Tra quelle doti individuali che non si possono né apprendere né trasmettere ma che fanno parte della personalità e che hanno da sempre contraddistinto l’imprenditore o il dirigente di successo, oltre all’intelligenza, alla determinazione, alla capacità lavorativa e organizzativa, all’attitudine alla leadership e ad altre ancora, vi è, importantissima, la capacità di prevedere rischi e opportunità. Una dote così strettamente personale che se ne parla spesso come di un ‘sesto senso’ capace di dare, a chi ce l’ha, il dono di cogliere e di interpretare segnali che ad altri sono impercettibili o, se pure percepiti, appaiono privi di significato. Il successo di una qualsiasi attività, specie nel business, dipende in massima parte dalla capacità di prevedere il futuro cogliendone i segni anticipatori. Questi segni esistono: molti sanno dire, a cose fatte, quali erano i segnali che annunciavano l’accaduto. Quello che fa la differenza è saperlo prima.
Una delle più stimolanti sfide che la scienza dell’informazione applicata al business si sia posta sta proprio nel trovare il modo di individuare e rendere percepibili i segnali nascosti e contestualizzarli in un quadro che permetta di interpretarne il significato. Lo sviluppo delle applicazioni di business intelligence è stato il primo, grande, risultato di tale ricerca. Ma per quanto alla Business Intelligence vada il merito di aver aperto una strada e averne dimostrato la validità, le sue classiche applicazioni. e cioè le query mirate, l’analisi multidimensionale on-line, il reporting e i ‘cruscotti’, che dei report sono sintesi ed evoluzione, hanno dei limiti fondamentali.
I limiti della Business Intelligence tradizionale
In primo luogo, la tradizionale Business Intelligence non è in grado né di dare una visione di possibili eventi futuri né di prevedere gli sviluppi futuri di un’azione. Le applicazioni di Business Intelligence, se progettate bene e basate su dati aggiornati, offrono una visione approfondita del passato e anche del presente, identificando gli schemi che determinano comportamento e prestazioni delle funzioni aziendali: vendite, produzione, supply chain, marketing, amministrazione, finanza e così via. Possono quindi dirci “cosa” è successo, o sta succedendo, e “perché” (il che non è poco). Ma non ci possono aiutare per sapere cosa succederà in futuro, cosa sta per succedere tra poco e cosa succederà se farò una certa cosa piuttosto che un’altra. Sono punti fondamentali per chi deve decidere. Si tratta di sostituire una scelta soggettiva basata sull’intuito (il ‘fiuto’ di cui si è detto) con una basata su alternative analizzate per quanto possibile in modo oggettivo.
Il secondo limite della Business Intelligence tradizionale sta nella difficoltà di individuare schemi che non siano stati previsti. La qualità dei risultati che anche le applicazioni più potenti e meglio progettate sono in grado di dare dipende strettamente da quella del modello di dati che ne è alla base. Che siano organizzati in modo gerarchico, relazionale o multidimensionale, i data-model cui tutte le applicazioni di BI fanno riferimento devono essere progettati in modo da prevedere tutte le potenziali domande cui l’applicazione dovrà poter rispondere in futuro. Una qualsiasi entità (prodotto, cliente, fornitore…) non potrà infatti mai essere analizzata con efficacia se non sarà stata prima modellata in tutti i suoi rapporti con le altre entità (per dire: come si relazionano clienti e fornitori) e non sarà stata associata a un fattore dimensionale (tempo, area geografica, linea di prodotto, zona di vendita e così via).
Business Analytics: anticipare lo sviluppo di eventi
Le soluzioni che superano i limiti che abbiamo descritto, permettendo a imprenditori e responsabili del business di estendere la loro visione sino ad anticipare lo sviluppo degli eventi, così come prevedere l’effetto che potranno avere le loro decisioni in futuro, vanno sotto il nome di Advanced Analytics, soluzioni d’analisi avanzate, o anche, stante i campi d’applicazione, Business Analytics. Di tali soluzioni Forrester dà una definizione che, sebbene alquanto complessa, ne identifica con precisione funzioni e finalità. Si tratta quindi di: “Soluzioni che aiutano a identificare schemi di comportamento significativi e correlazioni tra le variabili entro un complesso insieme di dati, strutturati e non strutturati, storici, attuali e potenziali, allo scopo di prevedere eventi futuri e valutare le opportunità offerte da diverse linee d’azione. Tipicamente, le Advanced Analytics incorporano funzioni di data mining, modeling descrittivo, modeling predittivo, econometria, forecasting, ricerca sulle operazioni, ottimizzazione, simulazione, statistica e analisi di testi”.
