Scopri la Supply Chain

Questa serie continua di lezioni presenta le fondamenta del supply chain management: le sfide, la metodologia e le tecnologie. L’intento è consentire alle organizzazioni di ottenere una performance superiore, real-world supply chain performance. La visione presentata in queste lezioni diverge dalla mainstream supply chain theory, 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 real-world supply chains su cui Lokad opera per conto dei suoi clienti.

Pubblico destinatario: Queste lezioni sono destinate a tutti coloro che hanno l’ambizione di migliorare le supply chain, dai dirigenti ai giovani analisti e 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’opzionalità nell’affrontare la variabilità e i vincoli relativi al flusso di beni fisici. Essa comprende approvvigionamento, acquisti, produzione, trasporto, distribuzione, promotion, … - ma con un focus sul coltivare e selezionare le opzioni, anziché sulla gestione diretta delle operazioni sottostanti. Vedremo come la prospettiva “quantitative” della supply chain, presentata in questa serie, diverga dalla mainstream supply chain theory.

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 enfatizza una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionierizzata da Lokad, diverga dalla mainstream supply chain theory. Può essere riassunto così: ogni singola decisione viene valutata rispetto a tutti i futuri possibili in base ai driver economici. Questa prospettiva è emersa gradualmente in Lokad come la mainstream supply chain theory, 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 consegnare o migliorare un’applicazione software che robotizzi un insieme di decisioni di routine (ad es. riapprovvigionamenti, aggiornamenti dei prezzi). L’applicazione viene considerata come un prodotto da ingegnerizzare. Mentre la mainstream supply chain theory fatica a prevalere nelle aziende in generale, uno strumento, vale a dire Microsoft Excel, ha goduto di notevole successo operativo. Reimplementare le numerical recipes della mainstream supply chain theory tramite fogli di calcolo è banale, tuttavia ciò non è avvenuto in pratica nonostante la consapevolezza della teoria. Dimostriamo che i fogli di calcolo hanno avuto successo adottando paradigmi di programmazione che si sono rivelati 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 delle supply chain richiede paradigmi di programmazione specifici. Infatti, mentre l’approccio “programmatic” non può essere evitato tramite un prodotto software confezionato (cfr. lezione precedente), gli approcci tradizionali di programmazione implicano strati di complessità accidentali che risultano fortemente dannosi per le iniziative di supply chain. Presentiamo una serie di paradigmi di programmazione particolarmente adatti alle real-world supply chain. Questa lezione è illustrata con Envision, il DSL (Domain-Specific programming Language) dedicato all’ottimizzazione delle supply chain, ingegnerizzato da Lokad sulla base di 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

Negli ultimi decenni, alcune tendenze principali hanno dominato l’evoluzione delle supply chain, rimodellando notevolmente il mix di sfide che le aziende devono affrontare. Alcuni problemi, come i rischi fisici e le questioni di qualità, sono in gran parte scomparsi. Altri problemi sono emersi, come la complessità complessiva e l’intensità della concorrenza. In particolare, il software sta rimodellando le supply chain in modi profondi. Una rapida analisi di queste tendenze aiuta a comprendere su cosa dovrebbe concentrarsi una teoria della supply chain.

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

• Tokeda, Metadata token-driven viable all’interno di Bitcoin, Joannes Vermorel, 2018, (caso d’uso blockchain per combattere i falsi a pagina 28)

1.6 Principi quantitativi per le supply chain

Anche se le supply chain non possono essere caratterizzate da leggi quantitative definitive - a differenza dell’elettromagnetismo - è comunque possibile osservare principi quantitativi generali. Con “generali” si intende applicabili a (quasi) tutte le supply chain. Scoprire tali principi è di primaria importanza perché possono essere utilizzati per facilitare l’ingegnerizzazione delle ricette numeriche destinate all’ottimizzazione predittiva delle supply chain, ma possono anche rendere queste ricette numeriche più potenti nel complesso. Esaminiamo due brevi elenchi di principi: alcuni di osservazione e alcuni di ottimizzazione.

