Perché le aziende devono arrivare all’utilizzo della Business Intelligence? E da dove bisogna partire? La corretta lettura del dato, e delle informazioni, porta alla definizione e alla verifica degli obiettivi aziendali e alla possibilità di raggiungere un’elevata percentuale di successo di quest’ultimi. Una delle principali cause di errore, e in alcuni casi di fallimento, di un’azienda è l’essersi posti degli obiettivi non specifici, misurabili, raggiungibili, realistici e determinati. Il workshop ha l'obiettivo di mostrare come oggi sia possibile costruire un processo efficiente: per poter definire degli obiettivi raggiungibili è importante capire l’importanza dei dati. Viviamo in un’epoca in cui la mole dei dati raccolti, e che ancora si possono raccogliere, è incredibile. Ma come si fa? Che percorso deve fare il dato per essere raccolto, salvato e poi letto? Come possiamo fare a raccogliere i nostri dati nel modo corretto, per poi essere trasformati in informazioni utili per la definizione e il raggiungimento dei nostri obiettivi? Qual è la vita più "sana” per i nostri dati per poter essere davvero utili?

1. La vita dei dati per
raggiungere gli obiettivi
di business.
Raccolta, sicurezza e analisi dei dati nell’epoca 4.0.

2. Buongiorno!
Danilo Longoni
CEO & Founder di Focus Informatica
d.longoni@focusinformatica.com
www.focusinformatica.com
2

3. La corretta lettura del dato, e delle informazioni, porta alla
definizione e alla verifica degli obiettivi aziendali e alla
possibilità di raggiungere un’elevata percentuale di
successo di quest’ultimi.
Una delle principali cause di errore, e in alcuni casi di
fallimento, di un’azienda è l’essersi posti degli obiettivi
non specifici, misurabili, raggiungibili, realistici e
determinati.
Il workshop ha l'obiettivo di mostrare come oggi sia
possibile costruire un processo efficiente: per poter
definire degli obiettivi raggiungibili è importante capire
l’importanza dei dati.
Viviamo in un’epoca in cui la
mole dei dati raccolti, e che
ancora si possono raccogliere, è
incredibile.
Perché le aziende devono arrivare all’utilizzo
della Business Intelligence? E da dove
bisogna partire?
3

4. Ma come si fa?
4
Che percorso deve fare il dato per essere raccolto,
salvato e poi letto?
Come possiamo fare a raccogliere i nostri dati nel modo corretto,
per poi essere trasformati in informazioni utili per la definizione e il
raggiungimento dei nostri obiettivi?
Qual è la vita più "sana” per i nostri dati
per poter essere davvero utili?

5. Alcuni «dati»
sui «dati»
La percentuale di aziende che si identificano
come «basate sui dati» è diminuita in ciascuno
degli ultimi 3 anni nonostante l'aumento degli
investimenti in Big Data e iniziative di AI.
Source: Harvard Business Review, Feb 5, 2019 (Randy Bean and Thomas Davenport)
5

6. Indagine su Big Data e AI
Intervistati i «C-Level» tecnologici di grandi aziende
6
dei partecipanti al sondaggio riferisce di non aver ancora creato una cultura
dei dati
riferisce di non aver creato un'organizzazione basata sui dati
afferma di non trattare ancora i dati come una risorsa aziendale (asset)
ammette di non essere in competizione su dati e analisi
identifica le persone e i problemi nei processi come ostacolo principale
identifica la mancanza di allineamento nell'organizzazione
cita la resistenza culturale come uno dei principali fattori che
contribuiscono al mancato utilizzo dei dati nel business
aziendale.
Le aziende devono diventare molto
più serie e creative nell'affrontare il
«lato umano» dei dati se si
aspettano davvero di ottenere dei
benefici aziendali significativi.
Source: 2019 Big Data and AI Executive Survey
(NewVantagePartners)

