Scenari

Supply Chain Risk, come può essere mitigato dall’intelligenza artificiale

Il processo di gestione del rischio nella supply chain, combinato con l’AI, può fornire un tangibile aiuto nell’individuare le aree a maggior propensione al rischio, analizzarle sulla base dei dati raccolti e consentire di agire per contenere le situazioni sfavorevoli, magari anticipando il materializzarsi dell’evento

Pubblicato il 07 Giu 2023

Luigi Sbriz

Cybersecurity & Privacy Senior Consultant

Fabio Tiozzo

Digital Supply Chain Advisor

Fino a che punto possiamo oggi ritenere il supporto dell’intelligenza artificiale una soluzione valida per risolvere i problemi della supply chain? L’AI ha una capacità predittiva ma con costi che tendono a salire con la precisione e completezza della previsione. La tematica dell’AI applicata a supporto della supply chain è un tema attuale ma non è stato ancora sviluppato completamente. C’è tanto entusiasmo ma non sempre la soddisfazione finale è sullo stesso livello. Il processo di gestione del rischio nella supply chain (supply chain risk), combinato con le nuove tecnologie digitali, come l’AI, può fornire un tangibile aiuto nell’individuare le aree a maggior propensione al rischio, analizzarle sulla base dei dati raccolti e consentire di agire per contenere le situazioni sfavorevoli, magari anticipando il materializzarsi dell’evento.

L’obiettivo del supply chain management

Una supply chain è una rete di organizzazioni, attività, informazioni e risorse, finalizzate alla creazione e consegna di un prodotto, e comprende tutto ciò che riguarda i flussi di materiali dall’approvvigionamento di beni, alla produzione, allo stoccaggio, al trasporto ed infine alla distribuzione. L’obiettivo ultimo del supply chain management è garantire l’arrivo del prodotto finito al cliente, nel momento e nel luogo prestabilito, con la giusta qualità e al costo più basso possibile. Per raggiungere questo obiettivo, il planning delle attività e delle risorse rappresenta un’area cruciale nel supply chain management. Proprio in quest’area si trovano le difficoltà, le incertezze e gli imprevisti che più frequentemente colpiscono sia la pianificazione della domanda del cliente che i piani di approvvigionamento, produzione e distribuzione.

WHITEPAPER
Perché SAP fa la differenza per un’ottimizzazione su misura del magazzino: case history
E-Commerce
Smart logistic

Cos’è il supply chain risk

Come punto di partenza, è importante chiarire cos’è un supply chain risk, poiché esistono molteplici definizioni usate nella letteratura e nel business. La definizione che adottiamo per riferirci all’evento di scostamento della domanda effettiva dalla previsione o di interruzione della supply chain è:

il verificarsi di una combinazione tra la possibilità di accadimento e l’impatto negativo di un evento, sulla pianificazione della domanda cliente, sulla pianificazione delle forniture, sulla produzione, sullo stoccaggio e sulla distribuzione del prodotto.

Come classificazione, si tratta di una categoria di rischio operativo, nota come rischio di rilevanza (relevance risk), che interviene quando si manifesta una variazione inattesa della domanda oppure un imprevisto nel piano di supply chain, con conseguenze nella consegna del prodotto, nella giusta quantità, nel giusto luogo, al giusto momento e con la giusta qualità.

Rischio di supply chain e AI

I rischi operativi che attualmente traggono il maggior vantaggio dall’adozione di soluzioni di intelligenza artificiale sono quelli che possono essere risolti dalla segnalazione di potenziali imprevisti nella realizzazione dei piani operativi o dell’individuazione tempestiva dell’evento avverso. Tipici casi sono gli allarmi di eventi inaspettati dovuti a cause esterne (non necessariamente considerate nella pianificazione), che vengono rilevati analizzando dati da varie sorgenti, incluso talvolta l’apporto dei big data. Esempio caratteristico è la potenziale presenza di condizioni meteo avverse, condizioni di congestione o blocco di traffico a livello stradale, marittimo o aeroportuale, dovuti a incidenti o movimenti sociali che interferiscono con il piano di trasporto oppure il verificarsi di eventi naturali catastrofici quali esondazioni, monsoni, uragani che possono colpire fortemente i nostri fornitori o i fornitori dei nostri fornitori, con conseguente impatto devastante sulla supply chain.

