Negli ultimi decenni il grande e rapido sviluppo delle tecnologie e dell’informatica ha portato le attività aziendali di ogni settore verso un approccio “intelligente”, guidato dai dati. Ciò ha permesso di spostare sempre più il focus sul cliente e sui suoi bisogni e necessità. In questo contesto, le informazioni diventano risorse strategiche a supporto del processo decisionale e vengono considerate un vero e proprio asset aziendale. 

È in questo contesto che si collocano i Decision Support System (DSS), software di supporto ai decision maker capaci di fornire le informazioni utili ai processi decisionali in modo veloce e versatile, aiutandoli quindi ad avere il pieno controllo del proprio contesto aziendale e prendere di conseguenza decisioni consapevoli e data-driven. Molto spesso, infatti, non sono solo l’intuito, l’esperienza o la capacità del decisore a determinare il successo di una strategia o la sopravvivenza stessa di un’azienda, ma è importante che ogni decisione vada a colmare una necessità e soprattutto è fondamentale la velocità con cui viene presa una decisione per ridurre il gap problema-soluzione. 

L’obiettivo di un DSS è quello di collezionare, trasformare e diffondere informazioni in modo “intelligente”, per aiutare l’utente a prendere decisioni adatte al proprio contesto. I sistemi DSS, infatti, non nascono per sostituire il decisore, ma per dargli supporto: la decisione si ottiene combinando le valutazioni umane con le informazioni elaborate dal sistema. 

Cos’è un DSS – Sistema di Supporto alle Decisioni 

Volendo dare una definizione formale possiamo dire che i DSS, Decision Support System, sono sistemi software che mettono a disposizione dell’utente, il decisore, una serie di funzionalità di analisi dei dati attraverso l’applicazione di modelli di Machine Learning matematici e statistici in modo rapido, interattivo e semplice, allo scopo di aumentare l’efficienza e l’efficacia del processo decisionale. A partire da questa definizione emergono alcuni aspetti dei sistemi DSS che li caratterizzano dal punto di vista del servizio che offrono al decisore:  

  • – Semplicità d’uso, intuitività e flessibilità dell’interfaccia; 
  • – Interattività dell’ambiente analitico e dell’interfaccia; 
  • – Efficacia e utilità dei modelli analitici e dei dati di interesse; 

Da un punto di vista applicativo, per sviluppare un sistema di supporto alle decisioni si attraversano fondamentalmente 4 fasi principali:

Fase “intelligente”, quella in cui analisti, data scientist ed esperti di dominio lavorano insieme per definire la lista di dati ed informazioni utili provenienti dall’interno e dall’esterno dell’azienda. In questa fase inoltre viene identificato il problema reale da affrontare, i dati vengono selezionati infatti in funzione di esso; 

Fase di “design”, si tratta del momento in cui si procede con le sperimentazioni analitiche e si finisce con la costruzione del modello analitico (spesso non solo uno) a partire da cui si generano diverse soluzioni possibili; 

Fase della “scelta”, si effettua una valutazione delle diverse soluzioni sviluppate. Questa fase è finalizzata alla scelta della soluzione ottimale (una o più di una) rispetto al contesto aziendale e al problema che si sta cercando di affrontare. Le attività di testing sul campo sono incluse nel processo di scelta; 

Fase di “implementazione”, in cui sulla base delle precedenti decisioni e valutazioni si realizza il DSS implementando la soluzione scelta. 

Si potrebbe infine nominare una quinta fase, quella relativa al feedback degli utenti finali, il momento in cui i decisori iniziano ad usare il DSS, messo a regime in azienda, nel loro quotidiano, non solo in modo teorico, ma per prendere “vere” decisioni. La loro valutazione è fondamentale per validare le fasi precedenti e poter approvare il DSS, oppure andare a correggere là dove necessario. 

Dal punto di vista realizzativo, durante le suddette fasi ci si trova ad affrontare alcuni aspetti tecnici. Anche se possono sembrare poco correlati con il fine ultimo, si tratta di scelte che non devono essere tralasciate né rimandate, ma che è anzi importante valutare da subito, onde evitare di trovarsi ad aver implementato sistemi DSS con mancanze difficili da risolvere a posteriori: 

