SPECIALE

L’organizzazione digitalmente avanzata

Marco Iansiti, Satya Nadella, Tsedal Neeley, Paul Leonardi, Vijay Govindarajan, N. Venkat Venkatraman

Maggio 2022

L’organizzazione digitalmente avanzata

Democratizzare la trasformazione

Date a tutti i vostri dipendenti la possibilità di diventare innovatori

Marco Iansiti, Satya Nadella

Nel decennio scorso, Novartis ha investito pesantemente nella trasformazione digitale. Mentre trasferiva la sua infrastruttura tecnologica sul cloud e investiva in data platform e data integration, il colosso farmaceutico svizzero reclutava specialisti di IA e data scientist per costruire modelli di apprendimento delle macchine e implementarli in tutta l'organizzazione. Ma nonostante la crescita dei team tecnici, i manager di tutte le funzioni - vendite, supply chain, HR, finanza e marketing - non usavano le nuove informazioni a disposizione e non si preoccupavano più di tanto dell'impatto che avrebbero potuto avere i dati sul lavoro del propri team. Dal canto loro, i data scientist avevano poca visibilità sulle business unit e non riuscivano a integrare facilmente i dati nell'operatività quotidiana. Di conseguenza, gli investimenti producevano solo successi occasionali (in alcuni aspetti dell'R&S, per esempio), mentre molti esperimenti-pilota e molti progetti non davano i risultati sperati.

Più recentemente, tuttavia, esperimenti finalizzati alla personalizzazione sia dell'R&S sia del marketing hanno cominciato a evidenziare un valore economico e hanno stimolato l'attenzione e l'immaginazione di alcuni tra gli executive più creativi di Novartis - che si sono sempre più appassionati all'idea di impiegare l'IA in varie parti della azienda e hanno cominciato a promuovere apertamente quegli sforzi. (Avvertenza: abbiamo lavorato entrambi con Novartis e altre aziende citate in questo articolo in diverse aree, dal consiglio di amministrazione alla ricerca e alla consulenza). Quei dirigenti si rendevano conto che tecnologi e data scientist, in quanto tali, non erano in grado di realizzare l'innovazione a tutto campo di cui l'azienda aveva bisogno, perciò hanno cominciato ad abbinare analisti di dati a manager esperti che sapevano esattamente dove occorrevano miglioramenti in termini di efficienza e di performance.

Novartis ha investito anche nella formazione degli operatori di frontline, mettendoli in condizione di usare direttamente i dati per promuovere l'innovazione. Un numero sempre maggiore di team ha adottato metodi agili per cogliere tutte le possibili opportunità. L'intensità e l'impatto della trasformazione hanno subito perciò una rapida accelerazione, aprendo la strada a un'ampia gamma di progetti d’innovazione, tra cui la facilitazione digitale delle vendite e delle previsioni di vendita, la riprogettazione dell'iter degli ordini e della procedura di riassortimento per i clienti dell'assistenza sanitaria, e la modernizzazione dei sistemi e dei processi di evasione delle ricette.

I progressi della trasformazione digitale si sono rivelati preziosissimi man mano che l'azienda faceva i conti con il caos provocato inizialmente dalla pandemia. I team operativi di Novartis collaboravano con i data scientist per sviluppare modelli di riadeguamento della supply chain, prevedere carenze di risorse critiche e facilitare cambiamenti rapidi nel mix dei prodotti e nelle politiche di pricing. Con l'attenuarsi della crisi pandemica, il valore dell'IA è diventato evidente per tutti i manager dell'azienda.

Prima di quest’ondata di adozione dell'IA, gli investimenti tecnologici di Novartis consistevano pressoché esclusivamente di applicazioni preconfezionate per le imprese, implementate quasi sempre dall'IT sotto la guida di consulenti esterni, fornitori o integratori di sistema. Ma per costruire una capacità digitale estesa a tutta la struttura, sotto la supervisione dell'allora chief digital officer Bertrand Bodson, Novartis - oltre a sviluppare nuove capacità nella scienza dei dati - ha anche iniziato a democratizzare l'accesso ai dati e alla tecnologia molto al di fuori dei silos tecnologici tradizionali. Oggi l'azienda addestra dipendenti di tutti i livelli e di tutte le funzioni a identificare e a sfruttare opportunità di incorporazione e utilizzo dei dati e della tecnologia per il miglioramento del loro lavoro. Nel 2021, al summit annuale di Novartis sull'IA hanno partecipato migliaia di dipendenti.

Il potenziale dell'innovazione digitale ispirata dai dipendenti è impossibile da calcolare, ma stando al rapporto Worldwide IT Industry 2020 Predictions della società di ricerche di mercato IDC, entro il 2023 le imprese dell'economia globale dovranno creare 500 milioni di nuove soluzioni digitali - più del numero totale creato negli ultimi quarant'anni. Un risultato di questo tipo non può essere raggiunto da piccoli gruppi di tecnologi e data scientist confinati in silos organizzativi. Richiede gruppi molto più numerosi e molto più eterogenei di dipendenti - executive, manager e operatori di frontline - disposti a lavorare assieme per ripensare il modo di operare di tutte le componenti dell'impresa. La nostra ricerca fa luce sul processo da seguire.

I driver del successo

Quando abbiamo messo in cantiere la ricerca, volevamo capire perché molte aziende faticano a conseguire i benefici degli investimenti in trasformazione digitale mentre altre se ne giovano enormemente. Cosa fanno diversamente le imprese di successo?

Abbiamo studiato 150 aziende manifatturiere, dell'assistenza sanitaria, dei beni di largo consumo, dei servizi finanziari, dell'industria aerospaziale e del comparto farmaceutico-biotecnologico - incluso un campione rappresentativo delle più grandi di ciascun settore. Alcune facevano registrare risultati modestissimi, ma molte avevano fatto progressi assai rilevanti. Sorprendentemente, abbiamo scoperto che i risultati non dipendevano dall'entità relativa dei budget IT. E i casi di successo non riguardavano unicamente organizzazioni "native digitali". Anche giganti del business tradizionale come Unilever, Fidelity e Starbucks (dove uno di noi, Satya, siede nel consiglio di amministrazione) - per non parlare di Novartis - erano riusciti a creare una mentalità e una cultura orientate all'innovazione digitale.

La nostra ricerca dimostra che per facilitare la trasformazione su vasta scala, le imprese devono creare una sinergia in tre aree organizzative:

Capacità. Gli sforzi trasformativi di successo impongono alle aziende di sviluppare competenze digitali e di analisi dei dati nei dipendenti che operano al di fuori delle funzioni tecnologiche tradizionali. Queste capacità da sole, tuttavia, non bastano a generare tutti i benefici della trasformazione; le organizzazioni devono investire anche nello sviluppo dell'agilità di processo e, più generalmente, di una cultura che incoraggi la sperimentazione generalizzata e frequente.

Tecnologia. Naturalmente, l'investimento nelle tecnologie giuste è importante, specie negli elementi che concorrono a far funzionare l'IA: data platform, data engineering, algoritmi per l'apprendimento delle macchine e tecnologia di sviluppo degli algoritmi. Le imprese devono fare in modo che la tecnologia impiegata sia facile da usare e accessibile per i tanti dipendenti non-tecnici che partecipano agli sforzi di innovazione.

Architettura. L'investimento in architettura organizzativa e tecnica è necessario per fare in modo che capacità umane e tecnologia possano lavorare in sinergia per alimentare l'innovazione. Ciò richiede un'architettura - sia a livello tecnico sia a livello organizzativo - che supporti la condivisione, l'integrazione e la normalizzazione dei dati (per esempio rendendo coerenti le definizioni e le caratteristiche dei dati) trasversalmente a silos funzionali tradizionalmente isolati. È l'unico modo reale, e scalabile, per assemblare i necessari asset tecnologici e di dati, mettendoli così a disposizione di una forza lavoro distribuita.

Molte grandi imprese stanno facendo sensibili progressi in ognuna di queste aree. Ma anche le aziende leader tendono a non capire quanto sia importante convincere i dipendenti a inserire stabilmente la trasformazione nelle loro funzioni e nel loro lavoro, anziché seguire più o meno malvolentieri l'input di enti tecnologici centrali e consulenti esterni. Come sostiene da molti anni Eric von Hippel del MIT, gli utilizzatori che stanno in prima linea, e sono più vicini ai casi di uso e meglio posizionati per sviluppare soluzioni in grado di soddisfarne i bisogni, devono assumere un ruolo centrale, unendosi a team agili che si formano e si dissolvono dinamicamente in base alle esigenze del business.

