Le soluzioni di predictive costing si rivolgono principalmente a chi, come ad esempio i team di preventivazione, deve preparare in tempi rapidi una proposta commerciale per progetti complessi a cui sono associati costi elevati. Si tratta di un’attività che permette di ottimizzare i tempi ma, soprattutto, di minimizzare l’incertezza che caratterizza qualsiasi stima, riducendo il divario tra il costo previsto e quello realmente sostenuto, in situazioni dove un errore può avere conseguenze economiche molto rilevanti.
Una soluzione di predictive costing risponde alle esigenze di aziende che lavorano su commessa e che hanno la necessità di predisporre progetti e lavorazioni ad alto livello di personalizzazione e complessità. Consente, inoltre, di supportare le aziende nella partecipazione ai bandi di gara per l’assegnazione di importanti appalti su progetti articolati che richiedono l’analisi di moltissimi fattori per poter giungere a un preventivo.
Analisi dei dati e modellistica matematica e fisica, le competenze necessarie
Moxoff, nata nel 2010 da uno spin-off del Politecnico di Milano, crede fermamente nel coniugare le competenze di analisi dei dati con quelle di modellistica matematica e fisica, caratteristica unica che ne fa un partner ideale per predisporre soluzioni di predictive costing.
Il vantaggio di Moxoff, che risiede nel suo DNA, è quello di poter affrontare richieste non standard, con il focus di costruire soluzioni customizzate partendo dall’interazione con il cliente e dai suoi specifici processi: un prerequisito che è alla base delle soluzioni di predictive costing. Lo spin-off vanta già un’ampia esperienza sul campo e le “armi” di cui dispone per affrontare tutti i compiti necessari comprendono tool, librerie, routine, funzionalità di back end, API e interfacce grafiche accessibili via Web.
L’approccio metodologico
La metodologia di lavoro con cui Moxoff affronta il tema del predictive costing parte da una fase di assessment delle informazioni relative allo “storico” del cliente per comprendere il livello di complessità, la tipologia di informazioni disponibili, il livello di omogeneità dei dati. Le informazioni esaminate includono, per esempio, gli input del cliente, il fornitore utilizzato, i componenti scelti, i tempi di realizzazione e di approvvigionamento. L’obiettivo di questa fase di assessment è costruire il dataset di riferimento, ovvero l’insieme dei dati che saranno utilizzati per realizzare le analisi e definire i parametri di input.
Successivamente si procede a predisporre il modello per realizzare le prime stime predittive. Le fasi seguenti di validazione e valutazione delle performance garantiscono il necessario miglioramento continuo degli algoritmi previsionali. Parallelamente viene predisposta l’interfaccia utente, per permettere agli utilizzatori finali di prendere confidenza con i modelli e le soluzioni.
Predictive costing nella progettazione di un impianto petrolchimico
Moxoff ha applicato il proprio modello di stima predittiva dei costi per supportare una grande azienda del settore petrolchimico nella preparazione di bandi di gara per la realizzazione di grandi impianti.
Si è partiti con l’analisi delle attività pregresse, per individuare tutti i lavori passati che fossero correlabili all’obiettivo del bando, per sfruttare al massimo l’esperienza già maturata. I progetti realizzati sono stati raggruppati in cluster, individuando criteri di aggregazione che permettessero di definire campioni sia significativi per similitudine, sia sufficientemente numerosi dal punto di vista statistico.
Il passo successivo è stato la costruzione di un modello di stima per ognuno dei cluster individuati mediante un approccio esclusivamente “data driven”. Le variabili indipendenti per ogni modello sono state concordate con il cliente partendo dai parametri che si riteneva avessero il maggiore impatto sulla stima: per esempio, la superficie totale dell’impianto, la location, le tecnologie coinvolte e i materiali da utilizzare.
In questa fase, si sono anche tenute in considerazione le esigenze del cliente rispetto agli input da fornire al modello, prioritizzando le informazioni di facile e rapida acquisizione rispetto a quelle che richiedono un significativo impiego di tempo e persone.
La fase preliminare del progetto è stata verificare, insieme al cliente, la rispondenza tra i criteri consolidati utilizzati all’interno dell’azienda per realizzare queste stime di costo e quelli che i modelli puramente data driven avrebbero previsto. In tal modo, è stato possibile superare possibili incongruenze attraverso un’attività congiunta di comprensione del problema.
Il modello “data driven” è stato quindi ulteriormente raffinato per migliorarne l’accuratezza, introducendo alcune relazioni fisiche del processo: ad esempio, la correlazione tra la capacità produttiva dell’impianto e il diametro medio dei tubi di collegamento, considerando fisse le altre variabili di sistema.
Il modello realizzato non prevede un unico step automatizzato ma è stato suddiviso in più fasi successive. In tal modo, il cliente ha il controllo sul processo potendo intervenire in ogni fase per raffinare la stima e fornire allo step successivo un input sempre più accurato che garantisca una migliore precisione della previsione finale.
Il prossimo sviluppo prevede l’introduzione di componenti di “active learning” per consentire agli algoritmi di imparare dai cambiamenti apportati manualmente.
Predictive costing per componenti meccanici personalizzati
Un ulteriore caso di successo per il predictive costing di Moxoff riguarda la collaborazione con Valland, azienda che progetta e realizza valvole su commessa per il settore Oil&Gas con requisiti sempre diversi in termini di dimensione, forma, resistenza e vincoli operativi. L’esigenza era di produrre preventivi nel tempo più rapido possibile.
In considerazione delle variabilità riscontrate nel campione di dati storici sulle valvole realizzate, Moxoff , ha realizzato un modello basato unicamente sui dati, in cui la stima di costo prevista diventa tanto più accurata quanto più numerosi sono i dati storici assimilabili al nuovo progetto.
Il modello non ha consentito solo di prevedere il costo complessivo per la realizzazione di una nuova valvola, ma anche di stimare i costi associati ai materiali delle varie componenti e a tutte le lavorazioni interessate, da quelle di assemblaggio alle fasi finali di trattamento. Grazie alla procedura guidata da interfaccia, si può realizzare un nuovo preventivo in pochi minuti, rispetto alle molte ore necessarie senza il modello.
La versatilità della soluzione di predictive costing sviluppata da Moxoff offre un ulteriore importante vantaggio.
Il modello è stato sviluppato in modo da potere in futuro associare i costi di materiali, trasporti e lavorazioni a ogni specifico fornitore rendendo così possibile ottenere con un semplice click un confronto immediato e diretto sui costi associati a ogni lavorazione in base al partner scelto.
Questa estensione del modello permette di ampliare la sua natura di tool previsionale, consentendogli di diventare anche un vero e proprio strumento di ottimizzazione dei costi per individuare preventivamente il fornitore e le condizioni che, nel loro complesso, rappresentano la scelta più interessante in termini economici, qualitativi…
Conclusioni
Per le aziende che partecipano a bandi di gara o lavorano a progetto, la rapidità nel riuscire a preparare un preventivo accurato e robusto è fondamentale. Sfruttando i dati storici sulle commesse e sulle offerte passate è possibile costruire algoritmi di predictive costing che fungano da efficace supporto durante la fase di stima. L’opportunità di creare modelli e soluzioni utilizzando l’approccio Moxoff, frutto della fusione tra modellistica matematica e statistica avanzata, permette di migliorare l’accuratezza delle previsioni in contesti nuovi rispetto alle commesse già eseguite in passato, fornendo agli utilizzatori finali un’interfaccia di facile accesso e utilizzo.
