Risposte esame Sistemi informativi aziendali

Domande esame SIA prof. Mecella

ERP – Enterprise Resource Planning

Insieme di applicazioni software composta da moduli che sono volti a supportare le attività operative dell’azienda finalizzate alla gestione dell’impresa. Nasce negli anni '90 per espandere i sistemi MRP, ovvero quei sistemi che si occupano della gestione e dall’approvvigionamento delle risorse, e sono caratterizzati da 3 proprietà fondamentali:

• Unico database condiviso che permette di evitare problemi di ridondanza e incongruenza dei dati
• Modularità, quindi posso dotarmi dei moduli che più mi interessano
• Prescrittività: un sistema generico in modo tale che sia l’azienda ad adattarsi al software e non viceversa.

A livello architetturale l’evoluzione delle tecnologie nel tempo ha portato sempre di più a una acquisizione web-based quindi fruibile attraverso l’utilizzo di un browser o negli ultimi anni in modalità Software as Service che abbatte ulteriormente i costi. Si abbandona quindi la tradizionale progettazione a silos in cui le varie applicazioni erano isole autonome che supportavano una specifica funzione aziendale e si diffondono i sistemi ERP.

Classificazione dei moduli ERP

Il core di un ERP si classifica in 3 classi di moduli:

• Sistemi istituzionali che riguardano ad esempio la gestione di risorse umane, quella amministrativa e quella dei progetti
• Moduli settoriali per le attività primarie come ad esempio acquisti, vendite, logistica, gestione della produzione
• Moduli direzionali che elaborano i dati fornendo una visione di insieme, come la Balance Scorecard.

Vediamo quindi come un ERP supporti praticamente tutte le attività aziendali, ad esclusione di quelle di progettazione della rete. Dato che come detto prima i sistemi ERP tendono ad essere il più possibili generici o comunque si riferiscono a determinati settori merceologici, la personalizzazione avviene tramite il settaggio di alcuni parametri che permettono da attivare o disattivare funzioni a seconda delle istanze aziendali. L’implementazione di questi sistemi porta inoltre vantaggi in termini di efficacia ed efficienza. L’efficienza è generata da un’ottimizzazione dei tempi e dei costi per le attività operative, automatizzando e integrando le procedure. L’efficacia è legata all’unicità dei dati e alla loro maggiore disponibilità e accessibilità, oltre che ai vantaggi in termini organizzativi grazie alla standardizzazione delle piattaforme IT.

CRM – Customer Relationship Management

Insieme di moduli a supporto di una strategia per la gestione delle interazioni con i clienti potenziali ed esistenti. Questi moduli sono preposti alla memorizzazione e all’analisi delle interazioni coi clienti, e all’offerta di servizi innovativi mirati alla fidelizzazione della clientela.

L’obiettivo del CRM è quello di capire meglio bisogni e comportamenti dei clienti cercando di fidelizzarli, aumentando quindi da un lato la soddisfazione dei clienti e dall’altro il valore dell’azienda. Forniscono più funzioni rispetto ai moduli di logistica commerciale degli ERP, migliorando il supporto alla relazione con il cliente, il supporto post-vendita, la gestione della lealtà e l’analisi del comportamento del cliente.

Componenti del CRM

Il CRM diventa quindi una vera e propria strategia aziendale che crea valore e non solo una semplice applicazione, dividendosi in due componenti principali: CRM operativo e CRM analitico.

Il CRM operativo registra tutte le interazione tra cliente e azienda in un'unica base di dati ed è a sua volta costituito da altri moduli come quello per il marketing (che non ha tanto l’obiettivo di estendere la clientela, quanto di fidelizzarla), il modulo di automazione vendite (che supporta i venditori identificando e gestendo i rapporti col cliente) e il modulo servizio ai clienti (che si occupa di curare le relazioni post-vendita, fondamentale per la fidelizzazione).

Il CRM analitico usa i dati stoccati nel Database del CRM operativo per analizzare le preferenze e il comportamento dei consumatori ed estrarne i pattern più significativi. I clienti vengono identificati e segmentati in categorie ognuna delle quali aiuta a predire le azioni dei clienti.

C’è anche un CRM detto collaborativo che si occupa di calcolare indici rilevanti per l’azienda come profittabilità e soddisfazione dei clienti.

Come per l’ERP il CRM può essere acquisita in modalità make or buy e la sua implementazione crea valore per l’azienda incrementando la soddisfazione dei clienti, l’efficienza del call center e dei venditori e fornendo supporto nella gestione della clientela.

