I dati sono al centro dei moderni processi decisionali aziendali. Le aziende si affidano a dashboard, report, KPI, previsioni e piattaforme di analyticsGli analytics vengono utilizzati per i siti web, così come nei social media e nelle campagne e-mail... Leggi per capire cosa sta accadendo e decidere quali azioni intraprendere.
Ma esiste un problema molto comune che si presenta già nelle prime fasi di un progetto di analytics: cosa succede quando i dati reali non sono ancora disponibili?
Un’azienda potrebbe essere impegnata nell’implementazione di un nuovo CRMLa strategia di marketing CRM è una delle più utilizzate nel business mondiale di oggi al fine di ... Leggi. Un team di sviluppo potrebbe stare costruendo un ambiente di reporting. Un consulente potrebbe dover mostrare una dashboard a un cliente. Un reparto marketingBusiness-to-business (B2B), detto anche B-to-B, è una forma di transazione tra imprese, come quella... Leggi potrebbe voler definire i propri KPI prima del lancio di una campagna.
In tutte queste situazioni, il team ha bisogno di dati con cui lavorare, ma i dati di produzione reali potrebbero essere incompleti, non disponibili, riservati o semplicemente ancora inesistenti.
I dati di esempio generati dall’intelligenza artificialeL'intelligenza artificiale (IA) permette alle macchine di imparare dall'esperienza, di adattarsi ai ... Leggi offrono una soluzione pratica.
Invece di aspettare che siano disponibili dati reali o di creare manualmente centinaia di righe in un foglio di calcolo, i team possono generare dataset realistici costruiti intorno allo scenario che desiderano testare.
Il problema dei dati di esempio tradizionali
Creare dati di esempio può sembrare semplice, almeno fino a quando non diventa necessario farlo davvero.
Immaginiamo che un’azienda voglia progettare una dashboard commerciale che mostri:
- Ricavi mensili
- Commerciali
- Segmenti di clientela
- Categorie di prodotto
- Aree geografiche
- Valore medio delle trattative
- Tassi di conversione
- Andamento stagionale delle vendite
Creare manualmente dieci righe di esempio è semplice.
Crearne diverse centinaia che si comportino in modo realistico è tutta un’altra cosa.
CERCHI UNA SOLUZIONE UNICA PER LA TUA CRESCITA DIGITALE?
I numeri casuali, da soli, non bastano. Se il dataset deve servire a testare un ambiente di analytics, le relazioni tra i valori devono essere credibili.
I ricavi, ad esempio, potrebbero dover crescere progressivamente durante l’anno. Dicembre potrebbe registrare un picco stagionale. Una determinata area geografica potrebbe ottenere risultati costantemente migliori rispetto a un’altra. I clienti enterprise potrebbero avere trattative di valore più elevato ma cicli di vendita più lunghi.
Senza una variazione realistica, una dashboard può funzionare dal punto di vista tecnico senza riuscire però a mostrare come si comporterà realmente quando arriveranno i dati aziendali effettivi.
Perché i dati aziendali reali non sono sempre la scelta migliore
L’alternativa più ovvia è utilizzare dati aziendali già esistenti.
Tuttavia, questo può creare complicazioni inutili.
I database di produzione possono contenere nomi dei clienti, indirizzi email, informazioni finanziarie, dati sui dipendenti, cronologie di acquisto o altre informazioni riservate. Copiare questi dati in ambienti di sviluppo, demo o formazione può generare problemi di sicurezza e privacy.
Anche quando le informazioni non sono particolarmente sensibili, utilizzare dati reali durante una dimostrazione può esporre contenuti che non erano destinati a quel pubblico.
I dati di esempio permettono di separare le informazioni di produzione dalle attività di sperimentazione.
Un formatore può mostrare le funzionalità di una piattaforma di analytics senza esporre dati reali dei clienti. Un consulente può costruire un prototipo senza dover richiedere al cliente l’accesso a un intero database. Gli sviluppatori possono testare la logica dei report senza copiare dati di produzione in un ambiente di sviluppo.
L’obiettivo non è sostituire i dati reali.
