1. Avere KPI che rappresentano la “redditività” dei dati
La “redditività” viene misurata in termini di impatto aziendale tangibile che i dati possono creare. Sono KPI rivolti al business.
Ostacolo 1: accedi alla sala riunioni per individuare i giusti KPI rivolti al business
I leader dei dati non possono elaborare questi KPI senza comprendere le priorità nella sala del consiglio. Quando i loro KPI coincidono con la priorità del consiglio d’amministrazione, i leader dei dati attirano più attenzione. Avranno più spazio per parlare, più spazio per sondare, più spazio per mostrare. Ciò creerà un circolo virtuoso per aiutare i leader dei dati a svolgere un lavoro migliore e più pertinente, suscitando al contempo maggiore fiducia e raccogliendo maggiori investimenti nei dati.
I CDO che dispongono di KPI rivolti al business e di più partner commerciali hanno 1,7 volte più probabilità di essere efficaci nel produrre costantemente un chiaro valore aziendale (Gartner, 2021)
Il modo migliore per allineare i KPI dei dati con le priorità del consiglio è che i leader dei dati siano presenti essi stessi nella sala del consiglio. Ciò porta all’importanza del ruolo del CDO. Il CDO ha accesso diretto alla sala del consiglio e può identificare le aree che necessitano maggiormente di aiuto. Tuttavia, solo il 27% delle 2.500 società quotate in borsa più grandi del mondo hanno un CDO (Statista, 2022).
Per le aziende senza CDO, i responsabili dei dati più senior sono spesso vincolati da responsabilità funzionali. Lo scopo di un responsabile del reporting è spesso quello di supportare il reporting finanziario e MI. Il responsabile dell’analisi dei dati spesso riporta al responsabile o a una funzione aziendale principale. Questi leader dei dati siedono lontano dai vertici aziendali e hanno difficoltà a comprendere le priorità nella sala riunioni. Con l’eccezione dei data leader la cui missione è trasmessa direttamente dal consiglio di amministrazione (un approccio dall’alto verso il basso), i data leader che sono un paio di gradi sotto i dirigenti sono impostati per concentrarsi solo sugli obiettivi tattici perdendo di vista gli aspetti strategici. KPI rivolti al business.
2. Contribuire a migliorare i KPI
Migliorare i KPI rivolti al business è, innanzitutto, compito delle funzioni aziendali. Pertanto, è fondamentale che i leader dei dati camminino fianco a fianco con gli utenti finali aziendali attraverso il processo di risoluzione dei problemi e comprendano come i dati possono aiutarli. Ironicamente, se un team di dati si riferisce spesso al business come “il business”, è molto probabile che esistano dei silos tra i due team. Questo ci porta al prossimo ostacolo:
Ostacolo 2: stabilire le giuste aspettative per i dati.
La pericolosa aspettativa che possono avere sia i data leader che i leader aziendali è che i dati facciano magie, da soli. Ciò porta alla delusione su tutta la linea, quando i progetti di dati non restituiscono il ROI.
Molte volte, i migliori progetti dati non sono guidati dal team dati, ma da persone esperte di dati che fanno parte di team funzionali. Il marketing è il modo migliore per ottimizzare il tasso di clic e il tasso di conversione, risparmiando denaro pubblicitario. La finanza è la migliore nel sapere quali attività comportano i maggiori costi o quali prodotti sono più redditizi. Se esiste un team dati separato dall’azienda, esso esiste non per sostituire la funzione aziendale nella risoluzione dei problemi e nel processo decisionale, ma per assisterli con dati più numerosi e migliori, massimizzando al tempo stesso il valore delle risorse che attivano i dati.
Ostacolo 3: identificare cosa guida i KPI
L’analisi intrapresa per migliorare i KPI rivolti al business dovrebbe essere, come minimo, una combinazione di descrittiva e diagnostica. Oltre a definire il problema, dobbiamo anche identificare le cause profonde e risolvere i problemi.
L’analisi descrittiva è ottima per definire il problema. Ci consente di studiare i KPI da molteplici prospettive. Tuttavia, non riesce a individuare le cause profonde. Per fornire insight, ciò che dovremmo cercare durante e dopo l’analisi descrittiva è formare ipotesi con l’analisi diagnostica. Tuttavia, molti dati e analisi sono data mining privo di ipotesi (Ruggero Martin).
