Datalab: i piccoli laboratori che danno vita a grandi progetti

I dati sono il nuovo Eldorado del business. È un fenomeno di cui tutti, dai GAFAM e dai social network alle PMI, sono ormai consapevoli. I dati possono essere una fonte di innovazione, di guadagno e di miglioramento di prodotti e servizi.

Da qui la nascita negli ultimi anni, all'interno delle organizzazioni, di strutture dedicate al loro sfruttamento. Più o meno avanzate, sono state gradualmente integrate nell'organigramma esistente. Diverse possono coesistere in parallelo, così come le tecnologie che sfruttano questi dati.

Come far sì che le risorse umane e le infrastrutture lavorino insieme in modo più efficace su questo tema centrale dei dati? Come innovare e implementare nuove applicazioni il più rapidamente possibile?

Questo è lo scopo di un laboratorio interdisciplinare dedicato ai dati: il Datalab. Vi spieghiamo cosa comporta un progetto di questo tipo, come può essere realizzato e quali sono le aziende che lo sfruttano.

Vedere tutti i software Analisi dati

Cos'è un Datalab?

I laboratori sono di gran moda. In un mondo in cui l 'agilità è diventata fondamentale, essi apportano flessibilità e reattività alle organizzazioni. E lo fanno senza bisogno di rivedere la gerarchia o l'organigramma.

Il loro obiettivo è incoraggiare l'innovazione consentendo la sperimentazione.

Un laboratorio può essere definito come "una struttura che incoraggia l'emergere di idee dirompenti, isolando i progetti incerti in modo che possano essere implementati senza sconvolgere l'organizzazione esistente" (Olivier Laborde).

Questo concetto di laboratorio assume molte forme. È naturale che sia stato trasposto nel campo dello sfruttamento dei dati.

Oggi un'azienda può avere molti professionisti dei dati. Tra questi, ma non solo, il Chief Data Officer (CDO), il Data Scientist e il Chief Data Scientist, l'Analista di dati, l'Architetto e l'Ingegnere dei Big Data, il Master Data Manager, il Manager della Business Intelligence, il Data Miner, il Responsabile della protezione dei dati, l'Ingegnere di Machine Learning...

Questo elenco evidenzia immediatamente il problema. Tutte queste funzioni non fanno capo allo stesso dipartimento, non hanno necessariamente lo stesso obiettivo o la stessa cultura. Non utilizzano gli stessi strumenti software. Non sono in contatto costante.

Inoltre, altre funzioni generano, gestiscono, utilizzano o beneficiano dei dati. Il marketing, per esempio.

Come si fa a riunire tutte queste competenze e a combinarle in una struttura dati agile ed efficiente? Creando un Datalab.

La creazione di un Datalab è anche un'opportunità per integrare nuove competenze e talenti. Alcuni progetti prevedono una grande percentuale di nuove assunzioni fin dall'inizio.

Il Datalab avrà il vantaggio di operare come una start-up, o un incubatore, all'interno dell'organizzazione stessa. Non si sostituisce a ciò che già esiste, ma mira a potenziarlo in un contesto diverso.

Definire una strategia in anticipo

Anche se l'idea iniziale è quella di incoraggiare la flessibilità e la creatività, la creazione di un Datalab è meglio farla tenendo conto di alcuni prerequisiti.

Strategicamente, se possibile, occorre definire gli obiettivi prioritari. Questo è il compito principale della direzione. Anche se lo scopo del Datalab è quello di incoraggiare il fermento intellettuale e la nascita di progetti creativi, è possibile indirizzarne gli sforzi. È meglio specificare fin dall'inizio se l'obiettivo è diversificare l'attività, migliorare il servizio clienti, raccogliere nuovi dati, ecc.

Tuttavia, la massima libertà può anche generare maggiore impegno e innovazione dirompente.

Tecnicamente, dovrete probabilmente affrontare la complessità insita nella gestione dei dati e dei Big Data. In un'azienda di grandi dimensioni, possono esistere più "silos" indipendenti che trattano i dati, per ragioni storiche, geografiche o tecniche. Le tecnologie utilizzate per la raccolta, l'archiviazione, l'elaborazione e l'utilizzo dei dati possono quindi essere molteplici e ridondanti, e richiedono un adattamento.

