La Piramide DIKW a supporto del decision making

Prima di comprendere come questo strumento possa supportare il processo decisionale, facciamo un passo indietro e capiamo cosa si intende esattamente per Piramide DIKW. Quando parliamo della Piramide ci riferiamo ad uno schema che raffigura il processo di apprendimento mettendo in rapporto gerarchico e in maniera lineare quattro elementi quali: dati, informazioni, conoscenza, saggezza (Data, Information, Knowledge, Wisdom). Questo tipo di modello rappresenta il processo della conoscenza come una piramide costituita da un’ampia base (i 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 di effettuare scelte più efficaci e data-driven.
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 cosiddetti raw data.

I raw data o dati grezzi sono tutti quei dati non ancora processati. Fino a 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. È in questa fase che diventano strategicamente rilevanti software di business intelligence evoluta.

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 software sono propedeutici all’evoluzione del dato e al processo che porta l’azienda ad estrarre informazioni utili per il business e a dare un primo significato ai dati raccolti.

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 scelgono le migliori azioni da intraprendere. 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.

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.

La sfida più grande della Data Analysis di questi anni è proprio quella di riuscire a fornire strumenti in grado di effettuare analisi prescrittive e di renderle comprensibili. L’analisi prescrittiva 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 fornendo dunque ai decision maker le informazioni necessarie non solo per comprendere come si sia arrivati ad un determinato suggerimento di azione, vincendo i limiti dell’Intelligenza Artificiale, solitamente associata al concetto di black box, ma anche spiegando come comportarsi nel caso determinate condizioni dovessero mutare repentinamente.