Fresh for the future: l’Artificial Intelligence per ridurre il food waste

Lo spreco alimentare, identificato a livello globale con l’espressione “food waste”, è un problema di dimensioni crescenti che necessita di interventi rapidi per evitare gravi e irreparabili conseguenze in termini di sostenibilità economica e ambientale. La cosiddetta catena del freddo, intesa come il percorso che un alimento deperibile effettua dallo stabilimento di produzione al punto vendita e quindi fino al consumatore finale, rappresenta una filiera estremamente complessa, in cui ogni passaggio necessita di particolare attenzione affinchè si possa ridurre il più possibile lo spreco alimentare.

Secondo La Fao, l’Organizzazione delle Nazioni Unite per l’Alimentazione e l’Agricoltura, ogni anno a livello globale un terzo di tutti gli alimenti prodotti non raggiunge i consumatori finali. In termini numerici il problema corrisponde a circa 1,4 miliardi di tonnellate di cibo sprecate ogni anno, con conseguenze non soltanto economiche ma anche ambientali.

Se restringiamo il focus economico sugli Stati Uniti, un report della Food & Drug Administration (FDA) evidenzia che lo spreco alimentare è stimato tra il 30% e il 40% dell’approvvigionamento alimentare, con un valore annuale delle perdite per rivenditori e consumatori che supera i 166 miliardi di dollari.

Alla componente socio-economica si somma anche quella ambientale. La produzione e lo smaltimento di alimenti non consumati determinano sicuramente grandi sprechi di risorse ma comportano anche un volume di emissioni inquinanti davvero impressionanti.

Infatti, allo spreco alimentare sono riconducibili emissioni di gas serra pari a 3,3 miliardi di tonnellate di CO2, equivalenti a circa l’8% delle emissioni totali. Per restituire una dimensione ancor più concreta del fenomeno, sulla base dei dati appena analizzati, possiamo tranquillamente affermare che se il food waste fosse una nazione, sarebbe al terzo posto tra i Paesi che producono più emissioni dopo Stati Uniti e Cina.

Uno dei principali fattori della crescita della crescita negativa esponenziale dei numeri legati allo spreco di cibo è da rintracciare nella lentezza da parte dei rivenditori nell’adozione di nuove soluzioni che consentono una migliore corrispondenza tra domanda e offerta per una migliore gestione della produzione e delle forniture e di riflesso per una riduzione degli sprechi alimentari.

Prima di evidenziare come l’artificial intelligence può aiutare tutti gli attori della catena del freddo a contenere il fenomeno del food waste analizziamo i principali fattori relativi allo spreco del cibo.

La complessità del fenomeno del food waste è evidente nel numero di concause che contribuiscono ad ingigantire il problema. Ogni fase della filiera, infatti, ha delle falle potenziali riconducibili ad una serie di fattori. Le fasi di produzione e trasporto sono afflitte da quello che la FAO ha definito “food loss” (letteralmente “perdita di cibo”), intendendo la riduzione della massa o del valore nutrizionale del cibo riconducibile a inefficienze nella catena di produzione, trasporto e distribuzione.

In queste fasi lo spreco alimentare è riconducibile a diverse cause: per la produzione, gli sprechi si verificano a causa di fenomeni naturali e di infezioni parassitarie, che rendono il cibo non utilizzabile e di riflesso non utile alla distribuzione; per la fase del trasporto, invece, gli sprechi avvengono soprattutto per l’inadeguatezza dei mezzi o del packaging dei prodotti, che marciscono nelle lunghissime tratte che li separano dalla disponibilità a scaffale e dalle nostre tavole.

Nelle fasi successive di distribuzione e rifornimento, il fenomeno del food waste è causato principalmente da un’offerta che supera di gran lunga la domanda, con ordini starati rispetto all’effettiva necessità e problemi di over stock che si traducono in cibo invenduto soggetto a rapido deperimento e allo spreco.

In ultimo, in un’ottica allargata del problema, non bisogna dimenticare il ruolo del consumatore nello spreco alimentare domestico. Spesso si assiste all’acquisto eccessivo di cibo rispetto ai bisogni del nucleo familiare, con conseguente spreco alimentare che si traduce in cibo deperito prima del consumo o in avanzi sulla tavola destinati ai rifiuti.

Il ricorso all’Artificial Intelligence per la riduzione di spreco alimentare è una necessità indiscutibile per poter migliorare le fasi del processo di distribuzione e rifornimento di cibo fresco. Definire la strategia ottimale per la gestione della supply chain, includendo le operazioni di store replenishment, implica necessariamente l’adozione del più ampio paradigma della Demand Intelligence che, attraverso analisi quantitative della domanda storica e modelli di data mining, permette di effettuare valutazioni significative sui comportamenti passati della domanda, prevedendone anche le azioni future.