7. Il dato
Un dato (dal latino datum che significa dono, cosa data) è una descrizione elementare,
spesso codificata, di un'informazione, un'entità, di un fenomeno, di una transazione, di un
avvenimento o di altro.
Source: Wikipedia
7

8. Il dato e l’informazione
DATO
rappresentazione oggettiva e non
interpretata della realtà, ciò che è
immediatamente presente alla conoscenza.
INFORMAZIONE
visione della realtà derivante
dall’elaborazione e interpretazione dei dati,
il significato che associamo ai dati
8

9. Il dato e l’informazione:
pull vs. push
PULL
sono le specifiche richieste dagli utenti a
guidare e, in base ad esse, si definiscono le
caratteristiche che devono avere le
informazioni, che sono “tirate” (Pull) dagli
utenti. Il punto di partenza sono le necessità
aziendali esplicitate da un utente specifico.
Con tecnologie molto innovative viene adottato
l’approccio push: i tecnici anticipano le soluzioni perché
gli utenti difficilmente sarebbero in grado di indicarle.
9
PUSH
sono gli analisti a predisporre l’elaborazione
dei dati che producono informazioni che
vengono poi sottoposte all’analisi dell’utente
finale. In questo caso il punto di partenza è la
tecnologia.
Nel momento in cui la tecnologia sarà più conosciuta e
gli utenti avranno imparato ad utilizzarla, l’approccio sarà
di tipo pull.

10. In questi anni la Data Governance è diventato un mantra
ma quasi sempre l’attenzione si concentra su due aspetti
fondamentali:
• il rispetto della legislazione (GDPR/Privacy)
• la sicurezza (Cybersecurity)
Ma è davvero solo questo?
In realtà, c’è molto di più.
Airbnb o Booking, per esempio, devono tutto il loro valore
ai dati e alle informazioni: non hanno beni immobili ma
rappresentano il reale mercato del turismo.
Quindi i dati diventano un vero asset aziendale.
In che senso?
Nel senso di raccogliere, memorizzare,
integrare, sviluppare, analizzare e
gestire le informazioni per ottenere un
vantaggio di business, in opposizione al
solo mantenimento dei dati su supporti
fisici o virtuali.
I dati e le informazioni come risorsa competitiva
10

11. Analizzare e interpretare i dati
Microsoft, ai tempi del regno di Steve Ballmer,
aveva a sua disposizione i dati che testimoniavano come gli utenti non comprassero
più laptop e desktop con lo stesso entusiasmo di qualche anno prima,
il trend si era appiattito da anni, la connessione ad Internet mobile era pronta
per un salto tecnologico significativo per rimettersi al passo con quella wired.
Nonostante tutto ciò, l'azienda sottovalutò l'impatto degli smartphone che riassumeva in sé già
tutte quelle funzioni che prima di allora erano state delegate a laptop e desktop.
Si creò un nuovo mercato.
11

12. Va bene, ma come posso
valorizzare i miei dati ?
È molto difficile riuscire a «inventare un numero»
da scrivere in un bilancio
12

13. Valore dei dati e delle informazioni
Costo dell'acquisizione
quanto ci costa acquisire i dati e archiviarli ?
Es.: costo dati provenienti da sensori (IOT): costo dei sensori + costo dello
storage + costo delle ore di elaborazione + costo dei backup + ...
Qualsiasi possa essere la fonte dati è sicuramente possibile calcolare, con
una buona approssimazione, il costo di tali dati.
INTERESSANTE E UTILE sarebbe provare a calcolare questo costo
soprattutto per i dati immagazzinati ma non utilizzati.
13

14. Valore dei dati
Valore del business
Per coloro che utilizzano i dati per guidare i processi aziendali o prendere
decisioni, probabilmente questi genereranno un valore.
Che si tratti di risparmio sui costi o di un aumento del margine, il
valore aziendale generato dai dati è misurabile.
14

15. Valore dei dati
Costo della perdita
Quanto costerebbe all'azienda la perdita dei dati?
Se dovessi riacquisire i dati persi, cosa mi costerebbe?
Quanto incide la perdita dei dati sulle mie entrate o sui costi?
15

