Dettaglio progetto PICInt

• Fase 1: Ricerca Industriale, a sua volta articolata nei ss. work-package WP1-Processes Mapping e WP2-Big  Data Mapping.
• Fase 2: Sviluppo Sperimentale, a sua volta articolata nei ss. work-package WP3-Visual Data Analytics &  Mining, WP4-Modelling & Algorithms e WP5-Smart Dashboards.

Le attività svolte nell’ambito del WP1 hanno riguardato la mappatura dei processi tecnico-produttivi.

Per Aggregazione si intende i soggetti del progetto.

Dapprima le attività progettuali hanno avuto l’obiettivo di ricercare e coinvolgere due aziende esterne come casi studio. Quindi, l’Aggregazione ha individuato e raccolto l’interesse di due aziende (nomi anonimizzati in questa scrittura pubblica) ossia: AZIENDA1 (settore del refrigerazione-condizionamento) e AZIENDA2 (settore del Retail/GDO); tali aziende hanno collaborato con l’Aggregazione per sviluppare e testare sul campo dei cruscotti intelligenti proposti nel progetto.

Sono stati realizzati alcuni incontri e focus-group con i partner esterni al fine di definire diagrammi di flusso dei processi tecnico-produttivi e le KPI (output del processo) e i relativi driver (input del processo). Ulteriori incontri e focus-group hanno permesso di definire formalmente le funzionalità da implementare nei cruscotti intelligenti a supporto delle decisioni strategiche su qualità e marketing vendite.

Le attività del WP2 sono state rivolte a mappare i big data aziendali e a costruire un opportuno database.

Nello specifico si è ravvisata la necessità di una accurata revisione dei database presenti nelle due aziende casi studio.

Sono state inoltre selezionate ed ottimizzate le features (campi del DB) necessarie alla realizzazione del progetto. Il lavoro svolto ha permesso lo sviluppo di DB derivati e sintetici (WP2.2) che hanno costituito la base per la realizzazione dei cruscotti del WP5.

Nell’ambito del WP3 sono state realizzate le ss. attività:

1. analisi dei big data via tecniche esplorative di visual data analytics
2. analisi dei big data via tecniche inferenziali di data mining

L’Aggregazione in collaborazione con i centri di ricerca esterni, ha realizzato per le due Aziende le analisi descrittive e rappresentazioni grafiche dei big data aziendali (WP3.1) e analisi inferenziali (WP3.2) che hanno portato, esposte nel dettaglio nella documentazione allegata al presente documento.

Le attività del WP4 hanno visto lo sviluppo del modello matematico-statistico dei processi latenti alla generazione dei dati campionari. In seguito è stato effettuato il set-up e la validazione degli algoritmi di machine learning ed intelligenza artificiale. A seguito della selezione dei modelli più adeguati alla modellizzazione dei fenomeni in analisi (WP4.1) si è inoltre proceduto ad una accurata pulizia di dati e definizione di nuove variabili (descrittori, previsori) da utilizzare come  features nei modelli di Machine Learning. A seguito dell’addestramento dei modelli, questi sono stati validati con dati esterni (WP4.2).

Il WP5 ha visto la progettazione ed integrazione dei cruscotti intelligenti esplicativi, predittivi e prescrittivi, a cui è seguita la loro messa a punto e validazione da parte degli addetti delle Aziende. Nello specifico WMR, FREng, InfoLab, e ITC-CNR, in collaborazione con centri di ricerca esterni, hanno progettato i sistemi integrati di cruscotti intelligenti esplicativi, predittivi e prescrittivi (WP5.1). Questi sono stati successivamente rivisti, migliorati, debuggati e ottimizzati grazie alla collaborazione con gli operatori aziendali delle aziende partner esterne. Le modalità di esecuzione sono state coerenti con quanto programmato nel progetto.

Il progetto PICInt si inserisce nella specializzazione Smart Manufacturing e si propone di sviluppare modelli ed algoritmi di machine learning, diretti allo sviluppo sperimentale di una piattaforma integrata di smart dashboard denominata PICInt. Questa piattaforma è strutturata come un insieme coordinato di cruscotti intelligenti di nuova generazione, finalizzati al supporto di decisioni strategiche su qualità e marketing.

