Machine Learning: uno strumento per aumentare l'efficienza dei processi

A differenza dell'automazione di base, tipicamente usata per processi standardizzati e prevedibili, il machine learning (ML) - l'apprendimento automatico - può gestire processi più complessi e imparare nel tempo, portando a grandi miglioramenti in termini di efficienza, agilità e resilienza. Ma molte aziende sono bloccate nella fase pilota, faticano ad applicare questa tecnologia su larga scala o a trarre vantaggio dalle sue forme più avanzate. 

Una indagine globale condotta recentemente da McKinsey ha scoperto che solo il 15% circa delle aziende ha adottato con successo l'automazione guidata dal machine learning in più parti del business. E solo il 36% ha dichiarato che gli algoritmi di ML sono stati implementati oltre la fase pilota.

Eppure, il valore in gioco è significativo. L'apprendimento automatico mostra un enorme potenziale, grazie alla capacità di imparare dai dati, identificare schemi e prendere decisioni in autonomia o con il minimo intervento umano. 

Come evidenzia la ricerca di McKinsey, incorporando questo tipo di tecnologie nei propri processi, il miglioramento dell'efficienza può arrivare al 30% e anche più, con un conseguente aumento dei ricavi compreso tra il 5 e il 10%. 

In un'azienda sanitaria, per esempio, un modello predittivo che classifica le richieste di risarcimento in diverse classi di rischio ha incrementato il numero di richieste pagate automaticamente del 30%, diminuendo lo sforzo manuale di un quarto.

Un percorso in quattro tappe

Rohit Panikkar, Tamim Saleh, Maxime Szybowski e Rob Whiteman, i ricercatori di McKinsey che hanno condotto lo studio, ricordano che il machine learning, oltre alle opportunità, porta con sé notevoli complessità: per la sua adozione, è essenziale dunque suddividere il percorso in passi gestibili. Il suggerimento è quello di sviluppare casi d’uso individuali e ripensare da capo processi consolidati per riprogettare il modo in cui le persone e le macchine oggi possono lavorare insieme.

Queste le quattro fasi per facilitare l’introduzione del machine learning:

• Creare economie di scala e di competenze, che permettano al team di riutilizzare le conoscenze acquisite da un’iniziativa per perfezionarne un’altra, generando un vantaggio in termini di ritorno sull’investimento
• Valutare quali siano le competenze necessarie per il business e come sviluppare modelli di ML adeguati
• Fornire ai modelli di ML dati di qualità da analizzare e da cui imparare
• Standardizzare i progetti ML per favorire la loro implementazione e scalabilità all’interno dell’azienda.

Il giusto mindset

Per trasformare questo approccio in quattro fasi in una vera e propria roadmap, tuttavia, occorre avere la giusta mentalità. Ecco cosa suggeriscono gli autori:

1. Più dati ci sono, meglio è. A differenza dell'automazione basata su regole, il machine learning è infatti incentrato sui dati.
2. Pianificare prima di fare. L'entusiasmo per le promesse del machine learning può indurre i leader a lanciare troppe iniziative contemporaneamente, distribuendo male le risorse.

Pensare dall'inizio alla fine. Chiedere ai responsabili delle funzioni aziendali di sviluppare casi d'uso individuali per cercare di far emergere valore. È importante ripensare interi processi rompendo il modo in cui il lavoro viene svolto oggi e ridisegnando il processo in un modo che, allo stesso tempo, sia più congeniale a persone e macchine.

Potrebbe interessarti anche: