Libro: Introduzione alla supply chain (testo integrale)

Estratto integrale non rifinito del libro Introduzione alla supply chain (settembre 2025) di Joannes Vermorel.
Questa pagina è destinata alla ricerca nel testo completo. Per una versione dall’impaginazione più curata, consulta questa anteprima in inglese.

1 Fondamenti

Tutta la differenza tra un cattivo economista e uno buono sta qui: il primo si ferma all’effetto visibile; il secondo tiene conto sia dell’effetto che si vede sia di quelli che occorre prevedere. Questa differenza è enorme [..] il cattivo economista persegue un piccolo beneficio presente cui seguirà un grande danno futuro, mentre il vero economista cerca un grande beneficio futuro, a rischio di un lieve disagio presente. Ciò che si vede e ciò che non si vede (1850), Frédéric Bastiat

La supply chain è un’astrazione: uno strumento intellettuale che coordina gli sforzi di molti per fornire beni fisici a basso costo e in modo affidabile. Questo strumento è stato concepito per governare l’incredibile complessità della nostra civiltà industrializzata. La supply chain non si può vedere né toccare. Fabbriche, magazzini, navi e camion, per quanto visibili, non sono la supply chain. La supply chain risiede nella rete di aspettative che lega questi beni. La supply chain è un intento, non una cosa.

Negli ultimi due decenni, l’automazione è diventata una questione centrale per la supply chain. Se il XX secolo è stato il secolo della meccanizzazione del lavoro fisico, il XXI è decisamente quello della meccanizzazione del lavoro intellettuale. La complessità in cui opera la maggior parte delle grandi supply chain supera già di gran lunga ciò che persino i dirigenti più scrupolosi riescono a gestire. Occorre quindi affrontare e comprendere la supply chain in modi che sfruttino al massimo ciò che offrono i computer moderni.

Affrontare la supply chain è un compito arduo. La disciplina è insieme astratta, poiché richiede di riflettere su concetti come il tempo o la natura umana, e concreta, poiché esige attenzione a dettagli ordinari come il tonnellaggio massimo di un container o le festività nazionali. La difficoltà maggiore, come osservava giustamente Bastiat, consiste nell’immaginare ciò che non si può vedere, ma soltanto prevedere. Il legame tra economia e supply chain è infatti profondo.

Occorre dunque una definizione precisa di supply chain: un fondamento che guiderà i capitoli successivi.

La supply chain è sia un campo di studio sia una pratica aziendale. Il campo di studio è descrittivo: descrive il flusso di beni fisici mettendone in luce i principi e le proprietà intrinseci. L’obiettivo è sviluppare una teoria predittiva che valuti le conseguenze immediate e di lungo periodo di ogni fattore che influenza il flusso. Alcune leve, come l’emissione di un ordine d’acquisto a un fornitore, sono sotto il controllo dell’azienda; altre, come la ricezione di un ordine d’acquisto da un cliente, non lo sono. In ultima analisi, queste conseguenze determinano la redditività di lungo periodo dell’azienda.

La pratica aziendale è prescrittiva. Mira a definire l’organizzazione e i metodi più adatti a governare il flusso di beni fisici all’interno dell’azienda e, potenzialmente, oltre i suoi confini. L’obiettivo è individuare le prospettive, gli strumenti e le pratiche generalmente ritenuti desiderabili per migliorare le supply chain. Per contro, le pratiche generalmente dannose per la redditività devono essere riconosciute come tali. Naturalmente, l’approccio prescrittivo si fonda sull’analisi descrittiva: comprendere le conseguenze delle decisioni dovrebbe orientare l’azienda verso scelte migliori.

1.1 Decisioni

Una decisione destina una risorsa scarsa a uno scopo specifico, escludendo così alternative prima disponibili. Per esempio, se un’azienda spende denaro per acquistare un’unità aggiuntiva di un prodotto, quel denaro non può più essere impiegato per altri usi. Nel tempo, l’azienda avrà bisogno di fondi per nuovi acquisti, magari recuperati cedendo il prodotto acquistato in precedenza o destinandolo a un altro impiego. Per il momento, il denaro resta impegnato per effetto della decisione. Le decisioni di supply chain sono il sottoinsieme delle decisioni economiche che riguardano il flusso di beni; molte scelte economiche non comportano affatto un simile flusso.

Tutte le risorse sono scarse, non soltanto il denaro. Le scorte sono un’altra risorsa fondamentale nella supply chain. Per esempio, se un’unità in magazzino viene spedita a un negozio, non può essere spedita a nessun altro. In seguito, l’azienda potrebbe rifornire il magazzino con lo stesso prodotto o persino riportarvi l’unità originaria dal negozio. Tuttavia, almeno per il momento, quell’unità di scorta è impegnata per effetto della decisione.

Anche le decisioni sui prezzi svolgono un ruolo cruciale nella supply chain. Fissare il prezzo di un prodotto crea una condizione di mercato per il suo scambio, escludendo di fatto altre opzioni di prezzo per quella vendita. Sebbene la domanda di mercato comporti sempre incertezza, il prezzo scelto comunica il valore che l’azienda attribuisce alle proprie scorte. Nel tempo, le aziende possono adeguare le strategie di prezzo per le vendite successive in risposta ai segnali del mercato.

Qualsiasi azione deliberata che modifichi che cosa si muove, dove, quando o in quale quantità è una decisione di supply chain. Emettere un ordine d’acquisto, programmare un camion, assegnare un container in arrivo a un magazzino anziché a un centro di cross-docking o scontare un articolo a lenta rotazione sono tutte azioni che rimodellano il flusso materiale entro i tempi operativi; rientrano quindi pienamente nell’ambito della supply chain.

Per contro, iniziative la cui influenza è soltanto remota, come finanziare attività di ricerca e sviluppo di base, commissionare una campagna pubblicitaria o esplorare una nuova area geografica, possono alla fine influire sul flusso, ma attraverso diversi passaggi intermedi. La loro rilevanza è strategica anziché operativa e ricadono quindi al di fuori dell’ambito trattato qui. Nella pratica, il confine è netto: tra le centinaia di leve che un pianificatore manovra ogni settimana, solo poche sfuggono a una classificazione immediata e, in quei rari casi, l’etichetta — supply chain oppure no — ha un impatto trascurabile sulla redditività.

Di solito, ciò che ostacola questo riconoscimento non è la difficoltà analitica, ma la tradizione aziendale. Per decenni, le aziende hanno considerato alcune leve — prezzi, merchandising, scelte di assortimento — di esclusiva competenza del marketing o delle vendite, escludendole così dalle discussioni sulla supply chain. Eppure sono proprio queste leve a plasmare la domanda e, di conseguenza, ogni movimento di beni a valle. Nelle pagine che seguono saranno trattate dove le colloca la logica: pienamente all’interno del perimetro della supply chain.

1.2 Opzionalità

Una decisione viene presa tra opzioni concorrenti. Tuttavia, per un’azienda non è scontato disporre di più opzioni. Per esempio, se ha individuato un solo fornitore per un prodotto, le sue scelte si limitano alla data dell’ordine e alla quantità da ordinare a quel fornitore. Se quest’ultimo si rivela troppo inaffidabile o costoso, l’azienda può essere costretta a interrompere gli ordini, con probabile insoddisfazione sia propria sia dei clienti. È quindi fondamentale coltivare opzioni favorevoli. L’opzionalità è vitale perché qualsiasi previsione prodotta da un’azienda comporta per sua natura un’incertezza irriducibile, indipendentemente dalla tecnologia utilizzata.

Le opzioni di supply chain sono limitate dalla capacità necessaria per crearle e, per estensione, dal relativo costo. L’attenzione dei dirigenti, e più in generale quella dell’organizzazione, è un’altra risorsa scarsa da allocare con cura. Disporre di più fornitori affidabili è preferibile, ma richiede di individuarli, qualificarli e stipulare contratti con loro per poter ordinare tempestivamente. A seconda delle circostanze, potrebbe essere più utile dedicare quell’attenzione ad approfondire il rapporto con il fornitore attuale, che potrebbe anche essere il migliore.

Considerare le opzioni inutilizzate come semplici costi generali che la direzione dovrebbe tagliare è ingenuo e sbagliato. Possono esserci casi in cui un’azienda investe troppo nell’opzionalità, ottenendo rendimenti decrescenti quando le opzioni aggiuntive non producono benefici proporzionati. Tuttavia, questi eccessi di investimento sono rari, anche se mantenere le opzioni può apparire costoso a un osservatore esterno.

Numerose opzioni sono evidenti, ma molte vengono escluse per ragioni pratiche. Succede ogni volta che non è facile valutarle. Per esempio, una rete commerciale con molti negozi può riconoscere opportunità occasionali di riequilibrare le scorte scegliendo un percorso ottimale per un camion che carichi e scarichi merci in successione. Ma se questo riequilibrio deve essere pianificato a mano, o con strumenti generici inadatti al compito, l’esplosione combinatoria travolge rapidamente persone e fogli di calcolo. In assenza di un software di ottimizzazione dedicato, capace di vagliare milioni di permutazioni dei percorsi in pochi secondi, questa classe di opzioni viene tacitamente liquidata come «troppo complessa» e non arriva mai sul tavolo delle decisioni.

Più spesso, le opzioni vengono valutate solo saltuariamente, soprattutto per i limiti di attenzione o di strumenti dell’azienda. Per esempio, un’azienda potrebbe ordinare a un fornitore solo una volta alla settimana, non perché i cicli settimanali presentino limiti o vantaggi intrinseci, ma semplicemente perché comporre ordini giornalieri richiederebbe troppo tempo. Una valutazione quotidiana non significa emettere un ordine ogni giorno: significa esaminare ogni giorno l’opzione di ordinare, anche se nella maggior parte dei giorni non viene emesso alcun ordine.

1.3 Beni fisici

La supply chain riguarda il flusso di beni fisici. Eliminando i beni, resta poco più che finanza e compravendita. Il mestiere si articola in tre passaggi ricorrenti: prima il denaro viene convertito in beni, ossia unità di scorta acquistate dai fornitori; poi quei beni vengono trattati, cioè ispezionati, immagazzinati, trasportati o trasformati; infine vengono riconvertiti in denaro, mediante la vendita diretta oppure il loro consumo nella produzione di altri prodotti e servizi.

Il processo è destinato a ripetersi indefinitamente, ma mai nello stesso identico modo, poiché ogni aspetto del flusso cambia nel tempo. Solo l’esistenza del flusso rimane costante, perdurando finché esiste l’azienda.

I beni fisici impongono vincoli ineludibili. Ogni azione che li riguarda, come acquistare, spostare o trasformare, consuma liquidità; ma anche ogni non-azione, come conservare, attendere o immagazzinare, esige un tributo implicito. Si spende denaro sia quando i beni si muovono sia quando restano fermi; l’unica leva consiste nello scegliere la combinazione di azioni e inazioni che minimizzi il costo totale preservando l’opzionalità. Queste realtà restano invisibili quando i beni vengono ridotti a indicatori elettronici nei moderni sistemi di negoziazione. Chi opera ad alta frequenza sul rame non deve preoccuparsi di dove si trovi il metallo, di come venga protetto dall’ossidazione o dai furti, né del rispetto del limite di peso lordo di un container da venti piedi. Il professionista della supply chain, invece, deve confrontarsi con ciascuno di questi vincoli, e il mercato premia le aziende che padroneggiano sia i costi espliciti dell’azione sia quelli impliciti dell’inazione.

La movimentazione dei beni fisici è vincolata dalla materia, dall’energia, dallo spazio e dal tempo. Le casse non possono attraversare i muri, i pallet non possono superare la portata dei carrelli elevatori e una nave salpata ieri da Shanghai non attraccherà domani a Rotterdam. Al contrario, il livello informativo che governa questi movimenti è, ai fini pratici, elastico: un normale portatile può esplorare milioni di permutazioni al secondo e un modesto cluster cloud può gestirne miliardi.

Elastico non significa banale. Trasformare dati grezzi in informazioni utilizzabili è tremendamente difficile: rumore, ambiguità e semplice mole dei dati concorrono a offuscare il quadro. Eppure ogni minuto che un pianificatore trascorre aspettando l’aggiornamento di un report, ogni lotto di riordino ritardato da «limiti del sistema», segnala un difetto di progettazione. Il collo di bottiglia dovrebbe risiedere nell’acciaio e nel gasolio, non in una query SQL.

I tempi rendono evidente il concetto. Un algoritmo che calcola raccomandazioni d’acquisto per mille SKU in cinquanta millisecondi è istantaneo rispetto alle due settimane necessarie a produrre i beni e alle sei settimane necessarie a trasportarli via mare attraverso un oceano. Rispetto agli atomi, i bit viaggiano alla velocità della luce; qualsiasi latenza decisionale rilevante rispetto ai tempi fisici di esecuzione è uno spreco inutile.

La scala racconta la stessa storia. Elencare dieci milioni di scatole costa pochi centesimi di archiviazione e millisecondi di CPU. Ospitare quelle scatole richiede ettari di scaffalature, schiere di nastri trasportatori ed eserciti di operatori. Quando un progetto viene dichiarato «bloccato dai volumi di dati», il rimedio non sono mai più carrelli elevatori: sono sempre una modellazione dei dati migliore e un software più snello.

In breve, il fattore limitante di una supply chain ben gestita dovrebbe essere la realtà stessa: metri cubi, kilowatt, giorni di calendario. Ogni volta che il punto critico si trova nella cabina di regia digitale, con dashboard bloccate, ottimizzatori che superano il tempo massimo o pianificatori che «non riescono a vedere» le opzioni, la direzione ha individuato un’opportunità a portata di mano. Eliminare gli attriti decisionali non è un intervento cosmetico: è la leva principale con cui l’informatica moderna ricava maggiori rendimenti dalle stesse risorse scarse.

1.4 Variabilità

Ogni decisione di supply chain è una scommessa sullo stato dell’azienda e del suo mercato nel momento in cui i beni si muoveranno effettivamente. Poiché spostare o trasformare atomi richiede sempre tempo, talvolta ore, spesso giorni, la decisione deve proiettarsi in un futuro fondamentalmente incerto. Quel futuro può rispecchiare le ipotesi di oggi oppure discostarsene nettamente, trasformando un piano accurato in una perdita o, con altrettanta facilità, in un guadagno inatteso.

Per esempio, quando un’azienda effettua un ordine presso un fornitore d’oltremare, deve affrontare molteplici incertezze. I ritardi di produzione e trasporto sono intrinsecamente imprevedibili, poiché né il produttore né il vettore sono del tutto affidabili. Inoltre, la quantità di beni ricevuti potrebbe ridursi a causa di danni casuali durante il trasporto. Infine, la futura disponibilità dei clienti a pagare per quei beni resta incerta; a complicare ulteriormente il quadro è l’assenza di influenza dell’azienda sulle strategie di prezzo dei concorrenti durante e dopo la consegna.

Un breve confronto tra il processo produttivo isolato e la supply chain nel suo complesso chiarisce la natura della variabilità. In fabbrica, qualsiasi deviazione dallo spessore nominale di una lamiera d’acciaio, dalla purezza di un reagente o dai tempi di un braccio pick-and-place è un difetto. La variabilità è un nemico che si può sempre sconfiggere, a un certo prezzo; e quel prezzo continua a scendere mentre sensori, attuatori e algoritmi spingono il controllo sempre più vicino alla scala atomica: l’industria dei semiconduttori ne è una prova sufficiente. Con capitali adeguati, la dispersione residua attorno alla media desiderata può essere ridotta arbitrariamente. Nella supply chain la situazione si capovolge: domanda, tempi di consegna, affidabilità dei fornitori e mosse dei concorrenti sono prodotti da innumerevoli agenti indipendenti, il cui comportamento non può essere eliminato con l’ingegneria. Nessuna somma di denaro può comprare un futuro deterministico. L’unico atteggiamento razionale è aspettarsi variabilità, coltivare opzioni e progettare decisioni che trasformino l’incertezza in profitto anziché in perdita.

Le supply chain sono infatti esposte al mondo esterno su una scala molto più ampia di quella di un ambiente produttivo chiuso. Nessuna azienda può proteggersi interamente dalle forze esterne, provengano esse da clienti, fornitori, autorità di regolamentazione, forze armate o concorrenti. Oltre ai fattori di origine umana, eventi naturali come tempeste di neve, inondazioni, incendi boschivi, tsunami, terremoti e pandemie continuano a perturbare le supply chain, anche se il costo umano di queste catastrofi è, fortunatamente, diminuito sensibilmente nel corso dell’ultimo secolo.

A differenza di quanto accade in un processo produttivo, dove la variabilità ha sempre un saldo negativo, nella supply chain essa può spesso trasformarsi in un vantaggio competitivo. Si consideri un produttore di acqua in bottiglia che realizzi intenzionalmente una capacità di imbottigliamento molto superiore alla domanda media. Per la maggior parte del tempo le linee aggiuntive restano inattive; ma quando arriva un’ondata di calore, evento che ricorre solo in poche estati per decennio, l’azienda può aumentare bruscamente la produzione da un giorno all’altro, mentre i concorrenti razionano le scorte. Il picco transitorio dei volumi, insieme al sovrapprezzo che i consumatori pagano volentieri sotto temperature torride, ripaga ampiamente l’acciaio rimasto inattivo. Qui la capacità in eccesso è un’opzione acquistata in anticipo proprio per monetizzare condizioni meteorologiche estreme: un esempio da manuale di variabilità trasformata in profitto.

In breve, ogni volta che la variabilità comporta rischi, apre simultaneamente opportunità. In effetti, rischi e opportunità rivelano più sugli interessi personali dell’osservatore che sulla propria natura intrinseca. Gli operatori turistici che organizzano escursioni sull’Etna hanno un interesse diretto al proseguimento dell’attività del vulcano. Per loro, a differenza degli abitanti dell’antica Pompei, un vulcano attivo non è una catastrofe, ma una fonte di reddito cruciale.

1.5 Padronanza

Padroneggiare una supply chain significa coltivare opzioni favorevoli, impegnando solo le risorse necessarie per restare redditizi oggi e resilienti domani. Questa padronanza non è mai l’impresa di un pianificatore solitario: prende forma attraverso il lavoro coordinato di molte discipline che operano di concerto.

Anche nelle organizzazioni ben allineate, cinque caratteristiche ostinate rendono difficile governare le supply chain: intangibilità, mediazione, complessità, interconnessione e perversità. Le pagine che seguono esaminano a turno ciascuna caratteristica e mostrano come trasformarla da ostacolo in leva di vantaggio competitivo.

Tutte le risorse visibili — fabbriche, camion, pallet, persino persone — contano per la supply chain solo attraverso l’intento che le anima. La supply chain è quindi fondamentalmente intangibile: un insieme di aspettative su futuri scambi di beni, denaro e servizi.

Si consideri una singola bottiglia di latte sullo scaffale di un supermercato. Per quanto tangibile, la sua presenza è giustificata soltanto da due scommesse che si sovrappongono. Il commerciante scommette che un cliente comprerà la bottiglia prima che vada a male; il cliente scommette che il commerciante manterrà rifornito lo scaffale. Queste scommesse restano silenziose quando riescono e si fanno dolorosamente sentire solo quando falliscono, quando il latte scade o lo scaffale è vuoto.

Questa intangibilità è il primo ostacolo alla padronanza. Le aspettative non compaiono mai in uno stato patrimoniale: vanno dedotte dai loro sintomi, ossia rotture di stock, scorte eccessive, scostamenti dei tempi di consegna ed erosione dei margini. Come gli economisti, i professionisti della supply chain progrediscono facendo emergere le ipotesi latenti nascoste in ogni MOQ, ogni ciclo di riordino, ogni calendario promozionale. La padronanza comincia solo quando tali ipotesi vengono esplicitate, quantificate e messe in discussione.

Le supply chain moderne non si possono osservare direttamente: ogni sguardo è mediato dalle registrazioni dei software. Ciò che i pianificatori leggono come giacenze fisiche, ordini d’acquisto aperti o quantità in transito è soltanto una rappresentazione digitale, costruita da un panorama applicativo assemblato nel corso di decenni. Il punto cruciale è che questo panorama non è nato come esperimento scientifico progettato per acquisire i dati più rilevanti, contrariamente a quanto lasciano intendere molte trattazioni accademiche, ma come un mosaico di strumenti realizzati per mantenere operative le attività giorno dopo giorno. Di conseguenza, esso determina sia la visibilità sia il vocabolario del flusso; gli atomi stessi restano a un passo di distanza.

I professionisti si preoccupano spesso delle imprecisioni numeriche, come un conteggio ciclico errato o una scansione tardiva del codice a barre, ma questi errori sono di lieve entità e solitamente circoscritti. Il vero pericolo è la deriva semantica. Un campo che ieri significava confirmed_order può, dopo una patch del fornitore o un espediente improvvisato da un utente, registrare domani qualcosa di molto diverso, pur mantenendo la stessa etichetta. I significati mutano più rapidamente dei conteggi e le distorsioni si moltiplicano quando i dati passano da un sistema all’altro. Ogni registrazione è dunque un’ipotesi sulla realtà, non la realtà stessa, e deve essere riconvalidata di continuo.

La complessità delle supply chain supera di gran lunga le capacità di una singola mente, qualunque sia lo sforzo investito. Anche aziende modeste gestiscono ormai centinaia di migliaia di SKU (stock-keeping unit). Una parte di questa proliferazione è accidentale: vecchie norme, processi disordinati, software rattoppato male. Ma una quota sempre maggiore è intenzionale: complessità introdotta deliberatamente perché arricchisce la proposta di valore.

L’ecommerce rende evidente il concetto. Consegnare uno spazzolino da denti in un monolocale comporta la pianificazione dei percorsi dell’ultimo miglio, il tracciamento dei pacchi e la logistica inversa: passaggi assenti nella consegna di un pallet a un ipermercato. Questi livelli aggiuntivi sono indubbiamente complessi, ma risparmiano ai clienti lo spostamento e giustificano quindi un sovrapprezzo. Nel settore aeronautico, i costruttori di motori non vendono più hardware, ma «power by the hour», allineandosi perfettamente a ciò cui le compagnie aeree attribuiscono valore e trasferendo al contempo la variabilità della manutenzione sulla rete MRO del costruttore. Allo stesso modo, un marchio di moda che amplia l’assortimento da 1.000 a 10.000 SKU complica acquisti, stoccaggio e ribassi, ma la scelta più ampia estende il pubblico raggiungibile e consolida la fedeltà.

Questa complessità essenziale giustifica il proprio costo perché crea valore per il cliente che può essere monetizzato, purché la si governi in modo redditizio. Ciò che resta — bizzarrie di conformità, SKU fantasma, residui di vecchie politiche — è complessità accidentale e merita di essere eliminato. Distinguere le due, sopprimere quella accidentale e sfruttare quella essenziale è una delle grandi sfide della supply chain nel XXI secolo.

Le supply chain operano come sistemi nel senso formulato da Russell Ackoff: le prestazioni dell’insieme emergono dalle interazioni tra le sue parti, non dall’eccellenza isolata di ciascuna. Sono quindi intrinsecamente interconnesse. Ogni decisione, per quanto piccola, si propaga all’intera rete. Si consideri una singola unità di scorta in un magazzino regionale. Nel momento in cui un pianificatore la assegna al Negozio A, tutti gli altri negozi vengono immediatamente privati di quell’opzione. Un sollievo locale, ossia evitare una rottura di stock al Negozio A, può al contempo seminare future carenze nei Negozi B, C e D. Questa tensione a somma zero è strutturale, poiché ogni prodotto, fornitore, camion e minuto di attenzione manageriale attinge agli stessi bacini finiti di risorse.

Questi legami vengono amplificati dalle forze economiche. I clienti si aspettano che gli articoli complementari siano disponibili insieme; i vettori quotano tariffe per camion completo, non per pallet; un nastro trasportatore ammortizza il capitale investito solo quando i volumi vengono consolidati. Tentare di «ottimizzare» un nodo isolatamente non fa che spostare costi o rischi altrove nella supply chain. Un simile ragionamento meccanico, basato sul dividere per risolvere, ottimo per le macchine, fallisce nelle supply chain perché ignora i circuiti di retroazione che legano le decisioni nel tempo e nello spazio.

La padronanza richiede quindi pensiero sistemico: valutare ogni leva in base alla sua influenza sull’intero flusso, sia ora sia in futuro. Solo un’azienda che considera l’allocazione ai magazzini, la programmazione dei camion, le regole di riordino e la determinazione dei prezzi come aspetti dello stesso spazio decisionale può trasformare l’interdipendenza da svantaggio in vantaggio.

I problemi che le supply chain affrontano sono perversi, non in senso morale, ma nel senso tecnico coniato da Rittel e Webber per descrivere sfide che mutano non appena si interviene. Un problema perverso non ha una formulazione netta né una soluzione definitiva, e ogni «correzione» rimodella proprio il sistema che cerca di aggiustare.

Un esempio concreto chiarisce il punto. Supponiamo che un’azienda annunci un bonus legato a un’«accuratezza delle previsioni del 94 %». Una volta che il sostentamento dei pianificatori dipende da quella cifra, la strada più rapida è accorciare gli orizzonti, raggruppare le SKU o gonfiare le scorte di sicurezza finché i conti non tornano. Il capitale circolante schizza in alto, il servizio peggiora, ma la dashboard risplende di verde. La misura è diventata l’obiettivo e ha così smesso di essere una buona misura: la legge di Goodhart messa a nudo.

Il paradosso è profondo. La gestione della supply chain richiede obiettivi numerici espliciti, affinché gli ottimizzatori, spesso software immuni da interessi personali, possano perseguirli senza sosta. Ma nel momento in cui un obiettivo viene annunciato, crea nuovi incentivi per dipendenti, fornitori e persino concorrenti a sfruttare le regole a proprio vantaggio. Nessuna prescrizione resta ottimale a lungo e qualsiasi regola ovvia, statica o prevedibile viene minata dall’adattamento degli agenti. La perversità rovescia dunque le ingenue speranze accademiche di ordinate coppie «problema + soluzione»: la padronanza consiste nel riesaminare di continuo sia gli obiettivi sia gli algoritmi che li perseguono.

1.6 Considerazioni conclusive

La definizione ingannevolmente compatta di supply chain nasconde una prospettiva radicale. Una volta che ogni leva capace di muovere i beni viene rappresentata nei dati, le decisioni non devono più aspettare che un pianificatore faccia clic su «OK»: possono essere attuate, verificate e perfezionate da algoritmi che operano giorno e notte a un costo marginale trascurabile. L’automazione, intesa come processo decisionale guidato dal software e senza intervento umano, si appresta a fare per gli impiegati addetti alla programmazione ciò che la catena di montaggio ha fatto per il lavoro manuale.

Lungi dall’essere un semplice arbitraggio sul costo del lavoro, questa automazione libera una produttività che le organizzazioni sommerse dai fogli di calcolo riescono a malapena a immaginare. Molte aziende impiegano ormai più analisti a curare fogli di calcolo che operatori a movimentare scatole, eppure un solo motore decisionale può superare il ritmo di entrambi, abbattendo latenza ed errori e liberando al contempo talenti scarsi per affrontare sfide nuove e di ordine superiore.

Soprattutto, il software può esplorare spazi decisionali che gli esseri umani non esploreranno mai. L’adeguamento continuo dei prezzi durante picchi virali della domanda, il reindirizzamento di container marittimi a viaggio iniziato o il riequilibrio orario delle scorte su un intero continente diventano realtà quando il collo di bottiglia è il calcolo, non la pazienza umana. Proprio come l’ecommerce ha reinventato il commercio al dettaglio anziché perfezionare le vendite telefoniche, l’ottimizzazione senza intervento umano rimodellerà le supply chain, anziché limitarsi ad accelerare le procedure di ieri.

La letteratura quantitativa sulla supply chain accumulata dai tempi dell’UNIVAC I (1951) trabocca di algebra intimidatoria e algoritmi affamati di petabyte, ma continua a non sfruttare l’informatica moderna per produrre risultati tangibili nella supply chain. La sua sofisticazione è mal indirizzata: ottimizza ciò che è facile contare anziché ciò che è economicamente decisivo, si aggrappa a fragili previsioni puntuali e crolla davanti alla proliferazione combinatoria delle opzioni del mondo reale. Mancando il bersaglio, trasforma i gigaflop odierni, quasi gratuiti, in rumore di fondo, mentre i pianificatori continuano a lottare con i fogli di calcolo. Le prescrizioni qualitative sulla leadership non hanno avuto più successo: le biblioteche sono piene di «manuali» di supply chain che pochi dirigenti leggono e dai quali ancora meno trarrebbero beneficio.

Un sintomo evidente di questo vuoto è la diffusione di professionisti autodidatti nelle grandi aziende. La società giustamente non tollera chirurghi autodidatti: il divario tra dilettanti ed esperti formati è troppo ampio per rischiare vite umane. Eppure, quando sono in gioco miliardi in scorte, le imprese si affidano abitualmente a pianificatori che hanno costruito il proprio mestiere mettendo insieme sapere tramandato e articoli di blog. Il confronto è netto e sottolinea quanto la disciplina sia ancora poco sviluppata.

I metodi dominanti non si sono limitati a deludere le aspettative: in molti casi hanno attivamente tratto in inganno, promuovendo una precisione illusoria e prodezze sui fogli di calcolo al posto di una scienza scalabile. Le loro carenze, e la strada per superarle, vengono affrontate senza mezzi termini nel capitolo finale di questo libro.

I capitoli che seguono riuniscono i fondamenti scientifici necessari per codificare la padronanza della supply chain nel software e rendere possibile quell’ottimizzazione senza intervento umano che i dirigenti di domani daranno per scontata. Sostituire il sapere tramandato con una scienza precisa, pronta per essere eseguita dai computer, è il presupposto per trasformare variabilità e opzionalità da grattacapi ricorrenti in guadagni ripetibili.

2 Storia

Le definizioni di logistica, supply chain e supply chain management (SCM) divergono: alcuni limitano «supply chain» al flusso fisico dei beni e riservano «SCM» al coordinamento; altri trattano i termini come sinonimi. Fornitori, consulenti e professionisti li distorcono ulteriormente per assecondare organigrammi e argomentazioni commerciali; una breve digressione storica aiuta a spiegare la frammentazione che ne deriva.

Le idee sulla supply chain si collocano tra due poli: il rigore euclideo e il gergo mutevole dell’IA. Le etichette cambiano ogni decennio; il compito sottostante — padroneggiare l’opzionalità nel flusso di beni fisici — resta lo stesso. Le rivendicazioni di competenza in logistica, ricerca operativa, supply chain o ottimizzazione aziendale rivelano spesso più sulla prospettiva di chi le avanza che sul campo stesso.

Questo capitolo ha un duplice scopo. Anzitutto ripercorre il modo in cui l’etichetta vaga e sempre mutevole di supply chain è emersa da nozioni precedenti come logistica e ricerca operativa, mostrando che il significato odierno è ancora provvisorio. In secondo luogo, illustra l’atteggiamento avversariale che attraverserà il resto del libro. Qui sotto, ogni parola d’ordine viene accostata agli incentivi che l’hanno generata. I fornitori strombazzano novità per vendere licenze; i consulenti riconfezionano le idee di ieri per vendere presentazioni; i dirigenti, ansiosi di non restare indietro, adottano il linguaggio prima di metterne alla prova la sostanza. Mantenere questo atteggiamento scettico protegge i professionisti da costosi miraggi, lasciando comunque emergere le innovazioni autentiche.

2.1 Dall’inizio dell’Ottocento al Novecento prebellico

Molto prima che venissero coniati i termini «logistica» o «supply chain», l’attività stessa era la linfa vitale di ogni città-stato. Roma dipendeva dalle flotte granarie africane, Amsterdam dai convogli di legname del Baltico ed Edo dalle chiatte di riso programmate in funzione delle maree favorevoli. Ogni caso poneva lo stesso problema persistente: colmare, giorno dopo giorno e nell’incertezza, la distanza spaziale tra produzione e consumo. La sfida permane; il gergo e gli strumenti analitici cambiano. I primi tentativi matematici sistematici comparvero soltanto alla fine del XVIII secolo: è la storia cui ci dedichiamo ora.

Se per era moderna della supply chain si intende perseguire miglioramenti operativi attraverso l’analisi, essa comincia in quel periodo. Nel 1781, il matematico francese Gaspard Monge pubblicò la sua Memoria sulla teoria degli scavi e dei rilevati (Mémoire sur la théorie des déblais et des remblais), proponendo di minimizzare il lavoro necessario a spostare terra per livellare un terreno con rilievi e avvallamenti.

Il termine logistica, un tempo usato come sinonimo di supply chain, prese forma in ambito militare nella prima metà del XIX secolo. Il primo uso attestato, logistique, compare nel Compendio dell’arte della guerra (Précis de l’Art de la Guerre) (1830) dell’ufficiale svizzero Antoine-Henri Jomini¹. La logistica consisteva nello spostare risorse — persone, attrezzature, materiali — nel posto giusto al momento giusto. Affinava il concetto di amministrazione militare che risaliva all’antichità.

Nel 1840, le poste britanniche adottarono l’«Uniform Penny Post», una delle prime dimostrazioni civili di ciò che oggi chiameremmo ricerca operativa. Il matematico e ingegnere Charles Babbage compilò tabelle dei costi che mostravano come la distanza contribuisse solo marginalmente alle spese postali; i veri fattori determinanti erano raccolta, smistamento e consegna finale. Forte di queste evidenze quantitative, il Parlamento approvò una tariffa nazionale unica di un penny per lettera, decisione che ampliò radicalmente il volume della posta e, per estensione, la portata del commercio. Lo studio di Babbage anticipò l’analisi moderna della supply chain, sostituendo il sapere tramandato con misurazione e ottimizzazione. La sua successiva ricerca sulle macchine calcolatrici programmabili, culminata nella macchina differenziale, mirava ad automatizzare proprio le tabulazioni statistiche richieste dal suo lavoro sul servizio postale.

Nel 1888, l’economista Francis Ysidro Edgeworth, di origini irlandesi e spagnole, formulò un’intuizione in seguito nota come «problema del giornalaio». La sua idea, introdotta per la prima volta nella Teoria matematica dell’attività bancaria, descriveva la difficoltà di determinare il livello ottimale di scorte quando le eccedenze devono essere eliminate alla fine di un periodo, come accade ogni giorno con i giornali invenduti. Il contributo univa l’analisi statistica del rischio alla soluzione di problemi operativi: una prospettiva che non sarebbe diventata dominante per circa un secolo.

La crescita, negli Stati Uniti di fine XIX secolo, di una classe media che possedeva azioni diede a sua volta origine ai primi previsori economici. Tra questi pionieri, Roger Babson e Irving Fisher acquisirono notorietà all’inizio del XX secolo. Promuovevano metodi quantitativi di allocazione delle risorse per individui e imprese, uno spirito che riecheggia in molte offerte moderne di software aziendale. Furono anche pionieri delle tecniche statistiche di previsione delle serie temporali.

L’evoluzione dell’economia nella prima metà del XX secolo stimolò numerosi metodi per risolvere piccoli problemi operativi. Diversi tentativi di soluzione portarono a teorie e formule che sarebbero diventate dogmi duraturi della supply chain. Per esempio, la formula del lotto economico d’acquisto (EOQ), un caposaldo della supply chain, fu introdotta nel 1913 da Ford Harris e divulgata negli anni 1930 come formula di Wilson.

2.2 Seconda guerra mondiale e sviluppi del dopoguerra

Allo scoppio della Seconda guerra mondiale, la disciplina tornò alle sue radici militari. La Gran Bretagna riunì quasi 1.000 uomini per quella che divenne la ricerca operativa, definita dall’esercito britannico come «un metodo scientifico per fornire agli organi esecutivi una base quantitativa per le decisioni riguardanti le operazioni sotto il loro controllo». Lo sforzo produsse risultati clamorosi: meno colpi d’artiglieria per abbattere aerei nemici e maggiori probabilità di sopravvivenza per navi e aerei britannici.

Sostenuta dal prestigio conquistato in guerra, la ricerca operativa si diffuse rapidamente negli ambienti accademici. L’avvento di hardware programmabile per uso generale consentì alla comunità di esplorare metodi i cui calcoli sarebbero stati del tutto impraticabili a mano. I limiti dell’hardware mantennero gran parte della ricerca degli anni 1950–60 concentrata su problemi statici o stazionari, ossia considerati immutabili nel tempo. Per esempio, determinare l’ubicazione dei magazzini al servizio di una rete di negozi, ipotizzando una domanda costante, è un problema stazionario. Al contrario, ottimizzare i processi di allocazione ai magazzini e i percorsi di spedizione è un problema dinamico, poiché risente delle fluttuazioni della domanda, dei tempi di consegna, del traffico, della disponibilità degli autisti, della manutenzione dei camion e di altro ancora. I problemi dinamici superavano le capacità dell’hardware dell’epoca e furono in gran parte accantonati.

Sebbene la ricerca operativa avesse inizialmente affascinato i dirigenti aziendali, il suo richiamo cominciò ad affievolirsi negli anni 1970. Negli anni 1980 il prestigio bellico si era ormai esaurito e gli interessi aziendali erano cambiati². Gli anni 1970 portarono nuovi progressi, tra cui hardware informatico capace di sfruttare i codici a barre³. Insieme al database relazionale di Codd del 1970, i codici a barre avrebbero rimodellato le supply chain e il loro panorama digitale nei decenni successivi. Questa convergenza produsse il sistema di gestione delle scorte, un primo precursore del moderno software aziendale.

