Come l’AI può potenziare la servitizzazione

L’uso di strumenti e applicazioni avanzati di intelligenza artificiale permette di ottenere maggiori benefici dalla trasformazione dalla vendita di prodotti a vendita di servizi.

Pubblicato il 18 Feb 2022

robot industriali europa

Il tema della servitizzazione è stato ampiamente trattato in numerosi articoli e studi; è ormai un fatto assodato che ogni azienda stia per affrontare il tema (o lo ha già affrontato), e che la trasformazione totale o parziale da vendita di prodotti a vendita di servizi sia spinta dalla Usership Economy (o anche Subscription Economy come la chiama Tien Tzuo CEO di Zuora), di cui tutti noi consumatori facciamo parte, così come ne fanno parte le aziende clienti.

Come si può vedere, già 10 anni fa le aziende che si erano convertite a modelli di servitizzazione si attestavano intorno al 50% del totale a livello mondiale.

A picture containing chartDescription automatically generated

Il punto è come sfruttare appieno le possibilità che questa trasformazione porta con sé.

I motivi alla base della servitizzazione e i benefici

La servitizzazione si basa sulla fornitura al cliente di un bene o un prodotto sotto forma di servizio: il cliente paga per quello che usa (pay per use o canone o forme ibride di pagamento) e non immobilizza del capitale nell’acquisto del bene. Dall’altro lato il produttore/fornitore ricava un canone per l’uso e per i servizi accessori che gli permette di ottenere una maggiore stabilità e prevedibilità della propria componente finanziaria (la metafora della trasformazione da cacciatore a coltivatore).

Oltre al beneficio della prevedibilità della parte finanziaria esistono anche importanti benefici collaterali per il fornitore:

  • fidelizzazione del cliente (customer retention) – in un rapporto continuativo di servizio si crea una relazione più forte col cliente, che va al di là della mera transazione di vendita di un prodotto basata sul solo rapporto prezzo/qualità
  • possibilità di aggiungere altri servizi (up-selling) – è possibile un incremento nella proposta dei servizi basandosi sulla migliore conoscenza del cliente e dell’uso che ne fa del servizio erogato
  • possibilità di fornire altri servizi (cross-selling) – la conoscenza approfondita dell’uso del servizio da parte del cliente permette al fornitore di proporre e vendere servizi collaterali propri o di altri partner (l’abbonamento del treno più il noleggio dell’auto, l’uso della lavatrice e la fornitura periodica di detersivo, etc etc)
  • miglioramento dei propri prodotti e servizi (continuous improvement) – avendo una base dati costantemente aggiornata il fornitore può conoscere meglio i propri prodotti e servizi e migliorarne costantemente la qualità

Gli strumenti tecnologici alla base della servitizzazione

Alla base della servitizzazione c’è un contratto di servizio tra il fornitore e il cliente, che in linea di massima è basato sulla continua disponibilità del servizio che il cliente utilizza.

Per questo motivo, e anche ai fini della fatturazione a consumo, i servizi adottano una infrastruttura più o meno sofisticata di raccolta e analisi dei dati. Prendiamo ad esempio le auto a noleggio temporaneo, queste hanno sistemi molto sofisticati di bordo che consentono di geolocalizzarle, utilizzarle, verificarne lo stato e la disponibilità (a beneficio sia del cliente sia del fornitore).

Alla base ci sono quindi: sensoristica avanzata e IoT, reti di comunicazioni fisse o mobili, sistemi IT di raccolta dati e di analisi.

Dall’analisi dei dati alla previsione

Ritornando sul tema benefici per il fornitore, che abbiamo visto nel paragrafo precedente, il fornitore si trova di fronte a un parco installato dei propri prodotti in uso dai clienti, e da questo ricava costantemente dati sul loro stato e sul loro utilizzo.

La prima informazione che ne deve ricavare è il loro stato, per assolvere agli obblighi contrattuali (l’auto deve funzionare se il cliente la vuole usare), la seconda informazione è il parametro o i parametri di utilizzo per la fatturazione e la rendicontazione (tempo di uso, oppure tonnellate trasportate, oppure numero di film visti, TB occupati etc. etc.).

