Siddharth Rajagopal e Sujay Dutta, Autori di Data as the Fourth Pillar – Intervista

Sujay Dutta è un leader tecnologico e aziendale esperto con oltre 25 anni di esperienza a livello globale. Egli ritiene che il futuro si stia plasmando all’incrocio tra AI, risultati aziendali, cultura e dati (“A.B.C.D.”). Attualmente lavora come Global Account Lead presso Databricks.

Siddharth (Sidd) Rajagopal è un Chief Architect nell’organizzazione Field CTO di Informatica. Nel suo ruolo, si interfaccia con alti dirigenti di aziende per fornire leadership nel pensiero sui dati e la gestione dei dati, condividendo le sue conoscenze e apprendimenti.

Data as the Fourth Pillar presenta il caso per il trattamento dei dati come un elemento fondamentale del successo aziendale, allo stesso livello di persone, processi e tecnologia. Rivolto a consigli di amministrazione, CEO e alti dirigenti, il libro delinea un approccio strutturato per integrare la strategia dei dati nel cuore della presa di decisioni aziendali. Introduce un framework di maturità e metriche pratiche come il Total Addressable Value (TAV) e l’Expected Addressable Value (EAV) per aiutare le organizzazioni a quantificare l’impatto delle iniziative dei dati. Gli autori esplorano anche l’interazione tra dati e intelligenza artificiale, evidenziando come ciascuno rafforzi l’altro. Supportato da un caso di studio di AUDI AG di Rüdiger Eck, il libro combina teoria e applicazione pratica, rendendolo una guida pratica per i leader di piccole e medie imprese e grandi aziende che navigano nel paesaggio competitivo e guidato dai dati di oggi.

Il titolo del vostro libro si riferisce ai dati come alla quarta colonna portante. Potreste riassumere quali sono le prime tre colonne portanti e perché i dati dovrebbero essere considerati la quarta colonna portante?

Le prime tre colonne portanti tradizionali/esistenti sono le Persone, i Processi e la Tecnologia. Ogni colonna portante è stata aggiunta man mano che le aziende sono mature nel corso degli anni. Storicamente, i dati erano solo un sottoprodotto di queste colonne portanti, gestito dal reparto IT. Ora, nell’attuale era dell’AI, i dati non sono più un sottoprodotto. Sono il principale driver di valore, ma possono anche rischiare l’esistenza di un’azienda – quindi ci riferiamo ai dati come al Fuoco. Per avere successo, i dati devono essere elevati a una quarta colonna portante di pari livello. Con i dati come quarta colonna portante, ogni colonna crea un effetto a catena con le altre colonne portanti, abilitandole e beneficiandone a vicenda. I dati come quarta colonna portante assicurano che i dati ricevano la stessa attenzione a livello di C-suite e consiglio di amministrazione come le persone, i processi e la tecnologia, trasformandoli da un centro di costo in un asset aziendale misurabile che guida la crescita aziendale.

La posizione di Chief Data Officer (CDO) è descritta come un ruolo fondamentale, raccomandato per interfacciarsi con il CEO, il CTO e altri alti dirigenti. Potreste fornire una panoramica generale di cosa comporta questo ruolo e quali sono le sue principali responsabilità?

Il CDO, come leader della colonna portante dei dati, è un driver di valore, accelerando i risultati aziendali; sviluppa la comprensione dell’intensità dei dati (QCS – Qualità, Conformità e Velocità) per i casi d’uso aziendali; bilancia e fa crescere costantemente la domanda e l’offerta di dati (attraverso il DOM – Data Operating Model); porta l’eccellenza nell’esecuzione in termini di persone, processi e tecnologia per la colonna portante dei dati; e agisce come agente di cambiamento per la pianificazione e l’esecuzione del cambiamento strutturale in tutta l’azienda, con il patrocinio del consiglio di amministrazione e del CEO, e il coinvolgimento dei leader delle altre colonne portanti.

