.svg)
La crescita esponenziale dei dati nell’epoca della digital transformation sta ridisegnando le funzioni di molti profili tradizionali delle aziende. Tra questi, una delle figure che, forse più di altre, sta vivendo un cambiamento profondo è quella del Chief Financial Officer. Tanto che oggi, a proposito del responsabile finanziario, si utilizza sempre più spesso l’espressione Augmented CFO. Un’espressione che sintetizza un ruolo strategico “aumentato” da nuove competenze digitali, in aggiunta a quelle tradizionali di natura contabile e di controllo di gestione. Nel settore Retail contemporaneo le attività tipiche di pianificazione, bilancio e forecasting tendono ormai ad incorporare anche la previsione delle vendite grazie all’utilizzo di algoritmi di Machine Learning, in grado di infondere un nuovo significato alle analisi e ai processi di Business Intelligence. Ecco in che modo.
Financial, cash flow, sales forecasting
I piani previsionali sono essenziali ai fini di una programmazione ottimale delle risorse e della loro ottimale allocazione. Solitamente la parte di financial forecasting e di cash flow forecasting è di competenza del CFO, mentre al direttore vendite spetta il sales forecasting. In realtà, la previsione delle vendite ha un impatto su tutti i livelli dell’organizzazione. Se i sales manager, infatti, utilizzano le informazioni al riguardo per definire gli obiettivi da raggiungere, i CEO non possono prescinderne se vogliono sapere in anticipo quale sarà la direzione da imprimere al business. È fondamentale per gli Augmented CFO possedere gli strumenti adeguati che restituiscano un quadro attendibile del futuro economico-finanziario presumibile dell’azienda, di cui le vendite sono un fattore cruciale. È nell’area del controllo di gestione, quindi, che si colloca la possibilità di ricorrere a tool che, grazie a Intelligenza Artificiale (AI) e Machine Learning, estrapolino dai Big Data analisi non solo descriptive, ma soprattutto predictive e prescriptive, rendendo persino automatiche alcune decisioni senza avvalersi dell’intervento umano.
Come funziona il machine learning nel Retail
Per comprendere in che maniera l’Augmented CFO può servirsi degli strumenti messi a disposizione da sistemi data-driven che sfruttano l’AI, sarà utile ricordare come questi ultimi incidono nel fare tesoro dei comportamenti d’acquisti in ambito Retail. Come si ricava dal suo stesso nome, il Machine Learning riesce ad imparare automaticamente dai dati e non richiede alcuna programmazione per farlo. Ha la capacità, dunque, elaborando grandi quantità di informazioni, di trovare modelli ripetitivi e pattern e di tradurli in proposte personalizzate. Una capacità che non si limita alle vendite online, ma che abbraccia tutta la rosa dei customer behavior, inclusi quelli rilevati offline tramite dispositivi IoT nei punti vendita fisici. Inoltre, per far fronte alla fluttuazione della domanda, tiene conto di una o più variabili che possono contribuire ad aumentare o far diminuire le vendite. L’Augmented CFO, di conseguenza, può leggere su una dashboard i risultati di lead scoring, ivi compresi i suggerimenti concepiti dal sistema sulla base dei parametri indagati. O, ancora, può consultare i report di sales insights con cui si confrontano normalmente i responsabili vendite, così da ottenere notizie dettagliate sui clienti e sull’attività di vendita.
Una Business Intelligence mai vista prima
Da quanto detto sopra, si capisce perché il moderno Chief Financial Officer che opera nel Retail sia avvantaggiato nel prevedere le vendite. A differenza dei suoi predecessori, l’Augmented CFO odierno può fare affidamento su una mole di dati sterminata che le piattaforme di Business Intelligence gli permettono di filtrare, segmentare, esaminare con query di qualsiasi tipo: dai flussi finanziari ai dati di vendita sia online che offline, dai tempi di consegna alle percentuali di soddisfazione registrate mediante monitoraggi di customer satisfaction. In più, le stesse piattaforme, poiché collaborano nativamente con tecnologie di Machine Learning, supportano le decisioni strategiche o le rendono automatiche, generando risposte che, in altri tempi, sarebbero toccate al responsabile finanziario, ma solo dopo molto studio e a rischio di svariati errori. Un esempio tra tutti è quello del dynamic pricing, nel quale la determinazione del prezzo varia al variare della domanda. Ed è l’algoritmo a fare i calcoli in tempo reale, mentre il CFO può concentrarsi su compiti di maggior valore.