Scopri la Supply Chain

learn menu

Questa serie di lezioni presenta le fondamenta della gestione della supply chain: le sfide, la metodologia e le tecnologie. L’obiettivo è consentire alle organizzazioni di raggiungere prestazioni superiori nella supply chain reale. La visione presentata in queste lezioni si discosta dalla teoria tradizionale della supply chain ed è definita come la supply chain quantitativa. Le lezioni sono presentate da Joannes Vermorel, CEO e fondatore di Lokad. Le lezioni sono illustrate con esempi di supply chain reali su cui Lokad opera per conto dei suoi clienti.

lectures

Pubblico di destinazione: Queste lezioni sono rivolte a tutti coloro che hanno l’ambizione di migliorare le supply chain, dai dirigenti senior agli analisti junior e agli studenti. Le lezioni includono una serie di “crash course” per mantenere il livello di conoscenza preliminare al minimo.

1.1 Le fondamenta della supply chain

La supply chain è la padronanza quantitativa ma intelligente delle opzioni di fronte alla variabilità e ai vincoli legati al flusso di beni fisici. Comprende approvvigionamento, acquisti, produzione, trasporto, distribuzione, promozione, … - ma con un focus sull’alimentazione e la scelta delle opzioni, invece della gestione diretta delle operazioni sottostanti. Vedremo come la prospettiva della supply chain “quantitativa”, presentata in questa serie, si discosti profondamente da ciò che è considerata la teoria tradizionale 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 sottolinea una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e sviluppata da Lokad, si discosti dalla teoria mainstream della supply chain. Potrebbe essere riassunto come: ogni singola decisione viene valutata in base a tutti i possibili futuri secondo i driver economici. Questa prospettiva è gradualmente emersa presso Lokad come teoria mainstream 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 supply chain quantitativa è quello di consegnare o migliorare un’applicazione software che automatizza una serie di decisioni di routine (ad esempio, rifornimenti di inventario riapprovvigionamenti, aggiornamenti dei prezzi). L’applicazione è considerata un prodotto da progettare. Mentre la teoria mainstream della supply chain fatica a imporsi nelle aziende in generale, uno strumento “ovvero Microsoft Excel”, ha goduto di un notevole successo operativo. Reimplementare le ricette numeriche della teoria mainstream della supply chain tramite fogli di calcolo è banale, tuttavia, questo non è ciò che è accaduto nella pratica nonostante la consapevolezza della teoria. Dimostriamo che i fogli di calcolo hanno vinto 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 specifici paradigmi di programmazione. Infatti, mentre l’aspetto ‘programmatico’ non può essere evitato attraverso un prodotto software confezionato (cf. lezione precedente), gli approcci di programmazione mainstream comportano livelli di complessità accidentale che sono gravemente dannosi per le iniziative di supply chain. Presentiamo una serie di paradigmi di programmazione particolarmente adatti alle supply chain del mondo reale. Questa lezione è illustrata con Envision, il DSL (Domain-Specific programming Language) dedicato all’ottimizzazione delle supply chain, sviluppato da Lokad basandosi su quei paradigmi di programmazione.

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

  • Dynamic Supply Chains: Come progettare, costruire e gestire reti di valore incentrate sulle persone, John Gattorna, 2015

1.5 Tendenze del XXI secolo nella supply chain

Alcune importanti tendenze hanno dominato l’evoluzione delle supply chain negli ultimi decenni, ridisegnando in larga misura la combinazione di sfide affrontate dalle aziende. Alcuni problemi sono in gran parte scomparsi, come i rischi fisici e i problemi di qualità. Alcuni problemi sono emersi, come la complessità complessiva e l’intensità della concorrenza. Inoltre, il software sta ridisegnando le supply chain in modo profondo. Un rapido sondaggio su queste tendenze ci aiuta a capire su cosa dovrebbe concentrarsi una teoria della supply chain.

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

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 principi quantitativi generali. Per “generali”, intendiamo applicabili a (quasi) tutte le supply chain. Scoprire tali principi è di primaria importanza perché possono essere utilizzati per agevolare l’ingegnerizzazione di ricette numeriche destinate all’ottimizzazione predittiva delle supply chain, ma possono anche essere utilizzati per rendere quelle ricette numeriche più potenti nel complesso. Esaminiamo due brevi elenchi di principi: alcuni principi osservazionali e alcuni principi di ottimizzazione.

