▾ G11 Media Network: | ChannelCity | ImpresaCity | SecurityOpenLab | GreenCity | Italian Channel Awards | Italian Project Awards | ...

Cosa è DataOps e che vantaggi porta per l'analisi dei dati

Generare informazioni a partire dai dati grezzi deve diventare un processo ciclico e misurabile, secondo i sostenitori del modello DataOps

Trasformazione Digitale
Chi si occupa di analytics in azienda sente parlare sempre più spesso dell'approccio DataOps, che in sintesi si può considerare come l'applicazione della filosofia DevOps non allo sviluppo software ma alla estrazione di informazioni utili a partire dai dati grezzi prodotti e conservati da un'azienda. L’obiettivo è trasformare una attività isolata e svolta da esperti in un processo continuo e ciclico, misurabile e focalizzato sui risultati effettivi per l'impresa. Non più quindi un processo "waterfall" il cui output è giudicato valido da chi lo produce ma che va poi ulteriormente raffinato per essere concretamente utile ai processi aziendali.

Un elemento chiave di DataOps è l'attenzione alla quantificazione del risultato: le tecniche e le procedure di analytics "buone" sono quelle che danno un vantaggio concretamente misurabile per l'impresa. E lo fanno in maniera regolare e riproducibile. Le altre vanno abbandonate senza rigidità, in una evoluzione costante che punta al migliore livello di analisi possibile.

E come in DevOps la chiave sta nella parte "ops", anche l'approccio DataOps cerca una interazione costante e produttiva tra chi analizza i dati e chi deve in vario modo usarne i risultati: dagli sviluppatori software alle figure del marketing passando per chi in azienda idea nuovi prodotti e servizi.
databaseCerto l'analisi evoluta dei dati è una disciplina che coinvolge figure specifiche, che però devono accettare un approccio di squadra e interdisciplinare, in cui chi porta competenze specifiche di data science è affiancato in maniera collaborativa da figure diverse con propri skill. Il tutto per tenere sempre i processi di analytics allineati agli obiettivi di business.

Dalla teoria certamente condivisibile di DataOps alla pratica il passo, come al solito, non è breve. Gli ostacoli sono spesso a livello organizzativo: il team di lavoro ideale per DataOps è cross-funzionale e combina i data scientist con le operations, il product management, la pianificazione dell'architettura IT, l'ingegneria del software e via dicendo, a seconda delle necessità che uno specifico progetto impone.

Tra l'altro DataOps spinge per un modello organizzativo "piatto" ed elastico, in cui i team si formano in funzione dei problemi da affrontare e si auto-organizzano senza una gerarchia articolata. Un approccio che in molte aziende è difficile da recepire.

Ma per i sostenitori di DataOps il modello è abbastanza elastico da potersi adattare alle specificità di moltissime aziende. Ad esempio, si può anche iniziare in piccolo un cammino verso DataOps, aggiungendo semplicemente a un team DevOps una o più figure con competenze nella gestione dei dati - non necessariamente veri data scientist - quando un progetto di sviluppo è particolarmente incentrato sull'analisi delle informazioni.

Abbiamo trattato analytics e DataOps, in maniera più approfondita, nel numero 21 di ImpresaCity consultabile a questo link.
Se questo articolo ti è piaciuto e vuoi rimanere sempre informato con le notizie di ImpresaCity.it iscriviti alla nostra Newsletter gratuita.

Notizie correlate

Iscriviti alla nostra newsletter

Soluzioni B2B per il Mercato delle Imprese e per la Pubblica Amministrazione

Iscriviti alla newsletter