 

Costruire intensità tecnologica

La nostra ricerca rivela come capacità, tecnologia e architettura lavorino assieme per costruire quella che chiamiamo intensità tecnologica. Derivata dal concetto economico di margine intensivo - il grado di utilizzo o di applicazione di una risorsa - l'intensità tecnologica indica la misura in cui i dipendenti mettono in uso la tecnologia per accrescere l'innovazione digitale e ottenere risultati di business. La ricerca dimostra altresì che le aziende che hanno fatto buoni investimenti in tecnologia e messo i dati a disposizione di una vasta comunità di dipendenti opportunamente addestrati all'analisi dei dati e all'uso delle tecnologie, hanno conseguito un'intensità tecnologica più elevata - e una performance superiore. Quelle che non hanno sviluppato capacità tecnologiche e di analisi/utilizzo dei dati nei loro dipendenti, a cui offrivano solo un accesso limitato alla tecnologia, sono rimaste inesorabilmente indietro.

Abbiamo classificato l'intensità tecnologica delle 150 aziende oggetto del nostro studio e abbiamo scoperto che il primo quartile del campione ha fatto crescere i propri ricavi in tempi più che dimezzati rispetto all'ultimo quartile. (Si veda il box "La trasformazione digitale rende"). Abbiamo scoperto, inoltre, che gli indici di tecnologia, capacità e architettura si correlavano con altri indicatori di performance, dalla produttività ai profitti e alla crescita di valore dell'impresa. Con la tecnica econometrica delle variabili strumentali, abbiamo accertato inoltre che la relazione tra intensità tecnologica e performance era causale: vale a dire che una maggiore intensità tecnologica (in particolare gli investimenti in architettura tecnica e organizzativa) generava una crescita più elevata dei ricavi.

 

Organizzare la trasformazione

La nostra analisi conferma che il solo fatto di spendere soldi in tecnologia non produce più crescita, né una performance più soddisfacente anzi, in alcuni casi, può addirittura danneggiare il business se accentua distonie e incongruenze tra gruppi. Invece, sono gli approcci architettonici, manageriali e organizzativi alla trasformazione che spiegano meglio le differenze sostanziali e durature tra imprese. Noi abbiamo scoperto che le aziende attraversano tipicamente cinque fasi nel loro percorso di trasformazione. (Si veda il box "Le fasi di maturità digitale").

Modello tradizionale. Come ci si potrebbe aspettare, molte aziende corrispondono a quello che riteniamo essere il modello tradizionale di innovazione digitale, in cui gli investimenti digitali tecnologici sono appannaggio esclusivo della funzione IT (o di altri gruppi tecnici specializzati) e l'impatto è ineguale, con notevoli inconsistenze. L'IT lavora con le business unit per finanziare i progetti e gestirne l'implementazione - come avviene per un'applicazione aziendale o per una data platform. I progetti e le loro implementazioni sono customizzati in base alle esigenze specifiche dei silos individuali, delle business unit o delle funzioni. Il risultato è che, con il tempo, la tecnologia e l'infrastruttura dei dati riflettono invariabilmente le peculiarità dei singoli gruppi, senza nessuna coerenza e nessuna interconnessione. Questo approccio frammentario rende praticamente impossibile mettere in comune, estendere o distribuire sforzi di innovazione in tutta l'organizzazione.

Molte aziende che si ispirano al modello tradizionale spendono ancora grosse somme in information technology. Considerate un'azienda dei servizi finanziari che abbiamo studiato, il cui budget per la tecnologia e le analitiche e tra i più alti del settore, sia in termini assoluti sia in termini relativi. L'azienda ha speso moltissimo in data platform di ultima generazione e ha assunto migliaia di specialisti informatici e data scientist, che operano isolatamente in un gruppo IT separato, mentre sono pochi (per non dire nessuno) i colleghi delle funzioni operative coinvolti negli sforzi di innovazione digitale dell'organizzazione. Dunque, l'azienda non ha l'architettura e le capacità che occorrono per promuovere l'intensità nell'adozione della tecnologia. E come ci si poteva aspettare, i suoi sforzi a livello di IT e data science si sono impantanati, e l'impatto economico finanziario è stato minimo.

Il fatto che un'azienda si trovi ancora nella fase tradizionale è provato plasticamente dalla netta differenza di percezione dell'impatto tra gli addetti alla tecnologia e i colleghi delle funzioni operative. I primi lo considerano elevato (in base allo sforzo che hanno messo nel loro lavoro), mentre i secondi lo considerano molto più limitato (in base al beneficio che ne hanno tratto le loro attività quotidiane).

Modello ponte. Per affrancarsi dai vincoli tradizionali - organizzativi e infrastrutturali - che caratterizzano i silos, le aziende iniziano quasi sempre lanciando progetti pilota che collegano gruppi in precedenza separati e sviluppando asset condivisibili di dati e tecnologia per facilitare nuove innovazioni. Potrebbero concentrarsi inizialmente su opportunità funzionali specifiche come l'ottimizzazione della pubblicità, della produzione o delle capacità logistiche. Queste aziende sperimentano non solo la tecnologia, ma anche un modello di innovazione radicalmente diverso in cui executive, manager e operatori di frontline lavorano in collaborazione con l'IT e i data scientist. Victor Bulto, Head of US Pharmaceuticals di Novartis, ha avuto un ruolo di primo piano nel lancio di esperimenti pilota iniziali (concentrandosi, per esempio sull'identificazione di pazienti a rischio) e ha supportato personalmente numerose iniziative man mano che l'azienda attraversava la fase-ponte. Lori Beer, global CIO di JPMorgan Chase, ama parlare dell'impatto effettivo che ha avuto la sperimentazione dell'IA per semplificare il reporting e l'approvazione delle spese - un esperimento-pilota di miglioramento dei processi che ha conquistato molti dipendenti.

Hub. Quando i progetti pilota dimostrano ripetutamente il successo del nuovo approccio, le organizzazioni formano hub di dati e di capacità per coinvolgere altre funzioni e altre business unit nella caccia a opportunità di trasformazione. Man mano che procedono su questa via, i leader iniziano a rendersi conto che il collo di bottiglia nell'innovazione si è spostato dagli investimenti in tecnologia agli investimenti in capitale umano. Il fattore limitante in questa fase è il numero di dipendenti in grado - per know-how e accessibilità - di promuovere l'innovazione digitale. Le aziende devono investire perciò in coaching e in formazione su una comunità molto più vasta di dipendenti.

Fidelity mira a sviluppare quelli che definisce atleti digitali. Ha iniziato a costruire degli hub creando data asset centralizzati (un data lake comune a tutta l'azienda, per esempio); adesso sta estendendo la formazione a migliaia di operativi, mettendoli così in condizione di impiegare soluzioni digitali in tutte le loro attività. Specialisti di investimenti ed esperti fiscali digitalmente attrezzati, per esempio, lavorano a stretto contatto di gomito con data scientist e tecnologi per creare soluzioni innovative con una focalizzazione particolare sulla personalizzazione e sull'impatto "a misura di cliente". Hanno sviluppato anche un'app finalizzata a coinvolgere investitori più giovani, e un'altra che fornisce raccomandazioni alimentate dall'IA ai consulenti finanziari di Fidelity, solo per fare alcuni esempi.

Anche Starbucks si concentra non solo sulla tecnologia e sull'architettura, ma anche sullo sviluppo di competenze di innovazione agile tra i suoi dipendenti per accrescere l'efficacia degli hub. Come spiega il CEO Kevin Johnson, «siamo passati da team numerosi che lavoravano in silos funzionali a team interfunzionali più piccoli [presenti dappertutto] e dalla valutazione di tutte le idee in termini di promozione o bocciatura all'iterazione rapida». Oggi Starbucks è un polo di innovazione digitale, con app sofisticate per i clienti che facilitano ordinazioni a distanza, programmi di fidelizzazione e sistemi di pagamento, unitamente a sistemi interni che facilitano l'allocazione dei dipendenti e la gestione delle scorte guidate dall'IA.

