L'influenza dei dati nel fallimento e nel successo dell'automazione

Dayle Hall:  

Salve e benvenuti al nostro podcast, Automatizzare l'impresa. Sono il vostro conduttore, Dayle Hall. Questo podcast è stato ideato per fornire alle organizzazioni le intuizioni e le best practice su come integrare, automatizzare e trasformare l'azienda. 

Il nostro ospite di oggi è un professionista e studioso di big data analytics, cultura dei dati e strategia dei dati, le tre grandi D dei dati. La sua esperienza riguarda l'influenza dei tipi di personalità analitica sul modo in cui i dati vengono analizzati nelle organizzazioni. Ha creato una struttura, che approfondiremo sicuramente, che fornisce alle aziende una tabella di marcia per sfruttare i dati per il successo aziendale. Diamo il benvenuto al nostro podcast al fondatore e CEO di Logicle Analytics, il dottor Jonathan Fowler. Jonathan, benvenuto.

Dr. Jonathan Fowler:

Grazie, Dayle.

Dayle Hall:

È davvero emozionante averla in questi podcast. Abbiamo fatto vari tipi di incontri. Abbiamo incontrato alcune organizzazioni non profit, alcune organizzazioni, grandi imprese che stanno facendo cose diverse sull'integrazione e l'automazione. E abbiamo incontrato alcune persone che mi hanno fatto sentire inadeguato nella mia conoscenza di tutto ciò che è scientifico e dei dati. Sono certo che anche voi sarete una di queste persone.

Ma vorrei iniziare con un po' di informazioni su di te, ad esempio su come sei arrivato a questo lavoro. Mentre iniziamo a parlare di questa struttura che avete creato, credo che il vostro background e il modo in cui siete arrivati a questo punto vi aiuterà a capire meglio. Chi è il dottor Jonathan Fowler?

Dr. Jonathan Fowler: 

Penso che tu abbia ragione a spiegarlo, perché per molto tempo ho pensato che il mio background prima di entrare nel settore analitico fosse più che altro un peso, per nulla utile, forse addirittura dannoso nel peggiore dei casi. Ho iniziato a Clemson come studente universitario, mi occupavo di informatica e sono stato bocciato tre volte in matematica. Non si può passare all'informatica se non si è in grado di fare i calcoli. Quindi la letteratura inglese era la mia seconda scelta. E mi sono iscritta. Ho finito quella laurea, ho frequentato un master in educazione. E lì ho fatto un sacco di lavoro quantitativo nella ricerca educativa. Se poi unisci la ricerca quantitativa con la tecnologia, vieni indirizzato verso la scienza dei dati e l'analisi.

All'inizio, però, non sono approdata lì. In realtà, ho lavorato nella scuola pubblica per alcuni anni. Poi ho iniziato a rendermi conto che mi sentivo meglio - non mi sono bruciato facendo il lavoro di analisi ed esplorando davvero lo spazio che, a quel punto, si stava evolvendo parecchio. Ed è ancora molto nuovo. Ma la parte difficile per me è stata: come fa una persona che non ha una formazione formale in questo campo, ma ha molta esperienza, a farsi strada da qualche parte?

Ho lavorato a molti progetti e alla fine ho costruito un portafoglio sufficiente per essere assunto come responsabile di progetti di analisi, dato che dovevo gestire un'azienda informatica. Poi ho svolto alcuni progetti per Bank of America, ho lavorato per alcune altre aziende di Charlotte e poi sono tornato a casa a Greenville. E nello stesso periodo in cui ho terminato il dottorato in Big Data, ho avviato la mia azienda. È stato allora che ho capito che non è giusto trasformare i punti di forza in punti di debolezza, ma trasformare i punti di debolezza in punti di forza.

Dayle Hall:

Sembra sempre un po' meglio.

Dr. Jonathan Fowler: 

In un'altra direzione. E ho pensato: "Ok, beh, non conosco molte persone che si occupano di big data analytics e che hanno un background in arti liberali e scienze umane". Quindi vediamo se riusciamo a farne una buona nicchia. E credo di aver fatto finora un buon lavoro nell'esplorarla.

Dayle Hall:  

È fantastico. Beh, so che approfondiremo l'argomento. Adoro questo tipo di background. Quando parlo con le persone e le inserisco nel team, voglio persone con background diversi, opinioni diverse. Certo, è necessario avere delle capacità in un determinato settore. Lei stesso ha detto che può occuparsi di informatica se sa fare i calcoli. Ma un pensiero diverso, un background diverso di solito porta a risultati migliori o più innovativi. E lo vediamo spesso, ovviamente, tra i nostri clienti e i potenziali clienti con cui parlo regolarmente. E poi è il momento giusto per occuparsi di dati e analisi, perché questo mercato negli ultimi 10 anni sta esplodendo.

Dr. Jonathan Fowler:

Lo è. Lo è assolutamente. Il mio socio in affari, John Osland, è coinvolto anche lui in un acceleratore tecnologico nel sud-est. Siamo entrambi con Logicle e poi con l'acceleratore. Ci stiamo accorgendo che stiamo trovando un buon punto d'incontro con le aziende dell'acceleratore che sono desiderose di capitalizzare i big data e non solo di monetizzarli per crescere, ma anche di capire come li aiuta, come li aiuta i potenziali partner, come li aiuta i loro clienti. È davvero il nuovo oro, il nuovo petrolio. E qualsiasi azienda in questo momento, se capisce che i dati sono la linfa vitale della propria attività, si trova in un'ottima posizione per crescere.

