Optimization: che cos’è e perché è così importate

9 luglio 2021

Optimization: che cos’è e perché è così importate

Un approfondimento a cura di Network Digital 360 con gli esperti di Intermatica

L’ottimizzazione è un processo finalizzato a trovare il miglior insieme di decisioni per un dato problema scientifico, organizzativo o aziendale. È così che si ottiene un sistema previsionale ottimale a livello strategico, economico ed operativo.

Nella nostra esperienza, in ogni problema che incontriamo ogni giorno:

Abbiamo Obiettivi o Goal da raggiungere;
Dobbiamo prendere delle decisioni e compiere delle azioni per raggiungere il risultato;
Disponiamo di risorse limitate: il tempo, i capitali, gli impianti adatti e le risorse professionali;
Dobbiamo prevedere l’impatto delle nostre decisioni;
Abbiamo vincoli di tempo stringenti.

Con "Optimization" stiamo parlando di intervenire sui processi decisionali, e, in particolare, così definiamo la scienza che ha per obiettivo trovare il miglior insieme di decisioni per un dato problema scientifico, organizzativo o aziendale.

Una decisione ottimale in cui "migliore/Ottimo" può significare, ad esempio, il massimo profitto o i costi più bassi, si ottiene applicando un modello matematico considerando le variabili in gioco, i vincoli e gli obiettivi.

Optimization significa anche raccogliere tutte le informazioni che un’organizzazione ha a disposizione e gestirle in modo tale da massimizzare la velocità e la completezza con cui i dati critici possono essere estratti, analizzati e utilizzati.

Attraverso un lavoro continuo di esplorazione e scoperta degli elementi significativi contenuti in enormi basi di dati si identificano obiettivi, vincoli e variabili che vengono poi elaborati attraverso un modello matematico-statistico che descrive la realtà.

È così che si rendono azionabili i dati a supporto di tutti i processi decisionali. Il tutto in tempi velocissimi.

I risultati arrivano alle persone giuste al momento giusto per prendere le decisioni ottimali, reiterando il processo tutte le volte che variano le condizioni al contorno.

Individuare e valorizzare le informazioni critiche: la mappa del tesoro

La competitività dei mercati impone alle aziende una rapidità decisionale estrema sia per cogliere le opportunità che per far fronte ai rischi. I decisori devono avere un accesso tempestivo alle informazioni critiche basate su numeri effettivi e su previsioni affidabili.

Liberare la potenza della Data Analytics e delle tecniche di Intelligenza Artificiale e prendere decisioni di Business sempre più efficaci significa affrontare le sfide associate a:

Scarsa qualità delle informazioni - I dati incoerenti o inconsistenti spesso portano confusione, ritardi e potenziali conflitti in una transazione con clienti e partner commerciali. La qualità dei dati e delle analisi apportata dal processo di ottimizzazione riduce al minimo l'esposizione di un'azienda a questo tipo di problemi, migliorando procedure e relazioni, accrescendo il valore della brand reputation.

Risorse limitate – Ogni volta che si devono raggiungere degli obiettivi e si devono prendere decisioni per compiere le azioni necessarie a ottenere dei risultati servirebbe tempo, ma anche capitali, strutture e persone capaci. Avere tutte le risorse necessarie a raggiungere gli obiettivi non è mai facile.

Inefficienze e sprechi - Ogni anno, le inefficienze costano mediamente alle aziende dal 20 al 25% dei loro ricavi. Salvaguardare questo budget significa avere risorse da investire, che si tratti dello sviluppo di nuovi prodotti, di progetti legati alla fidelizzazione dei clienti, di pianificazione e razionalizzazione delle risorse.

A cosa serve e come funziona l’optimization

Sempre e in ogni caso i vantaggi più significativi dell’optimization sono legati ai processi decisionali più veloci ma anche più agili il che significa adattabili a qualsiasi cambiamento. Cosa significa nel concreto?

«Che sia a livello di business che tecnologico, quando abbiamo un problema di una certa complessità ci sono degli obiettivi che vogliamo raggiungere - spiega Amilcare Patacconi, Business Development Partner responsabile della BL Analytics & Optimization presso Intermatica S.p.A. -. Individuarli correttamente non è affatto scontato.

Per ottenere un certo obiettivo, infatti, dobbiamo conoscere l’intero contesto in modo da poter prevedere l’impatto delle nostre decisioni.

Dal punto di vista matematico/statistico significa riuscire a inquadrare tutti i parametri che possono influenzare il risultato che vogliamo ottenere.

