Come le aziende guardano al futuro

Predictive Analytics

Come le aziende generano valore aggiunto con l’analisi predittiva


L’analisi predittiva consente di prevedere gli eventi futuri e aiuta a pianificare la produzione, i flussi di cassa o le giacenze in numerosi settori. I nostri esempi concreti ne mostrano il potenziale.


Testo: Felix Raymann, Immagini: ©Alamy, Strandperle, Banca nazionale svizzera, 24




Predictive Analytics (PA) utilizza dati storici per prevedere eventi e trend futuri. I dati aziendali raccolti contengono molte informazioni che difficilmente vengono estratte manualmente, ma che possono essere reperite e utilizzate rapidamente nell’analisi automatizzata. «Molte aziende di quasi tutti i settori possono trarre vantaggio dall’analisi predittiva. Laddove i processi richiedono molte ripetizioni, la raccolta dei dati nel tempo produce una grande quantità di informazioni che possono essere utilizzate per fare previsioni», afferma Martin Gutmann, Head of Analytics & Data Consulting in Swisscom. Questo può verificarsi quasi ovunque, ad esempio nel commercio, nella gestione dell’internet delle cose o del Machine Learning, nel calcolo dei flussi di cassa, nella pianificazione del personale e nell’identificazione dei rischi o nella produzione industriale e nella manutenzione delle macchine.

Ad esempio, un sistema logistico emette molti dati che possono essere utilizzati per la pianificazione delle risorse. Ogni giorno che un prodotto trascorre in magazzino costa denaro. Senza ottimizzazione, i magazzini sono generalmente troppo pieni in quanto non si vogliono rischiare ritardi nelle consegne. «Stiamo discutendo con varie PMI che vogliono ottimizzare la loro gestione dell’inventario con l’analisi predittiva. Grazie alle previsioni supportate dal sistema, le giacenze possono essere pianificate in modo molto più preciso, consentendo enormi risparmi», sottolinea Gutmann. La gestione del magazzino è solo un esempio tra i tanti. I due esempi che seguono mostrano come Swisscom utilizzi concretamente e con successo l’analisi predittiva:


Esempio 1: ottimizzare il flusso di cassa mediante le previsioni

Il reparto Treasury assume il ruolo di banca interna di Swisscom ed è responsabile, tra l’altro, della pianificazione della liquidità per l’intero gruppo. Il reparto si è rivolto al team di analisti di dati di Swisscom per pianificare meglio i flussi di cassa. Vi è un grande potenziale di risparmio nell’ottimizzazione del flusso di cassa. In media ogni giorno vengono accreditati sul conto 30 milioni di franchi per fatture inviate a clienti privati. Tuttavia i responsabili del reparto Treasury non sanno in anticipo in quale giorno quanti soldi arriveranno esattamente. La conoscenza di queste entrate contabili è dunque importante perché la liquidità non dovrebbe essere troppa, ma neanche troppo poca. La liquidità minima è attualmente di 50 milioni di franchi, con un tasso d’interesse dell’1.6%. È un dato di fatto: se le entrate giornaliere possono essere previste con maggiore precisione, la liquidità minima e quindi i costi possono essere notevolmente ridotti.





Per questo motivo gli analisti di dati di Swisscom stanno attualmente preparando una previsione per ogni giorno sulla probabilità di pagamenti in entrata. Gli analisti ottengono questi risultati analizzando i dati degli ultimi mesi, così da potere identificare correlazioni e fattori che influenzano i pagamenti in entrata rispetto ad altri fattori. A questo scopo vengono utilizzate diverse fonti di dati e vengono definite delle variabili. Ad esempio, il sistema tiene conto se nel periodo esaminato si trovano giorni festivi o periodi di ferie, se un giorno esaminato si trova all’inizio o alla fine di un mese, di quale giorno della settimana si tratta e così via. Quanto più si tiene conto di tali fattori, tanto più è possibile prevedere con maggiore precisione il flusso di pagamenti per un determinato giorno o per cicli di più giorni.

Fino a poco tempo fa, Swisscom Treasury faceva ancora previsioni manuali per prevedere il flusso di cassa. Grazie all’esperienza e ai valori storici degli ultimi 20 anni, è stato possibile ottenere con anticipo uno scostamento di più/meno 5 milioni di franchi rispetto alla media giornaliera di 30 milioni di franchi. Questi calcoli venivano realizzati costantemente con tabelle Excel rudimentali a due sole variabili. Le nuove previsioni tramite algoritmi non solo sono più veloci, ma anche più precise: Con il nuovo metodo, questo scostamento può ora essere ridotto a 3 milioni di franchi al giorno, il che significa un risparmio annuo di circa 30 000 franchi in termini di interessi. Non si tratta di una somma ingente, ma l’esempio dimostra che Swisscom Treasury è riuscita a ottimizzare la pianificazione con questo piccolo progetto e con il minimo costo. Il vantaggio principale, tuttavia, è che adesso non è più necessaria la laboriosa analisi completamente manuale.

Col tempo il sistema impara costantemente cose nuove: Swisscom Treasury fornisce ogni mese i dati effettivi dei pagamenti agli analisti di dati che li utilizzano per migliorare il sistema di analisi. Esiste ancora potenziale: per il futuro Swisscom Treasury potrebbe pensare ad ulteriori ottimizzazioni o analizzare non solo il numero totale di fatture emesse, ma anche quello di ogni singolo cliente. Tuttavia, ciò richiederebbe una preparazione dei dati molto più complessa.


