Nel settore gomma e plastica, l’uso di AI e analytics può aiutare a ridurre scarti, consumi energetici e ritardi collegando i dati di produzione a materiali, qualità e ordini. L’integrazione tra ERP, fabbrica e supply chain permette di individuare le inefficienze, anticipare le anomalie e pianificare sulla capacità effettiva e a migliorre marginalità e utilizzo delle risorse.
Per chi gestisce uno stabilimento questi obiettivi hanno origine da un problema comune: trasformare materiali, energia e ore macchina in prodotti conformi, disponibili quando servono. Pensiamo, per esempio, a un lotto da rifare: oltre alle risorse già consumate, richiede nuove lavorazioni e occupa capacità prevista per altri ordini. La perdita che inizialmente compare fra gli scarti può così riemergere come ritardo di consegna, straordinario o spedizione urgente.
I percorsi di sviluppo che abbiamo realizzato negli anni ci permettono di capire, nella pratica, questi processi: per esempio come collegare le informazioni necessarie a gestire un catalogo complesso, oppure osservare risultati misurati di analytics e digitalizzazione. I dati, insomma, cambiano le decisioni operative. Scopriamo come questo succede e quali sono i benefici che è possibile ottenere.
Perché sprechi, energia e consegne dipendono dagli stessi processi
Nelle aziende della gomma e della plastica, mescole, ricette e varianti di prodotto introducono vincoli che la pianificazione deve considerare insieme a stampi e disponibilità dei materiali. Un ordine programmato utilizzando tempi standard può diventare difficile da rispettare se lo stampo richiede manutenzione o la resa effettiva è inferiore al previsto. La produzione registra scarti, il lotto deve essere integrato e il magazzino scopre la carenza quando la spedizione è vicina.
Il problema nasce prima del ritardo. Se produzione, manutenzione e pianificazione lavorano su informazioni separate, chi conferma la consegna potrebbe ignorare una criticità già conosciuta in reparto.
Recuperare con straordinari può proteggere il servizio, ma aggiunge costi senza eliminare la causa della perdita. Per questo scarti e puntualità vanno letti insieme: la capacità assorbita dalle rilavorazioni è capacità che viene sottratta al piano.
Dall’ERP alla fabbrica: quali dati servono per decidere
L’ERP fornisce il contesto gestionale: ordini, materiali, distinte, lotti, approvvigionamenti e costi. I sistemi di fabbrica aggiungono tempi effettivi, fermate, parametri di processo e quantità conformi o scartate; le misure energetiche associano i consumi alle lavorazioni.
Quando questi dati vengono collegati, oltre a contare i pezzi scartati si può cercare su quali articoli, materiali e stampi si concentra la perdita. È il collegamento fra pianificazione ed esecuzione che abbiamo descritto nell’approfondimento sul Digital Manufacturing.
Occorre però che tutte le registrazioni e le telemetrie descrivano lo stesso fenomeno. Se un difetto viene classificato diversamente nei turni, il confronto perde significato anche quando la trasmissione dei dati funziona. Lo stesso vale per lo scarto: materiale perso, materiale recuperabile e rilavorazioni hanno effetti diversi su costi e capacità. Riunirli in un unico totale può nascondere proprio la lavorazione sulla quale sarebbe più utile intervenire.
Come AI e analytics possono ridurre scarti e consumi
AI e analytics trasformano i dati raccolti lungo il processo produttivo in indicazioni operative: permettono di riconoscere in anticipo le condizioni che generano difetti, ottimizzare l’impiego di materiali ed energia e concentrare gli interventi sulle perdite più rilevanti. Il valore non dipende però dal solo modello, ma dalla capacità di integrare le analisi nei flussi di lavoro e tradurle in azioni tempestive e misurabili.
Individuare le condizioni che precedono un difetto
L’analisi dei dati cerca relazioni fra qualità del prodotto e condizioni di lavorazione. Un modello predittivo può utilizzare informazioni su materiale, macchina e stampo per stimare il rischio di non conformità, ma il suo contributo va valutato nel processo reale. Pensiamo, per esempio, a una segnalazione che precede la produzione di un lotto difettoso: deve arrivare in tempo perché l’operatore possa controllare l’attrezzatura o verificare una deriva dei parametri, seguendo una procedura definita.
