La catena di approvvigionamento quantitativa in breve - Lezione 1.2

00:10 Introduzione
02:23 Come fare? Lezioni sulla catena di approvvigionamento
04:22 Il manifesto della catena di approvvigionamento quantitativa
06:47 Tutti i futuri possibili
17:01 Tutte le decisioni fattibili
21:52 Driver economici
30:42 Robotizzazione
35:41 Scienziati della catena di approvvigionamento
40:22 Dalla visione alla realtà
41:56 Il mito della maturità della catena di approvvigionamento
45:30 In conclusione
46:13 Domande dal pubblico

Descrizione

Il manifesto della catena di approvvigionamento quantitativa enfatizza una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionieristica da Lokad, si discosti dalla teoria dominante della catena di approvvigionamento. Potrebbe essere riassunto con: ogni singola decisione viene valutata in base a tutti i futuri possibili secondo i driver economici. Questa prospettiva è gradualmente emersa presso Lokad come teoria dominante della catena di approvvigionamento e la sua implementazione da parte di (quasi?) tutti i fornitori di software rimane una sfida.

Trascrizione completa

Ciao a tutti, benvenuti alle Lezioni sulla Catena di Approvvigionamento. Sono Joannes Vermorel e oggi presenterò “La catena di approvvigionamento quantitativa in breve”. Per coloro che stanno guardando lo streaming in diretta, potete fare domande in qualsiasi momento tramite la chat di YouTube. Non leggerò le domande durante la lezione; tuttavia, alla fine della lezione, tornerò alla chat e inizierò con le domande dall’inizio e farò del mio meglio da lì. Quindi procediamo.

Inizierò con una citazione di uno dei precedenti presidenti francesi, che ha detto che ci sono tre vie per la ricchezza: la più veloce è con il gioco d’azzardo, la più piacevole è con le donne, ma la più sicura è con i tecnici. Ovviamente, in questa serie di lezioni, optiamo per la terza opzione. Credo che ci sia un briciolo di saggezza in questa citazione. La tecnica è un modo potente per fare di più in certe cose, per essere migliori in certi giochi, ma può anche essere piuttosto distante. Con tecnici, intendeva non solo persone che si occupano di cose tecniche, come ingegneri, ma anche coloro che si occupano di processi e flussi di lavoro, il tipo di tecnicità MBA.

Quando affrontiamo le sfide della catena di approvvigionamento, dobbiamo essere molto consapevoli se ciò che stiamo portando sul tavolo contribuisce ad affrontare i problemi principali o è solo una distrazione che fa sentire bene.

Per la lezione di oggi, purtroppo mi baserò un po’ sul lato persuasivo. La sfida è che se hai un problema, puoi dimostrare di avere una soluzione superiore per questo stesso problema. Tuttavia, puoi dimostrare di avere un tipo di problema superiore in primo luogo? Questo è molto più impegnativo dal punto di vista intellettuale.

Una delle principali critiche che ho sollevato durante la lezione precedente è che la catena di approvvigionamento è un problema complesso nel suo nucleo. Pertanto, il modo in cui dobbiamo guardarlo è difficile. Oggi cercherò di presentare un insieme di requisiti che ritengo essenziali se vogliamo mai avere qualche speranza di fornire qualcosa di soddisfacente per la catena di approvvigionamento. Tuttavia, non posso davvero dimostrare che nessuno degli elementi che sto portando sul tavolo sia veramente necessario. C’è un elemento di fede e anche un elemento di comprensione ad alto livello. Un altro aspetto della fede è che a meno che tu non abbia una soluzione da presentare di fronte ai tuoi requisiti, tutto ciò che hai è un pensiero desideroso. Quindi ti chiederei di sospendere la tua incredulità per una o due lezioni in più, in modo che ci concentriamo sulla natura stessa del problema e sugli elementi che sono altamente desiderabili affinché una soluzione diventi idonea per una buona pratica di catena di approvvigionamento.

Quindi procediamo. Alcuni anni fa, Lokad aveva già introdotto il suo modo relativamente atipico di servire i propri clienti. Alla fine del 2016, ho deciso di consolidare una breve serie di punti salienti che ritengo divergano considerevolmente dalla teoria tradizionale della catena di approvvigionamento. Volevo utilizzare questi cinque punti come modo per presentare come la catena di approvvigionamento quantitativa differisce dalla teoria tradizionale della catena di approvvigionamento. Mi scuso per la terminologia un po’ sfortunata perché anche la teoria tradizionale della catena di approvvigionamento è molto quantitativa, ma ho deciso di aggiungere un altro aggettivo per chiarire la distinzione tra la teoria della catena di approvvigionamento quantitativa e la teoria tradizionale della catena di approvvigionamento.

Gli elementi che elencherò non sono esattamente fondamentali; sono più come una checklist di cose che dobbiamo affrontare se vogliamo avere qualche speranza di successo. Questi elementi includono:

1. Tutti i futuri possibili: Dobbiamo guardare a molti futuri, non solo a uno.
2. Tutte le decisioni fattibili: Quando ho introdotto la definizione di catena di approvvigionamento come padronanza dell’opzionalità, queste decisioni sono le opzioni a cui mi riferivo.
3. Driver economici: L’idea è che andremo a contare i dollari di errore, non la percentuale di errore.
4. Robotizzazione come requisito per il controllo di gestione: Potrebbe sembrare paradossale perché si potrebbe pensare che la robotizzazione implichi la perdita di controllo, ma la proposta è che è esattamente il contrario: hai bisogno della robotizzazione se vuoi che gli esseri umani abbiano il controllo di qualsiasi cosa riguardi le catene di approvvigionamento.
5. Scienziato della catena di approvvigionamento: Alla fine della pratica, dovrebbe esserci una persona che ha la responsabilità dei risultati numerici della catena di approvvigionamento o delle prestazioni quantitative della catena di approvvigionamento.

