Salta al contenuto
artea.blog
  • artea.com
  • Articoli
  • artea.com
  • Articoli

Machine learning per Logistics & Supply Chain

Secondo l’International Monetary Fund, il valore della produzione annua globale del 2019, che si basa in larga parte sul commercio di prodotti che vengono trasportati, più o meno lontano, ammonta a 86.6 mila miliardi di dollari.

Tra i settori di mercato che oggi registrano i maggiori tassi di crescita, quello Logistics & Supply Chain è arrivato a pesare, secondo PwC, ben 4.600 miliardi di dollari.

Così, con l’aumento della complessità del mercato e delle operazioni, come delle opportunità, tutte le aziende operanti in questo settore si ritrovano a dover compiere importanti scelte ed investimenti per garantire la loro competitività nel mercato globale.

In quest’ottica, sempre più aziende si affidano all’Intelligenza Artificiale (da qui in avanti AI) per prendere le più importanti decisioni strategiche.

Dalla definizione del luogo migliore in cui costruire la warehouse, fino all’ottimizzazione dei processi di consegna finale, ogni aspetto gestionale può essere ottimizzato grazie a un uso smart della tecnologia.

Se la tua azienda opera in questo settore è arrivato il momento di trovare risposta alle due sfide che, ormai da anni, incidono maggiormente sul successo della tua impresa.

 

Le due sfide del settore Logistics & Supply Chain

Nuovi trend di consumo e globalizzazione della concorrenza impongono alla tua azienda di confrontarsi con le due variabili che incidono maggiormente sulla tua competitività:

  1. Just in time!
    È necessario incanalare l’erogazione dei tuoi servizi in un processo produttivo e di approvvigionamento continuo volto a soddisfare la sempre mutevole domanda dei consumatori finali, sia B2B che B2C.La parola chiave è “ora”!

    Perché i tuoi clienti richiedono che ogni fase dell’intera supply chain sia estremamente puntale, agile, adattabile e precisa, secondo standard di qualità del servizio sempre più alti.

    Inoltre, l’applicazione del concetto del “Just in time” nel mondo della logistica porta all’abbattimento dei costi di struttura, riducendo gli sprechi e le scorte, e all’ottimizzazione dei processi di lavoro, grazie a percorsi di consegna capaci di bilanciare la miglior performance finanziaria alla rapidità di consegna.

  1. Gestisci i costi fissi
    I tuoi margini sono fortemente condizionati dalla tua capacità di gestire i costi fissi delle operazioni, in particolare, relative alla gestione del magazzino e del trasporto dei prodotti.

 

Quando l’AI guida i processi del tuo magazzino

L’Intelligenza Artificiale, in campo logistico, ti permette di migliorare la gestione di ogni processo che prende vita nella tua warehouse.

Vediamo come ciò è possibile.

La tua warehouse genera costantemente una grande mole di dati che vanno aggiornati e messi a sistema con tutto ciò che avviene all’esterno, in modo da avere sempre tutte le informazioni utili all’ottimizzazione delle tue operazioni.

Corretto?

Bene! Organizzandoli con metodo e caricandoli in un sistema di Machine Learning (in seguito ML), puoi trasformare i tuoi dati in un tesoro di inestimabile valore.

In questo modo, puoi delegare alla tecnologia ML l’importante compito di estrarre ogni informazione utile e di indicarti la migliore via per prendere le decisioni che più incidono sul tuo business, fino al punto di predire gli scenari futuri.

Il ML, infatti, è il ramo dell’AI che prevede l’“allenamento” di uno o più algoritmi al fine di renderli capaci di analizzare i tuoi dati e prevedere eventi e trend partendo da dati storici ed eventi passati. Ma c’è (molto) di più.

L’AI che processa i tuoi dati può anche combinarli con ulteriori informazioni provenienti dall’esterno, quali, ad esempio, i periodi dell’anno, le condizioni atmosferiche di ogni singolo giorno, la situazione macroeconomica su base giornaliera, il costo delle materie prime in tempo reale fornito delle più autorevoli agenzie finanziarie, scelte politiche nazionali e internazionali e tanto altro ancora.

Così, la possibilità di aggregare tutte le fonti di dati a tua disposizione ti permette di prendere le più importanti decisioni di business sulla base di informazioni certe.

