Smart Digital Controller

Machine Learning Reply aiuta le società nell'automatizzare il Management Reporting

Il Problema

È noto che le esigenze di reporting, monitoraggio e controllo di gestione di una azienda di servizi crescano crescano esponenzialmente in difficoltà all’aumentare delle dimensioni dell’azienda stessa.
Con l’incremento del numero di commesse attive è sempre più difficile individuare i punti di criticità in maniera tempestiva, fino a quando si può intervenire in modo efficace e prima che diventino problematiche di impatto irreversibile. Ancora più difficile è, una volta individuato il punto di criticità, sviscerarne le cause e intraprendere le corrette azioni per ripristinare l’andamento normale di un progetto.
Se alziamo ancora di una tacca l’asticella degli obiettivi in ambito di Business Management di maggior impatto sarebbe l’utilizzo di uno strumento in grado di anticipare l’insorgere di queste anomalie o prevederne la generazione, in modo da minimizzare e in alcuni casi azzerare gli eventuali effetti negativi.

La Soluzione

Machine Learning Reply ha risposto a queste esigenze sviluppando il Digital Controller Controller, uno strumento in grado di monitorare e analizzare tutte le commesse di un’azienda e per ciascuna di esse, in misura singola o aggregata, evidenziare potenziali scenari di criticità, attraverso l’analisi di specifici KPI differenziati per aree di interesse o per specificità di business.

Grazie a questo approccio, dalla totalità dei progetti in corso è possibile isolare soltanto quelle posizioni che richiedono attenzione, mostrando all'utente l’ambito - o gli ambiti - per il quale è stato sollevato un warning: l’utente potrà intraprendere l’azione correttiva migliore per ripristinarne l’andamento o notificare al sistema - istruendolo - motivazioni valide per le quali il warning non deve essere sollevato.

Tramite note inserite in linguaggio naturale è possibile infatti dare un feedback sui warnings sollevati specificano quali posizioni siano da considerare non a rischio nonostante KPI anomali o viceversa, quali commesse debbano essere monitorate nel dettaglio anche se apparentemente non presentano punti critici dalla pura analisi dei dati.

Modelli predittivi di Intelligenza artificiale permettono inoltre di prevedere quali posizioni hanno la maggiore probabilità di sollevare determinati warning nel prossimo futuro, a partire dall’andamento passato e dal confronto con posizioni che presentano similitudini su diversi parametri. In questo modo si genera valore nella capacità di anticipare - o per lo meno essere tempestivi nel rispondere a – l’insorgere di potenziali criticità e di individuare pattern ripetitivi da considerare a rischio.

La nostra metodologia

Un approccio sistematico che garantisce il corretto svolgimento di tutti gli step necessari per definire una soluzione adattata sul singolo cliente

Discussion

La metodologia sviluppata parte dall'analisi dei processi interni da portare avanti in collaborazione con il business,, ovvero coloro che saranno gli utilizzatori finali dello strumento. In questa sede vengono discussi più nel dettaglio e eventualmente modificati o aggiunti i KPI che andranno comporre i report, nonché tutte le informazioni utili di contorno per descrivere le posizioni che potrebbero essere evidenziate dal DCR.

Definition

La seconda fase, coinvolge aspetti più tecnici della situazione as-is del cliente, e riguarda l’individuazione e l’analisi delle fonti dato preesistenti a disposizione per capire quali KPI è possibile monitorare ad analizzare. In questa fase si perimetra quindi la base dati da analizzare per portare a galla situazioni di criticità e le metriche da utilizzare.

Development

Una volta definito il perimetro, si procede al vero e proprio sviluppo del sistema di reporting che prevedere processi di data ingestion, di calcolo di indicatori e di training di modelli di Machine Learning. Parallelamente si implementa anche una prima versione di dashboard interattiva dove è possibile visualizzare i KPI e le informazioni sopra citati, nonché introdurre le note date dall’utente.

Tuning

La fase finale dell’industrializzazione contempla un ciclo di user acceptance tests atti a validare il corretto funzionamento dei modelli e la fruibilità della dashboard, fino al raggiungimento di una versione adatta e personalizzata sul singolo cliente.

Machine Learning

Modelli di Anomaly Detection, Forecasting e Natural Language Processing possono essere utilizzati per individuare pattern ricorrenti e definire valori di soglia sulla base dello storico disponibile

Calcolo dei threshold
Punto focale del Digital Controller Reporting, dopo aver definito i KPI descritti sopra è determinare per quali valori di tali KPI si rende necessari accendere una spia d’allarme che consenta all’utente di focalizzare l’attenzione dove realmente esiste un problema da gestire. Attraverso un modello di Anomaly Detection vengono quindi identificati, per ciascuno KPI dei valori di soglia per i quali, se superati, è possibile identificare la commessa specifica come anomala e degna di attenzione.

Elaborazione delle note
Per rispondere all'esigenza del cliente di trasferire al sistema dei feedbacks rispetto ai warnings sollevati, è possibile associare una nota che descriva o spieghi la situazione attuale e le eventuali anomalie. Un modello di Natural Language Processing elabora questa nota ed è in grado di identificare l’intento in essa contenuto, nonché entità a cui si fa riferimento nella nota. In questo modo, attraverso le note, è possibile ad esempio dire allo strumento:
  • Quali posizioni non devono essere evidenziate nonostante la presenza di KPI anomali.
  • Quali posizioni devono essere monitorate con attenzione anche se presentano KPI nella norma.
  • Periodi temporali durante i quali è possibile ignorare alcuni warning.
  • Riferimenti ad altre commesse.
  • Importi e valori da modificare nei dati estratti dal tool.
<>

Forecasting Models
Per prevedere in anticipo situazioni su specifiche commesse che potrebbero risultare in uscite di soglia, si sono integrati modelli di forecasting che insistono sulla serie storica a granularità mensile delle commesse e che forniscono una proiezione sui mesi a seguire dei KPI monitorati. Se la proiezione evidenzia delle anomalie si sollevano dei warning per permettere al cliente di agire per tempo e correggere i problemi che stanno causando tali derive.

Benefici e Ambiti di Applicazione

Il DCR si è spesso rivelato di enorme utilità sotto vari aspetti. Prima di tutto è uno strumento in grado di fare risparmiare tempo durante le attività di controllo di gestione in quanto i problemi presenti o che si potrebbero presentare all’interno di un progetto vengono immediatamente e automaticamente evidenziati Anche la scelta delle operazioni da effettuare una volta individuato il problema è facilitata dalla numerosa quantità di indicatori che permettono una analisi a 360 gradi del progetto. La componente di machine learning rende inoltre lo strumento estremamente adattivo alla singola applicazione su cui viene installato permettendo inoltre un'interazione costante con il sistema grazie all'’interpretazione del linguaggio naturale delle note.

Mentre la nostra metodologia si è fino ad ora applicata per monitorare la gestione e migliorare il controllo di società di servizi, la stessa metodologia si rende disponibile per gestire processi aziendali più generici ogni qualvolta ci si trova di fronte a molteplici dati che si vuole correlare, analizzare e monitorare. Ne è un esempio l'ambito Human Resources di qualsiasi azienda o la gestione dell'approvvigionamento per l'industria del Retail.