Post in Translation – Le aziende tradizionali devono affidarsi al modello Data Driven. In fretta

Le aziende tradizionali devono adattarsi se vogliono rimanere competitive. Dovrebbero considerare queste cinque tattiche per concentrare i loro sforzi ed evitare di sprecare tempo e risorse in un modello data driven:

1. dare priorità ai dati che sono più importanti per il loro business;
2. collegare gli investimenti in tecnologia a obiettivi di alto valore;
3. centralizzare l’infrastruttura dei dati e decentralizzare la gestione dei clienti;
4. educare i dirigenti del C-suite sul valore del Machine Learning e AI;
5. iniziare in piccolo e cercare vittorie misurabili, rimanere realistici su quanto tempo richiede il cambiamento trasformazionale.

Un articolo di Randy Bean ([email protected]) e Ash Gupta

Articolo originale su hbr.org

La capacità di utilizzare i dati come risorsa competitiva per il business è ciò che ha caratterizzato una serie di aziende consolidate che hanno regnato come leader di mercato nel corso degli ultimi decenni. Tuttavia, le condizioni di business si evolvono, e oggi queste aziende devono affrontare una nuova serie di sfide che minacciano le loro posizioni di leadership duramente conquistate.

Come possono questi “leader di dati” trasformarsi dall’eccellenza nelle analisi tradizionali alla leadership in una nuova era di Big Data, AI e processi decisionali guidati dal machine learning?

Cosa devono fare le aziende che hanno eccelso in discipline come il database marketing, il CRM, il marketing one-to-one e l’analitica avanzata per continuare a rimanere al top?

I dati e la tecnologia stanno guidando il cambiamento aziendale. Con l’aumento dei volumi di dati e della potenza di calcolo e con l’aumento di nuove capacità di AI, machine learning e big data, i leader affermati devono adattarsi ed evolvere.

Quando al CEO di JP Morgan Jamie Dimon è stato recentemente chiesto se ci fosse molto da temere dalla potenziale minaccia di una “Banca di Amazon”, “Google Bank”, o di nuovi concorrenti come PayPal, Square, Stripe e Ant Financial, la sua risposta è stata: “Assolutamente, dovremmo avere paura”, aggiungendo: “Mi aspetto di vedere una concorrenza molto, molto dura e brutale nei prossimi 10 anni”.

Il settore assicurativo sta cominciando a fare la transizione dai dati e dalle analisi tradizionali all’apprendimento automatico, all’IA e all’analisi guidata dai Big Data, ma sta anche affrontando una nuova concorrenza. In contrasto con le compagnie di assicurazione tradizionali, che sono state ricche di dati, ma hanno abitualmente fatto affidamento su approcci attuariali, le startup concorrenti come Lemonade e Traffk stanno impiegando analisi di apprendimento automatico e attingendo a migliaia di elementi di dati per fornire analisi personalizzate e guidare gli acquisti assicurativi.

Come coautori di questo articolo e come dirigenti di lungo corso del settore, l’utilizzo dei dati per guidare un migliore processo decisionale e un servizio clienti più personalizzato è stato a lungo il nostro obiettivo durante il corso di decenni delle nostre rispettive carriere commerciali – Randy Bean come consulente di grandi aziende e un cronista del settore, e Ash Gupta come ex presidente per il Global Credit Risk and Information Management durante una carriera di 41 anni presso American Express.

Il nostro punto di vista è che per mantenere le loro posizioni di leadership, le aziende tradizionalmente ricche di dati, devono adattare i loro processi di dati e analisi per incorporare le tecniche più recenti, o rischierebbero di rimanere indietro rispetto alle aziende che abbracciano Big Data, AI e machine learning.

I leader dovrebbero considerare 5 tattiche ad alto potenziale per affidarsi a un modello data driven

1. Conoscere il proprio business e dare la priorità ai dati più importanti per la propria azienda.

Una delle più grandi risorse che qualsiasi azienda possiede è il suo set unico di dati sui clienti – interazioni, transazioni e storia comportamentale. Che si tratti di informazioni sul comportamento, abitudini o transazioni dei clienti, è essenziale capire quali prospettive uniche offrono i dati. Saperlo, e come combinarlo con fonti di dati esterne, permette di costruire e mantenere un asset aziendale unico e competitivo.