Una decisione ottimale può significare ad esempio incrementare i profitti o i margini, intervenire nella Supply-Chain per ridurre i costi, velocizzare il time-to-market o individuare il migliore mix nel piano degli investimenti.

Utilizzando un modello matematico, grazie all’optimization si ottengono soluzioni ottimizzate in diversi scenari alternativi velocizzando le valutazioni e i ragionamenti per fare la scelta più opportuna».

Come spiega l’esperto, un esempio concreto aiuta a capire nel dettaglio il ruolo e il perimetro dell’optimization.

Se si vuole rendere ottimale il percorso di un mezzo che trasporta merci da A a B in Italia, bisogna individuare e poi decidere quali sono gli obiettivi.

Nel caso specifico possono essere più di uno:

ottimizzare i tempi di consegna
risparmiare sul carburante
ottimizzare il carico per risparmiare sull’area di stock

Sulla base di queste opzioni si costruisce un modello che tiene conto di una serie di variabili come, ad esempio:

cosa caricare in ogni camion
quanti sono i camion che si spostano
quali sono le tipologie di tragitto
quali sono le condizioni storiche del meteo a livello locale degli ultimi tre anni
quali sono gli orari di punta del traffico e eventuali emergenze
qual è il livello di obsolescenza dei mezzi
com’è la qualità professionale del personale

Raccolti gli elementi di partenza si includono i vincoli, ovvero i parametri di ingresso, quali ad esempio:

Non si devono percorrere le autostrade
Si deve viaggiare solamente di giorno
Il carico di merce deve essere compreso tra i 50 kg e i 200 Kg

Chi sono i professionisti dell’optimization

I professionisti che operano nell’ambito dell’optimization sono data scientist, matematici oppure ingegneri fisici e matematici esperti in ricerca operativa, capaci di parlare con gli operatori coinvolti per acquisire tutte le informazioni necessarie a creare un modello matematico che aiuti a ottimizzare un processo, un sistema o un oggetto (come, ad esempio, nel caso dello sviluppo di un prodotto).

Costruire modelli, alla base delle simulazioni e necessari per realizzare analisi dei dati predittive, funzionali ed efficaci, rientra nell’area della ricerca operativa (operational research in inglese) e presuppone l’adozione di un approccio teorico “empirico/manuale” sempre più spesso integrato all’uso di strumenti di optimization di ultima generazione.

“La maggior parte delle aziende negli anni ha investito enormi budget nella raccolta e nella gestione dei dati storici e, in una certa misura, nella creazione di strumenti di analisi per prevedere il futuro – ribadisce Patacconi -.

L'ottimizzazione fornisce gli strumenti per utilizzare questa conoscenza latente, e valorizzare gli investimenti sostenuti rendendo produttiva l'enorme spesa in termini di costi e incrementando margini e ricavi.

Una volta stabiliti obiettivi, vincoli e variabili (che in alcuni casi possono essere nell’ordine delle migliaia) si costruisce matematicamente un modello.

Quando le numeriche da gestire sono così elevate, è evidente che l’attività di optimization non può essere risolta con strumenti tradizionali esclusivamente grazie alle competenze di uno o più professionisti.

Ecco perché ci vengono in aiuto quelli che vengono chiamati i motori di soluzione (in inglese solver engine) associati alla ricerca operativa.

I Solution Solver Engine sono strumenti software che forniscono le tecnologie abitanti indispensabili per implementare i modelli matematici consentendo di risolvere, in tempo reale, problemi di grande complessità, con un grandissimo numero di variabili e masse enormi di dati.

In realtà a livello mondiale sul mercato di questo tipo di sistemi ce ne sono pochi davvero performanti, agili e flessibili al punto da permettere di scegliere quali possono essere, ad esempio, i mix delle fonti degli approvvigionamenti e dei costi delle materie prime.

La collaborazione di Intermatica con FICO®, specialista internazionale nelle soluzioni di data analytics e optimization con la FICO Xpress Optimization Suite, ci consente di garantire le tecnologie più innovative e affidabili che aiutano i nostri Partner e i nostri Clienti a prendere le decisioni migliori ed ottimizzare così i processi di business salvaguardando tempi e costi».

L’importanza di una modellizzazione funzionale: esempi

Come ci ricorda l’esperto, i modelli matematici di ricerca operativa sono antecedenti all’avvento dell’Intelligenza Artificiale, del machine learning e del deep learning.

