Analisi dati descrittiva, predittiva e prescrittiva per un WMS più efficiente e adattabile

06 ott 2023

Mustafa Çagri Gürbüz, Professore di Gestione della supply chain del MIT-Saragozza

DI MUSTAFA ÇAĞRI GÜRBÜZ
Professore di Gestione della Supply Chain del MIT-Zaragoza International Logistics Program

Raggiungere un equilibrio tra offerta e domanda rappresenta una delle principali sfide della gestione della supply chain. Si tratta di una sfida imponente data l’incertezza che sorge nel processo di fornitura (come il rendimento aleatorio e le interruzioni) e nelle fluttuazioni della domanda, come la stagionalità. I magazzini, come parte integrante delle supply chain, svolgono una funzione cruciale dato che agiscono da intermediari tra produttori e clienti. Anche quando le scorte non sono disponibili, queste strutture rimangono il principale anello di congiunzione tra le due estremità della catena, come esemplificato dai cross-dock. Oltre a mantenere l’inventario, i magazzini hanno come obiettivo quello di ridurre i costi (costi di trasporto in entrata e in uscita) tramite il consolidamento dei prodotti e riuscire così ad ottenere economie di scala.

Garantire il livello di servizio (tempi di risposta rapidi e alta disponibilità di stock) al minor costo possibile risulta più complicato di quello che sembra. Questo si deve, tra altre ragioni, ai cicli di vita più corti dei prodotti, alla loro deperibilità in molti settori (dispositivi elettronici, abbigliamento, alimenti freschi…), alla proliferazione delle referenze, alla complessità delle supply chain e alle esigenze dei consumatori che cercano prodotti altamente personalizzati. Dato che i processi di offerta e domanda producono un impatto significativo nelle operazioni logistiche, qualsiasi anomalia potrebbe causare interruzioni o inefficienze considerevoli nel funzionamento del magazzino.

Ad esempio, la probabilità di interruzioni del fornitore principale può portare le aziende a ordinare da più fornitori o ad aumentare i livelli di stock per mitigare il rischio. Questo tipo di decisione può incrementare la complessità dei processi di ricezione nelle installazioni e rendere necessari investimenti aggiuntivi per ampliare la capacità di stoccaggio. Le interruzioni minori, come i ritardi nella consegna di fornitori e le fluttuazioni della domanda a breve termine, possono anche rendere difficoltosa la sincronizzazione dei processi in entrata e in uscita di merce, provocando un aumento inatteso del carico di lavoro.

L’analisi predittiva può essere usata per determinare l’indice di esposizione al rischio degli attori coinvolti nella catena di approvvigionamento così come del magazzino stesso. Inoltre, può assicurare che il tempo di sopravvivenza (quanto può durare una supply chain senza uno specifico nodo) e il tempo di recupero; due concetti introdotti dal professor del MIT David Simchi-Levi, rientrino in intervalli accettabili per consentire al magazzino di continuare a operare come sempre.

Decisioni basate sui dati

L’uso dei modelli basati sui dati statici è sempre più frequente nella gestione della supply chain, soprattutto perché le decisioni non possono più dipendere unicamente dal criterio umano. L’accesso a ingenti quantità di dati strutturali e non strutturali e la grande capacità di analisi permettono di identificare modelli e correlazioni tra i diversi fattori di performance della supply chain.

I modelli di big data (descrittivi, predittivi e prescrittivi) utilizzano tecniche statistiche, di data mining e di apprendimento automatico. Secondo Kumar1, i modelli basati sul machine learning, come l'algoritmo di regressione random forest, possono essere utilizzati nei magazzini, ad esempio per ridurre al minimo gli sprechi (circa un terzo della frutta e della verdura fresca del mondo viene gettato via).

Il processo decisionale nella supply chain è sempre più automatizzato e guidato dai dati

Modelli simili possono essere utilizzati anche per pianificare il layout dei magazzini, gestire in modo efficiente le attrezzature di movimentazione e la manodopera, monitorare le operazioni (preparazione degli ordini, inventario e stoccaggio) e migliorare il processo decisionale in caso di interruzioni o eventi imprevisti. DHL, ad esempio, ha utilizzato le tecnologie di analisi big data per guidare la pianificazione predittiva della rete, la gestione del valore o del rischio dei clienti e la previsione delle esigenze di fornitura e di domanda.2 Nella sua ricerca sull'applicazione del machine learning nei magazzini, Tufano3 scopre che gli algoritmi basati su dati statistici possono essere utilizzati per identificare SKU simili e posizionarli vicini l'uno all'altro o per prevedere i carichi di lavoro di preparazione degli ordini e determinare zone e politiche di picking adeguatamente abbinate.

