Vai al contenuto
Ciao a tutti!
Rieccoci al nostro appuntamento settimanale della rubrica su Snowflake 🙂
Continuiamo oggi la panoramica sul Summit Annuale di Snowflake che si è tenuto lo scorso giugno. Alcuni dei nostri consulenti vi hanno partecipato e ci hanno raccontato che cosa è successo.
Il Summit ha eviscerato non poche questioni sorte negli ultimi 16 mesi di pandemia. Uno su tutti: la fame di dati delle aziende. È noto a tutti 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 nei negozi, molte persone hanno rivolto lo sguardo all’e-commerce per acquistare vestiti, televisori, oggetti di arredo e 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, registrando una mole richieste 10 volte superiore a quella pre-pandemia.
Eppure la fame di dati di alcune di queste società sembra non esaurirsi mai: questa particolare condizione ha portato alla coniazione del termine “Data-obsessed Companies”, definendo così le 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 ricerche di mercato.
Le stesse compagnie che prima si preoccupavano solo di ingerire dati – ed elaborare algoritmi per adeguare la propria offerta – sono ora divenute esse stesse rivenditori di dati “non convenzionali”. Ora, infatti, sono loro a rivendere ai partner i dati delle transazioni registrate sui propri siti, monetizzando questo enorme agglomerato di informazioni commerciali.
Ma come è stato possibile gestire un ingigantimento così repentino della quantità di dati in entrata e in uscita?
Nuovi dati, nuovi sistemi, nuove sfide
Uno degli obiettivi più interessanti del Summit di Snowflake è stato proprio quello di trovare possibili soluzioni al problema della gestione dei dati, anche ascoltando il parere di clienti provenienti da vari settori. Uno su tutti, il settore alimentare.
Come riportato da Andy Burke (Analytics COE della Kraft Heinz Company), la domanda che ogni azienda dovrebbe porsi è come passare da un modello che prevede solo database esterni ad uno in-house, dove tutti i dati siano immediatamente disponibili ed utilizzabili per i vari dipartimenti.
Analizzare i dati in tempo reale è un fattore cruciale che determina oggi il successo di un’azienda rispetto ad un’altra. Permettere ai data scientist di lavorare con informazioni di elevato valore commerciale – ovvero estremamente recenti – 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. Snowflake ha agito anche da “data provider” per le aziende e per i loro clienti, poiché anche questi ultimi hanno immesso e e scambiato dati all’interno della warehouse. In tal modo, il flusso di informazioni è stato continuo e costante.
Ma i dati sono davvero tutti uguali?
Tralasciando la divisione classica tra dati convenzionali e big data, siamo proprio sicuri che i dati che entrano ed escono dai nostri database siano uguali per valore e modalità di elaborazione?
Sempre Andy Burke fa notare che la sua azienda ha a che fare con ben tre 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 non solo per quanto riguarda i rifornitori, ma anche rispetto all’approvvigionamento dei clienti.
2- Insight data: sono i dati che permettono di avere un quadro chiaro e completo delle attuali dinamiche di mercato, anticipandone i trend. Si tratta di informazioni preziosissime che solo alcune compagnie esterne sono in grado di fornire. Sono essenziali per migliorare la previsione delle vendite ed adeguare la produzione industriale al reale fabbisogno del settore, minimizzando il rischio di perdite ed aumentando al contempo i margini di profitto.
3- Reference data: sono quei dati che giungono dall’ambiente in cui un’impresa opera e riguardano: le leggi statali e/o locali, gli accordi commerciali in essere, la finanzia, le gerarchie imposte dalla burocrazia vigente. Monitorare questi dati permette all’azienda di anticipare le mosse da compiere per adeguare il proprio standard produttivo alle evoluzioni del contesto politico-sociale.
Imparare a sfruttare al meglio queste tipologie di dati ha consentito al settore agroalimentare del Nord America non solo di superare indenne la 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 estremamente interessante è stato offerto dal CIO della Albertsons Companies, Anuj Dhanda, il quale ha fatto notare come, sebbene siamo già passati da un’analisi dei dati puramente descrittiva ad una predittiva, il fine ultimo dei data analyst non può essere semplicemente quello di anticipare le tendenze di uno o più settori. Ciò che conta, alla fine, è la soddisfazione del cliente.
La differenza in questi mesi di pandemia l’ha fatta l’esperienza di shopping personalizzata offerta ai clienti, ovvero una modalità di acquisto elaborata sulle reali esigenze dell’individuo, che ne individua i bisogni prima ancora che questi si presentino. In tal modo, l’ecosistema in cui si muovono le aziende (di cui fanno parte i database interni, i vari settori dell’IT, ma anche i servizi in cloud come lo stesso Snowflake) sta diventando sempre più intelligente, più accurato e più predisposto all’apprendimento. L’intelligenza artificiale deve avere una componente emotiva, e sarà proprio questa la sfida della nuova era dell’analisi dei dati.
Data analytics e bottom line: come aumentare i margini di profitto
Con la pandemia la capacità di ordinare la spesa online ha aperto la strada a margini di profitto immensi. Con le prima chiusure, a seguito di un iniziale scoraggiamento, tutte le grandi catene hanno compreso la reale opportunità che questa situazione inedita offriva loro. Snowflake è stato in tal senso determinante, poiché ha permesso di gestire questo repentino aumento dei dati in entrata e in uscita in maniera celere ed efficiente.
Grazie a Snoflake, aziende come Instacart non hanno avuto alcun problema a gestire migliaia di piccoli negozi sparsi per tutti gli Stati Uniti, sebbene la maggior parte di loro non avesse né il know-how né una strategia data-oriented. Ciò nonostante, Instacart ha potuto, anche grazie a Snowflake, attuare un processo di scale out estremamente efficiente ed elastico, dividendo la mole di lavoro tra i vari cluster senza perdere nulla in termini di velocità e di efficienza. Come asserito dal Vicepresidente dell’infrastruttura di Instacart, Dustin Pearce, inserire i dati in tempo reale ha permesso ad Instacart di guadagnare un vantaggio competitivo e di aiutare gli stessi punti vendita a prevedere cosa i clienti avrebbero acquistato, quando e in quali quantità.
Questo esempio ci dimostra come le compagnie che adottano un sistema di warehouse in cloud come Snowflake riescono ad aiutare i propri rivenditori ad aumentare la propria bottom line (ovvero i profitti al netto delle uscite). Occorre precisare che se questo si è dimostrato possibile in un settore come quello agroalimentare, rinomato per essere relativamente poco remunerativo (al netto delle spese, il guadagno è decisamente minimo, se paragonato ad altri ambiti commerciali) i margini di profitto in altri campi potrebbero essere stellari.
Fame di dati: uno sguardo al futuro
In sostanza la fame di dati delle aziende non accenna a diminuire, ed anzi continuerà a crescere sempre di più, confermandosi come uno dei settori chiave per la ripartenza dopo la sferzata della pandemia. Ecco perché è oramai decisivo compiere una scelta strategica che miri alla gestione dei dati in tempo reale, senza il rischio di duplicazioni e con elevati standard di sicurezza. Il Data Cloud può rivelarsi un game-changer per un’azienda che si appresta ad affrontare le future sfide del mercato, portando il processo di data analytics ad un livello superiore.
Per ulteriori domande su Snowflake vi invitiamo a contattarci all’indirizzo: info@theinformationlab.it
Speriamo che questo articolo vi abbia incuriosito e che continuiate a seguire il nostro blog.
Vi diamo appuntamento alla settimana prossima con un approfondimento su come gestire Semi-Structured Data in Snowflake!
Alla prossima! ❄️