Modello piattaforma. Quando le aziende entrano nella fase piattaforma, i data si fondono in una architettura software integrata che facilita l'implementazione rapida di applicazioni basate sull'IA. Le aziende si focalizzano sulla costruzione di capacità sofisticate di data engineering e sulla promozione del riuso e dell'integrazione di modelli di machine-learning. Modelli di previsione basati sulle analitiche si applicano in tutta la struttura, con una focalizzazione sempre maggiore sull'automazione di compiti operativi elementari. Le organizzazioni iniziano ad assomigliare un po' di più a società di software e sviluppano capacità complessive che facilitano la gestione dei prodotti e dei programmi, e una sperimentazione rapida.

Negli ultimi cinque anni, Microsoft ha attraversato praticamente tutte le fasi di questo percorso evolutivo. Anni fa, eravamo divisi in silos funzionali come la stragrande maggioranza delle aziende: ogni organizzazione di prodotto custodiva gelosamente i propri dati, il proprio software e le proprie capacità. Integrando e normalizzando i dati di funzioni diverse e gruppi di prodotto diversi, abbiamo potuto mettere in campo soluzioni integrate in aree che spaziano dal customer service alla gestione della supply chain.

Abbiamo integrato tutti i nostri dati in un data lake aziendale e abbiamo costruito una piattaforma per i processi di business che mette a disposizione software e componenti analitiche utilizzati dai team per facilitare l'innovazione in attività che vanno dalla fabbricazione dell'Xbox alla gestione della spesa pubblicitaria. Abbiamo investito anche in programmi di formazione per dipendenti non-tecnici, con l'obiettivo di sviluppare capacità data-centriche e di machine learning in tutta l'organizzazione.

Modello non attivo. Le aziende di maggior successo tra le 150 che abbiamo studiato hanno messo in piedi un tipo completamente diverso di architettura operativa, incentrata sull’integrazione di data asset e librerie software e progettata per impiegare l'IA su vasta scala lungo uno spettro amplissimo e distribuito di applicazioni. Le sue caratteristiche distintive sono un nucleo di esperti; strumenti largamente accessibili e facili da usare; e l'investimento in formazione e costruzione di capacità per vasti gruppi di manager e dipendenti. Queste aziende stanno eguagliando le capacità di imprese native digitali come Airbnb e Uber, che erano strutturate fin dall'inizio per impiegare a tutto campo analitiche e innovazione basata sul software. Airbnb e Uber non sono certo esempi di perfezione, ma sono molto vicine all'ideale native.

In Microsoft, abbiamo ancora tanto da imparare, ma in alcune parti della nostra organizzazione stiamo cominciando ad avvicinarci al modello native. Come avviene regolarmente in tutte le imprese, i progressi non sono stati uniformi. Gruppi diversi hanno raggiunto livelli diversi di capacità, ma i risultati sono complessivamente incoraggianti, perché vediamo soluzioni sempre più innovative a problemi interni e di interfacciamento con i clienti. Ma soprattutto, il nostro approccio generalizzato alla comprensione, alla protezione e all'utilizzo dei dati è progredito di anni-luce.

 

L'imperativo per i leader

Il mandato della trasformazione digitale crea un imperativo per i leader: adottate la trasformazione, e lavorate per sostenerla. Formulate una strategia chiara e comunicatela incessantemente. Create un’architettura organizzativa a cui rifarvi man mano che prendete le innumerevoli decisioni quotidiane che definiscono la vostra strategia tecnologica. Introducete un processo effettivo di governance per tenere traccia dei tanti progetti tecnologici in corso, e coordinateli e integrateli il più possibile. Dimostrate agilità in tutte le iniziative di business a cui partecipate e che influenzate. E infine, voltate le spalle alla tradizione. Abituate i dipendenti a capire il potenziale della tecnologia e dei dati, e lasciate spazio agli innovatori della vostra azienda.

Questo mandato si estende ai fornitori di tecnologia. Nonostante gli investimenti, le tecnologie sono ancora troppo complesse e spesso troppo difficili da usare e da implementare. Ci servono strumenti e tecnologie che rendano la promozione della trasformazione intuitiva per gli operatori di frontline, senza compromettere la sicurezza dei dati. Non dimentichiamoci che fino a poco tempo fa molti di noi si affidavano ancora agli specialisti di Fortran e Cobol per modellizzare problemi di business e anche per fare semplici operazioni matematiche. I fogli elettronici hanno rivoluzionato la modellistica matematica; e abbiamo analogamente bisogno di fornitori di tecnologia per rivoluzionare l'IA e rendere l'utilizzo di un'applicazione di machine-learning semplice come la creazione di una tabella pivot.

Lo slancio è sempre più forte. Ma dobbiamo sostenere gli sforzi in atto per fare in modo che aziende di tutti i tipi riescano a superare il digital divide.

Marco Iansiti è Professor of Business Administration e responsabile didattico dell'area tecnologia e trasformazione alla Harvard Business-School. Satya Nadella è presidente e CEO di Microsoft.

 

 

 

Sviluppare un mindset digitale

Come guidare la vostra organizzazione nell'era dei dati, degli algoritmi e dell'IA

Tsedal Neeley e Paul Leonardi

 

Nel 2008, quando è stato nominato CEO dell'azienda francese di servizi IT Atos, Thierry Breton sapeva che sarebbe stata necessaria una trasformazione digitale immediata e massiccia. Durante la Grande Recessione il fatturato annuo era cresciuto di quasi il 6%, a 6,2 miliardi di dollari, ma Atos non cresceva alla stessa velocità dei concorrenti. Pativa la mancanza di integrazione tra le funzioni, aveva risorse globali insufficienti e abbisognava di più innovazione in tutta la struttura. L'unica opzione praticabile era la trasformazione digitale.

Ma come si sarebbe concretizzata per un colosso informatico? Breton ha deciso anzitutto di ingrandire e globalizzare l'azienda, che fornisce servizi transazionali online, integrazione di sistemi, cybersicurezza e altro ancora. Ha raddoppiato l'organico portandolo a 100.000 dipendenti, nella speranza di eliminare la concorrenza dei concorrenti che lo circondavano, tra cui start-up native digitali della Silicon Valley, indiane e cinesi.

Il piano triennale di trasformazione digitale si fondava sulla creazione di una cultura dell'apprendimento continuo e imponeva ai dipendenti di sviluppare quello che definiamo un mindset digitale. Breton e i suoi collaboratori hanno discusso una varietà di opzioni per il raggiungimento di quegli obiettivi. Alcuni erano convinti che l'unico mezzo fosse un vasto piano di formazione; altri pensavano invece che non ci fossero alternative al training on the job. Alla fine, il gruppo dirigente ha creato il programma di certificazione delle competenze Digital Transformation Factory. L'obiettivo iniziale era addestrare 35.000 dipendenti tecnici e non-tecnici all'uso delle tecnologie digitali e dell'intelligenza artificiale.

Vale la pena di ricordare che si trattava di un programma volontario. Il team di Breton ha lanciato una campagna di marketing interno per invitare i dipendenti a imparare e a ottenere la certificazione. Ha istituito anche un sistema di nomination da parte dei colleghi e del management per indurre i lavoratori a entrare nel programma, e ha offerte ricompense per il raggiungimento di certi livelli di apprendimento. Il ragionamento era che, se avessero ottenuto volontariamente la certificazione, i dipendenti avrebbero avuto maggiori probabilità di interiorizzare le nuove competenze digitali e modificare di conseguenza il loro comportamento lavorativo. I programmi di apprendimento erano aperti a tutti - data scientist e ingegneri informatici di alto profilo, ma anche addetti a funzioni tradizionalmente non-tecniche, come le vendite e il marketing.

I risultati sono andati al di là delle aspettative. In tre anni, più di 70.000 persone hanno ottenuto la certificazione digitale, anche perché i dipendenti si rendevano conto che la loro crescita professionale in azienda richiedeva una conoscenza adeguata dell'ambiente digitale. Atos era chiaramente sulla strada giusta: nel 2019, quando Breton si è dimesso per diventare Commissario Europeo ai servizi e al mercato interno, i suoi ricavi sfioravano i 13 miliardi di dollari.