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

Le supply chain si basano sui 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 quanto generalmente accettato in economia. È improbabile, però, che tali pratiche possano mai dimostrare l’errore dell’economia di base. Inoltre, le supply chain sono complesse. Esse sono sistemi, un concetto relativamente moderno, anch’esso troppo poco conosciuto e spesso frainteso. L’obiettivo di questa lezione è comprendere cosa apportino sia l’economia che i sistemi nell’affrontare i problemi di pianificazione per una real-world supply chain.

2. Metodologia

Lo studio e la pratica della supply chain devono essere radicati nella scienza, cioè supportati da metodi scientifici. Infatti, negli ultimi tre secoli, ogni campo che è riuscito a elevarsi grazie a una pratica sperimentale adeguata ha subito il fantastico progresso che oggi riconosciamo come emblema 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 complessa della supply chain richiede metodi appropriati, che esploriamo in questo capitolo.

2.1 Personae della Supply Chain

Una “persona” della supply chain è un’azienda fittizia. Tuttavia, pur essendo fittizia, questa costruzione è progettata per evidenziare ciò che merita attenzione da una prospettiva supply chain. La persona non è idealizzata per semplificare le sfide della supply chain; al contrario, l’intento è quello di evidenziare gli aspetti più difficili della situazione, quelli che resisteranno ostinatamente a qualsiasi tentativo di modellazione quantitativa e a iniziative per migliorare la supply chain. Negli studi di caso della supply chain, quando vengono nominati uno o più soggetti, possono insorgere seri conflitti di interesse. Le aziende, e i loro fornitori di supporto (software, consulenza), hanno interesse a presentare i risultati in luce positiva. Inoltre, le supply chain reali tipicamente soffrono o beneficiano di condizioni accidentali che non dipendono dalla qualità della loro esecuzione. Le personae della supply chain rappresentano la risposta metodologica a tali 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 gestisce una vasta rete di vendita al dettaglio. Il marchio, rivolto alle donne, si posiziona come relativamente accessibile. Pur adottando una linea di design piuttosto classica e sobria, il principale motore commerciale è sempre stata la novità. Vengono lanciate più collezioni all’anno per spingere ondate di nuovi prodotti. Lanciare 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 naïf prospettiva cartesiana, secondo cui l’ottimizzazione consisterebbe semplicemente nell’implementare un ottimizzatore per una data funzione obiettivo, la supply chain richiede un processo iterativo. Ogni iterazione viene utilizzata per identificare decisioni “insane” da analizzare e correggere. La causa principale risiede spesso in driver economici inadeguati, che devono 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 stereotipi di soluzioni che sembrano buone ma non funzionano nella pratica. Lo studio sistematico degli antipattern fu pionierizzato alla fine degli anni ‘90 nel campo dell’ingegneria del software. Quando applicabili, gli antipattern risultano superiori ai semplici risultati negativi, in quanto sono più facili da memorizzare e analizzare. La prospettiva antipattern è di primaria rilevanza per la supply chain e va considerata come uno dei pilastri della sua conoscenza negativa.

Riferimenti:

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

2.4 Ricerca di mercato adversariale

Le moderne supply chain 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 necessitano di un approccio sistematico in questo compito. La tradizionale pratica di ricerca di mercato inizia con buone intenzioni ma finisce invariabilmente con risultati deludenti, poiché le società di ricerche di mercato finiscono per agire da facciata di marketing per le aziende che dovrebbero analizzare. La speranza che emerga una società di ricerca imparziale è malriposta. Tuttavia, la valutazione fornitore a fornitore è una metodologia che permette anche a una società di ricerche di mercato parzialmente faziosa 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
• Guida agli Appalti, Conflitto di interesse, The World Bank, 2020 (PDF)

2.5 Scrittura per le supply chain

Le supply chain comportano il coordinamento di grandi team. Pertanto, i materiali scritti sono fondamentali. Le moderne supply chain non sono affatto compatibili con la tradizione orale. Eppure, i professionisti della supply chain spesso mostrano scarse capacità di comunicazione scritta. Esaminiamo cosa dicono gli studi sull’usabilità e alcuni noti esperti a riguardo. 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 spiegano il perché. La documentazione deve garantire che i supply chain scientists comprendano il problema che si trovano ad affrontare. Col tempo, questa documentazione diventa la chiave per assicurare una transizione fluida da un supply chain scientist all’altro.