Analizziamo più da vicino ognuno di questi cinque punti.

Prima di tutto, l’idea è che dobbiamo guardare a tutti i futuri possibili. Perché dobbiamo guardare al futuro in primo luogo? Dobbiamo guardare al futuro perché tutto richiede tempo. Non possiamo stampare in 3D tutto istantaneamente e anche se potessimo, dovremmo comunque trasportare le cose. Quindi tutto richiede tempo, il che significa che ogni volta che prendi una decisione sulla catena di approvvigionamento, come decidere di produrre o acquistare qualcosa, lo fai perché stai guardando avanti e prevedendo uno stato futuro del mercato in cui ci sarà una qualche forma di domanda per quei prodotti. Quindi lavori all’indietro e fai una previsione di qualche tipo, ottimizzando di conseguenza la tua catena di approvvigionamento.

Abbiamo bisogno di avere questa previsione e queste previsioni, che sono solo il sapore matematico dell’intuizione. Ma di che tipo di previsioni stiamo parlando? Le previsioni che hanno dominato completamente la pratica della catena di approvvigionamento durante il XX secolo e la prima parte del XXI secolo sono le previsioni classiche a serie temporali, che secondo me sono profondamente difettose in diversi modi. Il primo modo è che questo approccio ignora completamente l’idea di incertezza. La mia proposta è che l’incertezza sia completamente irriducibile e ogni volta che si tratta di catene di approvvigionamento, il futuro non può mai essere previsto perfettamente. L’idea che si possa avere una precisione di previsione del 99% è assurda. Anche guardando il consumo di acqua o il consumo di elettricità, è molto difficile ottenere previsioni con questo grado di precisione.

Quando si guarda realisticamente alle catene di approvvigionamento e si considera, ad esempio, un prodotto in un negozio che vende solo un’unità a settimana per un determinato prodotto in un determinato negozio, non c’è speranza di raggiungere mai una precisione inferiore al punto percentuale. La domanda non ha nemmeno senso. Quindi, l’incertezza è irriducibile. Se volessimo avere una prova più grande di ciò, basta guardare all’anno 2020. Abbiamo avuto una massiccia pandemia mondiale che ha seminato il caos ovunque nelle catene di approvvigionamento. Non è possibile prevedere questo tipo di cose da una prospettiva classica in cui si ha un numero e si dice: “questo è, questo è il futuro”.

Invece, ciò che si può avere sono previsioni probabilistiche. L’idea è che tutti i futuri siano possibili, ma non sono tutti ugualmente probabili. Questa è l’essenza delle previsioni probabilistiche. È l’idea che si possa avere un metodo statistico che, anziché fingere di avere la previsione perfetta su come le cose si svilupperanno in futuro, dica semplicemente: “ho tutti questi futuri possibili; alcuni sono più probabili di altri”. Questo approccio abbraccia l’incertezza irriducibile. Molte delle situazioni in cui le persone mi dicono: “non puoi prevedere quello”, la risposta è: “sì, posso”. Non posso darti una previsione classica corretta, ma posso sicuramente avere una previsione probabilistica perfetta.

L’esempio estremo di questo sarebbero i biglietti della lotteria. Posso stabilire le probabilità esatte che un determinato biglietto sia il biglietto vincente. Non so quale vincerà, ma se il gioco non è truccato, posso avere una previsione probabilistica perfetta che riflette le probabilità uniformi per tutti i biglietti. Questo è esattamente ciò che significa una previsione probabilistica; significa che si accetta il fatto che, anche se non si conosce perfettamente il futuro, si sa molto sul futuro. Quando diciamo che abbiamo delle probabilità, sappiamo molte cose. Ad esempio, posso dire che in qualsiasi momento, c’è un rischio di coda di una massiccia disruzione nel mercato. Non so esattamente da dove verrà il rischio; potrebbe essere una pandemia, un crollo della borsa, una guerra o una nuova tariffa come quella introdotta dal presidente Trump. Possono essere molte cose che disturbano la tua catena di approvvigionamento e se dovessi valutare il rischio di coda in qualsiasi momento per qualsiasi catena di approvvigionamento, è di diversi punti percentuali avere una forte diminuzione per il prossimo trimestre. Di nuovo, non è magia; è solo un’assunzione molto ragionevole da fare sul futuro. Con gli strumenti statistici appropriati, si può avere qualcosa di molto più elaborato. Tutte le aree che sono incerte richiedono una previsione e una previsione probabilistica. La domanda non è l’unica area che ha bisogno di una previsione. Ad esempio, tutte le aree in cui ci sono incertezze richiedono una previsione.