Negli ambienti del software, «management» indicava allora le attività di routine dei responsabili di livello inferiore. Il cosiddetto «sistema di gestione» era progettato per sostituire interamente il responsabile. Sebbene il loro lavoro fosse in gran parte amministrativo, questi responsabili appartenevano a una forza lavoro istruita, abile nel tenere registrazioni meticolose e accurate. Inoltre, questi impiegati occupavano posizioni di autorità e prestigio superiori a quelle degli operai incaricati di spostare fisicamente i beni.

Con l’emergere dei sistemi di gestione, i fornitori di software si resero presto conto che il supply chain management comprende due aspetti distinti: la tenuta dei registri e il processo decisionale. La tenuta dei registri consiste nel tracciare elettronicamente i livelli delle scorte e svolgere attività amministrative di routine. Il processo decisionale consiste nel determinare gli ordini e le allocazioni di scorte ottimali per l’azienda. I fornitori miravano inizialmente ad automatizzare il ruolo manageriale; la tenuta dei registri si prestò facilmente, ma il processo decisionale si rivelò molto più complesso, ben oltre le capacità dell’hardware degli anni 1970.

Tuttavia, la «tenuta dei registri» non aveva il fascino del «management». I fornitori di software optarono per il termine più vendibile, anche a scapito della chiarezza, perché rafforzava l’immagine del prodotto. In seguito, l’industria del software adottò ampiamente «management» nei nomi dei sistemi: WMS (warehouse management system), CRM (customer relationship management), PLM (product lifecycle management), ecc.

L’onnipresenza di «management» finì per diluire il prestigio del titolo di «manager». Negli anni 2020, il titolo «manager» implica spesso gestire soltanto sé stessi, come si osserva in ruoli quali project manager, office manager o account manager. Per contro, i dipendenti dotati di una reale autorità gerarchica ricevono solitamente titoli più specifici di «manager». Possono essere invece designati con titoli come «lead» o «leader».

Pertanto, «supply chain management» indica le attività dei manager nel senso aziendale tradizionale, ossia persone dotate di autorità formale. «Supply chain» ha invece un significato più ampio, che comprende sia la pratica sia il campo accademico.

2.3 Dagli anni 1980 all’inizio degli anni 2000

Negli anni 1980, i fornitori di software ampliarono il proprio ambito oltre le scorte, includendo ordini, pagamenti, stipendi e altro ancora. Il software distribuito non era ancora economicamente sostenibile per i fornitori. Così, se un’azienda acquistava un sistema per registrare le scorte e un altro per registrare gli stipendi, la successiva integrazione dei due era generalmente considerata impraticabile. I fornitori accorparono quindi le funzioni in un unico monolite su mainframe.

Rispetto alla fama del dopoguerra, la logistica aveva perso prestigio a favore della finanza e del marketing. Un aforisma schietto che circolava allora nelle grandi aziende di beni di consumo riassumeva la gerarchia prevalente: «Le persone intelligenti vanno al marketing, quelle affidabili in produzione, e quelle prive di entrambe le qualità in logistica». Pur essendo chiaramente colorito dalla bonaria rivalità tra professioni aziendali, il detto coglieva una percezione diffusa del minor prestigio della funzione logistica.

Una spiegazione è che, fino agli anni 1980, la logistica era in gran parte empirica. La promessa iniziale della ricerca operativa di trasformarla in una moderna scienza analitica si era affievolita. Nel 1979, Russell Ackoff, pioniere americano dell’era aziendale della ricerca operativa, riassunse la situazione nel suo articolo Il futuro della ricerca operativa è passato:

La ricerca operativa è morta, anche se deve ancora essere sepolta. Penso inoltre che abbia poche possibilità di risorgere, perché si comprendono così poco le ragioni della sua fine […] La vita della OR [ricerca operativa] è stata breve. È nata qui alla fine degli anni 1930. Verso la metà degli anni 60 aveva ottenuto un’ampia accettazione negli ambienti accademici, scientifici e manageriali. A mio parere, questo successo è stato accompagnato dalla perdita del suo spirito pionieristico, del senso della propria missione e della capacità di innovare. Sopravvivenza, stabilità e rispettabilità hanno preso il sopravvento sullo sviluppo, ed è iniziato il suo declino.

Negli anni 1980 il processo decisionale ristagnava, mentre la tenuta dei registri prosperava; alla fine del decennio, molte aziende avevano digitalizzato le proprie operazioni transazionali. Le registrazioni elettroniche consentivano nuovi modi di monitorare le attività; semplici totali e medie, ricalcolati continuamente, cominciarono a rimodellare la pratica aziendale.

Dopo gli esordi modesti all’inizio del XX secolo, le società di consulenza erano diventate giganti aziendali all’inizio del XXI. Tra le molte cause, la diffusione delle registrazioni elettroniche negli anni 1980 diede un impulso significativo alla consulenza direzionale.

Nonostante la banale osservazione che l’unica occupazione dei consulenti sembri essere lottare con fogli di calcolo e presentazioni⁴, la logica aziendale vuole che i consulenti vendano impatto. Quelle registrazioni elettroniche crearono numerose opportunità di migliorare vari processi senza ricorrere a un livello particolarmente elevato di sofisticazione analitica.

La sfida perenne della consulenza è differenziarsi. Poiché le barriere all’ingresso sono basse, è difficile mantenere un’offerta distinta da quella della concorrenza. Non sorprende quindi che influenzare l’evoluzione del linguaggio aziendale eserciti un forte richiamo sui consulenti. Una mossa ormai classica consiste nel coniare, o almeno adottare, nuovi termini ogni pochi anni per rinnovare l’offerta e il marchio. L’autorevolezza derivante dall’apparente associazione con una parola d’ordine nuova e di moda crea un vantaggio competitivo molto desiderabile, almeno finché i concorrenti non lo replicano inevitabilmente.

Supply Chain Management (SCM) fu coniato nel 1982 dal britannico Keith Oliver, specialista di logistica passato alla consulenza. Sales and Operations Planning (S&OP) fu coniato nel 1985 dall’americano Richard Ling, ingegnere del software passato alla consulenza. Entrambe le prospettive ruotano attorno all’idea di ricercare un allineamento completo tra le varie funzioni aziendali. Entrambe le pratiche sarebbero rimaste astratte senza la crescente disponibilità di registrazioni aziendali digitali.

Sostenute dai fornitori di software, le pratiche promosse dai consulenti si diffusero e richiesero nuove competenze. I direttori della logistica divennero responsabili della produzione di previsioni su serie temporali e della regolazione dei parametri del livello di servizio, come esemplificato dalla formula delle scorte di sicurezza. Queste nuove responsabilità, più analitiche, segnarono un cambiamento significativo rispetto al ruolo tradizionale dei direttori della logistica, che erano soprattutto responsabili sul campo, capaci di gestire grandi squadre di magazzinieri e camionisti (non certo un’impresa da poco).

Negli anni 1990, i grandi fornitori integravano una sconcertante varietà di processi di registrazione in monoliti software. Per chiarezza, questi prodotti avrebbero dovuto chiamarsi ERM («Enterprise Resource Management»); tuttavia, questa terminologia non prese mai piede. A quel punto l’hardware informatico era progredito tanto che l’aspetto decisionale non era più considerato intrattabile. I clienti aziendali si resero presto conto che, nonostante le dichiarazioni, questi strumenti si limitavano alla tenuta dei registri.

Ciononostante, molti fornitori iniziarono, o ripresero, a investire negli aspetti decisionali della supply chain. Volevano evitare di essere confusi con i concorrenti dediti alla tenuta dei registri e differenziarono quindi le proprie offerte. Per questo motivo i fornitori, assistiti dagli analisti di mercato, coniarono il termine ERP (Enterprise Resource Planning). Nel software aziendale, «planning» divenne il grido di richiamo che segnalava capacità decisionali. Infatti, con un piano generale che scende fino al livello di dettaglio più fine, grazie all’hardware migliorato, ogni decisione diventa in teoria una semplice questione di esecuzione amministrativa⁵. Nella pratica, i moduli di pianificazione combinavano previsioni puntuali su serie temporali con l’ottimizzazione deterministica delle scorte. L’intento era offrire una soluzione tecnologica che sostituisse interamente il responsabile di livello inferiore in un colpo solo, anziché gradualmente.

Ben presto, i fornitori concorrenti etichettarono i propri prodotti come ERP, indipendentemente da quanto poca pianificazione includessero davvero. Certo, i prodotti aziendali sono intrinsecamente complessi, poiché mirano a coprire una vasta gamma di scenari; l’opacità coinvolge spesso i clienti e persino i fornitori stessi. Di conseguenza, questi ultimi godevano di una notevole libertà nello scegliere quali capacità mettere in risalto nei materiali di marketing. Si potrebbe persino sostenere che una semplice previsione delle vendite basata sulla media mobile sia «pianificazione», giustificando così l’etichetta ERP. Molti fornitori approfittarono di questo gioco di prestigio semantico.

Dagli anni 1990 in poi, nuovi fornitori si concentrarono esclusivamente sul processo decisionale, posizionandosi come livello analitico sopra il livello transazionale offerto dagli ERP (che verosimilmente avrebbero dovuto chiamarsi ERM). Nell’ambito della supply chain, questi fornitori si dividevano grosso modo in due schieramenti: quello algoritmico e quello investigativo. Entrambi sfruttavano le stesse registrazioni elettroniche presenti nei sistemi aziendali preesistenti.

Lo schieramento algoritmico si concentrò sulle tecniche di previsione delle serie temporali e sulle tecniche di ottimizzazione delle scorte alla base del paradigma della pianificazione. Poiché gli ERP rivendicavano già capacità di pianificazione, venderne altra era difficile; i fornitori emergenti, aiutati dagli analisti, coniarono «Advanced Planning System» (APS). In altre parole: «Sì, il vostro ERP dispone già della pianificazione, ma la nostra soluzione complementare offre una pianificazione avanzata».

Lo schieramento investigativo si concentrò sulla produzione di report aziendali destinati ad aiutare i dirigenti a prendere decisioni migliori. Gli ERP offrivano già il «business reporting», così i fornitori di software, sempre con l’aiuto degli analisti, diffusero il termine «business intelligence» (BI) per questa classe di strumenti⁶. Sul piano tecnico, i cubi multidimensionali della BI segnarono un netto distacco dal modello relazionale di Codd di due decenni prima.

2.4 Considerazioni sul presente

Nel 2025, i discendenti di entrambi gli schieramenti, algoritmico e investigativo, sono ancora attivi. In quello algoritmico si promuove la pianificazione aziendale integrata ponendo l’accento sul machine learning, presentato come successore superiore delle precedenti tecniche statistiche. Nello schieramento investigativo, alcuni promuovono concetti come i «gemelli digitali della supply chain» o le «torri di controllo della supply chain», volti a fornire elementi di analisi ai vertici aziendali.

Tutto ciò mostra che rilanciare creativamente prodotti esistenti con le ultime parole d’ordine, una pratica che risale agli anni 1970, rimane diffuso. Il caso delle capacità di «pianificazione» fu soltanto una piccola scaramuccia nella storia del software aziendale. Hardware e software sono progrediti a un ritmo impressionante negli ultimi 70 anni. Per via dei continui progressi dell’hardware, l’obsolescenza tecnologica rappresenta verosimilmente la minaccia più grave per i fornitori di software aziendale di oggi. L’hardware più recente rende realizzabili imprese un tempo impossibili, ma per sfruttarne le capacità richiede in genere una riprogettazione completa del software. Di fronte a questa realtà, rinnovare l’immagine della propria offerta è molto più facile, e meno costoso, che riprogettarla interamente per sfruttare appieno gli ultimi sviluppi tecnologici.

I fornitori di software si trovano di fronte a un esempio concreto del classico dilemma del prigioniero. Nel loro insieme, trarrebbero beneficio da una comunicazione più onesta e trasparente sui prodotti. Fare promesse impossibili da mantenere porta inevitabilmente a problemi costosi per entrambe le parti. Eppure, se un fornitore esagera le proprie dichiarazioni più dei concorrenti, ottiene un vantaggio strategico sul mercato rendendo la sua soluzione più attraente per i clienti. Promettere troppo e mantenere troppo poco sono quindi conseguenze tutt’altro che sorprendenti delle dinamiche del software aziendale.

L’inflazione lessicale raggiunse presto l’organigramma stesso. I direttori della supply chain emersero nei primi anni 2000, talvolta come semplice nuova denominazione del direttore della logistica in carica, talvolta come ruolo appena creato per promuovere analisi interfunzionali. Negli anni 2020, i direttori della logistica si occupavano raramente di analisi predittive sofisticate, mentre i direttori della supply chain gestivano di rado le attività quotidiane dei magazzini.

Sebbene gli strumenti analitici avanzati, come il machine learning e l’ottimizzazione matematica, siano disponibili da circa tre decenni, la loro adozione nelle funzioni di supply chain resta l’eccezione; i fogli di calcolo dominano ancora il processo decisionale.

Oggi uno specialista di logistica si occupa di magazzini e trasporti. Quando la logistica viene esternalizzata, i fornitori sono noti come «operatori logistici conto terzi» (3PL) e ricevono un ordine elettronico per ogni movimento di scorta. Ironicamente, sebbene la logistica sia nata sul principio di spostare le risorse nel posto giusto al momento giusto, i 3PL traggono profitto dalle inefficienze, fatturando i movimenti delle scorte e la durata dello stoccaggio. Quindi, quanto più numerosi sono i movimenti e più lunghi i tempi di stoccaggio, tanto maggiori sono i ricavi dell’operatore logistico.

2.5 La percezione comune

Nell’ultimo decennio, il termine «supply chain» è diventato sempre più comune nei principali mezzi d’informazione. Nelle notizie, una «supply chain» indica una rete di aziende specializzate che cooperano, talvolta molto strettamente, per fornire prodotti sofisticati, come semiconduttori o automobili. Le notizie su una «supply chain» nascono tipicamente da eventi negativi, come un catastrofico incendio in un porto, che non colpiscono soltanto una singola entità, ma si propagano anche attraverso una rete di aziende interdipendenti, amplificando l’impatto originario.

I giornalisti si chiedono spesso che cosa si dovrebbe fare per evitare che simili problemi si ripetano in futuro. Pur essendo legittima, questa prospettiva trascura l’assenza di un’autorità centrale che governi quelle «supply chain». In questo contesto, infatti, una supply chain è composta da numerose aziende non coordinate. Inoltre, introdurre un’autorità, per esempio attraverso un intervento pubblico, probabilmente peggiorerebbe la situazione, poiché essa non disporrebbe delle informazioni necessarie per allocare efficacemente le risorse. Come osservava Friedrich Hayek in L’uso della conoscenza nella società (1945), le conoscenze rilevanti sono ampiamente disperse tra innumerevoli individui in aziende diverse. Nessuna autorità può mai sfruttare appieno, da sola, queste informazioni decentralizzate, e qualsiasi tentativo di imporre un «capitano» conduce inevitabilmente a un’allocazione errata delle risorse.

Questi fallimenti che fanno notizia sono proprietà emergenti della divisione del lavoro nell’economia. Qualsiasi divisione del lavoro comporta una fragilità intrinseca: se un segmento altamente specializzato vacilla, le ripercussioni si diffondono in tutta l’economia. L’unica alternativa a questa fragilità è rinunciare alla divisione del lavoro, una proposta irragionevole. Ciò aumenterebbe infatti drasticamente il costo dei beni fisici consumati ogni giorno, dai rotoli di carta igienica agli smartphone. Gli enormi benefici della divisione del lavoro sono ben compresi da secoli; la prima formalizzazione risale al XIX secolo, con il lavoro di David Ricardo e la sua legge del vantaggio comparato.

Ma la divisione del lavoro caratterizza anche i mercati: le persone scambiano proprio perché la specializzazione avvantaggia entrambe le parti. Le «supply chain» osservate dai media non sono altro che gruppi di aziende strettamente dipendenti le une dalle altre, che emergono grazie ai vantaggi competitivi conferiti dalle rispettive specializzazioni.

Le supply chain vengono anche confuse con l’esternalizzazione, percepita come un «furto» di posti di lavoro alla più ricca Westonia a vantaggio della più povera Ruritania. Eppure, nei contesti moderni, l’accesso a manodopera a basso costo all’estero raramente è più di una preoccupazione secondaria. Se le supply chain servissero soltanto ad accedere alla manodopera meno costosa, l’Africa sarebbe un partner privilegiato per le supply chain delle nazioni avanzate. È vero invece il contrario: le nazioni avanzate commerciano soprattutto tra loro. I paesi meno sviluppati, spesso quelli con la manodopera più economica, sono in gran parte assenti dal commercio mondiale.

Nella pratica, le esigenze infrastrutturali, tecnologiche e di capitale prevalgono solitamente sulle sole considerazioni relative al lavoro. Per esempio, l’espansione della containerizzazione negli anni 1950–60 ridusse drasticamente i costi del trasporto marittimo, ma richiese anche massicci ammodernamenti portuali che solo paesi con ingenti investimenti di capitale e quadri normativi stabili potevano permettersi. Più di recente, l’elettronica ad alto valore richiede robotica avanzata, standard qualitativi rigorosi, alimentazione elettrica affidabile e competenze ingegneristiche specializzate: complessità che rendono insignificante il vantaggio di salari leggermente inferiori. Di conseguenza, i paesi con solide reti logistiche, sistemi giuridici affidabili e una massa critica di competenze tecniche beneficiano di grandi volumi di scambio con nazioni di sviluppo analogo, mentre le regioni prive di queste risorse restano spesso in gran parte escluse dalle opportunità delle supply chain moderne.

2.6 Uno sguardo al futuro

La terminologia della supply chain resta in evoluzione e i fornitori sono più attivi che mai. Alcune società di consulenza promuovono la supply chain «agile», «dinamica» e «olistica», e la «progettazione della supply chain». Altre rinunciano del tutto all’espressione «supply chain», come nel flowcasting o nel Demand Driven Material Requirements Planning (DDMRP). Tutti questi paradigmi affrontano problemi simili, sebbene metodi e tecniche differiscano significativamente.

Poiché negli ultimi 70 anni sono stati pubblicati oltre un milione di articoli scientifici e più di diecimila libri, il campo della «supply chain» è generalmente considerato maturo. Eppure le aziende continuano ad affidarsi a euristiche su fogli di calcolo che hanno poco in comune con le teorie dominanti della supply chain.

Si potrebbe accusare i professionisti di ignorare la vasta letteratura; l’accusa è difficilmente sostenibile. La maggior parte delle grandi aziende con presenza internazionale opera sotto una forte pressione competitiva. Considerato quanto poco la teoria dominante si sia evoluta nell’ultimo mezzo secolo, sostenere una persistente ignoranza aziendale mette a dura prova la credibilità.

Un’ipotesi più semplice è che la teoria dominante sia inadeguata: la pratica se ne discosta perché la teoria è difettosa e i profitti attesi non si materializzano. In altre parole, nonostante la vasta letteratura, la supply chain resta in una fase prescientifica in cui la conoscenza non produce risultati costanti e prevedibili.

In settant’anni, i livelli dedicati alla tenuta dei registri hanno compiuto enormi progressi, con scansioni di codici a barre, database in tempo reale e registri cloud; eppure le regole che stabiliscono che cosa acquistare, produrre, spostare o tenere a scorta assomigliano ancora a quelle dei manuali di metà secolo. Sul versante transazionale il progresso è stato spettacolare; su quello decisionale si è fermato. La radice non è tecnica, ma epistemica: alla disciplina manca un metodo solido per distinguere le conoscenze durevoli dalle dottrine di moda.

Spiegare questo divario, e infine colmarlo, richiede una pausa nel racconto storico. Il prossimo capitolo passa dunque dalla cronologia all’epistemologia. Prima di prescrivere rimedi, esamineremo come nascono le affermazioni, chi trae beneficio dalle diverse narrazioni e quali prove debbano superare le idee prima di governare anche un solo pallet. Solo quando questi criteri saranno espliciti il progresso nel processo decisionale, interrotto per cinque decenni, potrà riprendere sul serio.

3 Epistemologia

Migliorare una supply chain comincia dal miglioramento della conoscenza che la guida. Questo capitolo passa quindi dai meccanismi del movimento dei beni alla domanda epistemica che precede ogni raccomandazione: Come decidiamo che un’idea sulla supply chain merita fiducia, finanziamenti e applicazione? Rispondere non è un esercizio filosofico ozioso: è l’unica difesa contro le dottrine di moda, le presentazioni patinate e gli algoritmi «collaudati» che assorbono regolarmente budget senza migliorare le prestazioni.

La conoscenza in materia di supply chain è insolitamente soggetta a errori. L’incertezza offusca il circuito di retroazione tra decisione e risultato; gli incentivi premiano narrazioni sicure di sé più delle verifiche rigorose; e la sola latenza fisica dei flussi globali rende rari gli esperimenti controllati. Di conseguenza, i fogli di calcolo dominano ancora la pratica quotidiana, mentre riviste e libri traboccano di teorie che si dichiarano superiori, sulla carta. La tensione è epistemica, non tecnica: ci manca un metodo solido per distinguere le conoscenze durevoli dagli entusiasmi passeggeri.

Questo capitolo persegue dunque tre obiettivi:

1. Classificazione. Collochiamo la supply chain nella mappa del sapere, come ramo applicato dell’economia, e mostriamo perché scambiarla per matematica, sociologia o semplice tenuta dei registri conduca a fallimenti sistematici.

2. Validazione. Esaminiamo che cosa costituisca una prova in un ambito in cui gli esperimenti randomizzati sono rari, dominano i controfattuali e il successo si misura in profitto anziché in eleganza o consenso.

3. Corruzione. Analizziamo come i vari attori — accademici, consulenti, fornitori di software —, malgrado le buone intenzioni, distorcano inconsapevolmente il processo di produzione della conoscenza, e delineiamo garanzie per preservarne l’integrità in presenza di incentivi avversariali.

In tutto il libro, «supply chain» al singolare indica la disciplina, mentre al plurale si riferisce ai flussi concreti gestiti dalle aziende. Il ruolo della disciplina è fornire a una supply chain concreta, non a un archetipo idealizzato, decisioni che aumentino il profitto di lungo periodo in condizioni di incertezza. Per contro, estendere il termine a interi mercati porta verso l’economia generale e offusca la prospettiva pratica adottata qui.

Alla fine del capitolo, il lettore disporrà di un criterio per valutare ogni affermazione successiva, di natura algoritmica, organizzativa o tecnologica: Questa idea alloca le risorse scarse in modo più redditizio quando si tiene conto della variabilità e degli incentivi avversariali? Stabilire questo criterio è il presupposto delle analisi che seguiranno.

3.1 Economia

La supply chain va intesa come un ramo applicato dell’economia, non come una disciplina autonoma. Trascurare questa gerarchia è forse l’errore epistemico più frequente, e più grave, della letteratura. Questo solo errore spiega in buona parte perché le conoscenze dominanti sulla supply chain si rivelino sterili nella pratica.

Purtroppo, l’economia stessa è spesso fraintesa, benché le sue idee fondamentali siano piuttosto semplici. L’economista britannico Lionel Robbins fornì quella che viene generalmente considerata la definizione classica di economia:

La frase di Robbins è più densa di quanto sembri: ogni parola ha un peso. Le risorse comprendono molto più del denaro. Ore di fabbrica, spazi per pallet, capacità dei camion, attenzione manageriale e persino la benevolenza di un fornitore rientrano nella definizione. Qualsiasi cosa possa essere impiegata per soddisfare un desiderio, o riservata per soddisfarne un altro, entra nei conti dell’economista.

La scarsità è il vincolo universale. I desideri superano i mezzi in ogni società: in un feudo medievale a corto di terre coltivabili, in un’economia pianificata vincolata da quote d’acciaio o in una startup finanziata dal venture capital che corre contro il ritmo di consumo della propria liquidità. La scarsità non è una peculiarità del capitalismo: è la condizione umana.

Gli usi alternativi racchiudono il peso del costo opportunità. Una tonnellata di rame laminata per ottenere cavi elettrici non può anche essere stampata in bossoli; un’ora di concentrazione di un pianificatore spesa a inseguire una spedizione in ritardo non può perfezionare l’assortimento della stagione successiva. Ogni allocazione esclude le sue concorrenti e il beneficio cui si rinuncia è il prezzo nascosto di ogni scelta.

Poiché questi tre elementi — risorse, scarsità e usi alternativi — persistono tanto nel feudalesimo quanto nel socialismo e nel capitalismo, l’economia rimane valida indipendentemente dall’ordine sociale. I meccanismi che risolvono la scarsità differiscono (prezzi, code, decreti), ma non cambia il calcolo sottostante dei compromessi. La pratica della supply chain deve quindi poggiare su solide fondamenta economiche, qualunque sia la proprietà dell’impresa o l’organizzazione dei mercati.

Il rapporto diventa chiaro accostando queste idee alla nostra definizione di supply chain:

La supply chain è la padronanza dell’opzionalità in condizioni di variabilità nella gestione del flusso di beni fisici.

La supply chain procede fondamentalmente in parallelo con l’economia nel modo di trattare la scarsità. Qui «opzionalità» indica gli usi alternativi che l’azienda deve prima coltivare e poi sfruttare. Ogni decisione di supply chain impiega una risorsa scarsa con impieghi alternativi possibili. Ogni articolo acquistato compete con tutti gli altri acquisti possibili, e ogni articolo prodotto compete con alternative che avrebbero potuto utilizzare gli stessi materiali. Analogamente, ogni sito cui viene spedita un’unità in più contende quell’unico articolo del magazzino a tutti gli altri siti.

In sintesi, concentrandoci soltanto sull’allocazione delle risorse scarse, la supply chain sarebbe indistinguibile dall’economia. Tuttavia, se ne distingue per diversi aspetti importanti. Anzitutto, «padronanza» indica l’orientamento delle aziende alla ricerca del profitto. La supply chain è una scienza applicata: a differenza del campo più ampio dell’economia, aspira a essere prescrittiva, non soltanto descrittiva. L’economia spiega perché alcuni individui sono più ricchi di altri, ma non pretende di guidarli direttamente verso una maggiore ricchezza, se non indirettamente attraverso una migliore comprensione dei meccanismi di mercato.

Inoltre, l’ambito della supply chain è limitato al flusso di beni fisici, un piccolo sottoinsieme dell’economia. Per esempio, le questioni di proprietà intellettuale, come brevetti e diritti d’autore che determinano le scelte produttive, appartengono all’economia, salvo quando vincolano la produzione nonostante risorse fisiche adeguate.

L’ambito si restringe ulteriormente con l’elemento della variabilità: in sua assenza, una questione cesserebbe di riguardare la supply chain. Si consideri, per esempio, un processo di magazzino automatizzabile in modo quasi perfetto, che imponga un rigoroso limite superiore al tempo di prelievo e imballaggio, purché il tasso di arrivo resti sotto una soglia. In questi casi, la supply chain accetta l’automazione come un dato acquisito, senza esaminare le decisioni economiche che l’hanno resa possibile.

Classificare correttamente la supply chain è fondamentale, perché la disciplina viene abitualmente affrontata attraverso prospettive fuorvianti — matematica sterile, registrazioni amministrative o luoghi comuni manageriali — mentre il suo vero fondamento è, ed è sempre stato, l’economia.

Contrariamente a un’opinione diffusa, l’economia è tutt’altro che una «scienza triste». Certo, non può raggiungere la certezza numerica della maggior parte delle scienze naturali: il libero arbitrio dei partecipanti lo impedisce. Ciò detto, molti principi economici possono essere considerati tanto solidamente accertati quanto può esserlo qualsiasi teoria scientifica.

Si consideri il caso ben documentato del controllo degli affitti. Quando un governo impone un tetto agli affitti inferiore al livello di equilibrio del mercato, ne seguono diversi esiti prevedibili. I proprietari perdono l’incentivo a mantenere o migliorare gli alloggi esistenti, poiché non possono recuperare quei costi attraverso affitti più elevati. I costruttori diventano riluttanti a edificare e ne derivano carenze di lungo periodo. Le carenze allungano le liste d’attesa, riducono la scelta e peggiorano la qualità degli alloggi. Questi effetti si osservano ripetutamente in città ed epoche diverse, mostrando quanto i principi economici rimangano coerenti a prescindere dalle differenze culturali e temporali.

Un meccanismo quasi identico compare nelle singole imprese ogni volta che un prodotto viene venduto al di sotto del suo prezzo di equilibrio di mercato. Immaginiamo un produttore di elettronica di consumo che lanci una nuova console a un prezzo deliberatamente inferiore del 20% al livello di equilibrio, nella speranza di «deliziare il cliente». La domanda supera immediatamente la capacità produttiva di breve periodo. I canali al dettaglio restano senza scorte, si formano liste d’attesa e, fatto particolarmente rivelatore, gli intermediari del mercato grigio (bagarini) acquistano le console scarse al prezzo di listino per rivenderle online al prezzo di mercato effettivo. Il margine cui l’azienda rinuncia volontariamente viene interamente incamerato da questi intermediari, mentre i clienti finali continuano a pagare l’importo più elevato. L’impresa rinuncia a ricavi, frustra i clienti fedeli e danneggia il proprio marchio apparendo disorganizzata.

A meno che l’azienda non possa aumentare la produzione abbastanza rapidamente da soddisfare l’impennata inattesa, il rimedio economicamente sensato consiste nell’eliminare il tetto al prezzo che si è imposta e lasciare che i prezzi salgano finché la domanda non uguaglia la capacità.⁷ Qualsiasi altra politica non fa che sovvenzionare un ecosistema di arbitraggisti il cui unico contributo è intascare la differenza tra il prezzo vincolato e il vero prezzo di equilibrio.

Le leggi dell’economia non sono più facili da eludere di quelle dell’elettromagnetismo. Non riconoscere la supply chain come economia applicata produce, nel migliore dei casi, teorie e pratiche giustamente ignorate dai professionisti e, nel peggiore, decisioni che danneggiano le imprese.

3.2 Matematica

Negli ambienti accademici, un errore diffuso consiste nel considerare la supply chain un ramo della matematica. Il libro Fundamentals of Supply Chain Theory (2019) di Snyder e Shen è un esponente canonico di questa strada sbagliata. Negli ultimi sette decenni, nonostante oltre un milione di articoli pubblicati⁸, la letteratura accademica sulla supply chain ha contribuito poco alla pratica reale. Salvo poche eccezioni, le supply chain restano governate dai fogli di calcolo. Un’azienda ha più probabilità di guadagnare acquistando biglietti della lotteria che adottando una qualsiasi tecnica di ottimizzazione delle scorte «di ottimalità dimostrabile». Eppure, migliaia di ricercatori sembrano aver dedicato la propria carriera a questo approccio. È sorprendente che la comunità abbia insistito così a lungo in un errore tanto enorme.

Quando la supply chain viene trattata come un ramo della matematica, si riduce a una serie di rompicapi matematici. Il modello del giornalaio, in cui un venditore decide quante copie tenere a scorta in presenza di domanda incerta e le copie invendute perdono ogni valore, è uno degli esempi più antichi e noti. Analogamente, il lotto economico d’acquisto, definito come la quantità d’ordine che minimizza i costi totali di mantenimento e di ordinazione con domanda futura costante, costituisce un altro esempio classico. Risolvere questi rompicapi comporta solitamente metodi analitici, teoria delle probabilità o algoritmi.

In questo paradigma, il rompicapo della supply chain comincia con una caratterizzazione formale del flusso fisico dei beni: prodotti, siti, equazioni della domanda e dei tempi di consegna, vincoli. Da questa formalizzazione gli autori ricavano una soluzione matematica, idealmente dotata di proprietà dimostrabili o, quanto meno, un’euristica validata su dati, spesso sintetici.

La coerenza interna non basta: conta resistere al contatto con la realtà. Ciò che importa è se una ricetta numerica regga al contatto con camion, tempi di consegna e clienti. Il criterio che adottiamo, e le sue conseguenze per questo libro, sono esposti qui sotto alla voce Falsificabilità.

In parole semplici, una teoria che sopravvive soltanto rifiutando di esporsi alla realtà non ci dice nulla su come viaggiano i camion, come acquistano i clienti o come attendono i pallet. La coerenza interna garantisce la correttezza solo entro le mura erette dalle ipotesi; appena quelle mura incontrano il primo picco promozionale o il primo ritardo doganale, la politica «ottimale» torna a essere una congettura impossibile da verificare.

Trattati come un ramo della matematica, i rompicapi della supply chain restano separati dalle condizioni reali. Per esempio, con alcune ipotesi — domanda stazionaria, tempo di consegna costante, beni non deperibili, ecc. — si può dimostrare che una politica di riordino delle scorte è ottimale. Nessuna supply chain reale può contraddire un simile risultato: è impossibile concepire un esperimento che lo metta in discussione. La soluzione si basa esclusivamente sulla coerenza interna derivata dalle ipotesi del problema.

I sostenitori di questo approccio obietterebbero senza dubbio che i rompicapi non sono stati scelti a caso. Al contrario, sono stati costruiti con cura per rispecchiare fedelmente le sfide delle supply chain reali. Inoltre, molti articoli dichiarano di basarsi su dati «reali» e riportano verifiche rigorose su di essi.

La pratica, tuttavia, offre una confutazione chiara e netta di questa tesi. Le aziende non usano questi metodi presuntamente «ottimali» per gestire le proprie supply chain, né ne adottano varianti, neppure come fonte d’ispirazione. Se questi algoritmi avessero davvero valore, la comunità assisterebbe a scossoni simili a quelli del software, dove tecniche superiori — database transazionali, cloud computing, deep learning — vengono adottate rapidamente.

Neppure l’affermazione secondo cui le aziende ignorerebbero questi metodi «moderni» di supply chain regge all’esame. Dalla fine degli anni 1970, i fornitori di software aziendale hanno confezionato migliaia di questi metodi. Eppure vengono invariabilmente scartati, mentre i professionisti della supply chain tornano rapidamente ai propri fogli di calcolo.

Applicando il rasoio di Occam, la spiegazione più semplice è che questi «rompicapi» matematicamente eleganti non producano alcun guadagno ripetibile e rilevante per il profitto una volta confrontati con il disordine delle attività quotidiane. Poiché non riducono il costo totale né aumentano i livelli di servizio in misura tale da compensare l’onere della loro implementazione, i professionisti li accantonano del tutto razionalmente e tornano a strumenti, anche fogli di calcolo, che hanno dimostrato il proprio valore.

Infine, gran parte del «progresso» apparente in questo ramo della matematica potrebbe essere illusoria. La ricerca è vulnerabile alle mode quanto qualsiasi altro ramo del sapere. Negli anni 1960 erano in voga soluzioni analitiche esplicite per i rompicapi della supply chain; negli anni 1990 acquisirono popolarità i modelli parametrici di serie temporali; negli anni 2020 vanno di moda i simulatori Monte Carlo. Gli autori che si concentrano sulle mode scientifiche del momento non contribuiscono necessariamente al progresso autentico, o alla sua assenza, nel campo. Inoltre, le tendenze precedenti vengono etichettate come «superate», indipendentemente dal contributo che quegli articoli possono aver dato alle supply chain reali.

3.2.1 Falsificabilità

Stabilito che l’impostazione matematica da sola non può guidare una supply chain, ci serve un criterio positivo per distinguere le conoscenze che meritano di governare un pallet da quelle che non lo meritano.

Una prospettiva decisiva sulle teorie complesse emerse nella prima metà del XX secolo con il lavoro di Karl Popper⁹. Nel tentativo, durato tutta la vita, di caratterizzare la scienza, Popper introdusse il criterio della falsificazione empirica. Questo criterio è centrale nel presente libro. Un aneddoto della sua vita aiuta a comprenderlo.

Nel capitolo iniziale del suo libro «Congetture e confutazioni» (1963), Popper spiega come le esperienze giovanili a Vienna attorno al 1919 abbiano plasmato la sua idea della falsificabilità come tratto distintivo della scienza. Osserva che, mentre la relatività di Einstein formulava previsioni audaci, rischiando di essere confutata dall’osservazione, il marxismo, e anche la psicoanalisi freudiana, venivano continuamente «salvati» da spiegazioni ad hoc ogni volta che emergevano prove contrarie. I fisici che mettevano alla prova la teoria di Einstein accoglievano, e addirittura cercavano, la possibilità di falsificarla, usando osservazioni, come la deviazione della luce stellare attorno al sole durante un’eclissi solare, per vedere se la teoria reggesse. Cercavano la massima esposizione alla realtà, esplorando le prospettive più suscettibili di demolire una teoria.

Al contrario, i marxisti «immunizzavano» la propria dottrina dalla confutazione reinterpretando gli eventi per adattarli alla teoria. Per esempio, la teoria marxista prevedeva che la rivoluzione proletaria si sarebbe verificata prima dove gli operai di fabbrica erano più numerosi, cioè in Gran Bretagna. Eppure la rivoluzione avvenne nella Russia zarista nel 1917, uno dei paesi meno industrializzati d’Europa. Anziché respingere la teoria perché smentita, i marxisti ne rividero l’interpretazione per spiegare perché la rivoluzione sarebbe avvenuta prima nel paese meno industrializzato.

