Processo Decisionale (Seconda parte di Gestione e organizzazione aziendale)

KPI e tendenze nel tempo

Sperimentalmente, i KPI hanno delle tendenze in funzione del tempo. Solitamente, all'inizio tendono ad essere costanti, fino a quando si incentivano i lavoratori o comunque si comunicano dei KPI, e la cosa fa salire i KPI (si ha quindi un incremento di prestazioni senza aver cambiato i processi, senza aver reclutato nuove persone, senza aver fatto formazione, senza aver dato strumenti particolarmente complessi) e si assesta ad un certo livello. Quando si comunica che non si utilizzano più i KPI (anche se non è vero) e non vengono dati più premi, i KPI scenderanno, ma in modo molto graduale e si stabilizza ad un livello più alto rispetto a quello iniziale, per poi, anche se non sempre, scendere asintoticamente rispetto a quello iniziale nel lungo periodo. Questo succede in ogni contesto. MBO (Management by objectives) è la gestione per obiettivo, cioè un metodo di valutazione del personale che si basa sui risultati raggiunti a fronte di obiettivi.

Lo scarto tra il livello di assestamento dopo il picco ed il picco è dovuto al fattore motivazionale. La variazione tra il livello di assestamento ed il livello sul lungo periodo è dato da un fattore di apprendimento, il quale, appunto, piano piano svanisce, soprattutto se il personale cambia.

Quindi, il semplice inserimento di uno o più KPI impatta enormemente sul comportamento delle persone. Il lato negativo è che se non implementassi bene i KPI, potrebbe succedere che il personale cominci a comportarsi in modo monolaterale, pensando solamente agli obiettivi dei KPI. Ad esempio se mettessi solo KPI di efficienza in un call center, potrebbe succedere che il personale riduca il livello di servizio percepito dal cliente. Quindi bisogna cercare di combinare il meglio possibile i KPI.

Gestione del rischio e dell'incertezza

L'esito di una scelta è sottoposto ad un rischio e ad un'incertezza. I due casi estremi sono il contesto deterministico,

di WaldCriterio del pessimismoCriterio del realismo pessimistaCriterio del realismo ottimistaCriterio del minimax regretCriterio del minimax regret pessimistaCriterio del minimax regret ottimista

MiniMax Utilizzo dei dati a supporto del processo decisionale

Volume: rappresenta la sempre maggiore quantità di dati che sono immessi nei sistemi digitali e possono essere, dunque, oggetto di analisi e studio.

Velocità: frequenza con la quale vengono rilevati i dati e possibilità di raccoglierli ed analizzarli in tempo reale.

Varietà: i dati acquisiti e analizzati sono del tutto eterogenei, per fonte, formato e contenuto, e per tale ragione maggiormente rispondenti alle mille sfaccettature del mercato reale.

Valore: rappresenta la capacità dei dati, ove correttamente analizzati, di creare valore aggiunto in quanto consentono all'azienda che ne fa correttamente uso di indirizzarne le azioni in linea con le richieste del mercato.

Veracità: indica la autenticità dei dati (prevalentemente digitali), che a sua volta influisce sul rapporto tra qualità dei dati immagazzinati e accuratezza dell'analisi.

Variabilità: i dati possono

assumere diversi significati e diversa importanza in base al contesto in cui vengono analizzati.

Per quanto riguarda la varietà, i dati possono essere di tre tipi:

• Dati strutturati: dati inseriti in database organizzati secondo precisi schemi e tabelle. Ogni cella/casella contiene un dato codificato che rappresenta un contenuto specifico (es. fatturato, nome del cliente, età, luogo geografico...).
• Dati destrutturati/non strutturati: contrariamente ai dati strutturati, consistono tipicamente testi, immagini, video, audio, o altro. Non essendo dati organizzati, la loro analisi risulta più complessa, sebbene non impossibile: tuttavia, essendo maggiormente rappresentativi della realtà, la loro analisi consente di intervenire spesso in modo concreto ed efficace sui processi.
• Dati semi-strutturati: consistono in insiemi di dati "misti", che possiedono caratteristiche proprie sia dei dati strutturati sia di quelli destrutturati. Un esempio è...

individuabile nel fileXml, privo di vincoli strutturali (come è invece l'Html, nel quale l'inserimento non è libero) ma, allo stesso modo, dotato disistemi che organizzano le informazioni inserite nello stesso secondo degli schemi prefissati che ne orientano la logica eaumentano l'interoperabilità.