 

I tre vantaggi per la tua azienda con il ML

Tutti i tuoi dati che vengono aggregati e comparati, grazie ad algoritmi studiati ad hoc, portano alla luce delle evidenze ad alto valore aggiunto che ti permettono di prendere decisioni adeguate e tempestive.

La gestione del tuo magazzino può, così, fondarsi sul processo di miglioramento continuo tipico della filosofia lean, permettendoti di impiegare ogni risorsa con il massimo dell’efficienza e di ottenere tre preziosi vantaggi.

  1. Abbatti i costi fissi 

    Sfruttando il massimo potenziale dei tuoi dati, puoi identificare il turnover medio del tuo magazzino e prevedere i momenti di picco, nei quali la gestione della struttura e dei servizi richiede un maggior impiego di risorse.In questo modo, puoi abbattere i tuoi costi fissi.

    Ad esempio, puoi facilmente prevedere il numero di persone necessarie nei vari periodi dell’anno e, di conseguenza, “variabilizzare” il costo del lavoro attraverso la possibilità del lavoro interinale.

  1. Ottimizza picking e internal delivery 

    Un secondo beneficio offerto dall’AI è relativo alla possibilità di snellire ed efficientare le attività di picking e di internal delivery.Qualsiasi centro logistico, dal più piccolo al più grande e complesso, infatti, dispone di informazioni riguardanti il traffico degli operatori, il numero di ordini consegnati, il tempo medio di recupero e consegna.

    Tutti questi dati possono essere utilizzati per definire una più efficiente e sicura modalità di lavoro.

    Come?

    Ad esempio, mettendo in comunicazione, attraverso tecnologia IoT, i mezzi utilizzati degli operatori, le postazioni di picking e un sistema centrale governato da AI.
    In uno scenario di questo tipo, il sistema potrebbe dirigere dettagliatamente ogni operazione di picking, assegnando l’ordine di recupero del materiale all’operatore che si trova sul mezzo più vicino al punto di picking e che nel tragitto non incrocerà un altro mezzo o operatore.

  1. Consegna efficientemente i prodotti 

    Un’ulteriore interessante analisi sull’applicazione dell’AI al mondo della logistica, può essere condotta relativamente al processo di consegna dei prodotti.Ad esempio, quanto è complesso per un’azienda che offre un servizio di e-commerce B2C gestire consegne e addetti a questa attività?

    Tante aziende operanti nel settore hanno superato il problema esternalizzando il processo o lasciando in carico buona parte dell’onere della consegna agli operatori. Altre aziende invece stanno investendo ingenti risorse economiche per trovare il bandolo della matassa.

Bene, una soluzione c’è.

È possibile utilizzare i dati di Google Maps, ricchissimo di informazioni riguardanti il traffico, gli spostamenti che normalmente fanno le persone e la posizione delle loro abitazioni, la densità di popolazione in una certa area e molte altre informazioni.

Non a caso Google sa che strada fai tutti i giorni per andare a lavoro e per portare i tuoi figli a scuola ed è per questo motivo che spesso ti propone nuovi itinerari.

Ma cosa c’entra con l’efficientamento delle tue consegne?

Puoi facilmente accedere ai dati di Google Maps utilizzando dei “connettori”, chiamati API. Questi ti permettono di utilizzare le informazioni provenienti da Google sui tuoi sistemi aziendali interni. In questo modo, ad esempio, puoi avere sotto controllo la situazione del traffico, la densità di popolazione sul territorio o la conformazione geografica di ogni segmento dell’area di consegna.

Ciò significa che puoi selezionare i percorsi migliori e organizzare più efficientemente i flussi di lavoro e consegna.

Vuoi scoprire come aumentare la competitività della tua azienda con sistemi di Machine Learning?

Compila il form in basso per richiedermi una consulenza gratuita.







    AccettoNon accetto


    AcconsentoNon acconsento


    • 22 Apr, 2020
    • (0) Commenti
    • By Lorenzo Brambilla
    • Big Data, Intelligenza Artificiale, Logistics, Machine learning, News, Supply Chain

    Il futuro della sanità e dell’imprenditoria raccontato dal COVID-19 e dall’AI

    “Coronavirus, Alibaba: l’intelligenza artificiale esegue il test in 20 secondi”.