Ovviamente, l’atteggiamento intellettuale corretto era quello dei fisici. La loro disposizione avrebbe finito per produrre due monumenti della nostra attuale comprensione dell’universo: la relatività generale e la fisica quantistica. Due teorie rivelatesi estremamente capaci di formulare previsioni di rilievo empirico. Al contrario, la teoria marxista avrebbe continuato a essere incessantemente confutata da decine di paesi che attuarono riforme ispirate a questa dottrina, ottenendo risultati economici disastrosi e lasciando sconcertati i propri economisti marxisti¹⁰.

Queste osservazioni portarono Popper a formulare la falsificabilità. Essa mette in evidenza la radicale asimmetria, nella scienza, tra verità e falsità. Nessuna teoria può mai essere dimostrata vera: può soltanto essere confutata. Infatti, per dimostrare esaustivamente una teoria, per esempio la relatività generale, bisognerebbe verificare che ogni corpo celeste, ovunque e sempre, segua le leggi da essa enunciate. È ovviamente un’impresa del tutto impossibile. Nel migliore dei casi possiamo raccogliere una lunga serie di misurazioni conformi alla teoria; oltre questo, possiamo soltanto estrapolarne la validità al resto dell’universo. Il contrario è però molto più accessibile: basta una sola coppia di corpi celesti¹¹ che contraddica la teoria per dimostrare che essa è sbagliata.

Nel migliore dei casi possiamo dunque soltanto tentare di confutare una teoria. Perché un simile tentativo sia possibile, però, la teoria deve esporsi a un processo di validazione empirica che, in linea di principio, potrebbe fallire. Popper definiva tali teorie falsificabili. Ne consegue che, quanto più a lungo una teoria sopravvive a un implacabile attacco sperimentale, tanto più merita fiducia. Una teoria non falsificabile, invece, non può essere confutata e non appartiene alla conoscenza scientifica. La falsificabilità è ormai ampiamente riconosciuta come uno dei principi centrali della scienza.

Tornando alla supply chain, la falsificabilità rivela che cosa non va nell’impostazione puramente matematica: è immune alla confutazione. Appartiene alla matematica applicata, non alle scienze naturali. Di conseguenza, la correttezza delle ricette numeriche derivate da questa prospettiva è superficiale. Riflette soltanto la coerenza con un insieme iniziale di ipotesi. Quelle ricette dipendono interamente dalla correttezza delle proprie premesse e restano vulnerabili anche a problemi ancora più banali.

La falsificabilità conta perché la supply chain si giudica in termini di profitto, non di eleganza. Una raccomandazione che non può essere dimostrata falsa quando gli scaffali restano vuoti o le scorte si gonfiano non è scienza operativa: è narrazione matematica. Il rigore matematico è indispensabile, purché le premesse si prestino a essere messe alla prova empiricamente.

3.2.2 Gli incentivi del mondo accademico

Prima di esaminare esempi concreti delle ipotesi eccessive che compromettono questi modelli, dobbiamo chiederci perché il mondo accademico continui a sostenerli. La risposta risiede negli incentivi che plasmano le carriere degli studiosi: le riviste premiano la novità e l’eleganza formale, non l’impatto operativo; perciò la ricerca gravita naturalmente verso rompicapi pubblicabili anziché applicabili.

In Il futuro della ricerca operativa è passato (1979), Russell Ackoff individua una serie di problemi che minano la sua disciplina. In termini contemporanei, «ricerca operativa» è sinonimo di «supply chain» e le critiche di Ackoff restano pienamente pertinenti oggi. Tra questi problemi figurano:

1. Risolvere problemi inventati;

2. Dare per scontato l’obiettivo;

3. Ignorare le proprietà del sistema;

4. Presumere che il futuro sia conoscibile;

5. Ripiegarsi su sé stessi, sempre di più;

6. Razionalismo scambiato per ragione.

A oltre quattro decenni di distanza, può sembrare sorprendente che il mondo accademico continui a trascurare questi problemi fondamentali, soprattutto considerando la notevole reputazione di Ackoff. Questo comportamento diventa però meno sorprendente se si considerano gli incentivi.

Gli accademici vengono valutati principalmente lungo due assi strettamente legati. Il primo è il volume degli articoli prodotti e l’impatto che ottengono nella cassa di risonanza accademica, dove impatto significa poco più della frequenza con cui altri articoli li citano. Che l’idea citata riduca mai una spesa d’acquisto, accorci un tempo di consegna o eviti una rottura di stock non trova riscontro in questa metrica.

Il secondo asse è la qualità dell’insegnamento, che nella pratica si riduce all’attitudine del docente a trasmettere lo stesso materiale orientato alle citazioni alla successiva leva di aspiranti studiosi. Questo duplice criterio crea un circuito autoreferenziale. Gli intellettuali vengono giudicati soltanto in base alla loro capacità di convincere altri intellettuali; a insegnare e a scrivere i programmi sono coloro che hanno già imparato a persuadere i propri pari. L’efficacia empirica, cioè la capacità di un’idea di reggere al contatto con carrelli elevatori, dazi o clienti, non entra mai nell’equazione.

Di conseguenza, i problemi matematici che si prestano al tema della supply chain offrono un flusso inesauribile di enunciati e soluzioni pubblicabili. Aggiungere vincoli, modificare le equazioni della domanda, alterare la topologia della rete o incorporare termini aggiuntivi nelle funzioni obiettivo produce varianti pressoché infinite. Ognuna costituisce materiale ideale per una pubblicazione accademica. Inoltre, i dettagli specifici di un’azienda disposta a condividere anche insiemi di dati modesti possono offrire una prospettiva unica, e quindi nuova, sull’argomento. Ciò alimenta inevitabilmente l’illusione che risolvere un rompicapo isolato abbia importanza per la disciplina nel suo complesso.

Il mondo accademico tratta quindi incessantemente la supply chain come un ramo della matematica perché è il modo più conveniente, in termini di tempo investito, per pubblicare articoli. Questi articoli esibiscono inoltre i segni distintivi alla moda della «grande scienza», come equazioni, algoritmi e risultati quantitativi. Classificando la ricerca sulla supply chain come matematica applicata, gli autori evitano le rigorose prove di falsificazione che le scienze naturali affrontano abitualmente.

Nell’insegnamento in aula, poiché l’avanzamento di carriera dipende dalle valutazioni degli studenti e dalle percentuali di promossi, i docenti hanno ogni incentivo a presentare materiale che rispecchi ciò che i colleghi proporranno agli esami, privilegiando ancora una volta la continuità rispetto al confronto con la realtà.

Inoltre, la matematica è insolitamente facile da insegnare, purché chi la espone comprenda il materiale. A differenza delle scienze naturali, non servono compromessi dubbi per far rientrare la presentazione nel tempo assegnato. Basta adeguare il numero e la complessità dei rompicapi al tempo disponibile.

Inoltre, per attribuire i voti, i rompicapi matematici sono quanto di più comodo si possa desiderare. Numero e complessità possono essere regolati con precisione in funzione dell’esame, consentendo una valutazione quasi impeccabile e oggettiva con uno sforzo minimo. Purtroppo, ne derivano rompicapi che hanno poca somiglianza con le realtà disordinate, ambigue e complesse delle supply chain. Gli intellettuali insegnano ai futuri intellettuali il materiale prodotto dagli intellettuali del passato, senza alcun riferimento esterno che interrompa il circolo.

Per quanto scarsi siano i risultati pratici di questo approccio, che tratta la supply chain come matematica applicata, esso continua a rispondere alle preoccupazioni durature di chi cerca una carriera accademica. Quindi, come illustra Ackoff, dimostrare semplicemente che questo approccio alla ricerca è sbagliato non basta: bisogna affrontare gli incentivi dannosi sottostanti del mondo accademico, un compito del tutto estraneo all’ambito di questo libro.

Chiariamo che non c’è nulla di intrinsecamente sbagliato nell’usare il tema della supply chain in matematica, o in campi come analisi, algoritmi e statistica, se una metafora di supply chain illustra al meglio un problema matematico. Si consideri, per esempio, il celebre problema dei sette ponti di Königsberg, risolto da Leonhard Euler nel 1736. La sfida consisteva nell’individuare un percorso attraverso la città che attraversasse ogni ponte esattamente una volta. Euler dimostrò che non esiste alcuna soluzione, introdusse il concetto di grafo e aprì così la strada alla topologia.

In queste circostanze, un articolo ha valore soltanto se possiede un merito matematico intrinseco: rivela una verità o una struttura nascosta? L’esposizione è particolarmente elegante? Il metodo apre la strada alla soluzione di altri problemi matematici apparentemente scollegati? Altrimenti, il lavoro viene considerato privo di valore. Il semplice ricorso a un tema di supply chain non può conferire merito a un lavoro che appartiene fondamentalmente alla matematica.

Qualsiasi lettore che conosca la letteratura sa che gli articoli sulla supply chain che soddisfano questo criterio sono estremamente rari.

3.2.3 Le insidie delle scorte di sicurezza

Dimostrare le carenze della vasta letteratura che tratta la supply chain come matematica è scoraggiante: con circa un milione di articoli da contestare, il compito rasenta l’insormontabile. È una vivida illustrazione della legge di Brandolini, secondo cui confutare le sciocchezze richiede solitamente uno sforzo superiore di un ordine di grandezza rispetto a quello necessario per produrle.

Per mantenere la discussione entro limiti gestibili, ci concentriamo su un concetto ampiamente accettato, le scorte di sicurezza, per illustrare le carenze generali dell’approccio alla supply chain come matematica.

La scorta di sicurezza è la riserva necessaria per raggiungere un livello di servizio desiderato per una determinata SKU (stock-keeping unit). Qui il livello di servizio è definito come la frequenza con cui si evita una rottura di stock durante un dato periodo. Il modello presuppone che la domanda durante il tempo di consegna segua una distribuzione normale e che il tempo di consegna sia costante. Queste ipotesi producono una formula in forma chiusa per le scorte necessarie.

Figura: nel modello delle scorte di sicurezza, il punto di riordino è la somma della scorta operativa (domanda media durante il tempo di consegna) e della scorta di sicurezza (scarto della domanda durante il tempo di consegna moltiplicato per un fattore di scala).

Poiché il calcolo ha soltanto interesse storico, qui viene omesso. Basti dire che il modello produce una formula esplicita, facilmente calcolabile in un foglio di calcolo con uno sforzo minimo sia per il programmatore sia per il computer.

Eppure le scorte di sicurezza sono fondamentalmente sbagliate: «scorte pericolose» sarebbe più appropriato, perché la caratterizzazione errata produce risultati scadenti. Il lato positivo è che le scorte di sicurezza costituiscono una semplice cartina di tornasole per individuare una grave incompetenza nel campo della supply chain.

Le scorte di sicurezza presentano tre problemi importanti, ciascuno dei quali basta a impedire risultati soddisfacenti quando vengono applicate a una supply chain reale. I primi due sono errori categoriali, mentre il terzo è tecnico.

Il primo difetto, e il più dannoso, è l’isolazionismo metodologico. Le formule delle scorte di sicurezza esaminano ogni SKU come se fosse l’unica a rivendicare risorse nello stato patrimoniale, cercando di calcolare una quantità «ottimale» per quell’articolo nel vuoto. Eppure ogni unità aggiuntiva immobilizza liquidità che avrebbe potuto finanziare le scorte di un altro prodotto o essere destinata a un impiego più redditizio. Tutte le SKU competono infatti per lo stesso bacino finito di capitale circolante, e qualsiasi modello che ignori questa rivalità è cieco proprio ai compromessi che dovrebbe orchestrare.

Al di fuori delle microimprese, nessuna supply chain tratta una sola SKU: le aziende ne gestiscono tipicamente centinaia, se non migliaia. Inoltre, riordinare una SKU è fondamentalmente diverso dal gestire il riordino di molte SKU. I due problemi sono radicalmente distinti. Le scorte di sicurezza non riconoscono nemmeno che le SKU non possono essere trattate isolatamente; la loro stessa definizione elude il problema da risolvere: l’allocazione del denaro alle scorte.

In secondo luogo, anche accettando momentaneamente di trattare ogni SKU isolatamente, la ricetta delle scorte di sicurezza resta irrimediabilmente incompleta. Si fonda sulla scelta di un «livello di servizio obiettivo», una percentuale estratta dal nulla, per poi trattare quel numero come se avesse un legame intrinseco con il profitto. La formula non spiega mai perché il 95% dovrebbe dare risultati migliori del 92% o del 97%: si limita a delegare la valutazione più difficile all’arbitrio manageriale e procede come se la questione fosse risolta.

I sostenitori talvolta rispondono che un livello di servizio più alto aumenterà «generalmente» la redditività, ma correlazione non significa causalità. Fissando il livello troppo in alto, le scorte invendibili si accumulano non appena la domanda cambia; fissandolo troppo in basso, i clienti frustrati passano alla concorrenza. Poiché la matematica consente qualsiasi obiettivo tra 0% e 100%, il professionista si ritrova al punto di partenza: davanti alla vera domanda economica di quanto capitale impegnare e su quali articoli. L’apparato delle scorte di sicurezza non fa nulla per rispondervi.

Il terzo e ultimo difetto è l’ingenuità statistica. La domanda reale non ha quasi mai una forma a campana: è sporadica per lunghi periodi, poi balza senza preavviso, e i suoi valori estremi si verificano molto più spesso di quanto consentirebbe una legge normale. I tempi di consegna mostrano un’analoga irregolarità, raggruppandosi attorno a mode distinte — «puntuale», «ritardo doganale», «rottura di stock del fornitore» e così via — anziché concentrarsi attorno a un unico picco simmetrico. Questi andamenti sono la norma, non valori anomali, e qualsiasi modello che li ignori parte da coordinate sbagliate.

Manuali e software si aggrappano alla curva normale perché mantiene ordinata l’algebra, non perché corrisponda ai dati. In linea di principio, si potrebbero sostituire distribuzioni con eccesso di zeri, a code pesanti o miscele di distribuzioni per riparare la teoria, ma così se ne elimina l’unica virtù: la semplicità. Quando l’aritmetica diventa opaca, la ricetta delle scorte di sicurezza perde la sua sola attrattiva pratica, pur continuando a ereditare tutti i precedenti errori categoriali. Se un metodo non è né realistico né semplice, non rimane nulla a raccomandarlo.

Il vuoto lasciato dalla sterilità matematica del mondo accademico viene purtroppo colmato rapidamente. Vi si inseriscono consulenti e autori di libri aziendali, che spingono il pendolo all’estremo opposto: abbandonare i numeri per le narrazioni. Se l’errore accademico tratta la supply chain come un rompicapo privo di incentivi, quello dei consulenti la tratta come una storia priva di quantificazione. Entrambi gli schieramenti ignorano il nucleo economico, semplicemente da estremi diversi dello spettro. La prossima sezione esamina come questa svolta sociologica, pur avvolta in una prosa ispiratrice, non si riveli più affidabile delle equazioni che pretende di integrare.

3.3 Sociologia

Se il percorso accademico sterilizza la supply chain in rompicapi astratti, quello della consulenza si spinge all’estremo opposto: riconfigura la disciplina come un catalogo di osservazioni sociologiche e banalità sulla leadership. I consulenti aziendali hanno così dominato l’editoria sulla supply chain negli ultimi quattro decenni, inquadrando ogni problema in termini di cultura, lavoro di squadra e «buone pratiche». La loro produzione è vasta: ben oltre 10.000 titoli compaiono sotto «Supply Chain Management»¹². Dynamic Supply Chains (2015) di John Gattorna è un esempio canonico del genere e della sua debolezza epistemica: aneddoti persuasivi sostituiscono prove verificabili, lasciando al lettore storie anziché conoscenze fondate.

Questa letteratura appartiene pienamente al genere dell’autoaiuto. Il lettore cui si rivolge è il dirigente aziendale, o il responsabile che spera di diventarlo, convinto che padroneggiare una nuova parola d’ordine migliorerà le prestazioni dell’azienda e accelererà la propria promozione. Il consulente-autore, dal canto suo, assume la posa del guru le cui intuizioni si possono affittare a giornata.

Ogni libro si sviluppa poi lungo due assi prevedibili. L’asse della strategia offre una manciata di slogan, tipicamente da tre a cinque, che promettono di spiegare come si dovrebbe «pensare» la supply chain; la disciplina viene suddivisa in ordinati quadranti, ondate o livelli di maturità. L’asse dell’organizzazione converte questi slogan in una lista di rituali: comitati direttivi, seminari interfunzionali, matrici di assegnazione delle responsabilità e simili, tutti presentati come percorsi chiavi in mano verso l’esecuzione.

Per mantenere lo slancio, la narrazione viene infarcita di autorevolezza presa in prestito: battute di dirigenti della Fortune 500, citazioni dei Navy SEAL sulla resilienza e resoconti minuziosi di vittorie sportive all’ultimo minuto. A parte ravvivare brevemente la prosa, un aneddoto sportivo o la citazione di un atleta non aggiunge alcun valore probatorio agli argomenti sulla supply chain. La celebrità nello sport o nello spettacolo non ha alcuna attinenza con l’allocazione dei pallet e degli ordini d’acquisto. Queste comparse creano l’illusione di una prova sul campo; in realtà offrono colore, non prove.

Il genere si affida a un primo trucco ben noto: l’inflazione delle parole d’ordine. Termini come «agile», «gemello digitale» o «guidato dall’IA» vengono ripetuti fino a sembrare inevitabili, ma le loro definizioni restano abbastanza elastiche da adattarsi a qualsiasi circostanza. Dietro lo scintillio si trovano soltanto ovvietà senza tempo, come «il mondo cambia, dovete adattarvi», riproposte come rivelazioni. Tassonomie che dividono le imprese in «leader» e «ritardatarie», oppure «innovatrici» e «seguaci», mascherano tautologie sotto forma di diagrammi di flusso e creano un’illusione di profondità dove non ce n’è alcuna.

Il secondo trucco è l’urgenza costruita ad arte. Gli autori mettono sotto i riflettori alcune leve presumibilmente trascurate, come la vicinanza ai fornitori, la centralità del cliente, la sostenibilità e la cultura, e proclamano vitale portarle immediatamente all’attenzione dei massimi dirigenti. Questa impostazione «agire subito o morire» è impossibile da falsificare in una sala del consiglio. Devia abilmente attenzione e budget verso l’iniziativa preferita dal consulente, senza mai soppesare il costo opportunità imposto a tutti gli altri vincoli che una supply chain funzionante deve rispettare.

L’ultimo trucco è l’autorevolezza presa in prestito. I casi di studio sfoggiano nomi di marchi ammirati, esibiscono metriche di successo selettive e disseminano citazioni di atleti o veterani delle forze speciali. Il sillogismo implicito è specioso: «L’azienda X è famosa; l’azienda X approva questo schema; dunque lo schema crea fama». La correlazione viene tacitamente scambiata per causalità, e i fallimenti che romperebbero l’incantesimo vengono nascosti alla vista.

Questi espedienti retorici non sono un intrattenimento innocuo: soppiantano il ragionamento quantitativo necessario a un vero miglioramento. Avvolgendo le banalità nel prestigio e nell’urgenza, questa letteratura lusinga i dirigenti, facendoli sentire risoluti, mentre lascia intatto il flusso effettivo dei beni. Eliminati i loghi e gli aneddoti motivazionali, non resta nulla che possa resistere a un esame analitico.

In altre parole, il canone della consulenza tratta le disfunzioni della supply chain come un problema di relazioni umane, la cui soluzione consiste nel rimodellare il comportamento dei gruppi. Le sue variabili preferite sono ruoli, rituali e narrazioni; i suoi strumenti sono seminari, carte di principi e griglie di incentivi. È sociologia delle organizzazioni da manuale: studia come i gruppi mantengano la coesione, come si negozi lo status e come si facciano rispettare le norme, poi prescrive cerimonie volte a riallineare questi costrutti sociali. Pallet, container e tempi di consegna compaiono soltanto come oggetti di scena in una narrazione i cui veri protagonisti sono reparti in lotta per l’influenza. Che le tonnellate di merci scorrano davvero più agevolmente viene considerato un effetto emergente di una migliore armonia sociale. Questa letteratura è dunque sociologica nel metodo e nello scopo, anche se raramente si presenta come tale.

Anche se questa letteratura contenesse intuizioni autentiche, cosa che accade di rado, trattare la supply chain soprattutto come un’impresa sociologica porta fuori strada gli sforzi di miglioramento. Consideriamo un esperimento mentale: immaginiamo una piattaforma del prossimo futuro in cui un’unica intelligenza artificiale (IA) autonoma acquisisca ogni segnale di domanda, aggiornamento dei tempi di consegna e curva di costo, per poi emettere, senza intervento umano, ogni ordine d’acquisto, modifica di prezzo e istruzione di instradamento. In quel mondo non resta nulla da «allineare» o a cui «dare autonomia»: l’intera impalcatura di comitati, seminari e griglie di incentivi svanisce da un giorno all’altro. Eppure la sostanza economica della disciplina rimane: le risorse scarse vanno ancora allocate in condizioni di variabilità. L’IA si baserebbe sui principi di opzionalità, costo opportunità e rischio, ossia sull’economia fondamentale, non su una teoria delle dinamiche di potere tra reparti. L’esperimento mentale chiarisce la gerarchia: i costrutti organizzativi sono espedienti temporanei che realizziamo solo perché le persone, più lente e più scarse delle CPU, devono coordinarsi. L’automazione sta già erodendo questo involucro sociologico: bot per i prezzi, ottimizzatori dei percorsi e motori di allocazione svolgono ormai compiti che un tempo occupavano interi reparti, proprio come un portatile ha sostituito le tavole attuariali che prima giustificavano plotoni di impiegati. Finché non arriverà l’automazione completa, gli esseri umani resteranno nel circuito. La bussola che li guida deve rimanere economica e operativa, non sociologica.

È vero, alcune sfide della supply chain resistono ancora al software. Una volta esplicitati i passaggi necessari, è accettabile affidarsi all’intelligenza umana come soluzione provvisoria, finché i metodi più avanzati non potranno automatizzarli. Dove il carico di lavoro supera la capacità di una persona, se ne aggiungano altre, organizzandole di conseguenza; anche allora, la sociologia dovrebbe essere l’ultima risorsa. Insistere sul fatto che un compito intellettuale «richiede intelligenza umana» equivale infatti ad ammettere: «Non ho un’idea chiara di come risolvere questo problema, ma, se proprio sarà necessario, qualcuno si inventerà qualcosa».

Da più di due secoli, considerare il coinvolgimento umano una virtù in sé è un errore ricorrente. I luddisti, tessitori e operai tessili britannici che si opposero ai telai meccanizzati e alle macchine per maglieria all’inizio del XIX secolo, ne sono l’esempio canonico. Nelle supply chain, il coinvolgimento umano nella microgestione quotidiana di milioni di SKU non è intrinsecamente desiderabile. L’assenza di meccanizzazione impone limiti prevedibili: lunghi tempi di elaborazione, reattività ridotta e allocazioni mediocri, perché gli operatori non possono soppesare tutti i fattori quantitativi rilevanti.

Nel loro insieme, questi trucchi dei consulenti spiegano perché schemi patinati lascino così spesso container, prezzi e ordini d’acquisto esattamente al punto di partenza. Trasformano l’allocazione delle risorse in terapia di gruppo, scambiando l’armonia per profitto. Per vedere il costo concreto della confusione tra sociologia e padronanza della supply chain, esaminiamo ora la dottrina di punta di questa letteratura: il Sales and Operations Planning.

3.3.1 Le insidie dell’S&OP

Da quattro decenni il Sales and Operations Planning (S&OP) viene celebrato come rimedio ai silos funzionali, eppure incarna l’errore sociologico appena esposto. Il suo elaborato calendario di riunioni cerca il consenso attorno a un’unica previsione, altamente incerta, e poi chiede a ogni reparto di giurarle fedeltà. Varianti ribattezzate, come l’integrated business planning (IBP), ereditano la stessa debolezza: trattano prezzi, acquisti e capacità come un rituale aziendale anziché un’ottimizzazione economica. Essendo al contempo influente e sintomatico, l’S&OP sarà l’unico esempio della critica che segue, sebbene l’argomento si applichi allo stesso modo a tutti i suoi sosia.

Dall’ascesa della grande impresa nel XIX secolo, la specializzazione ha prodotto gran parte di ciò che chiamiamo «economie di scala». Restringendo il proprio ambito, i gruppi approfondiscono le competenze, aumentano la produttività e rendono gli esiti più prevedibili. Eppure ogni nuova specializzazione apre un’altra cucitura da ricongiungere all’insieme, e il lavoro di ricucitura diventa combinatoriamente più difficile man mano che il tessuto organizzativo si espande.

Quando il coordinamento non tiene il passo, gli errori sono clamorosi. Il marketing può alimentare una domanda che gli stabilimenti non riescono a soddisfare, sprecando budget pubblicitari e deludendo i clienti. La produzione può inondare i magazzini di unità che il mercato non assorbirà, imponendo svendite o vere e proprie svalutazioni integrali quando i costi di mantenimento superano qualsiasi margine plausibile.

Il Sales and Operations Planning (S&OP) fu concepito nei primi anni 1980 come cessate il fuoco ritualizzato tra le fazioni appena descritte. La promessa era semplice: riunire tutte le funzioni attorno a un unico appuntamento di calendario, concordare un’unica visione futura della domanda e tradurla a cascata in piani sincronizzati di approvvigionamento, capacità e finanza. In teoria, la riunione garantisce che chi crea la domanda (vendite, marketing, merchandising) e chi la soddisfa (acquisti, produzione, logistica) esca dalla stanza impegnandosi sugli stessi numeri e sugli stessi vincoli.

Lo schema prese slancio negli anni 2000, quando i fornitori di ERP e le società di consulenza iniziarono a vendere dashboard S&OP, modelli di maturità e indagini comparative. Nonostante gli strumenti patinati, il meccanismo resta spartano: un orizzonte mobile da 18 a 24 mesi, una previsione consensuale talvolta definita «un unico insieme di numeri» e una sequenza mensile di letture preparatorie e seminari che manipolano quei numeri finché ogni vicepresidente non possa approvarli.

In prospettiva storica, l’S&OP è meno una svolta che un seguito moderno delle riunioni di produzione dei dirigenti di General Motors organizzate da Alfred Sloan negli anni 1920. Il vocabolario è cambiato, ma l’intento è identico: imporre una routine istituzionale che impedisca agli imperi funzionali di allontanarsi tra loro quando la variabilità minaccia di separarli.

Nonostante la sua longevità, l’S&OP crolla a un esame approfondito. Quattro difetti strutturali minano questa pratica e mostrano perché, da un punto di vista epistemico, non ci si possa affidare a essa per governare risorse scarse.

1. L’illusione della previsione. L’S&OP parte dal presupposto che un’unica previsione della domanda su serie temporali non solo esista, ma sia abbastanza precisa da governare capacità, prezzi e scorte con mesi di anticipo. Questa premessa tratta un futuro incerto come una costante nota, trasformando la parte più difficile del problema in un dato di ingresso del foglio di calcolo. Mascherando l’incertezza da certezza, il rituale recide il circuito di retroazione che altrimenti verificherebbe se quei numeri abbiano mai meritato fiducia.

2. Il vuoto decisionale. Dopo aver fatto apparire una previsione consensuale della domanda, l’S&OP demanda ogni decisione quantitativa — lotti d’acquisto, programmi di produzione, piani dei percorsi — alle euristiche che ciascun silo funzionale già utilizza. Lo schema non fornisce alcun criterio economico per scegliere un’allocazione anziché un’altra: si limita a ratificare scelte compiute altrove. Epistemicamente, è tenuta dei registri mascherata da ottimizzazione.

3. L’eccesso di rituali. La cadenza mensile di riunioni preliminari, seminari di allineamento e revisioni dirigenziali viene presentata come rimedio al mancato coordinamento, ma il rimedio cresce con il numero di addetti, non con la fisica del flusso. Ogni SKU, tratta o promozione aggiuntiva richiede un’altra presentazione, non un algoritmo più acuto. La complessità è accidentale, creata dalle riunioni, anziché essenziale, creata dagli atomi e dai tempi di consegna.

4. Tassonomie arbitrarie. L’S&OP divide il tempo in fasce operative, tattiche e strategiche e riduce la realtà a una matrice a due assi «domanda contro offerta». Queste suddivisioni sono espedienti retorici, non scoperte empiriche: possono essere riorganizzate a piacere senza cambiare gli esiti economici. Una teoria i cui parametri sono liberi di fluttuare non può essere falsificata e quindi non può accumulare conoscenze affidabili.

Nel loro insieme, questi difetti spiegano perché le aziende che adottano l’S&OP tornino spesso a fogli di calcolo costruiti in casa: la pratica offre una messinscena di processi priva di potere predittivo. Una riunione può imporre un consenso temporaneo, ma non può rivelare quale decisione massimizzi il profitto di lungo periodo in presenza di variabilità e incentivi avversariali. Finché uno schema non espone le proprie ipotesi alla verifica empirica e non fonda le sue prescrizioni sul costo opportunità, appartiene al folklore organizzativo, non alla scienza della supply chain.

Passiamo ora alla storia economica per esaminare come errori epistemici analoghi si siano manifestati in passato e quali insegnamenti offrano per il presente.

3.4 Storia economica

La storia economica cataloga ciò che è realmente accaduto: i prezzi pagati, i beni spostati, le crisi attraversate. È indispensabile per il contesto; tuttavia, come sottolineava Ludwig von Mises in L’azione umana (1949), i fatti non si interpretano da soli. Solo una teoria economica preesistente può attribuire loro significato, ricostruendo cause, effetti e controfattuali. In breve, l’economia deve precedere la storia economica: serve prima un quadro logico per poter raccontare utilmente il passato.

Lo stesso ordine vale per la supply chain. Dashboard traboccanti di istogrammi dei tempi di consegna, grafici dei livelli di servizio e indici di rotazione delle scorte non sono altro che cronache. Senza una teoria del costo opportunità e dell’opzionalità, un analista non può stabilire se una riduzione delle scorte del 20% sia stata genialità o negligenza. I dati diventano conoscenza solo quando vengono filtrati attraverso una prospettiva economica; altrimenti, l’esercizio è tenuta dei registri mascherata da comprensione.

Eppure, nella pratica quotidiana, la distinzione tra cronaca e spiegazione viene abitualmente offuscata. Gli analisti riempiono dashboard, i fornitori pubblicano rapporti comparativi e i consulenti esibiscono casi di studio del prima e del dopo: tutti raccontano ciò che è accaduto, tacendo su ciò che sarebbe potuto accadere con scelte diverse. La registrazione racconta una storia; non diagnostica mai i meccanismi che l’hanno generata.

Si consideri un commerciante che pubblicizzi una riduzione delle scorte del 20%. In assenza di una teoria del costo opportunità, il titolo è privo di significato: è stato davvero liberato capitale circolante senza peggiorare il servizio, oppure le rotture di stock a scaffale sono state soltanto rinviate a un trimestre non ancora rendicontato? I registri non contengono righe per le vendite mai avvenute, gli ampliamenti di assortimento mai tentati o gli esperimenti sui prezzi mai condotti. La storia registra soltanto il percorso seguito, mai quelli adiacenti rimasti inesplorati.

I confronti di riferimento amplificano il problema. Classificare le aziende in base ai «giorni di copertura» o alla «rotazione delle scorte» invita all’imitazione, ma ignora asimmetrie strategiche come l’ampiezza dell’assortimento, le promesse di servizio o il potere di determinazione dei prezzi. Copiare la metrica senza riprodurre il contesto è ottimizzazione da culto del cargo: si conserva il rituale, non l’economia.

La lezione riecheggia le critiche rivolte alla matematica e alla sociologia: la storia economica è una fonte ausiliaria di conoscenza, non un fondamento. I fatti raccolti a posteriori sono indispensabili, ma vanno filtrati attraverso una prospettiva economica rivolta al futuro, che soppesi controfattuali e costi opportunità. Senza quella prospettiva, la storia diventa narrazione corredata di numeri, rassicurante da leggere ma impotente nel guidare il prossimo container. La padronanza parte quindi dalla teoria, la mette alla prova dell’esperienza e solo allora lascia che i registri guidino le allocazioni future.

3.5 Scienze ausiliarie

Le scienze ausiliarie sono le discipline cui la supply chain ricorre abitualmente per fatti, dimostrazioni o strumenti: la statistica per l’incertezza, l’informatica per l’automazione, la psicologia empirica per le distorsioni umane, l’ingegneria aeronautica per l’efficienza dei consumi di carburante e così via. L’espressione deriva dalla storiografia, dove dal sedicesimo secolo discipline come la paleografia o la dendrocronologia vengono chiamate ausiliarie perché forniscono prove senza scrivere la storia. La gerarchia è epistemica, non dispregiativa: la supply chain è subordinata alle verità durevoli stabilite da queste scienze. Se gli statistici affinano il significato di un intervallo di confidenza o gli ingegneri aeronautici dimostrano un profilo di volo meno costoso, il professionista deve adattarsi subito. Conta l’affidabilità della conoscenza, non il percorso attraverso cui è stata ottenuta.

La subordinazione, però, non implica fusione. La supply chain non è un miscuglio multidisciplinare di matematica, ingegneria del software, psicologia e logistica. Rimane un ramo applicato distinto dell’economia, il cui unico mandato è allocare risorse scarse in condizioni di variabilità. Le scienze ausiliarie vengono consultate solo nella misura in cui i loro risultati aiutano ad assolvere quel mandato; se ne possono tranquillamente ignorare i dibattiti interni, il gergo e le gare di prestigio. A un professionista serve familiarità quanto basta per scegliere lo strumento giusto e accorgersi quando fallisce: né più né meno.

La familiarità necessaria dipende dal confezionamento. Quando un risultato ausiliario è incorporato in un artefatto robusto, come un lettore di codici a barre, un motore di ottimizzazione o un circuito integrato, l’esperto di supply chain può trattarlo come una scatola nera e concentrarsi sui compromessi economici. Quando il confezionamento è scarso, come accade ancora per gran parte della ricerca in economia comportamentale, l’esperto deve aprire la scatola, comprenderne i limiti e compensarli manualmente.

Gli storici offrono l’analogia. La dendrocronologia può datare uno scudo all’estate del 1519 e confutare così qualsiasi affermazione che sia stato usato nella battaglia di Marignano del 1515; eppure nessuno storico confonde lo studio degli anelli degli alberi con la scrittura della storia. La supply chain dovrebbe coltivare la stessa disciplina: sfruttare senza remore ogni scienza ausiliaria, senza mai cedere il volante.

Il principio di subordinazione è chiaro quando la microbiologia stabilisce limiti non negoziabili. Il lavoro di laboratorio mostra che la maggior parte dei patogeni trasmessi dagli alimenti entra in crescita esponenziale quando la temperatura del prodotto supera i 5 °C per più di qualche ora. Le linee guida della catena del freddo prescrivono quindi che la carne refrigerata lasci lo stabilimento sotto i 4 °C e non superi mai i 7 °C prima di raggiungere il cliente. Che i pianificatori sappiano recitare le curve di crescita della Listeria è irrilevante: una volta che i microbiologi fissano queste soglie, l’esperto di supply chain deve decidere se pagare per container refrigerati, organizzare percorsi di consegna più densi o ridurre il raggio di distribuzione, ma il vincolo di temperatura in sé non è oggetto di discussione.

La scienza dei materiali offre la stessa lezione. Le prove di compressione rivelano che una normale scatola di cartone ondulato a doppia onda da 7 mm collassa quando il carico superiore supera circa 8 kN. Un centro di distribuzione che impila queste scatole per un’altezza di sei pallet ha quindi posto un limite di circa 18 kg al peso di ogni scatola, a meno che non passi a imballaggi a tripla onda, riduca l’altezza delle pile o investa in scaffalature. La scienza ausiliaria fornisce le condizioni al contorno; la supply chain soppesa i compromessi economici all’interno di quei limiti.

La supply chain si rimette alle proprie scienze ausiliarie perché queste dispongono di modi più rapidi e incisivi per separare verità ed errore. In fisica o in chimica, un esperimento da banco eseguito prima di pranzo può annientare un’ipotesi sbagliata a costo trascurabile: i risultati sono rapidi, ripetibili e decisivi. Le affermazioni sulla supply chain, come quelle dell’economia, si possono verificare soltanto nel mondo disordinato di stabilimenti, camion e negozi. Le prove sul campo durano mesi, consumano denaro reale e raramente forniscono un netto verdetto sì o no. Poiché il suo circuito di retroazione è più lento e rumoroso, la supply chain deve prendere in prestito il rigore delle scienze ausiliarie, accettando al contempo che la propria conoscenza si accumuli più gradualmente.

Tuttavia, la supply chain non eredita gli obiettivi delle scienze ausiliarie: ne acquista semplicemente i risultati come dati grezzi in ingresso. Gli ingegneri aeronautici possono dimostrare che inserire uno scalo di rifornimento a metà percorso riduce il consumo di carburante dell’otto percento su un volo a lunghissimo raggio, ma il professionista deve comunque soppesare quel risparmio rispetto a tempi di transito più lunghi, tasse di atterraggio aggiuntive, straordinari dell’equipaggio e possibile perdita di clienti. Il criterio è il ritorno economico, non l’eleganza tecnica: ogni risorsa — carburante per aerei, ore, capitale, benevolenza — comporta un costo opportunità da quantificare prima di decidere. Le scienze ausiliarie forniscono i fatti; la supply chain attribuisce loro valore.

