Qualità dei dati: prima di analizzare un dato, chiediti se è giusto

In breve. La qualità dei dati viene prima di budget, KPI e dashboard: un grafico preciso costruito su un dato sbagliato resta un grafico sbagliato. In informatica si chiama Garbage In, Garbage Out. Un dato è affidabile quando è accurato, completo, coerente, unico e adatto all'uso che se ne fa. Per verificarlo servono due cose:

• una fonte di riferimento per ogni informazione importante;
• il confronto tra le fonti che descrivono lo stesso processo, dall'ordine all'incasso.

I controlli vanno concentrati sui dati che pesano su margini, costi e decisioni, perché inseguire la perfezione costa più di quanto rende.

Budget, business plan, piani industriali, KPI, dashboard: tutti strumenti ormai frequenti e accessibili anche nelle PMI. Aggiungerei: meno male! L'era dell'intuizione è finita da tempo e la pianificazione ed il controllo sono imprescindibili per il successo di un'azienda.

Facciamo però un passo indietro! Da dove arrivano i dati che alimentano tutti questi bellissimi modelli? Chi tiene la contabilità? Magari persone diverse, magari tra una telefonata e un'urgenza. Chi controlla con regolarità le registrazioni? Il software lascia passare errori difficilmente intercettabili? Produzione, magazzino, commerciale e amministrazione lavorano su informazioni che coincidono sempre? Esiste un match tra i dati?

Ecco, se questi aspetti non sono stati ampiamente trattati e risolti prima di fare qualsiasi modello, possiamo prendere tutte queste belle analisi e buttarle nel cestino.

Garbage In, Garbage Out: cosa significa per il controllo di gestione?

Un grafico preciso costruito su un dato sbagliato rimane un grafico sbagliato. Un budget basato su informazioni poco affidabili rimane un esercizio matematico. Una dashboard aggiornata in tempo reale ci mostra un errore in tempo reale.

In informatica esiste un'espressione brutale ma perfetta: Garbage In, Garbage Out, GIGO. Se entra immondizia, esce immondizia.

Prima dei cruscotti, degli indici e dei grafici colorati bisogna quindi risolvere la madre di tutti i problemi del controllo di gestione: capire se il dato che stiamo utilizzando è affidabile.

Che cosa si intende per qualità dei dati (data quality)?

La risposta, in azienda, deve essere semplice. Il dato rappresenta correttamente gli avvenimenti? È completo? È coerente con le altre informazioni disponibili? È aggiornato nel momento in cui serve? Serve davvero per l'analisi?

Accuratezza, completezza, coerenza, unicità, tempestività e rilevanza sono le caratteristiche con cui si valuta la qualità di un dato. A queste si unisce la cosiddetta "fitness for use", ossia l'adeguatezza rispetto all'utilizzo: la qualità dipende anche dallo scopo per cui quel dato viene usato.

Il tema è talmente serio che esiste uno standard internazionale dedicato: la ISO 8000, che riguarda proprio la qualità dei dati e in particolare le anagrafiche, i cosiddetti master data. Per partire non serve certificarsi! Però è un buon segnale: se ci ha pensato l'ISO, forse dovremmo pensarci anche noi.

Un dato mensile può essere sufficiente per un'analisi e inutile per una decisione da prendere oggi. Validare significa quindi sapere quali informazioni si utilizzano per decidere e quanto sono affidabili, senza però voler inseguire una perfezione astratta.

Dove nascono i dati aziendali?

Il tema non riguarda soltanto la contabilità.

In una PMI manifatturiera i dati nascono ovunque: amministrazione, commerciale, produzione, magazzino, ufficio tecnico. Poi arrivano gestionale, CRM, software di produzione, fogli Excel e archivi costruiti negli anni.

In un caso concreto affrontato in ambito manifatturiero, la stessa anagrafica cliente "viveva" in tre sistemi distinti: gestionale, CRM e contabilità. Le informazioni non erano sempre allineate. Il risultato era molto concreto: tempo perso per capire quale dato fosse corretto, riconciliazioni tra vendite e contabilità, duplicazioni e report sui quali era difficile fare pieno affidamento, oltre a qualche figuraccia nel mandare ai clienti delle fatture con dati errati!