È questo intervento a evitare la perdita. Perciò la verifica del modello deve comprendere anche la gestione degli allarmi e le azioni disponibili in reparto.
La visual inspection può aggiungere il riconoscimento di difetti visibili. Collegare l’esito dell’ispezione ai dati di processo aiuta a risalire alle condizioni associate alla non conformità, come abbiamo già raccontato.
Utilizzare meglio materiali ed energia
La materia prima va osservata insieme alla resa: quanta ne serve per ottenere un chilogrammo o un numero definito di prodotti conformi? Le perdite di avviamento e le non conformità aumentano il materiale necessario per soddisfare l’ordine. Individuare le condizioni in cui si ripetono aiuta a valutare correttivi al processo, mantenendo le specifiche del prodotto.
Per l’energia, occorre considerare anche riscaldamento, attese e utenze ausiliarie. Una macchina consuma risorse durante fasi che non producono pezzi vendibili: analizzarle insieme al piano aiuta a valutare sequenze e modalità di gestione dell’impianto. Il confronto deve poi includere il consumo totale e l’intensità energetica, per esempio kWh per chilogrammo conforme. Una bolletta più bassa dovuta a minori volumi racconta un fenomeno diverso dal risparmio ottenuto per produrre lo stesso output.
Collegare scarti, energia e puntualità: un caso internazionale
Per chiarire meglio i vantaggi che l’uso di tecnologie avanzate come l’Intelligenza Artificiale può offrire agli stabilimenti produttivi dei settori della gomma e della plastica, prendiamo in considerazione anche un caso internazionale del settore pneumatici. Questo non fa parte dei nostri progetti, ma dal momento che è stato incluso nel white paper Global Lighthouse Network¹ realizzato dal World Economic Forum nel 2023 in collaborazione con McKinsey & Company, pensiamo che sia sufficientemente rilevante e rigoroso da meritare una citazione.
Nel caso citato, per aumentare i volumi di mercato rispettando specifiche di processo stringenti e introducendo materiali più sostenibili, l’azienda ha utilizzato advanced analytics e digitalizzazione delle attività degli operatori. Il World Economic Forum riporta riduzioni degli scarti, dei consumi e dei tempi di ciclo.
| Indicatore | Miglioramento riportato per CEAT Halol |
|---|---|
| Scarti di processo | Riduzione del 46% |
| Consumo energetico | Riduzione del 15% |
| Tempo di ciclo | Riduzione del 20% |
| OTIF | Miglioramento del 29% |
Il rapporto collega questi risultati a interventi mirati: monitoraggio degli scarti con analisi delle cause, controllo dinamico del riscaldamento delle presse tramite IoT e ottimizzazione dell’aria compressa con analytics predittivi. Sul servizio, associa l’analisi visiva delle scorte di pneumatici tramite machine learning al miglioramento dell’OTIF, l’indicatore delle consegne puntuali e complete.
Per un responsabile di produzione, la lezione riguarda il rapporto fra controllo e intervento: conoscere le cause di uno scarto orienta la correzione del processo; leggere i consumi delle utenze aiuta a individuare perdite che il solo conteggio dei pezzi non evidenzia. Anche il servizio richiede visibilità su ciò che è effettivamente disponibile per la consegna.
Quali KPI misurare per collegare efficienza e marginalità
Per valutare un progetto occorre fissare una baseline, cioè una misura iniziale condivisa, e osservare insieme indicatori produttivi, servizio e costi. Questa griglia aiuta a definire cosa misurare.
| KPI | Come misurarlo | Decisione supportata |
|---|---|---|
| Tasso di scarto | Quantità scartata / quantità prodotta, con unità e perimetro coerenti | Individuare materiali, articoli e lavorazioni critiche |
| OEE | Disponibilità × prestazione × qualità | Distinguere perdite per fermate, velocità e difetti |
| Intensità energetica | kWh / kg o pezzi conformi | Confrontare l’efficienza delle lavorazioni |
| OTIF | Ordini consegnati puntuali e completi / ordini dovuti nel periodo | Verificare l’affidabilità del servizio |
| Costo operativo unitario | Costi operativi del perimetro / output conforme | Valutare l’effetto economico del miglioramento |
L’OEE, Overall Equipment Effectiveness, sintetizza l’efficacia di utilizzo dell’impianto. Va letto insieme all’OTIF: una macchina più efficiente non garantisce consegne migliori se produce articoli non prioritari o se manca un componente necessario. La verifica deve arrivare fino all’ordine cliente, perché un miglioramento di reparto può convivere con un problema irrisolto nella supply chain.
