Progetti
casi di successo

L'attività di audit sulle strutture di una grande azienda è un'attività di controllo interno dei processi aziendali degli Uffici (UP) e dei Centri di Distribuzione (CD) che si occupa di verificare il loro livello di funzionamento. Le verifiche avvengono attraverso lo svolgimento di specifici test sui singoli controlli aziendali previsti dal disegno del sistema di verifiche e dell'aggiornamento delle procedure operative aziendali. A conclusione di ogni singolo intervento, l’auditor registra il numero di anomalie riscontrate su un totale di items esaminati per area di intervento (processo) e assegna alla struttura un giudizio complessivo inerente il presidio del funzionamento del sistema secondo una scala decrescente da 1 (positivo) a 5 (insufficiente).

Ci si chiede quale sia il valore di Valutazione più corretto da attribuire alle singole strutture controllate secondo la scala stabilita da 1 a 5. Nello specifico, la domanda che ci si pone è la seguente: avendo riscontrato un certo numero di anomalie su un totale di items esaminati in diversi processi, quale valore di Valutazione da 1 a 5 si dovrà attribuire alla struttura controllata?
Gli obiettivi sono duplici: il primo è definire un sistema che predica la Valutazione che meglio rappresenti l’operato della struttura controllata per guidare gli auditors nella scelta della Valutazione finale; il secondo è valutare l’efficienza dei processi studiandone la difettosità per andare ad intervenire con azioni migliorative in quei processi che risulteranno più critici.

Un modello statistico Bayesiano può calcolare, sulla base delle anomalie registrate per processo, quale sia il valore di Valutazione più corretto da attribuire alla struttura controllata secondo la scala stabilita da 1 a 5. Come risultato finale, ad ogni Valutazione sarà associato un valore di probabilità e la Valutazione con la probabilità più alta sarà quella che, secondo il modello, meglio rappresenterà l'operato della struttura controllata.
Nello schema bayesiano la probabilità finale si riaggiorna ogni qualvolta intervengono nuove osservazioni. L’analisi bayesiana ha quindi il vantaggio di imparare a predire le percezioni future a partire da quelle passate. Le informazioni provenienti, dai dati campionari inizialmente, e dalle predizioni successivamente, sono utilizzate per migliorare le predizioni future.
Di conseguenza abbiamo utilizzato le Valutazioni date dagli auditors nell’anno precedente per addestrare il modello e sulla base di queste predire quelle future.
Abbiamo fatto dei test per verificare la predicibilità del modello. Una parte dei dati dell’anno precedente sono stati usati per definire il modello, i restanti per verificare se la Valutazione con associata maggiore probabilità coincidesse o meno con quella corretta. I risultati hanno evidenziato un’efficienza che porta a una probabilità di predizione della Valutazione intorno al 60%.
Il modello è stato adattato alle problematiche specifiche del cliente con l’obiettivo di risolvere alcune criticità derivanti dall’insufficienza di dati per certe Valutazioni.

È preferibile prevedere anche senza certezza alcuna,
che non prevedere affatto
Henri Poincare

Questo sito web utilizza i cookie per capire come viene utilizzato il sito e per permettere l'accesso all'area riservata. I cookie non permettono di identificare l'utente. I cookie sono salvati sul tuo browser e sono utlizzati per personalizzare la tua esperienza sul nostro sito web. Continuando la navigazione sul nostro sito senza modificare le impostazioni, accetti il nostro utilizzo dei cookie. Comunque potrai modificare le tue impostazioni dei cookie in qualsiasi momento.