 

Che cos'è un mindset digitale?

Imparare nuove competenze tecnologiche è essenziale per la trasformazione digitale. Ma non basta. I dipendenti devono essere motivati a usare le proprie competenze per creare nuove opportunità. Devono acquisire un mindset digitale. Gli psicologi definiscono il mindset un modo di pensare e di orientarsi nel mondo che influenza la nostra percezione, i nostri sentimenti e le nostre azioni. Il mindset digitale è un insieme di atteggiamenti e di comportamenti che consentono a persone e organizzazioni di rendersi conto che dati, algoritmi e IA aprono nuove possibilità, e di identificare un percorso di successo in un panorama competitivo sempre più dominato da tecnologie data-intensive e intelligenti.

Per sviluppare un mindset digitale ci vuole un grosso sforzo, ma ne vale sicuramente la pena. La nostra esperienza dimostra che i dipendenti che lo fanno hanno più successo e più soddisfazione nel loro lavoro, e più possibilità di promozione, oltre ad acquisire competenze esportabili che possono portarsi dietro se decidono di cambiare azienda. I leader che hanno un mindset digitale sono più in grado di strutturare le loro organizzazioni per il successo e di costruire una forza lavoro resiliente. E le aziende che ce l'hanno reagiscono più rapidamente alle dinamiche del mercato e sono ben posizionate per trarre beneficio da nuove opportunità di business.

Come qualunque altra iniziativa di cambiamento, anche la trasformazione digitale incontra spesso resistenza e dei passi falsi iniziali sono inevitabili. Nella nostra esperienza, le imprese ottengono i risultati migliori quando si concentrano su due aree critiche: (1) preparare le persone per una nuova cultura organizzativa digitale, e (2) progettare e allineare sistemi e processi. Qui delineiamo i principi-base di questa complessa iniziativa, attingendo ai casi di Philips, Moderna e Unilever. Queste aziende offrono una road map per lo sviluppo di mindset digitali in pool di talenti preesistenti e per l'allineamento di sistemi e processi al fine di capitalizzare sulle conoscenze digitali.

 

Costruire una cultura dell'apprendimento continuo

L'azienda di apparecchi e servizi per l'assistenza sanitaria Philips ha spostato recentemente la sua competenza critica dalla fornitura di prodotti alla fornitura di soluzioni digitali. Per mobilitare i dipendenti, doveva creare un ambiente orientato all'apprendimento continuo. Philips si è alleata con Cornerstone OnDemand, un fornitore di software per l'apprendimento e lo sviluppo delle risorse umane che opera sul cloud, per costruire un'infrastruttura alimentata dall'IA che si adatta ai bisogni e ai ritmi specifici dei discenti. I dipendenti possono condividere con i colleghi "playlist" di lezioni tagliate su misura, proprio come condividono le playlist sui siti di musica in streaming. La funzione social media della piattaforma facilita la connessione tra neoassunti e colleghi più esperti che possono fungere da mentori, promuovendo una relazione più organica rispetto ai programmi formali di affiancamento.

I leader di Philips, che partecipano al programma di apprendimento come docenti, hanno enfatizzato l'esigenza di adottare non solo nuove conoscenze, ma anche e soprattutto un nuovo paradigma culturale. Si assumono anche la responsabilità per il futuro dei loro collaboratori, oltre a quella di gestire l'operatività, e mettono in comune la propria expertise.

La capacità di sviluppare un mindset digitale dipende dalla misura in cui i dipendenti interiorizzano questo obiettivo. La riflessione su come interagiranno con i nuovi strumenti e su come quegli strumenti li aiuteranno a conseguire una performance superiore è essenziale per una trasformazione digitale di successo.

 

Accelerare l'adozione

Il cambiamento digitale è spesso radicale, e comporta la modifica di valori, norme, atteggiamenti e comportamenti condivisi. È un'impresa complicata, perciò conviene partire con una mossa audace: un gesto significativo che richiama l'attenzione e spinge tutti i membri dell'azienda a rendersi conto che occorre intraprendere una nuova direzione. (Si veda "What Inexperienced Leaders Get Wrong [Hint Management]" su HBR.org). Gli esempi includono una grossa riorganizzazione, un'acquisizione, la riallocazione di risorse, l'assunzione di un responsabile della trasformazione digitale che risponde direttamente al CEO, e l'abbandono ufficiale dei sistemi tradizionali.

Anche se crea slancio, la precostituzione più o meno ufficiale di un nuovo ordine non è sufficiente. Il gesto di rottura deve essere seguito da una lunga marcia, che inizia con la valutazione di come i dipendenti percepiscono i piani di trasformazione digitale. Alcuni potrebbero temere l'incognito; altri potrebbero dubitare della propria capacità di apprendimento e di applicazione della nuova tecnologia e delle nuove competenze alle loro attività. Queste ansie incideranno allo stesso modo sui ruoli tecnici e sui ruoli non-tecnici. I dipendenti potrebbero anche chiedersi se la trasformazione digitale conta veramente - per l'azienda e per le loro mansioni.

Nell'implementazione del cambiamento radicale, i manager devono soppesare attentamente queste due dimensioni critiche: consenso (la misura in cui le persone sono convinte che il cambiamento produrrà dei benefici per loro e per l'organizzazione) e fiducia nella propria capacità di apprendimento (la misura in cui le persone sono convinte di poter imparare a sufficienza per superare l'esame). I livelli più elevati di adozione si registrano quando i dipendenti sono motivati a sviluppare le nuove competenze perché condividono totalmente la strategia di trasformazione e si sentono in grado di contribuire a farne una realtà.

In una trasformazione digitale, le due dimensioni si combinano per produrre le quattro caselle di una matrice di reazioni: oppressi, frustrati, indifferenti e ispirati. (Si veda il box "La matrice di adozione"). Nello scenario più favorevole, le persone si posizioneranno nel quadrante in alto a destra, ispirate dal cambiamento e convinte di poter apprendere i contenuti digitali. I manager dovrebbero stabilire in quale quadrante si colloca ognuno dei loro collaboratori e poi cercare di "spostarlo" dall'uno all'altro secondo necessità.

Promuovere il consenso. Per coinvolgere coloro che non vedono l'utilità di acquisire competenze digitali (quelli che si collocano nei quadranti inferiori), i leader devono rafforzare i messaggi che prospettano la trasformazione digitale come frontiera critica per l'azienda. Dovrebbero lanciare una campagna di marketing interno per aiutare i dipendenti a immaginare il potenziale di un'azienda incentrata sulla tecnologia digitale. I manager dovrebbero invitare i loro collaboratori a considerarsi contributori importanti per l'organizzazione digitale.

Promuovere la fiducia nella capacità di apprendimento. Dopo la creazione del consenso, i manager dovrebbero concentrarsi sulla promozione della fiducia dei collaboratori che si posizionano nei due quadranti di sinistra. Noi abbiamo scoperto che più esperienza di tecnologie digitali hanno le persone - per formazione o per azione diretta - più fiducia in se stesse acquisiscono. Giova anche mettere in comune dei racconti: la fiducia si può acquisire anche per interposta persona, attraverso le esperienze dei colleghi, dei capi e di altri soggetti. Con l'incoraggiamento e il rinforzo dei leader aziendali dei capi diretti, i dipendenti possono cominciare a credere nelle proprie capacità. (Si veda il box "Gli elementi di un programma di formazione efficace").

Potrebbe sembrare più efficiente ingaggiare semplicemente persone che hanno già le competenze tecniche necessarie per portare una forza lavoro nell'era digitale. Ma come sanno quasi tutte le aziende, la guerra per i talenti è feroce: assumere abbastanza talenti digitali per soddisfare la domanda è praticamente impossibile nel mercato di oggi. Di conseguenza, il reclutamento va integrato con uno sforzo consistente per l'aggiornamento tecnologico dei dipendenti in essere.

I leader dovrebbero identificare nei propri ranghi influenzatori che possiedono un mindset digitale, e invitarli a propagandare la trasformazione e a dare l'esempio ai riluttanti. Gli influenzatori possono anche identificare tra i dipendenti aree di preoccupazione e idee di miglioramento. Sono più in grado di capire che tipo di messaggi verranno apprezzati dai dipendenti. Occorre anche tenere sessioni formative sulla trasformazione digitale e comunicare nuovi target.

