A cura di Enrico Fipaldini – Dottore Commercialista e Revisore Contabile, Studio Associato Giarratana – Salin & Partners

Negli ultimi quattro decenni, il controllo di gestione ha attraversato una trasformazione profonda, passando da una funzione contabile tradizionale a un ruolo di supporto strategico al processo decisionale. Questo cambiamento è stato influenzato da diversi fattori: evoluzioni tecnologiche, mutamenti nei modelli di business, globalizzazione e, più recentemente, le sfide legate alla sostenibilità.

Di pari passo si è evoluta la figura del controller passando da un ruolo principalmente operativo e contabile a una posizione più strategica e orientata al business.
Così negli anni 80 il controllo di gestione si focalizzava prevalentemente sull’efficienza operativa e sul contenimento dei costi. Le aziende operavano in contesti relativamente stabili e facevano largo uso di strumenti tradizionali come il budget statico, la contabilità analitica e l’analisi degli scostamenti.

Il controller aveva un ruolo tecnico, legato al monitoraggio della performance interna, con l’obiettivo di garantire la conformità e il rispetto dei limiti di spesa.
Negli anni 90, con la globalizzazione e la crescente competizione internazionale, il controllo di gestione ha iniziato a trasformarsi. Si è passati da una logica puramente contabile a una più orientata alla creazione di valore. Attraverso l’adozione di strumenti come l’Activity-Based Costing (ABC), che ha permesso di attribuire i costi alle attività aziendali in modo più preciso e la Balanced Scorecard, ideata da Kaplan e Norton, che ha ampliato la misurazione delle performance includendo prospettive finanziarie e non finanziarie (clienti, processi interni, apprendimento e innovazione), il controllo di gestione ha iniziato ad assumere un ruolo più strategico, diventando un supporto alle decisioni manageriali.
In questo periodo, il controller non era più solo un “guardiano” dei numeri, ma iniziò ad assumere un ruolo consultivo all’interno dell’azienda, lavorando più a stretto contatto con i manager per ottimizzare le risorse. Con l’avvento dei software gestionali e delle tecnologie informatiche il ruolo del controller iniziò ad evolversi e le skills richieste spaziavano dalla conoscenza sull’utilizzo dei software ERP (Enterprise Resource Planning), alla pianificazione finanziaria a medio e lungo termine, includendo attività di budgeting e forecasting, all’analisi delle performance attraverso la lettura di indici e Kpi.

L’avvento delle tecnologie informatiche e dei sistemi ERP ha segnato una nuova era per il controllo di gestione. Così negli anni 2000 si è assistito a una maggiore automazione dei processi contabili e di reporting, attraverso l’implementazione di Sistemi di Business Intelligence (BI), di Data Warehouse e architetture informative integrate che consentivano maggiore precisione e tempestività nell’analisi dei dati. Il controllo di gestione si modificò di conseguenza in un sistema più dinamico e orientato alla gestione della performance complessiva dell’impresa, includendo anche indicatori non strettamente economico finanziari.

In questi anni il ruolo del controller si è trasformato ulteriormente, evolvendosi verso un profilo ancora più strategico e assumendo in azienda un ruolo di business partner. Il controller diviene una figura chiave nella decisione strategica, non limitandosi più a fornire solo numeri, ma contribuendo attivamente alla definizione della strategia aziendale.
L’utilizzo di strumenti avanzati di analisi dei dati, come i sistemi di Business Intelligence, permise ai controller di fornire valutazioni più approfondite e di supportare le decisioni aziendali in tempo reale.

La gestione delle performance aziendali non si limitava più alla redditività, ma si estendeva anche al valore complessivo dell’azienda, includendo indicatori come il valore economico aggiunto (EVA) o il valore delle azioni.

Negli ultimi anni, il contesto economico e competitivo in cui operano le imprese è diventato sempre più instabile e incerto. Cicli economici accelerati, disruption tecnologiche, fluttuazioni della domanda e supply chain complesse impongono alle aziende un’elevata reattività. In questo scenario, anche il controllo di gestione ha dovuto ulteriormente evolversi, abbandonando approcci statici e poco flessibili per abbracciare logiche più dinamiche e intelligenti.

