By Chris Potts

September 2019

Advanced Portfolio Management: Goals-Driven Investment in Change

Why your Portfolio Managers, Enterprise Architects and Business Analysts are now more valuable than ever

The world of business change just keeps on changing. Turning goals into outcomes at market-speed, through dynamic and co-ordinated investments, is now core to every enterprise’s choices and results. Change Portfolios must be goals-driven, agile, extroverted and efficient. Traditional portfolios – projects-driven, static, and often introspective – are becoming constraints on enterprise performance. It’s time to innovate, transform, and build on the platform they created. Portfolio Managers, Enterprise Architects and Business Analysts are at the heart of that journey, working closely together as one investment-focused team.

Innovating in How We Create Outcomes from Change

The way your enterprise operates, the outcomes it produces and how much that costs, are cumulative results of all the changes that have happened since the day that it came into being. That your enterprise exists, and is achieving its goals, shows how well it has invested in change, and created whatever value was needed.

Some of those changes worked better than others, and some didn’t work at all. Change, like anything we invest in, is a risky business. The collective performance of changes matters more than the success-rate of individual initiatives. Being excellent at investing in change is about enterprise-wide portfolio management.

The world of change is continually changing, so we need to keep innovating in our change-related methods and roles. Sometimes, incremental innovations are all that are needed, other times only breakthrough advances will do. When our approach is beginning to constrain our performance, it’s time to rethink, redesign and upgrade it. Doing the same things better or quicker, will not be enough to keep-up with the times.

Change is Accelerating, Outside-In

Speed, at turning ideas into outcomes, has become vital for success at investing in change. Markets transform, and customer choices evolve, faster than many enterprises are capable of changing, yet slower than others would prefer. Getting out-of-sync with the market, one way or the other, is now more likely than ever and will soon show up in our business results.

Take a look at the changes you invest in today. How many are rooted in ideas and outcomes ‘out there’ in the market, rather than ideas that come from within? For those of us old enough to remember, changes used to be mostly introspective, such as streamlining internal processes, re-organising activities and departments, and upgrading computer systems. Now, most have to be extroverted – dealing with market transformations, customer experiences, fluid external processes, technological revolutions, regulatory changes, and so on.

That shift, from introspective to extroverted change, has exploded both the volume and diversity of ideas for investment, and the risk of our changes fragmenting. This new wealth of choices favours those who know best how to filter and value them, to co-ordinate changes as an efficient portfolio, and fit them together as a coherent enterprise structure. The portfolio’s performance is the ‘proof of the pudding’ – measured by the goals we achieve, the risks we incur, total resources we use, and what impact it all has on our operating costs. A projects-driven portfolio cannot tell us that story, the data are simply not there. If that is what we are currently using, it is time to transform to goals-driven change.

From Projects-Driven to Goals-Driven Investment in Change

The value of the changes we invest in, is in how much they contribute to our goals. Together, they must deliver the outcomes we need – and no more – with the minimum totals of risks and resources. As the principles of portfolio management are there to remind us, the benefits, costs and risks of each change must be considered in context of the portfolio as a whole. The most attractive individual investments are not always the best ones to invest in.

A projects-driven portfolio kick-starts our journey to excellence at investing in change. It doesn’t end there. Choosing and managing projects, and the resources they collectively need, are essential first-steps to what follows. Goals, not projects, need to drive our portfolio. Even the idea of a traditional project, as the primary vehicle for change, is itself being challenged by more flexible and speedy approaches. Our portfolio cannot be driven by specific change methods, whether projects or anything else, so it can equally handle them all.

The longer our enterprise uses a projects-driven portfolio, the more likely that solution will become the constraint. To build on the platform it created, and before the value of portfolio management fails to move with the times, we need to upgrade to the next-generation portfolio, and beyond. Who should we expect to lead that journey, and to manage our portfolio’s performance?

Your Next-Generation Change Portfolio Team

Executives govern the enterprise’s performance at creating value though investments in change. They set the investment goals and priorities, choose the portfolio of changes to invest in, and monitor the outcomes produced.

They are likely to delegate day-to-day management of their Change Portfolio, to a relatively small and multi-disciplined team. In many organisations today, the roles that team comprises are most-often found in IT. Where they are located is much less important than the purpose they represent, the connections and influence they have, and their understanding of the enterprise and its culture. Here are the people that make-up that team, and what they ‘bring to the party’:

Portfolio Managers

Co-ordinating the outcomes that changes deliver – to achieve the portfolio goals, with the least-possible risks and resources, and with the best probabilities of success.

Enterprise Architects

Fitting-together individual changes – to deliver the agreed ‘big picture’ blueprint, and transform the enterprise in-sync with the market.