 

Allineare i sistemi digitali

I leader dell'organizzazione devono capire come i dipendenti useranno gli strumenti digitali, per costruire ecosistemi e processi tecnologici in grado di promuovere un mindset digitale e di accelerare la trasformazione digitale.

La ricerca effettuata dai professori della Harvard Business-School Marco Iansiti e Karim Lakhami, insieme ai loro colleghi, identifica tre delle caratteristiche principali di Moderna, l'azienda farmaceutica e biotecnologica nata digitale. Il primo elemento fondativo è un accesso totalitario ai dati, che rappresentano la fonte del valore acquisito dall'azienda nello sviluppo di vaccini e altri presidi terapeutici. Il secondo è il massiccio utilizzo del cloud computing - una soluzione non solo meno costosa ma anche più rapida e più agile rispetto ai server interni. Il terzo è la capacità di costruire algoritmi di IA per mettere in atto processi di R&S con un'accuratezza e una velocità che sono impossibili da ottenere manualmente. Come ha detto ai ricercatori il cofondatore e CEO di Moderna Stéphane Bancel, «La nostra è un'azienda tecnologica che si occupa di biologia».

Le grandi case farmaceutiche hanno sempre operato tramite divisioni globali rigorosamente separate, mentre Moderna ha una struttura pienamente integrata in cui i dati fluiscono liberamente, consentendo ai team di lavorare assieme in tempo reale. Come ha osservato Juan Andres, chief technical operations and quality officer dell'azienda, «Più della disponibilità di strumenti digitali o algoritmi sofisticati, conta l'integrazione a tutti i livelli. La cosa importante è la fluidità dei processi che la tecnologia assicura, non la tecnologia in se stessa».

Nel gennaio 2020 quando si è trovata nella necessità di sviluppare urgentemente un vaccino per il Covid 19, Moderna ha potuto accelerare il processo perché l'integrazione era già presente a tutti i livelli. Bancel aveva assunto Marcello Damiani cinque anni prima per garantire l'eccellenza digitale e operativa, ed era stato ben attento a non separare i due ruoli. «Mettere Marcello in condizione di progettare i processi era fondamentale», spiega. «La digitalizzazione ha senso solo quando i processi funzionano bene. Se avete dei pessimi processi analogici, avrete dei pessimi processi digitali». Sistemi e processi pienamente integrati hanno permesso ai dipendenti di Moderna di impiegare soluzioni digitali preesistenti per la realizzazione del vaccino e di costruirne molte altre all'interno, o di progettare nuovi algoritmi partendo da zero o manipolando quelli che c'erano già per effettuare analisi più approfondite e più specializzate. Pochi mesi dopo l'inizio della pandemia da Covid-19, Moderna aveva già costruito 20 algoritmi per lo sviluppo di vaccini e terapie e stava lavorando su tante altre applicazioni di prevenzione e cura.

Anche Unilever, il colosso dei beni di consumo confezionati, ha adattato il suo business globale in continua espansione all'era digitale. Per questo produttore e distributore di articoli per la casa e per la cura della persona - che vende più di 400 brand in 190 Paesi - il successo è frutto di un delicato equilibrio tra specificità dei mercati locali e globalità delle sue operations. La soluzione è stata formare dei team agili, in grado di focalizzarsi sulla customizzazione dei prodotti per "l'ultimo miglio", armonizzando contestualmente il proprio lavoro in tanti Paesi diversi con l'utilizzo delle capacità di digitali dell'azienda. Rahul Welde, executive vice president for digital transformation di Unilever, dove lavora da trent'anni, ha progettato una struttura di team agili che consentiva ai loro componenti di rimanere globalmente distribuiti pur facendo un uso strategico dei dati per iniziative su misura all'interno di mercati locali in rapido cambiamento.

Sotto la guida di Welde, Unilever ha formato 300 team agili di dieci persone che operavano in remoto e si potevano mettere al lavoro su scala globale. La strategia di Welde si articolava in tre parti. La prima era usare tecnologia e strumenti facilitanti, che avrebbero potuto ridurre il gap tra dimensione globale e dimensione del locale. Grazie alle piattaforme digitali, i brand potevano dialogare direttamente con i clienti dei mercati locali su una scala molto più vasta. La seconda era ridisegnare i processi in essere per adattarli alla nuova tecnologia e ai nuovi strumenti. La terza consisteva nel fare in modo che le persone potessero accedere alla tecnologia e avessero sia le competenze sia la motivazione che occorrono per usarla.

Chi seleziona gli strumenti digitali?

Manager e leader aziendali devono essere pesantemente coinvolti nella selezione e nell'implementazione di strumenti digitali. A questo scopo, devono capire cosa possono e non possono fare oggi i dipartimenti IT. Questi reparti sono sempre stati ben attrezzati per gestire l'implementazione di software a livello di tutta l'azienda e per assicurarne la manutenzione e la continuità operativa. Questa rimane una funzione critica dell'IT per l'implementazione di strumenti su misura o di sistemi ERP. Ma quasi tutte le tecnologie che impiegano le aziende per facilitare la trasformazione digitale si basano sul cloud (SaaS). I team possono semplicemente acquistare licenze, scaricare il software e cominciare a utilizzarlo senza nemmeno coinvolgere l'IT.

Mentre l'IT è abituato a gestire applicazioni di supporto, i leader aziendali sono particolarmente adatti alla definizione di nuovi ruoli e di nuove routine - e alla ridefinizione della cultura e degli obiettivi dell'organizzazione. Dovrebbero iniziare identificando le attività locali che incideranno più pesantemente sugli obiettivi organizzativi, perché da qui deriveranno la scelta degli strumenti digitali e la direzione della trasformazione. Poiché i cambiamenti di processo indotti dalla tecnologia produrranno nuovi ruoli e nuove responsabilità, si apriranno nuovi network collaborativi all'interno della struttura. Questi network sono i veri driver positivi dell'organizzazione.

L'azienda deve raccogliere continuamente dati per monitorare lo sforzo trasformativo e stabilire se i comportamenti dei dipendenti aiutano od ostacolano quello che definiamo processo di digitalizzazione del lavoro. I leader dovrebbero andare a vedere come fluiscono le informazioni all'interno dell'organizzazione e rimuovere gli ostacoli istituzionali che potrebbero impedire ai dipendenti di adottare il nuovo processo.

 

Il cambiamento come costante

Nella teoria del change management, le organizzazioni passano dallo stato attuale a uno stato transitorio per poi adottare uno stato futuro. Lo stato transitorio si considera tipicamente un periodo fisso in cui l'organizzazione sostituisce strutture, processi e norme culturali con altre strutture, altri processi e altre norme. Nella fase di transizione, le persone sono comprensibilmente a disagio perché devono dare senso alle nuove prospettive e alle nuove modalità di comportamento. Nello stato temporaneo, caratterizzato per definizione dall'ambiguità, il compito di tutti è cercare una mediazione tra il passato e il futuro dell'organizzazione.

In un mondo a trazione digitale, tuttavia, la fase di transizione non ha un punto conclusivo. Gli strumenti digitali cambiano continuamente e rapidamente, al pari delle conoscenze e delle competenze necessarie per utilizzarli. Le strutture organizzative si devono adattare in continuazione per sfruttare le nuove indicazioni che emergono dai dati e i leader devono continuare a lavorare per coinvolgere i dipendenti man mano che si evolve l'organizzazione.

Riconcettualizzare il cambiamento come processo costante di transizione anziché come fase di collegamento tra stati ha aiutato Thierry Breton a guidare una trasformazione digitale di successo in Atos. Potrebbe apparire sorprendente che un'azienda informatica abbia avuto bisogno di aiuto nella sua trasformazione digitale, ma questa considerazione mette in luce ancora una volta quanto sia essenziale sviluppare un mindset digitale. Il fatto che i dipendenti padroneggino una tecnologia non significa necessariamente che siano pronti ad adattarsi a quella successiva. I leader devono considerare il cambiamento digitale una transizione costante che impone a tutti di accettare il dinamismo e l'incertezza dell'instabilità permanente.

