La prospettiva di un produttore
Qualche giorno fa, un potenziale cliente ha sollevato diverse domande acute riguardo all’applicabilità della prospettiva Quantitative Supply Chain per affrontare le sfide della supply chain affrontate da molte grandi aziende manifatturiere.
Consideriamo il caso in cui escano molti articoli da relativamente poche tipologie di celle/machine che possono produrre qualsiasi articolo nel ciclo della prossima settimana, purché vi sia la capacità operativa e le materie prime. Come dovrebbero configurarsi il modello della domanda e la capacità di approvvigionamento di un’azienda affinché la previsione probabilistica risulti significativamente superiore a un buon APS standard come JDA o SAP APO? Non sarebbero le previsioni aggregate, che sono meno irregolari e quindi più adatte alla previsione tradizionale e all’APS, sufficienti per il problema in questione?
La previsione probabilistica non riguarda solo la domanda, ma l’abbraccio di tutti quegli aspetti che rimangono irreducibilmente incerti: la domanda, ma anche i tempi di consegna, i resi, le variazioni di prezzo, ecc. Maggiore è l’incertezza, maggiore è il vantaggio competitivo di qualsiasi approccio numerico che affronta l’incertezza fin dall’inizio invece di ignorarla del tutto. Aggregare le previsioni “classiche” è l’equivalente numerico di nascondere lo sporco sotto il tappeto. Una previsione mensile potrebbe essere più accurata – se misurata in percentuali – rispetto a una quotidiana; tuttavia, la maggiore accuratezza ha un costo in termini di ritardo di mercato, in quanto l’indicatore statistico per costruzione si estende per un intero mese.
Ignorare i rischi strutturali – come perdere un grande cliente e l’intero flusso dei suoi ordini – è la ricetta per generare, col tempo, un flusso costante di inventario invenduto, poiché tutti i clienti smetteranno di collaborare a un certo punto – anche se per essere riconquistati un anno dopo. A un livello più banale, ignorare la variabilità dei tempi di consegna provoca un’allocazione inefficiente dell’inventario perché, appunto, lo stock serve a coprire tale variabilità. Senza una previsione probabilistica, l’incertezza non viene nemmeno calcolata correttamente. In linea di massima, i tempi di consegna variabili non sono mai distribuiti in modo normale.
Tuttavia, le previsioni probabilistiche sono solo artefatti numerici. In fin dei conti, ciò che conta sono le decisioni, la cui performance viene misurata in euro, e non gli artefatti numerici intermedi utilizzati per produrle – come le previsioni classiche o probabilistiche. Il principale punto debole degli APS è che essi non ottimizzano la supply chain da una prospettiva finanziaria. Migliorare il MAPE delle previsioni è una vanità; conta solo il ROI. Le previsioni probabilistiche trionfano, non perché siano più accurate, ma perché sono di gran lunga più convenienti da trasformare in decisioni ottimizzate secondo criteri ROI arbitrari.
Pertanto, a meno che le implicazioni finanziarie della supply chain non siano trascurabili, gli APS non sono mai “abbastanza buoni” secondo me, poiché l’APS non si impegna nemmeno nell’ottimizzazione delle decisioni della supply chain da una prospettiva finanziaria. In pratica, i team della supply chain finiscono per doversi assumere l’intera responsabilità della performance finanziaria tramite i loro fogli Excel; nessun plauso va agli APS per questo.
Quantitative Supply Chain e DDMRP competono come rispettive ricette numeriche per l’orizzonte operativo. Tuttavia, la Quantitative Supply Chain non affronta vincoli della supply chain simili? Oppure li modelli esplicitamente? Come si guida l’orizzonte tattico per prevedere i punti critici di capacità con sufficiente anticipo da dare alla direzione la possibilità di intervenire, ad esempio richiedendo capacità?
A differenza di DDMRP, Quantitative Supply Chain (QSC) viene fornita con ricette numeriche “confezionate”. QSC è semplicemente un approccio basato su principi per creare ricette utili, destinate a un uso produttivo diretto, e per perfezionarle nel tempo. Raccogliere e coltivare strumenti numerici abbastanza versatili da far fronte alla diversità sconvolgente dei vincoli della supply chain (ad es. MOQs, BOMs, flussi di cassa, penali SLA, ecc.) è una preoccupazione fondamentale per QSC.
Da Lokad, abbiamo iterato in modo aggressivo da una generazione tecnologica all’altra per oltre un decennio. Abbiamo introdotto due algebre per affrontare questa classe di problemi insieme a molteplici solutori non lineari, l’ultima iterazione fino ad oggi essendo differentiable programming. Lo scopo di questi strumenti è permettere a un Supply Chain Scientist – come già osservato – di modellare esplicitamente tutti questi vincoli. Poiché i vincoli stessi sono diversificati, è necessaria una certa espressività programmatica per avere la possibilità di modellarli adeguatamente.
Poi, la prospettiva finanziaria – uno dei principi fondamentali di QSC – offre intuizioni notevoli quando si tratta dei vincoli della supply chain. In particolare, diventa possibile prezzare i benefici associati all’eliminazione di un determinato vincolo. In effetti, la sfida non consiste tanto nel sollevare il problema della capacità produttiva, quanto piuttosto nel giustificare la redditività di ogni investimento da effettuare in quest’area specifica.
