Quando tutto ciò che possiedi è un martello, ogni cosa sembra un chiodo. Il martello a lungo prediletto dalla community di supply chain sono state le serie temporali e, di conseguenza, in supply chain circles tutti i problemi appaiono come previsioni basate su serie temporali. La tentazione di martellare è ulteriormente rafforzata dall’ampia letteratura esistente sulla previsione delle serie temporali al di là dei casi d’uso della supply chain. Non è soltanto il martello che già possediamo: ci troviamo anche nel mezzo di un intero centro commerciale pieno di martelli scintillanti, di ogni forma, dimensione e colore.

Oltre le serie temporali

Tuttavia, le serie temporali sono in gran parte inadeguate per modellare in modo ragionevole qualsiasi cosa, ad eccezione, forse, delle situazioni di supply chain più semplici. Di conseguenza, le migliori previsioni basate su serie temporali, per quanto possano essere accurate, vengono sistematicamente smentite dagli aspetti banali delle supply chain. Eppure, di fronte a tali situazioni, la reazione istintiva della community – le aziende che operano supply chain, i loro software vendors, e i professori che insegnano supply chain – è cercare previsioni più accurate. Dopotutto, cos’altro potrebbe esistere se non previsioni più accurate?

Il passo più difficile per allontanarsi mentalmente dal paradigma delle serie temporali è riconoscere l’esistenza stessa del problema – cioè, il limite intrinseco delle serie temporali – senza (ancora) essere in grado di proporre una soluzione alternativa. Infatti, la storia della scienza ci insegna che i problemi tendono a risultare “impensabili” finché non viene trovata una soluzione. Problemi privi di soluzioni1 vengono di solito considerati irrilevanti. Sfortunatamente, a meno che non supponiamo sin dall’inizio che una soluzione possa esistere, non possiamo nemmeno cominciare a cercarla.

Esaminiamo più da vicino la prospettiva delle serie temporali e i suoi casi d’uso nella supply chain. Finora, ho introdotto tre personae di supply chain rispettivamente chiamate Paris, Miami e Amsterdam (seguiranno altre). Queste personae rappresentano raffigurazioni fittizie, ma realistiche, di supply chain reali. Le serie temporali possono essere utilizzate per riflettere qualcosa che vagamente approssima la “domanda” in una di queste tre situazioni? Per ciascuna di esse, la risposta è negativa:

  • Paris, una rete della moda, comporta effetti massicci di sostituzione e cannibalizzazione. L’essenza del meccanismo in gioco, ovvero la percezione sfocata da parte dei clienti dell’assortimento nel suo complesso, viene persa quando si adotta l’approccio delle serie temporali.
  • Miami, un MRO aviation, coinvolge incidenti AOG (aircraft on ground), in cui la mancanza di un pezzo porta all’immobilizzazione dell’intero velivolo. Sia gli AOG che la natura ciclica delle riparazioni vengono persi quando si adotta una previsione basata su serie temporali.
  • Amsterdam, un marchio di formaggio, è rigidamente vincolato sia dal lato dell’offerta sia da quello della domanda. Di conseguenza, mentre sia l’offerta sia la domanda potrebbero eventualmente essere rappresentate come serie temporali, gli unici elementi di interesse si verificano in mezzo a queste serie.

Tuttavia, i manuali di supply chain sono pieni di “esempi” che coinvolgono l’analisi delle serie temporali e le previsioni basate su di esse. La validità di questi esempi è tuttavia motivo di preoccupazione. Essi presentano aziende anonime che per caso producono e/o vendono “qualcosa”, senza fornire alcun dettaglio specifico. Eppure, il diavolo sta nei dettagli. Ogni volta che iniziamo a leggere le clausole in piccolo, come accade nelle personae di supply chain descritte sopra, diventa evidente che la prospettiva delle serie temporali è sostanzialmente una raccolta di problemi giocattolo, che terranno occupati studenti e professori, ma che non sono veramente adatti ad alcun uso reale.

