Demand Planning, la soluzione di BeanTech che utilizza l’Intelligenza Artificiale per prevedere la domanda e organizzare le scorte di magazzino

Sfruttare gli algoritmi di Intelligenza Artificiale per prevedere la domanda e organizzare al meglio le scorte di magazzino: a queste esigenze risponde Demand Planning, tecnologia sviluppata da BeanTech, PMI innovativa con base in provincia di Udine.

La soluzione si rivolge principalmente ad aziende medio-grandi operanti nel mondo food e beverage, retail, manifatturiero, automotive, healthcare, che necessitano di uno strumento previsionale per anticipare le esigenze di mercato, dimensionare le risorse produttive critiche, ottimizzare le scorte in magazzino in base all’andamento della domanda, gestire con maggiore efficienza il network distributivo, ma anche definire accordi quadro più vantaggiosi con i fornitori e, di conseguenza, sviluppare con maggiore precisione la pianificazione del budget.

“La nostra soluzione è molto flessibile e si adatta a vari contesti di mercato. Si tratta, infatti, di una soluzione che si integra con strumenti già in possesso dal cliente ed è pensata per gestire in modo centralizzato il lavoro di diverse aree aziendali: dal marketing al sales, dalla produzione alla supply chain senza la necessità di creare un team di data analyst”, commenta Dimitri Zornik, Business Analyst, Product Manager del demand Planning di BeanTech.

La soluzione si basa sui dati storici di vendita arricchiti da parametri e correlazioni proprie del business aziendale e del mercato di riferimento dell’azienda che lo utilizza. Un motore algoritmico gestisce l’analisi dello storico e ottimizza la previsione della domanda.

Le serie storiche dell’azienda vengono indirizzate verso pacchetti di circa 20-25 algoritmi messi in competizione tra loro al fine di sfruttare il migliore per profilare le serie storiche introdotte.

“Il fatto di mettere in gara diversi algoritmi assicura una buona accuratezza previsionale. Più vengono allenati gli algoritmi, migliore è la risposta che viene data. È un processo estremamente complesso che l’utente finale non percepisce come tale, ma è necessario per assicurare la massima affidabilità delle previsioni”, aggiunge Zornik.

Il motore algoritmico è collegato ad un workflow collaborativo, ovvero un portale web che viene utilizzato dalle varie risorse interne che possono affinare le previsioni dell’algoritmo fino a convalidarle prima di elaborare la reportistica. Successivamente, la soluzione emette una reportistica che può essere integrata con i dati provenienti da diverse fonti.

Si tratta di uno strumento di Business Intelligence che serve, da un lato, a confermare la validità di ciò che viene elaborato dall’algoritmo su alcune tipologie di dati e dall’altro a indirizzare l’utente verso attività in cui l’intervento umano è ancora richiesto e rappresenta un importante valore aggiunto.

Da questa necessità di integrare sinergicamente la soluzione adottata con la modellazione del processo aziendale e lo sviluppo dell’organizzazione a supporto e dalla collaborazione fra Beantech e Novalia è nata una proposta innovativa in grado di unire tecnologie all’avanguardia, capacità di sviluppo dei sistemi informativi e competenza nella consulenza metodologica ed organizzativa.

Fra i diversi progetti di demand planning realizzati da BeanTech e Novalia, la soluzione realizzata per Morato Pane – secondo gruppo in Italia per panificati – il quale aveva l’esigenza di mettere la forza vendita nelle migliori condizioni per elaborare, analizzare, validare e condividere con le altre funzioni aziendali la domanda previsionale, in base alle promozioni e la scontistica applicata, equilibrando opportunamente domanda e produzione e alimentando automaticamente il sistema di pianificazione della produzione a valle.

Altro customer case di successo è quello di Lima Corporate, azienda del settore medicale operante in Europa, USA, Canada, Australia e Giappone che invece necessitava di una soluzione in grado di elaborare previsioni dei propri sistemi protesici distinte per Paese di destinazione.

In questo caso, grazie alla soluzione di demand planning, la previsione viene fatta all’interno delle singole filiali, successivamente i dati provenienti da tutto il mondo vengono centralizzati e alla sede centrale di Udine a cui spetta il compito di analizzare in modo aggregato i dati provenienti dalle diverse filiali, arricchirli, validarli e trasmetterli alla pianificazione della produzione.

© RIPRODUZIONE RISERVATA

Michelle Crisantemi

Giornalista bilingue laureata presso la Kingston University di Londra. Da sempre appassionata di politica internazionale, ho vissuto, lavorato e studiato in Spagna, Regno Unito e Belgio, dove ho avuto diverse esperienze nella gestione di redazioni multimediali e nella correzione di contenuti per il Web. Nel 2018 ho lavorato come addetta stampa presso il Parlamento europeo, occupandomi di diritti umani e affari esteri. Rientrata in Italia nel 2019, ora scrivo prevalentemente di tecnologia e innovazione.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.

*

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.