Si parla di descriptive analytics per indicare l’utilizzo di logica, modelli e regole di rilevamento e di business applicate ai dati e comprendere cosa sta succedendo e soprattutto cosa è accaduto all’interno dei processi e delle aree delle organizzazioni aziendali. Come nell’anno precedente, Gartner ha inserito l’analisi descrittiva nell’ultima fase di Hype Cycle for Supply Chain Strategy 2020 poiché conoscere attraverso una data strategy, la situazione attuale e passata della propria catena di approvvigionamento è un punto di partenza importante per comprenderne appieno le prestazioni.
Secondo Gartner, infatti, dopo un anno così incerto e pieno di interruzioni a causa della situazione dovuta al Covid-19 e ai ripetuti lockdown, i responsabili della supply chain devono focalizzare l’attenzione sulle strategie innovative in modo incisivo e veloce e sfruttare le soluzioni e gli strumenti messi a disposizione dalla digital transformation.
Questo Hype Cycle rappresenta per i responsabili della supply chain e per i responsabili strategici un’istantanea della maturità e dei vantaggi delle tecnologie e delle competenze a supporto degli obiettivi aziendali e di business e include il descriptive analytics tra le cinque funzionalità da implementare subito. Oggi, le aziende con un approccio data-driven sono quelle che considerano la gestione dei dati non come un fattore puramente tecnico, ma come un pilastro strategico del business.
Descriptive analytics nella supply chain
La descrittiva è una forma di analisi dei dati in base alla quale, i dati storici vengono raccolti, organizzati e di conseguenza, presentati in un modo facilmente comprensibile.
A differenza di altri metodi di analisi, si concentra solo su ciò che è già accaduto e non viene utilizzata per trarre deduzioni o fare previsioni. Può essere considerata un punto di partenza in grado di generare informazioni comprensibili ai diversi dipartimenti o settori aziendali e in grado di preparare e disporre i dati per ulteriori analisi. In genere, è la forma più semplicistica di data analysis e abbraccia un’ampia varietà di formati tra report statici, dashboard interattive oppure visualizzazioni di dati. Le tecnologie di supporto vanno dai più semplici fogli di calcolo alle piattaforme di machine learning. Secondo Gartner le nuove soluzioni devono includere più opzioni self-service e integrare ulteriormente le tecnologie di apprendimento automatico.
Descriptive analytics: come funziona
L’analisi descrittiva principalmente utilizza due modi: l’aggregazione dei dati e il data mining o data discovery legata ai processi di Business Intelligence (BI). Le informazioni vengono raccolte ed organizzate in set di dati gestibili che poi diventano modelli per poi essere visualizzati.
Il processo di analisi descrittiva spesso avviene in più fasi che possono essere identificate nella scelta delle metriche in grado di valutare le prestazioni rispetto agli obiettivi dell’azienda; nell’identificazione delle fonti di dati da cui estrarre i dati; nella raccolta dei dati; nell’analisi dei dati ed infine, nella presentazione attraverso grafici o strumenti comprensibili anche a chi non si occupa di analisi.
Quando utilizzare descriptive analytics
L’analisi descrittiva permette di ottenere informazioni dai comportamenti passati. In generale, l’identificazione di modelli nei dati e le informazioni correlate provengono sia da software di esecuzione della catena di approvvigionamento interna che da sistemi esterni.
Il cloud ha reso molto più semplice condividere le informazioni anche con parti esterne, il che ha stimolato una maggiore collaborazione tra i partner della catena di approvvigionamento come fornitori, distributori e rivenditori. L’analytics può confrontare lo stesso tipo di dati di periodi diversi. Ad esempio, da una semplice dashboard di analisi descrittiva è possibile scoprire un ritardo nell’approvvigionamento e indagando ulteriormente sul problema è possibile comprendere o individuare il motivo o la causa del ritardo.
