Le moderne supply chain nel settore manifatturiero stanno affrontando una crescente imprevedibilità operativa a causa di recenti eventi globali come la pandemia, le tensioni politiche e i cambiamenti climatici, i cui effetti si ripercuotono sulle attività primarie (fra cui produzione e vendite), sulle attività di supporto (gestione delle infrastrutture e tecnologie di produzione) e quindi sull’intera catena di valore (Value Chain).
Gli attuali metodi di ottimizzazione delle Supply Chain, come ad esempio la pianificazione degli ordini basata su modelli deterministici, faticano ad affrontare le complessità e le variabili imponderabili tipiche di tali eventi perturbativi, chiamati da qui in avanti disruption.
Indice degli argomenti
Le sfide della resilienza nella supply chain manifatturiera
Le disruption che coinvolgono le Supply Chain, quali ritardi logistici, perdite di spedizioni e criticità relative all’affidabilità dei fornitori, costituiscono rischi rilevanti per la continuità operativa.
Gli approcci convenzionali si focalizzano principalmente sulla gestione reattiva di interruzioni sulla propria Supply Chain dovute sia a fattori esterni (ad esempio un disastro climatico in una determinata area geografica) che a fattori interni (a titolo esemplificativo, problemi di fornitura da un partner).
La complessità delle Supply Chain attuali, caratterizzate da una pluralità di attori spesso dislocati geograficamente, con tempistiche di preparazione e invio delle forniture e modalità di trasporto differenti, rendono oneroso il monitoraggio e la gestione tempestiva delle disruption.
Inoltre, negli ultimi anni si sono evidenziati i limiti degli strumenti tradizionali, sottolineando l’urgenza di sistemi di rilevamento del rischio in tempo reale e di meccanismi di risposta adattivi.
Considerando gli aspetti esterni alle Supply Chain, fra cui produzione e gestione delle attività di vendita, emergono le molteplici sfide della resilienza per le Value Chain:
- Integrare dati provenienti da fonti eterogenee con standard non uniformi, quali dispositivi di sensoristica, sistemi di Enterprise Resource Planning (ERP) e fornitori esterni.
- Rappresentare in modo efficiente reti di distribuzione logistica, caratterizzate da elevata complessità e scarsa struttura organizzativa.
- Considerare in tempo reale informazioni aggiuntive, come condizioni meteorologiche o dati relativi al traffico, per fornire raccomandazioni precise e tempestive a supporto della logistica.
Strategie e limiti dei sistemi tradizionali per la resilienza
Le tecnologie tradizionali applicate alla logistica e al Supply Chain Management (SCM) includono algoritmi di analisi predittiva, che sfruttano dati storici e informazioni in tempo reale per valutare l’affidabilità dei fornitori ed individuare eventuali colli di bottiglia.
Inoltre, strumenti avanzati di pianificazione e programmazione (APS: Advanced Planning Services), sistemi di gestione del magazzino (WMS: Warehouse Management Services) e sistemi di gestione dei trasporti (TMS: Transportation Management Services) consentono un elevato grado di automazione all’interno della Supply Chain nei rispettivi ambiti di applicazione.
Queste tecnologie hanno introdotto significativi livelli di automazione e digitalizzazione; tuttavia, rimangono limitate da un approccio prevalentemente reattivo. In particolare:
- Gli algoritmi di analisi predittiva comunemente utilizzati all’interno di questi sistemi si basano su dati storici e modelli deterministici semplificati, risultando spesso incapaci di anticipare eventi complessi o interruzioni improvvise delle operazioni.
- Gli strumenti come i sistemi di pianificazione avanzata e i WMS e TMS operano in silos funzionali; quindi, si hanno difficoltà a integrare sempre in modo efficace dati eterogenei provenienti da fornitori, trasportatori o sensori IoT.
Pertanto, queste tecnologie risultano efficienti nei rispettivi ambiti, ma offrono una visione frammentata e parzialmente predittiva della Supply Chain, rendendo difficile individuare tempestivamente rischi emergenti oppure ottimizzare in modo proattivo le decisioni operative.
È proprio da tali limitazioni che nasce l’esigenza di adottare soluzioni più evolute e predittive, capaci di sfruttare i dati per supportare un processo decisionale proattivo.
È quindi necessario disporre di sistemi scalabili e interoperabili, in grado di adattarsi a molteplici contesti produttivi per assicurare elevati livelli di resilienza nelle Supply Chain.
Per rispondere efficacemente a tali sfide, sono richieste soluzioni digitali integrate che valorizzino dati eterogenei attraverso analisi avanzate, tecniche di Machine Learning e interfacce utente intuitive, al fine di supportare il processo decisionale in tempo reale e la gestione flessibile della Supply Chain.
Il progetto M4ESTRO e l’app M4SCARA per la supply chain
Cefriel, centro di innovazione digitale, avvalendosi della sua esperienza pluriennale nell’ambito delle tecnologie digitali applicate all’industria manifatturiera, è coinvolto attivamente nella ricerca e nello sviluppo di soluzioni per la resilienza delle Value Chain, con il coordinamento del progetto Horizon Europe M4ESTRO: Industrial Manufacturing As a sErvice STRategies and models for flexible, resilient, and reconfigurable value networks through Trusted and Transparent Operations.
