Ma quanto è importante l’analisi dei processi in un’organizzazione? Decisivo, potremmo dire. È il passaggio cruciale per tradurre gli insight ottenuti con l’analisi dei dati in miglioramenti operativi. Questo passaggio lo spieghiamo meglio in questo articolo.

Dati e analisi dei dati: di cosa stiamo parlando?

Avevamo già accennato nell’articolo sulle infografiche e dati intelligenti di come i dati abbiano acquisito nel tempo un ruolo fondamentale nelle organizzazioni: l’equazione fondamentale è dati=informazioni. E lo è, ovviamente, ma è altrettanto palese che i dati grezzi devono subire un processo di trattamento per essere interpretati.

Parliamo quindi di analisi dei dati quei processi che mirano a esaminare, pulire, trasformare e interpretare i dati al fine di ottenere informazioni utili per prendere decisioni informate. I dati possono provenire da diverse fonti: database aziendali, dati di mercato, dati dei clienti, dati finanziari e molti altri. Banalmente, l’analisi dei dati provenienti da sponsorizzate sul web ci aiutano a capire come il nostro messaggio viene recepito (oppure no). L’obiettivo principale è identificare relazioni, tendenze e insight (cosa sono gli insight) all’interno di questi dati. Questo processo coinvolge spesso l’uso di strumenti statistici, analitici e algoritmi di machine learning per rivelare informazioni nascoste.

Ora che è chiaro su cosa sia l’analisi dei dati passiamo al passaggio successivo: l’analisi dei processi.

Analisi dei processi: cosa significa?

Identifichiamo in analisi dei processi quelle sequenze di attività o operazioni che dall’analisi dei dati (input) mirano ad ottimizzare una o più aree specifiche dell’organizzazione. Stiamo parlando della produzione di beni, della gestione delle risorse umane, della fornitura di servizi.

Per fare un esempio pratico e molto attuale riguarda l’analisi dei processi per trasformare la produzione di un bene da inquinante a zero emissioni. Per fare questo vengono raccolti dati da svariate fonti (anche da fornitori), si analizzano e si pensano a nuovi processi che vadano a trasformare la linea di produzione.

In questo breve video facciamo vedere i passaggi fondamentali dell’analisi dei processi.

Vantaggi dell’analisi dei processi

Risulta palese la serie di vantaggi che un’analisi dei processi messi in campo in modo efficiente da persone competenti portino in un’organizzazione. Eccone alcuni:

1. Miglioramenti operativi: maggiore efficienza operativa, riduzione dei costi e miglioramento della qualità.
2. Riduzione dei rischi: identificare e mitigare rischi aziendali, come errori o problemi di conformità.
3. Agilità aziendale: per essere in grado di adattarsi rapidamente ai cambiamenti del mercato.
4. Miglioramento dell’esperienza del cliente: last but not least! È il cliente a portare il fatturato aziendale quindi è importante identificare punti di contatto critici con i clienti e a migliorare l’esperienza del cliente.

Capiamo che scrivere è molto semplice e concretizzare risulta molto difficile. L’importante è farsi circondare da un team di persone competenti, mettere in campo fiducia, rispetto reciproco delle opinioni di tutti e stabilire degli obiettivi raggiungibili. Questo significa abbandonare la vecchia logica manageriale top-down verso un approccio bottom-up.

Il punto è proprio qui: i dati intelligenti sono correlati alle infografiche? La risposta è sì e ora vediamo come questo collegamento può rendere la nostra giornata lavorativa più semplice.

Dati e dati intelligenti: cosa sono?

I dati hanno acquisito negli ultimi anni – seppur siano qualcosa di intangibile (leggi il nostro articolo sugli asset intangibili) – un valore sempre più crescente. Si pensi ad esempio ai dati personali, per i social network sono diventati motivo di fatturato, in quanto i dati raccolti vengono “venduti” per poter creare sponsorizzate dalle aziende che vogliono posizionarsi nel web.

Questo è ovviamente il panorama più inquietante che è emerso dall’ombra negli anni ma che nulla c’entra con quello che accade all’interno di un’azienda dove i dati sono quelli che vengono raccolti, per esempio, da tutti i macchinari connessi in uno stabilimento di produzione (la cosiddetta Internet of Things – IoT).

Sono milioni di dati che costantemente vengono registrati e che contengono informazioni preziose. Questi dati, infatti, da soli non servono a nulla se non vengono elaborati, interpretati, capiti. Parliamo quindi di dati intelligenti quei dati che vengono appunto trattati per aiutare a prendere delle decisioni.

In questo momento l’intelligenza artificiale offre un aiuto decisivo nell’interpretazione di tali dati come ad esempio nell’analisi predittiva. Basandosi proprio su statistica, l’intelligenza artificiale leggendo i dati, può riuscire a prevedere delle situazioni che – in base a specifiche condizioni – si sono verificate in passato e quindi aiutarci ad evitarle.

Nel caso invece di una gestione di dati documentali ci ritroviamo invece di fronte a milioni di informazioni e diventa sempre difficile riuscire a trovare a una correlazione tra di loro.

Sarebbe bello se tutta la documentazione fosse collegata, ordinata e catalogata fin dal principio. In realtà sappiamo invece che in molti casi si tratta di utopia e gli utenti – per diversi motivi – non gestiscono le informazioni in modo corretto.

Ci ritroviamo quindi con dati sparsi e disordinati.

Nel momento in cui approcciamo una ricerca, riuscire a “vedere” i collegamenti tra i vari documenti ci aiuterebbe non poco ad avere una visione a volo d’uccello e farci vedere “la luce”.

Per questo ci vengono in aiuto grafi e infografiche.

Grafi e infografiche: cosa sono?

Seppur condividendo una parte della parole, c’è una sostanziale differenza tra grafi e infografiche.

