Stanley Black & Decker racconta come Lean AI sta cambiando il lavoro alla base della sua catena di approvvigionamento

Buongiorno Ben, la ringrazio per essersi unito a me oggi per parlare della collaborazione tra Stanley Black and Decker e Robinson Managed Solutions. Tornando indietro di circa sei anni, alla fine del 2020, inizio 2021. Tornando alla decisione iniziale di collaborare con RMS, quali sfide od opportunità aziendali l'hanno portata a ripensare le modalità operative della sua organizzazione logistica?

Beh, Brian, storicamente Black & Decker operava con una rete decentralizzata, con attività gestite a livello di singolo sito. SBD ha preso la decisione strategica di passare a un modello più centralizzato, con una Control Tower a supporto della gestione della rete. L’obiettivo era migliorare rapidamente la conformità alle procedure di instradamento, aumentare le opportunità di consolidamento e potenziare le capacità, così da poter ridurre alcuni costi ed eliminare gli sprechi dalla nostra catena di approvvigionamento.

Quali difficoltà comportavano per voi e il team SBD i dati degli ordini incompleti o incoerenti? Con Stanley Black & Decker abbiamo oltre 40K SKU univoci, quindi è incredibilmente difficile mantenere i dati anagrafici puliti e aggiornati, soprattutto tra tutte le diverse linee di prodotti, i fornitori e le sedi.

Abbiamo riscontrato circa 2.000 ordini manuali ogni mese in cui sono presenti dati anagrafici mancanti o incompleti quando giungono in Navisphere. Quegli ordini non potevano andare avanti finché qualcuno del team non fosse intervenuto per correggerli nel sistema. E questo di solito comportava un tempo di ciclo molto più lungo per quegli ordini.

Alcune delle incongruenze negli ordini erano intenzionali. Abbiamo riscontrato alcuni problemi con l’arrotondamento dei pesi e con altri criteri specifici. E molti degli altri problemi non potevano semplicemente essere individuati in modo proattivo a monte, prima che venisse effettuato un ordine.

Ora parliamo di dove ci troviamo oggi. In che modo Lean AI Planner interviene e aiuta a correggere quegli ordini, evitando che questo lavoro debba essere svolto da un membro del team?

Per noi, Lean AI Planner è stato di grande aiuto. Interviene sfruttando il proprio apprendimento contestuale e utilizzando le nostre regole aziendali, gli attributi dei prodotti, il comportamento storico delle spedizioni, i requisiti dei fornitori e ogni genere di altre informazioni per determinare ciò che manca, quindi interviene e apporta la correzione.

Abbiamo ancora membri del team che supervisionano le correzioni, ma Lean AI Planner è stato in grado di intervenire immediatamente in tempo reale e correggere autonomamente tutti gli ordini che storicamente finivano nello stato di blocco.

Questo comporta una riduzione del tempo di ciclo a meno di un minuto per ordine. Quasi il 90% di ciò che finiva nello stato di blocco veniva corretto in modo proattivo da Lean AI Planner. In pratica, quel processo ci ha fatto risparmiare oltre 35 ore al mese di lavoro privo di valore aggiunto da parte dei nostri pianificatori dei carichi. Stiamo procedendo verso una catena di approvvigionamento in grado di correggere i problemi prima che causino interruzioni e ritardi nelle fasi successive. E stiamo eliminando molti sprechi nel processo.

Quando pensiamo a una valutazione tradizionale e storica della supply chain, potrebbe richiedere settimane, potrebbe richiedere mesi, potrebbe essere parziale e potrebbe non coprire la sua intera rete. Potrebbe accennare a come si svolgeva quel processo per Stanley Black & Decker prima del lancio di Lean AI Engineer?

Prima di Lean AI Engineer, avevamo ingegneri esperti dedicati al nostro cliente. Esaminavano grandi volumi di spedizioni per individuare opportunità di miglioramento e ottimizzazione. Quel processo era ad hoc. Quindi, quando ritenevamo che ci fosse un'opportunità, estraevamo i dati e svolgevamo l'analisi. Ma poteva essere completato solo periodicamente a causa dell'elevato impegno richiesto.

Con Lean AI Engineer si risolve il problema intrinseco della necessità di estrarre manualmente i dati e di esaminarli. Perché siamo in grado di esaminare continuamente tutti i dati di tutte le sedi. Esaminiamo le stesse opportunità che gli ingegneri prima valutavano manualmente, ma ora siamo in grado di farlo in tempo reale. Questo consente ai nostri ingegneri di concentrarsi davvero sulla valutazione del risultato anziché sulla sua produzione.

Quindi, parliamo di passare da settimane, forse mesi, a minuti, e poi di concentrarci concretamente sul realizzare queste opportunità e su quelle riduzioni dei costi o quei risparmi sui costi. Sì. Ci consente inoltre di esaminare più informazioni e più opportunità, perché il sistema è in grado di analizzarle in tempo reale e noi possiamo semplicemente rispondere.

Potrebbe condividere con il gruppo un esempio di intuizione o opportunità che ha individuato grazie a Lean AI Engineer, specifico per l’attività di Stanley? Finora, Lean AI ha individuato diverse nuove opportunità per SBD. Un’altra cosa importante che ha fatto è confermare che i precedenti studi manuali erano validi.

Un esempio del nuovo Lean AI Engineer: abbiamo preso una specifica opportunità di aggregazione che avevamo individuato nell’ambito dell’opportunità di un cliente e l’abbiamo gestita manualmente. Ma sono riusciti a prendere i dati e ad applicarli a tutti i nostri clienti senza dover condurre studi separati o estrarre dati separati. Siamo in grado di utilizzare queste informazioni per supportare meglio le decisioni aziendali in tempo reale, generando notevoli risparmi ed eliminando gli sprechi.

Che consiglio darebbe agli altri responsabili della catena di approvvigionamento che stanno valutando l’IA, ma non sono davvero sicuri da dove cominciare? Per noi, il vero elemento chiave è avere un partner all’avanguardia come RMS. Consiglierei loro di collaborare con RMS per individuare un caso d’uso specifico all’interno della propria attività, che li aiuti a generare valore.

Se riescono a risolvere il problema, provino prima con piccoli passi, iterino, procedano rapidamente e mettano in conto che non tutto sarà perfetto; così otterranno un risultato quantificabile. Una volta ottenuto quel risultato iniziale, è possibile condividere con l’organizzazione e gli stakeholder elementi tangibili, per non limitarsi a parlare di IA, ma mostrare concretamente il valore che apporta all’attività.

Ben, desidero ringraziarla moltissimo per aver partecipato. Apprezzo sempre queste conversazioni. Sono entusiasta di condividere parte del lavoro che abbiamo svolto insieme e soprattutto di ciò che ci riserva il futuro. Grazie.

Grazie mille Brian, è un piacere.