Iniziativa della Catena di Fornitura Quantitativa

learn menu

Catena di Fornitura Quantitativa o SCM Quantitativa, è una prospettiva ampia sulle catene di fornitura che, semplicemente, mira a sfruttare al massimo l’intelligenza umana, potenziata dalle capacità delle moderne risorse informatiche. Tuttavia, questa prospettiva non è esaustiva. Non pretende di essere la soluzione definitiva alle sfide della catena di fornitura, ma di essere un approccio complementare che può quasi sempre essere utilizzato per migliorare la situazione.

L’iniziativa

La Catena di Fornitura Quantitativa aiuta la tua azienda a migliorare la qualità del servizio, a ridurre gli stock e gli svalutamenti in eccesso, a aumentare la produttività, a ridurre i prezzi di acquisto e i costi operativi… e la lista continua. Le sfide della catena di fornitura variano notevolmente a seconda delle diverse situazioni. La Catena di Fornitura Quantitativa abbraccia questa diversità e si impegna a farlo, affrontando al contempo la complessità risultante. Tuttavia, per i professionisti della catena di fornitura abituati ad approcci più classici per ottimizzare le loro catene di fornitura, la Catena di Fornitura Quantitativa potrebbe sembrare un po’ confusa.

Di seguito, esamineremo gli ingredienti necessari per sfruttare al massimo la prospettiva quantitativa sulla catena di fornitura. Esamineremo e chiariremo le ambizioni di un’iniziativa di Catena di Fornitura Quantitativa. Esamineremo i ruoli e le competenze del team incaricato dell’esecuzione dell’iniziativa. Infine, forniremo una breve panoramica della metodologia associata alla Catena di Fornitura Quantitativa.

L’ambizione

Ad eccezione delle aziende molto piccole, una catena di fornitura comporta milioni di decisioni al giorno. Per ogni unità detenuta in magazzino, ogni giorno, l’azienda prende la decisione di mantenerla dove si trova, anziché spostarla altrove. Inoltre, la stessa logica si applica alle unità di stock inesistenti che potrebbero essere prodotte o acquistate. Non fare nulla è già una decisione di per sé.

La Catena di Fornitura Quantitativa si occupa di ottimizzare i milioni di decisioni che l’azienda deve prendere ogni giorno e, poiché stiamo parlando di milioni, se non miliardi di decisioni al giorno, i computer svolgono un ruolo centrale in questa impresa. Questo non sorprende, dal momento che, in fin dei conti, le catene di fornitura sono state storicamente una delle prime funzioni aziendali, dopo la contabilità, ad essere digitalizzate alla fine degli anni ‘70. Tuttavia, la Catena di Fornitura Quantitativa si propone di portare la digitalizzazione un passo avanti.

Qui dobbiamo riconoscere che i tentativi sbagliati di implementare il “sistema di catena di fornitura del futuro” sono stati frequenti negli ultimi due decenni. Troppo spesso, tali sistemi non hanno fatto altro che creare caos nelle catene di fornitura, combinando effetti di scatola nera e automazione fallita, generando così così tante decisioni sbagliate che i problemi non potevano più essere risolti con l’intervento umano.

In qualche misura, la Catena di Fornitura Quantitativa è nata da quegli errori: anziché fingere che il sistema conosca meglio l’azienda della sua stessa gestione, l’attenzione deve essere posta nell’esecuzione delle intuizioni generate dalla gestione, ma con un grado maggiore di affidabilità, chiarezza e agilità. La tecnologia del software ben fatta è un abilitatore capace, ma, considerate le attuali capacità del software, rimuovere completamente le persone dalla soluzione non è un’opzione realistica.

Questa ambizione ha una conseguenza immediata: il software che l’azienda utilizza per tenere traccia dei suoi prodotti, materiali e altre risorse non sarà lo stesso software di cui l’azienda ha bisogno per ottimizzare le sue decisioni. Infatti, che si tratti di un ERP, di un WMS, di un MRP o di un OMS, tutti questi software si concentrano principalmente sull’esecuzione dei processi aziendali e sul flusso delle voci di dati. Non fraintendeteci, ci sono enormi vantaggi nel razionalizzare le voci di dati e automatizzare tutte le attività di carattere amministrativo. Tuttavia, il nostro punto di vista rimane che queste attività non affrontano minimamente la sfida che abbiamo di fronte, ovvero aumentare la capacità della tua azienda di eseguire intuizioni umane, e nella misura richiesta dalla tua catena di fornitura.

Quindi, non c’è ottimizzazione senza misurazione. Pertanto, la Supply Chain Quantitativa riguarda molto le misurazioni, come suggerisce il suo nome. Le decisioni sulla catena di fornitura - acquisto di stock, movimentazione di stock - hanno conseguenze, e la qualità di tali decisioni dovrebbe essere valutata finanziariamente (ad esempio in dollari) con solide prospettive aziendali. Tuttavia, avere metriche buone e solide richiede sforzo, uno sforzo significativo. Uno degli obiettivi della Supply Chain Quantitativa è aiutare l’azienda a stabilire tali metriche, che svolgono anche un ruolo critico durante le fasi successive di un progetto, valutando il rendimento dell’investimento (ROI) dell’iniziativa complessiva della catena di fornitura.

Infine, come accennato in precedenza, la Supply Chain Quantitativa non è un paradigma che abbraccia tutto. Non ha l’ambizione di risolvere o migliorare tutto nella catena di fornitura dell’azienda. Non promette di aiutarti a trovare fornitori affidabili o partner logistici affidabili. Non promette di aiutarti a assumere grandi squadre e mantenerne alto lo spirito. Tuttavia, grazie al suo focus molto specifico, la Supply Chain Quantitativa è pienamente in grado di fornire risultati tangibili.

I ruoli del progetto

La Supply Chain Quantitativa richiede una quantità sorprendentemente bassa di risorse umane, anche quando si gestiscono catene di fornitura di una certa scala. Tuttavia, un’iniziativa del genere richiede risorse specifiche, di cui parleremo nei dettagli in questa sezione. Ma prima di approfondire i diversi ruoli e le loro specificità, iniziamo menzionando un principio fondamentale della Supply Chain Quantitativa: l’azienda dovrebbe capitalizzare ogni intervento umano.

Questo principio va contro ciò che accade nella pratica con le soluzioni tradizionali per la catena di fornitura: gli sforzi umani vengono consumati dalla soluzione, non capitalizzati. Per continuare a produrre un flusso infinito di decisioni, la soluzione richiede un flusso infinito di voci manuali. Tali voci possono assumere molte forme: regolazione dei profili stagionali, gestione di eccezioni e allarmi, correzione di valori di previsione anomali, ecc.

La Supply Chain Quantitativa cerca di invertire questa prospettiva. Non è solo che il lavoro umano è costoso, è che l’esperienza nella catena di fornitura combinata con acute intuizioni aziendali è troppo rara e preziosa per essere sprecata in compiti ripetitivi. La causa principale dell’intervento manuale dovrebbe essere risolta: se i valori di previsione sono errati, allora non ha senso modificare i valori stessi, è necessario correggere i dati di input o l’algoritmo di previsione stesso. Risolvere i sintomi garantisce un’infinita gestione degli stessi problemi.

La dimensione del team necessario per eseguire un’iniziativa di supply chain quantitativa varia a seconda della scala della catena di fornitura stessa. Nella parte inferiore dello spettro, può essere inferiore a un FTE (dipendente a tempo pieno), tipicamente per aziende con un fatturato inferiore a 20 milioni di dollari. Nella parte superiore dello spettro, può coinvolgere una dozzina di persone; ma in questo caso, di solito sono in gioco diversi miliardi di dollari di inventario.

Il Leader della Catena di Fornitura: la Supply Chain Quantitativa è un cambiamento di paradigma. Guidare il cambiamento richiede leadership e supporto dalla alta direzione. Troppo spesso, la leadership della catena di fornitura non ritiene di avere il tempo per essere troppo direttamente coinvolta in ciò che viene percepito come le “tecnicità” di una soluzione. Eppure, la Supply Chain Quantitativa riguarda l’esecuzione di intuizioni strategiche su larga scala. Non condividere le intuizioni strategiche con il team responsabile dell’iniziativa è una ricetta per il fallimento. Non si pretende che la direzione elabori tutte le metriche e gli indicatori di performance rilevanti, poiché richiede molto sforzo metterli insieme, ma ci si aspetta certamente che la direzione li metta in discussione.

