Machine Learning nella pianificazione della supply chain 101 - Che cosa è il machine learning e come usarlo nella pianificazione della supply chain
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Machine Learning nella pianificazione della supply chain 101 Che cosa è il machine learning e come usarlo nella pianificazione della supply chain toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
Machine learning: se ne parla
tanto ma è ancora un mistero
Il machine learning, o apprendimento automatico,
sembra essere ovunque, dagli spot televisivi, alle
conferenze sulla supply chain, ai corsi universitari.
Ma nonostante se ne parli tanto già da qualche
anno, per molti professionisti della supply chain è
una tecnologia ancora avvolta nel mistero. E proprio
per questo, è fondamentale essere ben informati
in modo da andare oltre i titoli, e poter applicare
la tecnologia correttamente per affrontare le sfide
aziendali e ottenere un reale valore.
Se non hai esperienza nel machine learning, questo
ebook ti spiegherà le basi. Se hai già qualche
conoscenza, scoprirai gli aspetti specifici del
machine learning nella pianificazione della supply
chain, con alcuni interessanti casi aziendali e
suggerimenti su come iniziare.
2 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
+ Che cosa è il machine learning?
Tutti i discorsi su apprendimento automatico e intelligenza
Artificial artificiale ti hanno confuso? Ecco una semplice definizione dei
Intelligence termini più usati.
Machine
Learning Machine learning vs Artificial intelligence
Deep
Learning / Artificial Intelligence, AI (intelligenza artificiale)
Teoria e sviluppo di sistemi informatici in grado di svolgere
compiti che sembrerebbero essere di pertinenza esclusiva
dell’intelligenza umana, come ad esempio la percezione visiva,
il riconoscimento vocale, la traduzione linguistica e i sistemi di
supporto decisionale.
IDC prevede che la spesa in / Machine Learning (apprendimento automatico)
sistemi AI raggiungerà $97,9 Branca dell'intelligenza artificiale che si occupa di
miliardi nel 2023, più di due sviluppare programmi informatici capaci di migliorare
con l’esperienza senza intervento umano. Si forniscono i
volte e mezzo i $37,5 miliardi
dati e il sistema migliora la capacità decisionale dopo lo
del 2019.1
svolgimento di un compito o il completamento di un’azione.
/ Deep Learning (apprendimento profondo)
Famiglia di metodi machine learning basati sul concetto
di rete neurale artificiale, che grazie ai recenti progressi
nella capacità di istruire con successo più livelli di reti
(reti "profonde"), sono diventati gli algoritmi più efficaci
in settori specifici (computer vision, riconoscimento
vocale, ecc.)
3 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
I tre principali tipi di apprendimento automatico
/ Apprendimento supervisionato In questo esempio di classificazione di immagini
L'apprendimento supervisionato è il tipo più con apprendimento supervisionato, diverse
utilizzato di machine learning in ambito aziendale, immagini di prodotti ed etichette corrispondenti
grazie alla sua capacità di risolvere i problemi (ad es. cappotto, stivaletto, ecc.) sono caricate
computazionali del mondo reale. Impara nell'algoritmo di apprendimento automatico.
identificando modelli e relazioni da un insieme Questo processo è ripetuto su molti esempi fino
di dati di addestramento che già contiene le a quando lo "studente" non sarà completamente
informazioni relative ai risultati desiderati, con addestrato.
l’obiettivo che il sistema identifichi una regola
generale che colleghi i dati in ingresso con
quelli in uscita. Poiché vengono forniti esempi di
input e di output, il sistema impara il nesso tra
loro ed è quindi in grado di "apprendere" in che
modo riutilizzare la regola per altri compiti simili. + Etichetta:
“Sandalo”
Algoritmo di
machine learning
L'apprendimento supervisionato è usato al meglio
per classificare o prevedere risultati. Ad esempio,
prevedere il guasto di parti meccaniche nei motori Una volta completata la fase di addestramento,
o il tasso di abbandono dei clienti. 2 l’algoritmo deve rispondere a un’immagine
completamente nuova. Sulla base di quanto ha
appreso, ci aspettiamo che il sistema sia in grado
di classificare correttamente l'immagine come un
"sandalo".