    È il titolo di un recente articolo pubblicato su la Repubblica che mi ha dato modo, ancora una volta, di riflettere su quanto importante sia l’intelligenza artificiale per aziende, governi e, senza dubbio, per ciascun individuo.

    Mi spiego.

    In artea.com, l’azienda per la quale ricopro il ruolo di CEO, ci occupiamo di intelligenza artificiale.

    Sviluppiamo soluzioni tecnologiche in grado di estrarre le informazioni utili dai dati, al fine di utilizzarle per insegnare a delle macchine a predire qualcosa che è interessante per il business dei nostri clienti.

    È esattamente quanto fatto da Alibaba per aiutare il proprio paese nella lotta contro l’emergenza sanitaria che sta, ormai, interessando i popoli di tutto il mondo.

    Il metodo di Alibaba per combattere il COVID-19

    La Damo Academy, istituto della multinazionale cinese, si apprende dal sopracitato articolo, ha sviluppato un algoritmo, ovvero un procedimento informatico capace di risolvere un problema sulla base dei dati disponibili, in grado di diagnosticare casi di COVID-19 in soli 20 secondi, distinguendoli da quelli di comuni polmoniti.

    Ma non è solo l’impressionante velocità di diagnosi a colpirmi: questo metodo ha un livello di accuratezza del 96%!

    Qual è il segreto dell’istituto di ricerca cinese che ha sviluppato questo metodo?

    È semplice. La disponibilità di una grande mole di dati e, ovviamente, la capacità di utilizzarli al meglio.

    “Il nuovo metodo, spiegano dall’istituto di ricerca cinese, sfrutta complessi sistemi di analisi basati sul machine learning e addestrati con i dati campione di oltre 5 mila casi confermati, secondo le linee guida delle ultime ricerche effettuate sull’epidemia che negli ultimi mesi si è rapidamente diffusa a livello globale.”

    Quali sono i vantaggi del metodo Alibaba?

    I medici che si trovano oggi in prima linea nella lotta contro la pandemia possono contare su una tecnologia capace di aggregare, in poche frazioni di secondo, tante informazioni che molto difficilmente un uomo potrebbe apprendere e valutare.

    È quindi possibile prendere delle precise scelte su ogni paziente in pochi secondi, aumentando il numero di visite giornaliere, rassicurando i pazienti non infetti, isolando quelli infetti e riducendo drasticamente la possibilità di contagio sulla popolazione sana.

    Il valore del risultato finale è talmente grande da non essere misurabile in termini economici e sociali.

    E il nostro Sistema Sanitario?

    In Cina, tutto questo è stato possibile grazie alla disponibilità di una grande massa di dati (l’articolo parla di 5000 test di soggetti positivi al COVID-19 per “allenare” l’algoritmo a identificare il virus su nuovi pazienti).

    Immagina quali incredibili risultati potremmo raggiungere se disponessimo di un’unica banca dati organizzata, contenente tutti i test fatti sui pazienti.

    Per prima cosa, probabilmente potremmo perfezionare il già strabiliante risultato del 96% di accuratezza raggiunto da Alibaba nella diagnosi del COVID-19.

    Ma i campi applicativi resi possibili da una banca dati organizzata sono pressoché infiniti.

    Proviamo, allora, a fare un ragionamento più ampio.

    Riflettiamo sul numero dei dati sanitari che un individuo genera dal momento della sua nascita. Sin dal nostro primo giorno di vita, incontriamo medici decine di volte.

    Ora, ipotizziamo che ognuno di noi abbia una sua area personale sulla quale viene registrata qualsiasi informazione sulla sua storia clinica e sulla sua nutrizione e sulla quale trasmette i suoi dati fisiologici giornalieri attraverso wearable (dispositivi indossabili come gli smartwatch).

    Mi rendo conto che ciò possa sembrare uno scenario da Grande Fratello, oltre che difficile da realizzare.

    Ma immagina che ognuno di noi possegga i propri dati sanitari e che possa scegliere di condividerli con il Sistema Sanitario Nazionale per condurre studi e ricerche, quali grandi vantaggi potrebbe trarre l’intera società da uno strumento del genere?

    Potremmo fare delle analisi su larga scala. I dati trasmessi al mondo della ricerca avrebbero un livello di dettaglio e una quantità mai vista prima.

    Si parla sempre per ipotesi, ma gli insights che si otterrebbero dalle analisi di così tante persone, probabilmente, ci permetterebbero di approcciare diversamente una serie di patologie che affliggono oggi l’umanità e il benessere di ognuno di noi.

