Le applicazioni dell’Intelligenza Artificiale e del Learning Machine, per quanto siano ritenute, anche dagli operatori della logistica, tra le tecnologie che maggiormente caratterizzeranno il futuro, non hanno ancora trovato una piena diffusione tra le aziende del settore.
Indubbiamente, però, le vicissitudini degli ultimi anni dominate dalla crescente necessità di fronteggiare accadimenti imprevisti e dinamiche di mercato più volatili, hanno esercitato una spinta decisiva verso l’automazione e la digitalizzazione.
In particolare, le attività di magazzino si sono dimostrate un terreno particolarmente fertile per l’utilizzo di strumenti digitali quali l’Intelligenza Artificiale e per gli approcci di apprendimento automatico, dove si opera attraverso la raccolta di una molteplicità di dati storici che necessitano di aggregazione in tempo reale.
Leggi anche:
Magazzino: sicurezza e nuove tecnologie
Riorganizzare il magazzino: il Reslottting
In questo contesto, molte operazioni tradizionalmente condotte con l’apporto diretto di un operatore tendono ad essere rivisitate attraverso la lente delle potenzialità offerte dalle nuove tecnologie.
Il reslotting vale a dire la riorganizzazione di articoli e prodotti in un magazzino o in un centro di distribuzione, ricade tra le attività che possono beneficiare delle applicazioni di AI e di Learning Machine con il vantaggio di ottenere risultati migliori in termini di rapidità, agilità ed ottimizzazione di obiettivi multipli che, in molte situazioni, necessitano di essere considerati e conciliati tra loro.
Inoltre, è possibile conseguire, accanto ad un miglioramento del servizio, anche una riduzione costi eliminando gran parte del lavoro di ingegneria tradizionale e la mappatura manuale del magazzino e l’input dei dati.
Leggi anche:
La digitalizzazione, non solo sviluppo tecnologico ma anche nuovo modello organizzativo
Gli obiettivi del reslotting
La riorganizzazione del magazzino così come di un centro di distribuzione nasce dalla ricerca di una ottimizzazione degli spazi di stoccaggio con il fine ultimo di migliorare l’efficienza nell’esecuzione delle varie operazioni sia di carico che di prelievo e quindi di esecuzione degli ordini.
Velocità e flessibilità a fronte di una domanda soggetta a improvvisi cambiamenti nello stile di consumo, diventano infatti fattori critici del successo di un’impresa sul mercato.
Affermazioni che risuonano particolarmente vere nelle attuali situazioni di “liquidità” dei mercati che vedono cambiamenti improvvisi della gamma dei prodotti, necessità di riassortimenti di alcune linee o l’introduzione di nuove referenze.
Tutte condizioni queste che richiedono una revisione delle “posizioni” a magazzino ed una loro razionalizzazione in funzione non solo della loro accessibilità ma anche dei percorsi per raggiungerli.
L’urgenza dei tempi e le pressioni a cui oggi la logistica di magazzino è sottoposta tende inoltre a rivedere con maggior sistematicità la collocazione delle merci e ripetere le operazioni di reslotting con maggior frequenza rispetto al pur recente passato.
Leggi anche:
Interruzioni nella Supply Chain, boost per un magazzino tecnologico
Reslotting basato sull’AI
L’approccio tradizionale al reslotting prevede a monte un’analisi continua della domanda per determinare la rotazione dei prodotti in funzione della quale stabilirne la posizione ottimale e gli spazi necessari, unita all’individuazione dei sistemi di stoccaggio più opportuni.
Altri criteri utilizzati per decidere l’occupazione degli spazi, generalmente, fanno riferimento a variabili interne quali date di ingresso in magazzino, scadenze, deteriorabilità, o esterne come clima, stagionalità, temperatura etc.
Il variare di questi fattori, spesso, diventa condizione per effettuare operazioni di reslotting, in gran parte decise e gestite dai responsabili del magazzino stesso.
L’applicazione di tecniche digitali quali l’intelligenza artificiale e l’apprendimento automatico può contribuire a migliorare questo processo sia in fase di analisi dei dati che in quella predittiva.
Il reslotting di magazzino infatti si può configurare come un problema di analisi combinatoria in cui giocano molte variabili e sono coinvolti molti prodotti e molte posizioni possibili.
Inoltre, i modelli basati sull’apprendimento automatico hanno la capacità di adattarsi ai cambiamenti costantemente in modo da fornire indicazioni e ipotesi di soluzioni utili al completamento del processo decisionale.
La digitalizzazione dei processi manuali con la conseguente possibilità di elaborare un numero di dati e variabili molto alto e seguito nella sua dinamicità, consente di definire modelli previsionali migliori di quelli tradizionali su cui basare l’ottimizzazione del magazzino sia attuale che futura.
In taluni ambienti si è fatto notare che il costo per l’implementazione di sistemi basati sull’Intelligenza Artificiale può essere percepito come un ostacolo ma occorre tener presente che con la loro introduzione, di fatto, si riducono gli oneri per le funzioni ingegneristiche tradizionali attualmente utilizzati.
Inoltre, nel gioco dei vantaggi che si possono ottenere va considerato anche il netto guadagno sia in competitività sul mercato che in qualità del servizio reso conseguibile dalle aziende.