La Data Science sta ottenendo sempre più spazio in ambito aziendale. Ciò è dovuto in gran parte al fatto che le grandi aziende si trovino calate in una realtà sempre più complessa ed interconnessa in cui l’istinto e le competenze di dominio risultano ormai parametri spesso insufficienti per fare delle scelte critiche. Analizzare i dati potenzialmente reperibili e poter semplificare tutta la complessità derivante dalle esigenze dei diversi stakeholder può rappresentare quindi una guida di valore inestimabile nel processo decisionale del management. Con quali modalità, dunque, avvicinare la Data Science ai manager?
Data Science e management: che ruolo hanno i Big Data nei processi decisionali?
Ci sono diversi tipi di manager. Da una parte ci può essere un manager che si affida senza particolari problemi ad approcci nuovi e più orientati ai dati, dall’altra potrebbe essercene un altro che non riesce immediatamente a trovare il vero valore aggiunto in un approccio diverso da quello che ha sempre utilizzato. Quest’ultimo tipo di manager è frequente nelle realtà aziendali e non vuol dire che non sia un buon manager. La Data Science è un argomento piuttosto nuovo e va ad insediarsi nel cuore delle decisioni aziendali, dunque è normale e lecito che trovi delle resistenze e dello scetticismo. Andare a intaccare il modo in cui orientare le decisioni è un aspetto estremamente delicato e chiunque abbia ruoli di gestione e controllo può sentire il peso delle conseguenze che tale cambiamento può implicare.
Come avvicinare la Data Science al management attraverso soluzioni mirate e soddisfacenti
Oltre a ciò, il Data Scientist, dal canto suo, ha il compito essenziale di guadagnare la fiducia e l’attendibilità nel proprio lavoro: al cospetto di un manager che ha timore del cambiamento, l’errore più grande sarebbe quello di fornirgli qualcosa di incomprensibile, inutilizzabile e soprattutto inaffidabile. La Data Science deve quindi configurarsi come collaborazione e comunicazione, ossia ascolto ed interpretazione dei bisogni del management per poi fornire una soluzione mirata e soddisfacente.
- La soluzione deve essere mirata, ossia il più possibile vicina alle aspettative del management: se c’è bisogno di prevedere il fatturato che una campagna pubblicitaria può portare, il Data Scientist dovrà attenersi più che può alla domanda di ricerca e dare una risposta quantomeno vicina a quella attesa. Seppure non riuscisse a quantificarne il valore economico, ma solo per esempio il numero di ordini, avrebbe comunque dato una grossa mano nello scogliere i dubbi del management riguardo a quella campagna.
- La soluzione deve essere soddisfacente, cioè deve inculcare nel management la convinzione che la risposta proveniente dai dati sia comprensibile e attendibile, quindi utilizzabile per orientare al meglio le decisioni future. Correlato a ciò, è essenziale far attenzione al modo in cui si comunicano i risultati e la logica che ha condotto ad essi. Riuscire a spiegare in modo cristallino cosa abbia portato a prevedere che il cliente Tizio farà due ordini al mese, mentre il cliente Caio ne farà solo uno, è spesso complesso in quanto probabilmente derivabile da un modello statistico non alla portata di tutti. Anche qui però va fatto uno sforzo: di sicuro non si potrà dettagliare il funzionamento del modello che attua la previsione, ma si potrà in qualche modo rispondere riguardo alle variabili che più di tutte hanno contribuito a riporre una maggiore fiducia in Tizio rispetto a Caio. Questo accorgimento non solo aiuterà il management ad afferrare facilmente il perché si è pervenuti a determinate risposte, ma apporterà anche un’informazione aggiuntiva di tipo descrittivo su cosa sia maggiormente associato al comportamento dei clienti in fase di acquisto.
| E-Business