Algoritmo di Output:
machine learning “Sandalo”
4 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
/ Apprendimento senza supervisione
Con l'apprendimento senza supervisione, il sistema impara da un insieme
di dati di addestramento senza etichette, quindi senza alcuna indicazione
del risultato desiderato. Si carica una serie di attributi o caratteristiche e il
sistema deve individuare schemi e modelli nascosti, ossia identificare negli
input una struttura logica. Il clustering e l'associazione sono i casi d'uso
più comuni per questo ramo dell'apprendimento automatico. Ad esempio,
si forniscono all'algoritmo numerosi esempi di oggetti (alcuni rotondi, altri
appuntiti e altri che non sono così facilmente classificabili). Gli algoritmi
di apprendimento senza supervisione possono essere utilizzati per
creare cluster in un modo più accurato e granulare rispetto alle tecniche
tradizionali (e con queste informazioni si scoprono incognite sconosciute).2
In questo esempio di apprendimento non supervisionato, non ci sono
etichette di input. L'algoritmo tenta di imparare le etichette e quindi i
cluster o classi.
L’obiettivo è imparare
+ etichetta
Algoritmo di
machine learning le etichette
(classi / clusters)
/ Apprendimento con rinforzo
In questo caso, il sistema (computer, software, algoritmo) deve interagire
con un ambiente dinamico che gli consente di avere i dati di input e
raggiungere un obiettivo (e in questo caso una ricompensa). L'agente
scopre quali azioni permettono di raggiungere il massimo valore della
ricompensa e impara anche dagli errori commessi, migliorando le
prestazioni proprio in funzione dei risultati ottenuti in precedenza.
5 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
+ Storia [molto] breve del machine learning
Oggi si parla moltissimo di apprendimento automatico, attenzione in questa fase avevano i sistemi esperti basati
ma non è un argomento nuovo. I primi concetti sulla conoscenza, che erano dotati di una serie di regole
furono formalizzati negli anni '50 con la previsione del pre-programmate (del tipo "se questo, allora fai quello").
matematico Alan Turing di una "macchina in grado Questi programmi si sono evoluti nelle macchine di oggi
di apprendere". Nel 1947, Turing aveva tenuto una che apprendono le regole sulla base dell'esperienza.
conferenza in cui aveva dichiarato: “Quello che vogliamo IBM Deep Blue capace di battere nel 1997 il campione
è una macchina capace di apprendere dall'esperienza".3 mondiale di scacchi Garry Kasparov rappresenta un
Settant'anni fa, avevamo già macchine capaci di evento fondamentale nella storia dell'intelligenza
imparare il gioco della dama e negli anni '70 e '80 la artificiale e dell’apprendimento automatico.4
tecnologia progrediva in modo significativo. Grande
“Macchina in grado di
apprendere” di Alan Random forest,
Turing, percettroni, macchine a vettori di ToolsGroup è il primo fornitore
prime reti neurali, metodi supporto, reti neurali SCP a integrare il machine IBM Watson
bayesiani per l’inferenza ricorrenti tipo long IBM Deep learning in un progetto di batte due
statistica, modelli short-term memory Blue batte pianificazione della supply campioni umani a
Nearest Neighbors (LSTM) Kasparov chain per Danone Jeopardy!
anni ‘50-‘60 anni ‘90-‘00 1997 2010 2011
1952 anni ‘70-‘80 1992 anni 2010 2016
Macchine "Sistemi esperti" basati Macchine che Il deep learning diventa DeepMind AlphaGo batte
che giocano sulla conoscenza, giocano a fattibile, e l'apprendimento il campione di Go Lee
a dama backpropagation, reti neurali backgammon automatico diventa parte Sedol, che in seguito si ritira:
ricorrenti, apprendimento integrante di molti servizi “L’intelligenza artificiale ha
mediante differenza e applicazioni software creato un avversario che
temporale, Q-learning per ampiamente usati non può essere sconfitto."
