Impara sulla supply chain

Questa serie continua di lezioni presenta i fondamenti della supply chain management: le sfide, la metodologia e le tecnologie. L’intento è permettere alle organizzazioni di raggiungere performance superiori nella supply chain ‘real-world’. La visione presentata in queste lezioni diverge dalla teoria mainstream della supply chain, ed è conosciuta come la supply chain quantitativa. 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.

Pubblico di riferimento: Queste lezioni sono destinate a tutti coloro che hanno l’ambizione di migliorare la supply chain, dai dirigenti ai giovani analisti e studenti. Le lezioni includono una serie di corsi intensivi per mantenere al minimo le conoscenze preliminari.

1. Prologo

1.1 I fondamenti della supply chain

La supply chain è la padronanza quantitativa e pratica dell’opzionalità nell’affrontare la variabilità e i vincoli relativi al flusso di merci fisiche. Essa comprende approvvigionamento, acquisto, produzione, trasporto, distribuzione, promozione, … - ma con un focus sul coltivare e scegliere le opzioni, invece che sulla gestione diretta delle operazioni sottostanti. Vedremo come la prospettiva “quantitativa” della supply chain, presentata in questa serie, diverga profondamente da quella considerata la teoria mainstream 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 supply chain quantitativa in breve

Il manifesto della supply chain quantitativa enfatizza una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionierizzata da Lokad, diverga dalla teoria mainstream della supply chain. Può essere riassunto in: ogni singola decisione viene valutata in funzione di tutti i possibili futuri in base ai driver economici. Questa prospettiva è emersa gradualmente in Lokad come la teoria mainstream della supply chain, e la sua implementazione da parte di (quasi?) tutti i fornitori di software resta una sfida.

1.3 Consegna orientata al prodotto

L’obiettivo di un’iniziativa di supply chain quantitativa è o fornire o migliorare un’applicazione software che automatizza una serie di decisioni routinarie (es. rifornimenti di inventario, aggiornamenti dei prezzi). L’applicazione è vista come un prodotto da ingegnerizzare. Mentre la teoria mainstream della supply chain fatica a prevalere nelle aziende in generale, uno strumento – cioè Microsoft Excel – ha riscosso notevole successo operativo. Re-implementare le ricette numeriche della teoria mainstream della supply chain tramite fogli di calcolo è banale, eppure, non è ciò che è 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 per la 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 della 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 di programmazione mainstream implicano strati di complessità accidentali che sono estremamente dannosi per le iniziative della supply chain. Presentiamo una serie di paradigmi di programmazione particolarmente adatti alle supply chain reali. Questa lezione è illustrata con Envision, il DSL (Domain-Specific programming Language) dedicato all’ottimizzazione della supply chain, ingegnerizzato da Lokad basandosi su tali paradigmi di programmazione.

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 della supply chain negli ultimi decenni, rimodellando in larga misura l’insieme delle sfide affrontate dalle aziende. Alcuni problemi sono scomparsi, come i rischi fisici e le questioni di qualità. Altri problemi sono emersi, come la complessità complessiva e l’intensità della concorrenza. In particolare, il software sta anche rimodellando la supply chain in modi profondi. Un rapido esame di queste tendenze ci aiuta a capire su cosa dovrebbe focalizzarsi 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 la supply chain

Anche se la supply chain non può essere caratterizzata da leggi quantitative definitive - a differenza dell’elettromagnetismo - è comunque possibile osservare principi quantitativi generali. Con “generali” intendiamo quelli applicabili a (quasi) tutte le supply chain. Scoprire tali principi è di primaria importanza perché possono essere utilizzati per facilitare l’ingegnerizzazione di ricette numeriche destinate all’ottimizzazione predittiva della supply chain, ma possono anche rendere queste ricette numeriche complessivamente più potenti. Rivediamo due brevi elenchi di principi: alcuni principi osservazionali e alcuni principi di ottimizzazione.

