La prospettiva di un produttore
Qualche giorno fa, un potenziale cliente ha sollevato diverse domande puntuali riguardo all’applicabilità della prospettiva della Catena di Fornitura Quantitativa per affrontare le sfide della catena di fornitura affrontate da molte grandi aziende manifatturiere.
Consideriamo il caso in cui ci sono molti articoli che escono da un numero relativamente ridotto di celle di lavoro/macchine che possono produrre qualsiasi articolo nel ciclo della settimana successiva, purché ci sia la capacità di personale e le materie prime necessarie. Come dovrebbe essere il modello di domanda e la capacità di fornitura di un’azienda affinché la previsione probabilistica sia significativamente superiore a un buon sistema APS standard come JDA o SAP APO? Le previsioni aggregate, che sono meno erratiche e quindi più adatte alle previsioni tradizionali e agli APS, non sarebbero sufficienti per il problema in questione?
La previsione probabilistica non riguarda solo la domanda, ma abbraccia tutti gli aspetti che rimangono irriducibilmente incerti: la domanda ma anche i tempi di consegna, i resi, i cambiamenti di prezzo, ecc. Maggiore è l’incertezza, maggiore è il vantaggio competitivo di qualsiasi approccio numerico che affronta l’incertezza fin dall’inizio anziché ignorare completamente il problema. L’aggregazione delle previsioni “classiche” è l’equivalente numerico di spazzare la polvere sotto il tappeto. Una previsione mensile potrebbe essere più accurata - misurata in percentuali - rispetto a una previsione giornaliera; tuttavia, l’ulteriore accuratezza viene pagata con un ritardo di mercato aggiuntivo, poiché l’indicatore statistico è - per costruzione - esteso per un intero mese.
Ignorare i rischi strutturali - come perdere un grande cliente e tutto il suo flusso continuo di ordini - è la ricetta per generare un flusso continuo di inventario morto nel tempo, poiché tutti i clienti smetteranno in qualche momento - anche se è per riconquistarli un anno dopo. A un livello più banale, ignorare la variabilità dei tempi di consegna sta causando un’allocazione inefficiente dell’inventario perché, appunto, l’inventario è lì per coprire la varianza dei tempi di consegna. Senza una previsione probabilistica, l’incertezza non viene nemmeno stimata correttamente. Come regola generale, i tempi di consegna variabili non sono mai distribuiti normalmente.
Tuttavia, le previsioni probabilistiche sono solo artefatti numerici. Alla fine, contano solo le decisioni, la cui performance viene misurata in euro, non gli artefatti numerici intermedi utilizzati per produrle - come previsioni classiche o probabilistiche. Il principale punto debole degli APS è che semplicemente non ottimizzano la catena di fornitura dal punto di vista finanziario. Migliorare la MAPE delle previsioni è vanità; conta solo il ROI. Le previsioni probabilistiche vincono, non perché sono più accurate, ma perché sono molto più convenienti da trasformare in decisioni ottimizzate rispetto a criteri di ROI arbitrari.
Pertanto, a meno che gli interessi finanziari della catena di fornitura siano trascurabili, gli APS non sono mai “abbastanza buoni” secondo il mio punto di vista, perché gli APS non fanno nemmeno uno sforzo per ottimizzare le decisioni della catena di fornitura dal punto di vista finanziario. Nella pratica, i team della catena di fornitura finiscono per assumersi l’intera responsabilità delle prestazioni finanziarie attraverso i loro fogli di calcolo Excel; non si può dare alcun merito agli APS per questo.
La Catena di Fornitura Quantitativa e DDMRP competono come rispettive ricette numeriche per l’orizzonte operativo. Tuttavia, la Catena di Fornitura Quantitativa non soffre di sfide simili per le restrizioni di fornitura? O le modelli esplicitamente? Come si guida l’orizzonte tattico per proiettare i punti critici di capacità sufficientemente lontano per dare alla direzione la possibilità di risolverli, ad esempio chiedendo capacità?
A differenza di DDMRP, la Catena di Fornitura Quantitativa (QSC) viene fornita con ricette numeriche “confezionate”. QSC è semplicemente un approccio basato su principi per creare ricette utili, destinate all’uso di produzione diretto, e per perfezionarle nel tempo. Raccogliere e coltivare strumenti numerici sufficientemente versatili per affrontare la folle diversità di vincoli della catena di fornitura (ad esempio, MOQ, BOM, flussi di cassa, penali SLA, ecc.) è una preoccupazione centrale 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 diversi risolutori non lineari, l’ultima iterazione ad oggi è la programmazione differenziabile. Lo scopo di questi strumenti è consentire a un scienziato della catena di fornitura - come sottolineato - di modellare esplicitamente tutti questi vincoli. Poiché i vincoli stessi sono diversi, è necessaria una certa espressività programmabile per avere anche la possibilità di modellare adeguatamente tali vincoli.
Quindi, la prospettiva finanziaria - uno dei principi fondamentali di QSC - offre notevoli approfondimenti quando si tratta di vincoli della catena di fornitura. In particolare, diventa possibile prezzare i benefici associati all’eliminazione di un determinato vincolo. Infatti, la sfida non è tanto quella di sollevare il problema della capacità di produzione, ma piuttosto quella di giustificare la redditività di qualsiasi investimento da effettuare in questa specifica area.
