In definitiva, la convergenza dei risultati del clustering delle spedizioni condotta negli ultimi due anni, 2016 e 2017, rappresenta il chiaro sintomo di un comportamento sistematico aziendale che si ripete negli anni.
La presenza di questi comportamenti potrebbe significare che le spedizioni verso destinatari chiusi si manifestano sistematicamente negli anni evidenziando così un problema aziendale radicato.
Al fine di verificare questa supposizione è stata introdotta una nuova question realizzata su Metabase che evidenziasse le top 5 causali di anomalia per ogni anno, nell’immagine seguente si riportata il risultato della question e in appendice è riportata la query SQL.
A sostegno dell’ipotesi di esistenza di un problema aziendale radicato va il fatto che, come si evince dai risultati della question, emerge l’esistenza di ben tre comportamenti sistematici ricorrenti, un primo che sembrerebbe tuttavia risolto dal 2013 in poi e legato alle anomalie da altri motivi di anticipo dovuti al corriere, che addirittura nel 2012 raggiungono una percentuale record di oltre il 60% sul totale delle anomalie. Un secondo sorto invece nel 2013 e mai risolto relativo ad anomalie causate dal destinatario chiuso per ferie, che dal 2013 al 2017 presenta sempre valori percentuali superiori al 10%, e un terzo sorto anch’esso nel 2013 e anch’esso mai risolto legato ad anomalie dovute a merce rifiutata dal cliente senza esplicita motivazione.
A completamento di questa seconda fase di analisi è stato effettuato il clustering per le spedizioni effettuate nel 2015 così da estendere il periodo di copertura dell’analisi agli ultimi 3 anni. Estensione che va nell’ottica di confermare gli elementi conoscitivi emersi che evidenziano un comportamento sistematico aziendale.
L’iter operativo adottato è il medesimo seguito per gli anni 2016 e 2017 e ha condotto sostanzialmente agli stessi risultati ottenuti per il biennio precedente, eccezion fatta per un aspetto che caratterizza il cluster “Anomalia”. Esso in particolare contiene anomalie che sono anche on time, lasciando ampiamente intendere come non si tratti di anomalie legate a fattori temporali, ad esempio motivi di anticipo o ritardo nella consegna. Di seguito è riportata la heatmap che evidenzia questo secondo fattore.
La convergenza sostanziale dei risultati rispetto al biennio 2016-2017 ovviamente conferma quanto espresso precedentemente in termini di comportamento sistematico, il secondo elemento emerso invece evidenzia la presenza di un nuovo aspetto da analizzare che non si era ancora palesato.
Allo scopo quindi di approfondire ulteriormente la presenza di questo nuovo pattern caratteristico nei dati, dato cioè dalla presenza di spedizioni che hanno riscontrato delle anomalie ma che sono on time, è stata realizzata una nuova question su Metabase atta a mostrare l’incidenza, in termini percentuali, di questa tipologia di anomalie sul totale delle anomalie.
L’immagine seguente mostra il risultato della question, mentre in appendice si riporta la query SQL utilizzata e che ha fornito questi risultati.
Figura 6.16: Incidenza delle percentuali di anomalie on time per anno
L’immagine evidenzia come esista uno scatto verso l’alto molto pronunciato nell’andamento delle percentuali di incidenza (l’ultima colonna) dal 2012 al 2013 in poi. Questo fenomeno è giustificato dal fatto che, come si evince dalla question relativa alle top 5 causali di anomalia per anno, il problema legato alle anomalie da altri motivi di anticipo dovuti al corriere appare sistemico se si guarda al biennio 2011 e 2012 ma non figura più tra le top 5 dal 2013 in poi.
Si può quindi trarre la conclusione che dal 2013 in poi, delle percentuali di anomalie vicine al 50% , sul numero totale di anomalie, non sono da ritenersi legate ad aspetti temporali. I risultati della question così presentati richiedono tuttavia uno sforzo interpretativo e analitico da parte dell’utente che può essere evitato presentando i risultati sotto forma di andamento negli anni delle percentuali.
L’immagine seguente mostra la stessa business question con gli stessi risultati in questa sua nuova rappresentazione grafica.
Figura 6.17: Andamento negli anni delle percentuali di anomalia on time
Un’ attenta analisi dei risultati prodotti dal clustering, accompagnata da un’altrettanta attenta osservazione delle dashboard prodotte, fornisce dei chiari indizi sull’esistenza di una correlazione tra la causale di anomalia e gli enti di carico. Ad esempio dalle immagini precedenti si può vedere come la causale “Altri motivi di anticipo dovuti al corriere” sia fortemente concentrata sull’ente di carico “PLANT ELSAA MARE” oppure come la causale “Chiuso per ferie / lavori / spazio” sia fortemente concentrata sull’ente di carico “PLANT MIRCOLIGURE”.
Al fine di confermare questa sospetta correlazione è stata realizzata una nuova question, sempre su Metabase, in cui si mostra il dettaglio delle top 50 problematiche di anomalia, effettuando quindi un raggruppamento per causale di anomalia, ente di carico e cliente receiver. In appendice si riporta la query SQL prodotta per realizzare la question.
L’immagine seguente mostra invece i risultati della question prodotta con annessi i filtri predisposti in fase di progettazione della stessa.
Figura 6.18: Top 50 delle problematiche di anomalia per ente di carico e cliente receiver
Applicando tuttavia il filtro sulla causale di anomalia, così da visualizzare solamente le coppie (ente_carico, cliente_receiver) relative ad una data problematica, i risultati prodotti denotano una distribuzione abbastanza uniforme delle stesse. Il che si tradurrebbe nella presenza di problemi ben radicati e di difficile individuazione/risoluzione. L’immagine seguente ha lo scopo di fornire un esempio di quanto appena detto.
Figura 6.19: Top 50 coppie (ente di carico – cliente receiver) per anomalie da “Chiuso per ferie”
Lo scenario viene invece completamente ribaltato se si elimina il raggruppamento per il cliente. Raggruppando infatti esclusivamente per descrizione ed ente di carico, emerge una forte concentrazione di determinate causali di anomalia in alcuni enti di carico. L’immagine seguente mostra la question così prodotta.
I risultati della question evidenziano immediatamente come esista una forte concentrazione tra le anomalie con causale “Altri motivi di anticipo dovuti al corriere” e “PLANT ELSAA MARE” come ente di carico.
L’applicazione del filtro predisposto sulla causale di anomalia fa emergere poi altre situazioni simili, l’immagine seguente mostra, ad esempio, i risultati relativi alla causale di anomalia “Chiuso per ferie / lavori / spazio”.
Figura 6.21: Top 50 delle problematiche di anomalia da chiuso per ferie per ente di carico
Si può subito notare come l’ente di carico “PLANT MIRCOLIGURE” presenti una percentuale di anomalia doppia rispetto all’ente di carico “PLANT SESTO TESEOSARDO” nonostante i due abbiamo volumi di spedizioni pressoché uguali (informazione ottenibile dalla question posta in cima alla dashboard di analisi delle anomalie).
Le due questions appena descritte sono poi state integrate alla dashboard di analisi delle anomalie poiché rappresentano un dettaglio delle informazioni in essa contenute e poiché ritenute di notevole supporto al processo di decision make atto a risolvere e prevenire tutti quei fenomeni distorsivi finora emersi.