Aziende piene di dati con poche informazioni 

E l’Intelligenza artificiale, cosa c’entra?

Cos’è un dato e cos’è un’informazione? 

Facciamo qualche esempio. Una data, un orario sono dati, un calendario con i propri impegni è un’informazione; Per chi mastica di fotografia, i valori delle impostazioni della macchina fotografica sono dati, una foto è l’informazione; Nel mondo aziendale il prezzo di un articolo è un dato, il fatturato è una informazione.

Nelle aziende i dati vengono generati continuamente ad opera delle diverse funzioni, non sempre, però, vengono conservati e, spesso non vengono utilizzati per generare informazioni utili alla gestione. Una informazione, in sintesi, è una conoscenza ottenuta elaborando i dati da cui deriva.

Dove e come si generano i dati in azienda?

I dati si generano quando un operatore inserisce un valore nel sistema gestionale, che sia un prezzo, una quantità, un tempo di lavorazione o una dichiarazione di scarto, ma anche le macchine e gli impianti generano dati.

Due aspetti di cui tenere conto sono la loro attendibilità e le unità di misura nelle quali viene espresso il dato. 

L’importanza dell’affidabilità dei dati

Facciamo qualche esempio. Andiamo in fiera e “tiriamo su” qualche articolo da esporre, magari senza neanche poi riportarlo indietro senza registrare nulla sul gestionale. Il dato della quantità a magazzino viene inevitabilmente alterato e l’informazione sulla giacenza e la disponibilità contiene un errore. Questo errore, è sempre un errore, ma impatta in modo diverso sull’informazione se la quantità di cui stiamo parlando rappresenta il 50% della giacenza, il 10% della giacenza o l’1% della giacenza. L’importante è sapere di che ordine di grandezza possa essere l’errore del dato contenuto in una informazione. 

Altro esempio legato al mondo produttivo, sono i tempi di lavorazione dichiarati dagli operatori, capita che ci si dimentichi semplicemente una registrazione, o scappa uno zero in più sulla tastiera. Una macchina moderna genera un numero di errori sicuramente inferiore di una vecchia, magari oggetto di aggiornamenti (revamping), ma, come si sa, le officine contengono un po’ di tutto, dall’ultimo ritrovato della tecnologia alle macchine manuali tenute per qualche lavorazione occasionale, o da operazioni manuali assistite da operatori, come nel mondo delle calzature.

I tempi, per esempio posso poi esprimerli in secondi, minuti, ore e, se li vogliamo poi leggere, aggregare e relazionare con altri dati, devo normalizzarli in un’unica unità di misura. Questo mix contiene errori che hanno un diverso impatto sulle informazioni e può essere gestito prevedendo una fase di approvazione delle registrazioni ad opera di un responsabile che sappia nel dettaglio cosa sia successo nel periodo oggetto della registrazione correggendo le anomalie. 

Analizzare e intervenire, quindi, sui processi di rilevazione dei dati è fondamentale per presidiare il livello di attendibilità delle informazioni.

Uno schema che aiuta a comprendere la natura delle fonti dati e la loro trasformazione in informazioni è il seguente:

Big Data e AI: come trasformare i dati in valore

Nelle aziende i dati vengono generati da molte fonti, come dicevamo, in alcuni casi neanche ci pensiamo, come i dati di funzionamento di una macchina utensile generati dal suo controllo numerico per l’esecuzione delle istruzioni impartite dal programma di esecuzione del pezzo. Solo ultimamente, con l’avvento del concetto di Big Data e dei contenitori dedicati alla loro conservazione con costi sostenibili, qualcuno ha iniziato a raccoglierli. 