Applicazioni e case study

WMS con identificazione automatica e acquisizione dei dati

Una delle principali funzioni di un software di gestione magazzini (WMS) è fornire visibilità tra le operazioni di rifornimento e quelle di logistica, per le quali la precisione dei dati ottenuti e condivisi è determinante. Con l’identificazione automatica e l’acquisizione dei dati (AIDC) è possibile eliminare i processi basati su “carta”, riducendo così gli errori nella produzione delle informazioni.

I digital twin, insieme all’AIDC e le blockchain, sono soluzioni promettenti per migliorare l’efficienza nelle operazioni di stoccaggio4. I gemelli digitali non sono solo pensati per il tracciamento e il monitoraggio ma anche per essere utilizzati per creare modelli descrittivi/predittivi che ottimizzino le operazioni. L’accessibilità dell’Internet delle Cose (IoT) facilita lo sviluppo di questo tipo di strumenti.

Gli indicatori predittivi di rendimento (KPP), come la variazione della domanda, la riduzione dei livelli di stock, il cambio dei tempi di consegna dei fornitori, lo stato dei mezzi di movimentazione e il carico di lavoro, permettono di anticipare scenari con grande affidabilità. Abbinare questa capacità di previsione a un WMS e ai digital twin velocizzerebbe ancora di più le operazioni: verrebbero eliminati i movimenti non necessari (percorrere grandi distanze all’interno del magazzino), aumenterebbe la produttività (i lavoratori si concentrerebbero su altre attività in caso di ritardi di consegna o ritiro) ed eviterebbe la mancanza di mezzi o di merce (grazie a una manutenzione predittiva e una maggiore pianificazione del personale).

Il Dott. Mustafa Çagri Gürbüz sottolinea l'importanza dell'analisi predittiva nella logistica

Come risultato, un WMS ottimizzato con tecnologia IoT e gemelli digitali aiuterebbe le aziende a implementare, con maggior successo, strategie come il just-in-time (JIT), il vendor managed inventory (VMI) e il cross-docking che richiedono uno sforzo considerevole di sincronizzazione, predizione, coordinamento e pianificazione. Questi sistemi hanno anche il potenziale di identificare e risolvere discrepanze con maggior velocità. Ad esempio, grazie a migliori capacità di monitoraggio e alla raccolta di informazioni di routine, rispetto agli audit trimestrali o annuali, il WMS può identificare istantaneamente che un articolo mancante da una spedizione effettuata a un rivenditore si trovava effettivamente sulla scaffalatura del magazzino e rispondere prontamente al reclamo del rivenditore.

WMS basato sull'IoT per migliorare produttività ed efficienza

In uno studio pubblicato sull'International Journal of Production Research, Lee5 illustra l'implementazione di un WMS basato sull'IoT, integrato con raggruppamento fuzzy, per gestire le operazioni di un'azienda produttrice di scatole e attrezzature. In questo caso particolare, gli ordini dei clienti sono di piccole dimensioni e altamente personalizzati. Queste variabili fanno sì che la gestione manuale delle operazioni riduca la capacità di reagire ai cambiamenti degli ordini e ne aumenti addirittura il costo: affidarsi alla memoria e all'esperienza dei lavoratori può rappresentare il 50% dei costi operativi totali dei processi di picking.

Nel caso dello studio analizzato, i clienti richiedono frequentemente modifiche, come ad esempio in entrata, in uscita e cancellazioni. Ciò richiede un WMS flessibile, in grado di prevedere tali cambiamenti e di fornire una risposta rapida per garantire la disponibilità di materie prime e semilavorati.

Il modello fuzzy sviluppato dai ricercatori, che opera con un motore basato su regole, raccoglie informazioni su numero attuale di ordini, numero di referenze, tempo rimanente alla data di inizio prevista, posizione degli articoli, dettagli del cliente, quantità richiesta e numero di operatori disponibili. Grazie a questi dati, il sistema è in grado di prevedere lo stato del periodo successivo e di proporre una risposta, ad esempio selezionando il batch picking come metodo ottimale invece della preparazione di ordini per unità.

