I sistemi di Business Analytics per il management ...
Transcript of I sistemi di Business Analytics per il management ...
Università di Pisa – Dipartimento di Economia e Management
UNIVERSITÀ DI PISA
Dipartimento di Economia e Management
Corso di laurea magistrale in Strategia, Management e Controllo
TESI DI LAUREA
I sistemi di Business Analytics per il management accounting:
analisi del contesto attuale di utilizzo e future evoluzioni
Relatore:
Prof. Riccardo Giannetti
Candidato:
Luca Casarosa
Anno accademico 2016-2017
II
INDICE
INTRODUZIONE IV
CAPITOLO 1 – IL FENOMENO DELLA BUSINESS ANALYTICS NEL CONTESTO
AZIENDALE 1
1.1 EVOLUZIONE DELL’ICT A SUPPORTO DELL’AZIENDA 2
1.1.1 LE CRITICITÀ DELL’ICT 5
1.2 CAMBIAMENTO DEL RUOLO DEI RESPONSABILI DEL CONTROLLO DI GESTIONE 6
1.3. I SISTEMI DI BUSINESS ANALYTICS 9
1.3.1 DEFINIZIONE 9
1.3.2 CLASSIFICAZIONE 12
1.3.3 DIFFERENZA RISPETTO ALLA BUSINESS INTELLIGENCE 14
1.3.4 L’EVOLUZIONE DEI SISTEMI DI BUSINESS INTELLIGENCE E BUSINESS ANALYTICS IN AZIENDA
16
CONSIDERAZIONI CONCLUSIVE 18
CAPITOLO 2 - L’ADOZIONE DEI SISTEMI DI BUSINESS ANALYTICS 19
2.1 L’UTILITÀ DELLA BUSINESS ANALYTICS IN AZIENDA 20
2.2 REQUISITI PER L’UTILIZZO DELLA BUSINESS ANALYTICS 23
2.2.1 LA VALUTAZIONE SULL’ADOZIONE DELLA BUSINESS ANALYTICS 25
2.2.2 LA SCELTA DEL DOMINIO DI APPLICAZIONE DELLA BA 26
2.3 PROBLEMATICHE RELATIVE ALL’INTRODUZIONE DELLA BUSINESS ANALYTICS 27
2.3.1 PROBLEMA DEL PERSONALE E DELLE COMPETENZE 27
2.3.2 L’IMPORTANZA DEI DATI 29
2.4 L’IMPLEMENTAZIONE DEI SISTEMI DI BUSINESS ANALYTICS 30
CONSIDERAZIONI CONCLUSIVE 32
CAPITOLO 3 – I SISTEMI DI BUSINESS ANALYTICS NELLE FUNZIONI AZIENDALI 37
3.1 LA BUSINESS ANALYTICS NELL’AUDITING 38
3.1.1 CRITICITÀ DEI BA NELL’AUDITING 40
3.2 LA BUSINESS ANALYTICS NEL RISK MANAGEMENT 41
3.3 LA BUSINESS ANALYTICS APPLICATA ALLA CUSTOMER RELATIONSHIP 44
3.4 I SISTEMI DI BUSINESS ANALYTICS NELLA FUNZIONE MARKETING 46
3.5 LA BUSINESS ANALYTICS NEL COST MANAGEMENT 50
3.5.1 IL COST MANAGEMENT: DEFINIZIONE E CARATTERISTICHE 50
3.5.2 LA BUSINESS ANALYTICS NELLA DETERMINAZIONE DELLA PROFITTABILITÀ DEI CLIENTI 54
3.5.2 ANALISI DEL VALORE DEI PROCESSI E BUSINESS ANALYTICS 56
3.5.3 LA DETERMINAZIONE DEI PREZZI CON LA BUSINESS ANALYTICS 57
III
3.5.4 LE OPPORTUNITÀ OFFERTE DALLA BUSINESS ANALYTICS: RIDUZIONE DEI COSTI E NUOVE
OPPORTUNITÀ DI RICAVI 58
3.6 LA BUSINESS ANALYTICS NEL CONTESTO STRATEGICO 62
3.7 ULTERIORI APPLICAZIONI DELLA BA 63
CONSIDERAZIONI CONCLUSIVE 66
CAPITOLO 4 – L’ANALYTICAL PERFORMANCE MANAGEMENT 67
4.1 I BUSINESS PERFORMANCE ANALYTICS 68
4.1.1 LE COMPONENTI DEI BPA 70
4.2 L’ANALYTICS PERFORMANCE MANAGEMENT: GENESI E CONDIZIONI DI FUNZIONAMENTO 71
4.2.1 L’IMPLEMENTAZIONE DI SISTEMI DI APM 72
4.2.2 L’EVOLUZIONE DEI SISTEMI TRADIZIONALI DI MISURAZIONE DELLE PERFORMANCE 74
4.2.3 LE CRITICITÀ DEI PMS TRADIZIONALI 75
4.3 LA BUSINESS ANALYTICS PER IL CONTROLLO DI GESTIONE: IL MADA FRAMEWORK 75
4.4 LE CRITICITÀ DELL’APM 81
CONSIDERAZIONI CONCLUSIVE 83
CAPITOLO 5 – L’EVOLUZIONE DEI BUSINESS ANALYTICS 84
5.1 L’EVOLUZIONE FUTURA DEI BUSINESS ANALYTICS 85
5.2 L’ERA DEI BIG DATA 87
5.2.1 IL MODELLO DELLE QUATTRO V 87
5.2.2 DATI STRUTTURATI E NON STRUTTURATI 89
5.2.3 CRITICITÀ DEI BIG DATA 90
5.3 I BIG DATA ANALYTICS 92
5.3.1 I VANTAGGI DEI BDA 94
5.4 L’INDUSTRIA 4.0 E I BUSINESS ANALYTICS: L’UTILITÀ DELL’IOT PER LE DECISIONI AZIENDALI 95
5.4.1 SUPPORTO DELL’IOT NELLE ANALISI DESCRITTIVE, PREDITTIVE E PRESCRITTIVE 102
CONSIDERAZIONI CONCLUSIVE 104
CONCLUSIONI 106
BIBLIOGRAFIA 109
SITOGRAFIA 114
INDICE DELLE FIGURE E DELLE TABELLE 116
IV
Ringraziamenti Un particolare ringraziamento va al Dott. Giovanni Sellitto, Administration, Controlling
& Business Intelligence Manager della funzione Information Technology di Piaggio
S.p.A., per la gentile collaborazione e disponibilità dimostrate nel supporto alla
realizzazione del presente elaborato e per l’intervista alla quale si è cortesemente
sottoposto.
V
INTRODUZIONE
L’elaborato esamina il fenomeno “business analytics” partendo da una prima analisi del
contesto nel quale questi sistemi possono essere utilizzati: le modifiche dei gusti dei
clienti, le modifiche di mercati di sbocco e della concorrenza nonché delle innovazioni
tecnologiche. Nel primo capitolo viene analizzato il crescente contribuito che l’ICT
storicamente ha fornito a favore del processo decisionale e come questo, unito alla
volatilità delle preferenze dei consumatori, e della maggiore tempestività richiesta, ha
contribuito a modificare la professione dei responsabili del controllo di gestione.
Nel secondo capitolo l’analisi si è spostata su un più rigorosa definizione dei confini della
business analytics oltre che degli elementi caratterizzanti e dell’utilità che essa può dare
in azienda.
Il terzo capitolo si concentra nell’andare ad approfondire il contributo e l’innovazione che
questi sistemi possono apportare in specifiche funzioni aziendali, con particolare
attenzione su tematiche più tradizionalmente interessate da questi cambiamenti. In
particolare si esamina la relazione tra cost management e business analytics Quest’ultimo
argomento è approfondito nel quarto capitolo, dove viene presentato un modello per
l’applicazione della BA nell’analisi delle performance attuali e future dell’azienda.
Nell’ultimo capitolo, si analizzano le principali innovazioni e possibili future evoluzioni
dei sistemi di business analytics, tramite lo sfruttamento delle opportunità offerte dalla
quarta rivoluzione industriale (Big Data e Internet in Things).
1
CAPITOLO 1 – IL FENOMENO DELLA BUSINESS
ANALYTICS NEL CONTESTO AZIENDALE
2
1.1 EVOLUZIONE DELL’ICT A SUPPORTO DELL’AZIENDA
Nel corso degli ultimi 40 anni il supporto che l’Information e Communication Tecnology1
ha fornito in azienda è cresciuto esponenzialmente.
Uno specifico ambito nel quale l’ICT è stato, ed è tuttora, fondamentale è il processo
decisionale; infatti, avere sempre più informazioni, attendibili e tempestive, permettono
all’azienda di essere al passo coi cambiamenti e sempre in linea con le esigenze dei clienti.
Per capire cosa abbia permesso questa forte crescita, è necessario tenere conto di alcuni
eventi susseguitisi negli anni.
L’evoluzione della tecnologia, con relativo abbassamento dei prezzi di hardware (-
22,2% dal 2015)2 e software, ha portato ad una maggiore possibilità, anche per le PMI,
di utilizzare dei sistemi informatici avanzati3. Questo ha contribuito fortemente diffusione
dei sistemi informatici in azienda, come dimostra il Networked Readiness Index, un indice
pubblicato annualmente dal World Economic Forum, che misura la propensione degli
stati a beneficiare delle opportunità offerte dalle ICT. Tra i pilastri che compongono
questo indice è presente il Business Usage (7th pillar), il quale definisce l’estensione
dell’utilizzo dei sistemi informatici (e delle sue opportunità) nelle aziende e degli sforzi
da esse fatte al fine di creare un ambiente innovativo che permetta di aumentare la
produttività.
Nello specifico, l’indice (nel periodo 2010-2016) è aumentato mediamente dell’16% per
i paesi presenti nella top 104.
Un’altra importante accelerazione è stata data dall’apertura dei manager, e delle discipline
aziendalistiche in genere, all’utilizzo di modelli matematici, statistici ed econometrici al
fine di estrarre la maggior conoscenza più possibile dai dati e ampliare la significatività
delle informazioni da essi ottenute5.
Negli ultimi anni si è assistito a cambiamenti nelle abitudini di consumo e nelle richieste
dei clienti alle aziende. I consumatori non sono più interessati a prodotti che, come
1 “Acronimo di Information and Communication Technologies”, ICT è l’insieme delle tecnologie che forniscono l’accesso alle informazioni attraverso le telecomunicazioni. A differenza dell’Information Technology, l’ICT è più focalizzata sulle tecnologie di comunicazione, come internet, reti wireless, telefoni cellulari e altri mezzi di comunicazione” da: https://www.economyup.it/glossario/ict-it-definizione/ 2 Fonte: Dati Istat 2016, medie annue dell’Indice dei prezzi al consumo per l’intera collettività 3Dowes Lawrence, Nunes Paul “Big Bang Disruption: L’era dell’innovazione devastante”, 2014, Egea, Milano, Capitolo 2 e Fadini Bruno, Savy Carlo “Informatica per le scienze umane”, 2008, Franco Angeli, Capitolo 1 4 Elaborazione dell’autore su dati forniti dal World Economic Forum in “The Global Information Technology Report 2010-2011” e “The Global Information Technology Report 2016” 5 Da: “Http://matematica-old.unibocconi.it/interventi/cocolicchio_maddalena/econofisica3.htm” e Silvi e Visani (2016)
3
succedeva nella prima metà del ‘900, durano per generazioni, ma sono più propensi a
spendere un prezzo contenuto, soprattutto dopo la recente crisi economica, senza
rinunciare alla qualità.
Questo fatto è dovuto molto al fattore “moda” che spinge molto spesso ad accettare
prodotti low cost in modo da poter seguire le tendenze del momento.
Altro cambiamento, attualmente in atto, è quello relativo alla sfumatura dei confini di un
mercato, ovvero al fatto che molti mercati tendono ad intersecarsi ed un medesimo
bisogno del consumatore può essere soddisfatto, con uguali benefici, da prodotto
appartenenti a mercati diversi.
Come si può capire da questa analisi, il controllo dei costi, della qualità e la riduzione dei
tempi sono elementi fondamentali per poter competere. L’ICT risulta imprescindibile per
poter perseguire questi scopi.
Dopo aver delineato il contesto entro il quale è avvenuta l’evoluzione e la diffusione
dell’ICT in azienda, e nello specifico del processo di decision making, andiamo a vedere
quali sono i sistemi che si sono susseguiti negli anni6.
I primi esprimenti in questo ambito sono stati fatti in ambito finanziario, al fine di
determinare il rischio di credito e il valore delle stock option.
Successivamente si è passati a formalizzare dei modelli che potessero essere di supporto
ad ambiti più ampi. Negli anni ’70, furono sviluppati i Decision Support System (DSS),
che prevedevano un primo utilizzo del data mining7 per supportare il processo decisorio.
Spesso venivano applicati sistemi differenti nelle aree aziendali (supply chain, customer
relationship) che utilizzavano linguaggi diversi; in questo modo si creava un problema di
comunicazione tra sistemi.
In seguito, si è sviluppato l’Executive Information System (EIS), che rappresenta un DSS
riservato al top management, quindi riferito più a decisioni di particolare rilevanza
(prettamente di lungo periodo).
L’evoluzione successiva ha portato all’Online Analytical Process (OLAP), un sistema
che permette analisi multidensionali con interfaccia interattiva e navigabile.
6 Con modifiche da Davenport (2014) e da Silvi e Visani (2016) 7 “È il processo di estrazione di conoscenza da banche dati […] tramite l’applicazione di algoritmi che individuano le “associazioni” nascoste tra le informazioni e le rendono visibili” da: “Cos’è il Data Mining”, https://www.cineca.it/sites/default/files/DataM.pdf
4
La Business Intelligence (BI) ha successivamente integrato l’OLAP, andando ad
amplificarne l’utilità; infatti, utilizzando le interfacce navigabili di dati, i manager
possono effettuare analisi sui dati, con modelli matematici e statistici, al fine di
determinare che cosa sia accaduto nel periodo analizzato e poter avere la base su cui
fondare le decisioni da prendere.
Nel 2010 sono iniziati a “circolare” i sistemi Business Analytics (BA), i quali sfruttano la
BI e nuovi modelli matematico-statistici per poter determinare e spiegare i motivi che
hanno portato a certi risultati e individuare le migliori decisioni da prendere.
Con l’applicazione delle tecniche viste per la BA ai big data, si riescono ad utilizzare
molti più dati e avere modelli più realistici e più rappresentativi della realtà, con
conseguenti miglioramenti sulle decisioni da prendere. Nascono così i Big Data Analytics
(BDA).
Tabella 1 - L'evoluzione dell'ICT nel processo decisorio con modifiche da: Davenport (2016)
Decision Support System
(DSS)
1970-1985 Uso dell’analisi dei dati per supportare le
decisioni
Executive Information
System (EIS)
1980-1990 Focalizzazione sull’analisi dei dati finalizzate
alle decisioni, effettuate dai dirigenti
Online Analytical Process
(OLAP)
1990-2000 Software per analisi multidimensionali di dati
sotto forma di tabelle
Business Intelligence 2005-2010 Strumenti software per analisi sui dati volte a
determinare i fatti avvenuti, tramite l’utilizzo
di modelli matematico-statistici
Business Analytics 2010-
presente
Utilizzo di modelli matematici, statistici ed
econometrici per analizzare dati interni ed
esterni, per analizzare i fatti avvenuti e
determinare le linee di azione più efficaci.
Big Data Analytics 2010-
presente
Applicazione delle metodologie della BA ad
un complesso molto ampio di dati, interni ed
esterni all’azienda, spesso non strutturati.
5
1.1.1 Le criticità dell’ICT Un grande problema dell’ICT è quello legato alla valutazione e dimostrazione della
validità dell’investimento; infatti il ritorno economico dell’investimento in strutture,
software e training difficilmente può essere valutato con il tradizionale metodo del capital
budgeting8, dato che non è un investimento che genera in maniera diretta un reddito, né
tanto meno un flusso di cassa aggiuntivo9.
In certe situazioni, quindi, potrebbe essere difficile convincere l’imprenditore o i manager
particolarmente restii alle novità. Per la valutazione di queste tipologie di investimenti,
sarà necessario considerare altri valori che possono migliorare, come, a puro titolo
esemplificativo, l’efficacia delle campagne di marketing, il miglioramento della qualità
dei prodotti o quello delle tempistiche. A tal proposito, Cleland (2016) fa notare come il
legame tra spesa in sistemi ICT e profittabilità non è stato provato e, per questo motivo
solo nelle grandi aziende che hanno grosse riserve di liquidità si procede ad investimenti
in questa direzione.
Come sottolineato in precedenza, nell’ICT i costi sono ben noti e sotto gli occhi di tutti,
ma relativamente alla dimostrazione dei benefici, si trovano delle difficoltà.
È bene far notare come i benefici siano principalmente intangibili e necessitano di un
lungo periodo per materializzarsi. Principalmente si concretizzano relativamente in
ambito strategico o di vantaggio competitivo. In ogni caso è molto difficile coglierli,
anche per mancanza di metodi per farlo.10
Altre rilevanti problematiche, relative all’ambito dell’ICT, riguardano le conoscenze e
competenze tecniche e la qualità dei dati.
Per poter applicare i modelli matematico-statistici per l’analisi dei dati, è necessario che
vi siano, da parte dei soggetti utilizzatori, delle conoscenze di base, in modo da poter
meglio comprendere il risultato e dare ancora più valore alle informazioni generate.11
La qualità dei dati è requisito essenziale per il corretto funzionamento degli strumenti ICT
a supporto alle decisioni. Se le informazioni si basano su dati affidabili, è probabile che
la decisione presa possa effettivamente permettere di raggiungere gli obiettivi; al
contrario se generata partendo da dati di dubbia provenienza, qualitativamente scarsi e
8 “[…] processo di identificazione e selezione degli investimenti in immobilizzazioni o altre attività che si prevede di utilizzare per periodi superiori all’anno.” Da: Peterson Pamela P., Fabozzi Frank J. "Capital Budgeting: Theory and Practice", Wiley Finance, 2002, pag. 3 9 Cleland (2016) e Moradkhan (2015) 10 Cleland (2016) 11 Cfr. paragrafo 2.3.1
6
inattendibili, il risultato a cui la scelta intrapresa porta, basandosi su informazioni
fuorvianti, può essere quello di peggiorare la situazione di partenza.12
Quest’ultime due criticità dell’ICT saranno riprese successivamente nell’elaborato,
relativamente all’utilizzo dei sistemi di business analytics.
1.2 CAMBIAMENTO DEL RUOLO DEI RESPONSABILI DEL
CONTROLLO DI GESTIONE
Rispetto a circa trent’anni fa, il ruolo dei responsabili del controllo di gestione è cambiato
radicalmente. Originariamente il loro compito era quello di partecipare al processo
decisionale, tramite la preparazione di budget, analisi degli scostamenti e reportistica
interna, mentre gli attuali controller sono chiamati a dividere il proprio lavoro su quattro
aspetti (Brands, 2015):
a) partecipare all’analisi e gestione dei costi strategici, per il raggiungimento di
obiettivi di lungo termine;
b) implementare la gestione e il controllo operativo per determinare le performance
aziendali;
c) pianificare l'attività dei costi interni;
d) redazione dei bilanci.
Negli ultimi anni, sviluppo tecnologico e concorrenza nei mercati sono cresciuti in
maniera proporzionale. Ciò ha portato alla necessità di ridurre i tempi in cui il processo
decisionale deve concludersi, conseguentemente si sono sviluppare nuove filosofie e
tendenze anche nel controllo di gestione: dall’aumento della frequenza della reportistica
all’applicazione del meccanismo del feed-forward, dalle analisi dei dati prettamente a
livello storico alle analisi predittive (Cokins, 2013).
Come afferma il manager di Piaggio13, non sono gli obiettivi ad esser cambiati, quanto le
sfide da affrontare, in termini di minori tempi di elaborazione delle informazioni da
12 Cfr. paragrafo 2.3.2 13 Intervista esplorativa realizzata dall’autore a novembre 2017 con il Administration, Controlling & Business Intelligence manager della funzione Information Technology di Piaggio S.p.A. con l’intento di verificare come, nella realtà di una delle più grandi aziende italiane, sono utilizzati i sistemi di Business Analytics e come questi contribuiscono a alla realizzazione delle operazioni e del processo decisionale.
7
fornire al management. In passato i monitoraggi avvenivano su base mensile, con i dati
disponibili a metà del mese successivo, mentre adesso i tempi si misurano in ore.
Ciò dimostra come l’affinamento alla tecnologia permetta di aumentare la velocità, che
diventa un fattore critico di successo indispensabile, che esce vincitrice nell’eterno trade-
off con l’affidabilità.
Inoltre, rispetto al passato il controller “validava” le informazioni, in un processo rigido
e altamente burocratizzato, oggi invece è parte di un processo sempre più fluido e
complesso di processamento dei dati.
Per questa ragione, il bilancio d’esercizio non rappresenta più uno strumento di controllo
operativo tempestivo, dato che la sua disponibilità avviene ad esercizio abbondantemente
chiuso. Ciò che oggi è richiesto è prendere delle decisioni in real time, utilizzando i dati
a disposizione dell’azienda (interni/esterni, strutturati/non strutturati).
Con l’introduzione della business analytics in azienda, in virtù delle possibilità offerte14
e delle competenze richieste per l’utilizzo15 i responsabili del controllo di gestione
necessariamente devono modificare le loro mansioni.
Secondo Cokins (2013), le sette tendenze principali del controllo di gestione sono:
1) Passaggio dall’orientamento al prodotto all’orientamento al cliente e utilizzo della
Customer Profitability Analysis, un tempo venivano realizzati e venduti prodotti
standardizzati, mentre oggi i clienti sono più esigenti e, conseguentemente, le
aziende devono adattarsi alle loro richieste. Ciò rende necessario determinare se
sia economicamente conveniente servire ogni singolo cliente;
2) Espansione del ruolo del controllo di gestione con Enterprise Performance
Management (EPM), ovvero metodologie per permettere il raggiungimento degli
obiettivi strategici, migliorando il controllo e i profitti;
3) Il passaggio alle analisi predittive, data la sempre più ampia necessità di anticipare
i tempi di risposta alle necessità del mercato;
14 Cfr. paragrafo 2.1 15 Cfr. paragrafo 2.3.1
8
4) Business Analytics integrata nei sistemi EPM, come verrà discusso in seguito, la
BA può dare un contributo essenziale alla gestione aziendale a 360°;
5) Coesistenza di più modelli di controllo di gestione;
6) Gestione dell’IT e condivisione di servizi d'impresa, l’apertura, coi sistemi
informatici innovativi, verso l’esterno, alla ricerca della collaborazione tra
aziende appartenenti alla medesima catena del valore, è necessaria al fine di
garantire la reciproca sopravvivenza;
A tal proposito, nell’intervista realizzata con il manager di Piaggio, egli fornisce
un interessante esempio in merito, dimostrando come i sistemi
informativi/informatici si aprono verso la catena di fornitura: nello specifico, nel
caso in cui l’azienda effettua delle modifiche del programma di produzione, e
decidere di renderlo noto ai propri fornitori, questi possono proporre degli
adeguamenti della fornitura, portando vantaggi reciproci.16
7) La necessità di migliorare le competenze nel cost management.
In conclusione, il ruolo dei controller è sempre più ampio e importante, al fine di
mantenere l’azienda sulla giusta strada per il raggiungimento degli obiettivi che si è
prefissata.
Se questi trend che si stanno affermando continueranno col medesimo ritmo, si arriverà
ad un forte cambiamento di ciò che comporta la professione del responsabile del controllo
di gestione.
Infatti, l’elemento “velocità” rappresenterà non più solo un elemento da avere per poter
essere al passo col mercato, ma rappresenterà requisito essenziale sul quale si innesterà il
buon governo dell’azienda. A tal proposito, il manager di Piaggio17 sostiene che si
arriverà ad uno snellimento delle procedure e delle funzioni di controllo di gestione, con
la finalità di snellire i processi di trasmissione delle informazioni e facilitare l’attività del
controllo di gestione.
16 Intervista realizzata dall’autore
9
Proprio la semplicità diventa di vitale importanza dato che, col decentramento del
processo decisionale e dell’attività di controllo, si devono fornire ai soggetti informazioni
che siano da essi facilmente comprensibili. In tal senso, è emerso dall’intervista in
Piaggio17 proprio che, rispetto al passato in cui le informazioni di una certa rilevanza
(principalmente performance economico-finanziarie) erano appannaggio dei soli
controller, oggi viene riconosciuto il valore della semplicità.
1.3. I SISTEMI DI BUSINESS ANALYTICS
1.3.1 Definizione Dall’analisi della letteratura emerge che non vi è una definizione unanime di che cosa si
intenda per business analytics. Difatti alcuni autori la definiscono come un insieme di
tecniche, pratiche e tecnologie, altri la definiscono come un processo di organizzazione e
trattamento dei dati, altri ancora come un gruppo di strumenti.
Di seguito vengono riportate le definizioni di alcuni autori, ritenute più significative a
giudizio dell’autore.
Per Cokins (2013, pag. 69) la BA è “una combinazione di tecniche di previsione affidabili
e di un potente software computazionale con un reporting efficace che può fornire
convincenti vantaggi.”
Havlena (2013) la definisce come “un modo per organizzare e convertire dati in
informazioni per rispondere alle domande sul business. Porta a migliori decisioni
cercando di individuare modelli e tendenze nei dati e permette di prevedere l'impatto
delle decisioni prima di essere prese.”
Secondo Galetto (2017), è "lo studio dei dati attraverso analisi statistiche e operazioni,
la formazione di modelli predittivi, l'applicazione di tecniche di ottimizzazione e la
comunicazione di questi risultati a clienti, partner commerciali […]”.
17 Intervista realizzata dall’autore
10
Rouse (2017) indica la BA come “la pratica dell'esplorazione iterativa e metodica dei
dati dell’azienda, con particolare attenzione all'analisi statistica”.
Yerpude e Singhal (2017, pag. 3), sostengono che la BA “non è una tecnologia in sé, ma
piuttosto gruppi di strumenti che si combinano tra loro per acquisire informazioni,
analizzare quelle informazioni e prevedere i risultati delle soluzioni problematiche che
comportano una decisione accurata e rapida”
Havlena si discosta dagli altri autori qui citati, fornendo una definizione molto generale
di che cosa, a suo avviso, sia la business analytics. Come si può leggere non fa riferimento
a particolari tecniche analitiche di studio dei dati né tantomeno a tecnologie informatiche
a supporto di queste analisi. Ciò può essere dettato dall’epoca in cui è stata formulata,
cioè agli albori del fenomeno.
Da questa breve analisi delle definizioni fornite da alcuni autori, e soprattutto grazie al
lavoro di Hollsappe et al. (2014), il principale razionale, quindi il principale motivo che
può spingere ad utilizzare la BA, è quello di migliorare il processo decisorio, rendendolo
più semplice, migliore e più sicuro.
Tentando di dare una definizione che riassuma e tocchi gli argomenti suddetti, possiamo
indicare la business analytics come un insieme di metodi e tecniche analitiche di studio e
trattamento dei dati di cui l’azienda dispone (siano essi provenienti da fonti interne che
esterne), applicate tramite appositi sistemi software, al fine di identificare tendenze e
modelli che permettono un processo di decision-making più consapevole e con più bassa
probabilità di errore.
In questo modo i processi decisori in azienda diventano scientifici e automatizzati,
permettendo all’azienda di raggiungere gli obiettivi, sia di breve che di lungo periodo,
esponendosi a più bassi livelli di rischio.
Dalla definizione appena fornita, si evincono tre fondamentali elementi di cui la BA si
costituisce:
- Un insieme di metodi e tecniche analitiche di analisi dei dati, che provengono da
discipline come matematica (studio funzione, calcolo integrali, …), statistica
11
(modello di regressione lineare, modello di regressione multipla, …) o
econometria (metodo Monte Carlo, …)
- Un insieme di dati che provengono da fonti interne (database aziendali relativi a
processi interni) e esterne (mercato, clienti, fornitori, condizioni
macroeconomiche)
- Un software che sia in grado si applicare le metodologie analitiche ai dati a
disposizione (ad esempio forniti da Sap, Oracle, SaS, IBM, Microsoft).
Del solito avviso risulta essere il manager di Piaggio18, che nell’intervista definisce la BA
come “una dinamica aziendale e come tale un insieme di strumenti, persone che
ciclicamente si evolvono: si utilizza la tecnologia per determinare gli obiettivi, i quali
possono variare in base a ciò che si determina dall’analisi”.
Il risultato fornito dal software è l’informazione che verrà poi utilizzata dal soggetto
preposto a prendere la decisione, il quale si baserà su essa per poter scegliere al meglio.
Il valore dei sistemi di business analytics sta proprio in questa possibilità di ottenere
conoscenza, difficilmente ottenibili con l’approccio tradizionale, la quale deve essere
utilizzata per alimentare il processo decisorio, portando a migliori risultati.