Facciamo anche qui un esempio:

• Un centro di lavoro può contenere anche qualche centinaio di fonti (sensori, PLC, righe ottiche, ecc.).
• I dati possono essere generati con frequenze diverse, da qualche millisecondo a qualche secondo. Già nella raccolta devo capire cosa fare, se raccoglierli puntualmente tutti o trattenere solo una loro prima elaborazione, come il valore medio, il massimo e il minimo, riducendo la frequenza a qualche minuto.
• Se raccogliamo 1 valore al secondo, moltiplicato per 3.600 secondi in un’ora, per 8 ore di lavoro, otteniamo 7.200 valori al giorno per ogni fonte.
• Moltiplicando per 200 fonti, arriviamo a 1.440.000 dati al giorno per macchina.
• In un’azienda con 20 macchine che lavorano 220 giorni all’anno, si generano 25,3 miliardi di valori all’anno.

Come estrarre informazioni utili da questa mole di dati?

Ci rendiamo subito conto di quanto possa essere difficile trarre delle informazioni utili da tutti questi dati, che, ripeto, il più delle volte non vengono neanche raccolti. Lo sviluppo dell’intelligenza artificiale degli ultimi anni e della tecnologia che la supporta, ha aperto la porta all’interpretazione di questa mole di dati, detta non a caso BIG DATA, a costi interessanti, considerando il valore delle informazioni che si possono trarre. Da una fonte dati come quella del nostro esempio, organizzando tutti i valori in funzione del tempo, possiamo ottenere un’analisi del funzionamento della macchina.

Se con un MES abbiamo raccolto le dichiarazioni di fermo macchina con le relative causali distribuite su un asse temporale, e abbiamo raccolto i rapportini di intervento della manutenzione su un supporto informatico strutturato, possiamo analizzare come si siano mossi i valori raccolti all’avvicinarsi del momento del malfunzionamento. L’analisi dello stesso malfunzionamento per un numero significativo di volte consente di “allenare l’algoritmo predittivo” che potrà così indicare una probabilità di malfunzionamento della macchina prima che questo accada un’altra volta. 

Manutenzione predittiva: un esempio concreto

Supponiamo di avere una lama di taglio, come componente di una macchina, che si consuma e vada riaffilata, possiamo sostituirla prima che inizi a tagliare pezzi difettosi, ma solo alla fine della sua vita utile, che può variare in base alla qualità dell’affilatura, riducendo gli scarti e il numero di affilature. Questo modo di operare è chiamato “MANUTENZIONE PREDITTIVA”.

Applicazioni oltre la produzione: la previsione delle vendite

Lo stesso concetto lo possiamo applicare alle vendite, rilevandone puntualmente le variazioni in funzione altri valori che ne possano condizionarne l’andamento, sia endogeni all’azienda che esogeni.

Immaginiamo una catena di gelaterie che deve prevedere la quantità di latte fresco da approvvigionare per la produzione e vendita di gelato nei suoi diversi punti vendita. I valori endogeni sono legati alla variazione delle vendite per i diversi gusti nel passato, quelli esogeni possono essere le previsioni del tempo, la temperatura ed eventuali eventi annunciati dal portale del comune nelle vicinanze del punto vendita, come una piccola fiera dell’artigianato che si svolge per le strade.

Tutti questi fattori possono essere correlati e influire sulla quantità di gelato che si prevede di vendere, quindi sulla quantità di latte da approvvigionare. Riportando questo concetto in una azienda, potrei popolare i valori di scorta di sicurezza, scorta minima e punto di riordino puntualmente in ogni anagrafica articolo in base alla previsione delle vendite e alla previsione dei tempi di approvvigionamento, questo per ogni singolo articolo, invece di basarmi solo su valori storici o di contare solo sull’esperienza dell’operatore.

Conclusioni: i dati sono un patrimonio (se ben gestiti)

I dati rappresentano un patrimonio per le aziende, molto più di quanto si creda. Spesso è sottovalutato in quanto non è immediato comprenderne l’utilità, per questo è utile rivolgersi a consulenti con le dovute credenziali, i quali possano aiutare ad identificarne il valore in termini di informazioni e il suo impatto sui conti aziendali.