Il problema: gli errori si vedono a fine mese

Una fattura registrata due volte, un fornitore che applica un prezzo diverso da quello concordato, un consumo di energia che raddoppia di notte, uno scarto che cresce lentamente turno dopo turno. Sono casi che i dati aziendali contengono già, ma che spesso emergono solo alla chiusura del mese o durante un audit.

Il rilevamento di anomalie serve ad accorgersene prima: il sistema controlla i dati in modo continuo e segnala ciò che si discosta dal comportamento normale, con la spiegazione del perché.

In sintesi

  • Un’anomalia è un valore che non torna rispetto allo storico, al contratto o ai dati simili.
  • Prima delle reti neurali vengono le regole: soglie, duplicati, confronti con lo storico.
  • L’AI serve quando il “normale” dipende da molte variabili insieme e quando bisogna spiegare la segnalazione in linguaggio chiaro.
  • Ogni allarme deve rimandare ai dati e a una persona responsabile.

Tre aree in cui conviene partire

1. Amministrazione e acquisti

  • Fatture passive duplicate o con importi fuori scala rispetto allo storico del fornitore.
  • Prezzi unitari diversi da listino, ordine o contratto.
  • Nuovi IBAN o variazioni anagrafiche improvvise, un segnale tipico dei tentativi di frode.
  • Note spese con importi o categorie insoliti.

Qui il controllo si affianca all’estrazione automatica dei dati dai documenti, descritta in automazione di ordini e documenti.

2. Consumi ed energia

  • Consumi elettrici o di gas fuori profilo rispetto a giorno, turno e produzione.
  • Assorbimenti anomali di una macchina, che possono anticipare un guasto.
  • Consumi a impianto fermo, nel fine settimana o di notte.

3. Produzione e qualità

  • Tempi di ciclo che si allungano gradualmente.
  • Scarti in aumento su un prodotto, una macchina o un lotto di materiale.
  • Parametri di processo che escono dalla finestra abituale prima di superare i limiti di specifica.

In produzione le anomalie sono spesso il primo segnale di un calo dell’efficienza. Il tema è approfondito in AI e OEE: fermi, scarti e microfermate.

Regole, statistica o AI?

Il metodo dipende dal tipo di anomalia. Conviene usare lo strumento più semplice che funziona.

  • Regole fisse: duplicati, soglie di importo, campi obbligatori, prezzi diversi dal contratto. Sono trasparenti e facili da mantenere.
  • Statistica sullo storico: scostamenti dalla media o dalla stagionalità dello stesso fornitore, cliente o macchina. Coprono la maggior parte dei casi su dati numerici.
  • Modelli di machine learning: utili quando il comportamento normale dipende da molte variabili insieme, come prodotto, turno, temperatura e materiale.
  • Modelli linguistici: non rilevano l’anomalia numerica, ma leggono documenti e note, confrontano testi con contratti e spiegano la segnalazione in modo comprensibile.

In un progetto reale questi livelli si combinano. La differenza tra un’automazione e un agente che ragiona sul caso è spiegata in automazione o agente AI.

Il vero rischio: troppi allarmi

Un sistema che segnala cento casi al giorno, di cui novantacinque irrilevanti, viene ignorato in poche settimane. Per evitarlo:

  1. Ogni segnalazione spiega il motivo: “importo 2,4 volte superiore alla media degli ultimi 12 mesi per questo fornitore”.
  2. Ogni segnalazione ha un responsabile che la chiude come valida o falsa.
  3. Le soglie si regolano sulla base di quelle chiusure, non una volta sola all’avvio.
  4. Si misura la precisione: quante segnalazioni erano davvero da verificare.

Da dove partire

Si sceglie un’area con un costo dell’errore chiaro, per esempio le fatture passive o i consumi di uno stabilimento, si raccolgono i dati storici disponibili e si parte con regole e statistica. Il modello più complesso si aggiunge solo dove le regole non bastano. Un assessment AI aiuta a scegliere l’area e a verificare la qualità dei dati.

Domande frequenti

Che cos’è il rilevamento di anomalie?

È l’individuazione automatica di valori che si discostano in modo significativo dal comportamento normale di un dato: un importo, un consumo, un tempo di ciclo, un tasso di scarto. Il sistema segnala il caso; la decisione resta a una persona.

Serve un modello di machine learning?

Non sempre. Molte anomalie si intercettano con regole semplici, come soglie, confronti con lo storico o duplicati. Il machine learning serve quando il comportamento normale dipende da molte variabili insieme, per esempio stagionalità, turno e prodotto.

Quanti dati storici servono?

Dipende dal fenomeno. Per un dato con andamento stagionale serve almeno un ciclo completo, spesso un anno. Per un processo stabile, come un tempo di ciclo, possono bastare alcune settimane di dati coerenti.

Come si evita di ricevere troppi allarmi?

Si parte con soglie prudenti, si misura quanti allarmi sono utili e si regolano i parametri con chi li riceve. Ogni segnalazione deve spiegare perché è anomala e rimandare ai dati, altrimenti viene ignorata in poche settimane.

Dove restano i dati?

Il rilevamento può girare sull’infrastruttura dell’azienda o su un cloud europeo. Per dati sensibili, come fatture e contratti, conviene valutare una soluzione di AI privata con accessi e registri controllati.

Approfondimenti