Impara sulla Supply Chain

Questa serie continua di lezioni presenta le fondamenta della gestione della supply chain: le sfide, la metodologia e le tecnologie. L’intento è consentire alle organizzazioni di raggiungere performance di supply chain superiori, nel mondo reale. La visione esposta in queste lezioni diverge dalla teoria dominante della supply chain ed è definita come la quantitative supply chain. Le lezioni sono presentate da Joannes Vermorel, CEO e fondatore di Lokad. Le lezioni sono illustrate con supply chain reali su cui Lokad opera per conto dei suoi clienti.

Destinatari: Queste lezioni sono destinate a tutti coloro che hanno l’ambizione di migliorare le supply chain, dai dirigenti agli analisti junior e agli studenti. Le lezioni includono una serie di corsi intensivi per mantenere al minimo le conoscenze pregresse.

1. Prologo

1.1 Le fondamenta della supply chain

La supply chain è la padronanza quantitativa ma pratica dell’optionalità quando si affronta la variabilità e i vincoli relativi al flusso di beni fisici. Comprende l’approvvigionamento, l’acquisto, la produzione, il trasporto, la distribuzione, la promozione, … - ma con un focus sul valorizzare e selezionare le opzioni, piuttosto che sulla gestione diretta delle operazioni sottostanti. Vedremo come la prospettiva della supply chain “quantitative”, presentata in questa serie, diverga profondamente da quella che viene considerata la teoria dominante della supply chain.

Riferimenti (libri):

• Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
• Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 La quantitative supply chain in breve

Il manifesto della quantitative supply chain sottolinea una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionierizzata da Lokad, diverga dalla teoria dominante della supply chain. In sintesi, si può riassumere: ogni singola decisione viene valutata rispetto a tutti i possibili futuri in base ai driver economici. Questa prospettiva è emersa gradualmente in Lokad come la teoria dominante della supply chain, e la sua implementazione da parte di (quasi?) tutti i fornitori di software rimane una sfida.

1.3 Consegna orientata al prodotto

L’obiettivo di un’iniziativa di quantitative supply chain è quello di fornire o migliorare un’applicazione software che automatizza un insieme di decisioni routinarie (ad es. il reintegro dell’inventario, gli aggiornamenti dei prezzi). L’applicazione è considerata come un prodotto da ingegnerizzare. Mentre la teoria dominante della supply chain fatica a imporsi nelle aziende in generale, uno strumento, vale a dire Microsoft Excel, ha riscosso un notevole successo operativo. Re-implementare le ricette numeriche della teoria dominante della supply chain tramite fogli di calcolo è banale, eppure questo non è quanto accaduto nella pratica nonostante la conoscenza della teoria. Dimostriamo che i fogli di calcolo hanno avuto successo adottando paradigmi di programmazione che si sono dimostrati superiori nel fornire risultati di supply chain.

Riferimento (libro):

• Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Paradigmi di programmazione per la supply chain

L’ottimizzazione predittiva delle supply chain richiede paradigmi di programmazione specifici. Infatti, mentre l’approccio “programmatico” non può essere evitato tramite un prodotto software confezionato (cfr. lezione precedente), gli approcci tradizionali implicano strati di complessità accidentali che sono estremamente dannosi per le iniziative di supply chain. Presentiamo una serie di paradigmi di programmazione particolarmente adatti per supply chain reali. Questa lezione è illustrata con Envision, il DSL (Domain-Specific programming Language) dedicato all’ottimizzazione delle supply chain, ingegnerizzato da Lokad basandosi su tali paradigmi.

Riferimento (libro, menzionato nella parte Q&A della lezione):

• Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendenze del XXI secolo nella supply chain

Alcune tendenze principali hanno dominato l’evoluzione delle supply chain negli ultimi decenni, rimodellando ampiamente il mix di sfide affrontate dalle aziende. Alcuni problemi sono notevolmente scomparsi, come i rischi fisici e le questioni di qualità. Altri problemi sono aumentati, come la complessità globale e l’intensità della concorrenza. In particolare, il software sta rimodellando le supply chain in modi profondi. Un rapido esame di queste tendenze ci aiuta a comprendere su cosa dovrebbe concentrarsi una teoria della supply chain.

