Dati: utili, inutili o ingannevoli?
PER PRENDERE DECISIONI MANAGERIALI (MA ANCHE POLITICHE) E' MEGLIO BASARSI SULL'STINTO O AFFIDARSI AL METODO SCIENTIFICO? LA PANDEMIA HA DIMOSTRATO CHE LA RISPOSTA E' IN COME USIAMO I DATIdi Alfonso Gambardella, Direttore del Dipartimento di Management dell'Universita' Bocconi
Abbiamo imparato molte lezioni da COVID-19, e molte altre ne impareremo. Voglio concentrarmi su una di queste: la gestione nell'incertezza. Questo coincide con l'impennata della disponibilità dei dati e delle tecnologie per la gestione e l'elaborazione dei dati. La pandemia ha dimostrato che i dati possono essere utili, inutili o fuorvianti, a seconda di come prendiamo le decisioni e usiamo i dati.
Faccio parte di un gruppo di ricerca che sostiene che il management dovrebbe diventare più "scientifico" nel senso che le decisioni manageriali in situazioni di incertezza dovrebbero seguire lo stesso approccio che gli scienziati usano nelle loro ricerche. Molte decisioni manageriali non comportano alcuna incertezza. Sono decisioni su come raggiungere un obiettivo conosciuto in modo più efficiente - per esempio come minimizzare i costi per produrre una data quantità di output. Ma le decisioni che implicano la crescita, come l'innovazione, o le risposte alle minacce della concorrenza, sono decisioni nell'incertezza. Mentre il management ci ha insegnato molto sul primo tipo di decisioni, lo stesso non vale per il secondo tipo. Dobbiamo anche fare attenzione ai punti di vista estremi: l'intelligenza artificiale e l'informatica risolveranno la maggior parte dei problemi manageriali, o all'altro estremo, l'istinto è l'unica via da percorrere.
Un approccio scientifico alle decisioni manageriali sostiene che i manager devono prima sviluppare una teoria di ciò che si aspettano. Devono poi usare i dati per testare le loro teorie e intraprendere azioni basate sui risultati di questi test. A titolo di esempio, ho fatto un esperimento in una delle mie classi. Ho detto a due studenti che avrebbero guadagnato 100 punti per ogni sostenitore dell'Inter presente nella classe se avessero fatto un investimento, in anticipo, di 800. La questione è se fare o meno questo investimento. I due studenti hanno quindi sviluppato una teoria basata sul numero di studenti maschi, studenti di Milano e altri potenziali elementi predittori. Hanno previsto, rispettivamente, 18 e 6 tifosi dell'Inter nella classe. Ho poi chiesto loro di prendere un campione di 15 studenti sui 100 della classe, e hanno scoperto che 2 (o il 13,3%) sostenevano l'Inter. Sia il test che le sensazioni originali degli studenti sono importanti perché hanno aggiornato la loro previsione a 14 e 10. Da un lato, le loro previsioni convergono; dall'altro, le sensazioni possono contenere informazioni di cui non teniamo conto nei test. Chi ha ragione o torto? Dipende da chi ha avuto le migliori sensazioni, o nel linguaggio degli statistici sui "priori". Tuttavia, il punto importante è che, rispetto alle sensazioni iniziali, il test ha migliorato entrambe le decisioni: c'erano 12 sostenitori dell'Inter nella classe!
Se pensate che questo non sia reale, ecco un altro esempio. Un'azienda ha utilizzato "big data" per prevedere che i clienti che pagano la loro bolletta online sono più affidabili (pagano prima e sono più propensi a pagare). Ma che cosa fare con questa previsione? Solo una teoria può dare indicazioni sulle possibili azioni. I clienti che pagano online potrebbero essere più affidabili per le loro caratteristiche o perché il pagamento online è più facile. Ne risultano due azioni gestionali diverse: monitorare i pagatori offline o diffondere i pagamenti online. L'azienda potrebbe studiare due popolazioni identiche che per motivi casuali hanno pagato online o offline. Se osservano differenze di affidabilità, l'azienda dovrebbe estendere i pagamenti online, altrimenti ha bisogno di altri esperimenti per capire cosa influisce sull'affidabilità dei pagamenti. Un esempio simile è la previsione fatta da Scott Stern e colleghi del MIT che hanno utilizzato dati su tutte le startup del Massachusetts per dimostrare che le startup con nomi più brevi hanno maggiori probabilità di crescere. Questo è utile per i venture capitalist che hanno bisogno di prevedere le aziende ad alta crescita, ma non per gli imprenditori perché se accorciano i loro nomi è improbabile che crescano più velocemente. Per capire come crescere più velocemente, hanno bisogno di teorie e test che gli facciano capire se è una buona idea intraprendere le azioni suggerite dalle loro teorie.
I manager si affidano ancora troppo alle sensazioni e usano i dati per fare descrizioni («ecco come vanno le vendite quest'anno») o, più raramente, previsioni. La grande opportunità è quella di utilizzare i dati per prendere decisioni utilizzando teorie e disegnando test che identifichino il valore delle azioni che teorizzano. L'istinto aiuta la gestione scientifica delle decisioni. Per esempio, se il nostro priore è quello che l’online rende i pagamenti più facili e non ne trova una buona prova, allora eseguiamo un altro test per essere sicuri; se abbiamo il priore opposto, risparmiamo il costo del nuovo test.
Questo mette anche le università e la formazione aziendale nella giusta prospettiva. Troppo spesso si sente parlare di imprenditori geniali che ce l'hanno fatta solo grazie alle loro intuizioni: ma non si sente mai parlare di molti altri che non ce l’hanno fatta per lo stesso motivo. L'università e la formazione imprenditoriale sono, e rimarranno, il luogo in cui apprendiamo il metodo per prendere buone decisioni manageriali, sia nelle aziende, che nel governo o in altre organizzazioni. L'esperienza COVID ha dimostrato che questo è più vero se usiamo e gestiamo i dati in modo efficiente.
