Misurare i Big Data: esempi di KPI

Scopri come allineare le iniziative di big data con la strategia della tua organizzazione e convalida i tuoi sforzi con gli Indicatori Chiave di Prestazione.

Argomenti principali dell’articolo:

• Che cos’è il Big Data?
• Sfide del Big Data
• KPIs e Big Data
• Focalizzare il Big Data
• Rendi il Big Data Misurabile
• Automazione con BSC Designer

Mappa del processo di big data con indicatori di prestazione allineati. Fonte: Big Data Scorecard.

La fine dell’anno è un buon momento per parlare di tendenze emergenti: auto a guida autonoma, intelligenza artificiale, realtà virtuale e Internet delle cose. Quale effetto avranno queste tendenze sul tuo business? Come puoi tenere conto di un possibile impatto di queste idee rivoluzionarie? Tutte le tendenze menzionate meritano un’analisi dettagliata, ma ce n’è una che sembra essere connessa con tutte le altre. Sto parlando del Big Data. L’IA ne avrà bisogno, le auto a guida autonoma si basano su di esso, e naturalmente è già utilizzato da molte aziende.

In BSC Designer abbiamo parlato molto di KPIs e strategia. In questo articolo suggerisco di discutere come una strategia ben descritta e KPIs su misura possano aiutare a focalizzare gli sforzi sui big data. Ecco il nostro piano per questo articolo:

• Big data. Che cos’è? Quali sono le principali sfide?
• KPIs per il big data. 4 livelli di KPIs e raggiungimento dell’allineamento strategico.
• Piano d’azione. Implementazione misurabile del big data.

Che cos’è Big Data?

Big data riguarda l’analisi di grandi set di dati non strutturati.

Big data può essere caratterizzato da 3 V:

• Volume. I set di dati dovrebbero essere grandi. Ci sono alcune stime che suggeriscono che dovrebbe essere almeno 10 GB o 1 TB, ma probabilmente un criterio migliore sarebbe dire che big data è qualcosa che deve essere distribuito (in termini di archiviazione o calcoli). Se si è dovuto passare a Hadoop o a un framework simile, allora sta diventando grande.
• Varietà. Pensa a diverse fonti di dati strutturati e non strutturati. Può essere estratto da testo, video, dati di vendita, social media, previsioni meteorologiche o qualunque cosa abbia senso nel tuo contesto.
• Velocità. L’elevato volume dei dati è il risultato di una generazione rapida di dati. Pensa a migliaia di elementi di aeromobili che sono costantemente monitorati¹, o a un flusso costante di commenti sui social media, o ai dati in tempo reale forniti dai dispositivi indossabili.

Spesso (prendi IBM² o EY³ come esempio), c’è anche una quarta “V” che sta per “Veridicità:”

• Veridicità. Quando parliamo di dati, affrontiamo sempre un certo livello di incertezza. Come sono stati ottenuti i dati? Abbiamo analizzato tutti i fattori? Sono stati manipolati? Possiamo fidarci di quei numeri?

Come vengono utilizzati i dati?

I big data sono utilizzati per un’ampia gamma di analisi predittive e comportamentali. Le organizzazioni applicano i big data per ridurre i costi, comprendere meglio le esigenze dei clienti e mitigare i rischi. Pensa a un’azienda che utilizza i big data per offrire un’esperienza su misura per i clienti; pensa al controllo delle frodi di un fornitore di e-commerce.

All’inizio dell’articolo ho menzionato alcune tendenze emergenti: i big data sono coinvolti in tutte loro. Per saperne di più sull’uso pratico dei big data, consiglio di proseguire con “7 Amazing Companies That Really Get Big Data⁴” dell’esperto di fama internazionale Bernard Marr.

Principali sfide dei Big Data

La visione descritta dei big data sembra molto ambiziosa. Perché allora le aziende sono lente nell’adottare questa nuova tendenza? Quali sono le principali sfide dei big data?

