I problemi della supply chain continuano a impattare aziende di tutto il mondo e praticamente in tutti i settori. Per alcune, sfruttare i dati e gli strumenti di analisi si sta rivelando un modo efficace per affrontare le sfide.

Le interruzioni delle supply chain globali dovute alla pandemia di COVID-19 sono state significative. Come osserva la società di consulenza Deloitte, la libera circolazione e le operazioni di persone, materie prime, prodotti finiti e operazioni di fabbrica sono state ostacolate. “Le supply chain dirette hanno affrontato sfide, così come i partner estesi quali fornitori di terze e quarte parti, i fornitori di fornitori”, afferma la società. “Le aziende devono affrontare molteplici rischi lungo le loro catene di approvvigionamento, tra cui la riduzione dei cicli di vita dei prodotti e le preferenze dei consumatori in rapido cambiamento; la crescente volatilità e disponibilità delle risorse; applicazione più severa delle normative e sanzioni per non conformità; scenari economici mutevoli”.

La tecnologia non può risolvere tutti i problemi della catena di approvvigionamento. Le merci devono essere prodotte e spostate da un punto all’altro. Ma gli strumenti di analytics più recenti, basati su algoritmi di apprendimento automatico, possono aiutare le aziende a prevedere la domanda in modo più efficace, adeguando le operazioni di produzione e spedizione.

Tre aziende spiegano come utilizzano l’analisi dei dati per migliorare le operazioni della supply chain.

Optimas Solutions: migliorare le operazioni e le relazioni con i fornitori

Optimas Solutions, produttore e distributore di elementi di fissaggio, “utilizza l’analisi dei dati in tre aree critiche per migliorare le operazioni e le relazioni con i suoi fornitori e clienti”, afferma Mark Korba, vicepresidente per supply chain e business intelligence dell’azienda.

In primo luogo, Optimas utilizza internamente l’analisi dei dati per funzioni quali l’acquisizione di materiale per la produzione, la previsione della produzione e della domanda dei clienti, il miglioramento di efficienza e precisione con gli ordini dai fornitori, la gestione del suo inventario.

In secondo luogo, Optimas utilizza l’analisi dei dati per collaborare con i suoi clienti aziendali per ridurre i costi e gestire meglio le loro scorte. Grazie agli analytics l’azienda è anche in grado di prevedere meglio domanda e consumo. “La possibilità di eseguire questo tipo di analisi aiuta costantemente a ridurre i costi”, afferma Korba.

Infine, Optimas utilizza l’analisi per una collaborazione più efficace con i fornitori. “Comprendendo e gestendo la domanda, in particolare quella dei singoli clienti, offriamo dati di previsione più accurati ai fornitori e gestiamo meglio i nostri ordini in modo che possano lavorare in modo più efficiente per noi”, afferma Korba.

L’azienda utilizza la piattaforma Service Optimizer 99+ di ToolsGroup per la pianificazione della domanda, l’ottimizzazione dell’inventario e la pianificazione dei rifornimenti. La piattaforma si integra bene con la suite di pianificazione delle risorse aziendali (ERP) NetSuite di Optimas per sfruttare i dati della supply chain.

Korba sottolinea che una chiave del successo è la possibilità di integrare tutti gli strumenti utilizzati dall’azienda per mantenere i clienti adeguatamente riforniti e gestire meglio costi, domanda, inventario, produzione e fornitori. Le informazioni fornite attraverso l’analisi devono affrontare questioni finanziarie come il flusso di cassa e i prezzi dal lato dell’offerta e della domanda.

“L’analisi dei dati ci ha aiutato a ottenere visibilità in tutta l’organizzazione, anche in luoghi che non avremmo mai immaginato, come una migliore precisione del nostro ciclo di conversione del denaro, la classificazione della reattività dei fornitori, l’analisi dei tempi di esecuzione delle attività o la valutazione della capacità sia dei nostri clienti che di Optimas”, afferma Korba.

I dati della catena di approvvigionamento non devono necessariamente risiedere in un unico luogo. “È importante capire quali sistemi o servizi esterni possono aiutarti a raccogliere e analizzare i dati di cui hai bisogno”, aggiunge Korba, “in modo che possano diventare informazioni utili per le decisioni”.

Per esempio, l’utilizzo di indici di prezzo per materiali come acciaio e imballaggio o costi di manodopera e trasporto è utile per determinare quando sono necessari aumenti di prezzo. “Un migliore accesso alle informazioni, all’interno o all’esterno dell’organizzazione, consente un migliore processo decisionale per Optimas e per i nostri clienti e fornitori”, conclude il manager.

CarParts.com: prevedere la domanda di prodotti e le esigenze di inventario in modo più efficace

CarParts.com, che vende componenti automobilistici online, utilizza strumenti avanzati di analisi dei dati e algoritmi di apprendimento automatico per prevedere meglio la domanda di prodotti e le esigenze di inventario.

