Le 5 colonne della trasformazione dei dati - Spiegate in modo semplice

L'intelligenza artificiale doveva smaltire l'arretrato, accelerare le decisioni e offrire a ogni team un modo più intelligente di lavorare. Invece, molte organizzazioni oggi dispongono di Microsoft Copilot, Power BI, Microsoft Fabric, agenti AI e più dati che mai, mentre le decisioni importanti continuano a trascinarsi nelle riunioni perché nessuno si fida pienamente dei numeri o sa chi possa agire su di essi. La spesa tecnologica continua a crescere. L'azione no. Il problema spesso non è la mancanza di AI, ma l'assenza di un modello operativo che colleghi dati, significato, governance, tecnologia, persone e responsabilità. In questo episodio di M365 FM – Simply Explained analizziamo i cinque pilastri di cui le organizzazioni hanno bisogno per costruire una base affidabile per la trasformazione dei dati e per l'AI.

COSA IMPARERAI
In questo episodio esploriamo:

• Perché l'AI non può compensare dati inaffidabili
• Come la governance dei dati crea fiducia prima che inizi l'automazione
• Perché la qualità dei dati dovrebbe dipendere dalla decisione da prendere
• Come Microsoft Purview può supportare la governance e la scoperta dei dati
• Come Microsoft Fabric supporta l'analisi moderna e le piattaforme dati
• Perché i modelli semantici sono importanti per Power BI e per l'AI
• Come definizioni in conflitto generano dashboard in conflitto
• Perché i glossari aziendali sono importanti per le persone e per gli agenti AI
• Come la proprietà dei dati incide sulla prontezza all'AI
• Perché accessi, sicurezza e permessi devono essere definiti prima che l'AI si diffonda
• Come Copilot e gli agenti AI dipendono da un contesto aziendale affidabile
• Perché la responsabilità umana resta fondamentale anche quando è l'AI a generare la risposta

PILASTRO 1: GOVERNANCE DEI DATI – FIDUCIA PRIMA DELL'AUTOMAZIONE
La governance dei dati spesso sembra fatta di policy, riunioni di conformità, documentazione e burocrazia. In pratica, la governance risponde a poche domande molto semplici:

• Chi è il proprietario di questi dati?
• Chi è autorizzato ad accedervi?
• Da dove provengono i dati?
• Possiamo fidarci di essi per questo specifico caso d'uso?
• Cosa possono fare le persone con questi dati?
• Cosa possono fare con questi dati i sistemi di AI?

Senza risposte chiare, l'AI non risolve un problema di dati: può diffonderlo più velocemente. Immaginate un team dirigenziale che prepara una previsione delle vendite. Il reparto vendite presenta una cifra di fatturato, la finanza ne presenta un'altra. Entrambe provengono da sistemi che sembrano autorevoli. La riunione smette di riguardare le decisioni future e tutti iniziano a discutere su quale foglio di calcolo o dashboard sia corretto. Il problema di fondo potrebbe essere che:

• Il CRM contiene una versione del fatturato
• Il sistema finanziario ne contiene un'altra
• Le esportazioni manuali introducono ulteriori differenze
• Nessuno è responsabile della definizione di fatturato
• Nessuno è responsabile della qualità dei dati di origine
• Nessuno sa spiegare chiaramente quale numero dovrebbe guidare la previsione

L'azienda finisce per discutere del passato invece di decidere il futuro.

COSA SUCCEDE QUANDO ENTRA IN GIOCO L'AI?
Ora immaginate che un utente chieda a un agente AI: "Quale area commerciale è in ritardo?" La risposta potrebbe arrivare in pochi secondi. Ma potrebbe basarsi su:

• Record duplicati dei clienti
• Assegnazioni di account non aggiornate
• Opportunità mancanti
• Fasi di previsione errate
• Dati obsoleti
• Permessi non corretti
• Informazioni che l'utente non avrebbe dovuto poter consultare

La risposta può sembrare sicura. Questo non la rende automaticamente affidabile. La governance definisce l'accordo operativo sui dati prima che l'automazione inizi a usarli. Un solido modello di governance stabilisce tipicamente:

• Responsabili dei dati nominati
• Responsabilità chiare
• Classificazioni dei dati
• Regole di accesso
• Documentazione dei sistemi di origine
• Aspettative sulla qualità dei dati
• Verificabilità (auditability)
• Policy per le informazioni sensibili
• Regole per l'AI e l'automazione

Le tecnologie Microsoft possono supportare questo processo. Microsoft Purview può aiutare le organizzazioni a scoprire, classificare, comprendere e governare le informazioni. Microsoft Fabric può contribuire a raccogliere, preparare, analizzare e monitorare i dati, rendendoli disponibili per la reportistica e per gli scenari di AI. Ma la tecnologia non può decidere tutto. Le organizzazioni hanno ancora bisogno di persone che decidano:

• Chi è responsabile dei dati dei clienti
• Quali definizioni sono autorevoli
• Quale qualità dei dati è accettabile
• Chi deve avere accesso
• Quando una risposta generata dall'AI è sicura da usare
• Chi resta responsabile della decisione finale

LA QUALITÀ DEI DATI DEVE CORRISPONDERE ALLA DECISIONE
Molte organizzazioni affrontano la qualità dei dati come se ogni campo di ogni sistema dovesse essere perfetto. Di rado è realistico. La qualità dei dati andrebbe invece valutata in base alla decisione di business da prendere. Per una previsione delle vendite, i campi più importanti potrebbero essere:

• Fase dell'opportunità
• Data di chiusura prevista
• Importo previsto
• Responsabile dell'account
• Territorio
• Probabilità
• Stato del cliente

Altri campi possono essere meno importanti per quella specifica decisione. La domanda migliore quindi non è: "Come puliamo tutti i nostri dati?", bensì: "Quali dati dobbiamo poter considerare affidabili per questa decisione?" Questo rende il problema più circoscritto, misurabile e molto più facile da gestire.

Diventa un sostenitore di questo podcast: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.