FAQ: Glossario

L’approccio di Lokad nell’ottimizzazione delle decisioni della supply chain sfrutta diverse prospettive e strumenti provenienti da vari campi, non solo dalla supply chain stessa. Questi includono, tra gli altri, machine learning (ML), intelligenza artificiale (AI), previsione probabilistica, filosofia ed economia. Di conseguenza, la nostra terminologia è influenzata da una moltitudine di discipline. Questa pagina è intesa a fornire una spiegazione su come (e perché) Lokad utilizzi questi termini nel contesto dell’ottimizzazione della supply chain, oltre alla specifica sfumatura che intendiamo trasmettere nel loro utilizzo.

Pubblico destinatario: I reparti della supply chain e/o della pianificazione.
Ultima modifica: Maggio 2024

Cosa significa “Supply Chain”?

Per Lokad, la supply chain è sia una pratica che un campo di studi che può essere definito come segue:

supply chain è la padronanza dell’opzionalità in presenza di variabilità nella gestione del flusso di merci fisiche.

Optionalità si riferisce alla capacità di scegliere la “opzione” giusta tra molte alternative in competizione. Questa unica “opzione” selezionata diventa la “decisione”. Tutte le decisioni che plasmano il flusso di merci fisiche sono considerate, come ad esempio ordini di riapprovvigionamento, ordini di produzione e variazioni di prezzo. Inoltre, optionalità fa riferimento anche al rendere le opzioni disponibili sin dall’inizio. Ad esempio, investire risorse per identificare fornitori alternativi ha l’intento di creare ulteriori opzioni per l’azienda.

Variabilità si riferisce all’incertezza irreducibile associata allo stato futuro del mercato, cioè le condizioni possono mutare in modo significativo da un momento all’altro. Questo perché le supply chain sono, per definizione, esposte a forze che non possono essere completamente controllate dall’azienda. Queste forze includono la domanda dei clienti, i prezzi delle commodity, i tempi di consegna dei fornitori, ecc. Pertanto, qualunque metodo o strumento utilizzato per scopi legati alla supply chain deve affrontare frontalmente il problema della conoscenza imperfetta e del rischio, intrinseci alle supply chain.

Infine, il flusso di merci fisiche è fondamentale e distingue la padronanza della supply chain, a differenza, ad esempio, del trading finanziario. Le supply chain sono, per loro natura, vincolate dalla loro natura fisica – gli stakeholder (ad es., clienti, fornitori, grossisti, trasportatori, produttori, ecc.) sono distribuiti geograficamente. Qualsiasi metodo o strumento utilizzato per collegare questi stakeholder deve affrontare direttamente (e adeguatamente) le numerose restrizioni che tipicamente si presentano. Esempi di tali restrizioni sono la Quantità Minima d’Ordine (MOQ), il Valore Minimo d’Ordine (MOV), i carichi completi di camion, lo spazio limitato nei magazzini e la capacità complessiva di un’azienda di gestire gli ordini in entrata/uscita, ecc.

Cos’è la “prospettiva mainstream della supply chain”?

La prospettiva mainstream della supply chain (MSCP), o la prospettiva classica della supply chain, si riferisce a diverse assunzioni e pratiche errate che si incontrano tipicamente, tra cui:

• MSCP assume che il futuro sia perfettamente conoscibile. Metodi, come la previsione classica delle serie temporali, tentano di esprimere il futuro come un singolo valore (ad es., domanda, resi, tassi di scarto, tempi di consegna, ecc.). Questo è errato perché il futuro è, per sua natura, inconoscibile (cioè, l’incertezza futura non può essere completamente eliminata con le previsioni). Pertanto, identificare un solo valore futuro è subottimale da una prospettiva di gestione del rischio (poiché mancano le dimensioni di probabilità).

• MSCP assume che la supply chain stessa non sia soggetta a comportamenti avversi. In nessun momento la MSCP considera che gli stakeholder (ad es., dipendenti, clienti, fornitori, partner, concorrenti, ecc.) possano avere propri interessi, e che tali interessi possano influenzare negativamente la loro supply chain.

• MSCP assume l’osservabilità. La realtà è che ogni grande azienda opera attraverso un paesaggio applicativo esasperantemente opaco (applicazioni software), rendendo così l’osservazione diretta della supply chain estremamente difficile.

• MSCP manca di falsificabilità. È immune alla realtà. Per quanto pessime possano essere in pratica le tecniche elencate nei manuali mainstream o nelle presentazioni dei fornitori, nessuna di esse può essere smentita dal feedback del mondo reale.

Dal 2024, la maggior parte delle grandi aziende ha implementato diverse soluzioni di ottimizzazione della supply chain fin dagli anni ‘80, eppure molte (se non la maggioranza) di queste aziende operano ancora con i fogli di calcolo. Questo è un altro aspetto chiave della MSCP: i fornitori di software sono diventati maestri nello spostare la colpa, incolpando invariabilmente i professionisti della supply chain per l’incapacità di “seguire il processo” o “utilizzare parametri adeguati”.

Tuttavia, la realtà è più semplice: la teoria della MSCP in sé non funziona, e i professionisti della supply chain tornano ai loro fogli di calcolo perché, qualunque siano le euristiche grezze in loro possesso, queste (sebbene lontane dalla perfezione) superano i “metodi sofisticati” presenti nei manuali della MSCP.

È proprio per questo che Lokad ha intrapreso una rifondazione della supply chain nel 2011, sia come campo di studio che come pratica. Ci riferiamo a questa riforma come Quantitative Supply Chain.

La MSCP è perfettamente rappresentata da una serie di manuali classici:

• Production and Operations Analysis, Seventh Edition, by Steven Nahmias and Tava Lennon Olsen, 2015
• Inventory and Production Management in Supply Chains, Fourth Edition, by Edward A. Silver, David F. Pyke, and Douglas J. Thomas, 2016
• Fundamentals of Supply Chain Theory, Second Edition, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

Che cos’è il “Demand Planning”?

Dalla prospettiva mainstream della supply chain, il demand planning è l’insieme dei processi utilizzati da un’azienda per quantificare la domanda futura. L’intuizione implicita che sostiene il demand planning è che, una volta valutata con precisione la domanda futura, una gestione adeguata della supply chain sia principalmente una questione di corretta e tempestiva allocazione delle risorse in modo che l’azienda fornisca “quanto basta” per il mercato.

I processi di demand planning includono tecniche retrospettive, come l’analisi statistica delle vendite storiche e la previsione delle serie temporali ad esse associate. Include anche tecniche prospettiche, come la collaborazione con il reparto vendite e marketing per affinare i numeri basandosi sugli obiettivi stabiliti dalla stessa azienda.

Tuttavia, dalla prospettiva della Quantitative Supply Chain (QSC) di Lokad, il demand planning è un concetto antiquato che non ha posto nella supply chain moderna. Al contrario, la QSC afferma che l’esecuzione della supply chain debba essere robotizzata, guidata da ricette numeriche che tipicamente prevedono una fase di modellazione predittiva, seguita da una fase di ottimizzazione stocastica.

