Mostrami i soldi: Riflessioni su ISF 2024

Alexey Tikhonov and Conor Doherty

“Per migliorare il tuo gioco, devi studiare il finale prima di ogni cosa; poiché, mentre i finali possono essere studiati e padroneggiati autonomamente, il mediogioco e l’apertura devono essere studiati in relazione al finale.” Fonte: Le ultime lezioni di scacchi di Capablanca (1966), p. 23

Poche settimane fa, ho partecipato a un panel al 44° Simposio Internazionale sulla Previsione a Digione, Francia. Il tema del panel era Pianificazione della domanda e il ruolo del giudizio nel nuovo mondo dell’AI/ML.

In qualità di ambasciatore per Lokad, potete immaginare quale fosse la mia prospettiva:

• le previsioni e il processo decisionale dovrebbero essere completamente automatizzati;

• la qualità delle previsioni dovrebbe essere valutata dalla prospettiva di decisioni migliori;

• il giudizio umano dovrebbe essere utilizzato per migliorare l’automazione (non per modificare le previsioni o le decisioni).

Stranamente, la mia posizione sull’automazione non ha suscitato tanto disaccordo quanto si potrebbe pensare. Il moderatore (Responsabile della Comunicazione di Lokad, Conor Doherty) e gli altri relatori (Sven Crone di iqast e Nicolas Vandeput di SupChains) erano quasi unanimi nel concordare che questo rappresenta il futuro delle previsioni. L’unico disaccordo riguardava quanto velocemente potremmo raggiungere questo stato (nota: credo che siamo già arrivati).

Ciò che ha causato parecchi disaccordi, e forse anche confusione, è stata la mia argomentazione secondo cui l’accuratezza delle previsioni non è affatto importante quanto prendere decisioni migliori. Questo disaccordo non si è limitato agli altri relatori, ma anche ai membri del pubblico. Penso che ci siano due ragioni principali per questo:

1. Quando ho parlato sul palco, non avevo un supporto visivo per evidenziare questo punto. Ci sono diverse componenti in movimento nell’argomentazione, quindi un supporto visivo avrebbe sicuramente aiutato le persone a comprendere.

2. L’idea che l’accuratezza delle previsioni sia meno importante delle decisioni contraddice l’educazione, la formazione e l’esperienza della maggior parte dei professionisti.

Alla fine di questo saggio, spero di aver affrontato entrambi i punti sopra elencati. Per quanto riguarda il primo punto, ho incluso una spiegazione breve ma sistematica e un supporto visivo intuitivo. Per quanto riguarda il secondo punto, posso solo chiedere al lettore di mantenere una mente aperta per i prossimi 5-10 minuti, e di cercare di avvicinarsi a queste parole come se non avesse alcuna formazione precedente nel forecasting della supply chain.

Domande guida

Ci sono, a mio avviso, cinque domande fondamentali che devono essere risposte per chiarire la mia posizione. In questa sezione, farò del mio meglio per fornire risposte abbastanza brevi a ciascuna di esse - il nocciolo della questione, per così dire. State certi che Lokad dispone di una ricchezza di risorse aggiuntive per spiegare le tecnicalità, che linkerò alla fine del saggio.

Q1: Cosa vuol dire che una previsione “aggiunge valore”?

Comincerò subito con un esempio. Supponiamo che esista un meccanismo predefinito per produrre decisioni in un’azienda (ad esempio, una previsione statistica automatizzata + una politica di inventario automatizzata).

Affinché una previsione modificata aggiunga valore, essa deve modificare una decisione predefinita (generata utilizzando il processo predefinito dell’azienda) in modo da influenzare in modo diretto e positivo i ritorni finanziari dell’azienda (cioè, dollari, sterline o euro di ritorno).

Se una previsione è più accurata (in termini di previsione della domanda effettiva) ma non si traduce in una decisione diversa e migliore, allora non ha aggiunto valore.

Molte aziende utilizzano ancora modelli di previsione basati su serie temporali, mentre Lokad preferisce le previsioni probabilistiche per aiutare a generare decisioni con aggiustamento al rischio. Tuttavia, lo stesso standard si applica a entrambi i paradigmi di previsione. Affinché un tipo di previsione aggiunga valore, essa deve modificare una decisione predefinita in modo da influenzare in modo diretto e positivo i ritorni finanziari di un’azienda.

Ad esempio, una nuova decisione («modificata») potrebbe eliminare direttamente una futura situazione di stock-out che la decisione predefinita avrebbe presentato.

“Direttamente” è fondamentale qui. In termini molto semplici, la previsione aggiunge valore solo se è possibile indicare il preciso cambio di decisione che ha influenzato l’incremento dei ritorni finanziari o prevenuto perdite finanziarie (in confronto alla decisione predefinita).

