Poche astrazioni matematiche hanno danneggiato le performance delle supply chain in modo tanto pervasivo – e così silenzioso – quanto la umile serie temporali. Nonostante questo passato, le serie temporali rimangono di moda. Intere categorie di software sono costruite attorno all’archiviazione, all’analisi e alla previsione delle serie temporali; framework di pianificazione come S&OP o IBP sono articolati quasi esclusivamente tramite esse; e la maggior parte dei programmi accademici tratta lo studio delle supply chain come ben poco più di un esercizio di composizione, scomposizione ed estrapolazione di serie temporali.

Una rappresentazione astratta di una serie temporale confusa in una tendenza al ribasso.

Ma la popolarità non conferisce validità. Presso Lokad abbiamo abbandonato il paradigma delle serie temporali più di un decennio fa perché esso ignora sistematicamente le forze che plasmano le modern supply chains. Riducendo tutto a una singola dimensione cronologica, essa acceca i professionisti rispetto alle interazioni multilivello tra clienti, prodotti, fornitori e vincoli. Quanto segue è un excursus sui punti ciechi che inevitabilmente emergono quando la serie temporale diventa l’approccio universale per il processo decisionale.

1. Serie temporali e il cliente che scompare

Molti manuali – e quindi molto software commerciale – affermano che i clienti percepiscono la “qualità del servizio” attraverso obiettivi numerici di service‑level (ad es., “95 % di disponibilità”). Tradurre la complessa realtà dell’esperienza del cliente in una ordinata serie temporale di tassi di riempimento può essere conveniente, ma è altresì dimostrabilmente falso.

Cesti

I clienti acquistano cesti, non singoli SKU. L’assenza di un singolo articolo può far evaporare l’intera transazione – e possibilmente il rapporto con il cliente. Poiché una serie temporale memorizza quantità e date private del contesto transazionale, essa non può ricostruire quali articoli dovevano viaggiare insieme, quali sostituti siano stati offerti, o come il cliente abbia reagito. La struttura dei dati è, per definizione, a tenuta cieca per il cliente.

Fedeltà

La maggior parte delle aziende dipende dagli acquisti ripetuti. Che tu venda abbigliamento alla moda o fissaggi industriali, coltivare una clientela fedele è fondamentale. Eppure la classica serie temporale scarta l’identità dell’acquirente non appena la fattura viene emessa. Non può rilevare che un acquirente per la prima volta sia divenuto un sostenitore del marchio, né che un cliente abituale deluso abbia silenziosamente scelto un concorrente. Ancora una volta il segnale decisivo si perde.

Sostituzioni e cannibalizzazioni

I clienti spesso hanno margine di scelta su come soddisfare un bisogno: scambieranno dimensione, colore, marchio o confezione per immediatezza o prezzo. Modellare tali dinamiche di scelta richiede di osservare quale alternativa il cliente abbia selezionato quando l’articolo preferito non era disponibile. La serie temporale tradizionale, limitata a “domanda per SKU X al giorno D”, è strutturalmente incapace di codificare tale scelta.

In breve, inquadrare la “qualità del servizio” come una serie temporale di livelli di servizio elimina quasi tutto ciò che per il cliente è importante.

2. Serie temporali e il fornitore invisibile

Le limitazioni della lente delle serie temporali sono simmetriche: oscurano le realtà dei fornitori tanto efficacemente quanto cancellano quelle dei clienti che cerchiamo di servire.

Interconnessione dei lead time

Trattare il lead time come una serie temporale indipendente per SKU presuppone che ogni ordine di acquisto arrivi in un vuoto isolato. In pratica, gli ordini di grande entità consumano la capacità del fornitore, allungano i lead time successivi e causano ritardi a catena. L’accoppiamento della capacità è un fenomeno multidimensionale; non può essere compreso – figuriamoci ottimizzato – quando ogni articolo è confinato nella propria linea temporale.

Economia dei lotti

L’acquisto raramente consiste nel trovare la “quantità ottimale” per ciascun SKU in isolamento. Il vero obiettivo è sincronizzare centinaia di SKU in carichi economici per camion, container o cicli produttivi. La formulazione canonica EOQ, nata dalla mentalità delle serie temporali, ignora le sinergie tra SKU e quindi perde completamente di vista il punto.

Creazione di valore condiviso

I fornitori più preziosi sono co-innovatori: suggeriscono modifiche al design, propongono nuovi assortimenti e condividono il rischio. Tali dinamiche collaborative si evolvono nel corso di trimestri e anni, non in un ritmo periodico ordinato. Forzando la realtà in serie stazionarie, l’analista rende l’innovazione dei fornitori letteralmente invisibile.

3. Il conforto di un paradigma introspettivo

Perché, allora, il paradigma delle serie temporali persiste? Perché è facile.

  • Il mondo accademico adora le serie temporali: esse generano eleganti modelli autoregressivi che sono semplici da spiegare, da assegnare come compiti e da valutare.

  • I fornitori di software adorano le serie temporali: memorizzare i dati come un timestamp più un numero è banale, così come aggiungere un widget di previsione per estrapolare la curva.

  • I manager adorano i cruscotti delle serie temporali: un grafico a linee ordinato offre l’illusione rassicurante che il passato avesse senso e che il futuro differirà solo marginalmente.

Ma la comodità non equivale alla capacità. Un’azienda introspettiva può convincersi che queste curve misurino le performance; tuttavia, il mercato, liberato dall’illusione, punirà comunque una cattiva allocazione delle scorte, della capacità e della liquidità.

4. Liberarsi: abbracciare la realtà ad alta dimensionalità

Dalla fine degli anni ‘90, i progressi nella statistica ad alta dimensionalità, nella programmazione probabilistica e nell’ottimizzazione su larga scala hanno reso perfettamente fattibile modellare la forma reale e caotica delle supply chain: transazioni, cesti, opzioni, vincoli e cicli di feedback. Sì, i modelli risultanti sono più complessi di una serie temporale univariata – ma la complessità aggiuntiva non è un vizio; è la complessità irriducibile già presente nell’azienda stessa.

Lo stack di predictive‑optimization di Lokad è stato spesso definito “complicato”. Confessiamo, con una precisazione: i nostri metodi rispecchiano l’intricata complessità preesistente del retail, della produzione, dell’aviazione, o del petrolio e del gas. Il retail sarebbe banale se ogni prodotto competesse per lo spazio sugli scaffali in splendida isolazione. La produzione sarebbe banale se gli ordini di produzione non competessero mai per macchinari o materie prime condivise. La logistica internazionale sarebbe banale se i container si ridimensionassero magicamente da soli. La realtà si rifiuta di essere così accomodante; fingere il contrario attraverso la sofisticheria delle serie temporali aumenta soltanto il costo.

5. Conclusione

L’analisi delle serie temporali non è sbagliata; è semplicemente insufficiente. Come una mappa bidimensionale di una catena montuosa, può essere utile per compiti ristretti, ma disastrosa se utilizzata per orientarsi nel territorio. Una modern supply chain vive in uno spazio dove clienti, prodotti, fornitori, capacità e vincoli interagiscono in modi che una singola linea temporale non può codificare.

Attenersi alle serie temporali perché sono facili equivale ad un’ abdizione. Ora esistono gli strumenti per affrontare direttamente la complessità delle supply chain, e il vantaggio competitivo che ne deriva cresce ogni trimestre. La domanda non è più se possiamo trascendere la tirannia delle serie temporali, ma se abbiamo il coraggio di costruire organizzazioni che scelgono l’intuizione anziché la comodità.