Riferimenti:

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

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 fittizio MRO dell’aviazione negli USA che serve una vasta flotta di aeromobili commerciali. Nell’aviazione, la sicurezza è fondamentale. I pezzi e i componenti devono essere ispezionati regolarmente e, se necessario, riparati. Miami si occupa di mantenere gli aeromobili in volo in ogni momento, evitando incidenti AOG (aircraft on ground) che si verificano ogni volta che manca un componente necessario per eseguire un’operazione di manutenzione.

3.2 Amsterdam - marchi di formaggio

Amsterdam è una fittizia azienda FMCG specializzata nella produzione di formaggi, creme e burri. Gestisce un ampio portafoglio di marchi in diversi paesi. Numerosi obiettivi contrastanti devono essere bilanciati con attenzione: qualità, prezzo, freschezza, sprechi, diversità, localizzazione, ecc. Per effetto del 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 fittizio ecommerce che distribuisce una varietà di articoli per l’arredamento e accessori. Gestisce il proprio marketplace online. Il suo marchio privato compete sia con marchi interni che esterni. Per rimanere competitivi con attori di maggiori dimensioni e a prezzi inferiori, la supply chain di San Jose tenta di offrire un servizio di alta qualità che si esprime in molteplici forme, ben oltre la semplice consegna tempestiva delle merci ordinate.

3.4 Stuttgart - un’azienda di ricambi automobilistici

Stuttgart è una fittizia azienda del mercato dei ricambi automobilistici. Gestisce una rete di filiali che offrono riparazioni auto, ricambi e accessori per automobili. All’inizio degli anni 2010, Stuttgart ha avviato anche due canali ecommerce, uno per acquistare e vendere pezzi di ricambio e uno per comprare e vendere auto usate. Stuttgart tenta di offrire un servizio di alta qualità in un mercato automobilistico europeo complesso e competitivo, che comprende decine di migliaia di veicoli distinti e centinaia di migliaia di pezzi di ricambio differenti.

3.5 Ginevra - un produttore di orologi hard-luxury

TBD

4. Scienze ausiliarie

La padronanza della supply chain si basa fortemente 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 background 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 moderne supply chain richiedono risorse informatiche per funzionare proprio come i nastri trasportatori motorizzati necessitano di elettricità. Eppure, i sistemi di supply chain lenti rimangono onnipresenti, mentre la potenza di elaborazione dei computer è aumentata di un fattore superiore a 10.000x dal 1990. La scarsa comprensione delle caratteristiche fondamentali delle risorse informatiche moderne – anche tra i circoli IT o di data science – spiega in gran parte 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 progettate 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 notevolmente migliorate, talvolta di ordini di grandezza. Gli algoritmi “supply chain” devono inoltre abbracciare il design dei computer moderni, che si è evoluto significativamente nelle ultime decadi.

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 tecniche moderne di apprendimento statistico – cioè la previsione se adottiamo una prospettiva di supply chain – si basano, nel loro nucleo, sull’ottimizzazione matematica. Inoltre, una volta stabilite le previsioni, l’individuazione delle decisioni più redditizie si fonda, fondamentalmente, sull’ottimizzazione matematica. I problemi della supply chain coinvolgono frequentemente molte variabili e sono solitamente di natura stocastica. L’ottimizzazione matematica è un pilastro fondamentale 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 black-box per la programmazione 0-1, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, settembre 2011
• Differenziazione automatica nell’apprendimento automatico: una rassegna, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, ultima revisione febbraio 2018

4.4 Machine learning

Le previsioni sono irrinunciabili nella supply chain poiché ogni decisione (acquisto, produzione, stoccaggio, ecc.) riflette un’anticipazione degli eventi futuri. L’apprendimento statistico e il machine learning hanno in larga parte superato il tradizionale campo della “previsione”, sia da un punto di vista teorico che pratico. Questo campo di studi ha subito miglioramenti drammatici, che tuttavia rimangono in gran parte fraintesi nei circoli dei “data scientist”. Esploreremo questo campo affrontando tre paradossi. Innanzitutto, dobbiamo formulare affermazioni accurate riguardo a dati che non possediamo. In secondo luogo, dobbiamo affrontare problemi in cui il numero di variabili supera di gran lunga il numero delle 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 comprendere cosa significhi, da una prospettiva moderna di ’learning’, un’anticipazione del futuro basata sui dati.