Riferimento (articolo, menzionato nella parte Q&A della lezione):

• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (blockchain use case to fight counterfeits on page 28)

1.6 Principi quantitativi per le supply chain

Sebbene le supply chain non possano essere caratterizzate da leggi quantitative definitive - a differenza dell’elettromagnetismo - è comunque possibile osservare dei principi quantitativi generali. Con “generali” intendiamo che sono applicabili a (quasi) tutte le supply chain. Scoprire tali principi è di fondamentale importanza, poiché possono essere utilizzati per facilitare l’ingegnerizzazione delle ricette numeriche destinate all’ottimizzazione predittiva delle supply chain, ma anche per rendere queste ricette numeriche più efficaci nel complesso. Esaminiamo due brevi liste di principi: alcuni principi osservativi e alcuni principi di ottimizzazione.

1.7 Sulla conoscenza, il tempo e il lavoro per le supply chain

Le supply chain aderiscono ai principi economici generali. Tuttavia, questi principi sono poco conosciuti e troppo frequentemente fraintesi. Le pratiche popolari della supply chain e le relative teorie spesso contraddicono ciò che in economia è generalmente accettato. È improbabile, tuttavia, che tali pratiche possano mai dimostrare che i fondamenti dell’economia siano erronei. Inoltre, le supply chain sono complesse. Esse sono sistemi, un concetto relativamente moderno che è anch’esso poco conosciuto e troppo frequentemente frainteso. L’obiettivo di questa lezione è comprendere cosa offrono sia l’economia sia i sistemi quando si affrontano problemi di pianificazione per una supply chain reale.

2. Metodologia

Lo studio e la pratica delle supply chain devono radicarsi nella scienza, cioè essere supportati da metodi scientifici. Infatti, durante gli ultimi tre secoli, ogni campo che è riuscito a elevarsi attraverso una pratica sperimentale adeguata ha subito il fantastico progresso che abbiamo imparato a riconoscere come il marchio distintivo della “scienza”. Tuttavia, la supply chain non ha ancora sperimentato tale progresso, e gran parte della colpa può essere attribuita a metodologie sperimentali inadeguate. La natura intricata della supply chain esige metodi appropriati, che esploriamo in questo capitolo.

2.1 Personae della supply chain

Una “persona” della supply chain è un’azienda fittizia. Tuttavia, sebbene l’azienda sia immaginaria, questa finzione è concepita per delineare ciò che merita attenzione da una prospettiva di supply chain. La persona non è idealizzata nel senso di semplificare le sfide della supply chain. Al contrario, l’intento è quello di amplificare gli aspetti più sfidanti della situazione, quegli aspetti che resisteranno ostinatamente a qualsiasi tentativo di modellizzazione quantitativa e a qualsiasi sforzo per pilotare un’iniziativa volta a migliorare la supply chain. Nella supply chain, i casi di studio - quando una o più parti sono nominate - soffrono di gravi conflitti di interesse. Le aziende, e i loro fornitori di supporto (software, consulenza), hanno un interesse diretto nel presentare il risultato in una luce positiva. Inoltre, le supply chain reali tipicamente soffrono o beneficiano di condizioni accidentali che non hanno nulla a che fare con la qualità della loro esecuzione. Le personae della supply chain sono la risposta metodologica a questi problemi.

Riferimenti:

• An introduction to the study of Experimental Medicine (English version), (original French version), Claude Bernard, 1865
• The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 Paris - un marchio di moda con una rete di vendita al dettaglio

Paris è un marchio di moda europeo fittizio che gestisce una vasta rete di vendita al dettaglio. Il marchio si rivolge alle donne e si posiziona come relativamente accessibile. Sebbene la linea di design sia piuttosto classica e sobria, il principale motore del business è sempre stata la novità. Molteplici collezioni all’anno vengono utilizzate per lanciare ondate di nuovi prodotti. Proporre il prodotto giusto, al momento giusto, al prezzo giusto e con la giusta quantità di stock è una delle sfide fondamentali.