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

Le supply chain aderiscono ai principi economici generali. Tuttavia, questi principi sono troppo poco conosciuti e troppo frequentemente fraintesi. Le pratiche popolari della supply chain e le loro teorie spesso contraddicono ciò che è generalmente concordato in economia. Tuttavia, è improbabile che queste pratiche riescano a dimostrare che l’economia fondamentale sia errata. Inoltre, le supply chain sono complesse. Esse sono sistemi, un concetto relativamente moderno che è anche troppo poco conosciuto e troppo frequentemente frainteso. L’obiettivo di questa lezione è comprendere cosa apportino sia l’economia che i sistemi nel trattare problemi di pianificazione per una supply chain reale.

2. Metodologia

Lo studio e la pratica della supply chain devono essere radicati nella scienza, cioè supportati da metodi scientifici. Infatti, nel corso degli ultimi tre secoli, ogni campo che è riuscito a elevarsi grazie a una pratica sperimentale adeguata ha conosciuto il fantastico progresso che abbiamo imparato a riconoscere come il segno distintivo della “scienza”. Tuttavia, la supply chain non ha ancora sperimentato un simile progresso, e gran parte della colpa può essere attribuita a metodologie sperimentali inadeguate. La natura complessa della supply chain richiede metodi adeguati, 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 fittizia, questa finzione è ideata per delineare ciò che merita attenzione da una prospettiva di supply chain. La persona, però, non è idealizzata nel senso di semplificare le sfide della supply chain. Al contrario, l’intento è quello di mettere in evidenza gli aspetti più impegnativi della situazione, quegli aspetti che resisteranno ostinatamente a qualsiasi tentativo di modellizzazione quantitativa e a qualsiasi tentativo di pilotare un’iniziativa per migliorare la supply chain. Nella supply chain, gli studi di caso - quando vengono nominati uno o più soggetti - soffrono di gravi conflitti di interesse. Le aziende, e i loro fornitori di supporto (software, consulenza), hanno un interesse particolare a presentare i risultati 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 queste problematiche.

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 opera una vasta rete di vendita al dettaglio. Il marchio è destinato alle donne e si posiziona come relativamente accessibile. Sebbene la linea di design sia relativamente classica e sobria, il principale motore del business è sempre stato la novità. Multiple collezioni all’anno vengono utilizzate per spingere ondate di nuovi prodotti. Spingere 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

Lontano dalla naïf prospettiva cartesiana in cui l’ottimizzazione sarebbe semplicemente l’implementazione di un ottimizzatore per una data funzione di punteggio, la supply chain richiede un processo iterativo. Ogni iterazione viene utilizzata per identificare decisioni “insane” che devono essere investigate e affrontate. La causa principale è spesso costituita da driver economici inadeguati, che necessitano di essere rivalutati in relazione alle loro conseguenze non intenzionali. Le iterazioni cambiano natura quando le ricette numeriche non producono più risultati insensati.

Riferimenti:

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Conoscenza negativa

Gli antipattern sono gli stereotipi di soluzioni che sembrano buone ma non funzionano nella pratica. Lo studio sistematico degli antipattern è stato pionieristico alla fine degli anni ‘90 nel campo dell’ingegneria del software. Quando applicabili, gli antipattern sono superiori ai semplici risultati negativi, poiché sono più facili da memorizzare e comprendere. La prospettiva degli antipattern è di primaria rilevanza 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 adversariale

Le supply chain moderne dipendono da una miriade di prodotti software. Scegliere i fornitori giusti è una questione di sopravvivenza. Tuttavia, poiché il numero di fornitori è elevato, le aziende hanno bisogno di un approccio sistematico in questo compito. La pratica tradizionale della ricerca di mercato inizia con buone intenzioni, ma finisce invariabilmente con esiti negativi, poiché le società di ricerca di mercato finiscono per agire come facciate di marketing per le aziende che sono tenute ad analizzare. La speranza che emerga una società di ricerca imparziale è infondata. Tuttavia, la valutazione fornitore su fornitore è una metodologia che permette anche a una società di ricerca di mercato di parte 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
• Guida agli acquisti, Conflitto di interesse, The World Band, 2020 (PDF)

