Blog

Framework di Data Governance per il settore energetico

Settore: Energy/Utility

Servizio dD: Data Governance

Tipo cliente: Grande azienda italiana attiva nel settore Energy/Utility

 

ESIGENZA

L’azienda cliente aveva in essere un programma di trasformazione digitale volto a valorizzare i dati e il patrimonio informativo aziendale. In tal senso, era stata realizzata una Enterprise Data Platform (EDP) con l’obiettivo di mettere a disposizione i dati all’intera organizzazione e ai differenti progetti pilota facenti parte del programma di trasformazione digitale.

I progetti pilota venivano sviluppati facendo ricorso a metodologie Agile durante le prime fasi del loro ciclo di vita (Proof Of Concept e Minimum Viable Product), utilizzando set di dati ad hoc, estratti direttamente dai diversi sistemi sorgente, per poi essere ingegnerizzati ed integrati all’interno dell’EDP. In alcuni casi, però, i dati ricevuti dalla EDP subivano variazioni causate da modifiche o interventi non coordinati su attributi di tabelle (ovvero, entità fisiche) comuni a più casi d’uso, portando ad errori e malfunzionamenti dei modelli a supporto delle decisioni intraprese dai responsabili di area.

In questo contesto, doDigital ha proposto di un’attività di impostazione delle fondamenta per i processi di Data Governance dell’EDP, l’identificazione di ruoli e responsabilità di Governance, l’adozione a regime di un tool di specifico e specializzato in tale ambito.

 

OBIETTIVO DEL PROGETTO

Definizione di un framework di Data Governance della Enterprise Data Platform (o EDP) per i casi d’uso identificati, test sul campo dell’efficacia e della validità dello stesso, con il supporto di un tool dedicato di Data Governance. Il framework progettato conterrà le procedure, le policy e i processi di Data Governance prioritari e una definizione dei ruoli e responsabilità dei singoli e dei team.

 

SOLUZIONE PROGETTUALE E RISULTATI

La progettualità è stata declinata sulla base di 4 fasi principali:

  1. Definizione del framework complessivo di governo della EDP (ruoli, processi e metriche per il controllo) ed assegnazione delle responsabilità alle persone dell’organizzazione aziendale coinvolte;
  2. Identificazione ambito e caso d’uso per la fase di sperimentazione;
  3. Sperimentazione del framework sul campo sul caso d’uso identificato, al fine di testarne l’efficacia ed individuarne le aree di miglioramento;
  4. Supporto per l’adozione di una piattaforma di Data Governance, elemento chiave per l’iniziativa progettuale, l’adozione a regime ed automazione dei processi e delle procedure di Data Governance e per la successiva estensione del framework ad altri casi d’uso legati ai dati.

 

1. Definizione del framework di Data Governance e istanziazione sull’organizzazione

Per la definizione del framework di Data Governance, sono state effettuate dapprima una serie di interviste necessarie ad acquisire informazioni rispetto all’organizzazione del cliente, a dati e sistemi utilizzati a livello aziendale e a processi ed attività in atto in quel momento per il governo del dato.

Una volta acquisite queste informazioni, è stato possibile disegnare un modello organizzativo di Data Governance che si sposasse con l’assetto organizzativo del cliente e realizzare i processi e le procedure di Governance nel rispetto dei ruoli definiti all’interno del modello.

Sono state poi ideate le metriche da mettere in campo in sede di test del pilota e a regime, per monitorare la qualità del modello di Governance rispetto all’assegnazione dei ruoli e delle responsabilità e al carico di lavoro delle persone coinvolte nei processi di Data Governance.

In seguito, è stata avviata la fase di predisposizione del tool di Data Governance, al fine di recepire il modello organizzativo di governo ipotizzato (ruoli e responsabilità), i KPI ideati e da monitorare durante il pilota ed a regime, ed è iniziato l’inserimento delle informazioni necessarie per il suo corretto funzionamento ed utilizzo.

Una volta completata la definizione del framework, è stata eseguita l’ istanziazione e declinazione dei ruoli di governance, individuando le opportune persone per ciascun ruolo ipotizzato, step fondamentale per garantire il corretto funzionamento e presidio del modello. È stato dapprima individuato un team pilota, che sarebbe stato poi affinato e migliorato a seguito della sperimentazione sul campo. Il team è stato ha coinvolto figure provenienti dal Business per il presidio del significato (semantica) delle entità di business, da un’area legata all’Innovazione Digitale aziendale per responsabilità ed attività legate alle iniziative progettuali Data-Driven legate all’EDP (a titolo di esempio, predisposizione dei flussi dati per sviluppo di un pilota, passaggio di consegne per quanto riguarda la documentazione di progetto prodotta), e dall’IT per quanto riguarda il presidio tecnico ed infrastrutturale dei dati. Per ciascuna di queste aree coinvolte, è stata prevista un’architettura di governo dedicata, ovvero un organigramma specifico per area con l’elenco delle responsabilità per ciascuna figura coinvolta ed attività di Data Governance da gestire.

