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.
Radar del Rischio
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.