Creare valore dai dati

Mentre le economie avanzate continuano la loro transizione dalla produzione fisica ai servizi e ai beni immateriali, l’importanza delle informazioni non è mai stata così grande. Sempre più organizzazioni stanno pensando a come sfruttare la potenza dell'analisi dei dati, dell'intelligenza artificiale e dei "big data" e a come effettuare investimenti significativi.

Ma crediamo che non si possa iniziare con i dati, che sia necessario iniziare da dove e come si desidera creare valore nella propria azienda, per poi passare ai dati.

Le organizzazioni credono sempre più che ci sia un valore non sfruttato nei dati...

Molte organizzazioni stanno cercando di effettuare investimenti significativi in ​​risorse di dati, ma senza la strategia adeguata corrono il rischio di mettere il carro davanti ai buoi e di prendere decisioni di investimento sbagliate e regressive.

Per aiutare le organizzazioni a ridurre i rischi, FORFIRM ha sviluppato un approccio solido per avere successo con i dati.

…Ma, innanzitutto, iniziamo dal valore prima che dai dati

Come primo passo, dovresti dedicare meno tempo a pensare a quanti dati hai, da dove provengono e come utilizzarli. Dovresti invece iniziare identificando dove la tua organizzazione potrebbe creare più valore rispetto alla concorrenza e poi capire di quali risorse di dati hai bisogno per realizzarlo. Solo a quel punto potrai sviluppare una chiara comprensione degli investimenti che devi fare nei dati. Questi investimenti devono essere coerenti con la tua strategia aziendale e dovrai spendere soldi per noiosi ma importanti “processi di utilità” come l’integrità dei dati e l’impianto idraulico prima di spendere su “oggetti luccicanti” come modelli predittivi e intelligenza artificiale.

  • La mia critica: i dati non sono, nonostante i titoli dei giornali, il nuovo petrolio. Per continuare l’analogia, la maggior parte dei dati sono nascosti, inquinati, non elaborabili e troppo costosi per essere estratti in un formato significativo. Ci sono “supermajor” in Amazon, Google, Apple, Facebook, ecc., ma non ci sono “società nazionali di dati” oltre alla Cina, e pochissimi data miner e trader agili e indipendenti. È improbabile che tu sia in forma e pronto per entrare in questo "settore dei dati" altamente competitivo. Il petrolio ha una varietà di usi, è liberamente scambiato ed è costantemente elevato nella domanda a livello globale. I tuoi dati al momento non sono nessuno di questi. I dati, a differenza del petrolio, non sono rivali, un termine economico che significa che possono essere utilizzati più volte da più parti, limitandone quindi, nella maggior parte dei casi, il valore. La maggior parte dei tuoi dati ha poco valore internamente e quasi nessun valore esternamente, quindi non disponi ancora di un tesoro di dati che creerà un nuovo flusso di entrate ad alto margine con costi minimi e un hedge fund non verrà a bussare per migliorare il loro strategie di investimento.

Abbiamo visto molti casi in cui i clienti erano entusiasti della prospettiva di creare attività completamente nuove e nuove fonti di reddito in quello che sembrava
essere la nuova area redditizia e accessibile dei big data, dell’analisi, dell’intelligenza artificiale e dei “rich content”. In alcuni casi avevano ragione, ma più spesso no. L’opportunità, che all’inizio sembrava grande, si è rivelata piccola e difficile dopo un’implementazione costosa, non mirata e inefficiente che ha fatto temere di ripetere il processo.

Al contrario, le organizzazioni che si sono impegnate a comprendere veramente i potenziali utilizzi strategici e il valore dei propri dati sono state in grado di agire in modo appropriato e di evitare costosi programmi di implementazione tecnologica che non hanno soddisfatto le aspettative.

Seguendo un processo solido e guidato dalla strategia, puoi collegare esplicitamente la tua strategia ai tuoi dati, chiarire quali dati possiedi e capire quanto siano preziosi e per chi. Puoi creare aspirazioni realistiche per monetizzare i tuoi dati e puoi dimostrare il tuo diritto al successo testando e superando aree di potenziale fallimento. Puoi passare da un presupposto infondato sul valore dei tuoi dati a una comprensione più informata e legata al business del loro valore in termini di utilizzo per i clienti attuali e potenziali, del loro potenziale di commercializzazione autonomo e, soprattutto, del loro potenziale di miglioramento la tua attività attuale. Questo è il vero valore dei dati.