Il Coordinatore della Catena di Fornitura: mentre l’iniziativa di Supply Chain Quantitativa stessa è pensata per essere molto snella in termini di personale, la maggior parte delle catene di fornitura non lo è, o almeno non lo è così tanto. Non coinvolgere tutti può portare a confusione e rallentare l’iniziativa. Pertanto, la missione del Coordinatore è raccogliere tutti i necessari feedback interni richiesti dall’iniziativa e comunicare con tutte le parti coinvolte. Il Coordinatore chiarisce i processi e le decisioni che devono essere prese e ottiene feedback sulle metriche e sugli indicatori di performance che verranno utilizzati per ottimizzare tali decisioni. Si assicura anche che la soluzione adotti i flussi di lavoro dell’azienda così come sono, preservando però la possibilità di rivedere tali flussi di lavoro in una fase successiva dell’iniziativa.

L’Ufficiale dei Dati: la Supply Chain Quantitativa dipende in modo critico dai dati e ogni iniziativa deve avere un accesso affidabile ai dati da una prospettiva di elaborazione batch. Infatti, l’iniziativa non riguarda semplicemente la lettura di alcune righe nel sistema aziendale, ma riguarda la lettura di tutto lo storico delle vendite, l’intero storico degli acquisti, l’intero catalogo prodotti, ecc. L’Ufficiale dei Dati è tipicamente delegato dal dipartimento IT per supportare l’iniziativa. È responsabile dell’automazione di tutta la logica di estrazione dei dati e della pianificazione di questa logica per le estrazioni giornaliere. In pratica, gli sforzi dell’Ufficiale dei Dati sono concentrati principalmente all’inizio dell’iniziativa.

Lo Scienziato della Catena di Fornitura: utilizza la tecnologia - di cui parleremo più avanti - per combinare le intuizioni raccolte dal Coordinatore con i dati estratti dall’Ufficiale dei Dati al fine di automatizzare la produzione di decisioni. Lo scienziato inizia preparando i dati, che è un compito sorprendentemente difficile e richiede molto supporto dal Coordinatore, che dovrà interagire con molte persone che hanno prodotto i dati in primo luogo, per chiarire eventuali incertezze. Formalizza la strategia in modo che possa essere utilizzata per generare decisioni - ad esempio, le quantità di riordino suggerite. Infine, lo Scienziato della Catena di Fornitura fornisce all’intera pipeline dei dati dashboard e indicatori di performance per garantire chiarezza, trasparenza e controllo.

Per le aziende di medie dimensioni, avere la stessa persona che ricopre sia il ruolo di Coordinatore che di Ufficiale dei Dati può essere estremamente efficiente. Richiede una serie di competenze che non è sempre facile trovare in un singolo dipendente, tuttavia, se una persona del genere esiste nell’organizzazione, tende ad essere un valore aggiunto per accelerare l’iniziativa. Poi, per le aziende più grandi, anche se il Coordinatore non è molto familiare con i database dell’azienda all’inizio dell’iniziativa, è un grande vantaggio se il Coordinatore è in grado di acquisire un certo livello di familiarità con i database man mano che l’iniziativa procede. Infatti, il panorama IT continua a cambiare e anticipare come il cambiamento influenzerà l’iniziativa aiuta notevolmente a garantire una corretta esecuzione continua.

Piani di abbonamento gestiti di Lokad. Trovare una persona per ricoprire il ruolo di Supply Chain Scientist potrebbe essere una sfida per le aziende che non hanno coltivato competenze in data science per anni. Lokad supporta le iniziative quantitative di supply chain di tali aziende fornendo un “esperto come servizio” attraverso il suo piano di abbonamento Premier. Oltre a fornire il coaching necessario affinché l’iniziativa abbia luogo, Lokad fornisce anche il tempo e l’impegno necessari per implementare la logica che calcola le decisioni e i cruscotti che forniscono chiarezza e controllo richiesti dalla direzione per guadagnare fiducia e comprensione nell’iniziativa stessa.

La tecnologia

Finora siamo stati piuttosto vaghi riguardo alla tecnologia software necessaria per supportare la Supply Chain Quantitativa. Tuttavia, la Supply Chain Quantitativa dipende in modo critico dallo stack tecnologico utilizzato per implementarla. Concettualmente, ogni pezzo di software potrebbe essere reimplementato da zero, ma il Supply Chain Scientist richiede un incredibile supporto dal suo stack per essere anche solo ragionevolmente produttivo. Inoltre, alcune capacità come la previsione e l’ottimizzazione numerica richiedono significativi sforzi di ricerca e sviluppo che vanno ben oltre ciò che il Supply Chain Scientist può fornire durante il corso dell’iniziativa.

Il primo requisito della Supply Chain Quantitativa è una piattaforma dati con capacità programmatiche, e, naturalmente, avere accesso a una piattaforma dati specificamente progettata per gestire dati di supply chain e problemi di supply chain è un vantaggio certo. Ci riferiamo a una piattaforma dati, perché sebbene ogni workstation desktop possa oggi archiviare più terabyte, ciò non significa che questa workstation desktop offrirà altre proprietà desiderabili per portare avanti l’iniziativa: affidabilità contro i guasti hardware, auditabilità per tutti gli accessi, compatibilità con le esportazioni dei dati, ecc. Inoltre, poiché i dataset di supply chain tendono ad essere grandi, la piattaforma dati dovrebbe essere più scalabile, o in altre parole, dovrebbe essere in grado di elaborare grandi quantità di dati in poco tempo.

La piattaforma dati richiede capacità programmatiche, che si riferiscono alla possibilità di implementare ed eseguire praticamente qualsiasi logica di elaborazione dati arbitraria. Tali capacità vengono fornite attraverso un linguaggio di programmazione. La programmazione è correttamente percepita come una competenza molto tecnica e molti fornitori approfittano della paura ispirata dall’idea di dover affrontare una soluzione che richiede “programmazione” per offrire semplici interfacce utente con pulsanti e menu agli utenti. Tuttavia, quando alle squadre di supply chain vengono negate le capacità programmatiche, entrano in gioco i fogli di calcolo di Excel, proprio perché Excel offre capacità programmatiche con la possibilità di scrivere formule che possono essere arbitrariamente complesse. Lontano dall’essere un gadget, le capacità programmatiche sono un requisito fondamentale.

Infine, ci sono significativi vantaggi nel disporre di una piattaforma dati progettata per la supply chain. Infatti, la necessità di una piattaforma dati di qualche tipo è difficilmente specifica della supply chain: il trading quantitativo, come quello svolto da banche e fondi, presenta esigenze simili. Tuttavia, le decisioni di supply chain non richiedono latenze sub-millisecondi come il trading ad alta frequenza. La progettazione di una piattaforma dati è una questione di compromessi ingegneristici e di un ecosistema software, che inizia con i formati dati supportati. Tali compromessi ingegneristici e l’ecosistema software dovrebbero essere allineati alle sfide della supply chain stessa.

Il secondo requisito di Quantitative Supply Chain è un motore di previsione probabilistica. Questo software è responsabile di assegnare una probabilità a ogni possibile futuro. Sebbene questo tipo di previsione sia un po’ sconcertante all’inizio perché va contro l’intuizione di prevedere il futuro, il “trucco” sta effettivamente nell’incertezza: il futuro non è certo e una singola previsione è garantita di essere sbagliata. La prospettiva classica di previsione nega l’incertezza e la variabilità, e di conseguenza, l’azienda si trova a lottare con una previsione che doveva essere accurata, ma non lo è. Un motore di previsione probabilistica affronta direttamente questo problema risolvendo la questione con le probabilità.

La previsione probabilistica nella supply chain è tipicamente un processo a 2 fasi che inizia con una previsione del tempo di consegna e prosegue con una previsione della domanda. La previsione del tempo di consegna è una previsione probabilistica: viene assegnata una probabilità a tutte le possibili durate del tempo di consegna, di solito espresse in giorni. Successivamente, la previsione della domanda è anch’essa una previsione probabilistica e questa previsione si basa sulla previsione del tempo di consegna fornita come input. In questo modo, l’orizzonte da coprire dalla previsione della domanda deve corrispondere ai tempi di consegna, che sono a loro volta incerti.

