CAPITOLO 4
STRUMENTI DI BUSINESS INTELLIGENCE
A SUPPORTO DEL CRM
Questo capitolo fornisce una descrizione degli strumenti di business intelligence a supporto del CRM, mettendo in evidenza vantaggi e svantaggi percepiti dalle aziende che ne fanno uso.
4.1 La business intelligence a supporto del CRM
Grazie allo sviluppo tecnologico dei sistemi informatici operativi ed al conseguente abbattimento dei costi di gestione dei dati, molte aziende, anche quelle di modeste dimensioni, vantano oggi una grande mole di dati derivanti dall’interazione con il cliente.
Si tratta di dati che vengono utilizzati da applicazioni che assistono i dipendenti a livello operativo nello svolgimento delle attività di loro competenza, come il nome e il cognome del cliente, il codice del prodotto acquistato, l’ora in cui è avvenuta la transazione, la modalità di pagamento scelta e che assumono significato solo nel contesto in cui vengono generati ed utilizzati (contabilità, finanza, logistica etc.).
Ai fini del CRM le aziende che rispecchiano la situazione descritta, sono in possesso di dati e non di informazioni, i componenti da introdurre per trasformare i dati in nuova conoscenza per l’azienda, sono sia concettuali che tecnologici. A livello concettuale bisogna pensare alla chiave di lettura, il fattor comune, attraverso il quale riorganizzare tutti i dati disponibili.
A livello tecnologico bisogna introdurre un nuovo sistema che sia in grado di eseguire analisi storiche per misurare il valore del cliente, capirne il comportamento e monitorare l’efficacia delle attività di vendita, marketing, servizio e supporto ad esso collegate; che non possono essere prodotte a partire
dalle basi di dati operazionali perché esse, di solito, rendono disponibili solo i dati più recenti oppure perché le operazioni necessarie rallenterebbero la gestione delle transazioni operative oltre il tollerabile.
La soluzione consiste nel realizzare un sistema di business intelligence che interpreti il Cliente, come fattor comune intorno al quale riorganizzare i dati storici che verranno opportunamente integrati, con dati provenienti da fonti esterne e mantenuti all’interno di una nuova base di dati, detta data warehouse per essere analizzati interattivamente con strumenti appositamente creati.
Per business intelligence si intende la capacità di ricercare in modo intelligente i dati, di trasformare i dati in informazioni, le informazioni in conoscenza per il supporto ad attività di controllo e di decisione.
I sistemi di business intelligence combinano tra loro diversi strumenti, in particolare: data warehouse, strumenti di analisi multidimensionali, data mining e strumenti di reporting.
Nella fattispecie di un sistema di business intelligence per il CRM essendo il cliente la chiave di lettura attraverso la quale riorganizzare i dati si parla di
customer warehouse e customer intelligence.
La customer intelligence si preoccupa di fornire informazioni intelligenti sul mercato e sulla domanda analizzando in tempo reale informazioni su clienti attivi e non, per il supporto ad attività di controllo e di decisione di marketing e di vendita.
4.2 L’architettura di un sistema di business intelligence per il CRM
I componenti che caratterizzano la struttura di un sistema di business intelligence possono essere suddivisi in tre livelli, come mostra la Figura 4.1
Il livello 1° dell'architettura è costituito dai sistemi informativi di tipo operativo che possono essere sistemi integrati di tipo ERP o non ERP, correnti o storici, sistemi dedicati al supporto del cliente o varie applicazioni delle tecnologie Web.
Nel caso delle imprese che hanno implementato sistemi ERP o che comunque hanno profondamente rinnovato i propri sistemi informatici operativi sul fronte della gestione delle relazioni con i fornitori o con i clienti, uno dei modi per sfruttare il potenziale informativo degli ERP (unica base dati ampia ed integrata) e recuperare in parte l'investimento effettuato, è proprio quello di costruire il 2 ° e il 3 ° livello architetturale di un sistema di business intelligence..
