epocaricerca
Published in

epocaricerca

Apprendere e agire alla stessa velocità del cambiamento con la Performance Intelligence

Alessandra Salfi di Research Manager di Epoca

La velocità del cambiamento e l’incertezza del contesto competitivo sono ormai da anni (dall’inizio del nuovo millennio) i “convitati di pietra” ai tavoli della pianificazione di ogni impresa. Questa presenza ingombrante e inquietante ha spinto i manager di tutto il mondo alla ricerca di modelli previsionali basati sui big data, che consentissero di migliorare le previsioni di ricavo, supportare i complessi processi di budgeting, l’affannosa ricerca di benchmark e di obiettivi esemplari da raggiungere.

L’allarme, però, ha suonato nuovamente: l’iceberg della pandemia COVID-19 è ormai inevitabile e l’economia di tutto il mondo è in rotta di collisione. Anche la speranza di potere supportare la programmazione con sofisticati modelli previsionali data-driven si prepara all’inevitabile naufragio, dal momento che i dati diventano superati ancor prima di giungere sulle scrivanie dei manager.

Diventa sempre più incalzante l’obiettivo della resilienza, la capacità di assorbire i colpi e ricostruire velocemente, adattandosi in modo flessibile al cambiamento.

Questo imperativo, che quotidianamente attraversa le vite delle singole persone, riguarda ancora di più le organizzazioni e le imprese, spesso imbrigliate in strutture, procedure e processi e rigidi e pietrificati nelle consuetudini o radicati nelle competenze dei manager.

In questo articolo, grazie al percorso tracciato dal Prof. Diego Macrì e illustrato in “Sistemi di controllo: analisi economiche per le decisioni aziendali” (libro giunto alla 15° edizione, in uscita nel 2021, e ormai divenuto un riferimento importante per i corsi di laurea in ingegneria gestionale), illustreremo un nuovo strumento al servizio dei manager che si muovono in contesti ad elevata incertezza e che puntano all’obiettivo della resilienza: la Performance intelligence, un sistema innovativo che si avvale degli input della business intelligence per spiegare le ragioni del cambiamento della performance e produrre apprendimento.

Sono proprio le intuizioni del Prof. Macrì, fondatore e AD di Epoca Ricerca, ad aver guidato la nascita di Gestalt, il primo motore di Performance intelligence.

Dalla previsione all’apprendimento: lo stile di management in tempi di incertezza

L’obiettivo della resilienza richiede la capacità di rimettere in discussione ogni ipotesi rigida, di sovrascrivere rapidamente ogni previsione, di adattare ogni strategia, di monitorare ogni azione per apprendere dagli errori.
Essere resilienti significa navigare in acque incerte rinunciando al paradigma della previsione che, ad ogni nuovo atto di programmazione, pianta paletti fissi a cui aggrapparsi per fissare obiettivi, per valutare i risultati e per salvarsi dall’onda del cambiamento.
Essere resilienti significa lasciarsi guidare dal paradigma dell’apprendimento, che vive nel cambiamento e si alimenta di confronti relativi che abilitano decisioni rapide, misurazioni e nuove iterazioni. Per citare McKinsey, “le organizzazioni devono celebrare il fatto di imparare rapidamente dall’esperienza
In altre parole, occorre superare i costosi, faticosi e rigidi, ma quanto mai rassicuranti processi di budgeting: occorre andare “beyond budgeting”.
Quando aumenta l’incertezza, gli obiettivi “fissi” perdono il loro significato di benchmark affidabili per valutare la performance e il budget, con il suo impegno di programmazione annuale, si scontra con orizzonti temporali sempre più corti.
Che significato possono avere, infatti, scostamenti rispetto a valori programmati basati su ipotesi diventate immediatamente irrealistiche?
Occorrono riferimenti dinamici, che cambiano al mutare del contesto.
Come spiega il prof. Macrì, è un po’ come imparare a muoversi quasi al buio, rinunciando in buona parte alla vista per affidarsi al tatto.

