Prendendo spunto da un articolo del numero di Giugno 2023 della rivista HBR (Harvard Business Review Italia) dal titolo “Analytics per il marketing”, vi proponiamo un interessante studio in cui emerge la differenziazione tra macchina e uomo.
Lo studio ha preso in considerazione 2 diversi approcci:
- Fabrizio Fantini, CEO di Evo Pricing, azienda che fornisce soluzioni di IA per automatizzare e ottimizzare le decisioni su prezzi e catena logistica;
- Das Narayandas, titolare della cattedra di Amministrazione aziendale alla Harvard Business School, ha sviluppato un corso master in amministrazione aziendale che include casi concreti focalizzati sull’uso dell’intelligenza artificiale per potenziare le funzioni marketing, vendite e supporto.
Il fine dello studio era quello di capire come integrare e massimizzare le potenzialità degli esseri umani e quelle delle macchine, per arrivare alle migliori decisioni di business possibili.
Ciò che è emerso è che gli esseri umani se la cavano meglio con le intuizioni e sono bravi a risolvere le ambiguità, sono coinvolti emotivamente e si fanno domande sull’origine e la causa; le macchine sono di gran lunga superiori, invece, sul piano della deduzione, della granularità e della scalabilità.
Qual è quindi l’equilibrio più appropriato?
Gli approcci più diffusi per la gestione dei dati sono tre:
· Descrittivo, le decisioni sono prese prevalentemente da esseri umani;
· Predittivo, le macchine stabiliscono quali sono gli esiti più probabili, ma sono gli esseri umani a decidere quale strada seguire;
· Prescrittivo, una gestione autonoma da parte delle macchine.
Vediamo insieme come all’interno della relazione marketing procurement ci siano pro e contro di ciascuno.
Nell’approccio descrittivo o business intelligence, i manager utilizzano l’automazione per interpretare schemi spesso ripetibili nei dati storici e per cercare la risposta alla domanda “Aiutami a capire cosa sta succedendo? Chi ha la governance della spesa?”. In questo modo si evidenziano le variabili di performance d’ingresso e di uscita e i manager possono prendere decisioni sull’esperienza passata ed osservabile. Si valuta e analizza il passato per prendere decisioni per il futuro. I dati passati sono specifici, chiari e certi e questo approccio si fonda su fatti verificabili e oggettivi. Gli esseri umani, però, non sono in grado di elaborare quantità enormi di dati granulari, e faranno quindi affidamento su informazioni con un elevato livello di aggregazione.
Le decisioni basate su dati di questo tipo normalmente sono, per loro stessa natura, grossolane e richiedono un passaggio per estrapolare le tendenze passate e proiettarle nel futuro. Nel caso della gestione dei dati interni è più facile questo approccio rispetto alla gestione dei dati esterni in cui intervengono più variabili poco misurabili. Con la modalità descrittiva il manager tende ad essere più conservativo e meno proiettato sul futuro.
Con l’approccio predittivo le macchine prevedono quale sarà l’esito o gli esiti probabili di una determinata situazione per varie combinazioni di variabili di ingresso, fornendo ai manager indicazioni utili per scegliere la linea d’azione il cui risultato atteso si adatta meglio ai propri obiettivi. L’analitica predittiva può essere usata per prevedere guadagni ed evitare perdite, calcolare i range di prezzo, pur sapendo che oggi è molto difficile prevedere la domanda futura con elevata certezza. Anche prevedere le singole variabili d’ingresso può essere estremamente complicato: la concorrenza e la performance dei fornitori, per esempio, possono necessitare ognuno di un proprio modello predittivo.
La tecnica di clusterizzazione, tipica dell’approccio predittivo, nel caso di materiali stampati di marketing e comunicazione, a volte rischia di essere riduttiva per il sottoinsieme ridotto di variabili.
Talvolta c’è difficoltà a clusterizzare prodotti di marketing, soprattutto negli anni del consumo tutto e subito, anche per i materiali c’è una sfrenata ricerca di qualcosa di unico e irripetibile, ad “effetto wow”, spesso con vita breve.
