Francesco Massimo Gallo L’intelligenza artificiale può aiutare a leggere migliaia di righe di ordini, raggruppare articoli, individuare anomalie e spiegare i risultati in modo comprensibile. Non può però osservare da sola una corsia congestionata, capire perché un operatore aggira una procedura o stabilire che un dato mancante corrisponda a un’attività realmente avvenuta.
Per questo una diagnosi AI del magazzino non dovrebbe essere presentata come un responso automatico. È più corretto considerarla un’analisi assistita: i calcoli trasformano gli export del gestionale in indicatori e ipotesi; una persona competente controlla dati, metodo e coerenza operativa; l’azienda decide quali ipotesi meritano una verifica sul campo.
Questa distinzione è particolarmente importante per le PMI. Un primo esame può spesso partire da file Excel o CSV già disponibili, senza promettere integrazioni complesse. Ma l’utilità del risultato dipende meno dall’etichetta “AI” e più da tre fattori: qualità degli input, correttezza delle definizioni e capacità di interpretare i numeri nel contesto reale.
Che cosa significa davvero “diagnosi AI”
La formula può comprendere strumenti molto diversi. In una diagnosi prudente, software statistico e regole deterministiche eseguono i calcoli ripetibili: sommano movimenti, classificano referenze, misurano tempi e segnalano valori incoerenti. Modelli di machine learning possono cercare schemi o anomalie quando quantità e qualità dei dati lo consentono. Un modello linguistico può infine aiutare a organizzare il report e tradurre i risultati in domande operative.
Non tutto, quindi, è o deve essere generato dall’AI. Un’analisi ABC è un ordinamento matematico; il tasso di errore richiede numeratore e denominatore definiti; una raccomandazione di slotting deve rispettare vincoli fisici e di sicurezza che potrebbero non comparire nel file. Separare questi livelli rende il risultato più controllabile.
Tre livelli da non confondere
Una diagnosi utile dovrebbe indicare chiaramente:
- Evidenze calcolate, come righe prelevate, frequenza dei movimenti o giorni intercorsi tra due timestamp.
- Interpretazioni, per esempio l’ipotesi che una concentrazione di articoli ad alta rotazione in ubicazioni lontane generi percorsi evitabili.
- Raccomandazioni da validare, come spostare una famiglia di referenze o modificare una regola di riordino.
Il primo livello può essere riprodotto sui dati. Il secondo dipende dal contesto. Il terzo richiede una decisione umana e, spesso, una prova circoscritta.
Gli input minimi per iniziare
Non esiste un tracciato universale, perché ERP e WMS adottano strutture differenti. Per una prima lettura di flussi e assortimento, il nucleo minimo può essere composto da:
- codice articolo stabile;
- identificativo dell’ordine o della missione;
- data del movimento o dell’ordine;
- quantità movimentata;
- tipo o causale del movimento;
- ubicazione, se disponibile.
Per misurare il processo con maggiore precisione servono altri campi: data e ora di rilascio, inizio e fine picking, chiusura, spedizione, operatore o squadra pseudonimizzati, unità di misura, peso, volume, famiglia merceologica, giacenza e rettifiche inventariali.
Il periodo deve rappresentare il funzionamento del magazzino. Poche settimane possono essere fuorvianti in presenza di stagionalità, campagne promozionali o picchi. Dodici mesi permettono spesso di vedere un ciclo completo, ma non sono una soglia obbligatoria: la finestra corretta dipende dal settore e dalle domande da esaminare.
Il dizionario dei dati vale quanto il file
Una colonna chiamata data può indicare creazione, conferma, prelievo o spedizione. Una quantità negativa può essere un reso, uno storno o una convenzione tecnica. Prima di calcolare un KPI bisogna quindi raccogliere un piccolo dizionario: significato dei campi, formato, unità di misura, fuso orario, causali escluse e regole con cui il sistema registra gli eventi.
Senza questa fase, un algoritmo può elaborare perfettamente il dato sbagliato.
