Due approcci metodologici , POC & MVP , possono promuovere una Modern Data Strategy all’interno delle aziende? La risposta è affermativa, a patto di coinvolgere tutti gli stakeholders e di porre fin dall’inizio e in maniera chiara: obiettivi, percorso e tempi.
Ma approcciare il cambiamento non è mai semplice, a maggior ragione se questo impatta su tutta l’azienda, dalle infrastrutture sino al management. Divenire un’impresa Data Driven è forse la sfida più difficile che un’azienda può intraprendere nel suo cammino evolutivo.
Ogni survey o ricerca condotta però parla chiaro: i dati sono l’unica fonte (inesauribile?) attualmente a disposizione delle aziende per spingere rinnovamento e disegnare scenari di business alternativi. Sviluppare un nuovo progetto basato sui “data” è un’operazione non semplice che richiede una strategia ben precisa di Data Governance.
Poc e mvp: indispensabile porre il progetto al centro
Può aiutare, nel caso, porsi un obiettivo intermedio, più facile da raggiungere ma continuamente verificabile sul campo da KPI. Dal lato pratico uno dei metodi più efficaci è quello di ricorrere a framework più piccoli e agili, coinvolgendo team ben selezionati. L’applicazione di questo metodo favorisce il rilascio di “versioni intermedie” in tempi molto ridotti. Ma di cosa si tratta?
Operativamente possiamo definire principalmente due “percorsi”:
- PoC – Proof of Concept
Con il termine inglese Proof of Concept possiamo intendere una realizzazione preliminare o abbozzata di un determinato progetto o metodo, allo scopo di provarne la fattibilità o dimostrare la fondatezza di alcuni principi o concetti costituenti. Un esempio tipico è quello di un prototipo.
- MVP – Minimum Viable Product
L’MVP è una versione iniziale del prodotto-progetto o servizio distribuito, includendo solo le caratteristiche minime al fine di raccogliere da subito i feedback degli Stakeholders di riferimento.
I motivi per cui molti “progetti analitici” non decollano, sono i più diversi e in molti casi non sono solo di ordine tecnico. Spesso possono essere causati da un non adeguato supporto organizzativo.
Alla base possono esserci quindi resistenze a usare il sistema da parte degli utenti business (gli stakeholders di riferimento), magari non adeguatamente coinvolti nelle fasi iniziali (1,2) e quindi non del tutto consapevoli dello scopo ultimo del progetto.
Progetti data analytics: quale garanzia di successo?
L’aspetto del coinvolgimento e dell’organizzazione è centrico. Disporre delle esperienze e delle skills convergenti al posto giusto e trasversali rispetto alle varie funzioni di business aziendali, sono fattori che abbassano il livello d’insuccesso in questi progetti e che aiutano e abilitano il percorso del “Valore” e all’utilizzo del modello e relativi strumenti anche in chiave innovativa.
Altri aspetti della “non riuscita” riguardano le sorgenti Dati, il loro reperimento, la gestione, la pulizia dei dati utili ai fini dei KPI e non ultimo il metodo di implementazione e rilascio delle fasi progettuali “Agile”.
Capita spesso, inoltre, che il “modello finale” a cui tendere, non:
- abbia le caratteristiche di soluzione “Multistakeholder”, pillar a cui il progetto dovrebbe conformarsi secondo la più moderna concezione della “fruibilità” dei Dati.
- si appoggi su infrastrutture tecnologiche e strumenti ad elevata scalabilità
- sia chiaro l’asse temporale, la timeline
- siano ben focalizzati i “milestone di progetto”
- vi sia una adeguata Data Strategy / Governance
- …e altro ancora
In sintesi: Le attività di Data Governance devono essere tese a restituire valore ai dati aziendali. Per fare questo è necessario coinvolgere il management con strumenti nuovi, più agili e supportati da tecnologie come Business Intelligence, AI e machine learning. Occorre quindi creare maggiore consapevolezza sulla potenzialità della cultura Data Driven. Come per ogni viaggio, per ogni cambiamento, l’importante sono “Destinazione” e “Scopo”; “Preparazione” e “Primi passi” sono gli elementi per abilitare il nuovo cammino.
