Mentre la concentrazione mediatica è focalizzata sulla Data Science "avanzata", quella che si occupa dei Big Data, e che richiede tecniche avanzate di Machine Learning chiamate impropriamente come un mantra Intelligenza Artificiale, la stragrande maggioranza delle aziende ossia le PMI sono sprovviste di una strategia per i così detti Small Data".
PMI specializzate perdono quindi l'opportunità di aumentare la loro competitività. Se confrontati con i progetti megalitici dei Big Data, progetti di Small Data sono relativamente più facili, definiti, con maggiori potenzialità e profonde implicazioni per tutti i dipendenti, manager e leader a tutti i livelli, in ogni reparto, in ogni organizzazione.
I progetti di Small Data coinvolgono team molto ridotti di dipendenti, affrontando i problemi focalizzati sul lavoro ordinario e utilizzando piccoli set di dati, ossia archivi di al massimo migliaia di records, non milioni o più utilizzati nei progetti di Big Data.
Proprio perchè strettamente focalizzati e richiedono metodi analitici di base accessibili a tutti. I vantaggi cumulativi sono enormi.
Al contrario, progetti focalizzati di Small Data hanno una probabilità di successo alta perchè basati su dati di qualità superiori. Pertanto, i progetti di Small Data possono costituire la base dati organizzativa che aiuta l'intera azienda a imparare cosa serve per avere successo con i dati, acquisire le competenze necessarie, creare fiducia e generare il tipo di cultura richiesto anche nei Big Data.
Il personale coinvolto in questi progetti sapranno intraprendere passi proattivi verso la costruzione della propria alfabetizzazione dei dati, lavorare in team e vedere come risultato finale una migliore qualità del lavoro e delle prestazioni della loro azienda.
Seguendo l'approccio scientifico della Data Science, molti progetti di Small Data sono abbastanza semplici e si è tentati di passare direttamente alla soluzione. Tuttavia, è sempre meglio seguire un processo disciplinato e diretto, come segue:
- definire il problema aziendale
- raccogliere i dati necessari
- analizzare i dati
- apportare miglioramenti
- determinare il ROI
- identificare la prossima opportunità e ripetere il ciclo
Il metodo è analogo ad altri processi di stampo scientifico-ingegneristico come Lean Production, Six Sigma ed il ciclo di vita dei Data Analytics.
Ogni step nello sviluppo di un progetto richiede competenze specifiche quindi ogni dipendente puó specializzarsi e fornendo un contributo prezioso al team nel suo complesso. Un esempio puó essere la definizione della misurazione e il miglioramento della qualità dei dati, oppure se il tuo interesse é la customer sadisfaction é possibile sviluppare competenze nelle metriche associate e nelle loro implicazioni.
Mentre si eseguono questi passaggi, bisogna tenere presente che solo perché ci si stà concentrando su progetti di "Small Data" non significa che non si possano iniziative progetti di Big Data, ora o in futuro. Quindi pensa strategicamente. Soprattutto all'inizio, enfatizza i dati piccoli.
Sebbene il lavoro per sfruttare le potenzialitá dei Small Data non sia difficile, orientare correttamente la filosofia aziendale verso la priorità di questi progetti può essere difficile. Ti consigliamo di saltare subito e di eseguire i seguenti passaggi.
Nella realizzazione di questi progetti tutti in azienda dovrebbero essere coinvolti in modo piú o meno pro-attivo. In primis la dirigenza dovrebbe portare avanti piccoli progetti per prendere confidenza con l'approccio data-drive. Incoraggiare i dipendenti a partecipare all'iniziativa sui dati e consentirli di utilizzare i dati secondo le loro capacitá.
Nel momento che dati di qualitá saranno disponibili, non sará difficile trovare opportunitá di applicazione di questi dati. In generale una azienda ha tre aree dove é semplice trovare applicazioni:
- Ridurre il rumore: la scarsa qualità dei dati è la norma e l'obiettivo è ridurre il lavoro non a valore aggiunto.
- Riduzione lo spreco di tempo: nei processi aziendali scopriamo che le persone sprecano molto tempo ad aspettare l'inizio delle riunioni, gli input di un collega, l'arrivo di una spedizione e così via. L'obiettivo è ridurre quel tempo a vantaggio di attivitá con maggiore valore aggiunto.
- Semplificare i passaggi di consegne: il turn over del personale produce inefficienze, complessitá nell'esecuzione dei processi consolidati, aumento dei costi o perdite di tempo. L'obiettivo è semplificare questi passaggi.
