Analytics e machine learning, opportunità per innovare

Metriche di valutazione e KPI per l’infrastruttura digitale

Le aziende stanno espandendo l’innovazione a ruoli e processi tecnici e di business, sfruttando le informazioni provenienti anche da soluzioni IoT per tracciare e monitorare i cicli di vita di asset e prodotti. Ciò comporta una crescente mole di dati da analizzare

[amazon_link asins=’B06XS6R4RH,3639775058,8891621854,0262035618,B073NLM5LK,1787125939,885033320X,0996025510′ template=’ProductCarousel’ store=’dmo0e-21′ marketplace=’IT’ link_id=’3442f7eb-3359-11e8-b665-c7f6160c230d’]

Le aziende manifatturiere hanno compreso che l’analisi del ciclo di vita di prodotti e servizi deve evolvere dal tracciamento dello sviluppo di processi e risorse alla gestione strategica dei dati provenienti anche da soluzioni IoT (Internet of Things) per migliorare i servizi e accelerare l’innovazione. Nel contesto della trasformazione digitale (DX), le aziende devono oggi poter prendere decisioni più rapidamente lungo tutto il ciclo di vita di un prodotto a causa della forte pressione derivante dalla necessità di disegnare, sviluppare e gestire prodotti complessi e connessi, oltre che da una domanda e da una competizione globale in perenne evoluzione. È questa la ragione per la quale – dalle survey IDC – emerge che gli strumenti di analytics e di reporting vengono sempre più utilizzati non solo per monitorare la qualità dei prodotti e dei servizi lungo il loro ciclo di vita, ma anche per controllare processi di produzione, di logistica e di gestione dei rischi. Questo evidenzia come le aziende stiano movendosi da un approccio che impiegava strumenti di analytics in un unico e isolato ambito a un approccio olistico che va viceversa a interessare tutti i processi IT e di business. Ciò impone di osservare e analizzare i processi di innovazione di un prodotto e il suo ciclo di vita come un processo esteso che presenta differenti sfaccettature: dallo sviluppo alla produzione, dalla supply chain ai servizi. Le aziende che hanno adottato questo approccio hanno compreso che applicare gli analytics durante le fasi di pianificazione, design e sviluppo del ciclo di vita di un prodotto risulta un elemento critico e fondamentale per la competitività, ed è reso possibile grazie alle altre tecnologie della Terza Piattaforma (in primis, cloud e mobility) e da acceleratori dell’innovazione quali l’IoT.

Leggi anche:  Dentro la nuvola dei dati

ANALYTICS APPLICATI AL PLM

L’applicazione su vasta scala delle soluzioni di analytics abilita le aziende a una risposta più rapida di fronte ai problemi legati ai processi di sviluppo, produzione e servizio e può anche essere un catalizzatore per la progettazione e l’innovazione dei prodotti, sia per quanto riguarda la loro produzione che per quanto riguarda i relativi processi. Infatti, la progettazione e l’innovazione che la DX porta con sé non deve avvenire soltanto a livello dei prodotti, ma deve operare per portare innovazione costante e continua anche nei processi produttivi, nelle fasi della supply chain e nella fornitura di servizi. Gli analytics applicati al ciclo di vita di un prodotto, che in un futuro non molto lontano vedranno nelle tecnologie di intelligenza artificiale (AI) e machine learning (ML) il naturale complemento, possono essere uno strumento potente per supportare le fasi di ideazione, progettazione e innovazione. Sebbene ci si trovi ancora in una fase iniziale e di sperimentazione per quanto concerne le soluzioni di machine learning e intelligenza artificiale, le survey IDC riguardo a questo aspetto riportano che le aziende del manifatturiero sono ben consapevoli delle potenzialità che una loro implementazione integrata e congiunta con soluzioni di analytics applicate al ciclo di vita del prodotto possano portare per migliorare prodotti e servizi. In effetti, sempre secondo quanto emerge dalle rilevazioni condotte da IDC, l’ideazione e la progettazione di prodotti sono la principale area in cui le aziende prevedono di applicare l’intelligenza artificiale e il machine learning.

