S PEND V ISIBILITY

La Spend Visibility è la capacità di vedere i dati storici di spesa di un’azienda con un certo grado di accuratezza, in modo da supportare le decisioni future. È il processo di collezione, pulizia, standardizzazione e normalizzazione dei dati di spesa di tutta l’azienda.

Collezionare i dati significa gestire le fonti da cui provengono. Questi sono spesso raccolti in sistemi diversi che lavorano con formati diversi e non è semplice trovare un processo di estrazione capace di unificare i dati e creare un database omogeneo, senza ridondanze o errori di

69

importazione. Il modulo ETL (Extract, Transform, Load) ha proprio questa funzione, cioè quella di popolare il data warehouse nel modo più pulito possibile.

Questi tool per l’estrazione dei dati generano comunque imprecisioni dovute principalmente a errori di importazione, duplicati, caratteri non conformi, campi vuoti, formati non compatibili. Ecco perché è necessaria una fase di pulizia in modo da migliorare l’integrità della base di dati. È importante anche stabilire delle regole univoche da seguire per immagazzinare i dati, in modo da poter standardizzare il processo di inserimento dati. Infine, la normalizzazione dei dati consiste nell’individuare quelle discrepanze semantiche che rischiano di rendere incoerente la base di dati. Si tratta, per esempio, di un fornitore inserito due volte con due nomi diversi oppure due articoli con la stessa descrizione ma codificati diversamente.

Per la classificazione dei codici valgono le stesse considerazioni già fatte nel paragrafo 2.3 in merito al Category Management.

Da uno studio condotto da Aberdeen Group su 200 aziende è emerso che poche di esse sanno veramente come spendono, su quali prodotti e da quali fornitori acquistano; la maggior parte delle strategie d’acquisto sono basate sull’intuizione e sull’esperienza e poco su valutazioni scientifiche. Aberdeen stima uno spreco di 260 miliardi di dollari l’anno causato dall’inabilità di analizzare e gestire i dati di spesa (15). Le maggiori inefficienze possono derivare dai seguenti fattori:

➢ Frammentazione delle fonti dei dati. I dati di spesa sono dislocati nei diversi sistemi gestionali, come quelli per la contabilità, gli ERP o i vecchi legacy, le P-card e altre fonti esterne. Aggregare informazioni così eterogenee può essere difficoltoso e questa attività è spesso svolta con procedure manuali.

➢ Dati inesatti o incompleti. I sistemi ERP e soprattutto i sistemi ad isole informatiche hanno la funzione di registrare le transazioni e offrono uno strumento di controllo delle attività. Essi non costituiscono uno strumento valido di reporting o analisi dei dati e i dati che vengono memorizzati possono essere errati o mancanti a causa di un errato inserimento o parametrizzazione.

➢ Incongruenze nella codifica dei fornitori. L’inserimento multiplo dello stesso fornitore in anagrafica causa una dispersione dei dati di spesa che può falsare le analisi. Può accadere, ad esempio, di inserire HP, H.P. e Hewlett Packard per indicare lo stesso

70

fornitore e questo contribuisce a frammentare la base di dati e a rappresentare una situazione diversa da quella reale.

➢ Incongruenze nella codifica degli articoli. Uno stesso codice può essere inserito diverse volte in anagrafica o essere classificato con due criteri diversi: in entrambi i casi si hanno perdite di informazione per la Spend Visibility.

➢ Poca esperienza nella gestione delle commodity. Per fare una corretta classificazione dei codici è necessario conoscere con una certa accuratezza le caratteristiche dei prodotti: una categoria “articoli senza differenziazione” troppo estesa è sintomo di una scarsa capacità di gestione delle categorie merceologiche e questo si ripercuote ancora una volta sul potere di spesa dell’azienda. Aberdeen ha stimato a circa il 30% la percentuale dei codici con una classificazione indifferenziata o errata.

➢ Scarse capacità di analisi. Individuare dei pattern o delle correlazioni presenti nei dati di spesa necessita di una certa capacità di analisi per individuare eventuali opportunità di

savings, che spesso gli strumenti base di reporting non sono capaci di individuare.

