Big Data nella gestione delle scorte di materie prime PE” 

Big data nella gestione delle scorte delle materie prime PE: dal caos alle previsioni accurate

AttuazioneBig Data nella gestione delle scorte delle materie prime PE(polietilene) ha cessato di essere un concetto teorico ed è diventato un fattore critico di sopravvivenza per le imprese manifatturiere nel 2026. Abbiamo visto aziende che ignorano l'analisi dei dati perdere fino al 18% del loro capitale circolante a causa del congelamento delle scorte o di improvvisi tempi di inattività della linea di estrusione. Nella nostra pratica, lavorare con grandi trasformatori di plastica ha dimostrato che la pianificazione intuitiva degli acquisti di granulato non funziona più in condizioni di volatilità dei prezzi del petrolio e interruzioni delle catene di approvvigionamento. Questo articolo non elenca solo i vantaggi dell'analisi: analizzeremo algoritmi specifici, errori di implementazione e casi reali in cui il passaggio a un approccio basato sui dati ha ridotto i costi di archiviazione del 34%.

Se sei responsabile dell'acquisto di polietilene (LDPE, LLDPE, HDPE) o della gestione di un magazzino di materie prime polimeriche, conosci il dolore: il fornitore promette la spedizione, ma il container rimane bloccato nel porto per due settimane e la produzione si ferma. O viceversa: il magazzino è pieno di costose materie prime importate, che nessuno ordina, perché il mercato si è bruscamente spostato verso i granulati riciclati. L’utilizzo dei big data rende possibile trasformare questi rischi in variabili gestibili. Di seguito esamineremo in dettaglio come costruire un sistema di questo tipo, quali parametri monitorare e perché i sistemi ERP standard spesso falliscono senza aggiungere moduli analitici.

Perché i metodi di previsione tradizionali falliscono quando si ha a che fare con il polietilene

I metodi di pianificazione tradizionali basati su medie mobili o semplici dati storici sono fondamentalmente sbagliati per il mercato delle poliolefine. Nella nostra pratica, si è verificato un caso in cui un impianto di produzione di film ha utilizzato i dati di vendita dell'anno precedente per formare un ordine di HDPE. Il risultato è stato disastroso: hanno acquistato 400 tonnellate di materie prime per il soffiaggio, mentre un cliente chiave è passato a film LLDPE più sottili con proprietà reologiche diverse. Le perdite ammontavano a oltre 6 milioni di rubli solo per i costi di stoccaggio e il successivo ribasso del materiale. Il problema era che il modello non teneva conto di fattori esterni: cambiamenti nelle tariffe energetiche, nuovi standard ambientali di imballaggio e fluttuazioni dei prezzi spot dell’etilene.

Le materie prime PE hanno caratteristiche specifiche che non possono essere ignorate. Innanzitutto è igroscopico e sensibile alle condizioni di conservazione. I dati sulla temperatura e l'umidità del magazzino devono essere correlati ai dati sulla durata di conservazione del lotto. In secondo luogo, il polietilene è una merce fortemente dipendente dal prezzo del petrolio Brent e dai tassi di cambio. Gli algoritmi di apprendimento automatico possono analizzare migliaia di flussi di notizie e quotazioni azionarie in tempo reale, prevedendo un aumento dei prezzi con 3-5 giorni di anticipo. Un normale responsabile degli acquisti non è fisicamente in grado di elaborare manualmente un tale volume di informazioni.

Un altro errore critico è ignorare la qualità delle materie prime in entrata. I sistemi Big Data consentono di aggregare i dati di controllo in entrata (MFI, densità, presenza di gel) e confrontarli con fornitori e lotti specifici. Se il sistema rileva che il fornitore "A" ha costantemente avuto un indice di fusione al di fuori dei limiti di tolleranza nelle ultime tre spedizioni, riduce automaticamente la valutazione di affidabilità di questo fornitore e consiglia di aumentare le scorte di sicurezza da un fornitore alternativo. Ciò previene difetti sulla linea di estrusione, che possono costare più delle materie prime stesse.

Per una gestione efficace è necessario passare da un modello reattivo (“esauriamo – compriamo”) ad uno predittivo. Ciò richiede l’integrazione di dati provenienti da diverse fonti: il sistema ERP, i sensori IoT sui silos, le dichiarazioni doganali e persino i bollettini meteorologici che influiscono sulla logistica. Inizia con un audit delle tue attuali fonti di dati: se le informazioni sul consumo di materie prime vengono raccolte in fogli di calcolo Excel una volta alla settimana, sei già in ritardo.

