Analisi Predittive, Machine Learning e AI nella Supply Chain per il Retail

Analisi Predittive, Machine Learning e AI nella Supply Chain per il Retail

12 Settembre 2017

<<Forbes>> Nel commercio al dettaglio, l'efficienza della catena di approvvigionamento è essenziale. La gestione degli inventari, il picking, l'imballaggio e la spedizione sono processi che richiedono tempo e risorse e che possono avere un impatto drammatico sul risultato economico di un'azienda.

Il problema è che si tratta di processi complessi, in particolare quando si tratta di operazioni su larga scala che coprono più punti vendita e territori. Il fatto che spesso dipendono da forze esterne - fornitori, fornitori di servizi e persino da condizioni meteorologiche - rende ancora più difficile riuscire a risolvere il problema.

Per questo motivo i retailer, sia grandi che sempre più piccoli, sono sempre più intenzionati ad adottare la tecnologia analitica basata sui Big Data. La creazione di efficienze in sistemi complessi che coinvolgono processi multipli e spesso compartimentati è un settore in cui questa tecnologia eccelle. In breve, si tratta della capacità delle macchine di realizzare un sacco di piccoli risparmi e efficienze, che messe insieme ne formano di molto grandi.

Monte Zweben - CEO di Splice Machine, che fornisce sistemi predittivi per l'industria, mi ha parlato di tre aree chiave in cui i retailer sono sempre più orientati verso l'analisi basata sui dati per aumentare l'efficienza nelle loro catene di fornitura. Abbiamo anche parlato del perché questo approccio diventerà sempre più importante per le imprese di tutti i settori che vogliono essere all'avanguardia e promuovere l'innovazione.

SODDISFARE PIÙ RAPIDAMENTE LE ESIGENZE DEI VOSTRI CLIENTI

L'attuale industria delll'Internet of Things significa che tutto è connesso e in grado di raccogliere e condividere dati sul suo funzionamento. Ciò significa che tutto può essere misurato e - attraverso l'uso di strumenti analitici avanzati come il machine learning - rigorosamente interrogato fino a quando non abbandona tutti i suoi segreti su come funziona e, soprattutto, come interagisce con ogni altra parte di un'operazione.

Tutti questi dati possono essere raccolti su un inventario: origini, rotte di transito, tempi di scansione o la posizione e lo stato sono segnalati da tag RF (Radio Frequency).

"Così, ora è possibile costruire un modello di machine learning", dice Zweben, "e quel modello potrebbe fare una previsione su qualsiasi aspetto dell'operazione in base ai dati che ha ottenuto.
Qual è la probabilità che non sarai in ritardo con questo ordine? Qual è invece la probabilità di essere un giorno in ritardo? Cinque giorni? Fondamentalmente è un problema di classificazione
".

Ciò significa che è possibile eseguire delle simulazioni approfondite, permettendo di valutare le implicazioni e gli effetti a catena del ritardo o delle scadenze mancanti prima che diventino un problema, anche se non possono essere completamente eliminati a causa della dipendenza da influenze esterne. In tal caso, è possibile intervenire prima che i clienti vengano danneggiati, cosa che probabilmente apprezzeranno per esempio con delle scuse via e-mail quando una spedizione rischia di essere ritardata, piuttosto che semplicemente dover attendere.

RIDUZIONE DEI TEMPI DI INATTIVITÀ DOVUTI A GUASTI E ROTTURE

La tecnologia avrà sempre dei problemi, si usurerà o si esaurirà - questo è certamente vero nelle applicazioni industriali che si affidano a macchinari complessi con parti in movimento che svolgono compiti specializzati.

"Se è possibile costruire modelli di apprendimento delle macchine che prevedano il tempo medio tra i guasti dei componenti in reti ingegnerizzate su larga scala e apprendano il vero lead time della sostituzione di tali componenti, è possibile ottenere un dashboard in tempo reale di ciò che si dovrebbe acquistare, sulla base delle previsioni di ciò che va a rompersi e di quanto tempo ci vorrà per sostituirlo", dice Zweben.

Questa manutenzione predittiva è stata inizialmente sperimentata nell'industria pesante, dove i tempi di fermo macchina possono avere conseguenze catastrofiche sui costi. Nella logistica della catena di approvvigionamento, sta iniziando ad essere utilizzata nelle operazioni di "picking and packing" basate sulla tecnologia, nonché nelle flotte di camion e navi adibite al trasporto.

TAGLIARE LE PERDITE E MASSIMIZZARE LO STOCK

Nel commercio al dettaglio, non tutte le scorte che entrano finiranno per essere vendute ai clienti - è un dato di fatto che una certa quantità sarà persa a causa di danni, cattiva gestione delle scorte, errori di inventario, frode e furto.

In un'operazione di supply chain monitorata efficacemente ai fini dell'analisi predittiva basata su dati, ci sono una moltitudine di opportunità per ridurre - e forse in alcune aree eliminare - questo "restringimento".

"Se si sta costantemente ordinando e c'è una situazione particolare in cui si ordinano centinaia di unità di qualcosa, è altamente probabile che ci sia un prodotto danneggiato.
Solo 90 unità vengono consegnate e dovete chiamare il vostro fornitore e dire che avete bisogno di altre 10 unità - potete "imparare" questa contrazione attraverso la vostra linea di fornitura. Questo significa che potete prevedere quanto avete realmente bisogno di ordinare
", mi dice Zweben.

IL FUTURO

In futuro, l'analisi basata sui Big Data così come il Machine Learning, svolgerà un ruolo sempre più importante nell'ottimizzazione della supply chain. Oggi è più probabile che sia di dominio delle grandi reti nazionali e internazionali, a causa della necessità di grandi volumi di dati aggiornati e dei costi e della complessità che ne derivano.

Tuttavia, sempre più spesso l'infrastruttura fornita da piattaforme analitiche "as-a-service" e "out-of-the-box", combinate con nuovi mercati per l'acquisto di dati esterni, aprirà la porta a operazioni su scala più ridotta. Ciò significa che la voglia di nu'azienda per l'innovazione, piuttosto che le dimensioni del suo budget analitico, diventerà sempre più il fattore decisivo tra coloro che possono e quelli che non possono sfruttare questa tecnologia dirompente.

Articolo tradotto da:
Forbes

Topic:
Supply Chain, Retail, Artificial Intelligence, Machine Learning, Big Data

 

Login

Per poter acquistare i prodotti sul nostro sito è necessario accedere con la propria email e password.

Accedi

Password dimenticata?
Non possiedi i dati di accesso? Registrati

Chiudi