La fase di modellazione predittiva comprende tutti gli aspetti della “forecasting”, non solo in riferimento alla domanda futura, ma anche a tutte le altre fonti di incertezza (ad es., tempi di consegna futuri, prezzi futuri delle commodity, resi futuri dei clienti, ecc.). La fase di ottimizzazione stocastica comprende invece tutte le parti legate al “processo decisionale” (ad es., scegliere le quantità da riordinare, allocare lo stock disponibile attraverso la rete di vendita, riprezzare) – qualcosa che tradizionalmente viene tenuto separato dal demand planning.

Il demand planning è superato per diversi motivi.

Innanzitutto, si assume che le persone debbano essere coinvolte nell’esecuzione della “valutazione quantitativa del futuro”. Questo è una totale perdita di tempo ed energia. Le persone dovrebbero certamente essere coinvolte nella creazione delle ricette numeriche che supportano i modelli predittivi (come nel ruolo dei Supply Chain Scientists di Lokad). Tuttavia, i modelli predittivi dovrebbero operare in completa autonomia, poiché non vi è alcun valore aggiunto nel far interferire manualmente le persone in un processo che tipicamente genera migliaia – se non milioni – di numeri ogni giorno.

In secondo luogo, poiché il “manual demand planning” è già lento e costoso, le aziende solitamente non dispongono di risorse sufficienti per affrontare tutte le altre fonti di incertezza (ad es., tempi di consegna, resi, qualità, ecc.). Pur essendo fondamentale valutare la domanda futura, questa non è l’unica fonte di incertezza. I tempi di consegna futuri, i prezzi futuri delle commodity, i prezzi futuri dei concorrenti, i resi futuri dei clienti, ecc., sono altre fonti chiave di incertezza che devono essere quantificate.

In conclusione, il demand planning rappresenta una prospettiva superata su come orchestrare le supply chain. Questa prospettiva è emersa prima dell’avvento dei computer e è sopravvissuta per qualche decennio in più di quanto avrebbe dovuto. A questo punto, dovrebbe essere sostituita con approcci più adeguati, come la prospettiva QSC di Lokad.

Che cos’è la “Quality of Service”?

Nel contesto dell’ottimizzazione della supply chain, la “quality of service” (QoS) si riferisce alla capacità dell’azienda di servire il cliente soddisfacendo le sue aspettative implicite. La QoS non è una metrica o qualcosa di tangibile: riflette l’intento dell’azienda di servire adeguatamente i propri clienti. La QoS è quindi direzionale ma vaga.

Cercare di scoprire le aspettative implicite dei clienti è un problema ampio e sfaccettato. Intervistare i clienti è pieno di insidie. I clienti possono dire con garbo di essere completamente soddisfatti del servizio eppure continuare a rivolgersi alla concorrenza. Al contrario, i clienti possono lamentarsi rumorosamente pur rimanendo ferventemente fedeli.

Inoltre, la QoS non è mai un problema unidimensionale. La cannibalizzazione e la sostituzione, insieme alle differenze di prezzo, solitamente oscurano il vero significato di “disponibilità” per i clienti. Spesso, devono essere considerate anche problematiche specifiche del settore. Ad esempio, sebbene rimangano molti yogurt sugli scaffali, i clienti potrebbero considerarli inaccettabili se scadono tutti tra tre giorni.

In pratica, le metriche che approssimano ragionevolmente la QoS possono essere individuate solo tramite un esame attento e intelligente dell’azienda. Ciò richiede una profonda riflessione ed empatia con i clienti. Alcune metodologie contribuiscono notevolmente all’identificazione di metriche prossime di alta qualità, come l’ottimizzazione sperimentale – un approccio pionieristico di Lokad.

Uno degli errori più grandi della prospettiva mainstream della supply chain è presentare i livelli di servizio – la probabilità di non rimanere senza un articolo – come se fossero un ragionevole surrogato della QoS. Questo è quasi invariabilmente errato. I livelli di servizio ignorano completamente tutta la cannibalizzazione e la sostituzione che sono onnipresenti nella maggior parte dei settori. Ignorano inoltre il lumpy demand, ovvero quella situazione in cui il cliente necessita che molti articoli siano disponibili congiuntamente per essere soddisfatto (ad es., un professore che acquista libri per un’intera classe di studenti, più interruttori della luce identici necessari per un progetto di ristrutturazione abitativa). I livelli di servizio escludono completamente anche la volontà del cliente di pagare di più per essere servito più rapidamente, o al contrario di poter pagare meno se il servizio subisce un ritardo.

In conclusione, la QoS è una prospettiva aspirazionale. Riflette ciò che l’azienda intende ottimizzare, anche se i criteri di ottimizzazione rimangono sfuggenti poiché l’azienda si trova di fronte a un wicked problem. La QoS è il principio direzionale che guiderà la ricerca di metriche che siano proxy credibili di questa aspirazione. I livelli di servizio, e altre metriche naïve, non dovrebbero essere confusi con un ragionevole surrogato della QoS.

Che cos’è un “AI Pilot”?

Questo termine si riferisce all’automazione generale dell’orchestrazione della supply chain tramite l’uso dell’IA. L’AI Pilot include i processi decisionali (ad es., quanto dovrei produrre?) così come i processi di supporto più banali (ad es., ottenere i MOQs aggiornati per un determinato fornitore). Lokad ha coniato questo termine agli inizi del 2024. L’AI Pilot, in quanto software, è realizzato dai Supply Chain Scientists di Lokad. Ne realizziamo un pilot per ogni azienda cliente, sebbene vi siano molte somiglianze tra le nostre implementazioni. L’AI Pilot gira sulla piattaforma di Lokad, che offre funzionalità di big data e machine learning. L’AI Pilot è un servizio offerto da Lokad e tipicamente fatturato mensilmente.

Per saperne di più su come funzionano gli AI Pilot, consulta il nostro podcast approfondito sull’argomento.

Cosa significa “Quantitative Supply Chain”?

La “Quantitative Supply Chain” (QSC) è un insieme di metodologie e tecnologie sviluppate da Lokad durante gli anni 2010. Essa comprende una serie di tecniche come la previsione probabilistica, l’ottimizzazione stocastica e la programmazione differenziabile, che sono assenti dalla prospettiva mainstream della supply chain. Include inoltre una serie di metodologie come l’ottimizzazione sperimentale, i supply chain personae, la ricerca di mercato adversariale che sono anch’esse assenti dalla prospettiva mainstream della supply chain.

Il termine “Quantitative Supply Chain” è stato coniato nel 2017 nel libro del fondatore di Lokad, Joannes Vermorel, The Quantitative Supply Chain. Il manifesto della QSC può essere riassunto come segue:

1. Devono essere considerate tutte le possibilità future; una probabilità per ciascuna possibilità
2. Devono essere considerate tutte le decisioni fattibili; possibilità contro probabilità
3. I driver economici devono essere utilizzati per dare priorità alle decisioni fattibili
4. Essere in controllo richiede l’automazione di ogni attività banale
5. Un supply chain scientist deve prendersi la responsabilità dei risultati numerici

La Quantitative Supply Chain può essere vista come il campo di studi che raccoglie tutto il materiale necessario per l’implementazione pratica di un AI Pilot per una determinata supply chain.

Che cos’è il “Supply Chain as a Service”?