Nella pratica, ci sono (quasi) sempre più opzioni che competono per affrontare lo stesso problema: forse è possibile accumulare scorte in anticipo anziché aumentare la capacità di produzione, forse è possibile aumentare i lotti di produzione per aumentare il flusso di lavoro, forse i prezzi dovrebbero essere aumentati di fronte a una capacità di produzione massima, ecc. L’approccio QSC si presta alla prioritizzazione basata sul ROI di tutte queste opzioni; l’elenco delle priorità viene continuamente aggiornato insieme ai dati di input.
Nella pratica, l’unico limite nel guardare lontano nel futuro è l’incertezza statistica che ne deriva. La maggior parte degli investimenti “basati sui dati” - scorte aggiuntive, capacità aggiuntiva - sono influenzati negativamente dalle variazioni di mercato, il che tende a renderli irrilevanti. Questo problema colpisce tutti i metodi quantitativi - sia QSC che DDMRP - l’unico mitigante conosciuto da me è la previsione esplicita probabilistica.
Alcune delle demo di SAP su IBP mostrano molte cose interessanti nella capacità di proiettare e visualizzare l’impatto di una spedizione in ritardo, nonché nella capacità di eseguire un orizzonte tattico. Vedi Lokad giocare lì, eliminando così la necessità di tali strumenti? O vedi APO/IBP come uno strato intermedio relativamente semplice con queste capacità utilizzate, ma Lokad come un sistema di differenziazione/innovazione che spinge le decisioni da eseguire (acquisti, produzione, ordini di trasferimento) e le spinge attraverso APO/IBP?
Lokad è pensato come un livello di analisi che si posiziona sopra un livello transazionale, tipicamente un ERP o un WMS. L’obiettivo è generare decisioni finalizzate che siano già conformi a tutti i vincoli applicabili, eliminando la necessità di ulteriori elaborazioni dati “intelligenti”. In questo senso, Lokad occupa la stessa nicchia funzionale di SAP APO e SAP IBP.
Per quanto riguarda l’esperienza utente, ritengo che i dashboard web di Lokad siano fluidi e reattivi allo stesso modo. Tuttavia, al giorno d’oggi, produrre dashboard accattivanti e capacità di simulazione è relativamente semplice per gli editori di software. Visualizzare l’impatto di una spedizione in ritardo è bello, ma sono incline a pensare che non sia un modo molto capitalista per sfruttare il tempo del personale della supply chain. I software per la supply chain troppo spesso consumano una quantità eccessiva di manodopera solo per continuare a funzionare.
Noi adottiamo l’approccio opposto: ogni ora trascorsa su Lokad dovrebbe essere investita nel miglioramento della soluzione, la cui esecuzione è completamente automatizzata. Pertanto, tornando all’esempio di una spedizione in ritardo, osserverei che la spedizione in ritardo è solo il sintomo di decisioni precedenti errate: forse un riordino un po’ troppo poco e un po’ troppo tardi, forse la scelta di un fornitore non affidabile o di un trasportatore non affidabile, forse la prioritizzazione errata delle spedizioni tra clienti che competono per lo stesso stock, ecc.
Concentrarsi sulla ricetta numerica che genera tutte le decisioni banali della supply chain non è molto attraente dal punto di vista visivo, certamente non quanto le capacità di simulazione. Lokad può anche fornire capacità di simulazione, tuttavia, a meno che non ci sia un percorso chiaro per trasformare questi sforzi in una serie di decisioni migliori generate automaticamente dalla soluzione, non consiglio ai miei team di intraprendere questa strada.
Quando si considerano le configurazioni della supply chain (unità di produzione aperte/chiuse e magazzini; a quali clienti allocare a quali DC, ecc.), il valore di investire in agilità e tempi di consegna più brevi da parte di un fornitore o di una propria cellula di produzione, ad esempio il design della supply chain di Llamasoft - tipicamente basato su scenari non possibili da costruire sulla base della storia: sono questi i tipi di domande per cui si potrebbe utilizzare Lokad?
Alla fine degli anni ‘90, molti esperti avevano previsto che il futuro della fotografia fosse digitale e che la fotografia argentica fosse destinata al fallimento, ma 20 anni dopo siamo ancora decenni lontani dall’avere una tecnologia di machine learning in grado di produrre tali intuizioni di alto livello semplicemente “elaborando” banche dati di brevetti.
La Supply Chain Quantitativa - e Lokad - è fondamentalmente statistica. Quando si tratta di ottimizzare decisioni della supply chain che si rivelano essere eccezioni statistiche complete sia per la loro entità che per la loro frequenza, ad esempio decidere di aprire un nuovo impianto, la prospettiva statistica è al massimo debole e spesso fuorviante.
Considerando i tempi di consegna, Lokad è molto più adatto a decidere se utilizzare o meno il trasporto aereo per ogni singola spedizione, piuttosto che decidere se spostare i fornitori strategici dall’Asia al Nord America.
Come regola generale, ogni volta che una decisione della supply chain può essere rivalutata su base giornaliera, allora è un buon candidato per Lokad. I dati storici non devono offrire una corrispondenza 1:1 con gli scenari che si stanno immaginando. Esplorare affinità alternative tra clienti e DC è esattamente il tipo di problemi che Envision è stato progettato per affrontare.