Uno dei vantaggi di un Datalab è che può incoraggiare l' armonizzazione tecnica, forse anche in anticipo. Il Datalab può portare alla creazione di un Data Lake, se non già esistente. Inoltre, poiché la qualità e la validazione dei dati sono di fondamentale importanza, può essere l'occasione per verificare questi prerequisiti.

Anche dal punto di vista legale è necessario un lavoro di approfondimento. Ma è sempre necessario quando si vogliono utilizzare i dati su larga scala. L' origine eterogenea dei dati significa che non sono stati raccolti negli stessi contesti, con gli stessi obiettivi, e quindi non necessariamente con gli stessi vincoli legali iniziali. Si tratta di una difficoltà classica, che non va sottovalutata fin dall'inizio.

Non trascurare le risorse umane

Oltre a questi tre pilastri da tenere in considerazione, rimane un'altra difficoltà. È insita nella creazione di una struttura interfunzionale: è il fattore umano.

All'improvviso, all'interno di un'entità a volte informale, si riuniscono dipendenti che hanno una cosa in comune: i dati. Ma possono anche essere radicalmente diversi. Nulla li predestina a formare un'allegra banda di amici uniti da un obiettivo comune.

Nel Datalab si possono trovare profili diversi come un marketer, un data engineer, un venditore e un coder specializzato in Machine Learning. Questo è il senso di un laboratorio.

Potrebbe quindi essere una buona idea pianificare un lavoro preliminare o di follow-up con un consulente specializzato nella gestione del cambiamento.

Tanto più che potrebbe esserci una resistenza a questo cambiamento, come è logico che sia. I dipendenti potrebbero essere più inclini a tenere per sé le proprie idee, competenze e contributi e a utilizzarle all'interno del proprio reparto. Dobbiamo quindi fare in modo che i risultati del Datalab siano gratificanti per tutti.

Un dettaglio, ma non l'unico: i locali

Come si vedrà dagli esempi che seguono, la maggior parte delle aziende che allestiscono un Datalab (e probabilmente anche altri tipi di laboratorio) lo fanno in ^{locali dedicati1}.

Le ragioni sono molteplici:

• È importante che i locali riflettano la libertà dell 'organizzazione. Devono essere aperti, luminosi, flessibili e divertenti, con un minimo di vincoli.
• Può anche essere importante che i locali siano interdisciplinari. Ciò significa che non dovrebbero essere fisicamente legati a un servizio o a un dipartimento (che in tal caso avrebbe la precedenza sugli altri).
• L'ideale sarebbe che i locali scelti fossero completamente nuovi, progettati per questo progetto, anche se ciò non è ovviamente alla portata di tutte le aziende.

Ispirarsi a storie di successo: 3 esempi di Datalabs

Secondo Les Echos, due terzi delle aziende del CAC 40 hanno già un Datalab, quindi è facile e utile interessarsi a loro, per copiare il loro modello o evitare di commettere gli stessi errori.

Ecco alcuni feedback provenienti da diversi settori.

Axa: un assicuratore al centro dei dati

Il Data Innovation ^Lab2 di Axa è stato progettato attorno a un team di ricerca e sviluppo di... 4 persone. Lanciato con 15 dipendenti, oggi ne conta più di 70, a cui vanno aggiunti una trentina di partecipanti esterni o una tantum.

Creato nel 2014, uno degli obiettivi del Lab era quello di creare polizze di assicurazione auto il cui prezzo cambiasse in base al comportamento del conducente. Si è posto 5 obiettivi di ricerca: frodi, gestione dei sinistri, analisi del comportamento di guida per ridurre i premi per i guidatori virtuosi, salute connessa e marketing.

Axa ha firmato un contratto con Facebook nel 2014, al momento del lancio. Di conseguenza, l'assicuratore non gestisce più solo i propri flussi di dati, ma anche quelli esterni con gli Open Data.

I progetti che nascono da questo laboratorio sono considerati da Axa come "satelliti agili", piattaforme che all'inizio sono indipendenti dall'IT. Successivamente, se sono sostenibili e dimostrano il loro ROI, possono essere integrati nel sistema esistente.

Il progetto Datalab di AXA è molto significativo perché include una dimensione di "creazione di nuovi talenti" fin dall'inizio. L'assicuratore ha stanziato un budget di 180 milioni di euro per la formazione dei futuri dipendenti. Ciò ha portato all'apertura di una cattedra di "Strategia digitale e Big Data" presso l'HEC Paris e di un altro corso di "Data Science per il settore assicurativo" presso il Polytechniques.

