È molto importante che pianificazione e controllo di gestione siano attività continuative nel tempo soprattutto se se ne può aumentare l'efficacia e le performance come accade quando si utilizzano gli advanced analytics e gli strumenti innovativi ad essi collegati
È molto importante che pianificazione e controllo di gestione siano attività continuative nel tempo, ma ciò non significa che debbano essere effettuate sempre nello stesso modo, soprattutto se se ne può aumentare l'efficacia e le performance come accade quando si utilizzano gli advanced analytics e gli strumenti innovativi ad essi collegati. Ciò che è essenziale è preservarne lo scopo che da un lato è quello di definire degli obiettivi sia operativi che economico-finanziari a breve, medio e lungo termine attivando processi che ne pianificano e monitorano il raggiungimento, dall'altro è di analizzare i risultati di consuntivo per verificare che corrispondano agli obiettivi che ci sia era posti, anche se modificati “in corsa”.
Oltre che fortemente interconnesse, le attività di pianificazione e controllo di gestione sono anche particolarmente complesse e chi se ne deve occupare si trova ad affrontare diverse sfide legate alla struttura o all'operatività dell'azienda, sfide “fisiologiche” ma che possono trovare una risposta nella digital transformation.
È infatti uno strumento come il workflow, caratteristico degli ambienti in cui si utilizzano gli advanced analytics, che aiuta a gestire l'interazione complessa tra tutte quelle funzioni che forniscono un proprio contributo alla pianificazione, ma che hanno background e linguaggi molto diversi. Senza questo strumento, un CFO si trova a dover spendere ore in complesse attività di consolidamento e interpretazione dei numeri sparsi su fogli di calcolo raccolti da ogni reparto.
Proprio i fogli di calcolo possono essere sostituiti da tool con caratteristiche dedicate a simulazione e alla what-if più adatti all'utilizzo degli advanced analytics che, a loro volta, rispondo a due sfide legate a pianificazione e controllo di gestione: la lentezza sia nei processi di rendicontazione che nella generazione di scenari alternativi.
Nel primo caso ci si trova con dei gaps nella consuntivazione che rendono inefficace il confronto con gli obiettivi pianificati e, grazie agli advanced analytics, li si può colmare con logiche data-driven nell'immediato senza dover aspettare i tempi della completa chiusura contabile spesso non compatibili con quelli del processo di decision making. Allo stesso modo si riescono a generare agilmente innumerevoli scenari alternativi per la simulazione, elementi utili per la pianificazione e il controllo di gestione ma raramente disponibili nelle aziende che non hanno ancora virato verso la digital transformation..
Analizzando l'attività di pianificazione da un punto di vista maggiormente operativo, emergono alcune aree in cui un efficace utilizzo dei dati ha un impatto notevole: i margini e il capitale circolante.
Nelle vendite, ad esempio, gli advanced analytics rendono più precisa e veloce la pianificazione dei ricavi dei clienti, basandosi sul loro comportamento storico, e facendo leva sulle correlazioni con variabili interne e anche esterne all'azienda. Ciò significa ad esempio poter tener conto dell'effetto Covid-19 sul venduto e quindi su pianificazione e controllo di gestione. Per quanto riguarda i costi, grazie alle logiche di predictive maintenance, sempre basate sugli analytics, si possono ad esempio migliorare i piani di manutenzione dei macchinari, stimandone meglio l’impatto sui margini e sul conto economico. Nella gestione del capitale circolante, invece, introducendo l'analisi statistica del comportamento nei pagamenti di clienti e fornitori, ci si può staccare da un approccio contabile e documentale ottenendo previsioni più precise per ottimizzare e quindi far aumentare la disponibilità di cassa.
Anche nella fase di controllo di gestione la data science può impattare positivamente sull'operatività, ma è importante tenere conto che l'utilizzo degli analytics è un processo graduale in cui tra i principali fattori di successo ci sono la pulizia dei dati e la loro repentina disponibilità. È quindi importante in ogni azienda ottenere una corretta sincronizzazione e un allineamento tra contabilità generale e contabilità analitica/industriale e, nelle realtà più grandi, è necessario anche verificare che ci sia data alignment tra i diversi ERP utilizzati dalle varie società o business unit. Spesso, infatti, i differenti sistemi gestionali aziendali rappresentano fonti eterogenee, non strutturate e non allineate di dati e si rende necessaria un'attività preliminare di creazione di un data lake e di ridefinizione della data strategy per abilitare i processi predittivi inerenti a pianificazione e controllo di gestione, basati sugli advanced analytics.
Un altro presupposto importante per poter sfruttare al meglio i vantaggi della data science nella pianificazione e controllo di gestione è la presenza di persone con un background che li renda in grado di interagire con l'ambiente di predictive analytics. Si rende quindi spesso necessaria una trasformazione culturale che porti l'azienda a dotarsi ad esempio di un data scientist e anche di data analyst capaci, ciascuno in una particolare area di business, di estrarre dai dati trend e insights utili nel singolo contesto.