L’approccio process-oriented, a differenza di quello sequenziale, è fondamentale per l’avvio della trasformazione digitale delle organizzazioni: il percorso inizia all’interno dell’azienda, si dirige verso i vari fornitori e i vari clienti, per poi ritornare al punto di inizio, ovvero l’azienda. Tutte le piattaforme performanti presenti sul mercato adottano un modello che può essere integrato con altre applicazioni per abilitare la vista per processo. Ciò comporta alle aziende di avere competenze tecnologiche trasversali per diverse piattaforme, come per l’ERP (Enterprise Resource Planning), il CRM (Customer Relationship Management), i portali collaborativi, fino al MOM (Manufacturing Operations Management) e il PLM (Product Lifecycle Management).
Leggi anche >> 3 strumenti software per ridurre il time-to-market
È fondamentale, però, che la società di consulenza IT lavori a monte con il cliente, per gestire il processo di inserimento del dato, affrontando il tema organizzativo e di processo, analizzando tutti gli strumenti presenti, in modo che l’azienda possa avere dati di qualità e velocità nel supportare le decisioni.
Infatti, mai come in questo momento storico, il dato è fondamentale per il business (data-driven business); per questo deve essere il più possibile corretto, completo, accessibile in qualsiasi momento e real-time.
In azienda si ha spesso una grande mole di dati, i quali, a volte, risultano inutilizzabili. Bisogna quindi imparare ad interpretarli nella maniera esatta, per poi aggiornarli continuamente, soprattutto quelli che determinano le scelte (near) real time. La maggior parte dei processi di elaborazione dei dati sono in batch ma con i nuovi database in memory possiamo abituarci ad una maggiore freschezza del dato, che fino a qualche tempo fa era inimmaginabile. Per ottenere un vantaggio competitivo, sono indispensabili degli strumenti e delle tecnologie per raggiungere gli obiettivi finora esposti.
La possibilità di offrire una completezza di visione sulla gestione e l’utilizzo del dato in mobilità e in real time diventa un vantaggio competitivo anche nella supply chain. Quest’ultimo processo, infatti, è uno dei più complessi in quanto coinvolge diversi attori, diversi sistemi, diverse competenze e tipologie di dati variegate. Anche le aziende più virtuose, però, possono nascondere dietro la gestione del processo di supply chain enormi spazi di miglioramento.
Un modo per farlo è per esempio focalizzandosi sulla previsione della domanda che spesso viene gestita da operatori con esperienza consolidata sul campo oppure attraverso algoritmi statistici. A questi è opportuno affiancare modelli di Machine Learning che arricchiscono e semplificano questo forecasting. Una piccola deriva sull’analisi iniziale può creare enormi problemi sulla catena produttiva ma un approccio costituito dall’utilizzo di pilot e proof of concept è in grado di mostrare ai clienti come sia possibile migliorare l’accuratezza della loro previsione. Inoltre, è possibile affiancare ai dati interni aziendali anche una serie di elaborazioni, analisi e previsioni esterne, arricchendo il patrimonio informativo in modo da allenare e istruire continuamente i modelli predittivi.
Strumenti che rappresentano un supporto alla decisione umana, che rimane fondamentale, ed alla capacità di gestire il dato lungo tutto il processo end-to-end che per un data-driven business sono indispensabili.