Trasporto merci: ottimizzare con i big data la supply chain per inquinare meno

I big data renderanno molti processi migliorabili

Negli ultimi decenni, le aziende hanno cercato tecnologia, produzione snella e produzione globale per ridurre i costi delle merci, ma queste tattiche stanno portando a rendimenti decrescenti negli ultimi 10 anni. Allo stesso tempo, le supply chain sono cresciute estendendosi su più continenti e coinvolgendo fornitori esterni, mentre le richieste dei clienti si sono fatte più complesse. Come risultato, le aziende stanno riducendo le distanze e questo approccio offre nuove importanti opportunità per migliorare la capacità di risposta ai clienti, ridurre le scorte, ridurre i costi e migliorare l’agilità della distribuzione.

Grazie alla capacità di elaborazione e analisi dei big data le aziende possono ottimizzare distribuzione, logistica e reti di produzione, migliorando l’accuratezza delle loro previsioni di domanda, scoprire nuovi modelli di domanda e sviluppare nuovi servizi per la condivisione dei dati con i partner nella catena di fornitura.

In pratica l’attuale modello di sviluppo economico, così com’è, sta mettendo in crisi il nostro ambiente per cui diventa necessario rivedere il sistema di distribuzione mondiale in chiave di sostenibilità, abbattendo inquinamento dell’aria e le emissioni di CO2. L’EEA, l’Agenzia europea dell’Ambiente con dossier TERM 2014, è stato monitorato l’impatto ambientale nei trasporti in Europa: nel 2012 gli europei hanno percorso 6.400 miliardi di chilometri con un 70 per cento di trasporto in auto, dato in flessione però dal 2009 a fronte però di un deciso aumento del trasporto aereo, mentre è diminuito del 2,1 per cento il volume del trasproto merci probabilmente a causa della crisi economica.

I big data renderanno molti processi migliorabili ma potrebbe essere difficile per i dirigenti determinare dove dovrebbero concentrare il loro tempo e le risorse limitate.

Visualizzare i percorsi di consegna. I big data assieme a tecniche analitiche avanzate aiutano a affrontare i problemi della catena di approvvigionamento e le aziende possono identificare le opportunità di risparmio pari al 15 al 20 per cento dei costi di trasporto. Recenti progressi nelle tecniche di mappatura geoanalytical, in coppia con la disponibilità di grandi quantità di dati relativi all’ubicazione, all’economicità, alla velocità basati sul cloud computing, permettono alle aziende di analizzare dinamicamente milioni di dati e di modellare centinaia di potenziali scenari per un percorso dei camion. Emerge che le aziende che hanno messo a frutto questo sistema grazie all’uso di software specifici hanno condiviso modelli simili di domanda usufruendo, attraverso un test, di decine di iterazioni di rotta e lo sviluppo di percorsi individuali per ogni camion risparmiando fino a tre ore sui tempi consegna per aver semplicemente utilizzato nuove rotte.

Un’altra soluzione prevede di dividere, in una grande città, la flotta tra due depositi locali, riducendo il numero di chilometri per ogni percorso e permettere ai camion di trasportare maggiori volumi di merci, abbassando il costo effettivo, con nessun investimento significativo al di là del costo iniziale di sviluppo di migliori tecniche di modellazione.

Individuare la domanda futura. Prevedere la domanda può essere un’operazione lenta e farraginosa. Molti manager devono fare affidamento su sistemi poco flessibili e stime imprecise dalla forza vendita per predire il futuro. E la previsione resa ancora più complicata nell’attuale epoca di maggiore volatilità della domanda e dalla crescente complessità del portafoglio-prodotti.Anche in queste circostanze i big data, grazie a tecniche analitiche avanzate da una serie di sistemi che parlano lingue diverse, ad esempio, facilitano la pianificazione delle risorse aziendali e dei prezzi consentendo ai manager una visione delle cose che non potevano vedere in passato. Le aziende che fanno un lavoro migliore di previsione della domanda futura spesso possono tagliare dal 20 al 30 per cento di inventario, a seconda del settore, mentre l’aumento del tasso di riempimento medio di 3-7 punti percentuali. Tali risultati possono generare un margine di miglioramento da 1 a 2 punti percentuali.

Ad esempio, un produttore di tecnologia globale potrebbe affrontare significative carenze di approvvigionamento e scarsa puntualità delle consegne dei componenti a causa delle previsioni inaffidabili. I venditori stavano dando previsioni eccessivamente ottimistiche, e il produttore ha ordinato più di quanto fosse realmente necessario per garantire un adeguato approvvigionamento. Per comprendere le cause delle scarse prestazioni delle previsioni, la società ha utilizzato gli strumenti e le tecniche avanzate analizzando più di 7 milioni di dati, tra registrazioni di spedizione, performance storiche di previsione, e bill-of-material record. La società ha anche eseguito simulazioni di confronto sull’accuratezza delle previsioni relative alle esigenze di spedizione e inventario per identificare il punto dei rendimenti decrescenti con maggiore precisione. Il modello di base della domanda si è rivelato complesso e altamente volatile, in particolare a livello dei componenti. La fonte del problema è stata individuata nei soliti ritardi e nelle interruzioni, così come una struttura organizzativa con troppi silos.

In risposta, l’azienda ha rivisto il suo processo di pianificazione, dedicando più tempo alla progettazione dei componenti e eliminare le strozzature di flussi di dati e di elaborazione informatica. Inoltre, migliorando la qualità dei dati per i progettisti dei componenti, l’azienda è stata in grado di ridurre il tempo sprecato correggendo gli errori e sviluppando strumenti più sofisticati per misurare la precisione delle previsioni.

Sulla base di questi e di altri miglioramenti organizzativi e di processo, la società prevede di migliorare l’accuratezza delle previsioni fino a 10 punti percentuali per le componenti e di 5 punti percentuali per i sistemi, con conseguente miglioramento della disponibilità di parti e puntualità delle consegne ai clienti. Le modifiche produrranno un incremento dei ricavi, riducendo al contempo i livelli di magazzino, offrendo un migliore servizio clienti e riducendo i costi di trasporto di alta qualità.

Semplificare le reti di distribuzione. Molti produttori si sono evoluti nel tempo espandendo in reti tentacolari magazzini, fabbriche e centri di distribuzione attraverso enormi territori. Nel corso del tempo, molti di queste reti fisse hanno mostrato la difficoltà a adattarsi ai flussi mutevoli di forniture per le fabbriche e dei prodotti finiti per il mercato. Alcune reti sono troppo ampie, il che spinge verso l’alto i costi di distribuzione.

I big data, oggi possono aiutare anche le aziende a risolvere gli intricati problemi di ottimizzazione con risparmi che vanno dal 10 al 20 per cento dei costi di trasporto e magazzinaggio, oltre a un notevole risparmio delle scorte. Quelli che non lo faranno perderanno enormi guadagni in efficienza e l’ambiente sarà più inquinato.

Guarda il video https://youtu.be/uBYVVwWjeuE

Fonte: BLOGEKO

<< Indietro

Elenco

Avanti >>