Prevedere scenari plausibili con l’analisi What-if

Sarebbe stato possibile prevedere gli impatti causati dalla Pandemia nei diversi settori industriali?

Nell’ultimo biennio le Aziende hanno riscontrato, a proprie spese, l’importanza di tener conto anche degli imprevisti: sempre più frequentemente devono far fronte a eventi esterni e/o interni che si possono presentare, ed evolvere rapidamente.

La difficoltà che incontrano risiede nell’obbligo di dover prendere decisioni operative e strategiche in tempi molto rapidi avvalendosi di dinamicità e conoscenza oggettiva “guidata dai dati” (Ciani, 2021), che solo gli strumenti di Analytics sono in grado di fornire.

Le imprese hanno da sempre basato la loro politica di gestione sulla redazione del budget delle attività, organizzando su questo le conseguenti attività di monitoraggio e controllo. Questo modus operandi, però, presenta il limite di “cristallizare” il controllo ad una certa data e le analisi che si effettuano sono realizzate su situazioni ormai concluse, su cui nulla è più possibile. Ad esempio: quando l’azienda si accorge di non essere riuscita a raggiungere il budget delle vendite, il periodo di riferimento si è ormai concluso (logica reattiva). Nasce quindi l’esigenza di governare questi aspetti con un approccio innovativo che possa prefigurare gli scenari futuri e consentire di assumere decisioni proattivamente rispetto all’evento stesso.

Il Piano Strategico sull’Intelligenza Artificiale redatto a cura del Ministero dell’Università e della Ricerca, del Ministero dello Sviluppo Economico e del Ministro per l’Innovazione tecnologica e la Transizione Digitale (Governo Italiano, 2021), nasce proprio per convogliare importanti risorse al fine di incentivare nelle aziende questa transizione da una logica reattiva ad una modalità proattiva. Il piano prevede la messa in atto di una serie di azioni finalizzate ad implementare le condizioni necessarie per lo sviluppo e l’adozione di Intelligenza Artificiale, con l’obiettivo di rendere il Paese competitivo attraverso la sua trasformazione digitale. Le aree di intervento sono molteplici ma l’elemento caratterizzante del Piano è di creare conoscenza tecnologica. L’impegno del Governo, con questo piano strategico, è di formare le Aziende, i ricercatori, gli studenti e la Pa, per garantire l’evoluzione e l’integrazione con l’intelligenza artificiale, grazie al supporto dei “fornitori tecnologici”.

Alla luce di quanto esposto, le aziende oggi sono consapevoli della rivoluzione digitale che sta prendendo piede e della conseguente necessità di ottenere, in maniera rapida e sicura, informazioni chiave sulle possibili evoluzioni future del proprio business. Per farlo, le aziende devono comprendere il contesto che le circonda e i “perché” che si celano dietro un’analisi predittiva in grado di determinare delle scelte di business informate e analizzare la loro proiezione nel futuro (Wolters Kluwer, 2020).

In questo scenario, Prometeo orienta le aziende verso un processo di gestione e analisi dei dati, in coerenza con gli obiettivi di transizione digitale del Paese, proponendo soluzioni basate su analisi What-if o di Machine Learning a seconda delle esigenze e obiettivi aziendali. In questo articolo, l’attenzione si focalizzerà principalmente sul ruolo delle What-if analysis e sui loro vantaggi.

L’approccio What-if consiste in modelli di simulazione costruiti per ispezionare il comportamento futuro del business, sulla base di determinate ipotesi, che possiamo definire Scenari. L’analisi What-if non comporta semplicemente la previsione di dati storici, ma si tratta di un sistema di analisi complesso.

L’elemento distintivo di questo tipo di analisi sono le relazioni tra determinate variabili e il grado di dipendenza tra esse. Le dipendenze possono essere di Vincolo o Temporali (Golfarelli, Rizzi, & Proli, 2006).

Nel primo caso, una volta stabiliti i pesi delle singole componenti queste non variano in funzione del tempo. Nel secondo caso, le dipendenze temporali invece evidenziano come il valore di una variabile al tempo t possa influenzare il valore delle altre variabili al tempo t+K (Golfarelli, Rizzi, & Proli, 2006).

Un esempio che chiarisce l’efficienza dell’analisi What-if è l’analisi predittiva di allocazione del personale per garantire l’erogazione di un servizio considerando la riduzione del personale causata dalle assenze per Covid-19. In questo caso l’analisi per scenari consente di comprendere l’efficienza di prestazione rispetto al numero di dipendenti giornalmente presenti.

