La green supply chain, una transizione in atto
Molte aziende sono ora impegnate in un approccio eco-compatibile.. Stanno mettendo in atto strategie per rispettare gli standard ambientali e…
Generix annuncia la nomina di Yannick Gloaguen a nuovo Vicepresidente IT Operations & Customer Care Services Vai al comunicato stampa
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.
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:
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.
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.
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:
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.
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.
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.
Questa modalità risponde a due obiettivi in particolare:
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.
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.
Molte aziende sono ora impegnate in un approccio eco-compatibile.. Stanno mettendo in atto strategie per rispettare gli standard ambientali e…
L’industria lattiero-casearia si distingue per le sue particolari esigenze in termini di supply chain. Questa complessità riguarda ogni aspetto della…
Il lancio nel novembre 2022 di ChatGPT, il software conversazionale di ultima generazione sviluppato dalla statunitense OpenAI che in poche…
Collabora con il nostro team e costruisci il software ideale per la supply chain, adattandolo alle tue esigenze aziendali.