Intelligenza artificiale nella pianificazione dei materiali: un algoritmo a servizio delle decisioni operative di un manager

Decidere bene e rapidamente: questo è per molti manager attività quotidiana. Non parliamo di decisioni strategiche, quando volendo perseguire un obiettivo si valutano i rischi e le opportunità e si hanno a disposizione relativamente poche informazioni. Queste decisioni sono in un certo senso durature; comunque occorre un certo tempo per verificarne gli esiti. Parliamo invece di decisioni a livello operativo, che sono da prendere più frequentemente e che diventano invalide anche in conseguenza di un piccolo cambiamento di contesto. Difficoltà ulteriore è che affinché queste decisioni siano prese seguendo un criterio ottimizzante, occorrono molte informazioni affidabili. La pianificazione dei materiali è una delle aree aziendali dove queste cose si percepiscono.

Nell’era 4.0, quella, lo sappiamo tutti, del trionfo dei dati e dell’algoritmica, in un manager che affronta queste decisioni può nascere la curiosità di come metodo e tecnologia possano realmente dargli una mano. Ovviamente gli strumenti esistono (ed esistevano anche prima del 4.0, solo che non avevano meritato una tanta attenzione mediatica).

CSMT Gestione, centro di ricerca e trasferimento tecnologico 4.0 attivo dal 2007 che promuove la ricerca e la valorizzazione delle eccellenze per lo sviluppo sostenibile del territorio, ha da tempo attivo un progetto pensato allo scopo. Factory Maps, questo il nome del progetto di trasferimento tecnologico in cui si mettono a fattor comune eccellenze e competenze provenienti dall’Università degli Studi di Brescia, da aziende del territorio, anche di fama internazionale come Bosch VHIT e TEC la scuola di formazione del Gruppo Bosch Italia. L’obiettivo consiste nella prototipazione e sperimentazione di un framework e di algoritmi in grado di superare i limiti delle comuni funzionalità offerte dalle soluzioni software commerciali a supporto delle decisioni manageriali in ambito pianificazione industriale, attraverso il maggiore utilizzo di dati e l’impiego dell’intelligenza artificiale.

Parliamo quindi di un esempio di strumento di supporto delle attività di pianificazione dei materiali che è stato creato a beneficio delle aziende ove questo tipo di decisioni è molto rilevante. I principali vantaggi che derivano dal suo utilizzo sono:

• miglioramento del livello di servizio verso i clienti;
• miglioramento della sincronizzazione delle risorse produttive;
• ottimizzazione degli stock di ogni singolo articolo presente a magazzino in funzione del tasso di consumo derivato dalle richieste del mercato.

È stato creato un algoritmo di pianificazione della domanda, che suggerisce la risposta ad interrogativi come: quali articoli tenere a scorta e in quale quantità, quali invece approvvigionare solo dietro ordine da cliente. Il dilemma delle aziende per le quali le scorte sono un’opportunità ma anche un costo importante. Il risultato dell’algoritmo può essere utilizzato anche per avviare e parametrare le soluzioni software di pianificazione della domanda, che normalmente necessitano di un ingresso di dati e parametri necessari per le normali funzionalità di pianificazione. Ad esempio il livello di scorta minima, più propriamente chiamata livello di riordino, al raggiungimento del quale si ha un fabbisogno (come la riserva di un serbatoio di carburante) per un certo materiale non è un’impostazione predefinita in un applicativo di gestione magazzino, per cui è necessario, prima che questo possa indicare quando è il momento di riapprovvigionare, che venga inserito questo dato.

L’applicativo, partendo dall’analisi del venduto di un periodo rappresentativo della domanda di un set di codici articolo, restituisce per ogni articolo considerato un suggerimento su quale politica di gestione utilizzare per esso. Primo passo da fare è scegliere i punti di disaccoppiamento (i.e. un punto all’interno del ciclo produttivo ove si possa fare scorta e in cui il fabbisogno di alcuni materiali ben individuati è innescato da ordini confermati (MTO – make to order), mentre per gli altri materiali è innescato da previsioni (MTS – make to stock)) presenti all’interno del sistema logistico-produttivo.