➢ Disallineamento tra strategie e obiettivi. Le strategie sono il percorso per mezzo del quale si vogliono raggiungere gli obiettivi ma non sempre esse seguono la direzione corretta o quella ottimale. I motivi possono essere due: il primo fa riferimento ai dati di spesa che possono essere incompleti o errati a tal punto da fornire una rappresentazione distorta della realtà; il secondo motivo può essere il mancato uso di adeguati strumenti di analisi e di pianificazione strategica.

È chiaro che ognuno dei fattori appena descritti può avere un impatto differente a seconda della realtà aziendale presa in esame, ma le situazioni descritte rappresentano le criticità più frequenti e possono essere la causa che rende un’analisi di spesa poco efficace.

Ma quali sono i benefici che si possono ottenere con una buona Spend Visibility? Una chiara visione sui dati di spesa permette un approccio più strategico al procurement e di individuare nuove opportunità di savings (16), tra cui:

➢ Capacità di aggregazione della domanda per categoria merceologica, per sito produttivo e per regione ottenendo una forza contrattuale maggiore con i fornitori. ➢ Consolidamento del parco fornitori. Ridurre il parco fornitori in accordo con

71

fornitori chiave a vantaggio di una gestione più snella e di volumi di spesa più importanti.

➢ Razionalizzazione dei componenti. Gli stessi codici sono spesso approvvigionati da stabilimenti diversi, da linee produttive diverse o da business unit separate: normalizzando questi articoli è possibile sfruttare una buona leva competitiva sui volumi.

➢ La possibilità di individuare quella parte di spesa che non è sotto contratto e cercare fornitori più competitivi.

➢ Riduzione dell’effetto Maverick. Spesso l’utilizzo di canali di approvvigionamento non controllati direttamente dall’ufficio acquisti è una percentuale importante e genera delle inefficienze.

➢ Supporto per l’attività di budgeting di spesa. Dati alla mano è possibile fare delle valutazioni più precise e realistiche sugli scostamenti dai budget di spesa definiti in fase di pianificazione.

➢ Allineamento dei prezzi di acquisto. Accentrando gli acquisti di tutte le varie business

unit si assicura, potenzialmente, non solo lo stesso prezzo (ma anche il minore

possibile) per tutti i siti produttivi.

➢ Nel caso di acquisizioni di altre aziende o integrazioni implementare un sistema efficace di Spend Visibility permette di avere tutti i vantaggi sopra descritti.

Ulteriori benefici si possono ottenere aggregando i dati di spesa per materiali Diretti, Indiretti e MRO (Maintenance, Repair and Operation), perché è possibile individuare situazioni in cui si possono standardizzare parti non necessarie o ridondanti, utilizzando un componente comune che permette di concentrare i volumi d’acquisto.

A questo punto è necessario capire fino a che livello è possibile avere visibilità sui dati di spesa. Alcune aziende possono trovarsi nella condizione di dover scegliere quale standard di classificazione adottare (il tema è stato trattato nel paragrafo 2.3) poiché fino a quel momento i codici in anagrafica non erano ancora stati classificati. Tuttavia la maggior parte delle aziende adottano già un sistema di classificazione e in entrambi i casi le azioni da seguire sono legate principalmente all’ottimizzazione dei dati, come ad esempio:

72 ➢ eliminare o ridurre gli errori nelle anagrafiche;

➢ classificare i codici per categoria merceologica secondo lo standard definito (se necessario);

➢ pulire i dati in modo da rendere consistente la base di dati e migliorarne la visibilità; ➢ prevenire eventuali errori futuri di inserimento dati.

Lo scopo di questa fase è avere la migliore visibilità possibile dei dati di spesa, in modo che le informazioni che verranno elaborate, in fase di Spend Analysis, siano complete e corrette. Per ottenere questo risultato è opportuno individuare quali campi vengono estratti dal sistema per popolare lo Spend Cube. Solitamente esistono dei tool di reportistica che estraggono automaticamente i dati di spesa dalle anagrafiche e dai database transazionali ma è necessario individuare l’origine dei dati. Un test di estrazione dati è utile in questo caso per fare una stima sugli errori e permette di capire quali campi vengono estratti dal sistema informativo aziendale. Per proseguire con la fase successiva è necessario pulire la base di dati da tutti gli errori e predisporre delle procedure di inserimento dati. Le procedure sono attinenti al processo specifico di data entry e al criterio con cui vengono classificati i codici ed hanno lo scopo di formare l’utente per evitare futuri errori di inserimento dei dati e sulla classificazione.