    Il tema della prevenzione, analizzando i vari cluster di pazienti, potrebbe diventare una realtà ben più grande di quanto non lo sia oggi. E, forse, anche l’insorgere delle epidemie, come quella del COVID-19, potrebbe essere gestita diversamente per ogni cluster di popolazione.

    È quindi possibile basare tutto sull’AI?

    I mezzi per realizzare un sistema di questo tipo ci sono e, di fatto alcuni governi hanno fatto i primi passi sulla via della digitalizzazione del proprio sistema sanitario. Un esempio ne sono i paesi scandinavi che ne hanno letto le opportunità sia per i pazienti che per la ricerca medica.

    La base di tutto è un sistema centrale che raccoglie ordinatamente e con logiche da Big Data tutte le fonti dati in un unico Hub.

    Se volessimo quindi organizzare la nostra sanità secondo un sistema d’analisi e predittivo simile, dovremmo seguire questi tre passi:

    1. dovremmo dotarci di mezzi tecnologici (hardware e software) per raccogliere tutti i dati necessari in modo ordinato;
    1. successivamente, occorrerebbe disporre o implementare una architettura efficiente che dia struttura ai dati.
    2. infine, per poter poi trarre il massimo vantaggio, occorrerebbe affidarsi agli algoritmi di AI che, sapientemente “istruiti”, dovrebbero elaborare i dati e, allo stesso tempo, apprendere autonomamente il modo di utilizzarli per restituirci informazioni utili al miglioramento delle performance del nostro sistema sanitario.

    L’alleato dell’uomo, in ogni settore

    Credo fermamente che l’intelligenza artificiale abbia le carte in regole per divenire un valido e fidato alleato dell’uomo in ogni campo della nostra vita.

    Usciamo dal campo sanitario e prendiamo ad esempio una realtà imprenditoriale.

    Grazie all’intelligenza artificiale, ogni azienda ha l’occasione di risolvere alcune classi di problemi difficilmente risolvibili con approcci tradizionali.

    Come avviene con l’algoritmo prodotto da Alibaba, che permette di accorciare i tempi di diagnosi sui pazienti, gli algoritmi di Machine Learning, allenati per fare analisi computazionali che a noi esseri umani richiederebbero troppo tempo, possono essere utilizzati in ambito aziendale ottenendo risultati ad alto valore economico.

    Attenzione però a non pretendere di risolvere tutti i tuoi problemi con l’Intelligenza Artificiale!

    Come già indicato nel mio precedente articolo dal titolo “Machine learning per non addetti ai lavori: cos’è e a che ti serve?”, un’accurata collezione di tutti i dati generati e raccolti in ogni dipartimento della tua azienda ( COVID-19 docet! ) è condizione indispensabile per poter successivamente testare e valutare i modelli di ML che meglio rispondono alle esigenze del tuo business.

    Concludendo, la centralità del paziente, in un sistema capace di raccogliere e gestire tutti i suoi dati senza vincoli, è analoga alla centralità della tua Azienda con i suoi dati.

    Quindi, la possibilità di avere o meno un sistema capace di gestire e organizzare questa mole di dati e interagire con differenti entità (nel caso del paziente con le strutture sanitarie, nel caso dell’Azienda con differenti fonti di dati e/o sedi) è la base di partenza fondamentale.

    Su questa struttura vanno testati e “innestati” i modelli di Machine Learning con le dovute cautele di approccio, prendendo in considerazione le peculiarità di ogni ambito applicativo, perché, non mi stancherò mai di dirlo, non esistono soluzioni pronte all’uso per tutti!

    Vuoi scoprire le opportunità che puoi cogliere grazie all’Intelligenza Artificiale?

    Compila il form in basso per richiedermi una consulenza gratuita.







      AccettoNon accetto


      AcconsentoNon acconsento


      • 26 Mar, 2020
      • (0) Commenti
      • By Lorenzo Brambilla
      • Big Data, Intelligenza Artificiale, News, Opportunità

      Machine Learning per non addetti ai lavori: cos’è e a che ti serve?

      Questo articolo ha un obiettivo preciso.

