Show me the money: Riflessioni su ISF 2024

Alexey Tikhonov e Conor Doherty

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

Qualche settimana fa, ho parlato in un panel al 44° Simposio Internazionale sulla Previsione a Dijon, Francia. Il tema del panel era Pianificazione della Domanda e il Ruolo del Giudizio nel Nuovo Mondo dell’IA/ML.

Come ambasciatore di Lokad, puoi immaginare quale fosse la mia prospettiva:

• la previsione e la presa di decisioni dovrebbero essere completamente automatizzate;

• la qualità delle previsioni dovrebbe essere valutata dal punto di vista delle migliori decisioni;

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

Stranamente, la mia posizione sull’automazione non ha suscitato tanto disaccordo come si potrebbe pensare. Il moderatore (Capo Comunicazione di Lokad, Conor Doherty) e gli altri membri del panel (Sven Crone di iqast e Nicolas Vandeput di SupChains) erano quasi unanimemente d’accordo che questo fosse il futuro della previsione. L’unico disaccordo riguardava quanto velocemente potremmo raggiungere questo stato (nota: credo che siamo già lì).

Ciò che ha causato parecchio disaccordo, e forse anche confusione, è stata la mia argomentazione secondo cui l’accuratezza delle previsioni non è così importante come prendere decisioni migliori. Questo disaccordo non riguardava solo gli altri membri del panel, ma anche il pubblico presente. Credo che ci siano due ragioni principali per questo:

1. Quando ho parlato sul palco, non avevo un supporto visivo per sostenere questo punto. Ci sono alcune parti in movimento nell’esplicazione, quindi un supporto visivo avrebbe sicuramente aiutato le persone a capire.

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

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

Domande guida

Ci sono, secondo me, cinque domande fondamentali che devono essere risposte per chiarire la mia posizione. In questa sezione, farò del mio meglio per fornire risposte brevi a ciascuna di esse - la “carne e patate”, per così dire. Sii certo che Lokad ha una ricchezza di risorse aggiuntive per spiegare le tecnicità, alle quali fornirò un link alla fine del saggio.

Q1: Cosa significa che una previsione “aggiunge valore”?

Inizierò immediatamente con un esempio. Supponiamo che ci sia un meccanismo predefinito per produrre decisioni in un’azienda (ad esempio, previsione statistica automatizzata + politica di inventario automatizzata).

Perché una previsione modificata possa aggiungere valore, deve modificare una decisione predefinita (generata utilizzando il processo predefinito dell’azienda) in modo che influenzi direttamente e positivamente i rendimenti finanziari dell’azienda (ad esempio, dollari, sterline o euro di guadagno).

Se una previsione è più accurata (nel senso di prevedere la domanda effettiva) ma non porta a una decisione diversa e migliore, allora non ha aggiunto valore.

Molte aziende utilizzano ancora modelli di previsione basati su serie temporali, mentre Lokad preferisce previsioni probabilistiche per aiutare a generare decisioni corrette in base al rischio. Tuttavia, lo stesso standard si applica a entrambi i paradigmi di previsione. Perché entrambi i tipi di previsione possano aggiungere valore, devono modificare una decisione predefinita in modo che influenzi direttamente e positivamente i rendimenti finanziari di un’azienda.

Ad esempio, una nuova decisione (“modificata”) potrebbe eliminare direttamente una futura rottura di stock che la decisione predefinita avrebbe presentato.

“Direttamente” è fondamentale qui. In termini molto semplici, la previsione aggiunge valore solo se è possibile indicare l’esatta modifica della decisione che ha influenzato i rendimenti finanziari aggiuntivi o ha impedito perdite finanziarie (rispetto 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 valore” necessariamente. Questo perché, come accennato in precedenza, perché qualcosa (in questo caso una previsione) possa aggiungere valore, deve influenzare direttamente e positivamente i rendimenti finanziari di un’azienda attraverso una decisione migliore.

A differenza delle previsioni, le decisioni sulla catena di approvvigionamento hanno vincoli di fattibilità (ad esempio, quantità minime d’ordine, moltiplicatori di lotti, dimensioni dei lotti, ecc.) e incentivi finanziari (ad esempio, sconti sul prezzo, termini di pagamento, ecc.). Ci possono essere molte più previsioni rispetto alle decisioni fattibili.