Aree e funzioni di applicazione in cui i dati, soprattutto big data,sono molto utilizzati:

• Marketing e vendite. In particolare nel mondo b2c. (es. Booking, Expedia, Google). Segmentazione di mercato, profilatura cliente e 1-to-1 marketing (messaggi ad hoc per il singolo consumatore), dynamic pricing (il prezzo varia in funzione ad esempio del tempo o di quante volte si visita la pagina web), arricchimento shopping experience e user experience, monitoraggio consumer behaviour, sentiment analysis (si monitorano gli opinion leader che recensiscono i prodotti sulle piattaforme web e si cerca di farli piacere il prodotto, in modo tale che influenzino altre persone),

analisimimica facciale...- Supply chain e operations. (es. Dell, Walmart, Amazon).Previsione della domanda, ottimizzazione delle scorte e dei trasporti, tracking and tracing ordini e mezzi di trasporto, controllo qualità, analisi dello spending, qualifica dei fornitori, monitoraggio fattori di rischio e supply chain disruptions...- Organizzazione e risorse umane. (es. LinkedIn, IBM).Ricerca e analisi dei candidati in fase di recruiting, monitoraggio delle prestazioni di processo, misura del grado di motivazione e prevenzione del rischio di turnover...- Contabilità e finanza. Analisi automatica tempi e costi di processo, rating e rischio delle imprese, piani personalizzati di assicurazione, identificazione e previsione trend nei mercati finanziari, ottimizzazione portafoglio di investimenti, ordini automatici di acquisto/vendita titoli finanziari...Tecniche di analisi dei dati- Descriptive Analytics: strumenti analitici orientati a descrivere in modo analitico la situazione,

presente o passata (es., statistiche descrittive che mostrano la variazione di fatturato)

Predictive Analytics: tecniche analitiche che effettuano analisi dei dati per prevedere cosa potrebbe accadere in futuro (es., modelli predittivi per la manutenzione)

Prescriptive Analytics: strumenti analitici avanzati capaci di fornire "raccomandazioni" al decisore sulla base dei dati e delle informazioni a disposizione (es., sistemi di geolocalizzazione a supporto dei vettori logistici)

Automated Analytics: strumenti analitici capaci di implementare automaticamente e autonomamente un'azione proposta in base al risultato delle analisi svolte (es., gestione robotizzata del servizio post-vendita)

Come i dati possono supportare il processo decisionale

Nella fase di innesco, il motivo e la funzione principale svolta dall'analisi dei dati è quella di reporting e monitoraggio. Permette di rilevare un eventuale problema monitorando il processo e fornire questa informazione al decisore,

Il tuo compito è formattare il testo fornito utilizzando tag html.

ATTENZIONE: non modificare il testo in altro modo, NON aggiungere commenti, NON utilizzare tag h1;

in modo che esso possa influenzare il processo decisionale. Tendenzialmente si usano statistiche descrittive.

Nella fase di problem setting si fa analisi e previsione. Tecniche che studiano il fenomeno e proiettano la realtà in avanti: previsione. Tendenzialmente si usano statistiche descrittive e predittive.

Nella fase di problem solving si hanno tecniche di ottimizzazione e simulazione. Esse permettono di simulare certe situazioni e di ottimizzarle. Tendenzialmente si usano statistiche predittive, prescrittive ed automatiche.

La qualità dei dati

Un data lake è un insieme fluido di informazioni e dati strutturati e non strutturati che può essere descritto dalle 6V. Per avere buone analisi, servono data lake affidabili che garantiscano qualità dei dati in input.

Il dato è di qualità quando gode delle seguenti caratteristiche:

• Accuratezza: corrispondenza tra dato e valore reale;
• Attualità: grado di aggiornamento del dato;
• Coerenza:

corrispondenza e non contraddizione tra i dati; - Completezza: capacità del dato di rappresentare completamente il contenuto previsto, senza informazioni mancanti. Non è detto che tutto ciò che si basa sui dati sia corretto, perché i dati sono un po' scadenti, oppure per l'algoritmo oppure per altri motivi. Bisogna avere una sensibilità per capire se il risultato ha senso o meno. - Fonte/qualità dei dati e analisi calcolo. Errori tipici: qualità e affidabilità del dato; confirmation bias; overconfidence bias, overfitting bias. - Interpretazione. Big data visualization: il modo di esporre e presentare i dati può essere completamente diverso. Artificial intelligence L'Artificial Intelligence è il ramo della computer science che studia lo sviluppo di sistemi hardware e software dotati di capacità tipiche dell'essere umano (interazione con l'ambiente, apprendimento e adattamento, ragionamento e pianificazione),

In grado di perseguire autonomamente una finalità definita prendendo delle decisioni che, fino a quel momento, erano solitamente affidate agli umani.

Natural language processing (NLP). Sistemi in grado di comprendere ciò che viene scritto o detto. Social media listening: sistemi che leggono tutto ciò che viene detto sul web riguardo ad una tendenza o ad un prodotto. Analisi dei feedback: sistema che interpreta i risultati dei questionari (anche con domande aperte).

Chatbot. Strumento che permette alla macchina di interagire con la persona (es. Siri o Alexa). Customer care: servizio messo a disposizione dei clienti per fornire assistenza (tipicamente nel postvendita). Knowledge management: fornisce