La supply chain può apparire multidisciplinare perché la pratica quotidiana attinge alla statistica, all’informatica, all’ingegneria meccanica e persino alla psicologia comportamentale. Questa impressione confonde gli strumenti con gli obiettivi. Come scienza, la supply chain è un ramo dell’economia applicata il cui unico mandato è decidere come le risorse scarse debbano fluire nello spazio e nel tempo. Le scienze ausiliarie forniscono soltanto misurazioni, algoritmi o macchine al servizio di quel mandato: non lo ridefiniscono. Al contrario, le scienze naturali si compenetrano proprio perché gli atomi ignorano i muri dipartimentali che separano la fisica dalla chimica o dalla biologia: i loro confini sono convenienze pedagogiche. La supply chain non è dunque multidisciplinare in senso epistemico, ma solo nel senso pratico che utilizza molti risultati importati.

La necessità che un professionista approfondisca un campo ausiliario dipende da due leve. La leva economica misura quanto profitto dipenda dalla conoscenza ausiliaria; la qualità del confezionamento misura quanta parte di quella conoscenza sia incorporata in artefatti affidabili. Più alta è la leva e peggiore il confezionamento, maggiore è la padronanza personale richiesta.

La leva economica è la sensibilità del profitto legata a una scienza ausiliaria. Se modificare la portata d’aria di una camera bianca fa risparmiare soltanto una somma simbolica per lotto, la leva è bassa e l’impostazione può restare una procedura fissa. Al contrario, ridurre il tempo di permanenza in un reattore chimico continuo di soli cinque minuti può aumentare la portata oraria del sei percento, ma riduce anche la resa di conversione e modifica la gamma dei coprodotti: la qualità primaria viene venduta a un prezzo maggiorato, mentre i flussi secondari e terziari vengono ceduti a sconto o devono essere rilavorati. Il volume aggiuntivo, la resa ridotta e la diversa combinazione di coprodotti si ripercuotono sulle scorte, sulle allocazioni contrattuali e sulle fasce di prezzo. Poiché il compromesso è rilevante e la logica di controllo si nasconde in densi diagrammi di processo, i pianificatori devono comprendere la cinetica della reazione quanto basta per soppesare capacità e margine prima di autorizzare il cambiamento. Una competenza approfondita è dunque necessaria soltanto dove un’elevata leva incontra un confezionamento scarso; altrove il campo ausiliario può tranquillamente restare un modulo sigillato.

I circuiti integrati, invece, illustrano un confezionamento eccellente. Incorporano un secolo di meccanica quantistica dietro un’interfaccia a cinque volt; i pianificatori ne sfruttano la potenza di calcolo senza mai studiare la teoria delle bande. I motori a reazione nascondono altrettanto bene termodinamica e scienza dei materiali: a un ottimizzatore di rete basta una tabella dei consumi di carburante. All’estremo opposto si trova la psicologia empirica. Risultati come l’ancoraggio, l’avversione alle perdite e lo sconto iperbolico raggiungono i dirigenti soprattutto sotto forma di prosa. Poiché il confezionamento è scarso mentre la leva — prezzi, promozioni, negoziazione — è alta, i responsabili della supply chain devono comprendere direttamente i concetti, altrimenti rischiano di ripetere le distorsioni documentate dalla disciplina.

Ne segue una regola pratica: una competenza approfondita serve solo dove un’elevata leva incontra un confezionamento scarso. Quando una di queste leve manca, la scienza ausiliaria può restare un modulo sigillato.

In breve, le scienze ausiliarie spostano le frontiere, mentre la pratica della supply chain decide quando quelle frontiere contano. Ogni volta che la statistica produce un intervallo più stretto, la scienza dei materiali un pallet più leggero o l’informatica un solutore più veloce, cambia la leva economica della decisione corrispondente e deve cambiare anche l’attenzione manageriale. Per contro, quando una svolta viene racchiusa in un artefatto affidabile, la si può trattare come infrastruttura e smettere di occuparsene mentalmente. Il mestiere consiste nel mantenere una mappa aggiornata degli elementi che richiedono ancora esame e di quelli che hanno superato la soglia della «scatola nera». Trascurando quella mappa si crea un vuoto, presto colmato dalle promesse esagerate dei fornitori e dal folklore dei consulenti: uno schema che esaminiamo ora sotto il titolo di corruzione epistemica.

3.6 Corruzione epistemica

Quando un sistema di conoscenza perde in misura significativa la propria integrità, cessando di fornire i tipi di conoscenza affidabile che ci si aspetta da esso, possiamo parlare di corruzione epistemica. La corruzione epistemica si verifica spesso perché il sistema è stato piegato a interessi in contrasto con alcuni degli obiettivi centrali che si ritiene ne siano alla base. Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science (2021), Sergio Sismondo.

Gran parte di ciò che oggi passa per conoscenza sulla supply chain è corrotto: non riesce a migliorare le supply chain pur dichiarando di farlo. Eppure non ci sono grandi complotti, signori del male o tangenti all’opera. Gli autori che producono materiale sulla supply chain gravemente distorto sono raramente disonesti: il più delle volte non sono consapevoli del problema. La maggior parte della corruzione epistemica che affligge la supply chain deriva da incentivi perversi strutturali. Il resto del capitolo affronta idee sbagliate persistenti, i cui danni si estendono ben oltre la supply chain.

Come ramo applicato dell’economia, la conoscenza della supply chain promette ricchezza: rende le aziende più ricche, talvolta facoltose. Ogni professionista o gruppo interno di supply chain è spinto a sviluppare conoscenze superiori per battere i concorrenti. Di conseguenza, ha pochi incentivi a rendere pubbliche le proprie scoperte; se un’azienda individua un’euristica controintuitiva ma efficace per l’ottimizzazione delle scorte, preferisce proteggerla come segreto commerciale.

I divulgatori più rumorosi delle «verità» sulla supply chain sono coloro che monetizzano i consigli: accademici, consulenti e fornitori di software. Ognuno opera sotto incentivi che distorcono ciò che sceglie di pubblicare.

Primo, il mondo accademico: finanziati da fonti private o pubbliche, i professori competono per studenti e riconoscimento attraverso le pubblicazioni, un classico caso di «pubblicare o morire». Gli autori accademici hanno di rado l’opportunità di verificare nella pratica le proprie affermazioni sulla supply chain; anche quando collaborano con aziende, le loro carriere restano in gran parte isolate dagli esiti reali. La tendenza a vedere la supply chain come una raccolta di rompicapi matematici sottolinea infatti l’influenza degli incentivi strutturali.

Immaginare e risolvere rompicapi matematici richiede un’ingegnosità limitata, soprattutto quando sia il nuovo rompicapo sia la sua soluzione sono semplici varianti di casi noti. Poiché la validità della soluzione è soltanto una questione di coerenza interna, come in qualsiasi dimostrazione matematica, l’autore è sollevato dall’onere di cercare una validazione nel mondo reale. Usare dati reali in prove comparative sintetiche è poco più di una cortina fumogena: continua a non mostrare quali esiti avrebbe prodotto l’applicazione operativa.

Secondo, i consulenti, i cui clienti sono dirigenti aziendali. A differenza degli accademici, i consulenti affrontano le conseguenze reali delle proprie teorie, e questa responsabilità diventa spesso un vantaggio. Quando un dirigente dubita di un progetto, chiama un consulente a fare da cuscinetto: il successo procura merito al dirigente, mentre il fallimento ricade sul consulente. Consapevoli di questa dinamica, i dirigenti raramente allontanano consulenti dai risultati mediocri. Più in generale, i consulenti evitano solitamente di formulare raccomandazioni ferme, poiché il loro ruolo consiste fondamentalmente nel non dire mai «no» a un cliente.

Terzo, i fornitori di software, incluso l’autore di questo libro. Progettare software aziendale è un processo lento e disordinato. Il prodotto finale è solitamente opaco e contorto: se così non fosse, verrebbe venduto come prodotto utilizzabile in autonomia da privati e piccole imprese. Anche i clienti dei fornitori di software sono dirigenti; tuttavia, quelli che selezionano i fornitori non sono in genere gli utilizzatori del prodotto. I dirigenti consultano spesso i subordinati per prendere una decisione più informata, ed è qui che entrano in gioco gli incentivi avversariali. La maggior parte dei prodotti software mira, almeno in parte, a migliorare la produttività, il che spesso comporta ridurre il numero di addetti. Affidarsi alle opinioni dei subordinati favorisce sistematicamente il fornitore che preserva meglio lo status quo, e quindi l’organico. Poiché i dirigenti spesso non hanno il tempo di acquisire le competenze necessarie a valutare un prodotto, delegano gran parte della valutazione ad autorità esterne.

A causa di questa dinamica, il caso di studio è diventato lo strumento promozionale canonico del software aziendale. Poiché una parte così grande delle «prove» del settore passa ormai da questo canale, merita un esame approfondito nella prossima sezione.

3.6.1 Casi di studio

Tra i canali attraverso cui questi incentivi avversariali distorcono le prove, uno domina: il caso di studio aziendale. I casi di studio sono elaborati spot informativi rivolti a un pubblico aziendale, né più né meno. Eppure molte aziende operano nella pericolosa illusione che siano veritieri, soprattutto quando il cliente citato è contattabile; la realtà è diversa. Nel migliore dei casi, un caso di studio chiarisce ciò che il fornitore cerca di vendere; non può valutare quanto ne abbia beneficiato il cliente citato, tanto meno che cosa il fornitore offrirebbe a un’altra azienda. Dissipiamo questa illusione.

Un caso di studio «software» soffre di due difetti intrinseci, ciascuno di per sé fatale: incentivi perversi e distorsione da selezione.

Non c’è dubbio che il fornitore abbia un forte incentivo ad abbellire i fatti, amplificando i benefici e nascondendo i problemi che compromettono i rendimenti. La voce del cliente dovrebbe offrire un riscontro con la realtà; nella pratica, il cliente ha gli stessi incentivi del fornitore ad abbellire. Una vendita aziendale richiede infatti che uno o più dirigenti sostengano la scelta. Questi sostenitori si fanno di fatto garanti del fornitore¹³. Inoltre, le loro affermazioni saranno corroborate da metriche molto convincenti. Le supply chain sono abbastanza complesse da garantire che, per quanto disfunzionale sia l’iniziativa, si possa individuare una breve lista di metriche favorevoli. Se necessario, le metriche possono persino essere falsificate in modo piuttosto sfacciato. Nessuno, tanto meno un osservatore esterno, salvo chi conosce intimamente l’iniziativa, sarà in grado di contraddire le affermazioni del caso di studio. I casi di studio aziendali sono, per costruzione, non riproducibili.

In presenza di un conflitto d’interessi tanto clamoroso, amplificato dalla completa assenza di responsabilità per i risultati, la distorsione è inevitabile. Persino persone di solidi principi, note per la loro onestà nelle questioni quotidiane, possono cedere a incentivi distorti quando sono in gioco la reputazione o il sostentamento. Non si tratta di mettere in dubbio la loro fibra morale, ma di riconoscere la potente influenza che pressioni professionali, percezione dei colleghi e ambizioni personali possono esercitare su persone altrimenti ammirevoli. Quando il successo di un progetto si traduce in avanzamenti di carriera, inviti a intervenire in pubblico o prestigio interno, anche le persone più integre possono trovare quasi impossibile restare neutrali nelle proprie valutazioni. Il conflitto d’interessi è semplicemente incorporato nel sistema.

Per questi motivi, chiamare il cliente per «verificare» un caso di studio è del tutto inefficace. Salvo il raro caso di pura invenzione, i dirigenti coinvolti confermeranno volentieri tutto ciò che è stato scritto, esattamente come prevedono i loro incentivi. Peggio ancora, il «contatto umano» conferisce alle affermazioni una credibilità indebita, semplicemente perché la maggior parte dei dirigenti aziendali fa una buona impressione su chiunque li contatti¹⁴.

Anche ammettendo, implausibilmente, che il cliente sia sincero, il caso di studio, come metodo, resta irrimediabilmente viziato dalla distorsione da selezione. I fornitori servono molti clienti e i casi di studio non vengono scelti a caso. Il fornitore seleziona naturalmente quelli più favorevoli. Questa selezione guidata dal fornitore garantisce una distorsione enorme.

Un fornitore può infatti essere incompetente, con la maggior parte delle iniziative chiuse discretamente come fallimenti, eppure continuare a esibire successi. Per ottenere l’apparenza del successo nel software aziendale basta subentrare nel disastro lasciato da un altro fornitore incompetente.

I fornitori incompetenti abbondano e le aziende che li scelgono dimostrano scarso discernimento. Non sorprende quindi che un’azienda che abbia scelto un fornitore incompetente finisca per sceglierne un altro altrettanto incompetente, una volta riconosciuto discretamente il primo fallimento. Nel secondo tentativo, però, qualche lezione sarà stata appresa e alcuni gravi errori verranno evitati. Così il secondo fornitore, pur essendo incompetente quanto il primo, molto probabilmente fornirà qualcosa di relativamente migliore. Persino chi è menomato può superare l’asticella, se viene posta abbastanza in basso. Da questo successo relativo nascerà un caso di studio che glorifica la competenza del secondo fornitore.

È inutile deplorare i pregiudizi degli autori nel campo della supply chain, così come è inutile sperare che un giorno compaia un autore «imparziale». Non esiste un osservatore neutrale: mettere alla prova qualsiasi teoria della supply chain richiede la collaborazione di un’azienda orientata al profitto. Restare neutrali equivale a restare incompetenti. Non si trova soluzione nella torre d’avorio della ricerca pura. Gli incentivi avversariali, e le distorsioni che producono, vanno considerati una caratteristica intrinseca della supply chain.

Ciò significa che i metodi usati per produrre conoscenza sulla supply chain vanno valutati in base alla capacità di attenuare, anziché amplificare, queste distorsioni. Idealmente, dovrebbero essere progettati e orientati proprio a questo scopo.

3.7 Conoscenza negativa

Dopo aver esaminato come la «conoscenza» sulla supply chain vada fuori strada, ci serve una contromisura pratica. Il punto di partenza più affidabile è la conoscenza negativa: un registro curato di ciò che prevedibilmente fallisce, tenuto a portata di mano e fatto valere come veto contro proposte allettanti ma rovinose. La trattazione che segue spiega perché questo registro conti e come usarlo.

Se la conoscenza positiva orienta la mente nelle direzioni giuste, quella negativa la allontana da quelle sbagliate. La conoscenza negativa è in gran parte assente dai sistemi educativi moderni. L’insegnamento è visto come un esercizio di trasmissione di conoscenze «valide» agli studenti. Anche nell’istruzione superiore sono rare le lezioni in cui i professori si avventurano su temi come «illusioni diffuse» o «ciò che suona bene ma non funziona». Di conseguenza, la conoscenza negativa è in gran parte assente dalla letteratura sulla supply chain, che sotto questo aspetto non fa eccezione.

La supply chain si presta però particolarmente bene alla conoscenza negativa. Le iniziative fallite sono numerose, ma troppo spesso vengono accantonate quando andrebbero trattate come una fonte preziosa di conoscenza negativa. Qualsiasi azienda che gestisca una supply chain di dimensioni rilevanti dagli anni 1980 e operi ancora con fogli di calcolo anziché con sistemi davvero automatizzati ha quasi certamente subito una mezza dozzina di simili fiaschi. L’ironia risale già alla fine degli anni 1970, quando i fornitori di software promisero per la prima volta l’automazione completa, suscitando aspettative che non hanno ancora soddisfatto. Anziché lasciare che questi incidenti sbiadiscano nella memoria, un’azienda dovrebbe esaminarli uno per uno in dettaglio, producendo analisi post mortem che l’alta direzione custodisca come gioielli della corona. Sviscerando ciò che è andato storto, che si tratti di promesse commerciali esagerate, di una catena di comando confusa o di un vecchio processo ostinato, l’organizzazione impara a individuare i primi segnali di difficoltà ed evita di ripetere lo stesso schema qualche anno dopo.

Un’impresa potrebbe, per esempio, avviare un grande piano per implementare un sistema di gestione delle scorte completamente automatizzato in decine di magazzini. L’iniziativa può fallire per innumerevoli ragioni: un software appena introdotto che contraddice procedure vecchie di decenni, richieste contrastanti tra reparti o la tecnologia di un fornitore che si rivela inadeguata quando le demo scintillanti lasciano spazio alle condizioni reali. Senza un’adeguata analisi post mortem, l’impresa rischia di infilarsi inconsapevolmente in un’altra avventura, inquietantemente simile, tre anni dopo. Un fallimento documentato con cura, per quanto doloroso da riesaminare, rafforza l’azienda mettendo in luce le insidie create da promesse accattivanti o da una leadership approssimativa. Chi non impara dalle proprie iniziative fallite è condannato a finanziare di nuovo gli stessi errori; nella supply chain, i costi non fanno che accumularsi con il passare degli anni.

Quando un fiasco di supply chain viene alla luce, merita particolare attenzione e maggiore credito proprio perché nessuno ha incentivo a esporlo. Le parti coinvolte quasi sempre nascondono i propri fallimenti; quando una calamità diventa pubblica, di solito è troppo grande o troppo costosa per essere nascosta sotto il tappeto. Questa conoscenza negativa va custodita e studiata, poiché i dettagli di un fallimento non si diffondono facilmente e sono quasi impossibili da trovare nei libri o negli articoli accademici. Un dirigente che speri di evitare la stessa costosa lezione dovrebbe cogliere queste rare rivelazioni ed esaminarle attentamente: ciascuna rivela non soltanto un cattivo risultato, ma l’idea sbagliata che lo ha prodotto.

La conoscenza negativa dura perché le sue fondamenta non poggiano su peculiarità passeggere del mercato. Quando un metodo o un paradigma è difettoso alla radice, nessun cambiamento delle circostanze potrà mai correggerlo. La supply chain abbonda di simili errori. Lo stack ranking¹⁵, per esempio, può sembrare semplice; ma in un campo che richiede una stretta collaborazione tra gruppi, corrode proprio la fiducia necessaria al loro funzionamento. Analogamente, imporre una distribuzione normale per modellare la domanda può sembrare elegante sulla carta, ma i dati della supply chain seguono raramente un’ordinata curva a campana. Gli shock della domanda e gli eventi rari che plasmano le operazioni reali sono esattamente ciò che questo modello trascura. Questi difetti non sono prodotti del momento, ed è del tutto irragionevole immaginare che, con sufficienti aggiustamenti, lo stack ranking o la distribuzione normale possano diventare improvvisamente adatti. Le loro carenze sono intrinseche e i responsabili della supply chain sprecano tempo e risorse preziosi ogni volta che ricorrono a questi strumenti sperando in un risultato diverso.

La conoscenza negativa è spesso molto più facile da comprendere di quella positiva. Si possono passare giorni a studiare il funzionamento di un database colonnare, ma è molto più semplice, e più pratico, ricordare che questi database non sono adatti ai sistemi di registrazione. Qualsiasi impresa che esegua un flusso di lavoro fortemente transazionale su un’architettura colonnare scopre presto che procede con esasperante lentezza e consuma risorse di calcolo, facendo salire le spese di hosting. Un’azienda può subire questa lezione una sola volta prima di abbandonare l’intera configurazione, senza ripetere mai più l’errore. In questo senso, la conoscenza negativa risparmia a un dirigente la necessità di padroneggiare ogni sfumatura del perché una tecnologia fallisca: basta sapere che fallirà ed evitare del tutto quel vicolo cieco.

Per contro, la conoscenza negativa è particolarmente adatta alla supply chain perché raccogliere conoscenze positive affidabili è tanto difficile.

Gli esperimenti nella supply chain sono più difficili da condurre di quanto sembri. Nessuna grande azienda vuole scommettere sulle prestazioni di una vasta rete i cui fallimenti possono ripercuotersi simultaneamente su scorte, trasporti e soddisfazione dei clienti. Anche una prova apparentemente modesta può perturbare interi segmenti dell’attività, offrendo soltanto una percezione fugace dell’effettivo beneficio o del semplice spostamento dell’onere su un’altra parte della supply chain. Un commerciante che sperimenti consegne più piccole e frequenti potrebbe ridurre le rotture di stock locali in alcuni negozi, per poi scoprire che i costi di spedizione aumentano bruscamente e creano complicazioni ai centri di distribuzione, già alle prese con programmi complessi. È la maledizione ricorrente della supply chain: i problemi vengono spesso spostati anziché eliminati.

Inoltre, qualsiasi esperimento nella supply chain, come un esperimento in economia, è notoriamente difficile da replicare. Non esistono due momenti con condizioni identiche, e le pressioni del mercato, i vincoli organizzativi e il fattore umano non possono mai essere riprodotti integralmente. Ciò che funzionava l’anno scorso con un certo andamento della domanda potrebbe fallire clamorosamente quando cambiano i gusti dei consumatori o entra sul mercato un nuovo concorrente. I fattori confondenti sono sempre in agguato sullo sfondo, oscurando cause ed effetti. Quando un’azienda dichiara «riuscito» un esperimento, di solito interpreta dati locali attraverso una particolare prospettiva, spesso senza accorgersi che il contesto più ampio è già cambiato. Anziché guidarci verso verità conclusive, queste prove ricordano soprattutto quanto tali verità possano essere fragili e sfuggenti.

Le cosiddette «buone pratiche» non possono essere accettate per come si presentano. Professori, consulenti e fornitori di software perseguono ciascuno i propri interessi, e nessuno è allineato a ciò di cui un’azienda ha davvero bisogno. I professori si concentrano su teorie adatte agli articoli di ricerca e alla valutazione in aula, due aspetti che hanno poca attinenza con i risultati reali di quelle teorie. I consulenti, dal canto loro, reclamano originalità per distinguersi dai colleghi, ma la sola novità non dimostra nulla. Mettendo in primo piano questioni marginali e presentandole come urgenti, distolgono l’alta direzione da problemi molto più pressanti. Nel frattempo, i fornitori di software ampliano senza sosta le funzionalità per spuntare ogni casella di una RFP, ma raramente riconoscono quanto questi livelli aggiuntivi spingano la manutenibilità al limite.

Anche quando un’idea brillante trova un’applicazione pratica, può perdere il proprio vantaggio non appena la adottano in troppi. Una cosiddetta buona pratica, una volta diffusa ampiamente in un settore, non conferisce più alcun vantaggio. I concorrenti si adattano, erodendo i guadagni che la pratica aveva prodotto. Questo effetto non è peculiare della supply chain, ma qui è particolarmente rilevante perché tanti attori in competizione — fornitori, consulenti, persino ambienti accademici — sono motivati a presentare una nuova tecnica come soluzione universale. Il vero progresso sta altrove, perché non esiste un singolo metodo tanto robusto da sopravvivere immutato sotto i riflettori dell’adozione di massa. Ciò che conta come buona pratica dipende dal fatto che i concorrenti non la applichino; nel momento in cui recuperano il ritardo, il suo valore svanisce.

La mappa delle insidie epistemiche è ora completa: matematica alla moda, sociologia guidata dalle storie, processi corrotti di produzione delle prove e incentivi perversi che tengono in vita tutte e tre. Uscire da questo labirinto richiede un sistema di riferimento che non cambi con le mode e una barriera che ci impedisca di finire di nuovo negli stessi fossi. L’economia fornisce il riferimento; la conoscenza negativa fornisce la barriera. Solo traducendo ogni affermazione sulla supply chain in costo opportunità, profitto e perdita, e rifiutando attivamente gli schemi che prevedibilmente distruggono valore, possiamo confrontare le alternative su un terreno neutrale e smascherare le illusioni per ciò che sono. Stabiliti questi criteri, il prossimo capitolo lascia l’epistemologia per i principi fondamentali, riprendendo le leggi elementari dell’economia e mostrando come ancorino ogni successiva regola decisionale di questo libro.

4 Economia

La supply chain è una branca applicata dell’economia, a sua volta una branca della prasseologia, la teoria dell’azione umana. Le supply chain nascono dall’azione coordinata di persone che operano su vasta scala per migliorare le proprie condizioni materiali.

Nel Capitolo 1 abbiamo definito la supply chain come la padronanza dell’opzionalità in condizioni di variabilità. L’opzionalità riformula gli «usi alternativi» dell’economia generale nella prospettiva dell’impresa: ogni decisione assegna una risorsa scarsa a un’opzione, escludendo tutte le altre. L’economia non è uno sfondo lontano: è la grammatica della pratica della supply chain.

Purtroppo l’economia rimane una scienza largamente trascurata e ignorata. Sui media tradizionali e sui social media, molti sedicenti «economisti» parlano non da scienziati, ma da ideologi politici¹⁶.

I conflitti d’interesse aggravano la situazione: molti economisti ricevono lo stipendio, direttamente o indirettamente, proprio dagli Stati di cui commentano le politiche. Consapevolmente o meno, questi finanziamenti restringono la gamma di opinioni esprimibili senza rischi professionali¹⁷. Quando l’ideologia si spaccia per analisi neutrale, la sfiducia del pubblico non fa che aumentare.

4.1 Principi economici essenziali

Ai lettori che non hanno familiarità con l’economia consigliamo Basic Economics (2000) di Thomas Sowell. Pur non essendo un prerequisito, i suoi insegnamenti sono fondamentali per lo studio e la pratica della supply chain. Come le altre opere di Sowell, il libro è eccezionalmente chiaro e accessibile a un pubblico non tecnico. Soprattutto, chiarisce che l’economia è rigorosamente neutrale rispetto alla politica e alle altre ideologie. Le leggi generali dell’economia non possono essere eluse: si applicano allo stesso modo qualunque sia l’organizzazione della società, che si tratti di capitalismo, socialismo o feudalesimo. Leggi come quella della domanda e dell’offerta, quella dei rendimenti decrescenti e quella ricardiana del vantaggio comparato sono fondamentali per la supply chain.

Queste leggi fondamentali governano ogni scambio orchestrato da una supply chain.

Legge della domanda e dell’offerta. In un mercato libero, il prezzo di un bene sale quando la domanda supera l’offerta e scende quando l’offerta supera la domanda. Il segnale di prezzo non è una convenzione arbitraria: è il meccanismo che raziona le risorse scarse. Quando i container marittimi in arrivo scarseggiarono durante la ripresa del 2021 successiva ai lockdown, i noli quadruplicarono. Gli speditori che attribuivano maggior valore ai container accettarono il sovrapprezzo e spedirono in tempo; i carichi di minor valore attesero il ritorno della capacità. Il meccanismo può sembrare brutale, ma assegna silenziosamente una risorsa scarsa al suo impiego di maggior valore, incoraggiando al contempo i vettori a investire in capacità aggiuntiva.

Legge dei rendimenti decrescenti. Se si aumenta un fattore di produzione mantenendo costanti tutti gli altri, la produzione aggiuntiva generata da ogni unità supplementare finisce per diminuire. Raddoppiate il numero di addetti al prelievo in un centro di evasione ordini e il flusso di pacchi quasi raddoppierà, finché la congestione alle postazioni di imballaggio non inizierà a costituire un vincolo. La stessa curva compare quando si aggiungono scorte cuscinetto: il primo pallet abbatte il rischio di rottura di stock, il decimo offre soltanto un minimo di protezione in più. Individuare il gomito di questa curva è un problema ingegneristico centrale della supply chain.

Legge ricardiana del vantaggio comparato. Anche quando una parte è più efficiente in termini assoluti nella produzione di ogni bene, entrambe traggono vantaggio dallo scambio se ciascuna si specializza in ciò che sa fare relativamente meglio. Un’officina svizzera di microlavorazione che produce ingranaggi di alta precisione e uno stabilimento indonesiano che tesse camicie di cotone prosperano entrambi scambiando la propria produzione, nonostante le differenze di salari e competenze. Le supply chain forniscono l’infrastruttura — rotte marittime, magazzini, sistemi informativi e contratti — che trasforma il vantaggio comparato in un surplus tangibile.

Queste tre leggi sono illustrative, non esaustive. Entrano in gioco molti altri concetti — costo opportunità, preferenza temporale, profitti e perdite imprenditoriali —, ma questa terna basta a mostrare perché ogni scelta relativa a scorte, instradamento o prezzi si riduca in ultima analisi alla stessa domanda: come destinare al meglio risorse scarse all’impiego di maggior valore in condizioni di incertezza.

4.2 Mercati e supply chain

Il notevole miglioramento delle condizioni materiali dell’umanità negli ultimi tre secoli è in larga parte attribuibile all’economia di libero mercato, che ha finanziato lo sviluppo di quasi tutte le scienze e le tecnologie di cui oggi godiamo. Nei paesi sviluppati, che comprendono ormai una quota sempre maggiore dell’umanità, i prezzi reali degli alimenti e dei manufatti sono una frazione di quelli di un secolo fa.

La padronanza della supply chain è una delle molte innovazioni stimolate dai liberi mercati per ottenere di più con meno risorse. Sebbene le supply chain dipendano da tecnologie complementari, la loro presenza indica in genere un’accessibilità di massa; senza di esse, i beni possono comunque essere prodotti, ma a costi sostenibili soltanto da pochi privilegiati.

Le migliori condizioni materiali dei paesi sviluppati derivano in larga parte dall’efficienza delle operazioni di supply chain. I progressi scientifici e tecnologici ci permettono imprese straordinarie, come mantenere la vita in orbita, ma esiste un’enorme differenza tra prodezze tecnologiche isolate e miracoli confezionati, affidabili e accessibili alle masse. Questo divario si deve in gran parte a supply chain robuste, che costituiscono la spina dorsale della nostra civiltà industriale.

Un controesempio rivelatore viene dall’Unione Sovietica. Nella pianificazione centralizzata, quasi ogni grande produttore era costretto a un’integrazione verticale estrema, perché semplicemente non esistevano partner affidabili. Una fabbrica di frigoriferi di Leningrado gestiva un proprio deposito di legname per le casse, una propria vetreria per i ripiani e persino un allevamento di vacche da latte per rifornire la mensa aziendale. Quella che sulla carta sembrava un’invidiabile autosufficienza era in realtà il sintomo di un’economia in cui fiducia, specializzazione e segnali di prezzo erano stati soffocati.

In assenza di mercati che premiassero puntualità e qualità, i «partner» erano semplicemente altri ministeri tenuti a consegnare ciò che potevano, quando potevano. Le fabbriche si tutelavano quindi duplicando al proprio interno la capacità a monte e accumulando mesi, o talvolta anni, di scorte di fattori produttivi. Ai prodotti finiti non andava meglio: spesso attendevano per settimane i carri ferroviari, a loro volta ostaggio delle croniche carenze di vagoni dei programmi del Gosplan. Tempi di consegna che avrebbero fatto fallire un’impresa occidentale erano accettati come normali, e lo spreco emergeva da ogni indicatore. Le tonnellate-chilometro di merci per unità prodotta erano parecchie volte superiori a quelle delle economie di mercato, mentre il consumo energetico specifico per acciaio, tessuti o pane superava di gran lunga i parametri occidentali.

Questo episodio conta per i dirigenti di oggi: le prestazioni della supply chain non dipendono principalmente da euristiche ingegnose o magazzini più grandi. Dipendono anzitutto da incentivi abbinati a un calcolo economico adeguato. Quando i prezzi si muovono liberamente e i contratti vengono fatti rispettare, la specializzazione prospera e reti lunghe e delicate diventano non soltanto realizzabili, ma enormemente più efficienti dei colossi monolitici. Eliminate quegli incentivi o quel calcolo, e le reti si ripiegano su se stesse finché ogni stabilimento diventa una fortezza che accumula le proprie materie prime. La complessità non scompare: riemerge semplicemente sotto forma di spreco.

Prima degli anni 1950, viaggiare in aereo era un lusso stravagante riservato ai militari e ai ricchi. Una serie di innovazioni rese poi il volo sicuro e accessibile, trasformandolo in un’attività comune. Un’innovazione fondamentale furono i motori in gondola — motori aeronautici montati sotto le ali all’interno di gondole —, un concetto introdotto dal Sud Aviation Caravelle nel 1955. Queste gondole separavano la manutenzione dei motori da quella della fusoliera principale, riducendo notevolmente i costi operativi e aprendo la strada ad aerei come il Boeing 707 del 1957, che democratizzarono il trasporto aereo.

Attualmente, l’industria spaziale deve ancora beneficiare delle moderne pratiche di supply chain, soprattutto per limiti tecnologici. Una manciata di imprenditori facoltosi ha acquistato voli orbitali, ma i prezzi rimangono proibitivi per la maggior parte delle persone. Dopo decenni di stagnazione, SpaceX sta facendo progredire tecnologie — in particolare i razzi riutilizzabili — che potrebbero un giorno sostenere una supply chain spaziale. Una volta padroneggiate queste tecnologie, i principi consolidati della supply chain ridurranno notevolmente i costi.

Un esempio storico di questa dinamica è la rapida adozione della containerizzazione nel trasporto marittimo durante gli anni 1950 e 1960. Il container intermodale standardizzato rappresentò una svolta che ridusse drasticamente i costi di movimentazione e i tempi di transito. Una volta affermata questa tecnologia, che richiedeva porti, gru e navi adeguatamente attrezzati, una nuova generazione di supply chain si sviluppò attorno a essa. I porti che non si adeguarono e non integrarono gli standard dei container rimasero indietro, mentre quelli che adottarono la containerizzazione divennero grandi snodi del commercio mondiale. Analogamente, ogni volta che una nuova tecnologia giunge a maturità — che si tratti di razzi riutilizzabili o di robotica avanzata —, gli innovatori organizzano rapidamente le proprie supply chain per sfruttare questi progressi, facendo leva sia sulla modularità sia sulla standardizzazione per raggiungere dimensioni ed efficienza di costo senza precedenti.

Più in generale, i progressi tecnologici ampliano la gamma delle opzioni disponibili, e la supply chain decide come sfruttarle al meglio per ottenere la massima efficienza economica.

4.3 Il valore delle supply chain

Le supply chain sono emerse dall’economia di mercato perché sono efficienti. Datare la prima vera supply chain è vano: il fenomeno è emerso gradualmente e se ne possono rintracciare le origini nell’antichità. Inoltre, le supply chain sono nate senza che pianificatori visionari guidassero deliberatamente le imprese verso ciò che oggi riconosciamo come supply chain. Le imprese hanno semplicemente seguito l’efficienza empirica, che le ha condotte alle supply chain oggi esistenti. Sebbene le imprese moderne possano ormai essere progettate con l’intento esplicito di portare sul mercato una supply chain superiore, questa prospettiva è piuttosto recente e largamente successiva alle supply chain stesse.

Le supply chain esistono perché attivano una manciata di meccanismi strutturali che conferiscono vantaggi competitivi duraturi. Le pagine che seguono esaminano questi meccanismi e mostrano come la progettazione della supply chain possa generare più valore di quanto potrebbero mai fare le sole dimensioni.

Questi meccanismi differiscono in parte dal concetto tradizionale di economie di scala, generalmente intese come il conseguimento di una maggiore efficienza al crescere delle dimensioni. Tale efficienza deriva in genere dalla combinazione di costi fissi e variabili nella produzione. Funzioni quali ingegneria, marketing, gestione strategica e conformità normativa sono in larga misura fisse, indipendentemente dalla produzione, mentre l’acquisto, il trasporto e la lavorazione dei beni crescono con i volumi.

Le economie di scala rappresentano una forma elementare di ottimizzazione del flusso: aumentando il volume si riduce il costo marginale. Nelle operazioni quotidiane, però, i professionisti della supply chain dispongono raramente di leve per aumentare i volumi abbastanza da ottenere ulteriori economie di scala; i salti dimensionali del flusso appartengono alle operazioni di M&A (fusioni e acquisizioni), non alla supply chain.

Oltre alle economie di scala, altro valore deriva dal modo in cui un’impresa modella il proprio flusso attraverso quattro forze ricorrenti: la standardizzazione (domare la variabilità intrinseca), il pooling (concentrare le scorte per assorbire la casualità), il raggruppamento in lotti (riunire i movimenti per ridurre i costi unitari di movimentazione) e la versatilità (progettare beni strumentali utilizzabili per più scopi). Queste forze agiscono su leve diverse — informazione, spazio, tempo e capitale —, ma convergono verso lo stesso obiettivo: offrire più servizio con le stesse risorse scarse. Le sezioni seguenti esaminano ciascuna forza a turno, a partire dalla standardizzazione.

4.3.1 Standardizzazione

La variabilità è lo stato naturale delle cose fisiche. Non esistono due alberi esattamente uguali; lo stesso vale per pietre, mucche, persone e appezzamenti di terreno. I confini sono spesso sfumati: i frutti caduti fanno ancora parte dell’albero? La proprietà di un terreno si estende dalle profondità della terra fino alle stelle? Anche le nostre azioni presentano una variabilità intrinseca. Persino sistemare una mela ammette innumerevoli varianti; non esistono due collocazioni esattamente identiche. La mela può cadere sul pavimento, essere raccolta e rimessa sullo scaffale. Si tratta ancora della stessa azione? Anche se il pavimento è sporco? Eppure, nella civiltà industriale diamo per scontato che, all’interno del flusso di beni fisici, quasi ogni «cosa» e «azione» possa essere identificata e contata con precisione. Non è un caso: è il risultato di secoli dedicati a rendere gestibile il flusso, un processo chiamato standardizzazione.

La standardizzazione è un insieme eterogeneo di pratiche che rendono gestibile il flusso dei beni all’interno delle imprese e tra i mercati. In effetti, la variabilità intrinseca di tutte le cose complica ogni aspetto. Ogni articolo acquistato o venduto varia nelle proprie caratteristiche e, di conseguenza, spesso nel prezzo. Ogni processo produttivo deve essere continuamente adattato alle minime differenze dei suoi fattori in ingresso, sempre mutevoli. Queste complicazioni assorbono l’attenzione dei dirigenti, un fattore costoso, e riducono la capacità dell’impresa di conseguire economie di scala. Impongono anche costi cognitivi ai clienti, che devono valutare se un articolo sia adatto all’uso previsto.

