“From Data to Value”: un modello per caratterizzare le offerte prodotto-servizio data-driven - Industry 4 Business

Digital Servitization

“From Data to Value”: un modello per caratterizzare le offerte prodotto-servizio data-driven

I ricercatori di ASAP hanno sviluppato uno studio intitolato “From Data to Value” che ha viste coinvolte 7 importanti aziende operanti in diversi settori proponendo un nuovo framework per definire e progettare offerte integrate di prodotto e servizi avanzati partendo dai “Data-Driven Product Service Systems” – DDPSS

29 Gen 2021

Federico Adrodegari

Ricercatore post-doc presso il Laboratorio RISE dell’Università degli studi di Brescia

Michela Zambetti

Cosimo Barbieri

Ricercatore Laboratorio IBIS, Università di Firenze, ASAP Service Management Forum

L’esplosione delle tecnologie digitali e delle annesse capacità di analisi dei (big) dati, stanno avendo un radicale impatto sulle aziende, anche quelle più tradizionali. Ad esempio, sono sempre più le aziende manifatturiere che, grazie l’utilizzo dei dati provenienti da prodotti e clienti connessi, stanno oggi ripensando le loro offerte, espandendo l’offerta di prodotti con nuovi e sempre più avanzati servizi (digital servitization). Oggi, la possibilità di collegare prodotti, creare nuove architetture e piattaforme verso il cliente, consente infatti alle aziende di disporre di informazioni su prodotti e clienti prima nemmeno immaginabili. Analizzare questi dati rappresenta quindi non solo un’opportunità ma, sempre più, una necessità per continuare a competere nel mutato contesto. Attenzione però: definire e progettare attraverso dati ed informazioni queste nuove offerte integrate di prodotto e servizi avanzati (i.e. “Data-Driven Product Service Systems DDPSS) è però tutt’altro che semplice. Al fine di meglio investigare questo tema, i ricercatori di ASAP hanno quindi sviluppato uno studio intitolatoFrom Data to Value” che ha viste coinvolte 7 importanti aziende operanti in diversi settori. Tra i risultati raggiunti, in questo articolo proponiamo un nuovo framework che può essere utilizzato dalle aziende per meglio comprendere le caratteristiche dei nuovi modelli DDPSS.

Rifacendosi alla letteratura, i data-driven services possono essere definiti come:servizi caratterizzati da una componente digitale, basati su dati provenienti da prodotti intelligenti e collegabili. Essi creano benefici per le aziende e/o i clienti attraverso la generazione, la raccolta, l’analisi e/o la combinazione di dati interni ed esterni. Ampliando il concetto, i ricercatori di ASAP hanno introdotto per questa ricerca il concetto di Data-Driven Product Service Systems(DDPSS). Con questa prospettiva il DDPSS rappresenta quindi una nuova offerta prodotto-servizio, composta da una parte tangibile di hardware (uno o più prodotti connessi) e da una parte “intangibile” di servizio che si basa proprio sui dati raccolti attraverso gli stessi prodotti connessi. Ma è proprio questa parte “intangibile” che caratterizza il valore del DDPSS: a differenzia delle più tradizionali offerte di prodotto-servizio (PSS) la fonte di valore per il cliente risiede proprio nella capacità dell’azienda di raccogliere, condividere ed elaborare dati trasformandoli in servizi avanzati a valore aggiunto. L’identificazione delle caratteristiche del DDPSS non è però immediata: è stato quindi fondamentale per i ricercatori ASAP svilupparne una prima comprensione e formalizzazione, cosicché il DDPSS potesse poi essere trasferito ed applicato al mondo industriale. Attraverso un’analisi della letteratura ed un’interazione continua con le aziende che hanno partecipato alla ricerca, i ricercatori hanno quindi sviluppato un innovativo framework che caratterizza i DDPSS. Tale framework è brevemente descritto in questo articolo seguendo le 4 dimensioni di analisi.

Figura 1 – Le dimensioni che caratterizzano il DDPSS (Fonte ASAP SMF)

1. Integrazione dei dati

La possibilità di raccogliere dati dai prodotti connessi, come detto, sta spingendo sempre di più verso l’integrazione di dati non solo relativi al prodotto stesso, ma anche relativi al contesto industriale del cliente. È quindi importante poter valutare questa dimensione comprendendo come l’azienda sviluppi tale attività. Per questo sono state individuate una serie di variabili che caratterizzano questa dimensione:

WEBINAR
21 Settembre 2021 - 12:00
Sostenibilità e produzione: il nuovo valore aggiunto di agrifood e manifatturiero
Smart agrifood
Sviluppo Sostenibile
Dati di prodotto: Dati relativi al prodotto stesso (stato di funzionamento, usura, ecc.).
Dati operations: Dati relativi al processo del cliente che effettua per mezzo del macchinario (efficienza del macchinario, livello utilizzo del macchinario, di qualità del prodotto in uscita, OEEE, MTTF ecc.).
Dati gestionali: Dati relativi al business del cliente (piani di produzione, master plan ricette, progetti di realizzazione, ecc.).
Dati di contesto: Dati relativi al contesto in cui opera il macchinario (es. storico delle manutenzioni) o processo. Sono inclusi in questa categoria anche i dati ambientali (meteo, temperature ecc.).
Dati di prodotti simili: Dati relativi a prodotti simili a quelli dell’OEM proprietari di altre aziende.
Dati relativi al resto del sistema produttivo: Dati provenienti da prodotti diversi o processi che sono collegati al processo produttivo entro cui il prodotto stesso dell’OEM è coinvolto.

