Adottare e implementare tecnologie di intelligenza artificiale è fondamentale per le imprese, anche per la pianificazione e il controllo di gestione. Soprattutto in questo periodo storico, la digitalizzazione di alcune funzioni chiave può essere la “chiave di volta” per consentire alle imprese di prendere le decisioni più appropriate.

Pensiamoci: internamente all’azienda ha senso “avere tanti dati” ma non poterli o saperli elaborare? Come riuscire a farli dialogare tra loro? Come trarre da quei dati quel “qualcosa” che si riveli utile e davvero profittevole?

La necessità che i dati disponibili alle imprese siano collegati e collegabili

Come ha chiarito Confindustria con riguardo alle PMI, pianificazione e uso dell’intelligenza artificiale significano competitività. I vantaggi possono essere molti.

Gli obiettivi delle aziende richiedono strategie, pianificazione. La pianificazione non è solo finanziaria, ma soprattutto gestionale e produttiva. Ogni aspetto dell’agire imprenditoriale ha il suo peso, ed ogni aspetto è collegato ad altri, nella ricerca della migliore operatività.

A volte però a non essere tra loro collegati sono gli strumenti: software gestionali, sistemi operativi, software per la produzione. Questi strumenti rischiano di essere “statici”, quasi degli archivi, dei meri contenitori dove “conservare tutto”, senza consentire che i dati contenuti abbiano una applicazione concreta e davvero utile.

L’industria sta cambiando e l’attenzione delle imprese alle tecnologie AI ed al 4.0 è sempre maggiore, come abbiamo già evidenziato in questo articolo.

Perché una gestione efficiente richiede il collegamento tra i dati

All’assenza di collegamento, si aggiunge spesso un ulteriore problema: il tempo richiesto per la consultazione ed estrazione dei dati. Maggiori tempi implicano maggiori costi, secondo una dura (ma vera) legge del mercato.

Altri limiti possono nascere dal fatto che semplicemente i dati mancano di organizzazione.

A volte poi possono addirittura crearsi vere e proprie discordanze tra i dati internamente alle aziende. Ad esempio, se ogni settore o area (es.: amministrazione) accede al proprio database e lo elabora o modifica, e così fa pure un’altra area (es.: produzione), la diversa tempistica di queste operazioni può creare delle divergenze. E, così, delle problematiche.

Occorre quindi una maggiore condivisione interna delle informazioni, e una maggiore fruibilità dei dati già disponibili.

Come applicare l’intelligenza artificiale al controllo di gestione

Non basta recepire i dati, e manipolarli all’occorrenza: occorre guardare oltre. Occorre guardare a ciò che i dati comunicano e a che cosa ci possono dare.

Sono proprio gli strumenti di intelligenza artificiale a consentire questo miglioramento. Se in azienda ci sono organizzazione e competenza, il terreno sarà fertile per inserire l’IA, e spianare così la strada a nuovi metodi per giungere a decisioni più appropriate e rapide.

Riassumiamo il concetto con un’espressione efficace: non possiamo avere efficacia verso l’esterno se non abbiamo prima efficienza interna!

Un sottoinsieme dell’intelligenza artificiale: la Business Intelligence

Il primo e principale strumento utile a migliorare le strategie d’impresa è sicuramente la Business Intelligence (BI). Essa consente di approfondire “cosa accade al business e perché”. L’insieme dei dati viene elaborato e analizzato per supportare l’azienda nel processo decisionale.

In altri termini, si consente ai responsabili delle decisioni di riconoscere più rapidamente aspetti quali perdite di performance, tendenze del mercato, nuove opportunità di guadagno.

Soprattutto nelle realtà più strutturate ed estese – dove dunque la mole di dati giornaliera è consistente – gli strumenti di intelligenza artificiale ed apprendimento automatico permetteranno di ottenere ulteriori informazioni. Logico corollario: più informazioni, maggiore efficienza dell’azienda.

Esistono molti software di Business Intelligence, che, come ha spiegato IBM, si affidano principalmente a tre strumenti diversi: Data Warehouse, ETL e OLAP. Semplificando di molto, il Data Warehousing consente che i dati, una volta elaborati e aggregati, vengano immagazzinati in tabelle relazionali. Con il secondo i dati vengono estratti, trasformati e caricati (ETL – Extract/Transform/Load). Infine, i dati così elaborati vengono estratti dalla tecnologia OLAP (OnLine Analytical Processing) e riorganizzati, permettendo di elaborarli ulteriormente e approfondirli.

La Business Analytics come strumento di pianificazione e gestione

Sovrapponibile ma diversa dalla Business Intelligence è la Business Analytics (BA).

La Business Intelligence infatti dà una “conoscenza descrittiva” dell’impresa, basata sui dati storici e attuali, per rappresentare quindi eventi e trend operativi passati o in corso. In altre parole, spiega il “cosa” e “come”.

La Business Analytics comprende invece  le soluzioni utili a sfruttare questi dati in forma predittiva, per pianificare il futuro migliorando il processo decisionale di business. Aiuta a rispondere, in altre parole, alla domanda “perché”. Riprendiamo la descrizione che di questa tecnologia fornisce Oracle: con la Business Analytics le organizzazioni possono consolidare i dati di diversi reparti (vendite, marketing, risorse umane e finanza) per una visualizzazione unificata che mostri come i numeri di un reparto possano influenzare gli altri.

Per il controllo di gestione si tratta di un approccio a dir poco fondamentale, soprattutto con il contributo dell’intelligenza artificiale.