Poiché il motore di previsione probabilistica fornisce insiemi di distribuzioni di probabilità, le sue previsioni comportano molti più dati rispetto alle previsioni di un motore di previsione classico. Questo non è un problema bloccante di per sé, ma per evitare di affrontare troppa frizione durante l’elaborazione di un insieme massiccio di probabilità, è necessario un alto grado di cooperazione tra la piattaforma dati e il motore di previsione.

Stack tecnologico di Lokad. Potremmo dire che la tecnologia di Lokad è stata progettata per abbracciare la prospettiva della Quantitative Supply Chain, ma in realtà è successo il contrario. I team di R&S di Lokad hanno fatto una svolta nella previsione probabilistica e nella scoperta di modelli di elaborazione dati che si adattavano molto meglio alle sfide della supply chain rispetto agli approcci tradizionali. Abbiamo realizzato l’entità della svolta, poiché siamo stati in grado di osservare livelli superiori di performance una volta che quegli elementi sono stati messi in produzione. Ciò ha portato Lokad alla prospettiva della Quantitative Supply Chain come modo per chiarire ciò che i team di Lokad stavano effettivamente facendo. Lokad ha sia una piattaforma dati - chiamata Envision - che un motore di previsione probabilistica. Come puoi vedere, la Quantitative Supply Chain ha radici molto empiriche.

Le fasi del progetto

La Quantitative Supply Chain è fortemente ispirata dalla R&S dell’ingegneria del software e dalle migliori pratiche conosciute della data science. La metodologia è altamente iterativa, con scarso enfasi dato alla specificazione preliminare e un alto enfasi sull’agilità e sulla capacità di riprendersi da problemi e/o risultati inaspettati. Di conseguenza, questa metodologia tende ad essere percepita come piuttosto sorprendente dalle aziende che non sono profondamente coinvolte nell’industria del software stesse.

La prima fase è la fase di definizione, che definisce quali decisioni di supply chain sono destinate ad essere coperte dall’iniziativa. Questa fase viene utilizzata anche per diagnosticare la complessità prevista coinvolta nel processo decisionale e i dati rilevanti.

La seconda fase è la fase di preparazione dei dati. Questa consiste nell’istituire una configurazione automatizzata che copia tutti i dati rilevanti dai sistemi aziendali a una piattaforma analitica separata. Consiste anche nella preparazione di questi dati per l’analisi quantitativa.

La terza fase è la fase pilota e consiste nell’implementare una logica iniziale di presa di decisione che genera decisioni, ad esempio le quantità di acquisto suggerite, che di per sé già superano i processi precedenti dell’azienda. Si prevede che questa logica sia completamente automatizzata.

La quarta fase è la fase di produzione, che porta l’iniziativa alla velocità di crociera in cui le prestazioni vengono monitorate e mantenute, e in cui si raggiunge un consenso sul grado desiderabile di raffinamento per i modelli di supply chain stessi.

La fase di definizione è la più semplice e identifica le decisioni di routine che l’iniziativa Quantitative Supply Chain intende coprire. Queste decisioni potrebbero comportare molte restrizioni: MOQ (quantità minima d’ordine), container completi, capacità massima del magazzino, … e queste restrizioni dovrebbero essere esaminate attentamente. Poi, le decisioni sono anche associate a driver economici: costi di gestione, costo delle rotture di stock, margine lordo, … e tali driver economici dovrebbero essere studiati. Infine, i dati storici rilevanti dovrebbero essere identificati, insieme ai sistemi dai quali verranno estratti i dati.

La fase di preparazione dei dati è la fase più difficile; la maggior parte dei fallimenti tende a verificarsi in questa fase. Ottenere l’accesso ai dati e dare un senso ai dati è quasi sempre una sfida sottovalutata. I sistemi operativi (ad esempio ERP / MRP / WMS / OMS) sono stati progettati per far funzionare l’azienda, per mantenerla in funzione. I dati storici sono un sottoprodotto di tali sistemi poiché la registrazione dei dati non era il motivo per cui quei sistemi sono stati implementati in primo luogo. Pertanto, ci si dovrebbe aspettare molte difficoltà in questa fase. Di fronte a difficoltà, la maggior parte delle aziende ha un riflesso sfortunato: torniamo indietro e scriviamo una specifica completa. Purtroppo, una specifica può coprire solo le difficoltà conosciute o previste. Eppure, quasi tutti i problemi principali che si incontrano in questa fase sono elementi che non possono essere pianificati.

In realtà, i problemi tendono tipicamente a essere rivelati solo quando qualcuno inizia effettivamente a mettere i dati alla prova per generare decisioni basate sui dati. Se le decisioni risultano sbagliate mentre la logica è considerata corretta, allora probabilmente c’è un problema con i dati. Le decisioni basate sui dati tendono ad essere piuttosto sensibili ai problemi dei dati e quindi rappresentano un ottimo modo per mettere alla prova quanto controllo l’azienda ha sui propri dati. Inoltre, questo processo mette alla prova i dati in modi significativi per l’azienda. La qualità dei dati e la comprensione dei dati sono solo mezzi per un fine: fornire qualcosa di valore per l’azienda. È molto ragionevole concentrare gli sforzi sui problemi dei dati che hanno un impatto significativo sulle decisioni basate sui dati.

La fase pilota è la fase che mette alla prova la gestione della supply chain. Abbracciare l’incertezza con previsioni probabilistiche può essere piuttosto controintuitivo. Allo stesso tempo, molte pratiche tradizionali come previsioni settimanali o mensili, scorte di sicurezza, coperture di magazzino, avvisi di magazzino o analisi ABC fanno più male che bene. Ciò non significa che l’iniziativa Quantitative Supply Chain debba essere lasciata libera. In realtà, è esattamente il contrario, poiché la Quantitative Supply Chain riguarda tutte le prestazioni misurabili. Tuttavia, molte pratiche tradizionali di supply chain hanno la tendenza a inquadrare i problemi in modi che sono avversi alla risoluzione di tali problemi. Pertanto, durante la fase pilota, una sfida chiave per la leadership della supply chain è rimanere aperti mentalmente e non reiniettare nell’iniziativa gli stessi ingredienti che genereranno inefficienze in una fase successiva. Non puoi amare la causa mentre maledici la conseguenza.

Poi, anche lo Supply Chain Scientist e la tecnologia vengono messi alla prova, dato che la logica deve essere implementata per generare le decisioni in un periodo di tempo relativamente breve. L’obiettivo iniziale è semplicemente generare decisioni che i professionisti percepiscono come ragionevoli, decisioni che non richiedono necessariamente correzioni manuali. Suggeriamo di non sottovalutare quanto sia grande la sfida di generare decisioni automatizzate “corrette”. I sistemi tradizionali di supply chain richiedono molte correzioni manuali per funzionare: nuovi prodotti, promozioni, mancanza di scorte… La Quantitative Supply Chain stabilisce una nuova regola: non sono più ammesse voci manuali per operazioni banali, tutti i fattori devono essere incorporati nella logica.

Lo Supply Chain Coordinator è lì per raccogliere tutti i fattori, i flussi di lavoro e le specificità che devono essere integrate nella logica decisionale. Successivamente, lo Supply Chain Scientist implementa il primo gruppo di KPI associati alle decisioni. Questi KPI vengono introdotti per evitare gli effetti della “scatola nera” che tendono a sorgere quando vengono utilizzati metodi numerici avanzati. È importante notare che i KPI vengono ideati insieme allo Supply Chain Leader che si assicura che le misurazioni siano allineate alla strategia dell’azienda.

