Impara come allineare le iniziative sui Big Data con la strategia della tua organizzazione e convalida i tuoi sforzi con i Key Performance Indicators.

Temi chiave dell’articolo:

• Cosa sono i Big Data?
• Sfide dei Big Data
• KPI e Big Data
• Focalizzare i Big Data
• Rendere i Big Data misurabili
• Automazione con BSC Designer

Sign-con un piano gratuito per accedere a Big Data Scorecard e ad altri 28 modelli di scorecard.
La fine dell’anno è un buon momento per parlare delle tendenze emergenti: auto a guida autonoma, intelligenza artificiale, realtà virtuale e Internet delle cose. Che effetto avranno queste tendenze sul vostro business? Come si può prendere in considerazione un possibile impatto di queste idee che cambiano il gioco? Tutte le tendenze menzionate meritano un’analisi dettagliata, ma ce n’è una che sembra essere collegata a tutte le altre. Sto parlando dei Big Data. L’AI ne avrà bisogno, le auto che si guidano da sole si basano su di essi e, naturalmente, sono già utilizzati da molte aziende.

A BSC Designer abbiamo parlato molto di KPI e strategia. In questo articolo suggerisco di discutere come una strategia ben descritta e dei KPI fatti su misura possono aiutare a concentrare gli sforzi sui big data. Ecco il nostro piano per questo articolo:

• Big data. Che cosa sono? Quali sono le sfide principali?
• KPI per i big data. 4 livelli di KPI e raggiungimento dell’allineamento strategico.
• Piano d’azione. Implementazione misurabile dei big data.

Che cosa sono i big data?

I big data riguardano l’analisi di grandi set di dati non strutturati.

I big data possono essere caratterizzati da 3 V:

• Volume. Si suppone che i set di dati siano grandi. Ci sono alcune stime che dovrebbero essere almeno 10 GB o 1 TB, ma probabilmente un criterio migliore sarebbe quello di dire che i big data sono qualcosa che ha bisogno di essere distribuito (in termini di stoccaggio o calcoli). Se si dovesse passare a Hadoop o a un framework simile, allora sta diventando grande.
• Varietà. Pensate a diverse fonti di dati strutturati e non strutturati. Possono essere estratti da testo, video, dati di vendita, social media, previsioni del tempo, o qualsiasi cosa abbia senso nel vostro contesto.
• Velocità. L’alto volume dei dati è il risultato di una rapida generazione di dati. Pensate a migliaia di elementi di aerei che sono costantemente monitorati, o al flusso costante dei commenti nei social media, o ai dati in tempo reale che forniscono i dispositivi indossabili.

Spesso (prendete IBM o EY come esempio), c’è anche una quarta “V” che sta per “Veracity:”

• Veracity. Quando parliamo di dati, abbiamo sempre a che fare con un certo livello di incertezza. Come sono stati ottenuti i dati? Abbiamo analizzato tutti i fattori? Sono stati manipolati? Possiamo fidarci di quei numeri?

Come vengono utilizzati i dati?

I grandi dati vengono utilizzati per una vasta gamma di analisi predittive e comportamentali. Le organizzazioni applicano i big data per ridurre i costi, capire meglio le esigenze dei clienti e mitigare i rischi. Pensate a un’azienda che usa i big data per offrire un’esperienza su misura per i clienti; pensate al controllo delle frodi di un fornitore di e-commerce.

All’inizio dell’articolo ho menzionato alcune tendenze emergenti – i big data sono coinvolti in tutte. Per saperne di più sull’uso pratico dei big data, consiglio di continuare con “7 Amazing Companies That Really Get Big Data” di Bernard Marr, esperto riconosciuto a livello internazionale.

Le principali sfide dei big data

La visione descritta dei big data sembra molto ambiziosa. Perché allora le aziende sono lente nell’adottare questa nuova tendenza? Quali sono le principali sfide dei big data?

Il data mining non è più una sfida principale

Più tardi in ottobre, ho parlato in una conferenza organizzata da SCIP (Strategic and Competitive Intelligence Professionals). I membri di questa organizzazione si occupano di big data nel campo dell’intelligence di mercato. Il tema principale della conferenza non riguardava l’estrazione di alcuni dati CI/BI come ci si potrebbe aspettare, ma l’allineamento degli sforzi di business intelligence con la strategia di un’organizzazione. In altre parole, una volta che un’azienda conosce le domande che vuole porre, il resto è relativamente facile (vedi i sondaggi qui sotto per alcuni dati).

Se il data mining non è più un problema, quali sono le sfide principali?

