Tempo di consegna
Un tempo di consegna è il ritardo tra l’inizio e il completamento di un processo. Nelle supply chain, ogni volta che merci vengono acquistate, trasformate o manutenute, sono coinvolti tempi di consegna solitamente misurati in giorni. Dal punto di vista della pianificazione, i tempi di consegna sono importanti perché implicano che la maggior parte delle decisioni di routine debba essere presa in anticipo per ottenere l’effetto desiderato, come mantenere la qualità del servizio. La necessità di previsioni della domanda emerge tipicamente dall’esistenza dei tempi di consegna, in quanto l’adeguatezza di una decisione - come un riapprovvigionamento d’inventario - dipende da eventi futuri incerti che influenzeranno la supply chain per la durata del tempo di consegna.

Cause e conseguenze dei tempi di consegna
I tempi di consegna influenzano in larga misura il funzionamento della supply chain e la maggior parte dei suoi elementi finanziari, come il capitale circolante richiesto e il ritorno sul capitale impiegato (ROCE). Infatti, tempi di consegna più lunghi implicano che ci vuole più tempo per completare un ciclo d’inventario in cui materiali o prodotti vengono acquistati, eventualmente trasformati, e poi rivenduti.
Tempi di consegna più lunghi comportano meccanicamente maggiori impegni di stock, anche quando le scorte disponibili sembrano rimanere basse. Ad esempio, se un’azienda in Europa ordina merci dall’Asia da consegnare tramite container, a partire dalla data in cui l’ordine d’acquisto viene emesso l’azienda si impegna a vendere o consumare le merci. Tuttavia, in questa situazione, solitamente ci vogliono oltre 6 settimane perché i livelli di stock in Europa riflettano questo impegno.
Inoltre, tempi di consegna più lunghi aumentano la dipendenza dalle previsioni. Riprendendo l’esempio sopra, l’azienda non può permettersi di emettere un ordine d’acquisto basato esclusivamente sulle sue necessità attuali; entro il momento in cui l’ordine viene consegnato, la situazione sarà evoluta. I livelli di stock attuali saranno ulteriormente diminuiti a causa del consumo in corso, e la domanda molto probabilmente sarà cambiata, anche se solo a causa della stagionalità.
I tempi di consegna rappresentano un limite inferiore dell’agilità massima che un’azienda può raggiungere. In linea di massima, se le condizioni di mercato cambiano drasticamente, l’azienda rimane vincolata alle decisioni prese in precedenza per circa la durata dei tempi di consegna. Esistono vari modi per mitigare questi effetti, a partire dai termini contrattuali con i fornitori. Tuttavia, i rischi sottostanti possono raramente essere eliminati e sono semplicemente trasferiti all’interno della supply chain.
Considerando tutto l’impatto negativo dei tempi di consegna più lunghi, ci si potrebbe chiedere perché le aziende optino frequentemente per ciò che sembra (soggettivamente) essere tempi di consegna lunghi. Si scopre che ci sono molteplici fattori economici che bilanciano a favore dei tempi di consegna più lunghi.
La specializzazione sta determinando tempi di consegna più lunghi: alcuni paesi hanno industrie abbastanza uniche1 che sono difficili o costose da replicare localmente. Tali industrie concentrate sono emerse storicamente principalmente a causa di materiali di alto valore, che erano facili da trasportare. Tuttavia, anche se gli aerei possono raggiungere qualsiasi punto del globo in meno di 24 ore, la dogana e i processi tendono ad aumentare sostanzialmente i tempi di consegna reali quando si considerano fornitori esteri.
Le economie di scala tendono anch’esse a favorire tempi di consegna più lunghi. Aumentando le dimensioni dei lotti (spesso concretizzate come MOQs), i produttori o i trasportatori possono ridurre i loro costi. Tuttavia, con l’aumentare delle quantità per lotto, il numero dei lotti diventa minore e quindi meno frequente - a parità di condizioni, in particolare la domanda. Ciononostante, le industrie non sono tutte ugualmente suscettibili alle economie di scala, che tendono a saturarsi a seconda della tecnologia applicabile.