A un lettore contemporaneo, tutto questo può sembrare astratto. La stragrande maggioranza dei beni è standardizzata: prodotta in serie entro tolleranze fisiche ristrette. Ci si aspetta che le variazioni tra le unità siano impercettibili; due unità dello stesso prodotto dovrebbero essere visivamente indistinguibili. Quando ciò è possibile, noi clienti attribuiamo istintivamente la differenza a un qualche difetto¹⁸. Persino la frutta e la verdura acquistate nei negozi sono ormai accuratamente calibrate, riducendo la variabilità a una frazione delle differenze naturali presenti alla raccolta. Nell’industria, qualità significa soprattutto assenza di variazioni involontarie.

Ci aspettiamo anche un’elevata modularità e interoperabilità tra i beni strumentali. I container passano senza intoppi dalle navi ai camion, grazie a gru dedicate. Un insieme limitato di misure di pneumatici copre quasi tutti i camion. Schemi standard di pallettizzazione ottimizzano lo spazio nei container, e i carrelli elevatori, costruiti per i pallet, li spostano in modo efficiente. A ogni fase vengono stampati codici a barre, poi letti, spesso da un’altra impresa. In ultima analisi, modularità e interoperabilità derivano da un’attenta standardizzazione, che semplifica intere classi di operazioni.

Eppure, appena un secolo fa la situazione era radicalmente diversa. La maggior parte degli articoli prodotti in serie presentava ancora variazioni percepibili. L’interoperabilità era locale, non globale, e la modularità era in gran parte confinata alle singole imprese. Dopo la Seconda guerra mondiale, gli standard si estesero in ampiezza e profondità insieme alle moderne supply chain. Il movimento ebbe sostenitori energici, in particolare W. Edwards Deming, i cui metodi per la qualità resero la standardizzazione una priorità manageriale.

La standardizzazione è un requisito fondamentale per portare il flusso su scala di massa: senza di essa, molti processi sono irrealizzabili, i marchi sono esposti ai difetti, i dirigenti inseguono i casi anomali e la maggior parte delle economie di scala rimane inaccessibile.

Come corollario, il flusso è diventato prevalentemente discreto: oggi nella rete viaggiano unità distinte, contate una per una, anziché tonnellate o litri anonimi. Le modalità alla rinfusa persistono per sabbia, greggio e cereali, ma per qualsiasi cosa abbia un minimo di valore la norma è un’unità dotata di codice a barre e pronta per la scansione.

Questo carattere discreto potenzia enormemente l’opzionalità. Un carro ferroviario di etanolo presenta una scelta — spedire o trattenere —, mentre un pallet di 120 trapani elettrici presenta 120 scelte distinte: ogni trapano può essere separato dagli altri, instradato altrove, riprezzato, inserito in un kit o rimandato. Ogni SKU funziona quindi come un titolo di opzione, il cui valore dipende da dove, quando e nei confronti di chi l’opzione viene infine esercitata.

Il vantaggio è evidente: una granularità fine permette all’impresa di reindirizzare le scorte verso nuovi nuclei di domanda, fare arbitraggio su piccoli differenziali di prezzo e rinviare l’impegno fino all’ultimo momento possibile. Lo svantaggio è altrettanto chiaro: lo spazio decisionale esplode. Un pianificatore che un tempo programmava due container al mese deve ora orchestrare migliaia di micromovimenti al giorno. Quando la capacità cognitiva o di calcolo è insufficiente, la direzione ripiega su regole grossolane — MOQ, cicli fissi, allocazioni indiscriminate —, cancellando così gran parte della flessibilità che ha pagato. Il carattere discreto è dunque un’arma a doppio taglio: moltiplica le opportunità e al contempo accresce la necessità di un’automazione capace di esaminarle e ordinarle. Torneremo su questa tensione quando discuteremo dei processi decisionali.

Movimentare singole unità non è gratuito: il cartone, il codice a barre e le manipolazioni aggiuntive costano tutti qualche centesimo. Ma, per qualunque bene al di sopra delle materie prime più economiche, questi centesimi sono trascurabili rispetto ai benefici di un’allocazione precisa. Nelle pagine che seguono, ogni unità sarà trattata come un’opzione negoziabile, e la domanda sarà sempre quale esercizio massimizzi il profitto nel lungo periodo. Stabilito questo fondamento discreto, possiamo ora passare alla seconda forza strutturale: il pooling.

4.3.2 Pooling

Il pooling concentra le scorte in un unico luogo, o sotto un’unica entità societaria, per servire più flussi di domanda. Se gli oneri della concentrazione sono trascurabili, il pooling offre lo stesso servizio con meno capitale rispetto a più scorte indipendenti. In pratica, il pooling è redditizio quando i risparmi sui costi delle scorte superano gli oneri aggiuntivi del servizio. Per esempio, concentrare le scorte in un unico luogo aumenta in genere i costi di trasporto rispetto alla distribuzione dei beni da più sedi.

Il pooling attenua la variabilità della supply chain grazie alla legge dei grandi numeri: un bacino centrale può assorbire con flessibilità picchi disomogenei tra i segmenti, riducendo le scorte complessive necessarie a mantenere i livelli di servizio. Immaginate un unico tavolo con lo champagne per l’intero ricevimento, anziché molti tavoli più piccoli. Mettere in comune le risorse riduce il rischio che un tavolo rimanga a secco, assicurando che tutti siano serviti. Naturalmente, il pooling può ostacolare il servizio dell’ultimo miglio se allontana troppo i beni dal luogo di consumo.

Consideriamo un’impresa che debba scegliere tra un unico grande centro di distribuzione e più magazzini piccoli. Un solo centro aggrega la domanda in modo efficiente e riduce le scorte totali, ma aggiunge anche oneri: tragitti medi più lunghi e maggiori movimentazioni nel centro. I dirigenti devono soppesare questi costi logistici rispetto al risparmio di capitale circolante. Se le domande regionali dei prodotti sono fortemente correlate, per effetto della stagionalità o di campagne nazionali, un unico magazzino offre meno benefici. La correlazione della domanda e la flessibilità dei clienti nel cambiare negozio o canale erodono i guadagni teorici del pooling. Una simulazione comparativa o un progetto pilota verifica di solito se il risparmio sulle scorte superi le spese e i ritardi aggiuntivi, assicurando un valore netto positivo.

In teoria, il pooling può ridurre drasticamente il capitale circolante; nella pratica, gli attriti ridimensionano i vantaggi e aggiungono oneri. Ciò nonostante, il pooling rimane interessante in molti contesti.

Tralasciando gli oneri aggiuntivi del trasporto, i vantaggi sono inferiori per due ragioni. Primo, i flussi di domanda non sono mai indipendenti; al contrario, ci si deve aspettare che siano piuttosto correlati. I mercati sono collegati; possono verificarsi aumenti e cali che si compensano, ma l’andamento tipico è un movimento comune, non una cancellazione reciproca. La correlazione ha molte origini, spesso nelle azioni dell’impresa stessa. Per esempio, una pubblicità nazionale aumenta la domanda in molte località contemporaneamente. Se i flussi sono perfettamente correlati, il pooling richiede tanto capitale circolante quanto la decentralizzazione, a parità di livello di servizio.

Secondo, quando la domanda aumenta bruscamente, un cliente che incontra una rottura di stock locale può cercare di farsi servire in un’altra sede, sostenendone gli oneri. È una situazione comune nelle reti commerciali dense, dove più negozi competono nella stessa città. Inoltre, consentire ai clienti di controllare la disponibilità online amplifica l’effetto, inducendoli, entro certi limiti, a collaborare con le politiche di gestione delle scorte dell’impresa. Se i clienti accettano pienamente gli oneri legati a punti di servizio alternativi, il pooling non porta alcun beneficio: la stessa riduzione delle scorte era ottenibile senza concentrarle.

Se il futuro fosse anticipato perfettamente, il pooling non offrirebbe alcun beneficio; aggiungerebbe soltanto gli oneri di una collocazione subottimale. Il pooling è diffuso proprio perché l’incertezza sul futuro è irriducibile.

In termini di opzionalità, il pooling riduce il numero di opzioni, ma non la loro frequenza né la loro diversità. Semplifica quindi in qualche misura il problema della supply chain. Tuttavia, le imprese adottano raramente il pooling per la sola semplificazione. Empiricamente, le preoccupazioni relative alle scorte morte e allo spazio sugli scaffali dominano la scelta delle ubicazioni adatte a conservare un determinato prodotto.

4.3.3 Raggruppamento in lotti

Se il pooling concentra le scorte nello spazio, il raggruppamento in lotti concentra il flusso nel tempo. Consiste nel trattare gli articoli in lotti più grandi anziché singolarmente, riducendo il costo unitario di lavorazione ma anche la capacità di servire piccole quantità.

Il raggruppamento in lotti è onnipresente nella logistica: una volta superata una soglia di flusso, le unità vengono riconfezionate in lotti più grandi. Una progressione tipica consiste nel raggruppare \(N\) unità in una scatola, riunire \(N\) scatole in uno strato di pallet, combinare \(N\) strati in un pallet completo e infine caricare \(N\) pallet in un container. Il raggruppamento riduce direttamente i costi di movimentazione, sia all’interno di una struttura (intralogistica) sia tra strutture. I raggruppamenti semplificano la movimentazione e il conteggio, e il loro imballaggio spesso aggiunge protezione fisica.

Il raggruppamento in lotti è comune anche nella produzione: in genere significa realizzare un grande lotto di un solo prodotto prima di passare a un altro o fermarsi. Questo approccio riduce al minimo i tempi di attrezzaggio e le altre attività non produttive, come la ricalibrazione, e facilita anche la logistica successiva alla produzione. Nelle industrie di processo, per esempio quella chimica, effetti di scala quali rese superiori spingono verso impianti enormi e lotti proporzionalmente grandi.

Il raggruppamento in lotti aumenta la variabilità intrinseca del flusso e amplifica gli effetti delle fluttuazioni esterne del mercato. Internamente, la variabilità aumenta perché il raggruppamento lega tra loro le sorti di molte unità. Se 100 unità vengono spedite singolarmente da diversi corrieri, sarebbe sorprendente perderle tutte. Se invece tutte e 100 viaggiano su un solo camion, il rischio, pur piccolo, di un incidente stradale si applica ora a tutte contemporaneamente. In termini formali, il raggruppamento in lotti aumenta la varianza del flusso.

Il raggruppamento in lotti amplifica la variabilità esterna. Il meccanismo più frequente è l’allungamento del ciclo del flusso. Il raggruppamento riduce la frequenza degli acquisti, dei trasporti e della produzione. Nel linguaggio corrente, questo ciclo più lungo viene chiamato «tempo operativo più lungo». Nel raggruppamento in lotti, questo tempo operativo è il periodo che l’impresa deve attendere prima di avviare il lotto successivo. Lotti più grandi o meno frequenti immobilizzano più capitale circolante nelle scorte, perché gli articoli devono essere acquistati o prodotti con largo anticipo. Riducono anche la flessibilità: una domanda valutata male trasforma lotti sovradimensionati in scorte eccessive o rotture di stock prolungate, entrambe costose da correggere. Un ciclo più lungo obbliga l’impresa a operare più a lungo prima di poter decidere di nuovo. Per esempio, con il raggruppamento in lotti, una valutazione errata della domanda amplia le eccedenze o prolunga le rotture di stock, a seconda che la domanda sia stata sovrastimata o sottostimata.

Il raggruppamento in lotti riduce l’opzionalità diminuendo sia la frequenza sia il numero delle decisioni in un dato periodo, per esempio un mese. In assenza di un’automazione adeguata, viene spesso impiegato principalmente per semplificare la supply chain. Ma questo compromesso lascia all’impresa meno opzioni e meno flessibilità per adattarsi alle variazioni del mercato. In pratica, le imprese scelgono troppo spesso grandi lotti perché non dispongono della capacità o delle risorse manageriali necessarie a gestire decisioni più frequenti e dettagliate. Ciò riflette un limite umano o organizzativo, non una necessità fisica.

Con un’automazione adeguata, l’onere di prendere decisioni frequenti sui beni fisici diventa minimo, spesso trascurabile. Riducendo il costo dell’orchestrazione, l’automazione migliora il rapporto rischio-rendimento dei lotti più piccoli, diminuendo sia i costi delle scorte sia i tempi operativi. Infatti, mentre i computer moderni operano sulla scala dei nanosecondi, i beni fisici sono limitati a scale temporali dell’ordine dei decimi di secondo (0,1 s): una disparità che asseconda il ritmo più lento dei processi fisici senza causare danni. Di conseguenza, a un computer moderno il flusso dei beni fisici appare quasi immobile¹⁹.

4.3.4 Versatilità

La versatilità riguarda beni strumentali — beni durevoli come macchine, veicoli o impianti che consentono il flusso di beni fisici — capaci di svolgere più funzioni distinte o persino un intero spettro di operazioni. In ogni istante, però, un bene strumentale può servire un solo scopo; l’impresa deve quindi assegnare a ciascun bene uno scopo specifico in quel momento.

Per esempio, un magazzino progettato per mantenere una temperatura ambiente controllata, come 15°C–25°C, potrebbe anche essere dotato di dispositivi in grado di sostenere una catena a temperatura fresca, per esempio 12°C–14°C. Anche se la capacità di refrigerazione resta inizialmente inutilizzata, può costituire un investimento sensato per adattarsi alle future fluttuazioni del mercato.

La versatilità è deliberata: accresce l’agilità dell’impresa e amplia la sua gamma di opzioni. Comporta sempre oneri associati al più ampio insieme di capacità. A parità di altre condizioni, un bene strumentale versatile costa più di uno specializzato proprio per le sue maggiori capacità. In pratica, questi oneri sono solitamente compensati dalla modularizzazione e dalla sua frequente compagna, la standardizzazione.

La modularizzazione scompone un processo in unità più piccole e intercambiabili, facilmente riconfigurabili per compiti diversi. Una volta standardizzate, queste unità diventano oggetto di un’intensa competizione tra le imprese che le producono. Ciò genera di solito notevoli economie di scala, lasciando alle imprese poche alternative all’adozione di beni strumentali modulari per rimanere competitive. Uno svantaggio è l’aumento della complessità complessiva del flusso, poiché le operazioni vengono suddivise soltanto per adattarsi a moduli ampiamente disponibili.

La logistica moderna esemplifica la modularizzazione con codici a barre, baie di carico e container. Senza l’intensa standardizzazione del XX secolo, i benefici della modularizzazione sarebbero molto inferiori. Un’impresa può stampare un codice a barre e aspettarsi che un’altra lo legga perché condividono uno standard. Un camion può essere caricato in una sede e scaricato in un’altra perché l’altezza delle baie è compatibile con il suo progetto.

Anche la produzione moderna si è trasformata. Le imprese utilizzano ormai unità standardizzate per la maggior parte dei processi, ricorrendo a beni strumentali su misura soltanto per le fasi che offrono un vantaggio competitivo unico. Spesso l’intero apparato produttivo è costituito da componenti standardizzati, per cui la specificità dell’impresa deriva dalla loro particolare selezione e disposizione. Inoltre, il costante progresso dei controllori programmabili, nelle loro varie forme, ha reso questi componenti non soltanto modulari, ma anche molto versatili.

Ogni bene strumentale versatile richiede un proprio programma di allocazione. In ogni istante, l’impresa deve decidere se destinare un bene a un impiego diverso. Per alcuni beni, la decisione è semplice e incorporata nella pratica: per esempio, le flotte di camion operano solitamente su percorsi fissi. Al contrario, la versatilità di alcuni beni rimane inutilizzata; un impianto può produrre una gamma ristretta per anni, anche mentre le condizioni di mercato cambiano.

La versatilità dei beni strumentali moltiplica enormemente il numero di opzioni disponibili all’impresa. Non soltanto lo stesso apparato può servire beni diversi, ma il medesimo servizio, trasporto o trasformazione, può essere svolto in molti modi, poiché le capacità dei beni versatili spesso si sovrappongono. Per esempio, autocarri furgonati e semirimorchi sono quasi intercambiabili nel trasporto delle merci; soltanto i carichi più pesanti richiedono un semirimorchio.

Ogni bene comporta però costi di acquisto e di esercizio distinti. Inoltre, qualsiasi bene, che sia definito deperibile o meno, finirà per deteriorarsi con l’usura. È quindi molto importante impiegare il bene giusto al momento giusto per ogni compito, così da ottenere il risultato minimizzando i costi.

4.3.5 Dalle forze alle politiche di decisione

Nella prospettiva dell’economista, queste forze — standardizzazione, pooling, raggruppamento in lotti e versatilità — sono quattro modi di ridisegnare la frontiera in cui le risorse scarse incontrano gli usi alternativi.

Ogni forza corrisponde a un compromesso economico elementare. La standardizzazione riduce il costo marginale al prezzo della varietà; il pooling libera capitale circolante accettando tragitti più lunghi nel primo miglio; il raggruppamento in lotti scambia rischio sulle scorte con minori costi di movimentazione; la versatilità converte gli investimenti in beni strumentali in opzioni reali, il cui valore si concretizza soltanto se il sistema decisionale sa scegliere il momento giusto per esercitarle. Insieme, ampliano lo spazio delle opzioni molto più rapidamente di quanto l’attenzione manageriale possa seguirlo.

Di fronte a un’esplosione combinatoria di opzioni, le imprese adottano spesso politiche espresse sotto forma di una semplice regola di allocazione. Per esempio, un’impresa con due magazzini e una flotta di camion potrebbe decidere che un camion compia ogni giorno un viaggio di andata e ritorno tra le due strutture per riequilibrare le scorte. Questa politica viene adottata con l’intento implicito di usare il programma rigido per il riequilibrio delle scorte. I beni da trasportare non sono specificati, ma l’intesa tacita è che i responsabili utilizzino la capacità giornaliera assegnata per mantenere equilibrate le scorte. Tuttavia, questa politica del «camion unico» è semplicistica: alcuni giorni sarebbero preferibili due camion, mentre in altri squilibri minimi giustificherebbero il rinvio del viaggio. Politiche di questo tipo, basate su regole, possono essere implementate nel software per avvisare i dipendenti giusti al momento giusto, ma un impiegato avrebbe potuto sorvegliarne l’applicazione con poco sforzo.

Governare la supply chain mediante politiche basate su regole semplici è però in gran parte un retaggio del passato. Riflette vincoli che hanno cessato di essere rilevanti con l’avvento delle supply chain digitali. Attenersi a politiche basate su regole semplici era essenziale quando a eseguirle era un impiegato. Se invece la politica viene delegata a un computer, può diventare molto più dinamica mantenendo trascurabile l’onere di elaborazione. Se questa complessità aggiuntiva migliora la supply chain, ne deriva un’allocazione delle risorse nettamente superiore. Tornando all’esempio, una politica più avanzata dovrebbe considerare non soltanto la quantità di scorte da riequilibrare, ma anche confrontare i benefici del riequilibrio con gli usi alternativi dei camion, come l’evasione degli ordini dei clienti. Se i camion sono il collo di bottiglia e gli squilibri di scorte tra i due magazzini sono tollerabili, tutti i camion dovrebbero essere destinati alle consegne ai clienti.

A differenza del pooling e del raggruppamento in lotti, che riducono il numero di opzioni, la versatilità dei beni strumentali lo aumenta. Non vi è alcuna ragione a priori per pensare che tutte queste opzioni siano economicamente equivalenti. Al contrario, molte sono scadenti e una è la migliore in un dato modello economico della supply chain. Il software supportato da hardware moderno rende relativamente semplice esplorare un numero estremamente elevato di opzioni. I dettagli di questo processo non sono importanti qui; ciò che conta è che la versatilità ha conseguenze profonde sulle supply chain.

Poiché ogni politica è, in ultima analisi, una regola di allocazione, il suo merito è economico, non procedurale: deve aumentare il tasso di rendimento aggiustato per il rischio delle risorse che governa. Le euristiche statiche erano difendibili quando gli esseri umani costituivano il collo di bottiglia del calcolo, ma una volta affidata la regola a un computer, il parametro di riferimento diventa il costo opportunità, non la comodità dell’impiegato. L’automazione conta quindi soltanto nella misura in cui permette ai segnali di prezzo, espressi nel modello come valutazioni e tassi di attualizzazione, di propagarsi fino a ogni microdecisione. In definitiva, una politica è giustificata esattamente nella misura in cui genera profitto.

In pratica, l’esplosione combinatoria causata dai beni strumentali versatili può apparire scoraggiante e spesso supera facilmente la capacità di supervisione umana. Ma il software moderno per la supply chain non si limita a tentare di esaminare ogni possibilità con la forza bruta. Come vedremo nel Capitolo Decisioni, l’analisi avanzata, supportata da solutori e algoritmi euristici, può rendere gestibile questa complessità.

4.4 L’obiettivo della supply chain

Nel primo capitolo, la supply chain è stata definita come la padronanza dell’opzionalità in presenza di variabilità nella gestione del flusso di beni fisici. La padronanza, qui, non è una virtù astratta: è la capacità concreta di trasformare l’opzionalità in denaro, proteggendo al contempo l’impresa dai risvolti negativi dell’incertezza. In un’economia di mercato, il metro di questa padronanza è inequivocabile: il profitto nel lungo periodo, espresso in moneta sonante. L’obiettivo pratico della supply chain è quindi aumentare il tasso di rendimento aggiustato per il rischio che l’impresa ottiene da ogni risorsa scarsa coinvolta — capitale, capacità, tempo, benevolenza —, migliorando continuamente sia l’ampiezza sia la qualità delle opzioni esercitabili.

Questo obiettivo ricomprende ogni intento secondario che un professionista possa coltivare. Livelli di servizio più alti, tempi di consegna più brevi, scorte più snelle, trasporti più ecologici, fornitori più soddisfatti, condizioni di lavoro più sicure: tutto conta, ma soltanto nella misura in cui contribuisce, direttamente o attraverso la mitigazione del rischio, al valore attuale netto dell’impresa. La supply chain non è filosofia morale: è una branca applicata dell’economia che sopravvive o perisce in base ai conti. La ricerca del profitto non va confusa con tagli miopi ai costi né con la caricatura del profitto «puro e semplice»; è la ricerca disciplinata dell’allocazione che massimizza il surplus nel lungo periodo, tenendo conto sia della variabilità sia dell’opzionalità.

Il resto di questa sezione sviluppa questa tesi. Anzitutto, riprendiamo profitti e perdite come circuito di retroazione indispensabile per indicare all’impresa se le sue decisioni di supply chain creino o distruggano valore. Spieghiamo poi perché all’interno dell’impresa siano necessarie valutazioni oggettive, anche se ogni valutazione è soggettiva a livello individuale, e come la nozione di tasso di rendimento renda confrontabili nel tempo decisioni eterogenee. Infine, affrontiamo le frequenti obiezioni — moralistiche, apocalittiche o istituzionali — alla ricerca del profitto e mostriamo perché nessuna esenti una supply chain dalle leggi dell’economia.

4.4.1 Profitti e perdite

Profitti e perdite non sono un espediente contabile: sono il tabellone dei risultati di una società fondata sul consenso anziché sulla coercizione. Ogni volta che due parti scambiano, ciascuna si aspetta di migliorare la propria condizione; altrimenti non si conclude alcun accordo. I profitti nascono quindi soltanto nell’ambito dello scambio volontario. Al contrario, ogni volta che l’allocazione è imposta con la forza, o da una regolamentazione che la imita, la possibilità stessa di profitto svanisce, sostituita da tributi, imposte o saccheggio²⁰. In termini economici, le relazioni umane si collocano su un continuum che va dal comando egemonico al commercio senza vincoli. I profitti nascono soltanto su quest’ultimo versante.

Eppure una rumorosa corrente dell’opinione pubblica continua a dipingere il profitto come intrinsecamente basato sullo sfruttamento²¹. Questa visione confonde il profitto con il saccheggio: quest’ultimo si ottiene con la forza, mentre il primo può nascere soltanto quando entrambe le parti acconsentono e ritengono di stare meglio dopo lo scambio. Visto così, il profitto ha un pregio morale: si guadagna esclusivamente servendo gli altri. Le perdite svolgono il ruolo speculare. Avvertono gli imprenditori che i clienti preferiscono altri impieghi per le proprie risorse scarse. Lungi dall’essere dannose, le perdite agiscono come il sistema immunitario del mercato: arrestano ulteriori sprechi e reindirizzano lavoro, capitale e ingegno verso scopi più urgenti.

La storia rende vivido il contrasto: prima della rivoluzione commerciale del XVII secolo, le fortune si accumulavano tipicamente conquistando una provincia, tassando i contadini o cercando i favori del sovrano. Con l’ascesa dei mercati aperti, la strada verso la ricchezza si è rovesciata: Rockefeller raffinò il cherosene a costi inferiori a chiunque altro, Akio Morita miniaturizzò l’elettronica per le masse, Ingvar Kamprad insegnò il mobile in kit a un pianeta parsimonioso. Dove i profitti sono contendibili, l’efficienza cresce vertiginosamente; dove l’allocazione viene decisa per decreto, seguono code, penurie e ruggine.

Le supply chain traducono questo principio in pallet, container e collegamenti di trasporto. La standardizzazione riduce il costo unitario, il pooling libera capitale circolante, il raggruppamento in lotti bilancia le spese di movimentazione con la reattività e la versatilità trasforma le immobilizzazioni in opzioni pronte a scattare. Nessuna di queste leve, però, indica quando fermarsi. L’unico arbitro imparziale è il conto economico: lo SKU aggiuntivo, il lotto più grande o la cassa rinforzata ripagano il proprio costo una volta contabilizzati variabilità e costi opportunità? Se la risposta è sì, il flusso si espande; se è no, il flusso si contrae e il capitale migra verso impieghi migliori.

I professionisti non colgono quindi il punto quando inseguono isolatamente il «livello di servizio», la «rotazione delle scorte» o qualsiasi altro indicatore locale. Questi indicatori contano soltanto nella misura in cui aumentano il tasso di rendimento dell’impresa nel lungo periodo. L’obiettivo non cambia mai: massimizzare il divario tra ciò che i clienti pagano volontariamente e ciò che la supply chain consuma irreversibilmente, tenendo conto dei rischi imposti dall’incertezza.

Le sezioni che seguono smontano le consuete obiezioni alla ricerca del profitto e mostrano come una chiara prospettiva di profitti e perdite immunizzi la progettazione della supply chain sia contro i sofismi da foglio di calcolo sia contro gli slogan edificanti.

4.4.2 Valutazioni oggettive

L’economia parte da una semplice osservazione: soltanto gli individui possono sentire, pensare e agire; quindi soltanto gli individui possono attribuire valore a qualcosa. Queste valutazioni sono soggettive e ordinali: si può dire di preferire il caffè al tè, ma non esiste un’aritmetica per sommare, sottrarre o fare la media delle due preferenze. Peggio ancora per l’analista, domani l’ordine può invertirsi senza preavviso. Nessun foglio di calcolo può fissare un prezzo «intrinseco» per il primo sorso d’acqua, il centesimo o il millesimo; il paradosso del valore rimane una caratteristica, non un difetto, dell’azione umana.

Naturalmente, i modelli statistici possono imparare a prevedere quanto una persona di mezzi economici medi pagherà per un espresso, o quanto sia probabile che abbandoni un carrello, ma la previsione non trasforma una preferenza privata in una quantità oggettiva. Si limita a caratterizzare la soggettività come una distribuzione di probabilità, utile nel commercio ma muta sul valore.

Questo punto demolisce la teoria del valore-lavoro, che cercava di ancorare i prezzi al numero di ore di lavoro «incorporate» in un bene. I diamanti sono costosi non perché i minatori faticano, ma perché gli acquirenti ne apprezzano lo scintillio. Se domani tutti decidessero che il quarzo è più bello, le miniere di diamanti chiuderebbero pur con un impiego di lavoro invariato.

Nel 2019, quando a Notre-Dame scoppiò un vasto incendio, il pubblico venne evacuato rapidamente. Sebbene nessuna vita umana fosse più in pericolo, alcuni vigili del fuoco misero gravemente a rischio la propria vita per salvare quelle che consideravano opere d’arte senza tempo. In termini economici, esercitarono un giudizio di valore, anteponendo semplici manufatti alla propria vita. La maggior parte degli uomini, nella stessa situazione, non avrebbe agito così e avrebbe smesso di rischiare la vita una volta accertato che non vi fossero altre persone in pericolo. È inutile valutare quanto «valgano» quei manufatti in ore di lavoro e quanto costerebbe produrne repliche quasi perfette. Nella prospettiva di quegli uomini, il valore storico e artistico di quei manufatti era categoricamente superiore a qualsiasi successivo tentativo di sostituirli. Attraverso le proprie azioni, gli individui liberi possono esercitare giudizi di valore del tutto arbitrari. Il ruolo dell’economia non è stabilire se tali giudizi siano buoni o cattivi: si limita a riconoscerne l’irriducibile soggettività.

Le imprese, tuttavia, non possono concedersi simili idiosincrasie. All’interno di un’impresa, l’amministratore delegato può amare i tartufi e il direttore finanziario detestarli, ma l’unica domanda ammissibile è: «I clienti pagano abbastanza, e abbastanza presto, da coprire i nostri costi?» Le preferenze individuali non si sommano: si annullano. Resta il verdetto impersonale del mercato, registrato come denaro in entrata e denaro in uscita.

Se un dipendente decide che la sua impresa debba attribuire valore a certe opzioni prescindendo dal profitto — «dovremmo tenere in assortimento questo aggeggio ecologico anche se non si vende mai» —, non si sta dimostrando buono o premuroso: si sta soltanto illudendo, proiettando sull’impresa il proprio giudizio di valore. Così facendo, danneggia l’impresa e il mercato, perché agisce contro i desideri dei consumatori, favorendo invece la propria visione prediletta del momento. Naturalmente, se il dipendente non condivide la missione generale dell’impresa, è suo dovere, in quanto individuo libero, dimettersi e cercare lavoro altrove. I disaccordi sullo scopo dichiarato dell’impresa non si risolvono sabotandone le operazioni dall’interno.

Un’impresa è quindi uno strumento di cooperazione sociale: aggrega capitale, talento e informazioni per soddisfare i desideri più urgenti che altre persone esprimono attraverso i propri acquisti. Profitti e perdite trasformano questi segnali dispersi in un metro oggettivo leggibile da ogni pianificatore: guadagnare più unità monetarie di quante se ne spendano significa che le risorse si dirigono verso desideri collocati più in alto nelle preferenze; il contrario significa che vengono sprecate. La pratica della supply chain deve ancorare ogni valutazione a quel metro, mai al gusto personale, perché soltanto i prezzi permettono di ricondurre milioni di scale soggettive a un’unica misura oggettiva.

La domanda successiva è dunque come confrontare due opzioni redditizie che differiscono nei tempi, ricorrendo ai tassi di rendimento.

4.4.3 Tasso di rendimento

Ogni volta che una decisione separa l’impegno di una risorsa dal suo ritorno, la semplice aritmetica del profitto non basta più. Gli economisti chiamano questo fenomeno universale preferenza temporale: beni identici valgono di più quanto prima sono disponibili. Una tazza di caffè servita adesso vale più della stessa tazza promessa per la settimana prossima; un fornitore richiede solitamente un sovrapprezzo per un pagamento differito di novanta giorni.

La preferenza temporale è anzitutto una caratteristica individuale. Ciascuno attualizza privatamente i benefici futuri secondo le circostanze, e il mercato aggrega queste attualizzazioni nel tasso d’interesse. Il tasso d’interesse quantifica quindi, alla scala della società, quanto i beni presenti siano preferiti a quelli futuri.

Le imprese ereditano la stessa logica. Il denaro ricevuto oggi può essere reinvestito, utilizzato per estinguere debiti o fungere da cuscinetto contro l’incertezza; quello ricevuto l’anno prossimo no. Le imprese incorporano quindi un costo del capitale esplicito, la loro preferenza temporale collettiva, in ogni valutazione d’investimento. Per quanto interessante se considerata isolatamente, qualsiasi proposta che non superi questa soglia erode valore una volta riconosciuto il costo opportunità dell’attesa.

Una volta riconosciuta la preferenza temporale, ottimizzare il profitto richiede attenzione al tempo; in particolare, l’impresa dovrebbe scegliere le opzioni con il tasso di rendimento più alto. Concettualmente, tralasciando le complicazioni secondarie, il tasso si calcola come

\[ \mathtt{RoR}=\frac{\text{ricavi} - \text{spese}}{\text{spese} \times \text{periodo}} \]

dove periodo è il tempo necessario per realizzare i ricavi e le spese associati. Il tasso di rendimento (RoR) si esprime come percentuale per unità di tempo. Se il RoR è maggiore di zero, l’impresa opera in profitto; se è minore di zero, opera in perdita. Nel confrontare due opzioni, va preferito il tasso più alto, purché entrambi siano normalizzati sullo stesso periodo.

Per esempio, consideriamo un negozio che possa scegliere tra due prodotti da esporre su un determinato scaffale. Entrambi sono venduti a 3 unità monetarie, con una domanda media di 1 unità al giorno. Il primo prodotto costa 1 unità monetaria per unità, il secondo 2 unità monetarie per unità. I costi di stoccaggio, escluso lo spazio sullo scaffale, sono considerati trascurabili. Inoltre, lo scaffale è abbastanza grande da contenere unità sufficienti a rendere trascurabili le rotture di stock. In questa situazione, il primo prodotto ha un RoR del 200% al giorno, contro il 50% al giorno del secondo. Va quindi preferito il primo, perché ha il RoR più alto. Il risultato non sorprende: i prodotti sono identici, salvo che il primo ha un margine lordo doppio rispetto al secondo. Il RoR fornisce semplicemente il criterio di ordinamento che formalizza questa scelta.

Nei contesti tipici della supply chain, massimizzare il RoR tende ad assegnare più capacità, scorte e spazio sugli scaffali ai prodotti con volumi maggiori o rotazioni più rapide. Tuttavia, è il RoR che deve essere ottimizzato, non indicatori arbitrari e non economici come i livelli di servizio. Molti autori di supply chain scambiano la debole correlazione tra RoR più alto e volumi o rotazioni maggiori per un rapporto di causalità. Di conseguenza, vengono spesso proposti metodi di classificazione delle scorte per segmentare i prodotti in classi²² che ne riflettano i volumi e/o l’irregolarità, adeguando l’allocazione delle risorse a questa segmentazione. Questi metodi confondono correlazione e causalità: è il RoR che va ottimizzato. Imitarne le deboli conseguenze è un errore di categoria che produce rendimenti inferiori.

In pratica, il tasso di rendimento presenta una serie di complicazioni:

1. Il calcolo del RoR dipende dall’attribuzione dei ricavi e delle spese, un problema difficile.

2. Ricavi e spese non si verificano contemporaneamente; raramente esiste un periodo comune.

3. I ricavi dovrebbero verificarsi il prima possibile e le spese il più tardi possibile; i flussi di cassa vanno attualizzati.

4. Lo sfasamento tra spese e ricavi futuri deve rispettare il vincolo di liquidità dell’impresa.

5. Le dipendenze tra opzioni rendono il RoR dipendente dal percorso, cioè dall’ordine di selezione.

6. Sia i ricavi sia le spese futuri sono incerti, e questa incertezza deve essere modellizzata.

Nessuna di queste complicazioni risulta insormontabile nella pratica, anche se tutte comportano un certo grado di approssimazione.

4.4.3.1 Attribuzione dei ricavi e delle spese

Il RoR riflette una visione idealizzata dei flussi fisici. I vincoli richiedono però una modellizzazione economica tutt’altro che banale. Di conseguenza, per calcolare il RoR di una determinata opzione occorre separarla dal resto dell’impresa, generalmente mediante un’attribuzione economica. Il punto viene discusso più avanti; per ora osserviamo che non esiste una corrispondenza biunivoca tra ricavi, spese e opzioni. Il RoR è quindi una prospettiva di modellizzazione della supply chain, non una verità evidente di per sé.

Per esempio, consideriamo un negozio con due prodotti alternativi. Il primo richiede scorte per 100 unità monetarie, rinnovate ogni giorno, per generare ricavi giornalieri di 140 unità monetarie. Il secondo richiede scorte per 150 unità monetarie per generare ricavi giornalieri di 200 unità monetarie. I due prodotti occupano esattamente lo stesso spazio sugli scaffali del negozio. In questo caso, il RoR del primo prodotto è del 40% al giorno, mentre quello del secondo è del 33%. Pertanto, in base al principio di scegliere le opzioni con il RoR più alto, il negoziante dovrebbe scegliere il primo prodotto. La scelta è però sorprendente: seleziona il prodotto che, nel tempo, genererà un profitto lordo assoluto inferiore. Per un negozio dominato dai costi fissi, sembra una scelta sbagliata.

In effetti, il modello ingenuo appena illustrato ignorava i costi fissi del negozio. Raffiniamolo attribuendo ai prodotti una quota di tali costi. Il costo fisso giornaliero attribuito è di 40 unità monetarie. Il costo giornaliero del primo prodotto diventa quindi \(100+40=140\) unità monetarie, e quello del secondo \(150+40=190\) unità monetarie. Nel modello così rivisto, il RoR del primo prodotto diventa dello 0% al giorno, mentre quello del secondo diventa del 5,3%. Con questo modello più raffinato, va dunque preferito il secondo prodotto.