Metriche chiave da monitorare in tempo reale

Successo dell'implementazioneBig Data nella gestione delle scorte delle materie prime PEdipende dalla scelta corretta della metrica. Non cercare di tenere traccia di tutto in una volta: concentrati sugli indicatori che influiscono direttamente sui margini e sulla continuità della produzione.

• Accuratezza della previsione della domanda (Accuratezza della previsione):La differenza tra il consumo pianificato e quello effettivo di granuli per ciascuna marca. La deviazione consentita per una produzione stabile non deve superare il 5%. Se è più alto, significa che il tuo modello non tiene conto della stagionalità o delle promozioni di marketing dei clienti.
• Fatturato delle scorte:Per il polietilene la velocità ottimale varia da 8 a 12 giri all'anno. Un valore inferiore a 6 indica un eccesso di scorte e il rischio di degrado delle proprietà del materiale (soprattutto per i gradi stabilizzati). Una lettura superiore a 15 può indicare un rischio di carenza e interruzioni della linea.
• Livello di servizio:Percentuale di ordini completati in tempo e per intero. Nel contesto delle materie prime, ciò significa avere in stock il grado di PE richiesto al momento del lancio del programma di produzione. L’obiettivo è del 98-99%.
• Costo di trasporto:Comprende non solo il prezzo di acquisto, ma anche il costo dell'affitto del magazzino, dell'assicurazione, delle perdite da differenze inventariali e dei costi di capitale. Per i polimeri questa cifra è spesso sottostimata e ammonta al 20-25% annuo del costo del prodotto.
• Variabilità dei tempi di consegna:È più importante conoscere non il tempo medio di consegna, ma la sua dispersione. Se il fornitore trasporta merci per 10 o 25 giorni, è necessaria un'enorme scorta di sicurezza. La riduzione della variabilità attraverso l'analisi riduce questo buffer.

L’implementazione del monitoraggio di questi indicatori richiede la creazione di dashboard aggiornate quotidianamente. Il manager dovrebbe vedere non solo “il saldo è di 100 tonnellate”, ma la previsione “tra 12 giorni il saldo sarà critico all’attuale tasso di consumo”.

Architettura del sistema di acquisizione dati: dai sensori al cloud storage

La costruzione di un sistema affidabile inizia dalle infrastrutture. Molte imprese russe commettono l’errore di cercare di adattare moderni strumenti analitici ad apparecchiature obsolete. Per lavorare con i big data nel contesto delle materie prime PE, è necessaria la completa digitalizzazione dei processi fisici. Il primo passo è l'installazione di misuratori di livello e sistemi di pesatura su silos e bunker con supporto ai protocolli di trasferimento dati (Modbus, OPC UA). I dati sul livello di riempimento dovrebbero essere inseriti in un database centrale ogni 15-30 minuti anziché essere inseriti manualmente dall'operatore alla fine del turno.

Il livello successivo è l'integrazione con il sistema di gestione delle informazioni di laboratorio (LIMS). Il certificato di qualità di ciascun lotto di polietilene (densità, MFI, contenuto di umidità) deve essere digitalizzato e collegato ad un identificatore di lotto univoco. Questo ci permette di costruire ulteriormente correlazioni tra i parametri delle materie prime e la qualità del prodotto finito. Ad esempio, il sistema è in grado di rilevare che quando il contenuto di umidità del granulato è superiore allo 0,05%, la quantità di film scartati aumenta del 12% e blocca automaticamente l'utilizzo di tale lotto per ordini critici.

L'elemento centrale dell'architettura è il Data Lake, un repository di dati non strutturati. Informazioni da sistemi ERP (1C, SAP), CRM, dati da fornitori di logistica (tracciabilità dei container), quotazioni azionarie ICIS o Platts, nonché flussi di feed di notizie qui. È importante garantire un unico namespace: il marchio “PE 158-13” di un fornitore e “HDPE 158-13” di un altro devono essere identificati come lo stesso materiale. Gli errori nei dati anagrafici sono la causa principale degli errori di analisi.