Prometeo srl “Analisi Predittiva di allocazione del personale, 2021”

Inserendo nel modello i “vincoli” (Golfarelli, Rizzi, & Proli, 2006) necessari per l’analisi, come la percentuale di assenze, otteniamo previsioni di scenari futuri alternativi in base alle scelte intraprese.

Il risultato ottenuto è la simulazione di tutte le possibili combinazioni per l’allocazione delle risorse aziendali, tali per cui il livello di servizio stabilito venga o meno rispettato.

Possiamo dunque affermare che l’analisi What-if risulta estremamente efficiente nel momento in cui vengono correlate le relazioni tra variabili. Da un lato possono essere rappresentate delle relazioni statiche tra variabili, dall’altro invece possono essere osservate delle relazioni dinamiche. Per tale motivo è evidente la sinergia con l’analisi delle correlazioni e delle componenti principali (principal component analysis, PCA, tecnica utilizzata nell’ambito della statistica multivariata), la cui applicazione può sicuramente migliorare e incrementare i benefici dell’analisi What-if.

I vantaggi dell’analisi What-if

Come accennato all’inizio, la necessità delle aziende è di avere maggior consapevolezza del futuro. Ciò non sarebbe possibile con il solo utilizzo di tecniche di Machine Learning, poiché quest’ultime stimano la probabilità di un evento basata su conoscenze passate (Murphy, 2012).

L’analisi What-if, contrariamente, consente di prefigurare scenari che altrimenti sarebbero preclusi poiché studia eventi “plausibili” di cui non necessariamente si ha una conoscenza diretta. Questo approccio permette, infatti, di analizzare uno o più scenari che descrivono a loro volta una o più alternative di comportamento, che sulla base di dati del presente permettono di dare una previsione futura dell’azienda. Le figure chiavi, quali CEO, CFO e management aziendale, in generale avranno una visione globale per prendere decisioni informate aumentandone l’efficacia.

L’approccio a scenari ha, quindi, il vantaggio di individuare le criticità possibili e di elaborarne soluzioni molto tempo prima che si presentino, facendo acquisire una maggiore consapevolezza a tutto il management.

L’analisi What-If non deve essere intesa come un sostituto di altri approcci, (come l’utilizzo di tecniche di Machine Learning (ML)), ma piuttosto come complementare ad essi, poiché rispondono a esigenze diverse in base al contesto di analisi e di obiettivi di business prefissati.

Il ML, d’altra parte, prefigura solo ciò che è presente nei dati storici: quesa tipologia di analisi trova il suo nucleo fondamentale sul concetto di “probabilità”. Stima, infatti, la probabillità che si possa verificare una criticità già nota, cioè già avvenuta in passato. Di conseguenza, il punto di forza del ML è l’apprendimento automatico, ovvero la capacità dell’algoritmo di imparare in maniera iterativa dai dati grazie al riconoscimento di schemi. In questo modo, ad esempio, le aziende possono fare affidamento su algoritmi di ML per creare modelli utili al calcolo del tasso di abbandono dei clienti, aiutando il management a identificare prontamente i clienti con una probabilità maggiore di abbandono e i relativi motivi.

La What-if analysis, invece, prefigura scenari anche se questi non si sono mai verificati in passato, basando il suo ragionamento sulla “plausibilità” (ovvero la possibilità di prefigurare eventi rari ed inaspettati, la cosiddetta metafora del “cigno nero” (Taleb, 2007)). La scelta della tecnica non si basa sull’efficienza della stessa ma dipende unicamente dagli obiettivi strategici prefissati. Possiamo aggiungere che generalmente le tecniche di ML vengono adoperate per obiettivi di medio-breve terminie, mentre analisi what-if vengono applicate per obiettivi di Medio-lungo temine.

Pertanto, si rende sempre più necessario per il management, un presidio che coinvolga tutte le funzioni aziendali per la gestione strategica delle emergenze e delle fluttuazioni improvvise del mercato. Questo presidio può operare ed essere efficiente ed efficace soltanto se ha a disposizione modelli What-If del futuro.

I vantaggi che fornisce l’uso d questo tipo di analisi possono essere sintetizzati in:

  • Supportare i Decision-Makers nelle scelte strategiche di business formulando scenari plausibili e valutando l’impatto sul business;
  • Consentire un costante aggiornamento dei dati.

