La maggior parte delle imprese, sia che appartengano al settore retail, manifatturiero, chimico o delle telecomunicazioni, sarebbero concordi nel considerare un aumento della capitalizzazione di mercato del 10% nell’ultimo anno davvero eccezionale. Ma cosa direste se quella dei vostri concorrenti fosse cresciuta del 35%?
Un recente rapporto McKinsey ha analizzato la divergenza tra le imprese di maggior e minor successo del settore retail e ha rivelato che, se la performance del mercato azionario dall’inizio della pandemia nasconde qualcosa, è che gli investitori si sono gettati sulle aziende con forti capacità tecnologiche.
Perché? È semplice: la tecnologia guida la capacità di usare i dati aziendali per fare scelte, decisioni e investimenti che a loro volta producono un vantaggio competitivo, e un esempio viene proprio dal retail. La previsione della domanda in un rivenditore di generi alimentari leader a livello mondiale si è tradotta in un aumento delle vendite dal 5% al 7% e in una riduzione media dal 30% al 50% dell’out-of-stock nei negozi che corrisponde a milioni di dollari.
Migliaia di aziende di tutti i settori stanno sfruttando le potenzialità dei dati per portare alla luce insight e innovazione fondamentali per alimentare modelli di machine learning e analisi e trasformare il business grazie all’integrazione dell’AI.
Eppure, mentre si procede in questo percorso, è importante prendere in considerazione 3 aspetti:
- Basare la propria strategia di dati sulla convergenza di software e hardware
Gran parte dell’AI impiegata oggi nelle aziende prende forma nel cloud, ma quando pensiamo a molti casi d’uso sull’inferenza dell’AI in tempo reale, il potenziale valore per il business è enorme, in particolare in ambiti retail o consumer come la biometria, il riconoscimento vocale o i veicoli autonomi, dove è possibile iniettare l’AI nelle applicazioni emergenti ad alta intensità di dati.
Si stima che il 90% del costo storico delle applicazioni AI sia l’inferenza e se in passato ha rappresentato un limite in termini di adozione in quanto troppo onerosa e difficile, la potenza di calcolo oggi ha eliminato questo ostacolo. Stiamo assistendo a miglioramenti in termini di velocità e precisione delle applicazioni AI aziendali esistenti, come ad esempio rilevamento delle frodi, motori di raccomandazione, supply chain management, analisi di provenienza dei farmaci e, sempre più spesso, le tecnologie consumer entrano nelle imprese sotto forma di fabbriche autonome (ad esempio i robot), AR/VR nella produzione (qualità), gestione della rete elettrica, vendita al dettaglio automatizzata, IoT, call center intelligenti. Tutti alimentati da AI, e la lista dei potenziali casi d’uso è virtualmente infinita.
- Costruire una strategia che si basa su dati significativi, non solo su quelli più facilmente disponibili
Con il 2020 il mondo è cambiato, di conseguenza affidarsi al passato per riuscire a ottenere insight sul futuro, con dati superati a causa del cambiamento nelle preferenze dei clienti e l’enfasi su ambiente, società e governance, non potrà produrre altro che insight irrilevanti. La qualità dei dati deve essere il fattore di normalizzazione e, per tornare in pista, abbiamo bisogno di insight di qualità, e ne abbiamo bisogno ora.
- Rendere i dati fondamentali per il business
Un altro punto importante è lavorare per democratizzare l’accesso ai dati, integrandoli all’interno delle applicazioni e consentendo a diversi gruppi di gestirli e combinarli in modo indipendente al fine di ottenere insight rilevanti per loro. Adottando protocolli di conformità e sicurezza nel ciclo di generazione degli insight e investendo nella maturazione e nel miglioramento delle metriche aziendali e dei repository di metadati, in un’architettura a più livelli, nel perfezionamento continuo della qualità dei dati e nella gestione della loro acquisizione.
Di David LeGrand, Sr. Industry & Solutions Marketing Manager – Manufacturing & Retail, Cloudera