Le aziende di grande successo distinguono tra la qualità e la quantità di dati che raccolgono. Una tipica interazione online con il cliente produce più dati di quanti ne vengano catturati in una vita intera di interazioni con i clienti offline.

Un istituto di servizi finanziari ha raccolto 50.000 elementi di dati, di cui 48.000 non sono mai stati utilizzati. Troppo spesso le aziende scartano i dati perché non hanno valore in un’interazione, ma questi stessi dati possono essere preziosi in un altro contesto. Le aziende guidate dai dati discernono continuamente le informazioni veramente utili e che forniscono il maggior numero di insight e valore di business.

2. Collegare gli investimenti tecnologici a obiettivi aziendali di alto valore.

Le organizzazioni troppo spesso considerano il successo nel fare investimenti tecnologici all’avanguardia, mentre spesso si allontanano dai punti di forza del core business che ha reso l’azienda competitiva e unica.

Per avere successo, i dirigenti devono sintetizzare le caratteristiche del business con le capacità tecnologiche in modo che le organizzazioni non si perdano nella complessità delle loro soluzioni. Le organizzazioni sagge iniziano con l’opportunità di business di alto valore che stanno cercando di affrontare e si chiedono come la tecnologia possa essere impiegata per raggiungere il risultato desiderato – non iniziano con la tecnologia, lavorano a ritroso. Inizia, quindi, identificando il problema di business, non costruendo una soluzione. 

Molte organizzazioni sono scoraggiate dai loro sforzi di intraprendere iniziative data-driven perché gli investimenti tecnologici sembrano essere troppo grandi o richiedono troppo tempo per dimostrare il valore di business. Quanto spesso vediamo aziende abbandonare iniziative perché non sono in grado di indicare un ROI immediato, mentre ignorano il valore di business sostenuto che risulta da questi investimenti?

La conseguenza è che troppe organizzazioni non iniziano mai o ripetono un ciclo di investimenti tecnologici falliti. Le aziende che mantengono una posizione di leadership capiscono che la tecnologia è uno strumento, non una soluzione.

Gli innovatori e i leader investono in capacità fondamentali che forniscono un vantaggio competitivo unico e si distinguono dai loro concorrenti. Per esempio, insegnano ai loro team ad essere esperti in tecniche decisionali quantitative e sfruttano la profonda conoscenza del loro business da parte dei loro dipendenti quando costruiscono modelli importanti.

Bisogna comprare tecnologia e piattaforme AI e motori di flusso di lavoro – non reinventare la ruota.

3. Centralizzare l’infrastruttura dei dati, decentralizzare la gestione dei clienti.

Le unità di business hanno una tendenza naturale a sentire un forte senso di proprietà dei “loro dati”, ma le aziende di successo gestiscono i dati come in uno sport di squadra, in modo collaborativo. Una business unit può sentirsi “proprietaria” della relazione con il cliente e dei dati di sua competenza, senza prendere in considerazione il più ampio beneficio organizzativo sia dal punto di vista del servizio al cliente che del business aziendale.

Questa tutela dei dati ha molti benefici che però possono essere campanilistici, in contrasto con quelli che derivano quando le organizzazioni condividono volentieri i dati e rompono i tradizionali silos operativi. Basta guardare la velocità con cui è stato sviluppato un vaccino Covid-19 una volta che le organizzazioni scientifiche, di salute pubblica e governative erano disposte a collaborare attraverso le linee farmaceutiche, giurisdizionali e di agenzia. La Commissione dell’11 settembre una volta disse notoriamente: “avevamo i dati, ma non li abbiamo messi tutti insieme”.