Dayle Hall: 

Sì, è vero. Le due aziende in cui sono stato prima, una era Lithium Technologies. Ovviamente, si tratta di un'azienda molto incentrata sui dati e sul customer journey, con persone che utilizzano l'intelligenza artificiale per capire come le vendite e il marketing possano ottenere più valore. Ma ricevo queste domande dal mio team, per esempio, quando stanno valutando nuovi strumenti o altro. Mi chiedono sempre: "Dateci questi dati".

Ma una delle cose che ritengo molto più importanti è: ok, avere i dati da qualche parte è importante, ma è qualcosa che utilizzerete, come li utilizzeremo? Non ha senso averli se non sappiamo cosa farne. E c'è tutto questo - e avremo questo strumento, ma se non impariamo a usarlo, non avremo bisogno di sfruttarlo. Ci sono così tante opportunità e c'è così tanta tecnologia in giro in questo momento, che tutti parlano di big data.

Mi chiedo solo se dal vostro punto di vista, quando parlate con i clienti o i partner o altro, le persone sono ancora un po' spaesate su come utilizzare i dati? Sanno - sappiamo tutti che ne abbiamo bisogno, è un nuovo petrolio. Ma la paralisi da analisi, siamo paralizzati mentre ci sono così tante opportunità e a volte non sappiamo cosa fare.

Dr. Jonathan Fowler:  

Credo che ci sia un sovraccarico di due cose. Uno è la quantità di dati che le aziende raccolgono. E non si tratta di dire che dobbiamo raccoglierne di meno, ma solo che dobbiamo capire come usarli. Ma l'altro è il bombardamento che abbiamo in questo momento di strumenti di analisi, di consulenza analitica, l'intero spazio è molto affollato, ci sono così tanti fornitori che producono buoni prodotti. E poi, credo che ci sia molta confusione anche su qualcosa di semplice come i titoli di lavoro, ingegnere dei dati, analista dei dati, scienziato dei dati. Se prendete 10 aziende e guardate le loro descrizioni del lavoro per un data scientist, probabilmente otterrete 10 diverse interpretazioni di quel ruolo. E ancora, si tratta di un settore nuovo, relativamente. Quindi è comprensibile.

Ma le prime due cose sono collegate tra loro. Quindi sì, i dati ci sono. Ma l'accesso e la fruibilità sono due cose diverse. Si può dare accesso a una sala operatoria, ma se non sono un chirurgo non posso entrarci.

Dayle Hall:

Sì, sono d'accordo.

Dr. Jonathan Fowler:

Non posso operare quel paziente. Quindi, se abbiamo accesso a questi dati, spesso le persone potrebbero dire: "Beh, vediamo cosa posso fare... vediamo cosa riesco a fare". E noi lo diciamo come sviluppatori e data scientist, ma io non lo intendo in questo modo. Mi limito ad andare a scavare e a dire: "Abbiamo questi dati, dovremmo fare questo". A volte va bene, ma è quasi come costruire una soluzione in cerca di un problema, cosa che molte volte, credo, se si prende l'altro sovraccarico, ovvero le soluzioni e gli strumenti e le cose. Diciamo che la vostra azienda ha appena ricevuto una proposta di 750.000 dollari all'anno per un nuovo strumento di analisi, vede tutte le cose interessanti che può fare e lo implementa. E subito dopo nessuno lo usa, o lo usa male. E la direzione dice: "Beh, l'abbiamo comprato per voi. Perché non lo usate? I dati sono tutti lì. Beh, non avete tenuto conto di come le persone devono usarlo, qual era il problema che dovevate risolvere, e state effettivamente incontrando le persone dove sono, invece di dare loro solo un ordine di fare questa cosa.

Dayle Hall:  

Sì, certo. Penso che una soluzione in cerca di un problema descriva l'intero spazio MarTech, giusto? Quello che ho sentito in questi podcast con molte altre organizzazioni che lo stanno utilizzando è che bisogna sempre, sempre partire dal problema aziendale che si sta cercando di risolvere, per poi capire se si tratta di una mancanza di dati o di un problema di dati e analisi, oppure se non abbiamo i dati giusti. Ma si parte dal problema aziendale. E sono ancora stupito di quante persone avviino una conversazione se sono alla ricerca di una nuova tecnologia. Il marketing è un ottimo esempio, giusto? Ok, ci serve uno strumento ABM. Ok, perché vi serve uno strumento ABM? Perché tutti gli altri ce l'hanno e noi vogliamo essere sicuri di averlo. No, il vostro problema è che non riuscite a raggiungere le persone giuste nei conti giusti. E ci sono diverse strategie per raggiungere questo obiettivo. Quindi, ripeto, è una cosa che sento dire continuamente nel marketing.