2.2 Ottimizzazione sperimentale

Lungi dalla prospettiva cartesiana naïf in cui l’ottimizzazione si limiterebbe a implementare un ottimizzatore per una data funzione di punteggio, la supply chain richiede un processo iterativo. Ogni iterazione viene utilizzata per identificare decisioni “assurde” che devono essere esaminate e affrontate. La causa principale è spesso rappresentata da driver economici inadeguati, che necessitano di essere rivalutati in relazione alle loro conseguenze non previste. Le iterazioni cambiano natura quando le ricette numeriche non producono più risultati assurdi.

Riferimenti:

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Conoscenza negativa

Gli antipatterns sono gli stereotipi delle soluzioni che sembrano buone ma non funzionano in pratica. Lo studio sistematico degli antipatterns è stato avviato alla fine degli anni ‘90 dal campo dell’ingegneria del software. Quando applicabili, gli antipatterns risultano superiori ai semplici risultati negativi, in quanto sono più facili da memorizzare e analizzare. La prospettiva degli antipatterns è di fondamentale importanza per la supply chain, e dovrebbe essere considerata come uno dei pilastri della sua conoscenza negativa.

Riferimenti:

• AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Ricerca di mercato avversaria

Le supply chain moderne dipendono da una miriade di prodotti software. Scegliere i fornitori giusti è una questione di sopravvivenza. Tuttavia, dato che il numero di fornitori è elevato, le aziende necessitano di un approccio sistematico in questo compito. La pratica tradizionale della ricerca di mercato inizia con buone intenzioni ma finisce invariabilmente con risultati negativi, poiché le società di ricerca di mercato finiscono per agire come facciate di marketing per le aziende che dovrebbero analizzare. La speranza che emerga una società di ricerca imparziale è mal riposta. Tuttavia, la valutazione da parte di fornitori nei confronti di altri fornitori è una metodologia che consente anche a una società di ricerca di mercato parzialmente orientata di produrre risultati imparziali.

Riferimenti:

• Corruzione epistemica, l’industria farmaceutica e il corpo della scienza medica. Sergio Sismondo, 2021 (text)
• Influenza: la psicologia della persuasione. Robert B. Cialdini, 1984
• Linee guida per gli appalti, conflitto di interessi, The World Band, 2020 (PDF)

2.5 Scrivere per supply chains

Le supply chains prevedono il coordinamento di grandi team. Per questo, i materiali scritti sono fondamentali. Le supply chains moderne non sono affatto compatibili con la tradizione orale. Eppure, i professionisti delle supply chains spesso rendono pessimamente in termini di capacità di comunicazione scritta. Esaminiamo ciò che gli studi sull’usabilità e alcuni esperti di rilievo hanno da dire in merito. Inoltre, le iniziative relative alle supply chains, eseguite attraverso l’approccio di ottimizzazione sperimentale, devono essere documentate in modo approfondito. Le formule e il codice sorgente rispondono alle domande sul cosa e sul come, ma non rispondono al perché. La documentazione deve garantire che i Supply Chain Scientist comprendano il problema che stanno affrontando. Col tempo, questa documentazione diventa la chiave per garantire una transizione fluida da un Supply Chain Scientist all’altro.

Riferimenti:

• The Elements of Style (Prima edizione), William Strunk Jr, 1918
• F-Shaped Pattern per la lettura dei contenuti web, Jakob Nielsen, 2006 (text)

3. Personae

Una serie di supply chain personae che seguono la metodologia definita nel capitolo precedente.

3.1 Miami - un MRO dell’aviazione

Miami è un MRO dell’aviazione fittizio negli USA che serve una grande flotta di aerei commerciali. In aviazione, la sicurezza è fondamentale. Parti e componenti devono essere ispezionati regolarmente e, se necessario, riparati. Miami opera per mantenere gli aerei in volo in ogni momento, evitando incidenti di AOG (aircraft on ground), che si verificano ogni volta che manca una parte necessaria per eseguire un’operazione di manutenzione.

