Per anni, la gestione dei dati di riferimento (MDM) ha operato in gran parte dietro le quinte.
Le soluzioni MDM creano record affidabili, stabiliscono definizioni coerenti, collegano le informazioni tra i vari sistemi e aiutano le organizzazioni a gestire i propri dati più importanti. Si tratta di un lavoro essenziale, ma il suo valore è stato storicamente considerato da un punto di vista operativo: migliore qualità dei dati, processi più efficienti, minori incongruenze e meno lavoro manuale.
Ma ora l’impresa agente sta ampliando tale ruolo.
Man mano che gli agenti di intelligenza artificiale assumono ruoli sempre più importanti nella catena di fornitura, nel commercio, nel marketing, nella finanza, nella gestione dei rischi e in altre funzioni aziendali, hanno bisogno di dati affidabili e di un contesto aziendale. Quando gli agenti attingono dati affidabili e contesto aziendale da una piattaforma di dati master, l’MDM si evolve da un sistema che supporta i team che gestiscono i dati a una parte fondamentale del modo in cui l’impresa produce decisioni e azioni affidabili.
Questo cambiamento fa sì che un numero maggiore di persone abbia un interesse nei dati master. Inoltre, modifica il modo in cui le organizzazioni dovrebbero governare, stabilire le priorità e misurare il valore dei propri investimenti nell’MDM.
Da piattaforma specializzata a infrastruttura aziendale condivisa
Tradizionalmente, la responsabilità dell’MDM è stata concentrata tra i team che si occupano di dati, IT, merchandising e altre funzioni operative. La piattaforma supporta già processi fondamentali quali l’onboarding di prodotti e fornitori, la pubblicazione dei prodotti e la distribuzione dei dati. Questi team gestiscono i dati sottostanti, ne regolano l’utilizzo e guidano lo sviluppo della piattaforma.
Altre funzioni aziendali potrebbero utilizzare i dati senza avere un ruolo diretto nella strategia di MDM che sta alla base. Ma gli agenti di intelligenza artificiale stanno cambiando questa dinamica.
Si consideri un agente di intelligenza artificiale per la catena di fornitura progettato per identificare alternative quando un prodotto non è disponibile. Per fornire un consiglio utile, l’agente potrebbe aver bisogno di qualcosa di più di una scheda prodotto accurata. Potrebbe dover comprendere quali fornitori offrono il prodotto, dove si trova lo stock, quali prodotti sostitutivi soddisfano gli stessi requisiti e quali norme contrattuali o normative si applicano.
E consideriamo altri agenti di IA: un agente commerciale potrebbe aver bisogno del contesto relativo a prodotto, cliente, ubicazione e prezzi. Un agente di gestione dei rischi potrebbe fare affidamento sulle relazioni regolamentate tra fornitori, entità aziendali e regioni. Un agente di assistenza potrebbe aver bisogno di informazioni coerenti su clienti, prodotti, garanzie e diritti di assistenza.
Il filo conduttore è che il valore non deriva solo dai singoli record, ma dalle relazioni, dalle classificazioni, dalle politiche e dalle definizioni aziendali che li circondano. Agenti di IA affidabili necessitano di dati aziendali regolamentati e attendibili che possano utilizzare in modo coerente nelle decisioni e nei flussi di lavoro.
È qui che l’MDM multidominio diventa particolarmente importante. I processi aziendali raramente si inseriscono perfettamente in un unico dominio di dati, e lo stesso vale per gli agenti che li supportano. Una decisione relativa alla catena di fornitura può dipendere da dati correlati relativi a prodotti, fornitori, sedi e risorse. Un’interazione commerciale può richiedere il contesto relativo a prodotti, clienti, prezzi e ubicazioni. Unendo questi domini e le loro relazioni, l’MDM offre agli agenti una visione più completa del contesto aziendale in cui operano.
Man mano che gli operatori utilizzano questo contesto per supportare un numero crescente di processi aziendali, la piattaforma dei dati master assume un ruolo più ampio. Continua ad essere responsabile della creazione e della gestione di dati affidabili, ma tali dati contribuiscono ora a decisioni che vanno ben oltre i team che gestiscono la piattaforma.
L’MDM diventa un’infrastruttura condivisa per le decisioni e le azioni affidabili che gli agenti di intelligenza artificiale contribuiscono a generare in tutta l’azienda.
Il maggior numero di parti interessate solleva nuove questioni relative alla titolarità
Questo ruolo ampliato non significa che ogni reparto debba iniziare a gestire i dati master in modo indipendente. Significa però che un numero maggiore di reparti ha un interesse legittimo nelle decisioni prese al riguardo.