Inoltre, la sua crescente e riconosciuta importanza fa sì che nelle aziende il suo utilizzo
sia un elemento discusso e allo stesso tempo, per chi lo utilizza, sempre più importante,
come dimostrano i dati dell’Osservatorio “Big Data Analytics & Business
Intelligence” della School Management del Politecnico di Milano che, per l’anno 2016
hanno registrato un aumento del 15% del valore complessivo del mercato (in Italia). Per
quanto riguarda la diffusione, si va da aumenti del 25% (settore assicurativo) ad aumenti
sempre in doppia cifra per manifatturiero, banche, servizi e Tel.Co. fino ad arrivare a
modesti aumenti in settori legati a PA e sanitario19.
18 Intervista realizzata dall’autore 19 Da: “https://www.osservatori.net/it_it/osservatori/executive-briefing/nel-2016-boom-degli-analytics-in-italia-15-un-mercato-da-900-milioni-di-euro”
12
Dall’intervista al manager di Piaggio20, emerge come, in caso di problemi che ne limitano
o impediscono l’utilizzo, i soggetti si sentono “ciechi”, ma l’elevata efficienza raggiunta
fa sì che, in genere, questi problemi siano risolti nel giro di ore.
Ciò che risulta dal medesimo report dell’Osservatorio, la diffusione delle descriptive
analytics (per le grandi imprese) è a quota 89%, mentre i predictive analytics risultano
essere un ambito di grande interesse (diffusione del 59%), sebbene ancora confinata ad
ambiti applicativi (30%) o in fase pilota (29%). Per quanto riguarda
i prescriptive analytics risultano ancora poco diffusi, essendo presenti solo nel 23% delle
aziende, principalmente in fase pilota.
1.3.2 Classificazione Andiamo ora a vedere come possono essere classificati i sistemi di business analytics.
Secondo la visione di BA di Rouse (2017), essa si suddivide in due aree principali:
- Business Intelligence21, utilizzata per un’analisi su dati storici al fine di
determinare che cosa sia stato fatto dall’azienda in sé. Questa pratica è già in uso
in molte aziende di medio-grandi dimensioni
- Approfondite analisi statistiche, per poter estendere la precedente analisi su ciò
che è successo al futuro, e permettere di capire cosa potrebbe accadere.
A seconda di quale orientamento e per quale scopo vengono effettuale le suddette analisi,
si distingue in: analisi descrittive, analisi predittive, analisi prescrittive.
Analisi descrittiva
È una tipologia di analisi che permette di spiegare che cosa è successo e permette di
formare la base per analisi sull’operato dell’azienda e dei suoi componenti (divisioni,
manager, personale, prodotti, ecc).
Risponde a domande come “che cosa è successo?”, “cosa sta succedendo ora?”, “sono in
linea con la performance attesa?”.
20 Intervista realizzata dall’autore 21 Relativamente alla differenza tra Business Analytics e Business Intelligence si rimanda al paragrafo 1.3.3.
13
Strumenti tipici che fanno parte di questa categoria sono i Key Performance Indicators
(KPI)22, cruscotti, tabelle, grafici, generalmente navigabili secondo la logica drill down,
a differenza dei sistemi tradizionali di visualizzazione dei dati23.
Analisi predittiva
È una tipologia di analisi che, come dice il nome stesso, è utilizzata per fare delle
previsioni di possibili avvenimenti futuri, sulla base di quanto ottenuto tramite le analisi
descrittive.
Permette di rispondere alla domanda “che cosa potrebbe accadere?”.
In questa categoria di analisi si utilizzano modelli predittivi e probabilistici, previsioni e
metodologia statistiche ed econometriche.
I modelli predittivi utilizzano i dati passati sui quali, tramite l’applicazione di ipotesi,
vengono determinati possibili andamenti futuri relativamente al business.
Analisi prescrittiva
È un’analisi che permette di capire, e consiglia, quale sia il percorso d’azione giusto da
compiere affinché il risultato voluto possa essere raggiunto.
Risponde alla domanda “come possiamo far accadere x?”.
Le tecniche utilizzate per le analisi predittive e quelle prescrittive possono apparire
similari, ma ciò che effettivamente cambia è l’utilizzo che se ne fa; infatti nel caso di
analisi predittiva semplicemente il manager vuol capire cosa succede se prende una
determinata scelta, mentre con le analisi prescrittive cerca di capire quale sia la migliore
linea d’azione affinché si raggiunga l’obiettivo posto.
Inoltre, un elemento fondamentale da considerare, è la molteplicità dei dati di cui il
sistema dispone e che vengono utilizzati nell’analisi prescrittiva (interni e esterni,
22 I KPI sono definiti come “un insieme di misure che si concentrano sugli aspetti più cretici della prestazione aziendale relativi al successo attuale e futuro dell'azienda stessa” da: Parmenter David “Key Performance Indicators (KPI): Developing, Implementing, and Using”, 2010, Wiley, pag. 4 23 Brand, Holtzblatt (2015)
14
quantitativi e qualitativi): tanto più sono vari, quanto più il risultato dell’analisi sarà
affidabile.
È una tipologia di analisi che viene svolta con meccanismo di loop con feedback relativo
all’inserimento o aggiornamento di dati, al fine di aumentare l’accuratezza e permettere
di migliorare la decisione da prendere.24
1.3.3 Differenza rispetto alla Business Intelligence Intorno al termine “business analytics” viene fatta un po’ di confusione con un altro
termine simile, ossia “business intelligence”. Questa confusione è presente sia nella
letteratura che nella prassi delle aziende – sia utilizzatrici che software house – dove si
tende a mescolare e, in alcuni casi, a considerare i due termini come sinonimi.
Di seguito saranno analizzate alcune opinioni di autori e di manager, in modo da capire
quale si la tendenza prevalente e in modo da fare chiarezza su questo argomento.
Davenport, in un’intervista25, ha suggerito che “[…] gli analytics sono relativi
generalmente all’analisi di dati quantitativi […] [effettuata] tramite metodologie
matematico-statistiche […]. L’obiettivo è estrarre informazioni e utilizzarle per prendere
decisioni.
La business intelligence ha lo stesso obiettivo, ma è quasi sempre effettuata tramite
analisi descrittive e di reporting.”
Maisel e Cokins (2015) sostengono che la BA “[…] semplifica i dati per amplificarne il
valore. Il [suo] potere […] è quello di trasformare enormi volumi di dati in una quantità
molto minore di informazioni e conoscenza.
La BI principalmente riassume i dati storici, tipicamente in report contenenti tabelle e
grafici […]. Essi non semplificano i dati e neppure ne ampliano il valore, impacchettano
semplicemente i dati in modo da poter essere consumati.”
Più semplicemente “la BI utilizza le informazioni a disposizione, la BA ne produce di
nuove”.
Razzicchia (2010) chiarisce che con la BI si utilizzano le informazioni aggregate secondo
attributi predefiniti e riassumendo il tutto in KPI, con la BA si cerca di scendere ai dettagli
24 Appelbaum et al. (2017) 25 Pauleen (2017)
15
in modo da identificare correlazioni e tendenze per una migliore aggregazione successiva
analisi dei dati.
Da un articolo di Heinze (2016) nel quale intervista sette manager esperti in ambito di
ICT, emerge che tutti concordano che vi siano differenze tra i due termini, ma ognuno dà
la propria interpretazione; riassumendo abbiamo chi sostiene che:
- la BA comprende la BI;
- la BI comprende la BA;
A differenza, altri le considerano sul solito piano ma con due obiettivi diversi:
- BI per l’operatività giornaliera, BA per cambiare il business;
- BI come una tecnologia e BA come un metodo di analisi;
- La BI guarda al passato mentre la BA guarda al futuro.
Una minoranza di autori e manager, come ad esempio Minkin (2017) e Shardrer (2012)
sostengano che i due termini come sinonimi, sostenendo che siano due termini diversi
utilizzati per indicare la solita cosa e che, quindi, possono essere utilizzati indistintamente
l’uno dall’altro.
Ciò che si può desumere da questa panoramica di opinioni è che la stragrande
maggioranza di autori sostenga la linea della differenziazione tra business intelligence e
business analytics, considerando la prima come strumenti informatici necessari e al
servizio della business analytics, che permettono di analizzare i dati passati, di generare
informazioni circa quanto accaduto e permettere di creare una reportistica efficace che ne
garantisca la diffusione della conoscenza.
La business analytics, invece, utilizzando i dati a disposizione e i sistemi di reportistica
messi a disposizione dalla business intelligence, applica metodologie analitiche di
elaborazione dei dati (cfr. paragrafo 1.3.1) al fine di determinare possibili futuri scenari
e, addirittura, testare le varie alternative di intervento e permettere di scegliere quella più
corretta.
Dall’analisi emerge come, nonostante una difformità di giudizio, elemento normale
quando si considerano fenomeni in evoluzione e dovuta anche dal diverso background
dei soggetti, la maggior parte delle opinioni sostengano come la business analytics
differisca dalla business intelligence principalmente per le tecniche di analisi effettuate e
16
l’utilizzo che se ne può fare del risultato e non tanto per i dati a cui viene applicata. Infatti,
tramite l’utilizzo di nuove metodologie di analisi dei dati, la BA apre il proprio orizzonte
al futuro, consentendo anche analisi predittive, evidenziando quindi i possibili scenari
evolutivi delle variabili prese in considerazione, e prescrittive, permettendo di identificare
le azioni più corrette da compiere per raggiungere gli obiettivi desiderati.
La BI mette a disposizione la sua capacità estrazione di informazioni su dati con sguardo
rivolto prettamente passato, evidenziando ciò che è accaduto e lasciando alle capacità del
manager di capire i motivi sottostanti e le contromisure da adottare per cambiare rotta, se
egli lo ritiene necessario. Ciò a dimostrazione di quanto affermato in precedenza26.
1.3.4 L’evoluzione dei sistemi di business intelligence e business analytics in azienda Al fine di meglio comprendere cosa sia oggi il fenomeno business analytics, è importante
capire come siamo arrivati a questo stadio evolutivo. Andiamo così a identificare le varie
tappe che di sistemi analitici a supporto dell'azienda, che si sono susseguiti nel tempo.
Chen (2012), ripercorre l’evoluzione che i sistemi informatici applicati all’operatività
aziendale, andando a riproporre le tecnologie, gli strumenti e i metodi utilizzati nelle
specifiche epoche prese in esame.
Nel succitato articolo, viene indicato come business intelligence & analytics (BI&A)
come un termine unificato per indicare le metodologie di analisi utilizzate per le aziende.
BI&A 1.0
Agli albori dell’introduzione delle tecnologie computazionali e grazie all’aumento della
capacità di calcolo degli elaboratori, negli anni 70-80, lo strumento più utilizzato per la
raccolta dei dati era quello del database relazionale (RDBMS)27. I dati era principalmente
strutturati28 e raccolti mediante vari sistemi legacy29.
Le metodologie di analisi utilizzate erano prettamente quelle statistiche e tecniche di data
mining sviluppare in quegli anni. Nel medesimo periodo il Business Peformance
Management sviluppa cruscotti e scorecard per l’analisi e la visualizzazione di una serie
di indicatori di performance.
26 Cfr. paragrafo 1.3.2 27 “Sistema composto di dati e di relazioni che definiscono il loro comportamento e le dipendenze tra i dati stessi” da: Khaldi Jilani, “Database Relazionali”, Narcisus, 2012, terza edizione, pag. 8 28 Cfr. Paragrafo 5.2.2 29 “Un sistema (o applicazione) legacy è un sistema (o applicazione) informativo esistente da anni, che è di valore per il business da esso supportato, e che è stato ereditato dall'ambiente elaborativo attuale” da: “Legacy System”, da: http://www.mistercomputer.it/imags/prodotti/107.pdf
17
BI&A 2.0
Nei primi anni 2000, il web 1.0, anche grazie allo sviluppo di motori di ricerca come
Google e Yahoo, ha permesso lo sfruttamento di questo nuovo canale di vendita, creando
l’e-commerce, permettendo alle aziende di interagire direttamente con i propri clienti,
indipendentemente dalla loro collocazione geografica.
In aggiunta al RDBMS, grazie al tracciamento degli indirizzi IP e alla profilazione degli
utenti tramite i cookies30, si è riusciti ad andare incontro più efficacemente ai bisogni dei
clienti – limitatamente a quelli che si sono connessi via web – e identificare nuove
opportunità di business.
Tramite questa analisi dei dati provenienti da siti web, si possono identificare modelli di
comportamento dei clienti e delle loro abitudini di acquisto.
BI&A 3.0
Con l’avvento del web 3.0, dell’introduzione degli smartphone e, soprattutto,
dell’iperconnettività, si arriva ad avere una mole enorme di dati (c.d. big data)31 strutturati
e non, da dover analizzare.
Qui entrano in gioco le tecniche viste per i BA che, grazie al continuo sviluppo
tecnologico di nuovi e più potenti calcolatori, vengono applicate ai big data, creando così
i big data analytics, argomento trattato nel capitolo 5.
30 Piccoli file di testo che il browser registra ogni volta che ci si collega e che registra informazioni relativamente alla frequenza di visita e altre informazioni potenzialmente utili per chi li registra. 31 Cfr. Capitolo 5
18
CONSIDERAZIONI CONCLUSIVE
In questo capitolo è stato analizzato il contesto nel quale i sistemi di business analytics si
inseriscono.
Il contesto del mercato sempre più mutevole costringe gli attori a doversi adattare alle
situazioni in cui si trovano ad operare per poter rispondere alle esigenze dei clienti.
È stata anche analizzato l’evoluzione di come l’ICT abbia supportato nel tempo il
processo di generazione delle decisioni, permettendo di prendere decisioni sempre più
efficacemente e permettendo, con una sempre migliore analisi dei dati, di cogliere
opportunità altrimenti inesplorate sul mercato. Il supporto che l’ICT fornisce è sempre
più permeato nella realtà delle aziende e, come dimostrato, è partito da singoli progetti e
ambiti estremamente focalizzati, fino a raggiungere l’azienda nel suo complesso. Ormai
i sistemi di BA sono una realtà, essendo imprescindibili per il raggiungimento degli
obiettivi aziendali.
Come risultato dei cambiamenti avvenuti, le aziende hanno dovuto imparare a rivedere
anche le fondamenta stesse del proprio modo di fare impresa, addirittura andando a
modificare le modalità tradizionali, ormai vecchie di decine di anni, di come il controllo
di gestione vigili sull’efficacia delle operazioni aziendali. Proprio relativamente a questo
specifico ambito è stato visto come la necessità di essere flessibili ed inserirsi in un
contesto mutevole, richieda la velocità come fattore determinante e guida di ogni
operazione, conseguentemente il processo del controllo di gestione si modifica
semplificandosi e aprendosi verso la base della piramide, allargando le responsabilità
decisorie più vicine a dove la decisione presa ha realmente effetti tangibili.
Nella parte finale del capitolo, nell’analizzare più nello specifico che cosa si intenda per
business analytics, ed è emerso come, per poter sfruttare le sue potenzialità, sia necessario
tener conto in maniera molto attenta dei vari elementi che la compongono, analizzando
dettagliatamente sia le capacità di destreggiarsi con le metodologie di analisi, sia come e
dove reperire i dati e la tecnologia necessaria e, successivamente, determinare come
utilizzare il risultato ottenuto ed inserirlo con successo nel processo decisionali.
19
CAPITOLO 2 - L’ADOZIONE DEI SISTEMI DI BUSINESS
ANALYTICS
20
2.1 L’UTILITÀ DELLA BUSINESS ANALYTICS IN AZIENDA
Dopo aver analizzato il fenomeno business analytics, è necessario ora andare ad
individuare quali sono i motivi che possono spingere il management di un’azienda ad
intraprendere un iter di implementazione di questi sistemi.
In letteratura sono presenti molte opinioni favorevoli all’introduzione della BA, la quale
viene considerata un elemento indispensabile per stare al passo coi tempi e alla
rapidissima mutevolezza dell’ambiente esterno nel quale le aziende si trovano ad operare
quotidianamente.
Un argomento importante che sottolineano Cokins (2012) e Thompson (2016) è il fatto
che l’utilizzo della business analytics crei valore per il cliente e che sia l’unica strategia
vincente, nonché l’unica fonte duratura di vantaggio competitivo. Questo perché, data la
velocità di cambiamento dei gusti e delle abitudini di acquisto dei consumatori, in un
mercato costantemente rivoluzionato da innovazioni tecnologiche, per mantenere
posizioni dominanti rispetto alla concorrenza è necessario rispondere in modo
tempestivo, ed in maniera più efficace possibile, alle richieste dei clienti.
Ad oggi vi è sempre meno fidelizzazione dei clienti, i quali tendono a non fare differenza
tra uno specifico brand e un diretto concorrente; inoltre l’abbassamento del costo delle
materie prime, e soprattutto della forza lavoro (in prevalenza per aziende operanti in
mercati orientali come Cina e India) rende impraticabile la strategia di competere sul
prezzo, perché vi sarà sempre un’azienda in grado di produrre a costi inferiori e,
conseguentemente, di vendere a prezzi più bassi.
Da ciò discende che chi meglio, e più velocemente, riesce a cogliere le esigenze del
cliente, tanto più riuscirà a produrre utili.
A dimostrazione di quanto siano importanti i sistemi predittivi e quale si l’impatto sui
risultati aziendali, da un sondaggio32 risulta che il 66% degli intervistati sia sodisfatto
dell’introduzione delle analisi predittive, e sono convinti che contribuiscano fattivamente
alla creazione di valore. Di contro, tra i soggetti che all’epoca del sondaggio – 2007 – non
avevano adottato tali sistemi, si assisteva ad un decremento del 2% dei profitti e dell’1%
del riacquisto da parte dei clienti.
32 Eckerson Wayne, “TDWI report: Predictive analytics: Extending the value of your data warehousing investment”, 2007, TDWI.
21
Inoltre, da uno studio di un campione di trentadue aziende effettuato da nGenera nel
200833 risulta che una maggiore applicazione di metodologie analitiche all’analisi di dati
è correlata con migliori prestazioni sul piano economico-finanziario. Inoltre dal
medesimo articolo, viene riportato il risultato di un altro studio di quattrocento aziende
dove si dimostra come le aziende che meglio sfruttano i sistemi di BA, hanno probabilità
cinque volte maggiori di piazzarsi nel primo quintile delle aziende più performanti,
rispetto al piazzarsi nell’ultimo 20%.
Per poter sfruttare la business analytics e permettere, come visto poc’anzi, di creare valore
e uscire vincenti dalla lotta alla sopravvivenza tra aziende concorrenti, è necessario
sfruttare al meglio le opportunità offerte da questi sistemi.
Grazie ai cambiamenti tecnologici dirompenti (la c.d. digital disruption), le aziende si
trovano di fronte alla possibilità di raccogliere e immagazzinare grandi quantità di dati
che sono alla base dei sistemi di business analytics, e che possono (e devono) essere
sfruttati per poter creare valore.
Per Klatt et al. (2011) la BA è indispensabile al fine di contrastare il sovraccarico di
informazioni derivante dalle nuove, e sempre più ricche, fonti di dati. Infatti, i manager,
essendo deputati della presa di decisioni, non sono in grado di gestire al meglio grandi
quantità di dati senza l’ausilio di questi sistemi.
Un altro importantissimo pregio della BA è quello di permettere di identificare le
interdipendenze causali tra variabili. Soprattutto nella determinazione degli obiettivi
strategici, spesso si tende a non considerare l’effetto di una determinata azione su altri
obiettivi aziendali, oppure si considerano quelle interdipendenze che sono palesi e note
ai manager grazie all’esperienza maturata nell’azienda.
Grazie alla BA, invece, si riescono ad identificare relazioni casuali tra variabili e obiettivi
che verranno inserite alla base dei modelli utilizzati per effettuare previsioni sui possibili
andamenti futuri.
Finora abbiamo visto come i sistemi di business analytics possano essere utili all’azienda
nel suo insieme; è importante anche andare a valutare se e come la sua applicazione
pratica possa essere d’ausilio per i vari manager e direttori di funzione.
33 nGenera (2008)
22
Havlena (2013) evidenzia come i sistemi di BA possano essere utili in tutta l'azienda e
tutti i componenti del top management possono trarne vantaggio. Ad esempio, i
responsabili marketing (CMO) possono utilizzare la BA per ottenere una migliore
comprensione dei clienti e migliorare la fedeltà degli stessi34.
Il CFO, invece, può migliorare la gestione delle prestazioni finanziarie ed effettuare
previsioni finanziarie.
I responsabili dei risk management (CRO) possono ottenere una visione olistica del
rischio, delle frodi e delle informazioni sulla conformità in tutta l'organizzazione e
intraprendere un'azione35.
I responsabili operativi (COO) possono ottenere una migliore comprensione delle catene
di fornitura e delle operazioni di approvvigionamento e migliorarne l'efficienza36.
Non sempre però è facile convincere il top management ad intraprendere la strada
dell’implementazione per una serie di criticità rilevanti37 e anche dalla difficoltà di avere
riscontri sul rispetto delle promesse in termini di miglioramento delle performance. A tal
proposito, in uno studio, riassunto in Ramanathan (2017), dall’analisi del settore retail in
Gran Bretagna, risulta che i manager intervistati sostengono che sia difficile quantificare
l’effetto positivo che la BA apporta in azienda a livello complessivo, mentre risulta più
facile individuare quello apportato localmente nelle singole funzioni in cui è applicato.
Ciò, appunto, può spingere i manager ad adottare i sistemi di business analytics.
34 Cfr. paragrafo 3.3 e 3.4 35 Cfr. paragrafo 3.3 36 Cfr. paragrafo 3.7 37 Cfr. paragrafo 2.3
23
2.2 REQUISITI PER L’UTILIZZO DELLA BUSINESS ANALYTICS
Dopo aver analizzato come la BA possa risultare utile per le aziende, è importante andare
a capire come la sua introduzione possa risultare fruttuosa. Al fine del successo dei
business analytics, è necessario che vengano tenuti in considerazione cinque importanti
elementi38:
1) Cultura aziendale, in azienda deve vigere una cultura di misurazione delle
performance in cui i soggetti sono ritenuti responsabili per i risultati ottenuti. I
dirigenti che lavorano per un’azienda che si affida ai sistemi di BA, devono
credere nell’opportunità che i dati, e la loro analisi, possono apportare all’azienda,
e devono essere disposti ad investire denaro e il proprio tempo per creare e
diffondere questa cultura anche ai livelli gerarchicamente inferiori. Devono essere
curiosi, in modo da voler sempre capire il motivo dietro ogni evento, così da poter
acquisire sempre maggiore conoscenza e migliorare i modelli di riferimento.
2) Personale preparato e qualificato, i soggetti preposti all’analisi dei dati devono
avere una profonda conoscenza dei processi aziendali e devono essere molto abili
nell'utilizzo di vari strumenti analitici, inclusi Excel, SQL, workbenches analitici
e linguaggi di codifica.
Devono, inoltre, essere abili nel problem solving per riuscire a trarre il massimo
valore possibile dai dati. Questi soggetti devono possedere capacità altamente
specializzate, come capacità computazionali, analitiche, di comunicazione e di
business39.
3) Organizzazione, i top users dei BA, al fine di diffondere la cultura e le
competenze, spesso creano dei centri di eccellenza interni alle proprie aziende.
Gli analisti generalmente fanno parte di specifiche funzioni aziendale, ma sono
anche parte di un'organizzazione centralizzata che collabora e fornisce i propri
servizi all’interno dell’azienda.
Questo è accaduto in AUDI quando, nel 2013, è stata decisa l’introduzione dei
sistemi di big data analytics. Nel caso specifico, è stata decisa la creazione
dell’hub di innovazione digitale e dell'unità di analisi e strategia dei dati
38 Eckerson (2011) 39 Pauleen (2017)
24
all'interno del reparto di “vendita e marketing”, al fine di sviluppare e le
competenze e le capacità richieste dell'analisi dei dati40.
4) Architettura, il team preposto alla creazione e gestione del database centralizzato,
svolge un ruolo fondamentale nel fornire supporto ai vari team funzionali. È
necessario che le informazioni fornite siano di alta qualità, sicure e coerenti. In
alcuni casi, soprattutto in caso di primo approccio ai sistemi di BA, è utile affidarsi
a consulenti esterni esperti in materia, al fine di impostare correttamente
l’implementazione e permettere una migliore diffusione delle competenze.
AUDI ha deciso di agire proprio in questo modo, affidandosi a consulenti esterni
dall’introduzione fino al momento in cui le competenze acquisiste sono state
ritenute sufficienti per poter proseguire in autonomia41.
5) Piattaforma software, al fine di poter accedere all’architettura analitica è
necessaria una piattaforma, ovvero un sistema che utilizza e integra i dati e che
consente l’accesso alle informazioni a chi le richiede.
Come visto, sono molti i fattori da cui dipende il buon utilizzo della BA; tanto più questi
fattori sono considerati come critici, e quindi attentamente valutati, quanto più l'azienda
potrà trarne vantaggio e sfruttarli fino in fondo.
Andiamo a vedere ora che cosa, in una fase di decisone, i componenti del Top
Management (nello specifico CEO, responsabili controllo di gestione e IT Manager)
devono tenere conto relativamente alla scelta se affidarsi alla BA o meno, e se sì, che
raggio d'azione scegliere.
40 Dremel et al. (2017) 41 Dremel et al. (2017)
25
2.2.1 La valutazione sull’adozione della Business Analytics Il processo tramite cui un'azienda decide se procedere all’implementa di innovazioni
tecnologiche è influenzata da fattori tecnologici, fattori organizzativi e da fattori
ambientali42. Quindi al fine di valutare correttamente questi fattori si può considerare il
TOE Framework, proposto da Tornatzky e Fleischer43. Vediamo ora come può essere
applicato il TOE Framework relativamente alla business analytics44.
Fattori tecnologici
In questa categoria, rientrano nell’analisi elementi come:
- Rapporto uomo-tecnologia, nello specifico è importante la capacità di interpretare
i dati al fine di garantire il successo dell’implementazione
- Asset tecnologici, scegliere i giusti strumenti tecnologici da utilizzare, ossia quelli
che meglio si adattano alla specifica fattispecie, sono un elemento cruciale per il
buon fine dell’implementazione. La scelta riguarda i giusti strumenti software, di
gestione e manutenzione dei database, ecc.
- Relazioni e collegamenti, è importante che il sistema di BA non sia a
compartimenti stagni, ma bensì deve essere creato affinché sia in grado si
garantire delle relazioni con soggetti terzi rispetto all’azienda (sviluppatori di
software, al fine di migliorare ed incrementare il numero delle best pratice oppure
aziende facenti parte della catena di fornitura, con i quali è possibile condividere
dati e/o informazioni al fine di aumentare il valore generato da tutta la catena e
permettere di mantenere proficue e durature collaborazioni).
42 DePietro Rocco, Wiarda Edith e Fleischer, Mitchell, “The context for change: Organization, technology and environment”, in Tornatzky, L. G. and Fleischer, M. (Eds.) The processes of technological innovation, Lexington Books: Lexington, MA., 1990, pag. 151-175. 43 Tornatzky L. G., e M. Fleischer, “The Process of Technological Innovation”, Lexington, MA: Lexington Books, 1990 44 Ramanathan (2017)
26
Fattori organizzativi
In questa macro-area rientrano:
- Dominio di applicazione, vi è, in genere, un differente comportamento tra gli slow
adopters e i leaders relativamente all’ambito di introduzione dei BA: i primi si
limitano alle aree operation e marketing, mentre i secondi tendo ad ampliarne il
raggio a tutta l’azienda.
- Investimenti complementari, al fine di comprendere meglio i consumatori, è
importante unire a dati generati internamente quelli che arrivano da database di
terze parti, al fine di avere una più ampia base sulla quale applicare le analisi.
Ambiente esterno
È stato rilevato che il livello di adozione dei sistemi di business analytics, dipenda anche
dalle peformance dell’azienda in termini di fatturato per cliente oltre che, come già noto,
alla tipologia di business model.
Una spinta decisamente importante verso l’adozione è quella relativa alla costante ricerca
di gestire e ridurre i costi sostenuti dall’azienda. Con la BA, capendo meglio le necessità
dei clienti si può aumentare il livello di efficacia delle campagne di marketing, si evitano
insuccessi nella realizzazione dei prodotti (che portavano a perdere tutti gli investimenti
effettuati senza alcun ritorno economico) ed inoltre e, analizzando la difettosità dei
prodotti, si può andare a ridurre i costi della non qualità.
2.2.2 La scelta del dominio di applicazione della BA Dopo aver deciso se procedere all’implementazione e aver valutato in merito agli
elementi visti in precedenza, un altro importante passo è decidere se applicare la BA ad
una specifica area funzionale oppure all’azienda per intero.
Klatt et al. (2011) fanno notare come la BA viene spesso applicata solo singole fasi del
processo di pianificazione e controllo e spesso limitate solo alle attività di budgeting.
Spesso, infatti, molte strategie e decisioni di lungo periodo falliscono a causa della
mancata applicazione a tutto tondo di questi sistemi, dato che non si considerano le
interazioni tra variabili e il risvolto che determinate scelte di operative possono avere nel
27
lungo raggio. Quindi essi sono sostenitori dell’applicazione olistica della business
analytics.
In precedenza, altri articoli45 in merito al medesimo tema, sostenevano la tesi contraria e
che, quindi, fosse preferibile focalizzare l’utilizzo dei sistemi di business analytics dato
che era considerato difficilmente praticabile e scarsamente conveniente ampliare il raggio
d’azione.