Per la traiettoria “Soluzioni per la gestione avanzata della manutenzione, qualità e logistica e il supporto alle decisioni in ambienti complessi”, è stata sviluppato la smart dashboard che, contrariamente ai tradizionali cruscotti di business intelligence di tipo descrittivo, si configura come un sistema decisionale automatizzato. Il cruscotto permette un monitoraggio costante e dettagliato del comportamento dei banchi frigo e fornisce previsioni di allarmi/guasti affidabili anche con diversi giorni di anticipo.

Questo permette quindi una pianificazione tempestiva e razionale degli interventi di manutenzione.

Oltre alle previsioni di allarmi e guasti, la smart dashboard, riporta i fattori rilevanti che portano alla generazione degli errori, questo permette una taratura della configurazione degli impianti allo scopo di prevenire la generazione di tali errori. Questa utility risponde alle indicazioni della traiettoria “Sviluppo di piattaforme integrate digitali per la configurazione di sistemi di produzione”.

Come già evidenziato in fase di presentazione del progetto, la trasformazione digitale in atto nelle aziende venete ha riguardato finora quasi esclusivamente aspetti tecnologici legati all’IT (Information Technology). Questa trasformazione ha certamente portato ad un efficientamento dei processi produttivi. Per quanto rilevante, questa evoluzione risulta però incompleta e non sfrutta a pieno le opportunità garantite dalle nuove tecnologie. I dati raccolti quotidianamente sono enormi e riguardano ogni aspetto del ciclo industriale: dalla produzione alla vendita. I due casi studio sviluppati dal progetto hanno permesso di compiere questo passo in ambiti strategici del business aziende.

Si consideri ad esempio il caso AZIENDA1 per il quale la sensoristica presente nei banchi frigo e in tutti gli elementi dell’impianto di refrigerazione permetterebbe già il completo ed efficiente monitoraggio dell’impianto. La mole raccolta dai sensori era utilizzata solo per comunicare al sistema centrale la generazione di eventuali errori/guasti al fine di programmare un intervento.

Il progetto PICInt ha rivoluzionato il paradigma del controllo del processo: il cruscotto permette la visualizzazione di ogni parametro (e di ogni macchina) nella sua evoluzione storica e in modo multivariato (ossia congiuntamente per più parametri). In aggiunta, il sistema di previsione sviluppato riesce a prevedere in modo efficiente l’allarme/guasto diversi giorni prima che questo accada (fino a 30 giorni prima per alcuni tipi di allarmi!). Tale caratteristica consente una gestione preventiva degli interventi e un efficientamento di tutto il processo di mantenimento del sistema dei banchi frigo.

Non di meno, per il caso AZIENDA2, il progetto PICInt ha permesso di dare valore all’enorme DB delle carte fedeltà estraendo informazioni strategiche per le scelte di marketing aziendale. L’ufficio marketing interno all’azienda ora ha uno strumento completo per la gestione del proprio parco clienti: informazioni più complete (informazioni biografiche, di consumo, sul tipo di pet posseduti) e in una prospettiva temporale. Questo permette una pianificazione delle campagne di marketing customizzate solo su alcuni segmenti del parco clienti, quelli più probabilmente responsivi alla scontistica di certi prodotti.

Lo sviluppo di questi strumenti ha generato nuove richieste da parte delle due aziende esterne. Ad esempio, AZIENDA2 ha espresso interesse per effettuare una analisi approfondita sull’efficacia delle diverse azioni di marketing (descritte per il tipo di offerta, il mezzo di comunicazione etc). Tale analisi sarà implementata in un nuovo progetto con l’azienda; la conoscenza e gli strumenti sviluppati verranno implementati nel cruscotto accrescendo così ulteriormente la capacità di operare scelte strategiche basate sui dati.

Grado di innovazione conseguito

Il processo di digitalizzazione è notevolmente avanzato nel tessuto produttivo, ma ha riguardato finora quasi esclusivamente aspetti tecnologici legati all’IT (Information Technology) o, nel migliore dei casi, alla analisi descrittiva delle miniere di dati che si stanno recentemente formando.