2. Metodologia

Lo studio e la pratica della supply chain devono essere radicati nella scienza, cioè supportati da metodi scientifici. Infatti, durante gli ultimi tre secoli, ogni singolo campo che è riuscito a elevarsi attraverso una pratica sperimentale adeguata ha subito il fantastico progresso che abbiamo imparato a riconoscere come il segno distintivo della ‘scienza’. Tuttavia, la supply chain non ha ancora vissuto un tale progresso, almeno non ancora, e gran parte della colpa può essere attribuita a metodologie sperimentali improprie. La natura malvagia della supply chain richiede metodi adeguati, che esploreremo in questo capitolo.

2.1 Personaggi della Supply Chain

Un “personaggio” della supply chain è un’azienda fittizia. Tuttavia, sebbene l’azienda sia fittizia, questa finzione è progettata per evidenziare ciò che merita attenzione dal punto di vista della supply chain. Tuttavia, il personaggio non è idealizzato nel senso di semplificare le sfide della supply chain. Al contrario, l’intento è di amplificare gli aspetti più sfidanti della situazione, gli aspetti che si opporranno più ostinatamente a qualsiasi tentativo di modellazione quantitativa e a qualsiasi tentativo di avviare un’iniziativa per migliorare la supply chain. Nella supply chain, gli studi di caso - 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 a presentare l’esito in una luce positiva. Inoltre, le supply chain effettive soffrono o beneficiano tipicamente di condizioni accidentali che non hanno nulla a che fare con la qualità della loro esecuzione. I personaggi della supply chain sono la risposta metodologica a questi problemi.

Riferimenti:

  • Introduzione allo studio della medicina sperimentale (versione inglese), (versione originale francese), Claude Bernard, 1865
  • The Phoenix Project: Un romanzo sull’IT, DevOps e come far vincere la tua azienda, Gene Kim, Kevin Behr, George Spafford, 2013
  • Traduzione automatica non supervisionata utilizzando solo corpora monolingue, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

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

Parigi è un marchio di moda europeo fittizio che opera una grande rete di vendita al dettaglio. Il marchio si rivolge alle donne e si posiziona come relativamente accessibile. Sebbene la linea di design sia relativamente classica e sobria, il principale driver del business è sempre stato l’innovazione. Vengono utilizzate più collezioni all’anno per spingere onde di nuovi prodotti. Spingere il prodotto giusto, al momento giusto, al prezzo giusto e con la giusta quantità di stock è una delle sfide principali.

2.2 Ottimizzazione Sperimentale

Lontano dalla prospettiva cartesiana ingenua in cui l’ottimizzazione sarebbe solo una questione di implementazione di un ottimizzatore per una determinata funzione di punteggio, la supply chain richiede un processo iterativo. Ogni iterazione viene utilizzata per identificare decisioni “folli” che devono essere indagate e affrontate. La causa principale è spesso rappresentata da driver economici impropri, che devono essere rivalutati in relazione alle loro conseguenze indesiderate. Le iterazioni cambiano di natura quando le ricette numeriche non producono più risultati folli.

Riferimenti:

  • La logica della scoperta scientifica, 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 risultati negativi grezzi, in quanto sono più facili da memorizzare e ragionare. La prospettiva degli antipattern è di primaria 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. di William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Ricerca di Mercato Avversariale

Le moderne supply chain dipendono da una miriade di prodotti software. Scegliere i fornitori giusti è una questione di sopravvivenza. Tuttavia, dato il gran numero di fornitori, le aziende hanno bisogno di un approccio sistematico in questo compito. La pratica tradizionale di ricerca di mercato parte con buone intenzioni ma inevitabilmente porta a risultati negativi, poiché le società di ricerca di mercato finiscono per agire come fronti di marketing per le aziende che dovrebbero analizzare. La speranza che emergerà una società di ricerca imparziale è fuorviante. Tuttavia, la valutazione fornitore-su-fornitore è una metodologia che consente 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 (testo)
  • Influenza: La psicologia della persuasione. Robert B. Cialdini, 1984
  • Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Scrivere per le supply chain