Ciò significa che le decisioni sulla catena di approvvigionamento possono occasionalmente essere (e molto spesso sono) insensibili ai cambiamenti di accuratezza delle previsioni. Questo vale sia per le previsioni basate su serie temporali che per quelle probabilistiche.

La ragione di questa insensibilità è dovuta ai vincoli decisionali (ad esempio, quantità minime d’ordine). È perfettamente possibile che una previsione più accurata (ad esempio, più accurata del 10%) porti alla stessa identica decisione di una meno accurata. Il grafico qui sotto illustra questo punto.

Nell’esempio sopra, diciamo che la previsione di consenso di 55 unità era più accurata rispetto alla previsione automatizzata di 50 unità. Dal punto di vista finanziario, l’aumento dell’accuratezza non ha comportato una decisione diversa (a causa della presenza di una quantità minima d’ordine). Pertanto, la previsione più accurata non ha aggiunto valore.

In effetti, c’è un forte argomento secondo cui la previsione di consenso più accurata ha comportato un valore aggiunto negativo. Questo perché le fasi di revisione aggiuntive (come previsto da un processo standard di valore aggiunto della previsione) hanno comportato costi (tempo e sforzo aggiuntivi) per l’azienda, senza però portare a una decisione migliore. Dal punto di vista puramente finanziario, quelle fasi di revisione manuale sono state un valore netto negativo.

Consideriamo anche un caso in cui non ci sia un vincolo di quantità minima d’ordine.

Immagina la stessa situazione generale, ma invece di una quantità minima d’ordine c’è un moltiplicatore di lotto. Le decisioni possibili sono incrementi di 50 unità (ad esempio, 50 unità in una scatola o su una pallet). In questa situazione, dovremmo acquistare 50 o 100 unità (1 o 2 scatole o pallet).

In realtà, potrebbe essere meno redditizio acquistare 100 unità (coprendo la suggerimento della previsione di consenso di 55 unità) rispetto all’acquisto di 50 unità (leggermente inferiore a quanto suggerito dalla previsione “più accurata”). Si potrebbe cercare di coprire la domanda rimanente con ordini arretrati o semplicemente perdere vendite (ad esempio, se si vendono prodotti deperibili come cibo fresco).

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

Va detto che non tutte le situazioni sono ugualmente rigide quando si tratta di vincoli, tuttavia la supply chain è piena di scenari di questo tipo. Naturalmente, ammetto che previsioni diverse comporteranno decisioni diverse, ma la questione del valore rimane aperta. In ogni momento, dovremmo considerare se il rendimento aggiuntivo previsto dall’acquisto di unità extra è maggiore delle risorse extra consumate per migliorare l’accuratezza delle previsioni.

Forse l’accuratezza aggiuntiva vale la pena in alcune situazioni. Tuttavia, sembra che i previsionisti e gli operatori della supply chain assumano riflessivamente che lo sia in termini assoluti, nonostante il fatto che ci siano scenari ovvi in cui non lo è.

Se hai pensato a uno scenario che non corrisponde perfettamente agli esempi descritti qui, va bene. Ricorda, l’obiettivo oggi è dimostrare un punto generale (che ci sono situazioni in cui l’accuratezza delle previsioni aggiuntiva non vale la pena perseguire), non analizzare in modo approfondito ogni possibile scenario decisionale della supply chain.

Q3: Come possiamo garantire che il valore ottenuto valga il costo dell’intervento giudizioso?

Un elemento fondamentale della discussione del panel a Dijon è stato il valore (o meno) dell’intervento giudizioso (o “sovrascritture umane”) nel processo di previsione. Parafrasando l’altro lato, “dobbiamo avere persone coinvolte per correggere quando la previsione automatizzata ha perso qualcosa”.

Questa è una prospettiva molto interessante per me, poiché presume che l’intervento umano aggiunga valore, altrimenti perché mai qualcuno lo farebbe?