Il fatto che negli anni gli studiosi abbiano cambiato idea in merito è da considerarsi dovuto
all’innovazione tecnologica ed al crescente decremento del costo che la rende sempre più
accessibile e della maggiore comprensione dei benefici che la business analytics porta nei
confronti dell’azienda in generale.
2.3 PROBLEMATICHE RELATIVE ALL’INTRODUZIONE DELLA
BUSINESS ANALYTICS
2.3.1 Problema del personale e delle competenze Come sottolineato nei paragrafi precedenti, al fine di un proficuo utilizzo della business
analytics, è necessario che vi siano manager che padroneggino l’analisi dei dati e abbiano
capacità multidisciplinari. Per questo motivo riguarda per i manager queste skills passano
da “utili da possedere” a “necessarie”. Invece per poter diffondere la conoscenza anche
ai dipendenti utilizzatori, è necessario formarli internamente, creando dei training al fine
di fargli sviluppare delle capacità appropriate46. Questa necessità si trasforma molto
facilmente in un limite a causa della difficoltà di reperire sul mondo del lavoro personale
che sia altamente qualificato oppure convincere, quei pochi che vi sono, a cambiare
azienda.
Relativamente alle capacità possedute dalle varie figure professionali, possiamo
distinguere in47:
- Analista professionista, il quale progetta e conduce i test, definisce gli algoritmi
per le analisi, decidendo quali, come e quando utilizzate determinate tecniche;
- Analisti semi-professionisti, sono esperti nell’applicazione delle metodologie di
analisi ma non sono in grado di sviluppare modelli o algoritmi;
45 nGenera (2008) 46 Holtzblatt (2015) 47 nGenera (2008)
28
- Utente base, sono i soggetti che utilizzano giornalmente i modelli per creare la
base sulla quale prendere decisioni.
Anche Klatt et al. (2011) sostengono che la causa che, all’epoca, caratterizzava la scarsa
diffusione dei sistemi di BA fosse da ricondursi alla mancanza della conoscenza da parte
del personale delle tecniche necessarie per l’estrazione delle informazioni dai dati grezzi.
Per questo motivo è necessario cercare di creare una cultura aziendale basata sulla fiducia
nei dati e nell’utilizzo di serie storiche per poter effettuare previsioni sulla possibile
evoluzione futura del business. Il limite a questa metodologia di lavoro è quella
dell’impossibilità di gestire gli eventi imprevisti che possono irrimediabilmente
compromettere il raggiungimento degli obiettivi, per i quali non è possibile tenere di
conto in fase di elaborazione dello scenario.
Spesso è difficile convincere manager “tradizionalisti” che sono restii al cambiamento i
quali, finché non si trovano davanti all’evidenza delle effettive capacità offerte dalla BA.
Specificatamente a questo aspetto dall’intervista realizzata presso Piaggio48, è emerso che
questo problema sia sempre meno presente a causa di un fenomeno che porta un manager
ad essere periodicamente spostato di mansione e che quindi porta ad una minore tendenza
alla resistenza culturale all’innovazione. Mentre in passato le potevano essere ottenute
solo tramite l’esperienza di uno specifico soggetto, oggi sono ottenibili da uno strumento
informatico.
Essendo i sistemi di BA sempre più diffusi e utilizzati quotidianamente dalle aziende, si
va sempre di più verso una velocizzazione e efficentamento dell’utilizzo dei sistemi,
piuttosto che cercare di capirne i vantaggi e le opportunità offerte.
48 Intervista realizzata dall’autore
29
2.3.2 L’importanza dei dati Come può apparire ben chiaro, la materia prima che permette il funzionamento della
business analytics sono i dati. Come ogni materia prima, è necessario che sia presente,
per poter alimentare il processo produttivo, e che sia di qualità, per permettere che il
prodotto finale (in questo caso le informazioni) siano della qualità richiesta dal
consumatore (nella fattispecie sono i manager). Al fine di valutare la qualità dei dati, è
necessario valutare se possiedono alcune caratteristiche peculiari come49:
- Accuratezza, che si riferisce alla vicinanza dei dati alla realtà dei fatti. Tanto più
sono accurati, quanto più di più fare affidamento su essi per generare
informazioni. Risulta quindi utile controllare alla fonte le modalità di acquisizione
dei dati;
- Coerenza, si riferisce al fatto che, indipendentemente dalla fonte da cui
provengono, se due o più dati si riferiscono ad un medesimo fenomeno, devono
corrispondere.
- Completezza, si riferisce alla presenza del maggior numero possibile di dati
rappresentativi dell’insieme considerato.
- Accessibilità, il dato deve essere facilmente disponibile da parte di chi necessita
di usarlo.
- Tempestività (o attualità), fa riferimento al tempo che passa dal momento in cui
sono raccolti i dati a quello in cui vengono utilizzati. Come ampiamente detto, il
fattore tempo è determinante ed è quindi indispensabile essere efficienti ed
efficaci nella generazione di informazioni qualitative.
- Rilevanza, i dati di cui l’azienda dispone devono essere tutti e soli quelli di cui
necessita, raccogliere dati che non sono utili porta solo a spreco di risorse e tempo
nella fase di raccolta e di utilizzo e possono portare all’utilizzo di informazioni
errate nella fase decisoria.
49 ISO/IEC 25012:2008 "Data Quality Model”, in merito alla definizione di un modello generale di qualità dei dati per i dati conservati in un formato strutturato all'interno di un sistema informatico.
30
Nonostante l’elevata capacità di calcolo dei sistemi di business analytics e la possibilità
di gestire notevoli moli di dati, la BA difficilmente riesce a tenere in considerazione degli
elementi spesso determinati per il raggiungimento degli obiettivi: gli intangible assets50.
Alcune aziende hanno degli intangible estremamente importanti e critici che sono alla
base della determinazione della buona riuscita della performance, siano essi relazioni con
clienti o fornitori, capacità manageriali, know how, che avendo la caratteristica
dell’immaterialità, non è semplice misurarli e, conseguentemente, generare dei dati da
tenere di conto in fase di previsione. Una soluzione a questo problema potrebbe arrivare
dai big data analytics51.
2.4 L’IMPLEMENTAZIONE DEI SISTEMI DI BUSINESS
ANALYTICS
Un modello molto utile per discutere sull’implementazione della BA, è quello proposto
da Brands e Holtzblatt52, che rappresenta una road map che indica quali sono i passi da
seguire per l’introduzione della business analytics in azienda. Un importantissimo
elemento da sottolineare è che non esiste una strategia per l’implementazione valida erga
omnes ma, al contrario, è necessario adattare il sistema alle reali necessità e peculiarità
che la specifica azienda presenta.
Figura 1 - Road Map per introduzione BA. da: Brands e Holtzblatt (2015)
50 Schläfke et al. (2012) 51 Cfr. Paragrafo 3.7 e Paragrafo 5.3 52 Brands e Holtzblatt (2015)
Definizione dell'obiettivo
Definizione dell'organizzazione
strutturale
Creazione di un team inter-funzionale
Preparazione del modello di BA e piano d'utilizzo
Selezione del SW e pianificaizone
del trainingImplementazione e fase di testing
Valutazione e revisione periodica
31
La road map si compone di sette fasi, cosi riassunte52:
1) Definizione dell’obiettivo della BA, è necessario domandarsi “Per quale motivo
vogliamo introdurre la business analytics?”, “A quale necessità volgiamo far
fronte?”. Determinando il/gli obiettivo/i è possibile focalizzarsi sulle priorità e ivi
indirizzare le risorse.
Se si fallisce la comprensione del problema, potremmo ritrovarci a risolvere un
problema che, probabilmente, non esiste53.
2) Definire l’organizzazione strutturale, le alternative che si presentano di fronte
riguardano una struttura centralizzata, che prevede il top management come
principale utilizzatore della BA; la struttura decentralizzata fornisce anche ai
livelli più bassi della gerarchia aziendale la possibilità di utilizzare in maniera
diretta (quindi senza la richiesta ai responsabili funzionali) la business analytics.
3) Creazione di un team inter-funzionale, in cui i responsabili del controllo di
gestione sono le figure di riferimento dato che conoscono l’azienda nel suo
complesso ed hanno esperienza nel decision making. Un altro soggetto chiave del
team è il responsabile IT, indispensabile per identificare il fabbisogno informativo
e informatico dell’azienda.
4) Preparare un modello di BA e un piano per il suo utilizzo, in questa fase si vanno
a determinare i contorni del modello e a specificare come dovrà tecnicamente
funzionare al fine di soddisfare le esigenze ed essere utile a risolvere il problema
precedentemente identificato.
5) Selezionare un software e pianificare un training, è una fase critica nella quale il
responsabile IT e il controller collaborano al fine determinare sotto il profilo
tecnico e quello economico, quale sia il software verso il quale orientarsi. Inoltre
dovrà essere prevista una fase di addestramento tecnico per il personale
utilizzatore.
53 Minkin (2017)
32
6) Implementazione e fase di testing, in questa fase si va a mettere in pratica quanto
prima pensato e programmato, con l’effettiva implementazione, nella quale un
project team proveniente dal soggetto rivenditore/istallatore, si occuperà di questa
fase.
Prima del go live verranno fatti tutta una serie di test per definire se il software
funziona e se genera le informazioni volute.
7) Valutazione e revisione, la fase finale è utile per determinare che il sistema sia
sempre all’altezza delle necessità e, qualora non rispetti i bisogni, sarà necessario
ripartire dalla prima fase.
Dalla bontà dell’applicazione della road map appena presentata, si determina la corretta
riuscita dell’applicazione dei sistemi di business analytics.
Sottostimare le possibilità offerte da questi sistemi, oppure effettuare una errata
valutazione in una o più fasi, può significare il fallimento del progetto oppure, nel
peggiore dei casi, si rischia che l’azienda non sia tecnicamente in grado di reggere alla
pressione competitiva e sia determinata a scomparire in breve tempo, o non essere più
protagonista del mercato in cui opera.
CONSIDERAZIONI CONCLUSIVE
Ciò che emerge da quanto visto in questo capitolo è come l’introduzione della business
analytics possa realmente portare dei vantaggi considerevoli nei confronti dell’azienda
che li utilizza.
L’utilità della BA non è in discussione perché, come visto nel capitolo, la sua applicazione
nei singoli reparti aziendali porta notevoli vantaggi e, con le modifiche avvenute nei
mercati di sbocco, risulta essere un indispensabile fonte durevole di valore per il cliente.
I principali vantaggi di cui l’azienda può giovare riguardano la possibilità di migliorare
la conoscenza dei propri clienti e delle dinamiche competitive del mercato nel quale
opera, tramite la possibilità di analizzare e aggregare dati che, in precedenza manualmente
risultava complicato fare, nonché raccogliere dati dei quali si ignorava l’utilità.
33
A tal proposito è utile fare riferimento ad alcuni specifici casi di studio che dimostrano i
benefici che alcune grandi aziende hanno avuto dall’implementazione dei sistemi di
business analytics54:
1) “Da un approccio prodotto-centrico ad uno cliente-centrico. Caso Grandi Navi
Veloci”
Grandi Navi Veloci (GNV), uno dei principali compagnie navali italiane operanti nel
Mediterraneo, trovandosi nella necessità di migliorare il processo di allocazione delle
flotte e equipaggi sulle singole tratte (e di aumentare la percentuale di riempimento
delle singole corse), si è trovata di fronte l’esigenza di migliorare la conoscenza del
cliente permettendo di aumentare la rapidità ed efficienza delle azioni commerciali.
Ciò che è stato deciso è stato di rendere più flessibile l’allocazione delle navi sulle
singole tratte, a seconda della domanda del periodo.
La soluzione di BA che GNV ha deciso di adottare è stata quella di operare una
micro-segmentazione della clientela, utilizzando dati socio-economici,
comportamentali e culturali; in questo modo è stato possibile perfezionare le strategie
di pricing, utilizzando i fattori chiave di acquisto per ogni cluster di clienti. L’azienda
può così monitorare in tempo reale l’andamento della domanda, e può adattare di
conseguenza l’offerta, tramite le informazioni ottenute dall’analisi dei dati, sia di
fonte interna (canale d’acquisto, data, prezzo di vendita, sistemazione a bordo, ecc.)
che esterna (prevalentemente da indagini di mercato).
Con i dati a disposizione, l’azienda ha cercato di ampliare il portafoglio clienti
tramite la personalizzazione dell’offerta, anche sulla base del canale scelto per
l’acquisto (diretti o tramite intermediario).
In sintesi i benefici di cui Grandi Navi Veloci ha potuto usufruire riguardano:
- Migliore gestione dell’offerta, tramite una maggiore efficienza nella
personalizzazione dell’offerta e del prezzo;
- Miglioramento della conoscenza dei clienti e velocizzazione del processo stesso.
Questa operazione non è stata esente da problematiche: infatti la mancanza di
esperienza nella gestione di processi con l’utilizzo dei sistemi di BA ha rallentato il
processo di espressione dei benefici da parte dei nuovi sistemi.
54 Case study tratti da “Osservatorio Big Data Analytics & Business Intelligence” della School of Management del Politecnico di Milano
34
Come riscontrato in questo caso, e analizzato in precedenza (cfr. paragrafo 2.3.1), la
mancanza di competenza e esperienza dei soggetti dedicati alla gestione dei sistemi
di business analytics è un elemento limitante, soprattutto nel panorama italiano, dove
la figura del cosiddetto “data scientist” è ancora giovane e poco diffusa.
2) “L’ottimizzazione della flotta tramite una piattaforma di Analytics. Caso Europcar”
Europcar Italia è un’azienda di noleggio auto facente parte del gruppo internazionale
Network Europcar, diffuso in 150 paesi, nei principali aeroporti, stazioni e grandi
città.
Il principale motivo che ha spinto Europcar Italia a intraprendere la strada dei BA è
stata quella di rispondere all’esigenza, imposta dai cambiamenti nel mercato, di
ottimizzare la capacità produttiva, a parità di qualità del servizio offerto, in relazione
alla domanda di servizio da parte dei clienti. Essenzialmente ciò comporta la
necessità di mettere a disposizione la propria flotta di autovetture ai clienti nel luogo
e nel momento in cui essi manifestano la necessità di utilizzarli.
Conoscendo le informazioni relative alla provenienza geografica, canale di acquisto
utilizzato, tipologia di tariffa scelta (chilometraggio limitato o illimitato), ecc.,
l’azienda può offrire servizi personalizzati e al contempo organizzarsi logisticamente
in maniera più efficiente, rendendo disponibile l’auto scelta nel luogo e all’ora
desiderata.
Internamente l’azienda ha sviluppato un modello di analisi (di tipo statistico) in grado
di prevedere la distribuzione geografica di auto, partendo dai dati storici e dalle
prenotazioni, suddividendo per clientela, zona e categoria di auto. Dopo la iniziale
fase di sviluppo, a pieno regime il sistema ha permesso di migliorare la pianificazione
della flotta, mantenendo gli standard di qualità del servizio e minimizzando
l’invenduto, permettendo anche interventi sulle politiche di prezzo.
I benefici ottenuti da questa tipologia di progetto sono quantificabili in un aumento
della rotazione del parco macchine del 5-10%, riduzione delle necessità di
investimenti in nuove auto (migliore utilizzo significa maggiore durata del mezzo e
minori costi generali del parco macchine) e riduzione del costo di manutenzione e
magazzino.
Le criticità riscontrate si riferiscono alla dimostrazione dei benefici, da parte della
divisione Italia, nei confronti del gruppo internazionale; per ridurre questo problema,
35
Europcar ha sviluppato in parallelo la parte IT e quella funzionale, riducendo
momenti di scarse performance dovuti alle simulazioni di scenari con enormi moli di
dati. In questo modo sono riusciti a diffondere i sistemi di BA anche in altre divisioni
nazionali.
Questo caso conferma che l’evidenziazione dei benefici dell’investimento in
business analytics è sempre problematica (cfr. paragrafo 1.1.1), ma che può essere
superata con la perseveranza dei soggetti promotori e l’attesa del manifestarsi dei
primi vantaggi, utili a supportare la volontà ad intraprendere questa strada.
3) “Strumenti di analisi dei dati per la predictive maintenance. Caso FPT Industrial”
FPT Industrial è una società operante nel settore metalmeccanico, facente parte del
gruppo CNH Industrial (controllata da Exor), che si occupa di progettazione,
produzione e vendita di motopropulsori per veicoli industriali.
I centri di raccolta dati sono distribuiti a livello globale e, dato l’enorme quantità di
dati raccolti, si è reso necessario la determinazione di una strategia di integrazione
degli stessi e di utilizzare un sistema di supporto al processo decisionale, nell’ottica
del miglioramento continuo.
Il progetto intrapreso ha previsto l’unificazione dei vari database aziendali in un
unico data warehouse, per consentire una serie di analisi di primo livello.
Inoltre vengono monitorati e raccolti dati internamente all’azienda ed esternamente
nel momento post-vendita (principalmente legati al funzionamento e alla geo-
localizzazione, permettendo di avvertire in caso di malfunzionamenti).
Questi dati raccolti premettono di realizzare reportistica relativa ai malfunzionamenti
dei prodotti, consentendo di effettuare un programma di predictive maintenance,
riducendo il rischio di rottura e guasti dei singoli pezzi.
Con i dati a disposizione, l’azienda è riuscita a dedurre quale fosse il reale utilizzo
che i clienti fanno del prodotto, permettendo di migliorarlo e renderlo sempre più
adatto alle reali esigenze dei clienti.
I benefici ottenuti da FPT Industrial sono relativi a:
- prevenzione di malfunzionamenti (o altri eventi inattesi) dei prodotti;
- miglioramento della qualità dei prodotti durante la fase di sviluppo;
- riduzione dei costi di manutenzione.
36
Oltre a questi citati, un beneficio “indiretto” è stato quello dell’utilizzo dei dati su
modalità di utilizzo e dati sulla localizzazione geografica alla funzione marketing e
vendite, che ha permesso di segmentare più correttamente la clientela migliorare
l’offerta.
Le criticità riscontrate riguardano l’uniformità dei dati perché, a causa della forte
personalizzazione dei prodotti, è stato necessario introdurre una ulteriore
elaborazione dei dati prima del loro utilizzo. A livello di organizzazione interna è
stato necessario modificare l’attività dei dipendenti che si occupavano
esclusivamente della raccolta dei dati e, inoltre, si è reso necessario che il
management modificasse le proprie abitudini, inglobando le nuove informazioni
generate.
Come nel caso precedente, anche qui si vede come è necessario che l’azienda riveda,
con l’introduzione dei sistemi dei BA, la propria organizzazione interna (Cfr.
paragrafi 2.2.1 e 2.4) adattandola ad un nuovo modo di generare informazioni e,
conseguentemente, prendere decisioni.
Come visto, avere a disposizione dati di qualità non permette di per sè di raggiungere gli
obiettivi preposti, ma è necessario che le aziende devono sempre valutino l’efficacia del
processo di raccolta dei dati e estrazione della conoscenza dai dati raccolti, nonché della
corretta implementazione dei sistemi di business analytics, in quanto non può essere
improvvisata ma, al contrario, necessita di una attenta e capillare pianificazione in merito
a tutti gli aspetti analizzati in precedenza (competenze, modalità di utilizzo, obiettivi,
ecc.); senza questa attenta pianificazione e implementazione, non si raggiungeranno gli
scopi visti e l’investimenti in tempo e denaro rappresenterà un grossa perdita.
I framework presentati nel capitolo sono utili elementi a supporto dell’efficace
implementazione, dato che progettare e pianificare dettagliatamente un processo permette
all’azienda di migliorare e aumentare il valore apportato dall’utilizzo della BA.
37
CAPITOLO 3 – I SISTEMI DI BUSINESS ANALYTICS
NELLE FUNZIONI AZIENDALI
38
3.1 LA BUSINESS ANALYTICS NELL’AUDITING
Un campo di applicazione cui la business analytics (BA) può portare notevole
giovamento, secondo molti autori, è quello della revisione contabile.
Secondo Tang (2017) il principale vantaggio che la revisione può trarre dall’utilizzo della
BA, è quello relativo alla possibilità di effettuare auditing sull’intera popolazione, senza
le problematiche relative al campionamento.
A titolo puramente esemplificativo, se il revisore si trova nella necessità di dover
effettuare un’analisi dei crediti verso clienti, sfruttando la capacità di calcolo dei sistemi
di BA, si può permettere di analizzare completamente l’intero insieme, evitando le
distorsioni dovute alla poca oggettività nella scelta di un campione rappresentativo. Con
questi sistemi il revisore può utilizzare diverse variabili per raggruppare e comparare i
dati, cercando di individuare eventuali modelli circa il verificarsi un fenomeno anomalo,
con più bassi livelli di errore.
Con l’utilizzo delle attuali tecniche di indagine sui dati, spesso si vengono a creare dei
falsi positivi nell’attività di ricerca di possibili errori o frodi, che possono condizionare il
lavoro dei revisori. A tal proposito la BA può drasticamente diminuire il numero di falsi
positivi, migliorando la qualità della revisione e riducendone le tempistiche.
Nell’auditing posso rivelarsi molto utili anche i big data, infatti nelle operazioni di
verifica svolte dai revisori possono essere utilizzati dati non strutturati come riscontro di
elementi presenti nelle documentazioni contabili. Ad esempio, potrebbero essere
utilizzate le chiamate con i clienti per riscontrarle con le vendite e delle fatture emesse.
Un altro esempio di dati non strutturati utili nell’auditing, potrebbe essere quello di
utilizzare video di sorveglianza del magazzino, uniti all’inventario di periodo, al fine di
identificare eventuali furti o movimenti inconsueti di merci.
39
Di seguito vengono elencati una serie di vantaggi che la revisione può ricevere
dall’introduzione della business analytics e dall’utilizzo dei big data, individuati da Cao
(2015):
- Individuare e valutare i rischi associati all'accettazione o al mantenimento di un
incarico di revisione, ad esempio i rischi di fallimento o di frodi;
- Identificazione e valutazione di altre informazioni sullo stato delle dichiarazioni
finanziarie riguardanti la frode e la ricerca di frodi in relazione ai rischi valutati
(ISA 240, IAASB 2014a).
- Identificazione e valutazione di altre informazioni per l’identificazione di errori
significativi, attraverso la comprensione dell'entità e dell’ambiente in cui
l’azienda opera (ISA 315, IAASB 2014b). Ciò comprende l'esecuzione di
procedure analitiche preliminari, nonché la valutazione della progettazione e
implementazione dei controlli interni e della loro efficacia operativa.
- Realizzazione di procedure analitiche sostanziali in risposta alla valutazione del
revisore della possibile presenza di rischi di errori significativi (ISA 520, IAASB
2014c).
- Realizzazione di test analitici, in base ai quali si assiste ad una verifica generale
circa la conformità del bilancio alla conoscenza dell'entità del revisore (ISA 520,
IAASB 2014c).
La raccolta e l’utilizzo dei big data deve essere economicamente conveniente affinché
valga la pena utilizzarli55. Gli auditor si possono trovare di fronte a numerosi e differenti
sistemi contabili e informatici, spesso anche all’interno della medesima azienda; per
questo motivo le competenze che i revisori devono avere sono molto specifiche e ampie.
Per poter utilizzare i big data è necessario che gli standard di revisione (ISA) siano
adattati alle nuove esigenze, altrimenti ci si trova in un terreno inesplorato con possibili
difformità di comportamento e di risultati tra differenti revisori. Nello specifico è
necessario che ne venga regolamentato l’utilizzo nello svolgimento di test analitici sulla
55 Ramlukan (2015)
40
sostanza, sulla definizione degli elementi probativi e sulla validità dei dati utilizzati nelle
analisi.
3.1.1 Criticità dei BA nell’auditing Nonostante a livello teorico l’integrazione dei big data nella revisione possa apparire
allettante, è necessario che vengono tenuti in considerazione alcuni importanti aspetti.
Innanzitutto, l’integrazione della fonte interna ed esterna dei dati nelle procedure di
auditing deve essere fatta in maniera molto accurata, poiché i dati interni sono
principalmente quantitativi e strutturati mentre i dati esterni qualitativi e non strutturati.
L’utilizzo di questa combinazione di dati consente di migliorare la sufficienza, affidabilità
e pertinenza degli elementi probativi, aumentando la qualità generale della revisione.
Un altro elemento da valutare è l’affidabilità e la sicurezza dell’immagazzinamento dei
dati. I big data spesso includono dati sensibili, quindi garantire la riservatezza è
importante sia per la fiducia che i clienti hanno riposto nell’azienda ma anche, e
soprattutto, per questioni legate alla violazione di norme di legge.
Secondo alcuni autori, potrebbero sorgere dei dubbi relativamente all'indipendenza del
revisore, quando questi è in possesso di troppe informazioni di un cliente, spesso anche
legate alla sfera personale, dedotte dall’analisi dei big data56
Ovviamente, come visto nel capitolo precedente, per poter sfruttare i sistemi di business
analytics, è necessario che l’auditor possieda le capacità tecniche necessarie allo scopo.
La qualità dell’integrazione tra dati interni ed esterni è direttamente collegata con il livello
di abilità possedute dal revisore, che per tale scopo, necessita di essere esperto sia nella
materia della revisione che possedere solide conoscenze informatiche.
A tal proposito è necessario che egli si aggiorni, in modo da essere sempre pronto alle
novità e ai vari sistemi che utilizzano i clienti revisionati57.
Una soluzione per poter ovviare alla mancanza di abilità IT e del trattamento dei dati, è
quella di affidarsi a soggetti terzi ai quali esternalizzare queste attività. In merito a questa
soluzione nascono problemi relativi alla riservatezza e confidenzialità dei dati che escono
dalle mura dell’azienda cliente.58
56 Tang (2017) 57 Tang (2017) 58 Cao (2015)
41
3.2 LA BUSINESS ANALYTICS NEL RISK MANAGEMENT
Un ulteriore ambito che può beneficiare della potenza dei sistemi di BA è il risk
management.
I Chief Risk Officer (CRO) e gli internal auditor possono beneficiare della capacità dei
sistemi di business analytics di processare grandi quantità di dati presenti sia internamente
che esternamente all’azienda, utilizzando anche dati non strutturati ed elementi non
finanziari con la finalità del monitoraggio e gestione dei rischi59.
L’Enterprise Risk Management (ERM)60 è un importante ambito di applicazione della
BA, nel quale ha dimostrato di essere molto utile per gli addetti ai lavori. Nello specifico,
risulta molto valido nella fase della determinazione dell’ambiente interno (primo
componente dell’ERM), nell’identificazione degli eventi (terzo componente dell’ERM)
che possono influenzare negativamente il raggiungimento degli obiettivi fornendo, ad
esempio, una migliore comprensione delle condizioni di mercato, e nella fase del
monitoraggio (ottavo componente dell’ERM), valutando la qualità dell’intero processo di
applicazione dell’ERM.
I sistemi di business analytics consentono un accesso rapido alle informazioni relative ai
possibili scenari di evoluzione futura. Per tale ragione il contributo che apporta la BA è
prezioso per aiutare il CRO a prendere decisioni critiche relativamente alla gestione del
rischio legato alla normale operatività o legata a situazioni specifiche, come, ad esempio,
lo sviluppo di un nuovo prodotto.
Dato che l’ERM è entrato far parte integrante del management aziendale, rispetto al
passato si ha una maggiore necessità di identificare, valutare e gestire i rischi collegati
alle varie scelte da prendere61.
L’utilizzo della BA nel risk management si concretizza con lo sfruttamento dei dati a
disposizione e della capacità di estrarre da essi informazioni circa la possibilità di
identificare rischi rilevanti62.
Identificare i rischi, tramite l’utilizzo dei sistemi di business analytics, permette di estrarre
informazioni circa i trend che si stanno istaurando nel mercato e le modifiche nelle
59 Tang (2017) 60 “Processo posto in essere dal consiglio di amministrazione, dal management e da altri operatori della struttura, utilizzato per la formulazione della strategia nell’organizzazione, progettato per individuare eventi potenziali che possono influire sull’attività aziendale, per gestire il rischio entro i limiti di rischio accettabile e per fornire la ragionevole sicurezza sul conseguimento degli obiettivi aziendali. Da: Coso of the Tradeway Commission, 2004 61 Connolly (2012) 62 Davenport (2014)
42
preferenze dei clienti; in questo modo, con l’applicazione delle analisi descrittive e
prescrittive, si può scoprire con quale probabilità un evento si può concretizzare e il
rischio associato, permettendo di reagire in anticipo, e con più e migliori informazioni
rispetto al tradizionale approccio, con le modalità di risposta al rischio.
Inoltre, la BA può essere utilizzata per valutare la convenienza, sotto il profilo
dell’esposizione al rischio, di intraprendere una determinata azione e, successivamente,
decidere se proseguire o meno a seconda che l’esposizione al rischio (risk profile) sia
inferiore (o al contrario superi) il risk appetite63.
Ad esempio, nelle decisioni della catena di approvvigionamento, le aziende possono
giovare dei dati esterni per misurare e monitorare i rischi presenti. Ciò fornisce
informazioni sulle capacità tecniche dei fornitori, sulla salute finanziaria, sulla qualità e
affidabilità delle forniture, sui rischi legati alle perdite di tempo, sulla reputazione del
mercato e sulle pratiche commerciali.
