AUTORI

Massimiliano Cimnaghi 
Principal Data Governance
@Bip xTech

Marina Tenconi
Senior Data Governance Expert
@Bip xTech

Anantha Prasad
Principal Data Governance
@Bip xTech

Jolyon Hine
Data governance Specialist
@Bip xTech

1. La trasformazione digitale e l’organizzazione Data Driven

Trasformazione digitale è un termine che viene usato molto spesso. Non va inteso come un momento particolare di sviluppo attraverso l’utilizzo di specifiche tecnologie o solo incentrato su uno sviluppo culturale dell’organizzazione.

Trasformazione digitale è, infatti, il processo di graduale integrazione e crescita di tutto ciò che riguarda il business aziendale tramite l’utilizzo di tecnologie digitali e rappresenta il bisogno e la guida per rivoluzionare cultura, metodologia di lavoro e competitività.

Viviamo in un periodo storico in cui c’è una richiesta significativa di iperpersonalizzazione delle esperienze dei consumatori, con normative sulla privacy sempre crescenti, minacce alla sicurezza, concorrenza emergente da nativi digitali, nuove aziende disruptor con le loro offerte di prodotti e servizi. L’organizzazione che è titubante nei confronti della trasformazione digitale è destinata a soffrire nei prossimi anni. Il ritmo di innovazione segue da tempo una curva esponenziale e non è sufficiente il solo investimento in nuove tecnologie.

L’organizzazione, come gruppo di persone con l’obiettivo comune di generare valore e innovare, può sopravvivere ed avere un vantaggio competitivo negli anni a venire solo cambiando il modo di vedere il lavoro e preparandosi a evolvere quotidianamente, seguendo i modelli di flessibilità e creatività.

In un panorama sempre più competitivo, con decisioni da prendere in tempo reale, esperienze da migliorare costantemente, necessità di monetizzazione crescente, normative in aumento e tecnologie in evoluzione, è fondamentale che un’organizzazione diventi Data Driven – un modello in cui competenze, cultura, processi e tecnologie vengono combinati insieme a dati “affidabili” e “trasparenti” per fornire informazioni dettagliate in grado di guidare i risultati aziendali, portando al vantaggio e alla crescita dell’organizzazione rispetto alla concorrenza.

Il Data management in un’azienda Data Driven è un asset aziendale strategico e adotta un approccio strutturato e disciplinato, anziché essere relegato a una mera implementazione tecnica.

Prendendo come esempio l’industry 4.0 (o quarta rivoluzione industriale), con la gestione in real-time dei macchinari di produzione basata sull’utilizzo dell’Internet of Things (IoT), o lo sviluppo dei settori Financial Services e Pagamenti Digitali attraverso l’introduzione delle tecnologie di blockchain e fraud detection, la gestione dei data assets è un fattore critico per i processi operativi – che ora sono iperautomatizzati, richiedono decisioni e soluzioni accurate e con un margine di errore vicino allo zero.

Le aziende che decidono di intraprendere un processo di trasformazione digitale e che quindi ambiscono a diventare Data Driven, devono seguire un percorso guidato che permetta loro di ottenere la massima accelerazione e passare rapidamente ad un’esecuzione efficace. A questo proposito, la Data Strategy di Bip xTech è una metodologia collaudata che consente la loro trasformazione in un’azienda Data Driven e fornisce insights che possono aiutare a concentrarsi sul valore e sulla crescita del proprio portafoglio di prodotti e servizi.

2. Data Strategy

Avere una Data Strategy significa guidare l’organizzazione nel diventare Data Driven, usando i dati come un’essenziale risorsa per prendere decisioni di business. Questo processo di trasformazione è un percorso che deve essere analizzato, pianificato ed eseguito attentamente.

Un approccio sistematico alla Data Strategy può garantire l’utilizzo di una varietà di dati (strutturati, non strutturati, etc.) in collaborazione con tecnologie di analisi avanzate (predittive, prescrittive) per guidare i risultati aziendali. Inoltre, la strategia consentirebbe di sfruttare appieno le capacità avanzate di Machine Learning (ML) e Intelligenza Artificiale (AI) per l’innovazione e la generazione di valore.