Pensate alla causalità, non alla correlazione.

Q2: Una previsione più accurata aggiunge sempre valore?

Tecnicamente, no. Una previsione più accurata, di per sé, non aggiunge necessariamente valore. Questo perché, come menzionato in precedenza, affinché qualcosa (in questo caso una previsione) aggiunga valore, essa deve influenzare in modo diretto e positivo i ritorni finanziari di un’azienda attraverso una decisione migliore.

A differenza delle previsioni, le decisioni di supply chain hanno vincoli di fattibilità (ad esempio, MOQs, moltiplicatori di lotto, dimensioni dei lotti, ecc.) e incentivi finanziari (ad esempio, sconti sui prezzi, termini di pagamento, ecc.). Possono esserci molte più previsioni rispetto al numero di decisioni fattibili.

Questo significa che le decisioni di supply chain possono occasionalmente essere (e molto spesso lo sono) insensibili ai cambiamenti nell’accuratezza delle previsioni. Ciò è valido sia per le previsioni basate su serie temporali che per quelle probabilistiche.

La ragione di questa insensibilità è dovuta ai vincoli del processo decisionale (ad esempio, MOQs). È perfettamente possibile che una previsione più accurata (ad esempio, del 10% in più) conduca alla medesima decisione di una previsione meno accurata. Il grafico sottostante illustra questo punto.

Nell’esempio sopra, supponiamo che la previsione di consenso di 55 unità fosse più accurata della previsione automatizzata di 50 unità. Da un punto di vista finanziario, l’aumentata accuratezza non ha portato a una decisione diversa (a causa della presenza di un MOQ). Pertanto, la previsione più accurata non ha aggiunto valore.

In effetti, esiste un forte argomento secondo cui la previsione di consenso più accurata ha portato a un aggiunta di valore negativa. Ciò perché i passaggi aggiuntivi di revisione (secondo un processo standard di Forecast Value Added) costano denaro (tempo ed sforzo extra) all’azienda, ma non hanno prodotto una decisione migliore. Da un punto di vista puramente finanziario, quei passaggi di revisione manuale sono stati un netto svantaggio.

Consideriamo anche un caso in cui non vi sia alcun vincolo di MOQ.

Immaginate lo stesso scenario complessivo, ma con un moltiplicatore di lotto al posto di un MOQ. Le decisioni fattibili sono incrementi di 50 unità (ad esempio, 50 unità in una scatola o su un pallet). In questa situazione, dovremmo acquistare 50 o 100 unità (1 o 2 scatole o pallet).

In realtà, potrebbe essere meno profittevole acquistare 100 unità (per coprire la previsione di consenso che suggerisce 55 unità) rispetto all’acquisto di 50 unità (lievemente meno di quanto suggerito dalla previsione “più accurata”). Si potrebbe cercare di coprire la domanda residua con ordini arretrati o semplicemente perdere vendite (ad esempio, se si vendono beni deperibili come alimenti freschi).

Da un punto di vista economico, la decisione finanziaria migliore potrebbe non essere quella di seguire la previsione “più accurata”. In questo scenario, sia la previsione automatizzata (50 unità di domanda) che quella di consenso (55 unità di domanda) portano alla stessa decisione (ordinare 50 unità). Pertanto, la previsione “più accurata” non ha portato a un aumento del valore finanziario.

È vero che non tutte le situazioni sono altrettanto rigide riguardo ai vincoli, tuttavia la supply chain è piena di questo tipo di scenari. Naturalmente, riconosco che previsioni differenti porteranno a decisioni diverse, ma la questione del valore rimane aperta. In ogni momento, dovremmo considerare se il ritorno addizionale atteso dall’acquisto di unità extra sia maggiore delle risorse supplementari consumate per migliorare l’accuratezza delle previsioni.

Forse in alcune situazioni l’accuratezza extra vale la pena. Tuttavia, i previsori e i professionisti della supply chain sembrano presumere riflessivamente che ciò valga in termini assoluti, nonostante esistano ovvi scenari in cui non è così.

Se avete pensato a uno scenario che non corrisponde perfettamente agli esempi descritti qui, va bene così. Ricordate, l’obiettivo oggi è dimostrare un concetto generale (cioè che in alcune situazioni non vale la pena inseguire un’accuratezza extra nelle previsioni), non analizzare in profondità ogni possibile scenario decisionale della supply chain.

Q3: Come possiamo assicurarci che il valore ottenuto giustifichi il costo dell’intervento giudiziale?

Un elemento centrale della discussione in panel a Digione è stato il valore (o meno) dell’intervento giudiziale (o dei “human overrides”) nel processo di previsione. Per parafrasare l’altra parte, “dobbiamo avere persone coinvolte per correggere quando la previsione automatizzata ha mancato qualcosa”.

