La governance dei dati è fondamentale per garantire alle aziende di usare l’intelligenza artificiale in modo sicuro e produttivo, ottenendo risultati di qualità. Se avere una strategia sui dati è fondamentale per tracciare il percorso e il traguardo da raggiungere, la data governance per le aziende è più come uno strumento che aiuta a non perdere l’orientamento, insomma un “navigatore” che assicura di arrivare sani e salvi alla meta. Ce ne parla Stefano Alpi, senior manager di Iconsulting.
Qual è lo scenario di partenza sulla data governance nelle aziende, in particolare quelle italiane?
"La Gen AI ha sicuramente dato nuova linfa al tema dei dati e della loro gestione ma, essendo ancora un processo relativamente giovane nelle aziende, solo raramente è davvero connesso con il patrimonio informativo aziendale. In attesa di una rivoluzione che sono certo avverrà, superando le aspettative, è quindi necessario costruire un ecosistema dati (e non) in grado di assicurare certi standard e performance.
Ed è qui che entra in gioco la data governance, e più generale la cultura del dato. Se pensata e concretizzata in base alle specifiche esigenze aziendali, garantisce, infatti, che i dati siano conformi agli standard di qualità e sicurezza, oltre a stabilire le linee guida per il loro uso etico durante lo sviluppo e l'implementazione di sistemi rafforzati dalla AI, generativa o meno.
È quindi imprescindibile una consapevolezza diffusa delle azioni da compiere, dei sistemi di cui dotarsi, e soprattutto del “perché” farlo. Il processo di Governance diventa, infatti, una leva solo se le organizzazioni sono convinte che i dati rappresentino un asset di valore e che, come tali, debbano essere protetti, organizzati e sfruttati da tutti gli stakeholder in modo democratico".
Quali sono le sfide sul piatto e quali gli aspetti più critici da considerare in una strategia di data governance?
"Per gestire la complessità presente nelle aziende di oggi, i Cxo devono assumere un ruolo attivo nel convertire le sfide dei dati in vantaggio, consapevoli di impattare sull’intera organizzazione e non solo sulle loro singole aree di competenza. Un impiego corretto della data governance può supportarli fattivamente nel fornire dati protetti e affidabili, ridurre inefficienze e rischi, aumentare la fiducia nelle decisioni data-driven e sfruttare al meglio le innovazioni disponibili.
Certamente non si tratta di un percorso semplice o immediato, anzi. Andando oltre un pregiudizio comune da evitare, non bisogna considerarlo un processo costoso i cui benefici saranno visibili solo nel medio e lungo periodo, ma un percorso graduale e incrementale che ruota attorno ai principali bisogni dell’organizzazione".
Stefano Alpi, senior manager di Iconsulting
Che cosa si rischia trascurando la data governance o adottando un approccio sbagliato?
"Portando un paragone automobilistico, un’organizzazione che usa i dati è come un’auto che usa carburante per spostarsi. Compiere un viaggio senza sistemi di sicurezza, monitoraggio e assistenza sarebbe possibile, ma sarebbe meno sicuro. Le strade, anche se larghe e scorrevoli (una buona infrastruttura), devono avere sistemi di controllo della velocità, essere sottoposte ad attività di manutenzione e includere “policy” di utilizzo. Che si tratti di brevi viaggi data-driven, o lunghi viaggi di digital transformation, è raro conoscere bene la strada e le diverse tappe; quindi avere chiara la direzione – con la Data Strategy – e dotarsi di un buon navigatore, con le giuste tecnologie a supporto – la Data Governance –, è fondamentale. La data governance favorisce la mappatura e la gestione dei dati assicurando una visibilità trasversale e una conoscenza diffusa oltre che abilitando la condivisione di insight. Favorisce la creazione di una cultura basata sui dati, l’adozione di buone pratiche di trattamento e utilizzo dei dati stessi. Inoltre, prevedendo l’introduzione di meccanismi di controllo, garantisce la conformità ai regolamenti aziendali e alle normative imposte dagli enti legislativi a livello nazionale o sovranazionale".
Da dove si parte per realizzare un progetto di data governance?
"Per avviare o rinnovare un processo di data governance è importante, come primo step, capire le priorità aziendali. Risulta poi importante disegnare e adottare un approccio incrementale, funzionale e su misura, realizzando il proprio framework di riferimento, inteso come schema che visualizza i pilastri, i processi e le dimensioni chiave della Data Governance. Il framework non è una “ricetta” universale e in Iconsulting crediamo che ogni organizzazione debba progettarlo sulle proprie esigenze in modo più semplice e comprensibile possibile.
Inizialmente spesso è vincente concentrarsi solo su alcuni aspetti della data governance e fare delle prime concretizzazioni di attività. Nel caso del pilastro “metadata management” realizzare ad esempio un primo data catalog o un business glossary per capire in modo iterativo la reale sofisticazione necessaria e quali constraint sussistono internamente. Concretizzazioni che in seguito potranno essere estese a tutti gli altri pilastri (la data quality, la data privacy & security, il data lifecycle, eccetera) tarandoli di volta in volta.
Un altro aspetto da considerare, infine, è la formalizzazione della struttura organizzativa a supporto, ossia i dipartimenti, i ruoli e le responsabilità. Noi consigliamo un approccio non invasivo: partire dalle strutture consolidate in azienda e dalle figure che se ne occupano e valutare come questa situazione debba essere adattata o migliorata per rispondere a nuove esigenze e obiettivi avendo però un potenziale modello ottimale a cui guardare e a cui tendere nel tempo".
Sull’intelligenza artificiale, quali sono secondo voi le scelte più cruciali da compiere?
"Bisogna agire in primis su change management, value realization e qualità del dato. Partendo dal primo punto: senza rendere edotto tutto l’ecosistema azienda delle nuove opportunità e dei comportamenti da assumere, si possono creare aspettative errate, ignorare qualche stakeholder o sbagliare gli investimenti, minando l’intero processo di adozione.
Focalizzandoci poi sul secondo punto, spesso chiave di volta, occorre definire e gestire il riconoscimento del valore generato dalle soluzioni AI in termini economici ma non solo. Da considerare, infatti, anche la riduzione del time-to-market, la maggiore consapevolezza nel processo decisionale, la riduzione del rischio e così via. Per quanto riguarda il terzo aspetto, è sempre più noto che i modelli di AI necessitano di molti dati per essere allenati, capire il contesto e produrre output di valore, ma questi devono essere di alta qualità sotto vari punti di vista, altrimenti il vecchio detto “garbage in, garbage out” continuerà a remare in senso opposto rispetto a quanto auspicato".