Sempre più aziende e organizzazioni stanno inserendo l’Intelligenza Artificiale nei propri processi per aumentare la produttività, comprendere meglio i bisogni dei consumatori, prevedere trend che impattano le vendite, predire guasti e molto ancora. A fare una stima dell’impatto complessivo del mercato dell’AI sull’economica globale è PwC analysis, che prevede raggiungerà circa 15.700 miliardi di dollari entro il 2030. Ma come vengono sfruttate, in pieno o parzialmente, le opportunità offerte dall’Intelligenza Artificiale in Italia e nel mondo?

Uno scenario in continua evoluzione 

In settori come Finance ed Energy, la Digital Transformation sta dando una grande spinta con investimenti importanti sui progetti di Analytics avanzate e Automation. Tuttavia, il mercato dell’Intelligenza Artificiale è caratterizzato da due dinamiche principali che ne stanno rallentando la diffusione. Da un lato c’è una grande richiesta per profili di Data Scientist non facilmente reperibili sul mercato, dall’altro più di metà delle sperimentazioni in ambito AI non riescono ad apportare reale valore, in quanto non si sono integrate all’interno dei processi di business. Quest’ultimo aspetto in particolare comporta spesso un ritorno (ROI) negativo dei progetti di Data Science sugli investimenti sostenuti.

L’esempio del churn 

Si pensi al tasso di abbandono sulla base dei clienti esistenti: lo studio del churn può individuare molto bene pattern su dati storici, ma questo è sufficiente a portare valore al business? Per il business il valore si genera ad un altro livello, ad esempio quando un operatore di call center può fare raccomandazioni in tempo reale a prospect o clienti per migliorare la rate di acquisizioni nuovi clienti e la retention, sfruttando magari modelli avanzati di propensione analitica. Allora perché è così difficile per la Data Science produrre un valore reale? I progetti di Data Science sono altamente innovativi e non si sa a priori se un risultato atteso può essere raggiunto totalmente o parzialmente.
Per capire quindi l’efficacia dell’approccio adottato si parte con una fase di sperimentazione (prototyping) che lavora su un sottoinsieme di dati e con strumenti specifici, spesso frammentati, per testare la bontà dei modelli matematico-statistici utilizzati.

Se la fase sperimentale si conclude con successo, i modelli devono poi essere resi scalabili, performanti su tutti i dati aziendali e integrati all’interno dei processi di business per essere resi fruibili all’azienda nel day-by-day. Bisogna quindi saper “industrializzare” i modelli sperimentali e questo è un processo complesso che richiede competenze specifiche, spesso non presenti nella figura del Data Scientist.

Industrializzare non è un processo lineare

L’industrializzazione dei prototipi di Artificial Intelligence può richiedere la riscrittura dei modelli e necessita di una conoscenza specifica delle Data Platform Enterprise (cloud o non); si stima che per ciascun Data Scientist siano necessari ben tre Data Engineer al fine di rendere applicativi i piloti creati ed essere usati direttamente dal business nel day-by-day. Questo molto spesso è dovuto alla pluralità di competenze necessarie: di data storage, di calcolo, di gestione qualità del dato fino a quelle sistemistiche.

Convertire la Data Science in ROI positivo 

Per convertire le sperimentazioni di Data Science in ROI positivo, è fondamentale poter contare su un robusto know-how metodologico e tecnologico, non solo per gestire con successo la fase di industrializzazione, ma anche per affiancare i Data Scientist nelle fasi iniziali di sviluppo con le giuste linee guide e best practice sulla scrittura del codice, gli strumenti, la gestione della qualità del dato e oltre. In questo modo, la figura del Data Scientist può pienamente dedicarsi alla comprensione dei bisogni del business e individuare i modelli più appropriati ma, allo stesso tempo, sarà in grado di produrre un output in grado di essere inserito tempestivamente nei processi aziendali.

In conclusione, come passare all’azione? Dove è possibile, si può certamente prevedere di istituire in azienda un centro interno di competenza dedicato all’industrializzazione della Data Science, altrimenti è bene completare queste competenze affidandosi a team esterni in outsourcing. La scelta del make or buy deve essere ponderata anche in base allo scenario tecnologico presente in ciascuna azienda, tenendo in considerazione che gli scenari (multi) Cloud sono in rapida e continua evoluzione.



Vasil Tabaku – Senior Manager

All the tech, business news and trends you need to know. Delivered to your inbox.
Share
Share