I grafi sono utilizzati in informatica per rappresentare le relazioni fra oggetti. Un grafo è composto da un insieme di nodi (o vertici) e un insieme di archi (o spigoli) che collegano questi nodi. Ecco il significato di questi due termini:

• Nodo (vertice): i nodi sono i punti o le entità nel grafo. Possono rappresentare oggetti, individui, luoghi o qualsiasi altra cosa che si desidera modellare. In un grafo, ogni nodo è unico e può essere collegato ad altri nodi tramite archi.
• Arco (spigolo): gli archi sono i collegamenti tra i nodi in un grafo. Gli archi rappresentano le relazioni o le connessioni tra i nodi. Possono essere diretti o non diretti, a seconda se vi è una direzione specifica tra due nodi o meno.

Ma veniamo alle infografiche. Esse sono rappresentazioni visive di informazioni, dati o concetti complessi che utilizzano elementi grafici come grafici, diagrammi, icone e immagini per comunicare in modo chiaro ed efficace. L’obiettivo principale delle infografiche è rendere le informazioni più accessibili e comprensibili, rendendo facile la visualizzazione e l’interpretazione dei dati o dei concetti che altrimenti potrebbero essere difficili da comprendere attraverso testo o numeri da soli.

Ecco le caratteristiche chiave di un’infografica:

1. Semplificazione: è proprio l’obiettivo delle infografiche, cioè semplificano dati complessi o concetti rendendoli più digeribili. Utilizzano spesso immagini e grafici per tradurre informazioni in un formato visuale.
2. Comunicazione rapida: ottenere una visione d’insieme in pochi secondi, il che le rende ideali per catturare l’attenzione e trasmettere messaggi chiari.
3. Varie forme: possono assumere molte forme diverse, alcune sono principalmente grafici o diagrammi, mentre altre sono più orientate all’uso di immagini, icone e testo. Il formato specifico dipende dall’obiettivo e dal tipo di dati o informazioni che si desidera comunicare.
4. Colore e design: si utilizzano colori, font e layout attraenti per migliorare la leggibilità e l’estetica.
5. Narrativa visiva: raccontano una storia visuale, utilizzano la disposizione degli elementi per guidare il lettore attraverso una sequenza di informazioni in un ordine logico.
6. Fonti di dati: sono incluse citazioni o fonti di dati per garantire la trasparenza e la credibilità delle informazioni presentate.

Arriviamo quindi all’unione di dati, grafi e infografiche.

Come possiamo unire dati, grafi e infografiche?

Potete capire immediatamente che le infografiche possono essere uno strumento potente per visualizzare e rappresentare i dati intelligenti in modo più efficace ed esteticamente accattivante.

L’uso di grafi diventa fondamentale specialmente quando si tratta di analizzare dati complessi o di estrarre informazioni significative da reti di dati interconnesse.

Un esempio è la gestione della conoscenza: l’uso di grafi può aiutare a organizzare e rappresentare la conoscenza in modo strutturato. Ad esempio, i grafi del knowledge graph (grafo di conoscenza) vengono utilizzati per collegare concetti e informazioni in modo da facilitare la ricerca semantica e l’accesso ai dati intelligenti.

Il nostro BoK, per esempio, utilizza grafi della conoscenza per rappresentare i dati dei risultati della ricerca e in modo esteso un database grafico, anche detto angolare. Fa parte delle funzionalità standard di BoK su cui è basato ogni algoritmo che gira in Graph.

I confini tra grafi e infografica stanno diventando sempre più sottili, anzi i due argomenti stanno letteralmente fondendosi. Oggi grazie a tool grafici standard già esistenti (come alcuni di quelli che usiamo in BoK – vedi la funzionalità di WordCloud e la rappresentazione di Network di documenti) e maggiormente in futuro grazie al supporto dell’AI, si generanno in modo indistinto entrambi. Rimarranno appannaggio dei grafici (per il momento) le infografiche specialistiche e/o le analisi su specifici fenomeni o le infografiche ad uso marketing o comunicazione. Già oggi la semplice Business Intelligence con l’assistenza dell’AI ci sta facendo vedere chiaramente che quella è la strada.

Conclusione

Come abbiamo già più volte affrontato in diversi articoli sul nostro blog inTheKnowledge, l’aumento vertiginoso della quantità di dati e informazioni ci pone davanti a un dato di fatto: rendere semplice e alla portata di tutti la ricerca delle vere informazioni che ci servono. L’utilizzo di grafi e infografiche è una delle soluzioni.

Fonti dei dati: Wikipedia

Questo sorpasso lo si vede chiaramente nello studio della Ocean Tomo che nel luglio 2020 ha aggiornato lo studio IAMV (Intangible Asset Market Value) per studiare gli effetti del Covid-19. Nel loro studio prendono in considerazione l’indice S&P 500 (l’indice più importante che raccoglie le 500 aziende con maggiore capitalizzazione in USA) e l’indice S&P 350 (che fa parte dell’S&P Global 1200, azioni di imprese scelte per longevità, liquidità, equilibrio industriale).

Ma partiamo con ordine e capiamo la differenza tra asset tangibili e asset intangibili. Proseguiremo l’articolo nell’approfondire questi ultimi per comprenderne l’importanza in un’azienda.

1. Asset tangibili: cosa sono

Gli asset tangibili rappresentano gli elementi materiali e fisici di un’organizzazione. Essi sono facilmente identificabili, misurabili e valutabili in termini di costi di acquisizione o produzione. Alcuni esempi di asset tangibili includono macchinari, immobili, infrastrutture, attrezzature e scorte di prodotti finiti. Questi beni fisici hanno a lungo costituito la base della valutazione patrimoniale delle aziende e sono stati considerati una misura importante della solidità finanziaria di un’organizzazione.

