Oltre le serie temporali

Joannes Vermorel

Quando tutto ciò che hai è un martello, tutto sembra un chiodo. Il martello a lungo preferito dalla comunità della supply chain sono state le serie temporali e, di conseguenza, nei circoli della supply chain tutti i problemi sembrano previsioni basate su serie temporali. La tentazione di martellare è amplificata dall’ampia letteratura che esiste sulle previsioni basate su serie temporali al di là dei casi d’uso della supply chain. Non si tratta solo del martello che già abbiamo: siamo anche nel bel mezzo di un intero centro commerciale pieno di martelli luccicanti, di tutte le forme, dimensioni e colori.

Tuttavia, le serie temporali sono in gran parte inadeguate per modellare ragionevolmente qualsiasi cosa, tranne forse le situazioni più semplici della supply chain. Di conseguenza, le migliori previsioni basate su serie temporali, per quanto accurate, vengono regolarmente sconfitte dagli aspetti banali delle supply chain. Eppure, di fronte a queste situazioni, la reazione istintiva della comunità - le aziende che operano nelle supply chain, i loro fornitori di software, e i professori che insegnano la supply chain - è quella di cercare previsioni più accurate. Dopotutto, cosa altro potrebbe mai esserci se non previsioni più accurate?

Il passo più difficile per uscire mentalmente dalla scatola delle serie temporali è riconoscere l’esistenza stessa del problema, cioè la limitazione delle serie temporali stesse, senza (ancora) essere in grado di mostrare una soluzione alternativa. Infatti, la storia della scienza ci dice che i problemi tendono ad essere “impensabili” fino a quando non viene trovata una soluzione. I problemi privi di soluzioni¹ vengono di solito considerati irrilevanti. Purtroppo, a meno che non partiamo dal presupposto che potrebbe esistere una soluzione, non possiamo nemmeno iniziare a cercarne una.

Diamo un’occhiata più da vicino alla prospettiva delle serie temporali e ai loro casi d’uso nella supply chain. Finora, ho presentato tre personaggi della supply chain chiamati rispettivamente Paris, Miami e Amsterdam (ne seguiranno altri). Questi personaggi rappresentano rappresentazioni fittizie, ma realistiche, di supply chain del mondo reale. Le serie temporali possono essere utilizzate per riflettere qualcosa che approssima vagamente la “domanda” in una qualsiasi di queste tre situazioni? Per ognuna di queste tre situazioni, la risposta è negativa:

• Paris, una rete di moda, coinvolge effetti massicci di sostituzione e cannibalizzazione. L’essenza del meccanismo in gioco, la percezione sfocata da parte dei clienti dell’assortimento nel suo complesso, si perde quando si adottano le serie temporali.
• Miami, un MRO dell’aviazione, coinvolge incidenti AOG (aeromobili a terra), in cui una parte mancante finisce per mettere a terra l’intero aeromobile. Sia gli AOG che la natura ciclica delle riparazioni delle parti vengono persi quando si adotta una previsione basata su serie temporali.
• Amsterdam, un marchio di formaggi, è rigidamente vincolato sia dal lato dell’offerta che dal lato della domanda. Di conseguenza, mentre sia l’offerta che la domanda potrebbero essere rappresentate come serie temporali, gli unici pezzi di interesse si verificano tra quelle serie.

Eppure, i manuali sulla supply chain sono pieni di “esempi” che coinvolgono l’analisi delle serie temporali e le previsioni basate su serie temporali. Tuttavia, la validità di questi esempi è motivo di preoccupazione. Questi esempi presentano aziende non descritte che producono e/o vendono “qualcosa”, senza fornire specifiche dettagliate. Tuttavia, il diavolo sta nei dettagli. Ogni volta che iniziamo a scoprire i dettagli, come viene fatto nelle personae della supply chain presentate sopra, diventa evidente che la prospettiva delle serie temporali è essenzialmente una collezione di problemi giocattolo, che terranno occupati gli studenti e i professori, ma che non sono realmente adatti a un uso nel mondo reale.

La prospettiva delle serie temporali è una delle cause principali² che spiega l’uso ubiquitario dei fogli di calcolo nella supply chain nonostante la disponibilità di Advanced Planning Systems (APS) da tre decenni nella maggior parte delle grandi aziende. I professionisti della supply chain stanno tornando ai loro fogli di calcolo perché l’APS sta fallendo.

Il caso specifico dell’accuratezza delle previsioni è interessante. I professionisti non sono in grado di battere l’accuratezza dell’APS (tranne forse quelli veramente disfunzionali). Questo è stato il caso per decenni. Già negli anni ‘90, i modelli parametrici delle serie temporali ragionevolmente tarati stavano già battendo gli esseri umani in termini di accuratezza. La riluttanza dei professionisti della supply chain a rinunciare ai loro fogli di calcolo non può essere spiegata solo dalla loro riluttanza al cambiamento, non in tre decenni.

Un problema di progettazione fondamentale risiede negli APS stessi, come ad esempio l’orientamento di tutto il software alle serie temporali, che non si adatta al problema - offre una spiegazione molto più semplice e convincente. Tuttavia, ciò ci lascia con il problema di perché così tante aziende abbiano adottato gli APS (spesso, diversi) se gli APS offrono così poco.

Questa situazione controintuitiva è un caso di effetto lampione.

Le serie temporali stanno fallendo nelle supply chain eppure, poiché è difficile pensare a qualcos’altro, i professionisti della supply chain e la loro dirigenza spesso hanno l’opinione predefinita che la prospettiva delle serie temporali sia ciò di cui hanno effettivamente bisogno; nonostante la loro routine quotidiana e le euristiche implementate nei loro fogli di calcolo contraddicano questa opinione. Inoltre, le preoccupazioni sulla visualizzazione dei dati tendono a essere confuse con le preoccupazioni sulla modellazione dei dati. Non importa quale prospettiva di modellazione venga adottata, le serie temporali sono un meccanismo di visualizzazione che probabilmente rimarrà, infatti la visione umana è per lo più bidimensionale, e la maggior parte delle questioni della supply chain coinvolge il tempo come dimensione di interesse. Non è perché un approccio è buono per la visualizzazione che i suoi benefici si applicheranno automaticamente alla modellazione.

La forma più pura del paradigma delle serie temporali nella supply chain è probabilmente il Flowcasting che reifica l’intera supply chain come una collezione di serie temporali. Sulla base delle discussioni con i direttori della supply chain, sembra che il flowcasting abbia fallito ogni volta che è stato tentato. 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 previsioni basate su serie temporali. Eppure, questo è il nocciolo dell’effetto lampione: una volta che sai che non stai guardando nel posto giusto, dovresti guardare altrove, non importa quanto buio possano essere quegli altri posti.

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 prendere anni fa. Tuttavia, invito i miei lettori a immaginare come potrebbe essere la loro pratica della supply chain se operassero al di là delle limitazioni del paradigma delle serie temporali.