Il progetto di ricerca e sviluppo PICInt ha compiuto un ulteriore passo in avanti, estraendo valore da queste miniere. Per questo, PICInt rappresenta un importante passo per l’innovazione industriale del Veneto.

Nel caso studio AZIENDA1 ad esempio, il cruscotto web Sentinel permette la previsione degli allarmi de banchi frigo di centinaia (e potenzialmente centinaia di migliaia) di banchi frigo in tutto il Paese. Tali previsioni si sono dimostrate avere altissimi gradi di affidabilità (es specificità e sensibilità superiori al 95%) fino ad un mese prima dell’evento.

Nel caso studio AZIENDA2 si sono ottenuti risultati altrettanto rilevanti. Un approccio integrato come quello sviluppato in questo progetto ha permesso di operare una profonda pulizia del DB aziendale e di ricavando nuove informazioni come ad esempio il genere del cliente, i pet (gli animali domestici) presenti nel nucleo famigliare, le abitudini di acquisto (e basket analysis). Ha inoltre permesso di estrarre relazioni significative tra aspetti della vendita. Lo sviluppo di un cruscotto ritagliato sulle esigenze dell’azienda marca la differenza di questo progetto rispetto ad una mera consulenza di un gruppo di professionisti. Il cruscotto permette infatti agli attori aziendali di valutare l’esito di azioni di marketing ritagliandole su segmenti della popolazione dei clienti al fine di massimizzare i profitti.

Si sono anche fatti notevoli azioni verso la brevettazione dei cruscotti realizzati all’interno di questo progetto. Il processo non è ancora giunto alla conclusione del suo percorso; la causa del rinvio è da attribuirsi ad alcuni ritardi nell’ottenimento dei dati, nella pulizia dei data base, ma anche ad alcuni approfondimenti di natura legale che si sono resi necessari. La valorizzazione della proprietà intellettuale dei cruscotti realizzati resta in ogni caso tra le priorità del gruppo di lavoro.

Obbiettivi conseguiti

Gli obiettivi prefissati nel progetto sono stati sostanzialmente raggiunti.

I WP1 e WP2 implementati nella prima fase del progetto hanno permesso l’individuazione di due casi studio provenienti dal mondo industrial (AZIENDA1, refrigerazione-condizionamento) e retail/GDO (AZIENDA2.). In merito a questi due casi aziendali, all’interno della prima fase del progetto, è stata operata una attenta mappatura dei processi tecnico-produttivi, dei big data aziendali e la costruzione di database utili allo proseguo del progetto.

Lo studio accurato dei due casi ha garantito una solida e approfondita base per lo sviluppo della seconda fase (WP3, WP4 e WP5) nelle forme dettagliate nel seguito.

WP3-Visual Data Analytics & Mining: applicazione di tecniche di data analytics e data mining

Per il caso studio AZIENDA1 la variabile target (obiettivo della previsione) è stata definita la generazione di allarmi del banco frigo; la previsione è richiesta a diversi lag temporali antecedenti all’evento.

Le variabili di previsioni (features) potenzialmente utili sono risultate essere le informazioni raccolti dai sensori dei banchi frigo, ma anche la profilazione di ogni banco frigo in base al proprio profilo di defrost. Oltre a queste, sono state integrate informazioni dei sensori riguardanti le centrali di refrigerazione controllanti i banchi-frigo.

Per il caso studio AZIENDA2 la variabile target (obiettivo della previsione) è stata definita come la spesa del cliente. Le variabili di previsioni (features) potenzialmente utili sono risultate essere le informazioni sull’utente offerte dalla fidelity card (ove presente), le informazioni sugli acquisti precedenti e le informazioni sui punti vendita.

Per entrambi i casi studio, le variabili Target e le Features sono state analizzate nelle loro distribuzioni marginali e congiunte tramite statistiche descrittive e di visual data analytics. Successivamente, tecniche inferenziali e di data mining hanno permesso l’addestramento di modelli di previsione delle variabili target descritte sopra.