In pratica, ci sono (quasi) sempre molteplici opzioni che competono per risolvere lo stesso problema: magari è possibile accumulare scorte in anticipo anziché aumentare la capacità produttiva, oppure incrementare le taglie dei lotti per migliorare il throughput, oppure aumentare i prezzi quando si raggiunge il picco della capacità produttiva, ecc. L’approccio QSC si presta a una prioritizzazione basata sul ROI di tutte queste opzioni; la lista delle priorità viene aggiornata continuamente assieme ai dati in ingresso.
In pratica, l’unico limite al guardare lontano nel futuro è l’incertezza statistica che lo accompagna. La maggior parte degli investimenti “data-driven” – scorte extra, capacità extra – è negativamente influenzata dagli spostamenti di mercato, che tendono a renderli irrilevanti. Questo problema colpisce tutti i metodi quantitativi – sia QSC che DDMRP – e l’unica mitigazione a me nota è la previsione probabilistica esplicita.
Alcune delle demo di SAP su IBP mostrano moltissime cose accattivanti, come la capacità di proiettare e visualizzare l’impatto di una spedizione in ritardo, oltre alla possibilità di gestire un orizzonte tattico. Vedi Lokad operare in quel contesto, eliminando così la necessità di tali strumenti? Oppure consideri APO/IBP come un livello intermedio relativamente semplice, con questi punti di forza utilizzati, mentre Lokad rappresenta un sistema di differenziazione/innovazione che trascina le decisioni da eseguire (ordini di acquisto, produzione, trasferimento) e le implementa tramite APO/IBP?
Lokad è concepito come uno strato analitico che si posiziona sopra uno strato transazionale, tipicamente un ERP o un WMS. L’obiettivo è generare decisioni finali già conformi a tutti i vincoli applicabili, eliminando la necessità di ulteriori elaborazioni “intelligenti” dei dati. In questo senso, Lokad occupa la stessa nicchia funzionale di SAP APO e SAP IBP.
Per quanto riguarda l’esperienza utente, credo che i web dashboards di Lokad siano fluidi e reattivi. Tuttavia, al giorno d’oggi, produrre dashboard dall’aspetto gradevole e funzionalità what-if è relativamente semplice per gli editor di software. Visualizzare l’impatto di una spedizione in ritardo è interessante, ma sono incline a pensare che non sia un modo molto capitalista di sfruttare il tempo del personale della supply chain. Supply chain software troppo spesso consuma un’inordinata quantità di manodopera solo per restare operativo.
Adottiamo l’approccio opposto: ogni ora trascorsa su Lokad dovrebbe essere investita nel miglioramento della soluzione, la cui esecuzione è completamente automatizzata. Quindi, tornando all’esempio di una spedizione in ritardo, osservo che tale ritardo è semplicemente il sintomo di decisioni precedentemente errate: magari un riapprovvigionamento troppo scarso e tardivo, oppure la scelta di un fornitore o di un trasportatore inaffidabile, o un’errata prioritizzazione delle spedizioni tra clienti in competizione per lo stesso stock, ecc.
Concentrarsi sulla ricetta numerica che genera tutte le decisioni banali della supply chain non è molto attraente da un punto di vista visivo – certamente non quanto le funzionalità what-if. Lokad può anche fornire funzionalità what-if, tuttavia, a meno che non esista un percorso chiaro per trasformare quegli sforzi in una serie di decisioni migliori generate automaticamente dalla soluzione, non consiglio ai miei team di intraprendere tale strada.
Quando si considerano configurazioni della supply chain (unità produttive aperte/chiuse e warehouses; quali clienti assegnare a quale DC, ecc.), il valore di investire in agilità e in tempi di consegna più brevi da un fornitore o da una propria cella produttiva, cioè nel design supply chain di Llamasoft – tipicamente guidato da scenari non ricavabili dalla storia – è significativo: sono questo il tipo di domande per cui si potrebbe utilizzare Lokad?
Verso la fine degli anni ‘90, molti esperti avevano previsto che il futuro della fotografia sarebbe stato digitale e che la fotografia argentica era destinata al fallimento, ma 20 anni dopo siamo ancora a decenni di distanza dall’avere una tecnologia di machine learning capace di produrre intuizioni di così alto livello semplicemente “analizzando” le banche dati dei brevetti.
La Quantitative Supply Chain – e Lokad – ha alla base una natura statistica. Quando si tratta di ottimizzare decisioni della supply chain che risultano essere veri e propri outlier statistici, sia per la loro entità che per la loro frequenza, ad esempio decidere di aprire un nuovo impianto, la prospettiva statistica è, nel migliore dei casi, debole e spesso fuorviante.
Considerando i tempi di consegna, Lokad è molto più adatto a decidere se utilizzare il trasporto aereo – o meno – per ogni singola spedizione, anziché decidere se i fornitori strategici debbano essere riportati dall’Asia al Nord America.
Come regola generale, ogni qualvolta una decisione della supply chain possa essere rivista quotidianamente, essa rappresenta una buona candidata per Lokad. I dati storici non devono necessariamente offrire una corrispondenza 1-a-1 con gli scenari che si stanno immaginando. Esplorare affinità alternative tra clienti e DCs è esattamente il tipo di problema che Envision è stato progettato per affrontare.