La natura tangibile degli asset ha permesso di garantire prestiti bancari e finanziamenti in base alle garanzie offerte da questi beni. A causa dei profondi cambiamenti in atto, l’economia globale si sta modificando e con essa anche il concetto di valore aziendale ha iniziato a mutare.

2. Asset intangibili: cosa sono

Gli asset intangibili, al contrario degli asset tangibili, rappresentano elementi immateriali e non fisici del valore aziendale. Essi sono spesso difficili da misurare e valutare in modo, appunto, tangibile, ma sono di fondamentale importanza per la crescita, l’innovazione e il successo a lungo termine di un’organizzazione. Alcuni esempi di asset intangibili includono:

1. Proprietà Intellettuale: questa categoria comprende brevetti, marchi registrati, copyright e segreti commerciali. Questi asset proteggono le idee e l’innovazione dell’azienda, fornendo un vantaggio competitivo e un’opportunità di monetizzazione attraverso licenze e royalties.
2. Reputazione del Marchio: La reputazione e la percezione del marchio da parte dei consumatori sono asset intangibili preziosi. Un forte marchio può attirare nuovi clienti, creare fedeltà e influenzare le decisioni di acquisto.
3. Conoscenza Organizzativa: Il know-how, le competenze e l’esperienza del personale sono asset intangibili critici. Un’elevata capacità di innovazione e adattamento può determinare la sostenibilità dell’azienda nel tempo. Su questo punto, come vedremo più avanti, noi di R-Tree concentriamo il nostro prodotto di punta BoK.
4. Relazioni Commerciali: Le relazioni consolidate con clienti, fornitori e partner strategici sono un valore aziendale che può portare a nuove opportunità di business e collaborazioni.
5. Ricerca e Sviluppo: Gli investimenti nella ricerca e nello sviluppo di nuovi prodotti o tecnologie rappresentano un asset intangibile che può aprire nuovi mercati e generare ricavi futuri.

3. La transizione verso un’economia basata sulla conoscenza

Il passaggio da un’economia industriale a un’economia basata sulla conoscenza ha accelerato la crescente importanza degli asset intangibili. Nel passato, la creazione di valore aziendale era fortemente correlata all’efficienza produttiva e alla quantità di beni fisici posseduti. Tuttavia, con l’avvento della rivoluzione digitale e della globalizzazione, il panorama economico ha subito una trasformazione radicale.

Oggi, il successo di un’organizzazione è spesso determinato dalla sua capacità di adattarsi rapidamente ai cambiamenti, di innovare e di anticipare le esigenze del mercato. Gli asset intangibili, come la capacità di creare idee innovative, il know-how tecnologico e l’agilità organizzativa, sono diventati i pilastri fondamentali su cui si basa la crescita e la competitività aziendale.

Saper gestire questo tipo di conoscenza diventa un’attività chiave dell’azienda che va presa in considerazione nel più breve tempo possibile.

4. Lo studio di Ocean Tomo

Come abbiamo accennato nell’introduzione, Ocean Tomo – società specializzata nella consulenza e nella valutazione di proprietà intellettuale e altri asset immateriali – ha condotto nel luglio 2020 il suo studio annuale – lo IAMV (Intangible Asset Market Value) – volto ad analizzare gli asset intangibili rispetto ai più famosi indici di mercato globali. Questo studio aggiornato aveva anche l’obiettivo di valutare l’andamento di questo asset dopo l’impatto del Covid-19.

Come si può vedere nel grafico sottostante per l’indice S&P 500 (l’indice più importante che raccoglie le 500 aziende con maggiore capitalizzazione in USA), è evidente come negli anni ci sia stata una netta inversione di tendenza tra la componente degli asset tangibili e gli asset intangibili.

Nel 2020 la componente intangibile è arrivata a toccare il 90% del totale.

Seppur in percentuale minore, anche per il S&P Europe 350 la tendenza è quella: si è passati infatti dal 71% nel 2015 al 74% nel 2020.

È quindi evidente come lo scenario sia cambiato in modo radicale, dandoci delle informazioni importanti rispetto a come approntare le strategie aziendali per il prossimo futuro.

5. Asset Intangibili: come valutarli e misurarli

Una delle sfide principali legate agli asset intangibili è la loro valutazione. A differenza degli asset tangibili, che possono essere valutati in base a costi di produzione o transazioni di mercato, gli asset intangibili richiedono modelli di valutazione più complessi e soggettivi. Sono diverse le metodologie utilizzate per valutare gli asset intangibili. Ne citiamo alcune:

1. L’analisi comparabile: questo metodo si basa sulla ricerca di transazioni simili.
2. Metodi contabili: si basano sui valori contabili degli asset intangibili, come il valore delle attività immateriali che vengono riconosciuti nel bilancio dell’azienda. Con questo metodo c’è il rischio di prendere delle valutazioni basate su costi storici che non tengono conto delle modifiche e delle innovazioni mercato.
3. Analisi finanziaria: è un metodo che si basa sull’impatto degli asset intangibili sulle prestazioni finanziarie dell’azienda.
4. Analisi di competenza: si basa sulla valutazione della capacità di un’azienda di competere con gli asset intangibili che possiede.

Tuttavia, nonostante le sfide di valutazione, è fondamentale per le aziende comprendere l’importanza degli asset intangibili e dedicare risorse alla loro gestione e protezione.

6. Come R-Tree può aiutare a gestire gli asset intangibili

R-Tree ha racchiusi nella propria Mission i concetti di gestione degli asset intangibili. Come abbiamo scritto al punto 3 del Paragrafo 2, la Conoscenza Organizzativa, e cioè il know-how, le competenze e l’esperienza del personale, sono asset intangibili decisivi per un’azienda. Essi vanno tutelati, gestiti e trasmessi alle generazioni successive in modo da non disperderli.

In questo senso diventa indispensabile poter gestire questa conoscenza intangibile e il nostro prodotto BoK diventa uno strumento utile per farlo.