Passaggi pratici

Ecco sette passaggi pratici per capire come monetizzare i tuoi dati:
1. Comprendi come crei valore oggi
2. Sviluppare opzioni di investimento
3. Controlla le tue risorse di dati
4. Conferma le opzioni
5. Sviluppare aspirazioni realistiche per la monetizzazione
6. Provalo, impara e perfeziona
7. Fallo, ridimensionalo

Comprendi come crei valore oggi

Il valore dei dati, siano essi tuoi o di altri, risiede in definitiva nella loro utilità per raggiungere i tuoi obiettivi strategici. Inizia articolando qual è la tua strategia attuale; quali prodotti e servizi offrite e cosa non offrite, chi sono i vostri clienti e chi non sono e come attualmente li fornite in modo efficiente per creare valore economico sostenibile. Collegare la strategia ai dati dovrebbe contenere in primo luogo una diagnosi di quali processi conduci ora, di quali informazioni hai bisogno per farlo attualmente e come crei valore; in secondo luogo, come questi servizi esistenti potrebbero essere migliorati, cresciuti o essere sconvolti in futuro da dati più o più ricchi, indipendentemente dal fatto che tu attualmente possieda o non abbia accesso ai dati.

Sviluppare opzioni di investimento

Successivamente, dovresti sviluppare alcune opzioni di investimento ben ponderate basate sul modello in tre fasi riportato di seguito:

  • Migliorare il business attuale
  • Inserisci le attività commerciali adiacenti
  • Sviluppare nuove imprese
Enhance current business Enter adjacent businesses Develop new businesses
Leverage enhanced data for core business Generate new insights White-label capabilities & infrastructure Create new data Create new offerings

–Seek opportunities to enrich existing service through new data sources

–Develop and leverage new platforms

–Deliver enhanced services (e.g., in real time)

–Understand deep client insights

–Enhance marketing campaign ROI and conversion

–Monetise existing analytics capabilities via white labelling to clients and other partners across the value chain

–Commercialize infrastructure to sell platforms as a service

–Partner with adjacent players across the business value chain –Identify new sources of data (e.g., unstructured) to join with existingdata sets

–Monetise new sets of data

–Develop new sets of analytics and data products (e.g., benchmarks,tools)

–Develop new products that benefit from enhanced data and analytics (e.g., realtime net asset value, active non-disclosed exchange traded funds)

Inoltre, sfruttare i dati non significa sempre generare ricavi: le organizzazioni possono utilizzare i dati in modo strategico per ridurre i costi attraverso una migliore pianificazione e ottimizzazione delle operazioni, nonché riducendo e gestendo i rischi. Esempi di strategie di riduzione dei costi includono l’utilizzo dei dati per consentire una migliore gestione del credito dei clienti, la riduzione dei rischi di frode e la condivisione dei dati con i fornitori per ottimizzare la gestione delle scorte e migliorare il capitale circolante nella catena di fornitura. Le iniziative di riduzione dei costi tendono ad essere investimenti più certi che crescita dei ricavi.

Review your data assets
    Data Monetisation Approach Key Considerations

Stock taking of data assets

1-circle

“What”

What data sources, assets, capabilities do we have today?

  • Survey existing data assets and determine which are valuable. Conduct quick review of capabilities
  • Identify use cases, competitors, substitutes and evaluate new monetisation ideas and data products
  • Brainstorm additional external data that could be combined to increase value of these assets
  • Data ownership & use: giving consideration to legal ownership and appropriate use of data
  • Data privacy & confidentiality: safeguarding sensitive information, adhering to regulations related to data security across lifecycle
  • Liability concerns: providing consideration to potential problems due to inaccurate or regulated data distributed in the market place
  • Product management: building product mgmt. discipline, including cost, pricing and development
  • Infrastructure: ensuring necessary maturity of data mgmt. and technology infrastructure

Considerations for Data Valuation Framework

2-circle

“Who”

Who are the right target customers and strategic partners?

