Il Suo template per i dati di gestione del magazzino

Questo attributo registra i singoli passaggi o le tappe fondamentali all'interno del processo di gestione del magazzino. Gli esempi includono "Merci prelevate dal magazzino", "Imballaggio avviato" e "Spedizione inviata". Ogni attività rappresenta un'azione specifica eseguita sull'ordine di magazzino.\n\nSi tratta di un attributo critico per il Process Mining, poiché definisce i nodi nella mappa del processo. L'analisi della sequenza, della frequenza e della durata di queste attività consente di visualizzare i flussi di processo, identificare le deviazioni dalla procedura standard e individuare i colli di bottiglia in cui il lavoro subisce ritardi.

Definisce le fasi del processo, costituendo la base della mappa di processo e consentendo l'analisi dei flussi operativi e delle varianti.

Derivato da codici transazione, Event Log o tabelle di aggiornamento stato in Manhattan SCALE che tracciano l'avanzamento degli ordini di magazzino.

Il Warehouse Order funge da identificatore principale del caso, raggruppando tutte le attività correlate a un singolo processo logistico dall'inizio alla fine. Ciò consente il tracciamento end-to-end del ciclo di vita di un ordine all'interno del magazzino, che si tratti di ricezione merci, stoccaggio, picking, imballaggio o spedizione.\n\nNell'analisi di Process Mining, questo attributo è fondamentale per ricostruire il percorso di ogni ordine. Collegando tutti gli eventi a uno specifico Warehouse Order, gli analisti possono visualizzare i flussi di processo, misurare i tempi di ciclo per i singoli ordini e identificare varianti o colli di bottiglia che influenzano l'efficienza dell'evasione.

È la chiave essenziale per collegare tutte le attività di magazzino correlate in un'unica istanza di processo coesa, consentendo un'analisi end-to-end.

Questo identificatore si trova in genere nelle tabelle principali di gestione degli ordini in Manhattan SCALE, come la tabella header dell'ordine.

Questo attributo fornisce la data e l'ora precise per ogni attività registrata nel processo. È la colonna vertebrale cronologica dell'event log, che stabilisce la sequenza e la tempistica di tutte le operazioni di magazzino per un determinato ordine.\n\nL'Event Time è essenziale per tutte le analisi di Process Mining basate sul tempo. Viene utilizzato per calcolare i tempi di ciclo tra le attività, misurare la durata totale di un processo, identificare i ritardi e analizzare le prestazioni del processo in diversi periodi di tempo. Timestamp accurati sono fondamentali per costruire una mappa dei processi affidabile e derivare metriche di performance significative.

Questo timestamp è fondamentale per sequenziare correttamente gli eventi e calcolare tutte le metriche basate sulla durata, come i tempi di ciclo e i lead time.

Presente nelle tabelle degli Event Log o nei record delle transazioni insieme alle informazioni sulle attività in Manhattan SCALE. I campi sono spesso denominati 'created_ts', 'event_timestamp' o 'status_change_date'.

Questo attributo identifica l'applicazione sorgente in cui sono stati generati i dati dell'evento. Per questo processo, il valore sarebbe in genere "Manhattan SCALE".\n\nIn un ambiente con più sistemi integrati, questo campo aiuta a differenziare le origini dati. Fornisce il contesto sulla provenienza dei dati, il che può essere importante per la data governance, la risoluzione dei problemi e la comprensione di potenziali variazioni nei processi di acquisizione dei dati tra diverse piattaforme.

Fornisce il contesto essenziale sull'origine dei dati, fondamentale per la data governance, la validazione e gli sforzi di integrazione in scenari IT complessi.

Questo è spesso un valore statico aggiunto durante il processo di data extraction, transformation e loading (ETL) per etichettare il dataset.

Questo attributo indica la data e l'ora in cui i dati sono stati estratti l'ultima volta da Manhattan SCALE e caricati nello strumento di Process Mining. Riflette l'aggiornamento dei dati analizzati.\n\nQueste informazioni sono vitali affinché gli utenti possano comprendere la tempestività dell'analisi. Aiutano a sapere se si stanno consultando dati in tempo reale o un'istantanea di un momento specifico, il che è fondamentale per prendere decisioni operative informate e per scopi di reporting.