Questa è una prospettiva molto interessante per me, poiché presuppone che il human override aggiunga valore - altrimenti, perché mai qualcuno lo farebbe?

Per questa sezione, ignorerò la discussione su se gli esseri umani possano (occasionalmente o anche spesso) superare una previsione automatizzata (in termini di accuratezza). In effetti, sono disposto a riconoscere che, per uno SKU isolato, un essere umano può ottenere risultati altrettanto buoni o forse addirittura migliori di una previsione automatizzata in termini di accuratezza.

Nota: Non penso che ciò sia vero se consideriamo il forecasting di decine di migliaia di SKUs per centinaia di negozi, ogni singolo giorno, come avviene in una supply chain di notevoli dimensioni¹. In quest’ultimo scenario, una previsione automatizzata supera di gran lunga interi team di previsionisti e altri esperti funzionali incredibilmente abili, semplicemente perché la stragrande maggioranza degli SKUs non può essere esaminata manualmente a causa delle limitazioni di tempo.

Faccio questa concessione che il giudizio umano a volte può uguagliare o superare la previsione automatizzata per due motivi:

1. A mio parere, rende il saggio più interessante, e;

2. La forza del mio argomento non si basa su alcuna discussione riguardante l’“accuratezza”.

La mia posizione è, come probabilmente potete intuire ormai, che i human overrides aggiungono valore solo se…aggiungono valore finanziario - un valore che dura più a lungo di un singolo ciclo di riapprovvigionamento. Questo è completamente indipendente da qualsiasi beneficio in termini di accuratezza.

Questo valore può essere inteso come “produce direttamente decisioni migliori rispetto a quelle originariamente generate - considerando i profitti extra dalla decisione migliore e sottraendo il costo del override”.

In breve, le interruzioni giudiziarie (human overrides) sono costose, e perciò un’azienda dovrebbe aspettarsi un ritorno significativo sull’investimento. Pertanto, il mio argomento è che l’accuratezza delle previsioni è una metrica arbitraria (quando valutata in isolamento dalle decisioni), e le aziende dovrebbero concentrarsi su azioni che aumentano i ritorni finanziari.

Il human override può ben aumentare l’accuratezza delle previsioni (di nuovo, faccio questa concessione per il bene della discussione), tuttavia non aumenta necessariamente il ritorno finanziario. Questa non dovrebbe essere una proposizione radicale, proprio come qualcuno può essere la persona più alta in una stanza e la più bassa in un’altra.

Si noti che la responsabilità non spetta a me fornire prove che l’aumento dell’accuratezza non si traduca in maggiori profitti. È, per definizione, responsabilità di chi sostiene che l’aumento dell’accuratezza sia di per sé profittevole fornire delle prove concrete, dirette e inconfutabili a supporto di tale affermazione.

Ancora una volta, questa non dovrebbe essere una posizione radicale o contraria. Dovrebbe, a mio parere, essere la posizione predefinita di chiunque abbia un interesse diretto nella questione (“with skin in the game”).

Tenete presente, affinché i human overrides siano profittevoli, dobbiamo prendere in considerazione la totalità degli overrides. Cioè, pesare il valore finanziario generato da tutti i “successi” e sottrarre tutte le perdite finanziarie causate dai “fallimenti”.

Questo esperimento dovrebbe essere condotto anche su scala, per una rete enorme di negozi (clienti enterprise nel caso del B2B) e per l’intero catalogo di SKUs, ogni giorno, per un periodo di tempo considerevole.

“Quanto a lungo dovrebbe durare questo esperimento, Alexey?” Su questo sono ambivalente. Diciamo un anno, ma sono molto aperto a discutere questa questione. Dipende da molte cose, incluso il numero di cicli decisionali in un anno, così come i lead times, naturalmente.

Detto ciò, questa intera discussione solleva la questione di quale sia la soglia di errore accettabile per il human override.

• Se i successi superano appena i fallimenti, è accettabile?
• Che dire del costo dei human overrides stessi?
• Come dobbiamo inserire questi costi diretti e indiretti nel calcolo?

Queste non sono domande banali, a proposito. Sono il tipo di domande che uno studente del primo anno potrebbe fare in qualsiasi corso introduttivo in un campo STEM (o correlato).

Fino a quando qualcuno non fornirà prove definitive che il human override, implementato su larga scala, sia finanziariamente vantaggioso, la posizione economicamente più intelligente è presumere che non lo sia e continuare a fare affidamento su previsioni automatizzate e decisioni automatizzate.

Q4: Come determiniamo quando una previsione più accurata debba sostituire quella attuale ai fini decisionali?