Questa situazione non è eccezionale: ciò che si qualifica come migliore dipende dal modello economico adottato per la supply chain. Purtroppo non esiste un unico criterio semplice che stabilisca quale modello sia superiore; l’adeguatezza dipende da quanto bene ciascuno colga la realtà economica su cui è chiamato a orientare le decisioni. È un problema di intelligenza generale. Questo non significa che tutto sia accettabile; torneremo più avanti su questa classe di problemi.

4.4.3.2 Tasso di rendimento aperiodico

Nei manuali di finanza, il tasso di rendimento (RoR) è quasi sempre legato a un orizzonte fisso — un mese, un trimestre, un anno —, perché questa è la cadenza della contabilità e del fisco. Al livello delle microdecisioni operative della supply chain, però, questi calendari si adattano male. Emettere un ordine d’acquisto, avviare una riduzione di prezzo, assegnare un pallet o programmare un camion sono decisioni atomiche le cui uscite ed entrate di cassa si distribuiscono a intervalli irregolari. Un metro di dodici mesi offusca la loro stessa ragion d’essere: rimettere in circolo il capitale il più rapidamente possibile.

Il RoR aperiodico elimina la camicia di forza del calendario. Anziché costringere ogni opzione in una finestra arbitraria, pone una sola domanda: dopo quanto tempo l’opzione avrà restituito il denaro immobilizzato e iniziato a capitalizzare il proprio surplus? Questo intervallo, determinato dall’opzione stessa, diventa il periodo implicito nella formula del RoR, producendo un tasso composto confrontabile tra decisioni, anche se ciascuna segue il proprio orologio.

Poiché il calcolo viene eseguito a livello di singola opzione, la dispersione dei risultati è ampia: differenze di uno o persino due ordini di grandezza sono abituali. Un rifornimento ad alta rotazione e alto margine può superare il 1.000% annuo se espresso in termini aperiodici, mentre il riapprovvigionamento di un prodotto a bassa rotazione nella corsia accanto può faticare a raggiungere il 10%. Questa dispersione non è un difetto del modello: è il segnale che indica al capitale dove è urgentemente necessario e dove muore in silenzio.

Operativamente, il RoR aperiodico fa scorrere un cursore lungo la cronologia dei flussi di cassa dell’opzione, calcolando a ogni data il tasso che si otterrebbe chiudendo allora la posizione. Conserva il valore massimo; la data che produce questo picco diventa l’orizzonte implicito dell’opzione. In un unico numero, l’indicatore cattura sia l’entità del guadagno sia il ritmo più rapido a cui il capitale immobilizzato può capitalizzarsi. La regola esatta è illustrata nell’appendice.

4.4.3.3 Flussi di cassa attualizzati

La sottosezione precedente ha introdotto il tasso di rendimento come misura della velocità a cui il capitale impegnato si capitalizza. La velocità, però, è soltanto metà della questione temporale. Un’unità monetaria ricevuta oggi vale più della stessa unità ricevuta nel prossimo trimestre, perché può essere reinvestita, tenuta come riserva o semplicemente produrre interessi nel frattempo. L’attualizzazione dei flussi di cassa è la traduzione numerica della preferenza temporale: ogni entrata o uscita futura viene moltiplicata per un fattore di attualizzazione che diminuisce con il tempo, così che ogni movimento di cassa sia espresso in «unità monetarie di oggi». Il fattore di attualizzazione deriva dal costo del capitale dell’impresa, ossia dall’interesse effettivamente pagato per la liquidità. Per la formula precisa, si veda l’appendice.

In altri termini, il flusso di cassa attualizzato misura l’importo assoluto guadagnato o perso, tenendo conto del valore temporale del denaro. Nella prospettiva della supply chain, il tasso d’interesse rappresenta il costo di finanziamento dell’impresa. In finanza, questo tasso funge spesso anche da indicatore dell’incertezza associata ai ritardi, ma nei casi d’uso della supply chain l’incertezza viene gestita meglio tramite altri meccanismi, descritti più avanti.

Un’illustrazione pratica dei flussi di cassa attualizzati nelle decisioni di spedizione e di scorta si trova nella moda, che deve spesso affrontare lunghi tempi di consegna e vincoli di cassa. Immaginiamo un marchio di moda di fascia media che debba ordinare la nuova collezione sei mesi prima della stagione. Il marchio negozia condizioni che richiedono un consistente anticipo, con il saldo dovuto alla spedizione. Anche se i fondi presi a prestito costano, per esempio, soltanto il 10% annuo, il tasso di rendimento effettivo di questi ordini anticipati può superare di gran lunga tale cifra. Questo perché il capitale del marchio è immobilizzato molto prima che si concretizzino i ricavi, e qualsiasi errore nella valutazione di taglie, colori o stili gonfia il costo effettivo dei beni. All’arrivo della stagione, il marchio può scontare gli articoli a bassa rotazione, aggravando il costo opportunità del denaro che avrebbe potuto essere investito in una linea più promettente. Viceversa, un ordine ben calibrato e in linea con la domanda può ruotare rapidamente a prezzo pieno, producendo un tasso di rendimento molto superiore al costo del capitale. Pertanto, l’interazione tra lunghi tempi di consegna, termini di pagamento dilazionati e incertezza del mercato pesa spesso più del tasso d’interesse corrente nel determinare la redditività reale di ogni decisione di supply chain.

In pratica, per le decisioni di supply chain, il tasso d’interesse corrente conta meno del tasso di rendimento, in larga parte determinato dalle rotazioni delle scorte. Ciò non significa negare l’importanza dei tassi d’interesse. Ma un’unità di scorta che rende il 10% per rotazione e ruota dieci volte l’anno si capitalizza fino a \(1.1^{10}\approx 2.59\), ossia il 159% annuo. Una singola impresa vende spesso prodotti i cui tassi di rendimento vanno dall'1% al 1.000% annuo. Questo ampio spettro deriva in gran parte da rotazioni delle scorte che vanno da giornaliere ad annuali. A causa di tali estremi, la qualità di servizio che massimizza il profitto varia molto da un prodotto all’altro. Le strategie di gestione delle scorte divergono di conseguenza.

Un tasso di rendimento annuo del 1.000%, pur non essendo atipico per il flusso di un singolo prodotto nella supply chain, supera di oltre un ordine di grandezza ciò che la finanza considera «plausibile». Naturalmente, questo calcolo ignora i costi fissi, soprattutto le infrastrutture. Una volta considerati tali costi, i tassi di rendimento effettivi delle supply chain si allineano a quelli dell’economia generale.

4.4.3.4 Flussi di cassa e capitale circolante

I tassi d’interesse fissano il limite inferiore del costo della liquidità; contano quindi per ogni supply chain. In pratica, tuttavia, oscillano di solito entro una fascia relativamente ristretta, diciamo all’incirca il 10–20% annuo, mentre i rendimenti dei cicli di scorta coprono abitualmente due ordini di grandezza. Di conseguenza, ciò che più spesso vincola i pianificatori non è il prezzo esatto del denaro, ma la sua disponibilità. Un acquirente che possa ottenere liquidità al 12% anziché all'8% procederà comunque se le scorte finanziate si capitalizzano al 300% annuo; viceversa, un prestito nominalmente al 2% è inutile una volta esaurita la linea di credito. La gestione dei flussi di cassa è quindi cruciale, soprattutto nelle imprese che devono trasferire fondi mesi prima che i beni superino la dogana o raggiungano lo scaffale; collezioni di moda, giocattoli per le feste e dispositivi ad alta tecnologia ne sono esempi quotidiani.

Prendiamo, per esempio, un’impresa a cui la banca conceda una linea di credito rotativa con un tetto pari al 25% del fatturato medio degli ultimi tre anni, a un tasso fisso del 10% annuo. Entro quel limite, la liquidità può essere ottenuta da un giorno all’altro; non appena il tetto viene raggiunto, però, ogni unità monetaria aggiuntiva richiede una nuova negoziazione e può essere rifiutata. Esistono certamente altre risorse d’emergenza — apporti di capitale proprio, debito mezzanino, factoring dei fornitori —, ma nessuna si ottiene dall’oggi al domani e tutte comportano costi espliciti e impliciti sensibilmente superiori. Il prezzo della liquidità segue quindi una curva definita a tratti anziché un unico numero, e qualsiasi modello che presupponga un tasso d’interesse uniforme ignora proprio la non linearità che più spesso si fa sentire nella pratica.

Le non linearità associate all’accesso alla liquidità spiegano perché i termini di pagamento siano spesso di primaria importanza nella supply chain. Essi determinano in modo decisivo l’ammontare del capitale circolante richiesto dall’impresa. Nel lungo periodo, un fabbisogno inferiore di capitale circolante migliora la redditività riducendo gli interessi pagati ai finanziatori; nel breve, fa spesso la differenza tra un’impresa che opera senza intoppi e una costretta a scelte inferiori perché le opzioni migliori sono precluse da liquidità insufficiente.

Per esempio, un marchio di moda può dover emettere ordini d’acquisto per i capi della nuova collezione oltre sei mesi prima dell’inizio della stagione. I fornitori esteri possono richiedere consistenti pagamenti anticipati. Se il marchio prevede vendite più elevate per questa collezione, può emettere ordini più grandi. Tuttavia, una linea di credito insufficiente può bloccarlo. Ne conseguono ordini più piccoli, con il rischio di sostanziali rotture di stock a valle. Naturalmente, nella prospettiva del finanziatore il tetto non è arbitrario: semplicemente, non condivide l’ottimismo del marchio sul successo eccezionale della collezione.

L’ipotesi di un tasso d’interesse uniforme regge raramente, anche se in alcune situazioni costituisce un’approssimazione accettabile. Il caso più semplice è quello in cui l’impresa dispone di una liquidità molto superiore alle opportunità redditizie della supply chain. Un caso leggermente più sottile si presenta quando il fabbisogno di capitale circolante dell’impresa è negativo.

Per illustrarlo, consideriamo un dettagliante che mantenga una rotazione mensile delle scorte in negozio, con tempi di consegna dei fornitori trascurabili. Supponiamo che i fornitori siano pagati due mesi dopo la consegna e che i prodotti siano venduti con un margine lordo del 20%. In queste condizioni, per ogni quattro unità monetarie di beni presenti in negozio, il dettagliante ha un fabbisogno di capitale circolante di \(-2\) unità monetarie. Infatti, quando arriva il momento di pagare i beni, le scorte avranno ruotato in media due volte, generando due unità monetarie di profitto lordo. Qui il dettagliante ha un fabbisogno di capitale circolante negativo, almeno nella sola prospettiva dei flussi di cassa.

Questo esempio non va confuso con i tassi d’interesse negativi; il dettagliante rimane soggetto ai tassi di mercato.

Tornando al caso più tipico, con un tetto di breve periodo al capitale circolante, serve un metodo numerico per confrontare le opzioni. Concettualmente, si può scegliere un insieme ammissibile di opzioni che, nel loro complesso, rispettino il vincolo sul capitale circolante: un approccio simile al ricorso a un solutore generale. Si possono però utilizzare euristiche più semplici, come l’introduzione di una componente del costo del denaro dipendente dal tempo.

4.4.3.5 Opzioni dipendenti

L’indicatore del tasso di rendimento individua il migliore impiego successivo del capitale, ma le opzioni raramente sono isolate. La maggior parte attinge agli stessi bacini finiti — liquidità, spazio sugli scaffali, capacità dei veicoli — e quindi interagisce. Le interazioni possono essere competitive, quando due SKU si contendono lo stesso posto; complementari, quando caffè e zucchero aumentano reciprocamente le proprie vendite; oppure sequenziali, quando il secondo pallet ha senso soltanto dopo l’allocazione del primo. Riconoscere questi legami è un prerequisito per tradurre l’indicatore in decisioni valide.

Un’euristica pratica per le opzioni dipendenti consiste nel lasciare che il tasso di rendimento guidi una selezione progressiva, un’opzione alla volta. Si sceglie l’opzione con il tasso corrente più alto, si aggiornano tutti i tassi rimanenti per riflettere le risorse appena impegnate o liberate, si sceglie di nuovo e si ripete finché tutti i vincoli non diventano attivi. Gli informatici lo chiamano algoritmo greedy; il suo risultato è una lista ordinata per priorità. Poiché ogni aggiornamento propaga i vincoli correnti, la lista non deve necessariamente restare in perfetto ordine decrescente: la maggior parte dei tassi scende con l’intensificarsi della competizione; alcuni possono persino salire quando si attiva una complementarità. Eppure ogni passo resta la mossa migliore disponibile in quel momento. Dove i legami sono deboli, questa procedura greedy basta; dove sono stretti, come nell’instradamento dei veicoli o nel sequenziamento della produzione, un solutore più pesante che esplora molti percorsi combinatori supera l’euristica, pur poggiando sulla stessa base di valutazioni.

Per esempio, consideriamo il problema di rifornire un negozio. In base al tasso di rendimento, si seleziona un’unità da aggiungere al negozio: quella che offre il tasso più alto. Una volta aggiunta concettualmente quell’unità, i tassi di rendimento vengono aggiornati. L’unità successiva dello stesso prodotto ha un tasso di rendimento più basso, perché accumulare scorte nello stesso negozio presenta rendimenti decrescenti. Si sceglie quindi una seconda unità in base ai tassi rivisti. Si ripete il processo fino a raggiungere la capacità degli scaffali del negozio.

L’ottimizzazione greedy offre diversi vantaggi importanti. Primo, richiede soltanto di stabilire i tassi di rendimento delle opzioni. Secondo, il processo è semplice e osservabile: la lista ordinata per priorità fornisce un quadro completo della progressione dell’algoritmo. Terzo, se implementata correttamente, è di solito più veloce di ordini di grandezza rispetto alle alternative non greedy.

Un’implementazione ingenua di questa logica di ottimizzazione greedy comporta un costo computazionale quadratico rispetto al numero di opzioni concorrenti. Nella maggior parte delle situazioni di supply chain con migliaia di opzioni, un costo quadratico è inaccettabilmente alto. Esistono però metodi, che esulano da questa discussione, capaci di attenuare tale onere riducendo la complessità a un tempo quasi lineare.

La maggior parte dei problemi di supply chain si presta bene a metodi greedy o quasi greedy, perché le opzioni sono debolmente accoppiate. Non è un caso: le imprese evitano deliberatamente sistemi simili a rompicapi crittografici; ciò che è difficile per un computer lo è anche per la mente umana.

Per esempio, un dettagliante specializzato che vende tre prodotti tecnici — A, B e C —, solitamente acquistati insieme in un rapporto fisso, come due unità di A, cinque di B e sette di C, per formare un kit, può semplificare la gestione delle scorte. Anziché seguire tre articoli separati, tratta il kit preassemblato \(K\) come un solo articolo a scorta, mantenendo un piccolo surplus di componenti singoli per le eccezioni. Questo consolidamento riduce la complessità e snellisce il riapprovvigionamento.

Tuttavia, l’ottimizzazione greedy non è adatta a ogni scenario di supply chain: l’instradamento dei veicoli e la programmazione della produzione sono eccezioni notevoli. Più in generale, i problemi che coinvolgono sequenze di decisioni fortemente interdipendenti non si prestano al metodo greedy. Detto questo, molte situazioni di supply chain, se non la maggior parte, possono essere trattate in modo quasi greedy con piccoli accorgimenti. Per esempio, quando si emettono simultaneamente ordini d’acquisto a più fornitori, ciascuno con la propria quantità minima d’ordine (MOQ), una strategia greedy può produrre risultati inammissibili, come una serie di ordini incompleti che, con un budget limitato, non raggiungono le soglie. Ma basta una piccola euristica per affrontare questo limite. Si possono escludere iterativamente i fornitori, iniziando da quelli con i rendimenti più bassi, e ridistribuire il budget tra quelli rimanenti.

Le complicazioni derivanti dalle opzioni dipendenti non invalidano il principio di scegliere quelle con il tasso di rendimento più alto, ma possono rendere inefficaci i metodi di selezione ingenui. Per gestire queste complessità serve software dedicato all’ottimizzazione, spesso chiamato solutore. In particolare, questi solutori ottimizzano rispetto a un’ampia gamma di funzioni di perdita, ossia le quantità da minimizzare, un argomento affrontato più avanti nel Capitolo Decisioni.

4.4.3.6 Tasso di rendimento incerto

Le interdipendenze erano il primo ostacolo; l’incertezza è il secondo. Anche dopo aver descritto come le opzioni competano per liquidità, capacità o spazio sugli scaffali, non sappiamo ancora quali numeri si concretizzeranno quando quelle opzioni produrranno i propri effetti. Domanda, tempi di consegna, rese e prezzi spot oscillano tutti al di fuori del controllo del pianificatore. Eppure il principio guida rimane: scegliere l’opzione con il maggior rendimento economico, misurato non come valore puntuale, ma come valore atteso. In pratica, si sostituisce ogni risultato deterministico con il corrispondente risultato ponderato per la probabilità: si elencano scenari plausibili, si assegna a ciascuno una probabilità, si applica la formula deterministica in ogni ramo e infine si fa la media dei risultati. Si ottiene così un tasso di rendimento atteso, confrontabile tra le opzioni come prima.

Pur essendo concettualmente semplice, la prospettiva probabilistica presenta problemi propri. Primo, occorre stimare le probabilità: è l’essenza della previsione probabilistica. Secondo, il futuro dipende da decisioni non ancora prese: il tasso di rendimento di un’opzione dipende da come verranno selezionate le opzioni future. Scegliere opzioni presenti e future in condizioni di incertezza è l’essenza dell’ottimizzazione stocastica.

Previsione probabilistica e ottimizzazione stocastica sono argomenti tecnici che verranno discussi nel Capitolo Il futuro. Ma la visione probabilistica del tasso di rendimento non è una mera curiosità teorica. Con software adeguato, le opzioni delle supply chain reali possono e devono essere valutate con questo metodo. Naturalmente, le approssimazioni sono inevitabili — il numero dei futuri possibili è infinito —, ma ciò non diminuisce il valore pratico dell’approccio.

4.4.4 Clientelismo e cattura del regolatore

La ricerca del profitto viene spesso caricaturizzata come una fredda caccia a «sempre di più, a qualsiasi costo». In realtà, in un mercato competitivo, il profitto è semplicemente l’applauso guadagnato soddisfacendo i desideri più urgenti di estranei con il minor impiego di risorse scarse. Il profitto è quindi un risultato, non un credo.

Dietro la sola parola «profitto» si celano tre comportamenti radicalmente diversi. La ricerca autentica del profitto guadagna margini offrendo una combinazione superiore di disponibilità, qualità e prezzo. Il profitto nel lungo periodo dipende quindi dal coltivare la benevolenza di clienti, fornitori e dipendenti. Le tattiche che fanno terra bruciata, deliziando il foglio di calcolo di oggi ma erodendo le opzioni di domani, si rivelano controproducenti una volta calcolato il loro tasso di rendimento completo.

Un secondo comportamento è la ricerca del profitto «puro e semplice» che la cultura popolare ama condannare: scaricare rifiuti nei fiumi, vessare i fornitori o attirare i clienti con un’offerta per poi rifilargliene un’altra. Questa condotta non è l’esito logico della ricerca del profitto: è il risultato di un calcolo economico sbagliato. Quando sanzioni, cause legali, fuga dei talenti e danni al marchio vengono ricondotti al valore attuale, il miraggio svanisce. L’analisi moderna della supply chain esiste proprio per far emergere questi costi latenti, trasformandoli in valutazioni ombra che disciplinano ogni decisione.

Il terzo comportamento è il capitalismo clientelare e la cattura del regolatore. Un’impresa che fa pressione per ottenere dazi, licenze esclusive o standard obbligatori non guadagna un profitto: estrae una rendita. Nessun cliente viene servito meglio; le risorse sono semplicemente deviate dal privilegio politico. Le rendite distorcono ogni segnale della supply chain: l’opzionalità si restringe, l’innovazione si arresta e il tasso di rendimento apparente è sostenuto dalla legge anziché dalle prestazioni.²³

La disciplina presentata in questo libro persegue la prima strada, immunizzando l’impresa contro le altre due. Tutte le tecniche successive presuppongono un mercato aperto: confrontano ogni opzione con ciò che un concorrente vigile potrebbe fare domani, non con un privilegio ottenuto ieri in parlamento. Ripristinate una concorrenza autentica e lo stesso apparato di ottimizzazione diventa un motore di creazione di ricchezza; lasciate accumulare le rendite e nessuna raffinatezza previsionale potrà salvare la sostanza economica.

4.4.5 Obiettivi sovraeconomici

Un’obiezione ricorrente alle imprese che cercano il profitto è il richiamo a obiettivi sovraeconomici: fini che avrebbero priorità sulle mere considerazioni monetarie e giustificherebbero quindi il superamento della disciplina dei prezzi, dei costi e dei costi opportunità. Questi appelli assumono solitamente due forme. La prima è moralistica: la convinzione che l’impresa debba promuovere un qualche programma etico o sociale al di là del servizio ai clienti. La seconda è apocalittica: la previsione di una catastrofe imminente che esige il sacrificio immediato della redditività per evitare il disastro. Entrambe le categorie saranno esaminate nelle pagine seguenti.

Per le imprese che operano in mercati aperti, invocare uno scopo superiore non dissolve la scarsità: cambia semplicemente il nome dei compromessi. Ogni pallet, ora di lavoro e unità monetaria dedicati a un obiettivo vengono inevitabilmente sottratti a un altro. Il calcolo economico non è quindi una visione del mondo facoltativa, ma l’unico modo coerente di confrontare alternative. Le istituzioni che si basano sulla coercizione, come gli eserciti, esulano dall’ambito di questo libro proprio perché le loro risorse non vengono allocate attraverso lo scambio volontario. Per tutte le altre organizzazioni, la presunta supremazia degli obiettivi sovraeconomici è un’illusione: in pratica, devono comunque decidere se distogliere risorse dalla propria missione principale crei o distrugga valore nel lungo periodo.

4.4.5.1 Preoccupazioni moralistiche

In termini di supply chain, una preoccupazione moralistica sostiene che le persone dovrebbero consumare meno, o più, di qualcosa; l’impresa dovrebbe quindi contribuire a guidare il cambiamento sociale desiderato. I dettagli variano secondo il tempo e il luogo.

Per esempio, in Ruritania una religione dominante potrebbe dichiarare che il consumo di latte da parte degli adulti è un segno di depravazione e che il latte debba essere riservato ai bambini. In risposta, un’impresa ruritana potrebbe ridurre volontariamente sia la quantità sia la varietà delle bottiglie di latte destinate agli adulti, attuando così di propria iniziativa il cambiamento sociale apparentemente desiderabile. Ma una simile mossa inciderebbe ben poco sul mercato. Contrariamente al luogo comune del «potere economico», un’impresa non può costringere i clienti ad acquistare i suoi prodotti o a rinunciarvi. Se taglia arbitrariamente la produzione di bottiglie di latte commercializzate per gli adulti, basterà un concorrente ad aumentare la produzione perché la domanda resti ugualmente soddisfatta.

Se invece il sentimento pubblico in Ruritania contro il latte in bottiglia per adulti è tanto forte da indurre molti clienti a boicottare altri prodotti non collegati, può essere ragionevole dismettere del tutto quella linea, magari vendendo l’unità se la sua produzione è separabile dalle altre. Questo approccio è radicalmente diverso dal semplice ridurre l’offerta nell’illusoria speranza di ridurre la domanda complessiva del mercato.

Le preoccupazioni moralistiche tipiche riguardano alimenti o bevande ritenuti inappropriati, per presunti danni agli individui o per danni provocati durante la produzione. Il veganismo, per esempio, è uno dei credi più recenti in un insieme altrimenti estremamente eterogeneo. Queste preoccupazioni si estendono anche al paese d’origine, spesso sulla base di visioni mercantilistiche²⁴ errate del commercio, come «siamo in guerra economica con la Ruritania», oppure delle percezioni delle condizioni di lavoro in quei paesi, come «la Ruritania permette alle sue imprese di sfruttare indebitamente i cittadini».

La supply chain si occupa delle posizioni moralistiche soltanto nella misura in cui fornire un tipo di bene, o utilizzare un particolare fattore di produzione, possa comprometterne la capacità generale di operare. Il danno al marchio può allontanare i clienti o ridurre l’attrattiva dell’impresa per i potenziali dipendenti. Questi problemi sono reali e quantificabili come qualsiasi altro rischio. I calcoli economici possono indicare che tali rischi sono eccessivi, suggerendo di uscire da un segmento di mercato per minimizzare le perdite future. Questi calcoli non vanno però confusi con i giudizi di valore personali dei dipendenti della supply chain.

A rendere il problema più spinoso è tuttavia il fatto che, sulle preoccupazioni moralistiche, i dipendenti²⁵ abbiano incentivi perversi. Insistendo pubblicamente su una preoccupazione moralistica, in un processo chiamato ostentazione di virtù, un dipendente si presenta come particolarmente virtuoso, più dei propri colleghi. L’ostentazione di virtù era e rimane efficace perché le dinamiche politiche interne alle imprese tendono a premiare chi si conforma maggiormente alle norme sociali dominanti, anziché soltanto chi ne accresce la redditività.

All’interno di una supply chain, però, il costo del nuovo corso d’azione non viene sostenuto dall’individuo che ostenta virtù, ma dall’impresa stessa e, in parte, dal mercato, che sarà servito meno adeguatamente finché un concorrente non interverrà a colmare il vuoto. I dirigenti devono quindi vigilare su queste ostentazioni. Le grandi imprese sono infatti particolarmente vulnerabili a questa forma di comportamento antisociale, che mina l’autorità della gerarchia formale e la sua capacità di orientare l’impresa al servizio dei clienti.

4.4.5.2 Preoccupazioni apocalittiche

Nel corso della storia, il fascino dell’annientamento ha avvinto una parte significativa dell’umanità. Esplorare queste attrazioni morbose e capire perché siano durate millenni è compito della psicologia, della sociologia e della storia. Le supply chain se ne occupano soltanto nella misura in cui interferiscono con l’attività d’impresa. La storia offre due osservazioni: primo, la portata e l’impatto delle preoccupazioni apocalittiche sono stati enormi; secondo, i loro dettagli sono cambiati radicalmente da un decennio all’altro. Esaminiamo un breve elenco di apocalissi moderne un tempo in voga.

• Sovrappopolazione (XVIII–XIX secolo): La rapida crescita demografica durante la prima rivoluzione industriale portò numerosi intellettuali a credere che la popolazione avrebbe inevitabilmente superato la produzione alimentare, provocando carestie diffuse e il collasso della società. (Si veda An Essay on the Principle of Population (1798) di Thomas Malthus.)

• Degenerazione della razza (anni 1920–1930): I timori di degenerazione razziale e genetica, influenzati dall’eugenetica e da teorie razziali pseudoscientifiche, prevedevano il declino delle civiltà a causa della mescolanza delle razze. (Si veda The Passing of the Great Race (1916) di Madison Grant.)

• Conquista comunista e paura rossa (anni 1950): L’ascesa dell’Unione Sovietica e la diffusione del comunismo alimentarono il timore di una conquista comunista globale, dando origine alla paura rossa e al maccartismo negli Stati Uniti. (Si veda The Naked Communist (1958) di W. Cleon Skousen.)

• Agricoltura chimica (anni 1960): Gli effetti dannosi dei pesticidi, in particolare del DDT, sull’ambiente e sulla salute pubblica misero in luce preoccupazioni più ampie sull’inquinamento industriale e sul collasso ecologico. (Si veda Silent Spring (1962) di Rachel Carson.)

• Inverno nucleare e raffreddamento globale (anni 1970): Durante la Guerra fredda, i timori di un inverno nucleare — conseguenza di una guerra nucleare capace di provocare un raffreddamento globale — si fusero con le preoccupazioni per una possibile era glaciale naturale. (Si veda The Cooling: Has the Next Ice Age Already Begun? (1976) di Lowell Ponte.)

• Esaurimento delle risorse (anni 1970–1980): Numerose previsioni annunciavano che l’umanità stava esaurendo risorse essenziali come petrolio e minerali, con il conseguente collasso della società. (Si veda The Limits to Growth (1972) di Meadows et al.)

• Accesso all’acqua dolce (anni 1980–1990): Si prevedeva che l’esaurimento e l’inquinamento delle risorse d’acqua dolce avrebbero causato gravi penurie e conflitti per l’acqua. (Si veda Cadillac Desert: The American West and Its Disappearing Water (1986) di Marc Reisner.)

• Piogge acide (anni 1990): Si temeva che le emissioni industriali responsabili delle piogge acide devastassero foreste, laghi ed edifici, provocando danni ecologici diffusi. (Si veda Acid Rain: Its Causes and its Effects on Inland Waters (1992) di B. J. Mason.)

• Riduzione dell’ozono (anni 1990): L’assottigliamento dello strato di ozono dovuto ai gas refrigeranti, con conseguente aumento delle radiazioni ultraviolette, dei tumori della pelle e degli squilibri ecologici. (Si veda Ozone Diplomacy: New Directions in Safeguarding the Planet (1991) di Richard Elliot Benedick.)

• Riscaldamento globale (anni 2000): Si prevedeva che l’aumento dei gas «serra» avrebbe causato cambiamenti climatici catastrofici, tra cui l’innalzamento del livello dei mari, fenomeni meteorologici estremi e perdita di biodiversità. (Si veda An Inconvenient Truth: The Crisis of Global Warming (2006) di Al Gore.)

• Cambiamento climatico (anni 2010–2020): Sviluppando il racconto del riscaldamento globale, il cambiamento climatico comprende preoccupazioni più ampie per impatti ambientali imprevedibili e gravi, che minacciano la sostenibilità della civiltà umana. (Si veda The Uninhabitable Earth: Life After Warming (2019) di David Wallace-Wells.)

Questo elenco copre gli ultimi 150 anni, ma potrebbe risalire a millenni fa. Il suo scopo non è confermare o confutare queste minacce: simili giudizi esulano dalla supply chain e appartengono alle scienze specialistiche. Illustra piuttosto la portata del fenomeno e la mutevolezza delle caratteristiche delle minacce.

Le preoccupazioni apocalittiche sono sovraeconomiche perché si ritiene che, se non affrontate, il mondo, e quindi l’economia di mercato, finirà o resterà in uno stato irrimediabilmente degradato. Per definizione, una preoccupazione apocalittica prevale su qualsiasi desiderio particolare di un individuo. Dopotutto, nessun individuo può essere altro che insignificante rispetto alla possibilità della scomparsa di una parte considerevole dell’umanità, e potenzialmente di tutta.

Per i timori apocalittici ormai passati di moda, è evidente che le imprese che in passato destinarono risorse a quelle cause furono gravemente fuorviate, infliggendosi danni notevoli. Pochi dirigenti sosterrebbero ancora che una politica di assunzione esplicitamente discriminatoria verso una religione minoritaria risponda ai migliori interessi economici dell’impresa. Analogamente, pochi oggi affermerebbero che generose donazioni a organizzazioni benefiche e movimenti politici favorevoli all’eugenetica contribuiscano davvero al miglioramento dell’umanità. Eppure, non molto tempo fa, entrambe le politiche erano ampiamente praticate da persone istruite e benintenzionate, che agivano sulla base di quello che era considerato un solido consenso «scientifico»²⁶.

Queste preoccupazioni apocalittiche perturbano le supply chain perché la loro pretesa sovraeconomica invalida il calcolo economico. Le imprese devono però continuare ad allocare risorse scarse. L’apocalisse non abolisce la scarsità. Quando si tratta di soddisfare i clienti, non esiste alternativa al calcolo economico. Se una preoccupazione ha priorità sul soddisfare i clienti, perché destinarle qualcosa di meno della totalità delle risorse?

Come grida re Riccardo in Riccardo III: «Un cavallo, un cavallo! Il mio regno per un cavallo!»

Più in generale, l’idea che una qualsiasi preoccupazione sull’allocazione di risorse scarse goda di uno status sovraeconomico, prevalendo categoricamente sulle preoccupazioni ordinarie, rivela una profonda incomprensione dell’economia. Non esiste alternativa ai profitti e alle perdite.

4.4.5.3 Organizzazioni non profit

Nella maggior parte dei paesi occidentali, le leggi fiscali concedono esenzioni speciali alle organizzazioni definite «non profit», a differenza di quelle presunte «a scopo di lucro». Stabilire se tali esenzioni fiscali e alleggerimenti normativi²⁷ giovino alla società nel suo complesso esula dalla supply chain. Sul piano della comprensione economica generale, però, questa etichetta è molto infelice e genera un’immensa confusione nel pubblico. Peggio ancora, molti autori di libri sulla supply chain condividono questa confusione e attribuiscono qualità quasi mistiche alle organizzazioni non profit, riecheggiando convinzioni popolari ma errate. Credono erroneamente che le associazioni, cioè le cosiddette organizzazioni «non profit», siano esenti dai principi dei profitti e delle perdite. È palesemente falso. Le associazioni operano secondo le stesse leggi economiche e, nella misura in cui alcune gestiscono una supply chain, obbediscono agli stessi principi. Di conseguenza, una tecnica destinata a migliorare le supply chain è altrettanto valida, o altrettanto invalida, indipendentemente dal regime fiscale.

Bastano pochi fatti. Entrambi i tipi di organizzazione sono guidati da imprenditori. Alcuni imprenditori che gestiscono imprese a scopo di lucro falliscono e finiscono più poveri di quando hanno iniziato. Viceversa, alcuni che gestiscono organizzazioni non profit hanno successo e percepiscono stipendi molto superiori alla media nazionale. Alcune imprese redditizie distribuiscono dividendi, altre no. Sia le imprese sia le associazioni sono coinvolte in scandali di corruzione. Entrambe hanno bisogno di clienti che le finanzino²⁸. I clienti hanno aspettative e, in entrambi i casi, se un’organizzazione concorrente offre di più a meno, preferiscono quella più efficiente. Entrambe si espandono quando incassano più di quanto spendono; entrambe falliscono quando spendono più di quanto incassano.

Definire un’associazione «non profit» è improprio: profitti e perdite sono fatti elementari dell’economia. L’organizzazione raccoglie e spende risorse. Se gli incassi superano gli esborsi, c’è profitto. Se gli esborsi superano gli incassi, c’è perdita. Profitti e perdite esistono anche senza un contabile. Quando un contabile tiene i registri, chiarisce la situazione: non crea né il profitto né la perdita, si limita a renderli visibili.

Nell’economia di mercato, tutti gli attori cercano di soddisfare i desideri più pressanti dei clienti. Vale tanto per le imprese quanto per le associazioni. Per esempio, se i clienti sono preoccupati per la deforestazione, possono spendere per piantare alberi o farli piantare. Donando a un’associazione dedicata alla riforestazione, esprimono un giudizio di valore: acquistano foreste future; la loro ricompensa è un mondo con più foreste. Se vengono proposte più organizzazioni ugualmente impegnate e una può far crescere il doppio della foresta per unità monetaria, i clienti la preferiranno. Se poi scoprono che l’associazione ha speso tutto ciò che ha raccolto in pubblicità senza piantare alcun albero, si sentiranno giustamente truffati e probabilmente eviteranno ulteriori donazioni.

L’assenza di una corrispondenza diretta tra il pagamento di un cliente e il servizio reso da un’associazione è soltanto un dettaglio tecnico. Lo stesso schema compare nelle imprese: la raccolta dei rifiuti urbani viene solitamente pagata con una somma forfettaria annua anziché per singolo servizio, eppure molti di questi operatori hanno scopo di lucro.

Definire un’organizzazione «non profit» è assurdo quanto definirla «esente dalla gravità». Le leggi naturali non ammettono obiezioni; quelle che governano l’economia non fanno eccezione. Il modo in cui i profitti vengono allocati — distribuiti agli azionisti, reinvestiti in ulteriori beni strumentali o impiegati per aumentare gli stipendi — è un dettaglio tecnico. I regimi fiscali incidono concretamente su questi dettagli, ma non in modo categoricamente diverso, per esempio, dal sovvenzionare un settore come l’energia solare. È soltanto uno dei molti modi con cui i governi suddividono il mercato nell’erogare sussidi. I sussidi non conferiscono alcun potere economico speciale alle associazioni.

In ultima analisi, le motivazioni interiori degli imprenditori rimangono inconoscibili agli osservatori esterni, che le loro organizzazioni abbiano o meno scopo di lucro. Possono essere sinceramente mossi dal desiderio di migliorare la condizione dei propri simili, oppure inseguire soltanto la vanità e la pubblicità che accompagnano un’associazione di successo. Gli uomini possono mentire; possono anche cambiare. Ciò che nasce da un intento egoistico può diventare, nel tempo, autentico altruismo; è possibile anche il contrario.

La supply chain non può quindi distinguere categoricamente le presunte organizzazioni non profit da quelle a scopo di lucro. Questa distinzione appartiene alle norme fiscali, non alla supply chain. Gli autori che sostengono che le associazioni possiedano proprietà di supply chain uniche stanno ostentando virtù, facendosi belli con nobili cause, oppure sono fuorviati dall’ideologia e attribuiscono qualità quasi mistiche a queste organizzazioni.