L’uso di analisi avanzate è pratica consolidata in campo finanziario e scientifico, sebbene basate su tecnologie particolari e destinate a utenti esperti. Ma i vendor del settore stanno incorporando le Business Analytics nella loro offerta, al fine di creare una più potente piattaforma di Business Intelligence in grado, in particolare, di:
1) fornire analisi predittive e prescrittive che permettono di testare l’impatto di iniziative e attività prima che queste siano messe in atto;
2) scoprire schemi di comportamento in dati non modellati, superando il limite della BI;
3) agire in tempo reale su dati in streaming, una capacità importante in campo finanziario, ad esempio per prevenire tentativi di frode, e fondamentale nei processi manifatturieri;
4) acquisire le informazioni che si trovano in contenuti non strutturati, come testi, blog, e-mail, note varie.
Le aree di maggiore impatto
Le questioni cui una suite di BI arricchita di strumenti avanzati di analisi può rispondere andando a cercare informazioni tra dati strutturati e contenuti non strutturati sono infinite. Può essere utile ed esplicativo chiarire, con una serie di esempi, quali siano le tipiche attività di analisi predittiva cui le Business Analytics devono rispondere e il tipo di dati e contenuti sui quali si devono basare.
Finance: individuare le pratiche di fatturazione più adatte a incrementare il cash-flow (dati strutturati); prevedere le reazioni e i commenti di analisti e blogger al prossimo annuncio dei risultati economici della società (contenuti semistrutturati e non strutturati); valutare il grado di correlazione tra i commenti di analisti e blogger e l’andamento del valore delle azioni della società (dati strutturati e contenuti semistrutturati e non strutturati).
Marketing e product management: quali servizi, prezzi, confezionamenti e sistemi di vendita avranno il maggior impatto sulla customer satisfaction e fedeltà alla marca (dati strutturati); quali iniziative sui prodotti potranno avere più successo in termini di vendite e profitti considerando le tendenze macroeconomiche e quelle relative all’area geografica e al settore di riferimento (dati strutturati e contenuti semistrutturati e non strutturati); quali campagne marketing raggiungeranno più probabilmente l’obiettivo in base a vari fattori economici e demografici (dati strutturati); quale sia il rapporto tra i difetti denunciati dai clienti sui prodotti e i sistemi di controllo qualità (contenuti semistrutturati e non strutturati).
Customer service: individuare i driver della soddisfazione e della lealtà di marca per diversi segmenti di consumatori (contenuti semistrutturati e non strutturati).
It governance e It performance management: applicabilità di tecniche analitiche per la previsione e simulazione delle prestazioni dei sistemi e dei servizi It erogati con tuning costante secondo parametri definiti (costo, time to market, riallocazioni elaborative ecc.)
Relazioni con gli investitori: stimare l’impatto sull’atteggiamento degli investitori dei commenti dei blogger del settore sugli obiettivi di crescita dichiarati (contenuti semistrutturati e non strutturati).
Operazioni: quali processi produttivi e di assistenza siano più adatti a migliorare l’affidabilità dei prodotti (dati strutturati); quali sistemi d’inventario possano ridurre l’onere delle giacenze in funzione dei ritmi di fornitura e delle previsioni di vendita (dati strutturati).
Risk management: che tipi di frodi, sprechi e abusi si potranno più facilmente verificare in base all’esperienza storica e corrente (dati strutturati e contenuti semistrutturati e non strutturati); quali minacce possono essere previste e prevenute sviluppando un modello delle minacce potenziali provenienti da individui o gruppi di persone (dati strutturati e contenuti semistrutturati e non strutturati).