3.2 Amsterdam - marchi di formaggio

Amsterdam è una società FMCG fittizia che si specializza nella produzione di formaggi, creme e burri. Gestisce un ampio portafoglio di marchi in diversi paesi. Numerosi obiettivi aziendali in conflitto devono essere attentamente bilanciati: qualità, prezzo, freschezza, sprechi, diversità, localizzazione, ecc. Per design, la produzione di latte e le promozioni al dettaglio pongono l’azienda tra il martello e l’incudine in termini di offerta e domanda.

3.3 San Jose - ecommerce di articoli per la casa

San Jose è un sito ecommerce fittizio che distribuisce una varietà di mobili e accessori per la casa. Gestisce il proprio marketplace online. Il suo marchio privato compete con marchi esterni, sia a livello interno che esterno. Per rimanere competitivo con attori più grandi e a prezzi inferiori, la supply chain di San Jose cerca di offrire un servizio di alta qualità che assume molteplici forme, ben oltre la consegna puntuale della merce ordinata.

3.4 Stuttgart - un’azienda di ricambi automobilistici

Stuttgart è un’azienda fittizia del settore aftermarket automobilistico. Gestisce una rete di filiali che offrono riparazioni auto, pezzi di ricambio e accessori per auto. Nei primi anni 2010, Stuttgart ha anche avviato due canali ecommerce, uno per l’acquisto e la vendita di ricambi e uno per l’acquisto e la vendita di auto usate. Stuttgart cerca di offrire un servizio di alta qualità nel complesso e competitivo mercato automobilistico europeo, che comprende decine di migliaia di veicoli distinti e centinaia di migliaia di pezzi di ricambio differenti.

4. Scienze ausiliarie

La padronanza della supply chain si basa pesantemente su diversi altri campi. Presentare la teoria della supply chain come una variante della matematica applicata è frequente, ma fuorviante. Questi corsi intensivi hanno lo scopo di fornire il bagaglio culturale necessario per una pratica della supply chain ben ponderata, che non può e non deve essere ridotta a una serie di “modelli”.

4.1 Computer moderni

Le supply chains moderne richiedono risorse informatiche per operare proprio come i nastri trasportatori motorizzati necessitano di elettricità. Eppure, i sistemi di supply chain lenti rimangono onnipresenti, mentre la potenza di calcolo dei computer è aumentata di un fattore superiore a 10.000 dal 1990. Una scarsa comprensione delle caratteristiche fondamentali delle risorse informatiche moderne – anche tra i circuiti IT o della data science – contribuisce a spiegare questo stato di cose. Il design del software sottostante le ricette numeriche non dovrebbe antagonizzare il substrato informatico sottostante.

4.2 Algoritmi moderni

L’ottimizzazione delle supply chains si basa sulla risoluzione di numerosi problemi numerici. Gli algoritmi sono ricette numeriche altamente codificate, progettate per risolvere problemi computazionali specifici. Algoritmi superiori significano che si possono ottenere risultati migliori con meno risorse informatiche. Concentrandosi sulle specificità della supply chain, le prestazioni algoritmiche possono essere notevolmente migliorate, talvolta di ordini di grandezza. Gli algoritmi per la supply chain devono anche abbracciare il design dei computer moderni, che si è notevolmente evoluto nelle ultime decadi.

Riferimenti (libro):

• Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest e Clifford Stein, 2009

4.3 Ottimizzazione matematica

L’ottimizzazione matematica è il processo volto a minimizzare una funzione matematica. Quasi tutte le tecniche moderne di apprendimento statistico – ad es. il forecasting se adottiamo una prospettiva di supply chain – si basano essenzialmente sull’ottimizzazione matematica. Inoltre, una volta stabilite le previsioni, identificare le decisioni più redditizie si basa, in sostanza, sull’ottimizzazione matematica. I problemi di supply chain coinvolgono spesso molte variabili e, di solito, presentano una natura stocastica. L’ottimizzazione matematica è una pietra miliare di una pratica moderna della supply chain.