Le supply chain coinvolgono il coordinamento di grandi team. Di conseguenza, i materiali scritti sono fondamentali. Le moderne supply chain non sono semplicemente compatibili con la tradizione orale. Tuttavia, i professionisti della supply chain spesso si trovano in difficoltà per quanto riguarda le loro competenze di comunicazione scritta. Vediamo cosa dicono gli studi sull’usabilità e alcuni esperti di spicco su questi argomenti. Inoltre, le iniziative di supply chain, eseguite attraverso l’approccio sperimentale di ottimizzazione, devono essere accuratamente documentate. Le formule e il codice sorgente rispondono alle domande “cosa” e “come”, ma non rispondono al “perché”. La documentazione deve garantire che gli scienziati della supply chain comprendano il problema che stanno affrontando. Nel tempo, questa documentazione diventa la chiave per garantire una transizione senza intoppi da un supply chain scientist al successivo.

Riferimenti:

  • Gli elementi dello stile (prima edizione), William Strunk Jr, 1918
  • Modello a forma di F per la lettura dei contenuti web, Jakob Nielsen, 2006 (testo)

3. Personaggi

Una serie di personaggi della supply chain seguendo la metodologia definita nel capitolo precedente.

3.1 Miami - un MRO dell’aviazione

Miami è una fittizia MRO (manutenzione, riparazione, revisione) negli Stati Uniti che serve una grande flotta di aeromobili commerciali. Nell’aviazione, la sicurezza è fondamentale. Le parti e i componenti devono essere regolarmente ispezionati e potenzialmente riparati. Miami si occupa di mantenere gli aeromobili in volo in ogni momento, evitando incidenti AOG (aeromobile a terra), che si verificano ogni volta che manca una parte necessaria per effettuare un’operazione di manutenzione.

3.2 Amsterdam - marche di formaggio

Amsterdam è un’azienda FMCG fittizia specializzata nella produzione di formaggi, creme e burri. Gestiscono un ampio portafoglio di marche in diversi paesi. Molti obiettivi aziendali contrastanti devono essere attentamente bilanciati: qualità, prezzo, freschezza, sprechi, diversità, località, ecc. Per design, 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’azienda di ecommerce fittizia che distribuisce una varietà di arredamento per la casa e accessori. Gestiscono il proprio marketplace online. Il loro marchio privato compete con marchi esterni, sia internamente che esternamente. Per rimanere competitiva con attori più grandi e a prezzi più bassi, la supply chain di San Jose cerca di offrire un elevato livello di servizio che assume molte forme, ben oltre la consegna tempestiva dei beni ordinati.

3.4 Stuttgart - un’azienda di ricambi automobilistici

Stuttgart è un’azienda di ricambi automobilistici fittizia. Gestiscono una rete di filiali che forniscono riparazioni auto, parti di ricambio e accessori auto. All’inizio degli anni 2010, Stuttgart ha anche avviato due canali di ecommerce, uno per acquistare e vendere parti di ricambio auto e uno per acquistare e vendere auto usate. Stuttgart cerca di offrire un elevato livello di servizio nel complesso e competitivo mercato automobilistico europeo, che presenta decine di migliaia di veicoli distinti e centinaia di migliaia di parti di ricambio auto distinte.

3.5 Ginevra - un produttore di orologi di lusso

TBD

4. Scienze ausiliarie

La padronanza della supply chain si basa fortemente su diversi altri campi. Presentare la teoria della supply chain come un tipo di matematica applicata è frequente ma fuorviante. Questi corsi accelerati sono intesi a fornire il background culturale necessario per una pratica della supply chain ben ponderata che non può e non dovrebbe essere ridotta a una serie di “modelli”.

4.1 Computer moderni

Le supply chain moderne richiedono risorse informatiche per funzionare, proprio come i nastri trasportatori motorizzati richiedono elettricità. Tuttavia, i sistemi di supply chain lenti rimangono diffusi, mentre la potenza di elaborazione dei computer è aumentata di un fattore superiore a 10.000 volte dal 1990. Una mancanza di comprensione delle caratteristiche fondamentali delle risorse informatiche moderne - anche tra i circoli IT o di data science - spiega in gran parte questa situazione. La progettazione del software alla base delle ricette numeriche non dovrebbe ostacolare 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 destinate a risolvere problemi computazionali precisi. Algoritmi superiori significano che si possono ottenere risultati superiori con meno risorse informatiche. Concentrandosi sulle specificità della supply chain, le prestazioni algoritmiche possono essere notevolmente migliorate, talvolta di ordini di grandezza. Gli algoritmi della “supply chain” devono anche abbracciare la progettazione dei computer moderni, che è significativamente evoluta negli ultimi decenni.