16. Opportunità
L’opportunità, per un’azienda privata, è la
possibilità di analizzare i dati costantemente
per comprendere meglio le dinamiche del
proprio business, quello dei competitor e
del mercato in generale
16
I dati hanno quindi un valore in azienda e vanno perciò considerati in un ottica di opportunità.
ESEMPI:
L’opportunità per una struttura ospedaliera sarà
quella di migliorare la qualità nei percorsi di
cura, estendere la capacità di monitorare
l'intera popolazione e il singolo individuo,
evidenziando la possibilità di interventi mirati e
personalizzati.

17. Problematiche
17
I dati e la loro gestione portano con sè anche delle problematiche:
occorre essere in grado di analizzarle e predisporre le azioni necessarie per mitigare questi rischi.
ESEMPI:
Le quantità elevate di dati da gestire porta
inevitabilmente a problemi di qualità dei dati:
ambiguità, distorsioni, ....
GDPR: tutti i dati personali che non sono
gestiti correttamente possono spostarsi
molto rapidamente dalla colonna delle
opportunità a quella delle problematiche e
delle responsabilità.

18. Data management
E’ l’insieme dei processi, regole e procedure di gestione dell’intero ciclo di vita dei dati,
finalizzata alla loro trasformazione in un asset aziendale utilizzabile in maniera efficace
dagli utilizzatori dei dati stessi (decision maker)
18

19. EDM – Enterprise data management
L’Enterprise Data Management (EDM) è l’estensione del processo di gestione dei dati
(DM) a tutti i processi aziendali
Obiettivo:
creare dati affidabili coinvolgendo tutti i reparti aziendali per la creazione di una base
di dati comune e condivisa
19

20. I manager aziendali considerano generalmente i dati
«un problema IT», ma non è così.
La gestione dei dati in azienda è considerata spesso
come un esercizio accademico o viene «snobbata». Il
ritorno sull’investimento (ROI) non è chiaro ed è difficile
collegare le attività di governance dei dati con il valore
aziendale che questi possono generare.
EDM: chi è l’owner ?
20
Il CDO ha il compito di avviare e forzare il
processo di digitalizzazione della gestione
delle informazioni. Ciò significa, in particolare,
la raccolta, la gestione, la qualità e la sicurezza
dei dati, e la possibilità di fare più business a
partire dalle informazioni.
Più in particolare il CDO:
• Sviluppa la strategia di un Master Data
Management aziendale
• Stabilisce norme, regole per il Master
Data Management
• Distribuisce informazioni ai colleghi e al
management
inoltre
• Gestisce la Data Governance e la qualità
dei dati
• Gestisce la parte di Compliance
• Gestisce la Business Intelligence e Data
Analytics

21. EDM: i concetti
• Master Data Management
• Reference Data Management
• Metadata Management
• Data Governance
• Data Quality
• Data Analytics
• Data Privacy
• Data Integration
• Data Architecture
EDM: i concetti fondamentali
21
MDM (Master data management) è un metodo completo per
definire e gestire i dati critici di un'organizzazione e fornire un
unico punto di riferimento in cui trovare definizione, dominio dei
dati, .... per tutta l’azienda
https://youtu.be/WHOTx46CzcA

22. EDM: i concetti
• Master Data Management
• Reference Data Management
• Metadata Management
• Data Governance
• Data Quality
• Data Analytics
• Data Privacy
• Data Integration
• Data Architecture
EDM: i concetti fondamentali
22
Metadata management : a cosa serve ?
Ci aiuta a identificare in tutta l’azienda da dove viene il dato,
dove è utilizzato, in quali sistemi è un’informazione critica, un
eventuale impatto in caso di modifiche dovute al business o alla
nosrmativa, ....