Questo potrebbe includere la previsione della domanda futura, ma anche i futuri tempi di consegna, i futuri resi nel commercio elettronico, le incertezze sul rendimento della produzione nelle fonti primarie come l’estrazione mineraria o le fattorie, i tassi di fallimento o scarto probabilistici nel controllo di qualità per i processi biologici e le riparazioni di parti. Ci sono molte aree in cui si ha incertezza e tutte queste aree meritano una previsione. Una buona pratica della supply chain è abbracciare la necessità di pensare a tutti i futuri possibili con le rispettive probabilità, guardando a tutte le cose che devono essere previste. Non riguarda solo la domanda.

Ad esempio, possiamo anche guardare cose come i prezzi delle materie prime. Ovviamente, se potessi prevedere con precisione il prezzo futuro di una materia prima, giocheresti semplicemente in borsa e non gestiresti effettivamente una supply chain. Tuttavia, alcune materie prime sono molto più volatili dal punto di vista dei prezzi rispetto ad altre, e ciò significa che il tipo di rischio che si assume quando si tratta di queste materie prime può essere ottimizzato con i modelli appropriati avendo previsioni probabilistiche nel proprio arsenale di strumenti.

Un altro elemento è che non si tratta solo dei tuoi futuri possibili; tutti quei futuri possibili non sono indipendenti. Hanno forti dipendenze, ed è anche qualcosa in cui la teoria della supply chain mainstream è davvero carente. Guardano alla previsione della domanda come se fosse completamente indipendente da tutto ciò che accade nella supply chain. Anche fino a questo momento, abbiamo ancora prospettive che vengono da me e chiedono se Lokad può fare una previsione a 12 mesi per un prodotto specifico.

Ad esempio, diciamo che stiamo lavorando con un marchio sportivo e chiedono uno zaino con tracciamento. Possiamo prevedere quanto sarà la domanda nei prossimi 12 mesi? La mia risposta di base è: “dipende”. Se stai solo vendendo uno zaino, allora forse avrai una certa quantità di domanda. Ma se improvvisamente decidi di ampliare notevolmente la tua gamma e introdurre altre dieci varianti dello stesso zaino con lo stesso prezzo, dimensioni e caratteristiche, più o meno qualche tasca e widget, non moltiplicherai la tua domanda per un fattore di dieci solo perché hai introdotto altri dieci prodotti molto simili. Eppure, quando guardiamo la prospettiva classica della previsione, non c’è nulla che impedisca al modello di previsione di gonfiare radicalmente le cifre della domanda se si aumenta semplicemente il numero di prodotti da prevedere. Quindi, questo non ha senso, ed è per questo che abbiamo questi futuri. Non sono solo caratterizzati da incertezza irregolare, ma anche dalle dipendenze che esistono tra di loro. Abbiamo bisogno di strumenti che possano comprendere tutti questi cambiamenti.

Come pensiero conclusivo, le previsioni sono essenziali se vogliamo avere qualche speranza di ottimizzare qualcosa, semplicemente perché dobbiamo guardare avanti. Tuttavia, dobbiamo tenere presente che sono solo opinioni informate sul futuro.

Non sono reali, nel senso che la qualità della tua previsione non ha conseguenze dirette sulla tua supply chain. In molte aziende, le persone si concentrano intensamente sul miglioramento della previsione, ma la mia domanda è: a che scopo? Se pensi che ottimizzare la previsione si traduca immediatamente in una migliore performance della supply chain, la mia proposta per te è che si tratta di un’illusione. Non è vero, nemmeno lontanamente.

Le uniche cose che effettivamente migliorano una supply chain sono le decisioni che hanno un impatto tangibile e fisico sulla supply chain. Con decisioni intendo cose come acquistare un’unità in più da un fornitore, spostare un’unità di stock da una posizione all’altra o aumentare o abbassare il prezzo di qualsiasi prodotto che stai vendendo. Queste azioni hanno conseguenze reali e tangibili per l’azienda.

Al contrario, le previsioni sono solo opinioni informate sul futuro. È meglio avere un’opinione più dettagliata su come sarà il futuro, ma le uniche cose che contano veramente sono le decisioni. La mia proposta per te è che la pratica della supply chain dovrebbe essere completamente orientata alla generazione di quelle decisioni, poiché è l’unica cosa che conta. L’idea che si possa avere qualcosa come un dipartimento di previsione o pianificazione è, in larga misura, fuorviante. Le previsioni sono solo lì per educare le tue supposizioni quando si tratta di prendere decisioni migliori.

È molto pericoloso e fuorviante separare la parte delle previsioni dall’ottimizzazione delle decisioni. A proposito, quando parlo di decisioni fattibili, intendo che le decisioni dovrebbero essere conformi a tutti i vincoli fisici presenti nella supply chain. Qualsiasi supply chain ha non linearità ovunque. Ad esempio, puoi avere quantità minime di ordine, spazio massimo sugli scaffali in un negozio e capacità di volume o peso massimo in un contenitore o camion. Puoi avere non linearità più sottili, come le date di scadenza o il fatto che alcune parti nel settore aerospaziale abbiano ore di volo e cicli di volo, richiedendo riparazioni programmate.

Puoi avere tutti i tipi di problemi, come ad esempio alcuni beni, nel caso di alimenti freschi, che non possono viaggiare nello stesso camion. Oppure, almeno, hai bisogno di camion speciali perché non possono essere trasportati alla stessa temperatura. Hai bisogno di scomparti multipli o di camion multipli. Ci sono molti vincoli che limitano le decisioni fattibili.