La fase di produzione stabilizza l’iniziativa e la porta a velocità di crociera. Le decisioni generate dalla logica vengono attivamente utilizzate e i loro risultati associati vengono monitorati attentamente. Di solito ci vogliono alcune settimane o alcuni mesi per valutare l’impatto di una qualsiasi decisione di supply chain a causa dei tempi di consegna coinvolti. Pertanto, il cambiamento di ritmo dell’iniziativa nella fase di produzione viene rallentato, in modo da poter effettuare valutazioni affidabili sulle prestazioni delle decisioni automatizzate. L’iniziativa entra in una fase di miglioramento continuo. Sebbene ulteriori miglioramenti siano sempre desiderabili, è necessario trovare un equilibrio tra i benefici dei possibili perfezionamenti della logica e la complessità corrispondente di tali perfezionamenti, al fine di mantenere l’intera soluzione gestibile.

Lo Supply Chain Coordinator, libero dai suoi compiti di inserimento dati banali, può ora concentrarsi sulle intuizioni strategiche proposte dalla gestione della supply chain. Di solito, i desiderabili cambiamenti dei processi di supply chain che possono essere stati identificati durante la fase pilota sono stati messi in attesa per evitare di interrompere le operazioni cambiando tutto in una volta. Tuttavia, ora che il ritmo di cambiamento della logica decisionale si è rallentato, diventa possibile rivedere incrementalmente i processi, al fine di sbloccare miglioramenti delle prestazioni che richiedono decisioni più che routine.

Lo Supply Chain Scientist continua a perfezionare la logica mettendo sempre più enfasi sui KPI e sulla qualità dei dati. È anche responsabile della revisione della logica poiché nel tempo vengono scoperti difetti o limitazioni sottili, tipicamente legati a situazioni non frequenti. Quindi, man mano che i processi cambiano, anche la logica decisionale viene rivista, al fine di rimanere completamente allineata con i flussi di lavoro e la strategia. Inoltre, anche quando i processi interni non cambiano, il panorama generale IT e aziendale continua comunque a cambiare: lo Supply Chain Scientist deve assicurarsi che la logica decisionale rimanga aggiornata in questo costante stato di flusso.

I deliverable

L’obiettivo della Supply Chain Quantitativa è fornire decisioni operative - ad esempio, quantità consigliate per gli ordini di acquisto. Di seguito, chiariremo ulteriormente la forma specifica e il meccanismo di consegna di tali decisioni. Stabilire aspettative chiare per i deliverable è un passo importante nel percorso che rappresenta la Supply Chain Quantitativa. Inoltre, i risultati numerici ottimizzati non sono l’unico output desiderabile: diversi altri output, in particolare il monitoraggio della salute dei dati e i KPI di gestione, dovrebbero essere inclusi nel deliverable. In pratica, i deliverable di un’iniziativa di Supply Chain Quantitativa dipendono dalla flessibilità della soluzione software utilizzata per supportare l’iniziativa stessa. Tuttavia, sono principalmente definiti dalla loro intenzione, che è agnostica rispetto alla tecnologia utilizzata.

Script come deliverable

La Supply Chain Quantitativa enfatizza i flussi di dati completamente automatizzati. Ciò non implica che la configurazione del software debba funzionare in modo autonomo. È naturalmente auspicabile un alto grado di supervisione ravvicinata ogni volta che si considera una supply chain su larga scala. Tuttavia, ci si aspetta che il flusso di dati sia completamente automatizzato nel senso che nessun singolo passaggio nel flusso di dati dipende effettivamente da un’operazione manuale. Infatti, come delineato nel manifesto, quando le operazioni manuali sono coinvolte nel supporto al trattamento dei dati della supply chain, la soluzione semplicemente non scala nella pratica.

Come conseguenza diretta di questa intuizione, i deliverable di un’iniziativa di Supply Chain Quantitativa sono inevitabilmente interi pezzi di software. Ciò non implica che il team responsabile debba reimplementare tutto: una soluzione software dedicata alla Supply Chain Quantitativa offre la possibilità di concentrarsi esclusivamente sugli aspetti rilevanti delle sfide della supply chain. Tutte le tecniche a basso livello, come il sfruttamento delle risorse di calcolo distribuite allocate automaticamente all’interno di una piattaforma di cloud computing, devono essere astratte. Il team non ha bisogno di approfondire tali questioni, perché si prevede che tali aspetti siano adeguatamente gestiti dallo strumento stesso.

I deliverable sono materializzati come script scritti tipicamente in un linguaggio di programmazione in grado di soddisfare i requisiti della supply chain, pur offrendo un alto livello di produttività. Il termine “script” viene utilizzato qui invece di “codice sorgente”, ma i due termini sono strettamente correlati: uno “script” sottolinea l’idea di un alto grado di astrazione e di focalizzazione sul compito stesso, mentre un “codice sorgente” enfatizza una prospettiva a un livello inferiore, intesa come una riflessione accurata dell’hardware di calcolo stesso. Per la Supply Chain Quantitativa, è ovviamente la prospettiva della supply chain che conta di più, non l’hardware di calcolo, che è un aspetto tecnico di importanza secondaria.

Negli ultimi dieci anni, il successo delle interfacce utente WYSIWYG (what-you-see-is-what-you-get) per le app destinate agli utenti finali ha spinto molti fornitori di software per la supply chain a cercare di emulare questo approccio con una soluzione WYSIWYG per la pianificazione e l’ottimizzazione della supply chain. Tuttavia, l’insegnamento del fallimento quasi sistematico di questi tipi di interfacce è che le supply chain sono complesse e non possono evitare la necessità di strumenti programmabili. Dalla nostra esperienza, aspettarsi che uno strumento di trascinamento e rilascio sia in grado di riflettere correttamente le complesse non linearità coinvolte, ad esempio, nelle quantità minime di ordinazione sovrapposte (MOQ), è al massimo illusorio. È richiesta un’espressività programmabile perché, in caso contrario, la sfida della supply chain non può nemmeno essere espressa all’interno dello strumento.

Naturalmente, dal punto di vista dell’utente finale, gli script non sono ciò che i professionisti della supply chain si aspetterebbero di vedere come un output tangibile dell’iniziativa di Supply Chain Quantitativa. Le persone interagiranno con dashboard che contengono KPI consolidati e tabelle che raccolgono decisioni suggerite. Tuttavia, queste dashboard sono transitorie e usa e getta. Sono ottenute semplicemente eseguendo nuovamente gli script sui dati rilevanti della supply chain. Sebbene la distinzione sia un po’ sottile, è importante non confondere lo script, che rappresenta il vero deliverable, con la sua espressione numerica, che è tipicamente ciò che si può vedere come utente finale della soluzione.

Dashboard sulla salute dei dati

Prima di considerare la fornitura di decisioni ottimizzate per la supply chain, è necessario assicurarsi che i dati elaborati dal sistema che supporta l’iniziativa di Supply Chain Quantitativa siano corretti sia numericamente che semanticamente. Lo scopo delle dashboard di monitoraggio della salute dei dati, o semplicemente dashboard sulla salute dei dati, è garantire un elevato grado di fiducia nella correttezza dei dati, che è naturalmente un requisito essenziale per l’accuratezza di tutti i risultati numerici restituiti dalla soluzione. Queste dashboard assistono anche il team della supply chain nel migliorare la qualità dei dati esistenti.

Gli errori numerici sono semplici: il file CSV esportato dall’ERP indica che il prodotto ABC ha 42 unità in magazzino, mentre la console web dell’ERP riporta solo 13 unità in magazzino. È evidente qui che abbiamo numeri divergenti dove dovrebbero essere gli stessi. Le dashboard sulla salute dei dati affrontano questi problemi relativamente ovvi semplicemente verificando che gli aggregati dei dati rimangano all’interno dei range numerici attesi.

Gli errori semantici sono più sottili e, nella pratica, molto più difficili da individuare. La maggior parte del lavoro svolto durante la preparazione dei dati consiste effettivamente nell’individuare e affrontare tutti gli errori semantici. Ad esempio: il campo stockinv nell’ERP potrebbe essere documentato come “stock a disposizione”. Pertanto, il team della supply chain assume che questa quantità non possa mai essere negativa, perché ovviamente, se quelle unità sono fisicamente raggiungibili sullo scaffale, deve essere una quantità positiva. Tuttavia, la documentazione dell’ERP potrebbe anche essere leggermente fuorviante, e questa quantità sarebbe stata più appropriatamente chiamata “stock disponibile” perché ogni volta che si verifica una carenza di magazzino e il cliente emette un backorder, la quantità può diventare negativa per riflettere che un certo numero di unità è già dovuto a un cliente. Questo caso illustra un errore semantico: il numero non è sbagliato di per sé - è l’interpretazione del numero che è approssimativa. Nella pratica, le approssimazioni semantiche possono generare molti comportamenti incoerenti, che a loro volta generano costi di attrito continui all’interno della supply chain.

