Informazioni sui cookie del presente sito Per il corretto funzionamento, i nostri siti Web richiedono alcuni cookie (richiesto). Inoltre, con il suo consenso, potrebbero essere utilizzati altri cookie per l'analisi dell'utilizzo del sito, per migliorare l'esperienza utente e per scopi pubblicitari. Per ulteriori informazioni, consultare le. Visitando il nostro sito web, accettate il trattamento delle informazioni da parte nostra come descritto nelladichiarazione sulla privacy di IBM. Per consentire una corretta navigazione, le preferenze per i cookie dell'utente verranno condivise sui domini Web IBM qui elencati.
Home
Case Studies
Fornitore di energia elettrica
Il rilevamento dei processi basato sull’AI aiuta ad accelerare l’approvvigionamento di parti della rete
In che modo la soluzione IBM Process Mining completa la trasformazione di un servizio pubblico
Per i fornitori di energia elettrica, che si occupino di generazione o distribuzione, i valori della sicurezza e dell'affidabilità sono fondamentali per il proprio modello operativo e quindi intrinseci a quasi tutte le decisioni che prendono.
L'attenzione crescente per il cambiamento climatico e la sostenibilità non hanno indebolito l'importanza di questi valori fondamentali per le aziende elettriche, ma hanno presentato una nuova serie di sfide operative per poterle soddisfare. La gestione degli asset è al centro di tutto.
Per mantenere la rete operativa, i fornitori devono ridurre al minimo l'impatto delle apparecchiature usurate o guaste. Questo è uno dei motivi principali per cui molti stanno adottando l'analytics avanzata per prevedere i guasti ed eseguire una manutenzione proattiva per prevenirli. Una volta generato un ordine di servizio, pianificato o non pianificato, spetta all'approvvigionamento procurarsi le parti (ad esempio trasformatori, interruttori automatici e isolanti) necessarie per completare il lavoro. Più lunghe sono le tempistiche, maggiore è il rischio potenziale per le prestazioni della rete. Questa è una delle ragioni per cui l'efficienza del processo procure-to-pay (P2P) ha assunto un'importanza crescente per i fornitori di energia.
Un altro motivo è il costo. Nel mercato deregolamentato di oggi, ridurre al minimo il costo totale dei beni acquistati è un obiettivo fondamentale. Quando i dipendenti fanno "acquisti fuori controllo", ovvero non attenendosi al flusso previsto dal processo di approvvigionamento, il costo e l'efficienza ne subiscono le conseguenze. Innanzitutto, tali acquirenti finiscono per pagare di più perché non possono usufruire dei vantaggi in termini di costi previsti dai contratti stabiliti con i fornitori.
Anche altri tipi di deviazione dal processo, in particolare l'acquisto senza un ordine di acquisto (PO) o la creazione di un PO senza un ordine di servizio, aumentano i costi perché richiedono un lavoro supplementare per essere risolti. Questo perché il tempo impiegato a risolvere fatture errate o non corrispondenti può aumentare notevolmente le spese amministrative, oltre a distogliere il personale addetto agli approvvigionamenti dagli aspetti più strategici del proprio lavoro.
Tempi di consegna ridotti
Accesso all'opportunità di ridurre dell'80% il tempo di consegna medio degli ordini
Flusso di processo ottimizzato
Mappatura di un flusso di processo ottimizzato che riduce del 67% le fasi del processo stesso
I modelli di AI identificano il flusso reale del processo
Un grande e diversificato fornitore di energia elettrica degli Stati Uniti aveva riscontrato problemi legati agli acquisti fuori controllo ed era intenzionato a risolverli. Ciò significava approfondire i dati storici sugli acquisti per ottenere una comprensione granulare di dove si stava verificando il problema e, da lì, valutarne la reale portata. L'azienda si è rivolta a myInvenio, una società IBM, per mettere a frutto l'analytics dei processi.
Utilizzando IBM® Process Mining, uno strumento di rilevamento e modellazione dei processi che fa parte della soluzione IBM® Cloud Pak for Business Automation, il team ha lavorato a stretto contatto con il responsabile dell'approvvigionamento dell'azienda. Nella prima parte del progetto, il team ha acquisito circa un anno di flussi di dati dal modulo di acquisto della suite IBM® Maximo Utilities, la principale piattaforma di gestione degli asset dell'azienda. I flussi hanno coinvolto principalmente i reparti acquisti e contabilità di magazzino dell'azienda, che si estendono su più settori di attività (LoB - lines of business).
Una volta immessi i dati in IBM Process Mining, i modelli sottostanti basati sull'AI li hanno scomposti in mappe rivelatrici di ogni fase del processo P2P - dalla richiesta e ordine di acquisto alla ricezione e fatturazione - per ogni LoB. Per il responsabile degli acquisti, il valore di questi modelli non risiedeva solo nella loro capacità di individuare i problemi dei flussi prevalenti "così come sono", ma anche la capacità di dare uno sguardo nuovo, basato sui dati, a quello che poteva essere il processo ideale , spesso chiamato "percorso felice". "Abbiamo ottenuto una visione che non avevamo mai avuto prima di ciò che stava realmente accadendo nei nostri processi P2P", spiega. "E ci ha anche fornito una prospettiva più obiettiva su come fosse il processo di base ottimale, non da parte degli esperti dei processi, ma dai dati stessi".
