi complementari Tecnologie di data gov. Pratiche e Procedure Aziendali Persone IT e di business RDBMS, MDBMS e Administration tools ETL tools (high level) DW, DM, OLAP design and management Data security Metadata tools SW di deduplica Copyright SDA Bocconi, Paolo Pasini 10

11 La qualità dei dati è il risultato di tre elementi complementari Tecnologie di data gov. Pratiche e Procedure Aziendali Persone IT e di business Arricchimento dei dati anagrafici (quali campi, quali fonti, ) Unicità e consistenza Procedure di certificazione dei dati Ruoli definiti: chi è accountable? chi è responsible? Es. Cambiamento dell Albero mercelogico o delle Zone di vendita Es. Aggiornamento dei dati Nuovi progetti IT approvati solo dopo la valutazione dell impatto sul modello dati aziendale (Data Impact Analysis) Copyright SDA Bocconi, Paolo Pasini 11

12 Il Maturity Model della Data Governance VALORE AZIENDALE DEI DATI Tecnologie di data gov. Pratiche e Procedure Aziendali Persone IT e di business Tecnologie di data gov. Pratiche e Procedure Aziendali Persone IT e di business Tecnologie di data mgmt Persone IT e di business Pratiche e Procedure Aziendali NON GESTITA GESTIONE RE\ATTIVA GESTIONE PROA\\TTIVA DATA GOVERNANCE Copyright SDA Bocconi, Paolo Pasini 12

nell ambiente fisico e relazionale o in azienda); non solo sul web!

13 Le origini dei BIG DATA Ogni persona o cosa o evento naturale, ogni oggetto o evento di business generano attorno a sé in modo sempre più automatico dati digitali (nel privato, nell ambiente fisico e relazionale o in azienda); non solo sul web! Nuove Tecnologie di data mgmt e di data analysis Capacità di analisi e interpretazione Copyright SDA Bocconi, Paolo Pasini 13

Le Fonti dei BIG DATA si ampliano e arricchiscono i dati interni Transazioni Documenti cartacei digitalizzati Email Social networks e social media (es.

14 Le Fonti dei BIG DATA si ampliano e arricchiscono i dati interni Transazioni Documenti cartacei digitalizzati Social networks e social media (es. Twitter, FB, blogs, forum, ) Clickstream Web Log Registrazioni video Registrazioni audio Immagini Dati di geo-posizionamento (GPS) Dati generati da trasmettitori e sensori (cellulari, wifi, bluetooth, Rfid, NFC, ), o misuratori digitali (digital meters) M2M (Machine to Machine) data - Internet of Things Automazione processi produttivi Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.) Dati Pubblici e Open Data Copyright SDA Bocconi, Paolo Pasini 15

15 Data Governance e Big Data richiedono una maggiore BI Governance: il BI/Analytics Maturity Model Fase 1 Sperimentazione Fase 2 Crescita Fase 3 Integrazione Fase 4 Ottimizzazione Fase 5 Distintività 1. Strategia aziendale di BI 2. Budget dedicato alla BI BI Strategy 3. Diffusione/penetrazione dei sistemi di BI 4. Grado di Copertura dei fabbisogni informativi Assessment BI Governance 5. Grado di esperienza nella BI 6. Architettura BI BI Diffusion Profilo 7. Standard tecnologici 8. Data Quality Management BI Architecture 9. Ownership e Accountability della BI 10. Unità organizzative dedicate alla BI 11. Relazioni specialisti-utenti e SLA BI Organization 12. Analisi costi/benefici 13. Misurazione dei risultati BI Measurement Punti di forza e di debolezza Piano di sviluppo della BI 14. BI sourcing BI Sourcing Valori Medi delle imprese italiane, dati 2008 Copyright SDA Bocconi, Paolo Pasini 16

Documenti analoghi

1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI

1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI 1.1 Evoluzione delle tecnologie informatiche di gestione e analisi dati... 21 1.1.1 Fase 1 Database relazionali e SQL... 21 1.1.2 Fase 2- Data Warehouse