Informa gli utenti sull'aggiornamento dei dati, assicurando che comprendano l'arco temporale coperto dalle analisi e dai report.

Questo timestamp viene in genere generato e memorizzato dallo strumento ETL o dalla data pipeline durante il processo di caricamento dei dati.

Questo attributo rappresenta il service level agreement (SLA) o la data di consegna target per un ordine di magazzino in uscita. È la scadenza rispetto alla quale vengono misurate le prestazioni di puntualità delle operazioni di magazzino.\n\nQuesta data è un parametro critico per la valutazione delle prestazioni. Viene utilizzata nella Dashboard "Puntualità delle spedizioni" e nel KPI "Tasso di spedizioni puntuali" per determinare se un ordine è stato evaso nei tempi previsti. L'analisi degli ordini che mancano questa data aiuta a identificare le cause sistemiche dei ritardi e a migliorare la soddisfazione del cliente.

Funge da benchmark principale per misurare le performance di spedizione puntuale e l'aderenza ai Service Level Agreement (SLA) dei clienti.

In genere memorizzato nella tabella header dell'ordine in Manhattan SCALE, spesso popolata da un ERP o da un sistema di gestione degli ordini a monte.

Questo attributo, spesso noto come SKU (Stock Keeping Unit), identifica l'articolo specifico coinvolto in un'attività di magazzino. Un singolo ordine di magazzino può contenere più materiali, ciascuno gestito in voci d'ordine o attività separate.\n\nL'analisi del processo per ID materiale può rivelare problemi specifici del prodotto. Ad esempio, certi articoli potrebbero essere più soggetti a fallimenti nelle ispezioni di qualità, a errori di picking o a tempi di movimentazione più lunghi a causa delle loro dimensioni, del peso o dei requisiti di stoccaggio. Ciò aiuta a ottimizzare le strategie di deposito e le procedure di movimentazione per diversi tipi di prodotti.

Consente un'analisi a livello di prodotto per identificare se determinati articoli sono associati a ritardi, errori o rilavorazioni del processo.

Presente nelle tabelle delle righe d'ordine in Manhattan SCALE, collegate all'ordine di magazzino principale.

Questo attributo acquisisce l'ID dell'utente responsabile dell'esecuzione di una specifica attività di magazzino, come il picking, l'imballaggio o lo stoccaggio. Collega le attività del processo alle risorse umane coinvolte.\n\nL'analisi delle prestazioni per ID utente/operatore è essenziale per comprendere l'utilizzo delle risorse e l'efficienza individuale o del team. Aiuta a identificare i top performer, le esigenze di formazione e la distribuzione del carico di lavoro. Questi dati sono fondamentali per la Dashboard "Utilizzo risorse per operatore" e i relativi KPI, consentendo ai responsabili di ottimizzare il personale e l'assegnazione dei compiti.

Collega le performance del processo a individui o team specifici, consentendo l'analisi del carico di lavoro, della produttività e dell'allocazione delle risorse.

Queste informazioni sono solitamente registrate nei log delle transazioni in Manhattan SCALE, spesso in campi come "user_id", "operator" o "executed_by".

L'End Time segna il completamento di un'attività. Se abbinato a uno Start Time (EventTime), consente il calcolo preciso del tempo di elaborazione per le singole attività. Non tutti gli eventi hanno un tempo di fine distinto, ma per quelli che lo hanno, come "Picking" o "Packing", questo dato è di grande valore.\n\nNell'analisi, l'End Time viene utilizzato per calcolare la metrica "ProcessingTime", fondamentale per comprendere l'efficienza delle risorse e la durata delle attività. Ciò aiuta a identificare quali attività specifiche richiedono più tempo, contribuendo al tempo di ciclo complessivo e a potenziali ritardi.

Consente il calcolo preciso del tempo di elaborazione per le singole attività, aiutando a identificare quali task consumano più tempo e risorse.

Questi dati potrebbero essere disponibili negli stessi log delle transazioni dello Start Time, in un campo separato come "completed_ts" o "end_time". Se non direttamente disponibile, a volte può essere dedotto dallo Start Time dell'attività successiva.

