Come è possibile migliorare la gestione delle scorte e delle operazioni di magazzino per minimizzare gli impatti economici in un’azienda della GDO? Grazie all’integrazione di modelli predittivi all’interno dei processi aziendali con un approccio data-driven. È il caso del progetto Adiacent per Sidal!
Sidal, acronimo di Società Italiana Distribuzioni Alimentari, è un’azienda attiva nel settore della distribuzione all’ingrosso di prodotti alimentari e non alimentari dal 1974. L’azienda si rivolge principalmente ai professionisti del settore horeca, che comprende hotel, ristoranti e caffè, nonché al settore retail, che include negozi di alimentari, gastronomie, macellerie e pescherie. Sidal ha consolidato la sua presenza nel mercato con l’introduzione, nel 1996, dei punti vendita cash&carry Zona, distribuiti in Toscana, Liguria e Sardegna. Questi punti vendita offrono una vasta gamma di prodotti a prezzi competitivi, permettendo ai professionisti del settore di rifornirsi in modo efficiente e conveniente. Attualmente, Zona gestisce 10 punti vendita cash&carry, impiega 272 dipendenti e registra un fatturato annuo di 147 milioni di euro.
Solution and Strategies
· Analytics Intelligence
Zona ha deciso di ottimizzare la gestione delle scorte e delle operazioni di magazzino utilizzando l’intelligenza artificiale, puntando a rilevare la potenziale svalutazione dei prodotti e a introdurre strategie come i “saldi zero” per migliorare gli effetti economici.
In questa iniziativa, un ruolo essenziale è stato svolto da Adiacent, partner digitale di Zona. Il progetto, iniziato a gennaio 2023 e avviato in produzione a inizio 2024, è stato sviluppato attraverso cinque fasi. La prima fase ha riguardato l’analisi dei dati disponibili; successivamente è stata realizzata una bozza del progetto e un proof of concept per testarne la fattibilità. Si è poi passati alla messa in produzione e allo sviluppo di un modello di analisi prescrittivo e proattivo. La fase conclusiva ha riguardato il tuning dei dati.
L’analisi e l’algoritmo
Nella fase di analisi dati, è stato necessario un inventario delle informazioni disponibili e una piena comprensione delle esigenze del business per tradurle in soluzioni tecniche solide e strutturate. Durante la fase di proof of concept, sono emerse tre esigenze principali da parte di Zona: la creazione di un cluster di articoli e fornitori, che classificasse ogni articolo assegnando un rating basato su vari fattori come il posizionamento del punto vendita, la marginalità, le vendite, la svalorizzazione e lo scarto; e il raggruppamento dei fornitori in funzione dei tempi di consegna e di eventuali inevasi.
Il tema delle svalorizzazioni dei prodotti è stata una delle sfide più rilevanti. Utilizzando un algoritmo avanzato, è stata ipotizzata la probabilità che un determinato prodotto subisca svalorizzazione o scarto, consentendo così una gestione proattiva degli stock e una minimizzazione degli impatti economici. Questa strategia mira a ottimizzare il recupero del fatturato, ad esempio spostando gli articoli in scadenza tra vari cash&carry per renderli disponibili a una clientela diversa, e a incrementare la produttività degli operatori di reparto.
L’analisi si è basata su una vasta gamma di dati, tra cui ordini a fornitore, movimenti interni e shelf-life degli articoli. Per garantire una gestione tempestiva ed efficace delle svalorizzazioni, sono state implementate procedure di call to action, con la generazione di report dettagliati e l’invio di notifiche tramite Microsoft Teams.
Predire per Ottimizzare
Grazie a queste implementazioni, è stato creato un sistema integrato e predittivo che identifica le potenziali svalorizzazioni e fornisce un meccanismo prescrittivo per mitigarne gli impatti, massimizzando il valore economico complessivo. La previsione dei “saldi zero” gioca un ruolo cruciale nella gestione delle scorte e nell’ottimizzazione delle operazioni di magazzino per Zona, migliorando l’esperienza del cliente, la gestione intelligente delle scorte e dei costi operativi, la massimizzazione delle vendite e della redditività e la gestione efficiente della catena di approvvigionamento.
Un particolare attenzione è stata dedicata all’addestramento di quattro modelli prescrittivi chiave, ciascuno indirizzato a una specifica proiezione: previsionale giacenze medie giornaliere, previsionale giacenze minime giornaliere, previsionale uscite da magazzino/vendite totali mensili, previsionale uscite da magazzino/vendite massime giornaliere. La preparazione dei dati è stata sviluppata con una filosofia data-driven, progettando ogni modello per adattarsi a nuove causali di magazzino, movimentazione e vendita, garantendo robustezza nel tempo.
Guardando al futuro, “l’integrazione dell’intelligenza artificiale – ha affermato Simone Grossi, buyer di Zona – potrebbe permetterci di aprire nuove strade per la personalizzazione dell’esperienza del cliente. L’analisi avanzata dei dati potrebbe, infatti, anticipare le preferenze individuali, consentendo offerte personalizzate e servizi mirati”.