L’obiettivo è creare un ambiente più sicuro in cui i team possano prepararsi a utilizzarli.
Dai dati casuali ai dati descritti tramite linguaggio naturale
I generatori tradizionali di dati fittizi sono spesso basati su una configurazione tecnica.
Gli utenti definiscono colonne, tipi di dati, valori minimi e massimi e, in alcuni casi, alcune regole. Il risultato può essere tecnicamente valido, ma creare un dataset che rappresenti davvero uno specifico scenario aziendale può richiedere molto tempo.
L’intelligenza artificiale generativa introduce un approccio diverso.
Invece di definire singolarmente ogni caratteristica tecnica, l’utente può descrivere lo scenario aziendale utilizzando il linguaggio naturale.
Ad esempio:
“Crea dati di vendita mensili per quattro aree geografiche nell’arco di un anno. I ricavi devono crescere gradualmente, diminuire leggermente durante l’estate e aumentare in modo significativo nei mesi di novembre e dicembre.”
La richiesta descrive il comportamento del businessLa strategia di marketing CRM è una delle più utilizzate nel business mondiale di oggi al fine di ... Leggi invece di limitarsi a definire la struttura di una tabella.
Zoho Analytics ha introdotto questo approccio con il proprio Sample Data Generator. Gli utenti possono selezionare il contesto aziendale, ad esempio settore e dipartimento, descrivere il dataset necessario in linguaggio naturale, visualizzare un’anteprima dei dati generati, richiedere modifiche e generare successivamente un dataset più ampio. Secondo Zoho, lo strumento mostra inizialmente un’anteprima di 20 righe e consente poi di generare un dataset completo di 500 righe.
Questo cambiamento apparentemente semplice, dalla configurazione dei singoli campi alla descrizione del comportamento desiderato, può accelerare notevolmente la fase di prototipazione dell’analytics.
Progettare dashboard prima ancora che esistano i dati di produzione
Una delle applicazioni più interessanti riguarda la prototipazione delle dashboard.
Immaginiamo un’azienda che si sta preparando al lancio di un nuovo ecommerce.
Il management sa già di voler monitorare:
Performance dei ricavi
Ricavi totali, valore medio dell’ordine, crescita mensile, rimborsi e ricavi per categoria di prodotto.
Acquisizione clienti
Nuovi clienti, clienti ricorrenti, canali di acquisizione e costo di acquisizione cliente.
Performance geografica
Vendite per Paese, area o mercato.
Performance dei prodotti
Prodotti più venduti, unità vendute, margini e movimentazione dell’inventario.
Con un approccio tradizionale, il team potrebbe dover aspettare diversi mesi prima di disporre di un numero sufficiente di transazioni per capire se la struttura dei report è realmente utile.
Con dati di esempio realistici, la dashboard può essere progettata prima ancora che arrivi il primo ordine reale.
I manager possono verificare i KPI proposti.
Il marketing può individuare dimensioni mancanti.
Il reparto finance può richiedere ulteriori indicatori di redditività.
Gli sviluppatori possono capire se le relazioni tra i dati devono essere modificate.
Quando inizieranno ad arrivare i dati di produzione, gran parte dell’architettura di reporting sarà già stata testata.
Dimostrazioni più efficaci senza database demo perfetti
I dati di esempio sono altrettanto utili per consulenti, software provider e team di implementazione.
Una dashboard generica, riempita con valori privi di significato, difficilmente comunica il reale potenziale di una soluzione di analytics.
Un’azienda manifatturiera vuole vedere metriche relative alla produzione.
Un retailer vuole visualizzare punti vendita, prodotti, vendite e inventario.
Un team marketing vuole analizzare campagne, lead, conversioni e canali di acquisizione.
Più una dimostrazione assomiglia all’ambiente reale del pubblico, più sarà facile comprendere come potrebbe funzionare la soluzione finale.
I dataset generati con l’AI rendono molto più semplice preparare dimostrazioni contestualizzate.
Invece di mantenere decine di database demo preconfigurati, un consulente può generare un dataset adatto allo scenario specifico del cliente.
Un ambiente migliore per la formazione
Anche la formazione presenta una sfida simile.
