Marginal Column
Prof. Dr. Felix Wortmann

Prof. Dr. Felix Wortmann

è Direttore Scientifico del Laboratorio IoT Bosch e Professore Incaricato di Technology Management presso l’Università elvetica di San Gallo (HSG). Dal 2006 al 2009 è stato Assistente del Consiglio d’Amministrazione di SAP AG. Ha conseguito diploma e laurea di primo livello in Informatica Aziendale presso l’Università di Münster; ha poi ottenuto il dottorato presso l’Istituto Superiore di San Gallo nel 2006. Le sue specializzazioni di ricerca coprono gli ambiti Big Data, Internet delle cose e Innovazione dei modelli aziendali. Il team interdisciplinare da lui diretto si occupa di tematiche quali Smart Living & Working, Smart Mobility e Machine Learning.

Copyright Photo: ITEM-HSG St. Gallen

“Con la Data Analytics generiamo valore aggiunto ibrido nel settore industriale.”

Content

Novembre 2017

 

Felix Wortmann, Direttore Scientifi co del Laboratorio IoT Bosch presso l’Istituto Superiore di San Gallo, ci spiega perché, nella Data Analytics, sia cruciale tenere sempre presente la concreta applicazione del caso.

Prof. Wortmann, la Data Analytics è la chiave per risolvere ogni problema nella produzione?

Wortmann: No, non è così semplice; peraltro, la produzione si basa da sempre sui dati. Oggi, essenzialmente, la trasparenza è il presupposto per migliorare: soltanto quando so che cosa accada e dove io mi trovi, posso fare meglio. Ora, per così dire, stiamo migliorando la “risoluzione”, ottenendo più dati e con maggiore frequenza. In ambito medico, abbiamo visto il grande balzo dai raggi X alla TAC e alla risonanza magnetica: è qualcosa che ha cambiato la medicina in profondità. Lo stesso, ora, sta avvenendo nel mondo della produzione sulla base di tre parole d’ordine: Internet delle cose, Industry 4.0 e Smart Service. Tuttavia, non stiamo cominciando da zero: in questi ultimi decenni, ad esempio, con il Data Warehousing abbiamo imparato ad integrare i dati; con la Business Intelligence, ad analizzarli in modo sistematico. Ora, stiamo compiendo il prossimo, coerente passo: verso i Big Data e l’Internet delle cose.

Qual è il frutto di tanto lavoro?

Creiamo valore aggiunto: se dotiamo di sensoristica un certo prodotto e valutiamo i dati così generati, sulla base della Data Analytics possiamo off rire ulteriori servizi. Oggi, inoltre, si parla di valore aggiunto ibrido, composto da prodotti e servizi. Già da tempo, le aziende produttrici operano per espandere il loro Customer Care: in sé, non è un fatto nuovo; oggi, però, l’integrazione delle macchine off re possibilità completamente nuove, per integrare profondamente i servizi all’interno dei prodotti e dare nuove prospettive a modelli aziendali preesistenti. Perciò, l’Analytics è cruciale per offrire servizi digitali che abbiano successo. “Nell’ambito dei servizi, la prossima grande tendenza sarà all’insegna delle macchine integrate e della Data Analytics: la Predictive Maintenance è solo l’inizio.

Per gli utenti, esiste una via maestra per avvicinarsi al mondo della Data Analytics?

Nel mondo della produzione, abbiamo ancora una lunga strada da percorrere; in tale ambito, le grandi aziende del settore Internet, come ad esempio Google, sono naturalmente un passo avanti. Per noi, è importante convincere utenti e decision maker con vantaggi concreti.

Potrà anche apparire ovvio, ma nell’entusiasmo del momento, spesso e volentieri tutto questo si dimentica. Sovente, oggi, si procede in maniera “bottom-up”: raccogliamo quanti più dati possibili, per poi cercare di trarne i potenziali vantaggi. A mio parere, è un approccio troppo unilaterale. Un approccio “top-down” può essere altrettanto proficuo: in questo caso, prima si guarda al problema, dopodiché si esaminano i dati, ragionando sulle concrete potenzialità di miglioramento.

Esiste, per entrambi i metodi, un presupposto fondamentale?

Sì: si chiama agilità. Anche nei classici settori industriali, dobbiamo imparare a lasciare da parte la perfezione, almeno temporaneamente: talvolta, dobbiamo avere il coraggio di lanciare un “Minimal Viable Product”, un prodotto a commerciabilità minima, per sondare il mercato e sperimentare a livello pratico. E solo se quel rapido test avrà successo, passeremo alla produzione di scala. Nell’agile mondo in cui operiamo, non si sperimenta più nel chiuso dell’azienda, ma nella realtà concreta, con i clienti reali. In tale ottica, dobbiamo allontanarci da alcune consuetudini e strutture consolidate, pronti a percorrere strade nuove. Nella classica informatica, ad esempio, per decenni si è puntato a perfezione, sicurezza ed assoluta affi dabilità; non ci si può aspettare un cambio di mentalità dall’oggi al domani: è qualcosa che richiede tempo. L’aspetto decisivo è non ragionare più a compartimenti stagni, avere il coraggio di affrontare assieme percorsi nuovi. A volte dobbiamo osare qualcosa di nuovo – affrontando, talvolta, anche il rischio di fallire.

Perché, nonostante tutte le conquiste della Data Analytics, dobbiamo tuttora armonizzare i prodotti alla realtà, ad esempio nei ben reali crash test dell’industria automotive?

Quando la Data Analytics si basa su modelli, questi devono rispecchiare la realtà in modo adeguato. E ciò riesce più o meno bene, a seconda dell’ambito applicativo; i criteri decisivi sono la complessità degli ambiti e le esperienze già raccolte. Nell’industria automotive, ad esempio, siamo già molto progrediti; però, a tutt’oggi, ci occorrono approfonditi crash test per collaudare i nostri modelli. Oppure, consideriamo le previsioni meteorologiche: i modelli funzionano solo a breve termine, ma a lunga scadenza la complessità è ancora troppo elevata. Vi sono, semplicemente, troppi fattori d’influsso, che ancora non riusciamo adeguatamente a modellizzare. Un sistema universale, che da una vera babilonia di fattori d’infl usso possa formare un tutto comprensibile semplicemente premendo un tasto, è una visione che esiste già da decenni; tuttavia, anche con le ultime conquiste dell’intelligenza artificiale, restiamo ben lontani dal trasformare tale visione in realtà.

La questione che risalta, da tutti questi esempi, è la rilevanza sociale della Data Analytics

Giusto. Qualsiasi tecnologia, in sé, è neutra: spetta, quindi, a noi dare attivamente forma al nostro futuro e far sì che gli sviluppi prendano le giuste strade. E in questo, ogni singolo deve fare la sua parte: dal dipendente al CEO, dal ricercatore al politico.