Per quest'area di cui vi occupate e di cui siete esperti, parliamo un po' del problema della strategia aziendale che potrebbe essere in realtà un problema di strategia dei dati. Avete qualche esempio, forse di reporting, forse di accesso alle informazioni, qualcosa del genere? Se qualcuno viene da voi con questo tipo di problema, cosa fate per aiutarli a risolverlo?

Dr. Jonathan Fowler:  

Già. Un'idea che credo sia talmente universale da poter essere compresa da tutti: immaginate un'azienda di vendita al dettaglio online diretta al consumatore. E che sia, per loro stessa ammissione, un'azienda di vendita al dettaglio basata sui dati. Un giorno, uno dei responsabili delle vendite dice: "Nella mia vecchia azienda avevamo queste cose chiamate personas dei clienti. E non cercavamo di tracciare un profilo delle persone, ma più che altro di parlare con una certa Rebecca, o di creare questa persona. Nel gergo del marketing, credo che tutti sappiano di cosa sto parlando, gli archetipi dei clienti. E poi si scopre: "Aspetta un attimo, vuoi dire che in questa azienda non ci sono questi archetipi, e tu fai quanti milioni di vendite? E parte del vostro modello di business consiste nell'avere clienti privati. E voi non avete queste cose.

Dayle Hall: 

Perché pensi di sopravvivere?

Dr. Jonathan Fowler: 

Giusto. Quindi c'è questa parte. E poi dall'altra parte della barricata, per così dire, ci sono tutti questi dirigenti che si torcono le mani: i numeri non sono corretti e vediamo che i modelli cambiano a causa della pandemia e di questo e di quello. E io guardo a questo, e dico: se riusciamo a collegare A e B qui, penso che potremmo fare qualche progresso con questo grande divario.

Il caso aziendale è: sì, dobbiamo capire forse... In genere, credo che la maggior parte delle aziende sia guidata da tre o quattro archetipi o personas di acquirenti. Quindi si può procedere in due modi. Uno è quello di percorrere la strada del puro scienziato dei dati e parlare di tutti i diversi modi in cui si potrebbe modellare e creare questo materiale e andare a ruota libera: oh, bene, ho bisogno di questo, questo e questo in termini di punti di dati. Alcuni li abbiamo, altri no, e questo è un modo per farlo.

L'altro modo è quello di parlare con l'azienda e chiedere: "Quali dati abbiamo a disposizione in questo momento? Quanto si sentirebbero a loro agio i personal shopper nel raccogliere nuovi dati dai loro clienti, se gli spiegassero il motivo di questa scelta? Il posto in cui eravate prima, come trattavano questi clienti? Quindi, invece di fare un'analisi approfondita, sentendo una sola frase da parte dell'azienda che dice: "Ho bisogno di questo", voi dite: "Ops, basta, me ne torno nel mio buco e faccio tutti questi modelli assurdi e torno per qualcosa che non capirete mai". Riducete i toni e dite: "Va bene, lavoriamo insieme su questa cosa".

Perché dovete capire che io posso essere il più grande data scientist del mondo, ma non so nulla di retail. Quindi dovete riconoscere che siete solo metà della soluzione. La vostra PMI non sa quello che voi sapete sui dati, ma voi non sapete quello che loro sanno del loro settore. Quindi, insieme, siete una forza molto più potente.

Dayle Hall: 

Sì. Già. A volte, come ha detto nell'introduzione, le aziende generano una tale quantità di dati che è già di per sé una sfida. A volte, il management o la leadership dell'organizzazione, anche quando vedono questo accesso, hanno paura di fare qualcosa? Non si fidano dei dati. Temono di fare la mossa sbagliata. Vedete team di gestione che sono, non dico spaventati, ma nervosi perché non si fidano dei dati o sono preoccupati di commettere un errore? E come fanno a superare questo problema?

Dr. Jonathan Fowler:

In gran parte si tratta semplicemente di non sapere da dove cominciare perché ce n'è una montagna. E c'è molta pressione, credo, nel mondo degli affari, per fare qualcosa. E credo che a volte sia più facile esitare e non fare nulla piuttosto che fare un tentativo e sentire che si sta facendo la cosa sbagliata. Quindi credo che questo sia un ostacolo per le persone.

Dall'altro, i dati sono essenzialmente informazioni e le informazioni sono il potere all'interno di un'organizzazione. Ho lavorato con aziende in cui, quando cerchiamo di scoprire i dati, finiamo per scatenare guerre di territorio e politiche e i diversi leader aziendali sono come se guardassero i propri genitori litigare in salotto. Non ci si rende conto che i dati aziendali dovrebbero essere una cosa neutrale. Ma le persone - i silos sono lì a volte perché le persone hanno resistito alla condivisione. Ed è così che è sempre stato. Quindi, quando si inizia a tirare su quelle rocce, a tirarle indietro e a guardare sotto di esse, le persone si innervosiscono. Quindi può essere un po' così.

