Data Science e supply chain: far collaborare persone e algoritmi

Una nuova era per la gestione della supply chain

Sotto l’impulso della ricerca accademica e di grandi imprese come Walmart o Procter & Gamble, il settore della logistica ha subito una prima importante trasformazione nel corso degli anni ’90. Mentre alcuni attori sono tuttora impegnati a implementare migliori pratiche, i Big Data stanno oggi rivoluzionando ancora una volta la supply chain.

Con il nome di “Supply Chain 4.0” o di “supply chain connessa” questi promettenti progressi sono stati resi possibili da team di data scientists che hanno messo a frutto l’intelligenza artificiale, la blockchain o la robotica per sviluppare soluzioni all’avanguardia come Generix Collaborative Replenishment, il software di Generix Group per la gestione collaborativa degli approvvigionamenti. Queste tecnologie mirano a far diventare la supply chain più agile, più prevedibile e più redditizia per le aziende. In che modo? Accorciando i tempi di approvvigionamento, automatizzando del tutto la previsione della domanda, o, ancora, migliorando la puntualità in termini di produzione e di consegna.

Il contributo dellaData Science alla supply chain

Saper prevedere la domanda

Capaci di sfruttare fonti di informazioni molto estese e diversificate, la Data Science e il Machine Learning sono particolarmente interessanti per identificare le tendenze in una vastissima quantità di dati.

Nel settore della supply chain, la Data Science è utile in particolare per:

• identificare i segnali deboli da monitorare attivamente per elaborare scelte prospettiche;
• integrare i dati provenienti da fonti diverse (web ecc.);
• raggruppare i prodotti in base ai diversi comportamenti di consumo;
• porre in evidenza le strategie d’azione adatte a ogni situazione.

Ottimizzare la gestione dei flussi logistici

Per quanto concerne la gestione degli stock di magazzino, l’analisi dei dati può essere correlata a determinati fattori esterni (problemi di approvvigionamento di materie prime, traffico delle merci, condizioni meteorologiche ecc.) in modo da aiutare le aziende a ridurre i rischi di rotture.

Per facilitare la scelta dei vettori e ottimizzare l’organizzazione dei giri di consegna con un software gestione trasporti, si possono prendere in considerazione una molteplicità di fattori: costi, tipo di prodotti da prendere in carico, norme e condizioni specifiche di trasporto, imballaggio, traffico stradale ecc.

Distribuendo in maniera ottimale le attività in funzione dei dati specifici del magazzino, gli algoritmi di intelligenza artificiale consentono anche di realizzare una migliore allocazione delle risorse e di conseguire rendimenti elevati.

Migliorare la relazione con la clientela

Grazie alla Data Science, la relazione stabilita con il consumatore si fa sempre più personalizzata. Gli algoritmi di Machine Learning non supervisionati permettono in particolare di segmentare molto finemente la clientela in modo da calibrare al meglio le offerte promozionali e i servizi da proporre a ciascun profilo cliente.

Abbinati all’analisi dei resi, i dati che scaturiscono da questa segmentazione offrono informazioni preziose sui processi che potranno essere attivati per migliorare la customer satisfaction, che resta una delle principali preoccupazioni dell’intera supply chain.

La collaborazione uomo-macchina: una questione prioritaria per la Data Science

Dai dati all’azione

In qualsiasi processo di intelligenza artificiale, l’autonomia attribuita alla macchina si consolida per gradi. Lo schema sotto riportato proposto dalla società americana di consulenza strategica Gartner mostra come le attività affidate ai sistemi (in blu) stanno progressivamente sostituendo l’intervento umano (rappresentato in verde).

La collaborazione uomo-macchina avviene secondo 4 grandi fasi:

1. l’analisi dei dati condotta della macchina (Analytics);
2. l’intervento umano necessario per interpretare i dati (input umano);
3. la risultante assunzione delle decisioni (decisione);
4. la trasformazione in azione concreta (azione).

Nel corso degli anni la percentuale di autonomia lasciata alla macchina è cresciuta sempre di più ed in futuro sarà forse possibile, riporre una fiducia totale nel sistema. Tuttavia, per fare in modo che la macchina sia in grado di prendere decisioni al pari dell’uomo, è indispensabile una fase di interazione nei diversigradi di elaborazione dell’algoritmo. Questa fase sarà più o meno lunga e approfondita in funzione del livello di autonomia auspicato.

I diversi tipi di algoritmi

A seconda della natura e dell’entità della collaborazione tra l’uomo e la macchina, si distinguono tre grandi famiglie di algoritmi di Machine Learning: apprendimento in modalità supervisionata, non supervisionata o per rinforzo.

L’apprendimento supervisionato

Nella modalità supervisionata gli algoritmi funzionano sulla base di dati selezionati dall’uomo per le loro caratteristiche e il loro impatto noto sul risultato. Ad esempio, la curva delle temperature esterne influenza le vendite di bevande, oppure il numero di ordini da spedire influisce sul carico di picking nel magazzino. I modelli di vendita previsionali utilizzano in particolare questo tipo di algoritmo.

In questo caso, l’intelligenza è perlopiù apportata dall’uomo. La macchina, quindi, viene utilizzata fondamentalmente per le sue capacità di calcolo in base a una molteplicità di dati.

L’apprendimento non supervisionato

Questa modalità risponde a due obiettivi in particolare:

• creare dei cluster, ossia dei gruppi di individui che hanno comportamenti simili, al fine di definire regole di gestione affinate e quindi particolarmente efficaci;
• individuare, grazie alla macchina, i dati che hanno un impatto sulle performance della supply chain: l’approccio teorico non basta spesso a rilevare e a spiegare determinati fenomeni che potrebbero compromettere l’efficienza di un magazzino. Essendo in grado di identificare anche i segnali deboli, in tempo reale e in maniera continuativa, la macchina rappresenta quindi un potente vettore di analisi delle attività, e quindi di miglioramento dei processi aziendali.

In entrambi i casi la macchina è utile per stabilire la diagnosi, mentre l’essere umano interviene nell’utilizzo dei dati e nella definizione delle azioni che verranno intraprese di conseguenza.

L’apprendimento per rinforzo

Principalmente utilizzati dagli assistenti vocali o bancari e dalla robotica, questi algoritmi funzionano su cicli esperienziali migliorando le performance a ogni iterazione. Questa è la modalità di collaborazione più stretta tra l’uomo e la macchina. Attraverso un principio di scoring, la persona insegna progressivamente al sistema a prendere le decisioni migliori, in questo modo trasferisce alla macchina la propria esperienza e la addestra ad adattarsi a una molteplicità di situazioni diverse.