L’estrazione dei dati non è più una sfida principale

Più tardi, in ottobre, ho parlato a una conferenza organizzata da SCIP⁵ (Strategic and Competitive Intelligence Professionals). I membri di questa organizzazione si occupano di big data nei settori dell’intelligenza di mercato. Il tema principale della conferenza non riguardava l’estrazione di alcuni dati CI/BI come ci si potrebbe aspettare, ma l’allineamento degli sforzi di business intelligence con la strategia di un’organizzazione. In altre parole, una volta che un’azienda conosce le domande che vuole porre, il resto è relativamente facile (vedi i sondaggi qui sotto per alcuni dati).

Se l’estrazione dei dati non è più un problema, quali sono le sfide principali?

Challenge 1. Concentrarsi sui big data

La sfida principale è concentrare i big data su ciò che conta e poi consegnarli nelle mani giuste. In altre parole, ci dovrebbe essere qualcuno nell’organizzazione che inizi a porre le domande giuste.

Per illustrare questa idea prendiamo una storia di Target⁶ che era sui titoli dei giornali nel 2012. Questo rivenditore ha utilizzato con successo i dati di analisi degli acquirenti per prevedere che alcune delle loro clienti erano incinte. Guardiamo la storia (senza considerare la parte relativa alla privacy) e vediamo cosa è realmente accaduto. Andrew Pole, uno statistico che lavorava per Target, non stava semplicemente fornendo tutti i dati possibili, ha ricevuto un compito molto specifico dai suoi colleghi del marketing: identificare le acquirenti incinte nel loro secondo trimestre.

C’era un focus e c’era un enorme valore commerciale associato a questo focus, poiché i nuovi genitori tendono a cambiare le loro abitudini di acquisto e a comprare tutto in un unico negozio al dettaglio. Non si trattava solo di giocare con i dati, si trattava di trovare dati che avrebbero aiutato a rispondere a una domanda molto specifica.

Challenge 2. Allineamento con la strategia aziendale

I big data saranno rivoluzionari quando forniranno un valore aziendale tangibile. In altre parole, dovrebbe essere chiaro come le iniziative di big data stiano supportando la strategia di un’azienda. NewVantage Partners nel loro Big Data Executive Survey⁷ ha chiesto ai partecipanti quali fossero le barriere culturali all’adozione dei Big Data nel business. Il 42,6% dei partecipanti ha scelto la risposta “Allineamento organizzativo insufficiente.” Altre opzioni includevano una mancanza di adozione, una mancanza di strategia coerente dei dati e una mancanza di una visione condivisa.

Tornando al caso Target, sono stati in grado di affrontare con successo due componenti importanti:

1. Big data focalizzati su una domanda specifica: È stato chiesto a un data scientist di identificare gli acquirenti incinte nel loro secondo trimestre.
2. Allineamento con una strategia aziendale: C’era un chiaro valore aziendale per i dati – le famiglie in cui nasce un bambino diventano clienti di un negozio al dettaglio per lungo tempo.

Challenge 3. Sicurezza e privacy dei dati

Questa sfida non è ancora di uso comune, ma penso sia ovvio per chiunque che la raccolta e l’analisi dei dati devono essere etiche e legali. Il Regolamento Generale sulla Protezione dei Dati (GDPR) è diventato applicabile a partire dal 25 maggio 2018 in Europa e ci sono regolamenti simili in altri paesi. Le aziende devono essere molto più serie nel seguire le politiche sui dati quando trattano dati personali.

Discutiamo degli indicatori chiave di prestazione (KPI) nel contesto dei big data.

KPIs e big data

I big data sostituiranno i KPIs? Non esattamente. I big data potenzieranno i KPIs con intuizioni più accurate e aggiornate.