Nell’ambito dell’identificazione del rischio, una possibile applicazione della BA può
riguardare le modalità di determinazione dell’impatto di un rischio sulle variabili
considerate. A tal proposito esistono tre possibili analisi, che comprendo l’utilizzo della
BA64:
1. Si ipotizza il verificarsi del miglior risultato. Si tratta della previsione più semplice
da realizzare. Si stima singolarmente ogni variabile, secondo le migliori
supposizioni possibili. Raggruppando insieme le singole previsioni, si ottiene la
macro-previsione.
2. Considerare tre scenari (pessimistico, base, ottimistico). Molte grandi aziende con
maggiore esperienza nell’utilizzo di questi sistemi, considerano tre categorie di
risultati: pessimistico, base, ottimistico. Vengono effettuate previsioni separate
sulle variabili chiave del progetto considerato, sulle quali vengo fatte ipotesi sui
possibili andamenti. Ciò che si ottiene alla fine sono tre diversi possibili risultati
finali.
63 "L'importo e il tipo di rischio che un'organizzazione è disposta a sopportare per raggiungere i propri obiettivi strategici" da: Institute of Risk Management https://www.theirm.org/knowledge-and-resources/thought-leadership/risk-appetite-and-tolerance.aspx 64 Cokins (2013)
43
Queste aziende potrebbero anche individuare singolarmente la sensibilità delle
variabili chiave per vedere l'effetto sul risultato finale.
3. Considerare contemporaneamente tutti gli scenari possibili. Le aziende più esperte
in questo campo, passano da ipotizzare tre scenari ad ipotizzare tutti gli scenari
possibili. Per ogni variabile si considera una distribuzione di probabilità e,
successivamente, si combinano insieme ottenendo come risultato finale una
previsione molto più attendibile di quella effettate con gli altri tipi di analisi.
I modelli utilizzati in queste tipologie di analisi sono principalmente modelli predittivi,
che sfruttano la capacità di calcolo dei software e hardware, le tecniche di data mining
per attivare ad una risposta.
Per citare un caso di applicazione pratica, Banca Carige ha avviato un progetto di utilizzo
di un sistema di business analytics (in collaborazione con SaS) per il credit risk
management in linea con le disposizioni di Basilea 2. Nello specifico si riesce ad accedere
a tutti i dati aziendali permettendo, in un unico ambiente software, di gestire e creare
documentazioni circa l’adeguatezza alle normative e per essere in regole al verificarsi
delle visite ispettive di Banca d’Italia65.
65 Da: “https://www.digital4.biz/executive/interviste/banca-carige-guarda-al-futuro-con-i-business-analytics_4367215857.htm”
44
3.3 LA BUSINESS ANALYTICS APPLICATA ALLA CUSTOMER
RELATIONSHIP
Un importante contributo da parte della business analytics è quello relativo
all’avviamento, espansione e mantenimento dei rapporti con i propri clienti. Infatti, la
gestione del rapporto con i clienti è un dominio di applicazione in cui la BA ha un alto
potenziale, specialmente per l’utilizzo delle tecniche di analisi predittiva.
Questi modelli utilizzano tutta una serie di tecniche analitiche di trattamento dei dati con
la finalità di elaborare stime sul futuro basandosi sui dati storici accumulati nel tempo. Il
risultato che si ottiene è espresso sotto forma di probabilità che un particolare evento o
comportamento dello specifico cliente, si verifichi nel periodo futuro considerato.
Basandosi sulle prestazioni passate dei clienti, i modelli di analisi predittiva, valutano ed
esprimono la probabilità che un cliente tenga un comportamento specifico o risponda ad
un'offerta specifica, con notevoli riscontri positivi in termini di relazioni ed aumento del
valore offerto66.
Tra i modelli più utilizzati vale la pena citare quello relativo al credit scoring, che analizza
la possibilità che uno specifico cliente effettui un ritardo nel pagamento di una fattura,
con conseguente aumento del rischio di insolvenza; in questo modo l’azienda può
precauzionarsi dal rischio di liquidità ed effettuare solleciti di pagamento, al fine di
evitare l’effettivo ritardo67.
Relativamente ai clienti, si possono utilizzare i sistemi di BA per68:
- Valutare il cliente, ossia determinare se per l’azienda è economicamente
conveniente mantenere un cliente nel proprio portafoglio e se è utile continuare
a servirlo.
Questa specifica applicazione sfocia nell’applicazione della BA alla Customer
Profitability Analysis69.
Inoltre, altra valutazione che può essere effettuata è quella relativa alla decisione
se servire un potenziale cliente o meno, basandosi sulle informazioni esterne di
cui l’azienda può entrare in possesso (bilanci, feedback di altre aziende,
66 BusinessWeek Research Services (2009) 67 nGenera (2008) 68 nGenera (2008) 69 Cfr. paragrafo 3.4
45
informazioni sui media, ecc.); con questi dati si può fare una previsione, simile a
quella fatta per la valutazione del cliente già esistente, per determinare se il nuovo
cliente possa, o meno, creare profitti sufficienti.
- Personalizzazione, la pressione competitiva cui le aziende sono sottoposte,
soprattutto in mercati iper-competitivi, porta alla personalizzazione del
prodotto/servizio offerto come il modo in cui mantenere proficuamente la
relazioni con i clienti.
Prevedere quando e quali personalizzazioni posso essere richieste dai clienti, porta
l’azienda al notevole vantaggio di poter anticipare i tempi di produzione e
rispondere in maniera pronta alle richieste, con una crescita significativa dei
ricavi, aumentando il valore offerto.
Tra gli esempi figurano le ricerche correlate di Amazon e Netflix e le
"raccomandazioni intelligenti per il guardaroba" realizzate da agenti di call center
a Victoria's Secret70.
- Determinazione del prezzo, le aziende, in genere, associano un livello di rischio
uguale per tutti i clienti, quindi determinano il prezzo del prodotto o servizio in
modo che copra il livello di rischio associato, nonché tutti i costi sostenuti.
Tramite una modellazione predittiva si può semplificare il processo di
acquisizione dei clienti, prevedendo lo specifico rischi associato ad un
determinato cliente, rendendo più efficaci le decisioni sui prezzi, con conseguenti
miglioramenti dal lato della redditività.
In generale, si può affermare che la comprensione del cliente, e dei suoi bisogni e gusti,
è l'essenza stessa del successo di un’azienda71.
Tramite i dati raccolti dai soggetti a diretto contatto coi clienti, relativi a esperienze di
acquisto e personalizzazioni, utilizzando i modelli predittivi della business analytics, si
possono ipotizzare la redditività, lealtà e altri aspetti di ogni clienti e la strategia specifica
da seguire per ciascuno di essi. Questa tecnica ha aiutato sia i soggetti offline che online
70 nGenera (2008) 71 Sharma e Dadhich (2014)
46
a determinare quali prodotti devono essere portati sul mercato, ottimizzare il piano di
marketing e sviluppare programmi promozionali e fedeltà.
Una ulteriore applicazione dei modelli predittivi in questo ambito, è quello di determinare
che cosa un cliente è più probabile che acquisti in futuro, in modo che l’azienda si faccia
trovare preparata quando accadrà.
Questi strumenti sono necessari per consentire ad un'azienda di posizionare correttamente
il prodotto e concentrare efficacemente i propri investimenti nei confronti dei propri
clienti.
3.4 I SISTEMI DI BUSINESS ANALYTICS NELLA FUNZIONE
MARKETING
Nell'epoca del digital, sviluppare strategie aziendali incentrate sul cliente è l’obiettivo
principale, e raggiungerlo non è esente da difficoltà.
La strada per allineare marketing e IT non è stata facilmente percorribile, ma i big data e
i sistemi di business analytics possono essere di ausilio nel procedere col cambiamento.
I cambiamenti dei clienti portano ad una necessaria evoluzione del marketing, il cui
adattamento alle nuove tecnologie è emerso come un fattore chiave per il successo
dell’azienda72.
Questa evoluzione è determinata dalle nuove opportunità dell’analisi dei dati e dalle
nuove tecnologie, che portano alla possibilità (e necessità) di cambiare il modo in cui
definire, descrivere e interpretare l’impatto del marketing sul business.
L’applicazione dei sistemi di analisi dei dati sono di per sé uno strumento che migliora
l'esperienza dei clienti, con l’utilizzo dei big data si arriva ad una velocizzazione del
cambiamento nella cultura aziendale, portando fine alle tensioni tra marketing e IT,
promuovendo una nuova era del marketing.
Infatti, oggi i responsabili del marketing sono forzati a cambiare quello che
tradizionalmente facevano, puntando più su un approccio più scientifico e analitico
72 Sweetwood (2013)
47
piuttosto che un approccio creativo, al fine di generare una maggiore stabilità della
redditività del capitale investito.
Il grande vantaggio che i sistemi di BA apportano in questo ambito è che, a partire da
un semplice dato (ad esempio le visite di un sito web), viene trasformato in preziose
informazioni su come agire; si costruiscono così modelli predittivi del comportamento
dei clienti e, conseguentemente, si predispongono campagne di marketing e di
comunicazione ad hoc73.
L’applicazione dei sistemi di business analytics al marketing, può essere analizzata
osservando sei elementi che li caratterizzano74: dati, tecnologia, capacità analitiche
avanzate, metodologia, cultura analitica e innovazione.
I primi tre componenti sono elementi fondamentali e come tali necessitano di una costante
cura e miglioramento. Questi, in affiancamento ai successivi tre elementi, dimostrano il
loro reale valore.
Dati
I dati sono l’elemento fondamentale sia della BA e del marketing; i dati più preziosi sono
quelli provenienti dai clienti stessi. Nella maggior parte delle aziende, il marketing si
limita strettamente al rapporto con i clienti, ma ciò che con l’applicazione della business
analytics si arriva ad avere è un ruolo centrale del marketing, diventando una vera e
propria funzione chiave.
Tecnologia
La tecnologia necessaria per utilizzare questi sistemi rappresenta una sfida per il
marketing perché necessita, come espresso in precedenza, dal supporto continuo da parte
di IT per mantenere l’operatività. Oggi questa tecnologia significa applicazioni
intelligenti che permettono ai responsabili del marketing di reagire rapidamente ai
cambiamenti del mercato, testare costantemente le campagne intraprese e fornire elementi
misurabili che mostrino il raggiungimento dei risultati desiderati.
73 Ward (2013) 74 Sweetwood (2013)
48
Analisi avanzate
Le funzionalità analitiche avanzate permettono ai responsabili del marketing di prendere
decisioni basate sui fatti relativamente al design del prodotto, alla segmentazione del
mercato, all’ottimizzazione della scelta del canale da utilizzare, ecc. Inoltre, con l’utilizzo
dei sistemi di BA, i responsabili del marketing sono in grado di ottenere informazioni
preziose sulle tendenze e le prospettive dei clienti.
Le analisi avanzate sono molto più di semplici metriche o strumenti di reporting; infatti i
tradizionali indicatori indicano qual è la situazione attuale e cosa è stato fatto fino a quel
momento, mentre i sistemi di business analytics, dotandosi di strumenti di analisi
avanzati, forniscono preziose indicazioni per il futuro.
Metodologia
La metodologia necessaria per poter implementare le informazioni ottenute con la BA
all’interno del processo di marketing prevede che tali informazioni siano utilizzare in
maniera coerente col loro valore, ossia che inducano la giusta scelta; è necessaria inoltre
una costante valutazione delle campagne di marketing per verificare che i risultati ottenuti
siano effettivamente quelli preventivati.
In un contesto di cambiamento costante, una corretta metodologia di lavoro aiuta ad
allineare le necessità e le opportunità di varie funzioni; consente inoltre un livello di
trasparenza che aumenta la credibilità del marketing all'interno dell’azienda.
La metodologia diventa la guida che aiuta a costruire una cultura analitica diffusa:
ottenere informazioni di valore senza poi saperle sfruttare diventa una pericolosa perdita
di tempo e evidente segno di inefficienza.
Cultura analitica
Sviluppare e diffondere una cultura analitica richiede una forte leadership che incoraggi
a porre le domande giuste a prendere in considerazione i rischi e che propaghi l’impegno
a informare e collaborare tra le varie funzioni, all'interno dell’azienda stessa.
Se si diffonde la curiosità nell’analizzare i motivi dietro ad ogni avvenimento nei soggetti
che si trovano a dover prender delle decisioni, allora si arriverà ad una piena
consapevolezza delle opportunità offerte dalla business analytics e da un suo pieno
sfruttamento.
49
Innovazione
Dati, tecnologia, analisi avanzate, metodologia e una forte cultura analitica
contribuiscono a portare l'innovazione nel marketing, perché fare marketing permette di
far conoscere il prodotto ai clienti e permettere di venderglielo, e ciò diventa
inevitabilmente più efficace se il tutto è basato su dati sempre “sicuri”. Ciò consente di
innovare rispetto alle tradizionali metodologie di marketing, se:
- Vengono proteggi e curati i dati da utilizzare nel processo di data mining;
- Vengono sfruttate le diverse opportunità offerte dai sistemi di BA (velocità,
capacità di analisi di ampi set di dati, previsioni affidabili, ecc.);
- Stabilire un approccio organizzato su come utilizzare i vari strumenti;
- Essere flessibili, ovvero costantemente pronti ad apportare modifiche.
- Mantenere la credibilità nei confronti dei clienti, cercando di mantenere vivo il
rapporto con loro.
I responsabili del marketing maggiormente innovativi sfruttano i sistemi di business
analytics, pur prendendosi più rischi, per cercare di essere agili nel rispondere alle
mutevoli esigenze del mercato.
Ad esempio, dal momento in cui è iniziata l’applicazione delle tecniche di ottimizzazione
del marketing in SaS, i tassi di conversione delle campagne di marketing sono triplicati,
mentre i costi di comunicazione associati sono calati. C'è stata una riduzione delle
cancellazioni dalla newsletter e-mail del 20% e un aumento delle percentuali di clic del
25%, sinonimo di qualità superiore, costi ridotti e una migliore esperienza del cliente75.
SKY Italia è riuscita, tramite soluzioni di BA applicate al marketing, a creare offerte
personalizzate ai propri clienti al momento giusto e col canale di comunicazione preferito,
ad applicare una politica di prezzi che premia la fedeltà oltre che i nuovi clienti e ad
aggiornare continuamente i pacchetti con contenuti adatti alle esigenze del client, il tutto
riducendo la pubblicità ritenuta spam. Ciò è stato possibile tramite l’utilizzo di software
75 Sweetwood (2013)
50
dedicati all’analisi dei dati dei 5 milioni di clienti e l’utilizzo delle informazioni ottenute
nel processo di marketing76.
3.5 LA BUSINESS ANALYTICS NEL COST MANAGEMENT
3.5.1 Il Cost Management: definizione e caratteristiche Relativamente a definire cosa si intenda per Cost management, non risulta esserci una
definizione condivisa tra gli autori e studiosi del fenomeno.
Silvi77 definisce il cost management come “un insieme di attività manageriali finalizzate,
tramite l’impiego di appropriati strumenti informativi e organizzativi, a controllare e
migliorare l’efficienza e l’efficacia globale dell’azienda, in termini operativi e strutturali,
nel breve e medio/lungo periodo”.
Giannetti (2013, pag 5-6) fa notare come alcuni autori considerino il cost management
come un mero insieme di tecniche e metodologie utili al miglioramento dei processi
aziendali tramite le informazioni ottenute su costi, valore, qualità e tempestività richiesta
dai clienti. Altri autori considerano una definizione più estesa, andando a ricomprendere
sia la riduzione dei costi che la produzione di maggior valore, tramite tecniche e
metodologie che coinvolgono tutte le funzioni aziendali.
Ciò che appare chiaro è che la riduzione dei costi non sia il solo obiettivo del cost
management, ma ne rappresenti comunque un importante obiettivo.
A tal proposito può rilevarsi utile distinguere la riduzione dei costi sulla base della finalità
con la quale viene attutata: tradizionale o strategica78.
Nel caso di riduzione dei costi tradizionale, viene utilizzata per finalità specifiche (es.
riduzione del costo di produzione di un prodotto) e, conseguentemente, ha un raggio
d’azione limitato alla funzione alla quale viene applicata e si rivolge ad un orizzonte
temporale di breve termine. Viene utilizzata solo successivamente al palesarsi della
specifica necessità.
Nel caso di riduzione strategica dei costi, la finalità è quella del conseguimento di un
vantaggio competitivo e del miglioramento della sua sostenibilità. Ha un ampio raggio
d’azione, dato che coinvolge tutta la catena del valore; essendo rivolta all’ambito
strategico, l’orizzonte temporale a cui fa riferimento, inevitabilmente, è quello di lungo
periodo, le cui decisioni avranno effetti nel breve.
76 Itasascom (pubblicazione periodica di SaS Insitute S.r.l.), numero 2 anno 2017, pag. 15 77 Silvi et al. (2004 pag. 43) 78 Giannetti (2013), pag. 9
51
Questa metodologia viene applicata in maniera continua e agisce proattivamente, in
maniera da mettere l’azienda sempre nelle migliori condizioni per poter reagire alle sfide
del mercato.
Ridurre i costi porta benefici79:
- Economico-finanziari, nel senso che contenendo i costi di acquisto (e produzione),
in aggiunta ad un (eventuale) contemporaneo incremento del valore offerto,
permette di aumentare i ricavi e i margini.
Inoltre, effetti positivi in questo ambito si possono avere conseguentemente alla
decisione di eliminare un prodotto/linea di prodotti in perdita, il che permetterebbe
di liberare risorse, riducendo il capitale investito o reimpiegarlo in attività
redditizie.
- Risultati competitivi, riducendo i costi opportunamente, si può rafforzare la
posizione competitiva, dato che l’abbassamento dei prezzi può portare ad un
ampliamento della quota di mercato, senza intaccare la remunerazione del capitale
investito.
- Risultati sociali, una riduzione dei costi, in generale, più comportare una profonda
insoddisfazione degli interlocutori sociali. La riduzione strategica dei costi è volta
a migliorare l’equilibrio economico dell’azienda nel lungo periodo, con
conseguenti miglioramenti dei rendimenti attesi da parte degli stakeholders.
- Risultati di sviluppo, sotto il profilo quantitativo si può assistere alla diminuzione
di parametri (ad esempio il capitale investito) che nell’immediato danno benefici
all’azienda ma nel lungo periodo portano a mancanze di competenze/impianti
necessari allo sviluppo. Sotto il profilo qualitativo la continua ricerca di riduzione
dei costi stimola le persone a migliorare sempre di più le proprie competenze,
aumentando la possibilità di creare valore.
79 Giannetti (2013), pag. 17-32
52
Riassumendo quanto esposto in precedenza, nel cost management i dati di costo, e le altre
tipologie di dati, vengono utilizzate per80:
- Migliorare i prodotti;
- Supportare le strategie;
- Migliorare l’uso delle risorse;
- Ridurre i costi;
- Migliorare i servizi.
Tra le metodologie che vengono utilizzate per l’applicazione del cost management
possiamo trovare81:
- Activity-based Costing: in pratica, tramite l’Activity Based Costing82 si
individuano le attività (e il loro costo tramite i resource cost driver) e
successivamente si aggregano le attività che compongono un medesimo processo.
L’informazione così ottenuta è utile per analisi di profittabilità, supporto al pricing
ed alle iniziative di riduzione dei costi (Cinquini, 2017)
- Activity Based Management (ABM), “sistema di controllo direzionale che
individua nelle attività e nei processi aziendali i nuclei su cui esplicare l’azione
manageriale per migliorare l’efficacia e l’efficienza della combinazione
produttiva, finalizzata ad accrescere il valore offerto al cliente e la redditività
dell’impresa” (Cinquini, 2009)
- Target Costing, “un processo di gestione strategico del profitto e dei costi […]
guidato dal prezzo […] che gestisce i costi nelle fasi iniziali dello sviluppo del
prodotto e si applica lungo il suo ciclo di vita, coinvolgendo attivamente l’intera
catena del valore”. (CAM-I Target Cost Core Group, 1997)
Ciò che avviene è, una volta individuato il prezzo che il prodotto dovrà avere per
poter essere commercializzato ed il profitto desiderato e, come differenza, si
ottiene il costo obiettivo (target cost) che è necessario rispettare.
80 Hilton et al. (2008) 81 Miolo Vitali (2009) e cfr. Giannetti (2013) 26 “Metodo che misura il costo e le prestazioni delle attività correlate ai processi e degli oggetti di costo assegnando i costi alle attività in base al loro utilizzo delle risorse, assegnando quindi i costi agli oggetti di costo in base al loro utilizzo delle attività”. Da: Consortium for Advanced Management International CAM-I
53
- Customer Profitability Analysis (CPA), “la Customer Profitability Analysis,
tramite l'identificazione di ricavi, costi e margini relativi al singolo cliente o del
gruppo di clienti, [...] e la loro combinazione, fornisce al management
informazioni di vitale importanza riguardanti la propria base di clienti, essenziali
per prendere decisioni ben informate con risvolti lungo termine.” (Noone e Breffini,
1997, pag. 76).
In pratica, tramite l’ABC, si va ad identificare il costo di servire ogni singolo
cliente e, confrontando questo dato col ricavo di ogni singolo cliente, si determina
se servire un cliente per l’azienda rappresenti un elemento positivo che
contribuisce alla redditività aziendale o, al contrario, rappresenta uno spreco di
risorse.
- Determinazione e gestione dei costi della qualità e costi della non-qualità, per
“costi della qualità” si intendono “la somma dei costi sostenuti per svolgere
attività atte al raggiungimento di un livello di qualità a priori individuato e quella
dei componenti negativi di reddito afferenti, invece, al mancato ottenimento di
tale livello”. (Guida alla British Standard Institution BS 6143:1981)
Rientrano pertanto in questa categoria i costi della prevenzione, valutazione e
degli insuccessi (interni ed esterni). I costi relativi agli insuccessi sono anche
definiti costi della non-qualità.
- Determinazione e gestione dei costi ambientali, definita come “risorse consumate
per valutare, prevenire e correggere mancanze derivanti da azioni che
potenzialmente generano un effetto negativo sulla vita umana, animale e
vegetale” (Marelli li, 2009)
Relativamente ad alcuni di queste metodologie (target costing, costi della qualità e costi
ambientali) non è stato rilevata in letteratura alcun riscontro del beneficio della business
analytics nei confronti dei suddetti strumenti. Per gli altri è emerso dalla letteratura come
la BA, in maniera più o meno determinante e completa, può dare un contributo al
miglioramento degli effetti dell’applicazione dei singoli modelli, come riportato di
seguito.
54
3.5.2 La Business Analytics nella determinazione della profittabilità dei clienti Sempre più frequentemente, i consumatori tendono a considerare i prodotti o servizi
offerti dalle aziende come commodities83. Conseguentemente, ciò che essi cercano e
richiedono dai fornitori sono servizi specifici e aggiuntivi, idee, innovazione e maggior
personalizzazione84. Molte aziende per potersi adattare a questa necessità, hanno deciso
di cambiare filosofia produttiva, focalizzandosi non più al prodotto, quanto al cliente da
servire, potenziando le proprie attività di vendita e di marketing e attraverso l'utilizzo di
strumenti di BA, in modo da interpretare più correttamente il comportamento dei loro
clienti, le loro preferenze e le abitudini di acquisto. Avendo compreso, soprattutto dopo
la recente crisi economica, l’importanza del capitale relazionale con i clienti, le aziende
hanno iniziato ad utilizzare dei modelli predittivi al fine di individuare, sulla base dei
comportamenti passati, qual è la probabilità che un determinato cliente richieda in futuro
un certo servizio (es. una personalizzazione, un particolare packaging) o il verificarsi di
un determinato evento (es. un ordine numericamente ampio, il ritardo di pagamento)85.
Come conseguenza a questo mutamento, sono stati fatti cambiamenti sul funzionamento
del processo di reportistica interna, modificandone il contenuto; nel report vengono
inseriti dati relativi alla redditività dei clienti, tramite l’utilizzo di metodologie di cost
management come la Customer Profitability Analysis.
Avendo queste informazioni, l’azienda può riuscire a programmare al meglio la
produzione, essere più veloce nel processare un ordine e, soprattutto, decidere se
mantenere un cliente o meno, sulla base della sua profittabilità. In questo modo si cerca
di mantenere i migliori clienti aumentandone la soddisfazione utilizzando le risorse
liberate dismettendo i clienti in perdita. È decisamente utile che la funzione contabile
elabori e fornisca informazioni accurate sul marketing, sulle vendite e sui singoli clienti,
dato che queste informazioni possono aiutare l’azienda a capire perché alcuni di essi
risultano essere più redditizi di altri e di come ogni singolo cliente contribuisca
(positivamente o negativamente) alla determinazione del margine aziendale
complessivo86.
83 “[…] particolare categoria di beni che viene scambiata sul mercato senza differenze qualitative. Si tratta più nello specifico di beni cosiddetti fungibili, che sono quindi sostituibili nella soddisfazione del bisogno cui sono collegati, indipendentemente da chi li produce.” Da: http://www.borsaitaliana.it/notizie/sotto-la-lente/commodity.htm 84 Cokins (2013) 85 nGenera (2008) 86 Miolo Vitali (2003, pag. 197-207)
55
La pressione competitiva sta portando le aziende a personalizzare il modo in cui
gestiscono le relazioni con i clienti. Non è raro che i responsabili del commerciale e del
marketing siano meravigliati nello scoprire che, a causa dei servizi particolari richiesti,
alcuni clienti che apparentemente sembrano redditizi, in realtà non lo sono e altri che a
differenza non lo sembrano, sono determinanti per una positiva performance aziendale.
Spesso accade che i clienti che effettuano grandi acquisti non siano i più redditizi perché,
in virtù della forza contrattuale acquisita, tendono a tirare verso il basso il prezzo o
richiedono particolari servizi o personalizzazioni che erodono il margine dell’azienda.
L’utilizzo della CPA, di per sé, è sufficiente a determinare la redditività di ogni singolo
cliente ma, con l’utilizzo dei sistemi di business analytics, si può ampliare l’analisi e
cercare di capire se possa essere conveniente mantenere un cliente o determinare cosa
accadrebbe eliminandolo.
L’applicazione dei sistemi di BA alla Customer Profitability Analysis, di per sé, non
modifica il modo con cui essa viene applicata, cioè rivolto ad analizzare i dati passati. Ciò
che, in pratica, la BA permette di fare è quello di avere una finestra sul più probabile
futuro; con questi sistemi si hanno valori riferiti ad eventi che devono ancora avvenire e,
successivamente all’applicazione delle metodologie della CPA, si ottengono
informazioni utili per guidare l’azienda verso gli obiettivi. Applicando la CPA a dati
riferiti al futuro, ottenuti con i modelli predittivi, si può determinare come, con i trend
attualmente in corso, un cliente possa diventare profittevole a differenza di quanto possa
apparire adesso, oppure effettuare simulazioni sull’effetto dello svolgimento di una
determinata azione sulle variabili che incidono sulla redditività dei clienti.
Risulta ovvio comprende l’importanza e il vantaggio che l’ottenimento di certe
informazioni, prima che un evento accada, permette all’azienda di agire in anticipo e farsi
trovare preparata, sia per difendersi da un evento avverso che per sfruttare un’opportunità
in arrivo.
In merito a ciò, anche dall’intervista al manager di Piaggio87, è emerso come l’azienda
utilizza i sistemi di BA a supporto del cost management per l’attività di analisi della
profittabilità dei clienti.
L’applicazione delle tecniche analitiche di elaborazione dei dati, permettono di capire
quali siano le caratteristiche peculiari di un cliente che lo portano ad essere più o meno
87Intervista realizzata dall’autore
56
redditizio rispetto ad un altro. Queste tecniche consentono alle funzioni di vendita e
marketing di capire quali azioni, offerte, servizi, offerte, prezzi e altre decisioni possano
generare ulteriori profitti per l’azienda. La BA, come visto permette di rispondere a
domande come “quale cliente (o gruppo di clienti) genera maggior profitto?”. Come
appena esposto, attraverso l'analisi dei dati a disposizione, la business analytics permette
di rispondere determinando la quantità ottimale di risorse da utilizzare per mantenere, far
crescere, riconquistare clienti o acquisirne di nuovi. Un ulteriore e interessante utilizzo
della BA in tema di gestione delle relazioni coi clienti, riguarda il mantenimento dei
clienti considerati “migliori”.
Ciò che capita generalmente è che le aziende attuano strategie per convincere un cliente
e rimanere tale sono quando egli manifesta l’intenzione a cessare la relazione. Arrivati a
questo punto, cambiare l’intenzione del cliente può essere costoso o impossibile.
Grazie allo sfruttamento della business analytics, le aziende affrontano il problema prima
che si verifichi, andando ad analizzare i segnali che possono manifestare il possibile
abbandono, analizzando i clienti che lentamente riducono gli acquisti di prodotti o
l'utilizzo di servizi. Alcune società stanno sviluppando sistemi di allarme che rilevano
qualsiasi cambiamento significativo nel comportamento del cliente che può indicare un
problema88.
