L’analisi dei dati nella supply chain

Il mondo della logistica si interroga spesso sulle potenzialità di una migliore gestione dell’analisi dei dati. Il settore sta attraversando una fase di radicale trasformazione nella quale il ruolo dell’analisi dei dati è sempre più determinante. Spesso le analisi dei dati non vengono sfruttate al massimo, anche se la consapevolezza dei benefici di una supply chain data-driven è ormai diffusa ovunque in un’ottica 4.0.

In diversi ambiti di business i big data sono diventati protagonisti, perché ormai sono assodate le opportunità che offrono. L’utilizzo di informazioni strutturate provenienti da database relazionali, infatti, porta in seno  benefit estremamente promettenti: offre nuovi strumenti di monitoraggio e ascolto per avere e dare risposte in tempi rapidi. Ma la pratica non è semplice.

MM Operations, partendo dal presupposto di possedere architetture IT all’avanguardia, create, implementate, costantemente adattate ed aggiornate da uno staff interno, già da anni aveva iniziato a recepire i flussi di dati ed utilizzarli per l’efficientamento. È arrivata così in modo naturale ad un impiego funzionale e saggio dell’informatizzazione raggiungendo concretamente una metodologia e consolidandola ben prima che questa diventasse di tendenza. In Logistica sta prendendo piede ora, a seguito dell’importante impulso tecnologico che il settore ha registrato, e spesso sembra rimanere, inevitabilmente,  qualcosa ancora di teorico e poco applicabile.

L’analisi dei dati rappresenta la capacità di prendere decisioni dettate dai dati, in base a un riepilogo degli stessi, pertinenti e attendibili. Le supply chain solitamente generano enormi quantità di dati. Scoprendo schemi e generando insight, l’analisi in Logistica aiuta a dare un senso a tutte queste informazioni, per diversi ambiti di funzione. Così possiamo suddividerla in descrittiva, predittiva,  prescrittiva e cognitiva. Insieme rappresentano una forma avanzata di analytics che si sta radicando come strumento di ottimizzazione della supply chain. Tutte queste tipologie di analisi servono a vagliare grandi quantità di dati per aiutare un’organizzazione a migliorare le previsioni, identificare le inefficienze, rispondere meglio alle esigenze del cliente, promuovere l’innovazione e portare avanti idee rivoluzionarie.

I vantaggi che l’analisi dati è in grado di portare sono numerosi e comprendono la possibilità di ottenere un ROI (return on investment) significante, aiutare nella individuazione e comprensione dei rischi, affinare l’accuratezza nella pianificazione per ottenere una supply chain snella e proiettata al futuro.

Le informazioni studiate in tempo reale possono essere lette, comprese e correlate rapidamente e in modo esauriente. Il vantaggio complessivo più d’impatto è la chance tangibile di impulso costante all’efficienza e nel contempo la sicurezza di poter evitare interruzioni, permettendo contemporaneamente lo sviluppo di nuovi modelli di business.

Abbiamo deciso di affrontare concretamente questo tema che sebbene molto attuale, per la gran parte delle aziende logistiche rimane uno strumento ancora poco applicato o addirittura teorico. Abbiamo parlato di Analisi dei dati per la Supply Chain con l’Ing. Alessandro Tognetti, Responsabile Progetti e Responsabile Operations di MM Operations. Alessandro, laurea in Ingegneria Civile e laurea magistrale in Ingegneria Gestionale, ha 33 anni ed è entrato in azienda nel 2015.

Oggi, nei ruoli che ricopre, si occupa di organizzare le attività delle divisioni aziendali che parteciperanno alle start-up, cercando di creare un’organizzazione efficiente, al fine di ottimizzare tempi e risorse, soprattutto nella fase critica di avviamento. Inoltre, monitora costantemente l’andamento economico/operativo delle attività che MM Operations gestisce all’interno dei propri stabilimenti o all’interno degli stabilimenti dei clienti, tenendo sempre il focus su quello che è l’obbiettivo aziendale. Ha pertanto il compito di coordinare i gruppi di persone responsabili di uno o più cantieri/magazzini. 

Per svolgere al meglio entrambe le funzioni è stato indispensabile per Tognetti possedere skills soprattutto nell’analisi dei dati: tramite l’osservazione e l’esame di valori numerici è possibile individuare l’andamento di un progetto e più in generale di un’attività. Tali analisi diventano uno strumento a supporto delle decisioni, evitando di fare scelte e valutazioni errate. Inoltre, Alessandro ha dimostrato la capacità di organizzazione e gestione delle risorse umane: le persone devono essere messe nelle condizioni di dare il meglio di sé. Per raggiungere questo obiettivo è fondamentale una programmazione il più possibile semplice e chiara.

Se le persone avvertono di essere messe in disparte rispetto il resto dell’organizzazione o di non avere gli strumenti per esercitare le proprie attività, il rischio è che perdano motivazione. “Altro aspetto molto importante è legato alla mera gestione della risorsa umana” ha spiegato l’Ingegnere, “alla base vi deve essere un costante dialogo e confronto, entrando in empatia con ognuno dei miei collaboratori, anticipando così eventuali problemi”. A volte grafici ed insight aiutano tantissimo per mantenere equilibri oggettivi e non ledere la soggettività di tante persone in un team.

