Quando la ricerca operativa incontra la reale supply chain

Joannes Vermorel

La maggior parte delle persone che sente dire che lavoro sulla “quantitative supply chain” presume che io stia facendo ricerca operativa. In un certo senso hanno ragione: tengo profondamente ai modelli matematici, all’ottimizzazione e all’utilizzo dei dati per supportare le decisioni. Eppure, negli ultimi due decenni, lavorando con aziende che spaziano dalla moda all’aerospaziale, mi sono allontanato notevolmente dalla cultura dominante della ricerca operativa.

Nel mio recente libro Introduzione alla supply chain, ho cercato di riunire in un unico luogo il modo in cui ora concepisco i flussi di merci, l’incertezza e le decisioni. Questo saggio è un accompagnamento più mirato: vorrei spiegare come è evoluta la mia visione, perché vedo la supply chain prima come economia applicata piuttosto che come matematica applicata, e in che modo ritengo che l’attuale ricerca operativa aiuti e allo stesso tempo fuorvii i professionisti.

Ciò che la ricerca operativa promise

Storicamente, la ricerca operativa aveva una missione meravigliosamente pragmatica. Durante la Seconda Guerra Mondiale, scienziati e ingegneri furono radunati in team ad‑hoc per aiutare gli operatori radar, i pianificatori di convogli e i comandanti dei bombardieri a prendere decisioni migliori. Il primo manuale di Morse e Kimball definiva il campo come “un metodo scientifico per fornire ai dipartimenti esecutivi una base quantitativa per le decisioni riguardanti le operazioni sotto il loro controllo.” Le parole importanti qui sono “operazioni” e “decisioni.” L’obiettivo non era dimostrare teoremi; era cambiare ciò che le flotte e le fabbriche facevano effettivamente lunedì mattina.

Questo spirito è sopravvissuto nei primi decenni del dopoguerra. La ricerca operativa veniva ancora descritta come un approccio scientifico e quantitativo al processo decisionale, in cui costruiamo modelli di situazioni reali e li utilizziamo per guidare l’azione. Riassunti moderni di organizzazioni come l’IFORS sottolineano ancora questa visione: la ricerca operativa applica analisi dei dati, modellizzazione matematica e ottimizzazione per aiutare i manager a scegliere tra le alternative. Sulla carta, questo è quasi esattamente ciò che desidero per la supply chain.

Ma il modo in cui queste idee vengono solitamente tradotte in pratica oggi sembra molto diverso.

Come appare il mainstream dalla scrivania di un operatore della supply chain

Quando incontro persone formate in ricerca operativa, di solito concordiamo sulla struttura di un problema. Ci sono decisioni da prendere (cosa acquistare, produrre, spostare, prezzare), vincoli da rispettare (capacità, normative, tempi di consegna) e un obiettivo da ottimizzare. Nei manuali e in molti incarichi di consulenza, questo diventa un modello familiare: definire le variabili decisionali, scrivere i vincoli, scegliere un obiettivo e affidare tutto a un risolutore generico. La programmazione lineare e quella a numeri interi misti sono gli strumenti centrali; simulazioni ed euristiche ruotano intorno ad essi.

Non c’è nulla di intrinsecamente sbagliato in questo modello. Brilla in problemi come il design di rete o la pianificazione strategica della capacità, in cui si desidera davvero scegliere una configurazione una volta sola e viverci per anni. Ha anche senso in contesti industriali fortemente vincolati, dove la fisica reale è ben compresa e l’incertezza è modesta.

I problemi iniziano quando questo stesso modo di pensare viene applicato, quasi invariato, a supply chains altamente dinamiche e incerte: e‑commerce, moda, ricambi, elettronica di consumo, alimentari. In tali ambienti vedo regolarmente tre fallimenti.

In primo luogo, la funzione obiettivo è raramente espressa in termini monetari. Ottimizziamo il costo in funzione di un livello di servizio obiettivo, oppure massimizziamo un punteggio di servizio soggetto alla capacità, o minimizziamo l’errore di previsione come se questo avesse valore intrinseco. Spesso manca un unico libro mastro monetario in cui stockouts, overstock, gestione, capitale e tutti gli altri costi e benefici siano espressi in unità comparabili. Senza un tale libro mastro, le persone discutono eternamente sui “trade‑offs”, senza che nessuno riesca a arbitrarli davvero.

In secondo luogo, l’incertezza viene gestita come un ripensamento. Le previsioni sono formulate come numeri singoli, e ogni riconoscimento della variabilità viene inglobato in fattori di sicurezza o buffer scelti più per abitudine che per un’adeguata calibrazione. Tuttavia, nella maggior parte delle aziende che incontro, il profitto o la perdita di una stagione è determinato da eventi relativamente rari: una tendenza inaspettatamente calda, uno sciopero in un fornitore chiave, un periodo di maltempo al momento sbagliato. Ridurre l’incertezza a un singolo valore “più probabile” e a un sottile strato di sicurezza è un modo educato per fingere che questa realtà non esista.

