Il posizionamento in magazzino è economia applicata, non saggezza comune
Il posizionamento in magazzino è solitamente presentato come un esercizio di buon senso. Metti i prodotti a rapido movimento vicino al percorso, tieni i beni fragili lontani dal pericolo e non rendere il rifornimento più difficile di quanto già non sia. Tutto ciò è sensato. Nessuna di queste misure è sufficiente. Un’area di picking in primo piano è una risorsa scarsa, e ogni sua assegnazione esclude un altro impiego dello stesso lavoro, spazio e stock. Una volta compreso chiaramente questo aspetto, il posizionamento appare per quello che è: una sequenza di scelte economiche effettuate all’interno del magazzino. Il prelievo degli ordini è anche una delle attività più dispendiose in termini di risorse nei magazzini, ed è per questo che piccoli errori nella collocazione si riflettono pesantemente sul costo del lavoro.
Ho esposto la versione più ampia di questo argomento in Introduction to Supply Chain, in particolare nei capitoli 1, 5, 6 e 8. Il software per supply chain dovrebbe elaborare record, ragionare in condizioni di incertezza ed emettere decisioni che possano essere giudicate in base a profitti e perdite anziché alla correttezza della procedura. Il posizionamento merita lo stesso trattamento. L’obiettivo è classificare le posizioni candidate in base al rendimento economico atteso, una volta che tempo di percorrenza, congestione, fragilità e operazioni di rifornimento sono stati tutti valutati in moneta.
Il tempo di percorrenza è il termine ovvio nell’equazione. Il prelievo degli ordini assorbe lavoro, e l’assegnazione degli spazi di stoccaggio interagisce strettamente con il percorso. Una posizione che accorcia la distanza per uno SKU popolare potrebbe allungare il percorso dell’intera ondata o costringere a un maggior traffico trasversale nel corridoio sbagliato. Il tempo di percorrenza va considerato nella valutazione, ma il quadro completo è molto più ampio. Gli studi accademici sull’assegnazione degli spazi e sull’ottimizzazione dei percorsi dei prelevatori hanno trattato i due problemi come fortemente interconnessi, per una buona ragione.
Anche la congestione va considerata. Così pure la fragilità. Un piano di posizionamento può sembrare impeccabile con una domanda media e disfarsi nel momento in cui alcuni articoli molto richiesti aumentano insieme, un rifornimento arriva in ritardo o due corsie si saturano contemporaneamente. Le perdite si manifestano con straordinari, interventi manuali, rifornimenti affrettati e partenze mancate. Si tratta di perdite di routine, non di eventi spettacolari, ed è proprio per questo che la pianificazione deterministica tende a nasconderle. Qualsiasi sistema che tratti la congestione come un ripensamento o la fragilità come pura sfortuna sta semplicemente lasciando denaro sul tavolo.
Il costo del rifornimento chiude il cerchio. Ogni slot in primo piano è anche una promessa di futuri lavori interni. Una posizione che fa risparmiare secondi nell’area di picking e raddoppia le operazioni di rifornimento potrebbe rivelarsi un cattivo affare. Oracle evidenzia questo collegamento: il suo Reslotting Workbench riallinea le posizioni in base alle classifiche di velocità degli articoli e genera compiti di rifornimento a partire dagli squilibri. Microsoft descrive una catena simile attraverso livelli di unità di misura, template, direttive e operazioni di rifornimento, una volta stabilito il piano di posizionamento. Entrambe le linee di prodotto riconoscono questa interconnessione. Nessuna delle descrizioni pubbliche mostra un motore economico che classifica tali effetti accoppiati in condizioni di incertezza.
L’incertezza è il problema fondamentale. Gli ordini di domani non sono noti. Né lo sono i co-prelievi, i conflitti tra corsie, le interruzioni nel rifornimento, la durata delle attività o gli incidenti di danno. Se un sistema di posizionamento si affida a previsioni puntuali o alle classi ABC, come se fossero sufficienti, attenua proprio i picchi che generano i costi. La media è una cortese finzione. I magazzini pagano il conto nelle estremità. Lo stesso difetto appare ovunque nella supply chain: una previsione puntuale produce una matematica ordinata e impegni deboli, perché cancella la forma del futuro.
