Gestire al meglio gli analytics nella supply chain consente a moltissimi settori (GDO, Horeca, retail monomarca ecc.) di ottimizzare la catena del valore, mettendo in condizione le aziende di prevedere la domanda e di minimizzare i rischi derivanti da una risposta inadeguata a tale domanda.
23 Jun, 2021

Gestire al meglio gli analytics nella supply chain consente a moltissimi settori (GDO, Horeca, retail monomarca ecc.) di ottimizzare la catena del valore, mettendo in condizione le aziende di prevedere la domanda e di minimizzare i rischi derivanti da una risposta inadeguata a tale domanda. In Italia, il mercato degli analytics, secondo l’Osservatorio Big Data & Business Analytics della School Management del Politecnico di Milano, ha rallentato la sua crescita, attestandosi nel 2020 a 1,8 miliardi di euro. Anche la percentuale di imprese che ha inserito figure professionali, come Data Analyst e Data Scientist, non è aumentata, confermando comunque una stretta correlazione tra tecnologie in grado di valorizzare i dati e competenze data-driven in questo ambito. Che si tratti di competenze interne, di skill reperite esternamente o, come avviene sempre più spesso, di una combinazione di entrambe, un progetto di analytics al servizio della supply chain deve includere almeno due fasi essenziali prima della messa in produzione del sistema. Ecco quali. 

 

Data preparation e data cleansing sulle serie storiche negli analytics per la supply chain

La prima fase, che contempla data preparation e data cleansing, ha a che fare con la pulizia dei dati storici. Serve a depurare le serie storiche, che rappresentano la base di partenza di qualsiasi motore di forecasting, da tutto quello che in qualche modo ha alterato la domanda in passato. Anche l’analisi dei meccanismi di product substitution, che specialmente in alcuni prodotti di largo consumo manifestano legami e somiglianze a prescindere dalla marca, rientra in questa fase di data preparation. La conoscenza delle dinamiche del settore e dei processi afferenti, perciò, deve andare di pari passo con quella statistica che permette di gestire informazioni e dati per renderli omogenei e “digeribili” dagli strumenti di forecasting. Una volta conclusa questa parte, il progetto di analytics per la supply chain ha l’obiettivo di trovare un modello che riesca a interpretare le serie e a trovare il forecast migliore in termini di accuracy e di reattività ai cambiamenti

 

Forecast e data modeling negli analytics per la supply chain 

La seconda fase si concentra nell’attività di data modeling che deve tenere conto delle due variabili indicate sopra. Da un lato l’accuracy consente di identificare quali sono le serie storiche stabili, dall’altra la capacità di riuscire a reagire meglio ai cambiamenti repentini della domanda mette in condizione di riadattarsi a problematiche specifiche di settore o a nuovi scenari come quelli dettati, per esempio, dalle restrizioni normative varate per contrastare i contagi da Coronavirus. Negli analytics per la supply chain i modelli devono comprendere entrambi questi fattori in maniera tale che dallo studio dell’andamento e delle caratteristiche della singola domanda e della singola industria si possa produrre l’algoritmo migliore da adottare. Algoritmo che, poi, sarà tradotto nei linguaggi statistici correnti, tipicamente R o Python, per essere poi testato e comparato con le serie storiche al fine di generare quella previsione della domanda che non solo ottimizza la catena del valore, ma evita i principali rischi inerenti. 

 

I 3 rischi che un modello di analytics nella supply chain riduce 

L’esercizio di forecast applicato agli analytics della supply chain aiuta a vincere la sfida di qualsiasi impresa che lavora sullo stock per magazzino, vale a dire quella di produrre la corretta quantità di merce in un dato orizzonte temporale. Il rischio principale da contrastare, perciò, è quello delle mancate vendite, cioè di produrre meno di quello che serve e di non riuscire a soddisfare completamente la domanda o di non riuscire a distribuire quanto prodotto nei punti vendita deputati. In pratica, si tratta del rischio di stock out presente in gran parte dei mercati, ma particolarmente elevato nel campo dei beni ad alta marginalità in cui una mancata vendita può coincidere con la perdita del cliente. Il rischio opposto è quello del leftover, di produrre eccessi di inventario, immobilizzando così risorse che non vengono smaltite. Il terzo rischio, infine, è quello di non bilanciare correttamente l’intera supply chain e, quindi, di non avere un forecast allineato tra capacità produttiva, di rifornimento, di impiego di personale, di investimenti in macchinari ecc. Il giusto modello di analytics nella supply chain permette di ridurre tutti e 3 questi rischi. 

 

New call-to-action