Tra i principali risultati del modello c'è stata la scoperta che solo il 20% delle attività di acquisto legate ai materiali (acquisto di pezzi di ricambio e simili) seguivano il percorso di approvvigionamento ottimale. Per l'80% delle attività che non si sono conformate al percorso felice, il tempo di consegna medio degli ordini è risultato più lungo di oltre il 30%, soprattutto a causa del tempo extra speso per la corrispondenza delle fatture e la rielaborazione degli ordini.
Gli appalti di servizi sono andati leggermente meglio. Mentre il modello IBM Process Mining ha rilevato solo 10 fasi nel percorso di processo ottimale, il percorso medio non conforme è risultato averne quasi 30. Per il responsabile degli acquisti, capire perché è stata una vera rivelazione. "Sapevamo che la rielaborazione degli ordini era un problema significativo", afferma. "Ma il fatto che oltre il 50% degli ordini di appalto di servizi la richiedesse è stata una vera sorpresa e i dati hanno dimostrato che si trattava di un problema reale".
Gli insight come roadmap per la trasformazione dei processi
Il progetto intrapreso dal fornitore di energia elettrica ha raggiunto il suo obiettivo: mappare il modo in cui si stava realmente svolgendo l’approvvigionamento, insieme agli impatti sulle metriche chiave delle prestazioni. Secondo il responsabile degli acquisti, il vero potere del progetto risiede nella guida che è in grado di fornire agli sforzi di trasformazione dei processi aziendali. "Utilizzando dati reali e l'AI per mappare i flussi dei nostri processi di approvvigionamento, abbiamo anche acquisito quella che è una potenziale roadmap per trasformarli", dice. "Ci fornisce un quadro rigoroso per comprendere su cosa concentrarci per migliorare e, ove possibile, automatizzare i diversi elementi del flusso del processo".
E questo riporta l’argomento a ciò che conta di più per i fornitori di energia elettrica: fornire energia sicura e affidabile ai propri clienti. In altre parole, le buone pratiche di approvvigionamento - efficienti, standardizzate ed economiche - si inseriscono nella più ampia strategia di gestione degli asset di un'azienda.
A livello pratico, sottolinea il responsabile degli acquisti, gli insight sui processi basati sui dati aiutano a sostenere le iniziative di trasformazione. "Con un framework di modellazione dinamica dei processi basato sull'AI, possiamo simulare come la riduzione dei processi non conformi possa ridurre il tempo medio di consegna degli ordini delle parti", spiega. "Si tratta di un aspetto fondamentale in un caso di business, ed è per questo che la soluzione IBM Process Mining è uno strumento così potente".
Con sede negli Stati Uniti, questa società energetica serve milioni di clienti residenziali, commerciali e industriali al dettaglio in diversi stati, compresi alcuni dei mercati energetici più competitivi.
Il cliente descritto in questo caso di studio aveva inizialmente preso contatto con myInvenio, che ha iniziato a operare come IBM il 1° agosto 2021. Il prodotto di myInvenio presentato in questo case study, ovvero myInvenio Process Mining, ora è stato ribattezzato come IBM Process Mining.
Legale
© Copyright IBM Corporation 2022. IBM Corporation, Watson and Cloud Platform, New Orchard Road, Armonk, NY 10504
Prodotto negli Stati Uniti d'America, marzo 2022.
IBM, il logo IBM, ibm.com, IBM Cloud Pak e Maximo sono marchi di International Business Machines Corp., registrati in diverse giurisdizioni del mondo. Altri nomi di prodotti e servizi potrebbero essere marchi registrati di IBM o di altre società. Un elenco aggiornato dei marchi IBM è disponibile sul web in "Copyright and trademark information" all'indirizzo ibm.com/trademark.
Le informazioni contenute nel presente documento sono aggiornate alla data della prima pubblicazione e possono essere modificate da IBM senza preavviso. Non tutte le offerte sono disponibili in ogni Paese in cui opera IBM.
Gli esempi citati relativi a dati di prestazione e clienti sono presentati unicamente a scopo illustrativo. Gli attuali risultati in termini di performance possono variare a seconda delle specifiche configurazioni e delle condizioni operative. LE INFORMAZIONI RIPORTATE NEL PRESENTE DOCUMENTO SONO DA CONSIDERARSI “NELLO STATO IN CUI SI TROVANO”, SENZA GARANZIE, ESPLICITE O IMPLICITE, IVI INCLUSE GARANZIE DI COMMERCIABILITÀ, DI IDONEITÀ A UN PARTICOLARE SCOPO E GARANZIE O CONDIZIONI DI NON VIOLAZIONE. I prodotti IBM sono coperti da garanzia in accordo con termini e condizioni dei contratti sulla base dei quali vengono forniti.