Le dashboard sulla salute dei dati consolidano numeri che consentono all’azienda di decidere sul momento se i dati possono essere considerati sufficientemente affidabili o meno. Infatti, poiché la soluzione verrà utilizzata quotidianamente per scopi produttivi, è imperativo che un problema significativo di dati venga identificato attraverso un’ispezione quasi istantanea. In caso contrario, le probabilità sono che la supply chain finirà per operare per giorni, se non settimane, su dati errati. A questo proposito, la dashboard sulla salute dei dati è simile a un semaforo: verde si passa, rosso si ferma.

Inoltre, quando si considera una supply chain di dimensioni considerevoli, di solito c’è una quantità irriducibile di dati corrotti o altrimenti errati. Questi dati derivano da inserimenti manuali errati o da casi limite rari nei sistemi aziendali stessi. Nella pratica, per qualsiasi supply chain di dimensioni considerevoli, è irragionevole aspettarsi che i dati della supply chain siano accurati al 100%. Invece, è necessario assicurarsi che i dati siano abbastanza accurati da mantenere i costi di attrito generati da quegli errori quasi trascurabili.

Pertanto, ci si aspetta che le dashboard sulla salute dei dati raccolgano anche statistiche sugli errori di dati identificati. Queste statistiche sono fondamentali per stabilire che i dati possano essere considerati affidabili. A tal fine, spesso si richiede l’intervento di un Supply Chain Scientist per stabilire soglie di allerta ben scelte, tipicamente associate a un arresto completo della soluzione. È necessario fare attenzione nell’individuare le soglie perché, se sono troppo basse, la soluzione non è utilizzabile, in quanto viene interrotta troppo frequentemente per “problemi di dati identificati”; tuttavia, se sono troppo alte, i costi di attrito generati dagli errori di dati possono diventare significativi e compromettere i benefici apportati dall’iniziativa stessa.

Oltre alla segnalazione rosso-verde, le dashboard sulla salute dei dati sono anche destinate a offrire informazioni prioritarie sugli sforzi di miglioramento dei dati. Infatti, molti punti dati potrebbero essere errati ma anche insignificanti. Ad esempio, non importa se il prezzo di acquisto di un prodotto è errato se la domanda di mercato per questo prodotto è scomparsa anni fa, poiché non ci saranno ulteriori ordini di acquisto per questo prodotto.

La Supply Chain Quantitativa sottolinea che la risoluzione dettagliata degli errori di dati, che può comportare una considerevole quantità di lavoro manuale, dovrebbe essere prioritizzata rispetto all’impatto finanziario stimato dell’errore di dati stesso rispetto al costo del lavoro associato alla correzione. Infatti, a seconda della situazione, il costo associato alla correzione di un singolo punto dati errato varia enormemente e deve essere preso in considerazione nella prioritizzazione suggerita. Infine, quando il costo delle correzioni viene ritenuto più elevato rispetto ai costi della supply chain generati da quegli errori, il processo di miglioramento dei dati può essere interrotto.

Dashboard decisionali prioritarie

Come abbiamo visto, solo le decisioni sulla supply chain possono essere valutate veramente da un punto di vista quantitativo. Pertanto, non sorprende che uno dei principali risultati operativi di un’iniziativa di Supply Chain Quantitativa siano le dashboard che consolidano le decisioni ottenute come risultato numerico finale di tutto il flusso di dati. Una tale dashboard può essere semplicemente una tabella che elenca per ogni prodotto la quantità esatta in unità da riordinare immediatamente. Se sono presenti MOQ (quantità minima d’ordine) o qualsiasi altro vincolo di ordinazione alternativo, le quantità suggerite potrebbero essere zero la maggior parte delle volte, fino a quando non vengono raggiunte le soglie appropriate.

Per semplicità, assumiamo qui che questi risultati numerici siano raccolti in una dashboard, che è una forma specifica di interfaccia utente. Tuttavia, la dashboard stessa è solo una delle opzioni, che può essere rilevante o meno. Nella pratica, ci si aspetta che il software che alimenta l’iniziativa di Supply Chain Quantitativa sia altamente flessibile, ovvero flessibile dal punto di vista programmabile, offrendo molti modi per confezionare quei risultati in vari formati di dati. Ad esempio, i risultati numerici possono essere consolidati all’interno di file di testo piatti, che sono destinati ad essere importati automaticamente nell’ERP primario utilizzato per gestire le risorse dell’azienda.

Mentre il formato delle decisioni dipende molto dal compito della supply chain affrontato, la maggior parte dei compiti richiede di dare priorità a tali decisioni. Ad esempio, l’atto di calcolare le quantità suggerite per un ordine di acquisto può essere scomposto attraverso un elenco prioritario di unità da acquisire. L’unità più redditizia viene classificata al primo posto. Poiché le scorte comportano rendimenti decrescenti, la seconda unità acquisita per lo stesso prodotto copre una frazione decrescente della domanda di mercato. Pertanto, la seconda unità per questo stesso prodotto potrebbe non essere la seconda voce nell’elenco complessivo. Invece, l’unità più redditizia può essere associata ad un altro prodotto, ecc. L’elenco prioritario delle unità da acquisire è concettualmente senza fine: è sempre possibile acquistare un’unità in più. Poiché la domanda di mercato è finita, tutte le unità acquistate diventerebbero scorte invendute dopo un certo punto. Trasformare questo elenco prioritario nelle quantità finali da acquistare richiede solo l’introduzione di un criterio di arresto e la somma delle quantità per prodotto. Nella pratica, i vincoli di ordinazione non lineari complicano ulteriormente questo compito, ma, per semplicità, metteremo da parte questi vincoli in questa fase della discussione.

La priorità delle decisioni è un’operazione molto naturale dal punto di vista della Supply Chain Quantitativa. Poiché ogni decisione è associata a un risultato finanziario espresso in dollari, classificare le decisioni dal più redditizio al meno redditizio è semplice. Pertanto, molti, se non la maggior parte, dei cruscotti che compilano le decisioni suggerite della supply chain possono essere, nella pratica, elenchi prioritari di decisioni. Questi cruscotti contengono elenchi con decisioni molto redditizie in cima e decisioni molto poco redditizie in fondo. In alternativa, gli operatori della supply chain possono decidere di troncare gli elenchi quando le decisioni non sono redditizie. Tuttavia, spesso ci sono informazioni da ricavare dall’ispezione delle decisioni che si trovano appena al di sotto della soglia di redditività, anche se ovviamente l’azienda non è tenuta ad agire su quelle voci non redditizie.

Per fornire questo tipo di cruscotti basati sulle decisioni, la soluzione software che supporta la Supply Chain Quantitativa deve esplorare numericamente vaste quantità di decisioni possibili. Ad esempio, la soluzione dovrebbe essere in grado di considerare l’impatto finanziario dell’acquisto di ogni singola unità, unità per unità, per ogni singolo prodotto in ogni singola posizione. Non sorprende che questa operazione possa richiedere risorse di calcolo considerevoli. Fortunatamente, oggi le risorse informatiche sono in grado di gestire anche le più grandi supply chain globali. Presumendo che la soluzione software sottostante sia adeguatamente progettata per la Supply Chain Quantitativa, la scalabilità dell’elaborazione dei dati non dovrebbe essere un problema per le squadre della supply chain.

Rendere trasparenti i risultati numerici

I sistemi derisoriamente definiti “scatole nere” nella supply chain e in altri settori sono sistemi che generano output che non possono essere spiegati dagli operatori che interagiscono con tali sistemi. Anche la Supply Chain Quantitativa, con il suo specifico focus su un flusso di dati automatizzato, corre il rischio di fornire ciò che le squadre della supply chain classificherebbero come “scatole nere”. Infatti, le implicazioni finanziarie delle decisioni della supply chain sono molto importanti per un’azienda e, sebbene un sistema più recente possa migliorare la situazione, può anche potenzialmente creare disastri. Sebbene l’automazione sia molto desiderabile, ciò non significa che ci si aspetti che il team della supply chain abbia una comprensione approfondita di ciò che viene fornito dal flusso di dati che supporta l’iniziativa della Supply Chain Quantitativa.