3.5.2 Analisi del valore dei processi e Business Analytics Un investimento in business analytics nello svolgimento delle operazioni e dei processi,
può accelerarne l'esecuzione e ridurre il rischio di sprechi di tempo, identificando cause
precedenti di errori. Conseguentemente, l'efficienza operativa ne risulta migliorata e si
riducono i costi causati dal dedicare tempo inutile in operazioni che non apportano valore
aggiunto all’azienda89.
L’analisi del valore dei processi, effettuata tramite la metodologia dell’ABM, permette di
capire che alcune attività alle quali si dedicano tempo (e conseguentemente risorse) nello
svolgimento, spesso non apportano alcunché al cliente del processo (sia esso il cliente
finale che un cliente interno); come conseguenza portano a sprechi di risorse, con
conseguenti aumenti di costi, che vanno ad erodere il margine aziendale. Con lo
svolgimento di questa analisi, si identificano tre categorie di attività90:
88 nGenera (2008) 89 Klatt et al. (2011) 90 Miolo Vitali (2009)
57
- A valore aggiunto esterno, attività necessaria alla realizzazione del prodotto e che
contribuisce a soddisfare un bisogno del cliente (consegna, assemblaggio, ecc.);
- A valore aggiunto interno, attività che contribuisce a soddisfare una necessità di
un cliente interno, indipendentemente dalla sua necessità per l’output
(preparazione reportistica, erogazione salari dipendenti, ecc.);
- Senza valore aggiunto, attività che viene svolta nonostante non sia né necessaria
né richiesta dal cliente interno o esterno (spostamenti delle merci, riprogettazione,
tempi di attesa).
Eliminare un’attività che non contribuisce a soddisfare il fabbisogno del cliente, e che
non è necessaria, porta al beneficio per l’azienda di ridurre i costi, senza alterare le
funzionalità del prodotto o servizio.
Come sottolinea Morakhdan (2015), il tempo impiegato per raccogliere, combinare e
organizzare le informazioni è un’attività senza valore aggiunto esterno, ma essendo
indispensabile per l’operatività interna dell’azienda, è da considerarsi a valore aggiunto
interno, dato che le decisioni prese basandosi su queste informazioni sono rilevanti e
necessarie. La strategia che dovrebbero intraprendere le aziende, è quella di
automatizzare il più possibile le attività non a valore aggiunto, in modo da liberare risorse
economiche e tempo da dedicare sulle attività che producono effettivamente un valore
per il cliente, al fine di aumentarlo.
3.5.3 La determinazione dei prezzi con la Business Analytics Storicamente la determinazione dei prezzi di vendita è stata molto utilizzato come ambito
di applicazione dei business analytics. Davenport (2014) fa notare come vi sono aziende
che sono ormai esperte in questo ambito, come le compagnie aeree e le catene alberghiere,
le quali utilizzano strumenti di ottimizzazione dei prezzi al fine di individuare il miglior
prezzo per una determinata tratta o una stanza.
La determinazione del prezzo ottimale, originariamente è stata fatta con dati interni dei
quali l’azienda era in possesso, su quali venivano applicate le metodologie analitiche per
l’estrazione dell’informazione relativa al prezzo ideale. Alcune aziende hanno iniziato ad
incorporare anche dati esterni e non strutturati nell'algoritmo, ottenendo prezzi che
58
tengono conto anche dell’influenza che variabili esterne (ad esempio dati metereologici)
possono avere sui prezzi del prodotto finale. Per molte aziende l’identificazione di un
prezzo speciale per ogni singolo cliente è una necessità: ad esempio le imprese
assicuratrici devono collegare e determinare il premio in modo da coprire il rischio che
l’azienda sopporta assicurando il cliente91.
In questa situazione la determinazione di un modello predittivo efficace è una necessità
dettata dalla specificità del settore; quindi per poter permettere l’efficacia e l’efficienza
del modello predittivo, è necessario che in fase di implementazione del modello di
business analytics, si dia molta importanza alla determinazione del problema da risolvere
e a tutte le variabili che siano segnaletiche di un aumento della rischiosità del cliente. In
taluni casi anche i rivenditori al dettaglio si stanno aprendo all’adozione di approcci
analitici per valutare le loro merci e i rivenditori online stanno sperimentando l’offerta di
prezzi diversificati ai clienti per un medesimo prodotto o servizio.
3.5.4 Le opportunità offerte dalla Business Analytics: riduzione dei costi e nuove opportunità di ricavi I sistemi di business analytics forniscono numerosi vantaggi all’azienda anche
nell’ambito della gestione dei costi (la BA genera riduzione dei costi) che dal lato dei
ricavi (creando nuove opportunità da sfruttare).
Per quanto riguarda la riduzione dei costi, possono essere individuate tre attività chiave
dove la BA interviene, permettendo una diminuzione dei costi aziendali. Queste attività
sono92:
- Eliminazione dei processi di raccolta dati manuali, ciò permette una diminuzione
del tempo dedicato all’inserimento manuale dei dati nel sistema.
Inoltre ciò permette di azzerare (quasi totalmente) il rischio di errore
nell’inserimento manuale dei dati, comportando una riduzione dei costi di
correzione degli errori di inserimenti, dei costi derivanti dalle errate scelte basate
su dati non corretti e la riduzione delle attività di verifica e supervisione
dell’attività di data entry.
Tutte queste attività, che con l’ausilio dei sistemi business analytics possono
essere eliminate, sono attività senza valore aggiunto esterno ma che, in condizioni
91 nGenera (2008) 92 Haight (2015)
59
normali, sono necessari in virtù del rischio di errore intrinseco dovuto alla normale
attività manuale.
- Migliore pianificazione della capacità produttiva, tramite l’utilizzo delle analisi
predittive (e prescrittive) si può conoscere in anticipo cosa è necessario produrre
per un determinato momento futuro, in virtù dell’analisi e delle previsioni sul
comportamento dei clienti. Il notevole vantaggio che si ottiene è quello di poter
sfruttare al meglio la capacità produttiva esistente, evitando sovraccarichi di
produzione in momenti di particolare densità di domanda, evitando colli di
bottiglia dovuti a fasi del processo produttivo più lente rispetto alle precedenti e
permettendo, soprattutto, di evitare di trovarsi in una situazione eccessivo sotto
sfruttamento della capacità produttiva.
Proprio quest’ultimo aspetto è particolarmente importante perché la presenza di
capacità produttiva inutilizzata può essere sintomo di mancanza di coordinazione
del processo produttivo e, soprattutto, rappresenta un costo per l’azienda che non
ha un diretto ritorno monetario per l’investimento effettuato per avere quella
specifica capacità produttiva.
Quindi, se l’azienda si trova nella situazione di avere, in seguito alle previsioni
effettuate tramite i modelli di BA, una capacità produttiva inutilizzata, può
decidere come poterla sfruttare i fattori produttivi di cui dispone.
Del medesimo avviso risulta essere il manager intervistato di Piaggio93, il quale
sostiene che il miglioramento della programmazione produttiva permette una
riduzione del magazzino (conseguentemente minori livelli di esposizione
finanziaria in termini di capitale circolante netto), che in un’azienda stagionale (di
cui Piaggio rappresenta un esempio), è una priorità per la riduzione del rischio.
In questa necessità, indice molto anche l’accorciamento del ciclo di vita dei
prodotti, in quanto l’errata produzione di un componente, comporta merce
invenduta e non più utilizzabile a causa delle nuove necessità richieste dal
mercato.
- Migliore gestione delle manutenzioni; come relativamente al punto precedente,
utilizzare i sistemi di BA per analizzare i dati dei propri impianti e macchinari, si
93 Intervista realizzata dall’autore
60
può arrivare a ipotizzare, con buoni margini di approssimazione, quando sia il
momento più adatto per effettuare una manutenzione. Tramite l’analisi dei dati
relativi alle manutenzioni già effettuate, alle ore lavorate e, soprattutto, ai passati
guasti, ed ai continui invii di dati da parte di sensori applicati sui vari prodotti (o
macchinari), la BA può prevedere quando intervenire, evitando interruzioni della
produzione e, di fatto, aumentando la vita utile dei macchinari.
- Processi di assistenza e garanzia più efficienti, similmente a quanto visto per le
manutenzioni degli impianti aziendali, tramite un’accurata analisi della difettosità
media e dello storico degli interventi in garanzia, nonché tramite l’analisi
dell’effettivo utilizzo dei prodotti da parte degli utilizzatori, tramite l’inserimento
di appositi sensori e relativo collegamento ad internet94, si può arrivare a
programmare l’attività dell’assistenza e degli interventi in garanzia (acquistando
o producendo preventivamente i componenti, riducendo i tempi di attesa) e a
fornire ai clienti informazioni in merito al momento in cui è necessario richiamare
il prodotto per poterlo sistemare.
Entrando più nello specifico, i sistemi di business analytics permetto alle aziende di avere:
- Una maggiore disponibilità di tempo da dedicare ad attività che producono valore;
come visto in precedenza, eliminare attività senza valore aggiunto fa sì che il
tempo liberato possa essere utilizzato per attività che, sia internamente, che per il
cliente, danno un valore aggiunto al sistema di prodotto.
Ciò significa che un impiegato interamente dedicato al data entry, può essere
ricollocato alla redazioni di reportistica sulla soddisfazione del cliente, oppure
essere dedicato al dialogo coi clienti, al fine di identificare possibili miglioramenti
nei prodotti o servizi, o ancora può essere incaricato di seguire la gestione dei
crediti, verificando l’effettiva riscossione dei crediti e sollecitando i ritardi.
- Nuovi prodotti e servizi sviluppati partendo dai dati raccolti, le indicazioni che si
ottengono analizzando i trend, le esigenze e le modifiche delle abitudini di
consumo dei clienti, permettono alle aziende di poter realizzare prodotti che siano
molto più in linea con le loro necessita oltre che testare, tramite i modelli
prescrittivi, se la realizzazione di un prodotto, o la sua commercializzazione in
94 Cfr. Capitolo 5
61
uno specifico mercato, possa essere economicamente conveniente per l’azienda
stessa.
Quest’ultimo vantaggio, sicuramente, è quello di maggior impatto, ma assolutamente non
sono da considerare secondari anche i vantaggi nella relazione coi clienti e nella riduzione
dei costi che, seppur conseguenza dell’utilizzo dei sistemi di BA, non da considerarsi
vantaggi considerevoli.
Da questa analisi, i sistemi di business analytics risultano essere molto importanti e utili
a supporto del processo di cost accounting e quello di cost management.
In entrambi i casi, sotto il profilo meramente delle tecniche utilizzate, non si ha un
effettivo miglioramento, essendo esse ormai mature e riconosciute come efficaci ciò che
la BA consente, come detto anche in precedenza, è di poter ampliare l’orizzonte
dell’analisi dell’andamento dei costi e della loro gestione al futuro, permettendo di
verificare quali variazioni è lecito aspettarsi.
In questo modo si migliorano le scelte da prendere, anche andando a considerare l’effetto
che esse avrebbero sulla variabile “costo” di un dato oggetto.
In merito, il manager di Piaggio95 afferma, che il tradizionale sistema di budgeting
(redatto annualmente) non è più adatto, e anche in Piaggio i sistemi di BA sono applicati
all’analisi e gestione dei costi; infatti, afferma che vi sono dei soggetti specificatamente
allo svolgimento delle analisi di convenienza economica, valutando alternative di
fornitura, e effettuando analisi di make or buy tramite i sistemi di business analytics in
maniera quotidiana, automatizzando e utilizzando nuove e più precise informazioni
nell’analisi tra alternative.
95 Intervista realizzata dall’autore
62
3.6 LA BUSINESS ANALYTICS NEL CONTESTO STRATEGICO
Continuando la disamina delle funzioni che possono beneficiare della BA, andiamo ora a
analizzare come nell’ambito della determinazione della strategia possano essere utilizzati
questi sistemi.
Dalla letteratura risulta che la BA può contribuire al successo della pianificazione
strategica, cercando di descrivere l'uso sistematico della business analytics al fine di
identificare e dimostrare le relazioni quantitative tra fattori di contesto, input, processi,
output e risultati.96
La difficoltà che spesso il top management si trova di fronte nella determinazione della
strategia e l’applicazione degli strumenti di diagnosi strategica, è quello di non conoscere
e non considerare le relazioni causali tra variabili. Con i sistemi di BA, è possibile
identificare queste relazioni e determinare quali sono le linee di azione da intraprendere
per poter migliorare il raggiungimento obiettivi strategici. L'approccio analitico applicato
all’analisi strategica può potenzialmente permettere di scoprire nuove dinamiche di
business97, che possono essere utilizzare per l’attuazione di strategie emergenti. In questo
modo l’azienda rimane sempre preparata ai cambiamenti che avvengono nel mercato,
relativi sia clienti che concorrenti, e si adatta rimanendo competitiva.
Un’applicazione pratica si ottiene con il test dell’impatto della strategia. Sulla base di
assunzioni effettuate in fase di pianificazione strategica, e utilizzando le relazioni tra
variabili, la BA consente di testare la forza delle varie alternative strategia e valutare
l’impatto che possono avere sui risultati aziendali e sul grado di raggiungimento degli
obiettivi strategici. In questo modo si rileva se i risultati desiderati possono essere
raggiunti tramite le azioni strategiche programmato oppure no. Successivamente a questo
test, i dirigenti possono orientarsi verso la strategia che è risultata essere la migliore19.
Inoltre, questo test può essere fatto anche periodicamente al fine di valutare la qualità
dell’impostazione strategica e la sua validità.
96 Klatt et al. (2011) 97 Schläfke (2012)
63
3.7 ULTERIORI APPLICAZIONI DELLA BA
Rispetto alle più classiche applicazioni della business analytics, esistono altri ambiti in
cui la BA può espletare il proprio valore98. Il manager intervistato99, afferma che anche
Piaggio, oltre alle funzioni tradizionali di applicazione della BA (Amministrazione,
finanza e controllo), utilizza questi sistemi anche per ambiti (sotto analizzati più in
dettaglio) come gestione delle risorse umane, servizi post vendita (ad esempio a
prevenzione delle frodi in officina per interventi in garanzia non dovuti o analisi della
difettosità del prodotto) e l’analisi della supply chain.
Catena di approvvigionamento
In un’azienda di produzione, la gestione e ottimizzazione della catena di
approvvigionamento è un elemento essenziale per migliorare tutti i processi e rendere più
efficiente l’azienda nel suo complesso. In questo ambito, la BA può permettere di
rispondere a quesiti come:
- Qual è il punto più rischioso della catena di fornitura?
- Cosa accadrebbe in caso di interruzione?
- Come possiamo migliorare i punti di forza?
- Come possiamo misurare e predire i comportamenti dei fornitori?
Le aziende più avanzate non si limitano al primo anello della catena di fornitura, ma
monitorando anche i fornitori dei propri fornitori, al fine di valutarne la solidità.
Leroy Merlin, azienda multispecialista del settore bricolage, con l’utilizzo di software di
SaS, è riuscita ad ottimizzazione il flusso merci, la pianificazione e la previsione della
domanda attraverso uno scambio continuo di informazioni100. L’effetto di questa
introduzione ha permesso una crescita di oltre il 300% negli ultimi cinque anni,
principalmente negli ultimi due esercizi.
98 nGenera (2008) 99 Intervista realizzata dall’autore 100 Da: https://www.sas.com/it_it/customers/leroy-merlin-supply-chain.html
64
Tra i benefici ottenuti sono stati riscontrati:
- Riduzione dei ritardi e ottimizzazione di tutta la filiera dell’inventory;
- Miglioramento delle performance di business e del livello di soddisfazione dei
clienti;
- Miglioramento della gestione del ciclo di vita del prodotto.
Gestione del personale
Le aziende devono cercare di capire al meglio le esigenze dei propri dipendenti, in modo
da valutarne, oltre alle rispettive performance, anche elementi come motivazione,
adeguatezza dei carichi di lavoro. Un altro utilizzo è quello di identificare con maggiore
precisione il profilo adatto per uno specifico incarico e promuovere quei soggetti che
effettivamente hanno appreso le giuste conoscenze per svolgere quel ruolo. In questo
ambito, la BA permette di rispondere a domande come101:
- Quali sono le categorie dei dipendenti più critiche?
- In quale funzione le partenze di dipendenti sono più problematiche?
- Quali aspetti del lavoro, dell’azienda e dell'offerta di lavoro sono più apprezzare
dei nostri migliori dipendenti?
- La paga offerta ai lavoratori è corretta in relazione alle performance?
Webred102, società della regione Umbria, tramite SAS Human Capital Management è
riuscito ad ottenere una fotografia molto nitida sull'effettivo stato di utilizzo delle risorse
umane impegnate in ambito sanitario (oltre 10mila persone fra medici, impiegati e
personale paramedico) e consentendo di effettuare simulazioni sulla base di ipotesi
decisionali.
Gestione del magazzino e inventario
La BA, secondo Tang (2017) può essere utile anche nella pratica più strettamente
contabile. Con la tecnologia Radio Frequency Identification (RFID)103, un'azienda può
101 nGenera (2008) 102 Da: https://www.sas.com/it_it/customers/webred.html 103 “La tecnologia RFID di identificazione automatica è basata sulla propagazione nell’aria di onde elettro-magnetiche, consentendo la rilevazione automatica (hand free), massiva ed a distanza di oggetti, animali e persone sia statici che in movimento” da: http://www.rfidglobal.it/tecnologia-rfid/
65
tenere traccia delle sue merci lungo la linea di montaggio, nel proprio magazzino e nei
punti vendita serviti.
Questa tecnologia consente di tenere aggiornato in real time l’effettiva consistenza fisica
dei prodotti in magazzino oltre che, tramite l’implementazione di modelli di calcolo
specifici, di immediatamente la valutazione del magazzino104. A differenza dell'uso delle
tradizionali metodologie richieste dalla normativa civilistica e dai principi internazionali
(FIFO, LIFO, costo medio ponderato), si ottiene il valore effettivo del magazzino nel
momento del calcolo, senza procedere ad approssimazioni, insita nel meccanismo di
applicazione delle tradizionali metodologie, rese necessarie dall’alta complessità di
attribuire un costo e un prezzo di mercato ad ogni simbolo componente o prodotto
stoccato in magazzino. In questo modo gli stakeholder ne giovano, avendo una
rappresentazione in bilancio più simile alla realtà.
L’applicazione della business analytics nella gestione del magazzino consente, tramite
modelli predittivi, e la loro applicazione ai dati storici sugli ordini e sull’andamento del
mercato immagazzinati nel tempo, di generare delle previsioni sulle possibili necessità in
termini di vendite, produzione e, conseguentemente, in ambito di approvvigionamento.
Ciò consente di ridurre le tempistiche di fornitura al cliente e aumentarne il valore105.
Misurazione e valutazione degli intangible assets
Un ulteriore ambito a cui i sistemi di business analytics possono essere applicati è quello
relativo alla misurazione degli Intangible Assets106.
Tramite una continua raccolta dei dati sulla soddisfazione del cliente, dai media e
piattaforme social, e una loro analisi, un'azienda può determinare in maniera più affidabile
e tempestiva il vero valore di mercato di un intangible, pratica difficile con le normali
tecniche contabili107.
Soprattutto grazie all’analisi dei big data, compresa l’estrazione di informazioni
provenienti dai social media, e la loro combinazione con le tecniche analitiche di
processamento dei dati, si riesce ad identificare e quantificare questi elementi immateriali,
tradizionalmente sfuggenti e nascosti108.
104 Tang (2017) 105 Davenport e O’Dweyer (2017) 106 “Risorse identificabili di natura non monetaria, portatrici di afflussi di benefici economici futuri, controllate dall’impresa a seguito di eventi passati e prive di materialità in senso forte o debole (es. software contenuto in un compact disc)” da: IAS 38 107 Chae et al (2014) 108 Tang (2017) e Rothberg e Erickson (2017)
66
CONSIDERAZIONI CONCLUSIVE
Nel presente capitolo sono state analizzati alcuni degli ambiti aziendali dove i sistemi di
business analytics hanno da tempo dimostrato la loro validità
Ciò che risalta è la facilità di adattamento al contesto di attuazione della BA, infatti in
base all’obiettivo per il quale viene utilizzata, riesce a fornire informazioni utili per
alimentare il processo decisionale.
In aggiunta a ciò va considerata l’inadeguatezza dei tradizionali sistemi di controllo di
gestione (tipicamente bilancio, budget e relative analisi) che tipicamente fanno
riferimento all’esercizio, i quali non risultano essere adattabili alla velocità richiesta per
l’ottenimento delle informazioni. Questi, per quanto si possa cercare di ridurne
l’orizzonte temporale, danno i propri frutti con un ritardo sempre troppo ampio rispetto
alle esigenze.
In tutti i contesti di applicazione della BA visti, il vantaggio è quello di riuscire a ottenere
maggiore conoscenza rispetto alle metodologie tradizionali e, soprattutto, in maniera
tempestiva. Soprattutto grazie al fatto che si riescono ad effettuare analisi predittive e
prescrittive, si riesce a prendere la decisione giusta in anticipo rispetto al verificarsi
dell’evento osservato. Gli indubbi vantaggi vanno dalla possibilità di limitare delle
perdite, alla scoperta di nuove opportunità inesplorate fino alla riduzione del profilo di
rischio dell’azienda.
In generale, i sistemi di BA permettono di analizzare in maniera molto specifica e
approfondita dati relativi ad ambiti che in passato non erano considerati (soddisfazione
del cliente, cambi nelle abitudini di acquisto, opinioni, difettosità del prodotto, analisi
macroeconomiche, ecc.) dato che sono estremamente difficili da essere analizzati senza
l’ausilio delle macchine sia perché mancava la convenienza in ordine di tempo utilizzato
che sotto il profilo economico (in termini di software e hardware).
La diffusione dell’utilizzo della business analytics porta come effetto complessivo, come
sostenuto nel primo capitolo, un notevole aumento del valore offerto al cliente e della sua
soddisfazione.
67
CAPITOLO 4 – L’ANALYTICAL PERFORMANCE
MANAGEMENT
68
4.1 I BUSINESS PERFORMANCE ANALYTICS
I Business Performance Analytics (BPA) sono il risultato dell’applicazione dei sistemi di
business analytics a modelli di performance management109.
Con l’utilizzo della BA, quindi attraverso l’impiego tecnologie informatiche (ICT), fonti
ampie di dati (Big Data), strumenti di misurazione delle performance aziendale (PMS) e
metodi di indagine matematico-statistici ed econometrici, si ottiene una migliore
comprensione delle dinamiche di e delle performance.
I BPA, quindi, possono essere definiti come “un insieme di apparati informativi che
attraverso l’impiego di una variegata massa di dati, molteplici strumenti di PMS e di
indagine analitica (matematico-statistici ed econometrici) supportano il management
nella comprensione delle dinamiche di business, nei processi decisionali e nel
monitoraggio dei risultati”. (Silvi e Visani, 2016)
L’approccio alla gestione dell’impresa supportata dai BPA prende il nome di Analytical
Performance Management (APM)110.
Come visto nei precedenti capitoli111, i contesti competitivi negli ultimi anni si sono
profondamenti modificati, infatti i clienti mutano in maniera estremamente rapida le
proprie esigenze e l’innovazione tecnologica viaggia a ritmi vertiginosi, quindi i BPA
rappresentano un’opportunità da cogliere per soddisfare le necessità dei consumatori ed
essere preparati agli eventi che l’azienda si trova a fronteggiare.
Le aziende dovranno essere in grado di sfruttare al meglio questa opportunità altrimenti
rischiano di essere spiazzate da un momento all’altro da un concorrente più abile a
cavalcare l’onda.
109 “L’insieme dei processi, metodologie, metriche e sistemi finalizzati a misurare e gestire le performance di un’organizzazione. Sono quindi comprese le metodologie di Budgeting, Planning e Forecasting, Analisi di Profittabilità e Ottimizzazione, Dashboard e Scorecard, Consolidamento e Reporting Civilistico, Gestionale e Finanziario” da: http://www.pmi.it/impresa/business-e-project-management/articolo/5695/performance-management-in-azienda.html 110 Silvi e Visani (2016) 111 Cfr. paragrafo 1.1
69
L’applicazione dei BA ai sistemi di misurazione delle performance (PMS) risulta essere
stimolante perché la business analytics permette di superare i limiti che presentano i PMS:
a) Sovraccarico di informazioni, con troppe informazioni a disposizione si ha
difficoltà a identificare ciò che è realmente segnaletico di una buona performance.
Con la BA si riescono a processare maggiori volumi di dati e a generare minori
informazioni ma più significative;
b) Assenza di interdipendenze causali tra variabili, le variabili osservate per
determinare i risultati aziendali sono spesso scelte in maniera soggettiva e tra loro
scollegate. Con la BA, come visto nel paragrafo 2.1, si possono scovare relazioni
di causa-effetto tra variabili e le relative conseguenze di ordine operativo,
strategico e finanziario;
c) Sclerotizzazione dei modelli di performance management, i modelli tradizionali
si concentrano esclusivamente sugli elementi più evidenti e misurano solo gli
elementi che chi lo ha progettato ha deciso di misurare. La BA permette di
analizzare ampie quantità di dati e di poter cogliere opportunità che sorgono e che
non erano state previste.
Dopo aver capito l’importanza che i BPA possono apportare al performance management,
si capisce come le opportunità fornite da questi sistemi siano notevoli, soprattutto
Figura 2 - Punti di forza e debolezza di BA e PMS da: Silvi e Visani (2016)
70
relativamente alla capacità di verificare costantemente la validità delle scelte prese dal
management e a fornire quelle più efficaci.
Un altro importante frutto dell’unione tra BA e PMS è quello di determinare in maniera
“scientifica” i Key Performance Indicator (KPI), in modo che siano meglio
rappresentativi del modello aziendale e delle performance essa che genera.
4.1.1 Le componenti dei BPA Come indicato in precedenza, le componenti di un modello di business peformance
analytics sono quattro:
1) Big Data112, la quantità di dati a disposizione delle aziende, sui quali effettuare
analisi, sono aumentati in maniera drastica negli ultimi anni, soprattutto grazie ad
internet e alla maggiore capacità di calcolo ed immagazzinamento dei computer,
nonché del verificarsi del fenomeno dell’iperconnettività.
L’aumento della quantità dei dati porta come elemento negativo il fatto che la
stragrande maggioranza di essi hanno fonte esterna (che comporta minore
affidabilità) e sono non strutturati (quindi richiedono maggiore capacità
computazionale degli elaboratori).
Se questi dati vengono ben organizzati e inseriti nei processi aziendali in maniera
corretta, possono realmente trasformarsi in un’arma potente per l’azienda ma se
le capacità necessarie latitano, diventano una opportunità non sfruttata.
2) Infrastruttura informatica, l’azienda deve possiede software e hardware
tecnicamente in grado di processare ed estrarre dai dati delle informazioni in
maniera rapida ed economicamente conveniente, altrimenti lo sfruttamento dei
big data rimarrò terreno inesplorato.
3) Metodi di indagine analitici, senza le competenze per poter applicare metodologie
analitiche di estrazione e processamento dei dati, l’azienda non potrà creare valore
dai big data, dato che i risultati ottenuti non potranno essere interpretati da persone
correttamente formate. Tra questi metodi rientrano quelli visti per la BA di tipo
matematico, statistico, econometrico e altri metodi.
112 Cfr. Capitolo 5
71
4) Modelli di performance management, i dati e le informazioni ottenute devono
essere inserite in un apposito modello di performance management al fine di
svolgere il proprio compito. Tra i modelli possiamo ricordare sistemi di KPI,
balanced scorecard, budget, analisi degli scostamenti, ecc.
Secondo Silvi e Visani i BPA, per come sono strutturati, hanno la piena potenzialità di
rappresentare la normale evoluzione del performance management, dato che permettono
di approfondire significativamente la conoscenza del business e le relazioni che possono
intercorrere tra variabili apparentemente indipendenti.
4.2 L’ANALYTICS PERFORMANCE MANAGEMENT: GENESI E
CONDIZIONI DI FUNZIONAMENTO
L’Analytical Performance Management è la filosofia di gestione aziendale che si basa
sullo sfruttamento delle tecniche analitiche di trattamento dei dati in unione ai modelli
tradizionali di performance management113. L’APM si fonda su una ampia esplorazione
delle relazioni quantitative che esistono tra i fattori che influenzano le prestazioni.
L'approccio consente alle imprese di conoscere quali variabili non finanziarie
contribuiscono e incidono alla performance finanziaria. Dato che non tutte le aziende
adottano questo approccio, il suo sfruttamento rappresenta un'opportunità di ottenere (o
consolidare) vantaggio competitivo rispetto ai concorrenti114.
L'idea di base dell’analytical performance management è che le aziende creino modelli
statistici che identifichino e formalizzino le relazioni causali tra variabili del proprio
business model. In linea teorica, se le aziende considerassero o controllassero tutte le
possibili variabili che potrebbero avere effetti di rilievo sulle performance, il risultato
sarebbe una sorta di equazione generale che descriva il contributo di ogni singolo
performance driver a livello aziendale aggregato.