Riferimenti:

• The Future of Operational Research Is Past, Russell L. Ackoff, febbraio 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, settembre 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, ultima revisione febbraio 2018

4.4 Machine learning

Le previsioni sono irreducibili nella supply chain poiché ogni decisione (acquisto, produzione, stoccaggio, ecc.) riflette un’anticipazione di eventi futuri. L’apprendimento statistico e il machine learning hanno in gran parte superato il classico campo del ‘forecasting’, sia da una prospettiva teorica che pratica. Questo campo di studio ha subito miglioramenti drammatici, che rimangono in gran parte fraintesi nei circoli dei “data scientist”. Attraverseremo questo campo attraverso la risoluzione di tre paradossi. Primo, dobbiamo fare affermazioni accurate su dati che non abbiamo. Secondo, dobbiamo affrontare problemi in cui il numero di variabili supera di gran lunga il numero di osservazioni. Terzo, dobbiamo lavorare con modelli in cui il numero di parametri supera di gran lunga sia il numero di variabili che di osservazioni. Cercheremo di capire cosa significhi, dal punto di vista del moderno apprendimento, un’anticipazione del futuro guidata dai dati.

Riferimenti:

• A theory of the learnable, L. G. Valiant, novembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, settembre 1995
• Random Forests, Leo Breiman, ottobre 2001
• LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
• Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, ultima revisione dicembre 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, dicembre 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, giugno 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, ultima revisione aprile 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, ultima revisione maggio 2019
• A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, settembre 2021

4.5 Linguaggi e compilatori

La maggior parte delle supply chains è ancora gestita tramite fogli di calcolo (cioè Excel), mentre i sistemi enterprise sono in uso da una, due, a volte tre decadi – presumibilmente per sostituirli. In effetti, i fogli di calcolo offrono un’espressività programmatica accessibile, mentre quei sistemi generalmente non lo fanno. Più in generale, dagli anni ‘60, c’è stato un costante co-sviluppo dell’industria del software nel suo complesso e dei suoi linguaggi di programmazione. Ci sono evidenze che la prossima fase di performance delle supply chains sarà in gran parte guidata dallo sviluppo e dall’adozione dei linguaggi di programmazione, o meglio, degli ambienti programmabili.

4.6 Ingegneria del software

Domare la complessità e il caos è la pietra angolare dell’ingegneria del software. Considerando che le supply chains sono sia complesse che caotiche, non sorprende che gran parte dei problemi software aziendali affrontati dalle supply chains si riducano a una cattiva ingegneria del software. Le ricette numeriche utilizzate per ottimizzare la supply chain sono software e, pertanto, soggette agli stessi problemi. Questi problemi crescono in intensità con l’aumentare della sofisticazione delle stesse ricette numeriche. Una corretta ingegneria del software è per le supply chains ciò che l’asepsi è per gli ospedali: di per sé non fa nulla – come nel trattamento dei pazienti – ma senza di essa, tutto crolla.

4.7 Cybersecurity

Il cybercrime è in aumento. Il ransomware è un business in forte espansione. A causa della loro natura fisicamente distribuita, le supply chains sono particolarmente esposte. Inoltre, la complessità ambientale rappresenta un terreno fertile per problemi di sicurezza informatica. La sicurezza informatica è per sua natura controintuitiva, perché è proprio l’angolo adottato dagli aggressori per individuare e sfruttare le falle. A seconda delle varianti delle ricette numeriche coinvolte nell’ottimizzazione della supply chain, il rischio può aumentare o diminuire.

4.21 Blockchains

Le criptovalute hanno attirato molta attenzione. Sono state accumulate fortune. Sono state perse fortune. Gli schemi piramidali erano dilaganti. Da una prospettiva aziendale, la “blockchain” è il gentile eufemismo utilizzato per introdurre idee e tecnologie simili, stabilendo al contempo una distanza da quelle criptovalute. Esistono casi d’uso della supply chain per la blockchain, ma le sfide sono altrettanto numerose.