Riferimenti (libro):

  • Introduzione agli algoritmi, 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 - ad esempio, la previsione se adottiamo una prospettiva di supply chain - si basano sull’ottimizzazione matematica al loro nucleo. Inoltre, una volta stabiliti i pronostici, l’individuazione delle decisioni più redditizie si basa, al suo nucleo, sull’ottimizzazione matematica. I problemi di supply chain coinvolgono spesso molte variabili. Sono anche solitamente di natura stocastica. L’ottimizzazione matematica è un pilastro della pratica moderna della supply chain.

Riferimenti:

  • Il futuro della ricerca operativa è passato, Russell L. Ackoff, febbraio 1979
  • LocalSolver 1.x: un risolutore di ricerca locale a scatola nera per la programmazione 0-1, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, settembre 2011
  • Differentiazione automatica nell’apprendimento automatico: un’indagine, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, ultima revisione febbraio 2018

4.4 Apprendimento automatico

Le previsioni sono irriducibili nella supply chain poiché ogni decisione (acquisti, produzione, stoccaggio, ecc.) riflette un’anticipazione degli eventi futuri. L’apprendimento statistico e l’apprendimento automatico hanno in gran parte sostituito il campo classico delle “previsioni”, sia dal punto di vista teorico che pratico. Questo campo di studio ha subito miglioramenti drammatici, che rimangono in gran parte fraintesi tra i circoli dei “data scientist”. Percorreremo questo campo attraverso la risoluzione di tre paradossi. Prima di tutto, dobbiamo fare affermazioni accurate sui dati che non abbiamo. In secondo luogo, dobbiamo affrontare problemi in cui il numero di variabili supera di gran lunga il numero di osservazioni. In terzo luogo, dobbiamo lavorare con modelli in cui il numero di parametri supera di gran lunga sia le variabili che le osservazioni. Cercheremo di capire cosa significhi un’anticipazione basata sui dati del futuro da una prospettiva moderna di “apprendimento”.

Riferimenti:

  • Una teoria dell’apprendibilità, L. G. Valiant, novembre 1984
  • Support-vector networks, Corinna Cortes & Vladimir Vapnik, settembre 1995
  • Random Forests, Leo Breiman, ottobre 2001
  • LightGBM: un albero di decisione di boosting del gradiente altamente efficiente, 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: dove modelli più grandi e più dati fanno male, 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
  • Traduzione automatica non supervisionata utilizzando solo corpora monolingue, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, ultima revisione aprile 2018
  • BERT: Pre-training di trasformatori bidirezionali profondi per la comprensione del linguaggio, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, ultima revisione maggio 2019
  • Un’introduzione gentile alle reti neurali grafiche, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, settembre 2021

4.5 Lingue e compilatori

La maggior parte delle supply chain è ancora gestita tramite fogli di calcolo (ad esempio Excel), mentre i sistemi aziendali sono stati implementati da uno, due, talvolta tre decenni, presumibilmente per sostituirli. Infatti, i fogli di calcolo offrono un’espressività programmatica accessibile, mentre quei sistemi in genere no. Più in generale, dal 1960 c’è stato un costante sviluppo congiunto dell’intera industria del software e dei suoi linguaggi di programmazione. Ci sono prove che la prossima fase delle prestazioni della supply chain sarà in gran parte guidata dallo sviluppo e dall’adozione di linguaggi di programmazione, o meglio di 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 chain sono complesse e caotiche, non dovrebbe sorprendere troppo che la maggior parte dei problemi software aziendali affrontati dalle supply chain si riduca a una cattiva ingegneria del software. Le ricette numeriche utilizzate per ottimizzare la supply chain sono software e, quindi, soggette allo stesso identico problema. Questi problemi aumentano in intensità insieme alla sofisticazione delle ricette numeriche stesse. L’ingegneria del software adeguata è per le supply chain ciò che l’asepsi è per gli ospedali: da sola non fa nulla, come il trattamento dei pazienti, ma senza di essa tutto crolla.