La Data Strategy è composta da quattro componenti fondamentali:

• Allineamento Strategico

Per garantire l’allineamento delle iniziative dati con gli obiettivi di business e realizzare un modello operativo per un coordinamento efficiente ed effettivo delle attività in tutta l’azienda

• Organizzazione
  Acquisire capacità, competenze, politiche, procedure e processi per attivare una cultura che incorpori il dato come asset fondamentale sia per l’operatività quotidiana sia per guidare decisioni di business
• Analytics
  Adottare le giuste metodologie e applicazioni per raggiungere gli obiettivi di business attraverso Advanced Analytics, identificando gli utilizzi con maggior valore e generando rapidamente un valore reale

• Tecnologia
  Stabilire un ecosistema tecnologico che abilita la capacità, con garanzia di sicurezza e sostenibilità, di raccogliere, memorizzare, elaborare, visualizzar e condividere i dati all’interno dell’organizzazione

Oltre a disegnare i componenti descritti sopra, si consiglia di approcciare in maniera use case-based per definire le applicazioni di utilizzo dei dati ad alto valore aggiunto, con il supporto di Data Architecture, Data Governance e Data Engineering.

3. Data Governance

Varie definizioni di “Data Governance” sono state formulate da organismi di settore o altre fonti autorevoli:

• Gartner la definisce come “la definizione delle regole di decisione e un framework di responsabilità per garantire il comportamento corretto nella valutazione, creazione, consumo e controllo dei dati e delle relative analisi” [1]
• Secondo DAMA, la Data Governance è “l’applicazione di autorità e controllo (pianificazione, monitoraggio e rinforzo) sulla gestione dell’asset informativo” [2]
• infine, Forrester la descrive come “il processo attraverso il quale un’organizzazione formalizza la “responsabilità fiduciaria” alla gestione dell’asset dati fondamentale per il suo successo” [3]

Noi (Bip xTech) possiamo definire la Data Governance come un sistema di processi, regole, politiche, standard e metriche finalizzate ad assicurare un efficiente ed effettivo utilizzo delle informazioni. La Data Governance è, quindi, l’abilità di gestire i dati come un asset aziendale.

La Data Governance è un requisito essenziale per guidare la raccolta e l’utilizzo di una grande quantità di dati ai quali ora le aziende hanno accesso. Questa non è solo una misura di protezione, che riduce rischi ed assicura conformità con le iniziative di sicurezza dei dati, ma anche un modo per capitalizzare il reale valore dei dati.

L’applicazione di un efficace framework di Data Governance può portare numerosi vantaggi all’organizzazione, tra cui:

• Data quality migliorata
  Con l’implementazione di modelli, metodologie e strumenti che assicurino un adeguato livello di affidabilità all’interno del sistema informativo aziendale, andando così a supportare la governance, il reporting e il miglioramento dei processi aziendali. Questo è possibile solo grazie a dati chiari, ben definiti e accurati. Recenti ricerche mostrano che il costo medio stimato per dati di scarsa qualità sia di circa 10.8 milioni di dollari ogni anno. Questa cifra è destinata a crescere per via di aziende sempre più digitalizzate e complesse.

• Riduzione e mitigazione dei rischi operativi
  I costi del risk management diminuiscono, così come quelli derivanti da decisioni aziendali basate su dati inattendibili o errati, con conseguenti vantaggi reputazionali, operativi ed economici.

• Processo di advanced analytics accelerato
  Una metrica di settore spesso citata è che l’80% del tempo dei Data Scientist viene speso in attività di pulizia dei dati, rendendoli idonei a soddisfare lo scopo dell’analisi (ad esempio predittiva, prescrittiva) o dell’apprendimento automatico. Un solido framework di governance dei dati consente a un’organizzazione di avere una comprensione coerente, affidabile e precisa dei propri dati, accelerando così l’avanzamento del proprio percorso di advanced analytics.