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 decisionale di gradient boosting ad altissima efficienza, 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 nuocciono, 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 monolingui, 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 reti neurali sui grafi, 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 enterprise sono in uso da una, due, talvolta anche 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 si è assistito a uno sviluppo parallelo costante dell’industria del software nel suo complesso e dei suoi linguaggi di programmazione. Ci sono evidenze che la prossima fase delle prestazioni della supply chain sarà in gran parte guidata dallo sviluppo e dall’adozione dei linguaggi di programmazione, o meglio, di ambienti programmabili.

4.6 Ingegneria del software

Domare la complessità e il caos è il fondamento dell’ingegneria del software. Considerato che le supply chain sono al contempo complesse e caotiche, non sorprende 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, pertanto, soggette agli stessi problemi. Questi problemi crescono in intensità con l’aumentare della sofisticazione delle stesse ricette numeriche. Una corretta ingegneria del software per le supply chain è a ciò che l’asepsi rappresenta negli 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 settore in rapido sviluppo. A causa della loro natura fisicamente distribuita, le supply chain sono particolarmente esposte. Inoltre, la complessità ambientale offre terreno fertile per i problemi di sicurezza informatica. La sicurezza dei computer è, per sua natura, controintuitiva, perché è proprio l’angolo che gli aggressori adottano per individuare e sfruttare le falle. A seconda delle varianti delle ricette numeriche impiegate nell’ottimizzazione della supply chain, il rischio può aumentare o diminuire.

4.21 Blockchains

Le criptovalute hanno attirato molta attenzione. Molte fortune sono state fatte. Molte fortune sono state perse. Schemi piramidali erano dilaganti. Da un punto di vista aziendale, il “blockchain” è l’eufemismo educato usato per introdurre idee e tecnologie simili, stabilendo al contempo una distanza da quelle criptovalute. Esistono casi d’uso della supply chain per il blockchain, ma abbondano anche le sfide.

Riferimenti:

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, ott 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, gen 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, set 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, mag 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, mar 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, mag 2018

5. Modellazione predittiva

L’adeguata anticipazione quantitativa degli eventi futuri è al centro di qualsiasi ottimizzazione della supply chain. La pratica della previsione di serie temporali è emersa nel XX secolo e ha avuto un’enorme influenza sulla maggior parte delle grandi supply chains. La modellazione predittiva è sia la discendente della previsione di serie temporali, sia una notevole rottura da questa prospettiva. In primo luogo, affronta una serie molto più diversificata di casi problematici. 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 al livello SKU nella competizione di previsione M5

Nel 2020, un team di Lokad ha ottenuto il No5 su 909 team concorrenti all’M5, una competizione mondiale di previsione. Tuttavia, al livello di aggregazione SKU, quelle previsioni hanno conquistato il No1. La previsione della domanda è di primaria importanza per la supply chain. L’approccio adottato in questa competizione si è rivelato atipico, e diverso dagli altri metodi adottati dagli altri 50 migliori contendenti. Ci sono molte 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 Differentiable Programming (DP) è un paradigma generativo per progettare una vasta classe di modelli statistici che risultano eccellentemente adatti ad affrontare le sfide predittive della supply chain. La DP discende dal deep learning, ma si differenzia dal deep learning per il suo intenso focus sulla struttura dei problemi di apprendimento. La DP supera quasi tutta la letteratura “classica” della 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 uso pratico ai fini della supply chain, inclusa la facilità d’adozione da parte dei praticanti.

5.2 Previsione probabilistica

L’ottimizzazione delle supply chains si basa sulla corretta anticipazione degli eventi futuri. Dal punto di vista numerico, tali eventi sono previsti attraverso le previsioni, che racchiudono una grande varietà di metodi numerici utilizzati per quantificarli. Dagli anni ‘70 in poi, la forma più diffusa di previsione è stata la previsione puntuale di serie temporali: 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 esiti futuri, anziché indicare un singolo esito come “la” previsione. Le previsioni probabilistiche sono importanti ogniqualvolta l’incertezza sia irriducibile, cosa che accade quasi sempre nei sistemi complessi. Per le supply chains, le previsioni probabilistiche sono essenziali per produrre decisioni robuste in presenza di condizioni future incerte.