Prendiamo l’NPS (Net Promoter Score) come esempio:

• NPS ora. Come viene calcolato l’NPS (Net Promoter Score) nella tua organizzazione oggi? Probabilmente fai qualche tipo di sondaggio tra i clienti su base trimestrale. Pertanto, questo indicatore è in ritardo nel tempo. Se succede qualcosa alla tua attività, l’NPS lo mostrerà alcuni mesi dopo.
• NPS potenziato dai big data. Ora, immagina di utilizzare qualche strumento di big data che analizza le emozioni dei clienti in tempo reale (vedi il riferimento a Heedbook qui sotto). In questo caso, il tuo NPS diventerà un KPI in tempo reale. Fondamentalmente, sarai in grado di vedere la reazione di un cliente specifico a un’offerta specifica e a un approccio di vendita specifico.

In alcuni casi, sarai interessato a scavare più a fondo nei dati e arrivare a situazioni specifiche, e in altri casi avrai bisogno di vedere i dati aggregati per la settimana, il mese o l’anno.

KPI per Big Data

Nel caso dei big data, parliamo di investimenti significativi nei nuovi strumenti e nell’architettura, quindi ha senso monitorare queste iniziative con dati concreti. Le iniziative di big data dovrebbero anche essere quantificate e misurate. Possiamo farlo a diversi livelli.

Livello 1. Metriche 3-V

I 3V (Volume, Varietà, Velocità) dei big data possono essere facilmente quantificati:

• Volume dei dati è una misura a sé stante (GB, TB, ecc.)
• Varietà può essere quantificata come il numero di diversi tipi di fonti di dati
• Velocità è definita dal volume di dati generati/analizzati per periodo di tempo

La quarta V – Veridicità potrebbe essere più difficile da quantificare. Dovrete definire cosa il vostro team qualifica come dati accurati e ciò dipende dal contesto. Ad esempio, per le auto con motore a combustione la misurazione della velocità corrente con un margine di errore di +-5 km/h potrebbe essere considerata come dati accurati, mentre per le auto elettriche non è accettabile. Definite 1-2 metriche che diano un’idea dell’accuratezza dei dati nel vostro caso.

Le metriche 3-V sono utili? Dipende dal vostro contesto. Prendiamo l’esempio dell’auto a guida autonoma di Google. L’auto produce 1GB di dati sensoriali al secondo⁸. Quel numero sembra impressionante! Possiamo stimare quanto siano grandi i big data, ma quei numeri non ci aiuteranno con le 3 sfide menzionate prima.

La gerarchia degli KPI per misurare le prestazioni dei Big Data. Fonte: Big Data Scorecard.

Livello 2. Metriche dei processi di big data

Passiamo al livello successivo di astrazione e diamo un’occhiata al processo di big data. Il modello semplificato è il seguente:

• Interrogazione
• Raccolta
• Analisi
• Reportistica

Le metriche più utili in questo caso sono legate al tempo:

• Frequenza della raccolta dati
• Tempo necessario affinché i dati siano disponibili per l’analisi
• Tempo necessario affinché i dati siano riportati sotto forma di KPI

I benchmark per la tempistica dipendono dal contesto aziendale. Ad esempio:

• L’auto a guida autonoma deve raccogliere e analizzare i dati in tempo reale, e i millisecondi di differenza sono importanti, ma
• Nel caso dei responsabili NPS potrebbe essere interessante esaminare i dati aggregati settimanali

In termini di efficienza del processo, possiamo monitorare:

• Tasso di conversione da interrogazione a report, %. In questo caso dobbiamo prima definire il concetto di interrogazione qualificata, e poi monitorare la percentuale di interrogazioni qualificate a cui i nostri data scientist sono stati in grado di rispondere
• Capacità di acquisizione dei dati. Il livello di accuratezza dei dati che raccogliamo (le idee discusse sopra in Veracità). Per alcune aziende queste capacità definiscono il loro vantaggio competitivo sostenibile.

Le metriche di questo livello ci danno un’idea migliore di quanto siano efficienti i big data, ma ancora non abbiamo indizi sull’impatto dei big data sugli obiettivi aziendali reali.

Livello 3. KPI in ritardo. KPI per convalidare il successo dei big data.

