Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Copyright SDA Bocconi, Paolo Pasini 1
Creare valore con i dati e le informazioni
P. Pasini
I.S. SDA Professor
Copyright SDA Bocconi, Paolo Pasini 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 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 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 5
GRADO DI IMPATTO AZIENDALE (portata e rilevanza)
Risparmio di tempo ( nella data governance (IT)
e nella data analysis
(utenti)
QUALITA’ DEI DATI E DELLE INFORMAZIONI
INNOVAZIONE DEI PROCESSI OPERATIVI
(adattabilità, velocità)
Riduzione dei Costi operativi
di data governance
e data analysis
(efficienza)
DIF
FIC
OLTA
’ DI M
ISU
RA
ZIO
NE
QU
AN
TIT
AT
IVA
Il valore di business della Data Analysis
(BI/Analytics) dipende dall’Obiettivo di
impiego
CONOSCENZA AZIENDALE
INNOVAZIONE DI
PRODOTTO/SERVIZIO
VA
LO
RE
DE
GL
I INT
AN
GIB
LE
S
INNOVAZIONE DEI
PROCESSI DECISIONALI
DIREZIONALI
Copyright SDA Bocconi, Paolo Pasini 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 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 (email 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 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 “auto-
certificati” (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 9
La qualità dei dati è il risultato di tre
elementi complementari
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, …
Tecnologie di
data gov.
Pratiche e
Procedure
Aziendali
Persone
IT e di business
Copyright SDA Bocconi, Paolo Pasini 10
La qualità dei dati è il risultato di tre
elementi complementari
• RDBMS, MDBMS e Administration tools
• ETL tools (high level)
• DW, DM, OLAP design and management
• Data security
• Metadata tools
• SW di deduplica
• …
Tecnologie di
data gov.
Pratiche e
Procedure
Aziendali
Persone
IT e di business
Copyright SDA Bocconi, Paolo Pasini 11
La qualità dei dati è il risultato di tre
elementi complementari
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) …
Tecnologie di
data gov.
Pratiche e
Procedure
Aziendali
Persone
IT e di business
Copyright SDA Bocconi, Paolo Pasini 12
Il Maturity Model della Data Governance
VALORE
AZIENDALE
DEI DATI
GESTIONE
RE\ATTIVA NON
GESTITA
DATA
GOVERNANCE
GESTIONE
PROA\\TTIVA
Tecnologie di
data mgmt
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 gov.
Pratiche e
Procedure
Aziendali
Persone
IT e di business
Copyright SDA Bocconi, Paolo Pasini 13
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!
Le origini dei BIG DATA
Nuove
Tecnologie di
data mgmt e
di data
analysis Capacità di
analisi e
interpretazione
Copyright SDA Bocconi, Paolo Pasini 15
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
Le Fonti dei BIG DATA si ampliano e
arricchiscono i dati interni
Copyright SDA Bocconi, Paolo Pasini 16
Data Governance e Big Data richiedono una
maggiore BI Governance: il BI/Analytics
Maturity Model
1. Strategia aziendale di BI
2. Budget dedicato alla BI
3. Diffusione/penetrazione dei sistemi di BI
4. Grado di Copertura dei fabbisogni informativi
5. Grado di esperienza nella BI
6. Architettura BI
7. Standard tecnologici
8. Data Quality Management
9. Ownership e Accountability della BI
10. Unità organizzative dedicate alla BI
11. Relazioni specialisti-utenti e SLA
12. Analisi costi/benefici
13. Misurazione dei risultati
14. BI sourcing
Valori Medi delle imprese italiane, dati 2008
BI Strategy
BI Diffusion
BI Architecture
BI Organization
BI Measurement
BI Sourcing
Fase 1
Sperimenta-
zione
Fase 2
Crescita
Fase 3
Integra-
zione
Fase 4
Ottimizza-
zione
Fase 5
Distintività
Assessment
BI Governance
Profilo
Punti di
forza e di
debolezza
Piano di
sviluppo
della BI