Sfida 1. Focalizzare i grandi dati

La sfida principale è focalizzare i grandi dati su ciò che conta, e poi consegnarli nelle mani giuste. In altre parole, ci dovrebbe essere qualcuno nell’organizzazione che dovrebbe iniziare a fare le domande giuste.

Per illustrare questa idea prendiamo una storia di Target che era in prima pagina nel 2012. Questo rivenditore ha utilizzato con successo i dati di shopper analytics per prevedere che alcune delle loro clienti erano incinte. Guardiamo la storia (senza considerare la parte relativa alla privacy) e vediamo cosa è successo in realtà. Andrew Pole, uno statistico che lavorava per Target non stava semplicemente fornendo tutti i dati possibili, ha avuto un compito molto specifico dai suoi colleghi del marketing – identificare le acquirenti incinte nel loro secondo trimestre.

C’era un focus e, c’era un enorme valore di business associato a questo focus, poiché i nuovi genitori tendono a cambiare le loro abitudini di acquisto e a comprare tutto in un negozio al dettaglio. Non si trattava solo di giocare con i dati, ma di trovare dati che aiutassero a rispondere a una domanda molto specifica.

Sfida 2. Allineamento con la strategia aziendale

I grandi dati cambieranno il gioco quando forniranno un valore aziendale tangibile. In altre parole, dovrebbe essere chiaro come le iniziative sui big data supportano la strategia di un’azienda. NewVantage Partners nel suo Big Data Executive Survey ha chiesto agli intervistati quali sono gli impedimenti culturali all’adozione dei Big Data. Il 42,6% degli intervistati ha scelto la risposta “Allineamento organizzativo insufficiente”. Altre opzioni includevano la mancanza di adozione, la mancanza di una strategia di dati coerente e la mancanza di una visione condivisa.

Tornando al caso Target, hanno avuto successo nell’affrontare due componenti importanti:

1. I big data si sono concentrati su una query specifica: A un data scientist è stato chiesto di identificare le acquirenti incinte nel loro secondo trimestre.
2. Allineamento con una strategia aziendale: C’era un chiaro valore di business per i dati – le famiglie in cui era nato un bambino diventano clienti di un negozio al dettaglio per un lungo periodo.

Sfida 3. Sicurezza dei dati e privacy

Questa sfida non è ancora di uso comune, ma penso che sia ovvio per chiunque che la raccolta e l’analisi dei dati deve essere etica e legale. Il regolamento generale sulla protezione dei dati (GDPR) è diventato esecutivo a partire dal 25 maggio 2018 in Europa e ci sono regolamenti simili in altri paesi. Le aziende devono essere molto più serie nel seguire le politiche sui dati quando trattano i dati personali.

Discutiamo i KPI nel contesto dei big data.

KPI e Big Data

I big data sostituiranno i KPI? Non esattamente. I big data alimenteranno i KPI con intuizioni più accurate e aggiornate.

Prendiamo NPS (Net Promoter Score) come esempio:

• NPS ora. Come viene calcolato l’NPS (Net Promoter Score) nella vostra organizzazione oggi? Probabilmente fate qualche tipo di sondaggio sui clienti su base trimestrale. Così, questo indicatore è in ritardo nel tempo. Se succede qualcosa al vostro business, l’NPS lo mostrerà pochi mesi dopo.
• NPS alimentato dai big data. Ora, immaginate di utilizzare qualche strumento di big data che analizza le emozioni dei clienti in tempo reale (vedi il riferimento Heedbook qui sotto). In questo caso il vostro NPS diventerà un KPI in tempo reale. Fondamentalmente, sarete in grado di vedere la reazione di uno specifico cliente ad una specifica offerta e ad uno specifico approccio di vendita.

In alcuni casi, sarete interessati a scavare più a fondo nei dati e arrivare alle situazioni specifiche, e in alcuni casi avrete bisogno di vedere i dati aggregati per la settimana, il mese o l’anno.

KPI per Big Data

Nel caso dei big data, stiamo parlando di investimenti significativi in nuovi strumenti e architetture, quindi ha senso monitorare queste iniziative con alcuni dati concreti. Le iniziative sui big data dovrebbero anche essere quantificate e misurate. Possiamo farlo su diversi livelli.

Livello 1. Metriche 3-V

Le 3 V (Volume, Varietà, Velocità) dei big data possono essere facilmente quantificate:

• Il volume dei dati è una misura a sé (GB, TB, ecc.).)
• La varietà può essere quantificata come il numero di diversi tipi di fonti di dati
• La velocità è definita dal volume di dati generati/analizzati per periodo di tempo

La quarta V – Veracità potrebbe essere più difficile da quantificare. Dovrete definire ciò che il vostro team qualifica come dati accurati e questo dipende dal contesto. Per esempio, per le auto con motore a combustione la misurazione della velocità attuale con un livello di errore di +-5 km/h potrebbe essere considerata un dato accurato, mentre per le auto elettriche non è accettabile. Definite 1-2 metriche che danno un’idea della precisione dei dati nel vostro caso.