Cosa intendo per decisioni fattibili? Sto sottolineando questo termine perché non ha senso dire che la quantità perfetta per rifornire un negozio è di 1,3 unità di un prodotto. Questa non è una decisione fattibile; sarà o una unità o due, ma non puoi avere 1,3. Devi avere qualcosa che sia immediatamente attuabile da una prospettiva molto banale, ed è a questo che si riferisce la fattibilità.

Ora, se consideriamo ogni singola decisione fattibile e tutti i possibili futuri, la domanda è: come valutiamo quale decisione è quella giusta?

Dobbiamo considerare i driver economici. L’idea è che le percentuali di errore non contano; contano solo i dollari di errore e di ricompensa. C’è una grande illusione che se ottimizzi le percentuali, farai effettivamente qualcosa di buono per la tua azienda. Questo non è vero; credo che sia profondamente fuorviante.

Se vuoi un esempio, guardiamo i livelli di servizio. Cosa significa avere un livello di servizio molto alto? Spesso sento i potenziali clienti dire che vogliono un livello di servizio del 99%. Certamente possiamo fornirlo, ma devi solo accumulare scorte come un pazzo, il che comporterà enormi svalutazioni delle scorte e una redditività disastrosa. È un compromesso, e non è solo un compromesso qualsiasi, è un compromesso economico. In qualcosa di semplice come il livello di servizio, c’è un compromesso tra il costo delle scorte da un lato e il costo delle mancate scorte dall’altro.

L’idea è che se ci allontaniamo e consideriamo questi driver economici per ogni singola decisione, possiamo valutare l’esito. Possiamo prendere una decisione e, per un possibile futuro, guardare l’esito di questa decisione per quel particolare futuro. Possiamo valutare i suoi risultati in dollari guardando i driver economici.

Cosa intendo per driver economici? Intendo tutti i driver che stanno plasmando le prestazioni della tua azienda. Il primo cerchio di driver è molto semplice: cose che troverai nei libri di contabilità, come il costo dei materiali, il prezzo di vendita, il costo di mantenimento, i costi di trasporto e i costi di trasformazione. Devi accumulare tutti questi costi e poi sottrarli dal prezzo di vendita per calcolare il tuo budget di costo. Questi sono i primi cerchi di driver, quelli molto ovvi che puoi letteralmente trovare nel tuo ERP o software di contabilità.

Tuttavia, questi costi da soli non sono sufficienti. Se li consideri solo, finisci con una prospettiva finanziaria molto miope. Devi includere il secondo cerchio di driver economici, quelli che non esistono nel tuo sistema, almeno non esplicitamente. Questi sono tipicamente gli effetti di secondo ordine delle tue decisioni sulla supply chain. Ad esempio, nella maggior parte dei casi, se hai una carenza di magazzino, non c’è una penalità per la carenza di magazzino. Forse se sei un grande marchio che vende a una grande rete di vendita al dettaglio come Walmart, hai un accordo di livello di servizio e penalità se non raggiungi determinati obiettivi, ma questo non è molto frequente. Anche quando ci sono penalità, non riflettono naturalmente i veri costi che hai inflitto ai tuoi clienti.

L’idea è che abbiamo bisogno di driver che rappresentino le conseguenze di secondo ordine delle tue azioni, sia positive, come generare fedeltà extra dei clienti loyalty, sia negative, come generare disaffezione e dare un incentivo ai tuoi clienti di andare altrove per un’alternativa. Questo ovviamente dipende dal problema. Ad esempio, se sei un marchio di moda e fai uno sconto alla fine della stagione, costa più del semplice calo immediato del dollaro scontato. Stai creando un’abitudine per i tuoi clienti, che si aspetteranno lo stesso sconto l’anno prossimo. Questo illustra l’impatto a breve termine e l’impatto a lungo termine di creare abitudini e aspettative tra la tua base di clienti, che è ciò di cui parlo quando menziono i driver economici del secondo cerchio.

Fatto correttamente, l’ottimizzazione finanziaria non è miope. Tuttavia, se fai un’ottimizzazione finanziaria ingenua, finisci con molte sciocchezze, cosa vera per qualsiasi ricetta ingenua quando si tratta di supply chain. L’ottimizzazione economica è essenziale perché, senza di essa, non hai nemmeno un obiettivo per la tua ottimizzazione. L’idea di ottimizzare le percentuali non funziona; vuoi ottimizzare i dollari. A meno che tu non abbia consolidato tutti quei dollari di ricompensa e costo sotto un unico ombrello, non c’è nulla da ottimizzare da una prospettiva quantitativa, che è ciò che interessa in questa serie di lezioni.

Abbiamo bisogno di quei dollari, altrimenti non possiamo nemmeno iniziare a ottimizzare. La mia proposta per te è che se la tua azienda non ha ancora iniziato ad avere un quadro finanziario unificato per guidare l’ottimizzazione della tua supply chain, non ha nemmeno iniziato. Se hai decine di team che si occupano di percentuali, livelli di servizio e altre metriche non monetarie, è un’illusione di prestazione. Contano solo i dollari - dollari, euro o yen - ma hai bisogno di un conto monetario.