23. Data governance
Sfruttare il potere dei dati in azienda
La governance dei dati è la capacità che consente a un'organizzazione di garantire qualità
elevata dei dati durante l'intero ciclo di vita dei dati stessi.
I dati aziendali sono analizzati e organizzati secondo le seguenti principali caratteristiche:
qualità, disponibilità, usabilità, coerenza, integrità e sicurezza.
La data governance analizza e sviluppa anche i processi per garantire un'efficace gestione
dei dati in tutta l’azienda.
23

24. Data Architecture
the overall structure of data and data-related resources as an integral part of the enterprise architecture
Data Modeling & Design
analysis, design, building, testing, and maintenance
Data Storage & Operations
structured physical data assets storage deployment and management
Data Security
ensuring privacy, confidentiality and appropriate access
Data Integration & Interoperability
acquisition, extraction, transformation, movement, delivery, replication, federation, virtualization and
operational support
Documents & Content
storing, protecting, indexing, and enabling access to data found in unstructured sources (electronic files
and physical records), and making this data available for integration and interoperability with structured
(database) data.
Reference & Master Data
Managing shared data to reduce redundancy and ensure better data quality through standardized
definition and use of data values.
Data Warehousing & Business Intelligence
managing analytical data processing and enabling access to decision support data for reporting and
analysis
Metadata
collecting, categorizing, maintaining, integrating, controlling, managing, and delivering metadata
Data Quality
defining, monitoring, maintaining data integrity, and improving data quality
Data governance: schema DAMA
24
Fonte: Data Management Association
DAMA-DMBOK
Data Management Body of Knowledge

25. 25
Data Governance: Data Maturity Model
Introduction Expansion Transformation
Level 0 1 2 3 4 5
Description None Initial Managed Standardized Advanced Optimized
Data
Governance
None Project Level Program Level Division Level Cross Level Enterprise Wide
Master Data
Management
No formal master data
classification
Non-integrated master data
Integrated, shared, master
data repository
Data Management Services
Master data stewards
established
Data stewardship council
Data
Integration
Ad-hoc, point to point
Reactive, point-to-point
interfaces, some common
tools, lack of standards
Common integrations
platform, design patterns
Middleware utilization: service
bus, canonical model, business
rules, repository
Data Excellence Centre
(education and training)
Data Excellence embedded in
corporate culture
Data Quality
Silos, scattered data,
inconsistencies accepted
Recognition of
inconsistencies but no
management plan to
address
Data cleansing at
consumption in order to
attempt data quality
improvement
Data Quality KPI’s and
conformance visibility, some
cleansing at source.
Prevention approach to
data quality
Full data quality management
practice
Behaviour Unaware/Denial Chaotic Reactive Stable Proactive Predictive
Technology &
Infrastructure PRIMARY IT FOCUS Information & Strategic
Business Enablement
HIGH RISK LOW
LOW VALUE GENERATION HIGH

26. 26
Documentation
and/or physical
Database
Generation(project
focused)
Conceptual,
Logic,
Physical
(Design)
Enterprise
including
canonical,
lineage,
governance
metadata
Full governance
metadata,
business
glossary
integration,
lifecycle, value-
chain
Fully integrated
modeling,
glossaries,
metadata, self
serve analytics
Data Model Utilization
DataMaturity
Evolution

27. La Data Governance è un processo incrementale in cui
bisogna partire dai dati più importanti, ovvero quelli che
caratterizzano il business di un’azienda o quelli critici dal punto
di vista delle normative.
Di qui, con un programma pluriennale, si arriverà a governare i
dati aziendali secondo il proprio livello di necessità aziendale e
secondo una caratteristica di sostenibilità progettuale.
La Data Governance richiede un duro lavoro e un grande
impegno (commitment) per tutta l’organizzazione aziendale:
• Persone
• Processi
• Tecnologia
• Cultura
To understand organizational data
• What’s important?
• Where is it? (can be may places)
• Where did it come from?
• How is it used (business processes)?
• What is the chain of custody?
• What are the business rules?
• Governance
• How do I identify private information?
• How long should I keep the information?
• Master Data Management classification
• Data quality
• Is it fit for purpose?
• What changed and why?
Data governance: concretamente
27