 

La tecnologia digitale e il suo impatto sulle strutture organizzative, sui ruoli lavorativi, sulle competenze delle persone e sui bisogni dei clienti sono in costante evoluzione. Il compito del leader non è semplicemente adattarsi; è essere adattivo. La trasformazione digitale non è un obiettivo che si raggiunge; è il mezzo per raggiungere i propri obiettivi specifici. Con un mindset digitale, i dipendenti di tutte le funzioni sono in grado di cogliere le opportunità che offre il mondo dinamico in cui viviamo.

 

Tsedal Neely è Professor of Business Administration alla Harvard Business School. Paul Leonardi è Professor of Technology Management alla University of California, Santa Barbara. Neely e Leonardi sono autori di The Digital Mindset: What it Really Takes to Thrive in the Age of Data, Algorithms, and AI (Harvard Buisness Press, 2022), da cui è adattato questo articolo.

 

 

Il prossimo grande vantaggio digitale

Le aziende più avanzate usano i datagraph per trovare soluzioni specifiche ai problemi dei clienti

Vijay Govindarajan e N. Venkat Venkatraman

 

Dei 4.000 prodotti che Amazon vende ogni minuto, circa il 50% viene presentato ai clienti dal suo motore di raccomandazione personalizzato. Quando visitate il sito, gli algoritmi selezionano un assortimento di prodotti tra 353 milioni di referenze e ve li sottopongono in base a quelle che prevedono essere le vostre necessità in quel preciso momento. Tali raccomandazioni sono alimentate dal grafico di acquisto in continua evoluzione di Amazon, che è una rappresentazione digitale di "entità" reali - tutto ciò su cui immagazzina informazioni, come clienti, acquisti, eventi e luoghi - e delle relazioni e interrelazioni che li uniscono. Il grafico di acquisto di Amazon connette la storia degli acquisti pregressi con i dati sulla navigazione del sito, i dati sulla visione di Prime Video, i dati sull'ascolto di Amazon Music e i dati sulle richieste verbali sottoposte all'assistente virtuale Alexa. I suoi algoritmi usano il filtraggio collaborativo - che incorpora fattori come l'eterogeneità (quanto sono dissimili gli articoli raccomandati), la casualità (quanto sono sorprendenti) e la novità (quanto sono nuovi) - per generare alcune tra le raccomandazioni più sofisticate del pianeta. Grazie ai suoi ricchi dati e un grado di personalizzazione senza uguali, oggi Amazon ha il 40% del mercato USA nel commercio elettronico. Il suo primo concorrente, Walmart, deve accontentarsi di un misero 7%.

Per competere con Amazon, nell'aprile 2021 Google ha annunciato la nascita di Shopping Graph, un modello supportato dall'IA che raccomanda prodotti agli utilizzatori nella fase di ricerca. Ogni giorno, più di un miliardo di persone cercano prodotti su Google e Shopping Graph le mette in contatto con le offerte di oltre 24 miliardi di aziende che operano sul web. Sfrutta l'ineguagliato Knowledge Graph di Google, cattura informazioni sulle entità che compongono il suo vastissimo network e sulle relazioni che le uniscono, inclusi i dati strutturati e destrutturati ricavati da Android, ricerche in voce e in immagini, estensioni del browser Chrome, Google Assistant, Gmail, Photos, Maps, YouTube, Google Cloud e Google Pay. Con il suo Shopping Graph - che consente a 1,7 milioni di distributori di mettere offerte rilevanti su Google utilizzando strumenti semplici ma interconnessi - Google è pronta a raccogliere la sfida di Amazon.

Datagraph come quelli di Amazon e Google sfruttano dati su prodotti in uso - ossia dati sul comportamento dei clienti che utilizzano una determinata piattaforma e un determinato prodotto - per identificare le connessioni, le relazioni e interrelazioni tra un'azienda e i suoi clienti. Il concetto di datagraph è ispirato dalla teoria dei social network e della rappresentazione grafica, in base alla quale un grafico sociale viene definito come la rappresentazione delle interconnessioni tra individui, visualizzate come nodi, e delle relazioni che li uniscono - con amici, colleghi, capi e così via, visualizzate come collegamenti. Il concetto nasce dal lavoro dello psicologo Stanley Milgram, e negli ultimi due decenni ha messo a disposizione una lente preziosa per analizzare la struttura e le dinamiche di organizzazioni, settori economici, mercati e società. Facebook ha popolarizzato il grafico sociale digitale nel 2007 con l'introduzione di Facebook Platform, uno strumento che permette agli sviluppatori di costruire applicazioni integrate nel flusso informativo e nei fasci di relazioni del sito.

Le aziende tecnologiche leader usano i datagraph per personalizzare le raccomandazioni ai clienti, aggiornare i prodotti, ottimizzare la pubblicità e altro ancora. Gli esempi di maggior successo - che includono il grafico di acquisto di Amazon, il grafico di ricerca di Google, il grafico dei film di Netflix, il grafico musicale di Spotify, il grafico dei viaggi di Airbnb, il grafico di mobilità di Uber e il grafico professionale di LinkedIn - sfruttano la continua raccolta di dati sul coinvolgimento dei clienti, insieme ad algoritmi esclusivi, per superare i concorrenti su tutti i fronti, dalla creazione dei prodotti all'esperienza dell'utilizzatore.

In questo articolo vediamo come le aziende possono trarre insegnamenti dalle best practice dei datagraph leader per acquisire un nuovo vantaggio competitivo.

 

Effetti network dei dati

Per capire i datagraph, dobbiamo prima capire gli effetti network dei dati, che si creano quando i dati generati dagli utilizzatori nell'interazione con un prodotto o con un servizio lo rendono più prezioso per altri utilizzatori. Diversamente dagli effetti network diretti, in cui il valore di un servizio aumenta all'aumentare degli utilizzatori (come avviene per Facebook o per LinkedIn), gli effetti network dei dati non richiedono un maggior numero di utilizzatori per accrescere il valore del network. In realtà, il continuo coinvolgimento degli utilizzatori in essere genera dati più estesi e più profondi sul prodotto in uso, il che consente agli algoritmi di generare risultati in costantemente miglioramento. Per esempio, ognuna dei due trilioni di ricerche effettuate ogni anno su Google aiuta l'azienda ad arricchire il suo Knowledge Graph e a migliorare il suo motore di ricerca, che genera risultati sempre migliori a beneficio degli utenti. Per contro, se gli utilizzatori smettono di andare sulla piattaforma, essa diventa obsoleta e meno utile.

I datagraph non sono statici; non riflettono le informazioni come se fossero un'istantanea scattata un momento preciso. Sono dinamici, nel senso che riflettono quelli che i data scientist chiamano dati in movimento. Anche per questo è impossibile tracciare manualmente un datagraph. Serve la tecnologia per raccogliere e interpretare in tempo reale i dati sui milioni di unità del prodotto di un'azienda che consumatori di tutto il mondo stanno utilizzando in un determinato momento.

 

Fattori di successo dei datagraph

I datagraph leader raccolgono dati comportamentali sui clienti e incorporano rapidamente nei loro prodotti e nei loro servizi ciò che apprendono, per migliorarne tutti gli aspetti. Affinano costantemente i loro criteri di classificazione ed etichettatura dei dati sui prodotti e sulle relazioni tra entità, in modo che gli algoritmi possano raggruppare meglio le offerte per formulare raccomandazioni personalizzate. E aggiornano costantemente il loro algoritmi, affinché le raccomandazioni personalizzate siano basate sui dati più attuali e pertinenti, il che aiuta a migliorare e a prolungare il coinvolgimento dei clienti. Esaminiamo ora i comportamenti principali delle aziende che usano con successo i datagraph.