Da lontano, Lokad può essere descritta come un’azienda di software aziendali. Tuttavia, da vicino, Lokad è molto diversa da ciò che la gente potrebbe aspettarsi da un fornitore di software. Lokad non solo fornisce robotized supply chain decisions, ma si assume anche la responsabilità delle performance della supply chain risultanti da tali decisioni. I nostri Supply Chain Scientists sono presenti per monitorare e perfezionare continuamente l’automazione che abbiamo implementato per ciascuno dei nostri clienti. Così, un abbonamento a Lokad garantisce ai nostri clienti un’esecuzione della supply chain più redditizia.

Questo approccio è molto diverso, ad esempio, dall’offerta SaaS (software as a service) in cui l’azienda cliente rimane in ultima istanza responsabile di tutto ciò che conta. Con il SaaS, il reparto IT viene sollevato dalla gestione di un’altra app, ma questo è tutto. Se qualcosa va storto, come una domanda erratica, forniture caotiche, dati incompleti, ecc., spetta interamente ai team della supply chain risolvere il problema. D’altra parte, con il SCaaS, spetta a Lokad risolvere il problema. Naturalmente, in pratica, si tratta di uno sforzo collaborativo tra Lokad e il suo cliente. Tuttavia, Lokad è impegnata a ottenere risultati, non soltanto a mantenere i server attivi.

Che cos’è una “numerical recipe”?

Lokad automatizza i processi decisionali della supply chain, e ci riferiamo comunemente ai pezzi di software che effettivamente eseguono l’automazione come le nostre “ricette numeriche”. Queste ricette numeriche sono generalmente piuttosto complesse, in quanto riflettono le complessità intrinseche delle supply chain stesse. Le ricette sono una combinazione di innumerevoli fasi banali di preparazione dei dati alternate a passaggi analitici sofisticati – tipicamente algoritmi di machine learning o di ottimizzazione matematica.

Utilizziamo il termine “ricetta” piuttosto che “algoritmo” poiché quelle ricette non sono affatto così “pure” come si aspetterebbero la maggior parte degli ingegneri del software quando parlano di algoritmi. Inoltre, mentre ci si aspetta che un algoritmo affronti un problema ben definito, questo di solito non è il caso per le nostre ricette. In definitiva, in gioco c’è la performance end-to-end della supply chain, e questo è un problema aperto e mal definito. Pertanto, la valutazione della ricetta è complessa quanto, se non di più, la sua elaborazione.

Cosa sono le decisioni (banali) della supply chain?

Una decisione della supply chain è quella che ha conseguenze reali sul flusso delle merci. Per esempio, i rifornimenti di inventario, gli ordini di produzione e le variazioni di prezzo sono decisioni che influenzano profondamente il flusso delle merci.

Le supply chain moderne implicano tipicamente decine di migliaia, e talvolta milioni, di decisioni quotidiane. Di regola, ogni singolo SKU (storage keeping unit) comprende circa mezza dozzina di decisioni, incluso il non fare nulla, che è anch’essa una decisione (sebbene banale).

Queste decisioni (quotidiane) vengono spesso definite “banali” perché possono essere completamente automatizzate. In questo senso, “banali” non significa “irrilevanti”.

Le decisioni si oppongono ai “numerical artifacts” (cose che sembrano importanti ma che mancano di un impatto sostanziale sulla supply chain in questione). Infatti, con un maggiore ricorso agli analytics, di solito si crea molta confusione tra i due. Per esempio, una previsione della domanda, una classificazione ABC, uno stock di sicurezza, un livello di servizio possono essere considerati numerical artifacts. Quegli elementi possono certamente essere fondamentali nel calcolare decisioni effettive, ma da soli non hanno alcuna conseguenza. Non importa se la previsione è errata, purché il rifornimento di inventario sia adeguato, mentre il contrario ovviamente non è vero.

Lokad si concentra sulle “decisioni” anziché sui “numerical artifacts”, poiché troppe aziende non riescono a vedere il quadro generale. Al contrario, hanno così tanti indicatori di performance (artifacts) che non riescono più a comprendere cosa stia veramente accadendo con le decisioni che prendono. Il nostro concentrarci sulle “decisioni” è ciò che garantisce che Lokad persegua ciò che conta davvero per i nostri clienti (una migliore performance della supply chain) piuttosto che inseguire indicatori arbitrari (numerical artifacts).

Che cos’è un “numerical artifact”?

Un numerical artifact si riferisce a un numero percepito come importante, anche se questo numero non ha alcuna conseguenza diretta/tangibile per la supply chain dell’azienda. Per esempio, i livelli di servizio sono numerical artifacts. I numerical artifacts non sono reali, bensì sono astrazioni – spesso selezionate arbitrariamente da un professionista.

Ad esempio, un livello di servizio del 98% potrebbe nascondere il fatto che numerosi clienti hanno già smesso completamente di ordinare a causa della scarsa qualità del servizio in passato. Inoltre, i numerical artifacts non possono essere controllati direttamente. Un’azienda può effettuare più ordini di rifornimento, ma non può decidere unilateralmente che i livelli di servizio saranno al 98%, poiché alla fine sono i clienti a decidere quanto di un determinato prodotto viene consumato.

I numerical artifacts sono per definizione opposti alle “decisioni”, che hanno conseguenze reali per l’azienda. Le decisioni sono interamente a discrezione dell’azienda. Le tipiche decisioni supply chain includono ordini di rifornimento, ordini di produzione, variazioni di prezzo, ecc. A differenza dei numerical artifacts, ogni singola decisione errata rappresenta una perdita irrimediabile per l’azienda. Per esempio, la classificazione ABC (numerical artifact) di un articolo può essere completamente errata/inaccurata, ma finché non vi è overstock e stockout, non importa. D’altra parte, un singolo ordine di acquisto eccezionalmente grande (decisione) può trasformare un articolo ben fornito in una notevole svalutazione.

Nel corso degli anni, Lokad ha imparato a proprie spese che gli indicatori numerici sono per lo più illusori e fuorvianti. Spesso, infatti, la precisione delle previsioni e i livelli di servizio rappresentano in maniera completamente sbagliata il problema di interesse (vale a dire, anticipare e soddisfare la domanda in modo redditizio per l’azienda). Dobbiamo concentrarci sui “dollari di errore” per una data decisione, non sulle “percentuali di errore” di un numerical artifact.

Cosa significa “robotized”?

Lokad robotizza (automatizza) le decisioni ripetitive della supply chain decisions rendendole banali. Ciò significa che tutte le decisioni quotidiane affidate a Lokad (ad esempio, ordini di produzione, variazioni di prezzo, allocazioni di stock) vengono generate in modo completamente automatico. Di regola, la maggior parte dei nostri clienti può operare per settimane senza alcuna intervento diretto da parte di Lokad – a condizione che le condizioni di mercato non cambino troppo drasticamente. I nostri Supply Chain Scientists migliorano continuamente le ricette numeriche che abbiamo implementato, ma non è necessario alcun Supply Chain Scientist per generare le decisioni della supply chain di un determinato giorno – le nostre ricette numeriche sono progettate per funzionare in modalità autonoma.

Questo approccio è radicalmente diverso da quello che offrono i nostri colleghi (altri fornitori di software aziendale) offer. Nel loro caso, i supply chain practitioners sono trattati come i “coprocessori umani” del loro sistema. Non appena i practitioner smettono di lavorare con un pezzo di software, nulla accade più nell’azienda poiché il loro tempo è destinato a produrre decisioni della supply chain.