4.7 Sicurezza informatica

Il crimine informatico è in aumento. Il ransomware è un business in crescita. A causa della loro natura fisicamente distribuita, le supply chain sono particolarmente esposte. Inoltre, la complessità ambientale è un terreno fertile per i problemi di sicurezza informatica. La sicurezza informatica è controintuitiva per design, perché è proprio l’angolazione adottata dagli attaccanti per individuare ed sfruttare le vulnerabilità. A seconda delle varianti delle ricette numeriche coinvolte nell’ottimizzazione della supply chain, il rischio può aumentare o diminuire.

4.21 Blockchain

Le criptovalute hanno attirato molta attenzione. Fortunes sono state fatte. Fortunes sono state perse. Gli schemi piramidali erano diffusi. Dal punto di vista aziendale, la “blockchain” è l’eufemismo gentile usato per introdurre idee e tecnologie simili stabilendo una distanza da quelle criptovalute. Esistono casi d’uso delle supply chain per la blockchain, ma ci sono anche sfide da affrontare.

Riferimenti:

  • Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, ottobre 2008
  • La maggioranza non è sufficiente: il mining di Bitcoin è vulnerabile, Ittay Eyal, Emin Gun Sirer, novembre 2013
  • Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, gennaio 2016
  • Graphene: un nuovo protocollo per la propagazione dei blocchi utilizzando la riconciliazione degli insiemi, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, settembre 2017
  • Snowflake to Avalanche: una nuova famiglia di protocolli di consenso metastabili per le criptovalute, Team Rocket, maggio 2018
  • Tokeda, metadati basati su token all’interno di Bitcoin, Joannes Vermorel, marzo 2018
  • Una tassonomia del panorama applicativo di Bitcoin, Joannes Vermorel, maggio 2018

5. Modellazione predittiva

L’anticipazione quantitativa corretta degli eventi futuri è al centro dell’ottimizzazione di qualsiasi 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, ma anche una partenza massiccia da questa prospettiva. Primo, affronta un insieme molto più diversificato di istanze di problemi. Secondo, a causa della natura dei problemi della supply chain, è necessario un paradigma programmabile. Terzo, poiché l’incertezza è di solito irriducibile, sono necessarie previsioni probabilistiche.

5.0. No1 al livello SKU nella competizione di previsione M5

Nel 2020, un team di Lokad ha raggiunto il 5° posto su 909 squadre concorrenti al M5, una competizione mondiale di previsione. Tuttavia, al livello di aggregazione SKU, quelle previsioni sono arrivate al 1° posto. La previsione della domanda è di primaria importanza per la supply chain. L’approccio adottato in questa competizione si è rivelato atipico e diverso dai metodi adottati dagli altri primi 50 concorrenti. Ci sono molte lezioni da imparare da questo risultato come preludio per affrontare ulteriori sfide predittive per la supply chain.

Riferimenti:

  • Un approccio ISSM in scatola bianca per stimare le distribuzioni di incertezza delle vendite di Walmart, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, dicembre 2021 (link)
  • La competizione di incertezza M5: risultati, conclusioni e conclusioni, 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 eccellenti per affrontare le sfide predittive della supply chain. La DP è l’erede del deep learning, ma si distingue dal deep learning per la sua intensa focalizzazione 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 che conta per un utilizzo pratico per scopi di supply chain, compresa la facilità di adozione da parte degli operatori.

5.2 Previsione probabilistica

L’ottimizzazione delle supply chain si basa sull’adeguata anticipazione degli eventi futuri. Numericamente, questi eventi vengono anticipati attraverso previsioni, che comprendono una vasta varietà di metodi numerici utilizzati per quantificare questi eventi futuri. Dagli anni ‘70 in poi, la forma più utilizzata di previsione è stata la previsione di serie temporali puntuali: una quantità misurata nel tempo - ad 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 risultati futuri, invece di individuare un singolo risultato come “la” previsione. Le previsioni probabilistiche sono importanti ogni volta che l’incertezza è irriducibile, il che è quasi sempre il caso quando si tratta di sistemi complessi. Per le supply chain, le previsioni probabilistiche sono essenziali per prendere decisioni robuste in condizioni future incerte.