apprendimento con rinforzo 6 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
/ Una pietra miliare per l’intelligenza artificiale:
computer impara a giocare ad Atari Breakout
Se sei cresciuto negli anni '80, probabilmente conosci
i videogiochi Atari. In Breakout il giocatore deve
muovere a destra e sinistra una barretta cercando
di colpire una palla in movimento. L’obiettivo è quello
di distruggere tutti i mattoni che compongono il
muro. Un’azienda di nome DeepMind ha sviluppato
un algoritmo di apprendimento automatico (deep
reinforcement learning, DQN) che impara a giocare
e generalizza l'apprendimento per diversi giochi.
L'algoritmo era stato addestrato con input sensoriali
(come mostrato sullo schermo) e gli era stato detto
di "imparare" a massimizzare il punteggio. Senza
conoscere il concetto di palla o sapere che cosa
fanno i controlli, l'algoritmo, dopo circa 600 partite
di addestramento, imparava che scavare un tunnel
attraverso il muro è il modo più efficace per vincere.5
Immagine per gentile concessione di DeepMind.com
7 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
+ Il machine learning nella pianificazione
della supply chain
In un recente sondaggio condotto da ToolsGroup e Spinnaker
sui professionisti della supply chain in Nord America, il 30%
degli intervistati ha dichiarato di avere un progetto di machine
learning in corso o in piano entro i prossimi 12 mesi.6 L'accuratezza
delle previsioni è il principale fattore trainante per l’adozione
dell’apprendimento automatico nella pianificazione della catena.
Come spiega Tim Payne di Gartner gli utenti “vogliono ottenere
piani di domanda migliori e più accurati che non richiedano molto
tempo da parte dei pianificatori”.7
Deloitte ha riscontrato che l'82% delle aziende che ha adottato
tecnologie di intelligenza artificiale o apprendimento automatico
ha ottenuto un ritorno economico dall’investimento.8
Le previsioni di vendita rappresentano del resto un’applicazione
logica per l’alto livello di automazione permesso dal machine
learning. Nello stesso sondaggio, il 41% degli intervistati si aspetta
che uno dei vantaggi derivanti dall’uso più esteso del machine
learning nei progetti supply chain sia una maggiore produttività
dei pianificatori, e molto probabilmente non sarà deluso. Per le
aziende che hanno adottato il machine learning, l'aumento della
produttività è un vantaggio significativo. Il ruolo del pianificatore
è migliorato dall’intelligenza artificiale e dal machine learning,
che permettono di automatizzare determinati compiti e migliorare
le prestazioni nel tempo. Di conseguenza, i pianificatori vedono
aumentare la produttività.
8 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
• Lennox Residential, cliente ToolsGroup, può contare su una
pianificazione automatica gestita dal sistema al 99,7%, con
i pianificatori che intervengono in media solo su 3 decisioni
ogni 1000.
• Una sola persona gestisce tutta la pianificazione a livello
globale per Absolut Vodka. Questo permette di avere molto
più tempo da dedicare ad attività ad alto valore aggiunto
e alla eventuale gestione delle eccezioni.
L'apprendimento automatico supporta anche lo sviluppo di
un processo di pianificazione della supply chain resiliente.
“L'adozione su larga scala dell’apprendimento automatico
nella pianificazione della supply chain (supportato da
piattaforme cloud hyperscale) aiuta a quantificare
l'incertezza della rete. Questo cambia progressivamente
l'equilibrio tra incertezza ignota e variabilità nota, e permette
di gestire la supply chain con un livello ottimale di resilienza
per tenere conto di questo nuovo livello di incertezza, mentre
si opera per ridurre la variabilità nota.”9 Le organizzazioni che
hanno adottato piattaforme potenziate dal machine learning
sono in grado di sfruttare i dati in tempo reale per un’azione
immediata. Le aziende devono partire da questa base per
prevedere e rilevare le variazioni della domanda, in modo da
generare piani intelligenti, essenziali per garantirsi la resilienza
e la sopravvivenza in caso di interruzioni.
