Per le aziende che vogliono sfruttare al meglio i propri dati per prendere decisioni informate l’intelligenza decisionale è promettente. Offre loro la possibilità di elaborare grandi quantità di dati con un sofisticato mix di strumenti come l’intelligenza artificiale e l’apprendimento automatico per trasformare dashboard di dati e analisi aziendali in piattaforme di supporto alle decisioni più complete.

L’intelligenza decisionale è una delle principali tendenze tecnologiche strategiche per il 2022, secondo la società di ricerca Gartner, con oltre un terzo delle grandi organizzazioni propense ad abbracciare la disciplina entro il 2023.

“Non è una tecnologia in sé. È una disciplina fatta di molte tecnologie diverse”, afferma Erick Brethenoux, analista di Gartner. “L’intelligence decisionale aiuta a fornire un modo automatizzato per prendere decisioni, che a sua volta può aiutare le aziende a soddisfare le richieste del mercato e rimanere competitive”.

Tuttavia, applicare con successo l’intelligenza decisionale richiede una profonda comprensione di come vengono prese le decisioni organizzative, nonché un impegno a valutare i risultati e gestire e migliorare il processo decisionale attraverso i feedback. E’ importante comprendere rischi e benefici di ogni decisione, il margine di errore accettabile e l’affidabilità di una qualsiasi decisione proposta da un processo decisionale automatizzato.

Ecco alcuni suggerimenti per iniziare a definire una buona strategia di intelligenza decisionale.

1. Partire da progetti piccoli e ben definiti

Un buon punto di partenza è scegliere un processo estremamente ben definito, a basso rischio e con un’ampia raccolta di esempi. Molte aziende hanno già in atto tali processi e non tutti sono ancora completamente automatizzati.

“Le aziende troppo impegnate nella quotidianità potrebbero non accorgersi di perdere queste occasioni”, afferma Ray Wang, analista e fondatore di Constellation Research. “Quando iniziano a chiedersi perché i concorrenti stanno facendo meglio, è già troppo tardi”.

Anche quando un processo è già stato automatizzato, l’aggiunta di più parametri al motore decisionale può migliorare la precisione. “Più aumentano i parametri, più è probabile che ci siano nuove correlazioni da scoprire”, afferma.

Per esempio, una decisione sul punteggio di rischio potrebbe essere migliorata considerando l’ora del giorno o la posizione dell’utente.

Il punto chiave, tuttavia, è che l’intelligenza decisionale non è un processo una tantum, ma un approccio che deve essere modificato continuamente in base al feedback.

2. Farsi guidare dai nuovi dati

Più spesso un processo viene ripetuto e più chiari sono i risultati, più opportunità avrà un’azienda per migliorarlo.

LexisNexis, per esempio, utilizza il suo prodotto ThreatMetrix per prendere ogni giorno 300 milioni di decisioni relative alle frodi, ma le decisioni non sono perfette al 100%.

“Stiamo parlando di un tipo di decisioni, basate su un enorme set di dati, che non sono pericolose per la vita se sono sbagliate”, afferma Matthias Baumhof, CTO di LexisNexis Risk Solutions. “Ma offrono un enorme valore ai clienti se il 99% di esse sono corrette”.

LexisNexis utilizza algoritmi di apprendimento automatico per ordinare le transazioni in profili comportamentali e prevedere se una determinata transazione è fraudolenta o sospetta. Sono disponibili dati storici, per il set di formazione iniziale, nonché per la formazione continua.

3. Modificare i propri algoritmi

Tradizionalmente il punteggio del rischio prevedeva una serie di decisioni if-then. Se una transazione superava un determinato importo, o era al di fuori dell’area di residenza dell’utente, o con un nuovo commerciante, veniva contrassegnata per la revisione. Ma, man mano che le decisioni diventano più complicate, è difficile per i sistemi if-then tenere il passo.

“Anche quando i clienti hanno ottimizzato le loro regole, affinate da anni di esperienza e da analisti esperti di frode, i nostri modelli di apprendimento automatico offrono risultati migliori”, afferma Baumhof. “I due metodi possono essere eseguiti in parallelo per ottenere il meglio da entrambi”.

Gli attuali sistemi di machine learning possono prendere decisioni alla stessa velocità dei tradizionali sistemi basati su regole. Ma sei anni fa, quando LexisNexis iniziò a investire nell’apprendimento automatico in sostituzione dei sistemi basati su regole, l’azienda iniziò con un modello di regressione lineare. Un esempio di relazione lineare potrebbe essere che più lontano da casa viene effettuato un acquisto, più è probabile che sia fraudolento.