113 Silvi e Visani (2016) 114 Silvi e Visani (2016) e Raffoni et al (2018)
72
4.2.1 L’implementazione di sistemi di APM Silvi e Visani (2016) hanno elaborato un modello che permette di capire come si può
implementare l’Analytics Performance Management. Questo modello prevede cinque fasi
fondamentali. Prima di elencarle è necessario specificare come il modello di realizzazione
di un BPA, sia differente in base a quale funzione esso viene relegato. Se viene utilizzato
per il controllo diagnostico si cerca di individuare i performance driver di una strategia
per determinarne obiettivi e risultati.
L’utilizzo per il controllo interattivo si cerca di identificare i “segnali deboli” per capire
quali sono le opportunità o minacce che non sono state considerate in fase di
determinazione della strategia. Vediamo di seguito le fasi in maniera analitica115:
Fase 1 – Analisi della strategia aziendale e del relativo modello di business�
In questa fase si vanno ad analizzare sia l’ambiente esterno in cui l’azienda opera che il
modello di business dell’azienda stessa. Si analizzano i fattori critici di successo richiesti
per operare sul mercato e le caratteristiche necessarie per poter competere con i
concorrenti.
Al fine di analizzare approfonditamente il modello di business, è utile capire come i ricavi
vengono generati dall’azienda e le modalità con le quali l’azienda sostiene costi per la
realizzazione dei prodotti o servizi offerti al pubblico. Questa fase è identica sia nel caso
di utilizzo con finalità diagnostiche che nel caso di finalità interattive, in quanto
rappresenta la fase inziale dell’APM.
Fase 2 – Definizione delle key question
In questa fase è necessario identificare un insieme di domande alle quali rispondere al
fine di comprendere quali e come utilizzare le tecniche analitiche per comprendere in
maniera più specifica gli elementi identificati nella fase precedente. Nel caso di controllo
diagnostico si porranno domande che permettono di capire i performance driver mentre
nel caso di controllo interattivo le domande riguardano la comprensione dei rischi e delle
incertezze presenti sul mercato116.
115 Silvi e Visani (2016) e Raffoni et Al. (2018) 116 Silvi e Visani (2016)
73
Fase 3 – Selezione e raccolta dei dati
Avendo delle domande a cui rispondere, sarà necessario avere come base per formulare
le risposte una serie di dati dai quali estrarre le informazioni necessarie e richieste.
In caso di controllo diagnostico generalmente i dati sono presenti internamente
(provengono da sistemi informativi interni). Nel caso di controllo interattivo la fonte è
esterna e si identifica nei big data.
Fase 4 – Applicazione dei metodi di indagine analitici e interpretazione dei risultati
Le analisi da effettuare sono già state descritte in precedenza e, come visto, sono
particolarmente complesse e richiedono conoscenze specifiche, anche se per analisi più
semplici possono essere utilizzati anche software come Excel. Nel caso di controllo
diagnostico si utilizzano prettamente tecniche econometriche o matematiche, mentre nel
caso di controllo interattivo si utilizzano le tecnologie dei Big Data Analytics117.
Fase 5 – Inserimento dei BPA nel modello di performance management aziendale
Affinché l’azienda adotti effettivamente la filosofia dell’APM, è necessario che i business
performance analytics non rimangano un elemento a sé stante, ma è necessario che siano
incorporati nel modello di performance management che l’azienda utilizza.
Nel caso di controllo diagnostico l’output servirà per definire le misurazioni, la
reportistica, l’analisi degli scostamenti e altri strumenti classici di PMS.
Nel caso di controllo interattivo si cerca di captare segnali dall’ambiente che permettano
di identificare minacce da fronteggiare o opportunità da cogliere.
Figura 3 - Step per l'implementazione dell'APM da: Silvi e Visani (2016)
117 Silvi e Visani (2016)
74
4.2.2 L’evoluzione dei sistemi tradizionali di misurazione delle performance Recentemente le aziende hanno potenziato i sistemi misurazione delle performance
(PMS) al fine di poter supportare i responsabili nel prendere decisioni utilizzando
informazioni rilevanti.
I PMS possono essere definiti come “l’insieme di strumenti e processi in grado di
orientare i manager verso l’adozione di comportamenti validi a produrre risultati
misurabili in un futuro più o meno immediato”118. Questi sistemi vengono utilizzati per
acquisire e valutare i dati relativi alle prestazioni e per individuare i fattori chiave di
successo all'interno di un’azienda. Il performance management, come visto in
precedenza, ha ampliato la propria visione, aprendosi anche ai performance driver non
finanziari, anziché utilizzare, come storicamente fatto, esclusivamente misure
economico-finanziarie e patrimoniali. I nuovi sistemi di misurazione delle performance
devono consentire di gestire l'azienda in un'ottica strategica. Le azioni che seguono
devono essere coerenti con l’impostazione strategia che è stata decisa per l’azienda, anche
se spesso risulta difficile trovare le misure che indichino se gli obiettivi di lungo termine
siano stati raggiunti o, al contrario, si sta “viaggiando” nella direzione opposta.
Come ricorda Castellano (2012)119 le caratteristiche essenziali dei PMS sono:
a) Chiara definizione delle performance desiderate, esplicitare chiaramente i risultati
che si vogliono ottenere permette di indirizzare i comportamenti degli attori
aziendali con più facilità verso tali livelli.
b) Accurata misurazione dei risultati ottenuti, misurare in maniera oggettiva evita
che vi siano comportamenti opportunistici e permette di evitare discussioni circa
le modalità di calcolo in situazioni ambigue.
c) Correlazione stretta tra obiettivi, risultati e incentivi, commisurare gli incentivi al
raggiungimento delle performance desiderate, permette di invogliare gli attori a
tenere comportamenti virtuosi.
Per tale motivo è necessario che vengano progettati in maniera precisa e in modo da far
andare di pari passo competenze di tipo manageriale, organizzativo e contabile.
118 Lebas e Euske (2002, pag. 68) 119 Castellano (2012, pag. 120)
75
4.2.3 Le criticità dei PMS tradizionali I sistemi di misurazione delle performance come tradizionalmente intesi, non sono esenti
da critiche da parte di studiosi. Data l’alta competitività che i mercati odierni presentano,
molte aziende hanno capito, spesso a proprie spese, che le fonti tradizionali di vantaggio
competitivo non sono più sostenibili ed è necessario, quindi, essere in grado di cogliere
al volo le nuove fonti di vantaggio competitivo. Le nuove opportunità di business, il
timing e il know-how, oltre alla necessità di fornire un servizio veloce ed efficace,
richiedono strumenti sofisticati e decisioni sempre più rapide, sia a livello operativo che
strategico120. Granà e Busco (2013), invece, fanno notare come i tradizionali sistemi di
misurazione delle performance mostrano un importante limite, cioè quello di esser
chiamati a gestire alti volumi di dati. I PMS tradizionali sono ritenuti incompatibili nel
considerare tutte le informazioni di cui un’azienda oggi può disporre, soprattutto grazie
alla crescente diffusione delle nuove tecnologie (i Big Data), portando ad un
rallentamento del processo decisionale. Per questi motivi è necessario che, al fine di
tenersi al passo coi cambiamenti che avvengono in azienda e nei mercati, i manager
definiscano e progettino nuovi sistemi per determinare le performance raggiunte,
sfruttando a pieno le opportunità che sistemi come la business analytics forniscono.
4.3 LA BUSINESS ANALYTICS PER IL CONTROLLO DI
GESTIONE: IL MADA FRAMEWORK
Appelbaum et al. (2017) hanno proposto un modello per implementare la business
analytics nel controllo di gestione, basandosi sul modello della balanced scorecard
(BSC)121. Nel Managerial Accounting Data Analytics (MADA) framework, proposto da
Appelbaum, Kogan, Vasarhelyi e Zhaokai, il controllo di gestione è suddiviso nelle sue
componenti elementari: contabilità dei costi, misurazione delle prestazioni,
pianificazione e processo decisionale.
120 Schläfke et al. (2012) 121 La balanced scorecard è uno strumento che “[…] traduce la mission e la strategia di un’azienda in un insieme di misure di performance che forniscono un modello per la misurazione della strategia […]. La BSC misura la performance tramite quattro prospettive bilanciate: risultati economico-finanziari, clienti, processi interni, apprendimento e crescita, […] permettendo il monitoraggio dell’aspetto economico-finanziario e contemporaneamente la crescita delle capacità utili per la futura crescita” da: Norton e Kaplan (1996, pag. 2-3)
76
Nel cost accounting, il controllo di gestione utilizza, per i propri scopi, dati interni.
I dati utilizzati per la misurazione delle prestazioni sono principalmente dati interni, anche
se alcuni dati esterni possono essere molto utili. La medesima considerazione vale anche
per la pianificazione e il processo decisionale.
La BA può essere implementata per assistere i controller in tutti e tre gli aspetti del
controllo di gestione122:
a) Il cost accounting sfrutterà l’analisi descrittiva, in modo da riassumere e
descrivere la situazione dei costi dei vari oggetti di costo individuati al fine del
controllo dell'impresa.
b) Nella misurazione delle performance i controller sfruttano analisi predittive, per
fornire una previsione delle future performance organizzative e analisi descrittive
per determinare il livello delle performance raggiunto nel periodo.
c) Nella pianificazione e nel processo decisionale, le analisi prescrittive sono
utilizzate al fine di ottenere informazioni sulla decisione ottimale da prendere.
In questo framework, la metodologia della BSC viene implementata alla base della
misurazione delle prestazioni e degli aspetti decisionali e di pianificazione della gestione
contabile al fine di introdurre l'analisi dei dati nel processo correlato.
122 Appelbaum at Al. (2017)
77
Figura 4 - la rappresentazione del MADA Framework da: Appelbaum et al. (2017)
Prospettiva economico-finanziaria
Rende esplicito l’impatto delle strategie sulla creazione di valore per gli azionisti,
attraverso l’esame dei risultati economico-finanziari. L'analisi descrittiva consente ai
controller di avere la visione complessiva delle performance finanziarie dell'azienda.
Inoltre, confrontando tali report con i dati di benchmark del settore, si determina se
l'azienda mantiene un vantaggio competitivo.
In questa prospettiva, l'analisi predittiva viene generalmente impiegata per prevedere le
prestazioni economico-finanziarie future. Con i risultati generati con l’analisi descrittiva
e predittiva, si possono effettuare analisi prescrittive al fine di identificare le soluzioni
ottimali e i loro risultati che esser portano.
Dimensione della clientela
Questa dimensione di analisi permette di capire come l’azienda viene percepita dai propri
clienti, suddividendo in quattro categorie gli elementi che i clienti analizzano
relativamente all’azienda123:
- tempo, considerando il tempo necessario all'azienda per il soddisfacimento delle
esigenze dei clienti; tanto prima i clienti vengono serviti, quanto più essi avranno
un’opinione positiva sull’azienda.
123 Appelbaum et al. (2017)
78
- qualità, essa misura i livelli della difettosità percepiti dai clienti dei prodotti o
servizi offerti.
- prestazioni e servizio, questa combinazione evidenzia come i prodotti o i servizi
dell’azienda contribuiscono a creare valore per i clienti.
- costo, misura il prezzo che l’azienda è disposta a pagare al fine di coprire gli sforzi
effettuatati per raggiungere il livello desiderato nei precedenti elementi (tempi,
qualità, prestazioni e servizi).
Considerando gli elementi appena citati, i manager possono articolare una strategia
orientata al cliente, in grado di assicurare la sua soddisfazione e fidelizzazione.
In questo contesto, le analisi descrittive forniscono una rassegna completa della situazione
della clientela, circa la loro soddisfazione e fidelizzazione.
Possono essere effettuate, ad esempio, un'analisi che incrociano il tasso di difettosità
medio di prodotto, il tasso di restituzione delle merci e il tasso utilizzo della garanzia per
poter per misurare il livello di soddisfazione del cliente a riguardo di uno specifico
prodotto124.
Ciò che la business analytics permette, rispetto alle tradizionali metodologie di analisi, è
quella di analizzare anche fonti esterne con dati non strutturati (es. siti web o social
network); in questo modo i responsabili del controllo di gestione possono utilizzare il
rating che i clienti elaborano sull’azienda che viene fuori da recensioni o reclami del
forum relativi prodotto, oppure utilizzare tecniche che permettono di estrarre
informazioni utili dall’analisi da Twitter o Facebook.
Con le analisi predittive i controller sono in grado di determinare delle stime relative agli
elementi, visti in precedenza, che determinano la soddisfazione dei clienti (tempo, la
qualità, le prestazioni e il servizio dei prodotti o costo).
Le previsioni possono essere effettuate utilizzando congiuntamente i dati storici interni
accumulati nel tempo e dati ottenuti da siti esterni o social media, analizzati attraverso
algoritmi di analisi descrittiva.
Ad esempio, potrebbero essere utilizzati dei modelli matematici che permettano di predire
il periodo di tempo che va tra il momento in cui riceve l'ordine e quello in cui viene evaso,
permettendo una coordinazione del processo produttivo.
124 Appelbaum et Al. (2017)
79
Tramite l’utilizzo dell’analisi dei social media, si può arrivare alla determinazione delle
possibili reazioni dei clienti all’uscita di un nuovo prodotto o all’introduzione di una
nuova funzionalità in un prodotto esistente125.
L'analisi prescrittiva fornisce la soluzione ottimale tra i costi aziendali e gli altri fattori
come tempo, qualità, prestazioni e servizio.
Tradizionalmente le decisioni più critiche, i responsabili hanno sempre fatto affidamento
sulla propria esperienza e su semplici modelli statistici. Con gli strumenti di analisi
prescrittivi vengono suggerite le decisioni più adatte da prendere, utilizzando le
informazioni estratte attraverso statistiche e modelli dai dati a disposizione.
Ad esempio, per una società manifatturiera, l’analisi prescrittiva può essere utilizzata per
trovare la soluzione ottimale tra le competenze dei dipendenti, la complessità di
elaborazione delle transazioni e la qualità desiderata del prodotto finale.
Dimensione dei processi interni
Identifica i processi gestionali interni di importanza cruciale nei quali l’azienda deve
eccellere per soddisfare le aspettative della clientela e conseguire gli obiettivi economico-
finanziari.
Le analisi descrittive potrebbero essere utilizzate per identificare dipendenti altamente
efficienti, combinando la misurazione delle competenze dei dipendenti, delle produttività
e delle altre caratteristiche dei dipendenti.
Le analisi predittive basandosi su dati storici, utilizzano modelli per predire i valori futuri
relativamente all’efficacia dei processi interni e alla loro capacità di permettere il
raggiungimento degli obiettivi.
L'analisi prescrittiva fornisce un'ottimizzazione dei processi interni basati sui risultati
dell'analisi descrittivi e predittivi.
125 Tuarob et Al. (2013)
80
Dimensione dell’apprendimento e della crescita
Mentre le prospettive della clientela e dei processi interni individuano i fattori più cruciali
per il successo attuale e futuro, la prospettiva in questione individua l’infrastruttura che
l’organizzazione deve costruire per creare crescita e miglioramento a lungo termine.
Misura l’abilità del personale, dei sistemi e dell’organizzazione a gestire la complessità
ed adattarsi al cambiamento.
Le analisi descrittive possono essere effettuate per dimostrare l'importanza che l'azienda
mette sull'innovazione o su come i dipendenti stanno imparando a fronteggiare con nuove
sfide.
A titolo di esempio, il rapporto d’incidenza delle spese di R&D sulla spesa totale può
essere utilizzato per descrivere quanto l’azienda si propensa allo sviluppo di nuovi
prodotti o servizi. inoltre, i modelli di estrazione del testo possono essere utilizzati per
valutare il progresso dell'apprendimento dei dipendenti nel caso sia effettuata una
modifica delle mansioni126.
L'analisi predittiva permette di conoscere il possibile risultato degli investimenti attuali
in materia di innovazione e formazione dei dipendenti.
Esistono particolari modelli matematico-statistici che consentono di effettuare previsioni
e fornire supporti decisionali, andando incontro alle esigenze dei responsabili del
controllo di gestione relativamente alla comprensione delle situazioni specifiche che
affrontano.
Gli strumenti prescrittivi aiutano i controller a creare modelli che coniughino
l’innovazione con altri fattori, quali la soddisfazione del cliente e le entrate delle vendite
e permettano di individuare la strategia ottimale per migliorare la progettazione di un
nuovo prodotto.
Per esempio, i manager possono anche utilizzare questi modelli per decidere se e quali
nuove tecnologie incorporare per aumentare la produttività e l'efficienza del lavoro.
126 Chand et Al. (2005)
81
Il modello appena visto fornisce una chiara rappresentazione di come è possibile sfruttare
in maniera piena e proficua le opportunità che la business analytics mette a disposizione
per migliorare i sistemi di controllo di gestione.
Con questi sistemi, come confermato dall’intervista realizzata in Piaggio127, l’utilizzo
della BA per analizzare le performance di oggetti di vari analisi (processo, prodotto,
intervento, campagna o di una azione in generale) sono effettuati quotidianamente e, per
tale motivo, l’utilizzo della BA si concentra sulla loro efficacia, verificando se si sono
colte le opportunità raggiungendo i migliori risultati ottenibili ed analizzandone le cause.
Ovviamente l’Analitical Perfomance Management e la sua applicazione pratica (i BPA)
non sono certo esenti da criticità e punti deboli. Questi elementi saranno analizzati nel
paragrafo successivo.
4.4 LE CRITICITÀ DELL’APM
Da un sondaggio effettuato da Davenport (2008) su un campione di manager, risulta che
esistono diverse criticità che possono rallentare o compromettere l’introduzione e
l’utilizzo dell’APM. Le principali motivazioni sono relative:
- Qualità, accuratezza e coerenza dei dati raccolti;
- Disaccordo sulla scelta degli indicatori di performance o difficoltà pratica nella
misurazione delle metriche identificate;
- Incapacità di aggregare dati provenienti da fonti diverse;
- Insufficienti di dati;
- Mancanza di supporto esecutivo o di interesse da parte dei soggetti coinvolti;
- Mancanza delle competenze necessarie, criticità molto rilevante, come già
sottolineato per i sistemi di BA.
Questi fattori possono sicuramente determinare il fallimento dell’implementazione
dell’APM per cui, per chi avesse necessità di introdurre questa filosofia manageriale, è
chiamato al difficile compito di gestire queste situazioni per il buon fine dell’investimento
e della realizzazione del sistema.
127 Intervista realizzata dall’autore
82
Anche Silvi e Visani (2016) sottolineano che, tra le criticità per l’utilizzo dei BPA siano
da considerarsi la mancanza delle competenze necessarie dei manager. Infatti è necessario
che questi possiedano conoscenze aziendalistiche e manageriali oltre che la capacità
nell’utilizzo di strumenti di performance management e di interpretazione dei dati.
Oltre a questa, gli Autori ravvisano tra le criticità:
a) La capacità di analisi di dettaglio, la spinta a capire le motivazioni al di sotto di
ogni valore al fine di poter dare un significato al tutto.
b) La difficoltà di far accettare ai manager “tradizionalisti” nuovi sistemi che si
basano sulla fiducia verso gli algoritmi che stanno al di sotto dei sistemi di APM.
c) La qualità dei dati deve essere tale da permettere di determinare informazioni
corrette e affidabili. È necessario, quindi che venga prevista periodicamente
un’analisi sulle procedure di raccolta.
d) Passaggio dalla misurazione alla gestione delle performance, finché non ci si
affida ad un sistema di gestione basato sulle misurazioni effettuate, lo sforzo per
la determinazione dei risultati sarà vano.
Ovviamente queste criticità ricalcano molto quelle viste per i sistemi di business
analytics128, sistemi dai quali l’Analytical Performance Management e i Business
Performance Analytics discendono e ne sfruttano le caratteristiche peculiari.
128 Cfr. Paragrafo 2.3
83
CONSIDERAZIONI CONCLUSIVE
Come visto in questo capitolo, l’applicazione della business analytics nella
determinazione e analisi delle performance aziendali risulta essere una realtà ampiamente
trattata in letteratura nonché una delle funzioni aziendali in cui il suo utilizzo è
maggiormente diffuso. Infatti, la misurazione delle performance, in generale, è un
elemento indispensabile per la buona guida dell’azienda: sapere cosa si è fatto permette
di capire se l’azienda sia o meno in grado di raggiungere gli obiettivi preposti.
Il contributo che in tal senso fornisce la BA è quello di creare modelli di misurazione che
possano essere adattati ed implementati in maniera più efficace sulla singola azienda;
infatti, tramite l’analisi di un’ampia quantità di dati, si arriva all’identificazione delle
interazioni tra variabili, permettendo la creazione dei modelli di analisi molto efficaci.
L’utilizzo della BA per la misurazione delle performance aziendali permette di rendere i
PMS più efficaci, evitando di inondare i manager di informazioni potenzialmente
fuorvianti e di identificare le potenziali modifiche alle strategie da apportare per
migliorarne l’esecuzione.
Questi modelli vengono poi implementati a vari livelli nei sistemi di BPA, che saranno
utilizzati per effettuare varie tipologie di analisi (descrittiva, predittiva e prescrittiva).
Il MADA Framework, presentato nel paragrafo 4.3, è un chiaro esempio di come nei
sistemi tradizionali di misurazione delle performance (PMS) possano essere
efficacemente implementati i sistemi di business analytics. Nel caso specifico, per le
classiche dimensioni di analisi proposte dai creatori della balanced scorecard (Norton e
Kaplan) viene dimostrato l’apporto e l’utilità che l’azienda può trarre, analizzando i dati
a disposizione, per determinare la performance della dimensione oggetto di analisi.
Ovviamente anche in questo caso non siamo esenti da critiche; infatti i BPA presentano
le principali criticità in merito all’ambiente in cui si vanno ad utilizzare. Se l’ambiente è
ben disposto, quindi possiede una cultura e delle competenze e la disponibilità del
management verso le innovazioni, allora si crea una situazione favorevole allo sviluppo
dei sistemi di BPA, altrimenti non si fa altro che ostacolarne l’utilizzo non sfruttando a
pieno le potenzialità offerte.
84
CAPITOLO 5 – L’EVOLUZIONE DEI BUSINESS
ANALYTICS
85
5.1 L’EVOLUZIONE FUTURA DEI BUSINESS ANALYTICS
Nei precedenti capitoli abbiamo visto come l’applicazione dei metodi analitici di
trattamento dei dati alla realtà aziendale possa portare i propri benefici se correttamente
implementata e sfruttata.
I business analytics sono una realtà solida in aziende di grandi dimensioni e via via si
stanno diffondendo anche nelle aziende di dimensioni più ridotte, come emerso anche
dall’intervista al manager di Piaggio129, soprattutto grazie alla dimostrazione dei benefici
che possono apportare a chi li adotta.
Le grandissime aziende, soprattutto quelle più aperte alle innovazioni tecnologiche, sono
sempre diversi passi avanti nello sfruttamento delle opportunità che i software e i modelli
di analisi dei dati forniscono.
La tendenza in atto, in alcuni casi è già diventata realtà, è quella dello sfruttamento dei
big data. Questa enorme mole di dati viene inserita nei sistemi di BA i quali, tramite le
tecniche viste nei capitoli precedenti, riescono ad estrarre informazioni estremamente
complete e utili che permettono di creare modelli di decision making sempre più precisi
e veritieri, consentendo di prendere decisioni consapevoli e col minor rischio intrinseco
possibile.
In questo capitolo verrà affrontato anche il tema dei cambiamenti che la quarta
rivoluzione industriale sta apportando e come poter sfruttare le opportunità fornite a
favore della gestione aziendale e consegnare al consumatore finale un prodotto o servizio
adatto alle proprie esigenze.
L’industria 4.0, tramite l’applicazione della connessione internet agli oggetti (Internet of
Things o Internet delle Cose), permette la loro interconnessione, la possibilità di generare
una mole impressionante di dati (relativi alle modalità di utilizzo, ai luoghi in cui viene
utilizzato, ecc.) legati al singolo oggetto, dal quale si possono dedurre preferenze e
necessità del singolo consumatore.
Il manager di Piaggio sostiene, come visto, che le informazioni ottenibili con lo
sfruttamento dei big data posseggano un valore, ma che l’elemento più complicato per
un’azienda sia riuscire a capire come sfruttare questo valore. Per le aziende, infatti, il loro
sfruttamento, al momento, rappresenta una scommessa, considerata la loro complessità
dell’estrazione di conoscenza dalla mole di dati a disposizione. Una volta che le aziende
individuano quali dati raccogliere e come metterli a disposizione e acquisiscono le
129 Intervista realizzata dall’autore
86
capacità necessarie, saranno in grado di sfruttare questi sistemi, appena si presenterà
l’opportunità.
Maisel e Cokins (2015), nell’ipotizzare quale possa essere il successivo step
nell’evoluzione dei sistemi informatici a supporto dell’operatività aziendale, indicano la
gestione decisionale automatizzata come la più probabile evoluzione dei BA.
Le aziende, ottenendo sempre maggiori competenze e padronanza nell’utilizzo dei sistemi
di business analytics e big data analytics, riusciranno a determinare algoritmi e modelli
decisori automatizzati, che si basano sui risultati derivanti dall'applicazione di analisi sui
dati a disposizione. Il risultato a cui porterà non sarà necessariamente quello di una
riduzione della forza lavoro di cui necessita l’azienda, ma algoritmi, equazioni e
procedure aziendali derivanti da queste analisi diventeranno essenziali per
l'ottimizzazione della gestione. Le decisioni prese da questi ipotetici futuri software
saranno allineate con la strategia decisa dal vertice e dai suoi KPI.
I vantaggi sostanziali si otterranno dall'applicazione di una esplorazione sistematica delle
relazioni sottostanti il modello di business. Quando i fattori critici di successo di
un’azienda vengono misurati, monitorati e previsti nella loro evoluzione, quest’azienda
si trova nella posizione ideale per poter monitorare, gestire e mitigare i rischi derivanti
dallo svolgimento della sua attività.
Da questa ipotesi sembra che con l’assestarsi delle novità della quarta rivoluzione
industriale, il mondo nel management ne uscirà profondamente cambiato; in futuro le
aziende che avranno migliori modelli di previsione e sfrutteranno meglio i dati
riusciranno ad ottenere alti fatturati tendenzialmente sicuri mentre chi non sarà in grado
di essere al passo con queste aziende, sarà destinato a perire o ad “arretrare” nella catena
di fornitura, come affermato dal manager di Piaggio nell’intervista130, nel senso si troverà
a dover fornire il prodotto realizzato a chi ha capito come sfruttare le opportunità del
mercato e riesce a fornire tutti i servizi collegati al prodotto. Ciò che succede sarà che,
non essendo più l’azienda finale della catena di fornitura e, conseguentemente, dovrà
rinunciare a parte del margine che realizzava in precedenza, essendo presente un nuovo
soggetto.
130 Intervista realizzata dall’autore,
87
5.2 L’ERA DEI BIG DATA
Come detto nel precedente paragrafo, le grandi aziende hanno capito le opportunità
fornite dai big data e stanno iniziando a sfruttarli per ottenere migliori risultati. È
necessario, per prima cosa, capire cosa siano e quali caratteristiche abbiano i big data. I
big data sono definiti come “dati che, per quantità e varietà, non possono essere gestiti
con gli strumenti di database tradizionali, ma richiedono l’impiego di tecnologie
adeguate per la memorizzazione e l’analisi dei dati”131.
5.2.1 Il modello delle quattro V Come fanno notare diversi autori132 i big data sono contraddistinti da quattro qualità (o
“quattro V”): Volume, Velocità, Varietà e Veridicità. Andiamo ad analizzarle con
dettaglio.
Volume
La dimensione dei database che contiene i dati passa da terabyte a petabyte, exabyte e
anche zettabyte; si stima che entro il 2020 verranno creati 40 zettabyte di dati (ovvero 35
mila miliardi di gigabyte)133, con una crescita di 300 volte rispetto ai quindici precedenti
anni.
Il numero di persone che possiede un cellulare attualmente sono 6 miliardi (pari all’86%
della popolazione mondiale) inoltre, si stima che ogni giorno vengano creati 2,5
quintilioni di bytes di dati (2,3 trilioni di GB).
Questi numeri danno un’idea della vastità del volume dei big data e ciò deve mettere in
guardia chi seriamente vuole sfruttarli della sfida a cui va in contro.
Velocità
L’estrazione di informazioni dai dati deve avvenire il più velocemente possibile, in modo
da utilizzare dati ancora validi ed evitare di basare le decisioni su dati ormai “vecchi”.
Di seguito alcuni numeri che segnalano questa necessità:
- Dal 2016 sono state registrate 18,9 miliardi di connessioni ad internet, una media
di 2,5 a testa;
131 Da: http://www.glossariomarketing.it/significato/big-data/ 132 Silvi e Visani (2016) e Appelbaum et al. (2017) 133 Da: http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg
88
- Le attuali auto hanno quasi 100 sensori che monitorano, tra le altre, pressione
degli pneumatici, distanza dalle auto vicine, mantenimento della carreggiata, ecc.
- La borsa di New York (NYSE) registra, di media, 1 TB di dati in ogni sessione.
Questi numeri dimostrano come la numerosità delle fonti e frequenza delle rilevazioni
porti i dati a modificarsi con estrema velocità, motivo per cui una decisione tempestiva è
da preferirsi ad una approfondita.
