Predictive Analytics Blog
Finanza e Gestione08 settembre, 2021

5 passi per una strategia data-driven grazie alla Predictive Analytics

Un approccio basato sui dati è fondamentale per prendere decisioni che possano portare a risultati efficaci, ma quali sono gli strumenti che possono aiutare?

La frase "data-driven" significa agire sulla base di ciò che i dati ti dicono. Le organizzazioni stanno sempre più adottando approcci al processo decisionale basati sui dati. Questo è naturale, data la quantità di dati che ora abbiamo a portata di mano.

Per soddisfare la domanda, i fornitori di software stanno pubblicizzando prodotti che pretendono di facilitare questo processo decisionale metrico-centrico. Tutto sommato, il data-driven è ora percepito come il modo giusto di fare business.

 

Ma la tua azienda sta davvero seguendo un processo decisionale data-driven?

 

Dobbiamo tenere a mente che "data-driven" non significa necessariamente "dati accurati". Né significa "dati efficienti" o "dati magistrali". 

In effetti, ho visto strategie basate sui dati che potevano essere considerate buone e altre che non lo erano affatto. Questo articolo esaminerà come impostare una buona strategia data-driven e come scegliere la migliore soluzione di analisi predittiva.

 

Strategie guidate dai dati: Il buono, il cattivo e il brutto

 

Il buono. Le strategie data-driven si concentrano sul reperimento di dati finanziari e operativi e sulla loro rapida analisi. In questo modo si crea un vero e proprio hub di dati che incorpora dati finanziari, ma anche dati operativi granulari, che sono il focus delle entrate, dei costi e della generazione di cassa.

Il cattivo. Questo tipo di strategia è incompleta perché manca di fonti di dati vitali. Si traduce in dati imprecisi che diventano pericolosi quando vengono usati per prendere decisioni. Generalmente accade quando il sistema finanziario può sincronizzare e unire i dati da un vecchio approccio a silos, ma non è possibile tracciare i dati rilevanti o i dati con la granularità adeguata. Per esempio, i rivenditori che non possono tracciare le vendite orarie o giornaliere perdono informazioni critiche che potrebbero essere utili per eventuali misure di risparmio dei costi, come la programmazione dei turni o le promozioni in-store.

Il brutto. Questo tipo di strategia non può decollare perché i suoi dati non sono interpretabili. Anche se potesse, l’area Finance non avrebbe modo di estrarre alcun valore dai suoi risultati. Se il sistema finanziario e di analisi (FP&A) può dire, per esempio, che l’azienda potrà vendere più gelato se il numero di persone in città diviso per lo stipendio medio dei panettieri di Londra è maggiore del CPI stimato in tre anni, quali saranno le azioni da compiere dopo? Come si fa a ricavare una strategia di vendita da questa scoperta accurata, ma agnostica al business che è pura matematica? Mancano, quindi, i risultati.

Per aiutare le aziende a posizionarsi nello spettro del processo decisionale basato sui dati, ho fatto questo grafico utile a stabilire quali saranno i prossimi passi da compiere.

 

Predictive Analytics 

 

Come si fa a passare a una buona strategia guidata dai dati?

 

L’elemento centrale delle strategie guidate dai dati è l'analisi predittiva - in particolare l’analisi predittiva con previsioni spiegabili. La Predictive Analysis produce proiezioni precise che possono aiutare a modellare le decisioni, guidare eventuali azioni correttive e reindirizzare le risorse verso attività produttive. 

In altre parole, l’analisi predittiva permette alle aziende di andare verso un processo decisionale guidato dai dati che non lascia niente al caso.

Se eseguita correttamente, questa tecnologia ha il potere di sfruttare tutti i tipi di dati e di fare previsioni sui processi finance.

Come scegliere la migliore soluzione di analisi predittiva?

 

1. Comprendere i tre pilastri essenziali dell'analisi predittiva

In passato, le aziende si avvalevano del supporto di consulenti esterni e analisti per costruire e utilizzare le funzionalità predittive. La natura onerosa e costosa di questo approccio persiste ancora nell'immaginario del finance. Tuttavia, i tempi sono cambiati. Ma anche se la tecnologia predittiva è maturata, ci sono diverse cose che una soluzione di analisi predittiva deve fare:

  • Unificare i dati: le piattaforme predittive devono facilitare un approccio centralizzato alla gestione dei dati.
  • Collegare i dati operativi e finanziari: comprendendo la connessione e le interrelazioni tra i risultati finanziari e le azioni operative, è possibile esaminare meglio e regolare la strategia operativa verso uno scenario che produrrebbe i risultati finanziari ottimali.
  • Essere una soluzione in real-time: l'accesso ai dati in tempo reale è fondamentale per produrre previsioni precise in tempi di incertezza. L'in-memory computing e un potente motore di dati sono le due tecnologie che assicurano la velocità in tempo reale, in modo da poter valutare l'impatto di eventi di mercato inaspettati o colpi di scena nell'economia e determinare rapidamente una risposta strategica fattibile.