Questi driver economici hanno un altro scopo molto importante che spesso viene trascurato. Il primo scopo è guidare l’ottimizzazione numerica in modo molto meccanico. Il secondo scopo di questi driver è consentire la trasparenza, di cui tornerò in una lezione successiva. L’idea è che per ogni singola decisione, guarderemo tutti i possibili futuri, assegneremo le prestazioni economiche della decisione, faremo la media delle prestazioni economiche delle decisioni in tutti i possibili futuri e quindi ordineremo tutte le decisioni da quella che ha il più alto ritorno sull’investimento (ROI) a quella che ha il più basso. Ovviamente, vogliamo smettere di prendere quelle decisioni quando non c’è più redditività. Tuttavia, abbiamo bisogno di una certa trasparenza e comprensione per quanto riguarda il motivo per cui stiamo scegliendo quelle decisioni anziché altre decisioni. Qui, quei driver economici si dimostrano molto preziosi perché possono dirci il “perché” che sta dietro a qualsiasi decisione che verrà generata da un sistema, una pratica o un software.

L’idea è che tu sarai in grado, con i driver economici, di guardare ogni singola decisione e avere alcuni indicatori chiave di prestazione indicators (KPI) espressi in dollari, spiegando perché questa decisione è effettivamente una buona decisione. Al contrario, per una decisione che non viene presa, puoi guardare i driver e valutare perché non è una buona decisione.

Con questi tre elementi fondamentali, abbiamo tutto il necessario per iniziare la pratica. Esaminiamo tutti i futuri possibili, tutte le decisioni possibili e mettiamo alla prova ogni decisione rispetto a tutti i futuri possibili, valutandole in dollari e classificandole.

Per rendere tutto ciò reale ed efficace, la mentalità necessaria è la completa robotizzazione end-to-end. La ragione per cui è necessaria una completa robotizzazione end-to-end è riportare la gestione sotto controllo. Può sembrare strano all’inizio perché, se si robotizza, come si fa a far sì che qualcuno abbia il controllo? Ha a che fare con la natura delle supply chain, che sono sistemi molto complessi e distribuiti con molti siti, prodotti, clienti, pezzi di software, persone e veicoli.

L’alternativa a un processo robotizzato per generare tutte quelle decisioni che devono essere prese quotidianamente è avere un esercito di impiegati che utilizzano un oceano di fogli di calcolo. Il problema è che se si gestisce un esercito di impiegati, ogni volta che si vuole cambiare qualcosa nella supply chain, ci vogliono sei mesi perché il cambiamento si attui perché si dovrà fare i conti con molte persone che si dovranno riaddestrare e verificare che comprendano realmente la nuova strategia e le nuove regole.

La robotizzazione è l’idea che se si può implementare una ricetta numerica end-to-end che genera tutte quelle decisioni banali, si può evitare questo ritardo. Sto parlando di tutte le decisioni banali; non sto parlando di decisioni come se avviare o meno una nuova fabbrica in un paese o aprire un nuovo mercato per l’azienda. Queste decisioni non vengono prese quotidianamente. Vengono prese poche volte all’anno ed è perfettamente normale che molte persone ci pensino. Ma per ogni singolo SKU che si ha nella supply chain, ci sono mezza dozzina di decisioni che devono essere prese ogni singolo giorno. Dovrei produrre di più? Dovrei portare di più? Dovrei spostare le scorte che ho altrove? Dovrei alzare o abbassare il prezzo? Dovrei persino sbarazzarmi di queste scorte che non servono a nulla e occupano solo spazio nel mio magazzino o negozio? Anche decidere di non fare nulla, se si ha un SKU e si decide di non fare nulla di particolare oggi, è già una decisione. Quindi, considerando la scala a cui operano le moderne supply chain, sono convinto che sia necessaria una robotizzazione end-to-end se vogliamo avere qualche speranza di essere agili.

C’è anche un altro aspetto fondamentale, ovvero che è cruciale avere una robotizzazione end-to-end se vogliamo mai avere qualcosa di capitalista e preciso. Questo sarà l’argomento della mia prossima lezione, ma in breve, non si vuole trattare la divisione della supply chain come spese operative (OPEX). Si vuole trattare l’investimento nella supply chain come spese di capitale (CAPEX). Tutti gli sforzi che si stanno facendo sulla supply chain dovrebbero essere precisi e si vuole rendere la supply chain un asset capitalista dell’azienda. L’unico modo per farlo è attraverso la robotizzazione; altrimenti, l’opposto è solo un esercito di impiegati che si deve pagare ogni singolo giorno per fare sempre la stessa cosa.

Questo mi porta alla domanda su chi dovrebbe essere responsabile della robotizzazione e del software che svolge il lavoro di impiegato al posto di un esercito di impiegati.

Chi dovrebbe essere responsabile di queste ricette numeriche? Chi dovrebbe prendere in carico questi risultati? La risposta classica, “abbiamo un sistema, il sistema è responsabile di questo,” credo sia fuorviante. Un pezzo di software, anche se è un software aziendale molto costoso, non è mai responsabile di nulla. Non è autosufficiente. Nonostante quello che la gente possa dire sull’IA, non siamo ancora arrivati a quel punto. Quello che abbiamo sono ricette numeriche sofisticate e ingegnose, e possono già offrire un valore enorme per la tua azienda.

