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


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


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


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


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 […]”.


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.


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.


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


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.


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


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.


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


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


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.


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)

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

I sistemi di Business Analytics per il management ...

Documents

Transcript of I sistemi di Business Analytics per il management ...