Data Mining – classificazione e clustering

Letteralmente significa scovare i dati in miniera ed è infatti un’attività di analisi dei dati volta a ricercare informazioni nascoste e specifiche all’interno di grandi basi di dati. I dati vengono selezionati, puliti (cleaning), integrati con altre fonti e viene fatta una ricerca di condizioni notevoli dei dati rilevanti, che viene poi presentata all’utente.

Tecniche analitiche del data mining

La parte analitica consiste in varie tecniche come l’apprendimento supervisionato tramite una variabile target, o tecniche di tipo predittivo basate sull’analisi di serie storiche o ancora tecniche descrittive che si basano sempre sui dati passati, filtrandoli e individuando pattern con funzioni matematiche o statistiche. Un classico esempio è quello di Amazon che associa prodotti tra loro proponendo un nuovo prodotto sulla base di quelli acquistati prima.

Parte fondamentale del data mining consiste nella classificazione che può avvenire con classificatori bayesiani, reti neurali o alberi di decisione. Ad esempio, se vogliamo predire se un determinato utente acquisterà un televisore OLED, bisogna classificarlo considerando, l’età, livello di istruzione (laurea si o no) se abita in centro o in periferia, tutto questo può essere organizzato tramite un albero decisionale che aiuta a capire se indirizzare la pubblicità del tv OLED verso quel determinato cliente, a seconda della classificazione a cui appartiene.

Una simile analisi può essere effettuata tramite clustering che permette di segmentare un insieme di elementi (utenti, clienti, …) in gruppi (cluster) assegnando loro un insieme di appartenenza. A differenza della classificazione, il clustering non richiede di conoscere a priori le classi di appartenenza dell’insieme di elementi iniziali. I cluster dunque sono gruppi di elementi simili e si trovano in base alla distanza da determinati centroidi, cioè il valor medio di attributi di un dato insieme. Ad esempio, il clustering può essere utilizzato per classificare i clienti di un’azienda di TLC in base a quanto questi spendono, e quanti servizi acquistano. Si creano così 3 cluster ad esempio che forniscono informazioni per campagne di marketing specifiche per ogni cluster.

Data Warehouse (DWH)

Il DWH è un concetto più ampio della semplice Base di Dati, e può essere definito come un insieme di tecnologie e strumenti che permettono di raccogliere e condurre analisi di dati al fine di avere un miglioramento del patrimonio informativo. I dati raccolti del DWH possono essere sia operazionali sia provenienti da fonti esterne, che vengono organizzati in una struttura semplice tale da facilitarne l’analisi mettendo in relazione tutti e solo i dati di interesse.

Struttura del DWH

Il DWH è un sistema di tipo OLAP, cioè che, a partire da un grosso insieme di dati, mira a estrarre un’informazione sintetizzata, a differenza dei classici DBMS di tipo invece OLTP. La struttura del DWH è definita a 3 livelli, al primo troviamo le sorgenti cioè le fonti da cui provengono i dati (report, db operazionali ecc…); Queste fonti poi subiscono processi di ETL, cioè di estrazione, trasformazione e caricamento dei dati nel DWH vero e proprio. Cioè i dati vengono aggregati, ripuliti da eventuali problemi di incompatibilità tra le fonti e messi in relazione tra loro seguendo indicazioni fornite in precedenza dal committente. A valle del DWH ci sono i cosiddetti data mart che sono dei sottoinsiemi del DWH che contengono un estratto delle informazioni dei DWH in base ad uno specifico tema. Da qui si possono effettuare analisi e presentarle con appositi software.

Un esempio può essere quello della catena di supermercati che ha vari database operazionali come ad esempio i magazzini o i dati delle vendite o dati esterni come quelli meteorologici (la vendita di determinati prodotti potrebbe essere influenzata dalle condizioni atmosferiche). Queste informazioni vengono estratte dai vari database, elaborate e ristrutturate tramite software ETL e caricate nel data warehouse vero e proprio, dove verranno poi effettuate analisi che possono essere utili a livello di pianificazione strategica o logistica. Metadati = dati relativi ai dati.

Modello concettuale del DWH

A livello concettuale del DWH si basa sul modello multidimensionale dei dati in cui troviamo i fatti, cioè gli elementi di interesse dell’analisi, caratterizzati da un insieme di misure, e definiti tramite dimensioni che sono le coordinate del fatto. Il modello più utilizzato è il DFM in cui il fatto è rappresentato come un rettangolo contenente le misure a cui sono collegati le dimensioni, che possono essere semplici attributi o gerarchie di attributi.