Se un operatore che supporta un processo finanziario dipende dai dati relativi a clienti e fornitori, il team finanziario ha un interesse nella qualità, nel significato e nella disponibilità di tali dati. Se un operatore della catena di fornitura ha bisogno di nuove relazioni tra prodotti e sedi, il team della catena di fornitura ha un interesse nel modo in cui tali relazioni vengono modellate e classificate in ordine di priorità.
Le organizzazioni dovranno decidere in che modo questi soggetti interessati possano partecipare senza frammentare la titolarità né indebolire la governance. Il punto di partenza è costituito da quattro domande fondamentali.
Chi è responsabile dei dati alla base dell’azione di un agente?
Gli agenti di intelligenza artificiale possono riunire diverse aree di responsabilità già esistenti.
Un team dedicato ai dati può gestire il record di riferimento, mentre una funzione aziendale può definire le regole o le relazioni che gli conferiscono significato. Il reparto IT può gestire le modalità di accesso ai dati da parte dell’agente, mentre un team di IA può progettare l’agente e determinare come esso utilizza le informazioni.
Se quell’agente raccomanda o intraprende un’azione, la responsabilità non può ricadere semplicemente sul sistema che ha fornito una parte della risposta.
Le organizzazioni devono avere una visione chiara di chi detiene la proprietà dei dati, chi detiene la proprietà delle regole aziendali, chi detiene la proprietà dell’agente e chi è responsabile del risultato. Queste responsabilità possono essere centralizzate o distribuite all’interno dell’organizzazione, ma le regole, i poteri decisionali e le linee di responsabilità non devono essere ambigue.
Chi approva i nuovi utilizzi dei dati di riferimento?
Ogni nuovo caso d’uso dell’agente solleva interrogativi riguardo alla finalità, all’accesso, al rischio e al valore atteso. Di quali dati ha bisogno l’agente? Le informazioni richieste sono appropriate per il processo? Le relazioni e le definizioni sono sufficientemente complete? L’agente dovrebbe limitarsi a leggere i dati o dovrebbe anche essere in grado di proporre o apportare modifiche?
Un percorso di approvazione ben definito aiuta l’organizzazione a valutare questi aspetti prima che i dati vengano utilizzati, anziché dopo che si è verificato un problema. Dopotutto, una connessione tecnica non implica automaticamente un utilizzo aziendale approvato.
Chi stabilisce le priorità?
Man mano che un numero crescente di team individua opportunità di utilizzo dei dati master, si creeranno nuove esigenze relative alla roadmap dell’MDM.
Un reparto potrebbe richiedere un dominio di dati aggiuntivo. Un altro potrebbe aver bisogno di nuove relazioni tra i domini esistenti. Un terzo potrebbe richiedere classificazioni, autorizzazioni o regole aziendali più dettagliate.
Queste richieste non avranno tutte lo stesso valore, la stessa urgenza o la stessa complessità. La definizione delle priorità dovrà tenere conto non solo della fattibilità tecnica, ma dovrà anche riflettere l’importanza del processo aziendale, il contributo atteso dal caso d’uso e il lavoro necessario per rendere i dati sottostanti pronti per gli agenti.
In altre parole, la roadmap MDM diventerà sempre più parte integrante della roadmap aziendale dedicata all’intelligenza artificiale.
L’organizzazione è in grado di risalire ai dati alla base del risultato?
Quando un agente contribuisce a una decisione aziendale, l’organizzazione deve comprendere le informazioni e il contesto che ne stanno alla base.
Ciò richiede ben più della semplice consapevolezza che l’agente si sia connesso a un sistema. Ciò diventa particolarmente importante nei flussi di lavoro da agente ad agente, in cui dati e decisioni passano da un sistema all’altro senza un controllo umano continuo.
I dirigenti potrebbero aver bisogno di verificare quali record, relazioni, classificazioni e politiche abbiano determinato l’azione. I team che si occupano di dati e intelligenza artificiale potrebbero aver bisogno di tali prove per indagare su risultati inaspettati o migliorare le prestazioni future.
La tracciabilità aiuta inoltre l’organizzazione a collegare l’uso dei dati di riferimento al risultato che ha supportato. Ciò diventa importante non solo per la governance, ma anche per comprendere il valore.
Il business case per l’MDM si sta ampliando
Questo cambiamento genera complessità organizzativa, ma crea anche un'opportunità.
Il valore dell’MDM è stato tradizionalmente misurato in termini di miglioramenti quali una migliore qualità dei dati, un minor numero di record duplicati, un onboarding più rapido, un minore sforzo operativo e una conformità più affidabile. Questi vantaggi rimangono importanti.
Tuttavia, quando i dati master gestiti supportano un operatore impegnato in un processo aziendale fondamentale, il valore della piattaforma può essere correlato anche al risultato prodotto da tale processo.