Riduzione dei quantili elevati
Sebbene un tempo di consegna possa essere migliorato riducendone la durata media, di solito sono proprio i miglioramenti relativi ai casi peggiori - ossia le situazioni più lunghe - a fare la differenza. Nelle supply chain, i problemi più grandi - misurati in termini di impatto economico - tendono a concentrarsi nella coda: sono i tempi di consegna inaspettatamente elevati a causare stock-out o interruzioni nella produzione, non le piccole variazioni.
Uno dei modi più semplici per valutare quei casi peggiori consiste nell’utilizzare misurazioni a quantili. Ad esempio, se si dice che un fornitore abbia un tempo di consegna di 7 giorni per il quantile del 95%, significa che il 95% degli ordini passati a questo fornitore viene consegnato in meno di 7 giorni. Quel quantile “elevato”, ossia vicino al 100%, può divergere sostanzialmente dalla media del tempo di consegna. Lo stesso fornitore potrebbe consegnare in media in 2 giorni, che è meno di un terzo della stima del quantile elevato per lo stesso tempo di consegna.
Per evitare questi problemi di qualità del servizio, tutti i buffer d’inventario all’interno della supply chain - indipendentemente dalla metodologia utilizzata - tendono a crescere in modo lineare, non con la media del tempo di consegna, ma con un certo quantile elevato del tempo di consegna. Infatti, i buffer d’inventario esistono proprio per assorbire le variazioni delle condizioni nella supply chain. I due fattori dominanti dietro le variazioni inaspettate che influenzano la supply chain tendono a essere: la variazione della domanda e la variazione del tempo di consegna.
Diversità dei tempi di consegna
Il tempo totale di consegna, dagli ordini d’acquisto originali dai fornitori alle consegne ai clienti, può solitamente essere scomposto in molte, possibilmente decine, di fasi intermedie. Per ridurre il valore del tempo di consegna o la sua variabilità, è generalmente efficace decomporre questo tempo totale in suoi notevoli sottocomponenti, che sono più semplici da analizzare e migliorare.
Ad esempio, un grossista che distribuisce merci da fornitori esteri potrebbe affrontare:
- Un tempo di consegna dell’ordine, causato dal processo d’acquisto settimanale del grossista.
- Un tempo di consegna opportuno, causato dai MOQ imposti dai fornitori.
- Un tempo di consegna di produzione, richiesto dai fornitori per evadere l’ordine d’acquisto.
- Un tempo di consegna di trasporto, richiesto dalla compagnia di trasporti.
- Un tempo di consegna amministrativo, per superare la dogana.
- Un tempo di consegna di ricezione, per l’inventario e il controllo qualità da parte del grossista.
- Un tempo di consegna di spedizione, richiesto dal centro di distribuzione per evadere gli ordini dei clienti.
- Un tempo di consegna dell’ultimo miglio, richiesto da un trasportatore per effettuare la consegna al cliente.
Per ogni operazione, è solitamente interessante ridurre sia il ritardo medio sia la varianza del ritardo.
Tenere traccia di tutte queste operazioni comporta molto lavoro di ufficio, che può essere notevolmente alleggerito tramite sistemi IT moderni, sia attraverso codici a barre e/o RFID. I documenti elettronici sono solitamente archiviati nei sistemi IT delle aziende coinvolte. I benefici si estendono ben oltre l’ottimizzazione dei tempi di consegna, in quanto questi sistemi garantiscono la tracciabilità delle merci e, in una certa misura, prevengono la diminuzione degli stock.
Fino alla fine degli anni ‘90, memorizzare e elaborare tutti quei documenti richiedeva risorse informatiche costose, perciò non era sempre economicamente fattibile acquisirli, e ancor meno conservarli, considerati i minuti record generati dal flusso di merci fisiche all’interno di una supply chain. Tuttavia, dagli inizi degli anni 2010, i costi di memorizzazione e elaborazione dati sono diminuiti ben al di sotto del punto in cui le risorse informatiche grezze contano poco quando sono coinvolti flussi fisici. Ciononostante, i costi IT, in particolare le integrazioni di sistema, possono impedire l’acquisizione di tali documenti elettronici.