      È per te, imprenditore o manager, che senti da troppo tempo parlare di Trasformazione Digitale, Intelligenza Artificiale e Machine Learning e vorresti, una volta tanto, sentire la voce di chi, come te, non ha un background tecnico e piuttosto che utilizzare incomprensibili termini informatici, parla di concrete applicazioni in ambiti aziendali.

      Voglio superare ogni barriera terminologica e presentare con chiarezza vantaggi e rischi legati all’adozione di queste tecnologie nella tua azienda.

      Così, alla fine di questo articolo, avrai chiaro come e se ha senso, anche per la tua azienda, investire in questo ambito per accrescere la tua competitività.

      Pronto?

      Big data: tanti dati, tante opportunità ma anche tanta confusione

      Probabilmente sarà capitato anche a te di sentire l’ormai celebre frase “i dati sono il nuovo petrolio del 21° secolo”.

      Certo, la disponibilità di grandi masse di dati (Big Data) consente di ottenere informazioni indispensabili per poter prendere importanti decisioni di business.

      Per poter trarre il massimo vantaggio, occorre affidarsi a delle macchine che, sapientemente “istruite”, elaborano i dati e, contemporaneamente, apprendono autonomamente il modo di utilizzarli per restituire informazioni utili al miglioramento delle tue performance aziendali.

      Si parla quindi di Machine Learning, ovvero di macchine programmate per imparare a fare operazioni computazionali che a noi esseri umani richiederebbero troppo tempo.

      Questo articolo potrebbe finire con questa frase:

      il segreto per investire in modo sostenibile in quest’area di innovazione coincide con la capacità (dei professionisti ai quali ti affidi) di organizzare, strutturare e gestire i tuoi dati, prima di scegliere di adottare delle tecnologie.

      Insomma, non esistono “soluzioni di mercato” funzionanti, ovvero subito pronte e buone per tutti. Quello che conta veramente è partire dalle tue necessità e dalle caratteristiche della tua azienda e, solamente dopo, investire in quest’area.

       Andiamo avanti.

      Che cosa significa e a cosa serve il Machine Learning?

      Troppo spesso vengono utilizzati termini complessi che rischiano di confondere le idee.

      Ecco un tipico caso di incomprensibile tecnichese sul quale proverò a fare un po’ di chiarezza.

      A molti esperti di Machine Learning piace utilizzare frasi come questa:

      “un esperimento di Machine Learning consiste nell’estrarre le features dal dataset disponibile e utilizzarle per fare il training di un modello in grado di predire il valore del tuo target.”

       

      Ma cosa significa?

      Io preferisco spiegare lo stesso concetto in questo modo:

      “un esperimento di Machine Learning consiste nell’estrarre le informazioni utili dai dati e nell’utilizzarle per insegnare alla macchina come predire qualcosa che è interessante per il tuo business.”

      Ti sembra più chiaro?

      Ok. Passiamo a un’altra questione.

      A cosa serve il Machine Learning?

      Il Machine Learning permette di andare oltre i limiti umani, legati a memoria e tempo, nel leggere ed elaborare grandi masse di dati.
      È così che la tua azienda può trovare un perfetto alleato per risolvere alcune classi di problemi difficilmente risolvibili con approcci tradizionali.

       

      Modelli di machine learning

      Una volta che hai individuato l’ambito di applicazione di soluzioni di Machine Learning, ovvero il problema che intendi risolvere nella tua azienda, devi scegliere quali tra le due macro-tipologie di modelli fa al tuo caso.

      Supervisionato: quando il modello di ML che adotti viene “allenato” a partire da un dataset noto, ovvero un insieme di dati già in tuo possesso.

      Non supervisionato: quando il modello di ML che adotti viene “allenato” senza conoscere preventivamente l’entità del valore (risultato) da predirre.

      Come avrai già compreso, gli ambiti di applicazione di questi 2 modelli sono veramente tanti ma ciò non significa che tutti i tuoi problemi in azienda siano risolvibili dal Machine Learning.

      È importante tenere ben in mente che l’innovazione contempla anche delle possibilità di insuccesso.

      Quindi, sapere come valutare un modello è fondamentale per capire l’affidamento che gli si può riconoscere e l’utilità che si può trarre.

       

      Come puoi scegliere il miglior modello di ML per la tua azienda?

       Prima di tutto, hai già tutti i dati a tua disposizione per “allenare” e, di conseguenza, valutare preventivamente un particolare modello di ML?

