Driver Economici

Dal punto di vista della Quantitative Supply Chain, i driver economici rappresentano la quantificazione finanziaria degli esiti positivi e negativi di una decisione di supply chain. I driver economici plasmano le sfide dell’ottimizzazione della supply chain trasformandole in problemi di ottimizzazione affrontabili, in cui il criterio di ottimizzazione risulta essere finanziario. Attraverso la quantificazione dei driver economici, diventa possibile valutare i “dollari di errore” associati a decisioni imperfette, originariamente basate su dati imperfetti come le previsioni della domanda. Questi driver economici vengono introdotti come contropartita delle metriche indipendenti dal business, ampiamente utilizzate, come il MAPE (errore percentuale medio assoluto). Tali metriche, indipendenti dal business, sono frequentemente dannose, perché “infastrano” i problemi della supply chain come problemi di ottimizzazione numerica, affidandosi a criteri di ottimizzazione in gran parte arbitrari.

Le previsioni statistiche hanno una visione limitata

Gli strumenti e i metodi di previsione della domanda hanno un obiettivo chiaro: calcolare previsioni più accurate. Le previsioni sono considerate accurate secondo varie metriche note e selezionate per le loro proprietà matematiche e statistiche. Sebbene tali metriche possano essere eccellenti da un punto di vista matematico, sono fondamentalmente agnostiche rispetto al business e ignorano, per loro natura, qualsiasi driver o vincolo specifico del business.

Per quanto controintuitivo possa sembrare, le previsioni statistiche sono fondamentalmente guidate dalla metrica di errore scelta. Scegliere l’MSE (errore quadratico medio) piuttosto che l’MAE (errore medio assoluto) ha conseguenze drastiche sull’accuratezza di un dato modello. A prima vista, potrebbe sembrare che la metrica di errore abbia poco impatto. Dopotutto, un modello di previsione produce la stessa stima della domanda indipendentemente dalla metrica utilizzata in seguito per valutarne il risultato. Tuttavia, qualsiasi azienda che si affida alle previsioni statistiche viene considerata tale da fare scelte – spesso implicite – su quali modelli di previsione utilizzare; e non appena vengono introdotte le misurazioni di accuratezza, l’azienda inizia a favorire i modelli che si comportano meglio in relazione alle metriche sopra menzionate.

Le metriche statistiche generiche (ad es.: MAPE, MAE, MSE, ecc.) non hanno alcuna affinità con il business. In altre parole, queste metriche enfatizzano le percentuali di errore piuttosto che i dollari di errore. Sebbene minimizzare le percentuali di errore possa sembrare una cosa positiva, purtroppo esistono troppi casi contrari. Le metriche statistiche non garantiscono in alcun modo che l’esito finanziario di una decisione derivante da una previsione sia ottimale, o addirittura redditizio. Talvolta, i driver economici risultano essere solo debolmente correlati con le metriche statistiche generiche, ma ciò accade per “caso”, e affidarsi al caso non è una metodologia adeguata per l’ottimizzazione della supply chain. In pratica, questo problema viene tipicamente amplificato dalla natura controintuitiva della maggior parte delle situazioni in cui le metriche puramente statistiche divergono dalle metriche di performance aziendale.

Esempio: Consideriamo un prodotto venduto in un negozio con una media di 1 unità venduta a settimana, con un lead time di 1 giorno (rifornimento quotidiano). La miglior previsione mediana della domanda per questo prodotto per ogni giorno è pari a zero unità. Una previsione media potrebbe aver prodotto una quantità frazionaria di 1/7, ma la previsione mediana indica semplicemente zero. Sebbene la domanda da coprire in 1 giorno sia molto vicina a zero, lo stock effettivo che deve essere mantenuto per servire adeguatamente i clienti è probabilmente molto maggiore; potrebbero essere necessarie 2 o 3 unità per soddisfare le aspettative dei clienti in termini di qualità del servizio. Il problema qui non è che la previsione sia inaccurata, poiché se la domanda è stazionaria e veramente casuale, allora le previsioni appena menzionate sono perfettamente accurate dal punto di vista statistico. Il problema è che sono stati ignorati i driver specifici del business.

