Durante l’emergenza coronavirus, molte aziende hanno adottato machine learning (ML) e altre tecnologie di elaborazione dei dati per superare i problemi della supply chain. La pandemia e i rallentamenti nella distribuzione delle merci hanno causato difficoltà nel reperire certi prodotti, da quelli alimentari ai dispositivi medici, come i ventilatori necessari per il trattamento di pazienti che hanno contratto il COVID-19.

Secondo un’indagine svolta a luglio da Tata Consultancy Services (TCS), che ha intervistato 100 responsabili di supply chain, il 30% delle aziende ha visto una diminuzione della quota di mercato durante l’epidemia, mentre il 30% ha registrato un aumento. “Quelle che consideravamo le leggi della fisica della supply chain sono state sospese”, ha commentato Matt Lekstutis, leader globale per la trasformazione della supply chain di TCS.

Le aziende che si basavano su medie e tendenze storiche per calibrare domanda e offerta ora non possono più fare affidamento sui loro modelli di dati. Per riprendere la rotta, le aziende stanno adottando tecnologie come i database grafici e l’apprendimento automatico per ricalibrare le previsioni di vendita, anticipare ed evitare guasti alle macchine e rendere le loro reti di fornitura più agili e reattive.

E’ quanto hanno fatto Jaguar Land Rover (JLR) e Colgate-Palmolive: ecco le loro esperienze di queste due aziende

JLR sceglie nuovi modelli per le previsioni di vendita

Jaguar Land Rover ha utilizzato gli analytics per prevedere e gestire meglio le previsioni di vendita. JLR, che produce gli omonimi SUV Land Rover e Range Rover, in genere basa le sue previsioni sui dati storici degli anni precedenti; oltre a elaborare una stima della domanda, le previsioni assicurano che l’azienda possa impegnarsi ad acquistare dai fornitori volumi minimi di componenti.

“L’epidemia di COVID-19 ci ha costretti a cancellare le nostre previsioni di vendita”, ha dichiarato Harry Powell, Director of data and analytics di JLR. “Abbiamo dovuto adottare un modello più agile nel bilanciare domanda e offerta, data l’incertezza sul fatto che i fornitori sarebbero stati in grado di consegnare i 30.000 pezzi che avevamo richiesto”.

Per eseguire un’analisi più tempestiva della propria supply chain, JLR si è affidata a un software di “graph analytics” per correlare i dati e identificare le relazioni tra entità su più fonti di dati complessi, inclusi dati di previsione e supply chain, di componenti e di configurazione dell’auto. L’analisi dei grafici aiuta i data scientist a trovare relazioni e connessioni sconosciute all’interno dei dati che non possono essere scoperte facilmente con le tradizionali tecnologie di analisi che interrogano i sistemi di database relazionali.

Il software, sviluppato dalla startup TigerGraph, ha interrogato i dati su diversi sistemi, inclusi mainframe, ERP e applicativi di produzione. L’attività, in cui JLR ha combinato 12 origini dati in un grafico equivalente a 23 tabelle di database relazionali, ha permesso di creare connessioni all’interno dei dati, per esempio per capire cosa era possibile costruire al momento con le componenti effettivamente disponibili. “L’analisi ha richiesto solo 45 minuti, rispetto alle settimane necessarie per unire i dati utilizzando sistemi relazionali”, ha sottolineato Powell. L’analisi ha inoltre aiutato JLR a evitare potenziali addebiti di milioni di dollari da parte dei fornitori per non aver rispettato le clausole sui volumi minimi di acquisto.

Colgate-Palmolive: come garantire la distribuzione dei prodotti

Con la diffusione della pandemia si è verificato un aumento degli acquisti di prodotti per la cura personale. Per garantire la disponibilità dei suoi prodotti Colgate-Palmolive ha sfruttato il software di apprendimento automatico sviluppato da Augury. Il software è stato abbinato ai sensori wireless Bluetooth per monitorare le 2.000 macchine che Colgate utilizza per realizzare i tubetti di dentifricio e altri prodotti con l’obiettivo di eliminare i guasti alla linea di produzione, “che possono costare all’azienda migliaia di dollari a causa dei tempi di inattività”, ha spiegato Warren Pruitt, Director of global engineering di Colgate.

Per esempio, il software ML ha rilevato temperature in aumento nel motore di azionamento di uno dei macchinari. Il team di produzione ha scoperto un problema con il sistema di raffreddamento ad acqua del motore e lo ha risolto, prevenendo il guasto dell’azionamento, che avrebbe fermato la linea di produzione. Pruitt stima che questo abbia fatto risparmiare all’aziende 192 ore di inattività e una produzione di 2,8 milioni di tubetti di dentifricio, oltre a 12.000 dollari per un nuovo motore e 27.000 dollari di costi di conversione. In un altro caso, il software ha rilevato problemi strutturali e operativi in un macchinario, esponendolo ad alto rischio di guasto. Il team ha immediatamente ordinato e sostituito i componenti a rischio.

“A differenza dei controlli di routine programmati per le apparecchiature, questo metodo digitale diagnostica precocemente i problemi, consentendo una riparazione rapida e tempi di inattività ridotti al minimo”, ha sottolineato Pruitt. “Avremmo potuto realizzare in casa una tecnologia simile, ma ci sarebbero voluti anni, anche potendo assumere data scientist e ingegneri per creare questa piattaforma”.

Le tecnologie di machine learning hanno aiutato Colgate a rafforzare i volumi di produzione in un momento in cui la pandemia ha generato picchi di domanda. Sulla scia di questo successo, l’azienda sta implementando il software di Augury lungo la sua supply chain globale, compresi gli impianti di produzione in India e Cina. Nel tempo, Pruitt prevede di combinare il software Augury con i gemelli digitali degli impianti di produzione di Colgate per determinare in quali strutture funziona meglio la sua formula di prodotto.

La chiave del successo

Le implementazioni tecnologiche di JLR e Colgate mostrano come le aziende globali possono prevenire i problemi nella produzione e distribuzione dei loro prodotti. “La chiave sta nell’utilizzo di ML, IoT e analytics per eliminare la latenza dei dati che limita la maggior parte delle supply chain”, afferma Lekstutis di TCS, “aiutando le aziende a sapere quando aumentare la produzione”.

“Prima abbiamo le informazioni, prima abbiamo la possibilità di attivare la giusta risposta”, conclude il manager. “Questo permette di rendere le supply chain più agili e resilienti, un fattore critico per la competitività”.