Fattori di successo nelle predictive supply chains

Joannes Vermorel

Avere supply chains in autopilota grazie a tecnologie predictive e ottenere prestazioni above human at scale rimane un obiettivo lontano per quasi tutte le aziende, ad eccezione dei soliti sospetti (ad esempio, Amazon). Questa situazione è ancor più sorprendente se si considera il vasto numero di software vendors che promettono riduzioni radicali degli stock e stock-outs - tra le altre cose. La vecchia battuta in Lokad era che l’unico modo in cui Lokad avrebbe potuto competere con le affermazioni dei nostri concorrenti sarebbe stato iniziare a dire che anche noi curiamo il cancro.

Eppure, le mie osservazioni casuali dalle esperienze passate¹ della clientela di Lokad indicano che la stragrande maggioranza delle iniziative predictive supply chain stanno fallendo. Con “fallire” intendo specificamente che queste soluzioni non riescono nemmeno a raggiungere 10 su 12 nel nostro test di performance supply chain di 5min. Un criterio di successo più rigoroso sarebbe un incremento duraturo nella performance finanziaria complessiva della supply chain, ma al momento il nostro modesto test di 5min è sufficiente a fornire un ragionevole upper bound sui tassi di successo.

È difficile quantificare il tasso effettivo, i successi sono così pochi e rari che credo che il tasso di successo complessivo del mercato² sia inferiore a uno su dieci. Tuttavia, come nella lotteria, il vincitore (al singolare) fa notizia, mentre i perdenti (in massa) vengono ignorati. Il problema si aggrava poiché entrambe le parti, cliente e vendor, sono fortemente incentivate a promuoversi come di successo, indipendentemente dall’esito reale del progetto. Per il vendor, un successo rappresenta ovviamente un grande materiale di PR. Per gli employees del cliente³, il successo significa migliori prospettive lavorative⁴. Peggio ancora, lasciare che il resto dell’azienda si accorga che un investimento multimilionario è stato sprecato è troppo spesso una ricetta per essere licenziati o deragliati nella carriera. Fortunatamente, misurare quantitativamente la performance della supply chain è un obiettivo notevolmente sfuggente - soprattutto a causa degli effetti di rete. Pertanto, ci vuole veramente un errore epico⁵ per non riuscire a mascherare il disastro semplicemente manipolando un po’ i numeri.

La prima eccezione degna di nota sono le soluzioni “AI”⁶ - nell’supply chain optimization - che ottengono un tasso di successo spettacolarmente zero percent basato sulle mie estese osservazioni⁷. Patrick Cousot, uno dei miei ex professori di informatica, mi disse nel 2002 che in informatica una “soluzione” veniva definita “AI” finché non avevamo la minima idea di come farla funzionare. Non appena si scopre un percorso pratico per farla funzionare, la soluzione prende un altro nome: ottimizzazione convessa, analisi statica, reinforcement learning, ecc. Quattro anni dopo, Mehryar Mohri, il mio supervisore di ricerca all’epoca, mi ripeté la stessa cosa. Due decenni dopo, queste intuizioni si sono dimostrate perspicaci⁸, e in effetti, quei vendor AI non sembrano avere la minima idea di come far sì che la loro “AI” fornisca qualcosa che possa qualificarsi come di livello produttivo dal punto di vista della supply chain.

Se non fosse uno spreco di risorse, la situazione verrebbe percepita come comica. Prendiamo ad esempio la recente competizione mondiale di demand forecasting di Walmart: su due dozzine di vendor supply chain “notevoli” elencati, ad esempio, da Gartner, nessuno riesce a entrare nella Top 100 su oltre 900 squadre. La discrepanza tra ciò che oggettivamente funziona e ciò che il mercato acquista o promuove è sbalorditiva. Tuttavia, i mercati liberi sono filtri incredibili: col tempo, ciò che non funziona abbastanza bene viene eliminato. Non è che le persone riprendano il senno e cambino idea, ma semplicemente perché le aziende bloccate con metodi inefficienti svaniscono gradualmente e vengono sostituite dai loro concorrenti - la distruzione creativa come identificata da Schumpeter.