La sicurezza dei dati in un sistema di questo tipo è fondamentale. Le informazioni commerciali sui volumi e sui prezzi degli acquisti sono un segreto strategico. Quando si scelgono soluzioni o server cloud, è necessario orientarsi agli standard di sicurezza delle informazioni rilevanti per la Federazione Russa (ad esempio, i requisiti FSTEC), soprattutto se viene utilizzata un'infrastruttura ibrida. La crittografia dei canali di trasmissione dei dati dai sensori dell'officina al server è obbligatoria.

Non dovresti provare ad acquistare una soluzione chiavi in ​​mano già pronta. Il mercato delle materie prime PE è troppo specifico. L'approccio migliore è l'assemblaggio modulare: prendi una piattaforma affidabile per la visualizzazione (ad esempio, basata su soluzioni aperte o sistemi industriali adattati) e scrivi i tuoi script per l'analisi predittiva per le tue attività. Ciò garantisce flessibilità e indipendenza dal fornitore.

Integrazione di fattori esterni: l'impatto della macroeconomia sulle scorte

Gestire le scorte di polietilene è impossibile da solo. I prezzi del PE primario sono strettamente legati al costo della nafta e del gas, oltre che ai tassi di cambio. Gli algoritmi dovrebbero estrarre automaticamente i dati dalle borse merci e dai mercati dei cambi. Se il tasso di cambio del rublo scende, il sistema dovrebbe segnalare la necessità di acquistare anticipatamente materie prime importate o di passare a marchi nazionali se il loro prezzo non si è ancora adeguato.

Anche i vincoli logistici giocano un ruolo. Nel contesto della pressione delle sanzioni e dei cambiamenti nelle rotte di fornitura, i tempi di consegna dall’Asia o dall’Europa sono diventati imprevedibili. L'analisi dei dati sulla congestione portuale, sullo sdoganamento e sulla disponibilità delle cabinovie ci consente di adeguare i piani di approvvigionamento. Ad esempio, se il sistema vede una coda per lo scarico nel porto di Vladivostok per più di 7 giorni, offrirà di modificare in anticipo il percorso attraverso Novorossijsk o di aumentare le scorte di magazzino del 10%.

Applicazione pratica: due casi reali di ottimizzazione

La teoria è buona, ma i numeri parlano più forte. Diamo un'occhiata a due esempi tratti dalla nostra pratica di implementazione dell'analisi presso le imprese del settore dei polimeri. Questi casi dimostrano comeBig Data nella gestione delle scorte delle materie prime PEtrasforma le prestazioni aziendali.

Caso 1: produttore di pellicole per imballaggio (Russia centrale)

Problema:L'azienda doveva far fronte a costanti tempi di inattività degli estrusori a tre strati a causa della carenza di un tipo specifico di LLDPE per lo strato interno. Il magazzino era traboccante di LDPE universale. Il capitale circolante è stato congelato per un importo di circa 45 milioni di rubli. La logistica dal fornitore principale (Cina) ha richiesto dai 30 ai 50 giorni con un'enorme variazione.

Soluzione:È stato implementato un sistema di analisi predittiva che combinava i dati del piano di produzione, i consumi storici e i dati di tracciamento delle navi in tempo reale. L'algoritmo ha iniziato a calcolare il punto dell'ordine non a un livello fisso, ma in modo dinamico, tenendo conto del probabile orario di arrivo del carico. Anche la gamma dei prodotti è stata segmentata: è emerso che il 20% dei marchi di materie prime fornisce l'80% della produzione.

Risultato:Nel corso dei 6 mesi di funzionamento del sistema, il livello di servizio è aumentato dall'82% al 97%. Le scorte di sicurezza sugli articoli chiave sono state ridotte del 35%, liberando liquidità. Il numero dei tempi di inattività dovuti alla mancanza di materie prime è sceso a zero. Un ulteriore vantaggio: il sistema ha scoperto che la sostituzione di un costoso additivo importato con un analogo di un produttore locale (dopo una serie di test in laboratorio) non influisce sulla qualità, il che ha ridotto il costo di kg di pellicola di 4 rubli.

Caso 2: Impianto di prodotti per tubazioni (Ural)

Problema:Alta percentuale di difetti nella produzione di tubi a pressione in PE100. Una volta al trimestre venivano effettuati acquisti in grandi quantità per ottenere uno sconto all'ingrosso, il che comportava uno stoccaggio a lungo termine del granulato. Si è scoperto che, se conservati in condizioni inferiori agli standard (sbalzi di temperatura in un magazzino non riscaldato in inverno), alcuni lotti perdevano la stabilità della distruzione termico-ossidativa.

Soluzione:Implementazione di sensori IoT per il controllo del microclima nelle aree di stoccaggio delle materie prime e integrazione di questi dati con il sistema di gestione della qualità. È stato sviluppato l’algoritmo “first to spoiler, first to Leave” (FEFO – First Expired, First Out), in sostituzione dell’obsoleto FIFO. Il sistema ha assegnato automaticamente al lotto con il rischio di deterioramento più elevato la spedizione prioritaria alla produzione.

Risultato:I difetti in fase di estrusione dei tubi sono diminuiti dal 3,5% allo 0,8%. I risparmi derivanti dalla cancellazione delle materie prime avariate ammontavano a oltre 12 milioni di rubli all'anno. Inoltre, il rifiuto dei lotti ultra-grandi ci ha permesso di passare a uno schema di approvvigionamento più flessibile, in risposta al calo dei prezzi spot, che ha comportato un ulteriore risparmio del 7% sul prezzo di acquisto.

Questi esempi mostrano che gli investimenti nell’analisi vengono ripagati in mesi, non anni. La cosa principale è iniziare a raccogliere i dati correttamente e non aver paura di modificare i processi di approvvigionamento consolidati.

Errori tipici di implementazione e come evitarli

Il percorso verso la trasformazione digitale del magazzino delle materie prime è disseminato di rastrelli. La maggior parte dei progetti si blocca non a causa della complessità della tecnologia, ma a causa del fattore umano e di calcoli metodologici errati. Ecco un elenco degli errori che vediamo più spesso e come prevenirli.

Errore n. 1: “Immondizia dentro, spazzatura fuori”.Un tentativo di creare analisi avanzate basate su dati contabili imprecisi. Se i negozianti confondono i marchi, fanno l’inventario nel momento sbagliato o inseriscono i dati in ritardo, nessuna intelligenza artificiale può salvare la situazione.
Soluzione:Prima dell’automazione, metti in ordine i tuoi processi. Implementa codici a barre o tag RFID su borse e big bag. Rendere la contabilità un passaggio obbligatorio, senza il quale la movimentazione del materiale è impossibile. Effettuare un inventario completo prima di avviare il sistema.

Errore n. 2: ignorare la resistenza del personale.Acquirenti e negozianti spesso percepiscono il sistema come uno strumento di controllo e una minaccia alla loro competenza. Potrebbero sabotare l'immissione dei dati o cercare soluzioni alternative.
Soluzione:Spiegare al team che il sistema è un assistente che li solleva dalla routine e dalla responsabilità per gli errori di previsione. Motivare i dipendenti con KPI relativi all'accuratezza dei dati e all'efficienza degli strumenti. La formazione dovrebbe essere continua e non un evento una tantum.

Errore n.3: cercare il modello perfetto fin dal primo giorno.La voglia di implementare subito un complesso algoritmo di rete neurale che tenga conto di mille fattori. Tali progetti si trascinano per anni e spesso falliscono.
Soluzione:Muoviti per iterazioni. Inizia con una semplice regressione lineare e un reporting di base. Modificare il processo di raccolta dei dati. Quindi aggiungi la complessità: fattori esterni, apprendimento automatico. Un modello semplice che funziona oggi è migliore di uno ideale promesso tra un anno.

Errore n. 4: mancanza di feedback.Il sistema fa una previsione, ma nessuno controlla in che misura si è avverata e non aggiusta gli algoritmi.
Soluzione:Implementare un rituale settimanale di verifica dell'accuratezza delle previsioni (riunioni S&OP). Analizzare le deviazioni: perché il sistema ha commesso un errore? È stata forza maggiore o un errore del modello? Riqualificare costantemente il sistema su nuovi dati è la chiave della sua efficacia.

Standard e regolamentazione nell’era digitale

È importante aderire agli standard di settore quando si lavora con la gestione della qualità dei dati e delle materie prime. In Russia e nei paesi EAEU, il documento principale che regola i requisiti per il polietilene èGOST 16338-85 (Polietilene a bassa densità)eGOST 16337-77 (Polietilene ad alta densità), anche se sempre più produttori stanno passando a specifiche o standard ISO internazionali per i prodotti di esportazione. Il sistema digitale deve tenere conto dei requisiti di questi standard durante la convalida delle materie prime in entrata.

Anche il rispetto dei requisiti è un aspetto importanteISO9001:2015in termini di gestione documentata e tracciabilità delle informazioni. I big data forniscono una traccia di controllo ideale: puoi sempre dimostrare quale lotto di materie prime è stato inviato a quale ordine, quali parametri aveva e chi ha deciso di utilizzarlo. Ciò è fondamentale quando si trattano i reclami di grandi clienti, come l'industria del gas o i produttori di tubi per l'approvvigionamento idrico.

In materia di sicurezza informatica, vale la pena concentrarsi sulle raccomandazioni delle autorità di regolamentazione in materia di protezione dei dati personali e segreti commerciali. Alla luce della sostituzione delle importazioni, l'utilizzo di software nazionali nella gestione della produzione sta diventando non solo una tendenza, ma un'esigenza del momento. Molte moderne piattaforme di analisi industriale di fabbricazione russa non sono più inferiori alle loro controparti occidentali in termini di funzionalità, ma sono superiori in termini di velocità di supporto e adattamento alle realtà locali.

Il ruolo di apparecchiature affidabili nell'ecosistema petrolchimico

La trasformazione digitale e una gestione accurata delle scorte sono impossibili senza l’affidabilità fisica dell’infrastruttura di produzione. Anche l’algoritmo di previsione più avanzato non salverà un impianto se le principali apparecchiature di processo si guastano a causa della corrosione o del mancato rispetto dei parametri di processo. Qui partner comeWuxi Kaisheng Energia elettrica e attrezzature petrolchimiche Co., Ltd..

L'azienda è specializzata nello sviluppo e nella produzione di apparecchiature petrolchimiche e per il trasferimento di calore ad alta tecnologia, che rappresentano il cuore di molti processi di lavorazione di polimeri e materie prime. Nel contesto della produzione di polietilene e degli ambienti difficili, i componenti in grado di resistere a pressioni e temperature estreme sono fondamentali. I prodotti Wuxi Kaisheng, inclusi gli scambiatori di calore a fascio tubiero in titanio, le unità ad alta pressione ASME e i fasci di tubi corrugati in acciaio inossidabile 316, garantiscono la stabilità del ciclo di processo.

Particolare attenzione va posta ai materiali: l'utilizzo di ottone marino C46400, leghe rame-nichel e leghe di nichel N06625 garantiscono un'elevata resistenza alla corrosione a contatto con i vari agenti chimici utilizzati nella raffinazione del petrolio e nell'industria chimica. Le piastre tubiere e i raffreddatori ad aria affidabili di Wuxi Kaisheng riducono al minimo i rischi di fermi di produzione non programmati, che incidono direttamente sulla precisione dei piani calcolati dai sistemi Big Data. Le apparecchiature certificate PED e ASME dell'azienda sono ampiamente utilizzate non solo nel settore petrolchimico, ma anche nella desalinizzazione dell'acqua, nella costruzione navale e nel risparmio energetico, fornendo ai clienti di tutto il mondo soluzioni personalizzate per applicazioni complesse.

Il futuro della gestione delle scorte: cosa ci aspetta nel 2026-2027

Il mercato non si ferma. Tecnologie che ieri sembravano futuristiche oggi stanno diventando standard. Cosa cambierà nella gestione delle materie prime PE nel prossimo futuro?

Acquisto autonomo.I sistemi raggiungeranno un punto in cui potranno generare e inviare ordini ai fornitori in modo indipendente quando vengono raggiunte le soglie, richiedendo la conferma umana solo per situazioni non standard. I contratti intelligenti sulla blockchain possono automatizzare il pagamento alla conferma della spedizione.

Gemelli digitali del magazzino.Creare una copia virtuale del magazzino permetterà di simulare diversi scenari: “Cosa accadrà se il fornitore ritarda il carico di una settimana?”, “Come ottimizzare la disposizione dei big bag per ridurre al minimo i tempi di carico?”. Ciò consentirà di prendere decisioni senza rischiare la produzione effettiva.

Integrazione con l’economia circolare.Con la quota crescente di polietilene riciclato (PE riciclato), i sistemi di gestione dovranno tenere conto dell’eterogeneità di questa materia prima. Gli algoritmi selezioneranno miscele di granulato primario e secondario per raggiungere le proprietà target del prodotto a un costo minimo, analizzando i dati sulla qualità di ciascun lotto di riciclato.

Le aziende che iniziano a implementare queste tecnologie ora otterranno un vantaggio competitivo significativo. Coloro che rimangono bloccati nei giornali cartacei e in Excel rischiano di perdere margini e quote di mercato a favore di operatori più agili.

Domande frequenti

Quanto tempo è necessario per implementare un sistema Big Data per la gestione dell'inventario?

Il periodo dipende dal livello iniziale di digitalizzazione dell’impresa. Se disponi di un ERP moderno e di una contabilità di magazzino automatizzata, un sistema di analisi di base può essere implementato in 2-3 mesi. Il ciclo completo, compresa l'installazione dei sensori, la pulizia dei dati e i modelli di addestramento, richiede solitamente dai 6 ai 9 mesi. Non credere ai venditori che promettono "implementazione in 2 settimane": la personalizzazione di alta qualità per le specifiche del polietilene richiede tempo per raccogliere statistiche.

I responsabili degli acquisti dovrebbero essere licenziati dopo aver implementato l’intelligenza artificiale?

No, il ruolo dell'acquirente si sta trasformando, ma non sta scomparendo. L'intelligenza artificiale si occupa dei calcoli e del monitoraggio di routine, liberando tempo specialistico per compiti strategici: trattative con i fornitori, ricerca di nuovi materiali, risoluzione di problemi logistici complessi e costruzione di relazioni. La persona rimane il decisore finale in situazioni non standard che l’algoritmo non può prevedere.

È possibile utilizzare i servizi cloud per archiviare i dati sugli acquisti di materie prime?

Sì, puoi, ma con riserva. È necessario scegliere fornitori che forniscano l'archiviazione dei dati sul territorio della Federazione Russa (secondo 152-FZ) e dispongano di certificati di sicurezza. Per informazioni particolarmente sensibili (ricette, volumi esatti di consumo per specifici ordini governativi), è consigliabile utilizzare un modello ibrido: dati critici su server locali, analisi e dati non critici nel cloud.

Qual è la quantità minima di dati necessaria affinché gli algoritmi inizino a funzionare?

Per costruire un modello di previsione di base, è consigliabile disporre di almeno 12-18 mesi di cronologia dei dati per tenere conto della stagionalità. Tuttavia, è necessario iniziare subito a raccogliere e strutturare i dati, anche se ce ne sono pochi. I metodi moderni consentono di riqualificare i modelli man mano che nuove informazioni diventano disponibili. Aspettare il “set di dati perfetto” è un errore che porta a un ritardo infinito nella partenza.

Conclusione: il tuo prossimo passo verso l'efficacia

La gestione delle scorte delle materie prime del polietilene è entrata in una nuova era in cui vince chi possiede i dati.Big Data nella gestione delle scorte delle materie prime PEnon è solo un termine di moda, ma uno strumento di lavoro che oggi consente di ridurre i costi, evitare fermi macchina e aumentare i margini aziendali. Abbiamo visto aziende perdere milioni a causa di previsioni inadeguate e altre hanno guadagnato ulteriori profitti grazie ad analisi accurate.

Non aspettare che i tuoi concorrenti ti battano. Inizia in piccolo: controlla i tuoi dati, verifica l'accuratezza dei registri di magazzino e seleziona un'attività pilota da automatizzare. Anche piccoli miglioramenti nella previsione della domanda avranno un rapido impatto economico. Ricordate, nell'industria odierna, i dati sono il nuovo petrolio e, per i riciclatori di polietilene, questa affermazione è letteralmente vera.

Se sei pronto a discutere la possibilità di implementare sistemi analitici nella tua produzione o hai bisogno di consigli su come ottimizzare la catena di fornitura delle materie prime polimeriche, i nostri esperti sono pronti ad aiutarti. Abbiamo una profonda esperienza nel settore e comprendiamo le specifiche della lavorazione con PE, PP e altri materiali termoplastici.

Contattaci oggiper ricevere una roadmap personalizzata per la digitalizzazione del tuo magazzino. Ti consigliamo inoltre di leggere il nostro materiale suTendenze del mercato del polietilene nel 2026per restare sempre aggiornato sugli ultimi sviluppi del settore.