Return of Investment – croce e delizia

Come tutti i progetti, anche per le soluzioni AI la leva decisionale principale è sempre il ritorno di investimento. Ma come calcolarlo per progetti che sono così personalizzati e che non possono per natura essere generalizzati?

Il segreto – sempre – per il calcolo del ROI è capire cosa confrontare con cosa. In questo caso, cercheremo di confrontare la situazione presente con la situazione futura, considerando un futuro distopico in cui si decide di non investire in AI, e un futuro utopico in cui invece l’investimento si fa.

Per ognuna delle situazione è necessario calcolare costo e risparmi, vediamo come.

La situazione di partenza

Partiamo dalle cose semplici, ovvero dalla valutazione di quello che c’è già. Per orientare un minimo l’analisi è buona cosa avere già focalizzato il perimetro della soluzione: quali linee o componenti voglio analizzare? Quale procedura voglio snellire? Quale novità voglio integrare nella mia azienda?

In base a questo perimetro, si inizia a fotografare la situazione.

I dati

Il primo aspetto da validare è la disponibilità dei dati, sia nello storico che disponibili in tempo reale.

Le domande a cui rispondere sono quindi le seguenti:

• I dati che rappresentano il perimetro in analisi sono disponibili? Ad esempio, ho abbastanza dati di processo e di manutenzione? Riesco a rappresentare con delle grandezze misurabili le azioni che una persona segue per fare un’attività? Raccolgo i dati di qualità o di materie prime? Ho la pianificazione dell’occupazione o della produzione?
• I dati che ho sono remotizzati? Possono essere facilmente estratti?
• Quanto storico ho dei dati disponibili?
• Come sono raccolti i dati? frequenza fissa, a condizione, campionati in momenti precisi?

Più dati ho, più i modelli potranno garantire un beneficio concreto. Inoltre, se i dati ci sono nello storico e sono già ordinati , il costo di implementazione scenderà.

L’infrastruttura

Le soluzioni di AI devono girare da qualche parte, che sia un server, un sistema on edge o in cloud. In questo caso dobbiamo quindi chiederci:

• Ho già uno spazio in cui posso installare la soluzione?
• Ho a disposizione un software che faciliti la creazione e la gestione del ciclo vita dei modelli?
• Se aggiungo una soluzione nuova, i costi che ho già cambiano?

Nel caso sia tutto già disponibile e pronto senza variazioni, i costi per il mantenimento dell’infrastruttura non rientrano nel calcolo del ROI. Tutte le variazioni dovute alla soluzione di AI devono essere invece dimensionate e considerate.

I costi di O&M

La gestione e manutenzione del processo genera molti costi, alcuni dei quali ottimizzabili.

• L’energia – gas, elettricità, vapore, olio, altri vettori energetici fantasiosi – per alcuni rappresenta un costo importante. Il calcolo dei suoi costi è relativamente semplice, il consiglio è riuscire a mappare il contributo di ogni asset o linea.
• Le altre risorse utilizzate, come le materie prime o anche l’usura della macchina, possono essere legate ad un costo in base all’output della linea. Spesso si utilizzano le percentuali di scarto e il mancato guadagno correlato, o il costo delle matrie prime utilizzato.
• La manutenzione pianificata e predittiva di campo rappresentano un secondo costo facilmente dimensionabile. Anche in questo caso è utile riuscire a mappare un costo specifico per intervento, e l’occorrenza degli interventi per linea o asset.
• La manutenzione correttiva è più complicata da dimensionare. Anche qui, aiuta raccogliere o ipotizzare un costo per occorrenza e la probabilità che il guasto si presenti nel periodo valutato. Per facilitare ulteriormente il compito, aiuta definire almeno tre livelli di criticità: guasto lieve, guasto medio, guasto grave. Per ognuno di questi livelli, si definisce quante volte mediamente succede in un anno, e quanto costa in ricambi, uscita, ore uomo e altri costi ogni intervento.
• Infine, è buona cosa mappare il costo in full time equivalent del tempo delle persone dedicato ad attività ripetitive: redazione reportistica e dashboard, analisi macchinose, file excel da riempire, raccolta dati manuale. Ho visto esempi molto creativi negli anni.

Cosa cambia con l’AI?

Abbiamo già esplorato i benefici ottenibili con l’AI applicata all’industria.

Le percentuali raccolte sono però molto variabili, come le scelgo? Il metodo più semplice è spacchettare tutti i costi AS-IS – per fortuna lo abbiamo già fatto! – e cercare di immaginare cosa cambierebbe.

La progettazione

Il primo passo è la progettazione di dettaglio, che unisce i costi mappati con il beneficio ottenibile. L’obiettivo è capire quali modelli ha più senso sviluppare, facendo una prima analisi a sensazione. Si possono generare scenari diversi in modo da confrontale il ritorno effettivo e intercettare la situazione migliore.

