Francesca d’Angella, Università IULM, [email protected]. Manuela De Carlo, Università IULM,[email protected]. Guido Ferilli, Università IULM, [email protected].
Abstract
Oggi le organizzazioni competono in contesti in cui la collaborazione con altri attori è fondamentale per il raggiungimento di vantaggi competitivi sostenibili. Questa nuova prospettiva incentrata sulle relazioni e sulle innovazioni tecnologiche ha cambiato il modo in cui le aziende si rapportano ad altre organizzazioni e sfidano gli strumenti tradizionali dell'analisi strategica. L'intelligenza artificiale è uno strumento analitico che può aiutare ad affrontare queste sfide. Il documento presenta una metodologia innovativa basata su strumenti di intelligenza artificiale che generano reti neurali artificiali (RNA). Essa è ampiamente applicati con risultati interessanti per il settore biomedico, la sicurezza, il settore assicurativo, le politiche finanziarie e culturali. Tuttavia, la sua applicazione in ambito manageriale è relativamente nuova. Questo documento applica la metodologia in questo nuovo contesto con particolare riferimento alle destinazioni turistiche. I risultati mostrano l'efficacia di questa nuova metodologia nell'individuare stakeholder rilevanti, livelli di governance e aree strategiche di azione per mettere in atto strategie collaborative di successo. L'applicazione del metodo RNA alla progettazione strategica rappresenta un contributo innovativo alla letteratura scientifica di matrice manageriale. Inoltre, esso consente di ottenere risultati più raffinati rispetto ai metodi tradizionali basati su analisi di regressione. Per quanto riguarda i contributi manageriali, questo studio offre ai manager di destinazione e ai responsabili delle politiche pubbliche a livello urbano e nazionale raccomandazioni utili per l'attuazione di strategie condivise che coinvolgono attori pubblici e privati.
Keywords: Intelligenza Artificiale, Strategia, Collaborazione, Strategie Collaborative, Competitività, Reti Neurali Artificiali, Destinazioni Turistiche.
1. Collaborazione, tecnologia e competitività
Oggi le organizzazioni operano in ambienti competitivi in cui la collaborazione con altri attori (fornitori, clienti, concorrenti) è fondamentale per ottenere vantaggi competitivi sostenibili. La collaborazione tra aziende è stata studiata estensivamente nel mondo accademico negli ultimi 30 anni attraverso metodologie qualitative e quantitative (social network analysis, studi di casi singoli e multipli, analisi cluster e fattoriale, metodi di regressione e metodi misti). All’interno di tali contributi scientifici, lo studio delle alleanze strategiche è un'arena di indagine particolarmente significativa (Gulati, 1998 e 1999, Ahuja, 2000, Stevenson e Greenberg, 2000). Inoltre, numerose ricerche hanno analizzato le reti di imprese, i cluster e altre forme di aggregazione interaziendale come fonte di vantaggio competitivo per le imprese aderenti (Jarillo, 1988; Anderson et al., 1994; Porter, 1998; Wilkinson e Young, 2002; Ritter et al., 2004). Queste forme organizzative possono influenzare la competitività delle imprese in diversi modi: aumentando la produttività delle aziende partecipanti, migliorando l'accesso ai mercati di approvvigionamento, della manodopera e delle competenze tecniche. Non meno importante, la disponibilità di servizi complementari forniti da altri membri della rete arricchisce il sistema del prodotto di ciascuna azienda parte della rete. Infine, l'adozione di queste forme di networking incoraggia l'innovazione e stimola la formazione di nuove attività imprenditoriali.
Dallo studio dei benefici derivanti dall’appartenenza a network o dall’operare in relazione con altre organizzazioni sono stati sviluppati i concetti di “agglomeration economies” (Hoover, 1937; Boix e Capone, 2005), di “collaborative advantage” (Kanter, 1994) e di strategie cooperative ed alleanze strategiche (Contractor e Lorange, 2002).