Il controllo adattivo ha rappresentato un primo passo in questa direzione: un sistema capace di reagire tempestivamente ai cambiamenti mediante un approccio dinamico al controllo di gestione che permette all’azienda di rispondere in modo flessibile ai cambiamenti interni ed esterni. In sostanza, invece di seguire rigidamente un piano predefinito, il controllo adattivo monitora continuamente le prestazioni, analizza i dati e apporta modifiche ai processi e alle strategie per ottimizzare i risultati in risposta alle nuove informazioni o circostanze.
Oggi, tuttavia, non è più sufficiente “adattarsi” – serve anticipare. Il nuovo paradigma è il controllo predittivo, reso possibile da una trasformazione data-driven dell’azienda.

Il controllo di gestione tradizionale si basa su processi ciclici e lineari: pianificazione annuale, budgeting, analisi degli scostamenti e reporting periodico. Questo modello funziona in contesti relativamente stabili, ma mostra i suoi limiti quando il mercato cambia rapidamente o in modo non prevedibile.
Il controllo adattivo era nato per colmare questo gap. Si basa su previsioni continue, indicatori di performance aggiornati dinamicamente, maggiore frequenza nell’analisi dei dati, capacità di ripianificare rapidamente sulla base di nuovi input.

Tuttavia, il controllo adattivo, pur migliorando la flessibilità, resta essenzialmente reattivo. Si adatta al cambiamento solo dopo che questo è avvenuto, non fornisce una visione prospettica affidabile. In uno scenario dove le decisioni devono essere prese con anticipo, agendo su segnali deboli o tendenze emergenti, questo approccio mostra i suoi limiti in quanto si ferma a rispondere non anticipando gli scenari futuri, non integra pienamente fonti dati esterni o non strutturate, rende difficile le simulazioni di scenari “what-if”, dipende ancora fortemente dall’intervento umano nell’analisi e interpretazione.

In un contesto di mercato estremamente dinamico il controllo di gestione deve quindi ulteriormente evolversi per fornire gli strumenti all’azienda in grado di competere in questa nuova realtà. È a questo punto che entra in gioco il controllo predittivo.

Il controllo predittivo rappresenta un’evoluzione profonda: da un sistema che risponde al cambiamento, a uno che lo prevede e lo guida. Si fonda sull’utilizzo di algoritmi predittivi e strumenti di intelligenza artificiale (AI), capaci di analizzare enormi volumi di dati e identificare pattern nascosti in grado di fornire previsioni basate su modelli avanzati (es. regressioni multiple, machine learning), simulazione di scenari (“what-if analysis”) per valutare l’impatto di decisioni strategiche, integrazione di dati esterni (mercato, meteo, trend social, ecc.), aggiornamenti continui dei modelli in base ai nuovi dati.

I vantaggi sono evidenti: migliore allocazione delle risorse, riduzione dei rischi decisionali, aumento della velocità decisionale, maggiore precisione nell’andamento dei ricavi e dei costi.
La possibilità di anticipare i fenomeni e prevedere le tendenze può fornire, infatti, indicazioni preziose a diverse direzioni aziendali, in ogni settore merceologico.
Nel retail i grandi rivenditori online possono, ad esempio, utilizzare l’analisi predittiva per ottimizzare la catena di fornitura, fino alla consegna al cliente finale. Ne è un esempio la gestione di Amazon, che, basandosi sullo storico degli acquisti, le ricerche sul sito e la wishlist del singolo consumatore, può anticipare la logistica dei prodotti negli hub più vicini al luogo di consegna, con il risultato di ottimizzare le scorte, anticipare i tempi di delivery e migliorare la Customer Experience.
Nel settore della finanza l’analisi predittiva permette di identificare transazioni potenzialmente fraudolente mettendo in relazione, ad esempio, un acquisto di alto valore in un paese straniero con le abitudini di spesa del cliente (entità, localizzazione geografia, orario, ecc.), determinando la probabilità di frode dell’operazione.