Il termine rendere trasparente si riferisce all’effort necessario per rendere la soluzione completamente trasparente a beneficio delle squadre della supply chain. Questo approccio sottolinea che nessuna tecnologia è trasparente per design. La trasparenza è il risultato finale di uno sforzo specifico, che fa parte dell’iniziativa stessa. Anche una semplice regressione lineare può generare risultati sorprendenti nella pratica. Mettendo da parte alcuni individui eccezionali, la maggior parte delle persone non ha una comprensione intuitiva di quale dovrebbe essere l’output “previsto” del modello lineare quando sono coinvolti 4 o più dimensioni. Tuttavia, i problemi della supply chain spesso coinvolgono decine di variabili, se non centinaia. Pertanto, anche i modelli statistici semplicistici sono di fatto scatole nere per gli operatori della supply chain. Naturalmente, quando vengono utilizzati algoritmi di machine learning, come raccomandato dalla Supply Chain Quantitativa, lasciano gli operatori ancora più nel buio.

Sebbene l’effetto della scatola nera sia un problema reale, una soluzione realistica non consiste nel semplificare l’elaborazione dei dati in calcoli immediatamente intuitivi per la mente umana. Questo approccio è una ricetta per un’estrema inefficienza, che demolisce completamente tutti i vantaggi delle moderne risorse informatiche, che possono essere utilizzate per affrontare la complessità delle moderne supply chain. Semplificare il processo non è la risposta. La soluzione è rendere trasparente.

Anche le raccomandazioni più complesse per la supply chain possono essere rese in gran parte trasparenti agli operatori della supply chain, semplicemente decomponendo i calcoli interni con indicatori finanziari ben scelti, che rappresentano i driver economici che supportano la stessa raccomandazione. Ad esempio, invece di mostrare semplicemente una tabella con due colonne prodotto e quantità come ordine di acquisto suggerito, la tabella dovrebbe includere un paio di colonne che aiutano la presa di decisioni. Queste colonne extra possono includere la scorta attuale, la domanda totale dell’ultimo mese, il tempo di consegna previsto, il costo finanziario previsto di una mancanza di scorte (se non viene effettuato alcun ordine), il costo finanziario previsto di un eccesso di scorte (rischio associato all’ordine suggerito), ecc. Le colonne sono progettate per fornire al team della supply chain rapidi controlli di coerenza delle quantità suggerite. Attraverso le colonne, il team può rapidamente instaurare fiducia nell’output numerico e può anche identificare alcune delle debolezze di una soluzione che necessita di ulteriori miglioramenti.

Estendere i cruscotti per scopi di trasparenza è in parte un’arte. Generare milioni di numeri è facile, anche avendo accesso a risorse informatiche non superiori a quelle disponibili su uno smartphone. Tuttavia, generare 10 numeri degni di essere osservati su base giornaliera è molto difficile. Pertanto, la sfida principale è identificare una dozzina o meno di KPI che siano sufficienti per fare luce sulle decisioni raccomandate per la supply chain. I buoni KPI richiedono tipicamente molto lavoro; non dovrebbero essere definizioni naive, che di solito sono fuorvianti nella supply chain. Ad esempio, anche una colonna semplice come “prezzo unitario di acquisto” può essere molto fuorviante se il fornitore offre sconti sul volume, rendendo così il prezzo di acquisto dipendente dalla quantità acquistata.

Cruscotti strategici

Sebbene il focus sulle decisioni a piccola scala sia necessario - poiché è uno dei pochi approcci che si presta a valutazioni quantitative delle prestazioni - la supply chain potrebbe anche dover essere adeguata in modi più grandi e più disruptivi, per aumentare le prestazioni al livello successivo. Ad esempio, l’acquisto di un maggior numero di unità di magazzino ben scelte aumenta marginalmente il livello di servizio. Tuttavia, ad un certo punto, il magazzino è pieno e non è possibile acquistare ulteriori unità. In questa situazione, dovrebbe essere presa in considerazione l’opzione di un magazzino più grande. Per valutare l’impatto di questa limitazione, possiamo rimuovere il vincolo di capacità del magazzino dai calcoli e valutare il vantaggio finanziario complessivo di operare con un magazzino arbitrariamente grande. La gestione della supply chain può quindi tenere d’occhio l’indicatore finanziario associato al costo di attrito imposto dalla capacità del magazzino stesso e decidere quando è il momento di considerare l’aumento della capacità di stoccaggio.

Tipicamente, le supply chain operano sulla base di numerosi vincoli che non possono essere rivisti su base giornaliera. Questi vincoli possono includere il capitale circolante, la capacità di stoccaggio, i ritardi nel trasporto, la capacità di produzione, ecc. Ogni vincolo è associato a un costo opportunità implicito per la supply chain, che di solito si traduce in più scorte, più ritardi o più mancanze di scorte. Il costo opportunità può essere valutato attraverso i guadagni di prestazione che si otterrebbero rimuovendo o indebolendo il vincolo stesso. Mentre alcune di queste simulazioni possono rivelarsi difficili da implementare, spesso non sono più difficili dell’ottimizzazione delle decisioni di routine, ovvero stabilire le quantità degli ordini di acquisto.

La Supply Chain Quantitativa sottolinea che i costi opportunità associati a questi vincoli dovrebbero far parte del flusso di dati di produzione e, tipicamente, dovrebbero essere materializzati con cruscotti dedicati, specificamente intesi ad aiutare la gestione della supply chain a decidere quando è il momento di apportare cambiamenti più significativi alla loro supply chain. Questi tipi di cruscotti sono definiti cruscotti strategici. Questo approccio differisce dalla pratica tradizionale della supply chain che enfatizza iniziative ad hoc quando si sente che la supply chain sta per raggiungere un limite operativo. Infatti, i KPI forniti dai cruscotti strategici vengono aggiornati su base giornaliera, o più frequentemente se necessario, proprio come il resto del flusso di dati. Non è necessario fare un ultimo sforzo disperato all’ultimo minuto, perché sono aggiornati e pronti a sfruttare le intuizioni acquisite da un’iniziativa a lunga durata.

I cruscotti strategici supportano il processo decisionale della gestione della supply chain. Poiché fanno parte del flusso di dati, quando il mercato inizia a evolversi più velocemente del solito, i KPI rimangono aggiornati sulla situazione attuale dell’azienda. Questo approccio evita le tradizionali insidie associate alle indagini ad hoc che inevitabilmente aggiungono ulteriori ritardi a problemi già in ritardo. Questo approccio mitiga anche in larga misura il problema alternativo, ovvero decisioni strategiche affrettate che si rivelano non redditizie - una condizione deplorevole che avrebbe potuto essere prevista fin dall’inizio.

Cruscotti ispettivi

Le supply chain sono complesse e erratiche. Queste proprietà rendono il debug del flusso di dati un compito estremamente difficile. Eppure, questo flusso di dati è il midollo spinale dell’iniziativa di Supply Chain Quantitativa. Gli errori di elaborazione dei dati, o bug, possono verificarsi ovunque nel flusso di dati. Peggio ancora, il tipo di problema più frequente non è la formula errata, ma la semantica ambigua. Ad esempio, all’inizio del flusso di dati, la variabile stockinv potrebbe riferirsi allo stock disponibile (dove i valori negativi sono possibili), mentre in seguito, la stessa variabile viene utilizzata con un’interpretazione di stock in magazzino (dove ci si aspetta che i valori siano positivi). L’interpretazione ambigua della variabile stockinv può generare una vasta gamma di comportamenti errati, che vanno da crash di sistema - che sono ovvi, quindi solo moderatamente dannosi - a una corruzione silenziosa e diffusa delle decisioni della supply chain.

