1. APPLICAZIONE PRINTING INDUSTRY
RICOH
http://www.smartoperations.it
info@smartoperations.itSede Legale: Via Madonna del Piano 6, CAP 50019 - Sesto Fiorentino (FI) P.IVA 06498400487
Sede Operativa: Piazza Ciardi, 25 59100 Prato (PO) - c/o PIN s.c.r.l.
Smartoperations s.r.l.
A spin-off company from:
2. Obiettivo generale
Riprogettare il sistema di supporto alle decisioni utilizzato per la gestione e validazione degli
ordini di consumabili e parti di ricambio di Ricoh Italia.
Ricoh Italia gestisce circa 300.000 stampanti
dislocate sul territorio nazionale, di cui circa il
25% (75.000) sono connesse al network con invio
giornaliero dei dati tramite applicativo @remote,
che consente l’ordine automatico dei
consumabili.
In generale, i canali attraverso cui il cliente può
effettuare gli ordini sono molteplici (tramite
piattaforma web, per email, per telefono, con
@remote,…) e per questo è richiesto un controllo
puntuale che coinvolge anche operatori di back-
office specializzati.
2
3. Criticità del processo di validazione
Il processo di validazione degli ordini è un’attività critica per l’azienda: per il suo modello di
business PaaS (Printing as a Service), infatti, è fondamentale eseguire un controllo attento degli
ordini eseguiti dai clienti al fine di garantire una buona redditività dei contratti in essere:
3
4. Understand: Comprendere e
identificare i problemi attuali
Ideate: Ideare nuove soluzioni
Test: Testare e validare
l’usabilità e la fattibilità
Prototype: Progettare e
codificare le soluzioni ideate
L’approccio
La riprogettazione di un nuovo
sistema di supporto decisionale
costituisce il caso ideale per
l’applicazione del nostro approccio
Data2Action® perché non si tratta di
un progetto IT ma si tratta di
comprendere meglio il business ed
individuare i problemi per:
1. Incrementare la profittabilità;
2. Migliorare la customer
experience.
Developed by: D2A website:
4
5. L’approccio - Ideate
I processi sono stati mappati con gli strumenti tipici del Service Design Thinking: personas,
avatar, journey map e job-to-be-done ne sono un esempio.
5
6. L’approccio – Ideate/Prototype
Per ciascun processo
(o problema) è stato
ideato e prototipato
concettualmente (i.e.
su un foglio di carta) il
dashboard con quei
KPI che l’attore
(operatore, manager, …
responsabile del
corrispondente
processo) avrebbe
bisogno come
strumento di supporto
alle decisioni.
A1-C1 A1-C2 A1-C3 A1-C4
A2-C1 A2-C2
6
7. L’approccio – Prototype
Per procedere con la trasformazione del prototipo concettuale
nel prototipo «digitale» del cruscotto, occorre:
• Identificare le informazioni chiave (Target
Data) presenti nel prototipo di cruscotto;1
• Estrarre dalle fonti aziendali (DB) i dati
sorgente (Source Data) necessari ad
ottenere i dati target;2
• Trasformare ed elaborare i dati sorgente
per ottenere i dati target necessari per
creare il prototipo;3
• Visualizzazione dei target data attraverso
un cruscotto interattivo.4 7
8. L’approccio – Prototype
• Identificare le informazioni chiave (Target Data) presenti nel prototipo di cruscotto;
1
TONER REMAINING – BR:
% TONER RIMANENTE AL
MOMENTO DELLA
SOSTITUZIONE
MODELLO
NOME DEL
CLIENTE
NUMERO DI
STAMPANTI
SOTTO
CONTRATTO
SOGLIA DI
RIORDINO
AUTOMATICO
Per ogni prototipo di cruscotto, sono state individuate le informazioni (Target Data) necessari per il suo
sviluppo.
8
9. • Estrarre dalle fonti aziendali (DB) i dati sorgente (Source Data) necessari ad
ottenere i dati target;2
L’approccio – Prototype
Trattandosi di un db strutturato, sono stati utilizzati script SQL per estrarre i dati necessari; laddove non è
stato possibile fare un coerente filtraggio dei valori, l’attività di data cleaning è portata avanti nella fase
successiva.
9
10. • Trasformare ed elaborare i dati sorgente per ottenere i dati target necessari
per creare il prototipo;3
L’approccio – Prototype
In questa fase sono state utilizzate le librerie Python, prima per fare data cleaning (con numpy, pandas) e
poi per trasformare – tramite opportune elaborazioni – i dati in informazioni più o meno aggregate (target
data) distinte per ciascun dashboard.
10
11. • Trasformare ed elaborare i dati sorgente per ottenere i dati target necessari
per creare il prototipo;3
L’approccio – Prototype
In alcuni casi, oltre alla combinazione e selezione dei campi estratti con SQL, tramite il pacchetto scikit-
learn in Python sono stati sviluppati appositi modelli di ML (SVR, SVC,…) per effettuare predizioni sulla
base dello storico dati disponibile, mediante un’attenta:
• Selezione degli attributi;
+1mlnrecords
+ 50 attributi
+1mlnrecords
+ 30 attributi
11
12. • Trasformare ed elaborare i dati sorgente per ottenere i dati target necessari
per creare il prototipo;3
L’approccio – Prototype
• Scelta ottimale dei parametri (iterazione sulla
tipologia di keras, sull’entità della funzione
penalità,...);
• Validazione e test dei risultati.
Tutto questo per garantire l’ottimizzazione dei tempi di calcolo ed una buona accuratezza delle
predizioni del modello ML (in questo caso, fino al 99,5%!).
12
13. • Visualizzazione dei target data attraverso un cruscotto interattivo su Microsoft
Power BI.4
L’approccio – Prototype
I target data ottenuti sono stati
quindi importati all’interno di
Power BI per creare i cruscotti
ideati all’inizio della fase di
prototipazione.
La scelta di utilizzare questo
tipo di strumento è legata sia
alla sua facilità di utilizzo ma
anche perché abilita l’utente
finale ad effettuare ulteriori
analisi e creare differenti
personalizzazioni, ma non è
vincolante.
13
14. L’approccio - Test
Attualmente i cruscotti creati nella fasi
precedenti sono in fase di testing da parte
degli operatori e manager: sulla base del
loro utilizzo quotidiano, forniranno quei
feedback utili sotto molteplici aspetti:
dall’affinamento delle analisi dati eseguite
fino alla riprogettazione dei cruscotti stessi.
In questo processo iterativo, uno degli
output più importanti dell’approccio D2A è
stata la definizione, a partire dai target
data, di quei dati che mancano e che
dovrebbero essere raccolti dalle
macchine: di fatto questo ha costituito un
input molto importante per l’IT aziendale per
guidarlo nell’ottimizzazione del sistema di
raccolta dati.
14
15. CONTACT
www.smartoperations.it
info@smartoperations.it
Sede Legale: Via Madonna del Piano 6, CAP 50019 - Sesto Fiorentino (FI) P.IVA 06498400487
Sede Operativa: Piazza Ciardi, 25 59100 Prato (PO) - c/o PIN s.c.r.l.
Smartoperations s.r.l.
Cosimo Barbieri
Mech. Eng., PhD Student
Partner, project manager
Keywords: Data Analyst, Python developer, ML, service
design, Design Thinking, Digital Twin.
Mail: cosimo.barbieri@smartoperations.it