In generale è una buona idea seguire queste linee guida:

• Sistemi di ottimizzazione per gli asset energivori che si possono regolare
• Sistemi di ottimizzazione per gli asset che producono tanti scarti o consumano molte risorse
• Manutenzione predittiva o anomaly detection sugli asset che si rompono molto spesso o che quando si rompono costano molto
• Sistemi di controllo performance sugli asset che rischiano di degradare o lavorano in condizioni critiche
• Metodi di XAI, automazione di processo e analisi dati automatica per le attività ripetitive di pianificazione o analisi

I benefici

Per ogni voce di costo, si identifica dove la soluzione agirebbe. Ovviamente, più precisi si è più indicativa sarà l’analisi, però visto che fatte è meglio che perfetto é valido e consigliato fare delle ipotesi ragionevoli laddove il dato non sia disponibile.

• Consumo energetico: normalmente, l’AI riesce a minimizzare le inefficienze e gli extra consumi. Pro tip: se si diminuisce l’energia consumata, si diminuisce automaticamente anche la quantità di emissioni! Basta moltiplicare il saving con la quantità di tonnellate di CO2 equivalenti.
  • Quanto è distante il consumo dal riferimento atteso?
  • Quanta di questa distanza può essere dovuta ad inefficienze e quindi gestita con l’AI?
• Consumo di risorse e qualità: i sistemi data-driven intercettano le cause degli sprechi e possono suggerire come evitarli
  • Quante delle risorse sono consumate per rework o pezzi di scarto?
  • Quante di queste sono legate a regolazioni errate e quindi gestibili con l’AI?
  • Quanti gradi di libertà ci sono per regolare l’impianto?
• Costo e occorrenza di manutenzione: i modelli di manutenzione predittiva intervengono principalmente sulla frequenza dei guasti, oltre che diminuire leggermente i costi degli interventi per i guasti più gravi.
  • Per ogni livello di gravità, quanti guasti in meno mi aspetto in un anno?
  • Dei costi legati ai guasti, se conosco in anticipo la segnalazione ce ne sono alcuni che diminuiscono (es. costo in orario extra-lavorativo per interventi in emergenza)
• Ore del team: sistemi di preprocessing automatico dei dati, di analisi, di business intelligence e reportistica diminuiscono enormemente il tempo di backoffice dedicato alla rielaborazione del dato.
  • Quante ore di backoffice sono dedicate alla riorganizzazione dei dati?
  • Quali processi di visualizzazione e reportistica si possono automatizzare?
• Bonus: sostenibilità! Meno emissioni, meno probabilità che la gente sia esposta a pericolo (ovvero meno rischi per la sicurezza e la salute), lavoro meno alienante.

Voce di costo AS-IS	Facendo le cose per bene	Per non saper leggere o scrivere
Consumo energetico (e emissioni!)	Quante inefficienze si riescono ad evitare? Quanti kWh, smc o altro all’anno?	Considera circa l’1-4% del consumo risparmiato in base alla disponibiiltà dei dati
Risorse e qualità	Quale percentuale degli scarti si può evitare gestendo meglio il processo? Quanta energia si può risparmiare regolando meglio l’impianto? Quante materie prime?	Considera tra il 5 e il 20% delle risorse risparmiate in base ai gradi di libertà e ai dati disponibili
Manutenzione	Quanti guasti l’anno ti aspetti di riuscire ad evitare? Quante manutenzioni pianificate o ispezioni in meno? Quanti km in meno percorsi?	Considera una riduzione dei costi di manutenzione tra il 40 e l’80% a seconda della disponibiiltà dei dati di processo e manutenzione
Ore del team	Quante ore dedicate ad attività meccaniche a basso valore aggiunto si possono automatizzare?	Considera una riduzione tra il 40 e il 50% del tempo di backoffice legato alla pratica specifica

I costi

Accanto agli impagabili benefici, ci sono i fin troppo pagabili costi. Per costruire un ROI fatto per bene, è necessario dimensionare quanto costa in più avere una soluzione online.

I costi principali si riassumono in CAPEX e OPEX.