Esempio 2: reporting complessivo ai clienti

Per le imprese, i clienti sono a volte una scatola nera, un individuo ignoto le cui peculiarità ed esigenze sono in gran parte sconosciute. In molte aziende, i diversi reparti sono impegnati nella raccolta dei dati e nella creazione manuale di report per ottenere maggiori informazioni sui propri clienti. I responsabili di Swisscom Natel Pay cercano di sostituire i rapporti complessi, che possono essere eseguiti solo in modo puntuale, con un’analisi automatica in tempo reale. L’analisi predittiva viene utilizzata per ottenere maggiori informazioni sul comportamento generale dei clienti di Natel Pay. Anziché accumulare solo singole caratteristiche, è necessario creare un quadro generale. Il progetto è solo agli inizi, ma è già chiaro dai test che più informazioni si hanno sulle esigenze della clientela, meglio il reparto è in grado di soddisfarle agendo di conseguenza. Swisscom tratta questi dati con la massima cura, poiché la protezione dei dati rimane sempre la priorità assoluta nella gestione dei dati dei clienti.

In Natel Pay, l’analisi predittiva viene utilizzata a vari livelli: con il cosiddetto Carrier Billing, i clienti hanno la possibilità di pagare le app, i servizi digitali o i prodotti sulla fattura di telefonia mobile. Per poter fare previsioni, è necessario trovare connessioni fino a questo momento nascoste nei record di dati: quali clienti utilizzano quali servizi? Gli utenti Android di 25 anni sono più affidabili per i pagamenti rispetto agli utenti iPhone di 40 anni? Esiste una correlazione tra il tipo di abbonamento di telefonia mobile e il tipo di prodotti acquistati? Il modello di calcolo cerca di fornire risposte a molte di queste domande. A seconda del risultato, possono essere offerti prodotti più adatti, possono essere concessi sconti sui servizi preferenziali o può essere imposto un limite di spesa ai clienti.





Per rispondere a tutte queste domande, gli analisti di dati hanno utilizzato diverse decine di variabili e cercato correlazioni tra di loro. Queste variabili contengono varie informazioni, ad esempio sulla demografia, sul comportamento degli utenti o sulle transazioni passate. Ogni collaboratore può facilmente correlare tra loro due variabili utilizzando una tabella Excel. Diventa però più difficile con decine o addirittura centinaia di variabili. È proprio qui che risiede il potenziale dei modelli automatizzati, che possono rivelare connessioni nascoste e correlazioni inattese.

«Per comprendere i processi e trovare le complesse connessioni di tutti i fattori determinanti, abbiamo prima esaminato in modo esplorativo, insieme agli esperti del settore, le possibili variabili con cui effettuare i calcoli», spiega Martin Gutmann. È inoltre necessario scoprire quali fonti di dati siano adatte e come i dati possano essere utilizzati. «La preparazione dei dati è un lavoro da certosino e di solito il più impegnativo», dice Gutmann.

Vengono analizzate anche le inadempienze dei debitori che a molte aziende sono del tutto sconosciute. I pagamenti per i prodotti già consegnati non vengono saldati, come accade a tutte le società di vendita per corrispondenza che offrono il pagamento tramite fattura. Per contenere il più possibile le perdite, è possibile offrire ai singoli clienti una limitazione individuale della spesa. Ma quali clienti dovrebbero essere interessati da tale limite? Chi paga in ritardo? Chi non paga affatto? In fondo, nessun cliente affezionato dovrebbe sentirsi impaurito per un’unica mancanza. Ad esempio ci sono clienti che pagano regolarmente le loro fatture solo pochi giorni dopo la scadenza del termine di pagamento. Questi clienti non seguono esattamente le regole, ma sono affidabili e non devono essere indisposti da solleciti non necessari. Ciò consente non solo di risparmiare sulle spese amministrative e quindi sui costi, ma anche di migliorare in modo tangibile il rapporto con il cliente. Con il metodo di analisi predittiva, questi casi possono essere valutati non solo in modo più attento, ma anche molto più velocemente e con costi inferiori.


Analisi rapide, apprendimento continuo

Gli esempi descritti mostrano come le analisi predittive dei dati generino un vantaggio concreto. L’analisi predittiva non solo è molto più veloce e precisa dell’analisi manuale, ma è anche più obiettiva: «Ad esempio, se i collaboratori fanno previsioni sulle vendite future, anche la psicologia gioca un ruolo importante. A volte le opinioni soggettive o le correlazioni apparenti possono avere un’influenza sul risultato», afferma Martin Gutmann. Più dati sono disponibili, migliore è il modello applicabile.

L’analisi basata sui dati talvolta trova correlazioni sorprendenti che non possono essere scoperte manualmente. Tuttavia, per poter interpretare il rapporto di causalità, è necessaria una conoscenza specialistica della rispettiva area di attività. Martin Gutmann ne è certo: «Poiché il parere degli esperti è importante per ottenere risultati significativi e migliorare costantemente il sistema, gli analisti sono sempre a stretto contatto con l’azienda».


«L’analisi e i dati sono la chiave di lettura per soluzioni migliori misurabili.»



Martin Gutmann

Head of Analytics & Data Consulting





Newsletter

Abbonarsi ora alla newsletter per essere aggiornati su tendenze, news del settore e indici.





Maggiori informazioni