“Il principale aiuto dal machine learning è la capacità
di convertire l'incertezza ignota in variabilità nota."
- Gartner9
9 / toolsgroup.com
eBook / Machine Learning nella pianificazione della supply chain 101
+ Quando usare l’apprendimento Stagionalità
Clustering e classificazione di modelli multipli di
automatico nella pianificazione stagionalità (giorno nella settimana, settimana
nel mese, mese nell’anno)
della supply chain?
Problemi di business legati alla pianificazione della Gestione delle promozioni
domanda, inclusi quelli relativi a previsioni, rilevazione Clustering di promozioni passate,
e modellazione della domanda, sono i principali classificazione di nuove promozioni in base ad
attributi e calcolo dell’uplift
candidati per l’uso dell’intelligenza artificiale a
supporto dell’automazione dei processi della supply
chain. E per una buona ragione: l’aumento della Introduzione di nuovi prodotti
complessità della previsione e la rapida variazione Clustering dei profili di lancio precedenti,
della domanda dei consumatori sono spesso classificazione di nuovi elementi in base ai loro
aggravate da stagionalità, introduzione di nuovi attributi e regressione per la generazione della
prodotti, promozioni, e una miriade di fattori causali (ad previsione di base
es. meteo, social media), che rendono la pianificazione
della domanda estremamente complessa. Le aziende Rilevamento della domanda POS (demand
hanno introdotto l'apprendimento automatico sensing)
per affrontare soprattutto questo tipo di processi Tecniche avanzate per migliorare la previsione
nell’ambito della pianificazione della catena.4 sell-in utilizzando i dati di domanda sell-out
80% - 90% Fattori causali esterni della domanda
Meteo, social media, IoT, tendenze del
Gli strumenti digitali possono automatizzare
mercato, indicatori e altri dati esterni
l’80-90% dei processi di pianificazione della
supply chain 10
Gestione del ciclo di vita di prodotto
Gli algoritmi valutano gli attributi e le vendite
Vediamo alcuni dei principali impieghi
di articoli simili per stimare forma e durata del
dell’apprendimento automatico nella pianificazione
ciclo di vita di prodotto
della supply chain. Il machine learning modella
molteplici effetti della domanda, che possiamo
immaginare come strati che si sovrappongono alla 10 / toolsgroup.com
domanda probabilistica di base.eBook / Machine Learning nella pianificazione della supply chain 101
+ Il segreto del successo: combinare l'apprendimento automatico
con le previsioni di base
In ToolsGroup sappiamo per esperienza che Iniziamo con un modello auto-adattativo per le
le previsioni di vendita non possono essere previsioni probabilistiche utilizzando la domanda
completamente basate sulle tecniche di machine storica granulare. Questo è fondamentale
learning. È necessaria una solida struttura statistica per usare in maniera proficua una tecnologia
per affrontare la natura stocastica della domanda. avanzata di machine learning, e produce di per sé
Consigliamo di adottare un approccio ibrido che vantaggi significativi. Quindi, affiniamo le previsioni
utilizza previsioni di probabilità e tecnologie di di probabilità applicando l’apprendimento
apprendimento automatico, che lavorano insieme automatico sui dati storici esistenti per ottenere
in maniera integrata e automatica. previsioni migliori e più affidabili che modellano
accuratamente la domanda. Aggiungiamo ancora
uno strato più sofisticato di machine learning
usando dati provenienti da fonti esterne.
11 / toolsgroup.comeBook / Machine Learning nella pianificazione della supply chain 101
+ Un produttore di auto di lusso
accelera la crescita con il machine
learning
Il produttore di auto di lusso Aston Martin è in attività
da più di 100 anni. Ha costruito un marchio che è
sinonimo di stile, prestazioni, e status. E ha una clientela
in crescita al di fuori del Regno Unito tra cui Medio
Oriente e Asia.