Pertanto, un vero motore di posizionamento necessita di previsioni probabilistiche, non solo del volume della domanda, ma anche della composizione degli ordini, dei co-prelievi, dei tempi di rifornimento e delle attrizioni lavorative. Occorre quindi una routine decisionale che elabori effettivamente tali distribuzioni e classifichi le mosse in base al rendimento atteso, aggiustato per il rischio. Ho poca pazienza per la terminologia qui. “Ottimizzazione stocastica” è un’etichetta appropriata. Il concetto è più semplice della frase: le distribuzioni entrano ed escono mosse classificate economicamente. Una volta rimossa l’incertezza dalla formulazione del problema, la parola “ottimizzazione” diventa ornamentale.
Cosa fa effettivamente il software
Una volta adottato questo standard minimo, gran parte del gergo di mercato diventa più facile da interpretare. SAP EWM descrive il posizionamento come la determinazione dei parametri di stoccaggio reinseriti nel product master, con record di condizioni a guidare il risultato. La variante basata su machine-learning di SAP è presentata come un modo per derivare automaticamente le regole di posizionamento dai dati di configurazione del magazzino e dal product master. Questo può ridurre lo sforzo di configurazione. Tuttavia, il discorso risulta ancora simile alla generazione di regole per un sistema di dati anagrafici, e non come un ottimizzatore probabilistico che decide il miglior impiego successivo di un’area di picking scarsa.
Oracle è altrettanto esplicito. Il suo materiale attuale si concentra su classifiche di velocità degli articoli, squilibri nelle classifiche, visualizzazioni KPI, filtraggio, ordinamento e generazione di compiti di rifornimento. Microsoft ruota attorno alla consolidazione della domanda, alle linee di template, ai codici direttivi e alle strategie di rifornimento come la quantità d’onda della domanda e la capacità massima della posizione. Questi sono strumenti per mantenere un regime di posizionamento. Non rappresentano, secondo il record pubblico che ho esaminato, una rivelazione di trade-off stocastici a grana fine tra posizionamenti concorrenti.
I fornitori di magazzino più avanzati meritano un’interpretazione più equa. Manhattan parla di un valore relativo per ogni potenziale posizionamento e del confronto tra milioni di combinazioni di spostamento secondo strategie configurate dall’utente. Blue Yonder parla di segnali di domanda, percorsi di percorso, ottimizzazione continua, mosse a maggior valore e integrazione con il rifornimento e la pianificazione del lavoro. Lucas parla di raccomandazioni basate su machine-learning, costruite sulla velocità degli SKU, sull’affinità, sui percorsi di picking, sui tempi di compito previsti e su mosse orientate al ritorno economico. Questo è più vicino alla realtà. Almeno il linguaggio riconosce la classifica anziché la mera immissione di dati.
Tuttavia, le descrizioni pubbliche si fermano dove inizia la parte difficile. Dalle pagine che ho esaminato, nessuno di questi fornitori spiega le distribuzioni di probabilità che guidano la decisione di posizionamento, l’obiettivo economico usato per arbitrare il tempo di percorrenza contro la congestione e il rifornimento, o il modo in cui viene penalizzata la fragilità. Blue Yonder pubblicizza previsioni probabilistiche altrove nella sua suite di pianificazione, il che è un utile segnale di consapevolezza tecnica, tuttavia la sua pagina sul posizionamento non rivela se tali distribuzioni siano integrate nel motore di posizionamento stesso. Le evidenze pubbliche sono ciò che un acquirente può ispezionare prima che il ciclo di vendita si dissolva in promesse, perciò sono lo standard che utilizzo.
Le discussioni sui “milioni” o “miliardi” meritano ben poca riverenza. Il numero di mosse candidate ci dice quasi nulla sulla qualità della decisione. La parte difficile non è enumerare le possibilità, ma assegnare a ciascuna una solida valutazione economica in condizioni di incertezza. Lo spazio di ricerca è economico, ma un posizionamento corretto ha un costo elevato. Quando il marketing si concentra sulla dimensione dello spazio di ricerca, o su slogan riguardanti “miliardi di decisioni”, di solito significa che la valutazione è molto più difficile da spiegare.