Imparano estesamente e velocemente. I datagraph rilevano il modo in cui gli individui vivono, lavorano, giocano, imparano, ascoltano, socializzano, guardano, negoziano, viaggiano, spendono e svolgono qualunque altra attività che si possa associare al commercio. La digitalizzazione permette di osservare e codificare i dati relativi a tutte queste attività dei clienti su vasta scala e in tempi rapidissimi. Il grafico sociale di Facebook, per esempio, analizza istante per istante dati su 2,8 miliardi di individui e sulle loro attività sociali: cosa fanno, con chi intrecciano e rompono amicizie, dove stanno viaggiando, di quali brand stanno parlando, quali film stanno guardando, quali brani musicali stanno ascoltando e così via. Il grafico professionale di LinkedIn rileva in tempo reale come reagiscono 774 milioni di professional, che lavorano in più di 50 milioni di aziende e hanno frequentato oltre 90.000 istituzioni educative, a offerte di lavoro, aggiornamenti di status e video live. E mappa gli iscritti in relazione ad altre entità, come le competenze che possiedono, per rispondere ad annunci mirati, suggerimenti in tema di apprendimento, news feed e altro ancora. Oggi LinkedIn è una consociata di Microsoft e fa parte del suo ecosistema di dati, il che la mette in condizione di creare un datagraph ancora più dinamico e aggiornato.

Nelle aziende tradizionali, i dati sui clienti vengono immagazzinati come record indipendenti in vari database funzionali. Per acquisire un vantaggio digitale, le imprese devono organizzare i dati come grafico di interazioni analizzabili da algoritmi che forniscono indicazioni e generano valore personalizzato per ogni cliente.

Usano i datagraph per arricchire le offerte di prodotto. I datagraph leader organizzano le proprie conoscenze e la propria expertise in format grafici leggibili dalle macchine con una serie di concetti - come shopping, viaggio o ricerca - che tagliano trasversalmente le categorie. Prendete per esempio il grafico di viaggio di Airbnb, che ritrae un "magazzino" di oltre sette milioni di case, etichettate in termini di entità (città, attrattive principali, eventi e così via), caratteristiche (come valutazioni dei clienti e orari di attività) e relazioni che intercorrono tra esse per generare raccomandazioni in continuo miglioramento non solo sul tipo di casa da affittare, ma anche sui locali migliori in cui cenare o sugli orari più comodi per visitare le attrazioni. Questa capacità di espandere la portata del prodotto permette ad Airbnb di servire i suoi clienti meglio degli alberghi tradizionali, i cui dati sono conservati in silos dipartimentali (prenotazioni per la disponibilità delle stanze, portineria per le raccomandazioni sui ristoranti, spa per i massaggi, eccetera). Analogamente, Netflix migliora in continuazione la presentazione e la classificazione di film e serie televisive su 75.000 micro-generi (come fa Spotify con la musica e i podcast).

Google è riuscita a costruire una macchina analitica ancora più potente. Il Knowledge Graph rappresenta relazioni tra parole e concetti con modalità che aiutano i suoi algoritmi a comprendere il contesto. Ciò consente a Google di rispondere a richieste verbali come: "Prenotami due biglietti di ingresso al Colosseo per mercoledì prossimo e addebita il prezzo su Google Pay". Poiché le conoscenze sottostanti sono rappresentate in un grafico, gli algoritmi capiscono cosa sta chiedendo l'utilizzatore; sanno che il "Colosseo" è un'attrazione di Roma, che mercoledì prossimo sarà il 25 maggio, che "prenotare" vuol dire acquistare biglietti e che "l'addebito" comporta l'utilizzo di una carta di credito immagazzinata in memoria (diversamente da altri significati di queste parole). E a ogni query e a ogni interazione con il cliente, il Knowledge Graph viene affinato per riflettere nuove relazioni man mano che si modificano i significati.

Considerate la query di un appassionato scalatore che ha appena conquistato il Monte Adams e adesso vorrebbe cimentarsi con il Monte Fuji. Potrebbe domandare: "Cosa dovrei fare diversamente per preparare la scalata al Monte Fuji, rispetto alla preparazione che ho seguito per il Monte Adams?" Oggi, per ottenere una risposta bisogna fare più ricerche, ma Google sta lavorando su un nuovo modello che presenta collegamenti più complessi tra le conoscenze (e la traduzione simultanea da una lingua all'altra) per rispondere più efficacemente a queste richieste di informazioni.

Per competere con dei colossi digitali, domandatevi se le conoscenze sui vostri prodotti vengono assemblate prevalentemente in data set separati o se state costruendo grafici leggibili dalle macchine per identificare pattern di preferenza per i vostri clienti.

Si aggiudicano i momenti della verità dei clienti. Nel 2001, solo il 2% delle raccomandazioni di Netflix venivano accettate dai suoi 456.000 utilizzatori. Nel 2020, la percentuale era salita all'80%, e Netflix aveva più di 200 milioni di abbonati. Netflix usa il suo grafico dei film per aggiudicarsi il "momento della verità": quella finestra temporale che va da 90 secondi a due minuti in cui lo spettatore deve decidere se guardare qualcosa su Netflix o andare da qualche altra parte. Il leader globale dei film in streaming customizza e aggiorna algoritmicamente il suo schermo domestico per fornire in continuazione raccomandazioni mirate a tutti gli abbonati. Ora del 2015, Netflix aveva prevenuto cancellazioni di abbonamenti per oltre un miliardo di dollari all'anno grazie al suo motore di raccomandazioni personalizzate.

Per aggiudicarsi i momenti della verità, Facebook conduce esperimenti A/B su un miliardo di utilizzatori in tempo pressoché reale per personalizzare i social feed di ciascun utilizzatore. Prima di mostrare un post, Facebook seleziona una vasta gamma di possibilità e le restringe a circa 500, che i trend comportamentali del passato fanno apparire più probabili. Poi, la sua rete neuronale esclusiva valuta i post e li classifica prima di ordinarli in vari formati mediatici, come testo, foto suoni e video intervallati dalla pubblicità.

Diversamente da quanto avviene per Facebook, la cui libreria di contenuti digitali può essere sottoposta istantaneamente a clienti di tutto il mondo (nel rispetto dei vincoli giuridici), la capacità di Uber di soddisfare le esigenze di trasporto di un cliente si basa sulla disponibilità di un veicolo in un certo orario e in un certo luogo. Il momento della verità di Uber sta nei cinque minuti che i clienti sono disposti ad aspettare per un autista. L'azienda di passaggi automobilistici rileva autisti e passeggeri che hanno l'app aperta sullo smartphone (in precedenza lo faceva anche quando non usavano l'app, una politica controversa che è stata costretta a modificare 2017 dopo una sollevazione dei clienti) e usa quei dati per analizzare i probabili andamenti della domanda; poi offre incentivi agli autisti per rendersi disponibili in certe location. L'azienda ottimizza costantemente i suoi algoritmi di routine per conquistare clienti nei momenti della verità.

Anche se molte aziende dichiarano di essere costruite intorno ai clienti, poche usano datagraph e algoritmi come fanno questi leader. Chiedetevi se state usando algoritmi alimentati dall'IA per fornire ai clienti un prodotto sempre più sofisticato, in modo da trattenerli anziché lasciarli andare nelle braccia dei concorrenti.

 

Come partire

La prima cosa che devono capire le imprese che vogliono rimanere competitive nei confronti dei datagraph leader è che una strategia di successo non si basa unicamente sul possesso di grandi volumi di informazioni. Bisogna raccogliere in tempo reale dati rilevanti sul prodotto in uso per ottenere effetti network dei dati e costruire un vantaggio. Quando le aziende osservano un maggior numero di interazioni dei clienti con i loro prodotti, accumulano dati più ricchi; quando vendono più prodotti a un gruppo più diversificato di utilizzatori, accumulano dati più variegati che le aiutano a differenziare ulteriormente le proprie offerte. Le imprese che non usano i datagraph, o non sono ancora riuscite a farlo con successo, devono intraprendere le seguenti azioni per recuperare il terreno perduto.

1. Sviluppate una strategia sui datagraph. Per cominciare, affiancate executive che conoscono bene il settore ai data scientist per concettualizzare il vostro datagraph, esaminarne la traiettoria futura e identificare implicazioni plausibili di business. Molte aziende che non hanno le risorse di una Amazon o di una Netflix l'hanno già fatto. Per esempio, Stitch Fitch è stata fondata nel 2010 da uno studente di una business school come servizio di abbigliamento alla moda; oggi, grazie soprattutto al suo fashion graph, ha una capitalizzazione di mercato superiore a 1,6 miliardi di dollari.

