• Home
  • /
  • Blog
  • /
  • Ubicazione per impianti industriali, come trovare la location migliore

Ubicazione per impianti industriali, come trovare la location migliore



Quando un’azienda di produzione ha la necessità di costruire un nuovo stabilimento per espandere la propria attività, la scelta del luogo di ubicazione per gli impianti industriali è cruciale a livello strategico.

Si tratta, infatti, di stabilire il posizionamento di infrastrutture di produzione destinate a funzionare per decenni, tenendo conto, ad esempio, degli impatti a livello ambientale e delle dinamiche di mercato che, nel tempo, potranno influire sui costi strutturali e livelli occupazionali, determinando l’andamento del business.

Ubicazione impianti industriali

Un caso esemplificativo di scelta dell’ubicazione di impianti industriali è stato quello di un’impresa specializzata nel settore della ceramica che, dopo aver pianificato la creazione di un nuovo stabilimento produttivo negli Stati Uniti, si è posta l’obiettivo di identificare il luogo migliore per costruirlo, analizzando tutti i pro e contro del caso. In una scelta del genere, infatti, occorre ponderare con la massima precisione non solo le opportunità, ma soprattutto i fattori di rischio che potrebbero compromettere il successo dell’iniziativa.

Un approccio scientifico, grazie a un software automatico di ubicazione impianti industriali

Per soddisfare al meglio questa esigenza, Moxoff ha sviluppato un software in grado di eseguire in automatico, fornendo al contempo un elevato grado di affidabilità, l’operazione estremamente delicata di analisi per l’ubicazione di un impianto industriale. Ciò è stato possibile grazie alla capacità del modello matematico sviluppato di analizzare una molteplicità di fattori economici, sociali, geografici, ambientali, di natura quantitativa e qualitativa, e di studiarne gli effetti a lungo termine, simulando vari scenari possibili e scelte strategiche e tattiche.

Costruzione di un modello personalizzato e definizione di un ranking affidabile

La sfida previsionale affrontata dal modello messo a punto da Moxoff si gioca essenzialmente nell’abilità di definire, innanzitutto, un ranking affidabile, in grado di fornire ai manager una classifica realistica dei siti candidabili: questi, nel caso preso in esame, includevano oltre trecento contee, appartenenti a quattro diversi stati. L’obiettivo finale, naturalmente, è poi stato identificare la contea ideale nella quale costruire lo stabilimento.

Una volta definito il ranking, che ha comportato la raccolta e l’elaborazione di grandi volumi di dati, aggiornati e di qualità, si è passati all’analisi dei fattori essenziali: costo materiali, energia elettrica, gas, manodopera, costo dei trasporti, a loro volta legati a problemi di viabilità e tempi di percorrenza.

Il modello considera, attribuendo un peso specifico a ciascuno di essi, anche altri parametri chiave, come tasso di disoccupazione nell’area, relazioni sindacali, attrattività e vivibilità del luogo, raggiungibilità dall’Italia, eventuali limitazioni in ambito ambientale e pressione fiscale.

Nella definizione del ranking, Moxoff ha revisionato i dati raccolti dall’azienda, inclusa la selezione delle possibili location che l’azienda aveva individuato secondo i propri criteri. Inoltre, come accennato, dovendo considerare dati quantitativi (costo materiali, energia, trasporti), dati qualitativi (vivibilità location, relazioni sindacali) e variabili tra loro intrecciate, interdipendenti e con obiettivi anche conflittuali, la sfida tecnica, nella costruzione del ranking, è stata soprattutto quella di tradurre sensatamente in numeri le variabili qualitative, affinché l’algoritmo potesse ponderarle in modo adeguato, tenendo conto delle possibili interrelazioni con altre variabili.

Ad esempio, quando l’esigenza è reperire sia manodopera locale, sia risorse manageriali, e occorre analizzare aspetti contrattuali, rapporti sindacali o vivibilità della zona, un compito per nulla banale è saper valutare parametri che sono soggettivi e differenti per il lavoratore che vive sul posto e dev’essere assunto, o per il manager italiano che deve trasferirsi temporaneamente in quel luogo con la famiglia.

