Riflessioni sull’AI nella pianificazione della supply chain
Mentre la supply chain globale lotta per riprendersi dalla pandemia, nuove crisi ambientali e la guerra in Ucraina creano ulteriori interruzioni. E ci inganniamo se pensiamo che a un certo punto le cose si sistemeranno in una "nuova normalità".
Infatti, Gartner afferma che dobbiamo abituarci all'idea di un "no normal", descritto come "un ambiente di incertezza e ambiguità che richiede flessibilità continua, innovazione e investimenti (o reinvestimenti) in dati e strategia di analisi".
Alla luce di tutto ciò, può sembrare che l'utilizzo dell'intelligenza artificiale nella pianificazione della supply chain sia un gioco da ragazzi. Trova lo strumento giusto per la pianificazione intelligente ed elimina tutte le incertezze, giusto?
Sbagliato!
Come vedremo in questo articolo, applicare l'intelligenza artificiale alla pianificazione della supply chain è sicuramente una decisione intelligente, ma non è una soluzione rapida. Richiede un impegno notevole.
Come molti aspetti della tecnologia per la supply chain, l'AI (Artificial Intellgence) viene pubblicizzata nei media e, di conseguenza, viene spesso fraintesa. In questo articolo demistificheremo il ruolo dell'AI nella pianificazione della supply chain: in cosa eccelle e i suoi limiti.
Spoiler alert: il potere dell'automazione AI è amplificato nella pianificazione della supply chain quando combinato con la conoscenza e l'ingegno dei team di pianificazione umana.
L'AI non è la stessa cosa del ML
Per prima cosa facciamo una distinzione tra due parti correlate, ma spesso confuse, dell'informatica - AI e ML. AI è un termine ampio usato per descrivere il software intelligente pre-programmato, progettato per simulare il pensiero e i comportamenti umani. Quando parliamo di sistemi di automazione progettati per sostituire la capacità umana, di solito descriviamo una qualche forma di intelligenza artificiale. L'apprendimento automatico (Machine Learning, ML) è un sottoinsieme dell'intelligenza artificiale che consente a una macchina di apprendere automaticamente dai dati passati, in modo da poter produrre risultati più accurati.
Non tutti i sistemi di intelligenza artificiale operano secondo gli stessi principi. Alcuni sono sistemi opachi progettati per svolgere una funzione specifica senza alcun intervento umano – ad esempio, i nuovi "pod senza conducente" in fase di sperimentazione negli aeroporti. Sistemi di intelligenza artificiale più flessibili espongono alcuni o tutti i loro algoritmi e possono anche consentire sostituzioni umane. Pensate all'auto a guida autonoma che consente al conducente umano di prendere il commando in aree ad alta concentrazione pedonale, strade strette e altre situazioni complesse.
In che modo i sistemi di pianificazione della supply chain basati sull'intelligenza artificiale differiscono da quelli tradizionali
I sistemi di pianificazione della supply chain basati sull'intelligenza artificiale sono costruiti utilizzando algoritmi codificati per ottimizzare questo processo e soddisfare un obiettivo prefissato. Il nostro software, ad esempio, lavora specificamente per ottimizzare i livelli di scorte rispetto a un livello di servizio target. Proprio come l'auto a guida autonoma, consente ai pianificatori di ignorare il sistema per gestire le eccezioni, come le chiusure dei negozi durante una pandemia.
I sistemi di pianificazione basati sull'intelligenza artificiale generano le cosiddette previsioni probabilistiche. Invece di dare un numero, le previsioni probabilistiche danno una gamma di possibili numeri centrati su quello più probabile. Da lì, i pianificatori possono intervenire utilizzando le proprie conoscenze o integrare l'apprendimento automatico per perfezionare ulteriormente le previsioni.
Nel caso della pianificazione della supply chain, il ML viene spesso applicato per migliorare le previsioni della domanda generate dai sistemi basati sull'intelligenza artificiale. Si è dimostrato particolarmente utile per identificare modelli di stagionalità, pianificare promozioni, o l’introduzione di nuovi prodotti, e per altri processi che si ripetono e acquisiscono intelligenza nel tempo.
Lennox Residential Heating and Cooling, che deve gestire una catena altamente complessa e multi-livello, ha adottato il machine learning per modellare in modo affidabile pattern di domanda stagionale altamente variabili. Passa al setaccio centinaia di migliaia di SKU/Location per identificare "cluster" con profili di stagionalità simili. Questi cluster di stagionalità aumentano l'accuratezza delle previsioni del periodo di picco. Di conseguenza, Lennox ha aumentato del 16% i livelli di servizio.
Poiché le macchine imparano dalle esperienze passate, dobbiamo disporre di dati storici sufficienti affinché il ML sia in grado di prendere le decisioni giuste. Ciò significa che il ML non è appropriato per la pianificazione in circostanze intermittenti, eccezionali e mutevoli, in altre parole, crisi. Per questo è necessario un sistema di intelligenza artificiale controllabile che possa consentire l’intervento umano o della macchina.
Nota bene: Nonostante la notevole importanza del ML nella letteratura sulla supply chain, non è una "bacchetta magica". Non puoi semplicemente sederti e lasciare fare al ML. È necessario investire tempo e sforzi per creare e mantenere motori ML.
