1. "È solo il suo lavoro"
Molti leader del settore dei servizi di pubblica utilità considerano l'analisi dei dati aziendali come un progetto tecnico: lasciate che sia l'IT a occuparsene, lasciate che creino dashboard e che le intuizioni magiche si manifestino. Ma questa convinzione rispecchia il mito n. 1 identificato da McKinsey & Company nel suo articolo sui dati dei servizi di pubblica utilità.
Ecco la verità: l'analisi dei dati non vive nel vuoto. Per le utility, dove si deve gestire l'affidabilità della rete, l'infrastruttura, le pressioni normative, le aspettative dei clienti e altro ancora, è necessario che persone provenienti da operations, business unit, regolamentazione e IT siano tutte presenti. Se i leader aziendali trattano l'analisi dei dati come "un progetto IT", le informazioni che ne derivano non verranno adottate.
Quando si analizzano i dati aziendali, non basta creare lo strumento: bisogna cambiare mentalità, comportamenti e processi aziendali. Non lasciare che sia solo l'IT a occuparsene.
2. “I nostri sistemi sono pronti, quindi le informazioni fluiranno”
Un altro grande equivoco: "Abbiamo tutti questi sistemi, quindi l'analisi dei dati aziendali si occuperà da sola". Ancora McKinsey: molte aziende di servizi pubblici danno per scontato che mettere insieme ERP, WAM, CIS, GIS, ecc. significhi "siamo pronti". Ma non è così.
Ecco il problema: potresti avere tutti i dati, ma se non hai pensato a quali dati, in quale formato, come vengono riuniti, come vengono ripuliti e se le persone possono accedervi in un formato utilizzabile, allora l'analisi dei dati aziendali è destinata a bloccarsi.
Ad esempio, i sistemi legacy potrebbero parlare linguaggi di dati diversi. I silos potrebbero persistere. Quindi, un aspetto fondamentale per i dirigenti delle utility: mappare i dati quando si eseguono analisi dei dati aziendali. Conoscere le fonti, i flussi, la qualità e come collegarli.
3. “Costruisci un Data Lake e il resto si sistemerà da solo”
Questo è forse il "mezzo mito": molte organizzazioni pensano che una volta che si dispone di un enorme archivio di dati (un "data lake"), si possano raccogliere insight. Ma nel settore dei servizi di pubblica utilità, questo è rischioso. Ancora una volta, McKinsey: grandi archivi di dati non strutturati privi di contesto aziendale spesso diventano costose tombe di "dati oscuri".
Quando si affronta l'analisi dei dati aziendali, il lake non è l'obiettivo finale. La domanda dovrebbe essere: a quale domanda aziendale stiamo rispondendo? Quali casi d'uso dell'analisi offrono valore in questo momento? Investire tutto senza uno scopo specifico spesso significa pagarne i costi (archiviazione, complessità) e ottenere ben poco in cambio.
Pertanto, quando si pianifica l'analisi dei dati aziendali in un contesto di servizi di pubblica utilità, bisogna iniziare dal risultato e poi costruire l'ecosistema.
4. “La qualità dei dati e la strategia possono aspettare”
Un altro errore comune: investire poco nella governance dei dati, nella qualità dei dati e in una strategia di analisi. Ricerche in diversi settori dimostrano che le aziende che si lanciano nell'analisi dei dati senza un piano chiaro spesso sprecano tempo, risorse e perdono credibilità.
Nel settore dei servizi di pubblica utilità, i dati vengono spesso generati da centinaia o migliaia di sensori, dispositivi di campo, contatori intelligenti, tutti con protocolli diversi e di qualità variabile. Il valore dell'analisi dei dati aziendali in questo ambito dipende da dati affidabili, processi strutturati e una buona governance.
Se salti questo passaggio, le tue analisi produrranno risultati discutibili ("garbage in, garbage out") e la tua leadership perderà fiducia.
