Snowflake

La Fame di Dati Post-Covid

La fame di dati post-Covid. Quali aziende ne richiederanno di più?

Il Summit di Snowflake che si è tenuto la settimana scorsa, dall’8 al 10 giugno, ha eviscerato diverse questioni sorte negli ultimi 16 mesi di pandemia. Una su tutti: la fame di dati delle aziende e la gestione dati post-covid. È risaputo infatti che durante i vari lockdown che si sono succeduti in più parti del mondo, vuoi per il “panic buying”, vuoi per l’impossibilità di uscire di casa e recarsi fisicamente in negozio, molte persone hanno rivolto lo sguardo all’e-commerce per acquistare non soltanto vestiti, televisori, oggetti di arredo, ma anche beni di prima necessità, come cibo e medicinali.

In quest’ultimo periodo, le aziende che si occupano di CPG (Consumer Packaged Good) si sono ritrovate con afflussi di dati mai visti prima, con richieste che sono state 10 volte quelle pre-pandemia. Eppure, nonostante queste fossero letteralmente “sommerse” dai dati, hanno scoperto di non esserne mai sazie: questa particolare condizione ha portato alla coniazione del termine “Data-obsessed Companies”, ovvero di imprese che incentrano tutta la propria strategia di marketing sull’analisi e l’elaborazione dei dati che giungono non solo dai propri clienti, ma anche dalle analisi di mercato.

Le stesse aziende che prima si preoccupavano solo di ingerire dati ed elaborare algoritmi per adeguare la propria offerta, sono ora divenute rivenditori non convenzionali di dati. Le stesse ora infatti rivendono ai partner i dati ricevuti dalle transazioni sulle proprie piattaforme, monetizzando questo enorme agglomerato di informazioni commerciali

Come è stato possibile gestire questa crescita così repentina di dati in entrata e in uscita?

Snowflake e la gestione di dati post-Covid: nuovi sistemi, nuove sfide

Uno degli obiettivi più interessanti del Summit organizzato da Snowflake è stato proprio quello di trovare possibili soluzioni al problema della gestione dei dati, anche ascoltando il parere di molti clienti provenienti da vari settori. Uno su tutti, il settore alimentare.

Come riportato da Andy Burke (Analytics COE della Kraft Heinz Company), il problema è la transizione da un modello con soli database esterni ad un ambiente agile in-house, nel quale tutto sia immediatamente disponibile e trasferibili ai vari dipartimenti. Analizzare i dati in tempo reale, aggiornando così i propri modelli in tempi estremamente brevi, è un fattore cruciale per prevaricare sulla concorrenza. Permettere ai data scientist di lavorare con dati che abbiano un valore commerciale (che non siano obsoleti) è stata la chiave per aumentare i fatturati in un periodo di crisi come la pandemia.

SNOWFLAKE ha permesso di creare una postazione in cui analisti e developer hanno potuto accedere e scambiarsi dati e soluzioni in tempo reale, ma non solo. Ha agito da “data provider” sia per l’azienda sia per i clienti della Kraft Heinz, i quali potevano immettere e ricevere dati a loro volta. In tal modo, lo scambio di informazioni è stato continuo.

Ma i dati sono davvero tutti uguali?

Per capire c0me Snowflake ha permesso la gestione dati post-Covid, dobbiamo prima soffermarci sul tipo di dati che dobbiamo elaborare. Tralasciamo ora per un attimo la divisione classica tra dati convenzionali e big data. Siamo sicuri che tutti i dati in entrata e in uscita dai nostri database siano uguali per valore e metodo di investigazione?

Sempre Andy Burke ci fa notare che oggi le aziende hanno a che fare con 3 tipologie di dati:

1- Transactional data: sono i dati derivanti dalle transazioni e servono per aggiornare l’inventario. Permettono di capire quanto sia efficiente l’azienda dal punto di vista logistico e di network. Riguardano non solo i contatti con rifornitori ma anche l’approvvigionamento dei clienti.

2- Insight data: sono i dati che permettono di avere un quadro chiaro e completo delle attuali dinamiche di un mercato, anticipandone i trend. Sono informazioni preziosissime che solo alcune compagnie esterne sono in grado di offrire. Servono per migliorare la previsione delle vendite ed adeguare la propria produzione, minimizzando il rischio di perdite ed i margini di profitto.

