Sebbene molte organizzazioni utilizzino strumenti di intelligenza artificiale (AI) e machine learning (ML) come abilitanti fondamentali nei loro progetti di analisi dei dati e la spesa per l’IA in tutto il mondo continui ad aumentare, la dura verità è che la maggior parte dei progetti di data science è destinata a fallire.

Ci sono diverse ragioni per questi fallimenti, che vanno dalla complessità intrinseca delle iniziative AI/ML e dalla persistente mancanza di talenti qualificati alle sfide che esistono nella sicurezza dei dati, nella governance e nell’integrazione dei dati. Questi problemi sono indicati collettivamente come preoccupazioni per la “prontezza dei dati”, secondo un sondaggio globale IDC su oltre 2.000 responsabili delle decisioni IT e line-of-business, tutti coinvolti in un certo livello di utilizzo o sviluppo dell’IA.

A peggiorare le cose, mentre la maggior parte delle aziende conserva regolarmente grandi quantità di dati, questi vengono spesso accumulati in silos funzionali e non facilmente accessibili o utilizzati oltre questi confini. Anche i progressi nel cloud computing, negli strumenti di ingegneria dei dati e negli algoritmi di machine learning stanno arrivando più velocemente di quanto possano essere implementati prodotti e nuovi processi. Poi ci sono le sfide competitive che provengono sia dai canali tradizionali, sia dalle nuove tecnologie disruptive.

Per superare questa realtà e creare nuovo valore per clienti e azionisti, i leader IT devono creare una comunità e una cultura in grado di accelerare e sostenere la crescita della scienza e dell’analisi dei dati in un’azienda.

Un bisogno critico di competenza

È ovvio che la scienza dei dati richieda competenze in programmazione informatica, ingegneria dei dati, matematica e statistica. Ciò che differenzia un buon data scientist da uno eccezionale, tuttavia, è la capacità di tradurre i requisiti aziendali dei domini funzionali all’interno dell’azienda. Queste risorse possono essere scarse e quindi devono essere concentrate sui progetti con il miglior rapporto possibile ROI/time-to-value più rapido, aiutando allo stesso tempo a far crescere la comunità di analisi  dati complessiva all’interno dell’azienda.

Abbastanza spesso, un centro di competenza per la scienza dei dati (CoC) viene stabilito come risorsa proprio per raggiungere questi obiettivi. Tradizionalmente, questi CoC rispondevano all’organizzazione IT a causa della loro codipendenza dall’infrastruttura dei dati.

Tuttavia, mentre l’architettura e la governance dei dati sono fondamentali, un CoC di data science troppo lontano dai domini business comporterà un disallineamento degli obiettivi, ritardi e, in definitiva, un probabile fallimento del progetto.

data maturity

Un approccio organizzativo ibrido, in cui un centro di data science e analisi mirato funge da ponte tra l’infrastruttura IT tradizionale e i domini funzionali, è essenziale per consentire il successo, in quanto può accelerare lo sviluppo dell’ecosistema data-to-value e il cambiamento culturale necessario per una crescita sostenibile.

Puntare sul successo del ROI

I seguenti tre obiettivi sono fondamentali per lo sviluppo di un piano strategico e di un processo per la competenza e l’abilitazione sostenibile:

  • Creare un centro di competenza. I progetti spesso falliscono perché vengono sviluppati in modo isolato, senza considerare l’intero ciclo di vita del modello, nonché i requisiti di thread digitale e pipeline di dati. Le persone possono trattenere o nascondere dati e informazioni nella convinzione che possano aiutarli personalmente. Questo atteggiamento impedisce la possibilità di creare valore quando si cercano insight più profondi. È importante capire che la scienza e l’analisi dei dati sono uno sport di squadra. La creazione di un centro di competenze incentrato sulla collaborazione, l’istruzione e l’inclusione contribuirà a creare fiducia tra le organizzazioni funzionali.
  • Estendere i dati e progettare gli sforzi di alfabetizzazione. Create una comunità virtuale in tutta l’azienda per rispondere alle domande dai concetti più basilari ai costrutti più complessi di data science e design thinking. Come parte di un CoC, questo hub di risorse guiderà lo sviluppo e l’amministrazione di piani di studio curati, che vanno dal livello di abilità di “analisi integrata” alle certificazioni di data science più avanzate. Questo hub sarà anche un punto focale per la formazione e la certificazione di nuovi data scientist in tutti i domini funzionali dell’azienda. L’obiettivo è creare una comunità interfunzionale che fornisca supporto a tutti nel loro percorso di alfabetizzazione dei dati.
  • Creare un team interfunzionale e diversificato di pensatori strategici. Ciò fornisce una piattaforma a livello aziendale per condividere idee e identificare progetti con il più alto potenziale. Consente inoltre ai membri del team di sfruttare le reciproche competenze e conoscenze del dominio per co-creare nuovo valore per clienti e azionisti. L’allineamento tra KPI strategici e metriche individuali riduce l’attrito per un cambiamento culturale desiderato e si concentra sui progetti con il ROI più elevato. In definitiva, tuttavia, un ecosistema data-to-value non è sostenibile a meno che non venga stabilita la fiducia, sia nell’integrità che nella sicurezza della pipeline di dati e tra le persone e tra le funzioni. Una volta che la fiducia e l’allineamento sono stati stabiliti all’interno di questa comunità più ampia e la canalizzazione del progetto è stata stabilita, l’obiettivo di portare valore ìpuò essere raggiunto.