“Le nuove funzionalità di analisi dei dati ci consentono di essere più accurati nella previsione della domanda per ciascuna città e regione”, afferma Stanislav Tatarzuk, vicepresidente per pianificazione e previsione dell’inventario di CarParts.com.

L’azienda utilizza modelli che sfruttano l’apprendimento automatico per capire dove posizionare l’inventario nella sua rete di centri di distribuzione, il che le consente di avvicinare i prodotti ai clienti che li ordinano e di essere in grado di consegnare le parti più velocemente risparmiando anche sui costi di spedizione.

CarParts ha implementato una piattaforma di Databricks per centralizzare tutti i dati relativi agli ordini di prodotti e all’inventario e di applicare analisi ai dati. Sfrutta anche librerie open source come XGBoost e Prophet, una varietà di strumenti di analisi e Apache Airflow, una piattaforma open source di gestione del flusso di lavoro, per l’ingegneria dei dati e l’automazione dei report.

Uno dei vantaggi dell’utilizzo degli analytics per gestire al meglio la catena di approvvigionamento è l’ottimizzazione della spedizione. “Le domande su dove spedire e come consolidare in un unico imballaggio sono complesse”, afferma Tatarzuk. “L’utilizzo dei dati in tempo reale dei nostri partner di spedizione e dei nostri magazzini ci consente di essere il più efficienti possibile mentre utilizziamo analisi avanzate per ottimizzare la spedizione di più articoli”.

Ciò consente all’azienda di consegnare gli articoli ai clienti più rapidamente e ridurre le spese di spedizione. “L’utilizzo di questo processo ha consentito a CarParts di realizzare risparmi significativi”, afferma Tatarzuk, sebbene non abbia fornito dettagli.

Un altro vantaggio è l’ottimizzazione del magazzino. “Essere in grado di ridurre le spese di manodopera e i tempi di spedizione è un must assoluto nell’ambiente di aumento dei salari di oggi”, afferma Tatarzuk. “Stiamo creando modelli per posizionare correttamente l’inventario nei nostri centri di distribuzione, per ridurre il tempo di prelievo e stoccaggio, creando al contempo cluster ad alta densità che riducono i tempi di prelievo”.

L’analisi dei dati ha aiutato l’azienda ad affrontare le interruzioni nelle catene di approvvigionamento causate dalla pandemia, consentendole di vedere i cambiamenti della domanda e l’aumento dei tempi di consegna nelle prime fasi della crisi e di reagire più rapidamente dei suoi concorrenti.

Lenovo: supporto a una filiera sempre più complessa

Il fornitore di tecnologia globale Lenovo ha affrontato le sfide della sua supply chain dovute alla pandemia sfruttando tecnologie di previsione avanzate e analisi dei dati.

“La nostra supply chain un tempo si concentrava principalmente sulla logistica, sul flusso di informazioni e sul flusso aziendale”, afferma Arthur Hu, vicepresidente e CIO di Lenovo. Ma la trasformazione dell’azienda in un fornitore di tecnologia a servizio completo “ha significato che la nostra catena di fornitura, un tempo focalizzata principalmente sui dispositivi, è diventata sempre più complessa, con richieste dei clienti più diversificate, prodotti più complessi e la necessità di operazioni più efficienti e agili”.

Nell’ultimo anno, il team della supply chain ha collaborato con 2.000 fornitori per distribuire oltre 130 milioni di dispositivi Lenovo.

Dato il cambiamento, il team della supply chain dell’azienda ha deciso di rinnovare le proprie operazioni, adottando un approccio di trasformazione intelligente. “Un team interfunzionale ha lavorato per trasformare le operazioni della supply chain di Lenovo in un ecosistema intelligente basato sui dati”, afferma Hu. “Il nuovo sistema fornisce dati in tempo reale, analisi intelligenti e supporto decisionale che consentono alle nostre aziende di mantenere le promesse fatte ai clienti in modo più efficace ed efficiente che mai”.

L’azienda ha creato un sistema CFE (Cost Forecasting Engine) per fornire previsioni più rapide e accurate per i costi di approvvigionamento, produzione e vendita durante le operazioni della supply chain.

Utilizzando il sistema in combinazione con la regressione lineare e XGBoost (eXtreme Gradient Boosting), una libreria software open source che agisce come algoritmo di apprendimento automatico, i manager di Lenovo possono stabilire la soglia massima e minima per evitare estremi che influiscono sull’accuratezza dei costi.

“La tecnologia può effettuare confronti dei costi per ridurre l’impatto delle fluttuazioni dei costi mensili per i componenti hardware e fornire una base ai manager per prendere decisioni di strategia aziendale”, afferma Hu.

Il CFE ora supporta la previsione dei costi di approvvigionamento e produzione per oltre il 70% dell’intera catena di approvvigionamento globale di Lenovo e la previsione del costo di vendita per oltre il 90% della catena di approvvigionamento. “Rispetto alla manutenzione manuale dei costi, l’efficienza della previsione dei costi del ciclo è migliorata di circa il 12%, mentre il tasso di accuratezza dei costi rimane di circa il 95%”, conclude Hu.