5.3 Previsione dei tempi di consegna

I tempi di consegna sono un aspetto fondamentale della maggior parte delle situazioni di supply chain. I tempi di consegna possono e dovrebbero essere previsti proprio come la domanda. Possono essere utilizzati modelli di previsione probabilistica dedicati ai tempi di consegna. Vengono presentate una serie di tecniche per creare previsioni probabilistiche dei tempi di consegna per scopi di supply chain. Comporre queste previsioni, tempi di consegna e domanda, è un elemento fondamentale della modellazione predittiva nella supply chain.

6. Processo decisionale

Ogni singolo giorno, migliaia di decisioni di supply chain (milioni nelle grandi aziende) devono essere prese come parte della routine quotidiana delle operazioni aziendali. Ogni decisione comporta alternative. L’obiettivo dell’ottimizzazione della supply chain è scegliere le opzioni che si rivelano più redditizie di fronte a future condizioni incerte. Questo processo presenta due sfide chiave che non abbiamo ancora affrontato: prima di tutto, la valutazione quantitativa della redditività di qualsiasi decisione, 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 di supply chain richiedono valutazioni economiche corrette in base al rischio. La conversione delle previsioni probabilistiche in valutazioni economiche non è banale e richiede strumenti dedicati. Tuttavia, la prioritizzazione economica risultante, illustrata dalle allocazioni delle scorte, si dimostra più potente delle tecniche tradizionali. Iniziamo con la sfida dell’allocazione delle scorte al dettaglio. In una rete a 2 livelli che include sia un centro di distribuzione (DC) che più negozi, dobbiamo decidere come allocare le scorte del DC ai negozi, sapendo che tutti i negozi competono per le stesse scorte.

6.2 Ottimizzazione dei prezzi per il mercato dell’automotive

L’equilibrio tra domanda e offerta dipende molto 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’azienda immaginaria del mercato dell’automotive. Attraverso questo esempio, vedremo il pericolo associato a linee di ragionamento astratte che non riescono a vedere il contesto adeguato. Sapere cosa dovrebbe essere ottimizzato è più importante dei dettagli dell’ottimizzazione stessa.

7. Esecuzione tattica e strategica

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

Un’iniziativa che intende migliorare le prestazioni della supply chain attraverso ricette numeriche superiori può, se riuscita, alterare profondamente la supply chain stessa. Questa prospettiva comporta due importanti avvertenze. Primo, le ricette numeriche devono essere progettate in modo da facilitare il processo; c’è più di quanto sembri. Secondo, il processo stesso di introduzione di ricette numeriche modifica le ricette stesse; il che, a prima vista, è 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 prime fasi del progetto. Inoltre, gli errori iniziali tendono a plasmare l’intera iniziativa, rendendoli quasi impossibili da correggere in seguito. Presentiamo le nostre principali conclusioni per evitare questi errori.

7.2 Portare le decisioni in produzione

Cerchiamo una ricetta numerica per guidare un’intera classe di decisioni banali, come il rifornimento di magazzino. L’automazione è essenziale per rendere la supply chain un’impresa capitalista. Tuttavia, comporta rischi considerevoli di causare danni su larga scala se la ricetta numerica è difettosa. “Fail fast and break things” non è la mentalità adeguata per approvare una ricetta numerica per la produzione. Tuttavia, molte alternative, come il modello a cascata, sono ancora peggiori in quanto di solito danno un’illusione di razionalità e controllo. Un processo altamente iterativo è la chiave per progettare la ricetta numerica che si dimostra adatta alla produzione.

7.3 Il Supply Chain Scientist

Al centro di un’iniziativa di Supply Chain Quantitativa c’è il Supply Chain Scientist (SCS) che esegue la preparazione dei dati, la modellazione economica e la segnalazione dei KPI. L’automazione intelligente delle decisioni della supply chain è il prodotto finale del lavoro svolto dal SCS. Il SCS si appropria delle decisioni generate. Il SCS offre intelligenza umana amplificata attraverso la potenza di elaborazione delle macchine.