28. Qualità
28
Un dato di qualità è un dato affidabile
Per una azienda è fondamentale ottenere un alto livello di qualità dei dati per raggiungere una corretta base informativa per orientare le
scelte strategiche.
• Da dati errati o distorti, si ottengono analisi errate o distorte, con la conseguenza di prendere decisioni strategiche errate o distorte.
• Per ottenere dati di alta qualità occorre introdurre una politica di Gestione dei Dati (Data Management) in ogni processo aziendale.
• La corretta e attiva gestione dei dati aziendali crea una protezione che previene la generazione di dati non affidabili (bad data).
• Il completo governo attivo dei dati consente ai decisori di avere una rappresentazione accurata, completa e reale dell’impresa e
dei suoi processi
ISO 8000-8 defines three
categories for data quality
measurements: syntactic,
semantic and pragmatic.
It provides a foundation for
measuring information and data
quality.

29. Qualità
29
Data Quality Dimensions
6 Key Data Quality Dimensions
Accuracy Validity Timeliness Completeness Uniqueness Consistency
Data accurately
represent the
«real-world»
values.
Data conforms to the
syntax (format, type,
range) of its
definitions.
Data represents
reality from the
required point of
time.
Data are complete in
terms of required
potential of data.
Data are properly
identified and
recorded only once.
Data are
represented
consistently across
the data set.
E.g.: Incorrect
spellings of the
product or person
names, address
E.g.: Incorrect
classifications values for
gender or customers type
E.g.: Customer address
change which is effective
on July 1st is entered into
the system in July 15st
E.g.: Customer address
missing a ZIP code
E.g.: Single customer is
recorder twice in the
database, with different
identifiers
E.g.: Customer account is
closed, but there is a new
order associated to that
account.

30. Business Intelligence
«Provenendo dalla Business Intelligence, ho vissuto momenti di vera frustrazione
quando, dopo interminabili processi di standardizzazione, qualità e aumento dei dati, i
report e le analisi presentavano risultati inaffidabili.»
È sempre stata colpa dei dati: non tracciati, non consolidati, non reali.
La Data Governance ci permette di migliorare i processi e il risultato tangibile è sempre la riduzione dei costi.
30

31. Una sintesi attraverso un esempio
31
L’esempio vuole mostrare un caso d’uso reale che condensa il percorso del dato
dalla identificazione alla acquisizione,
dalla memorizzazione alla verifica di qualità,
dalla reportistica alla analisi predittiva.
IDENTIFICAZIONE
E ACQUISIZIONE
MEMORIZZAZIONE
E QUALITÀ
REPORTISTICA
E ANALISI

32. Una sintesi attraverso un esempio
• L’azienda CITYFUN* produce, installa attrezzature/giochi per
parchi divertimento bambini e fa manutenzione sulle stesse
• Si è posta come obiettivo di business un miglioramento della
qualità dei prodotti e dei servizi e una riduzione dei costi per la
manutenzione
• Desidera quindi acquisire sul campo i dati di utilizzo, di
deterioramento e usura, di stagionalità,....
• I dati vengono raccolti sia automaticamente, da sensoristica, che
con osservazione diretta in mobilità sul campo
• La data governance prevede la data security e quindi il rispetto
GDPR
• I dati raccolti saranno oggetto di analisi per ottenere un supplier
scorecard integrato
*nome di fantasia
32

33. All’interno della nostra EDM (Enterprise data management)
dovremo avere, o creare, un catalogo dati che
comprenda le informazioni che desideriamo
trattare, utili allo scopo di business dichiarato.
Condivideremo e troveremo una convergenza su
significato e formalismi anche con altri dipartimenti
interessati: ufficio tecnico, produzione, acquisti, ...
La definizione e l’allineamento servirà a non creare
ambiguità e quindi distorsioni ed errori per le fasi
successive.
Dati strutturati
• Indirizzo parco giochi (Via, Nr.civico, Cap, Nazione)
• Attrezzature osservata
• Data di installazione gg-mm-aaaa
• Data Audit gg-mm-aaaa
• Difettosità rilevata
• Gravità (Alta, Media, Bassa)
• Produttore
• ...
Dati non strutturati
• Fotografia dettaglio
• Filmato di utilizzo
• ...
PARTIAMO!
33