Ma la variazione della domanda dei clienti
internazionali spinge il consiglio di amministrazione
ad aumentare del 2% gli obiettivi di disponibilità da
pronto per i ricambi in tutte le categorie di veicoli,
senza aumentare lo stock. Usano già la tecnologia
ToolsGroup, ma ora devono portare il loro livello di
servizio dal 95% al 97%. E non è cosa da poco.
Così Aston Martin si rivolge di nuovo a ToolsGroup
per introdurre alcune nuove funzionalità di machine
learning come il clustering stagionale per modellare
meglio la domanda. L’azienda non solo raggiunge il
nuovo obiettivo di livello di servizio, ma riesce anche a
ridurre le scorte.
In due mesi, il livello di servizio raggiunge il 97,1% mentre
le scorte si riducono del 18%, liberando più capitale
circolante.
12 / toolsgroup.comeBook / Machine Learning nella pianificazione della supply chain 101
+ L'apprendimento automatico
supporta l’espansione permettendo di
gestire la complessità della domanda
La divisione riscaldamento e condizionamento di Lennox
Residential ha dovuto gestire un ambizioso progetto di
ampliamento della rete distributiva in Nord America, mentre
contemporaneamente stava passando a un modello hub-and-
spoke con 55 centri di spedizione e 161 centri vendita. L’azienda
voleva migliorare il livello di servizio e ottimizzare lo stock in modo
da riallocare il capitale circolante e distribuire meglio le scorte,
tenendo conto delle variazioni nella rete. Il contesto poneva però
molte difficoltà, con una rete di distribuzione multi-livello in crescita
del 250%, 450.000 SKU-L, molti articoli a bassa movimentazione e
introduzioni di nuovi prodotti.
Lennox ha implementato una soluzione di pianificazione della
supply chain per razionalizzare le scorte in maniera dinamica e
creare un piano operativo che definisce gli obiettivi di stock e
bilancia i livelli di servizio con i costi di magazzino. Lennox usa
l'apprendimento automatico per modellare in maniera affidabile
la domanda stagionale altamente variabile. Analizza centinaia di
migliaia di SKU-L per identificare “clusters" di articoli con profili di
stagionalità simili. Questo migliora notevolmente l’accuratezza del
forecast durante i picchi di domanda.
Risultati:
• Livello di servizio migliorato del 16%
• Rotazione delle scorte aumentata del 25%
• Supporto a un significativo aumento delle vendite e
della quota di mercato 13 / toolsgroup.comeBook / Machine Learning nella pianificazione della supply chain 101
+ Come usare l’apprendimento
automatico per migliorare la
previsione delle promozioni
Il mercato lattiero-caseario è caratterizzato da
prodotti a shelf-life breve e da una fortissima pressione
promozionale. Granarolo gestisce migliaia di promozioni
all’anno, generando 34.000 previsioni articolo/
promozione, con picchi di domanda fino a 30 volte le
vendite di base. Questo contesto richiede la gestione
ottimizzata dello stock e la capacità di rispondere in
maniera immediata.
Per gestire le promozioni e stimare correttamente i picchi di
domanda, Granarolo ha adottato il software ToolsGroup
per la pianificazione della supply chain, che utilizza una
tecnologia di machine learning per tradurre i dati storici in
stime affidabili per le promozioni future. Usando i dati delle
promozioni passate, il sistema genera automaticamente
proposte coerenti con i picchi promozionali. Il sistema
propone livelli di scorte di sicurezza dinamici che tengono
conto dell’accuratezza previsionale della classe di prodotti
e delle frequenze di riapprovvigionamento dei magazzini,
con l’obiettivo di mantenere il livello di servizio pianificato
anche al variare della domanda.
Risultati:
• Affidabilità delle previsioni aumentata di 5 pp
• Livelli di stock ridotti di oltre il 50%
• Tempi di consegna ridotti del 50%, riducendo al minimo
l’obsolescenza 14 / toolsgroup.comeBook / Machine Learning nella pianificazione della supply chain 101
+ Come introdurre il machine learning?
