18/08/2022

Business Intelligence e Growth Hacking

Tutte le aziende sono consapevoli del potere dei dati.
Tutte le aziende sono alle prese quindi con la business intelligence.

Il problema è che gli investimenti sui dati devono produrre valore in tempi sempre più ravvicinati e allo stesso tempo le analisi ed i report che se ne derivano devono poter essere le basi per il rapido sviluppo di utilizzi futuri, mentre invece le tecnologie in questo campo evolvono in modi imprevedibili, emergono nuovi tipi di dati e il volume dei dati nel frattempo continua ad aumentare.

In pratica, è come cercare di svuotare il mare con un secchiello.
Un’impresa impossibile.

I due approcci attuali: data lake o pipeline

Le strategie messe in campo finora per cercare di risolvere questo problema si sono dimostrate soprattutto in questi ultimi due anni inefficienti.

Parliamo dei due approcci più utilizzati per la costruzione di una business intelligence ovvero quello del data lake e quello delle pipeline personalizzate.

Nella strategia data lake, si raccolgono in un unico imponente programma tutti i dati raccolti dai vari sistemi, si ripuliscono e si aggregano sul cloud senza perdere troppo tempo per allineare poi le diverse BU nella lettura di quanto emerso dalla loro analisi.

Solamente parte degli utilizzatori riescono ad utilizzare questo complesso sistema, la maggior parte delle volte in queste strutture manca totalmente l’agilità che permette di creare un feed di dati allo scopo di creare offerte personalizzate ai clienti perdendo così moltissime opportunità di business, quindi di crescita.

Nel secondo modello, invece, i team hanno puntato tutto sul valore risolvendo il problema della segmentazione ma il risultato è stato un coacervo di pipeline personalizzate difficili da adattare ad altri scopi e quindi utilizzabili come base per il growth hacking.

Ogni team deve accedere a queste informazioni ogni volta da zero, perdendo tempo prezioso e rendendo più costoso ogni sforzo di trasformazione digitale.

Ma quindi se l’approccio monolitico non funziona e non funziona nemmeno quello agile, come se ne esce?

Tratta i dati come fossero un prodotto

Come si fa in genere con il lancio di un nuovo prodotto, il segreto è cercare di creare un offerta che possa dare risposta alle necessità del maggior numero di utenti possibile, per massimizzare le vendite (o il valore in questo caso).

Questo significa realizzare un prodotto di base che poi può essere personalizzato per i diversi utenti.

Prova ad immaginare l’ouput dell’analisi dei big data della tua azienda come ad un automobile: dal concessionario si parte sempre da un modello base, che poi viene arricchito attraverso gli optional per arrivare poi al modello top di gamma.

Ogni volta si parte dalla base, che è un modello riutilizzabile in futuro con delle migliorie o delle implementazioni che lo renderanno sempre più in linea con le esigenze di mercato, ma per ogni acquisto ogni auto viene composta in modo personalizzato aggiungendo o togliendo funzionalità o caratteristiche.

Come si costruisce un prodotto dati?

Visto in questo modo, il prodotto “dati” è molto più semplice da leggere.

Vediamo ora come si costruisce questo prodotto che è alla base delle scelte strategiche e quindi di growth di ogni business.

Partiamo dalla sua definizione: un prodotto dati fornisce un insieme di dati di elevata qualità e pronti ad essere utilizzati, facilmente accessibili per i membri di un organizzazione e utilizzabili per affrontare sfide commerciali di vario genere.

I prodotti dati si basano su archivi di dati operativi esistenti, come i data ware house e i data lake. I team che li usano, non devono sprecare tempo a cercare i dati, elaborarli nel formato giusto e costruire insiemi di dati personalizzati e pipeline di dati incanalate in un funnel.

Ogni prodotto dati supporta “consumatori” di dati con esigenze diverse e questi consumatori non sono persone, ma sistemi IT che di norma sono di 5 tipologie:

Applicazioni digitali. Richiedono dati specifici che vengono ripuliti, archiviati nel formato necessario ed erogati con una frequenza prestabilita.
Sistemi avanzati di analytics. Hanno bisogno di dati ripuliti ed erogati con una frequenza prestabilita, ma decono essere progettati per permettere a sistemi di apprendimento -come la AI- di elaborarli.
Sistemi di reportistica. Necessitano di dati fortemente governati e cioè con definizioni chiare e gestiti attentamente per questioni anche di sicurezza, che vengono revisionati prima di essere utilizzati su interfacce o altre attività.
Spazi di sperimentazione. Consentono analisi esplorative ad hoc di una combinazione di dati grezzi ed aggregati.
Sistemi di condivisione di dati esterni. Devono rispettare politiche stringenti ed accordi sul posizionamento dei dati e il modo in cui vengono gestiti e protetti. sono il caso tipico dei sistemi bancari.

Da dove cominciare?

Per trovare il giusto approccio per la tua azienda, ti consigliamo di partire analizzando il vero valore che si vuole ottenere come output.

La gestione del dato come un prodotto, impone uno sguardo sulla strategia per fare in modo che la base di informazioni possa essere utilizzato non solamente in questo momento per le esigenze di mercato, ma che sia la base solida per il futuro.