4.4.5.4 Forze armate

Le organizzazioni non profit illustrano come profitti e perdite restino ineludibili anche sotto pretese altruistiche. Le forze armate presentano un caso distinto: un’istituzione pienamente soggetta all’economia, ma priva dei consueti circuiti di retroazione delle attività a scopo di lucro. Gli eserciti non ottengono ricavi vendendo servizi a una clientela; sono invece finanziati dalle imposte riscosse da un potere sovrano. Questa dipendenza dalla coercizione statale non li esenta dalla scarsità: cambia soltanto il modo in cui le risorse vengono allocate. Le leggi economiche non evaporano in presenza di armi e uniformi: ogni proiettile e barile di carburante incontra gli stessi vincoli che governano il resto dell’economia.

Da una prospettiva economica, l’apparato militare è una delle strutture di pianificazione centralizzata più estese delle società moderne. Le forze armate devono mantenere gli equipaggiamenti, procurarsi rifornimenti, sostenere le truppe e proiettare potenza in diverse aree geografiche. Queste attività non possono però essere valutate attraverso lo schema di profitti e perdite applicato agli attori del mercato. Mentre un’impresa privata bilancia continuamente le spese con i pagamenti dei clienti, l’apparato militare è finanziato senza scambio volontario e manca quindi di una disciplina diretta del mercato. La mano invisibile che favorisce l’efficienza nelle iniziative private viene sostituita da direttive dall’alto, orientate all’integrazione della strategia anziché ai rendimenti finanziari di breve periodo.

Eppure l’assenza di segnali di profitto non risparmia alle forze armate i problemi del calcolo economico. Come dimostrò Ludwig von Mises in Socialism (1922) e Human Action (1949), quando un pianificatore centrale cerca di guidare l’allocazione delle risorse al di fuori del processo di formazione dei prezzi, non esiste una misura affidabile per distinguere gli impieghi redditizi da quelli non redditizi. Senza la disciplina imposta dai liberi mercati, l’allocazione errata è quasi garantita. Questi errori rimangono nascosti in tempo di pace, quando il bilancio appare come un’unica voce, ma diventano evidenti quando le forze armate affrontano carenze di equipaggiamenti critici o eccedenze di materiale obsoleto. Gli stessi problemi affliggono le grandi imprese che gestiscono supply chain complesse, ma gli eserciti li affrontano su scala maggiore, con conseguenze di vita o di morte.

In epoca moderna, bilanci della difesa dell’ordine dei miliardi riflettono compromessi complessi decisi al più alto livello politico. La classica analogia «cannoni o burro» esprime come ogni unità destinata alle forze armate sia sottratta ai beni civili: scuole, ospedali, strade o altre attività produttive. Le forze armate non realizzano un «profitto» quando compiono la propria missione; ricevono piuttosto un sostegno politico continuativo per proseguire sulla stessa strada. Quando viene commissionata una nuova generazione di caccia o navi da guerra, non esiste una coda di clienti la cui disponibilità a pagare giustifichi la spesa. La giustificazione nasce invece da imperativi strategici, reali o percepiti, che sfuggono ai normali meccanismi con cui il mercato impone di rispondere dei risultati.

Naturalmente, gli apparati militari cercano di attenuare gli inconvenienti della pianificazione centralizzata ricorrendo a indicatori sostitutivi: «prontezza», «capacità di missione», «proiezione della forza» e altri indicatori strategici o burocratici. Per quanto utili, non sostituiscono l’immediatezza di profitti e perdite. Una campagna vittoriosa non produce un surplus di ricavi per le forze armate, così come un conflitto prolungato non si registra direttamente come una perdita. Conflitti prolungati possono portare a bilanci della difesa più elevati e infrastrutture ampliate, senza alcuna chiara dimostrazione di un impiego economicamente efficace. Il processo decisionale ritorna alla politica — ciò che il pubblico o i suoi rappresentanti ritengono giustificabile — anziché a compromessi plasmati dalla domanda volontaria.

Questi vincoli generano problemi di supply chain peculiari per le forze armate. La domanda è fortemente incerta e determinata dagli eventi geopolitici, non dalle preferenze dei consumatori. Si mantengono grandi riserve per tutelarsi dalle crisi, e i tempi di consegna possono essere straordinariamente lunghi per equipaggiamenti specializzati come sottomarini nucleari o velivoli stealth. Quando un esercito non ha capacità sufficiente per produrre autonomamente componenti critici, deve rivolgersi a fornitori privati della difesa. A quel punto, una parte della supply chain rientra nell’ambito della concorrenza di mercato, almeno sulla carta: i fornitori vengono pagati a prezzi negoziati e gli Stati cercano spesso di mettere in concorrenza più contraenti per abbassare i costi. Tuttavia, le interferenze politiche e le complessità normative distorcono spesso questi processi, portando a contratti «cost-plus» e ad altri accordi che troppo spesso degenerano in capitalismo clientelare. Di conseguenza, pur potendo esistere una parvenza di disciplina di mercato, essa è di solito parziale e subordinata alle dinamiche politiche della burocrazia.

Analogamente, il problema della conoscenza esposto da Hayek in The Use of Knowledge in Society (1945) si applica anche all’apparato militare. Le informazioni rilevanti per l’allocazione delle risorse sono ampiamente disperse. Le unità locali dispongono di conoscenze aggiornate sui propri vincoli logistici e strategici, ma sono i comandi superiori a prendere le grandi decisioni di allocazione. Gerarchie rigidamente verticali soffocano i segnali dal basso, privando i vertici delle conoscenze locali necessarie a compiere scelte informate su approvvigionamenti, dispiegamento o manutenzione. Di fatto, l’industria degli armamenti agisce come un microcosmo chiuso di pianificazione centralizzata: per quanto competenti o benintenzionati siano ufficiali e burocrati, informazioni critiche si perdono lungo il percorso, accrescendo il rischio di allocazioni errate.

Tutte le risorse rilevanti rimangono comunque scarse. La mancanza di rifornimenti può far naufragare intere campagne e, al contrario, scorte eccessive di materiale obsoleto possono ostacolare la capacità di finanziare ammodernamenti. Inoltre, come in ogni burocrazia di grandi dimensioni, i consueti sforzi di miglioramento aggiungono strati di processo: nuovi comitati, nuovi organi di controllo, nuove fasi di pianificazione. Nel tempo, questi strati sviluppano una propria inerzia, rendendo più difficili le correzioni di rotta. Senza una verifica di redditività che elimini gli sprechi, intere linee di approvvigionamento possono sopravvivere ben oltre la propria vita utile. I programmi politicamente favoriti persistono anche quando offrono pochi vantaggi sul campo di battaglia. Il risultato, sul piano economico, è un’incapacità strutturale di ottimizzare l’uso delle risorse. Le forze armate non sono libere di liberarsi da questi vincoli: non possono diventare forze agili guidate dal profitto. Svolgono funzioni esterne alla collaborazione volontaria, e il prezzo di questo assetto è l’assenza di una retroazione diretta del mercato.

Un’ultima peculiarità delle forze armate è la possibilità di bruschi cambiamenti di orientamento, tipicamente in seguito a mutamenti della guida politica. Le revisioni del bilancio possono essere drastiche, al rialzo o al ribasso, secondo la minaccia percepita. Alleanze mutevoli, nuovi trattati o stanchezza della guerra possono tutti rimescolare le priorità militari. Anche le imprese private in un mercato libero si adattano a svolte improvvise, ma possono affidarsi ai segnali di profitto per orientarsi verso allocazioni migliori. Gli eserciti, invece, devono riprogettare le proprie supply chain secondo istruzioni dall’alto, sostenendo gli oneri di una grande burocrazia che deve contemporaneamente produrre nuove dottrine, abbandonare le vecchie e riallineare intere flotte di veicoli ed equipaggiamenti.

Le forze armate rappresentano quindi una manifestazione estrema degli stessi dilemmi di pianificazione affrontati dalle grandi imprese integrate. Lo Stato non misura il successo dei propri eserciti in base all’efficacia con cui soddisfano i desideri dei consumatori; nessun canale diretto permette all’insoddisfazione dei consumatori di incidere sul bilancio militare. Ma le risorse rimangono scarse e la necessità di distribuirle persiste, perciò la logica economica continua ad applicarsi. L’assenza di segnali di profitto e perdita può essere parzialmente compensata da indicatori sostitutivi, che però non si avvicinano neppure all’ampiezza e alla raffinatezza dei prezzi di mercato. Ne consegue che, anche se gli eserciti operano in un contesto non di mercato, ogni conflitto, ogni mobilitazione in tempo di pace e ogni preparativo logistico dietro le quinte rimane soggetto alla ferrea legge della scarsità. Lo stato di guerra viene spesso trattato come pura politica o strategia, ma al suo cuore si trova anche un articolato problema di allocazione a cui nessun decreto può sottrarsi.

4.4.6 Soluzioni e compromessi

Non esistono soluzioni. Esistono soltanto compromessi.
A Conflict of Visions (1987), Thomas Sowell.

Le supply chain sono strettamente vincolate dalle leggi dell’economia. Ogni allocazione di una risorsa preclude tutti gli usi alternativi che erano immediatamente disponibili. Una decisione è corretta soltanto se non esiste un impiego migliore per quella risorsa; essere redditizia non basta: la redditività deve essere massima.

Ogni allocazione delle scorte comporta il costo opportunità della migliore alternativa. In una rete commerciale, una volta spedita un’unità dal magazzino a un negozio, non è più disponibile per gli altri. Se era l’ultima e viene inviata a un negozio con vendite lente mentre altri vendono rapidamente, l’allocazione era probabilmente un errore. Meglio indirizzare l’ultima unità al negozio con la domanda più urgente. In entrambi i casi, l’unità sarà probabilmente venduta. Ma inviarla dove la domanda è più alta allinea la rete ai desideri più urgenti dei clienti. Se l’unità ristagna nel negozio mediocre, può essere restituita al magazzino e rispedita a un negozio più adatto. Ciò comporta però ulteriori costi di trasporto e, durante il transito, l’unità non serve nessuno.

Vendere adesso comporta un compromesso con la possibilità di vendere più redditiziamente in seguito. Il risultato successivo, più redditizio, può non richiedere un prezzo maggiore. Per esempio, una vite acquistata a 1 unità monetaria e venduta a 2 produce 1 unità monetaria di margine lordo. Ma se questa vite, l’ultima a scorta, appartiene a un insieme — diciamo una macchina venduta a 100 unità monetarie con componenti che costano 50 —, venderla da sola frutta 1 unità monetaria oggi, ma ne fa perdere 50 se un acquirente dell’insieme arriva prima che si possano ottenere altre viti. Se l’impresa si aspetta un acquirente a breve, vendere la vite da sola è la decisione di supply chain sbagliata, benché redditizia. La mossa corretta è tenerla a scorta per preservare la vendita dell’insieme.

Le risorse sono varie, e i compromessi che ne derivano lo sono ancora di più. Eppure molti autori di supply chain riducono le decisioni a costi delle scorte contro rotture di stock, costi contro liquidità contro servizio, oppure offerta contro domanda. Queste prospettive a poche dimensioni sono fuorvianti. Elevando pochi compromessi ingegneristici, radicati più nella tenuta dei registri che nell’economia, al rango di principi fondamentali, oscurano l’unico metro universale: il calcolo economico.

In qualsiasi settore, la supply chain è un continuo cammino sul filo di miglioramenti che si escludono a vicenda. Abbassate il prezzo di cartellino e i volumi solitamente aumentano, ma ogni punto percentuale concesso incide direttamente sul margine lordo e, nei segmenti di lusso, può svilire il marchio al punto che gli invenduti finiscono distrutti anziché scontati. Ampliate l’assortimento con più colori o taglie e i clienti applaudono, ma i costi di approvvigionamento, stoccaggio e controllo qualità salgono altrettanto rapidamente. Aggiungete fornitori di riserva per tutelarvi dai ritardi e acquisterete resilienza al prezzo di un minore potere negoziale negli acquisti. Tenete aperti i negozi più a lungo e arriveranno più visitatori, insieme a una massa salariale maggiore. Assumete addetti temporanei al prelievo per assorbire un picco stagionale e il flusso migliorerà, mentre cresceranno errori e ammanchi. Passate a un piccolo produttore specializzato di componenti e il prodotto finito apparirà di alta gamma, purché il piccolo stabilimento non manchi la propria finestra. Allentate le condizioni di reso per coltivare la fedeltà e le spese di logistica inversa esploderanno. Rinnovate quotidianamente i deperibili per massimizzare la freschezza e lo scaffale sarà impeccabile, ma scorte deliberatamente più ridotte garantiranno più rotture di stock. Ogni leva ha questa duplice natura; i pianificatori si destreggiano in ogni momento tra decine di dilemmi simili.

L’elenco potrebbe essere esteso quasi all’infinito a ogni settore e ai suoi specifici compromessi. Inoltre, quasi ogni risorsa nominata può essere scomposta ulteriormente. L’etichetta è comoda, ma in ultima analisi è un’approssimazione. Per esempio, supponiamo che la capacità del magazzino sia di 10.000 \(m^2\). In realtà, non tutti quei \(m^2\) sono uguali. Alcuni si trovano vicino alle baie di carico o alle estremità dei nastri trasportatori. Si può dettagliare la capacità distinguendo 2.000 \(m^2\) «pregiati» e 8.000 \(m^2\) «ordinari».

Si può sempre imporre una tassonomia arbitraria a risorse e compromessi, con tutte le classi che si desiderano. All’interno di una determinata impresa, una tale tassonomia può agevolare la comunicazione. A livello di mercato, esercizi del genere sono in larga parte inutili. Non producono risultati migliori del linguaggio comune.

L’unico approccio pratico a questi compromessi è il calcolo economico. Esso bilancia queste contraddizioni per giungere a una decisione di supply chain adeguata. Chiarisce inoltre che nessuna decisione è un bene assoluto, una pura fonte di profitto: è una combinazione di guadagni e perdite attesi.

4.5 Problemi di valutazione

Le decisioni di supply chain sono, in fondo, scommesse: ciascuna impegna oggi una risorsa scarsa in cambio di una sequenza di conseguenze incerte domani. Tentare di valutarle tutte in un unico calcolo monolitico è senza speranza: lo spazio decisionale è troppo vasto e cambia troppo rapidamente. Il rimedio pratico consiste nel suddividere il grande calcolo in frammenti gestibili, uno per opzione, e nel dotare ogni frammento di una valutazione. Una valutazione non è una curiosità contabile, ma uno strumento: un punteggio espresso in denaro che rende le opzioni commensurabili, così da poterle confrontare, ordinare e scegliere una per una anziché tutte insieme. Buone valutazioni fanno emergere i costi opportunità e alimentano i motori di ottimizzazione introdotti in precedenza; valutazioni sbagliate orientano silenziosamente l’impresa verso allocazioni sistematicamente errate.

Viste così, le valutazioni costituiscono il ponte indispensabile tra il mondo concreto di pallet e camion e quello astratto del calcolo economico. Traducono eventi eterogenei — un giorno in più di vita utile, un cliente irritato, un pagamento tardivo a un fornitore, una corsia di prelievo congestionata — in un’unica scala che il software può manipolare al ritmo dei millisecondi. Costruire questo ponte segue sempre lo stesso percorso.

Primo, l’impresa formula un modello economico esplicito che chiarisca quali flussi contino e come si colleghino a profitti e perdite. Secondo, attribuisce ogni unità monetaria osservata alle decisioni che l’hanno generata, così che ogni microscelta sostenga la propria giusta quota di costi e benefici condivisi. Terzo, proietta questi flussi di cassa nel futuro, includendo l’incertezza e aggiungendo rettifiche ombra laddove i soli registri trascurerebbero rischi o benefici rilevanti, come la benevolenza o il danno al marchio.

Le sottosezioni seguenti esaminano questi tre passaggi nell’ordine. Mostrano come un modello economico esplicito ancori il calcolo, perché l’attribuzione sia tanto inevitabile quanto controversa e come le proiezioni, integrate da valutazioni ombra e interne, trasformino i dati di ieri in conoscenze utili alle decisioni di domani.

4.5.1 Il modello economico

Il calcolo economico parte da un modello economico esplicito: una corrispondenza concisa ma trasparente che collega ogni scelta operativa — acquistare, produrre, spostare, trattenere, fissare un prezzo — alla sua impronta finanziaria prevista. In pratica, il modello traduce il flusso di atomi in flussi di unità monetarie specificando quattro elementi: l’unità di analisi (SKU, pallet, ora-macchina ecc.), l’orizzonte temporale su cui si sviluppano le conseguenze, le regole di attribuzione dei costi e dei ricavi condivisi e la convenzione di attualizzazione che concilia date diverse. Il suo scopo non è l’accuratezza profetica, ma far emergere compromessi altrimenti invisibili, così da ordinare opzioni che si escludono a vicenda secondo un unico metro: il rendimento aggiustato per il rischio. Poiché le supply chain operano su più scale temporali intrecciate, di solito coesistono diversi sottomodelli: un modello di riapprovvigionamento a ciclo breve incentrato sulle rotazioni delle scorte, uno di acquisto che codifica sconti dei fornitori e MOQ, uno di capacità che mostra come i vincoli produttivi si traducano in denaro. Ciascuno è una sfaccettatura della stessa disciplina: trasformare decisioni fisiche in flussi di cassa attualizzati.

Per esempio, uno dei modelli economici più semplici è quello del puro commerciante. Il puro commerciante si limita a comprare e vendere beni senza trasportarli, lasciandoli spesso in custodia al venditore per un periodo concordato. La sua strategia consiste nel comprare a poco e vendere a tanto. Il modello pertinente si riduce al margine lordo previsto: prezzo di vendita unitario meno prezzo di acquisto unitario. La variabilità deriva dal prezzo di vendita, ignoto al momento dell’acquisto. I puri commercianti svolgono varie funzioni nel mercato, come proteggere i venditori dalla variabilità dei prezzi o risparmiare loro le interazioni con numerosi clienti più piccoli.

Il puro commerciante è una semplificazione estrema, mentre le supply chain reali comportano invariabilmente numerose sottigliezze. Il modello economico è sempre approssimativo. Alcune approssimazioni sono intenzionali, perché contribuiscono a mantenerlo gestibile. Per esempio, tutti i beni sono deperibili: con abbastanza tempo, persino il cosiddetto acciaio inossidabile arrugginisce. Ma per molti beni la durata di conservazione è tanto lunga da rendere trascurabile la deperibilità. In questi casi, ometterla dal modello è ragionevole.

Altre approssimazioni sono involontarie e riflettono l’incertezza operativa. La conoscenza può essere affinata, ma resterà incompleta. Per esempio, le scorte possono nascondere difetti che soltanto i clienti notano, alcuni dei quali chiedono poi rimborsi o sostituzioni. Il controllo qualità può ridurre i difetti a livelli quasi trascurabili, ma la possibilità rimane e la conoscenza non diventa mai assoluta.

Progettare il modello, comprese la sua struttura e le approssimazioni intenzionali, è un problema di intelligenza generale. Questi problemi non si prestano a soluzioni «meccanicistiche». L’adeguatezza del modello richiede sempre un giudizio di alto livello. È possibile falsificare empiricamente un modello economico, o almeno quantificarne le approssimazioni e giudicarle eccessive, ma progettarlo richiede forme superiori di ragionamento. Si possono fornire orientamenti e principi, ma nessun insieme conciso di regole formali svolgerà questo esercizio in modo soddisfacente.

Tuttavia, anche se la progettazione del modello rimane un problema di intelligenza generale, è comunque possibile automatizzare molto. La valutazione del modello e il suo impiego nelle decisioni possono essere interamente automatizzati. Il modello deve essere rivisto con l’evolvere dell’impresa e del mercato, ma questo processo è solitamente lento rispetto alle fluttuazioni del flusso di beni e materiali. Per la maggior parte delle imprese, un modello economico pertinente dura mesi, se non anni; un dato del flusso, come un livello di scorta, dura ore.

4.5.2 Valutazioni implicite

Molte imprese aggirano il problema del calcolo economico nella supply chain ricorrendo a politiche basate su percentuali e ad analoghi metodi non economici. Queste politiche governano il processo decisionale della supply chain. In genere mescolano operazioni manuali e automatizzate senza adottare esplicitamente una prospettiva economica. L’unico pregio di questo approccio è evitare gli oneri associati al calcolo economico stesso. Per il resto, per quanto successo l’impresa ottenga grazie a fattori indipendenti dalla sua supply chain, come un marchio superiore, questo approccio non può più essere considerato altro che arretrato.

Per una microimpresa — un singolo negozio di alimentari, un’officina familiare, un laboratorio di riparazioni sotto casa —, l’assenza di valutazioni formali non è arretratezza: è pragmatismo. La risorsa più scarsa del titolare è il proprio tempo: ogni ora dedicata a costruire un foglio di calcolo compete con la pulizia degli scaffali, il dialogo con i clienti o il semplice mantenere aperta l’attività. Quando due ore di aritmetica possono al massimo risparmiare una manciata di unità monetarie sull’ordine della settimana prossima, quelle ore offrono un rendimento più alto e sicuro se investite nella manutenzione o nella vendita diretta. In quel contesto, semplici regole empiriche — «riordina quando restano soltanto due unità», «non lasciare mai vuoto lo scaffale del pane» — approssimano l’ottimo abbastanza bene. Quando volumi, prodotti e sedi aumentano, l’aritmetica si rovescia: il costo delle allocazioni errate supera rapidamente gli oneri amministrativi. Oltre quella soglia, aggrapparsi alle valutazioni implicite non è più parsimonia: è autosabotaggio.

Chiarita questa riserva, torniamo al filo principale del ragionamento. Scorte di sicurezza, punti di riordino min/max e buffer temporali sono esempi tipici di politiche non economiche. Ciascuna produce un numero — percentuale, quantità di unità o «giorni di domanda» — che fa scattare un ordine, ma nessuna contiene una valutazione espressa in unità monetarie. Sono calibrate per raggiungere obiettivi ingegneristici — fill rate, tempo di ciclo, rassicurazione visiva — senza mai chiedersi quanto valga l’unità successiva. Costo del capitale, varianza del margine e costo opportunità non compaiono nelle formule. Un’impresa può eseguire queste politiche senza errori e continuare ad allocare male le risorse, perché il metro che ottimizzano è scollegato da profitti e perdite.

Per quanto queste politiche ignorino il calcolo economico, profitti e perdite si producono comunque; si può eludere il calcolo, non le sue conseguenze. Per esempio, è diffusa l’idea errata che le percentuali vadano spinte verso il 100%, come accade con i livelli di servizio che governano le scorte di sicurezza. Aumentare le quantità a scorta presenta evidenti rendimenti decrescenti. A un certo punto, i costi di svalutazione delle eccedenze eguagliano quelli delle rotture di stock; oltre quel punto, ulteriori aumenti dei livelli di scorta generano perdite. Quando si usano politiche non economiche, non vi è ragione di credere che i loro parametri interni siano vicini alle impostazioni che massimizzerebbero i rendimenti.

Un lato positivo è che tali impostazioni difficilmente sono catastrofiche: altrimenti l’impresa avrebbe cessato l’attività. La distorsione da sopravvivenza pesa molto: restano osservabili soltanto le imprese che hanno evitato il fallimento; le altre, per definizione, non ci sono più. Quindi, entro certi limiti, una politica non economica che abbia mantenuto un’impresa solvibile negli anni dimostra un certo merito.

Concettualmente, ogni politica non economica può essere riscritta come una politica economica. Basta introdurre una serie di valutazioni scelte non per la loro aderenza ai profitti e alle perdite reali, ma per la capacità di produrre numericamente le stesse decisioni. L’esercizio chiarisce il difetto fondamentale delle politiche non economiche: sono politiche economiche costruite su valutazioni sbagliate.

Qualsiasi politica non economica può quindi essere migliorata riscrivendola prima esplicitamente come politica economica e poi avvicinando le valutazioni ai loro valori reali. Un percorso tanto indiretto ha soprattutto interesse teorico; nella pratica, raramente è giustificato affrontare la situazione in modo così tortuoso. Può talvolta esserlo se il sistema transazionale preesistente è rigido e può operare, per esempio, soltanto con scorte di sicurezza. In quel caso, se l’impresa non vuole o non può aggiornare il sistema, è costretta al tedioso processo di esplicitare le valutazioni implicite e riadeguarle a valori più sensati. Questo processo comporta un notevole lavoro di reverse engineering, è soggetto a errori di implementazione, gonfia i costi di manutenzione e deve rimanere un’ultima risorsa.

Ora che le politiche non economiche del flusso sono state ricondotte a valutazioni grossolane, spesso sbagliate, restano due ostacoli pratici tra la tenuta dei registri e microdecisioni attuabili. L’attribuzione chiede: «A quali scelte passate appartengono le unità monetarie del passato?» e districa i fili causali che intrecciano costi e ricavi. La proiezione chiede poi: «Dati questi fili, quale andamento delle unità monetarie porterà più probabilmente il domani?» e proietta il quadro nel futuro incerto. Le due sottosezioni seguenti affrontano questi problemi gemelli nell’ordine.

4.5.3 Attribuzione delle spese e dei ricavi

L’attribuzione ricollega ogni unità monetaria che attraversa i registri alla scelta operativa che l’ha originata. Nel mondo del puro commerciante, la corrispondenza è banale: un acquisto, una vendita, un margine lordo. Nel momento in cui un’impresa immagazzina, instrada, trasforma o promuove beni, questa simmetria uno a uno svanisce. Un solo container in arrivo rifornisce centinaia di SKU; una riduzione di prezzo stimola un’intera categoria; una guarnizione mancante ferma un’intera linea di assemblaggio. Se questi effetti intrecciati non vengono separati, il «valore» di spedire un pallet in più o di ridurre di un giorno il tempo di consegna è affidato alle congetture. L’attribuzione fornisce quindi la causalità quantitativa che trasforma registrazioni grezze in dati pronti per le decisioni, rendendo possibile una valutazione microanalitica, opzione per opzione.

Consideriamo il problema di stabilire il prezzo d’acquisto unitario di una serie di prodotti tutti acquistabili dallo stesso fornitore. Questo prezzo è cruciale per decidere se acquistare da quel fornitore o da un concorrente. Nel nostro esempio, il fornitore espone i prezzi unitari, ma quei prezzi sono soggetti a condizioni. Il fornitore applica infatti una tariffa fissa di consegna, che riflette il costo di inviare un camion. L’impresa cliente affronta un compromesso: piccoli ordini con bassi costi di scorta e alte spese di consegna; grandi ordini con alti costi di scorta e basse spese di consegna. Qualunque siano la dimensione e la frequenza degli ordini, le fatture del fornitore comprendono sia righe relative agli articoli sia righe relative alla consegna. Il problema dell’attribuzione consiste nel decidere come ripartire queste righe nel calcolo dei prezzi d’acquisto unitari.

Per chiarezza, supponiamo che il cliente ordini due prodotti: uno in grandi volumi e l’altro in piccoli volumi. In pratica, l’unico modo «economico» di ordinare il secondo è aggiungerlo a un ordine che includa molte unità del primo. Il secondo prodotto «si accoda» al flusso di ordini del primo. In questa situazione, si è tentati di attribuire le spese di consegna ai due prodotti in proporzione alla spesa. Quasi tutte le spese di consegna verrebbero quindi attribuite al primo prodotto, lasciandone soltanto una piccola parte al secondo. Con questa attribuzione, il prezzo d’acquisto «rettificato» di entrambi aumenta di una percentuale fissa. Il ragionamento ignora però il legame tra i due prodotti. Se l’impresa passa a un fornitore più economico per il primo, potrebbe ritrovarsi in una situazione peggiore, perché il risparmio sul primo viene compensato dalle spese di consegna ancora necessarie per ordinare il secondo. Una simile decisione aumenta di fatto il prezzo unitario del secondo prodotto.

Il problema dell’attribuzione non riguarda però soltanto le spese: incide anche sui ricavi. Consideriamo, per esempio, un negozio che offra uno sconto consistente su un prodotto. I ricavi di quel prodotto aumentano bruscamente perché si vendono più unità, benché con un margine lordo inferiore; l’effetto promozionale non si ferma qui. I clienti acquistano anche prodotti complementari, spinti dall’interesse iniziale per quello scontato. Aumentano quindi anche i ricavi di diversi prodotti complementari. Può sembrare che questi ricavi siano stati generati a prezzo pieno, ma la prospettiva è fuorviante. Senza lo sconto sul prodotto «di richiamo», gli altri non sarebbero stati acquistati nella stessa misura. Quindi, anziché assegnare ingenuamente al primo prodotto tutta la contrazione dei ricavi causata dallo sconto, è più corretto distribuirla tra tutti i prodotti complementari, in proporzione alla promozione indiretta di cui hanno beneficiato.

Più in generale, nella supply chain i legami sono onnipresenti: gli articoli vengono acquistati, trasportati, immagazzinati, trasformati e venduti congiuntamente. Ciascuna di queste operazioni comporta costi fissi o condivisi. Viceversa, quasi tutti i meccanismi che generano ricavi hanno effetti indiretti: notorietà e fedeltà al marchio, acquisti d’impulso oltre l’intenzione iniziale e così via. L’attribuzione riorganizza spese e ricavi in modo più aderente al processo decisionale. È quindi uno dei meccanismi fondamentali per eseguire i calcoli economici necessari a individuare le migliori opzioni disponibili all’impresa. In larga misura, definisce la struttura stessa del calcolo economico.

Non si può dimostrare matematicamente che un’attribuzione sia corretta; si può soltanto mostrarne l’erroneità se crea spese o ricavi dal nulla, oppure se l’aritmetica sottostante è sbagliata. Questi problemi sono però relativamente banali, e anche attribuzioni difettose possono rispettare uno standard di «correttezza» così elementare.

Nella maggior parte dei paesi esistono moltissime regole, solitamente contabili, per effettuare tali attribuzioni. Per esempio, possono mirare a impedire la «vendita in perdita», secondo una definizione semiarbitraria di «perdita»²⁹. Queste regole perseguono fini fiscali o normativi. La loro validità non si estende oltre lo scopo originario. Riciclarle per fini analitici sarebbe un grave errore. La supply chain deve rispettare gli obblighi normativi, ma nulla di più.

Ogni schema di attribuzione comporta le proprie distorsioni. Da un punto di vista informativo, l’attribuzione è una tecnica di riduzione dimensionale. Tornando all’esempio dei volumi alti e bassi, abbiamo due prezzi di articoli e una tariffa di consegna. Attribuendo la tariffa ai prodotti stessi, proiettiamo una situazione tridimensionale in uno spazio bidimensionale. Questa proiezione semplifica il processo decisionale, perché ogni prodotto riceve un prezzo ombra che riflette la tariffa di consegna. Può però condurre a decisioni sbagliate se quei prezzi ombra rappresentano male la situazione originaria. In generale, comprimere le dimensioni non può preservare perfettamente tutte le proprietà dello spazio di partenza.

Tecniche di ottimizzazione capaci di operare in alta dimensione possono attenuare, o persino eliminare, il problema dell’attribuzione. Per esempio, se disponiamo di una ricetta numerica capace di gestire direttamente le sei dimensioni di due fornitori concorrenti per gli stessi due prodotti, cioè quattro prezzi unitari e due tariffe di consegna, non serve alcuna attribuzione: la ricetta abbraccia la maggiore dimensionalità del problema.

L’attribuzione appartiene all’economia anziché alla storia economica, perché assume come date l’accuratezza e la completezza dei registri. Semplifica lo spazio del problema attraverso una riduzione dimensionale, mantenendo un modello economico pertinente, cioè capace di rappresentare in modo affidabile le basi di spesa e di ricavo per valutare le opzioni. Una volta stabilite queste basi, occorre passare al secondo meccanismo: la proiezione.

4.5.4 Proiezioni delle spese e dei ricavi

La storia economica non va confusa con l’economia propriamente detta. Mentre spese e ricavi passati possono essere accertati, salvo occasionali errori di registrazione, quelli futuri sono sempre incerti. La loro incertezza è irriducibile. Per quanto recenti o numerose, le osservazioni transazionali non possono mai raccontare tutto ciò che accadrà, perché il futuro dipende da decisioni ancora da prendere. Alcune saranno prese dall’impresa stessa; altre da terzi, per esempio clienti e fornitori.

Poiché le opzioni della supply chain vengono scelte in base ai rendimenti economici valutati, dipendono in ultima analisi da valutazioni prospettiche, quindi intrinsecamente imperfette. Esistono situazioni in cui le differenze di valutazione tra il passato recente e il futuro prossimo sono ritenute insignificanti, ma sono rare. Nella supply chain prevale il contrario. Illustriamo brevemente questa tesi.

Quando un dettagliante decide di aggiungere sullo scaffale un’unità in più, con un prezzo di cartellino di un’unità monetaria, occorrono due proiezioni complementari.

Per prime vengono le uscite previste. Dall’istante in cui l’articolo entra in negozio fino al giorno in cui esce, immobilizza capitale e assorbe costi di detenzione: l’affitto della superficie occupata, i salari del personale che lo sposta o lo conta, utenze, ammanchi, assicurazione e costo opportunità del denaro immobilizzato nell’unità stessa. Queste spese maturano giorno dopo giorno e il loro valore atteso è strettamente positivo; se fossero davvero trascurabili, la strategia razionale sarebbe espandere senza limiti la superficie di vendita, una reductio ad absurdum che conferma la realtà e la rilevanza dei costi.

Seguono le entrate previste. Il cartellino da un’unità monetaria è soltanto un prezzo possibile: se la domanda tarda, può essere necessario scontare l’unità; se si deteriora, può essere svalutata; se i concorrenti abbassano i prezzi, il negozio può seguirli. Nella direzione opposta, un improvviso aumento della domanda o l’inflazione generale possono spingere il prezzo realizzato sopra quello di cartellino. Il denaro che ci si attende di incassare alla vendita non è quindi quasi mai esattamente un’unità monetaria: il più delle volte è inferiore, occasionalmente superiore. Soltanto dopo aver attualizzato entrambi i flussi il dettagliante può decidere se tenere quell’unità aggiuntiva aumenti o riduca il profitto nel lungo periodo.

Più in generale, il problema della proiezione è spinoso quanto quello dell’attribuzione. L’esempio precedente è semplice, poiché la misurazione è soltanto rinviata di un ciclo delle scorte, ma molti aspetti sono più sfuggenti sul piano empirico. Eppure possono rivelarsi cruciali. Non vi è correlazione tra facilità di misurazione e importanza per l’impresa.

Consideriamo un marchio di moda che pratichi sconti a fine stagione per liquidare la collezione corrente. Agiscono due forze distinte. Primo, lo sconto aumenta i volumi di vendita, ma a scapito del margine lordo. Secondo, abitua i clienti ad aspettarsi sconti analoghi in futuro, erodendo la disponibilità a pagare: alcuni rimanderanno gli acquisti ai periodi di saldi. Questa erosione potrebbe rallentare; tuttavia, con abbastanza tempo, il suo effetto sui ricavi del marchio è considerevole. Per molti marchi, se non per la maggior parte, può superare di gran lunga il primo effetto. Quantificarla non è impossibile, ma è tutt’altro che semplice.

Ogni valutazione comporta una proiezione: un’affermazione numerica sul futuro, una «previsione» non limitata alla sola domanda. Spese e ricavi storici, con le rispettive attribuzioni, forniscono le basi per calcolare queste proiezioni. Le basi storiche non vanno però equiparate alle loro proiezioni. Il futuro dipende da decisioni non ancora prese. Qualsiasi proiezione apparentemente accurata può diventare del tutto inaccurata se vengono riviste le decisioni successive. Il problema è fondamentale e non può essere eliminato dai soli metodi statistici, per quanto sofisticati; può essere attenuato da metodi che riconoscano l’incertezza intrinseca.

Le prestazioni economiche di una decisione di supply chain dipendono in larga parte dalla qualità e dall’affidabilità delle proiezioni sottostanti. Affrontare questo problema richiede solitamente molta statistica, ma è un errore trattarlo come un problema puramente statistico. Una proiezione va infatti valutata anzitutto per la sua rilevanza economica, un criterio più esigente della semplice accuratezza statistica.

Il resto di questa sezione si concentra su due categorie particolari di proiezioni che meritano un trattamento dedicato. Per prime vengono le valutazioni ombra: numeri che non compaiono in alcuna riga contabile, ma che occorre far esistere per catturare effetti sfuggenti eppure economicamente decisivi. Passiamo poi alle valutazioni interne, i prezzi di trasferimento interni applicati a componenti intermedi che non affrontano mai il mercato esterno, ma competono comunque per liquidità, spazio e attenzione nell’impresa. Entrambe le famiglie seguono la logica generale appena stabilita, ma ciascuna presenta insidie e tecniche pratiche proprie.

4.5.4.1 Valutazioni ombra

L’impatto economico di una decisione viene solitamente calcolato proiettando il denaro speso oggi e quello guadagnato domani. Ma molti effetti di secondo ordine — perdita di benevolenza, sfiducia dei fornitori, stanchezza dei dipendenti — non entrano mai nei registri, pur traducendosi in seguito in denaro sonante. Ignorarli produce la caricatura di un contabile miope, guidato dal foglio di calcolo, che «ottimizza» questo trimestre distruggendo silenziosamente l’anno prossimo. Per evitare questa trappola, i professionisti devono introdurre valutazioni ombra: stime esplicite, espresse in denaro, che rendono tangibili conseguenze invisibili. Questi numeri sono ipotesi, perché non hanno una base storica, ma senza tali rettifiche il calcolo si riduce a tagli ingenui dei costi che sacrificano l’opzionalità di lungo periodo e, in ultima analisi, il profitto.