Perché raccogliere ed eseguire i dati è così critico per sfruttare l’AI su larga scala?

Anche in questo caso, i dati sono come il Fuoco. Alimentano l’AI. Un modello di AI deve apprendere modelli, relazioni e comportamenti direttamente dai dati che riceve, per poter fornire un impatto aziendale. Inoltre, per l’AI, i dati non strutturati (come PDF, immagini e video) diventano critici. La maggior parte delle aziende non è attualmente matura nel processare dati non strutturati. Inoltre, i modelli di AI stanno diventando/sono diventati una commodity – i dati creano la differenziazione dall’utilizzo di un modello di AI.

Il libro si sofferma sul concetto di intensità dei dati. Potreste spiegare brevemente cosa significa e perché è così importante?

L’intensità dei dati è una misura di quanto i dati siano “adatti allo scopo” per accelerare il valore aziendale, in particolare per scalare l’AI. Ogni caso d’uso aziendale richiede dati in modo diverso, con diverse intensità. Il nostro libro introduce il framework QCS per misurare l’intensità dei dati in tre dimensioni critiche:

1. Qualità: i dati sono accurati, completi, coerenti e affidabili? Questo è il principio “spazzatura dentro, spazzatura fuori”. I dati di bassa qualità portano ad analisi errate e un’AI non affidabile.
2. Conformità: i dati aderiscono a tutti gli standard legali ed etici, come le norme sulla privacy (come il GDPR) e le regole specifiche dell’industria? I dati non conformi creano rischi enormi.
3. Velocità: i dati sono disponibili abbastanza velocemente per essere utili? Ciò si riferisce alla velocità con cui i dati vengono raccolti, elaborati e resi disponibili per la presa di decisioni (ad esempio, elaborazione in tempo reale rispetto all’elaborazione batch). Tradizionalmente, le aziende sono mature per eseguire in una o due dimensioni. Una banca sarebbe in grado di consegnare le dimensioni Q e C, mentre una startup si concentrerebbe sulle dimensioni Q e S. La sfida per le aziende nell’era dell’AI è eseguire a un livello elevato in tutte e tre le dimensioni (Q, C e S) contemporaneamente e costantemente.

Perché definire una strategia dei dati è così importante e perché spesso viene trascurata?

Definire una strategia dei dati è critico perché serve come il progetto che collega direttamente tutte le attività dei dati alla strategia aziendale. Delinea la roadmap per lo sviluppo e l’utilizzo delle capacità dei dati per accelerare i risultati aziendali, come aumentare i ricavi, migliorare l’efficienza e costruire un vantaggio competitivo.

Nonostante ciò, una strategia dei dati è spesso trascurata per diverse ragioni chiave.
Storicamente, i leader aziendali hanno considerato i dati come un sottoprodotto delle operazioni aziendali e un problema tecnico IT, piuttosto che una funzione strategica a livello di C-suite. Senza un proprietario chiaro, come un Chief Data Officer, questo lavoro essenziale spesso cade in un vuoto di leadership. Ciò porta le aziende a saltare direttamente a progetti di AI entusiasmanti senza una solida base di dati, il che è una delle principali ragioni per cui molti di essi falliscono.

Potreste elaborare cosa sia un framework di governance dei dati, come differisca da una strategia dei dati e perché sia necessario per mitigare i rischi associati all’utilizzo dei dati?

Una strategia dei dati definisce gli obiettivi che un’azienda vuole raggiungere con i propri dati. Al contrario, un framework di governance dei dati consente ai casi d’uso aziendali di utilizzare i dati alla loro intensità richiesta (Q, C e S), per poter consegnare il valore previsto.

Il framework di governance dei dati è cruciale per mitigare il rischio. Senza governance, i dati diventano un passivo. Assicura la conformità con le norme, come il GDPR, prevenendo multe e problemi legali enormi. Stabilisce gli standard di sicurezza e privacy che proteggono contro le violazioni dei dati e il danno alla reputazione che ne deriva. L’applicazione della qualità dei dati impedisce decisioni aziendali costose basate su informazioni errate. E gli agenti di AI sono utili solo quando ricevono i dati alla velocità richiesta.

