Metodologia TME “Taylored Management Evolution”

I dati presenti in azienda possono essere ridondanti e scarsamente rilevanti, spesso incompleti, a volte anche contraddittori e non sempre rappresentativi dei processi.

Partendo da un’analisi minuziosa dei processi organizzativi, studiamo e verifichiamo i dati che vengono prodotti, le diverse fonti, la loro coerenza e selezioniamo i dati utili e significativi. Questa fase è importantissima anche perché è l’occasione per riprogettare alcuni processi inefficaci e per diffondere nell’organizzazione il senso e l’importanza della “formazione del dato”.

In questo step individuiamo nuove fonti di dati, anche esterne (es. opendata di settore, dati meteorologici, ecc..), non considerate fino a quel momento. Questi dati li integriamo nel sistema per consolidarne l’utilizzo.

Uno studio approfondito del modello di business aziendale consente, inoltre, di attribuire ad alcune categorie di dati (es. prodotti, clienti, costi, ecc..) delle classificazioni qualitative che consentono al momento dell’analisi di acquisire informazioni di dettaglio mai avute fino a quel momento.

I data mart sono un sottoinsieme del datawarehouse. Essi rappresentano i database di ogni specifico argomento aziendale: vendite, produzione, logistica, finanza, ecc…

Con la costruzione dei datamart si rendono facilmente fruibili i dati di un’area aziendale.

La costruzione dei datamart è anch’essa una struttura dinamica. Nel momento in cui migliora il processo di formazione dei dati se ne aggiungono di nuovi al data mart.

Per consentire un’informazione fruibile ovunque e sempre costruiamo applicazioni di visualizzazioni dati dinamici e fruibili da diversi device (pc, smartphone, tablet).

I dati li rendiamo disponibili nel cloud e le visualizzazioni sono interattive. I dati e le analisi sono aggiornati in tempo reale. Lo storytelling dell’analisi dei dati è dinamico e lo modifichiamo ogni volta che nascono nuove esigenze conoscitive.

Grazie al machine learning riusciamo ad aumentare ulteriormente il valore che si riesce ad ottenere dai dati e creare soluzioni che consentono, in ultima analisi, di rendere l’azienda più competitiva sul mercato. Per ottenere questo risultato, il machine learning ha bisogno di tre cose: dati, algoritmi e modelli.

Per scegliere i migliori dati, gli algoritmi più efficaci ed il modello più appropriato con i nostri data scientist cerchiamo di capire e definire, insieme all’imprenditore, quale sia l’obiettivo aziendale, cioè quale risultato specifico si intende raggiungere.

Le soluzioni ben costruite di machine learning, e di data science più in generale, consentono di automatizzare operazioni complesse, di trovare relazioni nascoste tra le entità, di fare classificazioni, raccomandazioni, previsioni, e altro ancora.

Affinché esprimano tutto il loro reale valore, le soluzioni avanzate di data science le ingegnerizziamo e le inseriamo nei sistemi di produzione aziendale. In questo modo saranno sempre attive e potranno continuamente generare il valore per cui sono state costruite.

In base al tipo di soluzione specifica che è stata realizzata, e quindi all’obiettivo aziendale a cui tale soluzione risponde, è possibile definire delle quantità da monitorare ed impostare su di esse degli alert.

Tali alert scattano quando le quantità che monitorano superano un certo valore soglia ed informano le persone più appropriate di quanto accaduto.

Ad esempio, una soluzione di data science avanzata potrebbe analizzare il funzionamento delle attrezzature di manifattura aziendali in tempo reale, calcolare la probabilità di un guasto (secondo un modello precedentemente addestrato di machine learning), ed inviare una notifica push al responsabile dei macchinari quando tale probabilità supera il 75%.