Il contesto del cliente è quello di un produttore per grandi numeri ma con buona parte delle lavorazioni di tipo manuale: un contesto artigianale portato ad elevati ritmi di produzione.

Le principali esigenze che hanno fatto definire gli obiettivi di progetto erano le seguenti:

• Visualizzare e valutare il reale svolgimento delle lavorazioni in stabilimento. Calcolare, ad esempio, il LEAD Time Reale di produzione per tipologie di prodotto, avendo come unici dati i log di fine lavorazione dei batch di produzione
• Rendere graficamente lo svolgimento dei veri processi realmente eseguiti, a livello di pezzo di produzione, per analizzare le situazioni anomale
• Utilizzare i dati storici dei processi e algoritmi di Intelligenza Artificiale per anticipare ritardi e anomalie di produzione, così da attivare sistemi di allarmi sul processo in corso.

Realizzare il Digital Twin del processo produttivo, ovvero il gemello digitale del processo che consentisse di Analizzare, Monitorare e Predire il processo di produzione.

La soluzione implementata ha richiesto varie competenze specialistiche: data analytics, AI, system integration, UI ad UIX design, implementazione sia piattaforme a microservizi. 

Capacità di Analisi e Navigazione dei Processi Aziendali: La piattaforma mostra mappe visive che identificano percorsi critici e inefficienze nei processi consentendo analisi approfondite e navigazioni interattive;

Predictive Process Monitoring: la piattaforma e i suoi algoritmi di Machine Learning può anticipare problemi come ritardi o sovraccarichi di lavoro, prima che si verifichino identificando Allarmi e Notifiche e consentendo un vero Supporto Decisionale in real time .

Simulazione di Scenari di Processo: Gli utenti potranno creare scenari ipotetici per esplorare le conseguenze di modifiche ai processi, come l’introduzione di nuove stazioni di lavoro o l’aumento  di ordini di certe tipologie di prodotto consentendo valutazione dell’Impatto testando  e ottimizzando  i processi in un ambiente virtuale.

La piattaforma utilizza un’architettura modulare

• Process Mining Service: Coordina le interazioni tra frontend e core.
• Frontend Widgets: Moduli per visualizzare dati e analisi.
• ProcessMining Core: Modulo indipendente con API REST per analisi e simulazione.
• AI Layer: Monitoraggio predittivo e simulazione di scenari.

ll progetto implementato ha affrontato vari aspetti della gestione e ottimizzazione dei processi aziendali.

Principali Complessità

Tecnologica: Il progetto ha richiesto l’integrazione di diverse tecnologie avanzate, tra cui l’intelligenza artificiale per il predictive process monitoring oltre che gli algoritmi di  process mining, e numerose funzioni di analisi dati e dashboarding. La capacità di gestire e analizzare grandi volumi di dati in tempo reale ha aumentato la complessità tecnica.

Processuale: Adattare e ottimizzare i processi esistenti attraverso il process mining ha comportato la mappatura dettagliata e l’analisi di flussi di lavoro complessi, identificando inefficienze e colli di bottiglia. Analizzare i lead time di processo in un contesto di produzione a batch con l’utilizzo di un alto numero di buffer di produzione ha richiesto una normalizzazione ed esplosione dei dati degli eventi di produzione per essere correttamente analizzati dal process mining.

Fase di Pianificazione e Progettazione: Le prime fasi di mappatura e analisi dei processi, con la creazione di numerosi Proof Of Concept a vari livelli,  hanno richiesto diversi mesi (6 mesi).

Implementazione e Testing: La realizzazione della soluzione ha esteso il calendario di implementazione per ulteriori mesi (6 mesi).

Aspetti Organizzativi

Coinvolgimento Stakeholder: Il progetto ha richiesto un forte coinvolgimento da parte dei, manager di processo e team IT. Fondamentale é stato il coinvolgimento dei responsabili di produzione e dell’ottimizzazione di processo.

Risultati e Benefici: aumenta la conoscenza, riduce tempi e sprechi, migliora decisioni e produttività, 

Elementi distintivi di reale innovatività/originalità e replicabilità della soluzione. Il progetto ha consentito di lanciare PULSE la piattaforma di process mining di Neosperience in un’ ottica di espandibilità e replicabilità business oltre che tecnica.

La piattaforma di process mining  Pulse ha una serie di elementi innovativi e originali che offrono un vantaggio competitivo distintivo e, allo stesso tempo, dimostrano la sua replicabilità in vari contesti industriali. 

Replicabilità:

1. Flessibilità Settoriale: La piattaforma è applicabile in vari settori, dalla manifattura alla sanità, dalla finanza al retail, indicando la sua vasta applicabilità e la capacità di adattarsi a diverse necessità e processi specifici di settore.

2. Scalabilità: Pulse è scalabile sia in termini di capacità di elaborazione che di dimensione dell’organizzazione, rendendola adatta per piccole imprese così come per grandi multinazionali.

3. Costi e Implementazione: La struttura dei costi di Pulse, che enfatizza un modello più accessibile rispetto ad altre soluzioni sul mercato, insieme alla sua facilità di implementazione, rendono questa piattaforma replicabile e attraente per una vasta gamma di potenziali utenti.

Questi elementi non solo definiscono il valore aggiunto di Pulse nel contesto del process mining, ma ne facilitano anche l’adozione in contesti diversificati, aumentando il suo potenziale impatto sull’efficienza e l’innovazione operativa nelle organizzazioni.