Immaginate di essere al timone di una piccola società di recupero crediti, la Financial Corporation (FC), con una storia lunga e rispettabile dal 1982. Nonostante le solide fondamenta, tra il 2016 e il 2018, la società registra un preoccupante declino delle prestazioni finanziarie. I ricavi generati dalle commissioni sui crediti recuperati sono scesi da 16,2 milioni di euro a 14,6 milioni, e il tasso di recupero dei crediti (Recovery Rate, RR), principale indicatore di performance dell’azienda, è crollato dal 10% al 7%.
Come interverreste? La risposta sembrerebbe scontata: non resta che puntare sugli strumenti consolidati che, uniti a una buona intuizione manageriale, permettono di valutare le prestazioni, migliorando l’efficienza. Ma cosa fareste se vi dicessero che potrebbero esistere sistemi più sicuri e affidabili, basati su una grande quantità di dati, per risollevare le sorti della vostra impresa? Forse fareste proprio come il management di FC che ha deciso di collaborare con un team di ricercatori dell’Università di Bologna per provare a migliorare uno dei punti deboli del proprio Performance Management System: l’identificazione dei driver di valore.
I Performance Management Systems (PMS) sono meccanismi operativi progettati per guidare le prestazioni dell’organizzazione verso gli obiettivi attesi. In dettaglio, si occupano dei meccanismi formali e informali, processi, sistemi e reti utilizzati dalle organizzazioni per trasmettere gli obiettivi chiave definiti dal management, supportare il processo strategico e la gestione continua tramite analisi, pianificazione, misurazione, controllo, ricompensa e, più in generale, gestire le prestazioni, facilitando l’apprendimento e il cambiamento organizzativo.
Eppure, un numero crescente di studi ha messo in discussione il ruolo dei PMS nel contesto aziendale odierno, caratterizzato da un aumento del dinamismo e della complessità organizzativa, e l’efficacia degli approcci consolidati. Questo perché non sempre si rivelano in grado di gestire la complessità nella definizione e misurazione dei driver di valore. La gestione di questi ultimi, infatti, è stata tipicamente affidata alla saggezza manageriale e all’uso di processi soggettivi dall’alto verso il basso, con un utilizzo limitato di approcci quantitativi e basati sui dati. Un approccio che è stato associato a una mancanza di focus strategico, alla messa in discussione dei driver selezionati, alla misallocazione degli sforzi individuali e all’incertezza sul processo di valutazione. Allo stesso tempo, studi recenti mostrano che le interdipendenze tra driver e misure sono generalmente trascurate nell’implementazione dei PMS.
Da queste considerazioni e seguendo recenti richieste sull’uso dell’analisi aziendale (BA) per supportare l’implementazione dei PMS, nasce lo studio “The quest for business value drivers: applying Machine Learning to Performance Management” condotto da F. Visani, A. Raffoni ed E. Costa dell’Università di Bologna. Lo studio indaga se le complessità metodologiche e analitiche nell’identificazione dei driver di valore possano essere mitigate attraverso l’adozione di tecniche di Machine Learning (ML). Il ML comprende diversi algoritmi e approcci in grado di apprendere dai dati passati senza essere specificamente programmati per farlo e presenta caratteristiche tecniche che, dal punto di vista teorico, possono affrontare le suddette fonti di complessità. Tuttavia, gli algoritmi più efficaci nel fornire previsioni sono spesso una sorta di “scatole nere”, che non offrono una rappresentazione del fenomeno analizzato. Questo trade-off tra capacità predittiva e interpretabilità è ampiamente discusso nella letteratura sul ML. Nonostante questo, però, negli ultimi anni, l’applicazione del ML al contesto aziendale è cresciuta rapidamente, soprattutto grazie all’aumento dei dati disponibili e della potenza di calcolo. Diversi settori di gestione aziendale, come il marketing e le operazioni, hanno visto un incremento nell’adozione del ML, ma il campo della gestione delle prestazioni e del controllo contabile rimane relativamente inesplorato da questo punto di vista.
La ricerca è stata sviluppata attraverso un approccio “action-research”, che ha permesso ai ricercatori di collaborare strettamente con il management di FC. Questo approccio ha reso possibile ottenere una comprensione dettagliata delle pratiche organizzative e delle sfide emergenti, consentendo di sviluppare soluzioni pratiche e teoricamente solide. Il processo di ricerca è iniziato con la raccolta e la pulizia dei dati, essenziali per garantire l’affidabilità delle analisi successive. Il dataset originale conteneva 20.218 record riguardanti sia i debitori sia i processi di recupero, distribuiti su 17 variabili, tra cui il genere, l’età, la regione geografica e la solvibilità del debitore, oltre a dettagli sui debiti stessi come l’importo e la durata del recupero. Dopo una prima analisi esplorativa dei dati, il team ha proceduto con la selezione delle variabili più significative utilizzando algoritmi di ML come la regressione logistica e gli alberi decisionali.
I modelli di ML hanno rivelato diversi insight interessanti. Ad esempio, l’invio preliminare di email ai debitori e la qualità degli operatori sono emersi come fattori chiave che influenzano il successo del recupero crediti. La regressione logistica ha mostrato come variabili come la solvibilità del debitore e la regione geografica influenzassero significativamente il risultato delle procedure di recupero. D’altra parte, gli alberi decisionali hanno fornito una rappresentazione chiara e intuitiva delle relazioni tra variabili, facilitando la comprensione e l’interpretazione dei risultati da parte dei manager. L’adozione del ML ha portato a una revisione del PMS di FC. La società ha iniziato a utilizzare i risultati dei modelli di ML per guidare la selezione e l’assegnazione dei casi agli operatori, migliorando l’efficacia complessiva del processo di recupero. Inoltre, è stata introdotta una nuova misura di performance, il “Return on Effort” (ROE), che confronta l’importo recuperato con la durata totale della procedura, fornendo una valutazione più precisa dell’efficacia del processo di recupero.
Il caso di studio di FC dimostra che il machine learning può ridurre la complessità metodologica e analitica nella gestione delle prestazioni aziendali, migliorando la capacità di identificare e misurare i driver di valore. Tuttavia, per sfruttare appieno i benefici del ML, è essenziale un approccio collaborativo che combini competenze tecniche e conoscenze manageriali. Questa ricerca fornisce nuove intuizioni sui vantaggi e le sfide dell’introduzione di un PMS basato sul ML, contribuendo alla letteratura sull’analisi aziendale applicata alla gestione delle prestazioni e offrendo spunti pratici per altre organizzazioni che desiderano adottare approcci simili.
