Data-driven nelle operations: come applicarlo davvero

Un approccio data-driven nelle operations è un modello di gestione che utilizza dati verificabili e analisi per prendere decisioni su produzione, approvvigionamenti e gli altri aspetti organizzativi. Nello specifico, in manifattura collega gli eventi di fabbrica ai vincoli di materiali, capacità e consegne, per valutare gli interventi e misurarne gli effetti.

Per applicarlo le informazioni devono essere disponibili nel momento in cui occorre scegliere. Un ordine urgente, una consegna posticipata o un aumento degli scarti richiedono di ricostruire la situazione e valutare le alternative entro tempi compatibili con il processo. Se questa attività dipende da verifiche manuali e riconciliazioni tra reparti, il margine per intervenire si riduce.

Il Data Management crea le condizioni per utilizzare i dati in questo modo: ne governa qualità, integrazione e accessibilità, così che chi decide possa lavorare su informazioni coerenti. L’esperienza di chi conosce impianti e lavorazioni resta necessaria per interpretarle, verificare i vincoli e scegliere le azioni praticabili.

Un esempio pratico riguarda il controllo della disponibilità di materiale. La giacenza registrata nell’ERP deve essere letta considerando quantità già impegnate, ubicazioni e blocchi qualità. Il pianificatore ha bisogno di conoscere quanto materiale può effettivamente utilizzare per il nuovo ordine, con quali vincoli e da quando. Un dato quantitativo corretto, da solo, non dà una risposta efficace a queste domande.

Abbiamo già approfondito il rapporto tra gestione del dato e funzionamento dell’organizzazione aziendale, nell’articolo Data Management e alla governance del dato per ERP, AI e processi pubblicato in passato. Qui ci concentriamo principalmente sull’approccio Data Driven, di cui una buona gestione dei dati è il fondamento.

Come i dati supportano produzione, supply chain, qualità e pianificazione

In produzione, leggere dati produttivi, di giacenza ed eventuali fermi macchina o rallentamenti aiuta a individuare gli ordini che rischiano di superare la scadenza. Il responsabile può valutare un intervento manutentivo, modificare la sequenza delle lavorazioni oppure spostare un ordine su una risorsa compatibile. La scelta richiede di verificare anche operatori, attrezzature e vincoli del prodotto. L’indicatore di efficienza va quindi ricondotto alle condizioni della singola lavorazione, dalla quale dipendono le possibilità di intervento.

Nella supply chain la priorità dipende dall’impatto della fornitura sui programmi produttivi. Due consegne con lo stesso ritardo possono avere conseguenze diverse se una riguarda un materiale disponibile a magazzino e l’altra un componente necessario a una commessa in scadenza. Collegando date confermate, scorte utilizzabili e fabbisogni, gli acquisti possono stabilire quali solleciti gestire per primi. Produzione e logistica possono valutare, sugli stessi dati, se anticipare altre lavorazioni o ricorrere a una spedizione urgente.

Per il controllo qualità il collegamento tra non conformità, lotti di materia prima, parametri di processo e attrezzature permette di circoscrivere le verifiche. Un aumento degli scarti dopo un cambio lotto suggerisce di indagarne le ragioni, ma l’attribuzione della causa richiede una verifica tecnica. Una volta completato il controllo, l’esito deve aggiornare lo stato del materiale anche nei sistemi utilizzati da produzione, magazzino e pianificazione.

Queste informazioni confluiscono nella pianificazione, dove domanda, carico delle risorse, calendari e tempi di attrezzaggio definiscono le alternative disponibili. Anticipare una commessa può comportare straordinari o lo spostamento di altre consegne. Valutare questi effetti prima di modificare il piano consente di rendere espliciti costi e conseguenze della scelta. Anche le previsioni della domanda contribuiscono al confronto, tenendo conto della loro incertezza e degli ordini già acquisiti.

Qualità, integrazione e data governance rendono utilizzabili le informazioni

La qualità del dato va valutata rispetto all’uso previsto e comprende accuratezza, completezza, coerenza e tempestività. Per un ordine di produzione occorre verificare materiale, quantità, unità di misura e revisione della distinta. Per una misura di processo servono telemetrie dei macchinari, dell’impianto e del contesto produttivo. Anche un valore corretto può portare a conclusioni sbagliate se viene associato all’ordine o alla fase produttiva errati.

L’integrazione tra sistemi deve conservare questi riferimenti. ERP, software di fabbrica, magazzino e qualità devono condividere identificativi e regole di interpretazione, gestendo errori di trasmissione, duplicati e ritardi di aggiornamento. Si tratta di aspetti tecnici codificati, per esempio il NIST, National Institute of Standards and Technology, dedica il programma Advanced Manufacturing Data Infrastructure and Analytics¹ proprio a raccolta, trasformazione, tracciabilità e interoperabilità dei dati manifatturieri, a supporto delle decisioni. Identificare le best practices di settore e adattarle ai contesti produttivi reali e ai bisogni delle aziende è uno dei principali valori aggiunti che offriamo nei nostri progetti.