Per migliorare i tempi di consegna, e quindi tipicamente ridurne i quantili elevati come discusso in precedenza, sono necessarie misurazioni. Misurazioni dettagliate dei tempi di consegna sono molto utili quando si tratta di analisi delle cause alla radice. Infatti, poiché le operazioni variano notevolmente da una fase all’altra, la natura dei miglioramenti apportati tende a variare altrettanto notevolmente.
Tempo di consegna dell’ordine
Il tempo di consegna dell’ordine si riferisce tipicamente al tempo che intercorre tra l’ordine del cliente e la consegna delle merci. Questa durata è notevole perché è il “tipo” di tempo di consegna a cui il pubblico generale - contrariamente agli supply chain specialist - è maggiormente abituato. In molte industrie, oltre al commercio elettronico B2C, il tempo di consegna dell’ordine è strettamente legato alla qualità del servizio. In particolare, le rotture di stock tendono ad essere il fattore dominante che determina tempi di consegna dell’ordine anormalmente lunghi.
Parte della sfida nel migliorare i tempi di consegna dell’ordine non consiste nel ridurli, ma nell’impostare le giuste aspettative da parte dei clienti riguardo alla data di consegna. In particolare, diverse grandi aziende di ecommerce sembrano aver adottato da oltre un decennio l’approccio di condividere una stima del quantile forecast del tempo di consegna dell’ordine, che funge da probabile limite superiore del ritardo. Il bias nella stima del ritardo viene introdotto appositamente per minimizzare la frequenza delle situazioni in cui le merci non vengono consegnate in tempo.
Previsione dei tempi di consegna
La giusta anticipazione dei futuri tempi di consegna è un ingrediente essenziale per l’ottimizzazione di una supply chain. Proprio come la domanda, i tempi di consegna possono e devono essere previsti, solitamente sfruttando i dati storici esistenti quando rilevanti.
Sebbene la previsione dei tempi di consegna non sia (ancora) una pratica prevalente tra i team di pianificazione della “domanda”, va notato che la maggior parte delle ciclicità che si applicano alla domanda si applica anche ai tempi di consegna. Ad esempio, i tempi di consegna tendono a mostrare stagionalità, effetti legati al giorno del mese e al giorno della settimana. I tempi di consegna cambiano nel tempo. Ad esempio, un fornitore può rivedere i propri processi per ridurre i tempi di consegna, oppure aumentarli per ridurre i costi. Anche la quasi-stagionalità è importante, con eventi come il capodanno cinese, che periodicamente gonfia i tempi di consegna poiché molte fabbriche sono chiuse in Asia durante questo periodo.
Le previsioni probabilistiche dovrebbero essere preferite per i tempi di consegna, poiché come indicato sopra, sono i quantili elevati a determinare le implicazioni economiche dei tempi di consegna. I costi e i problemi sono concentrati nella coda della distribuzione. Tuttavia, va subito sottolineato che le distribuzioni normali (Gaussiane) non dovrebbero essere utilizzate per i tempi di consegna. In linea di massima, i tempi di consegna non sono mai distribuiti normalmente, e sfruttare un modello del genere porta a una vasta sottostima dei quantili elevati, il che a sua volta è una ricetta per generare una costante serie di problemi di servizio.
I tempi di consegna possono essere modellati in modo più appropriato come distribuzioni multimodali che riflettono il sistema fisico sottostante. Ad esempio, all’avvio di una linea di produzione, i tempi di consegna di produzione tendono ad essere altamente prevedibili, tranne nel caso in cui una delle materie prime risulti mancante, situazione in cui il tempo di consegna di produzione può richiedere molto più tempo. Pertanto, la modellizzazione pratica della distribuzione di probabilità solitamente comporta una combinazione di distribuzioni discrete e parametriche.
La previsione probabilistica dei tempi di consegna dovrebbe produrre una variabile casuale discreta per ogni fase interna. È spesso ragionevole assumere che tali fasi interne siano statisticamente indipendenti (ad es., il ritardo imposto dalla dogana è strettamente indipendente dal ritardo di produzione). In questi casi, le variabili casuali possono essere sommate in maniera canonica, il che tecnicamente implica un’operazione di convoluzione eseguita sulle distribuzioni sottostanti.