Le metriche 3-V sono utili? Dipende dal vostro contesto. Prendiamo come esempio l’auto a guida autonoma di Google. L’auto produce 1GB di dati dei sensori al secondo. Questo numero sembra impressionante! Possiamo stimare quanto sono grandi i big data, ma quei numeri non ci aiuteranno con le 3 sfide menzionate prima.

Scrivetevi con un piano gratuito per accedere a Big Data Scorecard e ad altri 28 modelli di scorecard.

Livello 2. Metriche del processo dei big data

Passiamo al prossimo livello di astrazione e diamo un’occhiata al processo dei big data. Il modello semplificato è il seguente:

• Query
• Raccolta
• Analisi
• Reporting

Le metriche più utili in questo caso sono legate al tempo:

• Frequenza della raccolta dei dati
• Tempo necessario perché i dati siano disponibili per l’analisi
• Tempo necessario perché i dati siano riportati sotto forma di KPI

I parametri di riferimento per il tempo dipendono dal vostro contesto aziendale. Per esempio:

• L’auto a guida autonoma ha bisogno di raccogliere e analizzare i dati in tempo reale, e i millisecondi della differenza contano, ma
• Nel caso di NPS i manager potrebbero essere interessati a rivedere i dati aggregati settimanali

In termini di efficienza del processo, possiamo tracciare la:

• Query per riportare il tasso di conversione, %. In questo caso dobbiamo prima definire il concetto di query qualificata, e poi tracciare la percentuale di query qualificate a cui i nostri data scientist sono stati in grado di rispondere
• Capacità di cattura dei dati. Il livello di precisione dei dati che catturiamo (le idee discusse sopra in Veracity). Per alcune aziende queste capacità definiscono il loro vantaggio competitivo sostenibile.

Le metriche di questo livello ci danno un’idea migliore di quanto siano efficienti i big data, ma ancora non abbiamo un’idea dell’impatto dei big data sui reali obiettivi di business.

Livello 3. KPI in ritardo. KPI per convalidare il successo dei big data.

Un’altra questione è come convalidare il successo delle iniziative sui big data in azienda. Da un lato ci sono alcuni investimenti significativi in infrastrutture, dall’altro i big data dovrebbero ripagare sotto forma di intuizioni di business. Come possiamo misurare il valore in dollari di queste intuizioni?

In questo caso abbiamo bisogno di tracciare i miglioramenti che possono essere accreditati all’uso dei big data:

• Quali lezioni abbiamo imparato dai big data? Quale risparmio sui costi è stato ottenuto dopo l’implementazione di queste idee?
• Come è cambiato il tasso di ritenzione dei clienti grazie alla fornitura di un’esperienza su misura? Come sta cambiando il valore di vita del cliente?
• I big data aiutano il servizio clienti a essere più efficace? Come è cambiato il tasso di risoluzione della prima chiamata?
• Come sono cambiati i processi di assunzione dopo aver iniziato a usare i big data? Come è cambiato il tempo di esecuzione della metrica HR?

Come potete vedere a questo livello usiamo i classici KPI che usavamo prima. Quello che stiamo cercando di fare è accreditare certi miglioramenti all’implementazione dei big data.

Questo approccio potrebbe essere parziale:

• Tendiamo a contare i cambiamenti positivi come nostri successi e
• Vediamo i cambiamenti negativi come normali fluttuazioni che accadono sempre.

La soluzione è puntare a obiettivi più grandi e tangibili.

Molte organizzazioni si preoccupano di questa parte di misurazione e comprano semplicemente “qualche grande dato”. Secondo il rapporto di Capgemini Consulting, il 67% delle aziende intervistate non ha un criterio ben definito per misurare il successo delle loro iniziative sui big data. Considerando la quantità di investimenti, le aziende dovrebbero essere più sistematiche nel definire gli obiettivi e i criteri di successo dell’implementazione dei big data.

Scrivetevi con un piano gratuito per accedere alla Big Data Scorecard e ad altri 28 modelli di scorecard.

Livello 4. KPI leader. Assicurare il successo dei big data.

Ora sappiamo come misurare la parte dei risultati delle iniziative sui big data, ma che dire della parte leader? Cosa dovremmo fare per garantire un’implementazione di successo dei big data?