Per questa sezione, ignorerò una discussione su se gli esseri umani possano (occasionalmente o addirittura spesso) superare una previsione automatizzata (in termini di accuratezza). Infatti, sono disposto ad ammettere che, su qualsiasi SKU isolato, un essere umano può ottenere prestazioni pari o forse addirittura migliori di una previsione automatizzata in termini di accuratezza.

Nota: Non penso che ciò sia vero se consideriamo la previsione di decine di migliaia di SKU per centinaia di negozi, ogni singolo giorno, come avviene in una catena di approvvigionamento di dimensioni considerevoli¹. In quest’ultimo scenario, una previsione automatizzata supera significativamente intere squadre di previsionisti estremamente competenti e altri esperti funzionali semplicemente perché la stragrande maggioranza degli SKU non può essere esaminata manualmente a causa dei vincoli di tempo.

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

1. Secondo me, rende l’articolo più interessante, e;

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

La mia posizione è, come probabilmente avrete intuito, che le sovrascritture umane “aggiungono valore” solo se…aggiungono valore finanziario - valore che dura più a lungo di un singolo riordino. Questo è completamente indipendente da eventuali vantaggi in termini di accuratezza.

Questo valore può essere inteso come “produce direttamente decisioni migliori rispetto a quelle originariamente generate - tenendo conto dei profitti extra derivanti dalla decisione migliore e sottraendo il costo della sovrascrittura”.

In parole semplici, le sovrascritture giudiziarie (sovrascritture umane) sono costose, quindi un’azienda dovrebbe voler vedere un ritorno sull’investimento significativo. Pertanto, il mio argomento è che l’accuratezza delle previsioni è una misura arbitraria (quando valutata isolatamente dalle decisioni) e le aziende dovrebbero concentrarsi su azioni che aumentano i rendimenti finanziari.

L’intervento umano potrebbe aumentare effettivamente l’accuratezza delle previsioni (di nuovo, faccio questa concessione per il bene della discussione), tuttavia ciò non comporta necessariamente un aumento del rendimento finanziario. Questa non dovrebbe essere una proposta radicale, allo stesso modo in cui una persona può essere la più alta in una stanza e la più bassa in un’altra.

Si prega di notare che non è compito mio fornire prove che un aumento dell’accuratezza non si traduca in un aumento dei profitti. È, per definizione, compito delle persone che sostengono che un aumento dell’accuratezza sia di per sé redditizio fornire qualche evidenza concreta, diretta e indiscutibile per questa affermazione.

Ancora una volta, questa non dovrebbe essere una posizione radicale o contraria. Dovrebbe, secondo me, essere la posizione predefinita di chiunque abbia “la pelle in gioco”.

Tenete presente che, affinché le sovrascritture umane siano redditizie, è necessario prendere in considerazione la totalità delle sovrascritture. Ciò significa valutare il valore finanziario generato da tutti i “successi” e sottrarre tutte le perdite finanziarie inflitte dai “fallimenti”.

Questo esperimento dovrebbe essere condotto anche su vasta scala, per una vasta rete di negozi (clienti aziendali nel caso del B2B) e su tutto il loro catalogo di SKU, ogni giorno, per un periodo considerevole di tempo.

“Per quanto tempo dovrebbe durare questo esperimento, Alexey?” Su questo punto, sono ambivalente. Diciamo un anno, ma sono molto aperto alla discussione su questo punto. Dipende da molte cose, tra cui il numero di cicli decisionali in un anno e i tempi di consegna, naturalmente.

Detto questo, tutta questa discussione solleva la questione di quale sia la soglia accettabile di errore per la sovrascrittura umana.

• Se i successi superano leggermente i fallimenti, è accettabile?
• E quanto al costo delle sovrascritture umane stesse?
• Come possiamo considerare questi costi diretti e indiretti nel calcolo?

Queste non sono domande banali, tra l’altro. Sono il tipo di domande che farebbe uno studente al primo anno in qualsiasi corso introduttivo in un campo STEM (o correlato a STEM).