Qualità dei dati: i controlli che vengono prima dell’AI
La qualità non coincide con l’assenza di celle vuote. Un dataset può essere completo ma descrivere il processo in modo incoerente. Una verifica iniziale dovrebbe considerare almeno:
- completezza: quanti record mancano dei campi necessari;
- unicità: ordini o movimenti duplicati;
- validità: date, quantità e codici rispettano i formati attesi;
- coerenza: unità di misura, segni e causali sono usati nello stesso modo;
- sequenza temporale: una chiusura non precede l’apertura;
- copertura: reparti, turni e periodi rilevanti sono rappresentati;
- tracciabilità: è possibile risalire dalla metrica ai record di origine.
Gli scarti non vanno semplicemente cancellati. Devono essere contati e descritti, perché possono segnalare un problema di processo. Se una quota rilevante di ordini non ha il timestamp di fine picking, il report dovrebbe dichiararlo e limitare le conclusioni sul tempo di ciclo.
Dati mancanti e falsi zeri
Zero e dato assente non sono equivalenti. Una giacenza pari a zero è un’informazione; una cella vuota può significare “non registrato”. Sostituire automaticamente i vuoti con zero altera medie, percentuali e classificazioni. Anche l’imputazione statistica, quando appropriata, deve essere dichiarata e accompagnata da un’analisi di sensibilità.
Una buona diagnosi produce quindi anche un risultato meno spettacolare ma utile: una scheda di qualità dei dati con anomalie, copertura e limiti di calcolo.
Analisi ABC: utile, ma non è una legge dell’80/20
L’analisi ABC ordina gli articoli secondo un criterio scelto e li suddivide in classi cumulative. Nel magazzino il criterio può essere il numero di prelievi, le righe d’ordine, le unità movimentate, il valore dei consumi o il margine. Queste misure rispondono a domande diverse.
Per lo slotting, frequenza di accesso e righe prelevate sono spesso più informative del solo valore economico. Per le scorte, può essere rilevante il valore annuo di consumo. Un articolo costoso ma richiesto una volta al mese e uno economico prelevato cento volte al giorno non dovrebbero essere trattati allo stesso modo.
Le soglie A, B e C non sono universali. La nota regola 80/20 è una scorciatoia descrittiva, non un risultato garantito. Classi e soglie devono essere esplicitate, calcolate sulla distribuzione reale e, se possibile, confrontate usando criteri alternativi.
Dalla classe alla posizione fisica
L’ABC diventa operativa quando viene collegata alle ubicazioni. Si può verificare, per esempio, se gli articoli con più accessi sono vicini alle aree di consolidamento, se condividono corsie congestionate o se occupano posizioni incompatibili con peso e dimensioni.
Il file può suggerire un disallineamento, ma non autorizza uno spostamento automatico. Compatibilità dei materiali, portata delle scaffalature, ergonomia, lotti, scadenze, rischio incendio e sequenze di prelievo richiedono informazioni ulteriori e responsabilità competenti.
KPI: pochi, definiti e leggibili insieme
Un report pieno di indicatori non è necessariamente più utile. È preferibile scegliere KPI collegati alle decisioni e accompagnarli con formula, fonte, periodo e perimetro.
Produttività di picking
Può essere espressa come righe, unità o ordini per ora lavorata. Il denominatore deve chiarire se include pause, attese, rifornimenti e controllo. Confrontare valori costruiti con perimetri diversi genera un benchmark falso.
Tempo di ciclo
Misura l’intervallo tra due eventi definiti, per esempio rilascio dell’ordine e disponibilità alla spedizione. Media, mediana e percentili raccontano aspetti differenti: la media risente dei casi estremi, mentre il 90° percentile aiuta a vedere cosa accade agli ordini più lenti.
Accuratezza ed errori
Un tasso di errore può riferirsi a ordini, righe o unità. Resi, rilavorazioni e rettifiche non sono sempre errori di picking. Occorre distinguere le causali e verificare come vengono registrate.
Rotazione e copertura delle scorte
La rotazione mette in relazione consumo o costo del venduto e giacenza media; i giorni di copertura traducono lo stock nel tempo atteso di utilizzo. Entrambe le misure dipendono dalla qualità delle giacenze e dalla stagionalità. Non indicano da sole il livello di servizio né il rischio di stockout.
