La linea è tracciata: da una parte sono le aziende attente all’efficacia e all’efficienza delle proprie operazioni su base dati, mentre dall’altra le informazioni vaghe generano operazioni inefficaci e inefficienti, voi da che parte state?

Partiamo dal presupposto che il dato sia un bene al pari delle competenze, delle materie prime, delle attrezzature e dei macchinari. Su questa base si snoda il primo quesito: di che genere di dati ci avvaliamo per le nostre decisioni? Un dato è un’informazione (una conoscenza) ma di questi tempi, come le diatribe sui social network ci insegnano, tale informazione non è sempre corretta, ciò a svantaggio della nostra competenza su una materia o, peggio ancora, della nostra azione efficace. Come detto, la scelta delle informazioni su cui basare le nostre decisioni aziendali è a nostra discrezione ma, se da un lato questo potrebbe condurci a nuove considerazioni su certi atteggiamenti decisionali, dall’altra potrebbe corromperli a causa di un’elaborazione errata dei dati. La domanda quindi è come distinguere i good data dai bad data?
Sapere riconoscere un good da un bad è più semplice, tanto più efficace è la loro raccolta.

Bad data

Un dato corrotto è un dato che non rappresenta coerentemente uno stato di cose. La provenienza di un bad data è da rintracciarsi in automatismi inaccurati di raccolta dati, nella loro obsolescenza, o nell’errata aggregazione statistica. Se, a prima vista, un form online da compilarsi da parte del cliente appare uno strumento impeccabile della raccolta dati, bisogna altresì interrogarsi se le risposte fornite siano efficaci secondo i nostri obiettivi; allo stesso modo, un analyst che non sia sufficientemente preparato potrebbe lasciarsi sfuggire opportunità dall’incrocio di flussi diversi di dati, facendo così perdere una grande opportunità all’azienda; oppure si corre il rischio di non averli aggiornati, con l’inevitabile rischio di dover cestinare una mole considerevole di informazioni ormai inutilizzabili o impazzire nel tentativo di riorganizzarli.

Good data

Riconoscere un good data è più semplice se si conosce le procedure che l’hanno portato alla nostra attenzione. Che un dato è buono, lo sapremo prima se (e solo se) riscontreremo in esso queste caratteristiche: affidabilità, accuratezza, appropriatezza (per un’interessante approfondimento di queste tre parole chiave vi regalerò una pillola filosofica a termine dell’articolo) e replicabilità.

Affidabilità:

Un dato affidabile proviene da una sequenza di passaggi di raccolta sicuri e aggiornati. Il suo valore è conseguenza diretta della sua capacità di fotografare la realtà dei fatti.

Accuratezza:

Quante possibilità ci sono che il dato mi stia dando un’informazione incoerente o contraddittoria? Potremmo concludere, attraverso il nostro affezionato form online, che i clienti preferiscano prodotti di alta qualità e contemporaneamente notare come i prodotti “top gamma” non raggiungano i numeri aspettati. Dovremmo quindi saper rispondere correttamente alla sfida proposta intrecciando abilmente dati accurati, per poter intervenire consapevolmente sulle dinamiche produttive o di vendita.

Appropriatezza:

L’informazione rappresentata dal dato è appropriata? Fa riferimento alla finestra temporale che sto analizzando, ovvero, è in ritardo con le decisioni (ad esempio, in che modo può essermi utile sapere che nell’ultimo trimestre l’azienda ha affrontato una crisi vendite, sapendo che il dato è stato raccolto dopo un intervento sul margine contributivo operato dal settore marketing)?

Replicabilità:

In che modo ho raccolto i dati? Posso pensare di raccoglierne nuovamente avvalendomi dello stesso metodo? In quest’ottica diventa rilevante il metodo di estrazione dati: che tenga conto, cioè, della necessità di evincerne di ulteriori o di intervenire proficuamente nel metodo di raccolta. Questo parametro è fondamentale per dedurre coerentemente le azioni più efficaci in più momenti della vita decisionale dell’azienda.
Lo scopo della gestione attiva dei dati è quella di edificare un vero e proprio patrimonio conoscitivo per le decisioni strategiche dell’azienda. La raccolta dati, come ogni operazione aziendale, non è esente da errori, perciò si rivela fondamentale affidarsi a figure in grado di gestire i dati ad ogni momento della raccolta.
Ma di questo ne parleremo la prossima volta.

Braian

P.s.: Ernst Sousa nel 2004 pubblicò un articolo nel quale affrontava il problema della conoscenza affidandosi a un metodo detto “delle tre A” e più precisamente: Accuracy, Adroitness, Aptness. A questo link* (e in particolare al paragrafo 3.1) trovate una riflessione sull’articolo in questione.

*http://www.aphex.it/public/file/Content20170427_APhEx15,2017TemiEpistemologiaVirtuCroceDEF.pdf..pdf