Data-Driven Decision-Making Adoption and Capability Development in Ghanaian Organizations: A TOE--RBV Perspective

Sintesi Tecnica: Adozione del Processo Decisionale Guidato dai Dati e Sviluppo delle Capacità nelle Organizzazioni Ghanesi

Definizione del Problema
Sebbene il processo decisionale guidato dai dati (Data-Driven Decision-Making - DDDM) sia riconosciuto come un imperativo competitivo a livello globale, la sua adozione in economie a reddito medio-basso come il Ghana rimane disomogenea. La letteratura esistente si concentra spesso sull'adozione tecnologica (ad es., e-government, mobile banking) o sull'analisi settoriale, fallendo nel spiegare come le organizzazioni convertono gli asset di dati in routine decisionali ripetibili e qualità decisionale misurabile. Inoltre, molti studi enfatizzano gli strumenti tecnici piuttosto che l'episodio decisionale stesso: il problema specifico da risolvere, l'evidenza utilizzata, il processo di interpretazione e il ciclo di feedback. Nel contesto ghanese, le organizzazioni affrontano una convergenza unica tra l'espansione dei servizi digitali e persistenti vincoli in termini di alfabetizzazione ai dati, governance, interoperabilità e infrastrutture. Il problema centrale affrontato è la mancanza di comprensione su come le organizzazioni ghanesi sviluppino la capacità di DDDM (DDMC) partendo dalle risorse tecnologiche disponibili, dalle routine organizzative e dalle pressioni ambientali, e perché i livelli di maturità differiscano significativamente tra i settori nonostante condizioni esterne simili.

Metodologia
Lo studio impiega un disegno qualitativo esplorativo fondato su una filosofia di ricerca interpretivista.

• Raccolta dei Dati: I dati primari sono stati raccolti attraverso 30 interviste semi-strutturate condotte tra gennaio e giugno 2025.
• Campionamento: È stata utilizzata una strategia di campionamento intenzionale per reclutare professionisti da otto settori distinti: sanità, finanza, tecnologia, pubblica amministrazione, ONG, manifattura, immobiliare e organismi di regolamentazione. Il campione includeva leadership senior (CEO, Amministratori Delegati), analisti di dati, responsabili IT e operatori operativi. Il campione ha raggiunto la saturazione teorica a circa 26 interviste, con quattro interviste aggiuntive che hanno confermato la saturazione.
• Quadro Analitico: Lo studio utilizza un quadro teorico ibrido che integra:
  1. La Logica del Processo Decisionale di Simon: (Intelligenza, Progettazione, Scelta, Revisione) per ancorare l'analisi a specifici episodi decisionali.
  2. Il Framework Technology-Organization-Environment (TOE): Per contestualizzare i driver di adozione.
  3. La Resource-Based View (RBV): Per spiegare i risultati differenziali tramite le capacità VRIN (Valore, Rarità, Inimitabilità, Non sostituibilità).
  4. La Teoria delle Dynamic Capabilities: Per spiegare i meccanismi di rilevamento (sensing), cattura (seizing) e riconfigurazione (reconfiguring) nel tempo.
• Analisi: L'analisi tematica ha seguito il processo a sei fasi di Braun e Clarke, combinando la codifica deduttiva (basata sul quadro teorico) e la codifica induttiva (emergente dai resoconti dei partecipanti). L'attendibilità è stata garantita tramite il member checking, una traccia di audit e l'inter-coder reliability (81% di accordo iniziale).

Risultati Chiave

1. L'Ecosistema dei Dati e la Maturità degli Strumenti
Le organizzazioni mobilitano i dati attraverso tre pilastri interdipendenti:

• Dati Operativi Generati Internamente: Registri transazionali core, cartelle cliniche e dati finanziari.
• Intelligence Strategica da Fonti Esterne: Dati di benchmarking provenienti dal Ghana Statistical Service, UNICEF e ricerche di mercato.
• Dati di Conformità Obbligatoria: Requisiti normativi e precedenti legali.

È emerso un continuum di maturità a quattro stadi, distinto dai modelli globali a causa della forte concentrazione di organizzazioni agli Stadi 1 e 2:

• Stadio 1 (Ubiquitario/Fondamentale): Dominato da Excel e processi manuali. I problemi di qualità dei dati in questa fase attaccano la fase di "Intelligenza" del modello di Simon, rendendo sospetta la successiva analisi.
• Stadio 2 (BI Stabilita): Implementazione di SQL, data warehouse e strumenti di visualizzazione (es. Power BI).
• Stadio 3 (Sistemi Specializzati): Strumenti specifici del settore (es. EHR, GIS) che generano dati operativi come sottoprodotto.
• Stadio 4 (Predittivo/Avanzato): Utilizzo di Python, machine learning e modellazione predittiva (es. rischio di riammissione del paziente).

2. Logiche Decisionali e Integrazione
Sono state identificate cinque distinte logiche di utilizzo dei dati, mappate sugli stadi decisionali di Simon:

• Miglioramento Tattico/Operativo: Utilizzo dei dati per la garanzia dei ricavi e l'ottimizzazione del personale (es. verifica delle fatture multimediali, triage ospedaliero).
• Governance Strategica/Regolatoria: Localizzazione delle infrastrutture basata su evidenze e conformità.
• Risposta al Mercato/Cliente: Adattamento delle offerte basato sui feedback (es. riprogettazione delle unità immobiliari).
• Sviluppo di Programmi/Capitale Umano: Utilizzo dei dati per la valutazione (es. analisi del tasso di abbandono nelle ONG), sebbene spesso privo di una fase di "Revisione".
• Adattamento Proattivo: Rilevamento di anomalie in tempo reale e risposta alle crisi (es. segnali di guasto dei dispositivi nel settore tecnologico), che rappresenta il ciclo di Simon più completo.

