• it

Whitepapers

Data monetization: le 5 regole per estrarre nuovo valore dai tuoi dati

Con la data monetization – la monetizzazione dei dati, ovvero il processo di analisi strategica e di implementazione pratica che consente di utilizzare i dati come fonte di ricavo – le aziende possono trasformare i dati raccolti in valore monetizzabile esattamente come per gli altri beni. Di fatto, la data monetization diventa una strategia che permette alle imprese di recuperare in modo virtuoso gli investimenti effettuati su infrastrutture, sistemi e piattaforme IoT e IIoT, accelerando il loro percorso evolutivo e disegnando nuovi scenari di business.  

 

Il valore dei dati è sempre più alto e tangibile

Basta leggere le cifre delle ultime ricerche di mercato per capire come la definizione “big data” sia ormai diventata obsoleta. L’apporto del dato all’interno dell’economia dell’impresa diventa tangibile e, moltiplicato a livello nazionale, raggiunge significativi valori di PIL.

  • Il volume dei dati è in costante crescita e triplicherà nei prossimi anni passando dagli attuali 64,2 ZB (dove uno zetabyte corrisponde, arrotondando, a 1 miliardo di Terabyte) ai 181 ZB previsti per il 2025 (fonte: IDC e Statista).
  • Smart objects e dispositivi IoT e IIoT cresceranno in modo esponenziale permeando tutto quello che ci circonda, passando dagli attuali 23 miliardi ai quasi 39 previsti per il 2025 fino ai 50 miliardi di oggetti connessi nel 2030 (fonte: Strategy Analytics).
  • I dati, le applicazioni e i loro derivati arriveranno a costituire un importante valore del PIL nazionale: nel 2030 il valore aggregato per il sud Europa, di cui fa parte l’Italia, raggiungerà l’11,5%, il 14,5% in Nord America e il 26,1% in Cina (fonte: Bahrain FinTech Bay – PwC).

 

Data monetization: come estrarre valore dai dati

Per attuare una strategia di data monetization, la prima domanda che un’azienda deve porsi è di quali dati ha effettivamente bisogno per poter crescere. Continuare la politica del data warehouse, ovvero dello sterile “stoccaggio” in silos, ormai ha davvero poco senso visto anche gli oneri derivati da questa procedura: oltre e ai costi necessari alla raccolta dei dati, si sommano quelli dovuti al loro spostamento in cloud per l’elaborazione e quelli per la loro successiva diffusione.

Diventa quindi vantaggioso definire a monte, tramite una precisa data strategy, quali dati diventeranno economicamente redditizi una volta arricchiti da analisi ed elaborazioni, diventando informazioni di valore. Volendo sintetizzare è possibile definire 5 punti essenziali per una proficua data monetization:

  1. In prima istanza bisogna definire quali dati possono essere davvero utili all’azienda. L’eterogeneità del dato crea valore ma non tutti i dati sono spendibili. Per ottimizzare la data monetization è necessario sfruttare al massimo l’impatto che tecnologie di analisi e automatizzazione come Intelligenza Artificiale e Machine Learning possono portare se correttamente implementate.
  2. La maggior parte del tempo a disposizione degli analisti viene passato a “pulire” i dati. È quindi necessario definire correttamente i framework di elaborazione. Spesso i parametri di valutazione (KPI) non sono ottimizzati, abbassando o addirittura invalidando la qualità del dato, caratteristica indispensabile per dare valore all’asset.  
  3. È consigliabile ridurre lo spostamento dei dati verso il cloud abilitando l’elaborazione di prossimità grazie a soluzioni di edge computing, che permette di avere una qualità più elevata del dato grazie alla sua rilevazione ed elaborazione in tempo reale, diminuendo al contempo la spesa di trasmissione e analisi in cloud.
  4. Definire il livello di maturità dell’azienda in termini di analytics e capabilities professionali. Sono necessarie figure in grado di migliorare costantemente i processi di analisi al fine di innovare il core business. Secondo una ricerca del 2020 condotta dagli “Osservatori Big Data e Business Analytics del Politecnico di Milano”, il 39% delle aziende italiane ha dichiarato di non avere competenze specifiche al proprio interno e di non aver fatto alcun tipo di sperimentazione in tema di AI. Un sistema di advisorship con i propri partner permette di sfruttare un livello più alto di competenze riducendo il time to market dei prodotti.
  5. Può essere vantaggioso definire una politica di data sharing non solo internamente ma anche all’esterno, coinvolgendo partner e fornitori. Ad esempio, una supply chain condivisa può creare data monetization: l’87% dei decision makers vorrebbe affidarsi a dati esterni per espandere i propri scenari di business (fonte The Insights Professional’s Guide to External Data – Forrester 2020).

Le imprese che riescono a monetizzare i propri dati hanno prestazioni in media più elevate e sostenibili nel medio e lungo periodo. Perché questo avvenga l’azienda deve però aprirsi all’esterno, chiedendo a scambiando competenze all’interno di un ecosistema di partnership, non solo a livello di fornitura di materiali (piattaforme hardware/software e soluzioni) ma anche di competenze, sfruttando gli asset specifici dei propri partner.