Questo attributo registra la quantità misurata di merci in un punto di controllo chiave, come la ricezione delle merci o il picking. Rappresenta ciò che è stato fisicamente movimentato, il che può differire da quanto pianificato.\n\nIl confronto tra la Quantità effettiva e la Quantità pianificata è essenziale per identificare le discrepanze. Questa è la base per la Dashboard "Trend discrepanze quantità ordini" e il relativo KPI. Il monitoraggio di queste differenze aiuta a individuare problemi nell'accuratezza del fornitore, nei record di inventario o errori di picking, aspetti critici per mantenere l'integrità dell'inventario.

È fondamentale per identificare le discrepanze tra quantità pianificate ed eseguite, evidenziando potenziali problemi di accuratezza dell'inventario o errori operativi.

Presente nei record di dettaglio delle transazioni per attività come ricezione, conteggio o picking in Manhattan SCALE.

L'Order Type definisce lo scopo generale dell'ordine di magazzino. Le tipologie comuni includono le spedizioni ai clienti (outbound), le ricezioni dai fornitori (inbound), i trasferimenti di stock tra sedi (internal) o i resi.\n\nQuesto attributo consente di segmentare l'analisi del processo. Filtrando per Order Type, è possibile confrontare le prestazioni di diversi processi, come il processo di ricezione rispetto a quello di spedizione. Questo è fondamentale perché i passaggi, le risorse e i target di performance sono spesso molto diversi, e analizzarli insieme può essere fuorviante.

Consente la separazione e il confronto di processi distinti, come quelli in entrata rispetto a quelli in uscita, che hanno flussi e aspettative di performance differenti.

Presente nei dati di testata dell'ordine in Manhattan SCALE. Il campo può chiamarsi 'order_type', 'transaction_type' o simile.

Questo attributo specifica il pezzo di attrezzatura per la movimentazione dei materiali (MHE) o la tecnologia utilizzata per eseguire un'attività di magazzino. Ciò potrebbe includere ID specifici di carrelli elevatori, numeri di transpallet o ID di scanner RF portatili.\n\nQuesti dati sono preziosi per l'analisi dell'utilizzo delle risorse al di là dei semplici operatori umani. Aiutano a comprendere i modelli di utilizzo di attrezzature costose, a pianificare la manutenzione e a garantire che gli strumenti giusti siano disponibili quando necessario. Supportano direttamente i KPI come "Utilizzo risorse (Picking)" fornendo un'altra dimensione di analisi.

Consente l'analisi dell'utilizzo delle attrezzature e del suo impatto sull'efficienza del processo, aiutando a gestire i programmi di manutenzione e gli investimenti in MHE (Material Handling Equipment).

Consulti la documentazione di Manhattan SCALE o i log di sistema. Questo dato potrebbe essere tracciato nei record di esecuzione dei task se il sistema è configurato per acquisirlo.

Questo attributo è il timestamp che segna l'ultimo passaggio del processo di magazzino per un ordine, come "Spedizione inviata". Rappresenta il momento del completamento effettivo del processo di evasione.\n\nQuesta data viene confrontata direttamente con la "Data di completamento richiesta" per calcolare la puntualità della spedizione. È il dato di fatto che conferma quando è terminata la responsabilità del magazzino per l'ordine. L'analisi di questo attributo aiuta a misurare con precisione i tempi del ciclo di evasione e le prestazioni rispetto agli SLA.

Fornisce il timestamp reale del completamento dell'ordine, utilizzato per calcolare i tempi di ciclo effettivi e misurare le performance rispetto alle date richieste.

Questo corrisponde al timestamp dell'attività finale del processo, come "Spedizione inviata" o "Ordine di magazzino completato".

Questa metrica è calcolata come "Quantità effettiva" meno "Quantità pianificata". Un valore diverso da zero indica una discrepanza tra la quantità di merci movimentate e quella prevista. Il valore può essere positivo (eccedenza) o negativo (mancanza).\n\nQuesto attributo è la base del KPI "Tasso di discrepanza quantità ordine". Quantifica l'entità degli errori nella ricezione o nel picking, fornendo una metrica chiara per le dashboard che monitorano l'accuratezza dell'inventario. Analizzare i trend e le cause alla base di queste discrepanze è fondamentale per migliorare la precisione operativa.

Quantifica direttamente gli errori di inventario e di evasione ordini, fornendo una metrica chiara per tracciare l'accuratezza e l'impatto economico delle discrepanze.