BoK è un Enterprise Search Engine che, tramite un sistema di ricerca evoluto e grazie all’uso dell’intelligenza artificiale, permette di trovare le informazioni (e la conoscenza) interna all’azienda che ti serve in pochi clic, direttamente dalla propria postazione.

Per provare a vedere BoK in azione, ti invitiamo a richiedere una demo con noi:

Conclusioni

Oggi, l’agilità, l’innovazione e la capacità di adattarsi alle sfide emergenti sono aspetti critici per il successo aziendale, e questi sono spesso guidati da asset intangibili.

Le aziende che comprendono e gestiscono efficacemente i propri asset intangibili possono creare un vantaggio competitivo sostenibile: la consapevolezza e l’attenzione verso questi asset sono essenziali per rimanere rilevanti.

Ci sono, e fortunatamente il nostro BoK è una di quelle, diverse strategie efficaci che le aziende possono adottare per semplificare la ricerca dei documenti aziendali. In questo articolo esploreremo e spiegheremo gli strumenti di ricerca avanzati, le taxonomie, i metadati e le tecniche di indicizzazione che possono essere utilizzati per facilitare la localizzazione delle informazioni cruciali all’interno dell’organizzazione.

Ricerca dei documenti: strumenti di ricerca avanzati

Gli strumenti di ricerca avanzati utilizzano algoritmi per indicizzare, organizzare e recuperare i documenti in modo rapido e preciso. Alcune delle caratteristiche chiave degli strumenti di ricerca avanzati includono:

1. Riconoscimento delle parole chiave: Gli strumenti di ricerca avanzati sono in grado di identificare parole chiave all’interno dei documenti e di fornire risultati di ricerca pertinenti in base alle query degli utenti. Questo permette di trovare rapidamente i documenti che contengono informazioni specifiche. Questo è uno dei più importanti punti di forza del nostro BoK che, grazie alla nostra tecnologia, assegna ai documenti con la correlazione più efficace un rating più elevato.
2. Ricerca fuzzy: La ricerca fuzzy consente di trovare documenti anche quando le parole chiave potrebbero essere state digitate in modo errato o approssimativo. Questa funzionalità si basa su algoritmi di confronto che identificano termini simili o correlati, garantendo risultati di ricerca più completi.
3. Ricerca basata su metadati: Gli strumenti di ricerca avanzati possono utilizzare i metadati associati ai documenti per raffinare e limitare i risultati di ricerca. Ad esempio, è possibile cercare documenti in base all’autore, alla data di creazione, al tipo di file o ad altre informazioni correlate.
4. Ricerca semantica: La ricerca semantica va oltre la corrispondenza esatta delle parole chiave e analizza il significato contestuale delle query di ricerca. Questo approccio consente di ottenere risultati più rilevanti e di comprendere l’intento dell’utente, anche quando le parole chiave potrebbero non essere espresse in modo preciso.

Taxonomie

Le taxonomie sono sistemi di classificazione gerarchica che aiutano a organizzare e categorizzare i documenti in modo coerente, nel nostro BoK lo chiamiamo tagging ontologico. Una taxonomia ben strutturata consente di identificare rapidamente la posizione e la collocazione dei documenti all’interno della struttura di archiviazione. Ecco alcune considerazioni chiave nell’utilizzo delle taxonomie per migliorare la ricerca dei documenti:

1. Struttura gerarchica: Le taxonomie sono organizzate in una struttura gerarchica di categorie e sottocategorie. Questa struttura riflette la struttura delle attività aziendali e aiuta a raggruppare i documenti in base ai loro argomenti o ambiti di interesse. Ad esempio, un’azienda potrebbe avere una categoria “Progetti” con sottocategorie per ogni progetto specifico.
2. Denominazione coerente: È importante stabilire linee guida per la denominazione coerente dei documenti all’interno delle taxonomie. Utilizzare convenzioni di denominazione chiare e uniformi aiuta a facilitare la ricerca e la comprensione dei documenti. Ad esempio, i documenti all’interno della categoria “Progetti” potrebbero essere denominati utilizzando il nome del progetto seguito da una breve descrizione in modo che siano “parlanti”.
3. Aggiornamento continuo: Le taxonomie devono essere mantenute e aggiornate regolarmente per riflettere i cambiamenti nell’organizzazione e le nuove esigenze di archiviazione. È necessario monitorare e rivedere periodicamente la struttura delle taxonomie per garantire che i documenti siano correttamente collocati e facilmente accessibili.

Metadati

I metadati sono informazioni aggiuntive associate ai documenti che forniscono dettagli sul loro contenuto, sulla loro origine e sulla loro collocazione. Alcuni tipi comuni di metadati includono:

1. Autore: Il metadato dell’autore identifica la persona o l’entità che ha creato il documento. Questa informazione può essere utilizzata per trovare documenti specifici creati da un autore specifico.
2. Data di creazione: Il metadato della data di creazione indica la data in cui il documento è stato creato. Questa informazione può essere utilizzata per filtrare i documenti in base a un intervallo di date specifico.
3. Tipo di file: Il metadato del tipo di file specifica il formato del documento, ad esempio, Word, PDF o Excel. Questo metadato consente di cercare documenti in base al loro formato specifico.
4. Argomento: Il metadato dell’argomento consente di assegnare un’etichetta o una parola chiave che descrive il contenuto principale del documento. Questa informazione può essere utilizzata per organizzare i documenti in base agli argomenti rilevanti.
5. Versione: Il metadato della versione tiene traccia delle diverse versioni di un documento. Questo permette di accedere facilmente alle versioni precedenti e alle modifiche apportate nel tempo.

L’utilizzo dei metadati per arricchire i documenti consente di migliorare la ricerca e la navigazione, consentendo agli utenti di filtrare i risultati in base a criteri specifici.