Al contrario, Lokad trasforma ogni singolo minuto dei supply chain practitioners in un investimento per il miglioramento della ricetta numerica che consente la robotizzazione delle decisioni. Se i supply chain practitioners smettono di lavorare, ciò non influisce sull’esecuzione robotizzata della ricetta numerica. La ricetta numerica smette semplicemente di migliorare. Se questo dovesse continuare per un certo periodo, si verificherebbe un inevitabile decadimento della qualità delle decisioni, poiché la ricetta numerica perderebbe la sua rilevanza (a causa dei cambiamenti nelle condizioni di mercato).

Tuttavia, Lokad ha implementato una serie di meccanismi di auto-monitoraggio per il rilevamento precoce di tale decadimento della qualità, e può quindi attivare un’ispezione umana della ricetta numerica (prima, da parte di un Supply Chain Scientist, e poi da parte di un practitioner dell’azienda cliente).

Che cos’è un “supply chain initiative”?

Questo si riferisce specificamente a un progetto di supply chain guidato dalla prospettiva di Lokad, la “Quantitative Supply Chain” (QSC). L’obiettivo di tale iniziativa è robotizzare una determinata categoria di supply chain decisions e raggiungere performance oltre quelle umane nel processo. L’obiettivo di tale iniziativa non è solo migliorare un problema specifico all’interno della supply chain del cliente, ma fornire un miglioramento sistemico a livello aziendale.

Le supply chain initiatives di Lokad affrontano tipicamente ordini di acquisto, ordini di produzione, allocazioni di inventario, variazioni di prezzo, piani di produzione dettagliati, ecc. In sostanza, ci occupiamo di tutte le decisioni banali e ripetitive necessarie per far funzionare la supply chain del cliente.

L’iniziativa supply chain è intesa essere guidata dai Supply Chain Scientists (SCS). Un SCS è incaricato di creare tutte le ricette numeriche necessarie per automatizzare le decisioni della supply chain di interesse. Inoltre, l’SCS è responsabile di visualizzare (ad esempio, tramite report e dashboard) le ricette numeriche affinché i clienti (in particolare il top management) possano comprendere sia come sia che perché l’automazione offre performance oltre quelle umane.

Il risultato concreto di un’iniziativa supply chain di Lokad consiste nel mettere in produzione la/le ricetta/e numerica/e che l’SCS ha elaborato per il cliente. Questo risultato automatizza le decisioni e converte efficacemente la supply chain in un asset produttivo per il cliente (allo stesso modo in cui un pezzo di equipaggiamento automatizza la produzione di beni fisici).

Che cos’è l’“experimental optimization”?

LEexperimental optimization è una metodologia, adottata da Lokad, per affrontare problemi in cui la stessa nozione di “miglioramento” non è chiara all’inizio del processo di ottimizzazione. Questa mancanza di chiarezza è dovuta al fatto che i criteri di ottimizzazione (metriche) e i loro livelli favorevoli non sono noti, oppure, anche se precedentemente fissati a certi livelli, non possono essere immediatamente giustificati in termini finanziari (ad esempio, redditività, ROI, ecc.). Lo scopo dell’“experimental optimization” è stabilire un metodo rigoroso (alcuni direbbero “scientifico”) per quantificare cosa significhi “miglioramento” per una supply chain da una prospettiva finanziaria.

Per esempio, considerate un negozio di moda che desidera migliorare la propria qualità del servizio. Uno dei problemi principali è che identificare cosa significhi veramente “qualità del servizio” per il cliente medio è difficile, data la diversa natura delle abitudini di acquisto maschili e femminili, oltre all’influenza delle sostituzioni. Le sostituzioni, per loro natura, rendono difficile comprendere come i clienti percepiscano la vostra offerta, anche se hanno effettuato un acquisto – ad esempio, l’acquisto di una t-shirt nera semplice invece di una t-shirt bianca semplice fuori stock. Sulla carta, si è concretizzata una vendita, ma l’assenza della t-shirt bianca semplice potrebbe segnalare la fine della fedeltà del cliente, specialmente se ciò accade regolarmente. Inoltre, è meno probabile che gli uomini dedichino tempo a sfogliare più articoli rispetto alle donne, quindi non avere l’articolo esatto che desiderano (o una sostituzione adeguata) può essere decisivo al momento dell’acquisto. Di conseguenza, ciò che il management pensa di sapere del proprio business (e dei clienti) potrebbe essere incredibilmente fuorviante, orientando così le strategie di assortimento nella direzione sbagliata.

A tal fine, l’experimental optimization consiste nel condurre una serie di esperimenti che mettono in discussione gli stessi criteri di ottimizzazione – lo strumento che quantifica se la supply chain sia migliore o peggiore (ad esempio, “qualità del servizio”). Il succo del metodo consiste nel scegliere un criterio, eseguire un’ottimizzazione matematica (o, più specificamente, un’ottimizzazione stocastica) rispetto a questo criterio, e valutare le decisioni della supply chain risultanti. Questa valutazione non avviene in forma aggregata, ma in confronto alle decisioni più assurde che semplicemente non possono essere corrette. Il criterio deve poi essere modificato per eliminare gradualmente quelle decisioni assurde, finché non ne rimanga nessuna.

Il criterio risultante è stato, dunque, ottenuto attraverso una serie di esperimenti. A differenza della prospettiva classica di ottimizzazione che assume i criteri come noti in anticipo, e mai messi in discussione dal mondo reale; l’experimental optimization scopre i criteri confrontandoli ripetutamente con situazioni del mondo reale.

Tornando all’esempio del negozio di moda precedente, un’experimental optimization potrebbe indicare che ridistribuire lo stock preesistente tra i negozi è la soluzione ottimale, o forse che semplicemente riorganizzare le vetrine in ogni negozio è sufficiente per stimolare un maggiore afflusso e una qualità del servizio percepita. Queste conclusioni si scoprono soltanto dopo aver sperimentato ripetutamente (modificando) la ricetta numerica che genera le raccomandazioni di ottimizzazione.

La supply chain, come qualsiasi altro sistema, è più della somma delle sue parti. In effetti, la maledizione della supply chain è che la maggior parte dei miglioramenti presunti sposta semplicemente i problemi anziché risolverli, poiché i problemi vengono trattati come questioni locali invece che come espressioni di problemi sistemici. Per esempio, aumentare i livelli di servizio implica solitamente anche un aumento della svalutazione dell’inventario. Di conseguenza, non è possibile intervenire su un elemento isolato all’interno di un sistema senza influenzare il resto del sistema. Ne consegue che è invariabilmente difficile quantificare se qualcosa stia migliorando o peggiorando il sistema (la supply chain).

Inoltre, nel caso specifico delle supply chain, questa difficoltà è aggravata dal fatto che di solito occorre molto tempo perché gli eventi si sviluppino. Nel caso del negozio di moda precedentemente citato, gli uomini possono essere incredibilmente fedeli a un negozio che ha costantemente gli articoli che desiderano, spinti dalla comodità di non dover passare troppo tempo a fare acquisti. Di conseguenza, sperimentare eventi di stockout può essere devastante per la fedeltà dei clienti e richiede molto tempo per manifestarsi (poiché gli uomini potrebbero fare acquisti solo poche volte all’anno, pur acquistando molti articoli durante ogni visita per massimizzare il valore di ogni viaggio). Queste considerazioni e contingenze confondono tutti gli approcci ingenui alla quantificazione della performance della supply chain, ed è per questo che Lokad sostiene una soluzione basata sull’experimental optimization.

