Esseri umani nelle moderne supply chains

Joannes Vermorel

Le supply chains sono sistemi complessi, probabilmente tra i più complessi mai progettati dall’umanità, che comprendono persone (molte), macchine (diverse) e software (tantissimi). La prospettiva che ho recentemente pubblicato su DDMRP ha generato una animata discussione. Questo mi ha spinto a riflettere ulteriormente sulle differenze fondamentali tra Quantitative Supply Chain Management (QSCM) e DDMRP. Al nucleo, queste due visioni discordano profondamente sul ruolo degli esseri umani all’interno delle supply chains.

QSCM è saldamente ancorato alla visione classica di IBM:

le macchine dovrebbero lavorare; le persone dovrebbero pensare;

Al contrario, DDMRP adotta una posizione di educazione di massa, riassunta al meglio dal suo motto:

costruito per le persone, non per la perfezione;

Mentre l’atteggiamento filosofico nei confronti degli esseri umani nelle supply chains non spiega tutte le differenze tra QSCM e DDMRP, esso fa luce sul perché queste due prospettive siano in qualche modo inconciliabili.

Scarsità vs abbondanza dei supply chain practioners

I supply chain practitioners sono riconosciuti come una risorsa preziosa per l’azienda sia da DDMRP che da QSCM. Tuttavia, i due approcci differiscono nettamente nel modo in cui questo aspetto viene integrato nelle rispettive metodologie.

QSCM parte dall’ipotesi che ogni decisione supply chain decision banale debba essere automatizzata¹. Questa prospettiva sottolinea che i supply chain practitioners competenti sono considerati troppo rari e troppo costosi per dedicare il loro tempo a generare decisioni di stoccaggio, acquisto o prezzo. Tutte queste decisioni possono e devono essere automatizzate, in modo che i practitioners possano concentrarsi sul miglioramento della ricetta numerica stessa. Da un punto di vista finanziario, il QSCM trasforma quei salari da OPEX, dove i giorni-uomo sono consumati per mantenere il sistema in funzione, a CAPEX, dove i giorni-uomo sono investiti nel miglioramento continuo del sistema.

La prospettiva DDMRP parte dall’ipotesi che i supply chain practitioners competenti possano essere formati en masse², riducendo così sia il costo per il datore di lavoro che il bus factor associato alla partenza di un dipendente. Inoltre, adottando ricette numeriche specificamente studiate per l’elaborazione umana, gli investimenti in OPEX possono essere anch’essi ridotti. DDMRP stabilisce un processo per generare decisioni banali di supply chain, ma raggiungere una piena automazione è per lo più un non-obiettivo³, sebbene DDMRP non sia contrario all’automazione ogniqualvolta ne sussista l’opportunità.

In maniera interessante, se l’industria si sta orientando verso la prospettiva QSCM o quella DDMRP dovrebbe essere, in qualche modo, osservabile. Se la prospettiva QSCM verrà adottata in modo più ampio, allora i team di supply chain management evolveranno per assomigliare maggiormente ad altre industrie basate sul talento, ad esempio la finanza con i loro traders quantitativi in cui pochi individui eccezionalmente talentuosi guidano la performance di grandi aziende. Al contrario, se la prospettiva DDMRP verrà adottata in modo più ampio, allora i team di supply chain management evolveranno per assomigliare a franchising di successo - per esempio, i store manager di Starbucks - dove individui eccezionali hanno poco impatto sul sistema, ma dove una cultura superiore fa tutta la differenza tra le aziende.

Trasparenza locale vs globale

Sia QSCM che DDMRP mirano ad evitare l’effetto black box insito in ogni tentativo di ottimizzare un sistema complesso. Entrambi gli approcci valorizzano l’idea di raggiungere un certo grado di supply chain transparency; tuttavia, a causa di ipotesi iniziali divergenti, finiscono per avere prospettive completamente diverse su ciò che implica la trasparenza.

Dal punto di vista QSCM, la trasparenza deve essere raggiunta innanzitutto a livello di management attraverso espliciti e quantificabili economic drivers⁴. Ogni decisione prodotta dal sistema dovrebbe essere supportata da una serie di drivers - misurati in importi monetari (ad es. dollari) - che motivano il perché di tale decisione. Ad esempio, una decisione di acquisto è motivata dal margine extra che verrà generato dall’avere un inventario supplementare (piuttosto che non averlo), ma è anche influita negativamente dai carrying costs e da un rischio maggiore di svalutazione dell’inventario. Il management controlla gli economic drivers e, a livello di sistema, il QSCM è altamente trasparente: il sistema si limita a distribuire su scala le implicazioni complesse ma banali di tali drivers. Tuttavia, l’aspetto negativo di un’ottimizzazione su scala sistemica è che decifrare il gergo di ogni decisione risulta complicato, proprio perché ogni decisione è un equilibrio complesso di numerosi drivers valutati rispetto a molti possible futures.

Dal punto di vista DDMRP, la trasparenza è concepita e fornita a livello operativo. La semplicità delle ricette numeriche garantisce che ogni decisione possa essere facilmente valutata come corretta semplicemente stimando approssimativamente quale dovrebbe essere il risultato. Inoltre, è sempre possibile replicare i calcoli in un spreadsheet. Inoltre, grazie alle liste di priorità, DDMRP mitiga la complessità intrinseca delle supply chains, fornendo un meccanismo di attenzione ai supply chain practitioners, affinché non debbano riesaminare manualmente tutti gli SKUs continuamente. Tuttavia, l’aspetto negativo di una strategia di ottimizzazione locale come quella offerta da DDMRP è che gli esiti a livello di sistema, quando misurati in termini monetari, risultano opachi. Ad esempio, DDMRP non offre al management alcun controllo per regolare un compromesso sistemico, come resilienza vs crescita⁵, considerando il rischio di una perdita improvvisa di un cliente grande e in crescita che, fino ad ora, ordinava prodotti diversi in quantità diverse.

Non è possibile avere sia una trasparenza locale che globale: oppure le decisioni sono ottimizzate localmente (come in DDMRP) con semplici ricette numeriche, nel qual caso non c’è controllo e trasparenza su ciò che accade a livello di sistema; oppure le decisioni sono ottimizzate globalmente, e in questo caso tendono ad essere numericamente intrecciate, come avviene con QSCM, complicando ogni tentativo di raggiungere la trasparenza isolando una singola decisione.