Un’altra questione è come convalidare il successo delle iniziative di big data in azienda. Da un lato ci sono investimenti significativi nell’infrastruttura, dall’altro i big data dovrebbero ripagare sotto forma di intuizioni aziendali. Come possiamo misurare un valore in dollari di queste intuizioni?

In questo caso dobbiamo monitorare i miglioramenti che possono essere attribuiti all’uso dei big data:

• Quali lezioni abbiamo appreso dai big data? Quale risparmio dei costi è stato ottenuto dopo l’implementazione di queste idee?
• Come è cambiato il tasso di fidelizzazione dei clienti grazie alla fornitura di un’esperienza su misura? Come sta cambiando il valore del ciclo di vita del cliente?
• I big data aiutano il servizio clienti a essere più efficiente? Come è cambiato il tasso di risoluzione alla prima chiamata?
• Come sono cambiati i processi di assunzione dopo aver iniziato a utilizzare i big data? Come è cambiato il KPI tempo alla prestazione delle risorse umane?

Come si può vedere, a questo livello utilizziamo KPI classici che utilizzavamo prima. Quello che stiamo cercando di fare è attribuire certi miglioramenti all’implementazione dei big data.

Questo approccio potrebbe essere distorto:

• Tendiamo a considerare i cambiamenti positivi come nostri successi e
• Vediamo i cambiamenti negativi come fluttuazioni normali che accadono sempre.

La soluzione è mirare a obiettivi più grandi e tangibili.

Molte organizzazioni trascurano questa parte della misurazione e semplicemente acquistano “alcuni big data”. Secondo il rapporto⁹ di Capgemini Consulting, il 67% delle aziende intervistate non ha criteri ben definiti per misurare il successo delle loro iniziative di big data. Considerando l’ammontare degli investimenti, le aziende dovrebbero essere più sistematiche nel definire gli obiettivi e i criteri di successo dell’implementazione dei big data.

Un esempio di mappa del processo di big data con indicatori di prestazione allineati. Fonte: Big Data Scorecard.

Livello 4. KPI guida. Garantire il successo dei big data.

Ora sappiamo come misurare il risultato delle iniziative di big data, ma per quanto riguarda la parte guida? Cosa dovremmo fare per garantire un’implementazione di successo dei big data?

La parte difficile dei big data è piuttosto tangibile, possiamo misurarla con metriche generiche come:

• Fondi investiti nelle iniziative di big data
• Tempo dedicato alle iniziative di big data

Focus sugli obiettivi aziendali Big Data

Ecco uno scenario reale: un’azienda ha investito milioni di dollari nell’infrastruttura, negli strumenti e nella raccolta di big data con il cluster Hadoop, e non è accaduto nulla di misurabile. È di questo che parlavamo nella sfida 1: i big data non sono IA, non possono parlare, e il vostro team deve imparare a porre le domande. Come possiamo allora misurare il ruolo del team?

Ecco alcune idee per iniziare:

• Efficacia della formazione sui big data. Assicuratevi che i membri chiave del vostro team abbiano ricevuto una formazione sui big data. Non è necessario che diventino data scientist, ma devono sapere quali domande possono porre e come formulare queste domande. Le metriche in questo caso saranno legate all’efficacia della formazione¹⁰.
• % degli obiettivi strategici con iniziative di big data. Potremmo tracciare il numero di query sui big data formulate da ciascun team, ma questo approccio sarebbe molto formale e meno utile. Una scelta migliore è tracciare l’allineamento tra gli obiettivi e le query sui big data. Chiedete al vostro team di esaminare i propri obiettivi strategici e poi discutere quali dati potrebbero essere necessari per prendere decisioni migliori nel contesto di quegli obiettivi.

