In che modo l’intelligenza artificiale e gli algoritmi di machine learning possono contribuire a ottimizzare la Supply Chain in settori come quelli del trasporto, della logistica e dello shipping? Una risposta a questa domanda arriva dai casi presentati a Genova il 7 ottobre scorso in occasione del convegno “Infrastrutture digitali e logistica predittiva: strategie, rischi e opportunità nello scambio dati della Supply Chain del trasporto”. L’appuntamento, promosso da Logistic Digital Community, comunità virtuale nata per iniziativa di Confcommercio-Conftrasporto in collaborazione con Federlogistica e Consorzio Global, ha messo attorno a un tavolo istituzioni e imprese per parlare da un lato delle sfide che la Supply Chain si trova oggi ad affrontare, dall’altro per presentare degli esempi concreti in questo ambito.
ToolsGroup, l’AI applicata allo shipping
Tra le imprese, ToolsGroup, i cui software AI-driven di pianificazione e ottimizzazione degli approvvigionamenti sono stati inseriti nel corso degli anni all’interno di “quadrant” comparativi come quelli di Gartner e Spark Matrix, ha illustrato due best practice applicate allo shipping. A farlo è stato Leo Cataldino, principal Supply Chain dell’azienda olandese, ma con forti radici proprio a Genova, visto che uno dei co-fondatori, Eugenio Cornacchia, proviene dal capoluogo ligure e visto che il porto di Genova è uno dei più grandi d’Italia, il secondo per traffico di merci subito dopo quello di Trieste. Cataldino ha ricordato come, in un processo teoricamente semplice come quello della logistica (ottenere il prodotto giusto nella quantità desiderata e al minimo prezzo), intervengano vari fattori di incertezza, a cominciare da un flusso di dati divenuto ormai enorme, proseguendo con le interruzioni della catena di distribuzione, con la volatilità dei prezzi del carburante, con la presenza di più fornitori per gli stessi prodotti, fino ad arrivare a una domanda nei consumi che non è mai costante nel tempo né facile da predire, tanto da essere definita “isterica”. Se la necessità di ottimizzare le scorte grazie a sistemi di machine learning che aiutano a fare previsioni di fabbisogni sul futuro è fortemente avvertita in tutti i settori della logistica, lo è ancor di più in quello navale e del trasporto marittimo.
Manutenzione predittiva per gestire i ricambi sulle navi
Il primo progetto che ha visto ToolsGroup come partner si riferisce a una compagnia che opera nell’ambito delle perforazioni e della ricerca di nuovi giacimenti. «Questa azienda – ha raccontato Cataldino – utilizza delle navi che si chiamano FPSO, acronimo che sta per Floating, production, storage and offloading».
Who's Who
Leo Cataldino
Le unità galleggianti di produzione, stoccaggio e scarico sono delle imbarcazioni impiegate nell’industria petrolifera in luoghi distanti dalla costa, non raggiungibili da oleodotti o gasdotti. La gestione dei ricambi in questa tipologia di nave deve tenere conto della circostanza che si tratta di un magazzino itinerante al cui interno vi sono spazi molto ridotti. I principali obiettivi della compagnia, perciò, erano quelli di scongiurare rotture di stock, di aumentare la disponibilità dei ricambi e di evitare i cosiddetti death stock, cioè lo stoccaggio di quei materiali che a bordo occupano spazio inutilmente. Partendo da un audit preliminare e dalla raccolta e validazione dei dati, è stato sviluppato un algoritmo di intelligenza artificiale per rispondere a un’esigenza di manutenzione che andasse oltre quella tradizionale di tipo preventivo. «L’AI ci ha permesso di fare previsioni – ha spiegato Cataldino -. Valutando quei fattori che hanno causato determinati fenomeni, non legati a una ciclicità nel passato, e andando a vedere determinate caratteristiche, il sistema è in grado di predire l’eventualità di un ricambio per normale rottura, e non perché legato a un piano di manutenzione». Da qui l’ottimizzazione dei livelli di scorta dei ricambi meccanici e dei consumabili, livelli di scopra basati appunto sugli algoritmi di forecast.
Ottimizzare la cambusa, il caso MSC Crociere
Nel secondo caso portato all’attenzione da ToolsGroup, la compagnia di navigazione è molto nota, MSC Crociere. A differenza della precedente, l’esigenza era quella di avere una soluzione demand-driven su una eterogeneità di prodotti che comprende food & beverage per passeggeri ed equipaggio, approvvigionamenti per i negozi di bordo e, ovviamente, parti di ricambio. Per le 19 navi della flotta, i cui viaggi hanno una durata media di una settimana, anche i porti di rifornimento devono far parte di una rete dinamica ai fini dell’ottimizzazione degli approvvigionamenti. Inoltre, l’analisi delle abitudini di consumo dei croceristi era essenziale per definire le scorte della cambusa, soprattutto con riferimento al fresco e freschissimo la cui deperibilità segue cicli molto accelerati. «Nella tecnologia che abbiamo implementato – ha detto in conclusione Cataldino – il sistema va in autoapprendimento, vale a dire studia i comportamenti e i consumi del passato: più assume informazioni, più impara. A parità di mix di passeggeri, o di situazioni simili proiettate nel futuro, riesce a tarare al meglio i fabbisogni di prodotti finiti e di ingredienti”.
I benefici quantitativi, qualitativi e green
In entrambi i progetti, i benefici sono anzitutto di tipo quantitativo, poiché l’ottimizzazione delle scorte coincide con la riduzione degli sprechi. Coincide anche con il venire meno di due rischi speculari quali la rottura di stock o, al contrario, la presenza di stock in eccesso. I vantaggi sono anche di carattere qualitativo, giacché al crescere della pianificazione, diminuiscono gli interventi a valle e, di conseguenza, i costi derivanti da una nuova rinegoziazione con i supplier. Una maggiore efficienza, infine, è fonte di maggiore sostenibilità che si determina sia nell’abbattimento del waste sia nel contenimento di azioni correttive che spesso corrispondono a trasporti supplementari e, quindi, più costosi e inquinanti.
