Lo scenario globale internazionale non sta portando la tregua attesa dopo la pandemia, rendendo ancora più importante affidarsi alle tecnologie emergenti per accelerare l’innovazione.
L’incertezza dei mercati, dei costi energetici e delle materie prime rendono pressante accelerare la trasformazione digitale, realizzare i cambiamenti che possono rendere i processi aziendali più dinamici, flessibili e adattabili a ogni cambiamento delle esigenze di business. E in tale ottica, i dati e la loro valorizzazione sono fondamentali.
Vediamo di seguito quali sono le 3 tecnologie emergenti con maggiore potenziale sul fronte delle capacità di utilizzare le informazioni.
Più che di tecnologia emergente, si tratta in questo caso di un approccio di data mesh o di data fabric che, consentendo agli utenti d’interrogare le basi dati dovunque si trovino, senza repository intermedi, promette di avere un forte impatto nella digitalizzazione dei processi, rendendo più facile a dipendenti e collaboratori l’accesso alle informazioni di cui hanno bisogno nel loro lavoro.
Con la data democratization ogni livello aziendale ottiene l’accesso diretto ai dati di competenza, senza l’intermediazione esperta del personale IT o di sistemi (come data warehousing o data mart) che introdurrebbero lag temporali d’aggiornamento. La data democratization non esautora l’IT, ma lo impegna nel costruire e organizzare le basi dati in modo differente, finalizzato al consumo da parte degli utenti. Una modalità che richiede qualche sacrificio in termini di prestazioni e di ottimizzazione (la comprensibilità degli archivi dati può richiede informazioni ridondanti e duplicazioni), ma ha il vantaggio di rendere le basi dati più facili da navigare e le informazioni facilmente riutilizzabili per scopi diversi. Cataloghi di KPI, glossari di business, data lineage tecnici aiutano il governo dei dati, trasformandoli in un prodotto di cui gli utenti hanno piena potestà e responsabilità in merito a gestione e qualità.
Con DataOps la tecnologia emergente prende la forma di un metodo che applica al mondo dei dati i concetti del DevOps (development e operation) con cui oggi si automatizzano come in una catena di montaggio i processi di sviluppo, di test e deploy del software. Con DataOps si fa lo stesso con i dati, con grandi vantaggi quando, alla mole crescente di dati aziendali, si sommano le informazioni raccolte tramite cloud dalle banche dati a pagamento e fonti open data.
DataOps governa l’intero processo d’elaborazione e qualità che porta al rilascio delle informazioni agli utenti. Con DataOps le line of business ottengono più velocemente le informazioni di sintesi o analitiche di cui hanno bisogno attraverso processi basati su regole, automatizzati, documentati e ripetibili, eventualmente con l’uso del machine learning e dell’intelligenza artificiale (ML/AI) nei cicli di miglioramento. DataOps, assieme a robotic process automation (RPA) e all’impiego delle tecnologie ML/AI sono le fondamenta per l’hyperautomation, definizione data da Gartner per le future espressioni della process automationi.
Attraverso i servizi di cloud, è diventato più semplice accedere a soluzioni di riconoscimento e generazione della voce, unitamente a sofisticate tecnologie per comprendere il significato delle richieste. La sfida è riuscire a impiegare le capacità degli assistenti vocali, come Siri e Alexa, al mondo dei dati per abbattere le barriere che ancora si frappongono tra informazioni e capacità d’utilizzo da parte degli utenti.
Con le tecnologie emergenti del natural language processing, diventa possibile portare dati e supporto a persone che svolgono tipologie di mansioni in cui entrambe le mani sono impegnate nell’esecuzione di attività o nell’uso di macchinari (pensiamo ad esempio a meccanici, sanitari e manutentori); diventa altresì possibile raccogliere informazioni sul campo, sempre attraverso la voce.
Un ambito d’applicazione di grande interesse è la traduzione dei KPI, trend e altri dati numerici in storytelling, ossia nel racconto di ciò che sta succedendo, a vantaggio di persone che altrimenti non saprebbero interpretare le informazioni. Pensiamo, per esempio, agli avvisi vocali diretti agli operatori di un magazzino o di una fabbrica, generati in base allo stato delle code o dei dati rilevati nei sistemi di produzione.
Oltre a tradurre dati voce, le tecnologie emergenti nell’ambito del machine learning e dell’intelligenza artificiale sono in grado di prevedere le richieste degli utenti e creare le rappresentazioni dei dati più significativi senza che i fruitori debbano preoccuparsi di interrogare un computer, identificare le categorie di dati e i dettagli utili.