Business Analysts

Filtering and defining the best changes to invest in, from a diverse range of ideas and options – to deliver the contributions the portfolio requires, at the speed with which they are needed.

So, in today’s high-paced, diverse and extroverted world of change, your Portfolio Managers, Enterprise Architects and Business Analysts are central to your capabilities for investing in change, and more valuable than ever before. It is vital they are working as one team, are linked-into the structure for implementing change, while remaining autonomous from implementation itself. There is a creative tension needed between investment and implementation, for portfolio management to function properly.

And if you are still using a projects-driven portfolio, it’s time your Change Portfolio team transformed it to goals-driven. That way, you can continue to achieve your enterprise goals, at the speed you need to achieve them, given all the ideas and changes that keep happening out-there in the market.

Advanced Portfolio Management: Goals-Driven Investment in Change

Per ridurre le possibilità di risultati errati, all’intelligenza artificiale servono dati “perfetti”, che però sono ovviamente impossibili. Ma la buona gestione dei dati può migliorarne la qualità


Negli ultimi anni, l’intelligenza artificiale (AI), nota anche come machine learning (ML), cognitive computing e così via, è diventata il Santo Graal per praticamente tutti i business. Secondo l’hype, rivoluzionerà le vendite con una segmentazione avanzata per l’acquisizione, la fidelizzazione e l’upselling dei clienti. Ottimizzerà i sistemi di produzione e le supply chain, anticipando problemi e opportunità. Guiderà i TIR e farà volare gli aerei. Converserà in modo sensato con le persone, sostituendo molti membri del personale di supporto. Diagnosticherà le malattie e fornirà trattamenti e farmaci personalizzati.

L’elenco potrebbe continuare all’infinito e, in molti casi, le prime applicazioni dell’AI in queste aree sono già sul mercato: la corsa in effetti è già iniziata. Secondo gli esperti del settore, se non si adotta l’AI in maniera aggressiva, si rimarrà indietro in un mercato trasformato digitalmente in cui i vincitori prendono tutto. Ma mi permetto di dissentire. È fondamentale fare qualche passo indietro per vedere il quadro più ampio, per vedere da dove proviene l’AI, come funziona veramente e dove non funziona, e soprattutto perché dipende interamente da un argomento cruciale che motiva chi si occupa di business intelligence (BI), data warehouse e data lake: il data management.


L’AI come traguardo finale dell’evoluzione della BI – “Artificial Unintelligence: how computers misunderstand the world” (“La non intelligenza artificiale, ovvero come i computer fraintendono il mondo”) di Meredith Broussard offre uno sguardo di prima mano sull’AI “vera”. Un po’ come la mia opera simile “Business unIntelligence”, quella di Broussard offre una visione alternativa e più sfumata rispetto a quella dei testi più standard. Il messaggio è che “il tecno-sciovinismo, ovvero la convinzione che la tecnologia sia sempre la soluzione”, induce molte persone altrimenti riflessive a “presumere che i computer ottengano sempre la soluzione giusta”. Di particolare interesse qui, è la sua conclusione spesso dichiarata che l’AI è completamente basata sui dati. Il risultato di qualsiasi processo di intelligenza artificiale dipende interamente dalla pertinenza, completezza e pulizia dei dati che vengono utilizzati per il training del processo stesso, e sui quali successivamente questo opera.

Tale conclusione non dovrebbe sorprendere chiunque provenga da un background di tipo data warehousing o data lake o BI: si sa fin dai primissimi giorni della BI che la qualità dei dati è la chiave per ottenere risultati validi. L’intelligenza artificiale è semplicemente l’ultima fase dell’evoluzione della BI. Questa relazione è meno ovvia perché i casi più strombazzati sembrano molto lontani dalla BI tradizionale. Tuttavia, prendiamo in considerazione i veicoli autonomi: il ruolo dell’AI è interamente di supporto al processo decisionale. Quale percorso pianificare? Quali cambi di percorso vanno fatti per il traffico? A che velocità guidare? Quali ostacoli sono fermi e quali si stanno muovendo? Come evitarli? In caso di conflitto, quali ostacoli (persone e biciclette, per esempio) sono più importanti da evitare? Naturalmente, queste non sono decisioni di business e molte di loro sono di natura operativa. Tuttavia, i parallelismi dovrebbero essere chiari. L’intelligenza artificiale si basa sull’automazione del processo decisionale. L’evoluzione del supporto al processo decisionale può essere suddivisa in quattro fasi:

1) Descrittiva: cosa è successo?
2) Diagnostica: perché è successo?
3) Predittiva: cosa potrebbe accadere? (questa è sempre più una considerazione operativa)
4) Prescrittiva: fai accadere alcuni risultati (automaticamente).