Attraverso la data governance, l’azienda stabilisce chi è responsabile delle informazioni, come vengono validate e secondo quali regole possono essere utilizzate. La validazione delle anagrafiche, l’aggiornamento dei calendari e la gestione delle eccezioni devono avere responsabilità definite. Anche gli indicatori richiedono criteri comuni: confrontare la puntualità di due stabilimenti ha senso se entrambi utilizzano lo stesso riferimento temporale e le stesse regole di calcolo. Il percorso dalla fonte all’indicatore deve essere ricostruibile.

L’accessibilità riguarda infine il lavoro delle persone autorizzate a utilizzare quei dati. Un caporeparto deve poter risalire dall’allarme all’ordine coinvolto; un responsabile acquisti deve vedere quali fabbisogni dipendono dalla fornitura in ritardo. Servono interfacce adatte al ruolo e competenze per interpretare le informazioni. Anche la frequenza di aggiornamento dipende dalla decisione: una rilevazione a fine turno arriva troppo tardi se occorre intervenire su uno scarto che sta aumentando durante la lavorazione.

Il ruolo di ERP, analytics, AI e Smart Manufacturing

L’ERP gestisce ordini, materiali e transazioni aziendali, mentre il MES, Manufacturing Execution System, supporta l’esecuzione e la rilevazione delle attività di fabbrica. Integrando i due sistemi è possibile confrontare il piano con gli avanzamenti effettivi. Anagrafiche e ordini alimentano l’esecuzione, mentre le conferme di produzione aggiornano l’ERP. I flussi devono essere configurati e monitorati affinché gli aggiornamenti arrivino correttamente ai sistemi che li utilizzano.

Lo Smart Manufacturing combina tecnologie produttive e digitali per supportare le decisioni attraverso monitoraggio, analisi, modellazione e simulazione. Collegare questi strumenti alla pianificazione permette di considerare le condizioni effettive delle risorse quando si valutano tempi e priorità. Per farlo occorre mantenere il contesto di ogni evento, associandolo a macchina, ordine, materiale e fase produttiva.

Le piattaforme dati estendono questa integrazione alle informazioni provenienti da applicazioni differenti. Nell’ambito di SAP Business Data Cloud, SAP Datasphere offre integrazione e modellazione semantica dei dati SAP e di terze parti, mantenendo definizioni aziendali condivise. SAP Analytics Cloud combina analytics e pianificazione, con strumenti per confrontare risultati e simulare scenari. Nel lavoro operativo, queste funzioni devono consentire di individuare uno scostamento e risalire ai dati necessari per valutare l’intervento.

Su questa base si possono applicare modelli di intelligenza artificiale per prevedere la domanda o rilevare anomalie. Le prestazioni vanno verificate nelle condizioni effettive di utilizzo, misurando errori previsionali e falsi allarmi. L’azienda deve inoltre stabilire quali suggerimenti richiedano una validazione e come controllare gli effetti delle azioni. Il metodo data-driven può essere applicato anche attraverso regole semplici, basate su soglie e vincoli espliciti.

Partire da una decisione operativa e misurarne i risultati

Nel nostro approccio partiamo dai processi e dai dati già disponibili, individuando un caso d’uso circoscritto. Se l’obiettivo è ridurre i ritardi di produzione, per esempio, si può selezionare una famiglia di prodotti e ricostruire gli eventi che provocano le ripianificazioni: mancanza di componenti, guasti, scarti o variazioni degli ordini.

Per ogni evento vanno definiti i dati necessari, il responsabile della decisione e le azioni ammesse. La sperimentazione deve arrivare fino alla verifica dell’intervento, registrando le eccezioni e le motivazioni delle scelte. Questo permette di capire quali informazioni sono state utilizzate e dove il processo richiede ulteriori correzioni.

Il confronto con la situazione iniziale deve considerare tempi di rilevazione e decisione, rispetto delle date pianificate e costo degli interventi urgenti, su periodi e produzioni comparabili. Variazioni di volumi e mix possono influenzare il risultato. Se la maggiore puntualità richiede più scorte e straordinari, questi costi devono entrare nella valutazione prima di estendere il modello ad altre linee o stabilimenti.

Vuoi trasformare i dati di fabbrica in decisioni operative certe e misurabili?

Scopri come applicare il nostro metodo alla tua realtà.

¹ Fonte: nist.gov