Riferimenti:

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Oct 2008
• Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
• Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, May 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, March 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018

5. Modellazione predittiva

La corretta anticipazione quantitativa degli eventi futuri è al centro di ogni ottimizzazione della supply chain. La pratica della previsione delle serie temporali è emersa nel XX secolo e ha avuto un’enorme influenza sulla maggior parte delle grandi supply chain. La modellazione predittiva è sia il discendente della previsione delle serie temporali, sia un netto allontanamento da questa prospettiva. In primo luogo, affronta un insieme molto più diversificato di casi-problema. In secondo luogo, a causa della natura dei problemi della supply chain, è necessario un paradigma programmatico. In terzo luogo, poiché l’incertezza è solitamente irriducibile, sono necessarie anche previsioni probabilistiche.

5.0. No1 a livello di SKU nella competizione di previsione M5

Nel 2020, un team di Lokad si è classificato al 5° posto tra 909 squadre concorrenti nel M5, una competizione mondiale di previsione. Tuttavia, a livello di aggregazione SKU, quelle previsioni hanno raggiunto il primo posto. La previsione della domanda è di primaria importanza per la supply chain. L’approccio adottato in questa competizione si è rivelato atipico, a differenza degli altri metodi impiegati dai restanti top 50 contendenti. Ci sono molte lezioni da trarre da questo risultato come preludio ad ulteriori sfide predittive per la supply chain.

Riferimenti:

• A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, December 2021 (link)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)

5.1 Modellazione predittiva strutturata

La Differentiable Programming (DP) è un paradigma generativo per progettare una classe molto ampia di modelli statistici che si rivelano eccellentemente adatti ad affrontare le sfide predittive della supply chain. La DP è il discendente del deep learning, ma si differenzia da esso per il suo intenso focus sulla struttura dei problemi di apprendimento. La DP supera quasi tutta la letteratura “classica” di previsione basata su modelli parametrici. La DP è anche superiore agli algoritmi di machine learning “classici” – fino alla fine degli anni 2010 – in praticamente ogni dimensione rilevante per un uso pratico in ambito supply chain, inclusa la facilità di adozione da parte dei professionisti.

5.2 Previsione probabilistica

L’ottimizzazione delle supply chain si basa sulla corretta anticipazione degli eventi futuri. Numericamente, questi eventi vengono anticipati tramite previsioni, che comprendono una vasta gamma di metodi numerici utilizzati per quantificarli. Dagli anni ‘70 in poi, la forma di previsione più ampiamente utilizzata è stata quella puntuale delle serie temporali: una quantità misurata nel tempo – per esempio la domanda in unità per un prodotto – viene proiettata nel futuro. Una previsione è definita probabilistica se restituisce le probabilità associate a tutti i possibili esiti futuri, invece di indicare un singolo esito come “la” previsione. Le previsioni probabilistiche sono importanti ogni qualvolta l’incertezza risulti irriducibile, il che è quasi sempre il caso per sistemi complessi. Per la supply chain, esse sono fondamentali per produrre decisioni robuste contro condizioni future incerte.

5.3 Previsione dei tempi di consegna

I tempi di consegna sono una componente fondamentale nella maggior parte delle situazioni della supply chain. Questi tempi possono e devono essere previsti proprio come la domanda. È possibile utilizzare modelli di previsione probabilistica dedicati ai tempi di consegna. Viene presentata una serie di tecniche per realizzare previsioni probabilistiche dei tempi di consegna a scopi di supply chain. L’integrazione di tali previsioni – tempi di consegna e domanda – è un pilastro della modellazione predittiva nella supply chain.

6. Processo decisionale

Ogni singolo giorno, migliaia di decisioni nella supply chain (milioni nelle grandi aziende) devono essere prese nell’ambito della routine operativa aziendale. Ogni decisione comporta delle alternative. L’obiettivo dell’ottimizzazione della supply chain è selezionare le opzioni che si rivelano più redditizie, fronteggiando condizioni future incerte. Questo processo presenta due sfide chiave che non abbiamo ancora affrontato: in primo luogo, la valutazione quantitativa della redditività di ogni decisione, e in secondo luogo, l’implementazione delle ricette numeriche di ottimizzazione adatte ai problemi della supply chain.