Perché sia una tecnologia utile anche al controllo di gestione, è presto detto. Diventa infatti possibile raccogliere i dati direttamente da più punti, anche dai sistemi di controllo delle linee produttive, inviarli al processo e quindi analizzarli, anche “in real time”. Questo impatta in maniera determinante sul modello di business di un’organizzazione, in quanto offre alle imprese la possibilità di prevedere l’andamento dei processi produttivi e di ottimizzare l’intera catena del valore aziendale.

Il machine learning

Un altro strumento è il machine learning, che permette di processare i dati tenendo in considerazione i risultati delle esperienze pregresse. L’intelligenza artificiale in questo caso si contraddistingue per il suo “metodo” di apprendimento (il “come” essa “impara”, il come diviene abile in qualcosa).

Come ricorda una definizione efficace, si tratta di sistemi o processi grazie ai quali le macchine si “allenano”, correggendo gli errori, sino ad imparare a svolgere autonomamente determinati compiti. Esse riescono a leggere e analizzare milioni di dati, e quindi a “imparare” dai dati stessi. Ce ne siamo già occupati in relazione alle opportunità della Robotic Process Automation (RPA).

Per capire in cosa consiste è utile un esempio. In una linea di produzione occorre montare un componente mediante un braccio meccanico supportato dall’intelligenza artificiale (e quindi “intelligente”). Se il pezzo non si trova dove dovrebbe essere (o viene spostato da un operatore), il braccio lo cerca nell’area raggiungibile, lo riconosce (riconoscimento visivo), lo raccoglie e lo monta, come se si fosse trovato nella sua collocazione normale. E se un operatore spostasse più volte volontariamente il pezzo, ciò dalla macchina non sarebbe più visto come un “errore”: anzi, apprenderebbe che quella è la nuova posizione, e si “aspetterà” di trovare il pezzo lì.

La profondità a livelli sempre maggiori porta poi al deep learning, che costituisce un’evoluzione del machine learning e consente di elaborare l’informazione in maniera sempre più completa.

Esempi pratici di gestione aziendale con intelligenza artificiale

Una possibile applicazione pratica è anzitutto la logistica, come abbiamo visto parlando delle opportunità derivanti alle imprese dal 5G.

Pensiamo poi alla classificazione dei documenti aziendali. Esistono algoritmi di lettura dei documenti, stampati o scritti a mano, che permettono all’impresa di catalogarli e di suddividerne il contenuto. Pensiamo ad esempio a documenti che contengano scadenze di pagamento: sistemi di IA applicati alla contabilità aziendale consentirebbero di supportare due settori aziendali differenti (amministrazione e contabilità) e così farli dialogare tra loro in maniera efficace.

Un altro settore di possibile applicazione è la gestione del magazzino. Algoritmi possono consentire di catalogare gli articoli e agganciarli ai listini prezzi aggiornati, per pianificare al meglio il loro acquisto. E poi ridurre, se del caso, il valore dello stock. E in ultima analisi avere sempre adeguati e immediati riscontri sulla marginalità.

In definitiva, gli addetti aziendali ai vari livelli beneficeranno del rapido incrocio di informazioni consentito dall’IA, e potranno prendere le decisioni più opportune.

L’interazione uomo-macchina come un’opportunità (e non come una problematica)

Siamo sicuramente davanti ad una crescente interazione uomo-macchina applicata alle aziende.

È un problema? È fuori discussione che l’uomo, creatura intelligente per definizione, ha potenziali e capacità non sostituibili dalle macchine, e si potrà imporre su di esse (anche noi ci siamo chiesti, ad esempio, se il datore di lavoro possa essere un algoritmo o se un robot possa farti licenziare).

Ma è un dato di fatto che l’uomo purtroppo non arriva ad assorbire e processare i dati in un tempo (poco) e in un modo (considerando le esperienze pregresse) tale da comprenderne le relazioni, e, infine, fare previsioni accurate. Le macchine invece sì.

Ma la tecnologia deve condurre a migliorare ciò che l’uomo sa già fare. Dev’essere di supporto per sfruttare al massimo le informazioni, unirle alle sue competenze, e giungere al risultato utile per l’azienda. Il know how è qualcosa che è solo e soltanto umano. L’elaborazione e pianificazione affidata agli strumenti di intelligenza artificiale deve essere complementare a questo, e alle competenze dei dipartimenti aziendali interni.

Quale futuro (o meglio, quale presente)?

Come abbiamo scritto, per l’uomo il lavoro vedrà nell’industria 4.0 molti possibili ruoli, che non possono prescindere da un’interazione efficace e che guarda al futuro.

Digitalizzazione, previsione, efficienza: tutte parole-chiave di un approccio che un efficiente controllo di gestione deve fare proprie, per far competere al meglio l’impresa. E la digitalizzazione dei processi passa attraverso moltissime tappe.

È certo che un nuovo approccio può portare l’impresa all’uso di strumentazioni e risorse connesse. Un’ottimale allocazione delle risorse (sia tecniche che umane) significa competitività.

Centrali nel processo di mutamento sono proprio le risorse umane: i dati infatti dopo essere stati elaborati dovranno tornare all’uomo, che li deve condividere, e poi decidere. Una gestione coordinata coinvolge anche l’atteggiamento di manager ed operatori dell’impresa.

Efficientare le risorse, collaborare ad ogni livello: ciò porterà non solo a risparmiare tempo e investire in qualità. Ma anche ad un incremento della produttività e della competitività.