La domanda che stabilisce se ha senso
Le scorte sono capitale immobilizzato. La domanda è quanto capitale sia immobilizzato in eccesso: perché la scorta di sicurezza è sovradimensionata, perché ci sono referenze con giacenze eccessive e bassa rotazione, oppure perché la politica di riordino non è calibrata sulla variabilità reale della domanda e dei tempi di consegna.
L’altro lato del problema è il costo delle rotture di stock. Se le rotture provocano vendite perse, fermi produttivi o penali contrattuali, il rischio di restare senza scorte è reale quanto il costo di averne troppe.
Il caso d’uso dell’ottimizzazione delle scorte con l’IA ha tanto più senso quanto più è alta la variabilità della domanda, quanto più è eterogeneo il catalogo delle referenze e quanto più è costoso l’errore (per il prezzo dell’articolo, la deperibilità o le penali per rottura).
Valutazione dell’opportunità
Quattro valori definiscono l’entità del problema: i giorni di copertura attuali rispetto a quelli necessari con lo stesso livello di servizio, il tasso di rottura di stock e il costo di ciascuna rottura, il costo dei cali e degli accantonamenti per obsolescenza, il capitale circolante investito nelle scorte e il relativo costo di finanziamento.
L’IA nell’ottimizzazione delle scorte non risolve tutti i problemi con la stessa efficacia. Il vantaggio è maggiore nella gestione multi-SKU, quando il numero di referenze rende impossibile la gestione manuale, con una domanda variabile soggetta a fattori esterni (stagionalità, promozioni, eventi) che incidono in modo diverso su ciascuna referenza, e nelle supply chain con tempi di consegna variabili.
Requisiti dei dati
Storico dei movimenti di magazzino. Entrate, uscite, resi, rettifiche inventariali. La granularità temporale (quella giornaliera è il minimo per la maggior parte dei modelli) e la profondità storica (più cicli di domanda copre lo storico, meglio è) sono i due parametri critici.
Dati di domanda reale (non di ordini). La domanda reale e gli ordini ricevuti possono differire in modo significativo se le rotture di stock hanno soppresso degli ordini. Per modellare la domanda latente occorre individuare nello storico i periodi di rottura e stimare la domanda che c’era ma non è stata soddisfatta.
Tempi di consegna dei fornitori (con la loro variabilità, non solo il lead time nominale). La scorta di sicurezza ottimale dipende dalla variabilità del tempo di consegna, non dal tempo medio. Se il fornitore consegna in un intervallo tra due e sei settimane, la scorta di sicurezza necessaria è molto diversa rispetto a un fornitore che consegna sempre in quattro settimane esatte.
Dati di costo. Per ottimizzare l’equilibrio tra costo di immobilizzo e costo di rottura servono il costo del capitale per unità immobilizzata e il costo o margine perso per ogni rottura.
Struttura dei costi e complessità
La complessità cresce con il numero di referenze, con la profondità della supply chain (multi-livello: stabilimento, magazzino centrale, magazzini regionali) e con il numero di fornitori con lead time eterogenei.
L’integrazione con l’ERP o con il sistema di gestione del magazzino è la voce di costo più variabile: con sistemi ben strutturati è semplice; con ERP dai dati frammentati o incoerenti può diventare la parte più onerosa del progetto.
Valutazione dei rischi
Rischio di ottimizzare senza una visibilità completa della filiera. Un modello che ottimizza le scorte di un magazzino senza vedere le merci in transito, quelle in stabilimento o quelle negli altri magazzini può produrre decisioni ottimali a livello locale, ma subottimali a livello complessivo.
Rischio di non cogliere i vincoli operativi reali. I minimi d’ordine, i multipli di acquisto, i vincoli di spazio in magazzino e gli accordi con i fornitori sono vincoli che il modello deve incorporare. Se non vengono rappresentati correttamente, le raccomandazioni del modello non sono applicabili nella pratica.
Rischio di interruzioni dell’approvvigionamento non modellate. Lo storico dei tempi di consegna può non riflettere il rischio reale di interruzioni (problemi dei fornitori, carenza di materie prime, crisi logistiche). I modelli di ottimizzazione basati su dati storici hanno un punto cieco di fronte a eventi senza precedenti.
Indicatori di successo
- Giorni di copertura delle scorte (DIO) prima e dopo
- Indice di rotazione delle scorte per categoria
- Tasso di rottura di stock (fill rate, order fill rate, line fill rate)
- Cali e accantonamenti per obsolescenza in % sul totale delle scorte
- Capitale circolante liberato
Come genera ROI
Le leve di valore sono: la liberazione di capitale circolante (riduzione delle scorte × costo del capitale), la riduzione dei cali nei prodotti a durata limitata, la riduzione delle vendite perse per rottura e la riduzione dei costi di emergenza (ordini urgenti a prezzi più alti, logistica espressa).
Nelle aziende manifatturiere, l’ottimizzazione delle scorte di materie prime e componenti può ridurre anche i fermi produttivi per mancanza di materiale, che hanno un costo molto superiore al valore delle scorte aggiuntive che li avrebbero evitati.
Domande frequenti
Che differenza c’è tra l’ottimizzazione delle scorte con l’IA e quella con i metodi statistici classici? I metodi classici (EOQ, punto di riordino, scorta di sicurezza basata sulla deviazione standard) si calibrano separatamente per ciascuna referenza e presuppongono distribuzioni di domanda standard. I modelli di machine learning possono apprendere schemi trasversali tra referenze, incorporare variabili esterne in modo non lineare e cogliere la variabilità reale della domanda con distribuzioni non standard. Il vantaggio del machine learning cresce con il numero di referenze e con l’eterogeneità dei loro andamenti di domanda.
L’ottimizzazione delle scorte con l’IA richiede un’integrazione in tempo reale con l’ERP? Dipende dal ciclo di riordino. Per il riordino giornaliero o in tempo reale (e-commerce, beni di largo consumo) l’integrazione in tempo reale è necessaria. Per cicli di riordino settimanali o mensili è sufficiente un’integrazione in batch. La frequenza di aggiornamento del modello deve essere allineata al ritmo reale delle decisioni di acquisto.