Per una prospettiva più dettagliata, c’è una lezione completa su Ottimizzazione Sperimentale per Supply Chain.

Che cos’è la previsione probabilistica?

La previsione probabilistica è il processo di identificazione di tutti i possibili valori/risultati/scenari futuri (ad es., la domanda per un determinato SKU), assegnando a ciascun valore una probabilità. Tale probabilità rappresenta la possibilità che quel valore diventi “reale” (ad es., si potrebbe avere una probabilità del 3% di vendere 4 unità; una probabilità del 4% di vendere 5 unità; una probabilità del 2% di vendere 6 unità; ecc.). Numericamente, quando sommate insieme, questa distribuzione di probabilità (alias “previsione probabilistica”) copre il 100% dei valori potenziali (ad es., la domanda).

Una previsione si definisce “probabilistica” se il valore previsto è una distribuzione di probabilità anziché un singolo punto. Le previsioni probabilistiche sono l’opposto delle tradizionali previsioni puntuali che dominano la teoria della supply chain mainstream. Il principale vantaggio delle previsioni probabilistiche è che esse abbracciano l’incertezza irriducibile del futuro, invece di fingere che la previsione “perfetta” sia dietro l’angolo se solo si potesse ottenere un modello leggermente più accurato. Le previsioni probabilistiche quantificano l’incertezza, e tale quantificazione è fondamentale per produrre successivamente decisioni sulla supply chain aggiustate per il rischio. Senza previsioni probabilistiche, le decisioni sono fragili in quanto ignorano del tutto le variazioni banali (ad es., domanda, tempo di consegna) che ci si aspetta si verifichino anche in condizioni di mercato regolari.

Vale la pena notare che qualsiasi previsione puntuale di serie temporali può essere “matematicamente” trasformata in una distribuzione di probabilità. Questo è esattamente ciò che viene fatto con le scorte di sicurezza, poiché sia la domanda che il tempo di consegna possono essere associati a distribuzioni normali (Gaussiane). Tuttavia, mentre tali tecniche nominalmente generano distribuzioni di probabilità, esse mancano completamente il punto. Il problema fondamentale che una previsione probabilistica deve affrontare è produrre una previsione più ricca – una previsione che contenga più informazioni rispetto a una previsione puntuale. Questa previsione probabilistica non è necessariamente più accurata, proprio come una fotografia a colori non ha necessariamente una risoluzione migliore rispetto a una in bianco e nero. Tuttavia, per costruzione, una previsione puntuale manca di questa dimensione aggiuntiva. Anche se un trucco matematico può essere usato per aggiungere probabilità, tali probabilità saranno quasi interamente fittizie, proprio come la colorizzazione di un’immagine può essere altamente plausibile pur essendo fattualmente scorretta.

In breve, le previsioni probabilistiche rappresentano una delle fasi cruciali del processamento dei dati necessarie per l’ottimizzazione predittiva di una supply chain.

Che cos’è la previsione generale?

Una tecnica di previsione si definisce “generale” se supporta dati che non si presentano come serie temporali. Infatti, sebbene le previsioni di serie temporali siano molto utili per scopi di visualizzazione, esse rappresentano in definitiva un modello semplicistico e unidimensionale che non riesce a riflettere gli eventi così come si sviluppano in una supply chain reale.

Considerare più serie temporali non risolve comunque il problema.

Per esempio:

• riacquisti dagli stessi clienti non possono essere modellati con delle serie temporali, poiché una serie temporale della domanda appiattisce completamente l’origine di ogni unità acquistata.
• cannibalizzazione o sostituzione non possono essere rappresentate come serie temporali in quanto si perde il legame di dipendenza tra gli articoli.
• concorrenti in competizione su prezzi, sconti per acquisti in grandi quantità, livelli di servizio, ecc., non possono essere catturati da una serie temporale in quanto non riesce a riflettere tali fattori causali.

Nella teoria della supply chain mainstream, le previsioni di serie temporali rappresentano l’inizio e la fine. Tuttavia, un’attenta analisi delle situazioni reali dovrebbe dimostrare che le previsioni di serie temporali sono invariabilmente una semplificazione gravemente fuorviante della realtà – vedi gli esempi sopra elencati. Nella teoria della Quantitative Supply Chain (QSC) di Lokad, è meglio essere approssimativamente corretti piuttosto che esattamente sbagliati. Fingere che un problema reale (ad es., sostituzioni) non esista non fa sparire il problema.

Per questo motivo, sin dai primi anni 2010 Lokad ha sviluppato e pionierizzato un’intera serie di tecnologie previsionali superiori che offrono forme di previsioni più generali (oltre alle semplici serie temporali). Secondo il nostro QSC, ogni singola fonte di incertezza richiede una propria previsione probabilistica. Queste “previsioni generali” non sono fornite da “modelli previsionali”, ma attraverso paradigmi di machine learning programmatico, come la programmazione differenziabile.

Che cos’è la previsione classica?

Con “previsione classica” intendiamo la previsione puntuale di serie temporali. Le previsioni puntuali di serie temporali sono così ubique nella teoria della supply chain mainstream che molte persone, compresi molti supply chain practitioners, non si rendono conto che esse rappresentano solamente una forma di previsioni statistiche. In realtà, esiste una ricchezza di forme alternative di previsioni statistiche, essendo quella puntuale una delle più semplicistiche.

Nota: Una previsione semplicistica non è necessariamente una cosa negativa. In effetti, Lokad crede che il software di previsione non debba essere più complicato del necessario per svolgere il suo compito. Detto questo, le previsioni puntuali di serie temporali sono insopportabilmente semplicistiche, come è stato dimostrato in “Che cos’è la previsione generale?”.

Le previsioni puntuali di serie temporali guadagnarono popolarità all’inizio del XX secolo, mezzo secolo prima dell’avvento dei computer aziendali. Fino a quando i computer potenti non divennero ampiamente accessibili, esse erano l’unico tipo di previsioni statistiche che potevano essere prodotte. Nonostante la loro estrema semplicità, produrre previsioni di serie temporali richiedeva già troppo lavoro per giustificarne l’investimento – considerando che venivano effettuate senza la potenza di calcolo dei computer aziendali. Di conseguenza, la maggior parte delle aziende usava vari stratagemmi per eliminare completamente la necessità di effettuare previsioni statistiche in primo luogo.

Esistono due vie distinte e complementari per andare oltre le previsioni classiche. La prima consiste nel sostituire la prospettiva della “previsione puntuale” con quella della “previsione probabilistica”.

Le previsioni probabilistiche, a differenza delle loro controparti “puntuali”, forniscono densità di probabilità complete. Esse abbracciano l’incertezza irriducibile del futuro e la quantificano frontalmente. Per quanto riguarda la supply chain, le previsioni probabilistiche sono di gran lunga superiori alle previsioni puntuali poiché si prestano al successivo calcolo di decisioni sulla supply chain aggiustate per il rischio. Al contrario, le previsioni puntuali ignorano tutte le fonti di incertezza e le decisioni derivate da tali previsioni sono fragili per loro natura.

