Apex
Vedere le crisi prima che accadano
Apex è una piattaforma di comando per la supply chain che aggrega flussi real-time da 50+ vettori e autorità portuali, li processa con modelli ML proprietari e restituisce previsioni di rischio a 72 ore navigabili su un globo 3D interattivo. Il rumore diventa decisione.
Risk Radar
Anno
2024
Cliente
Operatore logistico europeo di primo piano (riservato)
Ruolo
Product design, architettura di sistema, full-stack e modellazione ML
Durata
9 mesi
Team
5 ingegneri, 1 data scientist, 1 designer
Categoria
Logistica & Supply Chain
// Il contesto
Il 2024 ha segnato il picco di instabilità nelle rotte globali: congestione nel Mar Rosso, allerte meteo nell'Atlantico settentrionale e colli di bottiglia nei porti nordeuropei. Il cliente gestiva oltre 2.400 spedizioni attive al giorno su quattro continenti, con strumenti disgiunti e fogli aggiornati a mano. La finestra media per reagire a un'interruzione era meno di sei ore, spesso già troppo tardi.
// La sfida
La sfida non era raccogliere i dati, ma renderli azionabili in tempo reale. Ogni vettore esponeva formati e cadenze diverse; i dati meteo e portuali vivevano in silos incompatibili; e i modelli dovevano valutare ogni spedizione attiva ogni cinque minuti senza degradare l'interfaccia. Comunicare il rischio con la chiarezza di un semaforo, senza appiattire la complessità, è stato il vincolo di design più duro.
// La soluzione
Abbiamo costruito un data lake su PostgreSQL con TimescaleDB per le serie temporali ad alta frequenza, orchestrando i feed dei vettori via Kafka per fault tolerance e backpressure controllata. Il layer ML in Python con FastAPI espone un endpoint di scoring che combina meteo ECMWF, indici di congestione portuale e storico vettori in un unico punteggio di rischio a 72 ore. Il frontend Next.js consuma GraphQL e renderizza un globo WebGL con archi animati che codificano severità, volume e direzione in un'unica vista 'god-mode'.
Globo 3D in tempo reale
Una visualizzazione Three.js renderizza 2.000+ rotte attive, codificando rischio, volume e direzione a 60 fps su hardware standard.
Previsione rischi a 72 ore
Il modello combina meteo ECMWF, congestione portuale AIS e affidabilità storica dei vettori in un punteggio aggiornato ogni cinque minuti.
Data lake unificato
L'architettura Kafka + TimescaleDB normalizza i feed di 50+ vettori in un unico schema interrogabile, eliminando i silos.
Alert proattivi intelligenti
Un motore di notifiche graduate scatta solo oltre soglie di confidenza calibrate, riducendo il rumore degli alert del 74%.
Discovery & architettura
Quattro settimane di shadowing coi team operativi per mappare flussi di dati, reali colli di bottiglia decisionali e l'architettura di ingestione.
Data pipeline & ML
Data lake Kafka + TimescaleDB, normalizzazione dei 50+ feed e training iterativo del modello di rischio su due anni di interruzioni storiche.
Design & prototyping
Tre cicli di prototipazione ad alta fedeltà, inclusi A/B test del globo con operatori reali, prima di scrivere una riga di WebGL.
Rollout & ottimizzazione
Lancio in produzione con 40 pianificatori pilota, poi sei settimane di tuning delle soglie di allerta e affinamento del modello.
Prima di Apex la nostra visibilità finiva alla porta del magazzino. Ora vediamo l'intera rete in una schermata e sappiamo cosa sta per succedere prima che succeda: non è un nuovo strumento, è un modo completamente diverso di gestire le operazioni.
Marco Dellafiore, VP Operations, cliente riservato
// L'impatto
Apex ha trasformato un processo reattivo in uno predittivo: i team intervengono in media 31 ore prima che un'interruzione diventi critica. Il cliente ha esteso la piattaforma a due nuove business unit nei sei mesi successivi al lancio.