Il progetto, finanziato dall’Unione Europea e avviato a dicembre 2023, coinvolge 18 partner di otto nazioni per 42 mesi.
Il progetto ha l’obiettivo di sviluppare una piattaforma end-to-end affidabile e trasparente, che consenta una gestione attiva e predittiva delle Value Chain, favorendo una preparazione proattiva alle potenziali disruption e rafforzandone la resilienza.
Il progetto incentiva lo sviluppo di un ecosistema digitale interattivo, collaborativo e dinamico, basato sull’approccio Data Space, dove vari attori, quali aziende manifatturiere e fornitori, possono gestire in modo distribuito i processi produttivi, assicurando servizi resilienti e sostenibili.
La piattaforma mette a disposizione degli utenti finali, tra cui i responsabili di produzione, strumenti mirati per gestire in modo efficace i rischi previsti.
La validazione delle soluzioni sviluppate nel progetto M4ESTRO si svolgerà su tre casi d’uso applicati alle realtà industriali di due aziende italiane, FAE Technology e Caracol AM, e di una spagnola, Trimek, le quali stanno apportando le proprie esigenze e competenze tecniche.
All’interno delle attività di progetto, oltre al coordinamento delle attività, Cefriel ha sviluppato l’applicazione M4SCARA: M4ESTRO Supply ChAin Resilience App.
Questa soluzione rileva e misura in tempo reale eventuali interruzioni nelle catene logistiche. L’applicazione fornisce suggerimenti specifici agli utenti e offre informazioni in tempo reale per minimizzare l’effetto delle disruption, rappresentando un passo avanti verso una gestione robusta e puntuale delle Supply Chain, quindi adattabile e resiliente anche in contesti incerti.
Come funziona M4SCARA: indicatori, modelli e suggerimenti operativi
L’applicazione M4SCARA è stata progettata per fornire informazioni finalizzate a minimizzare le interruzioni causate da disruption nella catena logistica, rappresentando un avanzamento verso la gestione delle Supply Chain basata sui dati, rendendole resilienti in contesti operativi caratterizzati da incertezza.
L’applicazione è parte della piattaforma M4ESTRO e si integra con altre componenti per ricevere e condividere dati e informazioni secondo un approccio integrato alla resilienza manifatturiera di processo e di Supply Chain.
M4SCARA incorpora una suite di modelli predittivi e descrittivi per stimare i tempi di spedizione e ulteriori indicatori significativi relativi allo stato delle spedizioni, utilizzando algoritmi di Machine Learning per il rilevamento, l’analisi e la gestione delle disruption.
L’applicazione si distingue per la capacità di apprendere e adattarsi nel tempo: grazie all’analisi continua dei dati, i modelli predittivi vengono progressivamente ottimizzati, incrementando l’accuratezza delle previsioni e la reattività nelle decisioni.
In questo modo, M4SCARA consente di fronteggiare le criticità delle Supply Chain in esame in tempo reale.
Qui vengono riportate alcune caratteristiche:
Indicatori di disruption per lo stato della catena logistica
L’app monitora continuamente i dati operativi della logistica, dalle spedizioni in tempo reale alla qualità dei colli ricevuti.
Gli indicatori di disruption sono indici temporali (come il ritardo di spedizione, il ritardo di tracciamento del corriere) e adimensionali (come lo stato di perdita della spedizione e i meta-indici per il tempo e il traffico) e vengono calcolati utilizzando dati storici delle spedizioni e dati in tempo reale provenienti dai vettori e da servizi online di informazioni relative a meteo e traffico.
Questi indicatori forniscono una visibilità granulare sullo stato di salute della Supply Chain.
Previsione del tempo di spedizione con machine learning
L’utilizzo di modelli fra cui Random Forest e XGBoost viene impiegato per prevedere i tempi di spedizione e, di conseguenza, i potenziali ritardi.
Questi modelli sono addestrati sui dati storici delle spedizioni e arricchiti con input in tempo reale dalle API dei vettori (es. UPS, DHL), dai servizi meteorologici e sul traffico, consentendo di aggregare più fonti dati per produrre stime di ritardo di spedizione accurate e dinamiche.
Modelli di riconfigurazione per gestire le disruption
Quando vengono rilevate disruption sia interne che esterne alla catena logistica, M4SCARA suggerisce azioni correttive tramite modelli di riconfigurazione.
Le opzioni includono il mantenimento dell’impostazione corrente, il riordino con lo stesso fornitore e vettore, il cambio di corriere o la modifica di fornitore e corriere.
Le raccomandazioni sono adattate al tipo e alla gravità dell’interruzione specifica, supportando un processo decisionale informato.
Interfaccia utente e cruscotto di monitoraggio
Il front-end fornisce un cruscotto per il monitoraggio dello stato della catena logistica, includendo la visualizzazione degli indicatori di disruption, il monitoraggio delle spedizioni in corso e la ricezione di avvisi di disruption.
