Estrarre sempre più valore dai dati. E ottenere insight indispensabili per il business. Sono numerosi gli obiettivi che si possono raggiungere con le soluzioni di data analytics, che non a caso sono sempre più gettonate dalle aziende italiane. E, ça va sans dire, anche quello degli analytics è un settore che sta vedendo l’ingresso prepotente dell’intelligenza artificiale generativa, con importanti riflessi sull’evoluzione delle soluzioni. Ma quali sono oggi gli obiettivi strategici che le aziende intendono perseguire con l’utilizzo delle soluzioni di data analytics? E fino a che punto l’AI generativa sta cambiando anche questo settore? E come è articolata l’offerta dei principali vendor?

Usare i dati strategicamente

“L'uso strategico dei dati e dell'intelligenza è una leva critica per le aziende, ma costruire una cultura basata sui dati non è facile”, esordisce Giovanni Cervellati, Research Manager di IDC Europe, nell’inquadrare lo scenario attuale dei data analytics. È un fatto, prosegue IDC, che “alcuni vendor hanno ampliato il loro portafoglio di tecnologie che possono fornire pipeline di dati e analisi end-to-end su larga scala, mentre altri stanno cercando di affinare la loro proposta di valore di nicchia”, anche perché la crescita esponenziale dei dati generati da aziende, consumatori e dispositivi ha portato a una crescente domanda di soluzioni di data e analytics, con le aziende che richiedono strumenti avanzati per elaborare, analizzare e derivare insight da questi vasti volumi di dati.

“L'implementazione di tecniche di data analytics migliora l'efficienza operativa e la produttività, rafforzando la forza lavoro. I dati e l'analisi aiutano le organizzazioni a prepararsi per la trasformazione digitale e a monitorarne i progressi, oltre a fornire alle imprese informazioni continue e azionabili su nuovi modi di fare business”, sintetizza IDC.

Al centro dei progetti

Oggi “la democratizzazione dei dati e degli analytics è al centro di ogni progetto di dati: sebbene il mercato si sia recentemente orientato verso un approccio high-code, la mancanza di personale qualificato e il grande bisogno di insight basati sui dati stanno aprendo la strada a una più ampia adozione di analytics no-code e, in generale, a software più semplici per tutti i processi che vanno dal data management al machine learning”, spiega Cervellati, sottolineando che “la data quality rimane una delle maggiori sfide da affrontare, con molte aziende che devono ripensare tutti i loro processi di gestione e intelligenza dei dati che non sono più aggiornati per gestire la crescente quantità di informazioni, la loro complessità (dati dall'edge, streaming di dati live) e le varie forme in cui sono disponibili (dati strutturati relazionali, non relazionali, grafi, vettori, dati non strutturati, e così via)”.

Approfondendo ulteriormente, IDC evidenzia che “il data mesh può sbloccare valore di business e nuovi casi d'uso quando viene realizzato correttamente, ma ‘come’ farlo costituisce una sfida rilevante, e per questo avere una cultura dei dati top-down è un buon punto di partenza. Altri fattori importanti sono le competenze, il coinvolgimento di tutti i giusti stakeholder e la necessità di costruire fiducia nella piattaforma. Far funzionare il data mesh è fondamentale per far comunicare bene le persone dei dati e quelle del business, ma va detto che una soluzione unica non è adatta a tutti e l'approccio centralizzato ‘vecchio stile’ può funzionare solo per alcune aziende”.

Sempre più dati non strutturati

Tradizionalmente, è noto che il software di business intelligence (BI) e di analytics è uno dei componenti più visibili dello stack tecnologico utilizzato da data analyst, business analyst e, sempre più spesso, dagli utenti business, visto che permette decisioni basate sui dati o informate dai dati. Tuttavia, avverte IDC, “la BI è stata in gran parte focalizzata sull'analisi dei dati strutturati e occorre fornire agli utenti risposte più complete alle loro domande e abilitare un metodo più naturale di interazione con i dati”.

In questo quadro, “le nuove tecnologie di AI aumentano la necessità di implementare forti controlli sulla privacy dei dati, e i casi d'uso AI richiederanno spesso che i silos di dati siano integrati, il che potrebbe complicare gli sforzi di governance dei dati”, prosegue IDC, sottolineando in particolare che "l'AI generativa sfrutta i dati non strutturati e, per molte organizzazioni, i dati non strutturati sono gestiti e governati da team completamente separati da quelli che gestiscono e governano i dati strutturati”.

Di più: "i casi d'uso AI creano nuovi percorsi di consumo e di valore per i dati aziendali: l'interazione tra questi nuovi percorsi e le vie di valore esistenti (per esempio, tramite report di gestione e dashboard, analytics operativi e ottimizzazioni aziendali) deve essere compresa a fondo. Inoltre, le nuove funzionalità di AI generativa di tipo Copilot integrate insieme agli analytics guideranno una maggiore democratizzazione dei dati e delle decisioni basate sui dati e devono portare in ultima analisi a una maggiore proprietà sui dati da parte del business”.

L’impatto dell’AI

L'avvento della GenAI ha aperto la strada a dozzine di nuove applicazioni nei diversi ambiti del software: “uno dei più colpiti è quello degli analytics, del Machine Learning e della Business Intelligence, dove Molti grandi player hanno iniziato ad applicare nuove funzionalità e capacità in aree come la data discovery e la generazione automatica di report, per fornire capacità analitiche più profonde, fluide e dirette”, sottolinea Cervellati, spiegando che “queste funzionalità native di GenAI applicate a dati e analytics sono la generazione automatica di report, la discovery intelligente dei dati, l’analisi predittiva e il ML intelligenti, gli analytics in linguaggio naturale (NLP), la generazione/revisione di codice, e infine la generazione di dati sintetici”.

Ne consegue che “la strategia dei dati modella fortemente anche la strategia AI: la disponibilità e la qualità dei dati aziendali rilevanti modelleranno fortemente la scelta dei casi d'uso AI da prioritizzare, mentre le preoccupazioni sulla sicurezza e la privacy dei dati devono anche determinare quali casi d'uso AI sono appropriati da esplorare, da una prospettiva di compliance normativa e di AI responsabile. Per questo, la posizione dei dati e le preoccupazioni sulla sovranità dei dati, cioè l'importanza di controllare come e dove i dati sono conservati, in base a dove sono inizialmente raccolti, diventa un fattore significativo nella decisione di come e dove implementare i sistemi AI”, conclude IDC.

Nelle pagine di questo Speciale, le risposte alle nostre due domande:

1 - In che modo le soluzioni di data analytics possono aiutare le aziende a estrarre valore dai loro dati?

2 - Quali sono a vostro parere le prospettive offerte dall’AI generativa in ambito analytics?