RISTORAZIONE 4.0

R&D di algoritmi di customer profiling, demand forecasting e decision support per l’ottimizzazione della gestione dei servizi di produzione e vendita del settore della ristorazione in ottica Industria 4.0

Project data

Cliente: HS Systems
Categoria: Ricerca e sviluppo
Inizio: 3/2017 - Fine : 12/2017

RISULTATI

+
0

KPI monitorati

-
0
%

Prodotti da scartare

+
0
%

Freschezza dei prodotti

-
0
%

Quantità di scorte invendute

OBIETTIVI

Sviluppo di Algoritmi di Customer Profiling / Sviluppo di Algoritmi di Demand Forecasting / Costruzione di un Modulo di Supporto Decisionale
L’obiettvo della ricerca è il disegno di una piattaforma integrata di decision support per sistemi di produzione e vendite nel settore catering.
Il progetto ha avuto lo scopo di identifcare i modelli di supporto alle decisioni applicabili all’area specifica, definire un modello di supporto alle decisioni per il settore catering nella prospettiva Industry 4.0, ricercare e sintetizzare algoritmi innovativi di profilazione dei clienti da applicare al settore del catering e di disegnare, sviluppare e testare un motore di decison-making per l’ottimizzazione della pianificazione ed implementazione di funzioni di “produzione on demand” di un sistema ristorante

SOLUZIONI

Analisi Dati Customer Profiling / Modulo Sales Forecasting / Modulo di Pianificazioni degli ordini
Idea75, con Ristorazione 4.0 ha sviluppato degli algoritmi di descriptive e predictive analytics, per l’efficientamento energetico e la manutenzione predittiva.
Il sistema di supporto decisionale ha la finalità di ottimizzare la pianificazione della produzione attraverso sistemi di previsione della domanda che permettano l’implementazione della production on demand.

MORE IN DEPTH

Soluzioni

L’obiettivo del progetto Ristorazione 4.0 è stato raggiunto progettando un DSS modulare e affidabile, i cui elementi costitutivi principali sono:

  • il primo realizza, a partire dai dati acquisiti, il forecasting delle vendite che viene utilizzato per la determinazione della domanda futura; in tal senso tale modulo è dedicato alla selezione automatica del modello previsionale, sulla base di alcuni criteri generali definiti dall’utente;
  •  il secondo fornisce il supporto alla pianificazione degli ordini, comprendente il metodo di ottimizzazione multiobiettivo;
  • il terzo modulo effettua una analisi di sensitività del sistema al fine di valutarne le prestazioni e fornendo un fronte paretiano di proposte di ordini ottimali secondo alcuni indicatori chiave di prestazione (KPI) cruciali per prodotti freschi e deperibili quali date di scadenza, esaurimento scorte e freschezza.

Risultati

Per la validazione di Ristorazione 4.0, sono state prese in considerazione diversi test case, differenti per categoria di prodotto; ognuno di questi presenta dei vincoli nella vendita:

  • dimensione dei lotti (ordini multipli di una quantità minima);
  • tempi di consegna;
  • tempi di esecuzione (momento di emissione dell’ordine).

La pianificazione della produzione sulla base della previsione delle vendite è stata effettuata tramite l’analisi e il monitoraggio di diversi KPI, come per esempio:

  • Waste (scarti): elementi da eliminare dell’orizzonte temporale di previsione a causa della scadenza del periodo di conservabilità;
  • Freshness (freschezza): età del prodotto all’atto di vendita al consumatore;
  • Stock outs (esaurimento scorte): totale della domanda non soddisfatta alla fine dell’orizzonte temporale di previsione.

Inoltre, sono stati valutati gli indicatori out of samples per sei diversi modelli di previsione e per i diversi metodi di ottimizzazione utilizzati.
Il sistema di supporto decisionale implementato si adatta in modo dinamico ai dati disponibili, selezionando il modello di previsione più appropriato in base a criteri specificati dall’utente (criterio di accuratezza o criterio di variabilità).

Sono stati effettuati dei test comparativi dei risultati ottenuti tramite le tecniche implementate rispetto a tecniche classiche utilizzate come benchmark; l’analisi di sensitività condotta afferma che esiste sempre almeno un modello tra quelli restituiti dal DSS che funziona meglio rispetto a quelli tradizionali.

Analisi degli indici di performance

Metodi di ottimizzazione utilizzati: confronto

DSS: criteri di scelta per il modello di previsione più appropriato

Valutazione degli indici di errore: confronto fra modelli tradizionali e modelli validati dal DSS

STAKEHOLDERS & CREDITS

Hs systems

PARTNER

H.S. Systems offre software di gestione aziendale, analisi e servizi cloud per aiutare le organizzazioni a migliorare le prestazioni e applicare le tecnologie digitali per interrompere il pensiero tradizionale e abilitare nuovi modelli di business.
www.hssystems.it

PROJECT KEYWORDS