• CAPEX: i costi per costruire la soluzione.
  • Costo per la progettazione e la creazione dei modelli, in base al numero e alla complessità dei modelli. Se si decide di utilizzare una piattaforma per la gestione del MLops (ciclo vita dei modelli di AI), il costo diminuisce.
  • Costo per l’industrializzazione, anche in questo caso dipende dal numero di modelli e dalla disponibilità di una soluzione MLops
  • Costo per l’installazione di eventuali nuovi dati
  • Costo di formazione per il team che utilizzerà la soluzione, più basso se la soluzione è progettata a misura di personale in campo
• OPEX: costi per mantenere la soluzione.
  • Manutenzione dei nuovi vettori dato, di solito aumenta all’aumentare del numero di dati e della complessità dei modelli
  • Licenza del software MLops se si decide di utilizzarne uno, aumenta all’aumentare del volume di dati e del numero di modelli, spesso anche rispetto al numero di retraining e upgrade che si fanno
  • Manutenzione dei modelli: upgrade, retraining, ma anche monitoraggio e analisi; di solito aumenta all’aumentare del numero e della complessità dei modelli, ma diminuisce se si ha un software MLops.
  • Costo per lo spazio in cloud se si decide di installare utilizzando un sistema IaaS, aumenta all’aumentare delle attività di retraining e al volume di dati e utenze. Spesso i software MLops includono già l’utilizzo del cloud se richiesto.

Voce di costo TO-BE	Cosa lo fa aumentare	Cosa lo fa diminuire
CAPEX – Creazione e industrializzazione dei modelli	Numero di modelli Complessità dei modelli	Disponibilità piattaforma di MLops
CAPEX – Installazione dei sensori	Numero di sensori	Nulla seguendo vie permesse dalla legge
CAPEX – Formazione del personale in campo	Tipologia di modelli Numero di persone da formare	Buon ingaggio del team Soluzione user-friendly
OPEX – Manutenzione dei vettori dato	Numero di vettori dato	Soluzioni di anomaly detection sul dato per identificare in anticipo dove è il guasto di sensore
OPEX – Manutenzione dei modelli	Numero di modelli Complessità di modelli	Disponibilità piattaforma di MLops Modelli costruiti per essere facilmente scalabili e manutenibili (Es. ottimizzazione vettori dato) Metodi di XAI a supporto
OPEX – Licenza software MLops SaaS	Numero di modelli Volume dei dati Numero di operazioni Numero di utenze	Nulla seguendo vie permesse dalla legge
OPEX – IaaS	Volume dei dati Numero di operazioni Numero di utenze	Progettazione ottimizzata per utilizzare solo quanto necessario

Il costo del non-investimento

La struttura dei costi e dei benefici è utile e da sola può contestualizzare molte delle soluzioni di AI. In alcuni casi però non basta mappare tutti i benefici, è necessario chiedersi anche Quanto rischio se non evolvo?

In molti contesti quello che oggi sembra uno sfizio, tra poco tempo potrebbe diventare una cosa scontata e non averla potrebbe farci perdere una fetta di mercato importante. Parlo a voi, costruttori di macchine che non avete ancora montato sistemi di controllo intelligenti e sistemi di anomaly detection multivariabile.

Per concludere quindi mappiamo alcuni aspetti da non sottovalutare quando si progetta una soluzione di AI:

• Competenze disponibili e professionalità: quanto potrebbero salire le RAL per specifiche professioni?
• Scale up: Quante persone specializzate potrebbero servirmi se il mio share di mercato cresce? Quanto sono scalabili i miei processi oggi?
• Evoluzione del mercato: che vantaggio competitivo unico posso vendere sul mercato per differenziarmi e guadagnare lo share specifico per primo? Quale share potrei perdere se non agisco oggi?
• Obsolescenza: tra quanto tempo potrei dover essere obbligato a cambiare procesi, procedure o gestione?
• Obblighi di legge: ci sono processi o controlli che ad oggi non sono obbligatori ma che minacciano di diventarlo, e che potrebbero essere facilitati da procedure automatiche?

Il calcolo

Una volta che si è mappato il CAPEX, l’OPEX e i savings, il calcolo del ROI, del flusso di cassa e del tempo di ritorno è semplice.

Il ritorno di investimento rappresenta quanti euro guadagno per ogni euro investito, quindi viene calcolato dividendo il risparmio netto nel periodo di valutazione per l’investimento iniziale.

Il risparmio netto è calcolato come benefici meno OPEX. Se poi si vuole fare gli splendidi si aggiunge il tasso di attualizzazione.

Personalmente, rispetto al ROI preferisco calcolare il Pay Back Time, ovvero il periodo entro cui ci si ripaga l’investimento CAPEX, perché i benefici non si sospendono alla fine della valutazione per cui più tempo passa più alto può essere il ROI.

Quindi…

Per valutare il ROI bisogna avere ben chiaro quanto stiamo spendendo oggi in energia, manutenzione, gestione di processo, risorse sprecate e tempo delle persone. A partire da questa fotografia, si valuta per ogni voce di costo cosa potrebbe migliorare con l’AI, oltre al costo e rischio del mancato investimento.

In base ai costi iniziali, si progetta la soluzione di dettaglio, e si mappano i costi di predisposizione e mantenimento.

Quando si sono mappati i CAPEX, gli OPEX e i benefici è possibile calcolare il ROI nel classico modo.