09 dic 2024

AI Data Strategy: Come sfruttare al meglio i dati

Scopri come trasformare i dati del tuo business in una risorsa strategica e come aumentare la produttività con l'AI.

Simon Thompson

Head of Data Science

blogAbstractMinutes

blogAbstractTimeReading

Trasformazione digitale

Cross industry

Tech Trends

La qualità dei dati è alla base di qualsiasi implementazione di AI di successo. Il percorso da proof-of-concept a soluzioni di AI pronte per la produzione richiede una strategia dei dati ben congegnata che si allinei con gli obiettivi aziendali mantenendo l'integrità, la qualità e la governance dei dati. Questo articolo esplora alcuni dei componenti chiave di una strategia efficace per i dati di AI e come le organizzazioni possono massimizzare il valore delle loro risorse di dati.

Il ruolo critico della qualità dei dati

Lascarsa qualità dei dati costa alle organizzazioni una media di 12,9 milioni di dollari all'anno, secondo Gartner www.gartner.com/smarterwithgartner/how-to-improve-your-data-quality. Una sfida significativa nell'implementazione di progetti di AI si presenta durante la transizione dal proof of concept (POC) all'implementazione su larga scala. Sebbene la cura di un piccolo set di dati per il POC dia spesso risultati promettenti, la vera difficoltà sta nell'estendere questo sforzo a un set di dati più ampio. Ciò comporta la pulizia, la catalogazione, l'armonizzazione e la governance dei dati, un processo in cui le complicazioni e gli ostacoli tendono ad aumentare.

Per affrontare queste sfide, le organizzazioni devono concentrarsi su più dimensioni della gestione della qualità dei dati: La qualità dei dati comprende l'accuratezza e la coerenza tra i sistemi, la garanzia della completezza dei set di dati con tutti gli elementi richiesti, il mantenimento di aggiornamenti e disponibilità tempestivi, la conferma della rilevanza per gli obiettivi aziendali e la convalida della compliance agli standard. Ognuno di questi aspetti deve essere gestito con attenzione per creare una solida base per le iniziative di AI.

Percostruire una moderna piattaforma di dati per l'AI, invece di adottare un approccio unico, le piattaforme di successo sono costruite tenendo conto dei requisiti specifici del dominio.

Una moderna piattaforma di dati è un sistema completo che integra diverse funzionalità di dati per affrontare sfide fondamentali per il business, come la ridondanza dei dati, la governance incoerente, la scarsa distribuzione e l'elaborazione inefficiente.

L'architettura della piattaforma è tipicamente composta da tre livelli fondamentali:

Sistemi di registrazione per l'ingestione e la convalida dei dati
Sistemi di archiviazione ed elaborazione per la trasformazione dei dati
Sistemi di impegno per il consumo e l'analisi dei dati.

I componenti chiave includono:

Data lake per un'archiviazione flessibile
Architetture di streaming per una bassa latenza
Data warehouse/ lakehouse per l'analisi strutturata dei dati
Data fabric per collegarli tutti insieme

Tuttavia, la semplice implementazione della tecnologia non è sufficiente: la piattaforma deve allinearsi al modo in cui i diversi domini di business utilizzano e interagiscono con i dati. Anche i dati provenienti da diverse fonti devono essere armonizzati; ad esempio, i dati dei clienti provenienti da diversi sistemi devono essere armonizzati per creare un'unica vista composita che riduca le duplicazioni e abbia un riferimento comune da utilizzare in tutta l'organizzazione.

Avere un'unica versione della verità è forse la cosa più importante nel contesto dei dati master e di riferimento nelle moderne piattaforme di dati.

Ottimizzare l'uso dei dati: Qualità più che quantità

Sebbene la raccolta e l'archiviazione di tutti i dati disponibili possa sembrare l'ideale, la limitatezza delle risorse rende questo approccio impraticabile per la maggior parte delle organizzazioni. Invece, una strategia mirata ai set di dati più preziosi produce risultati migliori. Ciò significa essere selettivi nell'elaborazione dei dati e privilegiare la qualità rispetto alla quantità.

La chiave sta nel capire quali fonti di dati forniscono il maggior valore di business, in che modo i diversi settori devono accedere ai dati e analizzarli e quale livello di qualità dei dati è necessario per le diverse applicazioni. Questo approccio mirato aiuta le organizzazioni a sfruttare al meglio le loro risorse limitate e a ottenere successi di business dalle loro iniziative IT, pur mantenendo elevati standard di qualità dei dati.

Le nostre esperienze con clienti esterni e progetti interni dimostrano costantemente il valore di mantenere una chiara focalizzazione sulle iniziative relative ai dati. Concentrandosi sui set di dati critici, applicando una governance precisa e garantendo un'adozione adeguata, le organizzazioni possono ottenere risultati misurabili, costruendo al contempo una metodologia scalabile e comprovata per un miglioramento incrementale. Ad esempio, in un recente progetto per un fornitore di servizi di gestione degli asset, questo approccio ha portato a una riduzione del 35% dell'impegno manuale, a intuizioni più rapide e a una maggiore agilità, dimostrandol'impatto trasformativo di iniziative sui dati prioritarie e di alta qualità.

Allineare la strategia dei dati con chiari obiettivi aziendali, dando priorità ai risultati rispetto alla tecnologia.

Si tratta di un quadro semplice di principi e linee guida che consente alle organizzazioni di identificare le priorità principali e di allineare gli sforzi e gli investimenti nei dati per raggiungere efficacemente gli obiettivi di business.

Ciò significa lavorare a stretto contatto con gli stakeholder per identificare i business case ad alta priorità e capire come le diverse business unit utilizzeranno effettivamente i dati. La strategia deve delineare i passi pratici per migliorare la qualità dei dati, implementare la governance e fornire un valore di business misurabile.

Una strategia di successo deve essere attuabile e seguita in modo efficace, evitando la trappola del pensiero eccessivo e della paralisi da analisi. Questa mentalità pratica consente alle organizzazioni di passare dalla pianificazione all'implementazione concreta.

“

Diamo vita alla strategia. La co-creazione di un prodotto funzionante consente di avere qualcosa da toccare e sentire, da interrogare e con cui giocare. La teoria può iniziare ad avere un senso e si può avere un'idea migliore dei requisiti e dei vincoli che si possono estendere o modificare per avere una migliore comprensione dell'arte del possibile e quindi massimizzare le probabilità di successo. Potete dimostrarlo ai vostri stakeholder, ottenere il loro feedback e ottenere l'approvazione di un prodotto di valore reale piuttosto che di semplici diapositive.

Zubin Limbuvala

Principale responsabile della strategia dei dati