La parte difficile dei big data è abbastanza tangibile, possiamo misurarla con metriche generiche come:

• Fondi investiti in iniziative big data
• Tempo speso in iniziative big data

Business Goals Focus Big Data

Ecco uno scenario reale: un’azienda ha investito milioni di dollari nell’infrastruttura, negli strumenti e nella raccolta di big data con il cluster Hadoop, e non è successo nulla di misurabile. Questo è quello di cui parlavamo nella sfida 1: i big data non sono AI, non possono parlare, e il tuo team deve imparare a fare le domande. Come possiamo misurare il ruolo del team allora?

Ecco alcune idee per iniziare:

• Efficacia della formazione sui big data. Assicuratevi che i membri chiave del vostro team abbiano avuto una formazione sui big data. Non è necessario che diventino scienziati dei dati, ma devono sapere quali domande possono fare e come formularle. La metrica in questo caso sarà legata all’efficacia della formazione.
• % di obiettivi strategici con iniziative di big data. Potremmo tracciare il numero di query di big data formulate da ogni team, ma questo approccio sarebbe molto formale e meno utile. Un’opzione migliore è quella di tracciare l’allineamento tra gli obiettivi e le query di big data. Chiedete al vostro team di esaminare i loro obiettivi strategici e poi discutete di quali dati potrebbero aver bisogno per prendere decisioni migliori nel contesto di tali obiettivi.

I big data aiutano a formulare nuovi obiettivi aziendali

Il processo di corrispondenza tra contesto aziendale e big data è bidirezionale. A volte abbiamo una sfida specifica in mente e quindi cerchiamo specifici strumenti di big data (come nel caso di Target), a volte troviamo uno strumento interessante e poi cerchiamo di abbinarlo ai nostri obiettivi. Ecco alcuni esempi:

• Qualcuno nel tuo team ha trovato Heedbook, un servizio che analizza le emozioni dei clienti in tempo reale. Il servizio è costruito su Microsoft Azure ed è disponibile nel Cloud. Il tuo team del servizio clienti potrebbe avere l’idea di usare questo servizio per calcolare meglio il loro NPS.
• Il tuo personale IT è stato sfidato a trovare un software DLP (Data loss prevention). Si sono imbattuti in SearchInform che non solo può analizzare le comunicazioni e i file trasmessi, ma può anche applicare specifiche politiche di sicurezza. La strategia IT della vostra organizzazione può essere aggiornata tenendo conto delle possibilità dello strumento DLP.

In ogni caso, è una buona idea far corrispondere gli obiettivi aziendali specifici con i requisiti dei big data.

Piano d’azione. Rendere i Big Data misurabili.

Formuliamo alcuni takeaway da questo articolo. Preferisco farlo sotto forma di un piano d’azione.

1. Rivedere i big data. Come vengono raccolti i dati ora, quali capacità di cattura dei dati avete (usate le metriche del processo dei big data come struttura).
2. Fate i vostri compiti. Fate formulare la vostra strategia sulla mappa della strategia, e fatela arrivare a cascata alle unità di business. Rivedete i vostri attuali KPI.
3. Migliorate le capacità. Pianificare le iniziative per affrontare le capacità del team in termini di big data. I membri chiave dovrebbero capire quali domande possono fare e come formulare tali domande.
4. Concentrare gli sforzi sui big data. Rivedere la vostra mappa strategica, individuare le opportunità in cui i big data possono sostenere gli obiettivi aziendali. Formulare query sui big data.
5. Implementazione. Analizzare le intuizioni fornite dai big data, rifletterle sotto forma di KPI dove necessario.

Una breve guida per gli utenti del software BSC Designer

Come utente di BSC Designer hai un potente software che automatizzerà molti degli aspetti di allineamento della strategia e dei KPI discussi in questo articolo:

• Allineamento strategico e focalizzazione dei big data. Creare una mappa strategica per presentare i vostri obiettivi aziendali; allineare i KPI con gli obiettivi sulla mappa. Se non hai ancora una mappa strategica, usa la procedura guidata per la mappa strategica per iniziare.

• Assicurarsi che una squadra abbia capacità di big data. Usa una scorecard di formazione (puoi iniziare con questo esempio) per assicurarti che il tuo team abbia le capacità necessarie per lavorare con i big data.
• Alimentare i KPI con i big data. Tracciare le metriche di performance per le iniziative sui big data; utilizzare RESTFul API per inserire in tempo reale i rapporti sui big data negli indicatori.

Se non sei ancora un utente, allora puoi iniziare con un piano gratuito di BSC Designer, che è disponibile online.

Altri esempi di Balanced Scorecard