Demand Planning: come migliorare l'efficienza nel Manufacturing

L’obiettivo principale del Demand Planning è quello di garantire che uno specifico prodotto sia disponibile al momento giusto, nel posto giusto, e nella quantità necessaria. Per assicurare tale risultato occorre prevedere in anticipo le richieste del mercato e adattare di conseguenza i processi della Supply Chain. Nel Manufacturing ciò significa, tra le altre cose, gestire correttamente i tempi di produzione, in relazione alla capacità degli impianti (lead time), dimensionare l’inventario di materie prime, calcolare correttamente le scorte di prodotto, e, infine, assicurare la compliance normativa. Lo scenario è molto articolato ed eventuali errori possono tradursi in aumento dei costi operativi, perdita di revenue, e, infine, abbandono da parte dei clienti.

Demand Planning nel Manufacturing: i 4 punti fondamentali

I processi e le variabili che il demand planner deve controllare per ottimizzare la pianificazione sono molteplici, ed è necessario adottare dei modelli efficaci, in grado di individuare i punti critici e governarli. Nello specifico del Manufacturing, è opportuno che il Demand Planning si concentri su 4 aspetti fondanti:

  1. Gestione efficiente dei dati. La previsione della domanda si basa sull’analisi dei dati storicizzati (produzione, vendita, ecc.) e occorre, pertanto, un’infrastruttura efficiente di raccolta e analisi. McKinsey and Company sottolinea come la raccolta e l'integrazione automatica delle informazioni sia una sfida che non va sottovalutata. La disponibilità e la qualità dei dati fa la differenza in un processo di previsione. Per garantirle, occorrono investimenti tecnologici, competenze professionali e processi organizzativi dedicati.

  2. Rappresentazione dei prodotti in classi. Prodotti diversi sono spesso collegati tra loro e non hanno, perciò, una pianificazione indipendente. Ciò accade, ad esempio, nei kit, nelle varianti di un manufatto o nelle famiglie di prodotti. Per tale ragione è opportuno riunirli in classi, per adottare strategie produttive che facciano riferimento a caratteristiche omogenee (frequenza della domanda, lead time, processo di lavorazione, ecc.). In tal modo, i modelli previsionali sono mirati a ciascuna classe, con la conseguenza di semplificare sia la produzione che l’allocazione delle risorse necessarie (manodopera, impianti, materiali, ecc.).

  3. Adottare l’algoritmo giusto. Il modello matematico è alla base degli algoritmi di previsione, e va parametrizzato a seconda delle caratteristiche aziendali (portafoglio dei prodotti, variazioni della domanda nel tempo, modificazioni del lead time, ecc.). I diversi tipi di modelli esistenti (modelli statistici tradizionali, modelli di Machine Learning, modelli ibridi, ecc.) vengono adottati secondo opportunità. Le produzioni a variabilità limitata (ad esempio, componentistica automotive) possono utilizzare i modelli statistici tradizionali; per le produzioni altamente personalizzabili, destinate al mondo consumer, è opportuno basarsi su modelli di Machine Learning; i modelli ibridi, infine, sono indicati in caso di produzioni miste B2B-B2C.

  4. Integrazione tra i reparti. È importante implementare una visione olistica, non suddivisa in silos, della pianificazione produttiva. Le variabili che hanno impatto sul Demand Planning fanno riferimento a diverse direzioni aziendali e l’integrazione è necessaria per garantire l’allineamento agli obiettivi dell’impresa.

Demand Planning: il contributo dell’Artificial Intelligence

Il primo degli aspetti citati in precedenza, ovvero la gestione dei dati, assume un ruolo cruciale in quanto rappresenta la base su cui fondare tutte le decisioni previsionali. Lo scenario tipico è quello in cui sorgenti dati multiple (ad esempio, l’ERP – Enterprise Resource Planning, il MES – Manufacturing Execution System, o, infine, l’MRP - Material Requirements Planning) alimentano il Datalake aziendale. A partire da tale base dati, opportunamente strutturata, è possibile consolidare il Demand Plannning, calcolato sulla base di 3 variabili fondamentali:

  1. Forecasting. Le previsioni sul demand vengono effettuate analizzando lo storico delle vendite/forniture precedenti, combinato con le opportune variabili di contesto; tra queste assume un valore centrale il feedback dei clienti, la cui analisi indirizza le strategie di vendita.
  2. Inventory Optimization. Le quantità di materie disponibili a magazzino sono calcolate in base al demand in modo da abbattere i costi logistici.
  3. Out of Stock Analysis. L’analisi dello stockout riguarda non solo il punto vendita, ma l’intera catena di approvvigionamento

L’utilizzo dell’Artificial Intelligence e degli algoritmi di Machine Learning è centrale per ottimizzare tale calcolo, in quanto migliorano sensibilmente la precisione delle previsioni, e comportano una serie di vantaggi tangibili per l’azienda. L’ottimizzazione dell’inventario comporta l’abbattimento dei costi di produzione e una migliore gestione finanziaria: oltre a ciò, è possibile ottimizzare le risorse di manodopera e aumentare la soddisfazione dei clienti finali. L’implementazione di tale flusso di lavoro è resa possibile da tecnologie, come, ad esempio, Databricks, che coprono end-to-end le varie fasi del processo: raccolta e integrazione massiva di dati eterogenei, preparazione e modellazione dei dati, e, infine, l’addestramento dei modelli di Artificial Intelligence.

Le ricerche di settore evidenziano come Il mercato globale di software e servizi per il Demand Planning crescerà con un tasso composito (CAGR) del 10,8% anno su anno, nel periodo 2018-2028, passando da 2,8 miliardi di dollari del 2018, a 6,8 miliardi di dollari del 2028. La sola adozione delle tecnologie non garantisce, tuttavia, l’aumento delle performance nel Manufacturing. Per raggiungere gli obiettivi di efficienza è necessario implementare modelli adeguati, confermati dall’esperienza di settore.