Utilizzo dello spazio
La percentuale di ubicazioni occupate non equivale alla saturazione volumetrica. Un pallet in una locazione può segnarla come occupata anche se usa solo parte del volume. Inoltre, avvicinarsi al 100% può ridurre la flessibilità e aumentare movimentazioni e congestione. Va quindi distinta la capacità teorica da quella operativamente utilizzabile.
I KPI devono essere letti insieme. Aumentare le righe orarie peggiorando accuratezza o sicurezza non rappresenta un miglioramento complessivo.
Benchmark: confronto, non verdetto
Un benchmark ha valore solo se definizioni e contesto sono comparabili. Settore, profilo degli ordini, automazione, numero di SKU, unità movimentate, orari, layout e livello di servizio influenzano fortemente i risultati.
Le medie pubbliche possono offrire un orientamento, ma non stabiliscono automaticamente che un magazzino sia efficiente o inefficiente. Anche un confronto interno può essere prezioso: andamento mese su mese, turni con mix simile, famiglie di prodotto o periodo precedente e successivo a una modifica.
Una diagnosi dovrebbe riportare la fonte del benchmark, l’anno, il campione, la formula e le differenze note rispetto all’azienda. Se questi elementi mancano, è più onesto presentare il valore come riferimento esplorativo.
Come trasformare l’analisi in raccomandazioni
Una lista generica di “best practice” serve poco. Ogni raccomandazione dovrebbe collegare:
- evidenza osservata;
- possibile causa, dichiarata come ipotesi;
- azione da valutare;
- beneficio atteso e metrica con cui verificarlo;
- vincoli, rischi e dati ancora mancanti;
- impegno indicativo, senza promettere tempi o ritorni non misurati.
Se il 15% delle referenze genera una quota elevata delle righe e si trova in zone periferiche, il passo successivo non è “spostare tutto”. Può essere una verifica su planimetria e percorsi, seguita da un test su poche referenze compatibili. Prima e dopo il test si misurano distanza, tempo, errori e congestione.
Le priorità possono essere ordinate per impatto potenziale, confidenza dell’evidenza, facilità di verifica e rischio. Questa matrice non sostituisce il giudizio aziendale, ma rende esplicito perché un intervento viene prima di un altro.
Perché la revisione umana è indispensabile
La revisione non dovrebbe limitarsi a correggere lo stile del report. Deve controllare formule, campioni, esclusioni, outlier e coerenza tra evidenza e conclusione. Deve inoltre coinvolgere chi conosce il lavoro: responsabile di magazzino, operatori, amministrazione o IT, secondo il tema.
Il confronto può far emergere informazioni assenti dai dati: un cambio di WMS, un cliente con confezionamento speciale, una zona temporaneamente chiusa o una procedura adottata per sicurezza. Sono dettagli capaci di rovesciare un’interpretazione apparentemente solida.
L’AI può anche produrre spiegazioni plausibili ma non supportate. Per ridurre questo rischio, numeri e tabelle dovrebbero provenire da elaborazioni riproducibili; ogni affermazione importante dovrebbe rimandare a una metrica; le ipotesi dovrebbero essere etichettate come tali; la versione finale dovrebbe avere un responsabile umano.
Privacy e sicurezza dei dati
Un export logistico può contenere nomi di clienti, indirizzi, contatti, codici operatore o note libere. Non tutti questi dati sono necessari per analizzare l’efficienza. Il principio di minimizzazione previsto dal GDPR richiede di trattare dati adeguati, pertinenti e limitati alle finalità.
Prima del trasferimento conviene quindi rimuovere campi non necessari e pseudonimizzare gli identificativi che devono restare collegabili. Pseudonimizzare non equivale ad anonimizzare: se il collegamento a una persona è ancora possibile, i dati restano personali e soggetti alle tutele applicabili.
Ruoli privacy, finalità, base giuridica, tempi di conservazione, fornitori e luogo del trattamento devono essere chiariti prima di un eventuale servizio. Servono canali di trasferimento protetti, accessi limitati, cifratura appropriata, registrazione delle operazioni e cancellazione verificabile. Il GDPR richiede misure tecniche e organizzative adeguate al rischio, non una formula identica per ogni progetto.