Su ciascun punto di disaccoppiamento viene eseguita l’analisi multi-criterio:

• tempo, in particolare il tempo di risposta concesso dal cliente e il lead time, ovvero il tempo necessario per approntare i materiali e spedirli a cliente a valle;
• stabilità, ovvero la regolarità della domanda in termini di interarrivo e quantità degli ordini;
• domanda, prendendo in considerazione il volume degli ordini e il numero di episodi d’ordine.

Il criterio tempo si basa sul confronto tra il tempo che il cliente è disposto ad attendere la merce e il tempo che fisicamente è necessario per approntarla e renderla disponibile (o spedirla). Se per un determinato articolo quest’ultimo tempo è significativamente superiore al tempo massimo di attesa, l’articolo andrà necessariamente posto a scorta, altrimenti l’algoritmo prosegue con gli altri criteri.

Per quanto riguarda il criterio di stabilità, l’analisi restituisce una classificazione dei materiali considerando la quantità ordinata e il numero di episodi d’ordine. In particolare:

• MTS – Make to stock: regolarità alta nel tempo e nella quantità, in presenza dunque di una domanda regolare, l’algoritmo suggerisce quindi una politica di gestione a scorta;
• MTS dinamico: regolarità alta nel tempo, ma bassa in termini di quantità, in presenza di una domanda erratica, l’algoritmo suggerisce una politica di gestione a stock mista ad una di gestione dietro ordine;
• MTO lottizzato: regolarità bassa nel tempo, ma alta in termini di quantità, in presenza di una domanda intermittente, l’algoritmo suggerisce una politica di gestione su ordine, seguendo un’ottimizzazione (riduzione della quota di costo fisso sulla produzione) basata su lotto economico;
• MTO puro: regolarità bassa nel tempo e nella quantità, in presenza dunque di una domanda del tutto irregolare, l’algoritmo suggerisce quindi una politica di gestione seguendo esattamente la quantità del fabbisogno.

Per quanto riguarda il criterio della domanda, l’analisi restituisce una classificazione dei materiali in termini di volumi e numero di ordini nel periodo. In particolare, in presenza di:

• MTS – Make to stock: alti volumi e molti ordini nel periodo, l’algoritmo suggerisce quindi una politica di gestione a scorta;
• MTS collaborativo con cliente alti volumi e pochi ordini nel periodo, l’algoritmo suggerisce comunque una politica di gestione a scorta supportata da una collaborazione con il cliente in termini di condivisione da parte di questo delle previsioni di consumo;
• MTO lottizzato: bassi volumi e molti ordini nel periodo, l’algoritmo suggerisce una politica di gestione su ordine, ma lottizzata;
• MTO puro: bassi volumi e pochi ordini nel periodo, l’algoritmo suggerisce una politica di gestione su ordine, seguendo esattamente la quantità del fabbisogno.

Gli esiti dell’applicazione dei tre criteri sono infine compendiati in modo che la scelta della migliore politica di gestione sia univoca.

Inoltre, nel caso di MTS – Make to stock, l’algoritmo suggerisce anche parametri quali il livello di riordino, la scorta di sicurezza e la massima scorta ammessa; nel caso di MTS dinamico, l’algoritmo indica la soglia al di sopra della quale scatta una gestione all’ordine anziché da scorta, ovvero la dimensione dell’ordine oltre la quale non si dovrebbe rispondere da scorta già presente ma si dovrebbe avviare uno specifico ordine di ri-approvvigionamento. È importante sottolineare che l’utilità di questo algoritmo vale per ogni punto di disaccoppiamento, non necessariamente il prodotto finito, ottenendo quindi come risultato non solo un suggerimento di come gestire il prodotto finale e disponibile al cliente, ma anche tutti i componenti che lo costituiscono, anche di acquisto, i quali possono essere comuni a più articoli, ottimizzando così la gestione globale dei materiali.

Forse sembra fin troppo semplice, ma, come spesso accade, una difficoltà rimane: fidarsi del metodo e dei dati. Già un noto personaggio televisivo suggeriva negli anni ’80 il modo per superarla: provare per credere.