Modalità controllate
Mentre il modello probabilistico appropriato per la previsione dei tempi di consegna è tipicamente multimodale, ci sono alcune modalità che richiedono un trattamento specifico se è coinvolto un certo grado di controllo, a differenza di osservazioni passive. Ad esempio, se è possibile richiedere una spedizione aerea o una spedizione marittima da un fornitore, le due modalità di trasporto non dovrebbero essere raggruppate insieme da un punto di vista previsionale. È coinvolto un certo grado di controllo. Ogni modalità di trasporto ha la propria variabilità e pertanto sono necessarie due previsioni distinte.
Accoppiamento con la domanda
Poiché le capacità produttive sono limitate quando la domanda aumenta, anche il tempo di consegna di produzione tende ad aumentare. Questo accoppiamento tra domanda e tempo di consegna influisce negativamente sulla qualità del servizio, poiché riduce la capacità dell’azienda di mitigare un’impennata della domanda attraverso ordini di acquisto o di produzione extra, proprio a causa del tempo di consegna aggiuntivo coinvolto. Pertanto, può essere utile avere un modello predittivo congiunto sia della domanda sia del tempo di consegna, poiché i buffer d’inventario richiesti dipendono da due fattori.
Tuttavia, considerando unità produttive che dispongono di sufficiente flessibilità per (ri)organizzare le loro code di lavoro, i tempi di consegna osservati dipendono fortemente dalla priorità assegnata a ciascun compito specifico. Pertanto, la modellizzazione predittiva appropriata dei tempi di consegna dovrebbe tenere conto dell’aspetto del sistema di code, poiché i tempi di consegna possono variare notevolmente in base a scelte arbitrarie di prioritizzazione. Questo ulteriore grado di controllo può essere sfruttato per mitigare l’impatto di un’impennata della domanda.
Domanda nel tempo di consegna
La domanda nel tempo di consegna rappresenta la quantità di articoli da servire durante la durata del tempo di consegna. Questo valore è di particolare interesse perché, per evitare stock-out, lo stock totale (somma dello stock disponibile più quello in ordine) deve rimanere al di sopra della domanda nel tempo di consegna in ogni momento. Quando lo stock totale scende al di sotto del tempo di consegna, è garantita una rottura di stock.
Supponendo che possano essere prodotte previsioni probabilistiche sia per la domanda futura sia per il futuro tempo di consegna, diventa possibile calcolare stime a (alto) quantile della domanda nel tempo di consegna, come definito da:
Dove:
- $${0≤τ≤1}$$ è l’obiettivo della stima del quantile
- $${y}$$ è la domanda, che varia nel tempo
- $${L}$$ è il lead time
- $${Qτ[..]}$$ è il quantile della funzione interna a valori reali
- $${Ω}$$ è l’insieme dei possibili esiti
- $${t}$$ è il tempo, dove 1 indica il primo periodo futuro
- $${y_ω}$$ è la domanda associata all’esito $${ω}$$
- $${L_ω}$$ è il lead time associato all’esito $${ω}$$
Questa stima del quantile della domanda di lead è interessante per il mantenimento di un livello di servizio target. Assumendo un semplice modello di inventario a singolo SKU, unico fornitore e senza MOQ, la quantità da riordinare in ogni momento può essere definita dalla seguente formula:
Dove:
- $${OnHand}$$ è lo stock disponibile
- $${OnOrder}$$ è lo stock ordinato
Questa formula implica implicitamente che nessuna domanda venga persa in caso di esaurimento scorte. Tale ipotesi non è realistica in molte situazioni, ad esempio nel retail consumer, dove tipicamente i clienti rinunciano, optano per un sostituto o si rivolgono a un concorrente invece di posticipare semplicemente il consumo. Per eliminare questa ipotesi, l’impatto della domanda persa deve essere modellato esplicitamente. Ciò è particolarmente importante quando la domanda è fortemente stagionale, poiché i prodotti che diventano disponibili dopo il picco stagionale possono rimanere invenduti o inutilizzati per un lungo periodo di tempo.