Le organizzazioni possono trarre vantaggio dalla centralizzazione della loro infrastruttura tecnologica, delle politiche, delle pratiche e degli standard per assicurare un trattamento coerente dei dati ed un uso legale, etico e coerente. Allo stesso tempo, le organizzazioni possono beneficiare di analisi decentralizzate e di una gestione locale dei clienti da parte di quelle linee di business e regioni che sono più vicine al cliente e lo conoscono meglio.

4. Educare i dirigenti della C-Suite sul valore aziendale del machine learning e dell’IA.

È passato il tempo in cui gli C-executives possono professare l’ignoranza di queste nuove tecnologie. Anche se le distinzioni possono sembrare oscure agli specialisti non tecnici, è importante capire le differenze tra l’IA, l’apprendimento automatico e l’apprendimento profondo: l’IA sfrutta le macchine per replicare le funzioni cognitive umane; il machine learning si basa sull’insegnamento alle macchine di fare previsioni guidate dai dati in base ai dati e alle esperienze apprese; il deep learning impiega algoritmi complessi per consentire l’astrazione di alto livello nei dati.

Mentre i dirigenti non hanno bisogno di capire i dettagli tecnici del “come”, dovrebbero assolutamente afferrare “il cosa” del valore commerciale risultante per l’azienda. È troppo importante per abdicare o esternalizzare queste responsabilità.

I CEO dei leader tradizionali come Capital One e American Express erano orgogliosi della loro comprensione dei dati e della tecnologia. I CEO devono abbracciare i nuovi approcci e capire cosa devono fare per sfruttare il valore.

Ricordati sempre però di comunicare il beneficio aziendale al cliente, e ai dipendenti, in termini chiari e in un linguaggio semplice che possa essere ben compreso e facilmente spiegabile.

5. Iniziare in piccolo e dimostrare risultati di business misurabili, pur riconoscendo che il cambiamento trasformazionale spesso richiede decenni.

Eric Brynjolfsson, direttore dello Stanford Digital Economy Lab, osserva che le aziende stanno adottando un approccio accelerato all’IA, commentando:

“Abbiamo alcune superstar che stanno facendo davvero bene, ma la vera ragione per cui ci vuole così tanto tempo è che non è facile”.

Eric Brynjolfsson

Brynjolfsson nota che con tecnologie di trasformazione come l’IA, che hanno il potere di trasformare interi modelli di business, possono passare decenni prima che i cambiamenti diano risultati nel mondo reale. Egli nota che gran parte dello slancio dietro l’adozione dell’IA è legato alla ricerca di efficienze attraverso dati e analisi.

Il sondaggio di NewVantage Partners 2021 Big Data and AI Executive conferma queste prospettive, con solo il 12,1% dei dirigenti intervistati che indicano che l’AI è in produzione diffusa nelle loro aziende.

Troppe organizzazioni si focalizzano su soluzioni “curative”, corse in casa, colpi di luna, o grandi iniziative di trasformazione. Le aziende veramente innovative procedono un passo alla volta, dimostrando risultati misurabili ad ogni passo lungo la strada.

Diventare e rimanere data-driven è un processo e un viaggio continuo, raramente una destinazione. Bisogna implementare processi di gestione dei costi per assicurare che gli investimenti siano legati a risultati aziendali misurabili. Inoltre, dimostrare un ritorno coerente sull’investimento, legato a costi attentamente gestiti, stabilirà la credibilità del business e costruirà il supporto e l’impegno organizzativo.

Le organizzazioni devono fornire la massima libertà di azione e sicurezza per la sperimentazione senza paura del fallimento. Le organizzazioni innovative sono caratterizzate da culture di prova e apprendimento, che incoraggiano la crescita attraverso prove ed errori. Bisogna impegnare i processi di prova e apprendimento per fallire velocemente e imparare più velocemente.

I leader senior delle aziende che seguono questi passaggi avranno molte più probabilità di differenziarsi dai loro concorrenti più cauti. Si distingueranno come innovatori che plasmeranno il futuro dei loro settori e mercati in un’epoca di “sconvolgimento”, Big Data e AI.