Può anche essere, e questo è l'aspetto che odio, che dobbiamo solo sopravvivere. Dobbiamo solo produrre. Dobbiamo solo fare ore fatturabili. Dobbiamo solo fare il vuoto. L'analogia che uso per questo è che anni fa, quando Howard Schultz era a capo di Starbucks, un giorno entrò in un bar e disse: "Tutto era sbagliato, i bicchierini di espresso non venivano fatti bene, il locale si scioglieva nel formaggio perché tagliavano male i panini". Così, un martedì pomeriggio, chiusero l'attività a livello nazionale. E non si è trattato di una chiusura di un paio d'ore. Hanno chiuso per tutto il pomeriggio. E Dio solo sa quanti affari hanno perso quel giorno. Ma si sono presi quel tempo per fare un passo indietro, rivalutare quello che stavano facendo e rimetterlo a posto. Così hanno riaperto il giorno dopo molto più forti. Quindi, qualsiasi cosa abbiano perso in termini di affari quel pomeriggio, hanno recuperato una quantità incredibile di moltiplicatori, perché se avessero continuato a fare quello che stavano facendo con i paraocchi solo per mantenere l'attività, chissà cosa sarebbe successo.

Dayle Hall:  

Già. E guardiamo in faccia la realtà. Quanti leader di organizzazioni consiglierebbero di smettere di lavorare per un pomeriggio?

Dr. Jonathan Fowler:

Giusto. Sembra orribile.

Dayle Hall:

Non conosco molti amministratori delegati che farebbero questo errore.

Dr. Jonathan Fowler: 

No. E anche quando si introduce l'idea della ricerca, quando stavo facendo il mio dottorato e la ricerca, era nel pieno della pandemia, e le aziende erano già in ansia per le ore di lavoro e il tempo. Così, quando cercavo di reclutare le aziende per la ricerca, non facevo altro che dire: siete sordi? Perché non vorreste ricevere questa ricerca gratuita? Perché in sostanza dicevo: "Se mi concedete mezz'ora con i vostri dipendenti, ecco cosa otterrete in cambio. Ecco tutti i dati e le informazioni, e lo farò come se mi steste pagando per farlo. Ma ne ho bisogno per la mia ricerca. Ho così tanti, che non abbiamo tempo, o non abbiamo tempo di fare ricerca perché è qualcosa che non ci interessa davvero, o è sempre stato, siamo troppo occupati. E io dico: se siete troppo occupati per imparare qualcosa sulla vostra attività, allora siete troppo occupati, punto e basta.

Dayle Hall:  

Già. E quando si scopre che si sarebbe dovuto fare attenzione, potrebbe essere troppo tardi per la propria attività, qualcosa di abbastanza serio.

Dr. Jonathan Fowler:

Esattamente.

Dayle Hall:

Lei ha accennato alla questione della guerra di territorio, quando si inizia a esaminare i dati e le persone all'interno dell'organizzazione diventano potenzialmente sensibili. Come leader del marketing, ho imparato sette o otto anni fa che più mi avvicino ai numeri, più miglioro il modo in cui aiutiamo l'azienda. In realtà, come CMO, a volte non è comodo. A volte mette in luce cose che non voglio vedere o ammettere. Ma aiuta l'azienda e, in ultima analisi, aiuta me. Ma questo solleva un problema, ovvero l'aspetto culturale.

E questo si ricollega alla questione della guerra di territorio, ovvero, se si mettono da parte le sfide del management e il fatto che si sentano o vogliano affrontare la questione, sono le ragioni culturali a spiegare il perché e il modo in cui un'organizzazione può potenzialmente affrontarla - e se qualcuno è là fuori ad ascoltare e sta pensando: "Sì, è lo stesso nella mia organizzazione". Non si può cambiare la cultura da un giorno all'altro. Ma come consiglieresti a qualcuno di dire: "Devi iniziare a pensarla in questo modo"? Cosa fanno le persone?

Dr. Jonathan Fowler:  

È qui che bisogna innanzitutto capire che i dati non sono una cosa in bianco e nero. Dobbiamo innanzitutto sospendere questa convinzione. I dati sono una zona grigia che, a seconda della prospettiva, può raccontare storie diverse. E si può arrivare a dire che i dati sono potere, che il potere è informazione, che i dati come informazione sono potere, e poi ci sono i privilegi, l'accesso e tutto il resto, che è un discorso interessante. Ma da un punto di vista aziendale, lo stesso set di dati visto da cinque persone diverse può generare cinque azioni o prospettive o conversazioni o punti di vista diversi. E tutto si basa sul bagaglio che si porta nella conversazione. Farò un buon esempio non commerciale che è stato molto pubblico.

Il cruscotto COVID per lo stato della Florida, qualche anno fa, il loro scienziato dei dati che lo gestiva per il governo statale, faceva il tasso di infezione in base al numero di test positivi diviso per il numero di persone testate, il che sembra ragionevole, giusto? L'ufficio del governatore ha detto: "No, vogliamo che tu divida per il numero di test". Quindi, se ho 100 persone e tutte sono state sottoposte a cinque test, il mio denominatore passa da 100 a 500. E così il mio tasso di infezione appare molto migliore.

Dayle Hall:

Ah, capisco.

Dr. Jonathan Fowler:

Già. Entrambe le cose sono vere, giusto? Entrambi sono dati reali. Non stanno inventando i numeri. Stanno solo dicendo... stanno solo usando numeri diversi. E questo ha finito per essere un pezzo enorme nei notiziari. È stato davvero spiacevole come è andata a finire. Ma questo è un esempio estremo di come una narrazione possa essere stravolta e cambiata solo da un cambiamento, un piccolo cambiamento in un dato.

