Riassunto esame business analytics , prof Zardini, libro consigliato Competere con gli analytics. La nuova scienza per vincere nel business, Davenport, Harris

Trasformare la capacità di competere con gli analytics in un vantaggio competitivo duraturo

GLI ANALYTICS COME FONTE DEL VANTAGGIO COMPETITIVO

Le organizzazioni possono adottare approcci diversi per ottenere un vantaggio competitivo attraverso i dati. Alcune potrebbero sviluppare algoritmi proprietari attraverso i quali effettuare analisi più mirate sulle quali poter prendere decisioni. La tendenza prevalente è quella di integrare dati e analytics all'interno di prodotti e servizi innovativi.

Indipendentemente dall'approccio, per mantenere un vantaggio competitivo le aziende devono applicare gli analytics in modo razionale, operare con cura e rinnovare di frequente. Le imprese che competono con successo con gli analytics possiedono capacità analitiche che sono:

• DIFFICILI DA REPLICARE: una cosa è copiare le applicazioni IT di un'altra azienda o i suoi prodotti e gli attributi associati, ma ben diverso è replicarne i processi e la cultura;

UNICI: non esiste una sola strada corretta per diventare competitor analitici, e il modo in cui ogni azienda utilizza gli analytics è unico relativamente alla sua strategia e alla sua posizione di mercato.

CAPACI DI ADATTARSI A SITUAZIONI DIVERSE: un'organizzazione analitica è in grado di attraversare i confini interni e di applicare le capacità analitiche in modi innovativi. SPRINT, ad esempio, ha applicato il suo modello del ciclo di vita della customer experience per creare un analogo modello di ciclo di vita dell'employee experience che ha servito per ottimizzare le assunzioni e mettere a punto modalità per trattenere il personale.

MIGLIORI DI QUELLE DELLA CONCORRENZA: alcune organizzazioni sono capaci di mettere a frutto le informazioni meglio di altre.

RINNOVABILI: ogni vantaggio competitivo deve essere un bersaglio mobile, che può essere migliorato continuamente e che prevede la possibilità di reinvestire. Gli analytics sono adatti.

All'innovazione continua e al rinnovamento. Una puntualizzazione: le aziende che appartengono a settori con una regolamentazione molto vincolante o a quelli in cui esiste una disponibilità limitata di dati non avranno la possibilità di sfruttare appieno gli analytics.

CAPITOLO 4: COMPETERE CON GLI ANALYTICS NEI PROCESSI INTERNI

Applicazione x amministrazione e controllo, fusioni e acquisizioni, operations, ricerca e sviluppo e risorse umane. Gli analytics, x ottenere un vantaggio competitivo, si possono applicare a molti processi aziendali.

TECNICHE ANALITICHE COMUNI NEI PROCESSI INTERNI

• ANALISI DEI COSTI BASATA SULLE ATTIVITÀ (ABC): il primo passo della gestione basata sulle attività è l'accurata allocazione dei costi relativamente ad aspetti del business come i clienti, i processi o i canali distributivi;
• INFERENZA BAYESIANA (x prevedere i ricavi): stima numerica del grado di fiducia in una ipotesi prima e dopo l'osservazione.

dell'evidenza;- OTTIMIZZAZIONE COMBINATORIA (x ottimizzare un portafoglio di prodotti): allocazione efficiente di risorse limitate x fornire la soluzione migliore x determinati obiettivi quando i valori di alcune o di tutte le variabili devono essere interi ed esistono molte combinazioni possibili (integer programming);- ANALISI DEI VINCOLI (x la configurazione del prodotto): uso di uno o più algoritmi di soddisfacimento dei vincoli x specificare il set di soluzioni praticabili;- DESIGN/DISEGNO SPERIMENTALE (x l'analisi dei siti web): i partecipanti all'esperimento vengono assegnati casualmente a due gruppi equivalenti. Un gruppo (il gruppo di prova) affronta l'esperimento e l'altro gruppo (gruppo di controllo) no. Se il programma genera differenze statisticamente significative nella variabile esaminata, si presume che abbia avuto l'effetto ipotizzato;- ANALISI DEL VALORE FUTURO: capitalizzazione dei flussi x calcolare il valore corrente e quello futuro o le

aspettative di crescita x il futuro;

- ALGORITMI GENETICI (x la decodifica dei codici o x la progettazione/ingegnerizzazionedi prodotto): classe di modelli di ottimizzazione stocastica e di tecniche di ricerca euristicache usa i principi che presiedono al processo evolutivo e di selezione naturale. Di particolareutilità in presenza di un numero elevato di variabili e di vincoli complessi;

- METODO MONTE CARLO (nella valutazione di un progetto di ricerca e sviluppo): tecnicacomputerizzata utilizzata x valutare la probabilità di certi esiti o rischi attraverso lamodellizzazione matematica di un evento ipotetico sottoposto a prove multiple comparandoil risultato con distribuzioni di probabilità predeterminate;

- ANALISI DI REGRESSIONE MULTIPLA (stabilire in che modo i fattori non economiciinfluenzino la performance economica): tecnica statistica che permette di determinarel’influenza di un insieme di variabili indipendenti su una singola variabile dipendente;

ANALISI MEDIANTE RETI NEURALI (x prevedere la manutenzione necessaria in una fabbrica): sistemi modellati sulla struttura e sul funzionamento del cervello e sono impiegati con database di grandi dimensioni;

SIMULAZIONE: manipolazione dei parametri utilizzando metodi matematici o basi di regole x ottenere modelli di come risultati diversi possano generare un risultato. Il risultato simulato può essere impiegato x ottenere una produzione ottimale o predire un determinato comportamento;

ANALISI DEL TESTO (x valutare la performance dei call center o ottenere dati da Twitter relativi all'opinione dei clienti): analisi della frequenza, delle relazioni semantiche e dell'importanza relativa di termini, frasi e documenti nei testi online;

ANALISI DEL RENDIMENTO (nella fabbricazione dei semiconduttori): impiego di parametri statistici x comprendere il volume e la qualità della produzione e x mettere a confronto un insieme di elementi con un altro.