WP4-Modelling & Algorithms: set-up e validazione di modelli ed algoritmi

I modelli statistici definiti nel WP3 sono stati oggetto di affinamento e validazione nel WP4. In particolare, la capacità previsiva dei modelli è stata valutata in modo non distorto sulla base di dati “nuovi”, non usati nello step di addestramento precedente. Ove necessario, il gruppo di lavoro ha proceduto al tuning dei parametri con l’obiettivo di migliorare le performance del modello.

La capacità predittiva dei modelli è risultata eccellente per i modelli di previsione del caso ARNEG e molto buona per il caso AZIENDA2. Il risultato non ha sorpreso il team per la diversa natura dei due fenomeni oggetto di studio: un problema sostanzialmente fisico-meccanico quello in ambito industrial di ARNEG, un problema economico-sociale quello di retail affrontato con i dati AZIENDA2. Non meno importante è stata l’individuazione di legami forti, non casuali tra le features e le variabili target e che possono guidare le scelte dei decisori aziendali.

Gli obiettivi posti in WP3 e WP4 sono stati quindi raggiunti

WP5-Smart Dashboards: progettazione, messa a terra e validazione del sistema integrato di cruscotti intelligenti

L’ultimo WP mirava portare nelle Aziende prescelte gli strumenti sviluppati nei WP precedenti. Ciò è avvenuto tramite lo sviluppo di software e l’integrazione dei cruscotti intelligenti sviluppati.

Per il caso studio AZIENDA2 lo strumento è stato sviluppato in Tableau e permette di visualizzare il comportamento di gruppi di clienti nel tempo con crescente grado di dettaglio e rifinitura del segmento di clientela. Tale strumento è stato sviluppato concordando con l’Azienda le macro e micro funzionalità necessarie per un utilizzo a tutto tondo da parte dell’ufficio marketing e vendite

Per il caso studio AZIENDA1 lo strumento scelto è un’interfaccia web che permette di monitorare i banchi frigo sensorizzati nel dettaglio e in gruppi (ad esempio tutti i banchi frigo di un supermercato). Il cruscotto web permette di fare previsioni di allarmi fino a 30 giorni prima dell’allarme stesso. Riporta anche le variabili più influenti nel modello suggerendo quindi su quali aspetti del processo potrebbe essere utile intervenire.

Anche gli obiettivi del WP5 risultano quindi pienamente raggiunti.

INDUSTRIALIZZAZIONE DEI RISULTATI DELLA RICERCA E/O DEL PRODOTTO/SERVIZIO SVILUPPATO E PROSPETTIVE DI MERCATO

Gli output sviluppati all’interno del progetto PICInt costituiscono una solida base per la diffusione di tali strumenti presso altre realtà imprenditoriali. Le possibilità di industrializzazione del prodotto sono quini elevate.

Le conoscenze acquisite nella Fase 1 sono certamente specifiche e relative ai casi studio analizzati. Sono però facilmente estendibili alle realtà che operano nello stesso segmento di mercato. Come esempio, per il caso studio AZIENDA1 si consideri che i set di sensori montati sui banchi frigorifero (e quindi il set di informazioni raccolte) è sostanzialmente lo stesso per tutte le aziende produttrici.

Altrettanto si può dire per il caso studio AZIENDA2 giacché i database di utenti registrati, quelli riguardanti i prodotti e quello degli acquisti hanno strutture (e campi) analoghi in moltissime realtà di retail. A conseguenza di ciò, gli sforzi fatti nella prima fase del progetto risulteranno sostanzialmente nulli nel passaggio ad altre realtà aziendali. Ne è una prova la partnership che sta nascendo con una seconda azienda che opera nel settore della refrigerazione.

Operata la verifica delle compatibilità tecniche al nuovo caso, gli algoritmi possono immediatamente essere addestrati sui nuovi dati (WP3) e validati (WP4). L’interfaccia sviluppata nel WP5 è dinamica e si aggiorna automaticamente sulla base degli input dei WP precedenti. Il prodotto completo prevede infine un servizio di coaching e consulenza che, grazie ad un affiancamento in azienda, permetterà di trasferire le conoscenze e competenze necessarie all’efficace utilizzo della piattaforma stessa.