Tecniche di indicizzazione

Le tecniche di indicizzazione sono fondamentali per facilitare la ricerca dei documenti aziendali. L’indicizzazione coinvolge l’assegnazione di parole chiave o termini rilevanti ai documenti per consentire una ricerca più efficiente. Ecco alcune delle tecniche di indicizzazione comuni:

1. Indicizzazione manuale: L’indicizzazione manuale coinvolge l’assegnazione di parole chiave o termini rilevanti a ciascun documento in modo manuale. Questo richiede un grosso lavoro manuale, ma consente una maggiore precisione nell’indicizzazione.
2. Indicizzazione automatica: L’indicizzazione automatica coinvolge l’utilizzo di algoritmi di estrazione delle parole chiave per assegnare automaticamente parole chiave o termini ai documenti. Questo processo automatizzato accelera l’indicizzazione, ma potrebbe essere meno preciso rispetto all’indicizzazione manuale.
3. Tecniche di analisi del testo: L’utilizzo di tecniche di analisi del testo, come l’elaborazione del linguaggio naturale (NLP), può migliorare l’indicizzazione dei documenti. Queste tecniche consentono di comprendere il contenuto dei documenti e di identificare parole chiave o concetti rilevanti.
4. Stemming e lemmatizzazione: Il stemming e la lemmatizzazione sono tecniche che consentono di ridurre le parole ai loro troncamenti (stemming) o forme di base (lemmatizzazione). Questo aiuta a standardizzare le parole e a migliorare la ricerca dei documenti considerando le varianti delle parole.

Conclusione

La ricerca dei documenti aziendali in modo efficace ed efficiente è uno dei fattori determinanti di un corretto knowledge management. Questa attività consente di trasferire e condividere le informazioni e soprattutto trattenere la conoscenza distintiva dell’azienda.

Il nostro BoK contiene queste strategie di ricerca ed è il miglior alleato per gestire la conoscenza aziendale e un turnover aziendale molto frequente (vedi i rischi del mancato passaggio generazionale nel TEDx talk di Federico Cussigh).

Per iniziare a conoscere quello che potrebbe essere il tuo miglior alleato per non lasciar scappare la conoscenza aziendale, richiedi una demo subito.

Molti considerano questi tre termini come sinonimi, ma in realtà non lo sono. In questo articolo vedremo quali sono le differenze.

Data Warehouse e Data Lake

Un Data Warehouse, un Data Lake e i Data Silos sono concetti molto diversi tra di loro. Si riferiscono a tre diverse modalità dei dati in un’organizzazione:

Un Data Warehouse è un sistema centralizzato che raccoglie tipicamente dati strutturati (vedi definizione di dati strutturati e dati non strutturati). I dati vengono organizzati per integrazione da più fonti dati presenti all’interno di un’organizzazione. I dati vengono trasformati e strutturati in modo da essere facilmente accessibili e utilizzabili per analisi e reporting. Il data warehouse viene progettato per supportare le esigenze specifiche di reporting e analisi dell’organizzazione, e spesso viene utilizzato per scopi decisionali. Normalmente i sistemi di Business Intelligence si integrano con questo tipo di sistema di data storage.

Un Data Lake, d’altra parte, è un archivio di dati che conserva al suo interno una vasta gamma di dati in vari formati, inclusi dati strutturati, semi-strutturati e non strutturati. Il data lake viene utilizzato per conservare grandi quantità di dati grezzi provenienti da diverse fonti, senza la necessità di trasformarli o strutturarli in anticipo. I dati possono essere archiviati nel loro formato originale e successivamente elaborati o analizzati secondo necessità. Un data lake offre maggiore flessibilità e scalabilità rispetto a un data warehouse tradizionale. I sistemi di knowledge management tipicamente fanno riferimento a questo tipo di fonte dati (rimandiamo al nostro articolo che definisce il knowledge management).

Entrambi i sistemi necessitano di una accurata progettazione e di chiara definizione delle strategie di scurezza nell’accesso ai dati.

Data Silos

I Data Silos, d’altro canto, si riferiscono alla situazione in cui i dati sono isolati in sistemi separati e non sono facilmente accessibili o condivisi tra i diversi dipartimenti o funzioni dell’organizzazione. I data silos possono essere il risultato di sistemi legacy, applicazioni dipartimentali o processi aziendali frammentati.

I data silos limitano la visibilità e l’accesso ai dati, ostacolando la collaborazione e la condivisione delle informazioni. Al di là delle organizzazioni dove i data silos sono obbligatori per legge o per accordi con i proprietari dei dati stessi (es. clienti che lavorano in settori speciali), molte aziende oggi hanno eretto a data silos ciò che invece è semplicemente un sistema caotico ed antiquato di archiviazione dei dati, dove ogni parte dell’organizzazione ritiene di essere la detentrice assoluta dei propri dati o dove i dati si trovano all’interno di soluzioni software che tra di loro non dialogano e/o non sono integrate.

Tipicamente chi adotta un modello a data silos genera nell’organizzazione la necessità di continue duplicazioni di dati e non permette a nessun organo aziendale di avere una visione globale dell’organizzazione.

Conclusione

In sintesi, il data warehouse è un sistema centralizzato per l’integrazione e l’organizzazione di dati tipicamente strutturati per scopi di reporting e analisi, il data lake è un archivio di dati grezzi e condivisi che contiene di norma sia dati strutturati che destrutturati e che quindi consente una maggiore flessibilità e scalabilità. I data silos sono sistemi isolati che ostacolano la condivisione dei dati e la collaborazione all’interno di un’organizzazione e che al più presto devono evolversi verso uno dei due modelli precedenti.

Gli unici data silos che hanno un senso organizzativo d’esistere oggi sono solo quelli obbligatori per legge o che dipendono da obblighi contrattuali. Se quindi data silos deve essere, almeno è necessario che essi siano organizzati al loro interno come dei mini-data warehouse o mini-data lake.