2.5 Scrivere per supply chain

Le supply chain richiedono il coordinamento di grandi team. Pertanto, i materiali scritti sono fondamentali. Le supply chain moderne non sono affatto compatibili con la tradizione orale. Eppure, i professionisti della supply chain spesso si comportano miseramente per quanto riguarda le loro capacità di comunicazione scritta. Esaminiamo cosa dicono gli studi di usabilità e alcuni esperti noti su questi argomenti. Inoltre, le iniziative di supply chain, eseguite attraverso l’approccio di ottimizzazione sperimentale, devono essere documentate in modo accurato. Le formule e il codice sorgente rispondono alle domande su cosa e come, ma non rispondono al perché. La documentazione deve garantire che i Supply Chain Scientist comprendano il problema che devono affrontare. Col tempo, questa documentazione diventa la chiave per garantire una transizione fluida da un Supply Chain Scientist al successivo.

Riferimenti:

• Gli Elementi dello Stile (Prima Edizione), William Strunk Jr, 1918
• Pattern a F per la lettura dei contenuti web, Jakob Nielsen, 2006 (text)

3. Personae

Una serie di supply chain personae seguendo 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 aeromobili commerciali. Nell’aviazione, la sicurezza è fondamentale. Parti e componenti devono essere ispezionate regolarmente e, se necessario, riparate. Miami si occupa di mantenere gli aerei in aria in ogni momento, evitando incidenti 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 un’azienda FMCG fittizia specializzata nella produzione di formaggi, creme e burri. Gestisce un ampio portafoglio di marchi in diversi paesi. Molti obiettivi aziendali in conflitto devono essere bilanciati con attenzione: qualità, prezzo, freschezza, sprechi, diversità, località, ecc. Per progettazione, la produzione di latte e le promozioni al dettaglio mettono l’azienda tra l’incudine e il martello in termini di offerta e domanda.

3.3 San Jose - ecommerce di articoli per la casa

San Jose è un ecommerce fittizio che distribuisce una varietà di articoli per la casa e accessori. Gestisce il proprio marketplace online. Il suo marchio privato compete con marchi esterni, sia internamente che esternamente. Per rimanere competitiva rispetto ad operatori più grandi e a prezzi inferiori, la supply chain di San Jose cerca di garantire un servizio di alta qualità che si manifesta in molte forme, ben oltre la consegna puntuale dei beni ordinati.

3.4 Stuttgart - un’azienda di ricambi automobilistici

Stuttgart è un’azienda di ricambi automobilistici fittizia. Gestisce una rete di filiali che offrono riparazioni, parti d’auto e accessori per auto. All’inizio degli anni 2010, Stuttgart ha avviato anche due canali ecommerce: uno per comprare e vendere ricambi e uno per comprare e vendere auto usate. Stuttgart cerca di offrire un servizio di alta qualità in un mercato automobilistico europeo complesso e competitivo, che presenta decine di migliaia di veicoli distinti e centinaia di migliaia di ricambi automobilistici distinti.

3.5 Ginevra - un produttore di orologi di lusso

TBD

4. Scienze ausiliarie

La padronanza della supply chain si basa fortemente su numerosi altri campi. Presentare la teoria della supply chain come una sfumatura della matematica applicata è frequente ma fuorviante. Questi corsi intensivi mirano a fornire il bagaglio culturale necessario per una pratica della supply chain ben studiata che non può e non deve essere ridotta a una serie di “modelli”.

4.1 Computer moderni

Le supply chain moderne richiedono risorse informatiche per operare, proprio come i nastri trasportatori motorizzati necessitano di elettricità. Eppure, i sistemi di supply chain lenti rimangono ubiqui, mentre la potenza di calcolo dei computer è aumentata di un fattore superiore a 10.000 volte dal 1990. Una mancata comprensione delle caratteristiche fondamentali delle risorse informatiche moderne – anche tra i circoli IT o di data science – spiega in larga misura questo stato di cose. Il design del software alla base delle ricette numeriche non dovrebbe antagonizzare il substrato informatico sottostante.