Poiché le supply chain sono quasi sempre costruite con una combinazione unica di soluzioni software create nel corso degli anni, non c’è speranza di ottenere accesso a una soluzione software “provata” priva di bug. Infatti, la maggior parte dei problemi si verifica ai confini del sistema, quando si conciliano dati provenienti da diversi sistemi, o anche solo dati provenienti da diversi moduli all’interno dello stesso sistema. Pertanto, non importa quanto sia provata la soluzione software, gli strumenti devono essere in grado di supportare agevolmente il processo di debug, poiché questo tipo di problemi è destinato a verificarsi.

Lo scopo dei cruscotti ispettivi è fornire viste dettagliate per un’ispezione minuziosa dei dataset della supply chain. Tuttavia, questi cruscotti non sono semplici drill-down per ispezionare le tabelle dei dati di input. Un tale drill-down, o approccio di taglio e cucito simile sui dati, mancherebbe il punto. Le supply chain riguardano tutti i flussi: flusso di materiali, flusso di pagamenti, ecc. Alcuni dei problemi di dati più gravi si verificano quando la continuità del flusso viene “logicamente” persa. Ad esempio, quando si spostano merci dal magazzino A al magazzino B, il database del magazzino B potrebbe non avere alcune voci di prodotto, generando quindi sottili corruzioni dei dati, poiché le unità provenienti dal magazzino A vengono ricevute nel magazzino B senza essere correttamente collegate al loro prodotto. Quando i risultati numerici sembrano strani, questi cruscotti ispettivi sono l’opzione preferita per il Supply Chain Scientist per effettuare un’indagine rapida sui dati di esempio.

In pratica, un cruscotto ispettivo fornisce un punto di ingresso a basso livello come un codice prodotto o un SKU, e consolida tutti i dati associati a questo punto di ingresso in una singola visualizzazione. Quando le merci stanno fluendo attraverso molte posizioni, come accade ad esempio nelle supply chain aerospaziali, il cruscotto ispettivo cerca di ricostruire le traiettorie delle merci, che possono essere transitate non solo attraverso molte posizioni fisiche, ma anche attraverso molti sistemi. Raccogliendo tutti questi dati in un unico luogo, diventa possibile per il Supply Chain Scientist valutare se i dati hanno senso: è possibile identificare da dove provengono le merci che vengono spedite? Gli spostamenti di magazzino sono allineati alle politiche ufficiali della supply chain, ecc.? Il cruscotto ispettivo è uno strumento di “debugging” in quanto è progettato per riunire i dati che sono strettamente correlati, non da un punto di vista informatico, ma da un punto di vista della supply chain.

Uno dei problemi più bizzarri che Lokad ha affrontato durante l’indagine sui dataset della supply chain è stato il caso delle parti teletrasportate. L’azienda - in questo caso una compagnia aerea - aveva parti di aeromobili stoccate sia in Europa continentale che nell’Asia meridionale. Poiché la sicurezza degli aeromobili è un requisito assoluto per operare, l’azienda ha mantenuto registri di movimento delle scorte impeccabili per tutte le sue parti. Tuttavia, utilizzando un cruscotto ispettivo appena ideato, il team di Lokad si è reso conto che alcune parti si stavano spostando dall’Asia all’Europa e viceversa, presumibilmente in soli 2 o 3 minuti. Poiché le parti degli aeromobili venivano trasportate in aereo, ci si sarebbe aspettati che il tempo di trasporto fosse di almeno una dozzina di ore - certamente non minuti. Abbiamo subito sospettato qualche problema di fuso orario o di altro tipo di tempo del computer, ma i registri di tempo si sono rivelati impeccabili. Poi, approfondendo ulteriormente i dati, è emerso che le parti che erano state teletrasportate venivano effettivamente utilizzate e montate sugli aeromobili nella loro posizione di atterraggio, una scoperta ancora più sconcertante. Lasciando che i team della supply chain guardassero da soli i cruscotti ispettivi, il mistero è stato finalmente svelato. Le parti teletrasportate erano ruote degli aeromobili composte da due mezze ruote più un pneumatico. La ruota poteva essere smontata smontando le due mezze ruote e il pneumatico. Nel caso più estremo, se le due mezze ruote e gli pneumatici venivano rimossi, non restava nulla fisicamente. Pertanto, la ruota completamente smontata poteva essere liberamente rimontata ovunque, ignorando completamente la sua posizione originale.

I cruscotti ispettivi sono il controparte a basso livello del cruscotto di salute dei dati. Si concentrano sui dati completamente disaggregati, mentre i cruscotti di salute dei dati di solito assumono una posizione più alta sul livello dei dati. Inoltre, i cruscotti ispettivi sono tipicamente parte integrante dello sforzo di whiteboxing. Quando si affronta ciò che sembra essere una raccomandazione enigmatica, i professionisti della supply chain devono dare un’occhiata ravvicinata a un SKU o a un prodotto, al fine di capire se la decisione raccomandata è ragionevole o meno. Il cruscotto ispettivo è tipicamente adattato a questo scopo specifico, includendo molti risultati intermedi che contribuiscono al calcolo della raccomandazione finale.

Valutare il successo

Potrebbe sembrare un po’ paradossale, ma mentre la Supply Chain Quantitativa pone un’enfasi significativa sui metodi e le misurazioni numeriche, la nostra esperienza ci dice che le metriche tendono a dirci troppo poco e spesso troppo tardi su se un’iniziativa sta procedendo nella giusta direzione. Quasi tutte le metriche possono essere manipolate e ciò di solito avviene a spese della sostenibilità dell’approccio scelto. Pertanto, la Supply Chain Quantitativa cerca miglioramenti evidenti: se gli miglioramenti sono così sottili che è necessario un avanzato sistema di misurazione per rilevarli, allora l’iniziativa probabilmente non valeva lo sforzo e dovrebbe essere considerata un fallimento. Al contrario, se gli miglioramenti sono evidenti e costanti su molte metriche e la supply chain nel suo complesso si sente più agile e reattiva che mai, allora l’iniziativa probabilmente ha avuto successo.

Le metriche possono essere manipolate

C’è una ragione per cui gli ingegneri vengono valutati raramente in base alle metriche: sono troppo bravi a manipolarle, cioè a sfruttare le metriche per i propri interessi anziché servire gli interessi dell’azienda. Le supply chain sono complesse e quasi tutte le metriche semplici possono essere sfruttate in modi che potrebbero essere completamente distruttivi per l’azienda. Potrebbe sembrare che questo problema sia solo una questione di chiudere le falle che si nascondono all’interno delle metriche. Tuttavia, la nostra esperienza indica che c’è sempre un’altra falla da trovare.

Una storia di reverse engineering delle metriche

Prendiamo un e-commerce fittizio come esempio. La direzione decide che i livelli di servizio devono essere migliorati e quindi il livello di servizio diventa la metrica principale. Il team della supply chain inizia a lavorare in base a questa metrica e propone una soluzione, che consiste nell’aumentare notevolmente i livelli di stock, comportando così costi enormi per l’azienda.

Di conseguenza, la direzione cambia le regole, viene definita la quantità massima di stock e il team deve operare entro questo limite. Il team rivede i suoi dati e si rende conto che il modo più semplice per ridurre i livelli di stock è etichettare grandi quantità di stock come “morti”, il che scatena promozioni aggressive. I livelli di stock vengono effettivamente ridotti, ma i margini lordi vengono significativamente ridotti nel processo.

Ancora una volta, il problema non passa inosservato e le regole vengono cambiate ancora una volta. Viene introdotto un nuovo limite sulla quantità di stock che può essere contrassegnata come “morta”. Implementare questa nuova regola richiede molto sforzo perché la supply chain improvvisamente si scontra con stock “vecchi” che dovranno essere fortemente scontati. Per far fronte a questa nuova regola, il team aumenta la quota di trasporto aereo rispetto al trasporto marittimo. I tempi di consegna vengono ridotti, gli stock vengono abbassati, ma i costi operativi aumentano rapidamente.

