01net

Come ridisegnare la data architecture aziendale

Una delle frasi più abusate di questi ultimi tempi è che i dati sono il “nuovo petrolio” per le imprese. La frase in sé è azzeccata: i dati sono una risorsa preziosa che si può monetizzare se si mettono in atto le giuste operazioni per ricavarli, elaborarli e alla fine sfruttarli.

Questo è il significato principale, la frase però ne ha anche un altro meno evidente: “raffinare” i dati comporta diverse fasi di raccolta, memorizzazione ed elaborazione che devono essere portate avanti con i giusti strumenti. Nel complesso è la cosiddetta data architecture aziendale.

La data architecture è l’insieme di strategie, processi e strumenti per la gestione dei dati aziendali. E in questa fase di digital transformation, dove tutto sembra essere basato sul giusto utilizzo delle informazioni che derivano dai dati, molte imprese si sono trovate a mettere in discussione la loro architettura. Per ripensarla ed eventualmente riorganizzarla sono di solito indicati alcuni passi in sequenza.

Il primo, come spesso accade, è fare una valutazione della data architecture esistente. In particolare bisogna identificare gli strumenti e le piattaforme che si usano per la gestione dei dati, definendo le relazioni fra loro e i limiti che eventualmente stanno mostrando.

In questa fase non è raro concludere che determinati strumenti sono da eliminare, sostituire o integrare meglio.

La stessa “fotografia” va fatta per i dati. Bisogna cioè definire quali dati vengono raccolti, da che fonti, in che modo e come vengono conservati.

In questa fase è possibile identificare eventuali incongruenze nella gestione delle informazioni, ad esempio che si conservino in database o sistemi diversi dati che invece sono strettamente correlati fra loro.

Una terza analisi da fare preventivamente riguarda le ragioni per cui i dati vengono raccolti. Bisogna cioè stabilire gli obiettivi specifici che ci si pongono con l’analisi delle informazioni.

Lo si fa partendo da elementi di alto livello (si vuole migliorare l’efficienza delle vendite, ad esempio) e calandoli man mano su indicatori (KPI) o altri valori specifici.

Questi per essere calcolati richiederanno la raccolta e l’elaborazione di dati specifici. Se si presentano incongruenze con la raccolta dati che è già in atto, bisogna risolverle.

Queste fasi di analisi servono in realtà a definire vari aspetti di un unico obiettivo: la coerenza nella raccolta dei dati.

Ciò significa raccogliere i dati giusti in funzione di quello che si vuole ottenere, ma anche raccoglierli nel modo giusto per le successive fasi di analisi, visualizzazione e reporting.

Tecnicamente il punto chiave è quello della “pulizia” dei dati: aver chiarito da dove, per che canali e con quali strumenti i dati arrivano nei database aziendali serve anche a capire come e dove intervenire per essere certi che i dati siano completi, attendibili e privi di errori o duplicazioni.