Data Mining
Figura 4.1 L’architettura di un sistema di business intelligence per il CRM.
Tra il livello 1 ° e 2° si trovano alcuni strumenti software specialistici dedicati alla pulizia e trasferimento dei dati elementari nelle basi dati fisiche del 2° livello.
Base di dati operazionale Dati esterni Estrazione Trasformazione Caricamento (ETL) Data Warehouse Sistema di Supporto alle Decisioni Sistemi di Reporting Analisi Multidimensionale 3 livello 2 livello 1 livello
Quest' ultimo rappresenta il livello delle basi dati direzionali ossia i data
warehouse..
Queste basi dati "disaccoppiano" l'ambiente operativo e transazionale dall'ambiente del controllo, delle analisi e delle decisioni manageriali soprastante, integrando molteplici fonti di dati. A questo livello i dati direzionali possono essere organizzati sia con le tecnologie dei database relazionali, sia con le tecnologie dei database multidimensionali che consentono analisi specifiche di tipo multidimensionale, nonchè di ottenere coerenti prestazioni tecniche nell'analisi e nella navigazione interattiva dei dati finalizzate al supporto decisionale.
Queste basi di dati alimentano a loro volta il livello 3 ° dell'architettura, quello dei sistemi di supporto alle decisioni, che provvedono con tecniche di data mining, tecniche di reporting e di analisi multidimensionale a fornire le informazioni di supporto alle attività di controllo e di decisione.
4.3 Data warehouse
Secondo la definizione di Bill Inmon, uno dei proponenti di questo tipo di applicazione,
un data warehouse è una raccolta di dati storici integrati, non volatile, organizzata per soggetti o temi, e finalizzata al recupero di informazioni di supporto ai processi decisionali. [Inmon,96]
Secondo questa definizione il data warehouse deve essere:
- integrato: i dati, estratti da varie sorgenti, vengono ripuliti, trasformati e modellati in modo da consentirne una gestione semplice ed efficace.
- non volatile: i dati sono accessibili in sola lettura, non possono cioè essere
modificati dall’utente.
- organizzato per soggetti: i dati sono organizzati relativamente ad una particolare funzione o processo aziendale.
- dipendente dal tempo: i dati hanno un interesse storico e quindi contengono un’informazione sul tempo in cui si verificano certi fatti per consentire analisi per intervalli temporali.
I motivi che in genere portano allo sviluppo di un data warehouse vanno ricercati nell’ incompatibilità esistente fra le caratteristiche dei sistemi informatici operativi e le necessità di analisi per il supporto decisionale, in particolare:
- diversità delle informazioni: la base di dati operazionale e il data warehouse contengono in generale informazioni diverse; mentre la base di dati operazionale è orientata verso la rappresentazione dello stato attuale del dominio del discorso, il
data warehouse contiene in genere informazioni storiche che riguardano tutte le
transazioni eseguite in un certo intervallo di tempo. Più in generale, non conviene appesantire lo schema della base di dati operazionale inserendovi informazioni che sono di interesse solo per il supporto alle decisioni e non per le attività gestionali ed operative, né conviene inserire nel data warehouse informazioni che non si è interessati ad analizzare.
- conflitto fra le applicazioni: non conviene far eseguire dallo stesso sistema sia le transazioni che le analisi dei dati perché queste ultime sono in genere molto costose dal punto di vista computazionale e possono degradare le prestazioni del sistema; inoltre le operazioni di analisi bloccherebbero il sistema se prendessero dei blocchi su tutti i dati, ma potrebbero avere dei problemi se operassero senza prendere blocchi su dati che vengono nel frattempo aggiornati.
- diversità dei sistemi: un DBMS ottimizzato per applicazioni gestionali non è necessariamente il più adatto per le applicazioni di supporto alle decisioni, e viceversa.