Per far fronte ai costi operativi che stanno sfuggendo al controllo, la direzione cambia nuovamente le regole e impone un limite superiore al ​​percentuale di merci che possono essere trasportate per via aerea. Ancora una volta, la nuova regola provoca il caos, perché scatena una serie di esaurimenti delle scorte che avrebbero potuto essere evitati utilizzando il trasporto aereo. A causa della necessità di operare in condizioni sempre più restrittive, il team inizia a rinunciare a sfruttare le riduzioni di prezzo offerte dai fornitori. Acquistare quantità minori è anche un modo per ridurre i tempi di consegna. Tuttavia, ancora una volta, i margini lordi vengono ridotti nel processo.

Riportare i prezzi di acquisto sulla giusta strada si rivela un obiettivo molto più sfuggente per la direzione. Nessuna regola semplice può far fronte a questa sfida e vengono introdotti invece una miriade di obiettivi di prezzo per ogni sottocategoria di prodotto. Molti obiettivi si rivelano irrealistici e portano a errori. Nel complesso, l’immagine della supply chain diventa sempre meno chiara. Sotto pressione da molte parti, il team della supply chain inizia a modificare una caratteristica oscura del processo di pianificazione della domanda: l’elenco di sostituzione dei prodotti.

Infatti, la direzione si è resa conto fin dall’inizio del processo che alcune mancanze di magazzino non erano così impattanti come altre, perché alcuni dei prodotti mancanti avevano sostituti quasi perfetti. Di conseguenza, tutti erano d’accordo sul fatto che le mancanze di magazzino su quei prodotti potessero essere ampiamente scontate nel calcolo del livello di servizio complessivo. Tuttavia, il team della supply chain, che ora opera sotto una pressione enorme, sta iniziando a estendere lo scopo di questo elenco di sostituzione di uno o due gradini al di là della sua intenzione originale: prodotti che non sono così simili vengono elencati come sostituti quasi perfetti. Le metriche del livello di servizio migliorano, ma l’azienda no.

La trappola del successo

Le metriche possono essere manipolate e se alle squadre vengono dati incentivi tossici, è probabile che le metriche vengano utilizzate in modo fuorviante. Tuttavia, la situazione non è così grave come potrebbe sembrare. Infatti, la nostra esperienza indica che tranne per le culture aziendali veramente disfunzionali, i dipendenti in generale non tendono a sabotare il proprio lavoro. Anzi, abbiamo osservato che la maggior parte dei dipendenti è orgogliosa di fare la cosa giusta anche se significa che le politiche aziendali devono essere un po’ flessibili.

Pertanto, anziché togliere libertà al team responsabile dell’implementazione della strategia di ottimizzazione della supply chain, è importante incoraggiare il team a creare un insieme di metriche che metta in luce l’iniziativa della supply chain nel suo complesso. Il ruolo della direzione non è quello di imporre regole basate su tali metriche, ma piuttosto di mettere in discussione il pensiero strategico che sottende tali metriche. Spesso, l’obiettivo immediato non dovrebbe nemmeno essere quello di migliorare i valori delle metriche, ma di migliorare la stessa definizione delle metriche stesse.

In realtà, tutte le metriche non hanno lo stesso valore per un’azienda. Di solito è necessario uno sforzo considerevole per creare metriche che offrano una prospettiva significativa sul business. Questo lavoro richiede non solo una buona comprensione della strategia aziendale, ma anche una conoscenza approfondita dei dati sottostanti, che comporta una miriade di artefatti e altre stranezze numeriche. Pertanto, le metriche dovrebbero essere considerate soprattutto come un lavoro in corso.

Abbiamo scoperto che un forte indicatore di successo in qualsiasi progetto di supply chain è la qualità delle metriche che vengono stabilite durante l’iniziativa. Eppure, è un po’ paradossale, ma non esiste una metrica ragionevole per valutare effettivamente la rilevanza di quelle metriche. Ecco alcuni elementi che possono aiutare a valutare la qualità delle metriche:

  • C’è un consenso tra i diversi team della supply chain che le metriche catturino l’essenza del business? O che le prospettive aziendali promosse implicitamente dalle metriche non siano a breve termine o limitate?
  • Le metriche hanno una vera profondità quando si tratta di conciliare i numeri con i driver economici? La semplicità è desiderabile, ma non a discapito di comprendere correttamente l’immagine generale.
  • Gli artefatti dei dati sono gestiti correttamente? Di solito ci sono decine di “trappole” sottili che devono essere gestite durante l’elaborazione dei dati estratti dai sistemi aziendali. La nostra esperienza ci dice di essere sospettosi quando i dati grezzi sembrano essere sufficientemente buoni, poiché ciò di solito significa che i problemi non sono stati nemmeno identificati come tali.
  • Le decisioni generate dalle metriche scelte hanno senso? Se una decisione, che è altrimenti allineata alle metriche, non sembra avere senso, allora molto probabilmente non lo ha; e il problema spesso risiede nella metrica stessa.

In molti modi, creare buone metriche è come orientare la gravità verso il pozzo del successo: a meno che non intervenga qualcosa, il corso naturale delle azioni è scivolare lungo la pendenza verso il basso, che si trova proprio dove si trova il successo. Non è nemmeno strettamente necessario conoscere l’esatta profondità in cui si trova il fondo, purché ogni passo del viaggio verso il basso migliori le cose per l’azienda.

Decisioni sane portano a una migliore performance

Nella supply chain, anche le migliori metriche presentano un grosso svantaggio: i numeri di solito arrivano in ritardo alla festa. I tempi di consegna potrebbero essere lunghi e le decisioni prese oggi potrebbero non avere alcun impatto visibile per settimane, se non mesi. Inoltre, la Supply Chain Quantitativa, che pone un’enfasi significativa sul miglioramento iterativo e incrementale, complica ulteriormente la questione. Tuttavia, l’utilizzo di metodi non incrementali sarebbe ancora peggio, sebbene per altre ragioni. Pertanto, le metriche non possono essere gli unici segnali utilizzati per valutare se l’iniziativa sta procedendo nella giusta direzione.

Generare decisioni sane è un segnale semplice, ma sottovalutato, di una performance superiore. Infatti, a meno che la tua azienda non stia già facendo molto bene con la sua supply chain, è molto probabile che i sistemi continuino a produrre decisioni “folli” che vengono catturate e corrette manualmente dai team della supply chain. Lo scopo di tutti gli “allarmi” o meccanismi reattivi simili è proprio quello di mitigare i problemi in corso attraverso continui sforzi correttivi manuali.

Portare l’iniziativa della Supply Chain Quantitativa a un punto in cui tutte le decisioni - generate in modo completamente automatizzato - vengono considerate sane o sicure è un risultato molto più importante di quanto la maggior parte degli operatori si renda conto. L’enfasi sulle decisioni “robotizzate” è importante qui: per rispettare le regole, non dovrebbe essere necessario alcun intervento umano. Quindi, per “sane”, ci riferiamo a decisioni che sembrano ancora buone agli operatori anche dopo aver trascorso qualche ora ad indagare sul caso; cosa che naturalmente non può essere fatta regolarmente, a causa del gran numero di decisioni simili da prendere ogni giorno.

La nostra esperienza indica che ogni volta che le decisioni automatizzate vengono considerate affidabili, la performance si materializza in seguito quando tali decisioni vengono effettivamente messe alla prova dell’uso “in produzione”. Infatti, il “test di sanità” è un test molto rigoroso per la logica decisionale. A meno che la tua azienda non stia già sfruttando qualcosa di molto simile alla Supply Chain Quantitativa, allora, molto probabilmente, i sistemi esistenti che la tua azienda ha in atto non superano nemmeno questo test. Di conseguenza, vengono commessi errori non rilevati tutto il tempo e l’azienda finisce per pagare molto per questa continua serie di problemi.

Quindi, da un punto di vista operativo, non appena le decisioni della supply chain diventano automatizzate, i team della supply chain diventano liberi dalla servitù di alimentare il proprio sistema con un flusso infinito di voci manuali. Questi guadagni di produttività possono essere reinvestiti dove conta davvero: per perfezionare i dettagli della strategia della supply chain stessa o per monitorare più da vicino i fornitori al fine di affrontare i problemi della supply chain che originano dal loro lato. L’aumento delle prestazioni, ottenuto attraverso l’ottimizzazione quantitativa pura della supply chain, viene intensificato dai guadagni ottenuti dai team della supply chain che finalmente possono trovare il tempo per migliorare i processi e i flussi di lavoro.