  • Identify likely buyers for proposed data products
  • Assess value proposition among identified customer segments. What decisions will be improved? What does data enable that is difficult or impossible today? How does this data enhance or simplify customer processes?
  • Identify potential sources of data and partners (potential distributors, collaborators who control complementary data)
3-circle

“How”

How do we build the right capabilities and business model?

  • Determine how to approach the market (distribution and sales strategy)
  • Define capabilities needed to win in the market (Sales, Product management, Operational support, Technology infrastructure)
  • Draft roadmap to operationalize data products and bring to market

" Cosa" comprende un inventario delle risorse di dati esistenti della tua organizzazione e il modo in cui si collegano alle opzioni strategiche di cui disponi. Dovresti anche considerare le lacune che hai nei dati e come le colmerai.

"Quali" risorse di dati hai? Come passaggio successivo necessario nella valutazione di un investimento nei dati, è necessario identificare quali risorse di dati sono disponibili ed eventuali lacune. Potrebbero trattarsi di lacune nei dati stessi o nelle competenze necessarie per monetizzarli. Inoltre, sii chiaro su quali categorie di dati hai poiché ciascuna ha usi diversi e diversi livelli di struttura e quindi facilità d'uso e monetizzazione.

“Chi” implica lo sviluppo ulteriore di possibili casi d’uso identificando potenziali clienti per le opzioni e costruendo la proposta di valore. Questo potrebbe essere focalizzato internamente con l'obiettivo di generare ricavi incrementali/ridurre i costi nella propria organizzazione, o focalizzato esternamente con l'obiettivo di vendere dati preziosi ad altri per sfruttarli.

Il “come” affronta la questione della realizzazione dell’investimento e dei cambiamenti operativi che potrebbero essere necessari per monetizzarlo.

Conferma le opzioni

Dopo aver catalogato gli asset di dati, il passo successivo consiste nel capire se questi soddisfano sufficientemente le vostre opzioni strategiche e sviluppare ulteriormente i casi d’uso.

Gran parte del lavoro per identificare e arricchire le opzioni e i casi d’uso verrà svolto attraverso la discussione e la ricerca primaria. Come per i prodotti più tradizionali, avere esperienza di mercato, comprendere le tendenze del settore e la più ampia catena del valore delle parti interessate è fondamentale per sviluppare casi d’uso per i dati. Le organizzazioni devono comprendere:

  • A chi vendere: dovrai pensare in modo più ampio di quanto potresti essere abituato a fare. I potenziali clienti per i dati potrebbero trovarsi a monte o a valle della catena del valore e potrebbero anche trovarsi a uno o più livelli rimossi dalla base diretta di clienti e fornitori. Identificare i clienti target ed eseguire interviste dettagliate ai clienti per stabilire un valore potenziale dimostrabile. Metti alla prova le percezioni degli utenti con una gamma di potenziali offerte di dati. Gli utenti finali variano in modo significativo nel livello di sofisticazione dell'utilizzo dei dati e alcuni potrebbero vedere immediatamente il valore dei dati grezzi, mentre altri potrebbero voler ricevere esempi visivi del valore che i dati possono apportare. Chiedi ai potenziali clienti di assegnare una classifica ai singoli set di dati e parametri come rappresentativi della loro valutazione complessiva di valore, utilità e disponibilità a pagare.

  • Con chi competere – Il panorama competitivo può essere molto diverso quando si tratta di risorse di dati. I concorrenti tradizionali potrebbero rappresentare una minaccia minore rispetto ai nuovi attori agili e dirompenti, abituati a sfruttare i dati in modi innovativi. È necessario essere realistici riguardo al fatto che i loro dati siano sufficientemente preziosi e se abbiano il talento appropriato (vedi "Come") per sfruttarli.

  • Con chi collaborare Affidarsi esclusivamente ai propri dati è un approccio, ma spesso è possibile trovare più valore combinando i dati di diversi livelli per creare una serie di potenziali prodotti di dati.