Questa nuova prospettiva incentrata sulle relazioni fra imprese e innovazioni tecnologiche ha gradualmente cambiato il modo in cui le aziende si relazionano con altri attori. Allo stesso tempo, ha anche sfidato modelli e strumenti per l'analisi strategica. L'intelligenza artificiale (AI) è uno strumento analitico che può aiutare ad affrontare queste sfide. In particolare, l'intelligenza artificiale può contribuire a (i) identificare le aree-chiave di intervento al fine di formulare strategie di sviluppo e rafforzare la competitività delle organizzazioni; (ii) identificare gli attori-chiave da coinvolgere nell'attuazione della strategia.
112
Il paper presenta una metodologia innovativa basata su strumenti di intelligenza artificiale ad oggi ampiamente applicati con esiti interessanti al settore bio-medicale, della security, al settore assicurativo, finanziario e alle politiche culturali (vedi, ad esempio, Buscema et al. 2008a, 2008b; Buscema e Grossi 2009; Grossi et al., 2012; Ferilli et al. 2015, Buscema et. al. 2019). Nella seconda parte dello studio, tale metodologia viene applicata al contesto manageriale - campo in cui ad oggi trova ancora poca diffusione - con particolare riferimento alle destinazioni turistiche, definite sia come organizzazioni complesse, caratterizzate da un proprio posizionamento strategico (Kaspar, 1995), sia come reti aziendali (Beaumont e Dredge, 2010). Come verrà descritto nel terzio paragrafo, attraverso l'applicazione del metodo, questo studio esplorativo vuole identificare le aree di azione prioritarie per aumentare la competitività di una destinazione urbana, quali sono i livelli di governance responsabili del funzionamento di alcune variabili e quali sono gli stakeholder da coinvolgere per gestire le aree di azione prioritarie.
2. Il metodo Auto-Contractive Map (AutoCM) per la costruzione di reti neurali artificiali
L'identificazione delle aree di azione prioritarie e degli stakeholder da coinvolgere nella progettazione di strategie collaborative si ottiene attraverso un'analisi basata su strumenti di intelligenza artificiale articolata su 2 livelli. Il primo livello prevede un'analisi computazionale basata su un algoritmo di machine learning non supervisionato per calcolare la matrice n-to-n delle relazioni tra le variabili. I risultati di questa analisi mostreranno la struttura dei legami tra i nodi (singole variabili), la posizione dei nodi (centrale, gate, periferiche) e la loro rilevanza (hubness). Con la seconda analisi si valuta il profilo di ciascun oggetto di osservazione (destinazioni turistiche in questo caso) definito da un insieme di record identificati da una lista di variabili che ne descrivono la strategia.
Il metodo che impiegato per la prima analisi è l'approccio Auto-CM. Esso 'spazializza' le associazioni non lineari tra le variabili costruendo uno spazio adeguato di integrazione dove una nozione visivamente trasparente, cognitivamente naturale come la 'vicinanza' tra le variabili riflette accuratamente la forza delle loro associazioni in termini di grafico ponderato (vedi sotto).
AutoCM ha un'architettura basata su tre strati di nodi (Tabella 1): uno strato di input che cattura il segnale dall'ambiente, uno strato nascosto che modula il segnale all'interno della rete e uno strato di output che restituisce una risposta all'ambiente dopo l'elaborazione. I tre strati hanno lo stesso numero di nodi N. Le connessioni tra lo strato di ingresso e quello nascosto sono mono-dedicate, mentre quelle tra questo strato nascosto e lo strato di uscita sono a gradiente pieno. Ad ogni connessione viene assegnato un peso: vi per le connessioni tra il nodo di ingresso ith e il corrispondente nodo nascosto, wi,j per quelle tra il nodo generico jth del livello nascosto e il nodo ith del livello di uscita. Per l'addestramento, i set di dati sono scalati tra zero e uno, e tutti i pesi sono inizializzati in anticipo allo stesso valore positivo vicino a zero. Ad ogni epoca, tutti i modelli di input sono letti ed elaborati, viene generato un output corrispondente e viene calcolato il relativo errore. Secondo il principio dell'aggiornamento a lotti, le correzioni accumulate in un'epoca vengono applicate alla fine dell'epoca. La formazione della rete è modellata dalle quantità riportate di seguito.
Figura 1. Architettura di AutoCM.
113 Tabella 3. Notazione per la rete neurale AutoCM.
Simboli Significato
p i