Guida ai dati frammentati

Una recente ricerca indica che meno della metà (49%) dei leader aziendali dichiara di poter generare insight sui dati in modo affidabile. Un’opportunità di crescita persa di entità davvero rilevante.

Uno dei principali ostacoli per molte organizzazioni è la frammentazione dei dati. Anche quando i dati di origine sono corretti, la loro dispersione può impedire una visione unificata delle attività operative o della clientela, oltre a limitare la capacità di ricavare analisi efficaci o insight di AI affidabili.

I dati frammentati sono informazioni presenti in sistemi, database o posizioni diverse che non si connettono né comunicano tra loro. Ad esempio, i dati transazionali possono far parte di un sistema ERP, mentre i dati dei clienti risiedono in una Customer Data Platform (CDP). Un altro esempio: i dati dei fornitori risiedono nei loro sistemi, mentre i dati della tua azienda sono contenuti all’interno dei “confini” aziendali. I dati distribuiti su sistemi incompatibili hanno spesso strutture, schemi e standard di qualità diversi, il che rende difficile unificarli e analizzarli.

La frammentazione dei dati può creare difficoltà per le organizzazioni che vogliono ottenere una visione unificata delle proprie attività, dei clienti, dei pazienti e degli stakeholder. Ecco una panoramica delle funzioni aziendali e delle capacità che possono risentire dei dati eterogenei.

• Tempo e risorse: hai mai misurato quanto tempo la tua organizzazione dedica alla ricerca dei dati giusti, alla loro pulizia e alla riconciliazione di dati duplicati dispersi in sistemi a silos? Questo tempo potrebbe essere impiegato in modo più produttivo e innovativo, per migliorare le operations e ottimizzare i processi.
• Costi: gestire i dati distribuiti in sistemi eterogenei è più costoso. Ai costi di investimento iniziali si aggiungono spese di manutenzione continuative.
• Errori: la riconciliazione dei dati è spesso un processo manuale, soggetto a errori, che può compromettere la fiducia nella qualità dei dati stessi.

• Qualità: con i dati distribuiti in vari sistemi, la duplicazione è quasi inevitabile. Quando accade, diventa difficile sapere di quale sistema fidarsi. Le decisioni rischiano così di basarsi su dati imprecisi o obsoleti.
• Velocità: la deduplicazione e la pulizia dei dati richiedono molto tempo e rallentano il processo decisionale strategico.
• Opportunità di mercato mancate: le organizzazioni agili sanno prendere decisioni basate sui dati e muoversi con rapidità. Se non riesci a stare al loro passo, rischi di perdere importanti occasioni di crescita.

• Addestramento ed errori: le ricerche hanno dimostrato che il 56% dei responsabili tecnici ha sprecato risorse addestrando l’AI su dati di scarsa qualità. L’efficacia dell’intelligenza artificiale dipende da grandi volumi di dati puliti, formattati in modo coerente e integrati, necessari per generare previsioni affidabili o eseguire le azioni corrette. Formati di dati eterogenei causano errori di addestramento e previsioni distorte, mentre duplicati e contraddizioni introducono rumore che degrada le prestazioni dei modelli AI.
• Insight dell’AI e azioni dell’AI agentica: quando i dati sono dispersi tra sistemi incompatibili con strutture, schemi e standard diversi, i modelli AI non riescono ad accedere al quadro completo necessario per generare insight esaustivi. Anche le azioni dell’AI agentica non saranno all’altezza delle aspettative.
• Tempi e costi: il lavoro manuale richiesto per armonizzare dati eterogenei può rallentare significativamente l’implementazione dell’AI e far lievitare i costi.

• Esigenze e comportamenti dei clienti:quando i dati risiedono in fonti frammentate, diventa difficile ottenere una visione a 360 gradi delle esigenze della clientela. Ad esempio, lo storico delle vendite nella piattaforma ERP non è integrato con i dati di assistenza presenti nei registri del servizio clienti né con le attività web. Di fatto, la visione che si ha del cliente è limitata al singolo sistema che si sta consultando. La tua organizzazione non è in grado di cogliere preferenze e comportamenti del cliente e non può quindi adattare prodotti o servizi per soddisfarne le esigenze.
• Esperienza cliente: oggi i clienti si aspettano che i loro brand preferiti comprendano le loro preferenze e offrano esperienze personalizzate. Ad esempio, chi chiama una concessionaria si aspetta che disponga dei dati sugli acquisti precedenti e della cronologia degli interventi di assistenza. Tuttavia, dati cliente frammentati e distribuiti tra sistemi diversi offrono al concessionario una visione limitata delle interazioni precedenti e possono deludere il cliente.

I dati frammentati possono generare complessità di integrazione, aumentare il debito tecnico e creare problemi di coerenza.

Tra le cause dei dati frammentati tra reparti senza un CRM unico rientrano spesso i sistemi legacy: mai pensati per comunicare tra loro e costruiti decenni fa con tecnologie obsolete e formati proprietari. Questi sistemi spesso non dispongono di API per lo scambio di dati. Possono inoltre archiviare i dati in database obsoleti o file flat e spesso utilizzano linguaggi di programmazione proprietari che richiedono tecnici specializzati.

Mantenere questi sistemi isolati non è solo tecnicamente complesso, ma è anche costoso. Trovare professionisti IT che conoscano i vecchi linguaggi di programmazione, come COBOL, è difficile e assumerli è oneroso. A ciò si aggiungono i costi ricorrenti di licenza e supporto dovuti ai fornitori di software.