 

2. Identificazione ambito e caso d’uso per la sperimentazione

Una volta disegnato ed istanziato il framework sull’organizzazione aziendale, è stato necessario identificare il caso d’uso sul quale effettuare la sperimentazione. In tal senso, sono state analizzate le priorità strategiche aziendali e si è giunti all’identificazione dell’area Sales & Marketing come candidata per la sperimentazione.

Definita l’area, sono stati raccolti tutti i casi d’uso in fase di realizzazione e sono stati prioritizzati analizzando due variabili in particolar modo: la rilevanza e priorità strategica delle 

informazioni coinvolte (Data Value) e la rilevanza in termini di Data Governance (ad esempio, in termini ampiezza dei ruoli coinvolti, molteplicità di sistemi interessati, etc.). Il caso d’uso identificato come più interessante rispetto a queste due dimensioni atteneva al tema del Customer Journey.

 

 

3. Sperimentazione sul campo e miglioramento del framework e supporto per l’adozione della piattaforma 

Identificato il caso d’uso, si è proseguito con la fase di sperimentazione del framework di Data Governance sul campo. Questa ha permesso di:

  • Rivedere i ruoli e responsabilità identificati dal modello (ad esempio: variazione nomi dei ruoli di alcune figure Digital, introduzione di nuove professionalità per il presidio dei dati visualizzati all’interno di alcune dashboard, affinamento di alcune responsabilità operative di Governance);
  • Migliorare ed adeguare i processi e le procedure rispetto alle variazioni di ruoli e responsabilità implementate;
  • Esplicitare un nuovo processo di raccolta requisiti per quanto riguarda in
  • iziative progettuali che coinvolgessero dati che risiedono e vengono gestiti all’interno della Enterprise Data Platform.

Il tutto grazie al supporto di una piattaforma disegnata appositamente per la gestione della Data Governance, elemento chiave e fattore critico di successo per l’iniziativa progettuale, ma soprattutto per l’adozione a regime dei processi e delle procedure di Data Governance.

 

4. La progettualità si è quindi conclusa con delle attività formazione e di supporto continuativo volte a presidiare e verificare il corretto funzionamento del modello e utilizzo dello strumento identificato.

 

In seguito alla progettualità descritta, l’azienda cliente si è fatta carico di estendere il framework di Data Governance agli altri casi d’uso, precedentemente prioritizzati (come visto nella fase 2 del percorso progettuale). I fattori che hanno agevolato questo processo sono stati l’apprendimento e la maggiore confidenza da parte degli attori coinvolti rispetto alle pratiche di Data Governance e l’utilizzo di un tool apposito che ha consentito di accelerare il recupero dei metadati.

 

I benefici principali apportati dell’iniziativa si possono riassumere in:

  • Riduzione delle problematiche legate ai dati, come, a titolo di esempio, le variazioni causate da modifiche o interventi non coordinati su attributi di tabelle comuni a più divisioni, citate in apertura;
  • Riduzione del time-to-market per i nuovi modelli AI sviluppati dal team di Data Scientists interno;
  • Aumento della cultura aziendale legata ai dati (Data Literacy) e coinvolgimento di tutti i ruoli aziendali nei processi di governo ed utilizzo dei dati.

Leggi gli altri articoli

casi studio

Controllo di Gestione, meglio un software di BI o di CPM?

Read More

casi studio

Omnichannel Strategy: definizione della strategia di go-to-market e della Roadmap di attuazione

Read More

casi studio

Digital Assessment per l’evoluzione dei sistemi IT

Read More

Sei interessato?
contattaci

Inviando la richiesta di iscrizione acconsento che i miei dati siano trattati secondo quanto espresso nell'informativa privacy per consentire la gestione della richiesta. Acconsento inoltre che i miei dati siano trattati secondo quanto espresso nell'informativa privacy per le seguenti finalità: effettuare attività di comunicazione e aggiornamento attraverso l’invio di e-mail di invito per eventi e webinar organizzati da doDigital o l’invio di e-mail con materiale promozionale inerente servizi e prodotti analoghi a quelli oggetto dei webinar offerti da doDigital
credits