      Mi spiego meglio: prima di scegliere il modello di ML al quale affidare la gestione di un tuo problema aziendale, devi essere sicuro di avere dei dati facilmente gestibili.

      Ricorda: è dalla capacità di rendere fruibile i tuoi dati che devi, prima di tutto, scegliere a chi affidare l’implementazione di soluzioni di ML nella tua azienda.

      Soddisfatta questa condizione, puoi andare avanti suddividendo i tuoi dati in due parti:

      • una prima parte utilizzata per “allenare” il modello fino a quando non viene confermato il modello atteso, ovvero quando si arriva ai risultati attesi;
      •  una seconda parte sulla quale, successivamente, si applica il modello già confermato e che, di conseguenza, verrà trattata più efficientemente.

       

      ML nella tua azienda: approccio e costi

      Riassumendo, a questo punto dopo averti parlato di cosa si intende per ML, a cosa serve, quali sono le principali tipologie di modelli e come si valutano quest’ultimi, manca l’ultimo tassello:

      Come puoi approcciare un progetto di ML efficacemente e limitando i costi?

      Il miglior approccio per valutare preventivamente se la soluzione innovativa risponde ai requisiti necessari per la tua azienda consiste nella creazione di un Prototipo (“Proof of Concept”), prima di sviluppare l’intero processo.

      Solitamente viene utilizzata la cosiddetta metodologia “agile” (contrapposta al modello a cascata: “waterfall”) attraverso la formazione di piccoli team di sviluppo polifunzionali che interagiscono continuamente con le persone che nella tua azienda sono interessate dal processo di sviluppo.

      Lo sviluppo del prototipo viene suddiviso in più “sprint” della durata di due settimane.

      In sintesi, a ogni “Sprint”, viene valutato lo stato di avanzamento e vengono definite le azioni necessarie per procedere nello sviluppo.

      Sono due i vantaggi principali di questo approccio per la tua azienda:

      – il tempo necessario viene ridotto a 6/8 settimane, contro i molti mesi/anni necessari allo sviluppo di un progetto complessivo;

      – l’investimento richiesto è di gran lunga inferiore.

      La creazione di un Prototipo permette quindi di valutare i risultati già durante le primissime fasi di sviluppo.

      In questo modo, puoi decidere se proseguire o meno nell’applicazione di un particolare modello in un ambito più ampio, sviluppando quindi l’intero progetto, con indubbi ritorni in termini di tempi e costi.

        

      Quindi, ti conviene investire in ML?

      A scanso di equivoci, alla fine di questo mio articolo, voglio sintetizzare ciò che, per te, conta di più.

      Utilizzare il nuovo oro nero, i dati, puoi darti dei vantaggi competitivi enormi ma, prima di investire in soluzioni di Machine Learning, devi essere sicuro di seguire il giusto approccio.

      Non esistono soluzioni pronte all’uso buone per tutti.

      Se intendi, come probabilmente molti dei tuoi competitor, seguire questa strada, devi prima di tutto iniziare a collezionare tutti i dati generati e raccolti in ogni dipartimento della tua azienda.

      Solo a quel punto, puoi investire, certo di trarre il massimo valore, con soluzioni custom e testate prima della loro completa implementazione.

      Vuoi scoprire le opportunità che puoi cogliere grazie al Machine Learning?

      Compila il form in basso per richiedermi una consulenza gratuita e parlarne non in tecnichese







        AccettoNon accetto


        AcconsentoNon acconsento


        • 17 Gen, 2020
        • (0) Commenti
        • By Lorenzo Brambilla
        • Big Data, Intelligenza Artificiale, Machine learning, Opportunità, Per non addetti ai lavori
        Sfoglia le pagine

        La nostra azienda
        Termini e Condizioni
        Politica sulla riservatezza
        Politica sui cookie

        Mettiti in contatto

        artea.com s.r.l.

        Via Matteo Bandello, 5
        20123 – Milano -Italy
        P.IVA 10477590961

        Tel:(+39) 02 365 995 59
        info@artea.com

        Iscriviti alla newsletter

        Rimani aggiornato per nuove uscite. Inserisci la tua email e iscriviti alla nostra newsletter.

        Sottoscrivi

        Sottoscrizione alla newsletter




          AccettoNon accetto


          AcconsentoNon acconsento


          © artea.com All right reserved