Si tratta di un campo calcolato derivato nello strumento di Process Mining tramite la formula: QuantitàEffettiva - QuantitàPianificata.

Questo attributo booleano identifica i casi di rilavorazione, come un'attività di "Merci prelevate dal magazzino" eseguita più di una volta per lo stesso materiale all'interno di un singolo ordine. Viene derivato analizzando i modelli nel flusso del processo.\n\nSegnalare le rilavorazioni è fondamentale per identificare inefficienze ed errori nei processi. Aiuta a quantificare il KPI "Tasso di rilavorazione picking" e consente agli analisti di isolare e indagare i casi con passaggi ripetuti. Comprendere le cause delle rilavorazioni è la chiave per ridurre i costi operativi e migliorare la qualità del processo.

Segnala cicli inefficienti e duplicazioni di lavoro, che sono spesso fonti nascoste di ritardi e aumento dei costi operativi.

Si tratta di un attributo calcolato, in genere derivato all'interno dello strumento di Process Mining definendo regole che rilevano specifici modelli di attività ripetute (ad es. auto-loop o loop brevi).

Questo attributo booleano è derivato dal confronto tra la "Data di completamento effettiva" e la "Data di completamento richiesta". È vero se l'ordine è stato completato in tempo e falso se è in ritardo.\n\nQuesto attributo semplifica l'analisi delle prestazioni consentendo un facile filtraggio e aggregazione. È la base per il calcolo del KPI "Tasso di spedizioni puntuali" e alimenta le dashboard che monitorano l'adesione agli SLA del cliente. Separa rapidamente gli ordini conformi da quelli non conformi, consentendo l'analisi delle cause scatenanti sugli ordini in ritardo.

Semplifica il reporting delle performance convertendo i confronti tra date in un semplice flag vero/falso, rendendo immediato il calcolo del tasso di spedizioni puntuali.

Calcolato confrontando 'ActualCompletionDate' <= 'RequestedCompletionDate'. Questa logica viene applicata nello strumento di Process Mining.

Lo Shipment ID è un identificatore di livello superiore che raggruppa uno o più ordini di magazzino che vengono trasportati insieme sullo stesso veicolo o come parte della stessa spedizione. Collega i singoli ordini a uno specifico evento di trasporto.\n\nNell'analisi, lo Shipment ID consente una visione più ampia delle operazioni logistiche. Può essere utilizzato per analizzare l'efficienza del processo di consolidamento nelle fasi di staging e carico, misurare le prestazioni di puntualità a livello di spedizione e capire come il consolidamento degli ordini influisca sui lead time complessivi.

Raggruppa più ordini in un unico evento di spedizione, consentendo l'analisi dei processi di consolidamento, staging e carico.

Presente nelle tabelle di gestione trasporti o spedizioni in Manhattan SCALE. Questo ID di solito rimanda a più ordini di magazzino.

Questo attributo identifica il partner logistico o il vettore (ad es. FedEx, UPS, DHL) assegnato a una spedizione in uscita. Collega il processo di magazzino alla fase di trasporto a valle.\n\nL'analisi delle prestazioni per vettore può rivelare informazioni importanti sulla supply chain. Aiuta a determinare se certi vettori sono associati a tempi di staging più lunghi, ritardi frequenti o requisiti di movimentazione specifici. Queste informazioni possono essere utilizzate per valutare le prestazioni dei vettori e ottimizzare le partnership logistiche.

Collega le operazioni di magazzino ai partner logistici, consentendo l'analisi delle performance per vettore per identificare potenziali colli di bottiglia legati al trasporto.

Presente nelle tabelle di pianificazione spedizioni o trasporti in Manhattan SCALE, spesso collegate alla testata dell'ordine.

Questo attributo indica la quantità di un articolo che si prevedeva di ricevere, prelevare o movimentare in base all'ordine di magazzino originale o all'istruzione dell'attività. È la linea di base rispetto alla quale viene misurata l'operazione nel mondo reale.\n\nQuesto valore viene utilizzato insieme alla "Quantità effettiva" per calcolare le discrepanze. Differenze frequenti tra le quantità pianificate e quelle effettive possono segnalare problemi con le spedizioni dei fornitori, l'accuratezza dell'inventario o i processi di picking, rendendo questo un attributo chiave per l'analisi della qualità e dell'accuratezza.

