La piramide DIKW è uno schema che raffigura il processo conoscitivo e di apprendimento, che mette in rapporto gerarchico in maniera lineare quattro elementi: dati, informazioni, conoscenza, saggezza. Questo modello raffigura il processo della conoscenza come una piramide costituita da un’ampia base (dati grezzi) che, in seguito ad un processo di aggregazione-contestualizzazione (informazione) e applicazione-sperimentazione (conoscenza) permette di giungere alla saggezza.
Provando a ricondurre il concetto della piramide DIKW nell’ambito aziendale è possibile comprendere come i dati posseduti dalle aziende possano essere gestiti per ottenere informazioni da cui ricavare conoscenza e quindi permettere ai decision maker fare scelte corrette e basate sui dati.
Negli ultimi anni le aziende hanno compreso l’importanza di prendere decisioni aziendali non basandosi solo sull’istinto e l’esperienza di imprenditori di successo, ma di farlo in modo scientifico, basandosi sul dataset a disposizione dell’azienda e di fonti terze in grado offrire un quadro sempre più preciso dello scenario in cui opera. Ogni azienda ambisce oggi a diventare data-driven per ottimizzare le proprie scelte e avvantaggiarsi rispetto alla concorrenza.
Per riuscire a diventare un’azienda che fa realmente leva sui dati per prendere decisioni vincenti, sia a livello strategico, sia operativo, è necessario partire da una corretta acquisizione, gestione e archiviazione dei così detti raw data.
Piramide DIKW: i raw data
Per raw data o dati grezzi, si intendono dati non ancora processati. Segnali non ancora interpretati, frutto di una raccolta massiccia e indiscriminata, cioè simboli a cui non è ancora stato associato un significato. Il valore di questi raw data dipende dall’utilizzo che l’azienda ne saprà fare, ma sono fondamentali perché il percorso verso le informazioni, la conoscenza e la saggezza (che equivale a prendere decisioni corrette di Business) parte proprio da questa base, quindi è necessario che l’azienda sia in grado di tracciarli e raccoglierli.
Fin tanto che i dati vengono semplicemente raccolti, ma non si hanno a disposizione strumenti per analizzarli o per trarne informazioni, risultano irrilevanti per l’azienda e non contribuiscono a generare valore e restano solo numeri e stringhe di caratteri che occupano spazio in un DB. Per renderli un reale elemento di valore per l’azienda è necessario uno strumento che permetta di collegare i dati tra loro e dia la possibilità di analizzarli. è in questa fase che l’utilizzo di software di business intelligence consente di iniziare ad estrarre valore dai dati.
Piramide DIKW: l’utilizzo della Business Intelligence
Pensiamo al sistema di Business Intelligence come a un Data Warehouse e a una serie di processi ETL (Extract/Transform/Load), cioè di raccolta dei dati da un numero illimitato di sorgenti e della loro successiva organizzazione e centralizzazione in un unico repository.
Questi strumenti sono propedeutici all’evoluzione del dato e al processo che porta l’azienda ad estrarre informazioni utili per il business. Un dato in sé non ha un valore intrinseco fino a quando non viene contestualizzato. Solo nel momento in cui viene messo a confronto con gli altri e valutato in un più ampio contesto è possibile dedurne delle informazioni. A questo livello di elaborazione si può trovare risposta a domande specifiche e puntuali come “cosa?”, “dove?”, “quando?”, dando un primo significato ai dati raccolti. Il lavoro del consulente o dei software di Business Intelligence consiste proprio nell’aggregare e contestualizzare dati per trasformarli in informazioni. Ovviamente più raffinati sono gli intenti di analisi e più complessi dovranno essere i modelli dati e i flussi ETL da realizzare. Per arrivare a prendere queste in modo più consapevole, c’è bisogno però di avanzare almeno di un altro gradino della piramide DIKW.
Piramide DIKW: da information a knowledge
L’output del lavoro della Business intelligence è rappresentato da report che aggregano enormi quantità di dati restituendo tabelle che collegano informazioni diverse, oppure grafici e dashboard sintetiche. A partire da queste aggregazioni e rappresentazioni i decision maker si occupano di comprendere cosa rappresentano questi dati e a partire da queste effettuano le scelte di azioni. Nonostante negli ultimi mesi l’utilizzo di software per l’acquisizione e l’analisi dei dati sia cresciuto, anche nel panorama italiano, sono ancora poche le aziende che arrivano a questo gradino della piramide perché, per farlo, bisogna inserire i dati e la loro gestione nei quotidiani processi aziendali.
Piramide DIKW: da knowledge a widsom
Dopo aver raccolto tutte le indicazioni basate sull’elaborazione dei dati storici si può passare a una progettazione delle azioni future. La fase della widsom (saggezza) sta proprio nell’applicazione delle conoscenze acquisite e quindi poter agire nel modo migliore per l’azienda. I dati a questo punto diventano l’impalcatura su cui si basa la strategia e al contempo un metro di valutazione futura dell’andamento del progetto. Il focus di questa fase è sulle azioni future e su come effettuare analisi di forecasting e valutare l’impatto futuro di determinate decisioni.
Piramide DIKW: dall’analisi sui dati storici alle analisi predittive
La sfida più grande della Data Analysis di questi anni è proprio quella di riuscire a fornire strumenti in grado di effettuare analisi predittive. L’analisi predittiva prevede l’utilizzo di una varietà di tecniche statistiche come modellazione predittiva, apprendimento automatico e data mining per analizzare dati storici e aggiornati in real-time per fornire predizioni sul futuro o su eventi sconosciuti. I modelli predittivi ricercano schemi in dati storici e transazionali per identificare rischi e opportunità, trovano relazioni tra variabili che permettono di effettuare valutazione del rischio associato ad una correlazione di specifiche variabili.
Per farlo vengono utilizzati algoritmi di machine learning, ossia algoritmi che consentono al programma di “imparare” sulla base dei dati immagazzinati in passato e sulla correttezza degli output generati per riuscire a prevedere gli andamenti futuri. Si tratta di software, come quelli realizzati da Premoneo, che si basano su modelli matematico-statistici e algoritmi di intelligenza artificiale che consentono di stimare trend futuri e previsioni con un minimo margine di errore (solitamente intorno al 95%) che offrono al management un decisivo supporto per prendere decisioni corrette e maggiormente profittevoli.