  • – gestire grandi quantità di dati: è una sfida comune al giorno d’oggi in cui la molteplicità di fonti di dati e Big Data solleva la questione dal punto di vista tecnologico ed architetturale di fare scelte che siano adeguate alla mole di dati prevista ed anche al tipo di analisi che si vorranno applicare;
  • – accedere a diverse fonti di dati su piattaforme diverse: il problema è strettamente connesso al primo. Ci troviamo sempre di più infatti di fronte a situazioni in cui per vari motivi i dati si trovano su diverse fonti e piattaforme ed è importante avere la panoramica completa di tutti per integrarli al meglio ed individuare le informazioni realmente utili. Criticità di questo tipo sono risolvibili facendo ricorso a strumenti di Data Virtualization per creare un’unica interfaccia di accesso ai dati astraendo dalla loro posizione fisica e dalle modalità di accesso;  
  • – garantire l’accesso a più utenti con diversi permessi, perché è vero che un sistema DSS deve anche essere democratico, ma ciò non vuol dire permettere a tutti di vedere tutto. È necessario prevedere una politica di profilazione e gestire permessi di accesso e di analisi alle diverse informazioni. Aspetti legati agli accessi e quindi al controllo e la gestione dei dati possono essere facilmente risolti grazie alla Data Governance, la disciplina che si occupa di mettere ordine nei dati per permettere di averne pieno controllo; 
  • – gestire versione storica dei dati: i modelli analitici necessitano di dataset storici per poter essere addestrati in modo adeguato, d’altra parte si tratta di dati che spesso non vengono interrogati in modo diretto proprio perché relativi a periodi passati e non più interessanti. Gestire i dati storici ha quindi una rilevanza importante sia in termini della fattibilità analitica, sia per fronteggiare i requisiti di velocità di interrogazione.

Come si valuta la bontà di un DSS? Alcune linee guida  

La creazione di un Sistema di Supporto alle Decisioni deve rispondere ad una serie di requisiti specifici legati al contesto aziendale, alle caratteristiche dei processi decisionali, ai problemi che si vogliono risolvere e alle necessità dell’utente. È su tutto questo che si basa la bontà di un sistema DSS, intesa come la sua capacità di adattarsi al contesto e supportare i decisori nella loro attività. 

Per ovvi motivi questi requisiti non potranno essere uguali per tutte le aziende, ma possiamo definire delle linee guida per raccogliere i focus da tenere presenti nella valutazione della bontà di un sistema DSS. 

La flessibilità sicuramente fa parte di questi requisiti fondamentali: un DSS deve potersi adattare a varie tipologie di problemi, vari tipi di decisione, vari tipi di dati che implicano di conseguenza diverse modalità di interazione, elaborazione ed analisi matematico-statistica, oltre a tipologie differenti di utenti che si trovano ad utilizzare il sistema DSS. 

Esistono inoltre due categorie principali di metriche di valutazione dei DSS basate sui concetti di efficacia ed efficienza. 

L’efficacia è intesa nel suo significato originale come la capacità di raggiungere l’obiettivo prefissato, in questo caso rappresenta l’indicazione del fatto che si stanno compiendo le azioni adatte per dar vita ad un reale supporto informativo per i decisori. Tipicamente l’efficacia di un DSS viene espressa come il grado di conformità agli scopi per il quale è stato progettato. I sistemi DSS possono essere in questo senso considerati come sistemi orientati all’efficacia decisionale in quanto il loro scopo è proprio quello di migliorare i contenuti informativi legati al raggiungimento degli obiettivi aziendali e dei potenziali risultati di business. 

L’efficienza valuta l’abilità di raggiungere l’obiettivo impiegando le risorse minime indispensabili. Si basa sulla capacità di un DSS di “ottenere il miglior risultato possibile con il minimo sforzo”. Si tratta di una metrica che indica se l’impostazione scelta per il sistema è anche la strada ottimale, quindi se il sistema DSS è progettato per ottimizzare le risorse a disposizione per rispondere all’esigenza dell’azienda in modo efficace ed utile. 

ARGOMENTI CORRELATI
Categoria: BUSINESS INTELLIGENCE
Illustrazione grafica che richiama il concetto di Business Intelligence: due persone accedono a dati ed informazioni da cruscotti visivi che consentono di capire cosa "dicono" i dati e che informazioni utili restituiscono le loro analisi

Business Intelligence, cos’è e come supporta le decisioni aziendali

Nel contesto delle tecnologie emergenti, i Big Data Analytics costituiscono uno dei principali elementi abilitanti dell’industria 4.0, fungendo molto spesso… Leggi tutto

Tableau Software: immagine che mostra alcune schermate di report disponibili ovunque, su qualsiasi dispositivo, grazie al cloud

Tableau software, cos’è e come abilita Data Visualization e Data Storytelling

CREDIT: immagine esemplificativa di Tabelau Software [https://www.tableau.com/it-it/products/cloud-bi] L’evoluzione digitale ha comportato una crescita a dir poco esponenziale dei dati con… Leggi tutto

Data Science - concept grafico che richiama Tableau Ask Data. Immagine che raffigura il logo di Tableau e vegnette chiare su sfondo blu

Tableau e l’AI a supporto degli utenti per la data visualization: Ask Data

Spesso che gli utenti non trovano risposte perché non sanno come porre le proprie domande di business. Usare il linguaggio… Leggi tutto