4.2 Algoritmi moderni

L’ottimizzazione delle supply chain si basa sulla risoluzione di numerosi problemi numerici. Gli algoritmi sono ricette numeriche altamente codificate, concepite per risolvere problemi computazionali precisi. Algoritmi superiori significano che risultati migliori possono essere ottenuti con meno risorse informatiche. Concentrandosi sulle specificità della supply chain, le prestazioni algoritmiche possono essere migliorate sensibilmente, a volte di ordini di grandezza. Gli algoritmi “supply chain” devono anche abbracciare il design dei computer moderni, che si è evoluto notevolmente 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 di minimizzazione di una funzione matematica. Quasi tutte le moderne tecniche di apprendimento statistico – cioè le previsioni se adottiamo una prospettiva supply chain – si basano, al loro interno, sull’ottimizzazione matematica. Inoltre, una volta stabilite le previsioni, identificare le decisioni più redditizie si fonda anch’esso, in sostanza, sull’ottimizzazione matematica. I problemi della supply chain coinvolgono frequentemente molte variabili e sono solitamente di natura stocastica. L’ottimizzazione matematica è un pilastro di una pratica moderna della supply chain.

Riferimenti:

• Il futuro della ricerca operativa è passato, 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
• Differenziazione automatica nel machine learning: un sondaggio, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, ultima revisione febbraio 2018

4.4 Apprendimento automatico

Le previsioni sono inscindibili 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 tradizionale campo delle “previsioni”, sia da un punto di vista teorico che pratico. Questo campo di studi ha subito miglioramenti drammatici, che rimangono in gran parte fraintesi nei circoli dei “data scientist”. Esploreremo questo settore attraverso la risoluzione di tre paradossi. Primo, dobbiamo formulare 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, da una prospettiva moderna di “learning”, un’anticipazione del futuro basata sui dati.

Riferimenti:

• Una teoria di ciò che è apprendibile, L. G. Valiant, novembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, settembre 1995
• Random Forests, Leo Breiman, ottobre 2001
• LightGBM: Un albero decisionale per gradient boosting altamente efficiente, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
• L’attenzione è tutto ciò di cui hai bisogno, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, ultima revisione dicembre 2017
• Deep Double Descent: Dove modelli più grandi e più dati fanno male, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, dicembre 2019
• Reti Generative Avversarie, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, giugno 2014
• Traduzione automatica non supervisionata utilizzando solo corpora monolingue, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, ultima revisione aprile 2018
• BERT: Pre-addestramento di Deep Bidirectional Transformers per la comprensione del linguaggio, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, ultima revisione maggio 2019
• Un’introduzione delicata alle 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 chain è ancora gestita tramite fogli di calcolo (cioè Excel), mentre i sistemi aziendali sono in uso da una, due, talvolta tre decadi – presumibilmente per sostituirli. Infatti, 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 uno sviluppo congiunto costante dell’industria del software e dei suoi linguaggi di programmazione. Ci sono prove che la prossima fase delle prestazioni delle supply chain sarà in gran parte guidata dallo sviluppo e dall’adozione dei linguaggi di programmazione, o piuttosto degli ambienti programmabili.

4.6 Ingegneria del software

Domare la complessità e il caos è il cardine dell’ingegneria del software. Considerando che le supply chain sono sia complesse che caotiche, non sorprende che la maggior parte dei problemi del software aziendale affrontati dalle supply chain si riduca a una cattiva ingegneria del software. Le ricette numeriche utilizzate per ottimizzare la supply chain sono software e, dunque, soggette allo stesso problema. Tali problemi aumentano di intensità insieme alla sofisticazione delle stesse ricette numeriche. Una corretta ingegneria del software è per le supply chain ciò che l’asepsi è per gli ospedali: da sola non fa nulla – come nel curare i pazienti – ma senza di essa tutto crolla.