6.1 Allocazione delle scorte al dettaglio con previsioni probabilistiche

Le decisioni nella supply chain richiedono valutazioni economiche aggiustate per il rischio. La conversione delle previsioni probabilistiche in valutazioni economiche non è un compito banale e necessita di strumenti dedicati. Tuttavia, la prioritizzazione economica risultante, illustrata dall’allocazione delle scorte, si dimostra più potente rispetto alle tecniche tradizionali. Iniziamo con la sfida dell’allocazione delle scorte al dettaglio. In una rete a due livelli che comprende sia un centro di distribuzione (DC) sia numerosi negozi, dobbiamo decidere come allocare le scorte del DC ai negozi, sapendo che tutti competono per le medesime scorte.

6.2 Ottimizzazione dei prezzi per il settore aftermarket automobilistico

L’equilibrio tra domanda e offerta dipende fortemente dai prezzi. Pertanto, l’ottimizzazione dei prezzi appartiene al campo della supply chain, almeno in larga misura. Presenteremo una serie di tecniche per ottimizzare i prezzi di un’ipotetica azienda del settore aftermarket automobilistico. Attraverso questo esempio, vedremo il pericolo associato a linee di ragionamento astratte che non riescono a cogliere il contesto appropriato. Sapere cosa debba essere ottimizzato è più importante dei dettagli minuziosi dell’ottimizzazione stessa.

7. Esecuzione tattica e strategica

La supply chain, sia come pratica che come campo di studio, mira a essere un facilitatore e un vantaggio competitivo per l’azienda nel suo complesso. Dal punto di vista del top management, due aspetti dominano: rendere la supply chain un asset accrescitivo e sbloccare modi superiori di eseguire il business. In pratica, i risultati si riducono principalmente alla scelta dei giusti componenti del team.

Un’iniziativa che intende migliorare le prestazioni della supply chain attraverso ricette numeriche superiori può, se ha successo, alterare profondamente la stessa supply chain. Questa prospettiva presenta due importanti avvertenze. In primo luogo, le ricette numeriche devono essere progettate in maniera ingegneristica per facilitare il processo; c’è di più di quanto sembri. In secondo luogo, il processo stesso di introduzione delle ricette numeriche trasforma le ricette stesse, il che, a prima vista, risulta piuttosto controintuitivo.

7.1 Iniziare con un’iniziativa quantitativa

Condurre un’ottimizzazione predittiva di successo di una supply chain è un insieme di problemi soft e hard. Purtroppo, non è possibile separarli. Gli aspetti soft e hard sono profondamente intrecciati e, di solito, questo intreccio si scontra frontalmente con la divisione del lavoro così come definita nell’organigramma aziendale. Abbiamo osservato che, quando le iniziative di supply chain falliscono, le cause principali del fallimento sono solitamente errori commessi nelle fasi iniziali del progetto. Inoltre, errori precoci tendono a plasmare l’intera iniziativa, rendendoli quasi impossibili da correggere ex post. Presentiamo i nostri principali risultati per evitare tali errori.

7.2 Portare le decisioni in produzione

Cerchiamo una ricetta numerica in grado di guidare un’intera classe di decisioni banali, come il rifornimento degli stock. L’automazione è essenziale per trasformare la supply chain in un’impresa capitalistica. Tuttavia, essa comporta rischi sostanziali di causare danni su larga scala se la ricetta numerica è difettosa. “Fail fast and break things” non è la mentalità corretta per approvare una ricetta numerica destinata alla produzione. Molte alternative, come il modello waterfall, sono addirittura peggiori poiché solitamente danno l’illusione di razionalità e controllo. Un processo altamente iterativo è la chiave per progettare una ricetta numerica che si dimostri idonea alla produzione.

7.3 Il Supply Chain Scientist

Al centro di un’iniziativa di Supply Chain Quantitativa vi è il Supply Chain Scientist (SCS) che si occupa della preparazione dei dati, della modellazione economica e del reporting dei KPI. L’automazione intelligente delle decisioni nella supply chain è il prodotto finale del lavoro svolto dal SCS. Il SCS si assume la responsabilità delle decisioni generate e offre un’intelligenza umana amplificata dal potere elaborativo delle macchine.