Si assiste a una rapida evoluzione delle supply chain che riflette una maggiore complessità negli scambi a livello mondiale che sono sempre più caratterizzati da alti livelli competitivi e da un ambiente caratterizzato da una crescente volatilità, dove le esigenze dei consumatori possono cambiare rapidamente.
Queste caratteristiche hanno finora imposto il ricorso a un modello di gestione unico valido per tutti che però generalmente si rivela poco efficiente e chiaro.
Come ci spiega Davide Villa, EMEAI Business Development Director di Western Digital, molte aziende si basano ancora su uno storico di dati legati alla supply chain che potrebbero venire utilizzati per attuare un modello di supply chain completamente automatizzato ed efficiente.
Un’indagine recente ha rilevato come la classe dirigenziale in quest’ambito abbia indicato l’analisi avanzata dei dati come la seconda più importante tecnologia emergente.
Non sorprende quindi come questa possa rappresentare la prossima grande evoluzione in quest’ambito. La convergenza tra connessione always-on e capacità di elaborazione è responsabile di una crescita esponenziale di dispositivi e sensori connessi. Ne consegue un incredibile volume di dati prodotti e la possibilità di abilitare nuovi tipi di applicazioni trasformative e nuovi modelli di business nelle organizzazioni così come all’interno della supply chain.
I dati generalmente vengono acquisiti, crittografati, elaborati e analizzati a livello di edge per diverse ragioni, anche di valore, ma ci sono anche esperienze dove può avere senso anche l’archiviazione di dati aggiuntivi.
Oltre all’acquisizione di questi dati localmente per un’archiviazione principale o di backup, i dispositivi di computing ed edge storage possono massimizzare l’efficienza della rete e abilitare i sistemi ad analizzare i dati e agire sui risultati in tempo reale.
Non è sempre immediato come poter mettere in pratica questi principi. Seguendo alcuni semplici passaggi, le aziende possono usare le tecnologie di machine learning e di analisi avanzata per progettare un modello di predizione completamente automatizzato, creando processi all’interno della supply chain molto più efficienti e che mettono il cliente al centro.
Costruire una strategia di ottimizzazione
Prima di tutto, è necessario essere sicuri di avere una visione completa degli obiettivi di business, dell’organizzazione e delle sue esigenze.
Il passo successivo, secondo Villa, è quello di sviluppare una strategia di ottimizzazione della supply chain che deve fondarsi su questi pilastri:
- Fondazione – stabilire sistemi aziendali complessi e infrastrutture di big data e data governance per sostenere il nuovo modello
- Panorama di rete – razionalizzare il carbon footprint, razionalizzare il gestore di rete e ottimizzare il modello di rete
- Organizzazione del team – creare una torre di controllo per sostenere il change management, sviluppare i talenti e concentrarsi sulla cultura aziendale
- Soluzioni digitali – implementare soluzioni di trasporto intelligenti, magazzini smart e utilizzare le tecnologie emergenti quando è necessario
Quando questo modello viene messo in pratica, è importante seguire un approccio bilanciato, bimodale, piuttosto che essere troppo rigidi o troppo flessibili. In particolare, è utile identificare e valutare continuamente le opportunità di miglioramento di questi processi in corso d’opera.
Accanto a ciò, l’utilizzo di metodi innovativi, altamente adattabili assicurerà una rapida risoluzione dei guasti, per accelerare il processo di apprendimento. Insieme, “miglioramento continuo” e “innovazione continua” consentiranno alle aziende di fare evolvere la propria tecnologia in maniera rapida, efficiente ed economica.
Raccogliere i dati
Alcune aziende gestiscono decine di migliaia di spedizioni ogni settimana coinvolgendo clienti, partner di canale e altri stakeholder – ciò significa che c’è una notevole quantità di dati che vengono processati. È importante per le organizzazione avere una strategia per la gestione dei dati lungo tutto l’ecosistema dalla periferia al centro, affrontando le sfide caratteristiche di questi ambienti. Ci sono alcune considerazioni per assicurare che i dati possano essere acquisiti correttamente a livello di edge in questi ambienti.
La raccolta di dati a livello di edge significa che i sensori e lo storage non risiedono in un data center senza contaminazioni, ma sono esterni agli elementi. Ciò significa che la raccolta di dati può durare giorni o settimane in condizioni estreme, ad alte o basse temperature, o a bordo di piattaforme mobili dove possono verificarsi vibrazioni in maniera imprevedibile. Gli ambienti edge possono essere significativamente più complessi dei tradizionali ambienti mobile, client o data center.
Inoltre, per molte grandi aziende, un data lake o un data warehouse centralizzato è l’unica soluzione in grado di gestire un così grande volume di dati e dovrebbe essere l’unica fonte. Per costruire questo archivio, i dati dovrebbero essere acquisiti da sistemi integrati, che vanno dalla gestione dei trasporti fino alla gestione dei carichi di lavoro e degli spedizionieri.
Una volta che l’archivio è stato costruito, può essere usato per nutrire direttamente il modello di dati e la piattaforma di analisi. Da qui, la piattaforma può essere usata per ricavare insight come le più efficienti rotte di spedizione e i giorni migliori per spedire. Con queste informazioni, gli aggiustamenti possono essere fatti all’interno del sistema di gestione dei trasporti per migliorare l’affidabilità, accelerare i tempi di transito per l’inventario e aumentare il consolidamento delle spedizioni.
Il futuro della supply chain
Lavorando coi colleghi di altri dipartimenti, adottando un approccio rapido e attingendo ai dati, le aziende possono passare dalla semplice gestione e connessione delle operazioni di supply chain all’utilizzo di analisi predittive con il machine learning, rendendo così la supply chain molto più adattabile alle esigenze in evoluzione dei clienti.
Esiste il potenziale per sviluppare e implementare modelli lungimiranti, che possono consentire alle aziende di confrontare scenari diversi, comprendere i potenziali risultati e scegliere l’alternativa più efficace nella produzione.
In definitiva, ciò consentirà alle aziende di controllare i tempi di transito, le rotte e i programmi di spedizione fino al livello dell’indirizzo di consegna, stabilendo così una catena molto più affidabile ed efficiente.
Che si tratti di acquisire ed elaborare dati in tempo reale a livello di edge o applicare tecnologie di machine learning a set di dati più grandi a livello core, ci sono opportunità per massimizzare il valore dei dati provenienti dall’IoT.
Una più efficiente archiviazione e analisi dei dati è la chiave per questo poiché consente alle organizzazioni di sfruttare la ricchezza dello storico dei dati per guidare la strategia così come utilizzare i dati raccolti dai dispositivi abilitati per IoT per raccogliere dati della supply chain circa le spedizioni in transito.