Varietà
Le medesime informazioni possono assumere significato diverso a seconda del contesto
nel quale vengono reperite e della fonte dalla quale provengono. Occorre contestualizzare
il dato, in modo da capire se è indispensabile filtrarlo o meno. Infatti, i big data
provengono da una moltitudine di fonti diverse, sia interne che esterne all’azienda.
A partire dal 2011, la dimensione globale dei dati sanitari è stimato in 150 exabyte (161
miliardi di GB). Anche i social media sono una fonte sconfinata di dati: 30 miliardi di
contenuti vengono condivisi su Facebook mensilmente, 400 milioni di tweet sono inviati
da 200 milioni di utenti attivi mensilmente su Twitter e più di 4 miliardi di ore di video
vengono guardate in un mese su You Tube.
Una nuova tendenza sono i wearable, ossia i dispositivi indossabili connessi ad internet
(come Apple Watch); dal 2014 ne sono stati venduti più di 420 milioni.
Veridicità
I dati sono spesso incerti, non strutturati e di scarsa accuratezza date le diverse fonti di
provenienza e la velocità di acquisizione. Risulta molto probabile che non si riesca a
garantire un’elevata qualità di dati da inserire nel processo di estrazione delle
informazioni.
Sarà necessario quindi tener di conto di questo connotato nel momento in cui si basano
decisioni strategiche sulle informazioni da essi generate.
Proprio a riguardo della veridicità ed affidabilità delle informazioni, in un sondaggio
effettuato da IMB134 risulta che il 33% dei dirigenti aziendali non da piena fiducia alle
informazioni che utilizzano per il processo decisorio; inoltre, il 27% di rispondenti ad una
intervista si dichiaravano incerti circa l’accuratezza dei dati che possedevano.
134 Da: http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg
89
Il grosso problema che si viene a formare è relativo alla conseguenza dell’utilizzo di dati
inaccurati nelle scelte; una scelta errata porta a sostenere dei costi che non saranno coperti
dal ritorno dell’investimento effettuato. A tal proposito, si stima che i costi che le aziende
statunitensi sostengono a causa della scarsa affidabilità dei dati si attesa intorno ai 3,1
trilioni (migliaia di miliardi) di dollari all’anno.
5.2.2 Dati strutturati e non strutturati Altra peculiarità che contraddistingue i big data è l’essere un insieme di dati non
strutturati. Vediamo che cosa significa esattamente “strutturati” e, di contro, quale è la
caratteristica dei big data.
Figura 5 - Caratteristiche dei dati da: Silvi e Visani (2016)
Dati strutturati
I dati strutturati, come dice la parola stessa, sono dotati e organizzati in strutture
specifiche e conservati in database, organizzati secondo schemi e tabelle.
È la tipologia di dati principalmente utilizzata per i modelli di database relazionale, data
la facilità di trattamento (in termini di software e abilità tecniche) e il costo relativamente
basso della raccolta ed utilizzo. Sono costituiti esclusivamente da file di testo; da ciò
discende la facilità di organizzazione in modelli predefiniti.
90
Dati non strutturati
Sono dati che possiedono una propria struttura, ma non risultano organizzati seguendo
schemi tipici preimpostati (database o tabelle). Un tipico esempio sono i file multimediali
(video, audio, ecc.) i quali, non essendo schematizzati risultano di difficile utilizzo per
l’estrazione delle informazioni.
Sono costituiti oltre che da testo, da immagini, video, suoni e altri formati, che ne rendono
difficile la modellizzazione.
Dati semi strutturati
Sono dati che non sono conformi a schemi come database o tabelle, ma possiedono
caratteristiche che permettono di dividere le strutture semantiche, i record e campi
all’interno del pool di dati.
Un tipico esempio sono i file con sintassi XML135 che, nonostante non possiedano una
struttura predefinita, vengono, comunque, organizzati secondo logiche strutturate e
interoperabili.
5.2.3 Criticità dei Big Data Come ogni novità prorompente, che prefigura strabilianti innovazioni e miglioramenti, è
necessario anche valutare il risvolto della medaglia, ossia le problematicità che i big data
si portano dietro.
Lambrecht e Tucker (2016) fanno notare quali sono i quattro tipici errori che chi si trova
ad approcciarsi con i big data deve star attento a non compiere.
Errore 1: Non comprendere i problemi dell'integrazione
Una delle caratteristiche chiave dei big data, come detto in precedenza, è la provenienza
da fonti diverse. Questi dati non sono naturalmente facili da integrare, infatti la varietà
delle fonti può renderli difficilmente sfruttabili dalle aziende per le finalità decise a
tavolino.
Inoltre, molti di questi dati disponibili per l'azienda sono spesso non strutturati, il ciò
significa che è molto difficile archiviarli trasformandoli in dati strutturati, come nel caso
135 “L’eXtensible Markup Language (XML) è un meta-linguaggio di markup, cioè un linguaggio che permette di definire altri linguaggi di markup. […] Non ha tag predefiniti e non serve per definire pagine Web né per programmare. Esso serve esclusivamente per definire altri linguaggi.” Da: http://www.html.it/pag/16214/introduzione26/
91
di dati binari. Ciò rende spesso molto difficile l’integrazione dei dati generati da fonti
differenti.
Errore 2: Non rendendosi conto dei limiti di dati non strutturati
La seconda sfida per rendere utili i big data è relativa alla gestione della natura non
strutturata dei dati stessi. Le attuali tecniche di data mining sono state sviluppate per la
gestione ed estrazione di informazione a partire da insiemi di dati strutturati. L’attuale
contesto prevede la gestione di dati prettamente non strutturati che non sono ancora
facilmente analizzabili.
Estrarre conoscenza dai dati non strutturati è una sfida a cui le aziende stanno attivamente
partecipando; quando verranno acquisite le conoscenze necessarie, allora i big data
saranno pienamente sfruttati.
Errore 3: Difficoltà nell’identificare relazioni
La terza sfida è legata alla difficoltà di identificare relazioni causali all'interno di grandi
pool di dati raccolti. Insiemi di dati molto grandi contengono generalmente un insieme di
valori molto simili (o identici) tra loro, che possono portare a correlazioni falsate e, di
conseguenza, di indurre in errore i responsabili del processo decisionale.
L'abilità nella valorizzazione dei big data sta nel passare da mere correlazioni facilmente
osservazionali, all’identificare correttamente quali correlazioni sono indicatrici di un
modello causale sul quale basarsi per la determinazione delle linee di azione.
Errore 4: Sottovalutazione delle competenze necessarie
I big data non hanno valore intrinseco ma è la loro combinazione, tramite l'abilità
manageriale, ingegneristica e analitica che gli fornisce un valore per le aziende.
Da ciò si capisce come le abilità del trattamento dei dati siano un driver di valore
indispensabile per il massimo sfruttamento dell’opportunità offerta.
L’ottenimento dei dati è economico rispetto al costo della loro gestione e delle conoscenze
per l’elaborazione. Da ciò si capisce come le competenze per l’elaborazione sono più
importanti dei dati stessi nella creazione di valore per un'impresa.
92
Non sempre è semplice valorizzare quel patrimonio, perché gli strumenti di analisi sono
spesso troppo complessi per l'utente medio ma anche perché i database spesso non
contengono tutti i dati necessari dall'utente esperto136.
Uno dei massimi esperti in materia, Thomas H. Davenport137, fa notare che se un’azienda
si è approcciata in modo scorretto all’utilizzo dei big data, si trova di fronte ad un mucchio
sconfinato di dati senza reali obiettivi, con conseguente perdita di molto tempo e denaro.
Quindi è imprescindibile avere uno scopo ben delineato per ciò che si vuole realizzare
con essi.
Un altro rischio che deve essere valutato è quello che comporta la violazione di dati
sensibili dei clienti. A tal proposito è necessario che le aziende si cautelino utilizzando
tecniche e politiche di raccolta e trattamento dei dati che limitino tale rischio, rispettando
le normative vigenti.
5.3 I BIG DATA ANALYTICS
Una volta fatte tutte le considerazioni precedenti circa le opportunità fornite e le criticità
da tenere in considerazione nell’utilizzo dei big data, allora un imprenditore o un CEO
arriva alla decisione se sfruttarli o meno. Nel caso di decisione a procedere, si arriverà
all’utilizzo di sistemi chiamati Big Data Analytics (BDA). I BDA non sono altro che
l’applicazione dei sistemi di business analytics ad un pool di dati molto più grandi,
appunto i big data. Una definizione più rigorosa viene fornita da Davenport138, che indica
i big data analytics come:
“la raccolta e l'interpretazione di set di dati massicci, resa possibile da un'ampia potenza
di calcolo che monitora una varietà di flussi digitali come sensori, interazioni sul mercato
e scambi di informazioni sui social network e li analizza utilizzando algoritmi
<<intelligenti>>”.
I big data, come visto, provengono sia dai sistemi tradizionali di raccolta dei dati nonché
dalle nuove fonti non strutturate come e-mail, file audio, flussi di click internet, social
media, news media, registrazioni dei sensori, video ecc139. Essendo un set di dati talmente
136 Eckerson (2011) 137 Intervista presente in Prusak (2017) 138 Davenport (2014) 139 Appelbaum et al. (2017)
93
ampio e non strutturato, non possono essere elaborati e analizzati utilizzando i sistemi di
gestione del database e dei programmi software tradizionalmente utilizzati a tali scopi; è
qui che intervengono in supporti i sistemi di BA, per permettere di elaborarli e estrarre
informazioni qualitativamente valide e significative.
I BDA hanno iniziato a diffondersi dal 2010, quando la raccolta di grandi set di dati ha
iniziato ad essere economicamente conveniente e dal qual momento sono stati effettuati i
primi esperimenti di analisi e utilizzo della conoscenza acquisita nel processo decisionale.
Il potenziale giovamento che i BDA apportano non viene messo in discussione, ma il
reale successo è spesso limitato, perché l’aspetto tecnico dell’analisi supera la
comprensione strategica degli aspetti di business in cui applicarli e le competenze
tecniche necessarie spesso latitano140.
Dopo i primi esperimenti e viste le potenzialità che emergevano, si è assistito ad una forte
crescita tutt’ora in corso. I motivi di tale crescita possono essere ricompresi nei tre
seguenti141:
1. Modifica dei tipi di dati.
Le aziende stanno raccogliendo oggi diversi tipologie di dati e, rispetto a pochi anni fa in
cui la maggior parte dei dati era legato alle transazioni svolte dall’azienda ed erano
strutturati, oggi i dati sono legati a tutto il mondo che circonda l’azienda e la loro crescita
è alimentata da dati largamente non strutturati.
La maggior parte dei nuovi dati è in realtà semi-strutturata in formato, perché consiste in
dati seguiti da stringhe di testo. I dati puramente non strutturati, come i dati audio e video,
hanno un contenuto testuale limitato e sono più difficili da analizzare, ma lentamente
stanno crescendo.
2. Avanzamenti tecnologici.
I miglioramenti tecnologici hanno permesso ad hardware e software di avere prestazioni
di elaborazione, memoria e archiviazione che consentono di memorizzare e analizzare
grandi volumi di dati ad un prezzo accessibile.
140 Silvi e Visani (2016) 141 Eckerson (2011)
94
3. Insourcing e outsourcing.
A causa dell’elevata complessità e dei costi di memorizzazione e analisi dei dati, fino a
poco tempo fa avveniva che la maggior parte delle aziende affidavano queste funzioni a
terze parti. A causa dell’aumento della capacità di elaborazione, dei costi contenuti del
trattamento e compresa l'importanza dei dati, la tendenza in atto tra le aziende è quella di
re-internalizzare questi dati per ottenere maggiore conoscenze sul cliente.
5.3.1 I vantaggi dei BDA Per Davenport (in Prusak, 2017) analizzare i big data apporta potenzialmente molti
vantaggi, da aggiungersi a quelli ottenuti dagli "small data". I big data sono relativi a
misurazioni del mondo esterno e forniscono una nuova prospettiva sull'ambiente
imprenditoriale. Più informazioni si estraggono da questi dati, più si capiscono le
necessità dei consumatori e meglio si possono soddisfare creando i prodotti e servizi che
effettivamente essi cercano.
L’analisi dei big data è una attività di vitale importanza, dato che il mero possedere e
raccogliere big data non apporta alcunché all’azienda. Infatti, i big data di per sé non
hanno un valore, ma lo acquisiscono se chi li utilizza in ambito aziendale è capace di
estrarre da essi informazioni utili alla gestione. È qui che entrano in gioco i big data
analytics142.
Con l’avanzare della quarta rivoluzione industriale, i dati e le informazioni da generate e
raccoglibili sono passate da scarsi ad un sovraccarico. Oggi è più facile che mai
confrontare, aggregare ed analizzare i dati e le aziende in questo modo identificano
potenziali miglioramenti che consentono di giustificare investimenti in migliorativi
operativi o finanziari.143
La decisione più importante è quella della scelta di quali dati raccogliere, da individuarsi
a partire da ciò che si vuole ottenere come risultato finale. I dati devono essere raccolti in
modo da permettere, una volta elaborati, di generare delle informazioni utili per
raggiungere gli scopi voluti.
È utile porsi una serie di domande in merito, quando si progetta l’implementazione di un
modello BDA144:
142 Eckerson (2011) 143 Thompson (2016) 144 Thompson (2016)
95
- Quali sono i motivi principali per la raccolta dei dati?
- Cosa si vuole cercare di migliorare con l’introduzione dei BDA?
- Quali sono le principali questioni strategiche che usufruirebbero dei big data?
- Si vogliono migliorare le prestazioni finanziarie?
- Come possono essere fatti confronti con i concorrenti?
- Con i big data analytics, si vogliono sviluppare nuovi prodotti / servizi?
Se si struttura un sistema di big data analytics in maniera corretta, quindi analizzando il
fabbisogno informativo interno dell’azienda e determinando conseguentemente le
informazioni di cui è necessario disporre, allora l’azienda potrà ampliare la conoscenza
del proprio business, nel senso che utilizzerà dei dati di cui dispone, che altrimenti non
tratterebbe per mancanza di conoscenza o ignoranza delle possibilità che offrono, per
permettere ai manager di disporre di migliori, tempestive e aggiuntive informazioni sulla
base delle quali prendere decisioni e compiere scelte.
5.4 L’INDUSTRIA 4.0 E I BUSINESS ANALYTICS: L’UTILITÀ
DELL’IOT PER LE DECISIONI AZIENDALI
Come visto anche in precedenza, Maisel e Cokins (2015) ipotizzano che il prossimo step
nell’evoluzione dei sistemi informatici a supporto dell’operatività aziendale, possa essere
una sorta di “gestione decisionale automatizzata”. Secondo il loro punto di vista, le
aziende, ottenendo sempre maggiori competenze e conoscenze delle forze che incidono
sulla performance dell’azienda, tramite l’utilizzo dei sistemi di business analytics,
saranno in grado di determinare algoritmi e modelli decisori automatizzati, che si basano
sui risultati derivanti dall'applicazione di analisi sui dati a disposizione.
Il risultato a cui porterà non sarà necessariamente quello di una riduzione della forza
lavoro impiegata ma algoritmi, equazioni e procedure aziendali derivanti da queste analisi
diventeranno essenziali per l'ottimizzazione della gestione, portando al raggiungimento
di più alti livelli di efficienza e la creazione di un maggior valore.
Le decisioni prese da questi ipotetici futuri software saranno allineate con la strategia
decisa dal vertice e dai suoi KPI, dato che come base per l’elaborazione utilizzerà i dati
che l’azienda ha raccolto ed immagazzinato nel tempo e dovrà muoversi all’interno di
vincoli (come le indicazioni strategiche e il rispetto di certi KPI), al fine di permettere il
raggiungimento degli obiettivi prefissati.
96
I vantaggi sostanziali di questa possibile profonda applicazione dell’analisi dei dati e
dell’automatizzazione della gestione, si potranno ottenere dall'applicazione di una
esplorazione sistematica e ricorrente delle relazioni sottostanti il modello di business.
Quando i fattori critici di successo di un’azienda vengono misurati, monitorati e
preveduti, quest’azienda è in una situazione ideale per poter individuare, gestire e
mitigare i rischi derivanti dallo svolgimento della sua attività.
In altre parole, se il management riesce ad individuare quali variabili non finanziarie
influiscono in maniera diretta sul raggiungimento degli standard economico-finanziari
desiderati, può monitorarle e concentrare gli sforzi su esse, al fine di agevolare il
raggiungimento degli obiettivi.
Tra le tendenze emergenti, sicuramente, vale la pena citare quella dell’utilizzo
dell’Internet of Things (IoT) per la raccolta dei dati da utilizzare nell’analisi con finalità
strategica e operativa. L’Internet of Things (IoT) è il “network di oggetti fisici che
contengono la tecnologia necessaria a comunicare ed interagire con loro stessi e con
l’ambiente esterno” 145.
Questi strumenti possono generare un enorme potenziale informativo di dati, per i quali
è necessario possedere delle capacità di elaborare le informazioni in maniera innovativa,
tramite l’utilizzo degli strumenti tecnologici più avanzati.
C'è un crescente interesse nell'utilizzo di tecnologie IoT in varie industrie. Sono stati
condotti alcuni progetti industriali riguardanti l’integrazione dell’IoT in settori, tra cui
l'agricoltura, l'industria alimentare, il monitoraggio ambientale, la sorveglianza della
sicurezza. Si prevede che IoT crescerà per essere utilizzato da circa 212 miliardi di
dispositivi entro il 2020, compresi 30 miliardi di dispositivi connessi146. Secondo Gartner,
ci saranno quasi 26 miliardi di dispositivi wireless collegati a Internet entro il 2020.
Secondo PricewaterhouseCoopers (PwC), l’IoT raggiungerà un mercato di 50 miliardi di
dollari entro il 2020147.
Secondo Uden e He (2017), l’internet delle cose può, potenzialmente, trasformare
l’industria manifatturiera, la sanità e le catene di approvvigionamento monitorando ed
ottimizzando le attività ad un livello molto analitico.
145 Da: http://www.beantech.it/blog/articoli/internet-of-things-business-analytics-whitepaper/ 146 Uden e He (2017) 147 Uden e He (2017)
97
Le ragioni di una sua rapida adozione sono dovute ad un rapido calo del costo dei sensori
e degli attuatori (dispositivi che agiscono nel mondo fisico), oltre che ad una crescente
capacità di connettersi a questi sensori, spesso in modalità wireless e alle maggiori
capacità di analizzare l'enorme quantità di dati generati (utilizzando sistemi di BA e
BDA).
A tal proposito entrano in gioco i sistemi di business analytics, al fine di raccogliere,
esplorare e monitorare le performance aziendali cercano l’allineando con gli obiettivi
stabiliti. Gli strumenti di business analytics, come visto nei capitoli precedenti,
permettono di raccogliere e processare rapidamente i dati ottenendo informazioni che
permettono alle aziende di focalizzarsi sulle attività più importanti. Inoltre, i BA danno il
la ad un processo di “democratizzazione” e condivisione della conoscenza: prima i BA
erano appannaggio esclusivo del top management, mentre oggi l’accesso alle
informazioni si sta espandendo verso ruoli operativi148.
L'idea di base dell’IoT è che si possono posizionare sensori e microchip ovunque, creando
una rete che collega tutti i dispositivi. Fondamentalmente, stiamo entrando in un'epoca in
cui tutto avrà un indirizzo IP, elettrodomestici e veicoli compresi. Tutte questi oggetti
saranno collegate e invieranno continuamente dati sull’utilizzo tramite internet,
genereranno quantità enormi di dati149.
Secondo Diffey (2014), i vantaggi dell’Internet of Things (IoT) possono essere analizzati
nei seguenti cinque elementi chiave:
1) Può portare al perfezionamento, integrazione, ottimizzazione e automatizzare dei
processi aziendali, tramite la fornitura e condivisione in tempo reale dei dati
necessari per poter svolgere le attività di un determinato processo e di prendere
decisioni rapide, migliorando l’efficienza delle attività e del processo.
2) Promuove l'innovazione e lo sviluppo di nuovi prodotti, consentendo alle aziende
di identificare determinate necessità dei clienti o passare ad un modello di
business basato su maggiori servizi, consentendo alle aziende di generare ricavi
ricorrenti e servire nuovi mercati grazie ai dati ottenuti.
148 Da; https://www.sas.com/it_it/insights/articles/big-data/analytics-e-internet-of-things.html 149 Ephrati (2014)
98
3) Lo IoT promuove la gestione dei rapporti con i clienti, aumentando il numero di
contatti con essi, consentendo di rafforzare i loro rapporti.
4) Porta ad una maggiore sicurezza, aiutando le aziende a mantenere sicuro il proprio
personale ed i loro clienti controllando funzioni come, ad esempio, l'allarme
antincendio centralizzati e monitorando l'accesso alle vie di fuga.
5) L’IoT consente una migliore gestione del rapporto con gli asset aziendali; come
analogamente avviene con i clienti, l’IoT permette di monitorare le prestazioni
delle risorse aziendali in tempo reale, permettendo di verificare lo stato di salute,
migliorandone la gestione del ciclo di vita.
Fino ad oggi i big data sono stati principalmente frutto di dati generati manualmente
dall’uomo. Con più numero di reti di IoT distribuite nel mondo, nel prossimo futuro, dato
che verranno generati grandi volumi di dati dei sensori, la percentuale di dati generati
manualmente si ridurrò a favore di questi ultimi150.
L'applicazione dei sistemi di business analytics ai dati generati tramite reti di IoT, è una
tendenza che si sta istaurando negli ultimi tempi. La conoscenza che si può ottenere da
tali analisi è utilizzata per dirigere, ottimizzare e automatizzare il processo decisionale e
costruire una base di conoscenze utili per il futuro.
Un’importante vantaggio che l’IoT apporta per l’integrazione con la BA è nella possibilità
di avere a disposizione dati in tempo reali e poterli inserire nel processo decisionale,
arrivando ad una decisione estremamente tempestiva.
Poiché l’Internet of Things sfrutta le nuove opportunità dell’industria 4.0151 (utilizzando,
ad esempio, le tecnologie del cloud computing152, le aziende devono rivedere le
fondamenta stesse delle propria value proposition; utilizzare le strutture esistente e
semplificare i modelli aziendali consolidati non sarà sufficiente per sfruttare a pieno
150 Yerpude e Singhal (2017) 151 "[...] modello di produzione e gestione aziendale [...] basato sulla connessione tra sistemi fisici e digitali, analisi complesse attraverso big data e adattamenti real-time" da: http://www.ilsole24ore.com/art/impresa-e-territori/2017-10-12/perche-si-parla-tanto-industria-40-che-cos-e-e-quanti-lavori-puo-creare150850.shtml?uuid=AEZYmnlC&refresh_ce=1 152 "Distribuzione di servizi di calcolo, come server, risorse di archiviazione, database, rete, software, analisi e molto altro, tramite Internet" da: https://azure.microsoft.com/it-it/overview/what-is-cloud-computing/
99
l’IoT. Tutto ciò perché con l'IoT, i prodotti possono essere monitorati in qualsiasi
momento, consentendo di rispondere immediatamente al comportamento del cliente. È
anche possibile che i prodotti si connettano con altri prodotti, portando a possibili nuove
analisi e nuovi servizi di previsione più efficaci, che possono portare verso
l'ottimizzazione dei processi e il miglioramento del servizio clienti.
Uden e He (2017) unitamente a Porter e Heppelmann (2015) sostengono che l'IoT offre
molti vantaggi per le aziende. Innanzitutto, i prodotti possono monitorare e segnalare le
proprie condizioni, contribuendo a generare conoscenze, precedentemente impossibili da
raccogliere, sulla loro performance e sull'utilizzo che i clienti ne fanno.
In secondo luogo, complesse operazioni sul prodotto possono essere controllate dagli
utenti attraverso opzioni di accesso remoto, offrendo ad essi la capacità di personalizzarne
la funzionalità, le prestazioni e l'interfaccia dei prodotti.
In terzo luogo, la combinazione dei dati di monitoraggio e della capacità di controllo
remoto crea nuove opportunità di ottimizzazione.
In quarto luogo, la combinazione di dati di monitoraggio, algoritmi di controllo remoto e
di ottimizzazione consente ai prodotti di adattarsi all'ambiente e alle preferenze degli
utenti e operare in autonomia al raggiungimento dell’obiettivo indicato.
Per poter meglio comprendere l’utilità dell’IoT, ci concentriamo sul suo utilizzo che le
case automobilistiche possono farne nei veicoli153.
- Consente il monitoraggio in tempo reale della posizione delle automobili usando
il sistema di controllo intelligente del monitoraggio basato sul cloud, permettendo
alla casa produttrice, ad esempio, se un fuoristrada viene utilizzato su percorso
accidentato (utilizzo previsto) oppure principalmente in percorsi urbani. Questa
informazione sarà utile per poter apportare modifiche al prodotto successivo.
- Fornisce la connessione tra apparecchiature utilizzando dispositivi collegati ai
veicoli, consentendo ai conducenti di adottare opportune precauzioni per evitare
ritardi o incidenti.
- Gestione del carburante: i sensori forniscono migliori dati sui consumi e
sull'efficienza, potenzialmente facendo risparmiare sui costi del rifornimento.
153 Uden e He (2017)
100
- Manutenzione preventiva: i veicoli possono trasmettere dati sui difetti
direttamente alla casa produttrice. La manutenzione preventiva può identificare i
componenti necessari per la riparazione o sostituzione, eliminando la necessità di
dover aspettare il verificarsi del danno e, dal lato dell’azienda, permette di ridurre
i tempi di fornitura.
Viste le enormi potenzialità offerte, c'è un crescente interesse per costruire reti di veicoli
connessi con tecnologie IoT, permettendo di monitorare la posizione esatta di ogni
veicolo, monitorandone i movimenti e predicendone la sua posizione futura. Ciò potrebbe
permettere di verificare e predire possibili ingorghi stradali (ed incidenti) e migliorare la
qualità e sicurezza dell’esperienza di guida. Inoltre, le case produttrici di auto, tramite i
dati che ottengono di prodotti, possono effettuare offerte commerciali nel momento giusto
(ad esempio quando l’auto ha raggiunto un certo kilometraggio ritenuto “alto”) e, sulla
base della profilazione dei soggetti, consigliando l’auto più adatta alle sue caratteristiche.
Tuttavia per poter realizzare il pieno potenziale dell’Internet of Things, è necessario
risolvere alcuni problemi tecnici e commerciali:
- l'identificazione delle cose, ossia dell’oggetto a cui “attaccare” i sensori;
- l'organizzazione, l'integrazione e la gestione di big data, quindi la scelta (o
realizzazione su misura) di un sistema di big data analytics;
- l'uso efficace dei sistemi decisionali basati sulla conoscenza acquisita.
Come si può vedere in tabella 1, vengono portati ad esempio ulteriori tre ambiti di
applicazione dei sensori che, raccogliendo dati che vengono inseriti e utilizzati dai sistemi
di BDA, portano ad un migliore controllo e gestione del rapporto con i clienti, con
possibilità di raggiungere più alti livelli di redditività.
101
Compagnia
Petrolifera
Public Utility
Acqua Produttore Camion
Fonte primaria di
dati
Sensori sui pozzetti
dell'iniettore del
petrolio
Sensori di
misurazione
dell'acqua
Sensori sulle flotte
di camion
Numero di
dispositivi
monitorati
21.000 66.000 100.000
Principale attività
monitorata
Tassi di estrazione,
temperatura e
pressione del
petrolio (10 attività
totali)
Tassi di utilizzo
dell'acqua
Diagnostica del
motore e
funzionamento
delle parti
meccaniche
Frequenza di
lettura
90 x giorno x
attività
1 x ora x giorno 10.000 x camion x
giorno
Numero di dati
raccolti
giornalmente
18.900.000 1.584.000 1.000.000
Tabella 2 - Utilizzo di sensori IoT in diversi settori da: Haight (2015)
La raccolta a flusso continuo dei dati tramite l’IoT fa sì che si abbiano dati con una
frequenza e ridondanza tale che la stragrande maggioranza di essi non sono utili ed
utilizzabili; è molto più economico concentrarsi sull'identificazione delle deviazioni nei
punti dati piuttosto che analizzarne singolarmente il loro valore in termini assoluti.
È utile, quindi, determinare i livelli base del comportamento “normale”, consentendo agli
analisti di di creare degli alert automatici, permettendo di intervenire quando si verificano
irregolarità rispetto ai valori attesi.
A causa dell’elevato lavoro di raccolta e analisi dei dati, e dei relativi costi diretti per
queste attività, è necessario dare delle priorità agli interventi, in modo da evitare un
esagerato aggravio di costi e di perdita di tempo. Questa priorità consente alle aziende di
assegnare al meglio le proprie risorse finanziarie e computazionali alle sole opportunità
102
di valore più elevato mediante la compressione del tempo di memorizzazione e di analisi
dei dati 154.
5.4.1 Supporto dell’IoT nelle analisi descrittive, predittive e prescrittive Per come sono strutturati i sistemi di big data analytics, come visto, possono ricevere
notevoli benefici dall’internet delle cose. Vediamo che contributo l’IoT può apportare
nell’analisi di tipo descrittivo, predittivo e prescrittivo20.