Una soluzione alla mancanza di ipotesi è valutare se i dati vengono analizzati dalle persone giuste. La persona ideale è qualcuno in grado di tradurre i dati in eventi aziendali concreti, formulare ipotesi sulle relazioni causali tra entità aziendali e seguire un metodo analitico per verificare le proprie ipotesi.
Un’altra cosa da fare è valutare se gli strumenti dati a quella persona sono adeguati. Un indicatore di strumento inappropriato è la frequenza con cui gli utenti finali richiedono i dati grezzi. A volte una dashboard non è lo strumento migliore per diagnosticare le cause principali. La necessità è di eseguire benchmarking, test di ipotesi e test A/B, tutti eseguibili meglio con Jupyter Notebook o file Excel non elaborati.
Ostacolo 4: Trasforma le intuizioni in azioni
Sebbene possa sembrare ovvio che dobbiamo agire sulla base di informazioni basate sui dati, spesso esistono resistenze culturali, vincoli temporali o mancanza di risorse che impediscono l’adozione di azioni.
I grandi leader dei dati incentivano le persone a intraprendere azioni basate sui dati. Semplificano la fornitura degli approfondimenti, tramite forum pertinenti, notifiche istantanee o ETL inverso. Rendono più semplice l’identificazione dell’azione con analisi prescrittive (ovvero sistemi di raccomandazione abilitati ai dati, spesso sotto forma di ML). Possono persino automatizzare le azioni, incorporare analisi predittive e prescrittive nell’ambiente di produzione, ad esempio cosa ha fatto Netflix con i suoi sfrigoli dinamici.
Abilitare azioni intelligenti su larga scala, tuttavia, richiede investimenti, investimenti che la maggior parte dei leader dei dati avrà difficoltà a ottenere. Senza una solida strategia sui dati, soluzioni vincenti e fiducia in tutte le organizzazioni, i leader dei dati non riceveranno gli investimenti adeguati per creare una svolta.
3. Misurare l’impatto del contributo dei dati
Dopo la parte difficile, ovvero identificare e contribuire al raggiungimento dei KPI giusti, è il momento del passaggio finale per ottenere un ROI tangibile: misurare l’impatto.
Ostacolo 5: incorporare la misurazione dell’impatto nella descrizione delle mansioni dei professionisti dei dati
Alcuni team di dati non fanno il passo aggiuntivo per misurare il loro impatto. Sono troppo occupati con la spedizione alla produzione o con la gestione di richieste ad hoc. Questi team operano ancora come un team di software o un team di assistenza. Lavorano in base a tempistiche di rilascio, SLA e si tengono lontani dalle iniziative aziendali, ignari dei risultati del loro lavoro. Sono creati in questo modo e quindi operano in questo modo.
La mancanza di attenzione alla misurazione dell’impatto è stata incorporata nella stessa organizzazione dei dati. Osservando la struttura organizzativa, i leader dei dati non possono fare affidamento sul Data Engineer, sul Data Architect, sul DevOps Engineer, sul Data Privacy Officer, sul Data Governance Officer o sul Data Steward per concentrarsi sulla misurazione dell’impatto dei dati. Non è l’obiettivo del loro lavoro. Si potrebbe avere qualche speranza per il Data Product Manager, ma il ruolo è agli inizi e l’intera comunità sta ancora discutendo su cosa sia effettivamente un prodotto dati.
Qualcuno deve guidare il team per misurare l’impatto, fare i conti e comunicarlo alla sala del consiglio. Idealmente, quella persona sarà il CDO o il leader dei dati più senior dell’organizzazione. Tuttavia, penso che i team di dati possano trarre vantaggio da un cambiamento culturale, in cui ogni professionista dei dati ha il ROI come metrica principale. I data team dovrebbero operare più come incubatori di start-up, dove ogni progetto rappresenta un investimento. Tutti i professionisti dei dati dovrebbero tenere d’occhio i ritorni del loro tempo, denaro e impegno.
Fonte: towardsdatascience.com