Oltre alle competenze prestate nella formalizzazione del problema, Moxoff ha poi dovuto, partendo da modelli matematici base, sviluppare un modello ad hoc, che permettesse di considerare la complessità del problema adattandosi allo specifico caso aziendale.

Dashboard e aggiornamento continuo degli algoritmi

Moxoff ha inoltre arricchito il software integrando una dashboard utilizzabile dagli stessi manager aziendali per modificare alcune variabili in base alla propria esperienza o per esplorare tramite il modello diversi scenari evolutivi (crescita, stagnazione, recessione), in modo da migliorare al massimo la presa decisionale.

Gli algoritmi di ottimizzazione del modello e le metriche di valutazione, precisa Moxoff, vengono comunque continuamente aggiornati e adattati di anno in anno, in funzione dell’andamento del business dell’azienda utente.

Ubicazione impianti industriali: servono dati interpretabili

Il modello matematico non si sostituisce all’uomo nella fase decisionale, ma si pone come supporto oggettivo alla scelta. In questo contesto la sua utilità si misura non tanto sulla sua capacità di fornire un dato, ma di esplicitare come sia stato ottenuto un determinato risultato e rendere comprensibile il grado d’incertezza di una previsione e il suo margine di errore.

Ad esempio, nella stima di un costo energetico come il gas, i modelli predittivi sviluppati ad hoc sulla base delle variabili considerate non forniscono soltanto una valutazione sulle quotazioni attuali, ma prevedono anche quale potrà essere tale costo tra 4-5 anni, nei possibili scenari di espansione, stagnazione o recessione. In tal modo, il modello predittivo consente, al manager che deve prendere una decisione cruciale, di acquisire massima consapevolezza sul livello di approssimazione, sul margine di errore, e di rischio, con cui viene fornita la stima stessa.

Tornando al caso oggetto dell’articolo, la robustezza della soluzione ottenuta è stata dimostrata dal fatto che, anche includendo nella stima i vari margini d’incertezza, alla fine tutte le location migliori per lo stabilimento da realizzare sono risultate appartenenti ad un’area fondamentalmente omogenea e continua degli Stati Uniti per caratteristiche, ad esempio, di vantaggiosità dei trasporti e percorribilità delle strade.

La variabile trasporti, ovvero l’insieme dei fattori che rendono un percorso conveniente rispetto a un altro in termini di viabilità e tempi di percorrenza, gioca infatti un ruolo fondamentale per l’organizzazione logistica dell’azienda, e ha richiesto di considerare non solo la distanza dai fornitori di materie prime, ma anche quella dai vari distributori presenti sul territorio statunitense.

Da questo punto vista, come accennato, la previsione dell’algoritmo si è rivelata corretta, soddisfacendo le aspettative della società, in quanto, anche variando i parametri e gli scenari possibili, il ranking elaborato dal modello si è rivelato robusto, ovvero in grado di identificare come primi quattro insediamenti candidabili sempre le stesse location ma classificate in ordine differente.  

La location finale

Il modello sviluppato ha riconosciuto nella variabile trasporti un fattore particolarmente influente nella definizione del ranking delle varie contee. Questo si è rivelato corrispondere alle aspettative del cliente per il quale la logistica, sia per quanto riguarda l’approvvigionamento di materie prime, sia per il raggiungimento dei distributori, è un fattore fondamentale per l’organizzazione dell’azienda. Il fatto che il modello ritenesse quindi importante l’insieme dei fattori che rendono un percorso conveniente rispetto a un altro in termini di viabilità e tempi di percorrenza, ha quindi rafforzato la fiducia del cliente nell’algoritmo proposto.

Un ultimo punto importante ai fini di consolidare la fiducia dell’azienda nello strumento è legato alla robustezza della soluzione ottenuta: anche includendo nella stima i vari margini d’incertezza, il raking proposto collocava tutte le location migliori per lo stabilimento in un’area fondamentalmente omogenea e continua degli Stati Uniti per caratteristiche di vantaggiosità dei trasporti e percorribilità delle strade. Gli altri parametri di incertezza modificavano marginalmente l’ordinamento finale di queste location, ma non il loro posizionamento alla cima della classifica, soddisfacendo quindi le aspettative della società.

Contattaci per ricevere ulteriori informazioni