Automazione procurement: la AI rivoluziona l’acquisizione dei dati
Nell’ambito di un reparto complesso come quello del procurement, le nuove tecnologie di Intelligenza Artificiale hanno un grandissimo potenziale: sono in grado di elaborare dati storici di approvvigionamento, aumentare la visibilità end-to-end sulla supply chain, verificare la compliance ai criteri ESG, fornire insight utili ai decision makers. Soprattutto, l’AI oggi permette al di passare da un approccio reattivo ad uno predittivo nella gestione degli acquisti.
Per ottenere vantaggi reali sul piano operativo, però, è necessario disporre di dati di valore: solo fornendo un set di dati di qualità si può ottenere un sistema efficiente e autonomo in grado di fornire risultati accurati. Sebbene questo concetto sia di facile comprensione, trovare l'origine del set di dati e i dati più utili per addestrare i progetti di machine learning (ML) può essere difficile. E così le potenzialità rivoluzionarie insite nelle soluzioni di AI, oggi in rapidissima evoluzione, rischiano di rimanere solo sulla carta a causa degli ostacoli e delle sfide connesse proprio all'acquisizione dei big data.
Vediamo insieme come Sapiens Analytics affronta le sfide di un reparto così complesso e come è in grado di affrontare la fase iniziale di acquisizione dei dati, step cruciale per mettere le basi di un data lake correttamente costruito, dotato di una solida architettura interna, che sia interrogabile e analizzabile agilmente attraverso applicazioni di Business Intelligence, premessa indispensabile allo sviluppo di un approccio agli acquisti realmente data driven.
L’acquisizione dei dati: eterogeneità delle fonti
L'acquisizione dei dati nel processo di procurement è un'operazione complessa e stratificata, in quanto, solitamente, i dati vengono acquisiti da una pluralità di fonti: software gestionali, sistemi di fatturazione, documenti di trasporto, report cartacei, telemetrie (pensiamo per esempio ad un’azienda che deve monitorare la catena del freddo) e tanti altri sistemi aziendali.
La diversità delle fonti si riflette nell’eterogeneità dei dati stessi che vengono utilizzati nel processo di acquisto, che possono essere catalogati come strutturati e non, oppure digitali o non digitali: i dati possono essere organizzati in un formato facilmente leggibile da macchine, come database o fogli di calcolo, che possono essere direttamente analizzati e processati da sistemi AI, oppure in formati non organizzati come testi liberi, immagini, PDF, email, e video, che richiedono processi di trasformazione più complessi per estrarne informazioni utili. È proprio l’eterogeneità dei dati a costituire una criticità spesso sottovalutata, che il provider di IA deve analizzare in dettaglio e gestire con competenza.
Come procedere quando le informazioni sono già digitali
In questo caso i dati possono essere integrati in modo relativamente semplice. Le informazioni residenti in software gestionali (ERP) e sistemi di fatturazione possono essere direttamente acquisite tramite opportuni accessi autorizzati per mezzo di interfacce ed API.
Da non dimenticare anche i dati relativi alle telemetrie: si tratta di dati disponibili in alcuni settori specifici, come il trasporto di merci deperibili e derivanti dall’impiego di sensori e dispositivi IoT, che raccolgono dati in tempo reale, ad esempio, sulla temperatura, l'umidità, livelli di gas come l'anidride carbonica (CO2) e l'ossigeno (O2), nonché orari esatti di consegna e altri fattori critici come i dati sui tempi di apertura delle porte del container o del camion, e possono essere integrati in modo relativamente semplice, previo opportuno accesso alle loro piattaforme di raccolta dati (aspetto peraltro non scontato per tutte le aziende).
E quando le informazioni si trovano all’interno di documenti?
È più complesso, invece, automatizzare l’acquisizione di informazioni contenute in documenti, auspicabilmente in formato digitale, quali ad esempio i documenti di trasporto, le lettere di vettura, le fatture di spedizione o le ricevute di consegna, che documentano il movimento di merci.