Qualcuno nella tua azienda o al di fuori della tua azienda deve prendere in carico la qualità di quei risultati numerici che guideranno la tua supply chain in modo molto banale. La pratica che abbiamo introdotto in Lokad è l’idea dello supply chain scientist. Il concetto di supply chain scientist è nato dai miei primi fallimenti quando cercavo di affrontare il problema con i data scientist. Il problema con i data scientist è che il loro impegno risiede nelle tecniche. Ricordi la prima citazione sul modo più sicuro per rovinarsi con i tecnici? Questa è esattamente la mia prospettiva oggi quando le persone mi parlano dei data scientist che cercano di risolvere i problemi della supply chain. È un percorso molto breve, con pochissima incertezza su dove stai effettivamente andando, non che otterrai grandi risultati alla fine del viaggio. Lo supply chain scientist è la persona che si assumerà la responsabilità di prendere decisioni nel mondo reale, e questa persona deve prestare attenzione ai dettagli più minuti della tua supply chain. Ad esempio, se uno dei tuoi magazzini è stato allagato l’anno scorso e per tre settimane nulla è passato attraverso quel magazzino, distorcendo completamente il profilo di stagionalità, non puoi considerarlo solo un dettaglio. Non mette in discussione la validità fondamentale del modello matematico. La prospettiva dello supply chain scientist è che conta. Se finisco per prendere decisioni sbagliate per questo magazzino perché un incidente operativo nel passato ha introdotto gravi distorsioni nei miei dati storici, conta. Tutto questo conta, che generi dollari di ricompensa o dollari di costo.

Se guardiamo questa illustrazione con due tipi di studiosi, Indiana Jones, che dovrebbe essere uno studioso e ricercatore, e Windle Poons delle opere di Terry Pratchett, la realtà di questi due personaggi immaginari non potrebbe essere più profondamente diversa. La differenza fondamentale tra loro riflette praticamente la differenza tra uno supply chain scientist e un data scientist. Come test di verifica, puoi chiederti, interessa al CEO? Il CEO dell’azienda ti metterà in discussione come supply chain scientist su ciò che stai facendo? La mia esperienza di gestione di Lokad per oltre un decennio è che ora mi incontro regolarmente con i CEO e i consigli dei miei clienti, e mi mettono in discussione sui fondamenti della loro supply chain e su come stiamo generando dollari di ritorno.

Le domande non ruotano attorno all’uso di support vector machines o gradient boosted trees. Le domande riguardano il percorso che assicura che la supply chain sia un asset di valore che può competere con il resto del mercato.

Ho presentato cinque punti come requisiti, non la soluzione effettiva al problema. Sono solo una lista di elementi che, se non affrontati correttamente, significano che non hai nemmeno iniziato a lavorare su qualcosa che migliorerebbe o ottimizzerebbe in modo significativo la supply chain, almeno non in modo quantitativo. Ci sono molte ottimizzazioni non quantitative, come attrezzature migliori, politiche di assunzione migliori o incentivi finanziari ben ponderati per i tuoi team.

C’è un piano dettagliato completo delle prossime lezioni sul sito web di Lokad su lokad.com/lectures. Dovremo coprire molti argomenti, tra cui diverse prospettive, concetti e paradigmi, specialmente legati a metodi, strumenti e pratiche di programmazione. C’è una quantità significativa di materiale da affrontare, e tutti questi concetti saranno introdotti per aiutare a soddisfare i cinque punti che ho presentato in precedenza. Senza di essi, l’approccio semplicemente non funzionerà.

Ora, per affrontare un discorso collaterale, alcune persone mi hanno sfidato dicendo che la visione che presento è così diversa da ciò che stanno facendo attualmente. Sostengono che è troppo avanzata e preferiscono procedere lentamente, migliorando incrementalmente prima di considerare questo approccio quantitativo alla supply chain. Tuttavia, credo che questo approccio “strisciare, camminare, correre” sia una fallacia. Il progresso è spesso non incrementale e disruptivo. Ad esempio, quando Amazon ha deciso di diventare un fornitore di servizi di cloud computing, ha compiuto un salto significativo dalla vendita di libri online all’offerta di risorse di cloud computing on-demand. Questo non è stato un progresso graduale e delicato; è stato un cambiamento disruptivo.

Allo stesso modo, c’è la famosa citazione di Henry Ford, che ha detto che se avesse chiesto ai suoi clienti cosa volevano, avrebbero chiesto cavalli più veloci. Il punto è che se accettiamo l’idea che i requisiti che ho elencato sono necessari e che la maggior parte delle aziende non ha nemmeno iniziato a guardare il problema dal giusto punto di vista, allora il nostro punto di partenza con la maggior parte dei clienti è che quasi nessuno ha una vera maturità in questo settore. È un’illusione pensare che le grandi aziende con grandi divisioni che ottimizzano le metriche sbagliate abbiano una vera maturità nella gestione della supply chain.

Il mio messaggio per il pubblico non è quello di considerarsi immaturi solo perché non stanno facendo ciò che fanno altre aziende, specialmente per quanto riguarda le dimensioni delle rispettive burocrazie. Dal mio punto di vista, questo dice molto poco sulla loro efficacia. Le aziende che vedo con maggiore maturità sono tipicamente piccole, agili, aziende di e-commerce nordamericane focalizzate sul digitale. Potrebbero non avere grandi team di data scientist, ma hanno invece alcune persone con la giusta mentalità e ricette numeriche adeguate.

