Ottimizzare la Produzione: la sfida di Adige BLM Group nella pianificazione basata sull'Intelligenza Artificiale

Il settore manifatturiero è in costante evoluzione, e la precisione nella previsione della domanda di mercato è un elemento cruciale per il successo aziendale. In risposta a questa sfida, Adige SpA, controllata del Gruppo BLM  ha partecipato all'Industrial AI Challenge, un'iniziativa promossa da Hit Hub Innovazione Trentino.

Nel corso di 11 settimane, un team di studenti dell'Università di Trento ha avuto l'opportunità di applicare concretamente le competenze acquisite durante gli studi, sviluppando un innovativo modello di Intelligenza Artificiale (IA) dedicato alla pianificazione strategica che supporterà il processo decisionale dei managers di Adige SpA, coordinando le previsioni generate dall’IA con il flusso di lavoro della produzione.

Il nostro Consorzio ha svolto un ruolo fondamentale fornendo supporto e mentorship, contribuendo a guidare il team nella risoluzione di questa sfida e ottenendo il primo posto.

Contesto & Azienda

Adige SpA, parte del Gruppo BLM, è una delle principali aziende italiane specializzate nella produzione di macchine per il taglio dei tubi laser. Con un fatturato annuo di 250 milioni di euro (nel 2022) e una forte presenza globale, l'azienda è nota per l'eccellenza del marchio "Made in Italy", caratterizzato dall'intero ciclo di vita dei prodotti realizzato nel nostro Paese. 

Operando secondo il modello di produzione "make-to-order", Adige SpA affronta sfide significative legate ai tempi di attesa per le componenti, e ai tempi di produzione relativamente brevi. Questa dinamica enfatizza l'importanza di una previsione accurata della domanda, poiché l'anticipazione nell'ordinare le componenti è essenziale per evitare fenomeni di stockout inefficienze finanziarie dovute a componenti non utilizzate.
 

La sfida 

La sfida affrontata dal nostro team ha richiesto lo sviluppo di un sistema integrato finalizzato a ottimizzare la pianificazione della produzione su entrambi i livelli, operativo e strategico.

Da un lato, ci siamo concentrati sull'implementazione di un Forecasting AI per prevedere la domanda a lungo termine, fornendo insights strategici. Dall'altra parte, abbiamo lavorato allo sviluppo di un AI Planner, uno strumento prospettico progettato per armonizzare i dati di vendita con la pianificazione della produzione. Questo strumento chiuderà il loop tra i dati di previsione a lungo termine forniti dal Forecasting AI e l'esecuzione a breve termine gestita dal Planning Management Assistant (PMA), creando un flusso continuo dalla previsione al completamento.

Importanza del dato

Gran parte del lavoro è stato dedicata alla raccolta, analisi e pulizia dei dati, fondamentale in ogni progetto. Dati di qualità inferiore in ingresso possono infatti compromettere l'accuratezza e l'affidabilità delle analisi e delle previsioni. Un approccio basato sui dati, con particolare attenzione alle relazioni tra le diverse entità, è essenziale per garantire risultati informativi e precisi. La cura nella gestione dei dati, considerandoli come un elemento centrale per ottenere insight significativi, è una prassi che contribuisce al successo di qualsiasi iniziativa analitica o predittiva.

Inizialmente, il team ha dunque studiato il contesto aziendale, esplorando le variabili chiave e le caratteristiche dei dati, permettendo così una pre-elaborazione mirata. Questa fase ha consentito di esaminare le connessioni tra ordini e offerte, sviluppando un diagramma entità-relazione per acquisire una comprensione approfondita delle interrelazioni dei dati.

Successivamente, il lavoro è proseguito con la preparazione dei dati, raffinando ulteriormente le informazioni contenute. Durante questo processo, sono emerse problematiche legate, per esempio, agli intervalli di tempo negativi tra offerte e ordini, derivanti dalle modalità di estrazione dati dell'organizzazione. Questa analisi ha anche permesso di individuare indicatori chiave, tra cui il tasso di conversione degli ordini dalle offerte, il tempo medio tra offerte e ordini, e il tasso di vendita tra le diverse industrie. Tali risultati hanno costituito il robusto fondamento per la costruzione del modello di intelligenza artificiale richiesto da Adige SpA.
 

Soluzioni & Risultati

L'adozione di un approccio multidisciplinare, combinando sia il machine learning che il deep learning, ha rappresentato una pietra miliare nel potenziamento delle dinamiche aziendali per BLM.

1. Nel primo approccio, implementando il machine learning con l'algoritmo K-Means Clustering, è stato possibile individuare gruppi di clienti con comportamenti di acquisto simili. Questa segmentazione ha aperto la strada a strategie aziendali più mirate, consentendo di adattare le operazioni alle caratteristiche uniche di ciascun cluster. L'utilizzo di un Random Forest ha poi permesso di predire con precisione la domanda di macchine per diverse categorie di prodotti nel corso del tempo.
    
2. Nel secondo approccio basato sul deep learning, l'impiego di reti neurali ha consentito di sfruttare un ampio spettro di variabili, tra cui il mese corrente, il settore e la regione del cliente, per ottenere previsioni dettagliate. Nonostante la complessità del modello, la sua flessibilità nell'adattarsi a diverse combinazioni di clienti ha portato a risultati più accurati rispetto alle previsioni aziendali, aprendo la strada a una pianificazione di produzione più precisa e ottimizzata per tre diverse categorie di prodotti.

L'integrazione di queste soluzioni - AI Planner e  Forecasting AI - può quindi rappresentare un passo cruciale per migliorare la precisione delle previsioni e ottimizzare la pianificazione della produzione, fornendo risultati più attendibili e dettagliati. La collaborazione tra modelli basati su dati e l'esperienza umana apre prospettive per una pianificazione più efficiente, riducendo i costi di stoccaggio, migliorando la gestione delle risorse e consolidando la posizione di BLM come leader nell'industria.