Quante volte sui giornali e su Internet si legge che il sistema idrico delle nostre città perde tonnellate d'acqua ogni anno? È una vera piaga, uno spreco di risorse enorme, estremamente difficile da arginare: il problema principale riguarda l'identificazione delle falle lungo le innumerevoli diramazioni che compongono i circuiti. Come risalire alle piccole, numerosissime perdite che causano come effetto finale la dispersione di grandi volumi d'acqua? Quella delle perdite del sistema idrico è una metafora che – purtroppo – calza a pennello per descrivere la situazione in cui versano le supply chain di molte aziende. Per molti versi le catene logistiche e i sistemi di approvvigionamento, infatti, “fanno acqua” esattamente allo stesso modo, e spesso non c'è verso di individuare le singole cause che contribuiscono alla perdita di efficienza complessiva. E quindi, in ultima analisi, al danno economico che subisce non solo l'azienda, ma l'intera filiera con ciascuno dei suoi attori.

Rispetto ai sistemi idrici, un aiuto potrebbe arrivare – e in alcuni casi sta già arrivando – dalle soluzioni IoT. L'Internet of Things, grazie a specifici sensori connessi a piattaforme di calcolo, dà agli amministratori la facoltà di monitorare tutti o quasi gli elementi che compongono la rete e comprendere, attraverso i Big Data Analytics, quali sono le probabili disfunzioni che causano perdite. Sfruttando i sistemi più avanzati, è addirittura possibile costruire un digital twin (una replica modellata in base ai dati disponibili) dell'infrastruttura, per conoscere esattamente lo stato dell'arte di valvole e condotti e predire dove e quando c'è il rischio che si verifichino malfunzionamenti.

 

Il Process Mining e la capacità di descrivere il funzionamento della supply chain

Anche in questo caso, la metafora è calzante. Oggi, grazie al Process Mining – l'insieme degli strumenti e delle tecniche in grado di estrarre valore dai dati generati nell’esecuzione dei processi aziendali – chi gestisce la catena logistica può ricostruire minuziosamente il funzionamento di ciascuna fase, identificando colli di bottiglia, criticità e margini di miglioramento per ogni processo coinvolto, ma soprattutto ricollegando in modo univoco cause ed effetti, azioni e conseguenze. Comunicazioni, autorizzazioni, decisioni e procedure più o meno standard sono infatti tutte catalogate nei database dell'azienda, e le informazioni in esse contenute possono essere utilizzate per ricostruire i meccanismi che hanno prodotto, lungo tutta la supply chain, determinati risultati, generando o sottraendo valore. Se opportunamente programmati e implementati, gli strumenti di Process Mining sviluppano quindi la capacità di descrivere e osservare i fenomeni dando evidenza di eventuali anomalie o pattern dannosi per il conseguimento degli obiettivi prefissati.

 

Massimizzare efficienza, risultati, valore: un digital twin per la catena logistica

La domanda a questo punto è lecita: è possibile costruire un digital twin per la supply chain e sfruttarlo nel medesimo modo in cui vengono utilizzati quelli generati dalle piattaforme Internet of Things per gli impianti idrici? La risposta è sì. Incrociando tutti i dati relativi agli eventi che determinano l'ecosistema degli approvvigionamenti, si può dare vita a un gemello digitale dell'organizzazione, un modello che può rispecchiare l'effettivo status quo della catena logistica, così come un modello di riferimento per comprendere quali sono, punto per punto, i margini che separano l'ideale dal fattuale. In questo modo fare efficienza, introducendo elementi di novità o semplicemente correggendo i processi che risultano dispendiosi oppure inefficaci, diventa una mera questione di scelta. E la facoltà di predire in che modo l'adozione di nuove procedure o strumenti all'interno della filiera impatterà sui risultati di business si rivela fondamentale per formulare decisioni strategiche anche in altri ambiti aziendali. Ma, più di ogni altra cosa, impedisce al sistema di continuare a “fare più acqua” da tutte le parti.

cta_guida_pratica_al_tuo_progetto_di_process_mining