Cicli di feedback guidati dal lead time
Il lead time può essere visto come un fattore di input per calcolare il rifornimento, come dettagliato nella sezione precedente. Tuttavia, il lead time stesso dipende dal programma degli ordini (o della produzione). Inoltre, il programma in sé è generalmente concepito per raggiungere le economie di scala previste, ottenendo la quantità economica d’ordine desiderata EOQ, il MOQ (quantità minima d’ordine) o la dimensione nominale del lotto di produzione.
Pertanto, i professionisti della supply chain si trovano spesso ad affrontare un ciclo di feedback tra la decisione da prendere oggi (rifornimento e ordinazione) e il momento in cui tale decisione dovrà ripetersi in futuro. In parole più semplici, la quantità da ordinare oggi dipende dalla data del prossimo riordino: un riordino posticipato implica che sia necessaria una quantità maggiore. Tuttavia, la data del prossimo riordino è influenzata anche dall’ordinazione odierna: un riordino immediato più consistente comporta una data di riordino successiva più posticipata.
Poiché la modellizzazione esplicita e l’ottimizzazione numerica di questo ciclo di feedback non sono banali, i professionisti della supply chain stabiliscono spesso un programma approssimativo (cioè, un ordine a settimana, al mese), in linea con le quantità target necessarie per ottenere la dimensione dell’ordine desiderata (cioè, l’EOQ, il MOQ o la dimensione del lotto). Questo programma viene quindi considerato rigido, lasciando che le quantità di riordino varino secondo necessità. Tuttavia, l’approccio a programma fisso introduce inefficienze per sua natura, poiché la supply chain non sfrutta appieno tutti i suoi gradi di libertà.
Possono essere ideate soluzioni numeriche migliori per affrontare nativamente questo aspetto del ciclo di feedback. Gli algoritmi coinvolti in tali soluzioni rientrano tipicamente nell’ambito del reinforcement learning. Tuttavia, il trattamento dettagliato di tali algoritmi è al di fuori dell’ambito del presente documento.
Problemi specifici di settore
I lead time sono vari e la prospettiva adeguata varia tipicamente in base al settore considerato. Nella sezione seguente, esaminiamo alcuni settori che presentano sfide specifiche notevoli relative ai lead time.
Durata di conservazione per gli alimenti freschi
Il cibo fresco è altamente deperibile, e per questo i prodotti hanno una breve durata di conservazione. Ridurre i lead time è tipicamente fondamentale per preservare il più possibile il valore di mercato dei prodotti esposti. Pertanto, quando si bilanciano opzioni (imballaggio, trasporto) che influenzano i lead time, tali opzioni incidono non solo sulla qualità del servizio, ma spesso anche sui ricavi attesi e sullo spreco previsto generato dall’intera supply chain.
Inoltre, i brand o i distributori si trovano generalmente ad affrontare molteplici opzioni di approvvigionamento con differenti compromessi tra lead time e durata di conservazione. Ad esempio, un brand può acquistare direttamente dal produttore, il che comporta un lead time elevato ma, al ricevimento dei prodotti, una lunga durata; oppure il brand può acquistare da un grossista, il che comporta un lead time breve, ma il ricevimento di prodotti con breve durata di conservazione. In tali situazioni, una corretta ottimizzazione della supply chain bilancia le due opzioni, il che a sua volta richiede un’analisi predittiva dei rispettivi lead time e durate di conservazione.
Tempo di turnaround (TAT) per MROs
Gli MROs (Maintenance Repair & Overhaul) gestiscono componenti riparabili. Per ogni cambio di componente, un componente funzionante deve essere immediatamente disponibile mentre quello smontato rimane non utilizzabile fino a quando non viene riparato. Il ritardo totale dalla richiesta di cambio del componente fino alla nuova disponibilità dell’unità funzionante è definito come tempo di turnaround.
Lo stock di componenti tenuto dagli MRO dipende direttamente dal TAT. Infatti, se l’MRO avesse la capacità (teorica) di riparare istantaneamente un componente non utilizzabile, non ci sarebbe necessità di mantenere uno stock. Di conseguenza, la previsione e l’ottimizzazione dei lead time tendono a essere ancora più critiche rispetto alla previsione della domanda, per quanto riguarda gli MRO.