In terzo luogo, il tempo viene trattato come un orizzonte di pianificazione anziché come una sequenza di opportunità per riconsiderare. Costruiamo un piano mensile o trimestrale, eseguiamo una grande ottimizzazione nel corso della notte e poi trattiamo il risultato come un copione da seguire. Il fatto che domattina sapremo di più rispetto a oggi, e che in linea di principio potremmo ricalcolare l’ottimizzazione, viene riconosciuto ma non sfruttato sistematicamente.

Da una certa distanza, tutto ciò appare ancora come ricerca operativa. Dal punto di vista di un operatore della supply chain, risulta stranamente distaccato dai problemi che effettivamente generano o causano perdite di denaro.

Perché inquadro la supply chain come economia applicata

La mia formazione è in matematica e informatica, e per molti anni ho cercato di affrontare i problemi della supply chain con il toolkit standard: previsioni, scorte di sicurezza, minimizzazione dei costi, vincoli di servizio, algoritmi ingegnosi. Piano piano, cliente dopo cliente, è diventato evidente che stavo risolvendo il problema sbagliato.

Quello con cui i professionisti della supply chain lottano davvero non è la mancanza di modelli; è la mancanza di una prospettiva economica chiara. Essi dispongono di risorse che sono scarse e versatili: inventario che può essere destinato a molteplici usi, macchinari che possono produrre varie cose, trasporti che possono servire più canali. Ogni giorno si trovano di fronte a più azioni possibili di quante possano enumerare. Operano sotto una profonda incertezza, specialmente per quanto riguarda la domanda e i tempi di consegna. E alla fine vengono giudicati in termini monetari.

Una volta accettato ciò, la supply chain inizia a sembrare molto meno un ramo della matematica applicata e molto più un ramo dell’economia applicata. La domanda centrale diventa: dato ciò che sappiamo e ciò che possiamo ragionevolmente aspettarci, quali azioni di oggi sono destinate a creare più valore economico di quanto ne distruggano?

Questa visione ha conseguenze pratiche.

Cerco di esprimere ogni importante compromesso in termini monetari, anche se i prezzi sono inizialmente approssimativi. Il dolore delle vendite perse, il costo dell’obsolescenza, il valore della freschezza, l’onere del capitale circolante, il fastidio della congestione in un molo: tutto ciò può essere tradotto in prezzi per unità o per intervallo di tempo. Una volta messi su una scala unica, possiamo lasciare che la matematica faccia il suo lavoro e classifichi le decisioni candidate in base al contributo atteso.

Inoltre, insisto nel modellare l’incertezza in modo esplicito ovunque sia rilevante. Invece di trattare la domanda come una previsione puntuale più un fattore di sicurezza, desidero ottenere un’intera distribuzione dei possibili esiti futuri. Lo stesso vale per i tempi di consegna, i resi, l’affidabilità dei fornitori, e talvolta persino per i prezzi. Questo non deve essere esoterico. Semplici modelli probabilistici, ben calibrati, cambiano già in modo drastico le decisioni, perché ci permettono di vedere dove si posizionano le code della distribuzione – quegli scenari più rari ma costosi.

Infine, considero le decisioni nella supply chain come scommesse ripetute piuttosto che piani isolati. Ogni giorno arrivano nuove informazioni: vendite, ritardi, interruzioni, opportunità. La domanda giusta non è “Qual è il piano ottimale per il prossimo trimestre?” ma “Dato ciò che sappiamo ora, e vista una ragionevole prospettiva su come il futuro potrebbe svilupparsi, quali impegni dovremmo prendere oggi e quali dovremmo rimandare fino a saperne di più?” La capacità di dire “non ancora” e di lasciare risorse non impegnate è di per sé un’opzione preziosa.

Una volta inquadrata in questo modo, la ricerca operativa è ancora presente nella supply chain, ma in un ruolo diverso.

Dai risolutori ai motori decisionali

La ricerca operativa tradizionale spesso pone il risolutore come centro di gravità. Formuliamo un programma matematico, lo inviamo a un risolutore generico e giudichiamo il nostro successo in parte dalla dimensione e complessità dei problemi che riusciamo ad affrontare. Più intricati sono i vincoli e più sofisticato è l’algoritmo, tanto più ci sentiamo di successo.

Nel mio lavoro quotidiano, trovo più efficace trattare il risolutore come un componente di un più ampio “motore decisionale.” Questo motore ha diverse responsabilità.