E nel mondo degli affari, supponiamo che tutti abbiano accesso agli stessi dati e che nessun numero venga cambiato, pensiamo solo a... diciamo che i dati sono tutti uguali. Pensiamo per un attimo alle prospettive. Se siete nel settore finanziario e siete il gruppo a cui tutti si rivolgono quando hanno delle domande, perché controllate il libro mastro, controllate le transazioni, siete il luogo in cui si trovano i re e le regine dei dati ad hoc, allora pensate che tutto vada bene. Ma se siete nel settore delle vendite sul campo e i vostri dispositivi mobili non possono ricevere aggiornamenti del database in tempo reale e dovete fare le cose su carta, allora - e questo è un esempio reale - la vostra visione della maturità e delle capacità dei dati è molto peggiore di quella della finanza. È la stessa azienda. Molti si chiedono: "Come possono essere così diversi se si tratta della stessa azienda?". Beh, un'azienda non è un'unica cosa monolitica, giusto? Un'azienda ha persone diverse, reparti diversi, prospettive diverse.

Dayle Hall:  

Già. E credo che questo si riallacci a ciò di cui abbiamo parlato, cioè che bisogna sempre partire dal problema aziendale, dal caso d'uso che si sta cercando di risolvere, far sì che le persone siano allineate - l'esempio del test della Florida è assicurarsi che tutti siano d'accordo sul fatto che questo è ciò che stiamo usando quando -.

Dr. Jonathan Fowler:

Sì.

Dayle Hall: 

Questi set di dati e questo è ciò che mostreremo. Sappiamo che ci sono altri punti di verità, ma questo è il modo in cui li mostreremo e saremo chiari su questo fronte. Una delle caratteristiche di SnapLogic è quella di consentire l'accesso ai dati e di estrarre i dati da diversi sistemi. Quindi lo sentiamo dire spesso.

Quello che sentiamo e che vedo sul mercato è che molte persone pensano: "Ehi, sapete cosa, userò l'AI e il ML per risolvere il mio problema". A volte non so nemmeno se capiscono davvero cosa significhino AI e ML, ma lo vedono. E una volta che l'analista parla di lavaggio dell'IA e così via. Quindi è pervasivo ovunque.

Dr. Jonathan Fowler:

Lo è.

Dayle Hall: 

Ma quando sentite dire che possiamo risolvere rapidamente i problemi con l'IA o con l'apprendimento automatico, qual è la vostra reazione? E quali indicazioni date alle persone che vogliono utilizzarla per risolvere, diciamo, un problema aziendale. Ma come si fa a dire: "Aspetta un attimo, ecco cosa significa"? Cosa dice alle persone?

Dr. Jonathan Fowler:

A rischio di sembrare un luddista, mi viene un po' di bruciore di stomaco ogni volta che sento qualcuno dire: "Beh, mettici l'intelligenza artificiale". A un certo punto, sembrava che se una start-up avesse avuto le lettere AI o ML in qualche punto del suo piano di investimento, la gente le avrebbe buttato i soldi addosso. Sì, per favore, prendi i miei soldi. Vogliamo che tu lanci questo. L'intelligenza artificiale, in quello spazio rumoroso di strumenti e fornitori e prodotti aziendali, sembra avere tutte le risposte.

Ed è stato divertente. Questo fine settimana ho partecipato a un panel presso la MUSC, l'Università di Medicina della Carolina del Sud, che ha collaborato con Clemson sul tema dell'IA. E ho partecipato a un panel che parlava di etica dell'IA. E sì, questo è uno spazio affascinante. E dirò - lo dirò qui quando mi siederò lì - che l'IA non è al punto di Terminator in cui l'IA è veramente senziente. L'IA è solo un insieme di algoritmi. E se si scava la cipolla, gli algoritmi dovevano essere scritti e testati da una persona o da un gruppo di persone. E poi dovevano essere alimentati da serie di dati. E se i dati sono spazzatura, gli algoritmi saranno spazzatura. E quindi l'intelligenza artificiale sarà spazzatura.

Per esempio, IBM Watson Oncology è stato addestrato per lo più - quasi esclusivamente - su cartelle cliniche provenienti dagli Stati Uniti. E così la comunità internazionale ha detto: "Non lo vogliamo perché è stato addestrato esclusivamente su pazienti americani". E i gruppi sottorappresentati? E i norvegesi? E credo che la Norvegia sia stata una delle nazioni che ha detto no. E non è che avessero intenzione di farlo. È solo che, non so, hanno pensato: "Ecco quello che abbiamo". Molte volte il pregiudizio non è intenzionale, ma è comunque un pregiudizio.

Direi che, se siete così decisi a portare l'IA in azienda, allora pensatela come un dipendente. E fareste entrare quel dipendente se non avesse l'ambiente giusto per avere successo e prosperare? Ha un posto dove lavorare? Dispone di risorse? Sa a chi rivolgersi? Tutte queste cose. Se la risposta a una di queste è no, allora non siete pronti per l'IA. Se non avete qualità dei dati, se non avete governance dei dati, se non avete standard, se i dati sono isolati, in altre parole, se state ancora gestendo la vostra azienda su fogli di calcolo e non avete una piattaforma di reporting aziendale che funzioni davvero, allora non siete affatto pronti per l'IA. E non aspettatevi che l'IA risolva questi problemi.