• Nuova opportunità di monetizzare i dati
  La capacità di sfruttare i dati per arricchire i prodotti con servizi a valore aggiunto, customer experience migliorate o realizzare nuove opportunità di business per generare migliori risultati economici è esponenzialmente maggiore quando i dati sono resi comprensibili, affidabili, accessibili e utilizzabili regolarmente.

• Terminologia condivisa
  Con l’introduzione di strumenti come il Business Glossary e il Data Dictionary, si riducono i malintesi e si semplifica la comunicazione tra gli stakeholder, riducendo il rischio di un uso inadeguato dei dati.

• Migliore capacità di soddisfare la conformità legale e normativa
  Diverse normative stabiliscono requisiti che possono essere soddisfatti solo attraverso una gestione dei dati controllata. In precedenza, queste normative erano rivolte solamente ad alcuni settori specifici – come quello bancario e assicurativo. Ora, sempre più spesso, le normative hanno un ambito di applicazione più ampio e hanno un potenziale impatto in tutti i settori. La EU Data Governance Act, ad esempio, mira a migliorare le condizioni e i meccanismi per la condivisione dei dati tra le aziende rendendo disponibili i dati del settore pubblico.

3.1    Organizzazione

Un programma di Data Governance efficace e di successo deve essere ancorato a solidi principi che sono condivisi nell’azienda. Il primo step in questo senso consiste nell’individuare i cosiddetti Data Principles e stabilire un framework di politiche, standard, processi e linee giuda che costituiranno l’architettura alla base del programma di Data Governance.

I Principi contribuiscono a definire la visione strategica e la mission dell’azienda, guidano la roadmap del programma di Data Governance e i suoi risultati.

Le Politiche codificano i Principi in regole fondamentali che disciplinano la creazione, l’acquisizione, l’integrità, la sicurezza, la qualità e l’uso di dati e informazioni. Le politiche sono il “cosa” della Data Governance: cosa fare e cosa non fare.

Processi e Procedure sono istruzioni che devono guidare step-by-step l’implementazione delle politiche. Fissano “chi” deve compiere azioni, “quando” e “dove” tutte le attività devono essere svolte.

Le Linee Giuda e Best Practices, infine, sono basate sull’esperienza e le lessons learnt. Forniscono le direzioni su come eseguire e gestire le attività dei dati in maniera efficiente ed efficace.

Ogni organizzazione dovrebbe adottare un modello di Data Governance che supporti la propria strategia di business e possa avere successo nel proprio contesto culturale. La letteratura suggerisce che esistono tre tipi di modelli di organizzazione, che differiscono l’uno dall’altro in termini di struttura, livello di formalità e approccio al processo decisionale. Nel Modello Centralizzato, l’organizzazione della Data Governance supervisiona tutte le attività per tutte le aree. Nel Modello Decentralizzato, gli standard e i modelli operativi della Data Governance sono adottati in maniera singola da ogni business area. Nel Modello Federato, l’organizzazione della Data Governance coordina diverse aree di business per mantenere definizioni e standard coerenti.

Una volta definito il modello più idoneo, è necessario individuare ruoli e responsabilità delle persone a tutti i livelli:

• Ruoli esecutivi. Questi ruoli hanno la responsabilità generale di influenzare l’adozione di una cultura organizzativa basata sui dati e di fornire indicazioni sulle priorità. Coinvolgono principalmente la C-suite (CEO, CIO, CTO, CFO) e sempre più un Chief Data & Analytics Officer (CDAO). Il concetto di Chief Data Officer (CDO) sul lato aziendale ha guadagnato molta credibilità nell’ultimo decennio e progressivamente abbiamo assistito all’emergere del ruolo di Chief Analytics Officer (CAO) per guidare le informazioni sui dati. Più recentemente, abbiamo assistito al mutamento di questi due nuovi ruoli di C-suite, portando alla creazione del CDAO che dovrebbe essere l’autorità competente in merito a dati, insights, valore e monetizzazione. Dovrebbero essere in grado di influenzare la progettazione della strategia aziendale e dell’innovazione attraverso l’uso di dati di alta qualità.
• Ruoli di Business. Si concentrano principalmente sulla stewardship. L’obiettivo della stewardship consiste nel fornire competenza sui domini dei dati, definire termini di business, gestire i requisiti per la qualità dei dati e attribuire regole di business per i dati assegnati.
• Ruoli IT. L’obiettivo principale è la custodianship. La custodia mira a stabilire la progettazione, il flusso e l’integrazione dei dati (es. Data Architect), eseguire il flusso e la migrazione dei dati (es. Data Engineer), progettare le strutture per la memorizzazione dei dati (es. Data Modeler), gestire le piattaforme dati (es. Database Administrator, Big Data Specialist), nonché altre funzioni di supporto dati (es. Data Security Administrator).
• Ruoli Ibridi. Richiedono una combinazione di conoscenze tecniche e commerciali. Per citarne alcuni, il Data Quality Analyst – responsabile della determinazione dell’idoneità dei dati – e il Metadata Specialist – responsabile dell’integrazione, del controllo e della distribuzione dei metadati, ecc.

3.2    Abilitatori

Il Business Glossary rappresenta uno dei maggiori strumenti per una gestione efficace dei dati. Il suo primo obiettivo è quello di eliminare confusione semantica nell’azienda, in modo tale che ogni termine abbia un significato conosciuto in tutta l’organizzazione. La definizione dei termini aziendali permette di eliminare ambiguità e altri fattori che possono generare confusione.

Il glossario aziendale consente una visione olistica dei termini, incluse caratteristiche come relazioni gerarchiche, ownership, regole di ingaggio (da creare/aggiornare/eliminare), qualità, workflows, ecc. Il glossario deve essere uno strumento vivo, che è continuamente sincronizzato con lo sviluppo del business e richiede una gestione continua per mantenerlo aggiornato.

I vantaggi di avere un Business Glossary sono:

• Migliore comprensione dei concetti aziendali, fornendo un significato condiviso e consistente
• Migliore comunicazione tra business e IT, confrontando e condividendo le caratteristiche dei dati tra le funzioni aziendali e IT
• Riduzione dei tempi di analisi dei dati e di recupero delle informazioni relative a un determinato termine, facilitando l’analisi e l’utilizzo per l’intera azienda.

Il Business Glossary, insieme al Data Dictionary, facilita le operazioni di ricerca e consente di individuare i dati più velocemente.

Il Data Dictionary è il repository dei metadati che definiscono la struttura ed il contenuto di ogni data asset dell’azienda dal punto di vista tecnico. È anche utilizzato per definire nome, descrizione, struttura, formato, gruppi di valori ammessi, relazioni e valori univoci che i dati possono assumere.

È tipicamente formato dalle seguenti sezioni:

• Data Sources: database, file systems, data lakes, etc. Sono repository in cui, alla massima aggregazione gerarchica, vengono archiviati i dati. Possono essere, ad esempio, database con una o più tabelle (entità). Un Data Source può contenere al suo interno una o più entità.
• Entità: tabelle, viste, file strutturati o semi-strutturati, ecc. All’interno di un’origine dati, rappresentano insiemi di attributi, come una tabella o un foglio di calcolo con colonne. Un’entità rappresenta un oggetto del mondo reale.
• Attributi: spesso colonne di tabelle. Rappresentano dati individuali nella loro forma più elementare.

Generalmente, è possibile importare e aggiornare automaticamente i metadati tecnici attraverso la scoperta, l’integrazione e la scansione automatica delle fonti dati.

Un fattore fondamentale di una trasformazione Data Driven è l’affidabilità dei dati presentati. Ciò può essere ottenuto consentendo all’utente di comprendere la provenienza dei dati attraverso il Data Lineage, fornendo la trasparenza sull’origine, i percorsi, le trasformazioni e la presentazione dei dati.