Applicazioni dell’analisi What-if

Prometeo ha focalizzato la sua attenzione su scenari che a seguito degli eventi attuali causati dalla Pandemia da Covid-19, sono stati fortemente condizionati. Parliamo di scenari economici, finanziari e organizzativi, in particolare:

  • L’aumento dei costi di approvvigionamento;
  • La scarsità degli approvvigionamenti;
  • La criticità nei trasporti e nelle consegne;
  • L’impatto di eventi critici nell’organizzazione aziendale e nella produzione;
  • L’impatto di eventi critici nel mantenere stessi livelli di servizio e di produzione;
  • Le variazioni dei flussi di cassa a seguito di aumento dei costi, ritardi nella produzione e nelle consegne e nel cambiamento del mercato.

Il vantaggio che caratterizza questo tipo di analisi è la sua trasversalità: come citato sopra possiamo focalizzare l’analisi per prevedere le criticità nell’erogazioni dei servizi di consegna merce o in generale di trasporto. Pertanto il responsabile della logistica potrà prendere delle azioni correttive ex ante, ma allo stesso tempo l’analisi potrebbe evidenziare la necessità di azione sul numero degli addetti alla consegna, attirando in questo modo l’attenzione del responsabile delle Risorse Umane.

Concludendo, gli scenari possono essere estesi analizzando ulteriori aspetti del business, come le conseguenze sulla gestione delle Risorse Umane o della Sostenibilità rispetto al modello costruito.

Tutti gli scenari possono essere integrati con un modello di analisi dei rischi che costituisce un ulteriore valore aggiunto nel decision-making del management aziendale.

Conclusioni

Da ciò emerge come tanti sono gli ambiti di applicazione di questo tipo di analisi e i benefici che ne derivano per le aziende. La pandemia da Covid-19 ha rappresentato un punto di rottura, rendendo parzialmente inefficaci tecniche di analisi che si basano sulla stima di probabilità che un evento verificatosi nel passato possa ripetersi.

Si rendono, quindi, necessari altri approcci di tipo proattivo, come la simulazione di scenari What-if, i quali rappresentano un’opportunità per le aziende in quanto strumenti in grado di supportarle e guidarle nei processi decisionali all’interno di un contesto economico e sociale così incerto e volubile.

Riferimenti

Ciani, N. (2021, Aprile 8). Trasformazione Data-driven in atto: cosa significa e come approcciarla . Tratto da Osservatori.net: https://blog.osservatori.net/it_it/data-driven-significato-approccio

Coldiretti. (2021, Ottobre 7). Prezzi: record del decennio delle materie prime alimentar. Tratto da Codiretti economia: https://www.coldiretti.it/economia/prezzi-record-del-decennio-delle-materie-prime-alimentari

Confartigianato. (2021). STUDI: Prezzi energia corrono a ‘tutto gas’, rischi sulla ripresa.

Deis, S. R. (2015). What-if Analysis. Università degli studi di Bologna.

Golfarelli, M., Rizzi, S., & Proli, A. (2006). Designing What-if Analysis: Towards a Methodology.

Governo Italiano. (2021). Programma Strategico Intelligenza Artificiale 2022-2024. Roma.

IRU, I. R. (2021, Dicembre 3). Major transport organisations warn governments’ knee-jerk reaction to Omicron variant puts supply chains at greater risk. Tratto da PEOPLE, PROSPERITY : https://www.iru.org/news-resources/newsroom/major-transport-organisations-warn-governments-knee-jerk-reaction-omicron-variant-puts-supply-chains-greater-risk

Murphy, K. P. (2012). Machine Learning A Probabilistic Perspective. The MIT Press, Cambridge, Massachusetts, London, England.

Parlamento Europeo. (2021, Agosto 13). E-9-2021-002766-ASW_IT. Tratto da europarl.europa.eu: https://www.europarl.europa.eu/doceo/document/E-9-2021-002766-ASW_IT.html

Wolters Kluwer. (2020, Luglio 28). Come massimizzare il valore dell’Intelligenza Artificiale per l’area Finance? In che modo l’area Finance può beneficiare dell’Intelligenza Artificiale e del Machine Learning? Come massimizzarne il valore? Tratto da L’opinione degli esperti: https://www.wolterskluwer.com/it-it/expert-insights/worth-the-hype-how-to-maximize-the-value-of-ai-in-finance

© RIPRODUZIONE RISERVATA

Valerio Grassi

CEO di Atlas Advanced Technologies e Innovation Manager

Giulio Ancilli

Head of Advanced Analytics, BigData & IoT Solutions presso Prometeo Srl. Ha conseguito la laurea in Matematica presso l’Università di Siena

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

*

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.