Per consentire un reale utilizzo di queste tecniche sono stati realizzati gli optimization solver engine (GSE), strumenti software che incorporano potenti algoritmi in grado di individuare le soluzioni ottime dei modelli di pianificazione, verificarne la solidità e simulare nuove soluzioni in base diversi set di variabili e differenti scenari

I solver engine a supporto dell’optimization vengono utilizzati in tutte le industry che devono affrontare problemi complessi di pianificazione, l’allocazione delle risorse, programmazione delle attività, minimizzare i costi o incrementare il marketshare: Oil & Energy, Automotive, Manufacturing, GDO, Sanità, Trasporti, Finance, Telco.

«Applicare gli strumenti di ottimizzazione rappresenta il naturale passo nelle attività di Data Anaytics – prosegue Patacconi - e consente di arricchire il processo decisionale, fornendo alle organizzazioni un reale vantaggio competitivo.

Consideriamo, ad esempio, le difficoltà decisionali nel settore petrolifero o delle Utility dell’energia che ogni giorno devono decidere dove comprare e a quale prezzo, orientandosi tra tantissime fonti e le fluttuazioni dei prezzi.

Implementare il modello con un solver engine semplifica la vita ai professionisti che in azienda si occupano di optimization e ai vision maker che devono gestire la pianificazione.

Il vantaggio di questo tipo di sistemi è che si adattano alle finalità: basta aggiornare il modello con le nuove variabili che in quel momento descrivono le diverse evoluzioni del mondo per ottenere velocemente risultati previsionali estremamente attendibili.

Si prenda ad esempio il caso di una piccola società italiana di noleggio con una flotta di 20mila auto che vuole risolvere il problema di ottimizzare la distribuzione dei veicoli nelle città servite.

Capire in quali città e in quali posti conviene lasciare un’Audi piuttosto che una 500 e per quanto tempo (considerando che in quel momento il modello previsionale evidenzia come vengano utilizzate più macchine a Modena piuttosto che a Cuneo) non è facile e nemmeno scontato.

Anche in questo caso un solver engine è la soluzione ideale per velocizzare i tempi decisionali, efficientare le risorse e dare la risposta, migliore al momento giusto».

Aziende davvero data-driven

La optimization non è un’area che afferisce all’IT. Piuttosto, va considerata una punta di diamante del business. Oggi i CEO e i manager hanno bisogno di informazioni che li aiutino a capire cosa riserva loro il futuro.

Avere a disposizione dati corretti, freschi e rilevati con frequenza è fondamentale. In un mondo così veloce, non basta rivolgere l’attenzione al passato, all’analisi di metriche e KPI basati su serie storiche, alla generazione di statistiche e report a consuntivo per effettuare analisi dei dati sui comportamenti degli utenti o per individuare problemi tecnici o eventi critici.

È dunque fondamentale che il sistema di ottimizzazione utilizzato sia basato su un modello previsionale matematico statistico, oggi ulteriormente potenziato dalle tecnologie di machine learning e deep learning.

Questo permette al modello di integrare ed elaborare sempre più informazioni, garantendo la sua agilità di espansione e interpretazione di tutte le ulteriori variabili.

Oggi è richiesta una crescente capacità previsionale, tale da consentire alle aziende di giocare d’anticipo sugli eventi, di azzerare i margini di errore o di prevedere per tempo i bisogni o le criticità.

Perché essere data-driven significa farsi guidare dai numeri e avere un approccio basato sui dati per prendere decisioni informate, fondate su fatti oggettivi e non su sensazioni personali.

«L’intelligenza aumentata che caratterizza la data economy – conclude Patacconi - applica modelli interpretativi basati sulla ricerca di algoritmi finalizzati a supportare i sistemi di analisi e di sviluppo. I sistemi previsionali aiutano a ridurre quanto più possibile l’indeterminato, aiutando le organizzazioni ad agire in funzione dei reali obiettivi di business.

E questo in qualunque tipologia di azienda e di settore. I solver engine portano velocità ed efficienza in ogni azienda, migliorano la marginalità consentendo di fare saving e di ottimizzare i processi.

Perché, banalmente, una cosa è attendere ore o giorni interi per ottenere una simulazione altra è utilizzare tecnologie come i Solver per realizzare analisi di decine di scenari diversi per poter scegliere quella più coerente e pertinente per la tua azienda in brevissimo tempo adeguandosi rapidamente ai trend di mercato.

Le aziende che hanno introdotto l’optimization già da tempo oggi sono quelle più competitive perché sono state in grado di ridurre quanto più possibile l’indeterminato, per agire in funzione dei reali obiettivi di business.

Aggiungerei anche un’ultima cosa: il ritorno dell’investimento per questo tipo di soluzioni lo si raggiunge già nel breve termine per cui una volta colta l’opportunità, i vantaggi diventano chiari e immediati a tutta l’organizzazione».