Nel tempo questo approccio si è rivelato troppo semplice, incapace di rilevare relazioni non lineari. Per esempio, transazioni insolitamente piccole possono essere un segno di frode, con i criminali che testano un numero di carta o un account per essere sicuri che funzioni. Per questo, l’azienda si è rivolta all’apprendimento automatico graduale.

“Il nuovo approccio è stato testato negli ultimi dodici mesi e sarà lanciato in produzione nel secondo trimestre di quest’anno”, spiega Baumhof. La società prevede poi di esplorare nuove tecnologie, come il deep learning, per migliorare ancora i propri modelli.

Quindi, oltre a incorporare nuovi dati nella propria strategia di intelligenza decisionale, rivedere gli algoritmi sottostanti può aumentare la qualità dei risultati.

4. Potenziare i processi complessi, in particolare per la raccolta dei dati

Quando i passaggi decisionali sono meno chiari o ci sono maggiori rischi di prendere decisioni sbagliate, i sistemi intelligenti potrebbero non essere in grado di sostituire tutto il processo decisionale, ma potrebbero essere in grado di aumentarlo.

Per esempio, LexisNexis utilizza l’apprendimento automatico nell’analisi dei contratti con terze parti, che, invece di avere milioni di esempi rilevanti per la formazione, potrebbero offrire solo migliaia, o centinaia, di esempi. In quei casi, “l’apprendimento automatico potrebbe proporre solo una soluzione”, dice Baumhof. “Ma sarà un essere umano a occuparsi della versione finale”.

La componente di automazione dell’intelligenza decisionale può essere sfruttata durante la fase di raccolta dei dati del processo decisionale. “Non deve arrivare alle conclusioni finali e può essere utilizzata anche per creare report o riconoscere trend e correlazioni”, sottolinea Wang di Constellation.

5. Separare le decisioni buone da quelle fortunate

Con set di dati più piccoli, può essere molto difficile dire se una decisione è stata buona ma, per pura fortuna, ha portato a un esito negativo. O se una decisione è stata sbagliata, ma la fortuna è intervenuta e le cose hanno comunque funzionato.

“La qualità dei risultati e la qualità delle decisioni non sono la stessa cosa”, afferma Amaresh Tripathy, responsabile globale per gli analytics presso Genpact. “A volte hai un’ottima mani di carte e prendi le decisioni giuste, ma perdi comunque”.

Sfortunatamente, quando si tratta di decisioni complesse e poco frequenti, le aziende di solito non dispongono di meccanismi per “misurare la fortuna”.

“Ma risolvere questo problema non riguarda la tecnologia”, dice Tripathy. “Il primo passo è formalizzare un processo decisionale nell’organizzazione e solo allora aggiungere un software per supportare quel processo”.

Raccogliere i risultati di queste decisioni e ricollegarli al processo decisionale, tuttavia, è impegnativo. “Le aziende nello spazio di marketing sono le più abili in questo momento”, dice Tripathy. “Eseguono regolarmente test AB, cambiando i colori e i caratteri. Oppure cambiano le voci di menu. Testano molto”.

Nelle scienze della vita, un processo simile riguarda la scoperta di farmaci e lo sviluppo di vaccini. Anche nelle risorse umane, le aziende possono esaminare i propri processi decisionali e guardare i risultati.

“Riguardo alle assunzioni i risultati sono relativamente chiari”, afferma. “Puoi vedere le prestazioni degli assunti. La parte più difficile del business è quando i risultati non sono molto chiari”.

6. Fare attenzione ai dati distorti

La qualità delle decisioni dipende dai dati su cui si basano. Se la storia di un’azienda è problematica, un set di formazione basato su quella storia può ereditare gli stessi problemi.

Per esempio, un’azienda che in passato ha assunto solo uomini bianchi laureati in una certa università, potrebbe finire con un sistema di selezione per le assunzioni che suggerisce solo uomini bianchi laureati in quella università. E questa è solo una parte della storia.

“Le persone sono anche intrinsecamente di parte”, afferma Brad Stone, CIO di Booz Allen Hamilton. E cercheranno dati che supportino i loro pregiudizi. “Se pensiamo di aver bisogno di più reclutatori, troveremo dati che dimostrano che abbiamo bisogno di più reclutatori. Se pensiamo di aver bisogno di più addetti alle operazioni aziendali, possiamo trovare dati che supportino anche questo”.

E quando le persone guardano i dati, li guardano attraverso la lente della loro esperienza con essi, il che può portare a conclusioni errate. “La pandemia in particolare ci ha insegnato che non ci si può semplicemente fidare del passato per predire il futuro”, sottolinea.

