Aumentare il fatturato non significa necessariamente aumentare l’utile. La redditività effettiva di una commessa può modificarsi sensibilmente rispetto a quanto previsto quando cambiano materiali, ore lavorate, tempi macchina, scarti, lavorazioni esterne o costi logistici.
Il problema dei dati frammentati
Le informazioni possono essere distribuite tra:
- ERP;
- contabilità;
- produzione;
- rilevazione tempi;
- acquisti;
- Excel.
Se vengono analizzate soltanto a consuntivo, il problema può emergere quando ormai è troppo tardi per intervenire.
Prima Business Intelligence, poi AI
Qui eviterei di mettere artificialmente l’AI al centro. La prima esigenza è spesso costruire una visione coerente di:
- ricavi;
- materiali;
- ore lavorate;
- ore macchina;
- scarti;
- lavorazioni esterne;
- trasporti.
Una dashboard può già rendere visibili deviazioni che prima emergevano soltanto a fine commessa.
Previsto contro reale
Uno dei confronti più interessanti è:
margine previsto in fase di offerta vs margine realmente ottenuto.
Lo scostamento permette di capire se l’errore dipende da:
- prezzo;
- materiale;
- ore;
- scarti;
- lavorazioni esterne;
- inefficienze;
- variazioni richieste dal cliente.
Questo dato può poi migliorare anche i preventivi futuri.
Dove può entrare l’AI
Quando la base dati è sufficientemente affidabile, possono diventare interessanti sistemi capaci di individuare anomalie o evidenziare commesse che si stanno discostando dal comportamento atteso. Ma l’ordine è importante: prima i dati, poi la BI, eventualmente dopo l’AI.
KPI utili
A seconda dell’azienda possono essere interessanti:
- margine per commessa;
- margine per cliente;
- marginalità per prodotto;
- ore previste/reali;
- materiale previsto/reale;
- costo degli scarti;
- rilavorazioni;
- lavorazioni esterne.
L’obiettivo non è produrre più report. È rendere evidente dove l’azienda guadagna e dove perde marginalità.