Nelle aziende produttive i macchinari utilizzati nelle linee di produzione registrano un serie di dati (temperatura, pressione, velocità di esercizio, ecc.) attraverso i sensori IoT. Tali dati possono essere raccolti ed elaborati da algoritmi utilizzati dall’intelligenza artificiale in grado di identificare pattern che indicano potenziali guasti, usura delle componenti o potenziali crisi a fronte di determinati carichi di lavoro. Le informazioni possono segnalare la necessità di interventi di manutenzione o adeguamento.

Gli esempi di implementazione dell’analisi predittiva evidenziano come i possibili campi di applicazione siano vasti e diversificati. In ogni settore merceologico l’analisi predittiva è centrale per l’implementazione del modello di azienda data-driven. Senza questa metodologia, infatti, il valore dei dati resta inespresso e rischia di non giustificare l’impegno economico e organizzativo.

L’analisi predittiva, attraverso l’uso di algoritmi statistici, le tecniche di Artificial Intelligence e l’elaborazione di grandi moli di dati (Big Data), permette di individuare comportamenti ricorrenti che altrimenti resterebbero sconosciuti. È in grado, cioè, di isolare fenomeni non casuali all’interno dei dati storicizzati. Tali fenomeni, opportunamente combinati con altre informazioni di contesto, sono in grado di determinare la probabilità che si presentino determinati eventi nel futuro. In termini di business, ciò significa servire nel modo più adeguato possibile i decision-maker; le persone che all’interno dell’azienda sono responsabili delle strategie di sviluppo e dell’esecuzione dei piani operativi dando loro la possibilità di effettuare le scelte in base a indici di confidenza e non a supposizioni.
Il controllo predittivo rappresenta quindi un cambio di paradigma nel modo in cui le imprese pianificano, decidono e reagiscono ai cambiamenti. È la naturale evoluzione del controllo adattivo in un contesto dominato dai dati e dalla velocità. Per attuarlo, serve un’azienda data-driven: capace di raccogliere, interpretare e trasformare i dati in azioni concrete. Non si tratta solo di adottare nuove tecnologie, ma di ripensare i processi, i ruoli e la cultura aziendale. Oltre alle infrastrutture digitali (data warehouse, data lake, strumenti di BI e piattaforme di AI), è indispensabile una corretta governance dei dati (caratterizzata da qualità, sicurezza, tracciabilità e accessibilità), sono necessarie competenze analitiche (data analyst, data scientist, controller evoluti) ed infine è richiesta una cultura aziendale orientata al dato (decisioni guidate dai dati e non solo dall’intuizione).
In questo nuovo paradigma del controllo di gestione il controller “next gen” deve integrare hard e soft skill quali competenze in Data Analysis e Business Intelligence con capacità di raccogliere, deve saper analizzare e interpretare grandi volumi di dati per sostenere decisioni strategiche, conoscenze IT e familiarità con software di contabilità avanzati, ERP e strumenti di analisi come SQL e Power BI, avere competenze comportamentali come la capacità di comunicazione, leadership e problem-solving ed infine rimanere al passo con l’evoluzione delle nuove tecnologie con attitudine verso il learning continuo.

