Optimization significa raccogliere tutti dati che un’organizzazione ha a disposizione e gestirli in modo tale da massimizzare la velocità e la completezza con cui le informazioni critiche possono essere estratte, analizzate e utilizzate. Attraverso un lavoro continuo di esplorazione e scoperta degli elementi significativi contenuti in enormi basi di dati (data lake) si identificano obiettivi, vincoli e variabili che vengono poi elaborati attraverso un modello matematico-statistico che descrive la realtà. È così che si rendono azionabili i dati a supporto di tutti i processi decisionali. Il tutto in tempi velocissimi. I risultati arrivano alle persone giuste al momento giusto per prendere le decisioni ottimali, reiterando il processo tutte le volte che variano le condizioni al contorno.
Cosa inibisce l’accesso alle informazioni critiche
La competitività dei mercati impone alle aziende una rapidità decisionale estrema sia per cogliere le opportunità che per far fronte ai rischi. I decisori devono avere un accesso tempestivo alle informazioni critiche basate su numeri effettivi. Tuttavia, la fusione di dati caratterizzati da varie origini e diversi formati non solo può richiedere molto tempo ma può anche essere un’attività soggetta a errori. Qui entra in gioco l’optimization che ristruttura i set di dati, filtrando le imprecisioni e il rumore di fondo legato al sovraffollamento informativo per risolvere problemi associati a:
- Scarsa qualità delle informazioni – I dati incoerenti o inconsistenti spesso portano confusione, ritardi e potenziali conflitti in una transazione con clienti e partner commerciali. La qualità dei dati e delle analisi apportata dal processo di ottimizzazione riduce al minimo l’esposizione di un’azienda a questo tipo di problemi, migliorando procedure e relazioni, accrescendo il valore della brand reputation.
- Risorse limitate – Ogni volta che si devono raggiungere degli obiettivi e si devono prendere decisioni per compiere le azioni necessarie a ottenere dei risultati servirebbe tempo, ma anche capitali, strutture e persone capaci. Avere tutte le risorse necessarie a raggiungere gli obiettivi non è mai facile.
- Inefficienze e sprechi – Ogni anno, le inefficienze costano mediamente alle aziende dal 20 al 25% dei loro ricavi. Salvaguardare questo budget significa avere risorse da investire, che si tratti dello sviluppo di nuovi prodotti, di progetti legati alla fidelizzazione dei clienti, di pianificazione e razionalizzazione delle risorse. L’ottimizzazione aiuta i leader aziendali a comprendere e migliorare i propri processi aziendali in modo da ridurre gli sprechi di tempo e denaro, migliorando la qualità del business.
Optimization: esempi e vantaggi
Ottimizzare i processi per applicare sistemi di analisi e di simulazione avanzati permette alle imprese di abilitare sistemi previsionali efficaci ed efficienti a livello decisionale:
- strategico (ad esempio nel caso della gestione del credito per una banca)
- tattico (ad esempio nel caso della scelta dei partner per una catena di fornitura)
- operativo (ad esempio nel caso del calcolo di un percorso più efficiente della flotta di camion per una ditta di trasporti)
A cosa serve e come funziona l’optimization
Sempre e in ogni caso i vantaggi più significativi dell’optimization sono legati ai processi decisionali più veloci ma anche più agili il che significa adattabili a qualsiasi cambiamento. Cosa significa nel concreto?
«Che sia a livello di business che tecnologico, quando abbiamo un problema di una certa complessità e che affrontiamo tutti i giorni ci sono degli obiettivi che vogliamo raggiungere – spiega Amilcare Patacconi, Business Development Partner e responsabile della BL Analytics Optimization presso Intermatica -. Il che, non è affatto scontato. Per ottenere un certo obiettivo, infatti, dobbiamo conoscere l’intero contesto in modo da poter prevedere l’impatto delle nostre decisioni. Dal punto di vista matematico/statistico significa riuscire a inquadrare tutti i parametri che possono comportare delle variazioni rispetto al risultato che vogliamo ottenere. Una decisione ottimale può significare il massimo profitto o i costi più bassi all’interno di un insieme definito di vincoli ed obiettivi contrastanti finalizzati a soddisfare i punti di vista di tutte le parti interessate. Utilizzando un modello matematico, grazie all’optimization si velocizzano valutazioni e ragionamenti».
