di Riccardo Bovetti*
Per spiegare l’importanza dell’analisi numerica, statistica e probabilistica nell’identificazione di informazioni utili alla presa di decisioni anche (e soprattutto) in campo manageriale spesso si fa ricorso ad un gustoso aneddoto conosciuto come il “paradosso del sopravissuto” di Wald [1].
In sintesi il paradosso descrive i tentativi (inizialmente fallimentari) di irrobustimento degli aerei da combattimento condotti dell’aeronautica militare Americana a partire dall’analisi delle parti dell’aereo (carlinga, ali, timone) maggiormente danneggiate durante i combattimenti.
L’analisi, condotta analizzando i danni agli aeromobili che rientravano alla base per tramite di strumenti di statistica e probabilità, condusse inizialmente a rafforzare con “strati” aggiuntivi di materiale le aree che venivano con maggiore probabilità e frequenza denneggiati dai colpi sparati dal nemico.
Nulla di più sbagliato.
I modelli di analisi applicata indicavano si, con matematica rilevanza, le aree più probabilmente colpite. Ma degli aerei che comunque riuscivano e rientrare alla base e quindi le analisi conducevano ad individuare esattamente le aree su cui era inutile intervenire perché non erano vitali per il funzionamento dell’aereo.
Quanto spesso nell’analisi e nell’interpretazione quotidiana dei fenomeni d’azienda andiamo a riparare ali o timoni che sarebbero perfettamente in grado di riportare a casa il risultato ignorando magari che quel singolo buco nella carlinga può essere fatale per il perseguimento dei nostri obiettivi?
In questa “stagione nuova” la rilevanza in termini manageriali e gestionali del fenomeno è ancora ulteriormente esasperata dalla quantità abnorme di dati oggi disponibili, dalla facilità tramite la quale l’integrazione di dati interni ed esterni all’azienda è possibile, dalla possibilità di dotarsi a costi ragionevoli di strumenti sofisticati per l’analisi dei dati stessi.
All’aumentare della disponibilità informativa e delle analisi condotte sugli stessi aumenta esponenzialmente il rischio di prendere delle decisioni sbagliate seppur con la convinzione di fare esattamente il contrario e seppur con il sostegno di tecniche potenzialmente raffinate.
Come evitare questo rischio?
Il percorso di evoluzione consapevole delle modalità di controllo si attua costruendo modelli dati multiformi che integrino informazioni interne ed esterne all’azienda, definendo in modo chiaro quali indicazioni ci aspettiamo di ottenere da questo insieme ed integrando le analisi classiche di controllo con indicatori ed indici costruiti a partire da analisi effettuate tramite modelli matematici statistici e probabilistici (regressioni lineari, modelli Montecarlo etc.).
La finalità prevalente di queste analisi di business è quella predittiva più che di valutazione puntuale del passato integrando le modalità di controllo dal tradizionale “a priori” con modalità costruite sulla base delle rilevanze statistiche che emergono dalla osservazione e dalla correlazione di importanti serie di dati.
Questo non significa abbandonare i modelli di controllo tradizionale (che già nel loro nome dichiarano apertamente l’intento di modellizzare, ovverosia semplificare e strutturare una realtà complessa) che continuano a rimanere un irrinunciabile strumento aziendale di pianificazione, controllo e presa delle decisioni senza il quale non sarebbe possibile neanche immaginare l’evoluzione delle modalità di analisi qui discusse.
Significa invece affiancare al modello esistente una serie di analisi nuove, costruite con informazioni diverse e con meccaniche di calcolo che abilitano alla visione di “facce nascoste” del business fino a quel momento analizzate secondo una sola modalità.
Alcuni esempi
Una azienda di componenti metalliche (in rame ed ottone) con produzione a stock registrava importanti variazioni di valore di magazzino pur in presenza di una sostanziale linearità dei parametri business. L’analisi condotta verticalmente, area per area, evidenziava una pratica manageriale di ciascuna delle funzioni aziendali (acquisiti, produzione, magazzino, vendite, customer service) efficiente ed ottimizzata.
Solo raccogliendo i flussi informatici relativi agli acquisti (prezzo delle materie prime), ai lanci produttivi, ai carichi e scarichi di magazzino, alle vendite ed ai claim ed analizzandoli congiuntamente con una analisi di regressione multivariata si è potuto identificare una correlazione quasi perfetta tra il delta prezzo di acquisto e l’aumento dei claim.
La spinta ad ottimizzare le performance di ogni funzione faceva si che al verificarsi di migliori condizioni commerciali di acquisto di una particolare materia prima si sovrastoccasse, obbligando la produzione a cambiare i piani produttivi per mantere i livelli obiettivo e conseguentemente gli ordinativi dei clienti presentavano spesso claim per ritardi o manca merce sugli articoli prodotti con le altre materie prime. Individuato il problema è stato possibile “srotolare” la performance costruendo una analisi di marginalità a catena del valore che desse visibilità ex ante (funzione predittiva) degli impatti potenziali a valle delle decisioni di acquisto prese a monte.
Un grocery retailer presentava una importante caduta di margini anche a fronte di migliori condizioni negoziali complessive con i fornitori e di una sostanziale tenuta del prezzo di vendita. Solo ricostruendo a catena del valore l’analisi della distribuzione dei margini ci si è potuti rendere conto che le condizioni commerciali di sconto negoziate con i fornitori erano rese inefficaci da aumenti di prezzo lordo di acquisto più che proporzionali e che sulle promozioni nel punto vendita venivano di fatto scaricate condizioni teoricamente marginali ma che, per effetto dei volumi, si traducevano in maggiori vendite di prodotti negoziati peggio e quindi con drastici cali di margini a fronte di condizioni al contorno fintamente favorevoli.
In sintesi, i fori dei proiettili stavano altrove.
[1] Abraham Wald’s Work on Aircraft Survivability Marc Mangel and Francisco J. Samaniego Journal of the American Statistical Association Vol. 79, No. 386 (Jun., 1984), pp. 259-267 https://people.ucsc.edu/~msmangel/Wald.pdf
*Faculty CUOA Finance
