La crisi aziendale è una avvenimento eccezionale nella vita di un’organizzazione che, a seconda della gravità, può pregiudicare il regolare esercizio dell’attività mettendo a rischio l’esistenza stessa dell’azienda. Proprio per il fatto di essere non ricorrente, una crisi aziendale risulta difficile da prevedere utilizzando i normali modelli di analisi economico-finanziaria e necessita metodologie di analisi differenti.

L’efficace previsione (così come la gestione) di una crisi aziendale nel mondo dei dati alternativi passa per il monitoraggio dei segnali deboli (weak signal), ovvero quei segnali che derivano da un'analisi profonda della diffusione dei dati digitali nella rete e che sono capaci di fornire insight su un trend in sviluppo ma ancora non evidente a livello di mercato. Sfortunatamente, questi segnali sono nascosti dalla presenza di dati che hanno maggiore visibilità e risultano perciò difficili da cogliere.

Difficile non significa comunque impossibile. I segnali deboli si trovano un po’ ovunque, per questo motivo decidere dove indirizzare la propria attenzione è fondamentale. Essere in grado di identificare, misurare e reagire in modo appropriato fornisce un vantaggio competitivo estremo ma la ricerca e l'interpretazione di segnali deboli necessita di tecniche avanzate di machine learning e di algoritmi capaci di segnalare quali segnali deboli abbiano un impatto potenziale sull'andamento di un'attività finanziaria

 

Il caso Tesla: un brillante esempio di Alternative Data Analysis.  Scarica il report "Tesla’s First Deadly Autopilot Crash” per capire le  potenzialità di questa analisi.  <http://blog.finscience.com/scarica-il-report-alternative-data-analysis-teslas-first-deadly-autopilot-crash-0>

 

Immaginate cosa avrebbe potuto fare Blackberry se, prima che uscisse l'iPhone, avesse realizzato che i telefoni senza tastiere sarebbero diventati popolari o se le grandi catene di negozi al dettaglio Americani come Toy-r-us avessero colo l'impatto crescente dell' e-commerce sulla loro attività 

La crescente disponibilità di dati alternativi ha aiutato gli investitori ad ampliare la loro conoscenza delle prospettive commerciali di un’azienda, al di là delle notizie raccolte tramite fonti tradizionali. Mentre in passato, gli investitori facevano affidamento sui tradizionali report riguardanti utili trimestrali, rapporti di analisti e news finanziarie per avere aggiornamenti sulle performance aziendali; oggi possono avvalersi di una miriade di fonti di dati alternativi, e creare dei record digitali di queste informazioni su larga scala.

Anche se tuttora siamo nelle fasi embrionali dello sfruttamento dei dati alternativi, secondo l'IDC quelli utilizzabili dovrebbero aumentare di 9,6 volte dal 2020 al 2025: un approccio innovativo possibile grazie agli sviluppi dell’intelligenza artificiale e del Machine Learning. Ciò dovrebbe aiutare sempre più investitori e aziende a integrare queste risorse non sfruttate e prendere così decisioni più informate.

Un tale insieme di conoscenze “aumentate” è utile per comprendere le prospettive future delle attività aziendali: colti i segnali, è possibile prevedere una crisi aziendale e porre così tempestivamente in atto le misure necessarie a gestirla nel modo più efficace.

 

Leggere i segnali e gestire la crisi

Capire da che parte tira il vento non è difficile quando la bufera soffia forte. Cogliere i primi segnali della tempesta in arrivo è invece tutta un’altra questione. Certo, un marinaio esperto probabilmente riuscirà ad uscirne, ma se avesse potuto prevederla per tempo forse avrebbe scelto di seguire un tragitto differente e non subire danni. E se pure fosse troppo tardi per cambiare rotta, l’informazione tempestiva gli avrebbe comunque permesso di prepararsi ad affrontarla, cercando una baia riparata e chiudendo le vele.

Translato al mondo economico, questo è esattamente ciò che l’analisi degli Alternative Data può fare.

Prendiamo ad esempio Volkswagen, che si è trovata a dover gestire lo scandalo “Dieselgate”: scoppiato negli Stati Uniti e diventato presto globale, rischiava di travolgere l’azienda, con le prime stime che parlavano di oltre 80 miliardi di dollari di perdite. In realtà, i costi sono stati molto più contenuti (attorno ai 25 miliardi di dollari fino a ora).

Anche se non si tratta ancora di una cifra definitiva in quanto nuove richieste di risarcimenti potrebbero essere avanzate, ciò che ha stupito è stata la capacità del gruppo di tornare al profitto in brevissimo tempo. È interessante notare come Volkwagen sia tornata a macinare utili, con i valori azionari che hanno superato quelli pre scandalo.

Finscience, monitorando le conversazioni degli utenti online aveva “previsto” che probabilmente non ci sarebbe stata alcuna disfatta economica. Il tipo di analisi effettuata permette infatti di capire se un segnale che ha avuto più diffusione in ambiti finanziari sta cominciando a diffondersi anche in altri ambienti digitali (quali i social media, i blog di settore, news online) e, se è questo il caso, in che termini il mondo online sta affrontando il tema.

Ma non è tutto. Con un’analisi di questo genere è anche possibile capire se un segnale che si sta diffondendo nell'ecosistema digitale comincia o meno a diffondersi anche in ambienti di discussione più finanziari. In altre parole, si tratta del caso opposto a quello di Volkswagen, che ha interessato, ad esempio, Tesla. Dopo il famoso autopilot crash del 30 giugno 2016, FinScience ha rilevato che nonostante i dati digitali indicassero una percezione negativa del brand, i dati finanziari mostravano che il prezzo delle quote di Tesla non era destinato a diminuire.

Simili informazioni “alternative” permettono di gestire le situazioni di crisi con più consapevolezza potendo invisibilmente tastare il polso degli utenti. Per ottenere il miglior risultato possibile, è bene farle diventare parte integrante del processo decisionale e strategico in modo da evitare situazioni difficili individuando preventivamente potenziali ostacoli.

 

Richiedi una demo di Finscience