La seconda via consiste nel sostituire la prospettiva delle “serie temporali” con un’alternativa a dimensione superiore. Le serie temporali sono per loro natura unidimensionali. Questa limitazione intrinseca significa che le previsioni di serie temporali non sono in grado di catturare nemmeno le interdipendenze più basilari che possono essere osservate nel flusso dei beni della supply chain.

Ad esempio, le previsioni di serie temporali non sono in grado di cogliere la cannibalizzazione e la sostituzione. Non possono percepire il rischio di avere un volume di vendite costante interamente dipendente da un singolo grande cliente (ad es., in situazioni B2B). Non possono cogliere la prospettiva del basket di un cliente che fa la spesa in un ipermercato e di cui servono tutti gli ingredienti necessari per completare una ricetta (cioè, l’assenza di anche un solo articolo significa che non si acquista nulla). Lokad utilizza la programmazione differenziabile per creare modelli predittivi che vanno oltre la prospettiva unidimensionale della serie temporale e catturano le vere informazioni di interesse.

In conclusione, la previsione classica è una prospettiva statistica antiquata che non ha posto in una supply chain moderna. Affidarsi alle previsioni classiche – alias previsioni puntuali di serie temporali – è una ricetta per il fallimento, in quanto tali previsioni conducono, al meglio, a decisioni fragili e, al peggio, a decisioni completamente errate. Invece, raccomandiamo di utilizzare la previsione probabilistica generale, sfruttando tipicamente un paradigma di machine learning programmatico come la programmazione differenziabile.

Che cos’è la “prospettiva del basket”?

La prospettiva del basket è un aspetto di primaria rilevanza per tutti i settori in cui ci si aspetta che i clienti acquistino molti articoli in una sola volta (come un’unica transazione), anziché un singolo articolo. Essa si riferisce al valore percepito di effettuare acquisti in combinazione anziché isolatamente. In altre parole, il valore di tutti gli articoli disponibili nel loro insieme potrebbe essere superiore alla somma dei valori disgiunti degli articoli acquistati separatamente. Questa prospettiva è critica per molti settori, come ad esempio il commercio al dettaglio di beni di largo consumo. Riconoscere questa interdipendenza nella domanda porta a decisioni di supply chain superiori rispetto alle metodologie tradizionali che trattano l’acquisto di ogni SKU come un evento isolato.

Ad esempio, si pensi a un cliente che entra in un supermercato per acquistare diversi articoli. Questi articoli rappresentano una combinazione di beni essenziali (ad es., latte, pane e uova) e acquisti discrezionali (ad es., gelato e cioccolato). Se il supermercato esaurisce un articolo discrezionale (ad es., cioccolato), è probabile che il cliente acquisti comunque gli altri articoli (latte, pane, uova e gelato). Tuttavia, se si verifica un esaurimento di un bene essenziale (ad es., latte), il cliente potrebbe andarsene senza acquistare nulla e rivolgersi a un concorrente per completare gli acquisti. Così, la penalità finanziaria dell’esaurimento per l’articolo essenziale si estende oltre l’articolo stesso, influenzando l’intero basket di vendite.

In sostanza, esistono relazioni tra i prodotti, e l’assenza di alcuni articoli influisce sulla probabilità che i clienti ne acquistino altri. Lokad incorpora questo fenomeno sottile ma significativo nelle sue raccomandazioni per le decisioni sulla supply chain, al fine di ottimizzare l’inventario e ridurre gli esaurimenti (classificati da quelli che arrecherebbero il maggior danno a quelli che arrecherebbero meno), migliorando così le vendite complessive, i profitti dei clienti e la soddisfazione dei consumatori.

Che cos’è un “Supply Chain Scientist”?

Un Supply Chain Scientist (SCS) è la persona che guida una delle iniziative Quantitative Supply Chain (QSC) di Lokad con un cliente, ad es., la fornitura di ordini di acquisto aggiustati per il rischio, liste di allocazione delle scorte, prezzi, ecc. Il termine “Supply Chain Scientist” è stato coniato da Joannes Vermorel, CEO e fondatore di Lokad, nel 2017. L’impegno principale del SCS è la generazione, la manutenzione e la responsabilità delle ricette numeriche responsabili del processo decisionale in una determinata iniziativa di supply chain.

A differenza di un data scientist, la cui responsabilità principale consiste nel produrre modelli a supporto del processo decisionale, il SCS si assume la responsabilità personale per la qualità delle raccomandazioni decisionali generate dalle ricette numeriche. Inoltre, il SCS si assume direttamente la responsabilità di realizzare tutta l’infrastruttura (ad es., dashboard, report) che spiega la logica e l’adeguatezza delle decisioni generate. Potrebbe sembrare un po’ paradossale, ma mentre Lokad enfatizza la robotizzazione dei processi decisionali routinari, noi mettiamo la responsabilità personale al centro. Un QSC non è un “sistema” responsabile delle prestazioni della supply chain, bensì una persona che guida il QSC.

Tuttavia, sebbene un SCS abbia una responsabilità personale, non è solo nella sua missione. Lokad è interamente dedicata a garantire che ogni SCS riceva il massimo supporto possibile. Ciò implica fornire al SCS tutti gli strumenti software necessari, strumenti matematici, metodologie, formazione e monitoraggio da parte di SCS senior.

Una descrizione più dettagliata di ciò che fa un SCS può essere trovata nel nostro articolo dedicato nella knowledge base The Supply Chain Scientist.

Che cos’è un “supply chain practitioner”?

Il termine “supply chain practitioner” si riferisce generalmente a tutte le persone tradizionalmente coinvolte o responsabili per l’assunzione delle decisioni sulla supply chain necessarie per il funzionamento dell’azienda. Poiché non esiste una terminologia unificata, il titolo varia a seconda dei diversi settori e da un’azienda all’altra. Le variazioni più comuni di “supply chain practitioner” includono supply and demand planner, inventory analyst, demand forecaster, category manager, inventory manager, production manager, purchasing manager, pricing manager, ecc.

La Quantitative Supply Chain (QSC) offre una visione modernizzata del ruolo del supply chain practitioner. Mentre il tradizionale supply chain practitioner è direttamente responsabile nel supportare manualmente il processo decisionale, il QSC raccomanda di meccanizzare completamente tutte le attività ripetitive. Grazie a questa robotizzazione, i supply chain practitioners possono concentrarsi su compiti che aggiungono maggior valore all’azienda. In particolare, essi sono in prima linea nel mettere in discussione le ricette numeriche (le componenti software che supportano la robotizzazione della supply chain) raccogliendo feedback e informazioni di alto livello da clienti e fornitori.

Che cosa significa “supply chain executive”?

Per Lokad, questo termine si riferisce specificamente a una persona che è in grado di arbitrare proposte in conflitto all’interno dell’azienda riguardo ai processi decisionali robotizzati che orchestrano la supply chain.