In merito alla gestione dei dati, la strategia “divide et impera” tipica dei data silos è certamente una strategia obsoleta e perciò per definizione perdente.

L’intervista a Federico Cussigh

I punti principali affrontati nell’intervista:

• Quanto vale il knowledge nella propria azienda? Non ci si può limitare solo al valore di bilancio, il vero valore importante è nel “saper fare” (minuto 9.00)
• Chi detiene il knwolege e in che cosa consiste? Ci sono Asset tangibili e asset intangibili (minuto 10)
• La staffetta generazionale e il problema del calo demografico. Cosa sta succedendo? (minuto 14)
• Quale la differenza nel lavoro tra nativi digitali e nativi analogici? (minuto 20)
• Come può l’intelligenza artificiale aiutare a superare il problema della staffetta generazionale? (minuto 29.00)
• La presentazione di un modello da adottare in azienda (minuto 33)
• Quali sono le competenze trasversali (soft skills) necessarie per affrontare un processo di knowledge management? (minuto 43)

Chi è Sales Line

Sales Line è una società di Milano che si occupa di selezione di personale. Lo fa in un modo diverso: è una piattaforma di competenze HR alternativa ai modelli rigidi e strutturati finora visti tra le società di ricerca e selezione del personale.

Le nostre soluzioni di knowledge management

In R-Tree technologies affrontiamo il tema del knowledge management con uno strumento che aiuta a gestirlo: BoK – Branches of Knowledge, un’applicazione web client che permette di trovare le informazioni che servono partendo dai dati e i documenti in possesso, attraverso la ricerca aumentata.

Se anche nella tua azienda cominciano ad evidenziarsi difficoltà di passaggio generazionale o vuoi iniziare a trattenere il tuo know-how, ti invitiamo a contattarci. Ti proporremo una soluzione adatta al tuo caso:

Chi è il Knowledge Manager

La produzione di documentazione prettamente in formato digitale e la sua conservazione comporta una difficoltà non indifferente nella sua gestione, non essendo reperibile “visivamente” ma allocata in modo “invisibile” all’occhio umano.

Ecco che la gestione di queste informazioni digitali ha cominciato a diventare un’attività preziosa all’interno delle aziende ed è qui che entra in gioco il ruolo del Knowledge Manager.

Il Knowledge Manager è una figura specializzata nel gestire, organizzare e ottimizzare il flusso di conoscenze all’interno di un’organizzazione. Ha una visione strategica e globale dell’organizzazione, ed è in grado di individuare i punti di forza e di debolezza del sistema di gestione delle conoscenze.

Deve essere consapevole dei ruoli e delle responsabilità all’interno di un’azienda, avere una vasta comprensione ed esperienza in tutte le attività previste in modo da progettare una strategia che abbia come cuore pulsante lo sfruttamento della conoscenza.

Cosa fa il Knowledge Manager

Il Knowledge Manager ha diversi compiti all’interno di un’organizzazione. Tra i diversi ne citiamo cinque importanti:

1. Sviluppa una strategia di Knowledge Management (KM)¹: stabilisce la direzione e la strategia delle attività di KM analizzando le scelte strategiche dell’impresa. Studia i processi, le attività e le persone coinvolte per comprendere quali sono le informazioni critiche e quali strumenti possono essere implementati per ottimizzare la gestione della conoscenza.
2. Costruisce un framework di Knowledge Management: significa progettare, implementare, monitorare e migliorare un flusso, che comprende ruoli, processi, tecnologie e governance per gestire la conoscenza all’interno dell’organizzazione. Ciò viene concretizzato progettando e implementando sistemi e strumenti che facilitano la condivisione delle conoscenze all’interno dell’azienda. Questi possono includere piattaforme collaborative di ricerca (come il nostro BoK), basi di conoscenza, database, intranet e altre soluzioni tecnologiche. Questi sistemi devo essere intuitivi, accessibili e sicuri.
3. Promuove e incentiva i comportamenti e la cultura del KM: il Knowledge Manager svolge un ruolo chiave nella promozione della cultura aziendale che valorizzi e favorisca la condivisione delle conoscenze. Interagisce con i dipendenti, incoraggiandoli a condividere le proprie competenze e ad utilizzare le risorse messe a disposizione dall’azienda per ampliare le proprie conoscenze. Il Knowledge Manager si assicura che il KM diventi la norma nell’organizzazione, favorendo il cambiamento culturale e incoraggiando l’applicazione del framework di KM ideato fino a quando non diventa “parte del modo in cui lavoriamo”.
4. Misura e controlla il framework di KM: monitora l’applicazione della strategia di KM, il funzionamento del framework, analizza le metriche e ne valuta l’impatto nell’organizzazione in un’ottica di miglioramento continuo.
5. Facilita l’ingresso dell’intelligenza artificiale nelle organizzazioni: questo consiste in valutare le tecnologie disponibili e le piattaforme utili a integrare l’IA. Nel caso in cui vengano utilizzati dati per l’apprendimento, si preoccupa che essi vengano utilizzati rispettando la privacy e la sicurezza dei dati.

Conclusioni

Il Knowledge Manager è una figura fondamentale per tutte quelle organizzazioni che hanno capito che la conoscenza interna è un valore da mantenere e incentivare (leggi il nostro articolo su come gestire la conoscenza all’interno di un’azienda). Grazie alla sua visione strategica e alla sua capacità di gestire il ciclo di vita della conoscenza, il Knowledge Manager aiuta l’organizzazione verso un utilizzo ottimale delle risorse interne, consentendo di migliorare le performance aziendali.

Attraverso la progettazione e l’implementazione di sistemi e strumenti efficaci, il Knowledge Manager contribuisce a creare una cultura aziendale in cui la condivisione delle conoscenze diventa uno scafo solido per traghettare le organizzazioni nel tempo.