Le aziende che intendono implementare un modello data-driven basato sull’analisi predittiva, hanno una precisa roadmap da percorrere. La transizione dal controllo adattivo al predittivo non è immediata, ma deve essere realizzata attraverso un percorso strutturato.
Il data driven approach richiede un cambio di paradigma. Laddove molto spesso l’impostazione tradizionale prevede un processo decisionale basato fortemente sull’esperienza pregressa, sulla consuetudine e anche su una serie di dinamiche con qualche margine di irrazionalità, una “data driven company” accetta che le decisioni basate sui dati raccolti e organizzati offrano migliori opportunità. In questo senso, si tratta di attuare un cambiamento culturale ancora prima che tecnico. I passaggi chiave fondamentali per tale transizione riguardano l’analisi dei processi, degli strumenti e dei dati disponibili, la definizione degli obiettivi ovvero la scelta delle aree su cui applicare il controllo predittivo (es. forecasting vendite, gestione scorte), la costruzione di modelli predittivi: selezionare fonti dati, progettare modelli e testarne l’efficacia, la sperimentazione prima e l’estensione poi dei modelli a tutta l’organizzazione e automazione dei flussi, infine la formazione e change management (sviluppare competenze, promuovere una cultura del dato).
Non esistono barriere all’entrata: in questo nuovo contesto di gestione anche le PMI possono strutturare un sistema di controllo che si basa sull’utilizzo dei dati per poter competere in modo strategico. I dati non sono solo appannaggio delle grandi aziende anche le piccole e medie imprese possono intraprendere questo percorso per restare al passo con il mercato, migliorare i processi decisionali e ottenere maggior valore dal proprio business.
Molte PMI si sentono escluse dalla trasformazione data-driven per motivi ricorrenti quali volume di dati disponibile insufficiente, costi, competenze interne. Tuttavia, non è difficile dimostrare che anche una piccola azienda genera quotidianamente dati utili (vendite, clienti, social media, feedback, sito web, ecc.) utilizzabili anche con strumenti accessibili e gratuiti, per iniziare a raccogliere e analizzare dati in modo efficace. Non è necessario possedere nella propria organizzazione risorse con competenze “evolute”: molti software rendono le analisi alla portata di chi ha competenze di base. Inoltre, si può iniziare collaborando eventualmente anche con consulenti esterni.
Per iniziare il percorso, prima di raccogliere i dati, è fondamentale capire cosa l’azienda vuole migliorare (esempio aumentare le vendite o ridurre i costi, oppure ancora fidelizzare i clienti). Il passaggio successivo passa attraverso la raccolta di quanto già disponibile e l’adozione di strumenti digitali semplici e scalabili come piattaforme come Excel (con Power BI), Google Data Studio, software ERP e CRM cloud che offrono funzionalità potenti anche a chi parte da zero. Il tutto coadiuvato dalla disponibilità di sviluppare nell’organizzazione aziendale una cultura data-driven. La trasformazione non avviene in un giorno, è un processo continuo in cui ogni piccolo passo può generare valore.
L’utilizzo dei dati rappresenta quindi un’opportunità unica e può aiutare le organizzazioni a migliorare le prestazioni, ad accelerare il time-to-market delle nuove idee e innovazioni, a ridurre il rischio di perdita di valore e ad aumentare la redditività e l’efficienza.

Il controllo predittivo rappresenta “l’ultima frontiera” del controllo di gestione, ma diversamente a quanto avvenuto in passato, non va a sostituire il modello precedente, basato sul controllo adattivo.

Il controllo adattivo e il controllo predittivo rappresentano i due approcci avanzati per il controllo di gestione. Entrambi hanno possibilità di applicazione in diversi settori e tipologie di aziende, ma hanno caratteristiche, vantaggi e svantaggi distinti.
Non si tratta di scegliere tra adattività e predittività, ma di costruire una sinergia tra i due sistemi. Il controllo adattivo offre flessibilità e capacità di risposta, mentre quello predittivo fornisce visione e direzione. Un sistema integrato può generare valore nei seguenti modi:
· Validazione reciproca: le previsioni possono essere testate e corrette attraverso l’adattamento continuo.
· Apprendimento iterativo: i dati raccolti attraverso l’adattività arricchiscono i modelli previsionali.
· Pianificazione dinamica: le decisioni strategiche possono essere aggiornate man mano che emergono nuove informazioni operative.

Per far convivere i due approcci, è necessario un modello che consenta di gestire sia la strategicità del controllo predittivo che la reattività del controllo adattivo.
La vera forza di un sistema di controllo di gestione moderno non risiede nel rigore di una previsione né nella sola capacità di adattarsi, ma nella combinazione intelligente delle due logiche. In un mondo dove l’incertezza è la norma, la convivenza tra adattività e predittività non è solo possibile, ma auspicabile per garantire resilienza, agilità e competitività nel lungo periodo.