I numerosi dati ricavati e depositati nei database del fornitore consentono anche delle analisi di tipo statistico più o meno sofisticate, che consentono di ricavare informazioni che portano a quei benefici collaterali sopra-citati:

  • affidabilità del servizio e manutenzione preventiva – sapere che una parte del sistema movimento terra statisticamente andrà in blocco dopo N ore di utilizzo, consente al fornitore di rimpiazzare preventivamente quella parte critica evitando così fermi macchina che si potrebbero verificare, fermi che porterebbero a due ripercussioni: eventuali penali per la mancata erogazione del servizio e mancati introiti dovuti alla riduzione del servizio (ad esempio meno ore di utilizzo o meno tonnellate trasportate)
  • up-selling e cross-selling – conoscere che il proprio cliente utilizza il servizio in determinati periodi o condizioni correlati ad altri dati, permette di fornire altri servizi propri o di partner (noleggi l’auto sempre in inverno: ti offro a un prezzo poco superiore un SUV 4WD, la usi per andare a sciare: ti offro un abbonamento scontato agli impianti di risalita).

Ma l’analisi statistica come la conosciamo è ormai una tecnica del paleolitico dell’informatica, i sistemi di AI e di machine learning oggi consentono analisi e correlazioni dei dati sempre più estese, veloci e affidabili (grazie a potenze di calcolo sempre maggiori e algoritmi di ricerca sempre più sofisticati).

Non solo analizzano e correlano, ma sono in grado di prevedere con sempre maggiore affidabilità cosa accadrà su un determinato sistema prendendo in esame un numero di dati con profondità temporale e spazio dimensionale sempre più grandi. Qui purtroppo la legge della statistica applicata alla realtà fisica, benché sia dell’era del paleolitico, è sempre valida: maggiori sono i dati campionati e correlati e maggiore è l’affidabilità nella previsione dell’evento.

L’analisi degli eventi in tempo reale (o quasi reale)

Le analisi sopra citate venivano (o vengono) svolte principalmente in modalità differita (o batch): si esegue il modello di calcolo e si attendono (per poco o tanto tempo) i risultati. La raccolta, l’analisi e la previsione degli impatti che un determinato evento può avere, sposta la visione a un livello più alto.

Passiamo dal dominio della AI/ML al dominio della CI (Continuous Intelligence).

La CI coniuga le capacità di analisi e di autoapprendimento dei moderni sistemi di AI/ML con l’analisi in tempo reale degli eventi. Queste tecnologie consentono non solo di “capire” la correlazione tra eventi dispersi e appartenenti a domini diversi ma anche di prevedere il possibile impatto in tempo reale (o quasi reale) di eventi che stanno accadendo.

Facciamo qualche esempio: forniamo a un nostro cliente un servizio che comprende l’uso di abbiamo una serie di macchine movimento terra in un cantiere nell’estremo nord Europa, le previsioni del tempo indicano che la temperatura del cantiere sta per andare a -50°C, che impatto ha questo evento sulla produttività dei nostri sistemi e quindi del servizio erogato? Dalle analisi degli eventi passati, questo porterà a un fermo delle macchine (per esempio, per congelamento dei lubrificanti o dei carburanti)? Che impatto economico avrà sul mio business come fornitore? Quali perdite economiche potrei avere? Posso prevenire in qualche modo o mitigare il disservizio (fornendo ad esempio sistemi di defrosting).

Possiamo traslare questo esempio anche ad altre numerose industry, supponiamo ad esempio di fornire alberi di trasmissione per impianti industriali che li utilizzano ad altissima velocità di rotazione, il mio modello di fatturazione si basa su un con costo mensile fisso più una fee sul numero di giri che compie l’albero di trasmissione installato presso il cliente. La sensoristica a bordo dell’impianto fornisce dati sulle vibrazioni emesse, calore disperso, energia elettrica assorbita, viscosità del lubrificante in circolo. Il cliente riceve una commessa per la lavorazione extra dei suoi prodotti e quindi impiega l’impianto con un tempo di utilizzo superiore alla media storica dell’utilizzo. Quale sarà l’impatto di questo uso intensivo dell’impianto sui miei alberi di trasmissione? Dalla analisi dei dati raccolti che correlano questo evento posso prevedere che sarà necessaria una sostituzione del lubrificante anticipata per evitare un eventuale fermo macchina, quale è il momento maggiormente favorevole per compiere questa operazione di manutenzione preventiva (dopo quanti cicli di lavorazione) sia per ridurre costi di fermo del cliente e per ridurre i miei costi come fornitore (tempo degli addetti, quantità di lubrificante da sostituire, tipologia di lubrificante)?

