Nel corso della storia del business, le persone hanno sempre utilizzato i dati per prendere decisioni più informate: gli ultimi sviluppi dell’evoluzione digitale, basti pensare a Industria 4.0, stanno comportando una crescita esponenziale della disponibilità di questi dati, ma questa abbondanza non si traduce automaticamente in maggiore conoscenza.

Le aziende stanno investendo da tempo su sistemi IT, in particolare gli ERP, che consentono di gestire le loro operazioni: i milioni di transazioni di questi sistemi hanno accumulato un’enorme mole di dati storici. Parallelamente, cresce anche la percezione da parte delle aziende che un insight adeguato, in termini di profondità e tempistica, in questi dati possa dare le risposte attese ai loro principali quesiti di business; ma estrarre da essi informazioni realmente utili per migliorare il modo di lavorare, produrre, vendere è un po’ come cercare un ago in un pagliaio.

Gran parte delle aziende si sono dotate di tool di Business Intelligence, in grado di comprendere l’andamento dei principali processi operativi. Purtroppo, però la BI tradizionale, con i suoi report “statici”, può soltanto evidenziare le situazioni in atto, ma non riesce a rispondere a domande del tipo:

  • quanto fatturato stiamo perdendo a causa di scarti e rilavorazioni?
  • perché siamo indietro rispetto ai terget di produzione?
  • abbiamo un inventario sufficiente per fare fronte agli ordini?
  • quali fornitori stanno mettendo a rischio i nostri piani di produzione?
  • quali sono le ragioni dietro ai nostri problemi di cash flow?

Inoltre, se le aziende riuscissero ad analizzare i propri dati ERP in combinazione con quelli presenti sugli altri sistemi gestionali, come CRM e MES, e con gli altri dati disponibili, interni ed esterni, strutturati e non strutturati, potrebbero ottenere insight molto più significativi e, conseguentemente, individuare e cogliere importanti opportunità di business.

L’Advanced Analytics, con i suoi risultati predittivi (cosa sta per succedere?) e prescrittivi (cosa posso fare per migliorare la situazione?) dà una risposta a queste esigenze, ma progetti di questo tipo non sono semplici da realizzare. La tecnologia offre strumenti sempre più evoluti, ma per utilizzarli al meglio servono skill pregiati e risorse infrastrutturali adeguate. Alla luce della esperienza di Nodes, alcune difficoltà in particolare frenano la partenza di nuovi progetti di analisi avanzata, specie nelle realtà aziendali meno strutturate dal punto di vista informatico:
‐ bisogna fare fronte a investimenti in HW, licenze SW e costi di manutenzione ulteriori, per mettere a punto l’infrastruttura necessaria;
‐ la necessità di correlare dati provenienti dai vari silos applicativi, con diversi formati e diversa qualità, richiede la loro estrazione, preparazione e integrazione in un Data Warehouse, che va poi gestito oltre ai DB tradizionali;
‐ tutte queste attività presuppongono la presenza in azienda di skill specialistici – data analyst, data engineer, data scientist – non facili da reperire sul mercato del lavoro italiano.
Anche dotandosi di tutto ciò che serve, questi progetti richiedono normalmente un impegno non banale alle persone coinvolte (non solo dell’IT), anche a regime:
‐ è necessario che le persone dell’azienda con competenze di business e quelle con competenze tecniche ICT lavorino insieme per definire con precisione il modello dati su cui si baseranno le analisi, sottraendo un tempo non banale alle attività correnti;
‐ è necessario che le diverse funzioni aziendali collaborino tra loro, affinché le analisi basate su dati che provengono da silos diversi (es. marketing, vendite, produzione) risultino realmente significative e portino a decisioni condivise ottimali;
‐ il rischio di obsolescenza dei sistemi realizzati è alto, perché non è facile mantenerli aggiornati per tenere il passo con l’evoluzione delle esigenze di business.
I costi relativi ai punti citati, uniti all’incertezza sui tempi di realizzazione e sull’effettivo Return On Investment (i benefici economici attesi), sono i principali fattori inibitori per nuovi progetti di analytics nelle PMI: per questo, alcune aziende spesso rinunciano ai progetti, molte li rimandano, perdendo i possibili vantaggi competitivi.

Da queste considerazioni, deriva la ricerca che Nodes ha svolto a livello dei vendor internazionali, per individuare una soluzione tecnologica “fast & cheap” che possa aiutare le PMI a superare i fattori inibitori e a iniziare il percorso di estrazione di valore dai dati. La nostra scelta è ricaduta su Anvizent Analytics, una soluzione con le seguenti caratteristiche:
‐ una piattaforma unica in grado di trattare tutti i dati, storici e attuali, strutturati e non strutturati, interni ed esterni, per tutte le principali funzioni aziendali (soluzione “orizzontale);
‐ un’architettura completamente in Cloud, per azzerare gli investimenti relativi all’infrastruttura hardware;
‐ una modalità di erogazione in SaaS (Software as a Service), per minimizzare i costi di nuove figure professionali interne con skill adeguato;
‐ la possibilità di estrarre e preparare in modo automatico, mediante connettori disponibili nella piattaforma, i dati provenienti da, virtualmente, qualunque sistema gestionale in uso in azienda;
‐ un Data Warehousing automatico e “built-in” nella piattaforma, per affrancare la struttura IT delle aziende dalle onerose attività di trasformazione, preparazione, interpretazione, definizione del modello dati, gestione dei metadati, realizzazione dei data mart, ecc.;
‐ un numero significativo di KPI (Key Performance Indicator) che derivino da conoscenze consolidate e standard di mercato, relativamente a specifiche industry / funzioni aziendali di riferimento, per ridurre l’esigenza di avere in azienda figure di tipo data scientist;
‐ un sistema di visualizzazione avanzata di facile utilizzo, con numerose dashboard pronte “off the shelf” e con la possibilità di navigare in modo semplice nei dati disponibili, per demandare direttamente agli utenti finali le funzioni di data analyst (ad es. per individuare correlazioni non immediatamente evidenti e situazioni di rischio tendenziale);
‐ funzioni di collaboration integrate, per condividere l’interpretazione delle analisi tra i vari reparti e arrivare rapidamente a decisioni “data driven” condivise per il raggiungimento degli obiettivi aziendali;
‐ la possibilità di aggiungere facilmente nuove dashboard a fronte di nuove esigenze, senza la necessità di richiedere modifiche all’impianto tecnologico da parte di specialisti IT interni o esterni;
‐ un’operatività pressoché immediata (“On Day One”) e la possibilità di installare, in modo trasparente per l’utente, nuove versioni previste da una roadmap di evoluzione tecnologica della piattaforma, in linea con gli sviluppi in corso nel mercato del Big Data Analytics.
Il tutto a condizioni economiche estremamente abbordabili, anche da parte realtà aziendali di dimensioni limitate (fino al 65% di saving rispetto ad altre soluzioni “tradizionali”).