Quando hai una lunga esperienza nelle soluzioni / Ricorda le quattro dimensioni dei dati
di apprendimento automatico, come ToolsGroup, Per ottenere risultati validi dall'apprendimento
hai imparato qualcosa. Ecco un breve elenco automatico devi avere i dati giusti. Assicurati di
di suggerimenti per introdurre con successo il considerare tutte e quattro le dimensioni:
machine learning nella pianificazione della supply • Volume
chain. • Granularità
• Qualità
/ Definisci obiettivi specifici • Varietà
Prima di intraprendere la strada del machine
learning è fondamentale avere un quadro chiaro / Pianifica per rendere operativa la tua soluzione di
di quello che vuoi ottenere e delle motivazioni. machine learning
Invece di implementare una soluzione di machine
/ Inizia in modo semplice e procedi per gradi learning per affrontare una singola sfida
aziendale, considera la sostenibilità a lungo
1. Applica la tecnologia giusta a una piccola serie termine, e pianifica in modo da rendere operativi i
di dati per creare un modello adattativo di base risultati per un successo duraturo.
per le previsioni di probabilità utilizzando i dati
storici di domanda / Scegli modelli auto-adattativi
Per garantire la stabilità e l'adattabilità necessarie
2. Affina ulteriormente le previsioni probabilistiche per l’uso operativo, è importante utilizzare modelli
di base applicando la tecnologia machine auto-adattativi che non richiedono una continua
learning ai dati storici esistenti per: messa a punto da parte di utenti esperti.
• Promozioni commerciali
• Impatto degli eventi media / Una soluzione integrata è fondamentale
• Introduzione di nuovi prodotti Implementa i tuoi modelli auto-adattativi in
una soluzione aziendale integrata, con modelli
3. Cerca ulteriori correlazioni utilizzando dati aggiornati automaticamente su base frequente e
esterni come meteo, indicatori, POS, social media, in grado di reagire ai cambiamenti del business.
ricerche di mercato, IoT, ecc.
15 / toolsgroup.comUn pioniere nell’applicazione dell’apprendimento
automatico alle sfide della supply chain
Se le tecnologie di machine learning sono nuove per te, o hai già
qualche esperienza, in ogni caso il giusto partner tecnologico
per il machine learning può aiutarti a ottenere risultati senza
richiedere un team di data scientist. Da oltre 10 anni, ToolsGroup
è all'avanguardia nello sviluppo di tecniche di apprendimento
automatico per risolvere i problemi di pianificazione della supply
chain. Possiamo aiutarti a identificare le risorse di cui hai bisogno
e anche fornire servizi gestiti di machine learning e analisi dati per
garantire la corretta esecuzione del tuo progetto, tenendo conto
degli obiettivi di sostenibilità e di business.
Per maggiori informazioni, visita toolsgroup.com
©2020 ToolsGroup. Tutti i diritti riservati.
Fonti
(1) Worldwide Spending on Artificial Intelligence Systems Will Be Nearly $98 Billion in 2023, According to New IDC Spending Guide
(2) 3 Types of Machine Learning for the Enterprise. Published 29 January 2020 - ID G00465941
(3) https://www.forbes.com/sites/gilpress/2017/02/19/alan-turing-predicts-machine-learning-and-the-impact-of-artificial-intelligence-on-jobs/
(4) https://www.chess.com/article/view/deep-blue-kasparov-chess
(5) https://deepmind.com/research/publications/playing-atari-deep-reinforcement-learning
(6) Digital Transformation in Supply Chain Planning: On Pace or at Risk? Survey-based Research Study. September 2019
(7) Gartner: Current Use Cases for Machine Learning in Supply Chain Planning Solutions. Published: 19 May 2018 ID: G00349854
(8) https://www2.deloitte.com/content/dam/insights/us/articles/4780_State-of-AI-in-the-enterprise/DI_State-of-AI-in-the-enterprise-2nd-ed.pdf
(9) Mastering Uncertainty: The Rise of Resilient Supply Chain Planning. Published: 15 November 2019 ID: G00434210
(10) https://www.sdcexec.com/software-technology/article/21127768/the-smart-cube-how-digital-solutions-can-create-more-resilient-supply-chainsPuoi anche leggere