Dayle Hall:  

Sì, certo. E ancora, mi piace l'analogia: pensate all'intelligenza artificiale come a un dipendente. Assicuratevi che abbiano l'ambiente giusto per avere successo. È un'ottima analogia. Andiamo un po' avanti. Hai parlato un po' dell'etica, dell'etica dell'IA. Ho partecipato a uno di questi podcast con una persona che si occupava di tecnologia per le risorse umane. E mi ha stupito il modo in cui devono pensare all'etica dell'IA, come hai detto tu, alla diversità, ai diversi gruppi, alle diverse etnie e così via. E ci sono alcune sfide intrinseche in questo senso. Ma una cosa di cui abbiamo parlato nelle nostre telefonate di preparazione è stata l'empatia dei dati. Non avevo mai sentito questo termine prima d'ora. Che cos'è l'empatia dei dati e come funziona?

Dr. Jonathan Fowler:  

L'empatia con i dati nasce dall'empatia tattica, che si colloca nella stessa area di lavoro. Prendiamo, ad esempio, il caso di un rivenditore di abbigliamento. Voglio sapere quali stilisti vendono bene in Spagna. Quando formulo questa domanda, so cosa voglio ottenere. Ma ok, ho fatto quella domanda e il mio team di dati l'ha calcolata, ha creato il report, oppure ho fatto l'analisi da solo per ottenerla. E bene, ok, prima di tutto la Spagna, ok, numero uno, roba che viene spedita in Spagna o clienti che vivono lì e che possono spedire altrove. C'è una domanda. La domanda successiva è: come definiamo le vendite, definiamo l'importo totale venduto? Quindi, in questo caso, potrebbe trattarsi di un prodotto che ha fruttato molto, o di alcuni prodotti che hanno fruttato poco, o di un certo numero di articoli venduti? E poi, negli ultimi 30 giorni, negli ultimi due anni, cosa intendo?

Quindi so cosa voglio quando lo dico, ma devo tradurre tutte le cose non dette. Devo tradurlo alla persona a cui sto chiedendo le informazioni o a qualcun altro con cui le sto condividendo. Il primo principio dell'empatia dei dati è che la definizione di una metrica o di un concetto da parte di qualcuno potrebbe non corrispondere alla vostra. Quali prodotti stanno andando bene in Spagna? Io potrei definirlo in un modo, voi in un altro. E molte volte, credo che trascuriamo questo aspetto perché possiamo dire: "Bene, prendiamo quei punti di dati". Ecco il rapporto. Ecco la verità. E si potrebbe pensare che io ci sia arrivato in un modo. So che ci sono arrivato in un altro modo, ma non condividiamo mai queste informazioni. Così abbiamo già creato alcuni malintesi impliciti.

E poi l'altro aspetto: quando si presentano i dati, cosa significano per qualcun altro? Ed ecco il secondo principio: ciò che voi vedete nei dati potrebbe non essere ovvio o importante per qualcun altro. Quindi, se sto guardando i dati e mi preoccupo, diciamo, del valore monetario degli ordini in Spagna, per esempio. Il team di marketing è probabilmente più interessato agli individui e ai clienti che acquistano questi prodotti e ai loro dati demografici, a cosa li spinge, a quali campagne hanno fatto sì che ciò accadesse, a questo genere di cose. Quindi, anche in questo caso, ho creato qualcosa che risponde a ciò che voglio io. Ma che dire di ciò che gli altri possono ricavare da questo? E lo faccio diventare una specie di cosa unica per me? Oppure lo faccio e coinvolgo altre persone, in modo che questa diventi una conversazione molto più ampia, invece di un rapporto completo e isolato?

Dayle Hall:  

Giusto. Sì, non voglio usare... è un'analogia con la vendita al dettaglio di abbigliamento. La bellezza è negli occhi di chi guarda. Penso che questo valga anche oggi e che ciò che tu stai cercando sia diverso per qualcun altro. E credo che la parte dell'empatia dei dati consista nel capire che ci sono altre opportunità per estrarre qualcosa dai dati. Bisogna guardare alle definizioni, non solo cercare dove sono le altre parti dell'azienda.

Ancora una volta, pensate a chi sta ascoltando. Sto esaminando i dati della mia organizzazione. Come si fa, non voglio dire a risolverli, ma come si fa a fare in modo che le organizzazioni comprendano le diverse prospettive, che ci siano meno pregiudizi? E capite, tornando al punto precedente, che tutti possono interpretare i dati, come le organizzazioni stanno risolvendo questo problema?

Dr. Jonathan Fowler:

Un modo davvero rapido e pratico è quello di assicurarsi di avere un dizionario dei dati e una definizione di tutte le metriche. Ricordo che in un'azienda per la quale ho lavorato, conosco questo acronimo e quando qualcuno lo sente dire, pensa subito: "Oh, so cos'è". Per me era nuovo: GOV, Gross Order Value. Quella parola o quell'acronimo, probabilmente nelle prime due settimane in cui sono stato in quell'azienda per aiutarli, l'ho sentito un milione di volte. E nessuno mi ha mai detto cosa fosse. Alla fine ho chiesto e mi hanno detto: "Oh, è il valore lordo dell'ordine". E come lo definiamo? E la risposta che ho ricevuto è stata: "Beh, è quello che dice il computer".