2. Condivisione dei dati

Lo scambio di dati ha sempre rappresentato una possibilità per un alto livello di personalizzazione, configurazione e implementazione delle offerte. La partecipazione di terze parti può offrire opportunità per quanto riguarda l’accesso e la condivisione delle risorse, comprese le conoscenze e le capacità. Ecco secondo i ricercatori, le variabili da che caratterizzano questa dimensione.

Condivisione dato con il cliente: I dati sono accessibili e visibili da parte del cliente mediante piattaforme dedicate, interfacce macchina, mobile app ecc..
Condivisione dato con il Product-Service Provider: Il produttore e/o fornitore di servizi hanno accesso ai dati del cliente. L’OEM può sfruttare i dati di molti dei suoi prodotti in diverse sedi dei clienti e, nel tempo, accrescere la conoscenza e competenza in merito al prodotto e sulle abitudini dei clienti.
Condivisione dato con altri attori del network: I dati sono condivisi con altri attori del network del produttore, come ad esempio filiali, fornitori, tecnici di manutenzione ecc..
Condivisione dato con service provider esterni: I dati sono condivisi con parti terze che solitamente non entrano nella filiera del produttore/service provider. Questi attori possono supportare l’erogazione di servizi diversi o complementari.

3. Elaborazione del dato

L’elaborazione del dato in informazioni e conoscenza è oggi l’elemento cruciale per sviluppare DDPSS. Tale attività può essere fatta con approcci diversi e può portare a differenti livelli di servizio offerto. A seconda delle diverse tecniche di adottate, le analisi dati possono avere un impatto diverso sui processi di creazione della conoscenza e sul processo decisionale aziendale. In particolare, la possibilità di analisi predittive e prescrittive gioca un ruolo vitale nell’aiutare le aziende a prendere decisioni efficaci sulla direzione strategica e operativa dell’organizzazione. Inoltre, tanto più sono elevate sono le competenze sui dati e sul loro dominio, maggiore sono la potenzialità di offrire soluzioni efficaci ed adeguate. Ecco le variabili più rilevanti che caratterizzano le soluzioni DDPSS:

Back-end strutturato: I dati sono elaborati da parte di un back-end appositamente strutturato ed organizzato: può essere costituito da una piattaforma software e/o un team di lavoro organizzato appositamente per le analisi dati.
Analisi manuali: I dati raccolti sono analizzati attraverso strumenti tradizionali (come analisi manuali in Excel) ed il tecnico esperto, per mezzo del proprio know-how, ricopre un ruolo centrale ai fini dell’analisi ed interpretazione dei dati.
Analisi automatizzate: I dati raccolti sono analizzati in modo semi o totalmente automatizzato con soluzioni di Robotic Process Automation (RPA) (mediante ad esempio algoritmi di Machine Learning ma anche sistemi di elaborazione di informazione e dashboard), senza o con una minima interazione da parte di un tecnico specializzato.

4. Interoperabilità di sistema

Questa dimensione fa riferimento alla capacità del sistema di scambiare informazioni e di utilizzarle con diverse finalità (qui evidenziate con le categorie), evitando la loro replicazione e abilitando l’integrazione di servizi e piattaforme diverse. Tre sono le variabili identificate dai ricercatori di ASAP per caratterizzare questa dimensione.

Interoperabilità transazionale: Il sistema è in grado di eseguire in automatico una «transazione» delle informazioni necessarie ad attivare un trigger su servizi e piattaforme esterne, garantendo efficienza e precisione nella trasmissione. Ad esempio, il sistema registra un’anomalia nel processo e attiva il trigger per l’organizzazione dell’intervento manutentivo da parte di una dedicata una piattaforma esterna. Lo stesso vale per la trasmissione di ordini o conferme anche verso sistemi informativi del cliente.
Interoperabilità informativa: Terzi parti (esterne o interne, come altri sistemi informativi, all’azienda) sono abilitate ad operare direttamente sul sistema per interrogare il database o parte di esso dando la possibilità di realizzare un’integrazione delle informazioni verso altri database esterni, ad esempio andando ad aggiornare in maniera automatica il gestionale aziendale. 
Interoperabilità progettuale: Il sistema può essere integrato (per es. attraverso API) facilmente con altre applicazioni, così da consentire la progettazione e lo sviluppo di nuove soluzioni in grado di integrare le diverse categorie di dato (da quello di prodotto a quello gestionale ecc.).

Il modello descritto è stato quindi applicato a 7 aziende. I risultati di questa applicazione saranno discussi il prossimo 10 Febbraio ore 16.00 durante il webinar promosso da ASAP. Per informazioni ed iscrizioni visitate la pagina dell’evento.

Immagine fornita da Shutterstock.

@RIPRODUZIONE RISERVATA
Federico Adrodegari
Ricercatore post-doc presso il Laboratorio RISE dell’Università degli studi di Brescia

Ricercatore PhD presso il Laboratorio RISE dell’Università degli studi di Brescia, dove svolge attività di ricerca, docenza e trasferimento con le imprese. Dopo essere stato responsabile della sezione machinery, dal 2019 è Coordinatore Nazionale di ASAP SMF la community accademico-industriale Italiana di riferimento sul service management e la servitizzazione. Su questi temi è autore di numerosi studi e diverse pubblicazioni scientifiche su riviste internazionali. È inoltre Project Manager presso IQ Consulting, spin-off di UniBS, oggi parte del gruppo Digital 360.

Z
Michela Zambetti

Ricercatrice Laboratorio CELSUniversità degli studi di Bergamo

Cosimo Barbieri
Ricercatore Laboratorio IBIS, Università di Firenze, ASAP Service Management Forum

Articolo 1 di 5