Per favorire un’efficace comprensione dei risultati del risk assessment, quando vengono presentati al senior management, è utile fornire una ripartizione dei rischi in base alla probabilità o frequenza dell’evento ed all’ampiezza del suo potenziale impatto, raggruppandoli, per esempio, secondo queste categorie:

  • rischio raro ma a forte impatto (disruption risk)
  • rischio ad alta/media probabilità ed impatto medio/basso (daily risk)
  • rischio ad elevata probabilità e forte impatto (significant risk)
  • rischio a bassa probabilità e basso impatto (acceptable risk)

Disruption risk

Proprio per la sua natura non è quasi mai prevedibile con ragionevole accuratezza. Tuttavia, prima che l’evento di rischio si concretizzi possono esistere “segnali” deboli, spesso “nascosti” e difficili da interpretare, che rappresentano segnali premonitori di un rischio che sta passando da raro a probabile o addirittura imminente. La capacità di detection e l’interpretazione di questi segnali sono un aiuto concreto dell’AI a prevenire l’evento. Per questo ci si riferisce a questi controlli con il termine di early warning. L’azione di detection e l’analisi dei “near miss incident” sono un esempio ben noto agli esperti di sicurezza sul lavoro.

Daily risk

Una categoria di rischio, che tende a concretizzarsi nel tempo con una periodicità e una modalità di accadimento che possono essere spesso stimate da un’accurata analisi dei dati storici. Qui l’AI raggiunge un ottimo risultato per l’efficacia che dimostra nel correlare dati da fonti diverse e, nel caso, anche affrontare l’elaborazione di grandi insiemi di dati. La previsione della data di arrivo a destinazione di un container, interpolando dati di molteplice natura (metereologici, di traffico, di agitazioni sociali nei porti, incidenti dolosi…) è un qualcosa che le aziende all’avanguardia fanno oramai da un po’ di anni. La manutenzione predittiva degli impianti o dei mezzi di trasporto è un altro caso in cui l’AI può dare validi risultati.

Significant risk

La classica priorità del management, in quanto, se esiste un evento con un possibilità di accadimento elevata con conseguenze non accettabili, è verosimile che sia già stato inserito nel processo di risk management. In questi casi l’AI può comunque aiutare nell’aumentare l’accuratezza della previsione e migliorare la pianificazione evidenziando i fattori più critici. Inoltre, mantenere attivo il modello AI, alimentandolo con le risultanze del monitoraggio dei parametri più significativi della supply chain, può favorire l’individuazione dell’avvicinarsi dell’evento di rischio.

Acceptable risk

Generalmente è un livello di rischio accettato e si affronta non inserendo alcuna azione correttiva nel piano di trattamento del rischio. Non sono previsti costi per definizione per questo rischio. In generale non sarà gestito direttamente dall’AI perché questo ha comunque un costo. Potrebbe però essere incluso come elaborazione aggiuntiva assieme ad un rischio rilevante se riesce a condividere dati e modello i cui costi sono già pianificati. Il fatto di riuscire ad evitare rischi lievi è comunque un valore aggiunto per l’organizzazione, e conseguentemente, magari anche migliorare l’immagine all’esterno.

Cosa può fare l’AI per il rischio di supply chain

Rimanendo nello scenario di rischio che abbiamo declinato, precisiamo che ci stiamo riferendo a soluzioni di AI di tipo data driven, cioè costruite partendo da dati derivati dalla storia o dall’esperienza passata. Per questi tipi di soluzioni, l’AI nei processi di pianificazione della supply chain può basarsi su modelli predittivi oppure su modelli prescrittivi. L’analisi predittiva è focalizzata sulla previsione di scenari futuri, con lo scopo di fornire gli elementi per il supporto delle decisioni. L’analisi prescrittiva mira a stabilire autonomamente le azioni da realizzare per gestire al meglio gli scenari previsti.

I modelli predittivi e prescrittivi non sono mutuamente esclusivi ma bensì integrabili. Benché questa sia la condizione con la migliore qualità e generi valore per l’azienda, deve essere accuratamente ponderata attuando un’analisi costo/beneficio, poiché le soluzioni prescrittive, sono spesso più complesse e sofisticate di quelle predittive ed hanno solitamente un costo decisamente superiore.

Diversamente da questi modelli, quelli predittivi, hanno una maturità realizzativa che consente risposte concrete e di valore per molte applicazioni, con difficoltà di implementazione inferiore. Ad ogni modo, per raggiungere un risultato di qualità, è richiesta la soddisfazione di alcuni prerequisiti:

  • Definizione di un use case (rappresentazione del modello funzionale del sistema) accurato e rispondente ai requisiti del sistema target.
  • Identificazione delle sorgenti di minaccia dell’evento di rischio ed ogni eventuale fattore che ne influenza la probabilità.
  • Disponibilità di dati storici qualificanti la richiesta di previsione, ed in particolare soddisfacendo caratteristiche di qualità, quantità, tempistica e di tecnologie usate.
  • Know-how adeguato alla costruzione dei modelli predittivi, sia considerando risorse all’interno che all’esterno dell’azienda.
  • Capacità di integrare i flussi dati dei processi coinvolti e mantenere la soluzione aggiornata ed allineata all’ambiente operativo.

