Eni | Il Design Thinking a servizio dell’intelligenza artificiale, il nostro Data Thinking

Si è svolto durante lo IAB Forum 2022 il workshop di Eni tenuto dagli speaker: Chiara Torti( Referente Centro d’eccellenza Product and Experience Design, Eni) e Andrea Corneo (Data Scientist, Eni). Entrambi lavorano presso la Eni Digital Factory, realtà all’interno della quale si sono concentrati tutti i centri di competenza chiave per lo sviluppo di progetti di trasformazione digitale, quali ad esempio i data scientist, gli scrum master e i designer.

Tema centrale dell’incontro sono stati i dati, fonte di informazione fondamentale oggi per ogni azienda, la quale deve saperli analizzare correttamente e comprendere in che modo questi possano migliorare il lavoro. Dall’incontro tra i due ambiti degli speaker, quello del design thinking e del data science, nasce l’idea di un nuovo approccio che possa migliorare l’utilizzo dei dati a supporto della supply chain di Eni.

La domanda di partenza che il team si è posto è stata la seguente: ”Come può il Design Thinking aiutare i nostri business a far comprendere il valore dell’artificial intelligence e dell’advanced analytics?”

Il punto di partenza è stato il proprio business, in possesso di dati dai quali tirarne fuori utilità. Mettendo in pratica questa teoria, sono partiti proprio dal business che era in possesso dei dati e doveva tirarne fuori l’utilità. Spesso capitava che il business fosse in possesso di enormi quantità di dati, che alla fine si rivelavano non funzionali per lo sviluppo di una Artificial Intelligence in grado di soddisfare il loro scopo.

La strategia di partenza è stata quindi quella di fare dei Workshop lavorando con il business e i colleghi dell’ICT, per creare una AI awareness in modo che potessero comprenderne il funzionamento. In questa fase del progetto il data scienziato ha ricoperto un ruolo centrale: il data scienziato è colui che analizza i dati raccolti per capire se ci sono opportunità reali per portare avanti il lavoro. Il passo successivo è stato creare un Dataset Canvas al fine di discernere i dati utili al raggiungimento dell’obiettivo ed infine, combinare le informazioni raccolte per strutturare e far funzionare al meglio l’AI. Pertanto è stato necessario dopo aver raccolto, selezionato e analizzato i dati, chiedere al business quale sia il tool digitale che si immagina possa nascere e di conseguenza quali sono i front-end, le interazioni immaginate con l’utente finale e come in back-end l’AI avrebbe dovuto rielaborare le informazioni per restituirle.

Il risultato è stata una vera e propria esperienza, uno User Journey:

Questo è stato il primo approccio nato dall’incontro di queste 2 discipline con i suoi pro e contro. 

Tra gli aspetti positivi c’è:

-far conoscere al business il valore dei dati raccolti e la loro utilità per determinati obiettivi, e come questi siano utili per sviluppare AI. 

– creare punti di convergenza coinvolgendo il business stesso, partendo da delle challenge

Dall’altra parte i contro illustrati da Corneo sono:

• Le lunghe tempistiche di analisi poiché questo genere di approccio permette di mappare tante informazioni attraverso i vari workshop
• La non-specificità delle informazioni raccolte nei dataset canvas generati determina un rallentamento nel lavoro. I primi workshop di approccio alla AI awareness infatti erano molto generali. 

Dalla volontà di trovare una soluzione a queste problematiche nasce il Data Thinking, approccio che accelera l’arrivo dei dati in mano a chi è in grado di analizzarli (il data scientist), adattato alle esigenze grazie al design thinking. In questo modo i tempi sono ottimizzati: la prima fase prevede un solo workshop concentrato, l’AI awareness è customizzata, le challenge, le interviste al business e alla parte di ICT sono mappate.  Con l’approccio Data Thinking non si chiede più come prima di pensare a come deve essere l’applicazione che desideriamo, ma è il data scientist che conoscendo le capacità dell’AI prova a proporre una soluzione in base ai dati analizzati e al risultato atteso. 

Generate le idee con il primo workshop, ideato su misura, si passa a una data hypothesis, le idee generate dal team di data science vengono discusse con il business. A questo punto avendo i dati a disposizione si possono misurare i benefici attesi grazie a questo nuovo approccio:

-si testano, si analizzano e si validano le idee ben prima di sviluppare una soluzione

-si sfrutta il potenziale dei dati

-si impiegano anche dati esterni per esempio quelli pubblici oltre che quelli interni, per implementare la strategia

In conclusione quindi dall’incontro di Data Science e Design Thinking, l’utilità dei dati si unisce a un approccio metodologico, dal quale nascono nuove opportunità anche inespresse che creano valore per gli utenti finali.

Articolo scritto da Matilde Miana e Lorenzo Cecchetti