Infine, per portare il suo approccio innovativo al livello successivo, Datalab ha creato anche un incubatore. L'incubatore si appoggia al fondo di investimento AXA Strategic Ventures (ASV) per sostenere progetti promettenti.

Un impegno totale per la transizione digitale. L'assicuratore è quindi in grado di aiutare l'emergere di nuovi progetti, di trasformarli in realtà e di integrare i dipendenti formati per questi compiti. Un must.

SNCF, un'azienda di dati che non sapeva di esistere

Avreste mai citato spontaneamente la SNCF come esempio di Datalab? Probabilmente no, eppure questa creazione è perfettamente giustificata.

Il 29 agosto 2018 i responsabili delle varie entità del gruppo SNCF hanno presentato la nuova tappa della strategia digitale: costruire l'azienda di domani grazie ai ^dati3.

L'azienda storica ha un patrimonio di dati. Dobbiamo solo esserne consapevoli e sfruttarli al meglio. Il nostro patrimonio di dati comprende dati storici come gli orari, i dati di servizio di 15.000 treni, 30.000 chilometri di binari e 3.000 stazioni.

Ma più recentemente, comprende anche i dati che i clienti ci affidano attraverso i servizi offerti nelle stazioni e l'esperienza a bordo (connettività 3G/4G, Wifi, ecc.). L'obiettivo è utilizzare tutti questi dati per supportare il processo decisionale, la gestione aziendale, le prestazioni e la sicurezza.

Ciò ha portato alla creazione di un Datalab. In questo caso, l'obiettivo non è tanto l'innovazione quanto l'accesso ai dati da parte di tutti. Il laboratorio è un veicolo per la condivisione dei dati. Potenzialmente, qualsiasi agente può connettersi al DataLab e accedere alle serie di dati . La potenziale creazione di valore deriverà dalla manipolazione da parte degli agenti.

Il laboratorio è operativo dal 2018. Nel 2019, ha fatto riferimento a 350 set di dati.

Va notato che, dal 2010, sono già stati sviluppati dei Minilab con l'École des Mines Paristech. Alcuni di questi Minilab sono anche dedicati all' uso dei dati. Uno di essi, ad esempio, mira ad anticipare l'impatto del cambiamento climatico sulle ^{reti ferroviarie4}.

BNP: utilizzare l'intelligenza artificiale per innovare

Oltre a essere dedicato al 100% ai dati, il Datalab può anche essere un acceleratore per l'Intelligenza Artificiale. In particolare per lo sviluppo di progetti di Machine Learning.

Questo è l'approccio adottato da BNP. Nel particolare contesto del mercato bancario, è stata l'esigenza di riservatezza che ha spinto il Gruppo a portare questa struttura al proprio interno. Ciò significa che la ricerca, la manipolazione dei dati e la creazione di nuove applicazioni possono essere svolte in totale sicurezza.

Tra i progetti nati da questo laboratorio c'è una sorprendente applicazione di traduzione chiamata "Translate". Inizialmente erano necessari solo tre data scientist per sviluppare il PoC (Proof of Concept). Poi è stato un team di Machine Learning rafforzato a contribuire alla sua messa a punto. Questo nuovo strumento, progettato per la documentazione professionale (contratti, relazioni, documenti tecnici, ecc.), è diventato rapidamente uno dei preferiti all'interno dell'azienda.

Sono già stati avviati almeno una dozzina di altri progetti. Tra questi, un sistema di analisi automatica dei contratti, un motore di ricerca, un chatbot, uno strumento di analisi delle emozioni, l'analisi delle immagini e il riconoscimento dei caratteri.

BNP non nasconde la sua ambizione, attraverso questo Datalab, di acquisire e sviluppare una vasta esperienza nei settori legati all'IA. Ciò le consentirà di posizionarsi in futuro come attore credibile in questo settore.

Vedere tutti i software Analisi dati

💡 Punti chiave da ricordare

• Un Datalab è una struttura dedicata all'innovazione intorno ai dati.
• Il suo scopo è quello di riunire un'ampia varietà di risorse umane e infrastrutture.
• Può essere una struttura trasversale o dare origine a una creazione più integrata nell'organigramma.
• È stata adottata da un gran numero di società del CAC 40.
• Può essere estesa ad aree correlate, come l'Intelligenza Artificiale.