BoK, il sistema di Knowledge Management che abbiamo sviluppato in R-Tree technologies, è un ottimo alleato per la gestione della conoscenza, aderendo a tutte le caratteristiche fondamentali che abbiamo descritto in questo articolo. Inoltre, grazie alle nuove implementazioni di Intelligenza Artificiale, la ricerca all’interno del proprio knowledge fa un passo in avanti nel futuro.

Se vuoi vedere in azione il funzionamento di BoK, prenota ora una demo con noi:

Note:

1. Definizione di Gartner del Knowledge Management

Cos’è il NLU, Natural Language Understanding

Fin dalla comparsa dei motori di ricerca, siamo stati abituati a cercare le informazioni attraverso l’utilizzo di parole chiave. Negli anni le nostre ricerche si sono trasformate e i motori di ricerca, attraverso l’inserimento di frasi più o meno lunghe o di vocali, interpretavano gli intenti di ricerca.

L’implementazione del NLU – il Natural Language Understanding – nell’IA ha consentito di analizzare e interpretare il linguaggio umano in modo significativo. Attraverso l’analisi sintattica e semantica, infatti, l’estrazione delle informazioni e la classificazione degli intenti, il NLU permette all’IA di comprendere il significato reale delle frasi, andando quindi oltre la corrispondenza di parole chiave. Questa modalità consente alle macchine di rispondere in modo più naturale e coerente alle domande e alle richieste degli utenti.

L’arrivo del LLM, Large Language Models

I LLM – Large Language Models – sono uno degli sviluppi più promettenti delle reti neurali. Questi modelli, basati sull’apprendimento automatico (il machine learning) e sull’apprendimento profondo (il deep learning), sono addestrati su un’enorme quantità di dati testuali per sviluppare una comprensione avanzata del linguaggio.

L’uso di tecniche come le reti neurali – ANN, Artificial Neural Network, che provano ad emulare il cervello umano e le sue interazioni – ha permesso ai Large Language Models di superare i limiti dei modelli precedenti, consentendo una comprensione più contestuale e sofisticata del linguaggio umano.

Applicazioni dei LLM

I Large Language Models hanno rivoluzionato molte applicazioni basate sul linguaggio naturale. Ad esempio, i chatbot alimentati dai Large Language Models sono in grado di comprendere e rispondere in modo coerente alle domande degli utenti, dando il via – tra le altre cose – al marketing conversazionale (leggi le differenze tra chatbot divergenti e convergenti). Se parliamo di ricerche, i Large Language Models possono fornire risultati più accurati e rilevanti, comprensibili anche a partire da frasi incomplete o mal formate (ne è un esempio Bing).

I Large Language Models hanno trovato impiego anche in ambiti come l’analisi dei sentimenti, l’elaborazione dei test, la traduzione automatica e in ambito educativo (su questo tema è da guardare il TED talk di Sal Khan uscito recentemente).

I limiti dei LLM

Nonostante i significativi progressi, il Natural Language Understanding e i Large Language Models hanno ancora davanti molte sfide da vincere. Sebbene i risultati siano incoraggianti, la comprensione del contesto, del sarcasmo, dell’ironia e delle sfumature linguistiche rimangono ancora compiti complessi da affrontare. Come lo è anche l’etica e la privacy, aspetti che permettono di garantire un uso responsabile delle tecnologie.

Ci sono cinque ambiti in particolare dove questi modelli devono ancora migliorare:

• La dipendenza da grandi quantità di dati
• La mancanza del comune buon senso
• La mancanza di empatia
• Il livello di personalizzazione che è ancora troppo limitato
• L’isolamento ed il fatto che i dati sono normalmente off-online.

Inoltre questi modelli dovranno fare i conti con le modifiche normative che nei prossimi mesi inizieranno ad essere implementate da vari stati nel mondo, proprio perché lo sviluppo tecnologico corre a velocità impressionanti e i temi che affronta sono estremamente delicati. Ad esempio l’Europa è ormai quasi pronta alla pubblicazione dell’AI ACT, che regolamenta lo sviluppo dell’IA.

Il futuro dei LLM

I ricercatori stanno continuamente migliorando i Large Language Models, creando modelli sempre più avanzati e in grado di comprendere il linguaggio umano con sempre maggiore precisione. La combinazione del NLU con altre tecnologie emergenti, come l’elaborazione del linguaggio naturale basata sulla conoscenza e la comprensione multimodale, cioè l’utilizzo di diverse fonti di dati come testo, foto, video e audio, porterà a sistemi ancora più potenti e intuitivi.

Conclusione

Il Natural Language Understanding e i Large Language Models stanno rivoluzionando le interazioni tra uomini e macchine, consentendo alle macchine di comprendere il linguaggio umano in modo più accurato e contestualmente ricco. Nonostante gli sviluppi e le sfide attuali che abbiamo presentato, il futuro del NLU è promettente, con il potenziale per ulteriori progressi e applicazioni innovative.

Siamo solo all’inizio di un’era in cui le macchine comprendono veramente ciò che diciamo e rispondono alle nostre esigenze in modo intelligente.

È proprio così: chatGPT non è un motore di ricerca! La goccia che ha fatto traboccare il vaso e ci ha spinti a scrivere questo articolo è stato un episodio paradossale e portato all’onor di cronaca dal New York Times qualche giorno fa e rilanciato anche qui in Italia (riportiamo qui l’articolo di Fan Page).

È il caso dell’avvocato Steven A. Schwartz – con oltre 30 anni di esperienza – che nella sua memoria difensiva si è fatto assistere da chatGPT nel chiedere una lista di sentenze precedenti simili al caso subito dal suo assistito (ricordiamo che negli Stati Uniti il sistema giuridico è basato sul Common Law: la legge si forma attraverso le nuove decisioni, e l’affinamento di decisioni precedenti, prese dai giudici e dai tribunali nel corso del tempo). Peccato che non avesse verificato la veridicità dei fatti e difatti nessuno in aula riusciva a trovare quei casi che lui stava citando.