La domanda da cui partire è elementare: per ogni informazione importante, qual è la fonte di riferimento?

Perché i dati devono parlarsi tra loro?

Validare il dato alla fonte è il primo livello. Il secondo consiste nel metterlo in relazione con le altre informazioni che descrivono lo stesso processo.

Un ordine cliente genera attività commerciale, produzione, movimentazioni di magazzino, fatturazione, un credito e infine un incasso. Sono dati prodotti da persone e sistemi diversi, ma fanno parte dello stesso flusso.

Se il commerciale registra 100 pezzi ordinati, la produzione ne dichiara 80, il magazzino ne movimenta 70 e la fattura ne riporta 100, non ci sono quattro numeri: c'è un problema!

Mettere in comunicazione le fonti, cioè riconciliare i dati che descrivono lo stesso flusso, permette a un dato di controllarne un altro e aiuta a scoprire errori che possono protrarsi per anni: classificazioni trascinate da un esercizio al successivo, file Excel aggiornati manualmente, anagrafiche duplicate, informazioni inserite due volte per abitudine.

Più dati significano informazioni migliori?

Una maggiore quantità di dati non significa automaticamente un'informazione migliore. Un interessante studio su 143 imprese medio-grandi ha rilevato che una maggiore varietà delle fonti utilizzate nel controllo di gestione era associata a una minore qualità del sistema informativo: integrare fonti diverse aumenta complessità e possibilità di disallineamento. Prima di aggiungere dati, conviene quindi far funzionare bene le fonti che già ci sono.

Quanto costa un dato sbagliato?

Il costo più facile da sottovalutare è il tempo.

Un caso studio basato su un'impresa manifatturiera ha analizzato attività duplicate di raccolta, aggiornamento e manutenzione delle informazioni. Sommate, queste attività assorbivano risorse equivalenti al costo di due persone a tempo pieno.

Quel costo era nascosto nel lavoro quotidiano: cercare un numero, confrontare due versioni, correggere un'anagrafica, capire quale file fosse aggiornato, rifare un report, ricostruire un'informazione già presente altrove.

La scarsa qualità del dato non produce soltanto analisi peggiori, consuma risorse!

Lo stesso studio arriva però a una conclusione altrettanto importante: la qualità perfetta non deve diventare l'obiettivo. Ogni controllo ha un costo e, oltre un certo livello, aumentare ancora l'affidabilità costa più del beneficio ottenuto.

Trasformare l'azienda in una macchina burocratica, dove ogni dato viene inserito, controllato e ricontrollato da più persone, sarebbe soltanto un altro modo di sprecare risorse.

Il criterio corretto è la rilevanza: più un dato incide su margini, costi, investimenti, pianificazione e decisioni, maggiore deve essere l'attenzione sulla sua qualità. I controlli devono essere concentrati dove un errore conta davvero, senza moltiplicare il lavoro.

Da dove partire?

Non serve rivoluzionare nulla. Bastano quattro passi:

1. elencare le informazioni che pesano di più su margini, costi, investimenti e pianificazione;
2. per ognuna, stabilire qual è la fonte di riferimento, e quindi quale sistema fa fede quando due sistemi non coincidono;
3. metterla in relazione con gli altri dati dello stesso flusso, dall'ordine all'incasso, e annotare dove i numeri non tornano;
4. concentrare i controlli lì, senza aggiungere passaggi dove un errore costerebbe poco.

Se in azienda mancano il tempo o uno sguardo esterno, è il primo lavoro da chiedere a un consulente di controllo di gestione, prima ancora di parlare di cruscotti e dashboard. Un buon consulente parte sempre da qui: da dove arrivano i numeri e quanto ci si può fidare!

L'errore di ieri può diventare il budget di domani

Per tornare al punto di partenza di questo breve ragionamento: la validazione riguarda soprattutto il futuro.