3- Reference data: sono quei dati che giungono dall’ambiente esterno in cui un’impresa opera. Riguardano le leggi statali e/o locali, gli accordi commerciali in essere, la finanzia, le gerarchie imposte dalla burocrazia vigente. Elaborare questi dati permette di decidere in anticipo come adeguare il proprio standard produttivo in base alla normativa vigente.

Lavorare su tutte queste tipologie di dati ha consentito a diverse compagnie dell’agroalimentare non solo di sopravvivere alla crisi dei consumi generata dal Covid, ma persino di aumentare il proprio fatturato.

Machine Learning: dalla previsione delle vendite alla soddisfazione del cliente

Un altro spunto di riflessione è stato offerto dal CIO della Albertsons Companies, Anuj Dhanda, che fa notare che, sebbene si sia passati da tempo ad un’analisi dei dati predittiva, il fine ultimo non è solo anticipare le tendenze. Ciò che conta, alla fine, è la soddisfazione del cliente.

Ciò che ha fatto la differenza in questi mesi di pandemia è stato fornire al cliente un’esperienza di shopping personalizzata, ovvero:

  • incentrata sulle reali esigenze del cliente
  • in grado di prevedere i bisogni dell’acquirente prima ancora che questi si presentassero

In tal modo, l’ecosistema IT delle imprese (inclusi i servizi in cloud come Snowflake) sta diventando sempre più intelligente e preciso nell’individuare dei trend. D’altronde l’intelligenza artificiale deve avere una componente emotiva. Sarà infatti proprio questa la sfida della nuova era dell’analisi dei dati.

Snowflake e la gestione dati post-Covid: come aumentare il profitto nella Bottom line e migliorare l’analytics

Con la pandemia le possibilità di spesa online sono diventate pressappoco infinite. Dopo uno scoraggiamento iniziale, tutte le grandi catene hanno compreso la reale opportunità che questa situazione inedita offriva loro. Snowflake è stato in tal senso determinante, permettendo di gestire questo improvviso aumento dei dati in entrate e in uscita in maniera celere ed efficiente. Ad esempio, Instacart è riuscitae a gestire migliaia di piccoli negozi in tutti gli Stati Uniti. Eppure la maggior parte di questi non aveva né il know-how né gli strumenti per adottare una politica data-driven

Tuttavia, anche grazie a Snowflake, l’azienda è riuscita ad attuare uno scale-out efficiente, dividendo il lavoro in vari cluster senza perdere velocità e di efficienza.

Il problema principale è stato aumentare la bottom line (ovvero i profitti al netto delle uscite) in un settore quale quello agroalimentare, rinomato per essere relativamente poco remunerativo in termini relativo. Infatti, al netto delle spese, il guadagno è basso se paragonato ad altri ambiti commerciali. Come asserito da Dustin Pearce, Vicepresidente di Instacart, aggiornare i dati in tempo reale ha dato alla sua compagnia un vantaggio competitivo. Ciò ha permesso ai singoli punti vendita di prevedere cosa i clienti avrebbero acquistato, quando e in quali quantità.

Se desideri ricevere maggiori informazioni su Tableau e su come implementare un sistema di Data Governance all’interno della tua azienda ti invitiamo a contattarci all’indirizzo: info@theinformationlab.it e a continuare a seguire il nostro blog e le nostre pagine YouTube e LinkedIn. 

articoli correlati

Introduzione alle funzioni DAX in PowerBi

Utilizzando Powerbi è molto semplice capire come utilizzare i valori quantitativi presenti nel nostro dataset. Ad esempio, per creare un grafico che mostri il totale

Tooltip in PowerBI

Tooltip Il termine tooltip nasce dall’unione delle parole ‘tool’, strumento, e ‘tip’,  suggerimento. Il tooltip, letteralmente “consiglio su uno strumento”, nell’ambito della data visualization è

Introduzione ai Custom Visual su PowerBI

Quando si parla di data analisi, le visualizzazioni sono la nostra arma principale per trasmettere concetti e trarre conclusioni.Le visualizzazioni efficaci sono definite da elementi

Filtri in Power BI

I filtri sono tra le funzionalità più utilizzate per dettagliare e personalizzare un’analisi. L’importanza dei filtri in una visualizzazione si può ricondurre alle specifiche esigenze