Data governance: quale metodologia di progetto adottare per un progetto di Governance Dati di successo?

Durata di lettura : 3-4 minuti

I dati consentono di soddisfare le esigenze aziendali attraverso la loro elaborazione. Spesso maggiore è il volume di dati che transita ogni giorno nei sistemi informativi aziendali, minore è il loro sfruttamento. Perché? Il più delle volte a causa di una strategia mancante di Governance dati.

Si possono individuare 3 difficoltà principali, riscontrate dalle aziende quando applicano una strategia Data Driven :

  • Ritorno sull’investimento: il 47% ha difficoltà nel misurare il ROI di un progetto Data Driven.
  • Risorse umane: il 54% ritiene che la carenza di profili rappresenti un ostacolo al proprio progetto.
  • Data governance : meno della metà delle aziende dispone di una strategia di Data governance. Il 29% dichiara che sta iniziando a lavorare sulla Data Governance.

 

Come affrontare queste difficoltà?

 

I. Definire chiaramente gli obiettivi del progetto
  • Definire un obiettivo aziendale misurabile.
    Esempio: ottimizzare la gestione degli stock e ridurre i costi delle infrastrutture del 30%.
  • Definire le risorse operative disponibili: quali sono gli strumenti / qual è la fattibilità?
    Esempio: disponiamo di un magazzino evoluto, di un software per il monitoraggio dello stock , di un team specializzato e di un processo di gestione. Come possiamo migliorare il nostrio modo di lavorare e raggiungere i nostri obiettivi aziendali sfruttando i dati nel miglior modo possibile ?

 

II. Realizzazione di un action plan
  • Definire i contatti: Business, IT, Risorse umane da coinvolgere
  • Fonti di dati interne o esterne: Identificare l’attuale architettura e i flussi dei dati: definire un dizionario dei dati condiviso.
  • Definire le esigenze degli utenti: Analizzare I progetti con un approccio bottom up ed evitare di imporre un grande progetto con un approccio top down. Gli utenti sanno come interpretare i dati.
  • Fattibilità: Dare priorità ai POC piuttosto che lanciare direttamente un progetto di grandi dimensioni, per sfruttare al meglio e rapidamente il contributo di un progetto Data Driven.
  • Definire i criteri di accettazione upstream  (Go/No Go)

 

III. Utilizzare la metodologia 4V per scegliere la soluzione adatta

Scegliere le tecnologie e l’architettura giusta in base alle risposte alla metodologia 4V:

 

  • Qual è il volume di dati di cui dispongo?
    Il volume contribuirà a determinare l’architettura da realizzare e le tecnologie da utilizzare. Non implementeremo lo stesso sistema per 1MB di dati e per 10TB e non sceglieremo le stesse tecnologie. Per 1Mb di dati, non utilizzeremo necessariamente Hadoop. ( Framework per la distribuzione dello storage dei dati) Inoltre non sceglieremo lo stesso database, ecc….
  • Qual è la VARIETÀ dei miei dati ? (canali di recupero dei dati sorgente)
    La varietà dei dati e dei punti di recupero determinerà anche l’architettura e la scelta delle tecnologie. Non sarà possibile mettere in atto le stesse architetture e tecnologie se c’è un solo punto di raccolta dati (un sensore) che se ce ne sono 100 (negozi) . L’architettura deve essere adattata a ciascun punto di raccolta dati e al suo formato (xml, csv, database, ecc.).
  • Qual è la veridicità dei miei dati? Criterio di accettazione
    I dati devono essere analizzati per determinare a loro veridicità. Se i nostri dati contengono, ad esempio, delle borse che sono considerate “make-up”, la veridicità dei miei dati è limitata e la qualità dei dati dovrà essere migliorata. Allo stesso modo, se i mie dati contengono molti doppioni.
  • Qual è la velocità di recupero dei dati? Fattibilità
    La velocità di recupero dei dati influenzerà la scelta delle tecnologie e dell’architettura, ma soprattutto la fattibilità del progetto. Se la velocità di recupero dei dati è troppo bassa, la creazione di un sistema Big Data sarebbe inutile. Se recuperiamo 1kb di dati al giorno, un progetto del genere non sarebbe molto utile, mentre con 1mo al secondo sarebbe molto utile.

    IV. Implementare una metodologia di progetto accurata
    • Dataquality – preparazione dei dati: non sottovalutare questa fase del progetto
      Verrà impostata la metodologia per la preparazione dei dati, in modo da migliorare al massimo la qualità. La migliore modalità di elaborazione dei dati per ottenere il miglior risultato possibile. È l’analisi dei dati a monte che ci permette di scegliere la metodologia di preparazione più adatta. In questa fase si definirà ad esempio che i duplicati dovranno essere rimossi. In questa fase l’azienda assisterà l’IT.
    • Implementare processi e strumenti di data governance fin dall’inizio del progetto 
      La Data Governance è: ” un dato di qualità che sia accessibile in modo sicuro ai giusti utenti dell’organizzazione”. Fin dall’inizio del progetto saranno messe in atto strutture, procedure e strumenti per gestire la raccolta, la trasformazione e l’utilizzo dei dati, in modo che tutti possano essere sicuri di utilizzare dati affidabili, utili, accessibili in modo sicuro. Si tratta non soltanto di rispettare gli obblighi legali imposti dai Paesi e/o dall’Unione Europea, ma anche di stabilire un dispositivo interno per ottimizzare la qualità e l’uso dei dati.
    • Impostazione di un’organizzazione progetto di tipo Datalab (PO, Data engineer, Data scientist, Data analyst data stewart, CDO)
      Verrà creata un’organizzazione di progetto adeguata, che comprenderà un Datalab che riunirà tutte le persone coinvolte nella gestione dei dati: Product Owner, Data Engineer, Data Scientist, Data Analyst, Data Stewart. Questa “unità” consentirà di riunire tutti gli attori dei dati e di facilitare la comunicazione e la comprensione tra i vari attori del progetto.
    • Analisi continua dei dati: includere il business grazie a Dataviz
      Verrà messo in atto un sistema di analisi continua dei dati, in modo che la qualità dei dati non diminuisca con il passare del tempo. Durante il progetto verranno coinvolti anche gli attori della filiera business al fine di presentare l’utilità del progetto attraverso la visualizzazione dei dati, ad esempio.

     

    In conclusione, la metodologia di progetto è essenziale per il successo del progetto Data Driven.
    A lungo termine, il successo di un progetto Data Driven è anche un primo passo verso altre tecnologie legate ai dati, come ad esempio l’intelligenza artificiale, per la quale l’elaborazione dei dati è un aspetto cruciale.

    Adone Conseil vi accompagna in tutti i vostri progetti Data Driven e Data Analytics.