ANALYTICS

ECONOMICI L'economia d'impresa ha indotto altre funzioni come il mk, la supply chain, le operation e persino le risorse umane a impiegare analytics avanzati per prendere le decisioni importanti. In azienda, il CFO è un esplicito fautore dell'uso di analytics predittivi e prescrittivi nel processo decisionale. I gruppi finanziari usano da molto tempo report, scorecard e query online nel loro lavoro, ma queste applicazioni di analytics descrittivi non rivelano nulla all'utente degli andamenti sottesi ai numeri e descrivono solo il passato. I professionisti della finanza usano talvolta l'analisi di regressione in Excel. Ma la situazione sta cominciando a cambiare: i CFO si stanno abituando all'idea che i modelli analitici siano utilizzati anche dal resto dell'azienda e riteniamo che in ambito amministrativo-finanziario si adotteranno applicazioni analitiche più innovative. Ad esempio, INTEL (un gruppo di professionisti dell'area finanziaria) ha cominciato apromuovere un maggiore utilizzo degli analytics. Una delle prime iniziative è stata quella di confrontare le capacità analitiche finanziarie di INTEL con quelle dei leader del settore (e hanno scoperto che alcune aziende online possedevano capacità più avanzate di INTEL). L'azienda ha avviato una serie di iniziative nell'ambito del forecasting, comprese previsioni statistiche dei ricavi e dei livelli delle scorte e previsioni delle difficoltà di investimento in INTEL. La funzione amministrativa finanziaria di INTEL si è impegnata in un'ampia opera di formazione dei professionisti e manager di quest'area sugli analytics avanzati. Vista, dunque, la mole di dati disponibile nell'area finanziaria sembra inevitabile che l'uso di analytics avanzati diverrà predominante in questo ambito. Le applicazioni finanziarie analitiche hanno un legame diretto con la performance aziendale. Esistono diverse categorie di applicazioni finanziarie.analitiche che comprendono reporting esterno, gestione della performance aziendale (management reporting e scorecard), gestione dei costi e del rischio. Il reporting esterno è importante per gli organismi di controllo e gli azionisti. Non produce vantaggio competitivo in condizioni di ordinaria amministrazione, ma è fondamentale per fornire informazioni tempestive. Diversa è la questione per quanto riguarda le informazioni che i manager utilizzano per prendere decisioni relative alle strategie, agli investimenti e alle operazioni. Il reporting e le scorecard (economiche e operative) rappresentano le applicazioni più diffuse di business intelligence e di supporto alle decisioni. Sono importanti per la gestione di qualsiasi azienda e sono diventate ancora più cruciali per evitare condanne penali per i dirigenti. Le organizzazioni non competono sulla base del reporting e delle scorecard, ma utilizzano sistemi per monitorare i progressi rispetto alle metriche operative fondamentali e verificare il raggiungimento degli obiettivi.i dati attuali, ma alcune aziende utilizzano anche modelli analitici avanzati per migliorare l'accuratezza delle previsioni. Inoltre, l'analisi dei dati può essere utilizzata per identificare tendenze e modelli nascosti che possono aiutare le aziende a prendere decisioni più informate. Ad esempio, l'analisi dei dati può rivelare che determinati prodotti o servizi sono più popolari in determinate regioni o tra determinati gruppi demografici, consentendo alle aziende di adattare le loro strategie di marketing di conseguenza. In conclusione, l'utilizzo dell'analisi dei dati può fornire alle aziende un vantaggio competitivo significativo. Le aziende che riescono a sfruttare appieno il potenziale dei dati possono migliorare la loro performance, identificare nuove opportunità di business e prendere decisioni più informate.

quelli recenti. Ma in alcuni settori le estrapolazioni possono diventare problematiche.

Il settore delle tecnologie informatiche è uno di quelli in cui l'incertezza è di casa. I prodotti e i desideri delle persone cambiano rapidamente e all'inizio e alla fine del periodo di reporting si registrano volumi di vendita spropositati. HP (HEWLETT-PACKARD) ha scoperto che era molto difficile effettuare previsioni accurate dei ricavi in un tale ambiente e ha commesso un errore di previsione quasi catastrofico del 12% relativo alla crescita dei ricavi.

Hanno messo al lavoro alcuni dei loro ricercatori quantitativi: questi hanno adottato un approccio inferenziale bayesiano x prevedere ricavi mensili e trimestrali dai dati fino ad allora disponibili. L'algoritmo ha generato delle previsioni più accurate rispetto al metodo utilizzato in precedenza.

Dal punto di vista operativo, una migliore previsione della performance futura consente di agire in anticipo. Utilizzando dati

e le criticità e prendere decisioni tempestive. Inoltre, grazie all'utilizzo di algoritmi avanzati, è possibile analizzare grandi quantità di dati e ottenere informazioni dettagliate per supportare le decisioni aziendali. I manager possono anche utilizzare i sistemi operativi per monitorare le performance dei dipendenti e valutare l'efficacia delle strategie aziendali. Questo permette loro di individuare eventuali aree di miglioramento e prendere provvedimenti per ottimizzare le prestazioni complessive dell'organizzazione. In conclusione, l'utilizzo di sistemi operativi avanzati è fondamentale per le aziende moderne. Essi consentono di gestire in modo efficiente le operazioni aziendali, migliorare la produttività e prendere decisioni informate basate sui dati.