L'ottimizzazione della supply chain guidata dai dati applica l'analisi prescrittiva della programmazione matematica e della ricerca operativa (OR) per fornire un supporto decisionale alla supply chain a livello strategico, tattico e operativo. Catturando correttamente le decisioni da prendere (variabili decisionali), le prestazioni da ottimizzare (funzione obiettivo) e i requisiti e/o le limitazioni da soddisfare (vincoli), un modello di ottimizzazione può prescrivere le soluzioni migliori (o migliori) per la progettazione della rete della supply chain (strategica), la configurazione della supply chain e la pianificazione della produzione (tattica) e l'allocazione delle risorse, l'instradamento e la programmazione (operativa). La sua caratteristica data-driven permette di separare un modello dai suoi dati di input e di prescrivere soluzioni ottimali e raccomandazioni adatte all'ambiente aziendale odierno, mutevole e volatile. Gli strumenti di ottimizzazione della supply chain progettati su misura e basati sui dati, adattati al contesto aziendale e alle esigenze decisionali di un'azienda, sono la chiave del vantaggio competitivo e del successo dell'azienda.

Quali sono le nuove tendenze e opportunità per l'ottimizzazione della supply chain basata sui dati.

In primo luogo, il rapido progresso delle tecnologie dell'informazione (IT) e la vasta disponibilità di big-data, in termini di volume, velocità e varietà, rendono possibile affrontare e risolvere problemi innovativi di ottimizzazione della supply chain che prima non erano risolvibili. Alcuni esempi sono la manifattura avanzata con l'Internet of Things (IoT), la catena di approvvigionamento alimentare e agricolo intelligente dal punto di vista climatico e le catene di approvvigionamento efficienti e resilienti nei settori della sanità, dell'energia e delle telecomunicazioni. In secondo luogo, stanno emergendo tre dimensioni di complessità per l'ottimizzazione della supply chain: dinamica, incertezza e molteplici decisori (impostazione teorica dei giochi). Queste dimensioni richiedono l'integrazione di più tecniche di analisi e intelligenza artificiale (IA): descrittiva, predittiva e prescrittiva. Inoltre, le moderne applicazioni per l'ottimizzazione della supply chain devono affrontare molteplici metriche di performance (spesso in conflitto), ad esempio efficienza, costi, redditività, equità, resilienza e sostenibilità.

Quali sono le migliori pratiche per sviluppare applicazioni di ottimizzazione della supply chain di livello ndustriale.

In primo luogo, lo sviluppo e l'implementazione di applicazioni di ottimizzazione della supply chain richiedono la collaborazione e il lavoro concertato di un team di esperti in materia, modellatori di ottimizzazione e sviluppatori di software, con il supporto di stakeholder e leadership. In secondo luogo, per la costruzione dei modelli si raccomanda una modellazione incrementale. In altre parole, si inizia con la modellazione delle esigenze decisionali fondamentali per ottenere un prototipo per la proof-of-concept; poi si aggiungono progressivamente nuove funzionalità e componenti con una maggiore complessità, ad esempio quelle che riguardano la dinamica, l'incertezza o l'impostazione teorica dei giochi. Infine, ma non meno importante, coinvolgere gli utenti e le parti interessate dall'inizio alla fine. Cercate i loro input e feedback per la creazione dei modelli, i casi d'uso, l'analisi degli scenari, la progettazione dell'interfaccia grafica utente (GUI) e, soprattutto, la valutazione e l'analisi del supporto decisionale e delle intuizioni manageriali fornite dall'applicazione di ottimizzazione.

Il potere della previsione: L'ascesa delle catene di fornitura intelligenti.

Esistono tre diverse fasi dell'evoluzione della supply chain di un'azienda. La prima fase, una supply chain statica, non ha visibilità. Si basa su informazioni fisse e di base e non tiene conto dei fattori esterni. Sebbene sia facile da implementare, il valore è basso perché è altamente suscettibile alle interruzioni. In questa fase regnano i processi manuali tradizionali, come il calcolo degli ETA in base alla distanza o la gestione manuale di piazzali, inventario e prenotazione degli slot. Se in passato tutto ciò funzionava, nel panorama attuale non è in grado di soddisfare la crescente domanda. Ha poca forza di resistenza.

Una catena di fornitura dinamica è la fase successiva. Questa fase richiede un livello moderato di implementazione, poiché utilizza una combinazione di dati in tempo reale provenienti da fonti interne ed esterne. Il valore aumenta con l'utilizzo della visibilità di base e dell'automazione del flusso di lavoro, con conseguente riduzione dei costi e migliori approfondimenti. I processi dinamici consentono l'analisi dei tempi di sosta, gli avvisi in tempo reale, l'analisi delle prestazioni dopo il viaggio, l'ottimizzazione della forza lavoro e le applicazioni rivolte ai conducenti. Anche se l'ottimizzazione è migliore rispetto a una supply chain statica, questa fase non è ancora in grado di sfruttare appieno il potenziale delle operazioni.

La fase finale è la supply chain predittiva. Una supply chain predittiva sfrutta la visibilità in tempo reale e gli algoritmi predittivi basati sul deep learning. Poiché si basa su dati di alta qualità per l'addestramento, il test e la manutenzione, l'implementazione può essere complessa, ma il valore è elevato. La gestione automatizzata del flusso di lavoro e il supporto decisionale sostituiscono le attività manuali che richiedono molto tempo. I processi automatizzati consentono l'ottimizzazione del carico e della capacità, la pianificazione del magazzino e la prenotazione degli slot, gli ETA predittivi multimodali, l'analisi dei rischi, la rendicontazione dell'impronta di carbonio e altro ancora. Con una supply chain predittiva, è possibile identificare i problemi prima che si verifichino e liberare risorse per concentrarsi su attività più importanti.