#14 Avviare la tua trasformazione organizzativa per diventare centrati sui dati.
Subscribe to get the latest
on Wed Aug 19 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Sarah Kalicin,
L'episodio di oggi è incentrato sull'avvio della tua organizzazione per diventare centrata sui dati e sul valore che ciò può portare. L'ospite speciale di Darren è Sarah Kalicin, data scientist principale per i data center presso Intel.
Keywords
Operazionalizzare il sistema di analisi
La prima cosa da capire sul processo di operationalizzazione dell’analisi è che è complesso. Alcune persone pensano che i dati siano la nuova elettricità e funzionino in un sistema simile. Considera questo esempio: in un semplice sistema elettrico, c’è una fonte di alimentazione e alcuni fili che vanno ad una lampadina. Finché c’è la fonte di alimentazione e i fili sono di alta integrità, puoi spegnere la luce e, sei mesi dopo, tornare e premere l’interruttore, sapendo che la lampadina si accenderà di nuovo.
Un sistema analitico non funziona in questo modo. Ci sono molti tipi di “cortocircuiti” e variabili che possono causare un fallimento, come l’entropia. È importante avere le persone giuste nel proprio team che possano lavorare e comprendere tutti i diversi tipi di guasti che possono verificarsi, altrimenti non otterrai un’analisi corretta o utile.
I tuoi dati devono essere formattati in un certo modo per gli algoritmi di apprendimento automatico. L’algoritmo deve comprendere cosa rappresentano i dati per analizzare correttamente il pattern. A meno che i dati non siano attentamente formattati, c’è il rischio di avere output non attendibili. È qui che i tuoi ingegneri, i data scientist e altri architetti dei dati di supporto sono importanti.
Fare le Domande Giuste
Un’altra parte del sistema consiste nel garantire di avere le giuste domande aziendali. Un’organizzazione deve fornire domande di base su ciò che cerca di ottenere dai dati: Di quali intuizioni ha bisogno il nostro business? Come possiamo dipingere un quadro migliore di come appare effettivamente il nostro panorama? Quali dati ci permetteranno di farlo?
Molti dirigenti amano l’idea di fare analisi, intelligenza artificiale e big data, ma non sanno da dove cominciare. Il primo passo è che i dirigenti si appropriano di ciò che vogliono che i dati facciano per l’organizzazione. Qual è il valore commerciale che verrà dai dati? Che tipo di dati abbiamo già? Quali dati possiamo creare che forniranno un quadro più completo di ciò che sta accadendo? Come appare il successo? Il focus dovrebbe essere prima di tutto sulla fondazione organizzativa.
Raccolta dati, preparazione ed elaborazione dei risultati.
Dopo che queste domande sono state risposte, il prossimo passo è delineare ciò che deve essere realizzato e iniziare a suddividerlo in parti più piccole. Le organizzazioni dovrebbero guardare alle loro fonti di dati attuali, determinarne l’affidabilità e individuare ciò che manca, seguito dalla raccolta e preparazione dei dati.
Con i dati a disposizione, è ora di creare la storia. Ciò coinvolge non solo i data scientist, ma anche esperti del settore e professionisti del business e del marketing. Il contributo di questi diversi gruppi garantirà che i dati aggiungano valore all’azienda anziché diventare solo un esercizio accademico o un esperimento unico. Dagli dati, in ultima analisi, si desidera ottenere una conoscenza preziosa e affidabile che aiuti a migliorare il proprio business anziché una semplice raccolta di dati che sia conveniente ma non applicabile.
Ora che hai raccolto i dati, li hai analizzati e hai acquisito alcune informazioni, come puoi metterli in pratica?
Esempio di successo di analisi operative
Un esempio proveniente dal settore manifatturiero è un ottimo modo per mostrare come i dati funzionano con successo attraverso il flusso di lavoro. Inizia con il valore aziendale fondamentale di massimizzare l’efficienza del prodotto. Quali fonti di dati potrebbero dirti se hai prodotti rotti o deformati? Le telecamere alla fine delle linee di assemblaggio potrebbero creare un modello di apprendimento profondo che rileva o predice se un prodotto è rotto o deformato. Successivamente, un data scientist potrebbe allenare un modello basato sui prodotti buoni e quelli difettosi per migliorare l’efficienza produttiva.
Questo tipo di dati operazionalizzati potrebbe essere applicato a diverse aree chiave che aggiungono valore a un’organizzazione. Il controllo di qualità, come ad esempio verificare che la materia prima soddisfi le specifiche, è un esempio. La manutenzione predittiva delle macchine e la conformità normativa, come ad esempio un requisito di peso per un prodotto alimentare, sono altri esempi.
Sfruttando i dati in tempo reale riguardo a prodotto, qualità o problemi regolamentari, non stai solo creando un rendimento del prodotto più elevato, ma stai minimizzando le costose attività umane, come l’ispezione alla fine di una linea di produzione. Questi dipendenti possono essere indirizzati verso compiti di maggior valore. Stai inoltre minimizzando gli sprechi e creando un’esperienza del consumatore più coerente. Inoltre, stai proteggendo l’azienda minimizzando i rischi regolatori.
Questo è uno scenario in cui entrambe le parti ottengono vantaggi. Più l’organizzazione sa cosa desidera ottenere dai dati, quali dati raccogliere e come utilizzarli basandosi su una strategia aziendale, più avrà successo.
Più da venire
Questo è il primo di sei episodi che parlano dell’organizzazione incentrata sui dati. Speriamo che tu ci segua anche per i prossimi podcast. Vuoi saperne di più? Dai un’occhiata al sito web di Sarah.