Sistemi diversi che archiviano gli stessi dati possono generare problemi di coerenza. Ad esempio, un sistema potrebbe definire "cliente attivo" chiunque abbia effettuato un acquisto negli ultimi 90 giorni, mentre un altro utilizza una soglia di 365 giorni. Definizioni e regole di validazione contrastanti creano incoerenze quando i dati vengono combinati, alimentando la confusione su quale versione della verità sia quella corretta.

Se i sistemi eterogenei in cui sono archiviati i tuoi dati sono sistemi legacy, è molto probabile che presentino problemi di scalabilità. Questi sistemi non sono in grado di gestire facilmente volumi di dati sempre più elevati o le esigenze di elaborazione odierne senza incorrere in cali di performance o interruzioni complete. La loro architettura rigida non consente, ad esempio, di aggiungere ulteriori server, costringendoti ad accettare prestazioni scadenti oppure a investire in costosi aggiornamenti hardware.

Mantenere policy di data governance coerenti su più sistemi è complesso. Ogni sistema può avere controlli di sicurezza, regole di conservazione dei dati e autorizzazioni di accesso differenti, che dovrai sincronizzare manualmente se vuoi implementare policy di governance a livello organizzativo.

La ridondanza dei dati aumenta inoltre i rischi per la sicurezza. La moltiplicazione dei sistemi crea più superfici di attacco potenziali e aumenta la probabilità di violazioni, a causa di protocolli di sicurezza potenzialmente obsoleti.

Quando la tua organizzazione decide di unificare i dati eterogenei, hai diverse opzioni tecnologiche tra cui scegliere. La scelta dipenderà dall’architettura futura desiderata, dai costi, dai tempi di implementazione e dalla disponibilità delle risorse.

Le piattaforme di integrazione possono connettersi a fonti di dati eterogenee, acquisire i dati, trasformarli in un formato uniforme e distribuirli alle destinazioni target, come applicazioni aziendali o piattaforme pubblicitarie. Alcune piattaforme di integrazione includono connettori predefiniti, che ti permettono di creare visualizzazioni unificate dei tuoi dati senza dover ricorrere ad API o codice personalizzati.

Lo Zero copy è una tecnica che consente di accedere ai dati nella loro posizione originale senza spostarli o duplicarli. I principali vantaggi di questo approccio sono l’eliminazione dei costi di migrazione e un notevole miglioramento dell’efficienza.

I processi Extract, Transform, Load (ETL) ed Extract, Load, Transform (ELT) estraggono i dati dai sistemi sorgente e li trasferiscono a un sistema di destinazione. La differenza tra i due sta nel momento in cui avviene la fase di preparazione e validazione. Nel processo ETL, questa fase avviene prima del caricamento, mentre nell’ELT la deduplicazione dei dati avviene dopo il caricamento nel sistema di destinazione.

Il master data management (MDM) crea e mantiene un’unica fonte attendibile per le entità di dati come clienti, prodotti e personale. L’MDM elimina i duplicati e risolve i conflitti tra dati, garantendo a tutti i membri dell’organizzazione l’accesso ai dati più aggiornati e affidabili.

Le soluzioni cloud possono ridurre i problemi legati ai dati frammentati, ma non eliminarli del tutto. Spostare semplicemente i dati frammentati sul cloud non risolve automaticamente le differenze di formato né garantisce un’architettura dati unificata: è qui che entra in gioco la tua strategia dati.

Ecco come può aiutarti il cloud:

• Le piattaforme cloud possono consolidare dati provenienti da più fonti in data lake, data warehouse o data platform. Le moderne piattaforme cloud per i dati sono dotate di API o connettori che facilitano la condivisione dei dati.
• Le piattaforme cloud possono scalare man mano che i volumi di dati crescono, senza i limiti tipici dei sistemi legacy eterogenei.
• Molte piattaforme cloud includono livelli di sicurezza e conformità integrati, così non è necessario cercare queste soluzioni separatamente.

Prima di iniziare a eliminare i sistemi con dati in silos, fai un inventario delle risorse a tua disposizione e delle loro competenze. Di seguito trovi un breve elenco delle competenze più comunemente necessarie.

• Strategia dati e architettura IT: definire lo stato futuro richiede innanzitutto solide competenze di architettura dati a livello strategico. Chi si occupa di data architecture può progettare il futuro assetto, individuare le lacune tecnologiche e formulare raccomandazioni infrastrutturali in collaborazione con la leadership IT.
• Sviluppo tecnico: a seconda delle piattaforme di integrazione e delle tecnologie scelte, potrebbero essere necessarie competenze di sviluppo ELT o ETL, competenze in ambito MDM, conoscenza delle piattaforme cloud e competenze sulle API.
• Project management: ridurre i sistemi con dati in silos può essere un processo complesso. Chi gestisce il progetto dovrà comunicare con tutti gli stakeholder, mantenere il progetto in carreggiata e gestire le aspettative.
• Change management: avvia le attività di change management per tempo, informando gli stakeholder e il personale su cosa aspettarsi e su come l’integrazione dei dati cambierà i loro flussi di lavoro. Valuta di estendere la formazione ben oltre la fase di implementazione, fino al raggiungimento degli obiettivi di adozione a livello organizzativo.

I dati aziendali hanno un potenziale enorme, ma solo quando sono unificati.

Data 360 si connette direttamente a piattaforme come Snowflake e Databricks per unificare i tuoi dati frammentati e ancorare Agentforce. Scopri di più su Data 360, la piattaforma dati più affidabile al mondo.