Questo ruolo è critico in un’iniziativa di Quantitative Supply Chain (QSC), che unifica i processi decisionali della supply chain mediante valutazioni finanziarie esplicite eseguite tramite logica software. Il QSC rivela tutte le contraddizioni e le ambiguità che di solito preesistono in azienda. Di conseguenza, per assicurare che una supply chain initiative non si blocchi per pura indecisione, deve essere nominato un dirigente della supply chain con il potere di arbitraggio tra proposte in conflitto da una prospettiva strategica (ad es., raggiungere il livello di servizio atteso a tutti i costi contro trovare un set ottimizzato di decisioni all’interno di un budget limitato).

Nota: Il QSC non presume che il dirigente della supply chain abbia una capacità innata di avere sempre ragione. Stabilire cosa funziona e cosa non funziona è il ruolo della metodologia di experimental optimization utilizzata da Lokad, non del dirigente della supply chain.

Che cos’è una decisione aggiustata per il rischio?

Nel contesto dell’ottimizzazione della supply chain, una decisione si dice aggiustata per il rischio se bilancia attentamente i costi economici associati allo stato incerto del futuro del mercato e della supply chain stessa. Una decisione aggiustata per il rischio è “migliore” nel senso che, considerando tutti i possibili futuri e le relative probabilità, il risultato finanziario medio associato a questa decisione risulterà superiore rispetto alle alternative.

Inoltre, le decisioni aggiustate per il rischio tendono ad essere decisioni anti-fragili (a differenza delle decisioni fragili). Ciò significa che i loro guadagni economici attesi rimangono in qualche modo buoni (o comunque accettabili) per una vasta gamma di variazioni future. Questa proprietà si ottiene considerando tutti i vincoli e i costi non lineari (ad es., la deperibilità).

L’ipotesi implicita alla base dell’idea stessa di decisioni aggiustate per il rischio è che i costi economici rilevanti risiedano agli estremi: è la domanda insolitamente elevata a causare stockout, e la domanda insolitamente bassa a generare un eccesso di scorte. Nel mezzo, tutto procede più o meno secondo il piano, e qualsiasi miglioramento apportato al caso “secondo il piano” risulta per l’azienda in gran parte trascurabile.

Al contrario, la maggior parte dei processi decisionali raccomandati dalla teoria dominante della supply chain non genera decisioni aggiustate per il rischio. Infatti, le decisioni sono tipicamente fragili. Esse sono fragili (vedi spiegazione completa qui sotto) perché manca l’ingrediente critico per generare, sin dall’inizio, una decisione aggiustata per il rischio: una previsione probabilistica. In effetti, se l’unica previsione disponibile è una previsione puntuale della serie temporale, il processo decisionale sta implicitamente puntando tutto su un singolo valore futuro (ad es., la domanda) che si presume essere perfettamente noto. Questo approccio porta invariabilmente a decisioni fragili, poiché risultano immediatamente inadeguate non appena si presenta un’eccezione o un rischio imprevisto – qualcosa di troppo comune nella supply chain e troppo facile da anticipare con una previsione probabilistica.

Un’illustrazione più dettagliata (sebbene più tecnica) di come le decisioni aggiustate per il rischio vengano derivate in pratica può essere trovata nel nostro tutorial Prioritized inventory replenishment in Excel with probabilistic forecasts e nella nostra lezione QSC Retail stock allocation with probabilistic forecasts.

Che cos’è una decisione fragile?

Nel contesto dell’ottimizzazione della supply chain, una decisione è fragile se minime variazioni delle condizioni di mercato o dello stato della supply chain stesso compromettono i guadagni economici originariamente attesi da tale decisione. I processi decisionali promossi dalla teoria dominante della supply chain producono invariabilmente decisioni fragili – anche in condizioni di mercato miti in cui non accade nulla di notevole.

A nostro avviso, le decisioni devono essere risk-adjusted. Questo è l’approccio raccomandato dalla filosofia di Quantitative Supply Chain (QSC) di Lokad. In pratica, per produrre una decisione aggiustata per il rischio sono necessari due ingredienti notevoli: in primis, la previsione probabilistica, e in secondo luogo, l’ottimizzazione stocastica.

La previsione probabilistica quantifica l’incertezza futura sotto forma di distribuzione di probabilità. L’ottimizzazione stocastica calcola la decisione che si rivelerà essere “la migliore” in media, considerando tutti i possibili futuri e le rispettive probabilità. Essa lo fa combinando i driver economici, i vincoli e le previsioni probabilistiche.

Che cos’è la corruzione epistemica?

La corruzione epistemica si verifica quando un corpus di conoscenza perde la propria integrità e cessa di essere di valore per le persone o per l’organizzazione che fa affidamento su tale conoscenza per migliorare la propria attività.

La supply chain, in quanto campo di studio, ha purtroppo subito un grave caso di corruzione epistemica dalla fine della Seconda Guerra Mondiale. Esistono due cause principali alla base di questo stato di cose attuale:

Prima, il mondo accademico, per lo più involontariamente, ha mancato il bersaglio decenni fa. Mentre ogni anno vengono pubblicati decine di migliaia di articoli, praticamente nessuno di questi può essere riprodotto o falsificato (nel senso popperiano della falsificazione*). A differenza di altri campi che non soffrono di una corruzione epistemica diffusa (ad es., lo studio degli algoritmi), gli articoli sulla supply chain sono quasi mai utilizzati in contesti reali, e certamente non per lungo tempo.

Secondo, analisti di mercato, fornitori di software e consulenti hanno agito come avversari per decenni. Infatti, vi sono profitti da guadagnare nel prolungare anziché risolvere i problemi. Metodi antiquati che sarebbero scomparsi molto tempo fa sono stati tenuti in vita da attori troppo ansiosi di mantenere lo status quo. Curiosamente, lo status quo esiste da così tanto che la maggior parte di queste persone può onestamente affermare che, dal loro punto di vista, i metodi sono “sempre” esistiti – perché, tecnicamente, i problemi li antecedono.

La soluzione ai diffusi casi di corruzione epistemica consiste in metodologie e metodi più efficaci che permettano alle aziende di separare in maniera più rapida (e migliore) il grano dalla pula. A tal fine, Lokad sta conducendo un ripensamento della supply chain dal 2011. Questo approccio innovativo è denominato “Quantitative Supply Chain” (QSC). Esso propone tecniche e metodologie alternative, come la previsione probabilistica e l-experimental optimization.

Il “senso popperiano della falsificazione” qui si riferisce alla filosofia della scienza sviluppata da Karl Popper. Secondo Popper, affinché una teoria sia considerata scientifica, essa deve essere falsificabile — cioè, deve essere possibile concepire un’osservazione o un esperimento che possa dimostrare che la teoria è errata. In altre parole, le teorie scientifiche devono formulare previsioni che possano essere testate e potenzialmente confutate. Questo concetto è fondamentale per distinguere le teorie scientifiche da quelle non scientifiche. La ricerca sulla supply chain (tipicamente) manca di falsificabilità poiché le teorie non possono essere testate e potenzialmente smentite, il che ne compromette il valore scientifico e contribuisce alla corruzione epistemica del campo.

Che cos’è la “correctness by design”?