In breve, il modo più semplice per saperlo è considerare la seguente domanda: la nuova previsione porta a decisioni migliori? La metrica di valutazione in questo caso dovrebbe essere il ritorno finanziario sull’investimento (ROI).

Per entrare un po’ più nel dettaglio, la sostituzione dovrebbe essere fatta in base all’utilità comparativa complessiva del nuovo modello (ad es., ROI, applicabilità, manutenibilità, ecc.), non solo in base all’incremento attuale di accuratezza. Il ROI è ciò che guida l’azienda verso il successo. L’applicabilità, come dimostrerò di seguito, è progettata con un occhio al ROI. Ricorda: l’accuratezza è, se perseguita in isolamento, un KPI arbitrario.

Ad esempio, immagina di avere due modelli: uno che può gestire esplicitamente la storia degli stock-out e un altro che ignora gli stock-out (utilizzando alcuni trucchi di pre-elaborazione dei dati). Potrebbe darsi che gli stock-out non si siano verificati molto spesso e, da un punto di vista decisionale, entrambi i modelli performino quasi allo stesso modo. Tuttavia, sarebbe comunque più prudente favorire il modello che può gestire gli stock-out. Questo perché, se gli stock-out iniziano a verificarsi più frequentemente, questo modello sarà più affidabile.

Questo dimostra un altro aspetto della filosofia di Lokad: correctness by design. Ciò significa che, a livello di progettazione, ci proponiamo di ingegnerizzare un modello che consideri proattivamente – e sia capace di rispondere a – sia gli eventi probabili che improbabili. Questo è di importanza fondamentale perché le maggiori penalità finanziarie spesso si riscontrano agli estremi – in altre parole, negli eventi improbabili.

Q5: Come passiamo da un modello di previsione all’altro in produzione?

È importante ricordare che la previsione è solo una parte del motore decisionale complessivo. Di conseguenza, l’aggiornamento di alcune parti potrebbe avere impatti minori o maggiori sulle prestazioni complessive del motore. Il passaggio da un vecchio modello a uno nuovo potrebbe essere problematico, anche se il nuovo modello alla fine genererà decisioni migliori (e quindi produrrà maggiori profitti).

Questo perché le decisioni migliorate in teoria potrebbero incontrare vincoli senza precedenti nella realtà se implementate troppo rapidamente.

Ad esempio, un nuovo modello di previsione potrebbe aiutare a generare ordini d’acquisto (POs) notevolmente migliorati, ma lo spazio necessario per immagazzinare l’inventario extra potrebbe non esistere ancora oppure i fornitori non possono adeguare immediatamente le loro supply chains per soddisfare la domanda aumentata. Affrettarsi a completare gli ordini d’acquisto ora, in cerca di profitti immediati, potrebbe risultare in perdite altrove, come il danneggiamento delle scorte o il loro deperimento più rapido a causa della mancanza di uno spazio warehouse adeguato (o dei limiti di capacità della forza lavoro).

In uno scenario del genere, potrebbe essere saggio passare progressivamente da un modello all’altro. In pratica, ciò potrebbe comportare l’emissione di alcuni ordini d’acquisto consecutivi leggermente più consistenti per correggere gradualmente le posizioni di stock, anziché passare immediatamente a un singolo ordine enorme.

Le persone con esperienza diretta nell’affrontare il bullwhip effect (inclusi i sostenitori del DDMRP) dovrebbero capire immediatamente perché questa è una tattica saggia.

Riflessione finale

Se hai letto fin qui, apprezzo la tua attenzione. Se invece hai avuto delle obiezioni lungo il percorso, apprezzo ancor di più la tua attenzione.

Per coloro che non sono d’accordo, permettetemi un ultimo colpo: il valore significa più denaro, e più denaro deriva da decisioni migliori. Per quanto mi riguarda, nulla può sostituire buone (o migliori) decisioni. Né una previsione più accurata. Né un processo S&OP più efficiente.

Se continuiamo a non essere d’accordo, va bene, ma almeno sappiamo dove ciascuno di noi si posiziona.

Grazie per aver letto.

Prima di andartene

Ecco alcune altre risorse che potresti trovare utili (soprattutto se non sei d’accordo con me):

• Per quanto riguarda come Lokad prevede effettivamente tutte le fonti di incertezza (ad es., domanda, tempi di consegna, tassi di reso, ecc.), guarda le nostre video lezioni su probabilistic forecasts e lead time forecasting.

• Per quanto riguarda come Lokad prende decisioni basate sul rischio, consulta il nostro tutorial educativo su purchasing optimization e la video lezione su retail stock allocation.

• Per quanto riguarda come Lokad ingegnerizza la domanda e ottimizza le strategie di pricing, guarda la nostra video lezione su pricing optimization.

Note