Progetti Big Data Analytics

progetti big data analyticsI progetti big data analytics sono all’ordine del giorno all’interno della comunità che si occupa di Information Technology, rivoluzionando le capacità di business intelligence.

Ciò implica la necessità di raccogliere elevati volumi di dati, organizzarli, elaborarli per poi analizzarli.

Con tutto il clamore attuale sulle nuove tecnologie dell’informazione, molti sono desiderosi di saltare sul carro dei vincitori e trattare tutte queste iniziative come richiedenti l’elaborazione di grandi quantità di dati.

Ma quando sono utili i progetti big data analytics? Di cosa si tratta effettivamente? E come incideranno su chi opera nel project management?

Le organizzazioni hanno gestito dati su larga scala per anni, molto prima che le attuali tecnologie emergessero sulla scena.

Pertanto, possedere grandi quantità di dati non significa necessariamente avere bisogno di questa tecnologia.

I project manager dovranno quindi essere in grado di consigliare il proprio management non solo su come, ma anche quando un’organizzazione può e deve trarre vantaggio dalla tecnologia.

Nel seguito verranno forniti una panoramica ed alcuni suggerimenti per assistere i responsabili di progetto, team leader e membri di team nel gestire progetti big data analytics.

Le 5 V della gestione dei dati

Quando si pensa a questa tecnologia, non si tratta solo di ragionare in termini di grandi volumi di informazioni da gestire.

Occorre allargare la prospettiva e ragionare in termini di volumi, velocità e varietà.

Alcuni aggiungono anche veridicità e valore.

La velocità con cui i dati variano è un fattore importante.

Per insiemi di dati grandi ma statici che non cambiano molto spesso, un’analisi che richiede giorni per essere completata può essere accettabile.

Tuttavia, se i dati cambiano con una velocità e frequenza elevate, un tempo di elaborazione più rapido diventa molto più critico.

Nei progetti big data analytics è importante valutare anche la varietà dei dati da gestire, che comprende dati non strutturati e semi-strutturati (come post su siti di social media, immagini e video digitali, record di transazioni d’acquisto, cartelle cliniche, e-mail e segnali GPS per telefoni cellulari, XML, eccetera.).

Un tipico database è in grado di memorizzare dati strutturati. Tuttavia, i dati non strutturati e semi-strutturati necessitano di una diversa piattaforma di archiviazione.

Le organizzazioni devono essere in grado di gestire i dati multi-strutturati comprendenti vari formati e tipologie derivati ​​da applicazioni web.

Il fine è quello di scoprire modelli e “intuizioni” utili per guidare l’innovazione.

Ma affrontare una notevole varietà e volumi di dati strutturati e non strutturati in rapida evoluzione aumenta la complessità di memorizzazione, elaborazione e analisi dei dati.

La sfida dei progetti Big Data Analytics consiste nell’integrare e gestire le diverse fonti di dati per estrarne le informazioni utili a ricavare elementi di conoscenza per ottenere vantaggi competitivi.

Quando iniziare

La scelta di avviare questo tipo di iniziative dovrebbe essere una decisione aziendale, non una decisione del solo settore Information Technology.

Gli elementi da considerare sono:

  • Valore aziendale dalle informazioni che potrebbero essere ricavate dall’analisi dei dati
  • Considerazioni sulla governance per le nuove fonti di dati e come questi verranno utilizzati
  • Disponibilità di persone con competenze rilevanti e impegno di figure chiave
  • Volume dei dati da gestire
  • Varietà di fonti di dati, tipi di dati e formati di dati
  • Velocità alla quale vengono generati i dati, la velocità con cui devono essere elaborati e la velocità con cui possono cambiare
  • Veridicità dei dati (dipendente dall’incertezza e/o attendibilità dei dati)

La ragione principale per cui gli investimenti in progetti Big data Analytics non riescono a volte a dare i loro frutti è che le organizzazioni non fanno un buon lavoro con le informazioni di cui già dispongono.

Non sanno come gestirle e analizzarle in modi che possano migliorare la loro comprensione dei fatti retrostanti (ad es. comportamenti d’acquisto) e quindi apportare modifiche al proprio modello di business o modello operativo in risposta a nuove intuizioni emergenti.

Le aziende non sviluppano magicamente tali competenze solo perché hanno investito in strumenti analitici di fascia alta. Per prima cosa hanno bisogno di imparare ad utilizzare correttamente i dati di cui già dispongono.

Occorre comprendere quali sono i problemi che si vogliono risolvere e valutare diverse strategie alternative per risolverli e ricercare il valore desiderato per il business prima di iniziare a costruire l’infrastruttura.

Se non c’è una definizione chiara e concisa delle aspettative prima di iniziare, non sarebbe opportuno avviare un progetto di Big Data Analytics.

In definitiva, prima di avviare il progetto è necessario predisporre un business case e poi discuterlo con il management.

La predisposizione di questo documento sarà importante, sia per procedere ad una valutazione basata su elementi oggettivi, sia, successivamente, per procedere all’avvio e pianificazione dei lavori avendo come riferimento questo documento nella versione finale approvata dal management.

Progetti Big Data Analytics: le competenze necessarie

Di seguito è riportato un elenco di alcune delle competenze essenziali per gestire correttamente questa tipologia di iniziative:

  • Esperienza di gestione del team interfunzionale. Sebbene molti project manager possiedano già questa abilità, è bene rendersi conto che i team potranno inglobare anche gruppi eterogenei di professionisti, inclusi ingegneri, scienziati, analisti aziendali, stakeholder di elevato peso “politico”, personale operativo, ecc.
  • Capacità di vedere il quadro di riferimento generale. L’obiettivo principale dei progetti Big Data Analytics è di “dare un senso” a dati diversi e complessi. Per raggiungere questo obiettivo è necessario un approccio globale.
  • Pensiero basato sui dati. Per realizzare appieno il potenziale non sfruttato, le organizzazioni devono farsi guidare da ciò che i dati rivelano e non dalle proprie aspettative. L’approccio dei progetti Big Data Analytics è basato sulla scoperta di informazioni che prima non si conoscevano e che possono portare a dover rivedere molte delle convinzioni che il management si è costruito nel tempo.
  • Capacità di gestire l’ambiguità. Questo tipo di iniziative richiedono ai responsabili di progetto di abbracciare l’ignoto. Al momento potrebbero non avere tutte le risposte, ma devono impegnarsi a farle emergere attraverso la sperimentazione e le scoperte basate sulla prova dei fatti.
  • Soft Skills. Competenze come la capacità di collaborazione e negoziazione, la curiosità e la creatività sono caratteristiche indispensabili per avere successo.
  • Conoscenza del Business. Tradizionalmente, i project manager si concentrano sulla pianificazione, sulla identificazione e mitigazione proattiva dei rischi legati all’implementazione di una determinata soluzione tecnologica. Per gestire iniziative di questo tipo, a loro sarà richiesto di spostare l’attenzione sulla risoluzione dei problemi aziendali e sulla capacità di creare vantaggi competitivi.
  • Metodologie di sviluppo Agili. Dato l’approccio decisamente sperimentale dei progetti Big Data Analytics, è necessario adottare metodi di project management caratterizzati da flessibilità e dalla possibilità di rivedere in corso d’opera alcuni degli assunti del progetto.
  • Concentrazione sui costi. Spesso l’impiego di cicli di sviluppo agili porta ad allentare la tensione verso il controllo dei costi. Per questo motivo è opportuno gestire tali cicli di sviluppo all’interno di un robusto sistema di gestione dei costi tipico di una metodologia Waterfall.