Se ci muoviamo in un ambiente illuminato pieno di ostacoli e dobbiamo spostarci da un punto all’altro, allora possiamo farlo anticipando i nostri passi e tracciando mentalmente il percorso da fare. Possiamo anche programmare di spostarci a velocità diverse a seconda della difficoltà che scorgiamo nei diversi tratti del percorso. Insomma, possiamo programmare. Se, però, l’ambiente fosse quasi buio, allora dovremmo cambiare strategia, affidarci diversamente ai sensi, ai modi con cui raccogliere le informazioni. La vista, infatti, avrebbe perso gran parte della sua efficacia, mentre il tatto, al contrario, sarebbe diventato la guida principale. Potendo in prevalenza percepire solo gli oggetti che sono attorno a noi, dovremmo imparare a ricostruire al meglio le caratteristiche di ciò che ci circonda e dovremmo farlo in modo continuo. Così facendo, in ogni momento il nostro agire si arricchirà della scoperta di un nuovo passo da fare. Alla fine, molto probabilmente, non avremo percorso il tragitto più breve e l’avremo anche fatto più lentamente, ma saremo stati in grado di giungere. Se potessimo scegliere, preferiremmo muoverci all’interno di un ambiente illuminato o in uno quasi buio? Certamente nel primo, è la risposta scontata, ma non è questo un buon motivo per non porre da parte la programmazione e il controllo se le nuove condizioni non fossero più quelle di un ambiente illuminato. In queste circostanze, invece, è più logico pensare a forme di adattamento continuo piuttosto che perseverare come se la vista fosse ancora il senso sul quale fare il maggiore affidamento e, come se fosse ancora possibile tracciare in anticipo l’intero percorso. Il primo inconveniente ci farebbe ricredere. Eppure, questa metafora apparentemente ragionevole è contraddetta nei fatti dalle imprese, specie quelli grandi, che continuano spesso a programmare su orizzonti temporali più lunghi di quelli visibili e non sono disposte a rinunciare a riferimenti “congelati” per esprimere un giudizio di buona o cattiva performance. Le organizzazioni sono spesso incapaci di mettere da parte le loro consuetudini e, così pure, la memoria di decine di anni di insegnamenti da parte delle università e delle business school sull’efficacia e sulla razionalità della programmazione annuale. Dovrebbero invece apprendere dal cambiamento, anziché programmare ciò che spesso non può esserlo. Mancando di riferimenti fissi rispetto ai quali valutare gli scostamenti, la valutazione della performance non può trovare altra sponda se non nelle comparazioni “relative”: fra periodi diversi, fra oggetti diversi. Certo, non si sta qui affermando che tutta la programmazione diventi un’attività marginale con la crescita dell’incertezza. In altri termini, non è messa in discussione la programmazione tout court. È incontestabile, per esempio, che non si possa fare a meno di programmare attività come quelle che riguardano l’innovazione, o lo sviluppo dei prodotti e dei servizi, quelle di ridisegno dei processi, di miglioramento dell’esperienza del cliente, di ricerca di nuovi mercati. Per tutte queste attività — che solo in parte sono influenzate dall’incertezza dei ricavi — la definizione di obiettivi, di traguardi intermedi e le varianze dai valori predeterminati, rimangono presupposti importanti.”

Insomma, lo stile di management più efficace in periodi di grande incertezza deve sapersi muovere agilmente in un orizzonte di “performance relativa”, a suo agio con l’apprendimento dinamico attraverso confronti longitudinali (una stessa “entità” osservata in periodi diversi) e sincronici (due “entità” osservate nello stesso periodo).
Per porre a confronto la performance di “entità” diverse, i contesti di valutazione devono però essere resi confrontabili attraverso la normalizzazione.
Per esempio, per confrontare la differenza di efficienza operativa di un certo servizio erogato nelle regioni A e B, la domanda alla quale rispondere dovrebbe essere essere: quale sarebbe stata la performance economica di A se, lasciando inalterati i suoi ricavi, l’efficienza operativa fosse stata quella della regione B?
In altre parole, apprendere dal cambiamento significa adottare un’idea di performance normalizzata e relativa.

FIGURA 1: il valore della Performance Intelligence in tempi di incertezza

Apprendere da cosa? L’importanza di un’analisi “gerarchica”

Prima di addentrarci nella spiegazione della performance normalizzata, occorre rispondere a una domanda preliminare: da cosa possiamo apprendere?
I dati, per quanto in rapido cambiamento, sono sempre, insieme alla capacità di osservazione, una delle basi più solide per l’individuazione delle risposte alle domande di un manager.
I sistemi di business intelligence e gli analytics offrono talmente tante possibilità di analisi da creare spesso nell’utente smarrimento e difficoltà ad individuare dati actionable.
Il processo di miglioramento continuo, così pure un progetto di cambiamento, hanno bisogno di una mappa che indichi la strada in modo chiaro, focalizzando l’attenzione su ciò che conta.
Per questo è necessario un percorso di indagine “gerarchico”, che parta cioè dai valori di sintesi più rilevanti e li scomponga, coerentemente, in risultati di livello inferiore. Naturalmente, il punto di partenza è la dimensione economica della performance, basata sulla profittabilità o sulla redditività, ma nulla vieta di applicare lo stesso discorso a una dimensione operativa di efficienza, alla produttività, ai livelli di servizio, alla customer satisfaction, ecc.
Non esiste, tuttavia, una formula unica in grado di rilevare efficacemente la performance di ogni organizzazione: ogni impresa, ogni business unit, ogni funzione organizzativa è un mondo complesso e composito che va compreso per potere essere valutato.

