Controllo di Gestione: Intelligenza Artificiale sempre più strategica per le imprese

Molte aziende hanno software gestionali tradizionali ed ERP, oltre sistemi di tipo operativo (CRM o software per la produzione e qualità), spesso tra loro non collegati e con dati che generalmente richiedono tempi e costi per realizzare data entry manuali. Suddetti software, di fatto, assomigliano a veri e propri archivi informatici, utilizzati più per conservare i dati piuttosto che per elaborare informazioni. La dimostrazione palese di quanto descritto sta nelle continue richieste di estrazione di dati e relative query, spesso ad utilizzo individuale, delle persone operanti in azienda e/o delle singole funzioni, al punto tale che si creano sovente discordanze di dati tra quelli elaborati dall’area amministrazione e controllo di gestione e quelli provenienti dalle singole aree funzionali dell’impresa. La conseguenza è nella ricerca di supplire alla suddetta discordanza o, addirittura, alla mancanza organizzativa dei dati con l’utilizzo del foglio elettronico che certamente garantisce una buona flessibilità, ma genera spesso tempi e costi elevati di elaborazione, rischi rilevanti di errori non facilmente individuabili, mancanza di navigabilità del dato, limite fisiologico alla quantità di dati che possono essere inseriti in un singolo documento, nonché una totale carenza della cultura dell’informazione condivisa.

"Non voglio che gli addetti alla pianificazione finanziaria dedichino il loro tempo a importare, esportare e manipolare dati, voglio che si concentrino su ciò che questi dati comunicano" ha puntualizzato in un’intervista di qualche tempo fa il direttore finanziario di Adobe Mark Garrett. Come dargli torto!

Esistono strumenti indispensabili per la sopravvivenza delle imprese, soprattutto in momenti in cui l’incertezza è dominante. La combinazione di strumenti così detti tech (Intelligenza Artificiale, Machine Learning e Business Intelligence), con processi (Organizzazione) e con competenze (Know How) che ci aiutano a trasformare il flusso di dati in decisioni migliori e tempestive, consente di intercettare i bisogni ed i comportamenti delle direzioni aziendali e prendere oculate decisioni operative, tattiche o strategiche in base ai migliori dati disponibili. L‘unica strada percorribile per la semplificazione e per l’efficacia applicativa, anche per le PMI, è l’implementazione di strumenti di Business Intelligence, in grado di modificare sensibilmente le strategie ed i modelli di business delle imprese.

I sistemi di Business Intelligence possono, quindi, essere considerati quale processi conclusivi dell’architettura dei sistemi informativi aziendali, poiché consentono di processare una enorme mole di dati ricorrendo all’automazione ed all’aggregazione dei medesimi e consentono di realizzare, in totale autonomia, vere e proprie analytics a supporto del processo decisionale.

La quantità di dati generati giornalmente dal sistema delle imprese comporta un rilevante cambiamento nelle organizzazioni aziendali le quali si devono affidare sempre di più all'intelligenza artificiale ed ai modelli di apprendimento automatico per scoprire informazioni che prima non potevano o non sapevano di ottenere.

L’intelligenza artificiale con il machine learning permette di assorbire, processare ed elaborare dati in modo tale che, considerando i risultati delle esperienze pregresse, possa dedurne le relazioni e, di conseguenza, fare previsioni. In altri termini, l’intelligenza artificiale ridimensiona i compiti ripetitivi nei processi aziendali e consente individuare le mansioni a maggior valore aggiunto.

Sorge, quindi, spontanea una domanda: ma cosa centra un CFO, un Controller o un Consulente aziendale con l’intelligenza artificiale e perché è importante utilizzare algoritmi di machine learning integrati in strumenti di business intelligence, per il controllo di gestione?

Primo presupposto ineluttabile: l’uomo non ha l’incredibile capacità di “leggere” contemporaneamente milioni di dati ed ha quindi bisogno di attivare processi grazie ai quali i computer riescono ad analizzare i dati ed “imparare” dagli stessi, cioè il machine learning. In altre parole, l’utilizzo dell’intelligenza artificiale per i responsabile amministrazione, finanza e controllo finalizzata a fare meglio che già fanno. La tecnologia, quindi, non deve essere percepita quale strumento per sostituire l’essere umano, bensì supporto per sfruttare al massimo le sue competenze. Le operazioni semplici, ripetitive, meccaniche e a basso valore aggiunto sono e saranno compiute dai software, mentre saranno sempre più richieste competenze e know how trasversali tra conoscenza della tecnologia e la capacità di utilizzare i dati per le decisioni.

Un esempio applicativo di quanto sopra descritto può essere riferito all’ambito logistico di un’azienda meccanica che produce macchine e che aveva un eccessivo livello di stock materie prime e problemi di natura finanziaria.

Si sa quanto sia complessa e difficile la gestione del magazzino. E’ facile perdere di vista, non solo il quantitativo dei codici articoli presenti, ma anche quanto sia il loro tempo di rotazione.