Il WMS basato sull'IoT con raggruppamento fuzzy proposto da Lee e dai coautori dello studio è in grado di monitorare i materiali in tempo reale e di adattarsi rapidamente alle variazioni degli ordini. I ricercatori dimostrano che questo modello predittivo/prescrittivo migliora la produttività, la precisione del picking, l'efficienza e la capacità a fronte della variabilità degli ordini. Il modello proposto consente di gestire un maggior numero di ordini per unità di tempo, riduce gli errori, aumenta i tassi di esecuzione degli ordini, aumenta l'accuratezza degli ordini e la precisione dell’inventario. Questi risultati possono essere attribuiti sia alle capacità analitiche del modello predittivo/prescrittivo sia al WMS basato sull'IoT.

Progettazione predittiva del magazzino con l'apprendimento automatico

Nella pubblicazione Machine learning approach for predictive warehouse design, Tufano3 sviluppa un modello di machine learning in grado di prevedere molteplici aspetti di un sistema di stoccaggio sulla base di osservazioni precedenti. Il primo aspetto prende in considerazione la tecnologia di stoccaggio, ad esempio, i sistemi di stoccaggio automatico con trasloelevatori, i sistemi ad accumulo, le scaffalature cantilever, il sistema di miniload per contenitori, le scaffalature portapallet e le scaffalature per picking. Il secondo prende in considerazione le attrezzature di movimentazione (carrelli elevatori, muletti, commissionatori, ecc.). Il terzo aspetto riguarda la strategia di distribuzione dello stoccaggio, ad esempio se in un’area si stoccano congiuntamente i prodotti per gli ordini e le scorte o se un'area è assegnata a ciascun tipo di stock. Il quarto aspetto riguarda la politica di picking, ad esempio se si tratta di ordini single-unit o multi-unit.

Le tecnologie dei big data o dell'apprendimento automatico consentono alle aziende di implementare modelli descrittivi, predittivi e prescrittivi

Nel modello di apprendimento proposto dai ricercatori, i KPI utilizzati sono la profilazione degli SKU (comportamento di ogni SKU), la profilazione dell'inventario (identificazione della posizione ideale), la profilazione del carico di lavoro (come e dove viene distribuito il carico di lavoro) e la profilazione del layout (come vengono posizionate e organizzate le risorse). La profilazione dell'inventario, ad esempio, verrebbe utilizzata per prevedere il rischio di esaurimento delle scorte, identificando il momento immediatamente precedente all'esaurimento delle scorte dovuto all'aumento della domanda di un particolare articolo.

Questo modello richiede la conoscenza di informazioni quali i dati in entrata (ubicazione delle merci) e in uscita (picking), le coordinate del layout del magazzino, i volumi di ogni SKU e il dettaglio della lista di preparazione degli ordini. Il modello di machine learning, che mira a prevedere la configurazione del magazzino adatta a ogni SKU, è stato convalidato con i dati raccolti da 16 aziende in settori quali: automobilistico, industriale, alimentare, cosmetico ed editoriale.

Il modello mira a fornire soluzioni fattibili e flessibili, anche se non necessariamente ottimali, che si adattino alle pratiche del settore. Ad esempio, per i fornitori di servizi 3PL è spesso difficile prendere decisioni di progettazione a causa dell'imprevedibilità della domanda, caratterizzata da un andamento irregolare. Inoltre, potrebbero non conoscere esattamente le esigenze dei nuovi clienti e non sapere che i contratti esistenti cambiano frequentemente. Un esempio potrebbe essere la rotazione delle referenze dovuto alla scadenza dei contratti con i clienti. Secondo Tufano e i coautori dello studio, i fornitori di servizi logistici potrebbero trarre vantaggio da questo modello predittivo basato sui dati, soprattutto se dispongono di informazioni su parametri chiave come il volume/peso di ciascuna referenza e le dinamiche della domanda di mercato (popolarità, stagionalità).

Previsione del carico di lavoro a breve termine e gestione efficiente della manodopera

Il processo decisionale nella supply chain è sempre più automatizzato e basato sui dati. Tuttavia, il giudizio umano rimane un fattore decisivo nella pianificazione della domanda e dell'offerta. Allo stesso modo, una parte significativa delle operazioni di magazzino, come il prelievo e l'imballaggio degli ordini, dipende fortemente dalla manodopera. I carichi di lavoro nei magazzini, soprattutto le operazioni in uscita, sono spesso variabili, soprattutto a causa delle incertezze nei processi di domanda e offerta.