Come spiega l’esperto, un esempio concreto aiuta a capire nel dettaglio il ruolo e il perimetro dell’optimization. Se si vuole rendere ottimale il percorso di trasporto di un camion da A a B in Italia bisogna capire prima quali sono gli obbiettivi. Nel caso specifico possono essere più di uno come, ad esempio:
- ottimizzare i tempi di consegna
- risparmiare sul carburante
- ottimizzare il carico per risparmiare sull’area di stock
Sulla base di queste opzioni si costruisce un modello che tiene conto di una serie di variabili , tra cui:
- cosa contiene ogni camion
- quanti sono i camion che si spostano
- quali sono le tipologie di tragitto
- quali sono le condizioni storiche del meteo a livello locale degli ultimi tre anni
- quali sono gli orari di punta del traffico
- qual è il livello di obsolescenza dei mezzi
- com’è la qualità professionale del personale
- e altri ancora
Raccolti gli elementi di partenza si includono i vincoli, ovvero i parametri di ingresso quali, ad esempio:
- Non si devono percorrere le autostrade
- Si deve viaggiare solamente di giorno
- Il carico di merce deve essere compreso tra i 200 kg e i 50 Kg
- e via dicendo
Chi sono i professionisti dell’optimization
I professionisti che operano nell’ambito dell’optimization sono data scientist, matematici oppure esperti ingegneri fisici e matematici nonché esperti in ricerca operativa, capaci di parlare con gli operatori coinvolti per acquisire tutte le informazioni necessarie a creare un modello matematico che aiuti a ottimizzare un processo, un sistema o un oggetto (come, ad esempio, nel caso dello sviluppo di un prodotto). La modellizzazione, che serve a definire un’analisi dei dati predittiva, funzionale ed efficace, rientra nell’area della ricerca operativa (operational research in inglese) e presuppone l’adozione di un approccio empirico/manuale sempre più spesso integrato all’uso di strumenti di optimization di ultima generazione.
«La maggior parte delle aziende negli anni ha investito enormi budget nella raccolta e nella gestione dei dati storici e, in una certa misura, nella creazione di strumenti di analisi per prevedere il futuro – ribadisce Patacconi -. L’ottimizzazione fornisce gli strumenti per utilizzare questa conoscenza latente, e valorizzare gli investimenti sostenuti rendendo produttiva l’enorme spesa in termini di costi e incrementando margini e ricavi. Una volta stabiliti obiettivi, vincoli e variabili (che in alcuni casi possono essere nell’ordine delle migliaia) si costruisce matematicamente un modello. Quando le numeriche da gestire sono così elevate, è evidente che l’attività di optimization non può essere risolta esclusivamente grazie alle competenze di uno o più professionisti. Ecco perché si usano quelli che vengono chiamati i motori di soluzione (in inglese solver engine) associati alla ricerca operativa. In realtà a livello mondiale sul mercato di questo tipo di sistemi ce ne sono pochi davvero performanti, agili e flessibili al punto da permettere di scegliere quali possono essere, ad esempio, i mix delle fonti degli approvvigionamenti e dei costi. La collaborazione di Intermatica con FICO, specialista internazionale nelle soluzioni di data analytics e optimization, ci consente di garantire le tecnologie più innovative che aiutano i nostri partner e i nostri clienti a prendere le decisioni migliori ed ottimizzare così i processi di business salvaguardando tempi e costi».
L’importanza di una modellizzazione funzionale: esempi
Come ci ricorda l’esperto, gli optimization solver engine (GSE), sono modelli matematici di ricerca operativa che sono antecedenti all’avvento dell’Intelligenza Artificiale, del machine learning e del deep learning. Incorporando potenti algoritmi in grado di risolvere una programmazione che include modelli di pianificazione basati su vincoli che aiutano a migliorare i processi decisionali, il livello di ottimizzazione trasla i risultati ottenuti negli ambienti di test per adattarsi a tutte le nuove variabili che caratterizzano gli ambienti di produzione. I solver engine a supporto dell’optimization vengono utilizzati in ambito finanziario per l’antifrode o la credit collection così come in tutte le industry che devono risolvere la pianificazione, l’allocazione e la programmazione delle risorse: Oil & Energy, Automotive, Manufacturing, GDO, Sanità, Trasporti e via dicendo.
