- May 21

Master Data Management: come estrarre valore dai propri asset

Nell’attuale società dell’informazione, caratterizzata dall’enorme impatto delle moderne tecnologie digitali e dalla proliferazione dei dati, connettere le strategie di business ad una corretta raccolta e gestione di quest’ultimi rappresenta la chiave del successo aziendale. È indispensabile oggi assumere un’ottica data-driven e focalizzarsi sui sistemi di data management e di analytics, ai quali viene riservata una posizione di primaria importanza.

Una delle criticità più ricorrenti riguarda il fatto che spesso, nel corso dell’implementazione di metodologie per la gestione dei dati, i manager delle aziende si rendono conto che a volte accade che si perdano di vista alcuni fattori cruciali per l’accuratezza dello svolgimento dell’intero processo.

In particolare, la capacità di gestire i Master Data rappresenta una sfida cruciale. Con tale termine si intendono tutti quei dati relativi alle anagrafiche delle entità più importanti di un’impresa, quali i prodotti, i clienti, i punti vendita e i fornitori. Seppur apparentemente poco importante, l’attività di gestione dei Master Data ha forti impatti sul business e una reale problematica riguarda l’evenienza che tali dati, attraversando varie funzioni aziendali, risultino frammentati, duplicati o non aggiornati.

La situazione si complica se si amplia il raggio d’osservazione, considerando che è necessario avere una visione condivisa di questi dati non solo a livello aziendale, ma anche nelle relazioni che l’azienda instaura con vari stakeholder esterni: consumatori, retailer, brand e distributori dovrebbero seguire uno standard comune nella comprensione di queste informazioni.

Tuttavia, uno sforzo di integrazione realizzato da tutti i player all’interno della supply chain, oltre a rivelarsi eccessivamente costoso, nella maggioranza dei casi può risultare molto complicato a causa del conflitto di interessi che si genera tra le parti. Per riuscire a ottenere una piena integrazione dei dati non è necessario che tutti i player possiedano lo stesso dato, ma è soprattutto fondamentale che si sia in grado di aggregare tali dati e di renderli visibili a tutte le parti secondo modalità e formati differenti, sempre rispettando le differenti esigenze e richieste di ciascun player.

Per queste ragioni, quello che le aziende cercano oggi è un soggetto esterno, un ‘trust mediator’ a cui affidare i propri dati, in modo che esso ne assicuri la definizione di una visione univoca, accettata e condivisa da tutte le parti in gioco. Tale trust mediator dell’informazione dovrebbe gestire i dati e i relativi interessi, e diventa una figura necessaria per una corretta gestione del processo, sia in termini di gestione delle competenze dei vari attori che di gestione dei costi dell’intero sistema.

Il più delle volte tali soggetti non sono consapevoli di avere, in potenza, l’opportunità di conseguire grandi risultati sfruttando i dati e le informazioni a disposizione, dato che spesso approcciano la loro gestione in modo scorretto. È dunque fondamentale riuscire a costruire un processo di Master Data Management che non abbia solo l’obiettivo di generare fatturato, ma che sia piuttosto incentrato fin dal principio sulle possibilità di analizzare tali dati e di ricavarne importanti insight.

Il procedimento di Master Data Management realizzato dai soggetti garanti consta di alcuni passaggi essenziali:

Categorizzazione dei dati – Ciascun dato master è composto da diversi campi che lo riguardano, che vengono riempiti con una serie di informazioni specifiche. Per far sì che tale dato sia corretto, è necessario che ad ogni campo corrisponda un’unica informazione. Il lavoro di categorizzazione delle informazioni consiste nel garantire questa univocità e nel ricercare quante più possibili variabili per la definizione del dato, al fine di azionare una serie di algoritmi che possano automatizzare tali attività e consentire di adottare una logica predittiva.

Integrazione dei dati – Nella fase successiva, i Master Data e i relativi campi d’informazione necessitano di essere integrati con una serie di dati e di informazioni aggiuntive. Riferite a prodotti, clienti e ad altre entità aziendali non vi sono, infatti, solo le anagrafiche, bensì ulteriori informazioni ad esse associate. Questi sono ad esempio dati relativi ai comportamenti, dati di stock o dati di sell-out; analizzare la loro interazione con i dati master è un passaggio essenziale per il business.

Pulizia dei dati – Infine, si deve evitare che alcuni dati, integrati con le apposite informazioni, risultino in qualche modo obsoleti, duplicati o non aggiornati. La pulizia dei dati e il loro confronto, utile per risolvere alcuni problemi potenziali, è un lavoro manuale che può però essere migliorato con l’utilizzo dell’intelligenza artificiale. È infatti possibile utilizzare degli algoritmi capaci di identificare tali problemi e di automatizzare il processo di pulizia. Una volta acquisito il dato master pulito e corretto, sarà possibile ottenere un insieme di insight puntuali che vadano a indirizzare le decisioni di business.

Per la buona riuscita di tutti i passaggi citati sarebbe inoltre utile definire una serie di KPI da utilizzare come campanelli d’allarme dell’affidabilità del contenuto interno ai vari campi informativi. Questo in quanto non solo l’architettura dei dati è rilevante, ma lo è soprattutto l’attendibilità e la qualità del loro contenuto.

L’attivazione di un processo di Master Data Management realizzato da una terza parte comporta perciò una serie di notevoli vantaggi per il business. Tuttavia, prima di affrontare l’implementazione di tale processo è tuttavia opportuno considerare che non è possibile sapere a priori con quale livello di accuratezza terminerà; pertanto, non si comincia mai con una garanzia del risultato che si andrà a raggiungere. È dunque opportuno definire anzitempo quale livello di errore si è disposti a sopportare nella speranza di estrarre valore partendo dall’ottimizzazione di asset che si hanno quotidianamente a disposizione, ossia i propri dati.