Per giungere all’analisi dei dati è necessario in prima battuta effettuare una funzionale raccolta  delle informazioni necessarie, attraverso procedimenti tecnologici e studi ben definiti. Partendo da qui abbiamo voluto analizzare la Big Data Analytics eseguita da Tognetti e dal suo staff e l’applicazione operativa in MM Operations.

Analisi dei dati nella supply chain: il Case Study

Ricerca, metodologia e i principali risultati emersi

Lo studio è stato sviluppato in relazione alle attività logistiche svolte presso lo stabilimento di un Cliente MM Operations, nel quale l’attività è similare al cross-docking. L’attività viene svolta da operatori dotati di carrello elevatore e di terminale RF. I beni interessati sono materiali edili di vario tipo.

Tale analisi dei dati si è resa necessaria in quanto rispetto il progetto iniziale il risultato ottenuto nella realtà risulta essere differente, sia dal punto di vista dei risultati economici sperati, sia dal punto di vista del modello organizzativo.

Il ciclo di lavoro comprende le seguenti attività:

• Ricezione delle merci
• Divisione dei materiali entrati
• Stivaggio per destinazione finale
• Approntamento del carico e preparazione della spedizione
• Carico dell’automezzo.

• Rilevazione tempi e relativi volumi in stabilimento: in questa fase è stata eseguita una rilevazione dei tempi di ogni attività sopra elencata, al fine di rapportare poi tali tempi ai volumi effettivamente movimentati. Questo ci ha permesso di avere un’idea precisa della produttività reale (intesa quanto volume viene movimentato in un’ora da un solo operatore). Oltre a ciò sono stati annotati i tempi di arrivo di ogni automezzo, sia quelli che si presentano allo scarico merci (inbound), sia quelli che si presentano al carico merci (outbound).
• Data entry dei dati raccolti: tutti i dati raccolti, inizialmente annotati in maniera non schematica, sono stati inseriti andando a creare un database delle attività oggetto dell’analisi.
• Elaborazione dei dati tramite metodo dedicato: l’analisi è stata sviluppata per due tipi di dati, il primo relativo alle produttività degli operatori, il secondo per capire la coerenza del programma giornaliero relativamente all’inbound/outbound fornito dal committente.

1. ANALISI PRODUTTIVITA’
   Usando come punto di partenza i dati raccolti, è stata fatta una simulazione generando una molteplicità di dati tramite metodo statistico. Questo ci ha permesso di analizzare un campione di dati molto più ampio rispetto quelli raccolti, ma comunque coerenti con le caratteristiche del campione base rilevato direttamente. I ragionamenti nati da un campione dati più ampio hanno senz’altro più stabilità rispetto i soli dati rilevati sul campo.
2. ANALISI ORARIO ARRIVO DEGLI AUTOMEZZI
   I dati rilevati riguardanti gli arrivi dei mezzi sono stati confrontati con quelli da programma fornito dal committente. L’analisi ha generato il valore di anticipo/ritardo medio, sia per i mezzi che dovevano scaricare sia per i mezzi che dovevano caricare. Tramite il calcolo di media pesata è stato quindi possibile capire se complessivamente i mezzi erano in anticipo o ritardo.

• Meeting interni per condivisione risultati e generazione soluzioni operative: una volta analizzati i dati e individuati i problemi, a livello operativo sono state modificate alcune procedure e modellato l’organizzazione del personale, al fine di creare una situazione più coerente con quello che è la reale situazione all’interno dello stabilimento. Questo ha permesso di generare maggiore efficienza e di avvicinarci a quello che era il progetto iniziale.

Le informazioni che MM Operations acquisisce da ricerche come questa rappresentano un valore aggiunto per i Clienti in quanto creano un modello organizzativo ottimizzato ed efficiente. Nel caso illustrato, grazie a queste analisi dei dati l’attività svolta per conto dei committenti risulta più fluida, lineare e veloce, non creando disservizi o ritardi nell’evasione degli ordini. Quando si è in grado di mettere in atto queste condizioni, tutta la supply chain ne beneficia.

L’apporto dell’analisi dei dati nella supply chain rappresenta un vantaggio per le aziende 4.0 oltre a garantire un servizio efficiente con costi competitivi. Ulteriori vantaggi riscontrati:

• Aumento della redditività
• Aumento dell’efficienza operativa
• Visione completa dei costi in riferimento al magazzino, ai trasporti, al personale
• Gestione ottimale del flusso di merce in ingresso ed in uscita
• Identificazione di opportunità, trattative, diversi livelli di contratto in base ai risultati
• Semplificazione dei reporting su sicurezza, tracciabilità e conformità
• Possibilità di lavorare con i clienti sui loro kpi ideali
• Navigazione dei dati per tutte le funzioni aziendali

È ormai evidente come il presente e il futuro della logistica passino per l’analisi dei dati. La competitività delle aziende non dipende ormai solo dai fattori legati alla produttività, ma ad incidere sono soprattutto la capacità di prevedere scenari futuri e di saper agire (e adattarsi) rapidamente ai possibili mutamenti del mercato. MM Operations ha abbracciato le potenzialità di questo modello costituito da informazioni dinamiche e fluide che funge da strumento per riprogrammare o ripensare alla logistica in maniera solida e da una prospettiva analitica, mantenendo sempre un approccio funzionale al conseguimento degli obiettivi. MM Operations è sempre più innovativa e smart ma l’obiettivo non cambia: comprendere il mercato, individuare i trend da cavalcare per aumentare il vantaggio competitivo dei nostri Clienti.