Risulterà quindi chiaro che questo progetto ha costruito le basi per una rapida ed economica diffusione dello strumento ad innumerevoli realtà industriali del settore. Anche la declinazione in altri settori produttivi rimane relativamente agevole e risiede principalmente nella replica dei WP1 e WP2 (Processes e Big Data Mapping). Gli sforzi di documentazione, formalizzazione e analisi del processo produttivo di questi WP costituiscono l’input di partenza dell’analisi, mentre i successivi step sono applicabili alla nuova realtà aziendale con uno sforzo praticamente nullo.

IMPATTO DEI RISULTATI SULLA COMPETITIVITÀ DELLE IMPRESE NELLA FILIERA E/O SETTORE DI RIFERIMENTO IN TERMINI DI GENERAZIONE DI NUOVA CONOSCENZA

Il progetto PICInt ha avuto un impatto notevole nel sistema produttivo dei due casi studio.

Per il caso AZIENDA1 ha permesso di passare da un sistema di ricezione degli allarmi e gestione “a posteriori” (cioè dopo che l’allarme/errore/guasto si è verificato) ad un sistema di gestione preventiva delle manutenzioni necessarie per garantire il coretto funzionamento degli impianti. La profonda conoscenza del problema industriale raggiunta con questo caso studio ha permesso ora di proporre il software sviluppato ad altre aziende del settore. In particolare, si sta concretizzando una partnership interessante con un’azienda locale che produce e distribuisce sensoristica e si appoggia ad un software di monitoraggio sviluppato internamente molto rudimentale.

Anche per il caso studio AZIENDA2 il cambio di paradigma è evidente: l’analisi approfondita sviluppata dal progetto ha permesso di passare dalle azioni di marketing “generaliste” (dove cioè le stesse offerte vengono inviate a tutti i clienti, anche a quelli che sicuramente non faranno uso dell’offerta) ad azioni di marketing che potremmo definire “di precisione”, dove cioè l’offerta commerciale viene ritagliata sul segmento di clientela massimizzando quindi l’attenzione verso il cliente e verso le sue capacità/utilità di spesa.

Entrambe le aziende hanno assunto una figura con competenze statistiche e di data-science per sfruttare al meglio le possibilità offerte da questi strumenti e per sviluppare nuove possibilità offerte dalla profonda revisione dei DB aziendali portata avanti all’interno del progetto e che sono ora quindi meglio strutturati, puliti e dove le informazioni strategiche possono essere estratte facilmente.

TRASFERIBILITÀ DEI RISULTATI DEL PROGETTO SU ALTRE FILIERE E/O SETTORI (TRANSETTORIALITÀ / MULTISETTORIALITÀ)

Questo è senza dubbio uno dei punti di forza della piattaforma PICint.

PICInt è stato declinato ad esempio nell’ambito industriale della refrigerazione-condizionamento AZIENDA1 ed ha preso il nome di SENTINEL (per motivi comunicativi) ed è stato anche customizzato per il caso AZIENDA2. L’approccio proposto è tuttavia decisamente scalabile verso altri tipi di industrie e di casi aziendali.

Ne è prova il fatto che prospettive future lo vedano calato nel mondo manifatturiero (ad esempio previsione delle vendite), ma anche del settore della grande distribuzione organizzata – GDO (ad esempio previsione dei flussi di magazzino).

Lo sforzo iniziale ovviamente risiede nello studio dettagliato del problema aziendale, nella formulazione di questo problema in modello matematico-statistico e la strutturazione del data-base in modo funzionale al modello definito.

Le fasi successive riguardano:

• 1) l’adozione di modelli statistici e di strumenti software adeguati alla creazione di modelli previsionali della variabile target
• 2) lo sviluppo del cruscotto integrato che permetta la visualizzazione e la gestione di queste previsioni.

A partire dal dataset e da pochi altri parametri di setting, PICInt implementa agevolmente due punti grazie alla sua flessibilità e genericità.