4.7 Cybersecurity

Il cybercrime è in aumento. Il ransomware è un business in espansione. A causa della loro natura fisicamente distribuita, le supply chain sono particolarmente esposte. Inoltre, la complessità ambientale è terreno fertile per i problemi di sicurezza informatica. La sicurezza informatica è, per sua natura, controintuitiva, perché è proprio l’angolo che gli attaccanti adottano per trovare e sfruttare le falle. A seconda delle tipologie di ricette numeriche coinvolte nell’ottimizzazione della supply chain, il rischio può aumentare o diminuire.

4.21 Blockchains

Le criptovalute hanno attirato molta attenzione. Si sono fatte fortune. Si sono perse fortune. Le truffe piramidali erano dilaganti. Da una prospettiva aziendale, la “blockchain” è l’eufemismo cortese utilizzato per introdurre idee e tecnologie simili, stabilendo al contempo una distanziazione da quelle criptovalute. Esistono casi d’uso della blockchain per la supply chain, ma le sfide sono numerose.

Riferimenti:

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

5. Modellazione predittiva

L’adeguata anticipazione quantitativa degli eventi futuri è al centro dell’ottimizzazione di ogni supply chain. La pratica della previsione di serie temporali è emersa nel XX secolo ed ha avuto un’enorme influenza sulla maggior parte delle grandi supply chain. La modellazione predittiva è sia la discendente della previsione di serie temporali, sia una rottura significativa rispetto a questa prospettiva. In primo luogo, affronta un insieme molto più diversificato di casi problema. In secondo luogo, a causa della natura dei problemi di supply chain, è necessario un paradigma programmatico. In terzo luogo, poiché l’incertezza è di solito irriducibile, sono necessarie anche previsioni probabilistiche.

5.0. No1 a livello SKU nella competizione di previsione M5

Nel 2020, un team di Lokad ha ottenuto il No5 su 909 squadre concorrenti nell’M5, una competizione mondiale di previsione. Tuttavia, a livello di aggregazione SKU, quelle previsioni si sono posizionate al No1. 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 adottati dagli altri primi 50 contendenti. Ci sono molteplici lezioni da apprendere da questo risultato come preludio ad affrontare 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, dicembre 2021 (link)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, novembre 2020 (link)

5.1 Modellazione predittiva strutturata

La Programmazione Differenziabile (DP) è un paradigma generativo per progettare una vasta classe di modelli statistici che si rivelano eccellentemente adatti ad affrontare le sfide predittive della supply chain. La DP è la discendente del deep learning, ma si distingue dal deep learning per il suo intenso focus sulla struttura dei problemi di apprendimento. La DP supera quasi tutta la letteratura “classica” sulle previsioni basate su modelli parametrici. La DP è inoltre superiore agli algoritmi di machine learning “classici” – fino alla fine degli anni 2010 – in praticamente ogni dimensione rilevante per un utilizzo pratico per scopi di supply chain, inclusa la facilità di adozione da parte dei professionisti.

5.2 Previsione probabilistica

La ottimizzazione delle supply chain si basa sulla corretta anticipazione degli eventi futuri. Numericamente, tali eventi vengono anticipati attraverso le previsioni, che comprendono una vasta gamma di metodi numerici usati per quantificare questi eventi futuri. Dagli anni ‘70 in poi, la forma di forecast più utilizzata è stata la previsione puntuale delle serie temporali: una quantità misurata nel tempo – per esempio la domanda in unità per un prodotto – viene proiettata nel futuro. Una previsione si dice probabilistica se restituisce le probabilità associate a tutti i possibili esiti futuri, invece di individuare un esito particolare come “la” previsione. Le previsioni probabilistiche sono fondamentali ogniqualvolta l’incertezza sia irriducibile, cosa che accade quasi sempre quando si tratta di sistemi complessi. Per le supply chain, le previsioni probabilistiche sono essenziali per produrre decisioni robuste contro condizioni future incerte.