Coursera dimostra come i nuovi entranti possano usare i datagraph per ribaltare un mercato. Le università tradizionali offrono corsi e certificati "standard ". Per contro, Coursera si comporta come una Netflix o a un'Amazon dell'educazione. Offre un'esperienza personalizzata online tramite moduli componibili, che si possono differenziare per durata, sede di erogazione, livello di difficoltà e prezzo. Usa il suo Skill Graph per customizzare l'apprendimento a vita con modalità che le università tradizionali non sono in grado di attuare.

Chiedetevi che vantaggio specifico vi mettono a disposizione i vostri dati. Forse possedete "data hook" esclusivi che vi permettono di acquisire nel punto di utilizzo informazioni dettagliate che non sono disponibili ad altri. Il vostro vantaggio potrebbe venire da una portata superiore dei dati (la profondità e la ricchezza dei vostri dati) e dall'accesso a dati complementari forniti dai partner. Potreste avere una data speed più elevata (dati in movimento rispetto a dati episodici di un concorrente, che sono soggetti a una processazione discontinua). Tenete presente che volume, portata e velocità si possono aumentare tramite acquisizioni (pensate per esempio all'acquisizione di LinkedIn e Activision da parte di Microsoft) o alleanze (come la partnership di Google con Shopify).

2. Sviluppate algoritmi esclusivi. Non ha più senso effettuare diversi tipi di analisi indipendentemente. I datagraph leader usano algoritmi esclusivi per effettuare l'analisi descrittiva ("Cos'è accaduto?"), l'analisi diagnostica ("Perché è accaduto?"), l'analisi predittiva ("Cosa potrebbe accadere?") e l'analisi prescrittiva ("Cosa dovrebbe accadere?") in un framework sovraordinato. Potete fare evolvere la vostra infrastruttura di datagraph dalle architetture tradizionali finalizzate ad analizzare i dati da fermo (processazione sequenziale, analisi indipendente) all'analisi dei dati in movimento in tempo reale. Paragonate regolarmente i vostri algoritmi con altri in uso nel vostro settore - e con altri dello stesso livello. Per esempio, se il vostro parametro di successo è la misura in cui i clienti seguono le vostre raccomandazioni, come si confronta la performance del vostro motore di raccomandazione con quelle di leader come Netflix, Spotify e Amazon?

3. Create un clima di fiducia. Custodire i dati sui clienti è una grandissima responsabilità. La maggior parte dei clienti considerano i computer, gli algoritmi e l'apprendimento delle macchine oggetti misteriosi complessi, e molti sono convinti che i loro dati vengano usati (se non addirittura abusati) per arricchire ulteriormente le aziende digitali. Dovete trovare la maniera di usare i vostri algoritmi per creare un clima di fiducia e dovete guadagnarvi il diritto di raccogliere, analizzare e usare i dati per fornire valore. Spiegate ciò che state facendo usando un linguaggio che i consumatori siano in grado di comprendere.

La fiducia viene meno quando i consumatori hanno la sensazione che i loro dati vengano usati impropriamente. Facebook è diventato il simbolo di questa spiacevole situazione. Recentemente, un whistleblower del team di data science ha accusato direttamente l'azienda, tra l'altro, di usare i suoi dati e i suoi algoritmi per diffondere contenuti provocatori allo scopo di aumentare il coinvolgimento degli utilizzatori, pur avendo condotto un'indagine interna da cui risultava che sarebbe stato dannoso per gli utilizzatori e per la società. Il CEO di Facebook, Mark Zuckerberg, ha respinto in toto quelle accuse: «L'idea che promuoviamo contenuti provocatori per accrescere i nostri profitti è profondamente illogica», ha detto. «Noi guadagniamo con la pubblicità e gli inserzionisti ci dicono costantemente che non vogliono vedere le loro inserzioni accanto a contenuti dannosi o polemici». La possibilità di rimediare dipende da come Facebook userà in futuro i suoi algoritmi e i suoi dati personali, e dalla trasparenza con cui comunicherà con gli utilizzatori.

Tutte le aziende devono investire risorse non solo nelle sfaccettature tecniche degli algoritmi, ma anche nella spiegazione di ciò che fanno, in modo da rassicurare i consumatori. I clienti si aspettano sempre più di essere informati sul funzionamento dei prodotti digitali e sulle modalità di erogazione dei servizi supportati dall'IA, e i Governi obbligano le aziende ad adeguare le loro data operations alle normative locali. Per esempio, in Germania, dove la privacy è tutelata rigidamente, Alibaba deve usare una strategia molto diversa da quella che impiega in Cina. E deve comunicare con i clienti di entrambi i paesi con modalità che promuovono la fiducia.

4. Aggiornate l'organizzazione. I leader aziendali devono allocare le risorse necessarie per l'aggiornamento dell'infrastruttura che supporta i datagraph. Devono assumere talenti che conoscano molto bene sia la scienza dei dati sia il business. Devono strutturare l'organizzazione dei dati come un tessuto connettivo che tiene assieme tutte le parti dell'azienda, rendendosi conto che le organizzazioni moderne devono mettere in equilibrio due fazioni potenti e contrapposte: coloro che credono nel potere supremo dei dati e degli algoritmi e coloro che non ci credono. Questa contrapposizione definisce la cultura operativa delle organizzazioni contemporanee: pensate a come il CEO di Netflix Red Hastings riesce a combinare la valenza analitica della Silicon Valley con la valenza creativa di Hollywood.

5. Monetizzate il vostro datagraph. Quando sono costruiti per supportare e influenzare la strategia, i datagraph rivelano che il valore non sta solo nel modo in cui sono progettati e fabbricati i prodotti, ma anche nel modo in cui risolvono problemi specifici dei clienti. Le indicazioni ricavate dai datagraph vi aiuteranno a scegliere i meccanismi di monetizzazione più appropriata a tutti e a definire percorsi chiari che portano dai dati ai risultati economico-finanziari. Potete difendere i vostri ricavi e i vostri profitti con raccomandazioni convincenti basate sugli effetti network dei dati, così come Netflix usa dati in tempi reali per accrescere la ritenzione dei clienti. Potete usare il vostro datagraph anche per sviluppare modalità più accurate con cui espandere i vostri flussi di ricavi e di profitti perseguendo nuove fonti di valore, come ha fatto Apple con le sue incursioni nelle carte di credito, nella televisione e nell'assistenza sanitaria. E potete contrattaccare in mercati nei quali i concorrenti padroneggiano già i datagraph, come ha fatto Disney entrando vittoriosamente nel battagliato business dello streaming con Disney+.

 

Ridisegnare il vantaggio competitivo

Abbiamo visto tutti i cartelli appesi davanti ai McDonald's che strillano "Più di X miliardi di clienti serviti", e abbiamo visto quei numeri salire nel corso degli anni. Ma rilevare il numero degli hamburger venduti ogni giorno, ogni mese e ogni anno è una pratica del passato. I datagraph leader si interessano meno di quei numeri assoluti. Si chiedono, invece, "Abbiamo dati su dove ogni consumatore acquista i suoi hamburger? A che ora? Cosa ci beve assieme? Cosa fa prima e dopo l'acquisto di un hamburger? Chi sono i nostri clienti e quali sono le loro età, i loro livelli di reddito, la loro ubicazione, le loro preferenze, i loro stili di vita e così via? Come possiamo soddisfare maggiormente i loro bisogni in modo che spendano più dollari con noi che con chiunque altro, nella certezza di aver ricevuto valore in cambio dei loro soldi e tornino regolarmente a trovarci?"

I datagraph ridisegneranno la competizione in tutti i settori molto prima di quanto non ci aspettiamo. È ora che tutte le aziende vadano al di là dell'utilizzo dei dati per migliorare l'efficienza operativa e riconoscano il vantaggio competitivo dei datagraph. I senior leader devono investire nel miglioramento della loro architettura dei dati per ottenere una visione esaustiva in tempo reale di come interagiscono i consumatori con i loro prodotti con i loro servizi. In presenza di questa struttura, i leader possono sviluppare soluzioni uniche per risolvere i problemi dei clienti.

Vijay Govindarajan è Professore alla Tuck School of Business di Dartmouth ed executive fellow della Harvard Business School. Venkat Venktraman è Professore di Management alla Questrom School of Business della Boston University.

Commenta scrivi/Scopri i commenti

Condividi le tue opinioni su Hbr Italia

Caratteri rimanenti: 400

2 / 3

Free articles left

Abbonati!