Il progetto del data warehouse, come il progetto di una base di dati operazionale, è un’operazione complessa, centrata sull’analisi delle specifiche applicazioni per il supporto alle decisioni che si desidera eseguire sul sistema.
Durante questa fase occorre stabilire:
1. quali informazioni mantenere nel data warehouse; la decisione cruciale riguarda il livello di granularità delle informazioni;
2. come popolare il data warehouse, risolvendo problemi legati all’eterogeneità delle sorgenti dati e alla necessità di mantenere il data warehouse ragionevolmente aggiornato senza però dedicare a tale aggiornamento una quantità eccessiva di risorse;
3. quali applicazioni sviluppare sul data warehouse.
Dal data warehouse si distingue parzialmente il data mart, che, strutturalmente identico al primo, se ne differenzia per il fatto di contenere un minore volume di dati, i quali, peraltro, sono riferiti a una specifica unità di business o a una singola area aziendale.
4.3.1 Data warehouse aziendali
Come abbiamo anticipato nel capitolo precedente recentemente le aziende più innovative hanno cambiato il modo di analizzare il loro business; gli analisti concentrano le loro valutazioni sul cliente che sta progressivamente sostituendo il prodotto, così come il profitto sta sostituendo il fatturato come principale indicatore della redditività dell’azienda; in più l’evoluzione del mercato e i suoi continui cambiamenti richiedono tempi di risposta più brevi da parte di chi deve prendere le decisioni.
Lo scenario che si va delineando vede, da una parte un considerevole aumento delle informazioni su cui basare le proprie decisioni, e dall’altra una sensibile diminuzione del tempo a disposizione per prendere tali decisioni.
Questa nuova situazione rende necessario il ricorso a strumenti informatici innovativi in grado di rispondere a questi nuovi requisiti.
Molte aziende scelgono di risolvere questo problema realizzando un data
warehouse che accoglie in sé i dati riguardanti l’intero sistema, per analizzarli con
diversi strumenti, ognuno dei quali specializzato per una funzione aziendale come:
• amministrazione, • vendite, • marketing, • acquisti, • produzione, • distribuzione, • servizio al cliente, • gestione del personale
Prendiamo in considerazione la gestione del servizio al cliente per fare un esempio che valga per tutte le altre funzioni.
Nell’era della continua ricerca della fedeltà del cliente, tenere sotto controllo il suo livello di soddisfazione è un’attività quanto mai importante, per far ciò bisogna prendere in considerazione tutta una serie di fattori collegati come il numero di reclami, resi o rimborsi, nonché il controllo del livello dei costi sostenuti per fidelizzarlo.
Le variabili critiche appena esposte possono essere facilmente monitorate tramite la realizzazione di una semplice applicazione di analisi multidimensionale che consente al manager di analizzare i dati direttamente dal proprio computer, senza dover chiedere di volta in volta l’esecuzione di diverse interrogazioni all’analista.
4.4 Gli strumenti di analisi per la business intelligence
L’accesso e l’analisi dei dati che, provenienti dal sistema informativo aziendale e da varie altre fonti, sono stati ri-organizzati nei data warehouse, si avvale di tre strumenti principali: gli OLAP, le applicazioni di data mining e i tool di Reporting.
4.4.1 OLAP
L’acronimo OLAP sta per On Line Analytical Processing e indica un metodo di accesso e analisi altamente flessibile ai dati. La tecnologia OLAP consente di utilizzare con efficacia i data warehouse per l'analisi in linea, in modo da poter ottenere risposte rapide a query analitiche complesse.
Questo tipo di tecnologia esegue un’elaborazione dei dati che si contrappone a quella di tipo OLTP (On Line Transaction Processing).
Mentre i sistemi OLTP (operazionali) trattano singoli dati elementari relativi ad un elevato volume di transazioni, (es.: gli ordini d'acquisto o di vendita), i sistemi di elaborazione OLAP focalizzano l'attenzione su dati aggregati per analisi mirate ed iterative a supporto del processo decisionale.