Le capacità di auto-apprendere dei sistemi di CI

Una delle caratteristiche più interessanti dei sistemi di CI è la loro capacità di auto-apprendere e affinare le proprie previsioni basandosi sui feedback che vengono raccolti postumi agli accadimenti degli eventi, questo rende le previsioni sempre più affidabili e precise man mano che questi sistemi vengono utilizzati. Di fatto le piattaforme di CI diventano automaticamente specializzate nel proprio dominio e nel caso di uso in cui vengono applicate.

Inoltre, le piattaforme di CI possono fornire strumenti di simulazione (what-if) per simulare l’impatto di eventi ipotetici o l’applicazione di modelli matematici differenti da quelli utilizzati.

Vi sono a oggi ancora poche piattaforme di Continuous Intelligence sul mercato. Una delle soluzioni più avanzate è Helicon ed è prodotta dalla società italiana Radicalbit.

Servitizzazione e continuità del servizio

Alla base della servitizzazione vi è la continuità del servizio, fattore che porta allo sviluppo di un legame molto forte tra il fornitore e il cliente. Questo fattore, la continuità di servizio, coincide con la percezione della qualità e può portare a enormi sviluppi di business sia nell’up-selling sia nel cross-selling, ma la continuità del servizio deve essere mantenuta ai massimi livelli evitando interruzioni e ricorrendo fondamentalmente a una manutenzione preventiva e predittiva.

La manutenzione predittiva moderna non si basa più sulla sola analisi statistica differita dei dati provenienti dai sistemi IoT e salvati in enormi database, ma su una analisi supportata da piattaforme di AI/ML in grado di scoprire correlazioni sempre più sofisticate e quindi di rendere più efficace ed efficiente il servizio di manutenzione predittiva.

Le piattaforme di AI/ML sono in rapida evoluzione e hanno spostato la loro focalizzazione da una analisi di dati granulari a informazioni più ampie e ricche di contesto dette eventi, queste piattaforme vengono dette di CI. Le piattaforme di CI svolgono analisi in tempo reale (o quasi reale) e forniscono indicazioni dell’impatto di un evento su uno più scenari di business e/o operativi. Questa previsione diviene sempre più affidabile e vicina alla realtà probabilistica man mano che le piattaforme auto-apprendono dai feedback ottenuti.

Graphical user interface, applicationDescription automatically generated

Conclusioni

Un produttore di beni/prodotti che ha già intrapreso (o sta per intraprendere) la via della trasformazione in vendita di servizi (servitizzazione) ha già compiuto numerosi sforzi per questa trasformazione, sforzi dovuti alla necessità di riorganizzare e modulare le strutture e i processi della azienda (commerciale, produttivo, assistenza, R&D, logistica etc. etc.) a questa nuova modalità di vendita.

Dagli iniziali vantaggi che comporta la trasformazione, principalmente dovuti allo spostamento a un modello economico che porta a un fatturato costante e prevedibile, si possono anche ottenere numerosi ed enormi vantaggi collaterali: maggior fidelizzazione, up-selling, cross-selling, incremento della qualità etc. etc. Questi vantaggi ulteriori nascono da una continuità del servizio portata al suo estremo, che genera una percezione della qualità elevata nel cliente.

Per ottenere una continuità di servizio elevatissima, si possono adottare moderne piattaforme di Continuous Intelligence che, opportunamente predisposte e addestrate, sono in grado di fornire indicazioni in tempo reale (o quasi reale) dell’impatto di un evento su uno o più scenari di business e/o operativi, evento che è accaduto o che ipotizziamo possa accadere in una modalità di what-if analysis.

È quindi auspicabile considerare che nel processo di trasformazione alla servitizzazione si adotti una piattaforma sofisticata di CI, in quanto seguendo la legge di Pareto si potranno ottenere molti maggiori risultati aggiungendo un modesto sforzo aggiuntivo che consiste nella selezione, attivazione e uso di queste piattaforme (80% sforzo della riorganizzazione aziendale e 20% sforzi nella adozione della piattaforma di CI, contro 20% dei benefici ottenuti e 80% di benefici addizionali ottenibili).

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati