L’AI prescrittiva ora supera di gran lunga i sistemi predittivi della catena di approvvigionamento

Collaborazione uomo-macchina

Per le attività di vendita, l’AI ha generalmente promesso una trasformazione attraverso una previsione della domanda più accurata. Ci si aspettava che i guadagni in termini di efficienza della supply chain provenissero da migliori previsioni del comportamento dei clienti.

Nell’ultimo anno, tuttavia, è diventato chiaro che l’analisi predittiva non è efficace come sperato. I guadagni sono limitati dalle incertezze intrinseche che circondano la scelta del cliente e le condizioni di mercato. Quando si verificano disturbi significativi, come una pandemia, i modelli predittivi non possono adattarsi in modo efficiente. Invece, l’AI prescrittiva sta emergendo come una soluzione completamente matura.

I sistemi di AI prescrittivi sono macchine per l’apprendimento costruite esplicitamente per raggiungere un obiettivo particolare. A differenza dei modelli predittivi, che possono solo dirti cosa è probabile che accada, presumendo che non ci siano grandi interruzioni, i modelli prescrittivi utilizzano i dati per mostrarti come raggiungere al meglio quell’obiettivo. Quando inevitabilmente si verificano eventi imprevisti o le preferenze del cliente cambiano, il sistema prescrittivo può adattarsi in modo più abile.

Durante le prime fasi della pandemia di Covid-19, ad esempio, molte aziende che utilizzavano l’intelligenza artificiale predittiva hanno visto i loro modelli fallire o fornire consigli inutili. Quali modelli invece hanno continuato a fornire preziose informazioni permettendo alle aziende di adattarsi con successo per ridurre l’impatto della crisi? I modelli prescrittivi.

In pratica, questa agilità rende i sistemi prescrittivi più reattivi e offre un ROI maggiore. Perché? Perché, di per sé, anche una previsione perfetta non potrebbe produrre decisioni ottimali orientate al profitto. Le curve dei prezzi, l’esclusività del marchio e altre considerazioni aziendali influenzano notevolmente il numero ideale di articoli da spedire, indipendentemente dalla domanda. Un sistema predittivo progettato per prevedere le vendite non può accogliere queste sfumature. Solo un approccio prescrittivo costruisce intenzionalmente tutte le considerazioni necessarie.

La differenza nei risultati è significativa. Mentre l’AI predittiva può solo aumentare così tanto l’accuratezza delle previsioni della domanda, l’AI prescrittiva aumenta regolarmente l’efficienza della catena di approvvigionamento del 23%. In un case study pubblicato da Microsoft, Boggi Milano ha aumentato le vendite del 4% e l’efficienza dell’inventario del 18% in poche settimane dopo il passaggio a un modello prescrittivo sviluppato dagli esperti di AI di Evo e, come con tutti i sistemi di machine learning, questi risultati probabilmente miglioreranno con la maturazione del modello.

È improbabile che l’analisi predittiva scompaia; essa è ancora fondamentale per molte operazioni e altamente efficiente in determinate funzioni. Tuttavia, i modelli prescrittivi continueranno a crescere in importanza. Qualsiasi azienda che cerca di ottimizzare le proprie prestazioni con l’intelligenza artificiale dovrebbe prendere in considerazione un sistema prescrittivo.

Per approfondire: To Forecast or Not to Forecast, That Is the Supply Chain Question

Fabrizio Fantini è un convinto sostenitore della relazione simbiotica tra uomo e tecnologia. Con una laurea in Ingegneria gestionale, un Master in Business Administration ad Harvard e un dottorato in matematica, è un esperto nelle soluzioni di pricing e supply chain e un profondo conoscitore dei meccanismi che permettono di far dialogare IA e uomo. Una perfetta sinergia a favore delle aziende. La sua decennale esperienza internazionale per la società di consulenza strategica McKinsey a supporto dei Ceo di tutto il mondo gli ha infatti permesso di sviluppare le capacità necessarie per creare valore aggiunto da questa unione. Nel 2013 ha fondato Evo, società tra Torino e Londra, punto di riferimento per le analisi prescrittive.