Fino a quando qualcuno non fornisce prove definitive che la sovrascrittura umana, implementata su vasta scala, sia finanziariamente vantaggiosa, la posizione più economicamente 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 dovrebbe sostituire la previsione attuale per scopi 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 essere un po’ più dettagliati, la sostituzione dovrebbe essere effettuata in base all’utilità comparativa complessiva del nuovo modello (ad esempio, ROI, applicabilità, manutenibilità, ecc.), non solo in base al suo attuale guadagno di precisione. Il ROI è ciò che guida l’azienda verso il successo. L’applicabilità, come dimostrerò di seguito, è progettata tenendo a mente il ROI. Ricordate: la precisione è, se perseguita isolatamente, un KPI arbitrario.

Ad esempio, immaginate di avere due modelli: uno che può gestire esplicitamente la storia delle scorte esaurite e un altro che ignora le scorte esaurite (utilizzando alcuni trucchi di preelaborazione dei dati). Potrebbe essere il caso che le scorte esaurite non siano accadute così spesso e, dal punto di vista delle decisioni, entrambi i modelli si comportino quasi allo stesso modo. Tuttavia, sarebbe comunque più prudente favorire il modello che può gestire le scorte esaurite. Questo perché, se le scorte esaurite iniziano a verificarsi più frequentemente, questo modello sarà più affidabile.

Questo dimostra un altro aspetto della filosofia di Lokad: correttezza progettuale. Ciò significa che, a livello di progettazione, cerchiamo di creare un modello che consideri in modo proattivo - e sia in grado di rispondere a - eventi sia probabili che improbabili. Questo è di fondamentale importanza perché le maggiori penalità finanziarie si trovano spesso agli estremi, ovvero negli eventi improbabili.

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

È importante ricordare che la previsione è solo una parte del motore decisionale complessivo. Pertanto, l’aggiornamento di alcune parti può avere impatti minori o maggiori sulle prestazioni complessive del motore. Passare da un vecchio modello a uno nuovo potrebbe essere problematico, anche se il nuovo modello alla fine genererà decisioni migliori (e quindi 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 PO molto migliori, ma lo spazio necessario per conservare l’inventario extra potrebbe non esistere ancora o i fornitori potrebbero non essere in grado di adeguare immediatamente le loro supply chain per soddisfare la domanda aumentata. Affrettarsi a completare le PO ora, alla ricerca di profitti immediati, potrebbe comportare perdite altrove, come la rottura o la deteriorabilità più rapida delle scorte a causa della mancanza di spazio adeguato in magazzino (o dei limiti di capacità della forza lavoro).

In uno scenario del genere, potrebbe essere saggio passare progressivamente tra i modelli. Nella pratica, ciò potrebbe comportare la posizione di alcuni PO consecutivi leggermente più grandi per correggere gradualmente le posizioni delle scorte, anziché passare immediatamente a un’unica PO enorme.

Le persone con esperienza pratica nel affrontare l’effetto bullwhip (tra cui i sostenitori di DDMRP) dovrebbero immediatamente capire perché questa è una tattica saggia.

Riflessione finale

Se sei arrivato fin qui, apprezzo la tua attenzione. Se sei stato in disaccordo lungo il percorso, apprezzo ancora di più la tua attenzione.

Per coloro che sono in disaccordo, permettetemi un’ultima considerazione: il valore significa più soldi e più soldi derivano da decisioni migliori. Per quanto mi riguarda, nulla può sostituire decisioni buone (o migliori). Non una previsione più accurata. Non un processo di S&OP più efficiente.

Se siamo ancora in disaccordo, va bene, almeno sappiamo dove stiamo entrambi.

Grazie per aver letto.

Prima di andare via

Ecco alcune risorse aggiuntive che potrebbero esserti utili (soprattutto se sei stato in disaccordo con me):

• Per quanto riguarda come Lokad effettivamente prevede tutte le fonti di incertezza (ad esempio, domanda, tempi di consegna, tassi di reso, ecc.), consulta le nostre lezioni video su previsioni probabilistiche e previsione dei tempi di consegna.

• Per quanto riguarda come Lokad prende effettivamente decisioni corrette in base al rischio, consulta il nostro tutorial educativo sull’ottimizzazione degli acquisti e la lezione video su allocazione delle scorte al dettaglio.

• Per quanto riguarda come Lokad gestisce la domanda e ottimizza le strategie di pricing, consulta la nostra lezione video sull’ottimizzazione del pricing.

Note