5.3 Previsione dei tempi di consegna

I tempi di consegna sono una componente fondamentale della maggior parte delle situazioni di supply chain. I tempi di consegna 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 elaborare previsioni probabilistiche dei tempi di consegna a fini di supply chain. La composizione di queste previsioni, unendo tempi di consegna e domanda, rappresenta una pietra miliare della modellizzazione predittiva nella supply chain.

6. Decisioni

Ogni giorno, migliaia di decisioni di supply chain (milioni nelle grandi aziende) devono essere prese nell’ambito della routine operativa dell’azienda. Ogni decisione comporta delle alternative. L’obiettivo dell’ottimizzazione della supply chain è scegliere le opzioni che risultano più profittevoli di fronte a future condizioni 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 di ottimizzazione numerica adatte ai problemi di supply chain.

6.1 Allocazione delle scorte al dettaglio con previsioni probabilistiche

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

6.2 Ottimizzazione dei Prezzi per l’Automotive Aftermarket

L’equilibrio tra domanda e offerta dipende fortemente dai prezzi. Pertanto, l’ottimizzazione dei prezzi appartiene al dominio della supply chain, almeno in larga misura. Presenteremo una serie di tecniche per ottimizzare i prezzi di un’azienda fittizia nel settore dell’automotive aftermarket. Attraverso questo esempio, evidenzieremo 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 minuziosi dettagli dell’ottimizzazione stessa.

7. Esecuzione tattica e strategica

La supply chain, sia come pratica che come campo di studi, mira a essere un facilitatore e un vantaggio competitivo per l’azienda nel suo complesso. Dal punto di vista della direzione aziendale, due aspetti dominano: rendere la supply chain un asset accrescente e sbloccare modalità superiori per eseguire il business. In pratica, i risultati si riducono per lo più alla scelta dei giusti membri del team.

Un’iniziativa che intende migliorare le prestazioni della supply chain attraverso ricette numeriche superiori può, se avrà successo, alterare profondamente la stessa supply chain. Questa prospettiva presenta due importanti riserve. In primo luogo, le ricette numeriche devono essere progettate in modo da facilitare il processo; c’è più di quanto sembri. In secondo luogo, il semplice atto di introdurre ricette numeriche rimodella le stesse ricette, il che, a prima vista, appare piuttosto controintuitivo.

7.1 Iniziare con un’iniziativa quantitativa

Condurre un’ottimizzazione predittiva di successo di una supply chain è una combinazione di problemi soft e hard. Purtroppo, non è possibile separare questi aspetti. Gli aspetti soft e hard sono profondamente intrecciati. Di solito, questo intreccio si scontra frontalmente con la divisione del lavoro definita dall’organigramma dell’azienda. Osserviamo che, quando le iniziative di supply chain falliscono, le cause principali del fallimento sono solitamente errori commessi nelle fasi iniziali del progetto. Inoltre, gli errori iniziali 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 per guidare un’intera classe di decisioni banali, come il rifornimento delle scorte. L’automazione è essenziale per rendere la supply chain un’impresa capitalistica. Tuttavia, essa comporta rischi sostanziali di causare danni su larga scala se la ricetta numerica risulta difettosa. “Fail fast and break things” non è la mentalità adatta per dare il via libera a una ricetta numerica in produzione. Tuttavia, molte alternative, come il modello a cascata, sono ancora peggiori in quanto solitamente offrono un’illusione di razionalità e controllo. Un processo altamente iterativo è la chiave per progettare una ricetta numerica che si dimostri di livello produttivo.

7.3 Il Supply Chain Scientist

Al centro di un’iniziativa di Supply Chain quantitativa c’è il Supply Chain Scientist (SCS) che si occupa della preparazione dei dati, della modellazione economica e della reportistica sugli KPI. L’automazione intelligente delle decisioni della supply chain è il prodotto finale del lavoro svolto dal SCS. Il SCS si assume la responsabilità delle decisioni generate. Il SCS fornisce un’intelligenza umana amplificata dalla potenza di elaborazione delle macchine.