Normalizzazione dei dati: il primo passo per la data quality

Uno dei passaggi fondamentali per una trasformazione digitale di successo è quello di poter effettuare analisi, scegliere strategie e prendere decisioni in funzione dei dati. Questo, insieme alla possibilità di interoperare sia all’interno dell’azienda sia con realtà esterne, costituisce la base dell’Industria 4.0, ma non solo. La trasformazione digitale oggi non ha semplicemente a che fare con l’interoperabilità: i dati sono fondamentali a tutti i livelli, dalla manutenzione al marketing, e costituiscono uno degli asset più importanti per ogni azienda, soprattutto nei settori in cui la produzione o la trasformazione delle merci costituiscono il core business. Ecco perché è necessario che ogni azienda migliori la propria cultura del dato. E se oggi, grazie ai diversi sistemi di monitoraggio, la quantità di dati non è un problema, spesso la qualità dei dati costituisce ancora una criticità. E il primo passaggio per raggiungere l’uniformità qualitativa è senza dubbio quello della normalizzazione dei dati.

Data quality: definizione e utilità

Se pensiamo che la qualità del dato sia un tema eccessivamente teorico o astratto per i settori maggiormente legati alla produzione come il manifatturiero, è bene ripensare alla ricaduta che i dati di scarsa qualità hanno già oggi nell’industria. L’importanza della data quality nel manufacturing è considerevole, al punto che se ne parla anche nel contesto delle norme ISO già da tempo: Per esempio, la 9000:2015 definisce al suo interno anche la qualità dei dati, ma risalendo alle norme che la precedono possiamo trovarne traccia già nella 8402:1994. Già allora, la definizione recitava: “L’insieme delle caratteristiche di un’entità che determinano la sua capacità di soddisfare bisogni dichiarati o impliciti”. Il che porta con sé anche il concetto di contesto, sempre più fondamentale nell’approccio moderno alla gestione delle informazioni. In questo scenario la normalizzazione dei dati è un passaggio tecnico fondamentale, ma anche e soprattutto il primo tassello di un cambio di paradigma nella gestione delle informazioni.

Perché la normalizzazione dei dati è così importante?

Per comprendere l’importanza di lavorare con dati normalizzati dobbiamo ritornare per un attimo alle basi stesse dell’informatica, con un esempio molto semplice: immaginiamo di avere un software che attivi un avviso ogni volta che la temperatura di un macchinario superi una soglia di gradi Celsius per un certo periodo di tempo. I dati di monitoraggio forniti dai macchinari però sono in un’altra scala, per esempio Fahrenheit. In un approccio primordiale questo significa che ogni lettura deve essere prima convertita e poi interpretata, il che introduce due complessità: una legata all’uso continuo di cicli macchina per le conversioni, l’altro legato all’introduzione di tempi di ritardo nel monitoraggio. Utilizzare lo stesso tipo di scala lungo tutta la filiera rende le operazioni più rapide, efficaci e meno dispendiose in termini di potenza di calcolo richiesta e tempi di risposta.

Naturalmente si tratta di un esempio estremamente semplice, ma se estendiamo lo stesso concetto anche a unità di misura complesse, notazioni per la rappresentazione dei numeri decimali, grandezze, ordini e arrotondamenti, solo per rimanere nel campo delle misure, vediamo come ciascun dato non normalizzato può richiedere decine di passaggi per essere trattato, ogni volta che viene estratto. La normalizzazione dei dati si pone proprio l’obiettivo di fornire dati uniformi e coerenti a monte, cioè prima che questi vengano archiviati.

Normalizzazione database: vantaggi e sfide

Normalizzare i dati, e in generale il processo di normalizzazione dei database conducono a una serie interessante di vantaggi, non solo in termini di semplice rigore analitico. Ricordiamo qui i principali benefici che si possono ottenere:

• Riduzione della ridondanza: normalizzare i dati significa minimizzare la duplicazione delle informazioni. Questo riduce lo spazio di archiviazione necessario e facilita la manutenzione dei dati.
• Miglioramento dell’integrità dei dati: attraverso la normalizzazione, si evitano incongruenze che possono sorgere a causa delle suddette ridondanze non governate. Ogni dato è rappresentato una sola volta, aumentandone così l’affidabilità.
• Efficienza nelle query: un database normalizzato consente di effettuare query più efficienti. Dato che non esistono duplicazioni e ridondanze, le operazioni di ricerca, inserimento, aggiornamento e cancellazione diventano più veloci e meno complesse, senza bisogno di controlli di coerenza.
• Semplificazione delle relazioni tra i dati: la normalizzazione aiuta a definire chiaramente le relazioni tra i vari insiemi di dati, facilitando lo sviluppo e il mantenimento delle applicazioni e degli strumenti che su questi dati si fondano.

Tuttavia, il processo di normalizzazione presenta anche alcune sfide che devono essere colte nel modo corretto per poter mettere a valore i dati aziendali. Ecco le principali.

• Complessità nella progettazione: il processo di normalizzare dati può essere complesso e richiedere un’analisi attenta delle relazioni e delle dipendenze tra i dati: non è una semplice rimozione dei duplicati, insomma.
• Impatto sulle prestazioni: in alcuni casi, un database eccessivamente normalizzato può portare a una diminuzione delle prestazioni, specialmente se richiede numerose interazioni tra tabelle per recuperare i dati correlati. Un buon progetto di normalizzazione dovrebbe tenere conto anche del comportamento dinamico dei dati.
• Bilanciamento tra normalizzazione e prestazioni: trovare il giusto equilibrio tra una completa normalizzazione e le esigenze operative richiede esperienza e una comprensione approfondita sia della teoria che dell’applicazione pratica dei database.

Un’unica fonte, un unico approccio

Senza dubbio in un tema tecnico come la normalizzazione dei dati l’aspetto accademico riveste un ruolo fondamentale. Tuttavia, l’idea alla base della normalizzazione porta con sé anche risvolti di natura diversa, più legati agli aspetti strategici della trasformazione digitale. Abbiamo già avuto modo di affrontare in passato il tema della trasformazione intelligente. In questo caso, la normalizzazione dei dati e la necessità di farli confluire in un’unica source of trust per tutta l’azienda può essere, oltre a un’impellente necessità tecnologica, l’evento trainante per arrivare a un cambio di paradigma nella mentalità aziendale. Mettendo le diverse sorgenti di dati in condizione di poter comunicare fra di loro attraverso il denominatore comune della normalizzazione, infatti, si pone un primo fondamentale tassello per raggiungere la permeabilità dei dati che costituisce il primo passo nella trasformazione della fabbrica in smart factory.

Regesta LAB ti supporta nel processo di Trasformazione Intelligente della tua azienda.

Prenota un’ora con un nostro consulente, in base alle tue necessità tornerà da te con un’analisi delle principali criticità e una proposta di miglioramento.