«Applicare gli strumenti di ottimizzazione rappresenta il naturale passo nelle attività di Data Analytics – prosegue Patacconi – e consente di arricchire il processo decisionale, fornendo alle organizzazioni un reale vantaggio competitivo riducendo i costi e massimizzando i risultati. Consideriamo, ad esempio, le difficoltà decisionali nel settore petrolifero o delle Utility dell’energia che ogni giorno devono capire dove comprare e a quale prezzo, orientandosi tra tantissime fonti. Implementare un solver engine semplifica la vita ai professionisti che in azienda si occupano di optimization e ai vision maker che devono gestire la pianificazione. Il vantaggio di questo tipo di sistemi è che si adattano alle finalità: basta inserire le variabili che in quel momento possono essere cambiate rispetto al modello per ottenere velocemente risultati previsionali estremamente attendibili. Si prenda ad esempio il caso di una piccola società italiana di noleggio con una flotta di 20mila auto che vuole risolvere il problema di ottimizzare la distribuzione dei veicoli nelle città servite. Capire in quali città e in quali posti conviene lasciare un’Audi piuttosto che una 500 e per quanto tempo (considerando che in quel momento il modello previsionale evidenzia come vengano utilizzate più macchine a Modena piuttosto che a Cuneo) non è facile e nemmeno scontato. Anche in questo caso un solver engine è la soluzione ideale per velocizzare i tempi decisionali ed efficientare le risorse».
Optimization strategica a qualsiasi processo di business
L’ottimizzazione dei dati si ottiene se le informazioni sono all’altezza del loro potenziale e se la strategia è incentrata su una soluzione flessibile, in grado di scalare e adattarsi a qualsiasi drastico cambiamento rispetto alle operazioni di gestione. È dunque fondamentale che il sistema di ottimizzazione dei dati utilizzato sia basato su un modello previsionale matematico statistico, oggi ulteriormente potenziato dalle tecnologie di machine learning e deep learning. Questo permette al modello di integrare ed elaborare sempre più informazioni, garantendo la sua agilità di espansione e interpretazione di tutte le ulteriori variabili.
Aziende davvero data-driven
La optimization non è un’area che afferisce all’IT. Piuttosto, va considerata una punta di diamante del business. Oggi i CEO e i manager hanno bisogno di informazioni che li aiutino a capire cosa riserva loro il futuro. Avere a disposizione dati corretti, freschi e rilevati con frequenza è fondamentale. In un mondo così veloce, non basta rivolgere l’attenzione al passato, all’analisi di metriche e KPI basati su serie storiche, alla generazione di statistiche e report a consuntivo per effettuare analisi dei dati sui comportamenti degli utenti o per individuare problemi tecnici o eventi critici. Serve una crescente capacità previsionale, tale da consentire alle aziende di giocare d’anticipo sugli eventi, di azzerare i margini di errore o di prevedere per tempo i bisogni o le criticità. Perché essere data-driven significa farsi guidare dai numeri e avere un approccio basato sui dati per prendere decisioni informate, fondate su fatti oggettivi e non su sensazioni personali.
«L’intelligenza aumentata che caratterizza la data economy – conclude Patacconi – applica modelli interpretativi basati sulla ricerca di algoritmi finalizzati a supportare i sistemi di analisi e di sviluppo. I sistemi previsionali aiutano a ridurre quanto più possibile l’indeterminato, aiutando le organizzazioni ad agire in funzione dei reali obiettivi di business. E questo in qualunque tipologia di azienda e di settore. I solver engine portano velocità ed efficienza in ogni azienda, migliorano la marginalità consentendo di fare saving e di ottimizzare i processi. Perché, banalmente, una cosa è avere uno staff di persone che si mette lì che fa i conti con le calcolatrici mentre un’altra è avere un tool che fa partire 50 simulazioni e ti permette di scegliere quella più coerente e pertinente per la tua azienda. Le aziende che hanno introdotto l’optimization già da tempo oggi sono quelle più competitive perché sono state in grado di ridurre quanto più possibile l’indeterminato, per agire in funzione dei reali obiettivi di business. Aggiungerei anche un’ultima cosa: il ritorno dell’investimento per questo tipo di soluzioni lo si raggiunge già nel breve termine per cui una volta colta l’opportunità, i vantaggi diventano chiari e immediati a tutta l’organizzazione».
