La governance degli analytics

.

La governance degli analytics

.

Chi gestisce gli analytics all’interno di un’impresa? Chi analizza e interpreta il patrimonio di dati aziendali? E come li diffonde all’interno dell’organizzazione?

.

Secondo una ricerca condotta dall’Osservatorio Big Data Analytics & Business Intelligence del Politecnico di Milano, che ha intervistato 952 tra PMI e Grandi Imprese, sono soprattutto le Grandi Imprese ad investire risorse per l’analisi dei dati aziendali (benchè anche le PMI nutrano un autentico interesse al tema).

La ricerca 2016 ha evidenziato un mercato degli Analytics che vale oltre 900 milioni di euro, e in particolare che il 98% delle grandi imprese, soprattutto Banche e del Manifatturiero, hanno avuto a disposizione nel 2016 di un budget dedicato agli analytics (contro il 34% delle PMI).

Di tutte le Grandi Imprese intervistate, solo l’11% ha al suo interno una struttura dedicata all’analisi dei dati. Tale struttura può fare riferimento a un particolare modello organizzativo.

Sono stati classificati 4 modelli organizzativi di governance degli analytics:

i-modelli-organizzativi

  1. Centralizzato. Esiste una struttura dedicata alla data science. Esiste un Chief Data Scientist. Le richieste vengono raccolte e priorizzate secondo le indicazioni del Top Management.
  • Pro: la struttura ha prassi consolidate, è replicabile e favorisce lo sviluppo di competenze eterogenee a livello di Team.
  • Contro: all’interno dell’organizzazione si crea competizione per accedere alle risorse di questo Team.
  1. Matriciale. Esiste un Chief Data Scientist, che ha ruolo di coordinatore delle progettualità a livello cross rispetto ai vari Dipartimenti. I team distribuiti nei vari reparti, quindi, hanno un duplice riporto: il proprio capo diretto e il Chief Data Scientist.
  •  Pro: questo permette di armonizzare tra progetti scelte tecnologiche e risorse umane dedicate.
  • Contro: difficile priorizzare, rimane più complesso gestire la struttura e le risorse.
  1. Business Driven. Non esiste una figura di coordinatore dei Data Scientists, il Team è distribuito tra i vari reparti in capo alle varie funzioni.
  •  Pro: tempi risposta veloci, maggior controllo e conoscenza verticale a livello di singola business line.
  • Contro: scelte disomogenee, visione parziale e verticale. Ratio stabilita da Data Scientist molto specializzati ma con limitata visibilità cross funzionale.
  1. Ibrido. Coesistono sia una struttura organizzativa indipendente che le singole unità.
  •  Pro: Data Science per singole linee di business.
  • Contro: Difficoltà nel progettare in dettaglio i ruoli organizzativi, le rispettive competenze e nel definire la suddivisione delle attività oltre alle modalità di coordinamento tra le strutture/unità.

funzione-di-appartenza-ds

Shares