Pensateci in questo modo: la vostra strategia è la destinazione su una mappa; il vostro framework di governance è il codice della strada che seguite per arrivarci senza incidenti.

Voi discutete anche del concetto di DOM (Data Operating Model). Potreste spiegare cosa sia e come aiuta le organizzazioni a operativizzare la loro strategia dei dati?

Un Data Operating Model (DOM) è il motore che soddisfa la domanda di dati per soddisfare la domanda. Il DOM opera la strategia traducendo gli obiettivi di alto livello in azioni concrete e riutilizzabili. È un framework pratico che industrializza la consegna dei dati all’intensità richiesta, comprendente persone, processi e tecnologia.

Mentre avere la strategia dei dati e la governance corrette assicura buone intenzioni, il successo spesso dipende dall’adozione dei dati e dalla gestione dell’ingegneria dei dati. Potreste discutere brevemente questi due elementi e perché gli esecutivi dovrebbero prestare attenzione a essi?

Il successo con i dati dipende dall’adozione dei dati e dalla gestione dell’ingegneria dei dati.

L’adozione dei dati è l’aspetto culturale – con i team che utilizzano effettivamente i dati per prendere decisioni quotidiane. Senza adozione, l’intero investimento nella colonna portante dei dati va sprecato.

La gestione dell’ingegneria dei dati è la spina dorsale tecnica – costruire e mantenere la “fabbrica di dati” affidabile che raccoglie e elabora i dati per soddisfare i requisiti di intensità dei dati (QCS). Gli esecutivi devono sostenere entrambi. Una cattiva adozione significa che l’investimento è sprecato. Una cattiva ingegneria significa che l’azienda opera con dati non idonei (ossia dati che non soddisfano l’intensità richiesta), portando a errori costosi, erodendo la fiducia, creando problemi di conformità e rendendo qualsiasi iniziativa di AI impossibile.

Il libro è scritto tenendo presente le grandi aziende, dove ruoli come CDO, gestione del rischio dei dati, gestione dell’accesso ai dati e team di qualità e osservabilità dei dati sono ben definiti. Perché le aziende più piccole dovrebbero considerare questo libro e come possono compensare la mancanza di questi ruoli?

Per un’azienda più piccola, nella maggior parte dei casi, i dati sono il loro più grande differenziatore. È molto più facile costruire il DNA di “Data as the Fourth Pillar” correttamente fin dall’inizio piuttosto che cercare di riparare un’organizzazione tradizionale più grande in seguito. Ottenere la base dei dati giusta fin dall’inizio fornisce un enorme vantaggio competitivo per la crescita e l’adozione futura dell’AI. Come un CEO di un’azienda SMB ci ha detto: per me, i dati sono la prima colonna portante e io sono il CDO.

Se c’è un punto chiave da prendere dal vostro libro, cosa vorreste che fosse?

Il punto definitivo è che le aziende devono implementare immediatamente il cambiamento strutturale per stabilire i dati come la quarta colonna portante del modello operativo, di pari livello con le persone, i processi e la tecnologia. Questa è una decisione esistenziale che i consigli di amministrazione e i CxO devono sostenere, perché i dati sono il differenziatore definitivo e la base indispensabile richiesta per scalare con successo l’AI e assicurarsi un vantaggio competitivo nel futuro. Le aziende che non integrano i dati come colonna portante fondamentale rischiano l’irrilevanza e lottano per competere nell’era dell’AI. Il momento di agire è ORA!

Grazie per la grande intervista, i lettori che desiderano saperne di più possono leggere Data as the Fourth Pillar.

Disclaimer: Le opinioni espresse in questo articolo sono quelle degli autori e non riflettono necessariamente quelle dei loro attuali o precedenti datori di lavoro.