Il Data Lineage è solitamente presentato in un formato grafico/visivo che consente sia la tracciabilità che l’interpretabilità con altri elementi collegati. È solitamente definito come:

• Orizzontale: quando solo gli asset di dati tecnici (ad es. database, tabelle, colonne, flussi di dati, ecc.) o solo gli asset di business (ad es. termini commerciali, acronimi, politiche, processi, ecc.) rientrano nell’ambito dell’analisi.
• Verticale: quando le risorse dei domini tecnici e aziendali sono riunite nella stessa lineage analysis, in modo tale che gli utenti possano capire come i concetti di business si associano, influiscono o vengono implementati dalle strutture dato tecniche.

Altri scenari in cui la Data Lineage ha effetti positivi sono:

• Rapida determinazione della Root-Cause: La Data Lineage consente di individuare rapidamente problemi di qualità nel punto in cui si verificano attraverso la tracciabilità lungo il percorso
• Assestamento veloce a impatti/cambiamenti: La Data Lineage consente una valutazione a priori dell’impatto su applicazioni, dati, processi e sistemi a causa di esigenze aziendali o normative e contribuisce all’efficienza operativa e alla mitigazione del rischio

Inoltre, affinché i dati abbiano valore, devono essere affidabili e corretti; quindi, è necessario implementare un processo di monitoraggio, misurazione e rendicontazione del livello di qualità dei dati.

Esistono diverse strategie perseguibili per ottenere un Data Quality efficace, e le scelte effettuate sono basate sulla maturità e sul contesto degli asset informativi dell’organizzazione. La preferenza sarebbe di attuare azioni preventive che non consentano errori, stabilendo regole di immissione dei dati che impediscano l’ingresso nel sistema di dati non validi o imprecisi. Tuttavia, possono esserci vincoli che rendono tale approccio insostenibile o proibitivo e di conseguenza, si può passare al monitoraggio della qualità dei dati attraverso l’osservazione di opportuni indicatori chiamati Key Quality Indicators, KQI. Questi indicatori possono essere definiti in base a criteri e soglie, consentendo a un osservatore di avere un livello di fiducia nei confronti della qualità dei dati. Nella loro forma elementare, i KQI rappresentano indicatori sintetici che forniscono il livello di aderenza ai requisiti di qualità dei dati. Le dimensioni standard di definizione dei KQI sono:

• Completezza: assenza di campi vuoti, per avere informazioni con sufficienti dati
• Unicità: assenza di duplicati tra i dati
• Tempestività: dati sufficientemente aggiornati, rispetto a determinati criteri temporali
• Validità: dati che rispettano formati predeterminati
• Accuratezza: dati sufficientemente accurati, che garantiscono l’affidabilità rispetto alle aspettative tecniche e di business
• Consistenza: dati presenti su tabelle o sistemi diversi, ma che rappresentano i medesimi oggetti, sono reciprocamente coerenti

I controlli di Data Quality sono generalmente progettati e impostati come regole di controllo o metriche, che si aggregano poi in KQI. I loro risultati vengono registrati e visualizzati tramite report e dashboard sulla qualità dei dati, in modo che i Data Stewards possano monitorare le loro tendenze e intraprendere le azioni appropriate secondo necessità.

3.3    Processi

In un contesto dove le regole di Data Governance sono definite con le loro rispettive competenze, responsabilità e strumenti a supporto, è essenziale definire gli aspetti operativi della gestione dei dati dove gli attori interagiscono tra loro secondo un dettagliato flusso di lavoro da mettere in pratica attraverso task, azioni o escalation.

I processi di gestione dei dati coprono le aree di Metadata Management, Data Quality Management e Data Lifecycle Management.

Metadata Management si basa su un insieme di processi che definiscono fasi operative per la gestione dei glossari aziendali e dei dizionari dati. Il Metadata Management può essere definito come l’insieme dei processi per la creazione, il controllo, il miglioramento, l’assegnazione, la definizione e la gestione dei metadati – ovvero i contenuti del glossario e del dizionario –, realizzati per garantire che le informazioni contenute siano contestuali, coerenti e aggiornate.

