The classic way of thinking about replenishment consists of establishing one target quantity per SKU. This target quantity typically takes the form of a reorder point which is dynamically adjusted based on the demand forecast for the SKU. However, over the years at Lokad, we have realized that this approach was very weak in practice, no matter how good the (classic) forecasts.

Operatori esperti della supply chain solitamente tendono a superare questo approccio (classico) con un semplice trucco: invece di considerare gli SKU in isolamento, fanno un passo indietro e osservano il quadro generale, tenendo in considerazione il fatto che tutti gli SKU competono per lo stesso budget. Quindi, gli operatori scelgono gli SKU che sembrano essere i più urgenti. Questo approccio supera il metodo tradizionale del punto di riordino perché, a differenza di quest’ultimo, dà priorità a certi riapprovvigionamenti. E come ben saprà ogni manager d’azienda, anche una prioritizzazione dei compiti molto basilare è meglio che nessuna prioritizzazione.

In order to reproduce this nice “trick”, in early 2015 we upgraded Lokad towards a more powerful form of ordering policy known as prioritized ordering. This policy precisely adopts the viewpoint that all SKUs compete for the next unit to be bought. Thanks to this policy, we are getting the best of both worlds: advanced statistical forecasts combined with the sort of domain expertise which was unavailable to the software so far.

Tuttavia, la politica di ordinazione per priorità richiede una funzione di punteggio per operare. In parole povere, questa funzione converte le previsioni insieme a un insieme di variabili economiche in un valore di punteggio. Assegnando un punteggio specifico a ogni SKU e a ogni unità di questi SKU, questa funzione di punteggio offre la possibilità di classificare tutte le decisioni d’acquisto “atomiche”. Con “atomico” intendiamo l’acquisto di 1’ unità in più per 1 SKU. Di conseguenza, la funzione di punteggio dovrebbe essere il più allineata possibile ai driver economici. Tuttavia, mentre sviluppare funzioni di punteggio da “regola empirica” è ragionevolmente semplice, definire una funzione di punteggio adeguata è un esercizio non banale. Senza entrare troppo nei dettagli tecnici, la principale sfida risiede nell’aspetto “iterativo” dei riapprovvigionamenti, dove i costi di gestione del magazzino continuano ad accumulare addebiti finché le unità non vengono vendute. Calcolare 1 passo in avanti è facile, 2 passi in avanti è un po’ più difficile, e N passi in avanti è piuttosto complicato in realtà.

Non molto tempo fa, siamo riusciti a risolvere questo problema con la stock reward function. Questa funzione scompone le sfide in tre variabili economiche: il margine di profitto per unità, il costo per unità del stock-out e il costo di gestione per unità. Attraverso la stock reward function, è possibile ottenere l’impatto economico reale scomposto in margini, stock-out e costi di gestione.

La stock reward function rappresenta un’alternativa superiore a tutte le funzioni di punteggio che abbiamo usato finora. In realtà, può persino essere considerata come un mini framework che può essere adattato con un piccolo (ma piuttosto espressivo) insieme di variabili economiche per affrontare al meglio gli obiettivi strategici di commercianti, produttori o grossisti. Raccomandiamo l’uso di questa funzione ogni volta che sono coinvolte previsioni probabilistiche.

Nel corso delle prossime settimane, aggiorneremo gradualmente tutti i nostri template Envision e i materiali di documentazione per riflettere questa nuova capacità di Lokad.