Separare le previsioni dall’ottimizzazione della supply chain

I driver economici rappresentano una scomposizione specifica delle sfide dell’ottimizzazione della supply chain, in cui gli aspetti specifici del business – cioè i driver economici – sono separati dagli aspetti agnostici rispetto al business – cioè le previsioni puramente statistiche. In questa sezione, esaminiamo brevemente i benefici di tale separazione, nonché le sue limitazioni.

Per quanto riguarda l’ottimizzazione numerica, esiste un principio generale secondo il quale è sempre preferibile ottimizzare il problema nel suo complesso, piuttosto che ottimizzare singole parti del problema in isolamento. Tuttavia, questo vale solo finché affrontare la sfida dell’ottimizzazione da una prospettiva monolitica risulta tecnicamente fattibile. Eppure, la maggior parte della letteratura sulla supply chain – incluso questo libro – tende a concordare sul fatto che la previsione della domanda è un’impresa complicata che combina statistica, algoritmi, ingegneria del software e, possibilmente, computing distribuito quando è coinvolta una piattaforma di cloud computing. Pertanto, isolare l’aspetto della previsione della domanda della sfida offre la possibilità di fornire previsioni avanzate, senza appesantire la tecnologia con una miriade di considerazioni specifiche del dominio.

Allo stesso modo, si ottiene un vantaggio isolando la logica dell’ottimizzazione della supply chain da quella della previsione della domanda, poiché l’ottimizzazione della supply chain rimane “protetta” dalle complessità tecniche legate alla previsione della domanda. Ciò consente di approfondire ulteriormente i dettagli sottili dei driver economici: limiti sulla capacità di stoccaggio, sconti sui prezzi, costi di stock-out variabili, costi di obsolescenza variabili, ecc. Una comprensione più dettagliata dei driver economici genera decisioni migliori, più allineate ai rischi e alle opportunità di un’azienda.

Esempio: Consideriamo un’azienda che dispone di due magazzini e che serve esattamente le stesse parti da entrambi i magazzini. I due magazzini sono situati nelle vicinanze, ma per abitudine, tutti i clienti tendono a ordinare sempre le parti di cui hanno bisogno dallo stesso magazzino. Quando una parte non è più disponibile in quel particolare magazzino, il personale del magazzino chiama l’altro magazzino per verificare la disponibilità della parte, e se la parte è disponibile, viene poi spedita al magazzino che si trova in esaurimento scorte.

Un caso per la previsione probabilistica

Come abbiamo visto nella sezione precedente, separare la previsione della domanda dall’ottimizzazione del business offre la possibilità di eseguire una strategia di ottimizzazione della supply chain che sfrutta sia analisi predittive avanzate che una visione dettagliata del business stesso. Tuttavia, va notato che nel produrre le previsioni della domanda, il motore di previsione non conosce i fattori specifici del business rilevanti dal punto di vista dell’ottimizzazione della supply chain. Tuttavia, gli scenari di business che hanno il maggiore impatto finanziario sono di solito gli scenari estremi – “estremi” dal punto di vista statistico. Ad esempio, è la domanda inaspettatamente alta che solitamente causa stock-out, mentre è la domanda inaspettatamente bassa che solitamente causa svalutazione dell’inventario.

Gli strumenti classici di previsione pongono grande enfasi sulle previsioni medie o mediane; questo perde completamente di vista il punto di vista del business. Non importa quanto possa essere accurata questo tipo di previsione, se lo scenario di business di interesse si colloca all’estremo statistico, lo strumento di previsione non fornirà la proiezione statistica rilevante per valutare quantitativamente l’output finanziario probabile dello scenario di business. Al contrario, gli strumenti di previsione probabilistica valutano le rispettive probabilità per tutti i possibili livelli di domanda, offrendo così la possibilità di valutare tutti gli scenari di business possibili.

Non sorprende che le previsioni probabilistiche richiedano molte più risorse di calcolo rispetto alle loro controparti classiche a singolo valore, perché, in un certo senso, le previsioni probabilistiche “forzano” la sfida della previsione. Poiché il motore di previsione non conosce gli scenari di business rilevanti da considerare, produce semplicemente una risposta statistica di ampio respiro che copre (approssimativamente) tutti i possibili scenari. In pratica, grazie alla possibilità di accedere a vaste risorse di calcolo a costi molto bassi tramite piattaforme di cloud computing, l’aumento dei requisiti di calcolo necessari per generare previsioni probabilistiche è per lo più irrilevante, a patto che la tecnologia adeguata sia disponibile.

