Meno di un terzo dei dipendenti ha accesso a strumenti di business intelligence per la complessità e la mancanza di integrazione nei flussi di lavoro. L’introduzione di interfacce basate sull’AI generativa ha il potenziale di superare i limiti della BI tradizionale
Negli ultimi dodici mesi, molte economie europee hanno subito un rallentamento, se non una vera contrazione. In questo contesto, le aziende si trovano di fronte a una sfida decisiva: massimizzare il valore dei dati. Per realizzare questo obiettivo è essenziale che dati e strumenti di analisi supportino ogni funzione aziendale. Attualmente, solo una minoranza di dipendenti utilizza strumenti di business intelligence per prendere decisioni. Studi recenti indicano che meno del 30% ha accesso a questi strumenti, nonostante i progressi dell’AI generativa, che promette di ampliare questa percentuale grazie a interfacce più intuitive. La soluzione? Integrare gli analytics nei processi aziendali attraverso approcci mirati di analisi integrata, applicazioni intelligenti e automazione basata sull’AI.
L’ostacolo dell’accesso ai dati
L’embedded analytics consente agli utenti di analizzare i dati e sfruttare gli insights e le raccomandazioni basate sull’AI pertinenti a una decisione specifica mentre utilizzano un’applicazione per svolgere i loro compiti quotidiani. Non è necessario passare a uno strumento BI o a un’altra applicazione. Un esempio concreto è quello degli addetti al servizio clienti. I customer service representative (CSR) non hanno il tempo di passare a uno strumento BI per analizzare i dati relativi al cliente con cui stanno comunicando tramite cuffie o chat. Raccomandazioni e insights devono essere integrati nell’applicazione di assistenza clienti e devono aggiornarsi ogni volta che il CSR inizia a comunicare con un nuovo cliente. Cosa si intende invece per applicazioni intelligenti? Consideriamo un’azienda fittizia che offre un servizio di consegna di cibo da ristoranti. La loro app mobile permette ai clienti di ordinare cibo che i ristoranti cucinano e che un corriere consegna. L’azienda dipende dalla capacità di diversi ristoranti di cucinare su ordinazione, dalla disponibilità di più corrieri e dall’uso dell’app da parte dei clienti, connessa a un’applicazione aziendale. Se l’applicazione è statica, il suo codice seguirà regole predefinite, come la selezione del corriere più vicino per una consegna. Tuttavia, man mano che l’azienda cresce, con un numero sempre maggiore di clienti, ristoranti e driver, questa regola si rivela inefficace, costringendo gli sviluppatori a modificare continuamente il codice per gestire regole più complesse.
Al contrario, se l’applicazione aziendale fosse un’applicazione intelligente, utilizzerebbe un modello di machine learning prescrittivo e auto-apprendente per raccomandare dinamicamente l’azione migliore, evitando così di dover aggiornare manualmente la logica dell’applicazione man mano che l’azienda si espande. In altre parole, l’applicazione stessa diventerebbe guidata dai dati. Infine, l’automazione basata sull’intelligenza artificiale consiste nell’applicazione di tecnologie avanzate come il process mining, il machine learning, l’elaborazione intelligente dei documenti, l’automazione robotica dei processi (RPA) e l’intelligenza artificiale generativa. Queste tecnologie potenziano il lavoro umano e automatizzano processi e attività in modo significativamente più efficace rispetto agli approcci tradizionali. Questa automazione richiede un’orchestrazione intelligente di diverse tecnologie, combinando attività automatizzate preconfigurate (skill) e conoscenze organizzative per eseguire rapidamente sia compiti di routine sia operazioni critiche per il business.
Oltre i limiti della business intelligence tradizionale
La maggior parte delle aziende desidera che BI, AI generativa e modelli di ML predittivo e prescrittivo siano integrati in ogni applicazione per migliorare la produttività, ridurre i costi e accelerare i tempi di azione per una maggiore redditività. Tuttavia, quando si tratta di integrare BI, ML e AI con applicazioni e processi, è evidente che un approccio unico non è sufficiente. In altre parole, il modo in cui BI, ML e AI vengono integrati nel flusso di lavoro naturale di un utente che ne ha bisogno può variare a seconda del suo ruolo e del compito che sta svolgendo in quel momento. Nel settore retail, per esempio, un operatore di customer service necessita di raccomandazioni integrate nella sua piattaforma per offrire risposte immediate e personalizzate. Mentre uno store manager deve monitorare in tempo reale la performance dei negozi, ricevendo avvisi e suggerimenti per riorganizzare risorse o gestire problemi di inventario. Allo stesso tempo, un’app per clienti deve personalizzare l’esperienza utente, suggerendo prodotti e offerte pertinenti durante l’interazione. E infine, un responsabile di magazzino deve monitorare le spedizioni e gestire eventuali ritardi con raccomandazioni per ottimizzare la distribuzione. Guardando a questi quattro casi, risulta evidente che persone e applicazioni, a diversi livelli, devono contribuire al miglioramento delle performance di business. Ma è chiaro che i diversi ruoli richiedono strategie personalizzate che si adattino al loro flusso di lavoro naturale. Quindi, per diventare realmente data-driven, le aziende devono rispondere a una serie di domande strategiche: quali sono i ruoli e i compiti principali in azienda? Quali informazioni e strumenti servono per migliorare le loro prestazioni? In che modo le tecnologie possono essere integrate nei processi esistenti senza interrompere il flusso di lavoro?
L’integrazione di analytics, machine learning e automazione basata sull’AI rappresenta una leva fondamentale per ottimizzare processi, migliorare i risultati e affrontare le sfide del mercato. L’obiettivo non è solo adottare nuove tecnologie, ma garantire che queste supportino le decisioni in tempo reale, contribuendo in modo concreto al raggiungimento degli obiettivi. Questo approccio permette di rendere più efficienti le operazioni, migliorare la produttività e rispondere con maggiore agilità alle dinamiche di un mercato in continua evoluzione. Inoltre, integrare queste tecnologie nei processi aziendali non solo facilita l’accesso agli insights necessari, ma promuove anche una cultura decisionale basata sui dati, dove ogni livello organizzativo contribuisce al successo complessivo dell’azienda.
Mike Ferguson
CEO di Intelligence Business Strategies e analista specializzato in business intelligence ed enterprise business integration. Con oltre quarant’anni di esperienza in ambito IT, svolge attività di consulenza per importanti aziende su temi di business intelligence, enterprise architecture, business process integration, application e data integration. Relatore in eventi internazionali e autore di numerosi articoli, Ferguson vanta un curriculum prestigioso: è stato co-fondatore e dirigente di Codd and Date Europe, la società che ha sviluppato il modello relazionale dei database, oltre a ricoprire il ruolo di chief architect in Teradata e di direttore generale per l’Europa in Database Associates. Le sue masterclass sono seguite in tutto il mondo e affrontano temi di grande rilevanza per le imprese: dalla business intelligence operativa alle tecnologie più innovative per il data warehousing, dalla BI per aziende agili all’analisi multi-piattaforma dei Big Data, fino al MDM e alla governance dei dati aziendali.
Mike Ferguson presenterà per Technology Transfer i seguenti seminari online live streaming: ”Costruire una data e AI strategy per una azienda data-driven” (7-8 aprile 2025) – “Linee guida pratiche per implementare prodotti dati” (8-9 maggio 2025) – “Analitica embedded, app intelligenti, agenti e automazione di AI” (19-20 maggio 2025) – “La moderna architettura dati” (16-17 giugno 2025) – “Dati e data governance attivi assistiti dall’intelligenza artificiale” (19-20 giugno 2025).
