Secondo il “2024 Annual Industry Report” di MHI, l’adozione di soluzioni basate su Artificial Intelligence e Machine Learning, in ambito Supply Chain, nel 2026 arriverà a una crescita del +60% rispetto al 2020. Ciò è dovuto, probabilmente, al vantaggio che le aziende possono trarre dall’analisi congiunta di dati storici e dati raccolti sul campo, che consente di individuare pattern di comportamento e anticipare gli eventi, rendendo possibile il demand forecasting. C’è, però, un secondo vantaggio, non meno importante, legato all’utilizzo del Machine Learning nella Supply Chain, ed è l’ottimizzazione delle attività operative del magazzino, quali, ad esempio, l'inventario, l’evasione degli ordini o la pianificazione dei trasporti. Attività, queste, che se ottimizzate consentono di migliorare significativamente le performance dell’intera filiera.
Logistica efficiente: quali dati servono per misurare le performance
Il WMS, in quanto piattaforma di controllo delle attività logistiche, ha la possibilità di raccoglie e organizzare non solo i dati dei processi in magazzino, ma anche le informazioni provenienti da sistemi collegati, quali, ad esempio, l’ERP aziendale, il Manufacturing Execution System o le piattaforme di Transportation Management. La disponibilità di tali informazioni, oltre ad offrire una visibilità end-to-end sull’intera filiera logistica, è il presupposto fondamentale per ogni iniziativa di miglioramento dei processi. Il Logistic Manager, dunque, deve predisporre la raccolta dei dati dalle diverse fonti, con la necessaria granularità:
-
Warehouse Management System. È la sorgente principale di informazioni. Il database del WMS contiene informazioni, quali, ad esempio: dati di inventario (giacenze, soglie minime e massime, frequenze di prelievo e rifornimento per singola SKU, ubicazione dei prodotti, prelievi in base alle ciclicità aziendali, tempi di rifornimento, ecc.); dati di inbound e outbound (numero di operazioni e tempi); formazione ordini, con processi e tempi per il picking manuale o automatico; flussi dati dai sensori, relativi al tracking dei prodotti e al funzionamento dei sistemi automatici. Se il processo produttivo prevede un magazzino asservito alla produzione (assemblaggi, kitting, personalizzazioni, ecc.) vanno raccolti i relativi dati, come, ad esempio, la disponibilità dei componenti, il personale necessario, i tempi di lavorazione, ecc.
-
Enterprise Resource Planning. Il gestionale aziendale contiene informazioni cruciali per la gestione e per la composizione dell’ordine (volume, mix dei prodotti, valore economico, frequenza d’acquisto, stagionalità, ecc.) e per l’approvvigionamento (elenco dei fornitori in relazione ai prodotti; tempi di consegna, accordi contrattuali, ecc.).
-
Manufacturing Execution System. Fornisce una serie di informazioni cruciali per coordinare lo stoccaggio. Si pensi, ad esempio, al magazzino “make-to-order”, in cui la produzione non è pianificata su stime, ma eseguita in base agli ordini del cliente. Il MES fornisce al WMS informazioni, quali, ad esempio: piani di produzione (ordini di lavoro, priorità, quantità da produrre, tempi, ecc.); disponibilità di materie prime e semilavorati; requisiti di imballaggio e spedizione; informazioni sulla qualità dei prodotti in produzione; pianificazione della manodopera (labour management); dati di monitoraggio (tempi di ciclo, produttività, tempi di inattività, ecc.).
-
Transportation Management. Fornisce tutti i dati relativi ai prodotti in uscita, fino alla consegna al cliente e all’eventuale reso (logistica inversa): dati di carico (ingombro, peso, uso dello spazio, imballaggio), scelta del corriere, negoziazione delle tariffe, copertura dell’ultimo miglio.
È evidente come le performance della logistica siano condizionate dalla combinazione di un elevato numero di variabili. Se da un lato la maggiore quantità di dati è necessaria per un tuning raffinato dei processi, dall’altro risulta assai difficile ottenere informazioni “azionabili” senza il supporto di software specializzati.
Ottimizzare la logistica con il Machine Learning
È in tale contesto che l’uso degli algoritmi di Machine Learning all’interno della Supply Chain può comportare benefici immediati sulle attività logistiche. Il demand forecasting è senz’altro il più importante: grazie all’analisi congiunta dello storico degli ordini, della stagionalità e di altre variabili contestuali (eventi non prevedibili, condizionamenti sociali, ecc.), è possibile individuare comportamenti abituali o pattern che consentono di anticipare le richieste del mercato, con un evidente beneficio per la gestione dei piani di produzione, dell’inventario e degli approvvigionamenti.
Il potenziale del Machine Learning, tuttavia, può essere utilizzato per ottimizzare una vasta serie di attività operative. Grazie ai dati raccolti dal WMS, infatti, è possibile costruire modelli predittivi applicabili ai diversi processi di magazzino:
-
Order management. Il Machine Learning, mettendo in relazione i dati forniti dall’ERP (ordini dei clienti), con quelli del WMS (evasione dell’ordine), dà un contributo fondamentale per la gestione degli approvvigionamenti e per il ritorno economico. Si pensi, ad esempio, al rapporto tra distribuzione geografica dei clienti, concentrazione degli ordini, stagionalità, frequenza d’acquisto dei prodotti e valore economico dell’ordine.
-
Adozione di sistemi automatici. Lo spostamento dei prodotti all’interno del magazzino (per operazioni di inbound, outbound o picking) può migliorare continuamente grazie all’uso di robot (AMR) governati da algoritmi di Machine Learning.
-
Ottimizzazione dei trasporti. Utilizzando algoritmi di Machine Learning, è possibile individuare la rotta e il vettore migliore in relazione ai costi e ai tempi di consegna, grazie a modelli predittivi che analizzano lo storico delle consegne, la disponibilità dei veicoli, l’ottimizzazione del carico, le condizioni del traffico e le situazioni atmosferiche. Un caso di studio di McKinsey documenta un risparmio del 10% sui costi grazie all’uso del Machine Learning.
-
Manutenzione predittiva: il Machine Learning consente il passaggio dalla manutenzione ordinaria o preventiva a quella predittiva. Mentre nel primo caso le attività sono eseguite su indicazioni del costruttore o secondo best practice, nel modello predittivo gli interventi sono determinati in base a dati storici di funzionamento, ai carichi di lavoro attesi e alle variabili di contesto. Grazie alla manutenzione predittiva è possibile, quindi, ottimizzare il funzionamento dei macchinari presenti nell’impianto, evitando disservizi e rallentamento dei processi.
L’uso del Machine Learning apre nuove prospettive per la Supply Chain e la logistica. Grazie all’ML, oggi, è possibile elaborare modelli previsionali per la gestione del demand e ottimizzare svariate operazioni di magazzino. Tali risultati, tuttavia, sono possibili soltanto fornendo agli algoritmi di Machine Learning le basi dati su cui elaborare i modelli. In assenza di tali informazioni, le indicazioni fornite dagli algoritmi non solo risulterebbero inutili, ma potenzialmente dannose, in quanto non permetterebbero di rappresentare contesti operativi reali.
Qualità, quantità, precisione e dettaglio delle informazioni sono il presupposto fondamentale per ottenere benefici reali dal Machine Learning. Può iniziare, in tal modo, il percorso evolutivo che, secondo l’Harvard Business Review, porta all’”Optimal Machine Learning” nella Supply Chain, ovvero la possibilità di prendere decisioni in tempo reale basate su una gamma più ampia di variabili aziendali, legate ai piani finanziari, alla gestione delle risorse umane e alla relazione con la clientela.