Questo approccio suggerisce inoltre che più le aziende seguono questo percorso evolutivo, più il valore aumenta, così come la complessità dello sforzo. Mentre le fasi precedenti sono fornite da strumenti di reporting e BI tradizionali, le fasi successive richiedono prima strumenti di data mining o analitici, e successivamente approcci AI e ML. Tuttavia, i confini tra queste categorie di strumenti sono molto vaghi. La funzione offerta dai moderni strumenti di supporto decisionale è più il risultato dello sviluppo storico del prodotto che dei confini di categoria ben definiti.

Questa classificazione e i costrutti similari non mostrano esplicitamente come cambiano e crescono anche i dati necessari nelle diverse fasi. È possibile pensare a una curva con fasi corrispondenti:
1) Predisposta: l’IT fornisce i dati che ha o può facilmente ottenere, si tratta dell’ETL di base (estrazione, trasformazione, loading);
2) Reattiva: al crescere delle esigenze di business, la data delivery comincia a essere difficoltosa, così vengono realizzati sistemi di delivery sempre più complessi e ad hoc, si tratta dei primi progetti di data mart e data lake;
3) Integrativa: l’IT integra un’ampia selezione di dati aziendali per facilitare e velocizzare la consegna del supporto decisionale, si tratta del data warehouse avanzato;
4) Adattiva: un’infrastruttura di delivery flessibile offre sia dati integrati sia nuovi, provenienti da molte fonti, tra cui l’Internet of Things, e questo richiede un’architettura dati completamente modernizzata. Quando l’IT segue questo percorso, la sua attenzione deve essere sempre più rivolta alla gestione e alla governance dei dati.


L’AI richiede dati sempre più perfetti – Considerato che l’AI è integrata sempre più a fondo nel processo decisionale, i tipi di decisioni prese diventano più complessi e i loro risultati hanno un impatto maggiore sulle persone coinvolte. Per esempio, l’apprendimento automatico è già utilizzato per implementare la cosiddetta ottimizzazione dei prezzi (perché l’ottimizzazione riguarda in realtà i profitti). La segmentazione dei clienti consente di offrire prezzi diversi per lo stesso articolo a diversi sottogruppi della popolazione, per testare la sensibilità dei prezzi. Gli studi dimostrano che i risultati spesso discriminano le minoranze o specifici sottogruppi della popolazione. Mentre si può sostenere che l’impatto delle piccole differenze di prezzo è minimo, le applicazioni di tecniche simili alla verifica delle domande di lavoro, all’accettazione o al rifiuto di proposte assicurative o alla stima di comportamenti fraudolenti – tutti usi attuali dell’AI – hanno implicazioni di lungo periodo. Sbagliare tali decisioni è immorale e indifendibile. Il problema di fondo è la qualità dei dati utilizzati nella formazione e nell’esecuzione dei modelli di apprendimento automatico. Può derivarne un’ampia gamma di problemi di distorsione (involontaria o meno), dati mancanti o valori errati. Il fatto fondamentale è che i livelli di qualità dei dati dipendono dall’applicazione. I dati raccolti per uno scopo potrebbero funzionare bene per quel caso d’uso ma potrebbero essere completamente inadeguati per l’addestramento di un algoritmo di AI. Le importanti variabili determinanti potrebbero non esistere nel set di dati, ma il machine learning troverà un insieme di variabili comprese che sono correlate, anche in assenza di effetti causali razionali. In effetti, l’intelligenza artificiale richiede dati “perfetti” per eliminare o addirittura ridurre al minimo le possibilità di previsioni o prescrizioni errate. Ma i dati perfetti sono, ovviamente, una richiesta impossibile per qualsiasi sistema IT.


La necessità della gestione dei dati – Sebbene la perfezione dei dati sia impossibile, si può certamente migliorare di molto la qualità dei dati sia nei sistemi esistenti sia in quelli nuovi. Il percorso passa attraverso una nuova e maniacale attenzione alla gestione e alla governance dei dati nell’intero ambiente IT. Ma questo non arriverà a buon mercato, in quanto richiede investimenti significativi sia di capitale sia di operazioni, in particolare nel personale, in termini di numeri e di competenze. Ma richiede anche un grado di supporto da parte del management esecutivo superiore a quello visto finora nella maggior parte delle aziende.

Siamo pronti a fare un tale investimento infrastrutturale nella gestione e nella governance dei dati parallelamente alla diffusione dell’AI? O siamo disposti a rischiare il danno reputazionale e finanziario derivante da alcuni risultati prevedibili, evitabili e non etici degli algoritmi di intelligenza artificiale?