Fattori di successo nelle catene di fornitura predictive

Joannes Vermorel

Avere catene di fornitura in pilota automatico attraverso tecnologie predictive e raggiungere una performance superiore a quella umana su larga scala rimane un obiettivo lontano per quasi tutte le aziende, ad eccezione dei soliti sospetti (ad esempio Amazon). Questo stato di cose è ancora più sorprendente considerando il vasto numero di venditori di software che promettono riduzioni radicali delle scorte e delle rotture di stock - tra le altre cose. Lo scherzo di lunga data a Lokad è stato che l’unico modo in cui Lokad potrebbe competere con le affermazioni dei nostri concorrenti sarebbe iniziare a dire che curiamo anche il cancro.

Tuttavia, le mie osservazioni occasionali tra le esperienze passate¹ della base clienti di Lokad indicano che la stragrande maggioranza delle iniziative di previsione delle catene di fornitura fallisce. Con fallire, intendo specificamente che queste soluzioni non riescono nemmeno a ottenere un punteggio di 10 su 12 nel nostro test di performance della catena di fornitura di 5 minuti. Un criterio più rigoroso per il successo sarebbe un aumento duraturo delle prestazioni finanziarie complessive della catena di fornitura, ma al momento, il nostro modesto test di 5 minuti è sufficiente per fornire un ragionevole limite superiore sui tassi di successo.

È difficile dare un numero sul tasso effettivo, i successi sono così pochi e così rari che credo che il tasso di successo complessivo del mercato² sia inferiore a uno su dieci. Tuttavia, come alla lotteria, il vincitore (singolare) fa notizia, mentre i perdenti (folla) vengono ignorati. Il problema si amplifica poiché entrambe le parti, cliente e venditore, sono fortemente incentivati a presentarsi come riusciti, indipendentemente dall’esito effettivo del progetto. Per il venditore, un successo è ovviamente un ottimo materiale di PR. Per i dipendenti del cliente³, il successo significa migliori prospettive di lavoro⁴. Peggio ancora, far capire al resto dell’azienda che un investimento multimilionario è stato sprecato è troppo spesso una ricetta per essere licenziati o per deviare la propria carriera. Fortunatamente, misurare quantitativamente le prestazioni della catena di fornitura è un obiettivo straordinariamente sfuggente - principalmente a causa degli effetti di rete. Pertanto, è davvero necessario un errore epico⁵ per non essere in grado di coprire il disastro semplicemente manipolando un po’ i numeri.

La prima eccezione degna di nota sono le soluzioni “AI”⁶ - nell’ottica dell’ottimizzazione della supply chain - che raggiungono uno spettacolare tasso di successo del zero percento basato sulle mie estese osservazioni⁷. Patrick Cousot, uno dei miei ex professori di informatica, mi disse nel 2002 che in informatica una “soluzione” veniva chiamata “AI” solo finché non avevamo la minima idea di come farla funzionare. Non appena viene scoperto un percorso pratico per farla funzionare, la soluzione prende un altro nome: ottimizzazione convessa, analisi statica, apprendimento per rinforzo, ecc. Quattro anni dopo, Mehryar Mohri, il mio supervisore di ricerca all’epoca, mi ripeté la stessa cosa. Due decenni dopo, quelle intuizioni si sono rivelate profetiche[^profetiche], e infatti, quei fornitori di AI non sembrano avere la minima idea su come far sì che la loro “AI” produca qualcosa che possa essere considerato di qualità produttiva dal punto di vista della supply chain.

Se non fosse uno spreco di risorse, la situazione sarebbe percepita come comica. Prendiamo ad esempio la recente competizione mondiale di previsione della domanda di Walmart: tra le due dozzine di fornitori di supply chain “notabili” come elencati, ad esempio, da Gartner, nessuno di loro si classifica tra i primi 100 su oltre 900 squadre. La discrepanza tra ciò che oggettivamente funziona e ciò che il mercato sta acquistando o promuovendo è sorprendente. Tuttavia, i mercati liberi sono filtri incredibili: nel tempo, ciò che non funziona abbastanza bene viene eliminato. Non è perché le persone tornano in sé e cambiano idea, ma semplicemente perché le aziende che rimangono 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 Lokad⁸. 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 un ordine di grandezza meno rischiosi rispetto ai nostri concorrenti. Storicamente, non è iniziato 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 voluto quasi un brutale decennio per guadagnare dolorosamente ogni percentuale extra di successo, attraverso decine di miglioramenti graduali. Sarebbe estenuante cercare di catalogare l’intera vicenda, ma rivediamo una lista selezionata di intuizioni degne di nota.

• Incoraggiamo i clienti a terminare in caso di insoddisfazione. Punto. Dal 2008, Lokad promuove abbonamenti mensili, mentre i nostri concorrenti continuano a spingere per impegni annuali o pluriennali. Questo non è un caso. Quando un cliente si dimette, dà un segnale chiaro che non sta funzionando. Di solito si riduce a una tecnologia difettosa o a una mancanza di competenza (o entrambe). Non c’è modo di addolcirlo. È difficile, ma possiamo imparare da esso. Al contrario, di solito non c’è nulla da imparare dai punti dolenti gentilmente inventati un anno dopo gli eventi per far sembrare la storia rispettivamente migliore di quanto non fosse realmente⁹.

• La giusta tecnologia di previsione è più importante di una semplice tecnologia accurata. Ci sono voluti anni per capire che le previsioni classiche nude erano dannose. Abbiamo risolto questo problema attraverso le previsioni probabilistiche e algebre specializzate per assegnare punteggi finanziari alle decisioni.

• La giusta piattaforma di analisi dei dati è più importante delle capacità grezze. I dati della supply chain sono complessi, eterogenei e poco compresi. Ci sono tonnellate di problemi abbastanza banali da affrontare per evitare gli errori di “spazzatura dentro, spazzatura fuori”. Facilitare la documentazione sul posto dei dati è un buon punto di partenza e evitare errori di battitura stupidi tramite l’autocompletamento diventa rapidamente indispensabile.

• Nella maggior parte dei casi, la correttezza dovrebbe essere raggiunta tramite il design. Fallire velocemente e rompere le cose non è un’opzione per le supply chain. Gli errori di acquisto o produzione sono estremamente costosi. È già abbastanza difficile gestire una supply chain in un mondo altamente caotico, una tecnologia predittiva non dovrebbe peggiorare le cose aggiungendo il proprio livello di entropia.

• Approssimativamente corretto è meglio di esattamente sbagliato. Problemi complessi come la variabilità del tempo di consegna, le mosse dei prezzi dei concorrenti, la cannibalizzazione all’interno dell’assortimento, gli effetti auto-profezie, … dovrebbero essere accolti anziché respinti. Inoltre, è facile deviare un’iniziativa concentrando l’attenzione su sfide sbagliate come considerare il meteo perché è figo, mentre si trascurano i rischi estremi perché pianificare per il peggio richiede nervi e forza d’animo.

La maggior parte degli elementi che hanno avuto un ruolo decisivo nel migliorare il tasso di successo delle nostre iniziative per le supply chain predittive si sono rivelati concetti di base - fondamentali persino - come rivedere la stessa nozione di cosa ci si aspetta che sia una previsione, e riprogettare la nostra tecnologia e i nostri processi da zero, basandoci sulla nuova comprensione tante volte quante necessarie. Continueremo a farlo in futuro. Il nostro impegno è risolvere il problema, non le specifiche della soluzione del giorno presente.