La correctness by design è un principio che sottolinea l’importanza di assicurare che il design di un sistema prevenga intrinsecamente determinati tipi di errori o malfunzionamenti. Questo approccio è in contrasto con la pratica più comune di affidarsi a test approfonditi e controlli di qualità per individuare e correggere i problemi solo dopo il loro verificarsi. L’obiettivo della correctness by design è minimizzare la necessità di manutenzione continua e ridurre il rischio di fallimenti catastrofici derivanti da sistemi complessi. Nel contesto dell’ottimizzazione della supply chain, la correctness by design è particolarmente rilevante perché il livello analitico (responsabile dei processi decisionali) non deve aggravare il caos endemico della supply chain – un ambiente già, ammettiamolo, caotico.

Le ricette numeriche – concepite per supportare i processi decisionali della supply chain – sono spesso implementate con strumenti generici che non offrono correctness by design. Di conseguenza, tali ricette numeriche falliscono tipicamente a causa di mille problemi. La produzione si blocca a causa di errori di indice fuori scala, errori di memoria insufficiente, condizioni di race, overflow o underflow numerici, ecc. La filosofia “move fast and break things” può essere accettabile per un’app di lifestyle, ma non per un sistema aziendale mission critical.

A tal fine, Lokad ha ingegnerizzato Envision, il suo DSL (linguaggio di programmazione specifico di dominio) dedicato all’ottimizzazione predittiva della supply chain con correctness by design in mente. Lokad non è partita con Envision fin dal 2008. Per anni, abbiamo fatto affidamento su linguaggi di uso generale come Python. Ci ci sono voluti anni per renderci conto che i nostri tentativi fallivano più spesso di quanto riuscissero per via di Python.

Ancora più sconcertante, la situazione era esattamente la stessa per i team di data science dei nostri stessi clienti. La storia si svolgeva quasi sempre nello stesso modo: in tre settimane il team di data science aveva realizzato quello che sembrava essere un prototipo altamente promettente. Tuttavia, dopo un anno di intensi sforzi per assicurarsi che potesse funzionare in ambienti di produzione reali, il progetto veniva scartato perché non aveva mai raggiunto il necessario grado di “production-gradiness”.

Così, dopo anni di dolore e miseria, nel 2012 abbiamo concluso che il linguaggio di programmazione stesso rappresentava il problema centrale da affrontare. In altre parole, Python non era la soluzione, ma il problema. Pertanto, non avendo alternative migliori, il team ingegneristico di Lokad ha avviato uno sforzo decennale volto a creare un DSL dedicato alla supply chain che affrontasse “by design” tutte queste problematiche nella massima misura. È così che è nato Envision.

Più di un decennio dopo, ora controlliamo inventari per un valore di diversi miliardi (USD ed EUR) grazie alle estese ricette numeriche scritte in Envision. Envision ha migliorato in maniera drammatica non solo la produttività dei Supply Chain Scientists di Lokad, ma ha anche ridotto enormemente la frequenza degli errori “stupidi” e molto costosi.

In conclusione, la correctness by design è un requisito fondamentale per qualsiasi linguaggio di programmazione destinato a guidare real-world supply chain. Molti fornitori di software, per pura negligenza o incompetenza, non affrontano frontalmente questo problema, causando invariabilmente danni immensi ai loro clienti.

Che cos’è la “maintainability”?

La maintainability, nel contesto del software per la supply chain, si riferisce alla capacità dell’azienda e dei relativi fornitori di software di mantenere il proprio ecosistema applicativo in funzione.

Per quanto riguarda la “management” della supply chain, la maintainability è una questione relativamente semplice. Esiste un insieme routinario di patch di sicurezza e di compatibilità per far sì che il software funzioni in condizioni mutevoli (ad es., cambi di sistemi operativi, browser, versioni di database, ecc.). A meno che l’azienda non richieda modifiche funzionali alle sue applicazioni di “management”, la maintainability è in gran parte garantita se il fornitore è anche solo modestamente competente.

Tuttavia, l’ottimizzazione della supply chain è un problema molto diverso. Le ricette numeriche che automatizzano i processi decisionali perdono invariabilmente la loro rilevanza nel tempo. La causa del decadimento non risiede tanto nel fatto che il mercato cresca o si restringa, in quanto è piuttosto semplice gestire numericamente questo tipo di variazione all’interno delle ricette numeriche statiche (ad es., una media mobile, sebbene in maniera rudimentale).

Piuttosto, la causa del decadimento è l’evoluzione dei problemi da risolvere. Le condizioni di mercato in evoluzione non richiedono semplicemente risposte quantitativamente diverse, ma tipi di risposta completamente differenti. Ad esempio, le aziende di vendita per corrispondenza non hanno mai dovuto affrontare il problema di orientare i loro investimenti in SEM (search engine marketing) per supportare la liquidazione dell’eccesso di inventario – una situazione che le aziende di e-commerce affrontano regolarmente.

Supply chain optimization software è molto più suscettibile alle condizioni di mercato in evoluzione rispetto a supply chain management software. Nel 2024 non è raro imbattersi in aziende che operano ancora un sistema di gestione dell’inventario implementato negli anni ‘90 (che può apparire ancora funzionante), dato che le attività amministrative di gestione delle scorte sono rimaste virtualmente invariate negli ultimi 30 anni. Tuttavia, una logica di ottimizzazione della supply chain che riesca a rimanere rilevante anche per 3 anni è estremamente rara.

La maggior parte dei fornitori di ottimizzazione della supply chain non riesce a riconoscere questo problema fondamentale. Di conseguenza, gli investimenti tendono a concentrarsi pesantemente all’inizio, quando l’azienda cliente viene integrata dai fornitori. Nei primi mesi, mentre il fornitore è ancora fortemente coinvolto in un setup in evoluzione, la soluzione dà l’illusione di essere soddisfacente. Tuttavia, a 18 mesi dalla fine della fase di onboarding da parte del fornitore di software, le ricette numeriche sono decadute al punto da risultare irrilevanti. Invariabilmente, supply chain practitioners tornano ai loro fogli di calcolo che, nonostante siano rudimentali, possono essere mantenuti per rimanere in qualche modo rilevanti.

Il problema della maintainability è una delle ragioni fondamentali che ha portato Lokad, nel 2012, a creare Envision – un DSL (linguaggio di programmazione specifico di dominio) dedicato all’ottimizzazione predittiva della supply chain. Infatti, nei primi anni di Lokad (fondato nel 2008) abbiamo compreso che qualunque ricetta numerica elaborata, più spesso di quanto non accada e non importa quanto buona fosse l’implementazione iniziale, avrebbe dovuto essere riscritta in modo estensivo ogni circa 18 mesi. Questo era il prezzo da pagare per mantenere l’automazione in perfetta sintonia con la strategia e le priorità in continuo mutamento dei nostri clienti. Così, Envision è stato progettato specificamente per rispondere alla necessità di continue riscritture, al fine di evitare l’irrilevanza.

In conclusione, la manutenibilità, per quanto riguarda l’ottimizzazione della supply chain, è in gran parte definita dalla capacità dell’azienda di riscrivere di routine le ricette numeriche che regolano l’esecuzione della propria supply chain. Sebbene tale capacità dipenda dalla dimensione del team di Supply Chain Scientist che può essere assegnato al compito, essa dipende fortemente anche dalla qualità del linguaggio di programmazione utilizzato per implementare le ricette numeriche in primo luogo.