Meno di dieci anni fa i Big Data furono presentati al grande pubblico come la soluzione a gran parte dei problemi dell’umanità. Ci avrebbero aiutato a prendere decisioni più consapevoli, avrebbero permesso di risolvere problemi sanitari. logistici e di prevedere in modo accurato la diffusione di pandemie. Non serviva la drammatica emergenza Covid-19 per dedurre che, almeno in parte, tali aspettative sono state disattese.
In parte il “marketing ci aveva messo lo zampino” e le stesse aspettative erano probabilmente eccessive, dettate dall’entusiasmo della “rivoluzione” appena esplosa, ma ancora da testare e validare. Oggi conosciamo il potenziale, ma siamo consapevoli che la strada da percorrere è ancora piena di ostacoli. Per tutti gli stakeholder.
Dato per assodato che grandi moli di dati non sono necessariamente sinonimo di valore, le grandi aziende stanno più o meno faticosamente convertendo la loro natura in data-driven, costruendo team, cultura e adeguando infrastrutture tecnologiche. In buona sostanza però si limitano ancora ad utilizzare prevalentemente i propri dati aziendali (non sempre propriamente Big) e rare sono le eccezioni in cui soggetti differenti decidono di costruire progetti basati sull’accesso reciproco.
Le Università e gli Istituti di Ricerca sono stati la culla della prima generazione di Data Scientist e con il tempo hanno adeguato i piani formativi ed i percorsi di studio. Gli atenei sono del resto oggi chiamati a rispondere a sfide importanti quali il reperimento dei fondi, fortemente messo in crisi dalla Pandemia, nonché a provare a mitigare gli effetti di alcune forme di disallineamento nei confronti del contesto produttivo/industriale. L’obiettivo principale per i ricercatori rimane la pubblicazione e su questo fronte il processo di peer review, per quanto solido, appare anacronistico con le esigenze di un mercato in rapida evoluzione.
Pur constatando molteplici risultati positivi e senza la presunzione di voler generalizzare, la Pubblica Amministrazione ha mostrato il fianco scoperto. I governi locali e centrali stentano spesso ad assolvere il ruolo di controparte forte, tecnologicamente all’altezza, tale da contrastare le logiche di profitto e gli interessi privati a salvaguardia dei diritti dei cittadini.
Insomma la “rivoluzione dei Dati” è sì facile da comunicare, ma richiede tempo per essere messa in atto e dalla transizione emergeranno in maniera auto-selettiva le best practice e i modelli vincenti.
In questo quadro tutt’altro che definito, c’è però ancora spazio per un ulteriore attore: il Terzo Settore, che potrebbe diventare nel prossimo futuro il terreno ideale in cui far rivivere la promessa originaria dei Big Data.
Le finalità dei progetti esulano infatti da una logica di puro interesse e profitto e ben si sposano con la ricerca accademica (a fini di pubblicazione). Le aziende dal canto loro possono collaborare su progetti a scopo sociale sia in ottica di Corporate Social Responsibility sia per mantenere “in allenamento” i propri Data Scientist/Analyst e infine per provare a validare in ambito esterno (dal perimetro aziendale) l’effettivo valore di dataset proprietari. Non ultimo, l’assetto è tale per cui l’ente pubblico è legittimato a svolgere un ruolo attivo di mediatore e garante.
Nell’ambito del terzo settore e dei progetti a sfondo sociale, la Cooperazione Internazionale diventa poi ancora più rilevante in quanto insiste su paesi in via di sviluppo in cui l’introduzione di tecnologie civiche e di un approccio all’analisi dei dati possono realmente imporsi come casi di impatto e best practice internazionali.
In quanto a competenze tecniche e cultura del dato, il Terzo Settore ha però un ampio divario da colmare. Il tema non è tanto dotare di Data Scientist le organizzazioni non profit (ciò sarà fattibile solo per un limitato numero di soggetti), quanto invece abilitare un dialogo costruttivo tra le parti: gli esperti di dominio e gli esperti di dati. Servono dunque profondi conoscitori delle “questioni sociali” che sappiano portare all’attenzione dei Data Scientist domande specifiche e che abbiano le conoscenze per impostare il progetto in ottica Data-Driven, quantificando effort e complessità. Servono intuizioni basate su casi di successo del settore e la consapevolezza di ciò che è concretamente possibile ottenere applicando tecniche predittive. Il training e la formazione sono quindi la chiave di volta per vincere le resistenze e lo scetticismo. Proprio in quest’ottica, nel mese di novembre, prende il via la seconda edizione di CorDATA, programma di formazione mirato a sensibilizzare gli operatori della Cooperazione Internazionale su temi quali Data Science e Tecnologie Civiche.
Parallelamente alla formazione è necessario costruire modelli operativi di riferimento che consentano di ridurre la complessità intrinseca nelle situazioni di condivisione dei dati. Il modello dei Data Collaboratives, concettualizzato dal GovLab (US), può essere considerato un valido tentativo di facilitare la costituzione di gruppi di enti che ritengano vantaggioso, data una finalità precisa, condividere dei dati o più semplicemente rendere accessibili i propri dati a soggetti terzi all’interno di un perimetro preciso.
Per riassumere: dati, formazione continua, modelli di riferimento, tecnologia a supporto. Il movimento Data4Good pone queste sfide al centro dell’attenzione e si inserisce nel più ampio contesto dell’Innovazione Sociale. Il nodo cruciale è essere consapevoli di come i benefici scaturiti dai progressi su tale fronte rappresentino un vantaggio con ricadute molto più ampie: dal tessuto produttivo alla ricerca pura, dall’amministrazione pubblica al rapporto con la cittadinanza. Il Terzo Settore in tal senso potrebbe realmente riconciliare il fenomeno Big Data con la sua vision originaria.