  • Quali modelli di business - Capire in anticipo quali modelli di business funzionano meglio nel tuo settore o per la tua opzione strategica è la chiave del successo. Trasportare un modello che ha avuto successo in un altro settore adiacente non è garanzia di successo.
Loyalty Programs
  • Retail - exchanging purchase information for loyalty tracking (e.g., Starbucks, Walgreens)
Risk Based Management & Pricing
  • Telematics – identifying new data streams to inform pricing and preventing risk  
  • Insurance – data loss coverage
Data Services
  • Financial Data – providing custom indices to financial investors (e.g., MSCI Barra, Premise Data)
Intangible Assets/ Liabilities
  • Airlines – balancing frequent flyer liabilities, customer satisfaction and profit maximization (e.g., MileagePlus)
Information Exchanges
  • Payments Networks – facilitating the movement of money by managing related information (e.g., PayPal, Venmo, Square)
Entertainment
  • Online Games – games are created with information based goods, services and currency (e.g., Hasbro, Zynga)

Sviluppare aspirazioni realistiche per la monetizzazione

A questo punto, molte aziende si preparano a preparare proiezioni finanziarie dettagliate che mostrano come cresceranno i ricavi e i profitti e quali sono i modelli di prezzo proposti. Ma cosa succede se il potenziale di monetizzazione non è poi così grande o, più probabilmente, non ne sei sicuro? Come garantisci che il tuo investimento e la tua esecuzione siano commisurati alle opportunità di guadagno?

  • Stabilisci un obiettivo abbastanza grande da poter essere perseguito e che ritieni valga il tempo e gli sforzi della tua organizzazione.

  • Cosa sarebbe necessario per raggiungere quell’obiettivo? I dati possono essere commercializzati in diversi modi: tramite abbonamenti annuali, tramite pay per use, tramite lo sviluppo di contenuti personalizzati, tramite servizi di ricerca e consulenza e tramite lo sviluppo di nuove analisi.

  • Quanti di questi sono veramente praticabili. Quali sono le offerte comparabili dei vostri concorrenti e quali sono le strutture dei prezzi utilizzate? Quale di questi modelli di prezzo è più appropriato per te?

  • Quali sono le stime del 25° e 75° percentile per i ricavi e dov'è il pareggio per l'opzione? Questo è un importante controllo di integrità e ti consente di consultare gli altri e valutare attentamente il risultato "più probabile", oltre a capire che aspetto ha il "successo moderato" nelle fasi iniziali.

  • A questo punto puoi sviluppare una chiara comprensione degli investimenti che devi fare per raggiungere i ricavi previsti. Gli investimenti dovrebbero essere coerenti con la tua strategia aziendale e dovrai spendere soldi in anticipo per cose noiose come l'integrità dei dati, la disponibilità dei dati, i livelli di servizio e l'impianto tecnologico che potrebbero non fornire rendimenti nei primi progetti in cui investi, ma ti consentirà di avere una solida piattaforma per la crescita.

Testare, imparare e perfezionare

Ora che hai obiettivi di fatturato realistici legati alla tua strategia aziendale, dovresti dedicarti all'esecuzione. Se sei sicuro dell'opportunità che hai di fronte e della tua capacità di esecuzione, potrebbe funzionare. Ciò è più semplice quando si migliorano i servizi esistenti, ma molto più opaco con le nuove offerte.

  • Evidenzia le aree in cui ritieni di poter fallire e crea processi di test per valutare la tua capacità di esecuzione. Ad esempio, i clienti pagheranno davvero? Hai la possibilità di fornire dati in tempo reale 24 ore su 24, 7 giorni su 7? Il tuo partner per la distribuzione dei dati sarà davvero motivato a lavorare con te o avrà altre priorità? Queste sono solo alcune di una lunga lista di domande che determineranno se i tuoi dati possono davvero essere commercializzati.

  • Crea criteri di successo misurabili che ti consentiranno di determinare se puoi risolvere il problema o se puoi imparare qualcosa in più che ti aiuterà a prendere una decisione se andare/non andare.

  • Implementare il processo di test con ruoli e responsabilità definiti per il team di esecuzione. I risultati possono aiutarti a ottenere una visione più informata sulla necessità di procedere con l'implementazione, interrompere o apportare alcune modifiche al modello di business e/o all'esecuzione.