Le basi per l'AI: dati solidi e modellazione della domanda
Prima di aspettarsi di trarre vantaggio dall'automazione offerta dall'intelligenza artificiale, è necessario investire tempo nella creazione di un solido modello di dati della rete di distribuzione. Il modello di dati specifica quali dati si desidera acquisire, dove sono raccolti e come si relazionano con le diverse parti dell'azienda. L'obiettivo qui è quello di garantire chiarezza e coerenza a tutte le persone e i sistemi coinvolti nella pianificazione della supply chain.
Dopo aver creato il modello di dati, è possibile iniziare a modellare la domanda. Il modello di domanda dovrebbe tenere conto del maggior numero possibile di diversi fattori interni ed esterni. I fattori interni includono l'introduzione pianificata di nuovi prodotti, promozioni e riduzioni di prezzo. I fattori esterni potrebbero includere feed di social media, previsioni meteorologiche e informazioni sulla concorrenza.
Nota bene: la modellazione dei dati e della domanda non è qualcosa che puoi fare nel bel mezzo di una crisi. Nella maggior parte dei casi ci vogliono circa tre mesi per generare un modello affidabile.
Franke — Gestire una pianificazione estremamente complessa durante il Covid
Franke è un produttore di articoli per la cucina da 2 miliardi di dollari che opera in 42 paesi. Gestisce circa 300.000 SKU di prodotti finiti utilizzando il nostro sistema di pianificazione digitale per 140 aree di vendita in una rete di distribuzione a cinque livelli. Ciò si traduce in 1,7 milioni di combinazioni SKU/Location da prevedere in ciascuno dei cicli di pianificazione bimestrale di Franke.
Fortunatamente, Franke aveva costruito i suoi modelli di dati e domanda e aveva il suo "normale" sistema di pianificazione e processi attivi e funzionanti senza intoppi prima che il Covid colpisse. A livello centrale, solo due persone hanno gestito il processo utilizzando il nostro sistema di pianificazione per generare previsioni probabilistiche di base. Un team di circa 100 persone nelle diverse filiali collabora alla pianificazione e alla previsione della domanda, aggiungendo la propria conoscenza dei clienti e delle dinamiche del mercato locale per adeguare la previsioni di base.
All'inizio della pandemia, quando i pianificatori hanno dovuto per lo più fare i conti con ritardi di approvvigionamento dalla Cina, la situazione era piuttosto gestibile. Il team è stato in grado di isolare tutti i fornitori di materiali "a rischio" e gestire le aspettative dei clienti.
Quando il Covid si è diffuso in Europa, però, la situazione è davvero degenerata. Ogni paese ha adottato politiche governative diverse, e quindi la crisi ha colpito in modi diversi. Il processo di pianificazione era troppo complicato per il nuovo contesto. Allo stesso tempo, molte persone coinvolte nella pianificazione erano assenti dal lavoro, mentre altre lavoravano tutto il giorno. Semplicemente non esisteva una strategia per affrontare una crisi di quella dimensione.
Per fortuna, Franke utilizzava un sistema di pianificazione automatizzato che consentiva l'intervento manuale. Di conseguenza, l’azienda ha potuto modificare il suo approccio per gestire con successo la crisi. Tra i passi compiuti da Franke:
- Focus sull'approvvigionamento di prodotti "A" ad alta priorità per evitare stock out, con consegna immediata via spedizione aerea
- Passaggio temporaneo a un ciclo di pianificazione della domanda settimanale semplificato; esonero di tutti i pianificatori dai compiti non essenziali alla gestione delle crisi
- Nel nuovo ciclo settimanale, i pianificatori hanno continuamente rivisto le previsioni probabilistiche per riflettere i rinvii degli ordini di vendita e le modifiche degli ordini di acquisto, con aggiornamento quotidiano delle previsioni
- Chiusura del calendario nei giorni in cui le chiusure dei mercati rendevano impossibile la vendita, per assicurare che questi giorni non di vendita non avessero alcun impatto sulle previsioni future
La presentazione completa di Franke sulla loro strategia Covid è disponibile qui.
Usando l'automazione AI e le risorse umane in modo efficace, Franke ha limitato molto bene i danni. Ha ridotto solo del 15% l’accuratezza del forecast durante il picco della crisi Covid in un ambiente in cui le variazioni totali erano intorno all'80%. È anche riuscita a evitare l'effetto bullwhip, anche in mercati come il Regno Unito, che ha avuto la maggiore variabilità a causa delle chiusure dei mercati.
Un futuro ancora più luminoso
Gli ultimi decenni hanno visto enormi progressi nella pianificazione della supply chain potenziata da AI. Tuttavia, il meglio deve ancora venire. Oggi sono principalmente le grandi aziende globali come Amazon e Google che hanno raccolto abbastanza dati per utilizzare l'apprendimento automatico per la pianificazione delle eccezioni.
Tuttavia, c'è un certo slancio dietro le quinte per passare alla fine a un nuovo paradigma: piattaforme cloud aperte per la supply chain. L'idea qui è che più organizzazioni collaborano per condividere dati, sistemi e conoscenze. Questo modello ha il potenziale per raccogliere dati sufficienti per applicare l'apprendimento automatico e migliorare significativamente la resilienza durante le crisi.
Speriamo che questo articolo abbia contribuito a chiarire alcune delle idee sbagliate sull'AI nella pianificazione della supply chain. Non offrirà una cura istantanea per i mali attuali di tutte le catene di approvvigionamento. Tuttavia, per aziende come Lennox e Franke con reti di distribuzione altamente complesse che affrontano cambiamenti e interruzioni in corso, potrebbe essere proprio la ricetta giusta.