Come integrare l’AI nella supply chain

La supply chain è un insieme di tanti processi integrati tra loro, ad esempio pianificazione della domanda, piani di approvvigionamento, pianificazione della produzione, controllo delle scorte, pianificazione dei trasporti, e così via. Ognuno di questi processi ha grande giovamento se sono presenti degli allarmi sul rischio di accadimento di qualunque forma di imprevisto possa manifestarsi. Ovviamente, la decisione se seguire o meno l’allarme, dipenderà dalle condizioni del contesto operativo. L’AI predittiva fornisce un valido aiuto nel creare modelli previsionali in particolare nelle seguenti situazioni:

  • Supply disruption. Varie sono le possibilità di interruzione della supply chain. Tra le cause, l’impossibilità del fornitore di far fronte al piano di approvvigionamento per problemi interni oppure problemi legati ai fornitori diretti oppure ai fornitori di secondo livello od anche relativi al trasporto merci. Il blocco di un porto per un lungo sciopero o la nave incagliata nel canale di Suez con interruzione di tutto il traffico per giorni o settimane, sono eventi di rischio rappresentativi di questa tipologia.
  • Production disruption. La produzione non è esente da anomalie di funzionamento con impossibilità di portare a termine il piano di produzione. Le cause possono essere molteplici, e vanno dalla rottura degli impianti, a problemi di qualità, agli infortuni, alla mancanza di manodopera, o dei materiali, e così via.
  • Delivery scheduling. La programmazione delle consegne affronta la grande sfida del rispetto dei tempi entro i costi previsti. Le condizioni avverse vanno dalle carenze organizzative della distribuzione logistica ai ritardi nella consegna cliente per le ragioni più diverse quali, eventi metereologici, incidenti sul percorso, indisponibilità del personale, eventi dolosi al vettore di trasporto e così via. L’integrazione di dati tra i vari sistemi cliente, fornitore e trasportatori aiuta la qualità del modello previsionale, velocizzando il flusso dati e riducendo l’errore imputabile a operazioni manuali.
  • Demand uncertainties (and forecast errors). La pianificazione della domanda può essere soggetta a sensibili revisioni nel periodo contrattuale, pianificate o imposte da eventi accidentali. Nel protrarsi del tempo tra prima previsione di lungo periodo e la consegna effettiva al cliente, ci sono innumerevoli occasioni di cambiamento dovute a variazioni di mercato, errori di valutazione scorte lato cliente, modifica del piano di produzione a causa di imprevisti, ma sempre con ricaduta sulla domanda.

La qualità della previsione non è solo dipendente dalla bontà del modello o dai dati raccolti ma, anche da come vengono raccolti, ossia dalla velocità e accuratezza delle informazioni condivise nella supply chain tra clienti e fornitori.

Conclusioni

Le soluzioni offerte dall’AI nel campo della supply chain ad oggi offrono un livello di maturità accettabile se dobbiamo affrontare scenari ben definiti, ove esista facilità a reperire le informazioni per alimentare il modello predittivo. Diversamente, se lo scenario è particolarmente complesso e la disponibilità di informazioni non consente correlazioni affidabili, allora prima di adottare una qualunque soluzione AI, è necessaria un’approfondita analisi costo/beneficio.

Avendo chiari gli obiettivi aziendali riposti sulla supply chain, si devono considerare alcuni parametri per valutare l’adeguatezza della soluzione per l’organizzazione. Principalmente, il costo di predisposizione delle informazioni (raccolta, cleaning, preparazione), l’aggiornamento nel tempo (monitoring, modeling) e la rispondenza ai fini dell’obiettivo di previsione. Questo per comprendere l’ammissibilità rispetto ai costi stimati ed ai benefici attesi, ma un altro aspetto, non meno importante, deve essere ulteriormente valutato a priori, ossia la capacità di adattare dinamicamente la soluzione AI alle modifiche organizzative, per garantire la massima integrazione con i processi esistenti. Inoltre si deve mantenere la giusta cultura interna per un uso consapevole nel processo decisionale dei risultati prodotti dal sistema AI.

L’introduzione dell’AI nel processo di supply chain potrebbe sembrare poco efficace, a volte complesso, o privo di risultati eclatanti o molto costoso, ma se opportunamente ritagliato sulle necessità del business può rivelarsi un valido elemento competitivo.

@RIPRODUZIONE RISERVATA

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articolo 1 di 2