La soluzione è fornire i giusti guardrail per il processo decisionale. “Le aziende e le missioni di successo del futuro saranno in grado di imparare dal passato gestendo allo stesso tempo questo pregiudizio”.

7. Quando l’IA funziona, fidatevi dell’IA

A volte, i suggerimenti basati sui dati vanno contro tutti gli istinti e non capire come funziona la tecnologia può riportare un’azienda indietro di anni.

Michael Feindt, consulente strategico e fondatore di Blue Yonder, una società che sviluppa tecnologia per la gestione della supply chain, ha visto molte aziende far fatica ad accettare che il loro istinto potrebbe essere sbagliato. “Per esempio, ordinare cibo fresco in un negozio di alimentari è una funzione di costo asimmetrica”, spiega. “Se c’è troppo poco, i clienti rimarranno delusi, ma se c’è troppo, il cibo andrà a male. I costi non sono uguali”.

Lo stesso principio entra in gioco con qualsiasi prodotto con una durata limitata, come le mode stagionali nell’industria dell’abbigliamento, poiché il cervello umano non è in grado di calcolare correttamente i rischi.

Per esempio, una catena di grandi magazzini tedesca con cui Feindt ha lavorato ha iniziato a utilizzare l’IA per i suoi ordini sei o sette anni fa e ha smesso di usarla dopo tre anni. “Sia i dipendenti che i dirigenti senior non la capivano”, dice. “I manager non sono matematici. Sono convinti di avere ragione perché hanno sempre fatto così”.

Così ogni anno a Natale, i gestori dei negozi si fanno prendere dal panico al pensiero di non avere abbastanza prodotti. “E comprano in modo eccessivo, facendo ordini aggiuntivi di merce”, afferma. “Ma il software sa già che è Natale, e ha previsto le giuste quantità di prodotto da ordine. In questo caso l’IA fa previsioni corrette. Ad un cliente, ordinare un quantità di merce che poi non è stata venduta è costato più di un milione di euro”.

Secondo Feindt la soluzione è coinvolgere in questo tipo di decisioni almeno una persona che capisca come funzionano gli analytics e che abbia la fiducia del management.

8. Usare dati sintetici

In alcuni casi, la mancanza di dati di addestramento può essere compensata con dati sintetici.

I dati sintetici, ovvero informazioni generate artificialmente che sono accuratamente modellate per l’uso in mancanza di dati storici reali, possono fornire ai sistemi di apprendimento automatico più carburante per funzionare. “Il loro utilizzo può consentire alle aziende di applicare l’intelligenza automatizzata a molti più casi”, afferma Brethenoux di Gartner.

Può anche consentire alle aziende di prepararsi per eventi “cigno nero” o scenari insoliti.

Secondo l’analista di Gartner Svetlana Sicular, entro il 2024 il 60% dei dati utilizzati per lo sviluppo di soluzioni di intelligenza artificiale e analisi sarà generato sinteticamente, rispetto all’1% nel 2021.

9. Simulare diversi scenari e possibili risultati

In molte situazioni, prendere la decisione giusta è impossibile, poiché troppi fattori esterni hanno un’influenza indebita sul risultato. Una nuova ondata di COVID, un’altra petroliera bloccata in un canale, una siccità regionale, lo scoppio di una guerra: ognuno di questi eventi potrebbe avere un impatto drammatico su un’azienda, ma è completamente imprevedibile.

Ciò non significa che le aziende non possono fare niente. Al contrario, possono eseguire simulazioni per prepararsi a più scenari. E possono raccogliere tutti i dati, per prendere una decisione il più informata possibile.

10. Iniziare in piccolo e imparare

L’importante è considerare l’intelligenza decisionale come una possibilità praticabile e metterla alla prova.

“Si può partire in piccolo”, dice Brethenoux di Gartner. “In effetti, molte aziende stanno già mettendo in pratica l’intelligenza decisionale senza chiamarla in questo modo”.

Ciò include, per esempio, i rivenditori online che dispongono di motori di suggerimento. “Ma non sempre sfruttano tutte le prospettive richieste dall’intelligenza decisionale”, aggiunge Brethenoux. “Quando le persone agiscono a seguito di un suggerimento, c’è una transazione. Ma quando non acquistano, pochissime aziende analizzano le transazioni che non accadono. Perché la persona non ha comprato? Era il prodotto sbagliato, il prezzo sbagliato, il momento sbagliato?”.

Con una mentalità di intelligenza decisionale, anche quelle “non transazioni” dovrebbero essere analizzate.

“Ogni azienda può già partire oggi con l’intelligenza decisionale”, conclude Brethenoux. “Deve solo aggiungere qualcosa al suo investimento e iniziare”.