2. Usare previsioni spiegabili

Le previsioni sono solo metà dell’opera quando si tratta di prendere decisioni guidate dai dati. L'altra metà? Capire cosa sta guidando le performance e che ha un impatto migliore sui risultati previsti.

Per esempio, è utile conoscere le entrate previste di una linea di prodotti. Ma è più utile capire quali sono i driver di quelle entrate. In questo modo, si può investire di più in ciò che funziona, meno in ciò che non funziona e applicare gli insight derivanti dalle previsioni. 

3. Utilizzare un software di analisi predittiva adatto

Sfruttare una soluzione predittiva senza previsioni spiegabili è, ai miei occhi, come fornire un carro senza cavallo. Manca una forza motrice. Ecco perché è importante riconoscere i due principali tipi di software di analisi predittiva, come segue:

  • Software a scatola nera: il software a scatola nera dà previsioni, ma non fornisce alcuna logica o ragione. Ci si aspetta un’assoluta fiducia nelle previsioni della macchina senza sapere quali sono le correlazioni che ha fatto per arrivare alla sua conclusione.
  • Software con approccio a scatola di vetro: questo software produce le previsioni e mette in luce i driver di business responsabili di esse. Questo approccio supporta il processo decisionale basato sui dati, perché si possono prendere quei driver cambiare la strategia e simulare o rimodellare il futuro verso un risultato più fruttuoso.

4. Non trattare l’analisi predittiva come una tecnologia, ma come una soluzione

Ho visto molte organizzazioni applicare soluzioni di analisi predittiva che rendono il processo decisionale guidato dai dati più un lavoro IT che un vantaggio a disposizione dell’area Finance. Suggerisco, nella valutazione di una soluzione di analisi predittiva o costruendo i requisiti per una strategia data-driven, di diffidare delle seguenti soluzioni di Intelligenza Artificiale (AI) e di Machine Learning (ML):

  • Alta tecnologia, ma difficile da utilizzare.
  • AI/ML non integrata con strumenti FP&A: questo potrebbe portare a problemi di verificabilità e a processi manuali che richiedono tempo.
  • Strumenti FP&A non integrati con ERP: solitamente, i modelli di dati ERP non sono pensati per l'analisi, ma per i processi transazionali. Elaborare i dati utili alla Pianificazione partendo da quelli presenti in un ERP può essere un’attività decisamente time consuming. Inoltre, la qualità dei dati che si ricavano dagli snapshot è influenzata dalla natura fluida e transazionale propria dei dati ERP.

5. Capire che si può iniziare da dove si è oggi

Non lasciare che la perfezione sia nemica del progresso, inizialmente va bene cominciare in modo snello e lento con ciò che si ha a disposizione. Il punto è: se si dispone anche di requisiti minimi di dati e si implementa un software di Predictive Analysis che include previsioni spiegabili, si trarrà comunque beneficio dalla comprensione dei driver di performance e dall'automazione, anche se le previsioni non sono al 100% precise.

 

Conclusioni: tecnologia predittiva e dati

 

Dobbiamo ricordare che le nostre decisioni sono buone solo quanto i nostri dati, e i nostri dati sono buoni solo quanto è buona la tecnologia che usiamo per capire e agire su di essi. 

Se eseguito secondo la struttura e i principi che vi ho esposto qui, il viaggio verso la Predictive si tradurrà in un processo decisionale guidato dai dati e basato su processi finanziari accurati, efficienti e perfetti

Francesco Morini
Director - Global Services - Analytics and Innovation - CCH Tagetik

Francesco Morini entra a far parte di CCH Tagetik nel 2012 dopo una laurea in Matematica Teorica e una carriera a supporto dell’Area Finance iniziando prima con Deloitte e successivamente con HP con un focus specifico per l’industria bancaria, acquisendo abilità e competenze nella maggior parte dei prodotti leader di mercato di BI e Analytics.