Dayle Hall:  

Ok. Bene, purché sia fatto da persone che hanno davvero bisogno di valori.

Dr. Jonathan Fowler:

E io dico: "Ehi, ehi, ehi". Quindi non abbiamo una formula vera e propria o scritta, perché il computer non l'ha inventata. Qualcuno ha scritto il codice per calcolarlo. Quindi dobbiamo scoprire cosa dice. Questo è un esempio umoristico, ma è un esempio che capita spesso, in cui ci si basa su acronimi e metriche definiti da qualche parte. Ma se non sono prontamente disponibili per l'utente medio, è come non averli. Quindi un dizionario dei dati accessibile e regolarmente aggiornato è il numero uno.

Un'analisi più approfondita consisterebbe nel capire come ogni team dell'organizzazione valuta e lavora realmente con i dati. E qui abbiamo qualcosa: prendiamo, ad esempio, il marketing e le risorse umane. Anche se apparteniamo alla stessa azienda, le risorse umane saranno più interessate ai dati che il marketing probabilmente non lo è, e viceversa. Il marketing è probabilmente un gruppo più competitivo e i dati vengono utilizzati per ottenere un vantaggio competitivo e per ridurre i rischi. Mentre le risorse umane sono più orientate all'interno e l'utilizzo dei dati è più interessato al controllo delle operazioni interne e al mantenimento della conformità. Quindi è necessario capire che si tratta di due prospettive molto diverse all'interno della stessa azienda e non avere paura di dirlo. Non sono ancora pronto a fare questo salto. Ma in un certo senso, vedo questo aspetto nello stesso campo della diversità dei talenti.

Quando parliamo di diversità nelle aziende, ci sono molti modi in cui la diversità viene definita nelle aziende. E questo ha in gran parte a che fare con gli individui e con ciò che portano nella loro esperienza di vita, giusto? Penso che si possa argomentare che i tipi di personalità dei dati, essenzialmente, sono un elemento della diversità, perché stiamo pensando alla diversità di pensiero e di prospettiva. Per me, è ancora un concetto molto politico. Non voglio percorrere questa strada. Ma credo che sia importante riconoscere che si tratta di un'area diversificata.

Dayle Hall:  

Sì, sì. Ma certamente c'è molto da pensare. Ma mi piace il concetto di dizionario dei dati. Per concludere, parliamo un po' del quadro che avete creato. In modo che tutti i partecipanti all'ascolto capiscano davvero che cos'è un analitico, che cos'è questo quadro di riferimento per i tipi di personalità analitica? Come lo utilizzate oggi? Da dove nasce questo concetto? Come lo usano le persone?

Dr. Jonathan Fowler:  

È iniziato quando ho lavorato con un'azienda e la loro prima richiesta è stata quella di prendere lo strumento che gli era stato appena venduto e creare dei report, dei report migliori. E questo...

Dayle Hall:  

Migliorarli.

Dr. Jonathan Fowler:

Sì, migliorateli. Dimenticatevi dei dati, vogliamo solo dei report migliori. Così ho iniziato a lavorare all'indietro. Ho detto: "Ok, allora, come sono i vostri dati?". Poi ho fatto un ulteriore passo avanti e ho detto: "Parlami degli utenti, di cosa hanno bisogno, di cosa hanno adesso e tutto il resto". E mi sono reso conto che dovevamo fare dei compiti importanti. Così ho realizzato una prima versione di quello che ora è diventato il mio quadro di valutazione, in cui ho chiesto le loro principali priorità in fatto di dati, le sfide più importanti che li frenano e di parlarmi del loro uso quotidiano. Per cosa usano i dati? Quali sono gli attuali punti dolenti? Domanda aperta. Inoltre, ho valutato la maturità da 1 a 5 su diverse sottoscale.

Sono andato in sei sedi in tutto il Nord America per quell'azienda e ho intervistato di persona circa 40 partecipanti. Abbiamo ottenuto un campione rappresentativo dello stato attuale dell'organizzazione. Abbiamo risparmiato loro un abbonamento per uno strumento di cui non avevano bisogno. E abbiamo guadagnato un'enorme quantità di capitale politico, perché non eravamo solo un consulente in più che arrivava, ma qualcuno che ascoltava e voleva sapere come stanno le cose in questo momento. E l'abbiamo fatto.

Così l'ho preso in considerazione. E nella mia ricerca di dottorato vi ho aggiunto il cosiddetto quadro dei valori in competizione. È in circolazione dagli anni Ottanta. Ci sono state alcune ricerche che l'hanno collegato alla cultura dell'informazione nelle aziende. Ma non ho visto nulla che lo collegasse al funzionamento dei diversi team. Così ho messo insieme questi elementi e ho creato i tipi di personalità o attitudini analitiche. Ci sono quattro tipi. Collaborativo, creativo, competitivo e controllante. Tutti noi abbiamo tutti e quattro i tipi. Si tratta solo di capire qual è il più forte. E ogni divisione ha tutti e quattro i tipi. È possibile tracciare una mappa dei punteggi di ogni divisione. Supponiamo che nella vostra azienda ci siano cinque divisioni diverse. Di solito, se le mettete una sopra l'altra, non vedrete grandi differenze. Ma ognuno ha un quadrante dominante leggermente diverso.