Gli indizi ingegneristici
C’è un altro indizio, più antico della moda attuale dell’IA. Quando un prodotto è organizzato attorno a moduli, dati anagrafici, flussi di lavoro, linee di template e conferme quotidiane, sta annunciando la sua origine. È prima di tutto un registro. Questo è il disegno giusto per registrare i movimenti di stock, ma è il centro di gravità sbagliato per una ricerca numerica approfondita. Ho sostenuto per anni che una forte ottimizzazione appartiene al di fuori del registro, perché i sistemi di dati anagrafici e i sistemi di intelligence trascinano l’architettura in direzioni opposte. Il segnale è visibile nei materiali pubblici stessi: aggiornamenti del product-master, record di condizioni, workbench ricercabili, visualizzazioni KPI, template, direttive e oggetti di configurazione clericale ovunque.
Un fornitore potrebbe collegare un ottimizzatore serio a un nucleo relazionale, pesante di operazioni CRUD? In teoria, sì. In pratica, quasi mai. Vince il database, i moduli si moltiplicano e l’ottimizzatore diventa un annesso decorativo. SAP HANA è un database relazionale costruito per eseguire transazioni e analisi insieme. Manhattan Active funziona su Cloud SQL per MySQL. Entrambe le tecnologie sono rispettabili come basi transazionali. La loro presenza mi indica che una larga parte dello sforzo ingegneristico è ancorata principalmente all’affidabilità transazionale. Ciò limita fortemente ciò in cui sono disposto a credere quando la stessa famiglia di prodotti in seguito afferma un’ottimizzazione autonoma senza mostrare la logica decisionale.
I materiali pubblici si leggono di conseguenza. SAP scrive i risultati del posizionamento nel product master. Oracle mette in evidenza un’interfaccia workbench con campi ricercabili e visualizzazioni KPI. Microsoft ruota attorno a template, direttive e strategie di rifornimento. La storia pubblica del WMS di Manhattan enfatizza una piattaforma microservizi nativa per il cloud, mentre un caso di Google Cloud descrive la stessa famiglia Active che funziona su Cloud SQL per MySQL. Nulla di tutto ciò rende il software inutile. Spiega perché così tanti prodotti enterprise eccellono nell’immissione dei dati e nell’applicazione dei processi, pur dicendo poco sulla logica di dettaglio che realmente alloca la risorsa scarsa.
I suite di pianificazione più ampie solitamente evitano del tutto la questione dell’area di picking. RELEX enfatizza pubblicamente le previsioni basate su machine-learning, la pianificazione probabilistica per il rifornimento e i planogrammi guidati dall’IA. Kinaxis punta sull’orchestrazione, sull’analisi degli scenari, sulle intuizioni sull’inventario e sui dashboard. o9 pone l’accento sulle previsioni AI/ML e su una piattaforma di pianificazione end-to-end con slogan riguardanti decisioni sincronizzate e ottimizzate. Queste capacità possono essere preziose nei rispettivi ambiti. Tuttavia, secondo il record pubblico che ho esaminato, non costituiscono un motore di posizionamento per magazzino che classifica i posizionamenti individuali in base a un rendimento economico stocastico.
Cosa potrebbe persuadermi? Molto poco teatro, per cominciare. Cercherei distribuzioni anziché valori puntuali, penalità economiche esplicite invece di proxy KPI, un registro decisionale che mostri perché una mossa ha superato un’altra e un motore che produca azioni con poca necessità di interventi clericali. Il software dovrebbe indicare chiaramente quali incertezze sono modellate, quali sono valutate e quali rimangono fuori campo. In assenza di ciò, lo “slotting potenziato dall’IA” è solitamente una schermata di raccomandazioni con un branding migliore.
Il posizionamento merita la stessa serietà di prezzi, acquisti e allocazione dell’inventario. Un’area di picking è capitale in forma fisica. La domanda è: a chi viene assegnato questo capitale oggi e quale optionalità viene persa quando viene impegnato? Tale questione appartiene all’economia in condizioni di incertezza. Tutto il resto decora l’involucro clericale che lo circonda.