34. Inserisce quindi dati controllati e
raccoglie le informazioni utili che,
attraverso la connettività, vengono
memorizzate nel cloud.
34
Con un sistema mobile, l’auditor visita il
parco giochi ed effettua le indagini attraverso
la compilazione di una o più checklist on site,
in mobilità

35. Siamo nell’epoca 4.0!
Viene installato un sensore radar che acquisisce dati
movimento, velocita, posizione e trasmette nel cloud
costantemente.
Utilizziamo un sensore radar e non, per esempio, una telecamera
per rispettare le norme GDPR / privacy come previsto dalla nostre
politiche di Data Governance alla voce Data Security
Dati da sensori
• Data
• Ora (HH-MI-SS)
• Utilizzo (heat map)
• ...
35
The IWR6843 is an integrated single chip mmWave sensor based on FMCW radar technology capable
of operation in the 60-GHz to 64-GHz band. It is built with TI’s low power 45-nm RFCMOS process and
enables unprecedented levels of integration in an extremely small form factor. The IWR6843 is an ideal
solution for low power, self-monitored, ultra-accurate radar systems in the industrial space.

36. 36
DATI RACCOLTI IN
MOBILITÀ
DATI RACCOLTI
CON SENSORISTICA
Data Governance - Data Quality Q1,2,3,4,5,6
I dati vengono assoggettati al controllo qualità e memorizzati nel cloud secondo la
Data Governance - Data Architecture
Business Intelligence reports e Analytics
Data Governance - Data Analytics

37. Scorecard
37

38. Una buona gestione dell’informazione e del dato può incidere
in modo sostanziale sul funzionamento dell’intera
organizzazione.
La normativa internazionale in materia di privacy e sicurezza
dei dati ci impone un’attenzione particolare al trattamento delle
informazioni.
La vita delle persone si è traslata on line e questo ha generato
un imponente flusso di informazioni possibili da raccogliere,
analizzare.
Un’attenta analisi dei dati può incidere positivamente sia
sui costi (per esempio lavorando su manutenzione predittiva,
gestione dei processi, procurement, supply chain e logistica)
che sui ricavi, attraverso l’apertura a nuovi mercati, il
miglioramento dell’esperienza utente e la scelta di migliori
modalità di distribuzione.
Quindi:
La governance dei dati è
strategica per le aziende
Conclusione
38

39. 39
• La capacità di gestire le informazioni nelle organizzazioni è scarsa (e in
declino!) nonostante gli investimenti in intelligenza artificiale e le iniziative
sui big data
• La governance dei dati è un duro lavoro
• Occorre affrontare il «lato umano» dell'equazione, piuttosto che rincorrere
la tecnologia
• Occorre sviluppare e gestire cambiamenti organizzativi
• L'implementazione del cloud non sposta la responsabilità della gestione a
qualcun altro
• Non confondere l'architettura e la modellazione dei dati con la data
science
• Il machine learning non sostituisce la gestione dei dati
• Gli studi, i trend, i ranking e le raccomandazioni delle grandi aziende di
consulenza vanno considerati con una valutazione critica
• Smettere di rincorrere la «sfera brillante» della tecnologia
…ma occorre fare attenzione!
“If your data is bad, machine
learning accelerates garbage-in,
garbage-out (GIGO). You simply
achieve disaster faster.”
•Ron Huizenga

40. CI SONO DOMANDE?
Danilo Longoni
CEO & Founder di Focus Informatica
d.longoni@focusinformatica.com
www.focusinformatica.com
40
Grazie