AI ed ERP: automatizzare il ricevimento merci da DDT, PDF, CSV ed Excel

Dopo aver visto come l’intelligenza artificiale può automatizzare la ricezione e l’inserimento degli ordini di vendita, continuiamo la nostra serie dedicata all’utilizzo concreto dell’AI nei processi ERP.

In questo secondo articolo affrontiamo un’altra attività quotidiana per moltissime aziende: il ricevimento delle merci e la registrazione dei documenti ricevuti dai fornitori.

Anche in questo caso non parliamo di funzionalità future o di semplici esperimenti.

Le funzionalità descritte in questa serie sono già disponibili e utilizzabili con GERP.

L’obiettivo è semplice: trasformare documenti ricevuti in formati differenti — PDF, CSV, Excel e altri documenti strutturati o non strutturati — in informazioni utilizzabili direttamente dall’ERP, riducendo il lavoro manuale necessario per registrare il materiale in ingresso.

Dal documento del fornitore al ricevimento merci

Quando arriva della merce in azienda, insieme ai prodotti arriva normalmente anche un documento che descrive ciò che è stato consegnato.

Può trattarsi di un DDT in PDF ricevuto via email, di un documento cartaceo, di un file CSV, di un foglio Excel oppure di un altro formato generato dal sistema informativo del fornitore.

Il problema è che ogni fornitore può utilizzare un formato differente.

Cambiano la posizione delle informazioni, le descrizioni degli articoli, i codici utilizzati, le unità di misura e perfino il modo in cui vengono indicate quantità, lotti o riferimenti agli ordini.

Tradizionalmente è quindi necessario che un operatore legga il documento e trasferisca le informazioni nel gestionale.

L’intelligenza artificiale permette di affrontare il problema in maniera diversa.

PDF, CSV ed Excel: formati diversi, stesso processo

Un sistema tradizionale di importazione richiede normalmente un formato prestabilito.

Per importare un CSV dobbiamo sapere quale colonna contiene il codice articolo, quale la quantità, quale il lotto e così via.

Con documenti PDF la situazione diventa ancora più complessa, perché il documento è stato generalmente progettato per essere letto da una persona e non da un software.

L’AI permette di aggiungere un livello di interpretazione.

GERP può utilizzare il documento ricevuto per identificare informazioni come:

• fornitore;


• numero e data del documento;


• ordine o ordini di acquisto di riferimento;


• codici degli articoli;


• descrizioni;


• quantità consegnate;


• unità di misura;


• lotti;


• eventuali matricole;


• riferimenti del fornitore;


• note presenti sul documento.

Il punto importante è che non è necessario che tutti i fornitori utilizzino lo stesso layout.

L’obiettivo non è insegnare al sistema dove si trova una determinata informazione in uno specifico modulo, ma permettergli di comprendere il significato delle informazioni contenute nel documento.

Riconoscere gli articoli del fornitore

Come abbiamo visto per gli ordini di vendita, anche nel ciclo degli acquisti esiste un problema frequente: il codice utilizzato dal fornitore può essere diverso dal codice utilizzato internamente dall’azienda.

Sul DDT potremmo trovare:

MAT-4587 — Film trasparente PET 23my

mentre all’interno dell’ERP lo stesso materiale potrebbe essere identificato con un codice completamente differente.

GERP può utilizzare le informazioni già presenti nel gestionale — articoli, codici fornitori, descrizioni, ordini di acquisto e storico delle forniture — per individuare la corrispondenza più probabile.

L’AI non si limita quindi a leggere il documento.

Interpreta il documento utilizzando il contesto dell’ERP.

Ed è proprio questo contesto a rendere l’automazione molto più interessante rispetto alla semplice estrazione di testo da un PDF.

Il confronto con l’ordine di acquisto

Il passaggio successivo è ancora più importante.

Se la merce ricevuta deriva da un ordine di acquisto già presente in GERP, il sistema può confrontare ciò che era stato ordinato con ciò che il fornitore dichiara di aver consegnato.

Possiamo quindi passare da:

leggere il DDT → inserire manualmente il ricevimento

a:

leggere il DDT → identificare l’ordine → confrontare i dati → preparare il ricevimento → segnalare le differenze.

Supponiamo, ad esempio, che l’ordine di acquisto preveda 5.000 kg di materiale e che il documento del fornitore riporti 4.800 kg.

L’informazione interessante per l’operatore non è trascrivere “4.800”.

È sapere che sono arrivati 200 kg in meno rispetto a quanto previsto dall’ordine.

L’automazione permette quindi di spostare l’attenzione dall’inserimento dei dati al controllo delle eccezioni.

Ordine, documento e merce ricevuta

Il documento del fornitore rappresenta però soltanto una parte del processo.

Il sistema può conoscere:

cosa abbiamo ordinato → cosa il fornitore dichiara di aver spedito → cosa abbiamo effettivamente ricevuto.

Questi tre elementi possono essere messi a confronto.

GERP può quindi evidenziare automaticamente situazioni come quantità differenti dall’ordine, articoli non previsti, consegne parziali, materiali mancanti, unità di misura differenti o riferimenti che non trovano corrispondenza.

L’operatore può concentrarsi sulle anomalie anziché verificare manualmente ogni singola riga.

L’AI prepara il movimento, l’operatore verifica

Anche nel ricevimento merci è importante distinguere tra automazione e assenza di controllo.