Per i costi, materiali persi, energia e rilavorazioni vanno ricondotti al prodotto conforme, evitando di conteggiare due volte lo stesso beneficio. Il tempo macchina liberato, per esempio, ha un effetto economico diverso secondo che riduca straordinari o permetta di soddisfare domanda aggiuntiva. Anche il confronto prima/dopo richiede attenzione a mix produttivo, turni e prezzi di acquisto; per l’OTIF occorre fissare la data promessa di riferimento e le regole sulle consegne parziali.
Perché la sostenibilità diventa un fattore di competitività
Quando una lavorazione produce meno scarti, una quota maggiore delle risorse impiegate arriva al prodotto vendibile. È qui che efficienza operativa e sostenibilità si incontrano: evitare una perdita può ridurre sia il costo dell’ordine sia il materiale e l’energia necessari a completarlo. Il beneficio ambientale va comunque misurato, perché consumi totali e consumi per pezzo possono muoversi diversamente quando cresce la produzione. Le emissioni richiedono inoltre fattori di conversione e un perimetro definito sulla base degli obiettivi interni e degli adempimenti normativi.
Gli stessi dati utilizzati dalle Operations diventano così utili per documentare l’impiego delle risorse e rispondere alle richieste della filiera. La sostenibilità entra nelle decisioni quotidiane, oltre che nella rendicontazione ESG: quali perdite evitare, quali lavorazioni migliorare, quanto materiale ed energia servono per rispettare l’ordine.
Dall’integrazione al risultato: il percorso con Clarex
Un primo progetto può riguardare gli scarti di una famiglia prodotto oppure una lavorazione dai consumi elevati. Prima di scegliere il modello analitico, occorre capire quali dati sono disponibili, chi può intervenire sul processo e quanto costa la perdita. Questa verifica orienta l’investimento e permette di stabilire se il beneficio osservato giustifica l’estensione ad altre linee.
La nostra offerta per i settori gomma e plastica collega competenze di settore, SAP S/4HANA e l’approccio Made in Cloud, con attenzione all’integrazione dei processi e all’utilizzo di analytics e AI.
Dal confronto dei casi analizzati possiamo ricavare un criterio per valutare l’AI: conta quanto una previsione o una segnalazione aiuti a prendere una decisione utile, entro il tempo in cui si può ancora evitare lo spreco o proteggere la consegna. È su quel passaggio, dal dato all’azione, che va misurato il progetto.
Il caso ELESA: governare un catalogo complesso con dati integrati
ELESA produce componenti standard destinati all’industria meccanica e all’automazione e gestisce decine di migliaia di codici prodotto, componenti e materiali. Durante la crescita aziendale, questa complessità ha richiesto strumenti adeguati a coordinare le informazioni. Con noi di Clarex, ELESA ha implementato SAP S/4HANA, CRM SAP e una piattaforma di Business Intelligence che collegano i dati di produzione e magazzino a vendite e approvvigionamenti e centralizzando la gestione di distinte e varianti.
Nel video success story ELESA scopri come abbiamo ottenuto maggiore controllo e tempestività nella gestione dei codici, un passaggio preliminare per garantire la data quality propedeutica al futuro sviluppo di soluzioni basate sull’intelligenza artificiale.
Per le operazioni di produzione il collegamento ha un significato preciso: leggere l’ordine cliente insieme ai materiali e alle lavorazioni necessarie, anziché ricostruire queste relazioni attraverso registrazioni separate. Su questa base si possono confrontare disponibilità, fabbisogni e avanzamenti prima di decidere come intervenire.
Vuoi sapere quali soluzioni AI possono aiutarti a ottimizzare i processi della tua organizzazione?
Contatta i nostri esperti, sono pronti a rispondere alle tue domande.
¹Fonte: www3.weforum.org
