Il predictive costing è una tecnica che consente di realizzare preventivi in modo accurato e veloce, particolarmente utile quando si debba stimare i costi associati a progetti complessi, che prevedono l’integrazione di una molteplicità di componenti eterogenee e l’analisi di molti fattori tra loro correlati.

Questa tecnica si basa sull’utilizzo di software sofisticati, che coniugano analisi dei dati storici delle commesse già effettuate da un’azienda, tecnologie di intelligenza artificiale e capacità di creare un modello rappresentativo del nuovo progetto nel suo complesso.

Questo tipo di soluzioni si indirizzano verso aziende che operano in settori quali Oil & Gas, Manufacturing o verso general contractor nel settore edilizia. In generale, il predictive costing risponde alle esigenze di aziende di grandi dimensioni che lavorano su commessa e che si devono confrontare con progetti e lavorazioni ad alto livello di personalizzazione e complessità.

Vantaggi di business e operativi

I vantaggi principali offerti da queste soluzioni sono la maggiore precisione nelle stime di costo del progetto e la rapidità nel riuscire a preparare un preventivo accurato e robusto.

Si tratta di requisiti essenziali, per esempio, nel caso di partecipazione a bandi di gara per l’assegnazione di importanti appalti: dove le tempistiche non sono rinviabili e un errore di stima può propagarsi e avere conseguenze economiche molto rilevanti.

Il predictive costing permette di sfruttare l’esperienza maturata da un’azienda in progetti già realizzati e adattarla a scenari differenti, individuando similarità e differenze per costruire algoritmi previsionali di costo. Attraverso una rappresentazione il più possibile oggettiva dello scenario che si sta per affrontare, le soluzioni di predictive costing consentono di verificare le correlazioni utilizzate dai team di preventivazione, portando, a volte, a rivedere criteri consolidati, rendere oggettivi e condividere criteri derivanti dall'esperienza delle persone aprendo così nuove prospettive nella gestione dei costi.

L’approccio di Moxoff al predictive costing

Sfruttando competenze multidisciplinari che combinano matematica, intelligenza artificiale, ambienti di sviluppo cross-platform e multi-linguaggio, simulazione multifisica e data analytics, Moxoff sviluppa soluzioni software per il predictive costing che adottano metodologia specifica per il caso in esame.

Il punto di partenza è una fase di assessment, con l’obiettivo di costruire il dataset di riferimento per realizzare le analisi successive e definire i parametri di input necessari a predisporre un preventivo accurato. Durante questa fase vengono analizzati i dati storici del cliente relativi alle precedenti commesse e a progetti che, per similitudine, possono fornire informazioni utili definire la stima di costo. I dati analizzati possono includere, per esempio, gli input ricevuti dal cliente, i materiali scelti, i componenti utilizzati, i tempi di realizzazione e di approvvigionamento fino ai costi di assistenza.

Una volta definito il dataset, le informazioni vengono contestualizzate all’interno di un modello per associare una stima di costo ai componenti utilizzati, ai materiali e a tutte le lavorazioni richieste. La costruzione del modello ha l’obiettivo di valorizzare le pratiche di stima già presenti in azienda per riuscire a migliorare l’accuratezza delle previsioni in contesti nuovi; il tutto attraverso un’interfaccia utente di facile compilazione e interpretazione. Attraverso un procedimento iterativo il modello viene costantemente raffinato, ottenendo un miglioramento costante dell’accuratezza degli algoritmi previsionali.

Un caso di successo

Moxoff ha, recentemente, utilizzato questo approccio per assistere una grande azienda del settore petrolchimico nella partecipazione a un bando di gara per la realizzazione di un grande impianto.

I precedenti progetti realizzati sono stati aggregati in una serie di cluster, individuando le condizioni per definire campioni significativi sia per similitudine sia dal punto di vista statistico. Per ognuno dei cluster individuati, è stato costruito un modello di stima data driven definendo le principali variabili indipendenti insieme al cliente: per esempio, la superficie dell’impianto e i materiali da utilizzare.

La combinazione di AI e modellistica matematica fornita da Moxoff ha consentito di superare le limitazioni legate alla scarsità e qualità dei dati rendendo possibile lo sviluppo di un algoritmo che sarebbe stato impossibile predisporre affidandosi unicamente all’intelligenza artificiale.

Il risultato ottenuto ha permesso di ridurre drasticamente il monte ore necessario per la definizione di una stima migliorando, inoltre, il coordinamento tra i gruppi di lavoro che si occupano delle stime tecniche e quelli che curano gli aspetti economici.

Organizzando il processo di stima in una serie di fasi successive il cliente ha avuto, così, la possibilità di intervenire in ogni fase del processo per raffinare la valutazione e fornire allo step successivo un input sempre più accurato.

Il modello data driven è stato, quindi, ulteriormente perfezionato per migliorarne l’accuratezza, introducendo alcune relazioni fisiche del processo: per esempio, la correlazione tra la capacità dell’impianto e il diametro dei tubi, a parità di superficie occupata dall’impianto.

Attraverso la condivisione di know-how tra le persone, la soluzione di predictive costing ha consentito di rendere oggettivi e quantitativi alcuni criteri basati sull'esperienza.

Questo approccio ha introdotto anche un criterio di standardizzazione all’interno del processo di stima che si sta dimostrando funzionale per raccogliere nuovi dati utili per il continuo miglioramento del modello.

Gli scenari evolutivi delle soluzioni di predictive costing

Una delle più interessanti direzioni di sviluppo delle soluzioni di predictive costing è l’introduzione di capacità di machine learning che consentano agli algoritmi di imparare da ogni modifica apportata manualmente.

Questo approccio sfrutta modelli matematici e rappresentazioni grafiche per produrre previsioni di costo che consentono ai dati di "parlare".

Il presupposto è la messa a punto di una fase di training/test, realizzata a partire da un set di dati di input noti e di risultati attesi. I dati di training sono utilizzati per addestrare il modello e consentirgli di apprendere e quelli di test sono destinati alla valutazione del modello. Elaborando i dati di input e i risultati attesi, gli algoritmi di machine learning sono in grado di stabilire correlazioni tra le informazioni di input e di output.

Questo tipo di apprendimento automatico conferisce al modello la capacità di analizzare i big data e di apprendere da essi, acquisendo la capacità di suggerire in autonomia azioni di confronto e/o ottimizzazione dei costi.

Moxoff sta costantemente ampliando il numero di parametri di input gestiti dai suoi modelli includendo, per esempio, la possibilità di associare costi di materiali, trasporti e lavorazioni a ogni specifico fornitore. In tal modo, diventa possibile ampliare il carattere previsionale della soluzione di predictive costing per farla diventare anche un vero e proprio strumento di ottimizzazione dei costi.