Un altro problema dell’analitica predittiva deriva dal divario crescente fra gli obiettivi degli esperti di dati e quelli degli esperti di management. I primi si preoccupano soprattutto di migliorare il rigore statistico, mentre i secondi puntano principalmente ad ottimizzare l’analitica per rafforzare la performance dell’impresa. Con la modalità predittiva il manager tende ovviamente ad avere una visione limitata del futuro.
Nella versione prescrittiva, le macchine prendono decisioni basandosi sugli obiettivi definiti dai manager, utilizzando grandi quantità di dati per analizzare rapidamente le condizioni di mercato e imparare disegnando e realizzando un gran numero di esperimenti a basso costo e di scenari ipotetici. Nell’analitica predittiva, l’attenzione è concentrata sulla previsione del numero di unità che ci si aspetta di vendere e non si tiene conto del livello di errore nell’incertezza della domanda. L’approccio prescrittivo tiene conto di questa incertezza, consentendo di prendere decisioni che ottimizzano i profitti, e corregge continuamente il tiro man mano che diventano disponibili nuove informazioni.
Nel caso di una grande compagnia d’assicurazioni italiana la scelta di abbattere i costi di logistica con scorte limitate dei materiali di modulistica stampati, rispetto alla precedente mentalità è risultata virtuosa, ritenendo che una reintegrazione delle giacenze più prudente sia la strategia ottimale che massimizza i profitti.
L’approccio prescrittivo è molto costoso e complesso da mettere in piedi: necessita di soluzioni software e hardware apposite e competenze umane specializzate per tradurre strategie di management in obiettivi di ottimizzazione.
Quale approccio utilizzare in una data situazione dipende quindi da 2 fattori: la rilevanza dei dati a disposizione e la giustificazione economica. Trovare un equilibrio efficace tra macchine ed esseri umani consente di sfruttare al massimo il contributo di entrambi.
· I dati: quando i dati a disposizione sono limitati e il livello di incertezza è elevato, l’analitica descrittiva è l’opzione più praticabile per fornire ai manager un orientamento chiaro. Quando la frequenza delle decisioni aumenta si hanno a disposizione dati più granulari che diventano più rilevanti per il problema in questione: in questo caso, normalmente, gli approcci prescrittivi, più autonomi, funzionano meglio. Nei casi intermedi, quando i dati rilevanti a disposizione sono limitati, è preferibile un approccio di analitica predittiva.
· La giustificazione economica: le potenzialità di miglioramento degli utili dipendono dalla quantità di inefficienze che si può sperare di riuscire a eliminare usando idee stimolate dai dati. Ma non tutti i problemi di un’azienda sono legati alle inefficienze e possono essere affrontati con approcci avanzati.
Quando per esempio si tratta di ottimizzare i prezzi, la gestione del magazzino o gli investimenti di marketing, l’analitica offre alle aziende opportunità rilevanti.
Qual è quindi il giusto equilibrio tra macchine e uomo?
Gli esseri umani e le macchine eccellono in cose diverse:
· gli esseri umani sono bravi a gestire dati limitati e ad applicare l’intuizione in contesti poco familiari;
· le macchine sono brave a prendere decisioni, per quanto granulari e sparpagliate, ripetute nel tempo e/o nello spazio, e in contesti dove è disponibile una gran quantità di dati dettagliati.
Quando i dati a loro disposizione sono troppo scarsi e c’è un elevato grado di ambiguità o quando si è in presenza di obiettivi contradditori che limitano la possibilità di trarre deduzioni dai dati, le macchine faticano a produrre risultati rilevanti.
Nella complessità invece, dove c’è un’abbondanza di dati rilevanti e dove trovare soluzioni potrebbe migliorare in modo significativo la performance dell’impresa, la cosa migliore è customizzare piattaforme dedicate e fissare gli obiettivi giusti affinché tali piattaforme facilitino e portino i risultati voluti.
Se sei interessato ad approfondire questa ed altre tematiche relative al marketing e procurement contattaci!
Opmerkingen