Il primo passo, dunque, è definire una specifica “equazione della performance” come formula per calcolare il valore di un indicatore di sintesi, che può poi essere scomposto e valutato nei suoi singoli elementi.

L’analisi gerarchica, partendo da indicatori di sintesi e poi scomponendoli, ribalta la prospettiva seduttiva ma anarchica della business intelligence, che lascia l’utente libero di esplorare ogni dettaglio per giungere alla fine a indicazioni complessive, e che, molte volte, conduce alla paralisi da analisi.
Affidarsi ad una sintesi efficace significa muoversi in modo più agile e immediato, valutare la performance rapidamente e, altrettanto agilmente, adeguare l’azione alla velocità del cambiamento.
Se dunque il nostro riferimento sono gli indicatori sintetici di performance da sottoporre a confronti sincronici e diacronici, l’oggetto della valutazione non sono semplici differenze tra un periodo e un altro o tra oggetti di analisi diversi.

Non basta osservare come cambia la performance, occorre capire perchè cambia.

Per avere a disposizione dati actionable, dobbiamo individuare le leve da muovere per migliorare i risultati.
Dobbiamo, cioè, trovare le cause del cambiamento delle performance per potere intervenire, valutare l’impatto delle nostre azioni e apprendere, adeguando le decisioni.

L’analisi delle forze del cambiamento e la Performance Intelligence

L’analisi delle forze di cambiamento spiega cosa determina le variazioni della performance, svela le leve su cui agire per migliorare e solleva domande che favoriscono l’apprendimento continuo. Le sue risposte sono significative a patto che i contesti siano preliminarmente normalizzati, resi comparabili.
La comprensione dei motivi sottostanti al cambiamento è ciò che distingue Business Intelligence e Performance Intelligence: la prima rileva i cambiamenti, la seconda, come “nano sulle spalle del gigante”, si serve della BI per spiegarli.
Gli strumenti di Performance Intelligence offrono algoritmi o “motori di analisi” progettati per spiegare il cambiamento e fornire ai manager le leve da muovere per adattarsi ad esso, producendo, in altri termini, dati actionable.
Per essere concreti, la Performance Intelligence risponde a domande come queste: quanta parte della differenza di performance è dovuta a cambiamenti dell’incidenza % del costo X, o del costo Y, o a cambiamenti del prezzo unitario di vendita, o delle quantità vendute, dei materiali utilizzati, della durata di un servizio o di un intervento?
La Performance Intelligence interviene così a dare ordine e senso ai tanti dati rilevati. Guida l’utente attraverso percorsi brevi e snelli offrendogli una “vista sintetica d’insieme” capace di individuare le cause del cambiamento, generare apprendimento e supportare decisioni rapide e azioni efficaci.
Per illustrare cosa significa individuare le cause del cambiamento attraverso il confronto di valori normalizzati, ricorriamo ad un esempio concreto.
Facciamo riferimento a un caso non semplice, ovvero quello relativo alle imprese di servizio, che, nonostante abbiano in Italia un valore superiore di quasi quattro volte quello dell’industria, hanno storicamente progettato i sistemi di accounting sulla base di idee sviluppate dalle imprese di produzione rinunciando così, almeno in parte, alle dinamiche peculiari di questo settore.
Più nello specifico, ipotizziamo ora di costruire il sistema di Performance Intelligence per un’azienda che eroga servizi di Facility management attraverso propri manutentori che durante la giornata si spostano presso le sedi dei diversi clienti per eseguire gli interventi di manutenzione necessari.
Le fondamenta per la costruzione di un sistema di Performance Intelligence sono i dati, per cui il primo step è la costruzione di un sistema informativo in grado di rilevare, anche attraverso touchpoint progettati ad hoc, tutti i dati necessari ad alimentare quella che possiamo definire l’equazione della performance.

FIGURA 2: I touchpoint rilevano i dati che compongono il ticket e vanno a costruire l’equazione della performance, su cui si costruisce il sistema di Performance Intelligence che individua le cause del cambiamento e produce dati actionable.

