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

È importante ricordare che una "soluzione di data analytics" non è semplicemente uno strumento utilizzato dagli utenti per generare report, dashboard e infografiche. In realtà, i dati aziendali devono essere integrati, trasformati, modellati e archiviati in un formato accessibile prima di poter essere convertiti in informazioni preziose. Una soluzione di data analytics è quindi composta da diversi tool, e solo l'ultimo di questi è solitamente ciò di cui si avvale l'utente. In diversi casi, invece di uno strumento generalista, può essere utile avere una soluzione di analytics pre-costruita, in cui la catena informativa di cui sopra, inclusiva di metriche e dashboard, è già messa a disposizione a seconda della tipologia dell’applicazione aziendale che fa da sorgente dati - ERP, CX, HCM o altro - accorciando così i tempi di sviluppo (“ho già tutto quello che mi serve”).

Quanto agli strumenti di cui l’utente finale dispone, sono lontani i tempi in cui poteva solo accedere a report o dashboard preparati da colleghi più “tecnici”, da cui poi si limitava a fare un download dei dati per poi rielaborarli selettivamente su un foglio elettronico. Oggi si parla di self-service analytics, dove l’approccio è quello di permettere agli utenti finali, quelli che davvero hanno la conoscenza di business per interpretare i dati, di “metterci del loro”. Ciò significa disporre di un ambiente in cui è possibile combinare dati già modellati e pronti all'uso con altri dati a disposizione, anche in formati comuni come file di testo o fogli elettronici. Oracle offre una data platform modulare e strumenti di analytics con cui è possibile coniugare data governance e sicurezza con l'agilità di esplorazione e velocità di creazione e modifica che l'utente si aspetta.

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

L’AI Generativa può rivestire un ruolo importante nel processo analitico, in quanto permette di instaurare una vera e propria “conversazione con i dati” da parte dell’utente e consentirgli di chiedere ciò che serve in linguaggio naturale, e avere in risposta non solo tabelle e grafici, ma anche narrazioni o storie che spiegano dei fenomeni. Inoltre, poiché i Large Language Model hanno una conoscenza potenzialmente enciclopedica, l’utente può, nell’addestrarli, incrociare dati privati (dell’azienda) con dati pubblici (che costituiscono la base di conoscenze dei motori LLM): questo modo di procedere viene definito RAG, “Retrieval Augmented Generation”. Si parla poi di data augmentation quando lo strumento di analytics suggerisce modi con cui il dato elementare può essere coadiuvato da altre informazioni che vengono automaticamente proposte all’utente. Oracle consente di interfacciarsi con LLM pubblici o LLM affinati (“fine-tuned”) con i dati dei clienti, interamente in sicurezza. In sintesi, se il self-service analytics è ancora nelle mani di pochi “power user”, la Generative AI semplifica significativamente il processo analitico e può quindi essere il mezzo per democraticizzare definitivamente l’utilizzo di questi strumenti.