In conclusione, ho affrontato gli aspetti legati al lato della necessità del problema. Nella prossima lezione, inizieremo a esaminare il lato della sufficienza del problema, concentrandoci sulla nostra dichiarazione del problema e sulla soluzione. Tuttavia, è fondamentale iniziare dal lato della dichiarazione del problema, poiché ci consente di capire se la soluzione che stiamo presentando è valida o semplicemente una soluzione alla ricerca di un problema.

Grazie mille per il vostro tempo oggi. Ora, risponderò alle domande.

Domanda: Mi è piaciuto il sottile riferimento a Dune.

Apprezzo che ti sia piaciuto il riferimento a Dune. I personaggi principali nel libro hanno la capacità di vedere tutti i futuri possibili, il che fornisce loro abilità strategiche superiori. Questa metafora si adatta molto bene alla gestione della supply chain. Se puoi esaminare tutti i futuri possibili, anche se non sai esattamente quale si verificherà, ti dà un vantaggio significativo rispetto ai concorrenti che stanno considerando solo un possibile risultato.

Domanda: Potresti approfondire di più sui driver di secondo ordine?

Quando parlo di “secondo ordine”, mi riferisco alle conseguenze di secondo ordine. Nella gestione della supply chain, abbiamo a che fare con esseri umani e sistemi complessi, non solo con semplici sistemi fisici con traiettorie prevedibili. Le persone possono adattarsi e dobbiamo considerare le loro azioni e reazioni.

Ad esempio, in passato da Lokad, abbiamo avuto un cliente a cui abbiamo suggerito specifiche quantità di ordine di acquisto. Tuttavia, abbiamo notato che il cliente finiva per effettuare ordini con quantità significativamente più alte rispetto a quelle che avevamo raccomandato. Si è scoperto che quando il cliente riceveva la merce, i team responsabili della ricezione contavano nuovamente gli articoli per assicurarsi che corrispondessero all’ordine iniziale. Se la quantità ricevuta non corrispondeva all’ordine, il loro sistema aveva una particolare limitazione: potevano annullare l’intero ordine di acquisto e restituire la merce, mettendo a rischio la loro linea di produzione. Quello che stava accadendo era che stavano modificando la quantità dell’ordine di acquisto originale in modo che corrispondesse alla quantità ricevuta. Nel corso degli anni, alcuni fornitori intelligenti avevano scoperto questa proprietà unica del sistema ERP. Quando si avvicinavano alla fine del trimestre e non avevano raggiunto i loro obiettivi, sapevano che potevano spingere qualsiasi cosa a questo cliente, che l’avrebbe presa e pagata la fattura senza fare domande o lamentele.

Questo è un esempio di quello che chiamo un effetto di secondo ordine. Hai un aspetto apparentemente banale e mondano del tuo ERP, ma poi hai esseri umani intelligenti nel loop che manipolano il sistema. Questo è destinato a accadere ogni volta che si ha a che fare con esseri umani, poiché possono pensare e reagire a ciò che fai. L’idea delle conseguenze di secondo ordine è che devi considerare le conseguenze delle conseguenze. Potrebbe anche essere il quarto o il quinto ordine: devi pensare alle conseguenze a cascata. È un gioco intellettuale impegnativo, ma se non si considerano le conseguenze di secondo ordine, si possono prendere decisioni sbagliate.

Per quanto riguarda i driver economici di secondo ordine, è essenziale attribuire loro un valore in dollari, anche se può essere difficile. La chiave è essere approssimativamente corretti anziché esattamente sbagliati. È meglio avere una stima approssimativa che abbia senso piuttosto che calcoli precisi che ti portino fuori strada.

Domanda: Quali sono le tecniche utilizzate nella robotizzazione completa?

Ci sono numerose tecniche per la robotizzazione completa, che tratteremo nelle prossime lezioni su paradigmi di programmazione. Anche se stiamo discutendo di software, dobbiamo considerare le proprietà di progettazione principali che sono più desiderabili per raggiungere la robotizzazione. L’obiettivo principale è creare software di produzione, non necessariamente intelligenza artificiale. Non puoi ottenere un errore di previsione del zero percento, ma puoi puntare allo zero percento di follia.

Con “follia” intendo qualcosa che metterebbe a rischio l’intera azienda. Ad esempio, Target Canada è fallita a causa di un’ottimizzazione della supply chain andata storta, e Nike ha affrontato un disastro nel 2004 quando una delle loro soluzioni software per la supply chain, che era un concorrente di Lokad, ha quasi portato al collasso dell’azienda. Quindi, prima affronteremo questo argomento nella prossima lezione, ma ci vorrà un po’ di tempo per arrivarci.

Domanda: Nella tua previsione, se cerchiamo di comprendere così tante variabili progressive, dovremmo sviluppare modelli noi stessi e potrebbe diventare una simulazione. Quali sono le tue idee in merito?

Non c’è una differenza chiara tra una simulazione accurata del futuro e una previsione probabilistica. Questi sono due diversi tipi di ricette numeriche per comprendere il futuro. Quando hai un modello di previsione probabilistica, puoi generare traiettorie che rappresentano il futuro. Prendi le tue probabilità, disegna una deviazione, crea un’osservazione fittizia, riconfigura il tuo modello, ricostruisci le tue probabilità e itera. La distinzione tra simulazione e modellazione statistica diventa sottile, specialmente per modelli adatti a scopi di supply chain. In larga misura, si sovrappongono completamente.