Ad esempio, nella maggior parte delle aziende prevale la collaborazione. È lo spazio in cui si parla di comunicazione, partecipazione e tutto il resto. È lì che di solito si concentra tutto. Ma poi si arriva al punto in cui alcune divisioni dell'azienda sono più competitive, altre più creative, altre ancora più controllanti. Allora la domanda da porsi è: "Se sto lanciando un nuovo toolkit di reporting o una nuova iniziativa di BI, o qualsiasi altra cosa, come comunicherò a ciascuna delle mie divisioni per assicurarmi che ci sia il massimo coinvolgimento? Ad esempio, il merchandising contro l'IT. Il merchandising, probabilmente, avrà un approccio molto più creativo. Utilizzeranno i dati per nuove opportunità, per gestire i rischi, per sostenere l'innovazione. L'IT sarà più attento alla partecipazione, alla comunicazione e al coinvolgimento di tutti, giusto?

Il vecchio modo di lanciare queste iniziative prevedeva un team di progetto, una verifica, l'approvazione da parte dell'esecutivo e l'implementazione. Ora ci si aspetta che tutti si formino e la usino. Due anni dopo, abbiamo dimenticato cos'è perché è fallita. In questo modo, invece, si può dire: primo, quali sono le mie esigenze più urgenti? Numero due: cosa apprezzano di più i miei utenti? Numero tre: dove siamo più forti e come possiamo usare i punti di forza per migliorare le aree in cui siamo più deboli? E infine, come posso comunicare questo messaggio e coinvolgere ogni team dell'organizzazione in modo da incontrarli dove si trovano? Questo è il quadro di valutazione.

Dayle Hall:  

E quando si identificano le diverse organizzazioni e i quattro diversi tipi, è preferibile avere più di uno che dell'altro? Cercate un approccio equilibrato tra creatività e controllo in queste quattro tipologie che avete citato? È importante?

Dr. Jonathan Fowler:

Man mano che ne facciamo di più presso le aziende e otteniamo più dati per i nostri scopi di ricerca, sono interessato a vedere la risposta esatta: è importante? Particolari settori verticali ottengono risultati migliori con un mix diverso? O deve essere più monolitico in tutta l'organizzazione? È una novità. E come ho detto, ho svolto il mio lavoro nel bel mezzo del COVID, quindi non ho avuto un campione così ampio come avrei voluto. Quindi sono ancora in quella fase in cui se l'azienda è interessata a fare questo, lo farò per voi gratuitamente, a patto di ottenere i dati, perché sento che è così importante testare queste ipotesi e dare un forte contributo a una nuova barriera.

Dayle Hall:  

Già. Abbiamo parlato di un caso aziendale, di un caso d'uso, del problema che si sta cercando di risolvere. Penso che questo, se si sta cercando di capire in un'organizzazione. Stiamo ottenendo il massimo valore dai dati che acquisiamo e dagli strumenti che utilizziamo? SnapLogic ne parla continuamente. Abbiamo uno strumento che abbatte i silos di dati, ma questo non risolve necessariamente tutto. Quello di cui si parla è che le organizzazioni devono avere questi tipi di personalità per poter dire: "Ok, allora vogliamo ascoltare, sì, vogliamo condividere, sì, siamo aperti".

Dr. Jonathan Fowler:

Proprio così.

Dayle Hall:

Risolvere il processo con uno strumento o una piattaforma è solo una parte. E quello che penso abbiamo affrontato oggi in modo specifico è: come si fa ad aumentare il livello e ad assicurarsi di utilizzare i dati nel modo giusto per risolvere i casi aziendali? È davvero interessante.

Dr. Jonathan Fowler:  

Assolutamente giusto.

Dayle Hall:

Rimarremo sicuramente in contatto. Mi piacerebbe continuare a sentire i progressi di questo progetto.

Dr. Jonathan Fowler:  

Sì. Una delle cose in cui mi imbatto spesso è: qual è il ROI di questo progetto? Una delle cose in cui mi imbatto spesso è: qual è il ROI di questo progetto? E io dico: "Ok, se stiamo parlando di ROI, abbiamo già perso la nave". Vogliamo farlo prima che tu prenda in considerazione qualsiasi nuova spesa di capitale, perché vogliamo essere sicuri che qualsiasi cosa tu stia per mettere in campo sarà accolta bene e che non ti ritroverai con un errore da 130 milioni di dollari perché non hai fatto prima i compiti a casa. E questo è successo davvero.

Dayle Hall:  

Sì, ne sono sicuro. Beh, Jonathan, è stato un piacere averti in questo podcast.

Dr. Jonathan Fowler:

Grazie.

Dayle Hall:

Un sacco di intuizioni. Quindi, grazie a tutti per aver ascoltato me e il dottor Jonathan Fowler, fondatore e CEO di Logicle Analytics. Ci vediamo al prossimo episodio del nostro podcast, Automatizzare l'impresa.