L’enfasi sull’analisi del TAT (rispetto all’analisi della domanda) è tipicamente aggravata dalla natura delle riparazioni non programmate, che sono dovute a guasti che comportano un certo grado di incertezza irreducibile nell’esecuzione dei processi fisici sottostanti – ossia, se ci fosse un modo per affrontare proattivamente il problema, allora le diagnosi trasformerebbero tali operazioni in riparazioni programmate.
Logistica inversa per l’ecommerce
La maggior parte degli ecommerce consumer nei vari paesi offre al giorno d’oggi la possibilità di restituire i prodotti se il consumatore non gradisce quanto ricevuto. Tuttavia, il tasso di reso varia notevolmente da un paese all’altro, principalmente per ragioni culturali. Ad esempio, negli ecommerce di fast fashion, i consumatori tedeschi presentano tipicamente tassi di reso superiori al 50%. Tali tassi elevati sono in parte dovuti all’abitudine di ordinare diverse taglie e restituire tutte tranne una.
Quando i tassi di reso sono elevati, il retailer online deve prevedere che una parte consistente dello stock fluirà nuovamente indietro; altrimenti, il retailer rischia di ritrovarsi sistematicamente con eccessi di stock man mano che gli articoli vengono restituiti, dopo che sono stati evasi gli ordini di rifornimento. Tuttavia, esistono tre incertezze riguardo ai resi futuri: primo, se gli articoli verranno restituiti o meno, secondo, se gli articoli supereranno il controllo qualità dopo il ricevimento, e terzo, quanto tempo trascorrerà prima che gli articoli possano essere rivenduti.
Tali problemi di previsione sono alquanto suscettibili di un’analisi strutturata e specifica. Infatti, il numero massimo di articoli che possono essere restituiti in un dato momento è limitato dal volume delle spedizioni recenti. Imporre un limite agli eventi estremi è di primario interesse dal punto di vista della supply chain. Inoltre, quando ci si trova nella situazione “3 taglie scelte, 2 taglie restituite”, è possibile anticipare con grande certezza la frazione degli ordini dei consumatori che verrà restituita.
Aziende di leasing
Le aziende di leasing, come le società di leasing auto o quelle di leasing di arredi per ufficio, affrontano situazioni parzialmente simili a quelle degli MRO, ma non del tutto. Infatti, il livello adeguato di inventario dipende dalla domanda futura, ma anche dai tassi di retention futuri, poiché l’inventario ritorna all’azienda di leasing alla fine del contratto. Poiché l’azienda di leasing non ha il pieno controllo sulla durata del contratto, tali durate devono essere previste per ottimizzare l’inventario. La durata di questi periodi di retention e il loro effetto sull’inventario possono essere analizzati e previsti attraverso la lente dei regolari lead time.
Tuttavia, la maggior parte delle aziende di leasing ha un certo grado di controllo sul periodo di retention tramite la loro politica di prezzi e le offerte speciali che possono concedere ai propri clienti. Analogamente a un retailer che può aumentare la domanda di un prodotto mettendolo in promozione, un’azienda di leasing può estendere il suo periodo di retention offrendo condizioni più favorevoli. Pertanto, nelle situazioni di leasing, l’analisi dei prezzi è strettamente intrecciata con l’analisi dei lead time.
Antipatterns dei lead time
Il termine “antipatterns” si riferisce a pratiche, processi o strumenti che sono intesi come soluzioni, ma che non riescono a fornire i risultati attesi. Nelle supply chain, i lead time sono soggetti a una serie di antipatterns che esaminiamo in questa sezione.