Gli utenti possono filtrare i dati per fornitore, vettore o spedizione e accedere a informazioni dettagliate su ogni evento di disruption, visualizzando gli indicatori e le stime di ritardo e tempo di spedizione.
Integrazione e scalabilità su architettura modulare
L’app è basata su un’architettura modulare basata su componenti di Amazon Web Services (AWS), utilizzando strumenti software distribuiti e supportando un’integrazione con API esterne per ottenere informazioni sul tracciamento dei colli e dati relativi a condizioni ambientali e di traffico.
Combinando analisi predittive e descrittive, l’app M4SCARA offre una soluzione in grado di fornire informazioni dinamiche per la resilienza delle catene logistiche, permettendo agli utenti di operare proattivamente le Supply Chain su possibili scenari futuri, rilevando precocemente i rischi, valutandone l’impatto e implementando strategie di mitigazione efficaci, trasformando la resilienza da un processo reattivo a una capacità proattiva e basata sui dati.
Risultati di M4SCARA e prossimi passi nel progetto
L’applicazione M4SCARA – Pagina relativa agli indicatori di disruption per lo storico spedizioni di FAE Technology. Sulla sinistra, tabella riepilogativa dello storico ordini per ciascun fornitore selezionato. Sulla destra, mappa interattiva dei percorsi dal fornitore fino al sito produttivo dell’azienda manifatturiera.
I nomi degli specifici fornitori sono stati coperti per ragioni di riservatezza. Immagine di proprietà di Cefriel, tutti i diritti riservati.
Una prima validazione del prototipo M4SCARA è stata fatta utilizzando i dati storici sugli ordini e sulle spedizioni di FAE Technology, uno dei partner industriali del progetto M4ESTRO.
L’utilizzo di questi dati storici ha consentito di addestrare i modelli di Machine Learning e di validare tali modelli sulle spedizioni più recenti, integrando i dati di aggiornamento in tempo reale dai vettori di trasporto.
Tra gli indicatori di disruption sono presenti gli indici temporali che si occupano di stimare i tempi di consegna. Il sistema raccoglie i dati di transito forniti dai vettori e aggiorna, attraverso algoritmi di Machine Learning, gli indici temporali per tutta la durata della spedizione.
I risultati dei test preliminari, effettuati su uno storico di circa 1000 dati di spedizioni di FAE Technology, mostrano che gli indici temporali sono stati in grado di stimare correttamente i tempi di consegna nell’85% dei casi, con una confidenza statistica di oltre il 90%.
Pertanto, l’utilizzo del Machine Learning ha dimostrato di poter generare stime efficaci dei tempi effettivi di consegna, fornendo informazioni utili per il rilevamento precoce delle disruption e offrendo informazioni chiare e interpretabili per rafforzare la resilienza.
Questa reattività rappresenta uno dei suoi punti di forza, soddisfacendo uno dei requisiti più critici del progetto M4ESTRO.
L’applicazione M4SCARA è stata integrata con successo con un altro componente sviluppato nel progetto dall’azienda Netcompany-Intrasoft, relativo all’identificazione dei fenomeni legati alle disruption esterne (fra cui instabilità geopolitiche, fluttuazioni di mercati finanziari, disastri naturali, etc.) e al monitoraggio di indicatori di rischio su mercati finanziari, disastri naturali o eventi geopolitici.
La fase successiva consisterà nell’integrazione di M4SCARA con componenti chiave della più estesa piattaforma M4ESTRO, fra cui:
- Il motore di orchestrazione della Value Chain (sviluppato da Atlantis Engineering) basato sull’intelligenza artificiale, che permette di trasformare i suggerimenti da parte dei componenti della piattaforma M4ESTRO in piani di produzione eseguibili, coordinando risorse, attori e pianificazioni all’interno del Data Space di M4ESTRO.
- Il motore di ottimizzazione e un cruscotto dinamico di supporto alle decisioni operate sulla Value Chain (entrambi sviluppati da CORE Innovation Group). Il motore di ottimizzazione è basato su un sistema di apprendimento per rinforzo multi-agente (MARL) che permette di sfruttare i dati forniti dai siti produttivi delle aziende manifatturiere per proporre decisioni operative in tempo reale. Il cruscotto presenta una mappa dinamica, includendo dati su fornitori, magazzini e siti produttivi, in cui gli indicatori di disruption provenienti da M4SCARA sono evidenziati.
Ulteriori ambiti di esplorazione delle funzionalità di M4SCARA includono l’estensione dei modelli di riconfigurazione alle azioni a livello di produzione e impianto, come la riprogrammazione delle operazioni di processo in risposta alle interruzioni della catena di valore.
A seguito della prima validazione del prototipo con i dati forniti dal partner FAE Technology, M4SCARA sarà testata in ambiente operativo tramite progetti pilota condotti con tutti i partner industriali coinvolti nel progetto M4ESTRO, tra cui FAE Technology, Caracol AM e Trimek.
L’integrazione di nuovi dati consentirà di affinare ulteriormente i modelli di Machine Learning, favorendo la validazione dell’applicazione tramite l’utilizzo da parte degli utilizzatori finali in campo e il continuo miglioramento delle strategie di resilienza delle Supply Chain.