Analisi Descrittiva
Con i sensori di IoT, le aziende possono monitorare in tempo reale le principali metriche
ed i valori indicativi delle prestazioni, inserendo i dati raccolti direttamente nei propri
sistemi di BDA. Questo consente alle aziende di avere la più aggiornata comprensione
possibile delle operazioni, assicurandosi che siano state prese decisioni corrette sui dati
più rilevanti.
In alcuni casi alla tempestività dell’IoT, le aziende potrebbero preferire dati meno
tempestivi, utilizzando dati aggregati riferiti ad un periodo di tempo più ampio, purché
più precisi.
Per sfruttare appieno le analisi descrittive, le aziende devono essere in grado di analizzare
tutti e solo i dati pertinenti. Ciò è una sfida difficile, considerato l’enorme numero di fonti
di dati di cui le aziende dispongono. Inoltre, le nuove fonti di dati devono essere integrate
con i dati tradizionali in modo coerente e unificato per garantire migliori risultati del
processo decisorio.
Ad esempio, una compagnia petrolifera californiana è in grado di monitorare le
prestazioni dei pozzi di petrolio alla fine di ogni giorno o settimana. Ciò consente loro di
identificare opportunità di miglioramento (come l'aumento dei livelli di produzione) e
aree di potenziale rischio. Il risultato è una riduzione dei tempi di inattività e un aumento
dei livelli di produzione.155
154 Haight (2015) 155 Haight (2015)
103
Analisi Predittiva
I modelli predittivi vengono elaborati partendo dai dati storici e combinandoli con quelli
raccolti in tempo reali dai sensori, permettendo di identificare possibili futuri eventi. Ad
esempio, effettuare regolazioni o riparazioni durante i tempi di inattività pianificati di
un’auto o un camion, è molto più conveniente che interrompere i cicli di utilizzo previsti.
Il risultato dell'analisi predittiva è un numero ridotto di problemi o errori, che portano ad
un livello di valore creato più elevato. Questo, a sua volta, può significare entrate
aggiuntive e costi inferiori.
Rolls-Royce ha commercializzato più di 13.000 motori per aerei commerciali negli ultimi
20 anni, offrendo ai clienti servizi completi di manutenzione del motore, per il
mantenimento dei corretti livelli di efficienza. Tramite l’utilizzo dei sensori istallati, e
con software adatti, l’azienda è in grado di di raccogliere e aggregare dati da fonti
disparate e geograficamente distribuite ed analizzarle, confrontando i dati con quelli di
modelli predefiniti ed identificare il possibile verificarsi di guasti, richiamando il motore
in officina per la manutenzione156.
Analisi prescrittiva
Il più elevato livello di utilità nell’analisi dei dati raccolti con l’IoT viene realizzato
quando i dati in entrata vengono tradotti in azioni, senza l’intervento umano. In questo
modo si massimizzano le entrate e si riducono i costi, grazie al supporto di adeguamenti
istantanei e automatici agli eventi che si verificano.
Le soluzioni software che supportano gli IoT devono contestualizzare le decisioni da
intraprendere nel contesto generale dell’azienda, in modo da evitare contrasti tra ciò che
un software decide asetticamente e ciò che un dirigente farebbe, allineandosi al contesto
strategico dell’azienda.
Un produttore internazionale di camion tramite i dati ottenuti dai sensori, unitamente ai
modelli predittivi, all’identificazione di un potenziale guasto, il sistema pianifica un
intervento di manutenzione per il camion in base alla rotta e cercando di mantenere i
tempi di consegna programmati. Inoltre, le parti necessarie da sostituire vengono ordinate
e spedite al centro assistenza identificato e ai tecnici viene comunicato esattamente ciò
156 Da: https://customers.microsoft.com/en-US/story/rollsroycestory
104
che deve essere riparato. Il risultato è una rete interconnessa di sensori e sistemi operativi
che comunicano per risparmiare tempo e denaro durante l'operazione157.
L'avvento dello IoT fornisce alle imprese una enorme quantità di opportunità per
ottimizzare le loro attività e per crearne di nuove. Per far ciò è necessario che le aziende
investano in una combinazione di persone, processi e tecnologie che possono trasformare
in singoli segnali del sensore in attività da intraprendere.
CONSIDERAZIONI CONCLUSIVE
Come è stato osservato nel presente capitolo, i sistemi di BA possono acquisire ancora
più utilità sfruttando le innovazioni tecnologiche che sono proposte dalla quarta
rivoluzione industriale. Ciò si riferisce specificatamente ad un massiccio utilizzo di
internet, e delle sue potenzialità, per permettere la raccolta dei big data, tramite l’utilizzo
di normali metodologie, nonché lo sfruttamento dell’Internet of Things. Ciò che è
necessario fare, sotto un profilo meramente tecnico, è creare dei sistemi di analisi che
siano in grado di analizzare set enormi di dati (spesso non strutturati) ed estrarne
informazioni valide e utili per la gestione aziendale.
Sotto il profilo della gestione aziendale, è necessario che il management determini
puntualmente come inserire queste analisi nel processo decisionale; senza una strategia e
degli obiettivi ben identificati e formalizzati, non si sfruttano coerentemente le possibilità.
Infatti, come detto, i big data in sé non hanno un valore intrinseco, ma è la loro
elaborazione ed inserimento in un contesto aziendale ben organizzato, che attribuisce
valore alle informazioni da essi estratte. È importante trovare sempre un equilibrio tra la
raccolta ed utilizzo di informazioni specifiche (dalle quali si apprendono abitudini e gusti)
di un singolo soggetto e la tutela della sua riservatezza. Le normative attuali devono essere
rispettate, come conditio sine qua non del corretto utilizzo dei dati, quindi è necessario
determinare come farne un utilizzo responsabile e che permetta vantaggi reciproci. La più
grande sfida, però, rimane quella di cambiare la cultura dell’azienda, per permettere di
diffondere una mentalità realmente pronta a dedicare tempo e risorse ad analizzare dati,
anziché navigare a vista o utilizzare strumenti e metodologie tradizionali, che molto
probabilmente non saranno adatte alle dinamiche dei mercati attuali e (soprattutto) futuri.
157 Haight (2015)
105
106
CONCLUSIONI
L’elaborato ha permesso di approfondire la tematica dei sistemi di business analytics,
dalla genesi, le trasformazioni che hanno subito, il contributo che possono dare nel
controllo di gestione e nelle altre funzioni aziendali e i vantaggi che possono ottenere
dalla quarta rivoluzione industriale.
Nell’analisi della letteratura condotta è stato osservato come nel tempo vi sia stato una
crescita sia dal lato delle possibilità offerte dai sistemi di business analytics (e della
qualità e affidabilità dell’analisi dei dati da essi condotti) che dal lato del riconoscimento
da parte delle aziende delle opportunità di miglioramento che questi sistemi offrono.
I mercati attuali sono in continua evoluzione con velocità molto alte; ciò obbliga le
aziende ad adottare contromisure al fine di essere sempre competitivi e in linea con i
mutevoli gusti e richieste dei consumatori. Questi adattamenti, inevitabilmente, devono
essere tempestivi e immediatamente giusti: chi si muove in ritardo o sbaglia la scelta da
intraprendere rischia di uscire dall’arena competitiva.
In supporto a questo problema, come visto nel primo capitolo, viene l’ICT che, a partire
dagli anni settanta, ha fornito un sempre maggiore contributo al processo di generazione
delle scelte, dando ai responsabili del decision making una base informativa affidabile in
modo da ridurre il rischio di prendere decisioni errate. L’ultimo stadio di questa
evoluzione sono, appunto, i sistemi di business analytics.
Ormai si è capito come le aziende debbano essere customer-centric, quindi per vendere è
necessario capire di cosa il cliente necessiti e, essendo i gusti sempre più volatili (cfr.
capitolo 1), è necessario scardinarsi dalle tradizionali modalità (e strumenti) di gestione
e controllo dell’azienda. Molte aziende hanno capito che per rimanere al passo coi tempi
nel mondo d’oggi è necessario essere disponibili non tanto ad adattarsi ai cambiamenti
quanto a prevederli (talvolta a indurli), ed è per questo motivo che analizzare i dati sui
clienti permette di ipotizzare i comportamenti che essi terranno in futuro, di fatto
permettendo alle aziende di farsi trovare pronte ad offrire ciò che essi desiderano nel
momento adatto al prezzo per essi più congruo.
In questo contesto i sistemi di business analytics sono proprio ciò di cui le aziende
necessitano; grazie alle innovazioni tecnologiche, alla crescita delle capacità
computazionali unite al decremento del costo di elaborazione, nonché ad un crescente
107
consenso da parte dei manager, i sistemi di business analytics si stanno facendo largo
come strumento indispensabile per un’azienda florida.
I principali vantaggi che la BA permette di ottenere riguardano prima di tutto un
miglioramento della conoscenza dei propri clienti e, conseguentemente, ne risente in
maniera positiva il rapporto con essi; infatti, analizzando i comportamenti passati, e
tramite l’utilizzo di modelli predittivi sempre più efficaci, si può ipotizzare come si
comporteranno in futuro o come possono reagire in conseguenza ad una determinata
azione dell’azienda (nuovo prodotto, modifica del prezzo, campagna pubblicitaria, ecc.).
Questo, oltre ad essere un indubbio beneficio, è stata considerata come l’unica vera e
propria fonte sostenibile di vantaggio competitivo (cfr. capitolo 2).
Per questi motivi elencati diventa indispensabile saper raccogliere dati, saperli
immagazzinare, e proteggere, nonché gestire in maniera coerente rispetto all’utilizzo che
se ne fa; dati di qualità, corretti e affidabili che permettono una base informativa per
prendere decisioni corrette. È necessario credere nei dati e nei vantaggi della loro analisi
per poter affrontare un investimento di denaro e tempo per arrivare ad implementare
correttamente un sistema di business analytics che sia di utilità per il management.
Le aree aziendali che, da quanto emerso dalla letteratura analizzata e dagli esempi
riportati, sono quelle del customer relatinship e marketing, nonché del cost e performance
management. Per quanto riguarda i primi due elementi il vantaggio che la BA dà è quello
di permettere, come detto anche in precedenza, una migliore conoscenza del cliente che
permette all’azienda di trarre notevoli spunti per migliorare sempre di più il prodotto, di
avvicinare l’azienda ai propri clienti e, come conseguenza sul piano economico-
finanziario, di aumentare le vendite. Nel cost management, il vero vantaggio della BA sta
nel fatto che i modelli predittivi permettono di effettuare simulazioni e previsioni, avendo
così a disposizione dati con un orizzonte temporale rivolto al futuro, dando la possibilità
ai manager di trovare soluzioni per aumentare i vari margini aziendali, con riduzioni di
costi e generazione di nuove opportunità di ricavo, oltre che ad individuare quali clienti,
con buon probabilità, in futuro potrebbero diventare non profittevoli e prendere, in tempo,
decisioni in merito.
A riguardo del performance management, la determinazione delle performance aziendali
prospettiche, permette al management di compiere quelle azioni necessarie ad evitare che
in futuro l’azienda possa avere difficoltà sotto il profilo economico-finanziario e
patrimoniale.
108
Infine, è stato visto come molte aziende già ad oggi sfruttino le opportunità che
l’evoluzione tecnologica mette loro a disposizione: saper raccogliere, gestire, analizzare
ed utilizzare i big data permette di allargare le base delle informazioni che l’azienda
possiede, permettendo di analizzare anche da altre prospettive un determinato fenomeno
o di scoprirne di nuovi altrimenti nascosti.
Ciò che risulta chiaro è che l’utilità delle business analytics è legata alla fiducia che si dà
all’analisi dei dati, nonché alle effettive capacità di analisi ed estrazione della conoscenza
da essi. I data scientist sono, infatti, mansioni ancora poco diffuse (almeno in Italia) ma,
per i motivi visti in precedenza, molto richieste; non a caso sono state definite “the sexiest
job of 21st century” (Davenport e Patil, 2012)
109
BIBLIOGRAFIA
1. Appelbaum Deniz, Kogan Alexander, Vasarhelyi Miklos, Yan Zhaokai, “Impact of
business analytics and enterprise systems on managerial accounting”, International
Journal of Accounting Information Systems. May 2017, Vol. 25, pag. 29-44
2. Brands Kristen, Holtzblatt Mark, “Business Analytics: Transforming the Role of
Management Accountants”, Management Accounting Quarterly, sping 2015, vol. 16,
no. 3
3. BusinessWeek Research Service, “The Customer You Know: Keeping, Leveraging,
and Profiting from Current Customers with Business Analytics”, 2009, The McGraw-
Hill Companies Inc. and SAS Institute Inc, 12 pag.
4. Cao Min, Chychyla Roman, Stewart Trevor, “Big Data Analytics in Financial
Statement Audits”, Accounting Horizons, Vol. 29, No. 2, 2015, pag. 423–429
5. Castellano Nicola “La misurazione delle performance per le piccole imprese.
Strumenti di misurazione e processi di controllo”, Giappichelli Editore, Torino, 2012
6. Chaea Bongsug Kevin, Olsonb David, Sheu Chwen, “The Impact of Supply Chain
Analytics on Operational Performance: a Resource-based View”, International
Journal of Production Research, 2014, Vol. 52, No. 16, pag. 4695–4710
7. Chand, D., Hachey, G., Hunton, J., Owhoso, V., Vasudevan, S., “A balanced
scorecard based framework for assessing the strategic impacts of ERP systems”, 2005,
Comput. Ind. 56 (6), pag. 558–572
8. Chen Hsinchun, Chiang Roger H. L., Storey Veda C., “Business intelligence and
analytics: from big data to big impact”, MIS Quarterly, 2012, Vol. 36 No. 4, pag.
1165-1188
9. Cinquini Lino, “Cost Management, vol I”, 2017, Giappichelli Editore, Torino
10. Cleland Rory, “The true cost of IT”, Credit Control. 2016, Vol. 37 Issue 5/6, pag 42-
47
11. Cokins Gary, “Driving acceptance and adoption of business analytics”, Journal of
Corporate Accounting & Finance (Wiley). Jan/Feb 2013, Vol. 24 Issue 2, pag. 69-74
12. Connolly David, Dotts Jennifer, Raimondo Chris, “The Analytics Advantage”, Claims.
Aug 2012, pag. 22-27
110
13. Davenport Thomas H., "How strategists use “big data” to support internal business
decisions, discovery and production", Strategy & Leadership (2014), Vol. 42 Issue: 4,
pag. 45-50
14. Davenport Thomas H., “The rise of analytical performance management”, Harvard
Business Digital, 2008
15. Davenport Thomas H., O'Dwyer Jerry, "Tap into the power of analytics", Supply
Chain Quarterly, Quarter 4 2011, 5 pag.
16. Davenport Thomas H., Patil Dhanurjay, “Data Scientist: The Sexiest Job of the 21st
Century”, Harvard Business Review, 2012, 3 pag.
17. De Santis, Federica, “ERP e strumenti di business intelligence: supporto gestionale e
impatto organizzativo”, Giappichelli Editore, Torino (2016)
18. Deepak Agrawal, "Analytics based decision making", Journal of Indian Business
Research (2014), Vol. 6 Issue: 4, pag. 332-340
19. Dowes Lawrence, Nunes Paul “Big Bang Disruption: L’era dell’innovazione
devastante”, 2014, Egea, Milano
20. Dremel Christian, Wulf Jochen, Herterich Matthias M., Waizmann Jean-Claude,
Brenner Walter, "How AUDI AG Established Big Data Analytics in Its Digital
Transformation", MIS Quarterly Executive, June 2017 (16:2), pag 81-100
21. Eckerson Wayne, “Big Data Analytics: Profiling the Use of Analytical Platforms in
User Organizations”, BeyeRESEARCH & SAS.com, 2011, 49 pag. 22. Eckerson Wayne, “TDWI report: Predictive analytics: Extending the value of your
data warehousing investment”, 2007, TDWI
23. Fadini Bruno, Savy Carlo “Informatica per le scienze umane”, 2008, Franco Angeli,
Capitolo 1
24. Fiscor Steve, “Putting Information at Work: Mining operations would benefit greatly
from data-driven decision making”, Engineering and Mining Journal, Feb 2017, pag.
40-42, 44-45
25. Garlassi Alessandro, Fornaciari Luca, “L’impresa diventa digitale: riflessi ed effetti
sul controllo di gestione”, Controllo di Gestione, anno XI Gennaio-Febbraio 2014, n.
1, pag. 37-46, Ipsoa
26. Granà Fabrizio, Busco Cristiano, “Relazioni tra business intelligence e controllo di
gestione: un caso di studio”, Controllo di Gestione, anno X Luglio-Agosto 2013, n. 4,
pag. 51-58, Ipsoa
111
27. Giannetti Riccardo, “La riduzione strategica dei costi. La gestione dei costi driver per
i business model economicamente sostenibili”, Giappichelli Editore, 2013, Torino
28. Haight James, "IoT Analytics in Practice", Blue Hill Research, settembre 2015, 12
pag.
29. Harris Jeanne G., Morison Robert, Davenport Thomas H., “Embed analytics in
business process” in “Analytics at work: smarter decisions, better results”, Harvard
Business (2010), Boston, pag. 121-135
30. Hawley Douglas, “Implementing business analytics within the supply chain: success
and fault factors”, Electronic Journal of Information Systems Evaluation. 2016, Vol.
19 Issue 2, pag. 112-120
31. Hilton Ronald, Maher Michael, Selto Frank, "Cost Management: Strategies for
Business Decisions", McGraw-Hill Education, 2008, terza edizione
32. Holsapple Clyde, Lee-Post Anita, Pakath Ram, “A Unified Foundation For Business
Analytics“, Decision Support Systems, Volume 64, August 2014, pag. 130-141
33. Inpixon News Desk, “Big Data Analytics Meeting Business Needs And Raising IT’s
Profile In The Organization”, 2014, SaS, 4 pag.
34. Jongsawas Chongwatpol, "Prognostic Analysis of Defects in Manufacturing",
Industrial Management & Data Systems, 2015, Vol. 115 Issue: 1, pag. 64-87
35. Kaplan Robert S., Norton David P., “Translating Strategy into Action: the Balanced
Scorecard”, Harvard Business School Press, Boston, 1996
36. Khaldi Jilani, “Database Relazionali”, Narcisus, 2012, terza edizione, pag. 8
37. Kirk Jeremy, “<<Analytics>> not always what it seems”, Network World. 2/13/2006,
Vol. 23 Issue 6, pag 29
38. Klatt Tobias, Schlaefke Marten, Moeller Klaus, "Integrating business analytics into
strategic planning for better performance", Journal of Business Strategy, 2011, Vol.
32 Issue: 6, pag. 30-39
39. Lambrecht Anja, Tucker Catherine, “The 4 Mistakes Most Managers Make with
Analytics”, Harvard Business Review Digital Articles. 7/12/2016, pag. 2-5
40. Lebas M., Euske A., “A conceptual and operational delineation of performance” in
Neely “Business performance mesurement”, Cambridge University Press, Cambridge,
UK, 2002
41. Maisel Lawrence, Cokins Gary, “Why Analytics Will Be the Next Competitive Edge”
Journal of Corporate Accounting & Finance (Wiley). May/Jun2015, Vol. 26 Issue 4,
pag. 91-100
112
42. Minkin Steven J., “Understanding and Implementing Business Analytics”, Air Force
Comptroller. Spring 2017, Vol. 50 Issue 1, pag. 6-9
43. Miolo Vitali Paola, (a cura di), “Strumenti per l’analisi dei costi, Percorsi di Cost
Management, Vol. III”, Torino, Giappichelli, 2009
44. Moradkhan Bill, “Advanced business intelligence systems are not a luxury”, SMT:
Surface Mount Technology. April 2015, Vol. 30 Issue 4, pag. 82-85
45. nGenera Corporation, “Business Analytics Six Questions To Ask About Information
And Competition”, 2008, Intel & SaS, 20 pag.
46. Noone e Breffini, “Enhancing yield management with customer profitability analysis”,
International Journal of Contemporary Hospitality Management. 1997, Vol. 9 Issue 2
47. Parmenter David “Key Performance Indicators (KPI): Developing, Implementing, and
Using”, 2010, Wiley, pag. 4
48. Pauleen David J., "Davenport and Prusak on KM and big data/analytics: interview
with David J. Pauleen", Journal of Knowledge Management 2017, Vol. 21 Issue: 1,
pag. 7-11
49. Peterson Pamela P., Fabozzi Frank J. "Capital Budgeting: Theory and Practice",
Wiley Finance, 2002, pag. 3
50. Raffoni Anna, Visani Franco, Bartolini Monica, Silvi Riccardo, “Business
Performance Analytics: exploring the potential for Performance Management
Systems”, Production Planning & Control, 2018, 29:1, pag. 51-67
51. Ramanathan Ramakrishnan, Philpott Elly Duan, Yanqing & Cao Guangming,
“Adoption of business analytics and impact on performance: a qualitative study in
retail”, Production Planning & Control, 28:11-12, 2017, pag. 985-998
52. Ramlukan Roshan, “How Big Data and Analytics are Trasnforming the Audit”,
Financial Executive, 2015, pag. 14-19
53. Rezzani Alessandro, “La valutazione economica della Business Intelligence” in
“Business intelligence: processi, metodi, utilizzo in azienda”, Apogeo, Milano (2012),
pag. 51-60
54. Rothberg Helen N., Erickson G. Scott, "Big Data Systems: Knowledge Transfer or
Intelligence Insights?", Journal of Knowledge Management, 2017, Vol. 21 Issue: 1,
pag. 92-112�
55. Schläfke Marten, Silvi Riccardo, Möller Klaus, "A framework for business analytics
in performance management", International Journal of Productivity and Performance
Management, 2012, Vol. 62 Issue: 1, pag. 110-122
113
56. Seddon Peter B., Costantinidis Dora, Tam Toomas, Dod Harjot, “How does business
analytics contribute to business value?”, Information Systems Journal. Maggio 2017,
Vol. 27 Issue 3, pag. 237-269
57. Sharma Naresh, Dadhich Manish, "Predictive Business Analytics: The Way Ahead",
Journal of Commerce & Management Thought, Vol. 5-4, 2014, pag. 652-658
58. Silvi Riccardo, Visani Franco, “Business Analytics: nuove prospettive per il
performance management”, Controllo di Gestione, anno XIII Luglio-Agosto 2016, n.
4, Inserto, Ipsoa
59. Silvi Riccardo, Visani Franco, Bartolini Monica; “I sistemi di cost management”, in:
Sistemi di controllo e Cost Management tra teoria e prassi, 2004, Giappichelli, Torino,
pag. 151 - 219
60. Sprongl Peter, "Gaining competitive advantage through business analytics”, Acta
Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, Vol.61(7),
Gennaio 2013, pag. 2779-2785
61. Stackpole Beth, “Making Magic”, CIO.com, May 2016, pag. 10-16
62. Stockinger Kurt, van Lingen Frank, Valente Marco, “Big Data Analytics in a
Connected World”, Business Intelligence Journal, Vol. 20 No. 2, 2015, pag. 44-55
63. Stubb Evan, “Define the value of business anaytics” in “The value of business
analytics: identifyng the path to profitability”, Wiley, 2011, pag. 99-142
64. Sweetwood Adele, "Marketing Analytics and the Data-Driven Evolution of
Marketing", AnA Magazine Spotlight, Issue 7, 2013, pag 10-11
65. Tang Jiali (Jenna), Khondkar Karim E., “Big Data in Business Analytics: Implications
for the Audit Profession”, CPA Journal. Giugno 2017, pag. 34-39
66. Thompson Vanessa, “Using data and analytics to drive better business decision-
making”, Operations Management (1755-1501), Vol. 42 Issue 2, 2016, pag. 40-41
67. Tornatzky L. G., e M. Fleischer, “The Process of Technological Innovation”,
Lexington, MA: Lexington Books, 1990
68. Tuarob, Tucker, Conrad, “Fad or here to stay: Predicting product market adoption
and longevity using large scale, social media data”. In: ASME 2013, International
Design Engineering Technical Conferences and Computers and Information in
Engineering Conference. American Society of Mechanical Engineers
69. Uden Lorna, He Wu “How The Internet Of Things Can Help Knowledge Management:
A Case Study From The Automotive Domain”, Journal of Knowledge Management,
Vol. 21 Issue: 1, 2017, pag. 57-70
114
70. Ward David “Big Data Drives Partnership. Marketing And IT Can Play Very Nice”,
AnA Magazine Spotlight, Issue 7, 2013, pag 3-6
71. White Paper SaS, “Best Practices for Modernizing Enterprise Decision Making”,
2016, SaS, 12 pag.
72. Yerpude Samir, Singhal Tarun, “Internet of Things and its impact on Business
Analytics”, Indian Journal of Science and Technology, Vol 10(5), Febbraio 2017, pag.
1-6
SITOGRAFIA
1. “Big Data: Cosa Sono e Loro Utilizzo”, BeanTech.com
(http://www.beantech.it/blog/articoli/big-data-cosa-sono-e-loro-utilizzo/ ) (data
ultima consultazione 20 settembre 2017)
2. “Internet of Things e Business Analytics per dare valore ai dati”, BeanTech.it, 2015
(http://www.beantech.it/blog/articoli/internet-of-things-business-analytics-
whitepaper/) (data ultima consultazione 18 settembre 2017)
3. Diffey, M. (2014), “The Internet of Things is more than a fashion statement”, The
Australian, 2014 (http://www.theaustralian.com.au/business/business-spectator/the-
internet-of-things-is-more-than-a-fashion-statement/news-
story/9328343d108e54ef4fecc1b6d17b6746) (data ultima consultazione 7 novembre
2017)
4. Ephrati Aya, “The Internet of Things, Big Data, and Business Analytics”, Business
Perspective, 2014 (https://www.sisense.com/blog/internet-things-big-data-business-
analytics/) (data ultima consultazione 20 settembre 2017)
5. Galetto Molly, “What Is business analytics?”, NG Data, 2017,
(https://www.ngdata.com/what-is-business-analytics/) (data ultima consultazione 28
settembre 2017)
6. Graham Dan, “How the Internet of Things Changes Big Data Analytics”, 2016, Data-
Informed.com (http://data-informed.com/how-the-internet-of-things-changes-big-
data-analytics/) (data ultima consultazione 26 settembre 2017)
7. Harford Tim, “Big data: are we making a big mistakes?”, Financial Times, 28 marzo
2014 (https://www.ft.com/content/21a6e7d8-b479-11e3-a09a-
00144feabdc0?mhq5j=e1#comments) (data ultima consultazione 14 luglio 2017)
115
8. Havlena Matouš, “What is Business Analytics”, Business Analytics & Intelligence,
Havlena.net, 2013 (http://www.havlena.net/en/business-analytics-intelligence/big-
data-analytics-part-1-what-is-business-analytics/) (data ultima consultazione 25
settembre 2017)
9. Heinze Justin, “Business Intelligence vs. Business Analytics: What’s The
Difference?”, Betterbuys.com, 2016 (https://www.betterbuys.com/bi/business-
intelligence-vs-business-analytics/) (data ultima consultazione 25 settembre 2017)
10. Mignemi Maria Luisa, “Business analytics contro la complessità di Big Data e
Internet of Things”, SaS.com (https://www.sas.com/it_it/insights/articles/big-
data/analytics-e-internet-of-things.html) (data ultima consultazione 18 settembre
2017)
11. Porter M. e Heppelmann J., “How smart, connected products are transforming
companies”, Harvard business Review, 2015 (https://hbr.org/2015/10/how-smart-
connected-products-are-transforming-companies) (data ultimo accesso 7 novembre
2017).
12. Razzicchia Giuliano, “Business Analytics: c’entra qualcosa con la Business
intelligence?”, Techeconomy.com, 2012
(http://www.techeconomy.it/2012/05/31/business-analytics-centra-qualcosa-con-la-
business-intelligence/) (data ultima consultazione 25 settembre 2017)
13. Rouse Margaret, “Definition: Business Analytics (BA)”, Tech Target, 2017
(http://searchbusinessanalytics.techtarget.com/definition/business-analytics-BA)
(data ultima consultazione 25 settembre 2017)
14. Schrader Chris, “What is the difference between Business Intelligence and Business
Analytics?”, Quora.com, 2012 (https://www.quora.com/What-is-the-difference-
between-Business-Intelligence-BI-and-Analytics) (data ultima consultazione 1
ottobre 2017)
116
INDICE DELLE FIGURE E DELLE TABELLE
FIGURA 1 - ROAD MAP PER INTRODUZIONE BA. DA: BRANDS E HOLTZBLATT (2015) 30
FIGURA 1 - PUNTI DI FORZA E DEBOLEZZA DI BA E PMS DA: SILVI E VISANI (2016) 69
FIGURA 3 - STEP PER L'IMPLEMENTAZIONE DELL'APM DA: SILVI E VISANI (2016) 73
FIGURA 4 - LA RAPPRESENTAZIONE DEL MADA FRAMEWORK DA: APPELBAUM ET AL. (2017) 77
FIGURA 5 - CARATTERISTICHE DEI DATI DA: SILVI E VISANI (2016) 89
TABELLA 1 - L'EVOLUZIONE DELL'ICT NEL PROCESSO DECISORIO CON MODIFICHE DA: DAVENPORT (2016)
4 TABELLA 2 - UTILIZZO DI SENSORI IOT IN DIVERSI SETTORI DA: HAIGHT (2015) 101