3. La Gerarchia delle Barriere
Le barriere formano una catena a cascata dove i fallimenti nei livelli inferiori impediscono il successo in quelli superiori:

• Livello 1 (Fondamentale): Qualità dei dati e frammentazione (silos, formati incoerenti).
• Livello 2 (Capitale Umano): Gap di competenze e resistenza culturale (dirigenti che si affidano all'intuizione piuttosto che all'evidenza).
• Livello 3 (Tecnologico/Finanziario): Sistemi legacy, vincoli di budget e dipendenza da software piratati.
• Livello 4 (Strutturale/Esterno): Interferenze politiche e inerzia burocratica che prevalgono sulle raccomandazioni tecniche.

4. Bundle di Capacità VRIN e Devanti Positivi
Lo studio identifica organizzazioni "devanti positivi" (positive deviants) che raggiungono una maturità superiore nonostante i vincoli. Queste organizzazioni non hanno successo semplicemente attraverso la proprietà tecnologica, ma attraverso bundle di capacità VRIN:

• Impegno della Leadership: Routine di revisione dei dati istituzionalizzate (es. riunioni settimanali del management che iniziano con i dati).
• Routine di Governance: Integrazione della governance dei dati nei processi operativi.
• Cultura Analitica: Una forza lavoro addestrata a richiedere evidenze, rendendo la capacità rara e inimitabile.
• Dynamic Capabilities: Le organizzazioni ad alta maturità dimostrano efficacia nel Rilevamento (identificare opportunità nei dati), Cattura (integrare l'analisi nei flussi di lavoro) e Riconfigurazione (ritirare i sistemi legacy e aggiornare le competenze).

5. La Conformità come Capacità
Un risultato chiave è il rifornimento della protezione dei dati (es. Data Protection Act del Ghana, 2012). Le organizzazioni a bassa maturità vedono la conformità come un costo/onere, mentre le organizzazioni ad alta maturità la trattano come un asset di costruzione della fiducia e un differenziatore competitivo.

Contributi Chiave

• Empirico: Fornisce una linea di base intersettoriale della capacità di DDDM in Ghana, rivelando una distribuzione fortemente sbilanciata verso gli stadi di maturità precoce (1 e 2) a causa di specifici vincoli infrastrutturali e di governance.
• Teorico:
  • Integrazione: Integra con successo la logica del processo decisionale di Simon con TOE, RBV e Dynamic Capabilities per spiegare come i dati entrano nelle decisioni e perché gli esiti differiscono.
  • Operazionalizzazione di VRIN: Dimostra che nel contesto del DDDM, la risorsa strategica non è lo strumento in sé, ma il bundle di routine di governance, advocacy della leadership e cultura analitica.
  • Legame Maturità-Decisione: Mappa la progressione della maturità alla sequenza di istituzionalizzazione degli stadi decisionali di Simon (Intelligenza → Progettazione → Scelta → Revisione).
• Pratico: Propone roadmap di intervento a stadi e consapevoli della maturità. Argomenta contro le strategie "tecnologia-centriche", suggerendo che le organizzazioni debbano prima consolidare la qualità dei dati e la governance (Stadi 1/2) prima di investire in analisi avanzate (Stadi 3/4).

Significatività e Rivendicazioni
L'articolo sostiene che il DDDM in Ghana non è un processo lineare di adozione tecnologica, ma un percorso di sviluppo delle capacità limitato da una struttura gerarchica di barriere. Lo studio afferma che:

1. Il Contesto Conta: I modelli di maturità globali richiedono una "variante per le economie in via di sviluppo" che pesi esplicitamente le contingenze ambientali (infrastrutture, politica) e la composizione delle capacità.
2. Capacità sopra gli Strumenti: La maturità è determinata da bundle di capacità VRIN (leadership + cultura + governance), non dalle dimensioni dell'organizzazione o dal settore.
3. Interventi a Stadi: L'adozione sostenibile richiede l'ottimizzazione congiunta dei sottosistemi sociali e tecnici. Gli interventi devono essere sequenziati: risolvere la qualità dei dati e la governance prima di scalare verso l'analisi predittiva.
4. Rifornimento della Conformità: I vincoli normativi possono essere trasformati in vantaggi competitivi (fiducia) dalle organizzazioni mature, mentre rimangono barriere per quelle immature.

Lo studio conclude che affinché il Ghana possa realizzare i benefici di produttività e governance derivanti dal DDDM, è necessaria una strategia a tre pilastri: costruire il capitale umano e la cultura analitica, rafforzare le fondamenta dei dati (qualità/governance) e stabilire un ecosistema nazionale di supporto. I risultati sono presentati come un account teoricamente trasferibile per le organizzazioni del settore formale in Ghana, con limitazioni riguardanti la generalizzabilità ai settori rurali e informali a causa del campione incentrato sull'area urbana.