La tabella sottostante illustra le principali differenze fra OLTP e OLAP.
OLTP OLAP
Utenti Impiegati o tecnici Dirigenti
Scopi Operazioni giornaliere Supporto alle decisioni
Organizzazione Per settori Per soggetti
Usi 90% predefiniti 90% estemporanei
Dati Attuali, dettagliati, relazionali, specifici Storici, sintesi, multidimensionali, integrati
Numero utenti Migliaia Decine
Tipi di acceso Brevi transizioni con letture e scritture
Letture con ricerche complesse
Quantità di dati 100 MB-1GB 100GB-TB
I sistemi OLAP sono progettati per gestire interrogazioni che, a partire da grandi quantità di dati, consentono di individuare tendenze e fattori critici per il business. Nei sistemi OLAP i dati sono organizzati attraverso modelli multidimensionali che rappresentano una concettualizzazione dei dati più vicina al modo con cui i manager percepiscono la loro realtà aziendale.
La particolare struttura multidimensionale (reale o virtuale) del database OLAP, può essere immaginata come un cubo di dati, detto anche ipercubo, in cui i fatti da analizzare sono rappresentati da un punto in uno spazio n-dimesionale. Un punto (fatto) è individuato dai valori di una serie di dimensioni ed ha associato un insieme di misure. Le dimensioni rappresentano le diverse prospettive di analisi dei fatti rappresentati, mentre le misure rappresentano la proprietà dei fatti a valore numerico che descrive un aspetto quantitativo dell’evento rappresentato.
Ogni cella presente nella struttura multidimensionale contiene i dati aggregati relativi agli elementi che compongono ognuna delle dimensioni.
Le funzionalità base, messe a disposizione dai sistemi OLAP, necessarie per svolgere le più comuni operazioni di analisi dei dati aziendali sono:
• roll-up, • drill-down, • slice e dice, • pivot.
Roll-up: raggruppa i dati su alcune dimensioni e calcola il valore di una funzione
di aggregazione (somma, media, minimo, massimo etc.) applicata ad una misura. L’operatore di roll-up diminuisce il livello di dettaglio dell’analisi, per riduzione del numero delle dimensioni.
Drill-down: aumenta il livello di dettaglio dell’analisi considerando più
dimensioni o aggregando per attributi dimensionali più specifici.
Slice e dice: restringe i dati ad un sottoinsieme con condizioni sul valore di una
dimensione (slice, tagliare a fette) o sui valori di più dimensioni (dice, fare a cubetti).
Pivot: consente di ottenere rappresentazioni alternative dei dati ruotando il cubo o
trasformando un cubo 3D in una serie di piani 2D.
Esistono due possibili tipologie di collocazione dei dati in un sistema OLAP; esse riguardano l'architettura del database sottostante e si differenziano per il diverso modo con cui vengono memorizzate ed estratte le informazioni dalla base dati: - ROLAP (Relational Olap): l'accesso ai dati contenuti direttamente nel data
warehouse avviene sfruttando un particolare disegno architetturale del database
relazionale sottostante definito star-schema (schema a stella), come si vede in Figura 4.2.
Dimensione Chiave prodotto
Figura 4.2 Esempio di uno star-schema.
- MOLAP (Multidimensional Olap): utilizzano solitamente un database di tecnologia proprietaria; i database multidimensionali memorizzano i dati in forma vettoriale in cui ogni vettore corrisponde ad una dimensione. L'incrocio tra le coordinate vettoriali corrisponde alla singola celletta dell'ipercubo, come si vede in Figura 4.3.
Figura 4.3 Esempio MOLAP.