Un operatore della catena di fornitura potrebbe utilizzare i dati relativi a prodotti, fornitori e sedi per individuare alternative di evasione degli ordini. Un accesso più rapido a informazioni contestuali attendibili potrebbe aiutare l’organizzazione a ridurre i ritardi negli ordini, evitare costi di spedizione urgente o migliorare la disponibilità dei prodotti.
Un addetto al commercio potrebbe utilizzare informazioni gestite relative a prodotti e clienti per fornire consigli più pertinenti. Il risultato potrebbe essere un tasso di conversione più elevato, un maggiore coinvolgimento dei clienti o un minor numero di resi causati da informazioni incomplete.
Un agente dei servizi potrebbe attingere a dati interconnessi relativi a clienti, prodotti e garanzie per risolvere i casi in modo più rapido e coerente. Un agente addetto alla gestione dei rischi potrebbe identificare rapporti problematici con i fornitori prima che questi causino problemi di conformità o interruzioni operative.
L’MDM non è l’unica fonte di questi risultati. Contribuiscono tutti: l’operatore, il modello, l’applicazione, il flusso di lavoro e le persone coinvolte. Tuttavia, quando dati master affidabili rendono possibile l’azione, la piattaforma diventa parte integrante della catena del valore.
Ciò offre alle organizzazioni una prospettiva più ampia per valutare l’MDM. Inoltre, amplia la domanda da «Con quanta efficienza stiamo gestendo i nostri dati?» a «Cosa può realizzare l’azienda grazie alla disponibilità di questi dati e di questo contesto?».
Misurare il valore laddove si verifica l’impatto sull’azienda
Collegare l’MDM al ROI dell’IA non significa sempre attribuirsi il merito di ogni risultato prodotto da un agente. Come per la misurazione del ROI più ampio dell’MDM, l’obiettivo è collegare l’investimento ai benefici tangibili e ai costi totali. Ciò significa che è necessario stabilire una chiara connessione tra l’obiettivo aziendale e i dati che lo supportano.
Inizia ponendoti cinque domande:
- Quale processo o decisione stiamo cercando di migliorare? Partite dall’esigenza aziendale, non dal collegamento tecnico.
- Quale ruolo avrà l’agente? Definisci se l’agente dovrà recuperare informazioni, formulare una raccomandazione, avviare un flusso di lavoro o intraprendere un’azione.
- Di quali dati e contesto ha bisogno l’agente? Identificate i record, i domini, le relazioni, le gerarchie, le classificazioni e le regole aziendali necessarie per il caso d’uso.
- Cosa dovrebbe migliorare? Stabilisci il cambiamento atteso, ad esempio decisioni più rapide, meno convalide manuali, meno errori o un'esecuzione più coerente.
- Quale risultato aziendale dovrebbe riflettere tale miglioramento? Collegate il caso d’uso a un indicatore appropriato relativo a ricavi, costi, produttività, rischio, conformità o esperienza del cliente.
In questo modo si crea una catena del valore concreta:
Processo aziendale → caso d’uso dell’agente → dipendenza dai dati di riferimento → miglioramento operativo → risultato aziendale
Si consideri un agente che contribuisce a risolvere le interruzioni dell’approvvigionamento. L’agente può utilizzare dati regolamentati relativi a prodotti, fornitori e sedi per individuare alternative valide. Il miglioramento immediato potrebbe consistere in una riduzione del tempo necessario per valutare le opzioni. Il risultato aziendale più ampio potrebbe tradursi in un minor numero di ordini in ritardo, in una riduzione dei costi di spedizione d’emergenza o in un miglioramento dei livelli di servizio.
Il risultato complessivo non può essere attribuito esclusivamente all’MDM, ma è comunque possibile identificare e misurare l’impatto derivante dal fornire all’agente un contesto aziendale affidabile e interconnesso.
Questo approccio offre ai dirigenti una comprensione più credibile del contributo della piattaforma rispetto a una generica affermazione secondo cui dati migliori producono un’IA migliore.
Inquadrare i costi nel contesto del valore
L'IA comporta anche nuovi costi.
Le organizzazioni potrebbero dover sostenere costi per l’utilizzo dei modelli, l’esecuzione degli agenti, l’infrastruttura, le applicazioni, le integrazioni, la governance e l’accesso ai dati aziendali. Con l’aumentare dei casi d’uso degli agenti, i leader avranno bisogno di un quadro più chiaro dell’origine di tali costi e dei risultati che producono.
Tale analisi dovrebbe rafforzare la necessità di investimenti disciplinati nell’MDM, anziché ridurre la piattaforma a una semplice voce di bilancio.
Per ogni caso d’uso, occorre considerare:
- Quali agenti dipendono dai dati master gestiti?