Modelli logici MOLAP ROLAP HOLAP

A livello analitico è possibile interagire con l’ipercubo in maniera diretta e piuttosto semplice e tipi di interazioni sono ad esempio Drill down e roll up. Nell’esempio seguente il drill down è rappresentato da una freccia:

• Nazione Regione Provincia

Nell’esempio seguente l’operatore roll up è rappresentato da una freccia:

• Provincia Regione Nazione

Lo slice invece permette di focalizzarsi su una porzione di dati (ad esempio considero le vendite relative a un solo pv) e il dice è una ulteriore operazione di riduzione che insieme allo slice crea un altro ipercubo ma con un insieme ridotto di dati. A livello di ciclo di vita il DWH sarà composto da tanti ipercubi ognuno con i fatti rilevanti e questo viene costruito partendo dall’individuazione del fatto più rilevante per il primo ipercubo modellandolo e popolando. In seguito, vengono aggiunti altri ipercubi, iterando il processo. Per popolare il DWH si utilizzano come detto processi di ETL.

Il DWH in seguito può essere aggiornato facendo attenzione ad evitare eventuali problemi di incongruenza tra fatti e dimensioni e questa è comunque un’operazione molto onerosa e a volte complessa. Quindi non solo la creazione del DWH può essere un’operazione complessa ma anche il suo aggiornamento e mantenimento.

Ciclo di vita di un SI

La vita di un sistema informativo comporta diverse complessità a livello progettuale e per questo richiede di seguire un processo sistematico detto di ‘gestione del SI’. In linea generale la gestione prevede 4 fasi organizzate in un ciclo in ottica di miglioramento continuo:

• Pianificazione in cui si prevedono le linee guida strategiche e si attua lo studio di fattibilità
• Sviluppo in cui si raccolgono i requisiti e si definisce l’architettura software
• Gestione corrente che prevede gli interventi di routine per la manutenzione
• Controllo, cioè operazioni effettuate in modo periodico per valutare l’adeguatezza rispetto a quanto progettato inizialmente.

In particolare, il SI viene continuamente controllato per analizzare il bisogno di cambiamenti che possono avvenire per cause esogene (leggi nuove, o mercato) o endogene (necessità di rinnovamento tecnologico) all’organizzazione.

Pianificazione

A livello di pianificazione l’obiettivo è quello di predisporre il progetto in modo tale che questo soddisfi i requisiti del cliente. Si suddivide in due attività principali: la pianificazione strategica e lo studio di fattibilità.

La pianificazione strategica valuta la posizione iniziale dell’azienda e delinea quali sono i punti critici che richiedono interventi informatici. Si definiscono i potenziali sviluppi del sistema IT e come questo crei un valore aggiunto all’azienda. Abbiamo visto infatti come inizialmente l’IT fosse visto solo come un costo, ma come questo in realtà possa diventare parte integrante delle decisioni strategiche dell’impresa concorrendo alla definizione degli obiettivi e non subirli.

Lo studio di fattibilità valuta quali sono gli obiettivi e le aree organizzative su cui si vogliono ottenere miglioramenti, tenendo conto dei vincoli (tempi costi qualità, risorse) e in base a questo elabora una progettazione delle soluzioni.

Ogni possibile soluzione viene poi messa in considerazione con analisi di tipo make o buy e si vanno a valutare una serie di fattori come affidabilità, sicurezza, scalabilità (propensione all’evoluzione del SI), affidabilità.

Infine, si valuta come la soluzione integrata si integri col sistema informativo esistente (che può porre vincoli di tipo architetturale) e anche come impatta all’interno dell’azienda, quindi quali cambiamenti comporta, eventuali reazioni degli utilizzatori ecc.

Di fondamentale importanza è la valutazione dei costi, che devono chiaramente tener conto di tutte le risorse associate (hardware, software e HR), e dei benefici tangibili e intangibili che porta l’implementazione del SI.

Successivamente alla pianificazione e progettazione si parte con la fase di sviluppo, caratterizzata da un ciclo di continua evoluzione e miglioramento, non a cascata bensì iterativo, cioè che parte da prototipi iniziali con poche funzionalità e li incrementa mano a mano, verificando l’aderenza ai requisiti e coinvolgendo...