Se vengono utilizzati fornitori AI esterni, vanno verificati condizioni contrattuali, uso dei dati, conservazione, sub-responsabili ed eventuali trasferimenti internazionali. Dati aziendali o personali non dovrebbero essere incollati in strumenti pubblici senza una valutazione preventiva.
I limiti da dichiarare prima di iniziare
Una diagnosi basata su export storici:
- descrive ciò che il sistema ha registrato, non tutto ciò che è accaduto;
- individua correlazioni e anomalie, non dimostra automaticamente le cause;
- non sostituisce sopralluogo, valutazione ergonomica o verifica della sicurezza;
- non garantisce risparmi, perché l’impatto dipende dall’esecuzione;
- può essere distorta da stagionalità, cambi di sistema e dati incompleti;
- non decide investimenti, organici o modifiche organizzative;
- non rende confrontabili KPI definiti in modo diverso.
Un limite dichiarato non riduce il valore dell’analisi. Stabilisce il confine entro cui il risultato può sostenere una decisione.
Un servizio di questo tipo sarebbe utile alle PMI?
Stiamo valutando, non ancora offrendo, un servizio di diagnosi iniziale per PMI. L’ipotesi è partire da un export Excel o CSV e restituire una lettura strutturata: controllo della qualità, analisi ABC, KPI calcolabili, anomalie, domande aperte e priorità da verificare con una persona competente.
Non abbiamo ancora validato il formato definitivo, il processo, i tempi o il prezzo. Prima di costruire il servizio vogliamo capire quali dati le aziende riescono davvero a esportare, quali risultati considerano utili e quanto valore attribuiscono a un report una tantum.
Sai quanto ti costa oggi l’inefficienza del magazzino?
Compila il breve questionario: ci aiuterai a capire se una diagnosi rapida basata sui dati può essere utile alle PMI italiane. Se vorrai, potrai anche lasciare un contatto per partecipare a un eventuale test pilota.
FAQ
Serve già un WMS?
Non necessariamente. Un primo esame potrebbe partire da export ERP, WMS o fogli strutturati, purché campi e significato siano documentati. L’assenza di timestamp o ubicazioni limiterà però i KPI calcolabili.
Quanti mesi di dati servono?
Non esiste una durata valida per tutti. Il periodo dovrebbe includere un volume sufficiente e rappresentare stagionalità e picchi rilevanti. Dodici mesi possono essere utili, ma la scelta va motivata caso per caso.
L’AI può dire dove spostare ogni articolo?
Può proporre candidati sulla base di frequenza, quantità e ubicazione. Non conosce automaticamente vincoli fisici, sicurezza, compatibilità, ergonomia o regole operative. Ogni spostamento richiede verifica umana.
Il report può quantificare il risparmio?
Può stimare scenari se sono disponibili dati affidabili su tempi, costi e volumi, dichiarando ipotesi e intervalli. Non può garantire un risparmio futuro né attribuire con certezza ogni differenza a una singola causa.
I dati devono contenere nomi di clienti o operatori?
Per molte analisi no. I dati personali non necessari dovrebbero essere rimossi; gli identificativi indispensabili possono essere pseudonimizzati. Il trattamento concreto deve comunque essere valutato e documentato.
Una diagnosi da remoto sostituisce il sopralluogo?
No. Può circoscrivere le domande e indicare dove approfondire. Layout, percorsi reali, congestione, ergonomia e comportamenti operativi richiedono osservazione e confronto con le persone.
Fonti e approfondimenti
- Parlamento europeo e Consiglio, Regolamento (UE) 2016/679, in particolare articoli 5, 25, 32 e definizione di pseudonimizzazione:
https://eur-lex.europa.eu/eli/reg/2016/679/oj - Garante per la protezione dei dati personali, FAQ sul Regolamento europeo:
https://www.garanteprivacy.it/regolamentoue - NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023:
https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf - NIST, AI RMF Generative Artificial Intelligence Profile, 2024:
https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf - ASCM, SCOR Digital Standard — quadro di riferimento per processi e metriche supply chain:
https://www.ascm.org/corporate-solutions/standards-tools/scor-ds/ - LIUC, Logistics Cost Monitor 2026:
https://liuccomunicatistampa.blogspot.com/2026/05/il-costo-della-logistica-in-italia-pesa.html