La prospettiva delle serie temporali è una delle cause profonde2 che spiegano l’uso onnipresente di spreadsheets nelle supply chain nonostante la disponibilità, da tre decenni, dei Advanced Planning Systems (APS) nella maggior parte delle grandi aziende. I professionisti della supply chain stanno tornando ai loro fogli di calcolo perché gli APS li stanno deludendo.

Il caso specifico dell’accuratezza delle previsioni è interessante. I professionisti non riescono a superare, in termini di precisione, gli APS (eccetto forse quelli veramente disfunzionali). Questo è da decenni. Già negli anni ‘90, modelli parametrici basati su serie temporali, opportunamente tarati, superavano in accuratezza anche gli esseri umani. La riluttanza dei professionisti della supply chain a rinunciare ai propri fogli di calcolo non può essere spiegata con la sola resistenza al cambiamento, non dopo tre decenni.

Un problema di design fondamentale risiede negli stessi APS, ad esempio nel far ruotare l’intero piece of software attorno alle serie temporali, un approccio che non si adatta al problema – offrendo una spiegazione molto più semplice e convincente. Tuttavia, ciò ci lascia con il quesito del perché così tante aziende abbiano adottato gli APS (spesso, più di uno) se questi offrono così poco.

Questa situazione controintuitiva è un caso di effetto lampione.

Le serie temporali stanno deludendo le supply chain eppure, poiché è difficile immaginare alternative, i professionisti – e i loro dirigenti – tendono frequentemente a considerare di default la prospettiva delle serie temporali come ciò di cui hanno realmente bisogno; nonostante la routine quotidiana e le euristiche implementate nei loro fogli di calcolo contraddicano tale opinione.

La forma più pura, in ambito supply chain, del paradigma delle serie temporali è probabilmente il Flowcasting, che reifica l’intera supply chain come una raccolta di serie temporali. Dai colloqui con direttori della supply chain, sembra che il flowcasting abbia fallito ogni singola volta che è stato provato. Mettere le serie temporali al centro è stato chiaramente un fattore aggravante.

Finora, in questo post, non è stata proposta alcuna alternativa alle serie temporali e alle relative previsioni. Eppure, questo è il nocciolo dell’effetto lampione: una volta capito che non si sta cercando nel posto giusto, bisogna guardarsi altrove, per quanto quei luoghi possano essere oscuri.

Nella mia serie di lezioni sulla supply chain, introdurrò gradualmente elementi per andare oltre il paradigma delle serie temporali. Questi elementi riflettono le direzioni che Lokad ha iniziato a perseguire anni fa. Tuttavia, invito i miei lettori a provare a immaginare come potrebbe essere la loro pratica della supply chain se operassero oltre i limiti imposti dal paradigma delle serie temporali.


  1. All’inizio degli anni ‘90, le aziende di mail order disponevano di tutta l’infrastruttura della supply chain necessaria per diventare giganti dell’ecommerce. Tuttavia, il catalogo di mail order – la soluzione per creare consapevolezza dell’offerta tra i consumatori – esisteva da così tanto tempo che quegli operatori avevano quasi del tutto perso di vista il problema che cercavano di risolvere: vendere a distanza. I nuovi entranti nell’ecommerce divennero leader di mercato pur partendo da un vantaggio competitivo molto scarso, specialmente per quanto riguarda le loro infrastrutture di supply chain. ↩︎

  2. Un’altra grande causa profonda, oltre alle serie temporali, è la prospettiva deterministica adottata dagli APS. Si presume che il futuro sia perfettamente noto, non lasciando spazio all’incertezza. Tuttavia, l’incertezza è irreducibile e va affrontata in prima persona. Lokad lo fa tramite la previsione probabilistica, sebbene questa problematica sia in gran parte ortogonale a quella delle serie temporali. ↩︎