5. “I silos non contano; ogni reparto può fare le proprie analisi”
Nel mondo dei servizi di pubblica utilità, diverse unità aziendali (generazione, distribuzione, assistenza clienti, regolamentazione, operazioni) spesso gestiscono autonomamente le proprie attività di analisi o reporting dei dati. Tuttavia, nel momento in cui si creano silos, le ambizioni di analisi dei dati aziendali si frammentano. Dal punto di vista dell'analisi dei dati nel settore energetico/dei servizi di pubblica utilità, i silos di dati rappresentano un ostacolo importante.
Se i dipartimenti A e B lavorano ciascuno sulla propria analisi di nicchia senza una strategia dati condivisa, si perdono informazioni trasversali. Ad esempio, collegare i modelli di utilizzo dei clienti con i dati sulle condizioni delle risorse della rete potrebbe far emergere nuove priorità di manutenzione. Ma se questi dati risiedono in silos separati, non si avrà mai una visione d'insieme.
Pertanto, i dirigenti delle aziende di servizi pubblici devono impegnarsi per un allineamento degli sforzi di analisi dei dati aziendali a livello aziendale, non solo reparto per reparto.
5½. “Il ritorno sull’investimento dell’analisi arriverà rapidamente se investiamo”
Ecco la "metà" del problema: c'è la speranza o la convinzione che investendo in strumenti di analisi e assumendo data scientist, si vedranno rapidamente grandi ritorni. Ma la realtà è contrastante. Un blog ha osservato che le grandi aziende hanno investito troppo poco nelle strutture di supporto per l'analisi, il che causa il fallimento dei progetti.
In particolare, nel settore dei servizi di pubblica utilità, si ha a che fare con sistemi complessi, asset legacy, vincoli normativi e investimenti a lungo termine. Pertanto, l'analisi dei dati aziendali non sempre offre risultati a breve termine, a meno che non si progetti per "risultati rapidi" e con un orizzonte temporale più lungo.
Soluzione: scegli uno o due casi d'uso ad alto impatto (ad esempio manutenzione predittiva o previsione della domanda) con metriche chiare. Poi aumenta. Mostra valore. Espandi. Non scommettere tutto sul fatto che "rinnoveremo tutto con l'analisi dei dati in tre mesi".
Mettere tutto insieme
Quando i dirigenti delle aziende di servizi pubblici affrontano l'analisi dei dati aziendali come una casella da spuntare ("implementiamo l'analisi"), spesso cadono in queste trappole: lasciano che sia l'IT a farlo, danno per scontato che i sistemi da soli saranno efficaci, creano data lake prima delle questioni aziendali, ignorano la governance dei dati, tollerano i silos e si aspettano un ROI immediato.
Un percorso migliore, invece, è il seguente:
• Definisci: quale risultato aziendale stai cercando di ottenere? (Ad esempio, ridurre i tempi di interruzione del 15%, migliorare la valutazione dell'esperienza del cliente, ottimizzare i costi del ciclo di vita delle risorse).
• Allineamento: coinvolgere i team di leadership aziendale, operazioni, IT e analisi; l'analisi dei dati aziendali è interfunzionale.
• Inventario: mappa i dati che già possiedi, dove si trovano, quanto sono puliti e quanto sono accessibili.
• Costruisci in modo mirato: scegli i casi d'uso che contano. Collega i sistemi. Pulisci i dati. Garantisci la governance.
• Misura: monitora le metriche fin dal primo giorno, sia quelle relative all'adozione dell'analisi (chi utilizza le informazioni?) sia quelle aziendali (cosa è migliorato?).
• Scala: una volta che il successo è evidente, espanditi a più domini, con analisi più avanzate (predittive/prescrittive) anziché solo descrittive.
• Ripetizione: l'analisi dei dati aziendali non è un'operazione che si esegue una volta per tutte; i dati si evolvono, l'azienda cresce e la maturità dell'analisi deve evolversi.
Leggi anche: come aumentare la tua attività con la formazione per l'analisi dei dati