Ridimensionalo


Abbiamo elencato nello schema sottostante le aree che riteniamo sia necessario considerare in dettaglio quando si pianifica la fase di scala dell'opzione di investimento. Rientrano in tre categorie:

  • Commerciale
  • Gestione dati
  • Supporto

EXAMPLE: Data Management Capability Framework

Commercial

 

1-circle

Product Management

 

Pricing

 

2-circle-c

Data Sales

 

Client Service

 

Key Capabilities Required

  1. Product Management: Understanding target buyers and their information needs; designing the right product offerings to meet those needs
  2. Data Sales: Data-specific sales; selling data is typically very different from selling a firms’ existing products
  3. Ecosystem Management: Need to determine the right groups to partner with and the right partnership approach (e.g. trading)
  4. Distribution / Delivery (e.g. API Strategy): Real-time data delivery across a large ecosystem, leveraging open APIs to ease integration downstream and enable crosssell opportunities; APIs need to be useful, easy to use, and marketed properly
  5. Integration / Enrichment: Robust, real-time integration and enrichment capabilities are required to avoid errors and extensive manual intervention
  6. Analytics: The use of advanced analytics tools and algorithms (i.e. predictive analytics, machine learning) along with highly skilled staff can speed product development and create valuable insights
  7. Data Quality: Rigorous focus on data quality management is crucial to maintain product quality
  8. Governance: A sound data governance program is foundational to ensure business rules and controls are adhered to and processes are continuously improved, particularly if data sourced from multiple BUs
Data Management
 

Acquisition / Ingestion

double-right

5-circle

Integration & Enrichment

double-right

6-circle-c

Analytics

double-right

4-circle-c

Distribution

 
 
Workflow and Data Storage
 
  Public Data   Data Quality   Security  
             
Supporting
 

3-circle

Ecosystem Management

 

7-circle

Data Quality

 

Security

 
 

8-circle-c

Data Governance

 
Data Platforms and Infrastructure

La tua capacità di sfruttare il valore potenziale dei dati dipende dalla disponibilità dell'infrastruttura tecnica e dei processi di gestione giusti, nonché del talento giusto. Un'infrastruttura tecnica adeguatamente implementata non dovrebbe supportare solo la capacità di base di raccogliere e archiviare dati, ma anche la capacità di trasferire/condividere i dati in modo sicuro e conforme anche a qualsiasi standard di settore o governativo. Anche l’interoperabilità, sia a breve che a lungo termine, dovrebbe essere presa in considerazione, insieme alla capacità di incorporare nuove soluzioni di dati o strumenti di analisi che consentano maggiori applicazioni a lungo termine.

Il processo di gestione dei dati prevede tre fasi chiave: sourcing dei dati, consolidamento e archiviazione dei dati, nonché elaborazione ed esportazione dei dati. In ogni fase, sono necessarie infrastrutture tecniche e risorse umane distinte per produrre una solida architettura dei dati che consenta un’analisi dei dati efficace.

  Data source Data consolidation and storage Data processing and export

search

Description

• Data are generated and retrieved from internal or external sources. • Data are compiled and converted into a readable format, then loaded into a long-term or intermediate storage system. • Raw data are processed using a variety of tools to derive insights. Insights are exported to relevant stakeholders or sharing partners.

external-system-information-technology-outline-black-m-oki-orlando

Processes

• Data retrieval

• ETL (Extract-Transform-Load), ELT (Extract-Load-Transform)

• Data virtualisation

• Data governance, metadata management, materials management

• Data visualisation

• Data analytics:

o Statistical analysis

o Data mining

o Predictive analysis

• Machine-learning algorithms

servers-group

Technical Infrastructure

• Internal sources:

o Databases

o Sensors o File-based

o Data providers or organisers

• External sources:

o Data sharing agreements

o Open data sources

• Data warehouse (DW) o Traditional o Cloud

• Operational data store (ODS)

• Data mart (DM)

• Technical delivery mechanisms:

o File transfer

o API

o Platform

conference-call

Talent

• Source system application expert

• Data architect

• Data governance SME

• Security SME

• Business analyst

• Data engineer