Una breve rassegna dei driver economici comuni

I driver economici definiscono gli esiti positivi e negativi di una decisione di supply chain. Il calcolo di questi esiti richiede l’osservazione effettiva della domanda ancora da osservare, ma se è disponibile una previsione della domanda, gli esiti possono essere simulati a loro volta. I driver economici sono intesi a coprire tutte le implicazioni aziendali derivanti da una decisione, e non solo i risultati finanziari a breve termine. In pratica, definire i driver economici equivale spesso a eseguire calcoli approssimativi che considerano vari scenari di business.

Una delle decisioni più comuni nella supply chain consiste nell’ordinare un’unità in più per un articolo. Se esiste una domanda immediata per l’unità ordinata, l’azienda la servirà con profitto. Ciò rappresenta il guadagno associato alla decisione di ordinare. Se non esiste una domanda immediata per l’articolo, l’azienda dovrà sostenere i costi di gestione del magazzino per stoccare questa unità extra. Ciò rappresenta il costo associato alla decisione di ordinare. Definire i driver economici per una decisione di ordinazione consiste nello riportare sia i guadagni risultanti sia i costi risultanti della decisione per un dato scenario di domanda.

Oltre ai guadagni e ai costi, i vincoli determinano anche il range delle decisioni accettabili nella supply chain:

Capacità di stoccaggio : I negozi e i magazzini hanno capacità massime, impedendo qualsiasi ordinazione aggiuntiva che superi una certa quantità di scorte.
MOQs : I fornitori accettano solo ordini che superano le quantità minime d’ordine - espresse, ad esempio, in numero di unità o in importo ordinato. Tali MOQs possono inoltre essere interpretate e modellate come costi fissi sugli ordini d’acquisto dei fornitori.
Costi di capitale : L’azienda ha accesso limitato alla liquidità e, pertanto, deve limitare l’allocazione di capitale per l’inventario. Ottenere accesso a maggiori capitali può richiedere molto tempo per la direzione aziendale, e potrebbe non essere in linea con le sue orientazioni strategiche.
Capacità di trasporto : Quando si importano merci dall’estero, gli ordini potrebbero dover essere dimensionati in modo da adattarsi esattamente a un container. I container hanno sia un peso massimo che un volume massimo. I container possono essere interpretati anche come una forma di costo fisso sugli ordini d’acquisto.

I driver economici devono tener conto di tutti i vincoli sopra menzionati, e di molti altri in pratica. Se i vincoli non vengono considerati, allora il sistema che combina le previsioni della domanda con i driver economici suggerirebbe decisioni che probabilmente non potrebbero essere eseguite nella realtà, come cercare di riempire un magazzino oltre la sua capacità di stoccaggio.

La prospettiva di Lokad sui driver economici

Lokad offre un motore di previsione probabilistica. Sebbene i dati debbano essere opportunamente qualificati e sanitizzati prima di essere immessi nel motore di previsione, il nostro motore permetterà di automatizzare l’intera operazione di previsione statistica senza alcuna configurazione statistica. Il motore di previsione di Lokad funziona subito, senza necessità di ulteriori interventi, per numerosi settori (commercio, manifatturiero, aerospaziale …).

Tuttavia, i driver economici sono incredibilmente diversi. Per gestire tale diversità, Lokad ha introdotto Envision, un linguaggio di programmazione specifico per il dominio, dedicato all’ottimizzazione della supply chain. L’output visibile di Envision consiste nella produzione di dashboard, tuttavia, la funzione primaria di Envision è quella di integrare i driver economici nelle previsioni tramite script, in modo che le decisioni ottimizzate – ad esempio, le quantità da riordinare oggi – possano essere calcolate automaticamente.

La corretta combinazione dei driver economici e delle previsioni probabilistiche richiede politiche in grado di sfruttare tali dati. Ad esempio, la politica di ordinazione per priorità è particolarmente adeguata per fornire le quantità da ordinare che bilanciano pienamente i rischi di inventario del business con le previsioni della domanda.

In pratica, rivedere e formalizzare i driver economici, combinare questi driver con le previsioni probabilistiche, qualificare e sanitizzare i dati storici, generare decisioni ottimizzate che corrispondano all’insieme esatto dei vincoli aziendali applicabili; tutte queste attività sono svolte dal team di Lokad attraverso un abbonamento mensile a un servizio di ottimizzazione delle scorte.