Le persone apprendono meglio gli strumenti di analytics quando possono lavorare direttamente con informazioni realistiche.
Un formatore che deve spiegare filtri, metriche calcolate, tabelle pivot o dashboard ha bisogno di una quantità sufficiente di dati su cui far esercitare i partecipanti.
Ma utilizzare informazioni aziendali reali non è sempre appropriato.
I dataset generati consentono di creare un ambiente di formazione standardizzato e ripetibile.
Ogni partecipante può ricevere lo stesso dataset. Gli esercizi possono includere intenzionalmente trend, valori anomali, differenze regionali o variazioni nelle performance.
Il formatore può persino costruire domande specifiche intorno ai dati:
Perché i ricavi sono diminuiti in questo trimestre?
Quale area ha il valore medio dell’ordine più elevato?
Quale categoria di prodotto è cresciuta più rapidamente?
Quale commerciale supera costantemente il proprio obiettivo?
Il dataset diventa così parte integrante dell’esperienza di apprendimento, invece di essere semplicemente uno strumento per riempire una tabella.
Testare anche le situazioni più difficili
I sistemi di analytics non dovrebbero essere testati soltanto in condizioni normali.
Le aziende reali sono piene di eccezioni.
Un mese potrebbe registrare pochissime vendite.
Una regione potrebbe improvvisamente superare tutte le altre.
I rimborsi potrebbero aumentare.
Il costo di acquisizione cliente potrebbe crescere improvvisamente.
Un prodotto potrebbe esaurirsi completamente.
Una campagna potrebbe generare moltissimo traffico ma pochissime conversioni.
Queste situazioni sono difficili da testare utilizzando file di esempio generici.
La generazione tramite prompt rende invece più semplice crearle intenzionalmente.
I team possono richiedere stagionalità, distribuzioni anomale, aumenti improvvisi, cali temporanei, valori mancanti o altri comportamenti specifici, e verificare come reagiscono i propri report.
Testare questi scenari prima della messa in produzione può evidenziare problemi che altrimenti emergerebbero soltanto quando si verifica una situazione anomala nel sistema reale.
I dati di esempio sono un punto di partenza, non un punto di arrivo
I dati di esempio generati tramite AI non devono essere confusi con le informazioni aziendali reali.
Un dataset generato non può dire a un’azienda cosa vogliono davvero i suoi clienti, quale sia il suo tasso di conversione reale o quali ricavi produrrà nel prossimo trimestre.
Il suo valore è diverso.
Permette ai team di costruire, sperimentare, validare, formare e prepararsi.
Ed è proprio questa distinzione ad essere importante.
Le aziende non devono prendere decisioni basandosi su dati artificiali. Possono però utilizzare dati artificiali per assicurarsi che i propri sistemi siano pronti ad analizzare correttamente le informazioni reali quando queste saranno disponibili.
Dal dataset a un vero ambiente decisionale
La possibilità di creare rapidamente dataset realistici elimina uno dei primi ostacoli nei progetti di analytics.
I team non devono più scegliere tra aspettare che siano disponibili dati reali, esporre dati di produzione, scaricare dataset poco pertinenti o compilare manualmente centinaia di righe in un foglio di calcolo.
Possono partire direttamente dallo scenario aziendale.
Che cosa devono rappresentare i dati?
Quali comportamenti devono emergere?
A quali domande dovrà rispondere la dashboard finale?
Una volta chiarite queste domande, i dati di esempio possono offrire l’ambiente necessario per iniziare a testare le risposte.
Ma generare un dataset è soltanto il primo passo.
La sfida successiva consiste nel trasformare centinaia di righe in qualcosa che i decisori possano realmente comprendere.
Significa passare dai dati di esempio a grafici, KPI, report e dashboard e utilizzare il prototipo per capire se l’organizzazione sta misurando davvero le informazioni corrette.
Ed è proprio da qui che inizia la seconda parte di questa serie.
© Crediti d’immagine a Merlin Lightpainting
CERCHI UNA SOLUZIONE UNICA PER LA TUA CRESCITA DIGITALE?
