A causa di questo contesto, la gestione manuale del piano produttivo è decisamente complessa. Occorre quindi realizzare un sistema automatizzato, in grado di orchestrare tutti i parametri contemporaneamente per una pianificazione ottimale della produzione di alimenti freschi, in base all’andamento delle vendite e alla disponibilità dei prodotti.

Data l’elevata variabilità della domanda, la soluzione non poteva essere un semplice algoritmo relativo a un livello minimo predefinito di prodotti in stock.

La richiesta è di definire le referenze (nonché le quantità) da produrre sulla base degli andamenti passati in modo da avere la corretta indicazione delle quantità, di volta in volta, e, di conseguenza, pianificare in anticipo e distribuire meglio gli sforzi dei lavoratori.

Basandosi sui dati dello scorso anno e integrandoli nel modulo Data Understanding di FactorAI, abbiamo costruito tutti gli indicatori necessari per analizzare le scelte e le tendenze nella produzione dell’azienda.

Per prima cosa: dai dati sui picchi delle scorte si potevano facilmente estrarre produzione e vendite. Dato che la previsione dipende dal tempo, tutte queste osservazioni sono state trasformate in serie temporali, con un giorno come spazio della sequenza.

L’analisi delle serie storiche è avvenuta per livelli, cercando di ridurre l’impatto dell’elevata quantità di rumore riscontrato. L’obiettivo era da un lato quello di estrarre il livello minimo ideale da adottare per ciascuna SKU e, dall’altro, identificare i componenti sistematici per la modellazione.

La dashboard del modulo SPC mostra al responsabile dello stabilimento e al management aziendale, grafici con:

• Stock attuale in deposito
• Focus per prodotto con:
  • Dettagli dell’ultima produzione
  • Andamento delle scorte del magazzino

La sfida principale in questa previsione è stata quella di identificare un approccio di modellizzazione che potesse funzionare sia sulle irregolarità che sui modelli esistenti. Lo sviluppo dei modelli di Intelligenza Artificiale sulle serie temporali ha permesso di sviluppare un sistema di pianificazione con un calendario con la previsione della quantità da produrre per ogni SKU. Il planner include per ogni SKU:

• Data di produzione suggerita
• Stock da raggiungere
• Livello delle scorte previsto nel giorno di produzione
• Data prevista del livello minimo delle scorte
• Data prevista di esaurimento scorte

Dopo ogni nuova produzione, una volta effettuata la prima consegna, il modello analizza il pattern e prevede la data di produzione successiva. Data l’irregolarità delle serie temporali di ordini e consegne, il motore di Intelligenza Artificiale si adatta costantemente all’evoluzione degli ordini e dell’inventario delle scorte, fornendo una data prevista di produzione aggiornata in base ai modelli in costante evoluzione.