I processi di Metadata consentono di raggiungere una rappresentazione univoca dei dati, aiutando gli utenti nell’interpretare e usare correttamente i dati. Inoltre, il metadata management consente di monitorare la qualità dei dati nel dizionario, diventando così uno sportello unico per creare conoscenza, trasparenza e fiducia nei dati.

Data Lifecyle Management è l’insieme dei processi relativi alla creazione, manutenzione ed eliminazione dei dati. Indicano come, quando, da chi ed in quali sistemi i dati possono essere creati, aggiornati, archiviati e, eventualmente, eliminati.  All’interno di tale insieme di processi, un ruolo importante è svolto dai processi di Master Data Management, che descrivono il ciclo di vita dei Master Data, asset chiave che rappresentano le entità aziendali e forniscono il contesto per i dati transazionali.

Data Quality Management contempla i processi finalizzati al raggiungimento e mantenimento di un alto livello di qualità dei dati in tutta l’organizzazione. Sono comprese tutte le attività necessarie per definire, monitorare e migliorare la qualità dei dati nel tempo. Comprendono tutte le attività necessarie per definire, monitorare e migliorare la qualità dei dati nel tempo. In primo luogo, i controlli sulla qualità dei dati e i KQI devono essere definiti dagli SME di business supportati da Data Stewards e approvati dai Data Owner; in secondo luogo, devono essere tradotti in query tecniche, formule o algoritmi, in modo che possano essere implementati ed eseguiti nelle fonti dato; in terzo luogo, i risultati delle esecuzioni del controllo della qualità dei dati devono essere riportati in dashboard, in cui i Data Steward e i Custodian possono monitorarli e rilevare eventuali scostamenti dai valori attesi. Infine, occorre intervenire su eventuali problematiche rilevanti, progettando e realizzando azioni di bonifica, che possa risolverle sia sui dati esistenti che su quelli futuri.

La maggior parte delle soluzioni di Data Governance ha funzionalità integrate per eseguire workflow e spostare questi processi dall’essere solo progettati all’essere effettivamente seguiti ed eseguiti. L’obiettivo finale è ottenere una pratica di gestione dei dati collaborativa all’interno dell’azienda, in cui tutti possano contribuire e garantire la corretta gestione e utilizzo dei dati.

4. Fattori di Successo e Nuovi Trend

Negli anni Bip xTech ha completato con successo molti progetti di adozione della Data Governance, lavorando con clienti di tutti i settori. Bip xTech ha sviluppato un framework che permette alle aziende di attuare la Data Governance in maniera incrementale, con risultati tangibili raggiunti in breve tempo e la capacità di affrontare gli ostacoli organizzativi e culturali in modo pragmatico per garantire la sostenibilità a lungo termine del programma.

In Bip xTech, la Data Governance è diventata una priorità:

– sia da un punto di vista normativo, avendo aiutato numerosi clienti nei settori bancario, assicurativo e farmaceutico a raggiungere la conformità alle norme e ai regolamenti specifici di settore

– sia da un punto di vista di advanced analytics, avendo sviluppato migliaia di applicazioni di data science e analytics, e avendo realizzato l’importanza di governare dati di alta qualità per creare valore e guidare l’innovazione

Il nostro approccio iterativo ed incrementale per l’adozione del framework di Data Governance consiste in un metodo di lavoro focalizzato sul definire e prioritizzare chiaramente i casi di utilizzo dei dati. Partendo da una fase di valutazione in cui viene esaminato lo scenario as-is, lo confrontiamo con best practices e benchmark di settore e individuiamo i gap. L’approccio procede successivamente nella definizione di una roadmap evolutiva e sviluppando use case pilota che guidano l’organizzazione nell’adozione dei nuovi modelli operativi, procedure, processi e tecnologie per la governance degli asset informativi.

In Bip xTech investiamo risorse significative per sviluppare partnership sia con associazioni di settore che con fornitori di tecnologie, così da permetterci di mantenere il livello di competenze allo standard più alto possibile ed ufficialmente certificato, questo per garantire ai nostri clienti servizi affidabili e sempre ai massimi livelli.