5.3 Previsione dei tempi di consegna

I tempi di consegna sono una componente fondamentale della maggior parte delle situazioni nella 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. Vengono presentate una serie di tecniche per realizzare previsioni probabilistiche dei tempi di consegna a fini di supply chain. La composizione di tali previsioni, tempi di consegna e domanda, è una pietra miliare della modellazione predittiva nella supply chain.

6. Processo decisionale

Ogni singolo giorno, vengono prese migliaia di decisioni nella supply chain (milioni nelle grandi aziende) come parte della routine operativa quotidiana. Ogni decisione comporta delle alternative. L’obiettivo dell’ottimizzazione della supply chain è scegliere le opzioni che si rivelano più redditizie di fronte a 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, 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. Convertire previsioni probabilistiche in valutazioni economiche non è banale e richiede strumenti specifici. Tuttavia, la conseguente prioritizzazione economica, illustrata dalle allocazioni di scorte, si rivela più potente delle tecniche tradizionali. Iniziamo con la sfida dell’allocazione delle scorte al dettaglio. In una rete a 2 livelli che comprende sia un centro di distribuzione (DC) che numerosi 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 l’aftermarket automotive

L’equilibrio tra domanda e offerta dipende in larga misura dai prezzi. Pertanto, l’ottimizzazione dei prezzi appartiene al campo della supply chain, almeno in una notevole misura. Presenteremo una serie di tecniche per ottimizzare i prezzi di una fittizia azienda dell’aftermarket automotive. Attraverso questo esempio, vedremo il pericolo associato a linee di ragionamento astratte che non coglieranno il contesto appropriato. Sapere cosa ottimizzare 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 facilitatore e un vantaggio competitivo per l’azienda nel suo complesso. Da una prospettiva del top management, due aspetti dominano: trasformare la supply chain in un asset accrescitivo e sbloccare modalità superiori per eseguire il business. In pratica, i risultati si riducono principalmente alla scelta dei giusti membri del team.

Un’iniziativa che intende migliorare la performance della supply chain attraverso ricette numeriche superiori può, se avrà successo, alterare profondamente la supply chain stessa. Questa prospettiva presenta due importanti avvertenze. In primo luogo, le ricette numeriche devono essere progettate dal punto di vista del design per facilitare il processo; c’è di più di quanto sembri. In secondo luogo, il processo stesso di introduzione delle ricette numeriche ne ridisegna le ricette, il che, a prima vista, è abbastanza controintuitivo.

7.1 Iniziare con un’iniziativa quantitativa

Condurre un’ottimizzazione predittiva di successo di una supply chain è un misto di problemi soft e hard. Purtroppo, non è possibile separare questi aspetti. Gli aspetti soft e hard sono profondamente intrecciati. Di solito, questo intreccio collide frontalmente con la divisione del lavoro così come definita dall’organigramma aziendale. Abbiamo osservato che, quando le iniziative di supply chain falliscono, le cause profonde 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 ex post. Presentiamo le nostre scoperte chiave 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 di stock. L’automazione è essenziale per fare della supply chain un’impresa capitalistica. Tuttavia, comporta rischi sostanziali di causare danni su larga scala se la ricetta numerica è difettosa. “Fail fast and break things” non è l’approccio corretto per approvare una ricetta numerica per la produzione. Tuttavia, molte alternative, come il modello waterfall, sono addirittura peggiori, in quanto di solito danno un’illusione di razionalità e controllo. Un processo altamente iterativo è la chiave per progettare una ricetta numerica che si dimostri di livello per la produzione.

7.3 Il Supply Chain Scientist

Al centro di un’iniziativa di Quantitative Supply Chain, c’è il Supply Chain Scientist (SCS) che esegue la preparazione dei dati, la modellazione economica e il reporting dei 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 intelligenza umana amplificata dalla potenza di elaborazione delle macchine.