Deve elaborare dati aziendali disordinati e incoerenti e trasformarli in una visione coerente del mondo: quali prodotti esistono, dove si trovano, come sono strutturati i tempi di consegna, quali sono gli impegni attuali. Deve produrre viste probabilistiche delle incertezze rilevanti: domanda, offerta, resi, tempi di trasporto. Deve mantenere un libro mastro monetario di tutti i costi e benefici importanti, con una chiara attribuzione per ciascun prezzo. E deve produrre decisioni concrete e leggibili dalla macchina: ordini di acquisto, trasferimenti, ordini di produzione, variazioni di prezzo.

All’interno di questo motore utilizziamo assolutamente algoritmi di ottimizzazione, inclusi quelli classici. Ma non sono più l’eroe della storia. Altrettanto importanti sono le scelte su cosa prezzare, cosa trattare come vincolo rigido, cosa considerare come penalità flessibile, con quale frequenza ricalcolare, come attribuire le conseguenze delle decisioni nel tempo e quando rifiutarsi di agire perché l’incertezza è troppo elevata.

Visto in questo modo, le questioni interessanti di progettazione sono più vicine all’economia e all’architettura del software che alla pura algoritmica. Come facciamo a garantire che ogni importante compromesso all’interno del sistema sia espresso in termini monetari? Come assicuriamo che il motore possa essere messo alla prova dall’esperienza, che le decisioni errate siano tracciabili fino alle ipotesi che possiamo esaminare e rivedere? Come rendiamo economico condurre esperimenti – motori sfidanti contro quelli incumbenti – in modo da poter apprendere cosa funziona veramente in un determinato business?

Queste non sono domande che la ricerca operativa ignora, ma non sono nemmeno centrali nel modo in cui le istituzioni del settore si presentano oggi.

Un disaccordo costruttivo: decisioni sequenziali

Negli ultimi anni, Warren Powell ha promosso la “Sequential Decision Analytics”, un quadro concettuale che cerca di unificare le numerose sfaccettature dell’ottimizzazione stocastica, del reinforcement learning e della teoria del controllo sotto un unico ombrello per le decisioni nel tempo. Ho scritto separatamente su dove concordo con questo approccio e dove invece differisco.

In generale, condividiamo la convinzione che la maggior parte dei problemi aziendali interessanti siano sequenziali: si prende una decisione, il mondo si muove, si osserva e poi si decide nuovamente. Dove divergo è nel dare enfasi al pricing (valutazioni) come strumento primario per comprimere il futuro in qualcosa di gestibile.

Nella supply chain, spesso si può “comprare” la complessità delle conseguenze a lungo termine scegliendo oggi shadow prices appropriati. Ad esempio, se servire un cliente oggi esaurisce l’inventario che potrebbe essere più prezioso per un altro cliente domani, quella tensione dovrebbe manifestarsi come un prezzo sul mantenimento dell’inventario, o sul suo consumo, e non come un gigantesco albero di scenari che si estende per mesi. Naturalmente, tali prezzi sono imperfetti. Ma la disciplina di esprimerli in termini monetari stimola conversazioni utili: chi è disposto ad accettare quale compromesso e perché?

L’analisi decisionale sequenziale, per come la intendo io, tende a iniziare con un modello ricco di stati, azioni, transizioni e obiettivi, per poi cercare politiche all’interno di quella struttura. La mia pratica inizia un passo prima: con un’argomentazione su cosa dovrebbe essere prezzato, cosa dovrebbe rimanere come un vincolo reale e per quanto tempo terremo una data decisione responsabile delle sue conseguenze. Una volta fatte queste scelte, la natura sequenziale del problema spesso diventa molto più gestibile.

Non vedo ciò come un rifiuto del quadro generale, ma piuttosto come una posizione particolare, guidata dalla supply chain, al suo interno.

Dove questo lascia la ricerca operativa

Dall’esterno potrebbe sembrare che io sia contrario alla ricerca operativa. Non lo sono. Vedo ancora un enorme valore nei suoi strumenti e nella sua ambizione storica di supportare decisioni reali. Credo semplicemente che, in molti contesti di supply chain, il campo sia divenuto eccessivamente legato a modelli troppo deterministici, troppo statici e troppo disconnessi dall’economia reale delle aziende che dovrebbe aiutare.

Se torniamo all’aspirazione originale – quella di fornire una base quantitativa per le decisioni operative – allora penso che dobbiamo fare tre cose in modo diverso.

Dobbiamo trattare il denaro, non KPI astratti, come il linguaggio primario dei compromessi. Dobbiamo prendere sul serio l’incertezza, non come termine d’errore ma come input di prima classe. E dobbiamo accettare che la maggior parte dei nostri problemi interessanti non sono ottimizzazioni isolate, bensì sequenze continue di scommesse, in cui la capacità di riconsiderare e adattarsi è importante quanto qualsiasi soluzione singola che calcoliamo oggi.

In questo senso, il mio lavoro non è una fuga dalla ricerca operativa, ma un tentativo di riconnetterla con la realtà disordinata, incerta e profondamente economica delle moderne supply chains.