Le fasi di analisi dei dati
L’analisi descrittiva può essere considerata una fase preliminare dell’elaborazione dei dati che attraverso i dati storici fornisce informazioni utili ed è poi in grado di preparare i dati per ulteriori analisi. In genere, alla descriptive analytics fa seguito la diagnostic analytics o analisi diagnostica che cerca di comprendere le cause di eventi e comportamenti in modo più approfondito. Quest’ultima all’interno di Hype Cycle for Supply Chain Strategy è vicinissima alla posizione dell’analisi descrittiva con una previsione di adozione da due a cinque anni vista anche una maggiore complessità nella diffusione del suo utilizzo.
Sempre legate alle strategie della supply chain, l’analisi predittiva e l’analisi prescrittiva sono inserite nella fase di disillusione con una previsione di adozione dai 5 ai 10 anni.
In generale, l’analisi predittiva è utilizzata per identificare le probabilità e le tendenze future fornendo informazioni su ciò che potrebbe accadere in futuro mentre l’analisi prescrittiva viene applicata per sfruttare al meglio un’opportunità futura o mitigare un rischio futuro e suggerisce opzioni decisionali.
Ogni fase di analisi risponde a una domanda precisa:
Analisi descrittiva: cosa è successo?
Analisi diagnostica: perché è successo?
Analisi predittiva: cosa potrebbe accadere in futuro?
Analisi prescrittiva: come dovremmo rispondere a questi potenziali eventi futuri?
L’utilizzo di analisi descrittive, predittive e prescrittive nella supply chain può aumentare la visibilità, ridurre le spese generali, ridurre i rischi, migliorare l’intero processo e facilitare il lavoro del personale.
Come implementare una strategia di analisi descrittiva
Secondo Gartner una buona capacità di analisi descrittiva è alla base dell’adozione efficace di analisi diagnostiche, predittive e prescrittive. Ecco perché sempre secondo Gartner, i responsabili delle strategie di analisi all’interno della supply chain devono:
- Comprendere che la qualità e l’accessibilità dei dati è alla base di ogni strategia. Spesso le aziende hanno molti sistemi di back-end e ERP in cui risiedono i dati ma non danno importanza o non comprendono la necessità di armonizzare questi dati per creare una versione unica e per poi effettuare l’analisi descrittiva.
- Stabilire definizioni di metriche comuni e coerenti per tutta l’azienda. In questo modo, l’analisi descrittiva diventa un linguaggio comune per tutti e utilizzato per comunicare le prestazioni della catena di approvvigionamento a tutti i settori.
- Adottare machine learning nell’analisi descrittiva per identificare meglio nuovi modelli e interdipendenze attraverso la scoperta e l’analisi dei dati.
- Favorire un approccio più intuitivo e interattivo basato sul linguaggio naturale per supportare la comprensione dei modelli e delle interdipendenze variabili.
- Scegliere soluzioni che supportano il self-service per affidarsi in modo costante all’analisi descrittiva in ogni processo decisionale.
Descriptive analytics: futuro, vantaggi e svantaggi
L’uso maggiore di analisi descrittiva nella catena di approvvigionamento dipenderà sempre più spesso da come la tecnologia sarà in grado di evolversi e rispondere alle esigenze del mercato. Le funzionalità di analisi descrittiva self-service permettono di utilizzare autonomamente e in base ai propri obiettivi di business la data virtualization ma anche la creazione di report flessibili e dashboard.
Il machine learning è in grado di analizzare grandi insiemi di dati e in modo continuo e scoprire correlazioni altrimenti non visibili. Ed i vantaggi? L’analisi descrittiva, permette di conoscere lo stato di salute della propria catena di approvvigionamento, ottenere informazioni e attuare decisioni tattiche e strategiche. Inoltre, può essere facilmente applicata nelle operazioni quotidiane senza una conoscenza approfondita. Ciò significa che le aziende possono ottenere informazioni in modo rapido e semplice e di conseguenza, apportare miglioramenti. D’altra parte, l’analisi descrittiva ha come limite di non guardare oltre la superficie dei dati.