La nostra fittizia azienda di Facility Management può contare su un ecosistema di touchpoint che rilevano tutti i dati necessari confluenti nel ticket associato a ciascun intervento svolto. Ogni ticket ha un ricavo associato, insieme a una serie di elementi che consentono di definire i costi operativi: tra questi i costi di viaggio dei manutentori, i tempi di viaggio e di approvvigionamento dei materiali necessari, i costi dei materiali.
Di ogni ticket sarà possibile così calcolare il margine operativo lordo. L’aggregazione di tutti i ticket svolti da tutti i manutentori in un determinato periodo consentirà poi di calcolare il margine operativo lordo del periodo.
Ipotizziamo di confrontare il servizio di manutenzione elettrica a chiamata (non programmata) su due trimestri effettuando un’analisi longitudinale.
Il primo confronto dei dati senza alcuna normalizzazione mostra il MOL del primo trimestre pari a €37,9 k€ e il MOL del secondo trimestre pari a 353,9 K€. La spiegazione di questa differenza è l’oggetto della Performance Intelligence.
Attraverso un motore di analisi, la Performance Intelligence ricava la varianza di ciascun componente dell’equazione della Performance (in questo caso della redditività) ceteris paribus, cioè a parità di tutti gli altri fattori. Ad esempio, si chiede, come cambierebbe il margine lordo del primo trimestre se l’incidenza % sul prezzo di vendita dei tempi di viaggio dei manutentori necessari all’evasione dei ticket fosse stata la stessa del primo trimestre?
Considerando tutti gli elementi rilevanti, la stessa domanda si porrebbe considerando il numero di ticket, il prezzo medio del ticket, l’incidenza % sul prezzo di vendita del costo dell’intervento del manutentore, l’incidenza % sul prezzo di vendita degli spostamenti per il reperimento materiale, l’incidenza % sul prezzo di vendita dei materiali.
Un’analisi di questo tipo — semplificata per questo esempio — consente di valutare l’effetto di ciascun fattore sul cambiamento di reddito.
Il manager che si avvalesse di un sistema di Performance Intelligence avrebbe a disposizione in un clic, l’analisi delle forze di cambiamento, come rappresentata in Figura 3: potrebbe vedere, lungo tutte le 12 settimane che compongono il trimestre, l’impatto di ciascuno dei fattori che determinano il cambiamento del MOL, visualizzando nell’istogramma a destra i fattori che hanno avuto conseguenze negative (nell’esempio il costo dei materiali — blu — e il costo degli spostamenti- arancione) e l’entità del loro impatto, così come la distribuzione dei fattori che hanno determinato un impatto positivo (numero di ticket, prezzo medio, costo degli interventi, reperimento dei materiali).

FIGURA 3: Analisi delle forze del cambiamento svolta da Gestalt

Di fronte ad un’informazione di questo tipo, il nostro manager potrebbe porsi domande in grado di generare apprendimento e di adeguare rapidamente le azioni: perché l’incidenza del costo degli interventi sui ricavi si è ridotta? È forse migliorato il fit fra le competenze degli operatori e il tipo di intervento richiesto? Oppure si sono svolti nel secondo trimestre interventi che hanno richiesto una professionalità più alta e hanno determinato margini maggiori? L’impresa è forse riuscita ad applicare tariffe più alte?
Domande analoghe nascerebbero interrogandosi su tutte le altre varianze. Le argomentazioni sviluppate e le risposte date producono apprendimento, un aumento di conoscenza che nasce in questo caso analizzando i cambiamenti “relativi” della performance.
L’analisi qui illustrata è longitudinale, ma gli stessi dati avrebbero potuto riferirsi a due oggetti diversi in relazione a uno stesso periodo, per esempio due sedi territoriali o, anche, un certo servizio di manutenzione erogato su categorie di immobili simili in due aree geografiche, oppure due clienti a rete, come per esempio due banche. In questo caso, si tratterebbe di un’analisi sincronica, ma le domande che i dati solleverebbero rimarrebbero sostanzialmente le stesse.
Se in periodi di incertezza l’imperativo è agire alla stessa velocità del cambiamento alimentando un circolo virtuoso di rapide azioni e reazioni abilitate dall’apprendimento, la Performance Intelligence, con le analisi “relative” della performance offre dunque al management la possibilità di apprendere dal cambiamento, adeguando di conseguenza azioni e decisioni. In altre parole, i sistemi di Performance Intelligence consentono ai manager di nuotare nel mare agitato del cambiamento sfruttando le correnti per muoversi più velocemente ed evitando di perdere energie in processi e consuetudini che, di fronte alla forza devastante di eventi impossibili da prevedere, hanno mostrato di non riuscire ad arginarne la forza.

--

--

--

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
Alessandra Salfi

Alessandra Salfi

Research Manager di Epoca srl

More from Medium

Why Data Economy is subsuming the API Economy

Up to 90% of M&A Deals Fail — Here’s How Osterus Can Help

How asking a simple question bridged the gap between data science and data engineering

From “Where is my Shipment?”