I big data aiutano a formulare nuovi obiettivi aziendali

Il processo di abbinamento del contesto aziendale e dei big data è bidirezionale. A volte abbiamo una sfida specifica in mente e poi cerchiamo strumenti di big data specifici (come nel caso di Target), a volte troviamo uno strumento interessante e poi cerchiamo di abbinarlo ai nostri obiettivi. Ecco alcuni esempi:

• Qualcuno nel tuo team ha trovato Heedbook¹¹, un servizio che analizza le emozioni dei clienti in tempo reale. Il servizio è costruito su Microsoft Azure ed è disponibile nel Cloud. Il team del servizio clienti potrebbe proporre l’idea di utilizzare questo servizio per calcolare meglio il loro NPS.
• Il tuo personale IT è stato sfidato a trovare un software DLP (prevenzione della perdita di dati). Hanno scoperto SearchInform¹² che non solo può analizzare le comunicazioni e i file trasmessi, ma può anche applicare specifiche politiche di sicurezza. La strategia IT della tua organizzazione può essere aggiornata tenendo conto delle possibilità dello strumento DLP.

In ogni caso, è una buona idea abbinare obiettivi aziendali specifici ai requisiti per i big data.

Piano d’azione. Rendi misurabile i Big Data.

Formuliamo alcuni punti chiave da questo articolo. Preferisco farlo sotto forma di un piano d’azione.

1. Rivedi i big data. Come vengono raccolti i dati attualmente, quali capacità di acquisizione dati hai (usa i parametri di processo dei big data come quadro di riferimento).
2. Fai i compiti a casa. Formula la tua strategia sulla mappa strategica e distribuiscila alle unità aziendali. Rivedi i tuoi attuali KPI.
3. Migliora le capacità. Pianifica le iniziative per affrontare le capacità del team in termini di big data. I membri chiave dovrebbero comprendere quali domande possono porre e come formularle.
4. Concentrati sugli sforzi sui big data. Rivedi la tua mappa strategica, individua le opportunità in cui i big data possono supportare gli obiettivi aziendali. Formula interrogazioni sui big data.
5. Implementazione. Analizza le intuizioni fornite dai big data, riflettile sotto forma di KPI dove necessario.

Una breve guida per gli utenti del software BSC Designer

Come utente di BSC Designer hai un potente software che automatizzerà molti degli aspetti di allineamento strategico e KPI discussi in questo articolo:

• Allineamento strategico e focalizzazione sui big data. Crea una mappa strategica per presentare i tuoi obiettivi aziendali; allinea i KPI con gli obiettivi sulla mappa. Se non hai ancora una mappa strategica, allora usa un assistente per la mappa strategica per iniziare.

• Garantire che un team abbia capacità sui big data. Usa un punteggio di formazione (puoi iniziare con questo esempio) per assicurarti che il tuo team abbia le capacità necessarie per lavorare con i big data.
• Alimentare i KPI con i big data. Traccia le metriche di performance per le iniziative sui big data; usa RESTFul API per inserire report in tempo reale sui big data negli indicatori.

Se non sei ancora un utente, puoi iniziare con un piano gratuito di BSC Designer, disponibile online.

Usa il modello Big Data Scorecard

BSC Designer aiuta le organizzazioni a implementare le loro strategie complesse:

1. Iscriviti per un piano gratuito sulla piattaforma.
2. Usa il modello Big Data Scorecard come punto di partenza. Lo troverai in Nuovo > Nuova Scorecard > Altri Modelli.
3. Segui il nostro Sistema di Implementazione della Strategia per allineare stakeholder e ambizioni strategiche in una strategia completa.

Inizia oggi e scopri come BSC Designer può semplificare l'implementazione della tua strategia!

Alexis Savkín

Alexis Savkin è un Architetto dell’implementazione della strategia e fondatore di BSC Designer, una piattaforma software per l’esecuzione della strategia e la Scheda di valutazione bilanciata. Aiuta le organizzazioni ad automatizzare la gestione delle prestazioni e a trasformare la strategia in risultati misurabili. Alexis è il creatore dello “Sistema di implementazione della strategia”, autore di oltre 100 articoli su strategia e misurazione delle prestazioni, e relatore abituale in occasione di eventi di settore.