Funge da base per misurare l'accuratezza delle quantità, aiutando a identificare discrepanze che influiscono sull'inventario e sull'evasione degli ordini.

Presente nelle tabelle delle righe d'ordine o nei dettagli dei task in Manhattan SCALE.

Questo attributo registra il risultato dell'attività "Controllo qualità eseguito". Indica se le merci ricevute soddisfano gli standard qualitativi richiesti o se sono necessarie ulteriori azioni.\n\nSi tratta di un attributo fondamentale per l'analisi della gestione della qualità. Aiuta a monitorare il "Tasso di conformità del controllo qualità" non solo in termini di adesione, ma anche di esiti. Analizzare i tassi di fallimento per fornitore o materiale può aiutare a migliorare le decisioni di acquisto e a ridurre i costi a valle associati a merci di scarsa qualità.

Fornisce l'esito dei controlli qualità, consentendo l'analisi della qualità dei fornitori, dei problemi dei prodotti e dell'efficacia del processo di ispezione.

Consulti la documentazione di Manhattan SCALE. Probabilmente è memorizzato in tabelle relative alla gestione qualità o ai task di ricezione.

Questa metrica calcolata misura la durata di una parte critica del processo inbound: il tempo intercorso tra l'attività "Merci ricevute e conteggiate" e l'attività "Merci stoccate in magazzino". Quantifica l'efficienza della banchina di ricezione e delle operazioni di stoccaggio.\n\nQuesta durata è un input fondamentale per la Dashboard "Ciclo dalla ricezione allo stoccaggio" e per il relativo KPI. Valori elevati per questa metrica possono indicare colli di bottiglia alla banchina di ricezione, ritardi nella creazione di attività di stoccaggio o percorsi di spostamento inefficienti, tutti fattori che ritardano la disponibilità dell'inventario.

Isola e misura l'efficienza di una fase critica del processo in entrata, evidenziando i colli di bottiglia che ritardano la disponibilità dell'inventario.

Si tratta di un campo calcolato, derivato calcolando la differenza di tempo tra gli eventi "Merci ricevute e conteggiate" e "Merci stoccate in magazzino" per un determinato caso.

Questa metrica calcolata misura la durata totale per ogni ordine di magazzino, dall'evento "Ordine di magazzino creato" all'evento "Ordine di magazzino completato". È un indicatore chiave di prestazione che misura l'efficienza end-to-end dell'intero processo di evasione del magazzino.\n\nNelle dashboard e nelle analisi, questo attributo fornisce una visione di alto livello delle prestazioni complessive. Viene utilizzato per tracciare i trend, identificare gli outlier (tempi di ciclo prolungati) e confrontare le prestazioni nel tempo. Supporta direttamente la Dashboard "Tempo totale del ciclo di evasione ordini" e il relativo KPI.

Si tratta di un KPI fondamentale che misura la velocità e l'efficienza end-to-end del magazzino, influenzando direttamente la soddisfazione del cliente e i costi operativi.

Si tratta di un campo calcolato, ottenuto calcolando la differenza tra i timestamp del primo e dell'ultimo evento per ogni Warehouse Order.

Questo attributo identifica l'ubicazione fisica (ad es. Corsia 5, Cella 3, Livello C) coinvolta in un'attività di deposito o prelievo. Fornisce un contesto spaziale al processo di magazzino.\n\nL'analisi delle attività per ubicazione di stoccaggio è fondamentale per ottimizzare il layout del magazzino e il flusso dei materiali. Può aiutare a identificare le ubicazioni consultate frequentemente, i percorsi di spostamento inefficienti durante il picking o le aree soggette a congestione. Questi dati supportano l'analisi dell'efficienza di stoccaggio e prelievo, rivelando opportunità per migliorare le strategie di deposito.

Fornisce il contesto spaziale ai movimenti di magazzino, consentendo l'analisi dell'efficienza del layout, dei tempi di percorrenza e l'ottimizzazione dei percorsi di picking.

Contenuto nei dati a livello di task per le attività di messa a dimora e prelievo in Manhattan SCALE, in campi come 'location_id', 'bin_code' o 'source_location'.