Budget, business plan e piani industriali partono sempre dai dati storici. Margini, tempi di incasso, volumi, costi, produttività e rotazioni diventano assunzioni sulle quali costruiamo le previsioni. Dati validi significano assunzioni più solide.

Se il dato storico è sbagliato, l'errore non resta nel passato: entra nel modello previsionale.

Prima di discutere quale KPI aggiungere alla prossima coloratissima dashboard, vale quindi la pena fare una domanda molto più scomoda: sappiamo davvero da dove arrivano i numeri che stiamo guardando? Quanto possiamo fidarci?

Se la risposta è no, il prossimo grafico può aspettare, prima viene il dato.

E se i dati si controllassero da soli? Il ruolo dell'intelligenza artificiale

Nelle PMI il dato si sporca quasi sempre in un passaggio fatto a mano: un'anagrafica ricopiata dal CRM al gestionale, un ordine reinserito in produzione, un Excel aggiornato "quando c'è tempo". È anche lì che nasce il lavoro duplicato che, nel caso studio citato sopra, valeva due persone a tempo pieno.

Questi passaggi si possono automatizzare senza cambiare gestionale:

• Una fonte che fa fede. Si decide, campo per campo, quale sistema è quello di riferimento. Un connettore legge in sola lettura gestionale, CRM e contabilità, confronta gli altri sistemi con quello e segnala le differenze. Un'anagrafica si corregge in un posto solo.
• Anagrafiche duplicate. L'AI riconosce lo stesso cliente scritto in modi diversi, con la ragione sociale abbreviata, la partita IVA con uno spazio di troppo o un indirizzo vecchio, e propone l'unione. Una persona conferma. È il lavoro che evita la fattura spedita con i dati sbagliati.
• Quadrature lungo il flusso. Il sistema confronta le quantità passaggio per passaggio, da ordine a produzione, magazzino e fattura, e segnala la riga in cui 100 pezzi diventano 80 o 70 prima che l'errore arrivi in contabilità. È la stessa logica del riscontro fra ordine, DDT e fattura.
• Dati letti alla fonte. Fatture e DDT in PDF vengono letti automaticamente e confrontati con l'ordine, invece di essere ricopiati. Meno passaggi a mano, meno errori da cercare dopo.
• Avvisi solo dove l'errore pesa. Le soglie si fissano sulle voci che incidono su margini e costi, e l'avviso arriva solo quando lo scostamento conta. È il criterio della rilevanza applicato in automatico, senza aggiungere controlli manuali.

L'AI non decide quale sia la fonte giusta né quali dati contino per l'azienda. Quello resta lavoro di chi la guida e del professionista che la affianca. Toglie i passaggi fatti a mano, che sono quelli in cui il dato si sporca. Il cruscotto viene dopo, ed è la parte facile.

Per vedere come funziona in pratica, ecco alcuni esempi da approfondire.

• Controllo di gestione automatico: dashboard senza Excel. Come si collegano gestionale, software di fatturazione e conti bancari in sola lettura, e perché si sistemano prima i dati e poi il cruscotto.
• Co.Mas, riscontro ordini, DDT e fatture su Adiuto. Un costruttore di gru di Paese (TV) che controllava a mano ordini, DDT e fatture con tre persone in tre reparti, e oggi stima 189 ore al mese recuperate.
• Come si automatizza il riscontro fra ordine, DDT e fattura? I punti in cui la quadratura salta più spesso in una PMI manifatturiera e cosa serve per chiuderli.
• Consulenza AI per PMI: analisi dei processi e roadmap. Per chi vuole partire dalla mappa: quali flussi di dati sistemare prima e in che ordine.

Altri articoli da leggere

• Controllo di gestione: perché non è solo per le grandi aziende. I cinque indicatori da cui partire in una PMI e come impostare un budget semplice.
• Utile in bilancio, cassa in rosso: perché e come evitarlo. Perché un'azienda in utile può restare senza liquidità e come si costruisce un piano di tesoreria.
• Cos'è il DDT e cosa controllare prima di registrare la fattura