Un modello efficace può seguire la stessa logica già descritta per gli ordini di vendita:

leggere → comprendere → confrontare → proporre → verificare → registrare

GERP può predisporre il documento di ricevimento o il movimento di magazzino sulla base delle informazioni riconosciute.

L’operatore può verificare il risultato, correggere eventuali anomalie e confermare l’operazione.

Per i casi più semplici e ripetitivi il livello di automazione può essere maggiore; per quelli nei quali esistono dubbi o incongruenze, il sistema può invece richiedere esplicitamente l’intervento dell’utente.

Gestire le eccezioni invece di trascrivere documenti

Immaginiamo un’azienda che riceva 30 consegne durante la giornata.

Se 25 corrispondono perfettamente agli ordini di acquisto presenti nell’ERP, non è particolarmente utile che una persona dedichi la stessa attenzione a tutte e 30.

È molto più utile che il sistema possa dire:

25 ricevimenti coerenti. 5 richiedono attenzione.

Per esempio:

• quantità ricevuta differente da quella ordinata;


• articolo non riconosciuto;


• lotto mancante;


• ordine di acquisto non individuato;


• consegna superiore alla quantità residua dell’ordine.

A quel punto il lavoro dell’operatore cambia radicalmente.

Non deve più trasferire sistematicamente informazioni da un documento all’ERP: deve prendere decisioni sui casi nei quali esiste realmente qualcosa da verificare.

Le criticità da considerare

Il ricevimento merci presenta naturalmente situazioni più complesse rispetto alla semplice lettura di un documento.

Un PDF può essere di qualità scadente, un documento può contenere codici sconosciuti, lo stesso articolo può essere espresso con unità di misura differenti oppure una consegna può riferirsi contemporaneamente a più ordini.

Inoltre, ciò che è scritto sul DDT non garantisce che corrisponda a ciò che è fisicamente arrivato.

Per questo motivo è fondamentale distinguere tra informazione estratta dal documento e verifica fisica della merce.

L’intelligenza artificiale può leggere che sono stati consegnati dieci colli, ma questo non significa che i dieci colli siano effettivamente presenti davanti all’operatore.

Il processo deve quindi prevedere livelli di controllo adeguati e rendere chiaramente visibili le informazioni interpretate automaticamente, le corrispondenze individuate e le eventuali anomalie.

L’AI deve aiutare l’operatore a controllare meglio, non semplicemente sostituire un inserimento manuale con un automatismo non verificabile.

Quanto tempo può essere risparmiato?

Anche in questo caso possiamo fare una simulazione.

Supponiamo che leggere il documento del fornitore, individuare l’ordine di acquisto, registrare le righe ricevute e verificare i dati richieda mediamente 6 minuti per ricevimento.

Con un processo assistito dall’AI possiamo ipotizzare che siano necessari mediamente 2 minuti per il controllo e la conferma.

Il risparmio medio sarebbe quindi di circa 4 minuti per ricevimento.

Con 10 ricevimenti al giorno significa circa 40 minuti risparmiati ogni giorno, pari a circa 147 ore all’anno.

Con 20 ricevimenti al giorno arriviamo a circa 293 ore all’anno.

Con 50 ricevimenti al giorno, il potenziale risparmio raggiunge circa 733 ore all’anno, considerando 220 giornate lavorative.

Sono naturalmente valori indicativi: un ricevimento composto da due righe è molto diverso da un DDT con cinquanta articoli.

Ed è proprio per questo che nelle aziende che ricevono documenti complessi il vantaggio può essere ancora maggiore.

Non chiedere ai fornitori di adattarsi al nostro ERP

Uno degli aspetti più interessanti dell’approccio basato sull’intelligenza artificiale è che l’automazione non richiede necessariamente di modificare il modo di lavorare dei fornitori.

Un fornitore può inviare un PDF.

Un altro può fornire un CSV.

Un altro ancora un file Excel.

Quando disponibili, naturalmente, formati strutturati e integrazioni dirette rimangono strumenti estremamente efficienti. Ma non sempre possiamo imporli a tutta la nostra catena di fornitura.

L’AI può diventare il livello intermedio capace di trasformare documenti differenti in informazioni strutturate comprensibili dall’ERP.

Dall’inserimento dei dati al controllo dei processi

È lo stesso cambiamento che abbiamo osservato nell’acquisizione degli ordini di vendita.

Nel processo tradizionale:

arriva la merce → arriva il documento → una persona legge → una persona inserisce → l’ERP registra.

Con un ERP integrato con l’intelligenza artificiale:

arriva il documento → GERP lo comprende → identifica ordine e articoli → confronta le informazioni → prepara il ricevimento → l’operatore gestisce le eventuali eccezioni.

Il valore dell’intelligenza artificiale applicata all’ERP non consiste quindi soltanto nel fare più velocemente ciò che già facciamo.

Consiste nel cambiare il punto sul quale utilizziamo il tempo e le competenze delle persone.

Meno tempo dedicato a leggere e trascrivere documenti.

Più tempo dedicato a controllare ciò che non torna e a prendere decisioni.

Nel prossimo articolo della serie vedremo come questo stesso principio può essere applicato a un altro processo amministrativo particolarmente interessante: la ricezione, il controllo e la registrazione delle fatture passive con l’intelligenza artificiale.