Un operatore logistico 3PL con una rete ampia di vettori e migliaia di spedizioni al mese vive la tensione tipica del settore: margini sottili, prezzi del trasporto sotto pressione e clienti sempre più esigenti su tempi e tracciabilità. Ottimizzare il routing — chi trasporta cosa, quando e su quale percorso — era la leva più ovvia, ma anche la più difficile da gestire manualmente su questi volumi.
La risposta è stata integrare SAP TM (Transportation Management) con un motore di routing basato su machine learning ospitato su Azure. Il sistema valuta in tempo reale vettori disponibili, capacità, costi, finestre di consegna e vincoli, e propone l'allocazione ottimale di ogni spedizione, mantenendo SAP TM come sistema di esecuzione e controllo.
Benchmark di settore osservati
- Fino a −15–20% di costo per spedizione
- Riduzione significativa delle emissioni di CO₂
- Miglioramento rilevante del fill rate dei vettori
Il dato che lega tutti gli altri è il fill rate: riempire meglio i mezzi è il modo più diretto per abbassare sia i costi sia le emissioni. Un camion che parte pieno trasporta lo stesso valore con meno viaggi. Il miglioramento del fill rate è quindi la radice comune della riduzione di costo e di CO₂: non sono tre risultati separati, ma tre facce della stessa ottimizzazione.
Perché il machine learning batte le regole fisse
Il routing tradizionale si basa su regole statiche e su tariffari negoziati. Funziona finché le condizioni non cambiano, ma il mondo della logistica cambia in continuazione: disponibilità dei vettori, congestione, picchi di domanda. Un modello ML che impara dai dati reali si adatta a queste variazioni e trova combinazioni che nessuna regola fissa avrebbe previsto. Su grandi volumi di spedizioni, anche piccoli miglioramenti per spedizione si sommano in un risparmio strutturale.
Nella logistica il guadagno non viene da una grande intuizione, ma da migliaia di micro-decisioni di allocazione prese meglio, ogni giorno, in automatico.
L'integrazione che fa la differenza
Molti progetti di ottimizzazione del trasporto falliscono perché vivono in un foglio di calcolo o in un tool separato che nessuno usa nell'operatività quotidiana. Qui la scelta vincente è stata mantenere SAP TM al centro: il modello suggerisce, ma l'esecuzione, il tracking e la fatturazione restano nel sistema che gli operatori già conoscono. L'AI si inserisce nel flusso senza chiedere a nessuno di cambiare mestiere.
La sostenibilità come effetto collaterale virtuoso
Il −25% di CO₂ non era l'obiettivo iniziale: era il risparmio sui costi. Ma in logistica efficienza ed emissioni sono profondamente legate, e per un operatore 3PL questo dato è diventato un argomento commerciale concreto verso i clienti che hanno target di riduzione delle emissioni di scope 3. Un progetto nato per difendere il margine si è trasformato anche in un vantaggio competitivo sulla sostenibilità — un esempio di come l'ottimizzazione data-driven generi valore su più dimensioni contemporaneamente.
Resilienza, non solo efficienza
Un beneficio meno evidente del routing intelligente è la resilienza. Quando un vettore salta, una rotta si congestiona o la domanda ha un picco improvviso, un sistema che riallochi automaticamente le spedizioni assorbe lo shock molto meglio di un processo manuale. Per un 3PL, dove l'imprevisto è la norma, questa capacità di riassetto rapido vale quanto il risparmio diretto: significa rispettare gli SLA verso i clienti anche nelle giornate difficili. La riduzione di costo è il titolo, ma la robustezza operativa che il modello porta con sé è ciò che fidelizza i clienti nel lungo periodo e protegge il margine quando le cose vanno storte.
In conclusione, il routing intelligente dimostra che nella logistica il valore non nasce da un singolo grande progetto, ma da migliaia di decisioni quotidiane prese meglio: efficienza, sostenibilità e affidabilità del servizio si rafforzano insieme, e proprio questa convergenza rende l'investimento solido e difficilmente reversibile.