La seconda eccezione degna di nota è Lokad⁹. Negli ultimi due anni, il nostro tasso di successo è stato costantemente superiore a tre su quattro. I rischi sono ancora presenti, ma ora siamo di un ordine di magnitudine meno rischiosi rispetto ai nostri concorrenti. Storicamente, non è sempre stato così. Secondo gli stessi criteri di successo elencati sopra, durante i primi tre anni, dal 2008 al 2011, abbiamo ottenuto esattamente zero successi. Ci è voluta quasi una decade agghiacciante per guadagnare dolorosamente ogni percentuale in più di successo, attraverso dozzine di miglioramenti graduali. Sarebbe estenuante cercare di catalogare l’intera vicenda, ma esaminiamo una lista scelta di intuizioni degne di nota.

• Incoraggiamo i clienti a interrompere il servizio ogni volta che sono insoddisfatti. Punto. Dal 2008, Lokad promuove abbonamenti mensili, mentre i nostri concorrenti spingono ancora per impegni annuali o pluriennali. Non è un caso. Quando un cliente abbandona, dà un chiaro segnale che qualcosa non funziona. Di solito si riduce a una tecnologia difettosa, o a una mancanza di competenza (o entrambe). Non c’è niente da mimare. È difficile, ma possiamo imparare da ciò. Al contrario, di solito non si trae alcuna lezione dai finti punti dolenti, elaborati politicamente un anno dopo gli eventi per far apparire la storia rispettivamente migliore di com’era in realtà¹⁰.

• La forecasting technology giusta è più importante di una semplicemente accurata. Ci sono voluti anni per capire che le classic naked forecasts erano decisamente dannose. Abbiamo risolto questo problema attraverso le probabilistic forecasts e algebre specializzate per assegnare financial scores to decisions.

• La data crunching platform giusta conta più di raw capabilities. I dati della supply chain sono complessi, eterogenei e poco compresi. Ci sono un sacco di problemi piuttosto banali da affrontare per evitare le insidie del “garbage in, garbage out”. Facilitare la in-place documentation dei dati è un buon inizio e evitare errori tipografici stupidi tramite l’autocomplete diventa rapidamente indispensabile.

• Per quanto possibile, la correctness dovrebbe essere garantita by design. Fail fast and break things non è un’opzione per le supply chains. Gli errori di acquisto o produzione sono estremamente costosi. È già abbastanza impegnativo gestire una supply chain in un mondo altamente caotico, una tecnologia predictive non dovrebbe peggiorare le cose aggiungendo il proprio strato di entropia.

• Approssimativamente corretto è meglio che esattamente sbagliato. Problemi difficili come la variabilità del lead time, i movimenti di prezzo dei concorrenti, la cannibalizzazione all’interno dell’assortment, gli effetti auto-profetici, … dovrebbero essere accolti anziché respinti. Inoltre, è facile far deragliare un’iniziativa concentrandosi sulle sfide sbagliate, come [factoring the weather]/tv/2019/7/19/can-you-use-the-weather-to-forecast-demand) perché sembra interessante, mentre si respingono tail risks perché pianificare il peggio richiede nervi e coraggio.

La maggior parte degli elementi che hanno avuto un ruolo decisivo nel migliorare il tasso di successo delle nostre iniziative per le predictive supply chains si sono rivelati essere concetti basilari - addirittura fondamentali - come rivedere la stessa nozione di cosa ci si aspetti da una forecast e reingegnerizzare la nostra tecnologia e i nostri processi da zero, basandoci sulla nuova comprensione quante volte necessario. Continueremo a farlo in futuro. Il nostro impegno è per la risoluzione del problema, non per gli specifici dettagli della soluzione attuale.