Chiave prodotto Chiave tempo Chiave cliente Ricavi Chiave tempo Chiave cliente Attributi della dimensione
Tabella dei fatti Dimensione
Attributi della Dimensione dimensione Attributi della dimensione
4.4.2 Data mining
Definiamo data mining il processo che impiega una o più tecniche di apprendimento computerizzate per analizzare automaticamente ed estrarre le conoscenze dai dati contenuti in un data warehouse [Roiger, 2004].
Le tecniche attraverso cui il data mining viene realizzato si basano su metodologie statistiche e matematiche e si distinguono in: alberi decisionali (o decision tree), cluster analysis, reti neurali e regole di associazione.
Il data mining trova diverse applicazioni nell’ambito dell’economia e della
finanza, ad esempio le applicazioni di risk management (gestione del rischio) utilizzano il data mining per determinare i rischi assicurativi, gestire i portafogli finanziari e identificare le persone e le aziende che hanno un rischio di credito alto o basso; o ancora le applicazioni di CRM utilizzano il data mining per determinare le tendenze e i bisogni dei clienti sulla base di parametri come: la grandezza della famiglia, l’età media dei membri e la loro residenza.
Uno degli ambiti in cui l’applicazione del data mining si rivela particolarmente proficua è il Marketing. La capacità di individuare correlazioni tra i dati relativi ai propri clienti rappresenta una caratteristica di enorme valore strategico per una migliore predisposizione delle azioni di Marketing.
4.4.3 Reporting
Gli strumenti di Reporting consentono di rappresentare graficamente le informazioni estratte dai dati con gli strumenti precedentemente presentati.
Disporre di un tool che consente di accedere a un’informazione tradotta in modalità grafiche e tabellari facilita ulteriormente il ruolo dei manager aziendali. Le informazioni elaborate essendo destinate a manager, o comunque sia a cariche direzionali, vengono raccolte all’interno di veri e propri cruscotti aziendali, che consentono ai diretti interessati di capire, a colpo d’occhio, l’andamento generale dell’azienda.
4.6 Vantaggi della business intelligence
Dal punto di vista tecnico, i requisiti richiesti ad una soluzione di business intelligence sono: rapidità di accesso ai dati e di acquisizione delle conoscenze, semplicità di utilizzo da parte di un’utenza eterogenea, possibilità di accesso ai dati in modalità online e offline, integrabilità con i sistemi esistenti ed estensibilità della piattaforma di sviluppo.
La disponibilità di una soluzione dotata delle caratteristiche indicate permette di cogliere pienamente i vantaggi competitivi della Business Intelligence, che comprendono:
· Maggiore reattività dell’azienda ai cambiamenti dell’ambiente economico, e in particolare dei comportamenti della domanda dovuta ad una maggiore prontezza di risposta;
· Incremento della redditività derivante dalla possibilità di utilizzare in maniera strategica i dati sui clienti raccolti grazie ai sistemi di CRM e riorganizzati nei
data warehouse;
· Riduzione dei costi operativi grazie alla possibilità di limitare il tempo necessario alla raccolta delle informazioni che sono rilevanti per l’utente.
4.7 Svantaggi della business intelligence
Gli svantaggi della business intelligence non vanno ricercati negli aspetti tecnici delle soluzioni ma nel loro impatto all’interno delle aziende.
Molte delle aziende che decidono di affrontare un progetto di business intelligence scoprono che i tempi di realizzazione possono rivelarsi eccessivamente lunghi, per via delle resistenze culturali al cambiamento e della necessità di addestramento sull’utilizzo delle applicazioni.
Un altro svantaggio è rappresentato dal costo ancora decisamente elevato per questi tipi di applicazioni e dalla difficoltà di misurare il ritorno degli investimenti.
La descrizione di questi svantaggi non vuole essere un motivo di scoraggiamento per le aziende che intendono avvicinarsi a questo nuovo modo di analizzare e interpretare i dati aziendali; a dimostrazione di ciò nel prossimo capitolo verrà presentato uno studio per la progettazione di un modello di analisi multidimensionale dei dati, per il CRM nel settore fashion.