Dal 2017 Bip xTech è stata pioniera nell’aiutare i clienti ad adottare il framework di Data Management pubblicato da DAMA International (https://www.dama.org/),  l’associazione più importante di professionisti di Data Management al mondo. Siamo Gold Corporate Members di DAMA Italy (https://dama-italy.org/), la sezione italiana di DAMA International, aiutando a promuovere e diffondere conoscenze e best practices del Data Management.

Grazie alla nostra vasta esperienza, abbiamo anche sviluppato un acceleratore che utilizziamo nei nostri progetti per velocizzare l’adozione della Data Governance e promuovere best practices concrete. Il Data Governance Booster® di Bip xTech è una soluzione personalizzabile di data management volta ad accelerare il percorso di trasformazione. Si rivolge ai Clienti che vogliono dare una vera spinta alla Data Governance, eventualmente in preparazione al passaggio ad altre soluzioni di mercato. Il Data Governance Booster® riduce i costi di implementazione sfruttando le funzionalità della suite Microsoft 365, disponibile nella maggior parte delle aziende, la piattaforma SharePoint Online, le sue funzionalità out-of-the-box e le applicazioni associate. Il Data Governance Booster® fornisce funzionalità per Metadata Management, Data Lineage, Data Stewardship e Data Quality.

Tra i maggiori benefici del Data Governance Booster® che sono stati riscontrati dai nostri progetti di Data Governance citiamo i seguenti:

• È una soluzione professionale e vincente per migliorare l’esecuzione dei progetti di Data Governance, eliminando le “classiche” attività in Excel
• Offre una copertura completa per abilitare le funzioni chiave della Data Governance
• È facile e veloce da configurare ed integrare con Microsoft 365
• Si presenta con un’interfaccia user-friendly e facile da usare, compatibile con diversi dispositivi
• Ha costi di licensing e gestione abbordabili rispetto ai top market players
• È configurabile sulle esigenze del Cliente e fornisce connettori per l’eventuale migrazione alla soluzione di mercato

Strumenti come Data Governance Booster® stanno espandendo i propri orizzonti non solo nella governance dei dati ma anche di applicazioni avanzate, come modelli di Intelligenza Artificiale. Per anni Bip xTech ha supportato molti Clienti anche nell’esecuzione di modelli di AI e nel far emergere la loro reale capacità di creare un enorme valore aziendale.

Molte aziende hanno ormai raggiunto una fase molto matura, con decine di modelli di Intelligenza Artificiale in operations in tutti i loro dipartimenti ed unità. Di conseguenza vediamo ora la loro crescente necessità di governare l’Intelligenza Artificiale adottando i giusti modelli organizzativi e operativi, nonché la giusta tecnologia. Governare l’Intelligenza Artificiale implica in primo luogo la creazione di una conoscenza accurata e condivisa dei modelli attraverso un catalogo – proprio come fa un dizionario dati –, in secondo luogo richiede di assegnare responsabilità chiare – proprio come i data owner sono responsabili dei loro dati –, infine richiede la misurazione di una serie di metriche di business, tecniche ed etiche – ancora una volta, esattamente come i dati richiedono controlli di Data Quality.

Pertanto, le aziende che seguono un percorso di Data Governance, spianano la strada verso un cammino molto più agevole verso la Governance dell’Intelligenza Artificiale.

Bip xTech, combinando le sue competenze core su Intelligenza Artificiale e dati, è il partner perfetto che può guidare il Cliente verso una realizzazione di successo di Governance sia dei dati sia dell’Intelligenza Artificiale.

---

Per richiedere maggiori informazioni sulla nostra offerta end-to-end o avere un confronto con uno dei nostri esperti, è sufficiente mandare una mail a [email protected] con oggetto “Data Governance”. Sarete ricontattati immediatamente.

---

[1] Gartner glossary – Information Technology

[2] DAMA-DMBOK, Chapter 3

[3] Forrester Glossary