In altre parole, la previsione della domanda assume un ruolo determinate in funzione dell’ottimizzazione dello store replenishment, anche e soprattutto in contesti soggetti a mutevoli condizioni, come ad esempio è successo in seguito alla pandemia, o in caso di specificità di prodotti con una shelf life estremamente corta come il fresco alimentare.
In quest’ultimo caso, il grado di accuratezza della previsione, unitamente all’importanza strategica della pianificazione, assumono un ruolo determinante per ridurre il più possibile gli sprechi alimentari, attraverso soluzioni di previsione e rifornimento basate su artificial intelligence e machine learning.

Poiché la previsione della domanda è il motore che gestisce la catena di approvvigionamento di generi alimentari, migliorare la capacità di previsione della domanda per ridurre il rischio di scorte eccessive è un obiettivo fondamentale per la riduzione del food waste.

Le specificità del fresco alimentare richiedono un’attenzione particolare per le opportunità offerte dal ricorso all’artificial intelligence con finalità predittive. Esse riguardano almeno tre aspetti:

• Previsioni a livello di giorno
  La domanda di generi alimentari freschi ha un andamento variabile rispetto ai singoli giorni della settimana e in relazione ai diversi momenti dell’anno. Per i prodotti alimentari con un ciclo di vita estremamente breve, l’accuratezza delle previsioni giornaliere è essenziale per evitare il deterioramento senza compromettere la disponibilità. Il machine learning permette ai tradizionali sistemi di previsione di analizzare in maniera automatica le variazioni della domanda relative ai singoli giorni a livello di prodotto e di negozio, consentendo una pianificazione accurata per eventi straordinari come le festività programmate e migliorando l’efficienza della gestione dell’inventario di breve durata

• Previsioni per le promozioni
  I periodi di promozione di prodotti freschi implicano la necessità di maggiore attenzione per la dimensione locale della domanda, al fine di esaudire le necessità specifiche di ogni singolo negozio. I più avanzati modelli di previsione prendono in considerazione tutti i fattori che influiscono sull’incremento promozionale a livello di negozio e prodotto. Inoltre, soprattutto per i prodotti con un ciclo di vita estremamente breve, è necessario affidarsi a strumenti in grado di contenere anche l’effetto di cannibalizzazione che potrebbe derivare da un aumento delle vendite di alcuni prodotti in promozione e da una riduzione delle vendite di altri prodotti, per ridurre al minimo le scorte in eccesso e il deterioramento della merce prima ancora di essere venduta

• Ottimizzazione degli ordini basata sulla probabilità
  Raggiungere il 100% di disponibilità a scaffale per i prodotti ultra freschi, quelli che devono essere venduti il giorno stesso, per i decisori significa necessariamente ammettere sprechi di cibo o riduzione delle vendite. L’ottimizzazione degli ordini basate sulle probabilità sostituisce di fatto le cosiddette scorte di sicurezza, consentendo ai rivenditori di ottimizzare il compromesso tra scarti e vendite perse. L’ottimizzazione del rifornimento di alimenti freschi produce risultati impressionanti, riducendo il deterioramento mediamente fino al 40% e garantendo la capacità di guidare un aumento significativo della redditività.

In un mondo in rapida evoluzione caratterizzato da una complessità crescente, in cui le decisioni di business necessariamente devono inserirsi in una cornice di sostenibilità che tenga in considerazione anche il valore etico delle scelte, i decisori hanno bisogno di sistemi di supporto che li sostengano in ogni fase del decision flow.

Ublique, la piattaforma di Decision Intelligence di Spindox, attraverso l’utilizzo di tecniche predittive, definisce la quantità di prodotti per rifornire Centri di Distribuzione, magazzini o negozi. Inoltre supporta i manager nel calcolare le proiezioni di magazzino, considerando tutti gli elementi che incidono su tale proiezione e definisce la quantità ottimale di merce per il rifornimento. L’obiettivo principale è quello di ridurre al minimo le scorte, evitando contemporaneamente situazioni di out of stock. La soluzione per il replenishment permette anche di soddisfare esigenze di flussi di merci aventi caratteristiche diverse, come ad esempio il fresco alimentare.

Non solo dati, non solo numeri. Come già anticipato, lo spreco alimentare è un problema che interessa da vicino tutti, produttori ma anche consumatori. Dal punto di vista del business, affidarsi a strumenti di decision intelligence agevola la riduzione del food waste attraverso attività previsionali volte a ottimizzare produzioni e rifornimenti.

Da consumatori, invece, abbiamo tutti la responsabilità di migliorare il nostro approccio all’acquisto di generi alimentari, proporzionando in maniera giusta le quantità dei nostri acquisti evitando sprechi dovuti ad acquisti che assecondano logiche consumistiche non basate sulle reali necessità.