In sintesi l’avvocato ha confessato di essersi affidato a chatGPT per integrare la sua ricerca, si è rammaricato del suo operato e molto probabilmente verrà sanzionato dal giudice per negligenza.

Che cos’è l’IA generativa

L’intelligenza artificiale generativa è una tipologia di intelligenza artificiale che è in grado di generare testi, video, immagini, musica a partire da un prompt. I sistemi di intelligenza artificiale generativa utilizzano particolari modelli statistici “di una distribuzione congiunta di una variabile osservabile e di una variabile dipendente, che nel contesto del data mining è detta variabile target” (fonte: Wikipedia).

Uno di questi modelli statistici che viene utilizzato sono i modelli linguistici di grandi dimensioni – comunemente chiamati in inglese Large Language Models, LLM – che partono da un dataset per fare addestramento.

Il prompt di richiesta per sistemi come quelli di chatGPT o Bard è generalmente formato in linguaggio naturale, cioè in linguaggio utilizzato dall’umano per parlare.

È proprio questa facilità di accesso al dato che ha confuso il modo in cui collaborare con chatGPT, facendo credere alle persone di parlare con una persona fisica o un esperto su certe materie specifiche e cominciare a interrogarlo o a fare ricerche.

Perché chatGPT non è un motore di ricerca

chatGPT ha una base di conoscenza di apprendimento fino all’anno 2021 e la knowledge base utilizzata per il training del LLM era costituita da un archivio di 45 TB di dati in formato testo. Uno dei motivi di tale limite temporale è presto detto: fino a quell’anno in rete c’era solo contenuto creato da umani e non da intelligenza artificiale . Il rischio oggi infatti è che l’IA impari (anzi non impari) da contenuti generati da essa stessa.

Per fare un esempio di come invece può essere usata l’intelligenza artificiale generativa nel modo corretto abbiamo chiesto a chatGPT di aiutarci a trovare una frase che descriva l’uso improprio del caso citato utilizzando un tono ironico. Tra le diverse frasi che ci ha proposto ecco quella che ci è piaciuta di più:

“Contare su ChatGPT per risolvere problemi seri è come mettere un cappello da mago su un computer e sperare che esca un coniglio dallo schermo: tener presente che la realtà può riservare sorprese sgradevoli.”

Spiegato così il significato diventa molto più chiaro e ci aiuta ad avvicinarci all’intelligenza artificiale in modo più utile e corretto: affiancarci nel trovare delle nuove soluzioni, dei pensieri alternativi, dei ragionamenti. È naturale quindi ritenere che l’intervento dell’uomo ci deve essere sempre.

Come poter fare le ricerche in modo evoluto

Che soluzione avrebbe potuto adottare l’avvocato per riuscire a trovare le sentenze di cui aveva bisogno? Partendo da dei documenti ufficiali di giurisprudenza caricati in un sistema di Knowledge Management è possibile creare delle basi dati dalle quali attingere informazioni affidabili attraverso dei sistemi evoluti di ricerca, che vanno oltre le classiche ricerche per keyword.

Questo è quello che facciamo noi in R-Tree con BoK: una ricerca aumentata a partire da un set di documenti con in quali è possibile chattare, attraverso un chatbot, il quale apprende dalle informazioni che noi gli abbiamo dato, fornendoci un supporto di rinforzo e darci la possibilità di darci delle risposte corrette in poco tempo.

La conoscenza – il knowledge – si arricchisce aggiungendo ai documenti anche note personali, favorendo anche il trasferimento della conoscenza stessa ad altri.

Questa è l’intelligenza artificiale che ci piace, che vogliamo utilizzare e che ci è utile nel lavoro di tutti i giorni.

Come Full Sponsor della manifestazione, abbiamo avuto l’opportunità di presentare le nostre tecnologie ma anche, attraverso il nostro Senior Partner Federico Cussigh, fare divulgazione su temi estremamente attuali.

Nei tre giorni di evento online (17-18-19 aprile) abbiamo presentato due nostre use case:

• Chatbot convergenti, divergenti e personalità digitali: sul podio dei tre video più visti
• IA, Knowledge Management e gli Enterprise Search Engines

Mentre nelle giornate del 20 e 21 aprile, in presenza a Rimini, c’è stata l’occasione di un seguitissimo Workshop dedicato ai chatbot conversazionali applicati alla ricerca documentale (la nostra nuova applicazione di BoK con il nostro chatbot cognitivo MCC) e uno speech divulgativo in plenaria dal titolo “L’IA e la semantica ingannevole“, sul ruolo che hanno le parole in una tecnologia che varia nel tempo.

Diversi gli speech che ci hanno colpito, come ad esempio quello del prof. Paolo Massimo Buscema, che ha presentato un’applicazione dell’intelligenza artificiale nel riconoscere delle patologie venose non identificabili da una semplice tac. Oppure l’intervento di Massimo Chiriatti focalizzato su come possiamo regolamentare l’uso dell’intelligenza artificiale.

Attesissimo anche lo speech di Guido Scorza, al centro delle attenzioni per il blocco di chatGPT in Italia, che ha rimarcato il fatto che il business non può usare i dati privati dei cittadini per implementare test nel mercato.

Per R-Tree technologies è stato un momento molto importante di confronto con altre realtà, abbiamo incontrato e conosciuto decine di aziende interessanti e avuto modo di capire le loro richieste attuali sul fronte dell’intelligenza artificiale.

Continuano per noi le entusiasmanti sfide per progettare strumenti e servizi che hanno l’obiettivo di ottimizzare e semplificare il lavoro in azienda.