MARKETING, SIMULAZIONE, PROGETTAZIONE

Le aziende devono essere in grado di risolvere i problemi e fornire prodotti convincenti in modo rapido e coerente. Occorre tempo per i reparti di ricerca e sviluppo e di ingegnerizzazione per determinare il modo migliore per affrontare un problema relativo alla qualità di un prodotto, per migliorare i tempi di ogni processo di sviluppo o per accelerare la produttività. Prima di arrivare alla definizione di una grande innovazione, sono necessari lunghi processi iterativi che rallentano notevolmente il time-to-market. L’intelligenza artificiale invece ha il potenziale per consentire ai prodotti di determinare autonomamente le correzioni del prodotto stesso e per suggerire possibili modifiche. Contemporaneamente, il machine learning offre la possibilità di fare da complemento ai processi di “Design Thinking” offrendo molteplici opzioni e varianti per prodotti o servizi nuovi o esistenti che altrimenti non avrebbero potuto essere immaginate. Il flusso di analisi costituito dallo sviluppo del prodotto, dalla produzione e dal servizio sarà assolutamente inutile se le informazioni generate e prese in considerazione non saranno facilmente accessibili e corredate dal contesto in cui sono state generate. Fornire una rappresentazione virtuale di un prodotto o di un asset (conosciuto anche come gemello digitale o digital twin) con i dati di prodotto e di processo collegati tra loro mette nelle condizioni di velocizzare il processo decisionale che guida i risultati di business. Il digital twin deve servire come container di informazioni riguardo la qualità di un prodotto o di un asset, il modo in cui vengono utilizzati e le loro prestazioni complessive, in modo tale che differenti figure all’interno di una singola organizzazione possano essere in grado di recuperare le informazioni necessarie non solo per svolgere il proprio lavoro subito ma anche per cercare di migliorarlo in futuro. Una versione semplificata di digital twin è in grado di supportare nelle fasi iniziali la comunicazione dei venditori o del marketing con i propri clienti, piuttosto che supportare lo sviluppo e il miglioramento dettagliati di prodotti o servizi per la loro ideazione, progettazione e ingegnerizzazione. Al contrario, un digital twin evoluto, in cui convergono molti più dati e informazioni, può essere applicato per supportare le attività in corso.

MODELLARE LA CUSTOMER EXPERIENCE

Tra i principali vantaggi che si possono ottenere grazie all’adozione di modelli che si basano sul digital twin di un prodotto o di un asset si possono elencare una più veloce attività legata alle patch e agli upgrade delle componenti software, un miglioramento tanto delle prestazioni quanto della qualità di un prodotto, ma soprattutto la capacità di rispondere più velocemente a un problema sollevato o riscontrato da un cliente. La customer experience (CX) diventa in questo modo migliore fin dal lancio stesso di nuovi prodotti e servizi, poiché questi vengono modellati in modo più dettagliato e approfondito facendo leva sulle informazioni e sui dati raccolti, elaborati e rielaborati in modo iterativo dalle soluzioni di AI e ML, e analizzati dagli analytics. Inoltre, questo approccio evita costose rilavorazioni dei prodotti e una loro ottimizzazione grazie ai digital twin. In estrema sintesi, i produttori possono puntare a migliori risultati aziendali attraverso l’utilizzo di soluzioni di simulazione, visualizzazione e analytics all’interno di modelli di digital twin dei propri prodotti e servizi. L’applicazione degli analytics alle fasi del ciclo di vita di prodotti e servizi si sta costantemente espandendo grazie a un differente approccio alla loro innovazione. Le aziende che vogliono rimanere rilevanti nel proprio mercato devono: imparare a integrare informazioni sulla qualità del ciclo di vita di prodotti e servizi; guardare a soluzioni di machine learning e intelligenza artificiale per spingere l’innovazione anche nei processi; infine implementare modelli di digital twin per condividere informazioni a livello cross-dipartimentale che provengono anche dal mondo IoT e che possono essere fruite anche grazie a soluzioni di simulazione e visualizzazione.

Leggi anche:  Analisi esplorativa dei dati. Come utilizzare gli elementi grafici per visualizzare i dati

Sergio Patano, senior research & consulting manager di IDC Italia

[amazon_link asins=’B06XS6R4RH,3639775058,8891621854,0262035618,B073NLM5LK,1787125939,885033320X,0996025510′ template=’ProductCarousel’ store=’dmo0e-21′ marketplace=’IT’ link_id=’3442f7eb-3359-11e8-b665-c7f6160c230d’]