Il futuro prossimo venturo dell’analytics? Un asterisco. Quello che si troverà al piè di pagina di ogni report, in ogni schermata di un cruscotto aziendale o slide PowerPoint. Lì ad accompagnare la nota che sì, è giusto quello che stai guardando, i numeri sono certificati, non c’è alcun errore di processo, il tuo IT ha lavorato bene, ma…
Attenzione che i dati presi in considerazione riguardano (anche) il periodo del Covid-19. O come riferimento per la comparazione dei dati actual, o come base per un’analisi predittiva, o come indicatore per la definizione del comportamento dei miei clienti, B2C o B2B che siano.
Perché il “cigno nero” è arrivato, ha distrutto la vecchia normalità basata su dati più o meno comparabili, a meno di piccoli e locali eventi, e ci costringe ora a ripensare tutto. Anche il modo di leggere e interpretare i dati, irrimediabilmente condizionati dalle limitazioni di questo tempo. In un momento in cui c’è un gran bisogno dei dati per capire come sarà il futuro.
Senza avere la presunzione di dare soluzioni sul come poter fare a meno di questo asterisco, la cosa che al momento è – forse – possibile è indicare alcuni dei contesti a cui bisognerà fare attenzione, su cui iniziare a (ri)pensare per non trovarci qui, il prossimo anno, a non poter ancora interpretare i numeri della nuova normalità.
Business Intelligence
Dal punto di vista della semplice (ma neanche tanto) analisi descrittiva, è evidente che il confronto anno su anno, stagione su stagione (o contro-stagione) ecc. dovranno essere rivisti. Sia perché il “previous” farà riferimento a un tempo in cui tutto si è quasi fermato sia perché i dati actual potrebbero risentire di un auspicato effetto rimbalzo. Le strade possibili per ottenere comunque il tanto amato report di confronto delle vendite? Possono essere diverse. Ad esempio, andare avanti come niente fosse (pro: nessun effort in modifiche, contro: almeno un paio d’anni di confronti poco sensati), oppure prendere il periodo pre-covid per i dati di confronto (pro: dati “normali”, contro: dati troppo vecchi per avere ancora senso), oppure ancora stimare i dati covid “de-stagionalizzandoli” secondo un mix di considerazioni soggettive e di analisi (pro: potremmo arrivare a un buon risultato in termini di confronto, contro: grande attenzione nel metodo da applicare, effort rilevanti in modifiche strutturali). L’importante, in ogni caso, è che tutti gli utenti siano consapevoli di quel che sta sotto al KPI visualizzato, e che ne condividano le logiche. Il lavoro di definizione di queste ultime, ora più che mai, deve essere un risultato di squadra, business + IT.
Advanced Analytics
Sul fronte dei processi per la classificazione dei clienti B2C e/o della definizione di regole associative basate su abitudini d’acquisto e condizioni sociodemografiche la situazione sarà particolarmente complessa se non complicata. Anche un “semplice” CRM descrittivo non potrà verosimilmente tener conto dei comportamenti di chi per necessità ha dovuto stravolgere le proprie abitudini di vita, e quindi di acquisto. Sia offline ma, per contrasto, anche online (canale “drogato” dalla situazione). Così come è chiaro che, da un punto di vista di merceologie non rientranti nei “beni di assoluta necessità”, tutto dovrà essere considerato “non comparabile” nel confronto con i dati futuri. In questo senso, tuttavia, la strada di considerare le abitudini pre-covid e metterle scientemente all’interno di un motore di advanced analytics assieme a parametri che descrivano correttamente le mutate condizioni economiche (generalmente disponibili nell’ambito di open data) potrebbero essere un buon punto di partenza per supportare, nonostante tutto, strategie di breve-medio termine.
Ovvio che gli stessi discorsi potrebbero essere fatti in altri ambiti in cui metodi di machine learning trovano la loro applicazione, dal demand planning all’ottimizzazione del magazzino e quindi dei costi.
Governance
Lo smart working da processo per aziende “avanzate” è diventato giocoforza uno standard cui tutti si adegueranno, se non altro come efficace sistema di contenimento dei costi. Anche La gestione dei processi di (advanced) analytics verrà probabilmente decentralizzata. Per renderlo possibile, essi dovranno essere automatizzati laddove ancora operativi e dipendenti esclusivamente dal “know-how” di una singola persona (o gruppo di). La sfida sarà quindi trovare (a) un mix di risorse interne ed esterne in grado di mettere a fattor comune la conoscenza dei processi di gestione dati e amministrazione analytics e (b) strumenti software in grado di permettere una semplice governance del tutto in logica per l’appunto smart working. In tale contesto potrebbe trovare finalmente una consacrazione definitiva la tematica del self service analytics, finora considerata opzionale da molte aziende e, forse, anche da alcuni vendor.
Obiettivi
Un ultimo punto, che poi è il più importante e difficile, sarà stabilire i giusti obiettivi di business, ovvero dove direzionare lo sforzo per adattare gli strumenti e le conoscenze in tema analytics. Leggiamo come ad esempio tutto il settore fashion stia ripensando a se stesso, a come ridefinire collezioni e relative tempistiche, con impatti su tutti i processi interni, sia ciclo attivo che passivo. Non è tanto un tema di budget o target di vendita, piuttosto si tratta di cosa si vorrà monitorare, quali saranno i nuovi KPI e quali alert dovranno essere rappresentati in un dashboard direzionale. Il team analytics, in questo senso, dovrà saper adattare velocemente sia i processi di back end, in collaborazione ancor più stretta con tutte le altre componenti IT, sia gli strumenti di business intelligence, sia gli algoritmi di advanced analytics.
Conclusioni
Per concludere, la domanda di fondo per l’azienda è quanto sia prioritario, proprio adesso, dedicare tempo e risorse alla reingegnerizzazione del data management e al ripensamento degli obiettivi di analisi, per avere da subito una visione per quanto possibile chiara della situazione presente e futura e quindi un probabile vantaggio competitivo nell’affrontare questa nuova fase storica.