- Con quale frequenza li utilizzano o li aggiornano?
- Quali domini e relazioni devono essere gestiti?
- Quali ulteriori misure di governance o supervisione richiede il caso d'uso?
- Su quale risultato aziendale ci si aspetta che l’agente influisca?
- Quali operazioni di convalida, riconciliazione o correzione sarebbero necessarie in assenza di dati affidabili?
- Il valore atteso giustifica il costo di preparazione, governance, distribuzione e utilizzo dei dati?
Queste domande aiutano le organizzazioni a selezionare i casi d’uso corretti e a costruire le basi di dati adeguate per essi.
Inoltre, sottolineano un punto importante: la connessione meno costosa non è necessariamente quella più preziosa. Consentire a un agente di accedere a dati incompleti, mal definiti o disgiunti può trasferire i costi altrove attraverso verifiche manuali, rielaborazioni, decisioni incoerenti o rischi inutili.
Il ROI dipende sia dal valore del risultato sia dall’affidabilità delle informazioni utilizzate per ottenerlo.
Un ruolo più strategico richiede un modello operativo più interconnesso
Man mano che l’MDM diventa parte integrante delle fondamenta dell’IA aziendale, il suo modello operativo dovrà riflettere la sua portata più ampia.
L’approccio specifico varierà a seconda dell’organizzazione, ma diverse funzionalità assumeranno un’importanza sempre maggiore:
- Chiara attribuzione delle responsabilità per i dati e il contesto alla base delle azioni guidate dall’IA
- Diritti decisionali ben definiti per i nuovi casi d’uso e le richieste di accesso
- Un metodo strutturato per stabilire le priorità delle richieste interfunzionali
- Tracciabilità tra le azioni degli agenti e i dati sottostanti
- Indicatori condivisi che collegano gli investimenti in MDM ai risultati aziendali
- Coordinamento tra i reparti dati, IT, IA, finanza, rischio e le funzioni aziendali che utilizzano gli agenti
L’obiettivo è garantire che l’organizzazione possa ampliare l’uso dei dati master senza perdere chiarezza, controllo o focalizzazione.
I leader aziendali hanno bisogno di un modo per definire i casi d’uso che riguardano le loro funzioni. I responsabili dei dati devono garantire la coerenza e l’integrità delle informazioni condivise. I responsabili tecnologici devono gestire l’accesso, l’architettura e i costi. I team finanziari e dirigenziali devono capire se questi investimenti stanno generando rendimenti significativi.
L’MDM si colloca al crocevia di queste priorità.
L’MDM è il fondamento dell’intelligenza aziendale
Lo scopo fondamentale dell’MDM non cambia. Le organizzazioni continueranno ad aver bisogno di dati affidabili, definizioni coerenti, domini interconnessi e una solida governance.
Ciò che sta cambiando è la portata di tale base.
L’intelligenza artificiale aziendale renderà il contesto multidominio sempre più importante. Le decisioni aziendali raramente dipendono da un prodotto, un cliente, un fornitore, una sede o una risorsa considerati isolatamente. Gli agenti devono comprendere come queste entità siano correlate, quali definizioni e politiche si applichino e cosa significhino tali connessioni all’interno di uno specifico processo aziendale.
Quando gli agenti di IA possono attingere a quei dati master interconnessi, l’MDM contribuisce a qualcosa di più che a semplici operazioni efficienti sui dati. Fornisce il contesto aziendale alla base delle decisioni, delle raccomandazioni e delle azioni sempre più autonome.
Ciò rende la piattaforma più ampiamente utilizzata, gestita in modo strategico e direttamente collegata al valore aziendale.
Inoltre, eleva l’MDM da semplice soluzione che opera dietro le quinte dell’azienda a elemento centrale dell’intelligenza che ne guida il progresso.
Il passo successivo è quello di cominciare a chiedersi:
- Quali agenti di IA dipendono già dai nostri dati di riferimento?
- Quali processi aziendali ne dipenderanno in futuro?
- Chi è responsabile dei dati e del contesto alla base delle loro azioni?
- In che modo questi casi d’uso dovrebbero influenzare la nostra roadmap di gestione dei dati master (MDM)?
- Quali risultati ci dimostreranno il valore delle decisioni e delle azioni rese possibili da quei dati affidabili?
Le risposte saranno diverse per ogni organizzazione, ma la direzione è chiara: man mano che l’IA diventa sempre più integrata nel business, l’MDM assume un ruolo sempre più centrale nel modo in cui l’azienda opera, decide e crea valore.
I dati master costituiscono la base affidabile. È proprio nelle decisioni e nelle azioni che essi alimentano che prende vita l’intelligenza affidabile.