Con l’aiuto di algoritmi trasversali è possibile:

Inoltre, con l’utilizzo dell’intelligenza artificiale, è possibile incrociare tutte le suddette informazioni, per poter trovare la combinazione di macchine che è più “conveniente” produrre in base ai seguenti obiettivi:

E’ in questa simbiosi uomo-macchina che vengono maggiormente valorizzati sia il valore decisionale dell’uno sia quello computazionale dell’altra. In questo modo non solo si ottimizzano i processi acquisti e produzione, ma si facilita anche il processo decisionale delle vendite, simulando con la tecnica del “what if” e monitorando i margini, quali modelli “spingere” verso il mercato, con la finalità ultima, ma certamente molto importante, di generare flussi finanziari necessari a migliorare la posizione finanziaria netta (PFN) dell’impresa.

Il sensore “Configurazioni”, illustrato di seguito, mostra il risultato di quanto sopra descritto con l’applicazione dell’intelligenza artificiale al magazzino dell’azienda meccanica succitata.

Nell’ipotesi di voler produrre contemporaneamente 3 macchine, il grafico mostra tutte le possibili configurazioni di output, analizzando le combinazioni delle macchine producibili. Queste vengono mostrate nel grafico a scatter, disponendole secondo il valore mancante di componenti ed il valore totale della combinazione di macchine, ovvero le parti della distinta base di ogni macchina già presente in magazzino rispetto a quella totale. La graduazione del colore (da azzurro a blu), inoltre, suddivide le possibilità secondo il valore percentuale di componentistica già presente in magazzino (% di completamento macchina).

Ancor più esplicativo, poi, è il sensore che segue, che entra nel dettaglio delle singole configurazioni delle macchine da produrre, mostrando più chiaramente il risultato caso per caso.

Ogni colonna del sensore rappresenta una diversa configurazione di macchine con la parte in verde che mostra il valore della componentistica presente in magazzino e la parte rossa quella da acquistare per completarla.

Per individuare gli ordini di materie prime (componentistica) necessarie per produrre la miglior combinazione possibile di macchine considerando il valore mancante in stock è fondamentale tener in considerazione il margine prodotto da ciascuna configurazione. Per avere una indicazione efficace, la business intelligence procura anche il sensore che segue e che mostra il medesimo grafico precedente, andando però a sfruttare i vari colori, per raggruppare le differenti marginalità. In tal caso, eseguendo il drill down su pallini verdi si avrà la visione delle migliori combinazioni possibili ed ovviamente i pallini rossi indicheranno la peggiore delle situazioni. Questo strumento risulta di grande efficacia per evitare di prendere decisioni affrettate ed a volte sbagliate basate solo sulle informazioni inerenti la componentistica mancante per ciascuna combinazione di macchine senza valutare con attenzione l’effetto sul conto economico aziendale prodotto dall’analisi delle marginalità.

Dalle analytics ora illustrate la direzione aziendale può prendere decisioni tali da ottimizzare il valore del magazzino materie prime, adeguare le politiche commerciali e migliorare sensibilmente la posizione finanziaria aziendale. La linea blu del grafico sotto riportato mostra come, grazie all’utilizzo dell’intelligenza artificiale applicata al sensore “configuratore di magazzino” sopra descritto, sia stato possibile in pochi mesi ridurre di oltre il 30% il valore di stock delle materie prime.

Infine, l’impatto finanziario derivante dalle decisioni aziendali attuate seguendo le informazioni generate dalle analytics suddette è alquanto rilevante. La forte riduzione delle scorte di materie prime (area giallo chiara nel grafico riportato di seguito) realizzata in pochi mesi con scelte meditate circa le migliori combinazioni delle macchine da produrre e vendere ha generato un flusso finanziario molto positivo.

Il sensore tiene conto delle rotazioni medie delle materie prime (DIO mp - Days Inventory Outstanding), di quella dei semilavorati ( DIO wip), di quella dei prodotti finiti (DIO fp), della rotazioni medie di incasso dai clienti ( DSO - Days Sales Outstanding) e delle rotazioni medie di pagamento dei fornitori (DPO - Days Payables Outstanding). In altri termini, produce le informazioni per il monitoraggio del ciclo finanziario così come riportato nello schema che segue:

In sintesi, riassume, in giorni, i risultati complessivi della gestione del capitale circolante netto e la sua durata finanziaria “netta”, cioè il cosi detto ciclo di conversione della liquidità calcolato come DIO + DSO – DPO, dove:

Preparare l’azienda al futuro del business, cogliere a pieno le potenzialità offerte dalla tecnologia e coordinare i propri obiettivi con gli sviluppatori di algoritmi (data scientist) diventano attività irrinunciabili per chi si occupa di Controllo di Gestione ed assurge ad avere responsabilità decisionali in azienda sia di natura operativa che strategica.