Ancora più complessa l’estrazione di informazioni da report e documenti cartacei: anche se l'era digitale è ben avviata, molte aziende si affidano, infatti, ancora alla carta.
Automazione procurement: l'estrazione dei dati intelligente di Sapiens Analytics
Secondo l’esperienza di Sapiens Analytics, una delle prime significative realtà in Italia specializzata nella realizzazione di soluzioni di Intelligenza Artificiale, accade spesso che ci si trovi davanti all’esigenza di all’esigenza di digitalizzare enormi quantità di documenti, trascrivendo dati e informazioni in formati digitali. Questo perché, nonostante si parli molto di trasformazione digitale e dei benefici che comporta, in realtà accade che le aziende affrontino resistenze interne alla digitalizzazione, spesso legate a vincoli organizzativi, culturali o alla mancanza di consapevolezza sui vantaggi che questo cambiamento può portare.
Oggi la sfida principale nell'acquisizione dei dati per realizzare una soluzione di Intelligenza Artificiale, nell'automazione del procurement ma anche in altri reparti, è la loro integrazione automatica, ma supervisionata da un’intelligenza umana, in un unico sistema che faciliti analisi approfondite e insights azionabili. Questo approccio risulta peraltro in linea con l’indirizzo del recente Ai Act, che auspica un equilibrio tra l'automazione dei processi tramite l'IA e il rispetto dei diritti fondamentali, della trasparenza e dell'accountability nell'utilizzo dei dati.
Per superare questa sfida, è fondamentale implementare processi di digitalizzazione avanzati ed efficaci, che normalizzino i dati in modo propedeutico all’elaborazione ed alla categorizzazione.
Questa fase è estremamente importante e molto delicata. Perché? Perché è in questo momento del processo che si pongono le basi della modellizzazione, cioè dei processi di creazione di modelli digitali (data model) che utilizzeranno i dati per generare previsioni e analisi su cui basare il supporto per decisioni informate e per la definizione una strategia di procurement che risulti sia reattiva che predittiva, adattandosi dinamicamente alle condizioni di mercato e alle esigenze aziendali.
Sapiens Analytics, in questo contesto, opera secondo un processo per fasi, in cui il primo passo è l’estrazione del testo dai documenti, operazione, ovviamente, più rapida con documenti digitali. Nel caso di documenti cartacei è necessario prevedere anche la scansione fisica del documento e, successivamente, l’applicazione di tecniche OCR (Optical Character Recognition) per trasformare testi stampati in dati digitali editabili e ricercabili.
In tema di estrazione dati, Sapiens Analytics si avvale di soluzioni all’avanguardia sviluppate grazie al dialogo continuo con la ricerca scientifica di centri universitari d’eccellenza, tra cui l’Università Ca’ Foscari di Venezia: tali tecnologie, in costante evoluzione, si basano sia sui Retriever-augmented generators, sia sull’utilizzo della Computer Vision, e sono così in grado di fornire risultati altrimenti irraggiungibili con la semplice analisi testuale.
In conclusione, l'acquisizione dei dati nei processi di procurement rappresenta una fase cruciale e complessa, data la diversità delle fonti, la varietà dei formati dati, la persistente resistenza alla digitalizzazione di molte aziende. L'adozione di tecnologie di digitalizzazione e Intelligenza Artificiale avanzate è essenziale per superare le sfide connesse all'estrazione dei dati: questo approccio non solo favorisce una migliore comprensione e gestione dei processi di approvvigionamento, ma anche la creazione di modelli predittivi e analitici fondamentali per supportare decisioni strategiche e operative informate. Sapiens Analytics fornisce soluzioni all'avanguardia e in continua evoluzione, basate sulla collaborazione con la ricerca universitaria, per supportare i propri clienti a partire dall’acquisizione dei big data.
Ti è piaciuto l'articolo?
Iscriviti alla Newsletter e ricevi aggiornamenti su come l'Intelligenza Artificiale può rivoluzionare le imprese! Clicca qui >>
Comments