Zona, la rete di cash&carry di Sidal, ha scelto di impiegare l’intelligenza artificiale per migliorare la gestione delle scorte e delle operazioni di magazzino. L’obiettivo di Zona era di identificare la potenziale svalorizzazione dei prodotti e implementare strategie come i “saldi zero”, al fine di ottimizzare gli impatti economici. Tale risultato è stato raggiunto attraverso l’integrazione di modelli predittivi all’interno dei processi aziendali con un approccio data-driven. Una strategia volta a garantire risultati tangibili sia a livello organizzativo sia economico. Nell’iniziativa ha avuto un ruolo essenziale il partner digitale Adiacent, società del Gruppo Sesa.
I numeri di Sidal
Sidal (acronimo di Società Italiana Distribuzioni Alimentari) è attiva nel settore all’ingrosso di prodotti alimentari e non alimentari destinati a professionisti del settore horeca (hotel, ristoranti, caffè) e del settore retail (negozi di alimentari, gastronomie, macellerie, pescherie). Fondata nel 1974 a Pistoia, nel 1996 ha introdotto i punti di vendita cash&carry Zona, presenti in Toscana, Liguria e Sardegna, mentre nel 2014 ha lanciato un servizio di consulenza e consegna a domicilio. Attualmente, Zona gestisce 10 cash&carry, conta 272 dipendenti e registra un fatturato annuo di 147 milioni di euro.
“Iniziato a gennaio 2023 e avviato in produzione a inizio 2024, il progetto è stato sviluppato attraverso cinque fasi -ha spiegato Fabiano Pratesi, head of analytics intelligence di Adiacent-. La prima di tali fasi ha riguardato l’analisi dei dati a disposizione; è seguita la realizzazione di una bozza per tracciare il progetto stesso e un proof of concept per testare l’idea al fine di verificarne la fattibilità. Si è poi passati alla messa in produzione e allo sviluppo di un modello di analisi prescrittivo e proattivo. Il tuning dei dati è stata la fase conclusiva”.
Più in dettaglio, la fase di analisi dati ha richiesto un inventario delle informazioni a disposizione e la piena comprensione delle esigenze del business, al fine di tradurle in soluzioni tecniche solide e strutturate. “Nella fase di proof of concept, sono emerse tre esigenze da parte di Zona -ha aggiunto Alessio Zignaigo, artificial intelligence engineer di Adiacent-. La realizzazione di un cluster di articoli e di fornitori che classificasse ogni articolo assegnando un rating, sulla base del posizionamento del punto di vendita, della marginalità, delle vendite, della svalorizzazione e dello scarto, e che raggruppasse i fornitori in funzione dei tempi di consegna e di eventuali inevasi”.
Il lavoro sulle svalorizzazioni e gestione scorte
Obiettivo: gestione proattiva degli stock e minimizzazione degli impatti economici
Addestrati 4 specifici modelli prescrittivi
Il software può scegliere in modo automatizzato l’algoritmo migliore per gestire ogni prodotto
Il tema delle svalorizzazioni dei prodotti ha rappresentato una delle sfide più rilevanti. “Il nostro obiettivo -ha affermato Simone Grossi, buyer di Zona- era di ipotizzare, attraverso un algoritmo avanzato, la probabilità che un determinato prodotto subisca svalorizzazione o scarto, consentendo così una gestione proattiva degli stock e una minimizzazione degli impatti economici. Nella pratica, anticipare la scadenza di un prodotto significa poter prevedere sconti più contenuti rispetto a quelli previsti in caso di deprezzamento straordinario”. Questa strategia mira da una parte a ottimizzare il recupero del fatturato, per esempio, spostando gli articoli in scadenza tra vari cash&carry, così da renderli disponibili a una clientela diversa, dall’altra ad aumentare la produttività degli operatori di reparto, facilitandone il lavoro grazie alla mappatura delle criticità attese.
“La nostra analisi si è basata su una vasta gamma di dati -ha sostenuto Damiano Giannelli, del dipartimento controllo di gestione di Zona-, tra cui ordini a fornitore, movimenti interni sia tra cash&carry sia sulla piattaforma logistica e shelf-life dell’articolo. Per garantire una gestione tempestiva ed efficace delle svalorizzazioni, abbiamo implementato procedure di call to action che si traducono in due iniziative chiave: la generazione di report Excel con informazioni dettagliate sulle svalorizzazioni più significative e l’invio di notifiche tramite Microsoft Teams alle figure aziendali interessate per attivare risposte rapide e immediate”.
Attraverso queste due implementazioni è stato creato un sistema integrato e predittivo che identifica le potenziali svalorizzazioni e fornisce un meccanismo prescrittivo per mitigarne gli impatti e massimizzare il valore economico complessivo. La previsione dei “saldi zero” ha un ruolo cruciale nella gestione delle scorte e nell’ottimizzazione delle operazioni di magazzino per Zona, in particolare per quanto riguarda il miglioramento dell’esperienza del cliente (la fase di acquisto è priva di interruzioni), la gestione intelligente delle scorte e dei costi operativi (sono evitate carenze e perdite economiche), la massimizzazione delle vendite e della redditività (i prodotti sono sempre disponibili a scaffale) e la gestione efficiente della catena di approvvigionamento (la comunicazione con i fornitori è tempestiva e ciò garantisce una fornitura continua, nonché la reputazione del marchio e la fiducia dei consumatori, che non rischiano di essere minate da rotture di stock).
“Abbiamo dedicato particolare attenzione all’addestramento di quattro modelli prescrittivi chiave -ha dichiarato Zignaigo- 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 fase di preparazione dei dati è stata sviluppata con una filosofia data driven: ogni modello è stato progettato per adattarsi all’introduzione di nuove causali di magazzino, movimentazione e vendita, garantendo la sua robustezza nel tempo. Mentre la valutazione dei modelli è avvenuta attraverso l’analisi dell’errore relativo percentuale degli ultimi periodi presenti nel dataset di training. “Questo approccio -ha sottolineato Pratesi- ci ha permesso di creare un blend model finale, combinando le forze dei modelli più precisi nell’intero processo di addestramento. In altre parole, abbiamo sviluppato un processo di selezione dei migliori risultati predittivi facendo sì che il software possa scegliere in modo automatizzato l’algoritmo migliore per ciascun articolo/cash”. Guardando al futuro, “l’integrazione dell’intelligenza artificiale -conclude Grossi- 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”.