Domanda: Le soluzioni che hai sviluppato sono basate su servizi o sono una combinazione di entrambi? Qual è la tua opinione su questo approccio per il futuro della supply chain?

Da Lokad, la nostra prospettiva è quella di fornire prestazioni della supply chain espresse in dollari. In questo settore c’è un’enorme complessità e, proprio come l’incertezza è riducibile nella previsione, la complessità è riducibile se si cerca di affrontare contemporaneamente tutti i problemi con un unico prodotto software. È necessaria una meta-soluzione per il problema. L’approccio adottato da Lokad è quello di riconoscere la necessità di intelligenza umana, in particolare di scienziati della supply chain. Credo che sia irrealistico pensare che l’IA possa comprendere le sfide di una supply chain moderna.

Abbiamo bisogno di persone intelligenti ed esperte con le giuste competenze per essere efficaci nel loro lavoro. Lokad ha sviluppato un prodotto con l’obiettivo di rendere i ricercatori della supply chain produttivi ed estremamente affidabili. La sfida è fornire gli strumenti giusti per questi scienziati della supply chain. In sintesi, Python non è la soluzione e, man mano che procediamo in queste lezioni, vedrete che ci sono problemi profondi con la maggior parte dei linguaggi di programmazione generici. Questi problemi di progettazione li rendono inadatti per affrontare i problemi della supply chain in modo soddisfacente. Dovremo entrare nei dettagli perché c’è molta sfumatura in ciò che intendo per “produzione di qualità” e “prontezza alla produzione” della soluzione. Ricordatevi che vogliamo lo zero percento di follia, perché finché avete un robot folle che influisce negativamente sulla vostra supply chain, semplicemente non può funzionare. Questo è ciò a cui dobbiamo porre rimedio prima di tutto.

Domanda: Spesso gli approcci quantitativi richiedono di quantificare ciò che non è ancora stato quantificato o ciò che si trova in fogli di calcolo Excel, non nei sistemi ERP. Qual è il modo più efficiente per affrontare questo problema? Come si può raccogliere queste informazioni aggiuntive in modo che siano affidabili come le informazioni provenienti dai sistemi ERP?

Ci sono due problemi distinti qui. In primo luogo, c’è lo status quo, in cui il problema della quantificazione dei ricavi e degli errori è politicamente molto difficile. Molte persone nelle grandi organizzazioni hanno forti incentivi a non discutere dei dollari di ritorno o dei ricavi, perché altrimenti l’azienda si renderebbe conto che non hanno alcun valore aggiunto. Quindi, ci sono molte cose che non vengono quantificate solo perché ci sono forti forze politiche che giocano contro.

Per rendere questo più concreto, quando Lokad ha iniziato a lavorare per una rete di vendita al dettaglio per ottimizzare le scorte nei negozi, ci siamo resi conto che le scorte avevano due scopi radicalmente diversi. Il primo scopo era quello di servire correttamente i clienti, richiedendo una certa quantità di stock. L’altro scopo era che il negozio sembrasse pieno e invitante, il che richiedeva una quantità aggiuntiva di stock. Avevamo una quantità di stock espressa in euro per questo grande rivenditore e abbiamo detto che la metà dello stock era necessaria per scopi di servizio e doveva essere gestita dalla supply chain, mentre l’altra metà era necessaria per scopi di merchandising e doveva essere responsabilità del marketing. Ovviamente, il marketing, che improvvisamente aveva una grande voce di inventario che entrava nel loro budget, non era felice di questa idea.

Quindi, innanzitutto, dobbiamo affrontare il fatto che è molto difficile stabilire regole per quantificare i dollari di ricompensa e costo, e queste regole dovrebbero essere applicate a tutti allo stesso modo. Questo è difficile da ottenere e molte persone nelle organizzazioni hanno un interesse personale nel mantenere le cose così come sono. Abbiamo un altro tipo di problema, che è in realtà molto più facile da affrontare: l’IT ombra. Il problema degli ERP e di software simili, come si può vedere nella base di conoscenza di Lokad sugli ERP, è che è molto difficile per i fornitori di ERP coprire tutte le situazioni. Ad esempio, potresti avere quantitativi minimi di ordine (MOQ). Come rappresentarlo in un ERP? Dipende davvero. Il MOQ può essere a livello di prodotto, a livello di ordine o a volte una combinazione di entrambi. Può essere ancora più complicato, ad esempio nel settore tessile, dove il MOQ è definito dalla quantità di tessuto di ogni colore.

Il problema è che, per i fornitori di ERP, è estremamente difficile rappresentare tutto ciò. Di conseguenza, le persone acquistano un ERP e poi si rendono conto che non consente loro di rappresentare tutto ciò di cui hanno bisogno, quindi ricorrono a fogli di calcolo Excel. Credo che questo sia precisamente il ruolo di un buon dipartimento IT: costruire e fornire i pezzi mancanti in modo che l’IT ombra non rimanga IT ombra, ma diventi invece piccoli pezzi extra di estensioni interne. In un certo senso, è bello avere un ERP e il mio consiglio è di non personalizzare il tuo ERP ma di fare qualcosa a parte. È molto più facile da mantenere anziché seguire il metodo “Frankenstein” sopra l’ERP.

Grazie mille a tutti per la visione. La prossima lezione sarà mercoledì prossimo, stesso giorno, stessa ora. A presto. Arrivederci.