Sottovalutazione
I lead time sono una delle ragioni fondamentali per cui la pianificazione e la previsione sono importanti dal punto di vista della gestione della supply chain. Eppure, i lead time – come fenomeno da modellare e gestire – ricevono di solito solo una piccola frazione dell’attenzione riservata ad altri fenomeni in competizione, come la domanda. Esistono numerosi istituti dedicati alla previsione della domanda, ma nessuno dedicato alla previsione dei lead time. Questo enorme squilibrio in termini di allocazione degli sforzi conduce frequentemente a situazioni in cui le analisi quantitative vengono effettuate con estrema precisione – dal lato della domanda – per poi essere arrotondate al tono più vicino – dal lato dei lead time. La maggior parte dei settori richiede che i lead time siano cittadini di prima classe nell’ottimizzazione della supply chain – pari alla domanda – sia in termini di processo che di strumenti.
Sovra-utilizzo
Nella maggior parte delle supply chain, la maggior parte dell’inventario – comprese le materie prime e i semilavorati – trascorre la maggior parte del tempo immobile in attesa della prossima operazione. Nei vari passaggi della supply chain tendono a formarsi code di lavorazione, e ogni coda comporta un proprio tempo di attesa. Tuttavia, man mano che l’utilizzo di un asset si avvicina al 100%, il tempo di attesa nella coda tende all’infinito. Pertanto, il tasso di utilizzo dell’asset rappresenta un compromesso tra l’ammortamento dello stesso asset e i lead time coinvolti. Questo compromesso consiste nel bilanciare i rendimenti decrescenti degli elevati tassi di utilizzo contro i tempi di attesa che crescono in modo esponenziale.
Agire alla cieca
Migliorare il lead time inizia solitamente con l’attribuire correttamente la colpa alla specifica parte del processo che causa il ritardo evitabile più significativo. Tuttavia, le misurazioni del lead time possono essere fuorvianti. Ad esempio, quando si misura il lead time di un fornitore, se i pallet consegnati spesso rimangono non processati in attesa della loro ricezione elettronica in un dock, la misurazione può gonfiare notevolmente il lead time del fornitore, mentre il problema reale è nella fase di ricezione stessa. Questi problemi in genere non possono essere affrontati tramite analisi dei dati, ma richiedono osservazioni in loco per capire se il processo di acquisizione dei dati è affidabile. Inoltre, l’acquisizione vera e propria dei “tops” elettronici, poiché rappresenta un carico di lavoro aggiuntivo per il personale, può anch’essa aumentare il lead time complessivo – vanificando l’intento iniziale.
LIFO emergente
L’elaborazione dei lavori o degli ordini secondo un ordinamento FIFO (first in, first out) è quasi sempre un requisito per garantire una qualità di servizio ragionevole. Infatti, le violazioni del principio FIFO generano in maniera erratica lead time eccessivamente lunghi. Tuttavia, a livello fisico, l’ordinamento LIFO (last in, first out) tende a emergere naturalmente in molte situazioni, e sono necessari sforzi specifici per prevenire tali situazioni LIFO emergenti. Ad esempio:
- Ogni ordine di lavoro in arrivo (picking, produzione, riparazione, ecc.) viene automaticamente stampato come un “job sheet”. Tutti i job sheet in arrivo vengono stampati e raccolti in una scatola. Tuttavia, a causa della natura del processo di stampa, gli ordini di lavoro più recenti finiscono in cima alla pila, indirizzando gli operatori verso un ordinamento LIFO.
- Se un nastro trasportatore risulta troppo corto, i prodotti tendono a traboccare dal nastro e possono essere depositati a terra all’inizio del nastro. In breve tempo si forma un ammasso di merci, e quelle che sono rimaste più a lungo finiscono per trovarsi in fondo alla pila. Lo smontaggio delle merci segue l’ordinamento LIFO.
- Quando scatole o pallet vengono scaricati su un dock tramite un flusso di trasportatori, a meno che il dock non venga svuotato dopo ogni operazione di scarico, le merci appena arrivate tendono ad essere posizionate davanti o sopra quelle precedenti, il che si traduce successivamente in una situazione LIFO durante la lavorazione delle merci.
Note
-
A partire dal 2020, esistono solo tre paesi che producono RAM (Random Access Memory), un componente hardware fondamentale dei computer moderni. Ci sono anche tre paesi che rappresentano quasi il 90% della riserva e della produzione mondiale di litio, un elemento essenziale delle batterie moderne. ↩︎