Per far fronte alle fluttuazioni della domanda, le aziende devono adattarsi a vari fattori, come la stagionalità di alcuni prodotti o i picchi di vendita alla fine di determinati periodi come i saldi. A causa di queste sfide e della variabilità del carico di lavoro, le aziende cercano di avere riserve di manodopera flessibile in magazzino, oltre al personale fisso a tempo pieno. Per prevedere il livello di lavoro e pianificare il fabbisogno di personale nella struttura, è necessario effettuare un'analisi dettagliata per individuare gli errori nella pianificazione della domanda, controllare eventuali distorsioni e stimare il loro impatto sull'efficienza del lavoro.

Il processo decisionale nella supply chain è sempre più automatizzato e basato sui dati

Il giudizio di un manager, in quanto umano, può portare a prevedere in modo eccessivo le dimensioni degli ordini. Questo andamento deriva da una previsione insufficiente o eccessiva, che dipende dalle decisioni di acquisizione di manodopera e dagli accordi sul livello di servizio con i clienti. Sebbene non sembri giovare alla fase di imballaggio, che richiede molta manodopera, una distorsione del 30-70% nelle operazioni di prelievo e spedizione può aumentare l'efficienza degli ordini del 5-10%. Ciò è confermato da uno studio condotto in un magazzino di Samsung Electronics in Europa occidentale per prodotti ad alta rotazione. I risultati sono stati confermati anche da un'indagine condotta su 30 magazzini di altre aziende (Kim et al.)6

Il modello predittivo proposto dagli autori conferma che il controllo delle distorsioni può migliorare l'efficienza della manodopera di magazzino. Il modello stabilisce una relazione analitica tra l’andamento della previsione della domanda (la differenza tra la domanda prevista e la dimensione effettiva dell'ordine) e la produttività del lavoro. Questa correlazione viene sfruttata per ottimizzare la pianificazione della capacità lavorativa.

Secondo gli autori, il controllo della distorsione delle previsioni attraverso l'analisi della domanda storica migliora le prospettive di vendita e l'allocazione delle risorse di lavoro nelle diverse fasi logistiche.

Modelli predittivi per migliorare la gestione

Le piattaforme di big data che consentirebbero alle aziende di implementare modelli descrittivi, predittivi e prescrittivi possono essere utilizzate, a condizione che vengano superati alcuni ostacoli, per mitigare i rischi, aumentare l'efficienza e massimizzare la redditività nella gestione del magazzino. Fattori come le dimensioni dell'organizzazione, le risorse tecnologiche limitate e la mancanza di condivisione delle informazioni tra gli attori della supply chain rappresentano una sfida all'adozione dei big data analytics nella gestione del magazzino.

La ricerca di Ghaouta2 suggerisce che l'uso di modelli predittivi rimane limitato (la maggior parte dei modelli sono descrittivi), ad eccezione degli algoritmi di routing e della gestione delle scorte. Tuttavia, la rilevanza della gestione del rischio nella supply chain probabilmente incoraggerà le aziende ad applicare più assiduamente i modelli predittivi nella gestione del magazzino. Un WMS potenziato con capacità di gestione del rischio potrebbe identificare e valutare la probabilità che si verifichino interruzioni con i partner della catena di fornitura, come ad esempio fornitori soggetti a interruzioni o clienti con un comportamento irregolare negli ordini. Inoltre, questa tecnologia aiuterebbe le aziende a sviluppare strategie di mitigazione reattive e proattive basate sui livelli di rischio di ciascun fornitore o cliente.

Sono necessari ulteriori sforzi per studiare come un WMS basato sull'IoT possa consentire alle aziende di passare da un controllo centralizzato a uno decentralizzato. In tali sistemi, la connessione tra persone, attrezzature di movimentazione, prodotti e sensori sarebbe ottimale e migliorerebbe il coordinamento e la comunicazione nel processo decisionale.

 

 

Referenze

 

 

Il Dott. Mustafa Çagri Gürbüz è professore di Gestione della Supply Chain del MIT-Zaragoza International Logistics Program. Inoltre, è ricercatore associato del MIT Center for Transportation and Logistics. Le sue principali aree di ricerca sono la gestione dell’inventario e la supply chain, l'ottimizzazione dei sistemi di distribuzione, i contratti e la modellazione dei sistemi operativi.