Consideriamo un esempio di vendita al dettaglio: se un cliente non trova in negozio ciò che si aspettava, l’acquisto viene quantomeno rinviato e può persino essere annullato se perde interesse. Può invece andare da un concorrente, trovare il prodotto e finire per preferire quel negozio. Questi disservizi avvengono in silenzio, senza lasciare traccia nelle registrazioni transazionali, ma hanno conseguenze reali: ne risentono sia i ricavi di breve periodo sia quelli di lungo periodo.

Se un dettagliante valuta le proprie scorte soltanto in base alle vendite osservate, trascura il modo in cui un servizio inadeguato erode la clientela. In altre parole, sottovalutando le scorte, e tralasciando i vincoli di capacità degli scaffali, il negozio finisce per detenere scorte subottimali. Riconoscendolo, l’impresa può introdurre una «penalità per rottura di stock», una valutazione ombra pensata per catturare il costo a lungo termine delle vendite perse. Inserita nel calcolo economico, questa penalità aumenta il valore percepito del detenere scorte, incoraggiando il negozio a tenerne di più.

Più in generale, la benevolenza³⁰ di cui un’impresa gode presso clienti, fornitori e dipendenti si rappresenta al meglio attraverso valutazioni ombra. I dettagli variano da un’organizzazione all’altra, ma la maggior parte delle decisioni di supply chain incide sulla benevolenza. Integrare valutazioni ombra consente quindi di tenere maggiormente conto di queste conseguenze più ampie nel valutare le opzioni.

Per esempio, i fornitori possono essere danneggiati da acquisti irregolari, con dimensioni degli ordini oscillanti e frequenze discontinue. Regolarizzando il flusso degli ordini e rendendo più prevedibile la domanda, le imprese incoraggiano i fornitori ad abbassare i prezzi. In questo contesto, una valutazione ombra che penalizzi la variabilità degli ordini orienta il comportamento d’acquisto nella direzione desiderata.

Analogamente, i dipendenti soffrono per carichi di lavoro eccessivi. Per esempio, se il personale di un negozio di alimentari riceve in un giorno più articoli di quanti ne possa sistemare sugli scaffali nell’orario ordinario, può essere costretto a straordinari non programmati. Inoltre, scorte lasciate sparse anziché ben sistemate irritano sia i dipendenti sia i clienti. Una valutazione ombra che penalizzi volumi di consegna eccessivi aiuta a regolarizzare le spedizioni dal magazzino.

In pratica, le valutazioni ombra sono spesso stime grossolane, ed è accettabile: essere approssimativamente nel giusto è preferibile a essere esattamente nel torto. Trascurare fattori sfuggenti ma importanti è un errore. Questa omissione conduce a soluzioni da «idiot savant», che possono mostrare grande sofisticazione tecnica e tuttavia non cogliere il punto. Più avanti discuteremo di come l’ottimizzazione sperimentale offra una soluzione più robusta per le valutazioni; per ora, un’approssimazione informata è preferibile all’ignorare fattori rilevanti.

4.5.4.2 Valutazioni interne

Una caratteristica fondamentale dell’economia di mercato è la formazione dei prezzi. Per i beni finiti o «vendibili», le imprese devono operare entro i vincoli posti dai prezzi di mercato. Un’impresa può spingere i propri prezzi verso il basso, attraverso innovazioni che abbattono i costi, oppure verso l’alto, con un’attenta costruzione del marchio, come nei beni di lusso. I prezzi di mercato, però, si applicano sempre. Persino un’impresa con un monopolio protetto da brevetti deve adeguare i propri prezzi alle alternative presenti sul mercato. I prezzi di mercato non richiedono sostituti perfetti.

Al contrario, i beni non vendibili non beneficiano direttamente dei prezzi di mercato. Sono comuni nell’industria manifatturiera, dove la produzione richiede spesso numerosi componenti intermedi, alcuni assemblati a partire da sottocomponenti acquistati all’esterno. Questi intermedi esistono tipicamente soltanto all’interno del processo produttivo dell’impresa e mancano degli elementi complementari — documentazione tecnica, canali di vendita consolidati, materiali di marketing, procedure di conformità — che li renderebbero vendibili. Non tutti i beni intermedi, però, sono invendibili: per esempio, un produttore può realizzare sia pompe sia condizionatori, con le prime incorporate nei secondi ma anche vendute separatamente.

I beni non vendibili richiedono investimenti sia in capacità produttiva sia in scorte sufficienti. Quando un componente non vendibile viene utilizzato esclusivamente in un prodotto finito, la sua valutazione è relativamente semplice³¹: il costo del prodotto finito può essere distribuito proporzionalmente tra i suoi componenti. Quando invece un componente serve più prodotti finiti, valutare ogni unità aggiuntiva a scorta diventa più difficile, perché dipende dalla probabilità che venga impiegata nei diversi prodotti.

Supponiamo, per esempio, che un produttore utilizzi un componente in due prodotti venduti in volumi uguali: il prodotto A genera un margine lordo di 10 unità monetarie e il prodotto B soltanto di 1. Il valore di produrre un’unità in più del componente dipende dal prodotto che servirà. Se esistono abbondanti scorte del prodotto A mentre il prodotto B è esaurito, l’unità successiva vale di più per B. Viceversa, se A è esaurito e B è ben rifornito, l’unità aggiuntiva vale di più per A, che offre un margine superiore. Il valore del componente aggiuntivo dipende quindi in modo cruciale dai livelli di scorta a valle e dai margini dei prodotti.

In pratica, un produttore può gestire numerosi prodotti e componenti. I cicli di produzione spesso differiscono, e la domanda oscilla sia nei volumi sia nei prezzi. Ogni prodotto mantiene tipicamente le proprie scorte, spesso distribuite tra più sedi, e la produzione può avvenire in lotti di dimensioni variabili. Queste condizioni complicano la valutazione delle scorte di componenti.

Il tasso di rendimento di qualsiasi investimento relativo a beni non vendibili — che si tratti di acquistare beni strumentali o di utilizzare risorse in ingresso per produrre unità aggiuntive — deve essere valutato in base al suo impatto previsto sui ricavi e sulle spese dell’impresa. Come l’attribuzione introdotta in precedenza, le valutazioni interne fungono da tecnica di riduzione dimensionale, riassumendo effetti complessi e multidimensionali in un rendimento atteso.

Nelle imprese più grandi e verticalmente integrate, le valutazioni interne diventano più diffuse e importanti. In queste imprese, i beni non vendibili spesso superano numericamente i prodotti finiti e rappresentano una quota maggiore del valore delle scorte. Valutare questi beni diventa quindi cruciale.

4.5.4.3 Il ruolo del mercato

Le valutazioni interne sono intrinsecamente difficili. Man mano che le imprese crescono e si integrano verticalmente, i loro problemi di supply chain assomigliano sempre più ai problemi di allocazione delle risorse affrontati dai governi nel socialismo e nella sua pianificazione centralizzata. Il socialismo è stato infatti attuato molte volte e in molti luoghi; come previsto da importanti economisti nella prima metà del XX secolo, tutti quei tentativi sono falliti e hanno invariabilmente condotto a un impoverimento generale. Il socialismo, con il corollario della pianificazione centralizzata, fallisce perché cerca di risolvere il problema della valutazione delle risorse scarse, un problema che soltanto il libero mercato può risolvere su vasta scala. Analogamente, sebbene le imprese possano effettuare valutazioni interne accurate su piccola scala, quelle grandi incontrano spesso significative diseconomie di scala che ne limitano la crescita, con le valutazioni interne errate tra i fattori principali.

In un mercato libero, i prezzi segnalano agli attori economici come allocare le risorse. Quando la domanda supera l’offerta, i prezzi salgono, stimolando investimenti nel prodotto scarso. Viceversa, un eccesso di offerta spinge i prezzi verso il basso, incoraggiando lo spostamento verso opportunità più redditizie. Quando una supply chain è relativamente semplice — pochi prodotti, un minimo di beni intermedi e tempi di consegna brevi —, tradurre i prezzi di mercato in decisioni di allocazione delle risorse è semplice. In questi casi, i prezzi di mercato risolvono essi stessi una parte cruciale del problema della supply chain, senza bisogno di conoscenze approfondite o analisi avanzate³².

Quando le grandi imprese ampliano le proprie supply chain in profondità e complessità, il legame tra pianificazione e retroazione dei prezzi di mercato si indebolisce e i problemi si moltiplicano. Il problema era ben noto agli imprenditori del XIX secolo, ma nel suo Testament of a Furniture Dealer (1976) il fondatore di IKEA, Ingvar Kamprad, lo esprime senza ambiguità:

Ma non dimenticate che una pianificazione eccessiva è la causa più comune della morte delle imprese.

Proprio come i governi che tentano il socialismo, le grandi imprese non hanno infatti alternativa al nominare una casta di esperti — pianificatori dell’offerta e della domanda, responsabili di categoria, previsori della domanda e responsabili delle scorte — per affrontare l’allocazione delle risorse. Sebbene questi ruoli differiscano soltanto leggermente nel perimetro, il problema complessivo è immenso: le imprese devono considerare centinaia di fattori economici e stabilire migliaia di valutazioni interne, affrontando al contempo le incertezze intrinseche del futuro. Valutazioni sbagliate generano decisioni non redditizie.

Con la crescita dell’organizzazione, gli incentivi cambiano: i quadri intermedi preferiscono sempre più evitare le colpe anziché inseguire guadagni incrementali, e la propensione al rischio diminuisce con le dimensioni dell’impresa. Si affidano quindi a processi consolidati, spesso applicandoli rigidamente a prescindere dal merito economico. Quando questi processi producono ripetutamente risultati non redditizi, la burocrazia risponde aggiungendo regole, allungando le liste di controllo e inserendo ulteriori passaggi nei flussi di lavoro. In sostanza, la burocrazia si espande indipendentemente dalla giustificazione economica.

Sono le diseconomie di scala, non la mancanza di ambizione, a frenare solitamente le imprese molto grandi e verticalmente integrate. Al moltiplicarsi dei livelli organizzativi, le valutazioni interne si allontanano dalla realtà e ogni nuovo livello amplifica le conseguenti allocazioni errate. Per ritrovare agilità, le imprese si liberano tipicamente delle attività periferiche attraverso esternalizzazioni, scorpori o joint venture, e raddoppiano gli sforzi sui segmenti in cui il loro vantaggio comparato è evidente e i prezzi del mercato esterno offrono una retroazione rapida e inequivocabile.

5 Informazione

Ogni decisione di supply chain è una scommessa nell’incertezza; per essere valida, deve essere informata. Un po’ a sorpresa per il lettore non specialista, «informata» non è soltanto una metafora: dagli anni 1940, la teoria dell’informazione ha dato alla parola un significato preciso e quantitativo. Questo capitolo chiarisce che cosa comporti «essere informati» per una supply chain moderna.

Due fatti motivano quanto segue. Primo, le supply chain contemporanee sono oggetti irriducibilmente digitali. I loro stati e le loro storie risiedono nei sistemi aziendali; definire «digitale» una supply chain è ridondante, perché nessuna supply chain di dimensioni significative può operare senza software. Secondo, la teoria dominante della supply chain confonde abitualmente i dati con l’informazione: tratta le grandezze su cui intende decidere — domanda, tempi di consegna, livelli di servizio — come direttamente osservabili. In realtà, l’impresa dispone soltanto di tracce grezze — ordini di vendita, spedizioni, resi, rettifiche delle scorte — dalle quali deve inferire quelle grandezze. Ignorare questa distinzione è proprio il motivo per cui formule eleganti falliscono così spesso di fronte ai dati grezzi prodotti dai sistemi aziendali. Questo divario tra teoria e pratica alimenta molti fallimenti: le imprese cercano di innestare idee precedenti ai computer su infrastrutture successive alla loro diffusione.

Per orientarci in questo panorama, dobbiamo separare tre nozioni che il linguaggio quotidiano mescola: dati, informazione e conoscenza. I dati sono i simboli registrati: byte nelle tabelle, righe di log, codici a barre. L’informazione è la capacità di quei simboli di risolvere l’incertezza, una quantità che Shannon ci ha insegnato a misurare. La conoscenza è la struttura causale che permette a una mente, umana o artificiale, di trasformare l’informazione in decisioni che migliorano i rendimenti dell’impresa. Confondere queste nozioni genera ricette ingenue che appaiono sofisticate sulla carta, ma in produzione danno risultati peggiori di euristiche grossolane.

La digitalizzazione ha già sottratto agli esseri umani la custodia dei dati; la stessa tendenza erode ora la loro custodia dell’informazione e della conoscenza. Con l’esplosione dei volumi e delle frequenze di aggiornamento, è l’architettura dei sistemi, non l’ingegnosità personale degli utenti, a determinare su che cosa l’impresa possa o non possa decidere bene. Capire dove risieda davvero l’informazione all’interno dell’impresa diventa quindi strategico.

Dagli anni 1970, tre classi di software danno struttura a questo «dove»: i sistemi di registrazione, che eseguono flussi di lavoro e conservano transazioni; i sistemi di reporting, che descrivono ciò che è accaduto; e i sistemi di intelligenza, che decidono ciò che dovrebbe accadere in seguito. Gran parte delle delusioni aziendali nasce dalla confusione di questi ruoli: ci si aspetta che i registri pensino o che gli strati analitici fungano da fonti di verità.

Questo capitolo procede per tappe. Distinguiamo anzitutto dati, informazione e conoscenza, ancorando l’«informazione» alla teoria di Shannon. Esaminiamo poi come queste nozioni si manifestino, e vengano abitualmente distorte, nelle tre classi dominanti del software aziendale. Su questa base affrontiamo la disordinata semantica dei dati aziendali, le credenze sui «dati scadenti» e gli incentivi che allontanano le registrazioni dagli interessi dell’impresa. Infine, torniamo alle cosiddette conoscenze quotidiane, tacite, che risiedono ancora nella testa delle persone, mostrando come anch’esse possano essere codificate progressivamente. Prepariamo così il terreno per il capitolo successivo sull’intelligenza e per la completa meccanizzazione del processo decisionale.

5.1 Dati, informazione e conoscenza

Dati, informazione e conoscenza sono tre parole che le presentazioni e le brochure dei fornitori scambiano allegramente tra loro; nella pratica, confonderle distrugge architetture e politiche di decisione. Trattare le registrazioni grezze, cioè i dati, come se risolvessero già l’incertezza, cioè fornissero informazione, oppure trattare l’incertezza ridotta come se contenesse già un modello causale capace di guidare l’azione, cioè conoscenza, non è una piccola svista semantica. È la causa profonda di dashboard che non decidono mai, moduli di «pianificazione» che non pianificano mai e analisi dei fallimenti che continuano a incolpare i «dati scadenti» di problemi in realtà metodologici.

I dati sono simboli acquisiti dai sistemi: byte nelle tabelle, righe di log, codici a barre; da soli non dicono nulla sull’incertezza che rimane. L’informazione è ciò che quei simboli ci consentono di guadagnare contro l’incertezza; può essere quantificata e assegnata entro un budget. La conoscenza è la struttura, esplicita o tacita, che consente a un’intelligenza di trasformare l’informazione in decisioni che migliorano sistematicamente i rendimenti dell’impresa. Confondere questi livelli espone a due errori simmetrici. Primo, le imprese accumulano sempre più dati e capacità di calcolo, convinte che il volume sostituisca l’informazione; finiscono con petabyte di residui di scarso valore che incidono a malapena sull’incertezza che conta. Secondo, scambiano l’informazione per conoscenza e si aspettano che report o KPI «guidino» l’attività; le persone compensano allora manualmente, introducendo regole ad hoc e credenze che non vengono mai formalizzate, versionate o verificate.

Per una supply chain moderna, queste distinzioni sono operative. Se non sapete dove risieda l’informazione, non potete dire quale sistema faccia autorità; se non sapete dove risieda la conoscenza, non potete dire chi, o che cosa, risponda delle decisioni. In questa prospettiva, i «sistemi di registrazione», i «sistemi di reporting» e i «sistemi di intelligenza» diventano vincoli architetturali essenziali: i registri conservano la maggior parte dei dati, i report mostrano frammenti di informazione, l’intelligenza rende operativa la conoscenza per impartire ordini. Aspettarsi che uno di questi livelli svolga il lavoro degli altri è una pura illusione, e un modo sicuro per bruciare sia budget sia credibilità.

Quanto segue non ripropone quindi definizioni per il gusto della tassonomia. Partiamo dalla natura meccanica dei dati, semplici simboli, e dalle realtà ingegneristiche che ne governano l’archiviazione e il recupero. Ancoriamo poi l’«informazione» al trattamento quantitativo dell’incertezza di Shannon, mostrando perché molti insiemi di dati apparentemente «ricchi» abbiano scarso peso informativo per le decisioni da prendere. Infine, affrontiamo la conoscenza, la meno trattabile delle tre nozioni, e la ricolleghiamo al codice, alle ricette e alle persone dell’impresa: dove risiede davvero, come debba essere curata e come possa essere progressivamente meccanizzata. Soltanto mantenendo distinti questi tre livelli un’impresa può sperare di costruire sistemi decisionali insieme informati e affidabili.

5.1.1 Archiviazione dei dati

I dati sono simboli registrati. Possono essere numeri, caratteri, pixel o qualsiasi altro segno discreto che un sistema possa archiviare e recuperare in modo affidabile. Da soli, questi simboli non hanno significato; soltanto un’interpretazione condivisa — uno schema, una tabella di codifica, un protocollo — li trasforma in qualcosa su cui un’impresa può ragionare. Un codice a barre, un identificativo cliente, una riga d’ordine d’acquisto o la lettura di una sonda di temperatura sono tutti «dati» in questo senso rigoroso e meccanico.

Nei computer, questi simboli sono infine codificati come cifre binarie e raggruppati in byte, con 8 cifre binarie per byte³³. I dispositivi di archiviazione moderni, che pesano appena pochi grammi³⁴, possono contenere oltre 1 TB, cioè \(10^{12}\) byte. Un terabyte supera già la comprensione intuitiva. L’edizione 1768–1880 dell’Encyclopaedia Britannica comprende 143 volumi, il cui contenuto testuale occupa complessivamente 336 MB, circa 3.000 volte meno di 1 TB. Anche includendo le immagini ad alta risoluzione, l’enciclopedia occupa appena 23,5 GB, circa 400 volte meno di 1 TB. Con rappresentazioni efficienti, 1 TB può contenere oltre un decennio di transazioni al dettaglio di una grande rete.

Dal punto di vista della supply chain, le grandi capacità di archiviazione permettono di raccogliere registrazioni elettroniche estese. Queste registrazioni descrivono sia lo stato attuale della supply chain sia la sequenza dettagliata di eventi che vi ha condotto, compreso il flusso di beni fisici. Possono includere anche dati di mercato, come i prezzi dei concorrenti. Tutti questi dati sono conservati nei sistemi di registrazione dell’impresa, che esamineremo più avanti.

La capacità di archiviazione dell’hardware moderno è tanto vasta che è difficile farsi un’idea concreta dei numeri, e questo divario non farà che ampliarsi con il progresso tecnologico. Gli stack digitali moderni coprono abitualmente da 10 a 15 ordini di grandezza: dai cicli di CPU di nanosecondi alle elaborazioni batch di un giorno, dai byte nei dispositivi embedded ai petabyte nei data warehouse. Il divario tra un’attività individuale e le più grandi imprese del pianeta è invece di «soli» sette ordini di grandezza circa, da 1 a 10 milioni di dipendenti. Le quantità sono perfettamente misurabili; la difficoltà sta nello sviluppare un’intuizione per fenomeni che differiscono di fattori di mille miliardi o più.

All’aumentare delle capacità, anche recuperare ed elaborare ciò che conserviamo diventa più difficile. La pressione del mercato spinge però generalmente il resto dello stack — banda, RAM, CPU — a progredire abbastanza da mantenere economicamente utilizzabile lo spazio aggiuntivo. Quando l’archiviazione supera troppo a lungo le capacità complementari, gli investimenti in supporti sempre più densi si arrestano semplicemente finché il resto dell’hardware non recupera il ritardo; a quel punto, ulteriori progressi tornano ad avere senso economico.

Un chip di archiviazione del peso di un grammo contiene ormai più bit di quanti una sola mente, o mille, potrebbero mai conservare nella memoria di lavoro. È questa enorme capacità ad aver reso i sistemi aziendali, già decenni fa, i custodi de facto di quasi tutta l’informazione pertinente alla supply chain. Un processo decisionale di supply chain è quindi davvero informato soltanto se attinge al vasto patrimonio custodito nei sistemi di registrazione dell’impresa.

L’enorme capacità di archiviazione moderna presenta due insidie distinte. I professionisti della supply chain poco esperti di informatica sottovalutano spesso quanti dati si possano archiviare ed elaborare per la supply chain. Di conseguenza, dati essenziali non vengono registrati, sono eliminati troppo presto o non vengono mai raccolti. Se fossero disponibili, potrebbero essere usati per affinare ulteriormente i processi decisionali. I due errori più comuni sono non conservare tutti gli eventi che incidono sui sistemi aziendali e scartare i dati storici dopo un periodo di tre-cinque anni, sebbene l’intera storia possa essere conservata quasi indefinitamente³⁵.

Per esempio, tutti i sistemi di gestione delle scorte prevedono rettifiche manuali dei livelli di scorta per correggere le discrepanze tra giacenze fisiche e registrazioni elettroniche, ma alcuni non registrano tali rettifiche. La loro traccia completa è però essenziale per risalire alle cause profonde degli errori nelle scorte. Idealmente, ogni evento che finisce per modificare lo stato del sistema aziendale dovrebbe essere registrato³⁶.

Viceversa, gli ingegneri del software, ben consapevoli delle capacità dell’hardware, spesso ne approfittano privilegiando soluzioni facili da implementare rispetto a quelle efficienti nell’uso delle risorse. Il software diventa così spesso inefficiente nell’uso dell’hardware, soprattutto quello aziendale rispetto alle applicazioni per i consumatori. Nel software destinato ai consumatori, acquirente e utente sono solitamente la stessa persona, e la reattività dell’applicazione è un fattore chiave per la sua adozione³⁷. Gli ingegneri dedicano quindi gran parte dei propri sforzi a sfruttare al massimo ogni ciclo di calcolo dell’applicazione.

Chi acquista software aziendale, invece, raramente ne è l’utente, e le dimostrazioni usano solitamente dati fittizi molto più piccoli di quelli in produzione: le prestazioni reali vengono quindi esaminate poco. Inoltre, nonostante l’uso inefficiente delle risorse informatiche, il costo totale di possesso dell’applicazione supera di solito di gran lunga i costi dell’hardware. Di fronte a un problema di prestazioni, è dunque comune aggiungere hardware anziché migliorare l’efficienza del software. Più in generale, la maggior parte dei fornitori di software aziendale ha soltanto incentivi modesti a investire per rendere la propria tecnologia efficiente nell’uso delle risorse.

L’efficienza nell’uso delle risorse conta perché la stessa informazione può essere codificata in molti modi, alcuni molto più compatti di altri. Un insieme di dati di 1 GB, cioè \(10^{9}\) byte, può sembrare più ricco e informativo di uno di 1 KB, cioè \(10^{3}\) byte, ma più byte non significano intrinsecamente più informazione. Per esempio, il numero 123 può essere memorizzato in un solo byte oppure in un milione di byte, con un milione di zeri iniziali.

Usare un milione di byte per rappresentare un numero piccolo è un evidente spreco di risorse informatiche, eppure il software aziendale crea spesso copie ridondanti degli stessi dati nei propri database. Nei database relazionali, le rappresentazioni ridondanti gonfiano tipicamente lo spazio occupato dai dati di un fattore dieci, talvolta cento. Diverse ragioni tecniche giustificano queste rappresentazioni. Esulano dal nostro ambito, ma sollevano una questione importante: quale rapporto esiste tra la rappresentazione scelta e l’informazione stessa?

5.1.2 Teoria dell’informazione

Le registrazioni aziendali possono essere conservate sotto forma di dati. I dati si misurano convenzionalmente in byte, ma questa unità non indica quanta informazione contengano. La stessa registrazione ammette molte rappresentazioni, alcune più efficienti di altre nell’uso dello spazio. L’informazione sottostante non cambia con la notazione. Per esempio, 1776 equivale a MDCCLXXVI in numeri romani: l’informazione è invariata. La teoria dell’informazione studia che cosa sia l’informazione e come venga misurata, conservata e trasmessa.

Claude Shannon fondò la teoria moderna dell’informazione negli anni 1940. È una scienza ausiliaria fondamentale della supply chain. Questa teoria si basa sulla probabilità e definisce l’informazione come capacità di risolvere l’incertezza. Per illustrare il legame tra incertezza e informazione, consideriamo due negozi, ciascuno con 100 prodotti a scorta. Concentriamoci sui livelli di scorta, 100 numeri in tutto, e confrontiamo l’informazione necessaria per gestire due negozi molto diversi.

Il primo è un negozio di orologi di lusso. Per ogni orologio dell’assortimento si tiene al massimo un’unità. Quando un orologio viene venduto, ne viene prontamente spedito un altro per mantenere completo l’assortimento. Il secondo è un deposito periferico di materiali edili sfusi. I riapprovvigionamenti sono poco frequenti e riguardano grandi lotti, tipicamente un camion completo. Nel negozio di orologi, un responsabile diligente probabilmente conosce in ogni momento le scorte esatte. Il livello di scorta è in genere 1 per tutti gli orologi; per quelli appena venduti, scende temporaneamente a 0 fino al riapprovvigionamento. Poiché la maggior parte degli orologi è a 1 e soltanto pochi restano brevemente a 0, il responsabile può ricordare facilmente i livelli. Nel deposito periferico, invece, i livelli di scorta vanno da 0 a 10.000 unità. Il responsabile può ricordare quali prodotti siano esauriti o siano stati riforniti di recente, ma neppure uno diligente può memorizzare i livelli esatti di tutti i 100 prodotti. Entrambi i negozi seguono 100 articoli, eppure il negozio di orologi contiene molta meno informazione del deposito.

La teoria dell’informazione rende preciso questo contrasto. La nozione di entropia quantifica l’informazione e si misura in bit, talvolta chiamati «shannon». Per illustrare l’entropia basta tornare all’esempio. Supponiamo che il negozio di orologi abbia un livello di servizio del 95%: ogni orologio è esaurito con probabilità del 5%, altrimenti è a 1. Supponiamo inoltre che i livelli di scorta del deposito periferico siano distribuiti uniformemente tra 0 e 9999. Una distribuzione uniforme è irrealistica, ma basta per questa illustrazione.

L’entropia sarà di circa 29 bit per il negozio di orologi di lusso e 1328 bit per il deposito periferico; il calcolo dettagliato è riportato in appendice. L’entropia del deposito è quasi \(50\times\) quella del negozio di orologi: ecco perché neppure un responsabile diligente può seguirne mentalmente le scorte.

Dal punto di vista della supply chain, la teoria dell’informazione chiarisce che cosa significhi complesso in un sistema di supply chain. Una supply chain resiste a una descrizione concisa: occorrono milioni di bit per rappresentarne anche una media e miliardi per una grande. Questo enorme fabbisogno non è un artefatto della rappresentazione, ma una proprietà fondamentale della supply chain. L’informazione necessaria per determinarne lo stato supera di gran lunga ciò che un qualsiasi gruppo di persone potrebbe memorizzare, per non parlare del seguirne le transizioni nel corso degli anni.

Generare ogni giorno decisioni di supply chain informate richiede quindi milioni di bit in ingresso per rappresentare lo stato e altri milioni in uscita per rappresentare le decisioni. Il software è perciò fondamentale per le supply chain moderne: senza, farle funzionare sarebbe impossibile. Prima della diffusione dei sistemi aziendali all’inizio degli anni 1970, le supply chain erano molto meno complesse di oggi. Questo aumento della complessità deriva direttamente dai progressi dell’hardware informatico. Le imprese gestiscono oggi più SKU, fornitori, sedi, schemi di prezzo e canali che mai, sfruttando l’hardware moderno per affrontare questa maggiore complessità.

Sebbene le supply chain siano diventate più complesse, molte fonti di complessità accidentale sono state domate. Per i beni fisici, standardizzazione, tolleranze rigorose e controllo qualità formale si diffusero sempre più nella prima metà del XX secolo. La svolta digitale degli anni 1970 spinse la standardizzazione ancora oltre. Il concetto moderno di SKU, stock-keeping unit, presuppone che tutte le unità a scorta siano fisicamente identiche.³⁸ Il contenuto di una SKU può essere riassunto in un solo numero: le giacenze fisiche.

Ai lettori di oggi può sembrare difficile credere che nel XIX secolo persino gli articoli prodotti in serie variassero sensibilmente da un’unità all’altra. In simili supply chain, un sistema di gestione delle scorte, se fosse esistito, avrebbe dovuto seguire i dettagli di ogni unità per rappresentarle accuratamente. Nella pratica, il problema veniva affrontato diversamente: i venditori scontavano sul momento le unità di qualità inferiore.

La teoria dell’informazione offre intuizioni fondamentali per la supply chain, soprattutto quando si valuta se una fonte di dati possa affinare le decisioni.

Per esempio, questa prospettiva chiarisce perché le rettifiche manuali a livello di dettaglio, come gli aggiustamenti delle previsioni o delle politiche di scorta, siano inutili. Se i pianificatori della domanda si basano sui dati storici per effettuare queste correzioni, non aggiungono alcun bit di informazione al sistema. Si limitano a tamponare i difetti delle ricette numeriche esistenti, costruite su quegli stessi dati. Per rendere il sistema più informato, un simile processo manuale deve quindi introdurre bit di informazione «freschi». Supponiamo che un numero basato sull’intuizione o su conoscenze pregresse contenga meno di 10 bit di informazione. Anche se un dipendente fornisce ogni giorno 100 numeri significativi, il totale è di soli 1000 bit, assumendo irrealisticamente una completa indipendenza. Aggiungere 1000 bit a un sistema che ne elabora milioni difficilmente lo renderà sensibilmente più informato. Un dipendente può occasionalmente fornire informazioni dall’impatto eccezionale, ma ciò solleva interrogativi sulla loro origine e sulla probabilità di ripeterle con regolarità.

Più in generale, la prospettiva informativa aiuta a valutare quanto una fonte di dati possa informare le decisioni di supply chain. Come mostrava l’esempio precedente, elaborare dati non aggiunge informazione: può soltanto far emergere ciò che era già presente nei dati originari. Chiarisce inoltre che il volume dei dati può non essere correlato al loro contenuto informativo.

Trasformare l’informazione in decisioni informate richiede però ancora un ingrediente: la conoscenza.

5.1.3 Conoscenza

La conoscenza è la comprensione teorica e pratica di un oggetto. Comprende le intuizioni, le regole e i principi che plasmano il modello causale che una mente ha di quell’oggetto³⁹. Questo modello permette alla mente di dedurre perché l’oggetto sia com’è e dove si stia dirigendo. La conoscenza trasforma le osservazioni in azioni che orientano l’oggetto verso uno stato migliore.

Per gli scopi della supply chain attingiamo soltanto a una minuscola frazione della conoscenza umana. Ci occupiamo esclusivamente di supply chain; l’ambito della conoscenza è limitato a questo scopo. Una conoscenza rientra nella supply chain soltanto quando migliora le decisioni dell’impresa. Nel senso più ampio, la conoscenza di supply chain abbraccia un vasto insieme di argomenti. Come spiegato nel precedente capitolo Epistemologia, dobbiamo però distinguere il dominio centrale della supply chain dalle sue scienze ausiliarie, poiché i rispettivi modi di organizzare e sviluppare la conoscenza sono nettamente diversi.

A differenza dell’informazione, interamente caratterizzabile sul piano matematico e puramente meccanica, priva di intelligenza e indipendente dal supporto che la conserva, la conoscenza è sfuggente e inseparabile dalla mente che la produce.

Date a due studenti lo stesso manuale di fisica: uno può ricavarne intuizioni che vanno ben oltre gli esempi, mentre l’altro potrebbe non collegare mai gli esempi ai principi. Ciò che il lettore ne ricava è soggettivo: la conoscenza di un libro rimane latente finché qualcuno non lo legge. Fino ad allora, è soltanto un dispositivo di archiviazione dei dati. Il contenuto del libro rimane identico a prescindere dalla qualità della carta, o persino dal fatto che venga stampato: la copia elettronica ha lo stesso contenuto.

Poiché conoscenza e intelligenza generale sono intrecciate, comprendere pienamente l’una richiede di comprendere pienamente l’altra. Definirne una senza l’altra è inevitabilmente incompleto. L’intelligenza generale rimane un campo di ricerca attivo. Negli ultimi sette decenni i progressi in quest’area hanno accelerato, producendo risultati notevoli. Ci siamo però anche resi conto di quanto avessimo sottovalutato la nostra ignoranza in materia. Torneremo sull’argomento nel capitolo Intelligenza.

Altrettanto importante è la sede della conoscenza: dove risieda davvero nell’impresa, una questione cruciale quando la si applica alla supply chain. Due prospettive comuni ma semplicistiche non colgono il punto. Il primo e più diffuso equivoco è che la conoscenza risieda esclusivamente negli esperti e nei materiali che li supportano: articoli, libri e corsi. Il mondo accademico alimenta spesso questa visione; molti professori si considerano il vertice della competenza. Il secondo è l’idea che la conoscenza sia distribuita uniformemente nell’impresa. Questa convinzione nasce spesso dal malinteso desiderio di coinvolgere tutti i dipendenti nelle iniziative di supply chain. Per chiarire dove risieda la conoscenza, dobbiamo precisare ulteriormente che cosa intendiamo con questo termine.

Nel suo fondamentale saggio del 1945⁴⁰, The Use of Knowledge in Society, Friedrich Hayek distingue le conoscenze «specialistiche» da quelle «quotidiane». Le conoscenze specialistiche comprendono manuali, formule, codice sorgente, politiche e normative. L’errore fondamentale, sostiene, è credere che siano l’unico tipo di conoscenza.

Hayek aggiunge un secondo tipo, cruciale: le conoscenze quotidiane. Queste riguardano i dettagli legati alle circostanze di un dato momento e luogo. Un camionista, per esempio, conosce il rumore di un motore in buone condizioni e prenota le riparazioni prima che inizino i guai. Questa conoscenza si affina quando guida regolarmente lo stesso camion, imparando nel tempo a comprenderne le particolarità. È una conoscenza informale e non documentata, ma spesso essenziale per svolgere il lavoro in modo affidabile.

La supply chain combina quindi conoscenze specialistiche, detenute da un gruppo ristretto, e conoscenze quotidiane, detenute da un gruppo molto più ampio. In entrambi i casi, chi possiede queste conoscenze può essere o meno un dipendente. Per esempio, si possono delegare frammenti di conoscenza specialistica a un fornitore di software aziendale e frammenti di conoscenza quotidiana a un’impresa esterna di riparazioni.

Da un secolo, le imprese lavorano per sostituire il sapere pratico quotidiano con regole codificate. Le conoscenze quotidiane contano ancora — ciò che non sapete può danneggiarvi —, ma la loro informalità crea attriti per le grandi imprese. Queste cercano di rendere i propri processi quanto più replicabili possibile, per ridurre la varianza accidentale di qualità, costi o ritardi nel flusso di beni fisici. Da questo punto di vista, le conoscenze quotidiane ostacolano la standardizzazione dei processi.

L’ascesa del software aziendale negli ultimi cinque decenni ha amplificato questa tendenza: il software incorpora conoscenze specialistiche e accelera il cambiamento. Meccanizza l’applicazione della conoscenza, producendo notevoli guadagni di produttività quando viene introdotto con successo. È però costoso da mettere in opera e ancora più costoso da mantenere, soprattutto in contesti aziendali complessi. Codificare un processo offre due vantaggi: una replicazione più semplice e un controllo più rigoroso tramite software.

In una supply chain moderna, il codice sorgente che implementa le ricette numeriche dell’impresa, insieme ai materiali di supporto — test, notebook, configurazione, documentazione —, è il suo patrimonio più prezioso di conoscenze specialistiche. A differenza di presentazioni e tradizioni orali, questo patrimonio è operativo: trasforma l’informazione in decisioni senza attendere una riunione. Soprattutto, questo corpus di codice non è una biblioteca statica di formule; è un corpus vivo che va curato, versionato e continuamente messo alla prova alla luce dei riscontri su profitti e perdite.

Poiché il corpus di codice è informazione, può a sua volta essere analizzato dal software. Analisi statica, sistemi di tipi, linter, profiler, test formali e ambienti di simulazione rendono la conoscenza ispezionabile e migliorabile alla velocità delle macchine. Viceversa, poiché questa conoscenza è inseparabile dalle menti che la fanno evolvere, gli ingegneri che mantengono ed estendono il codice fanno parte del patrimonio: senza cura, il codice si deteriora, la semantica deriva e l’impresa torna silenziosamente alle credenze tramandate.

Questa osservazione chiude il cerchio. I dati sono simboli. L’informazione è il loro potere di ridurre l’incertezza. La conoscenza è la struttura causale, sempre più incorporata nel codice, che converte sistematicamente quell’incertezza ridotta in migliori allocazioni di risorse scarse. Per la supply chain, «possedere la conoscenza» significa possedere e far funzionare il codice che la incorpora.

5.2 Classi di software aziendale

La maggior parte delle informazioni di cui una supply chain moderna ha bisogno risiede nel software aziendale. Queste applicazioni svolgono però ruoli epistemici distinti. Le pagine precedenti hanno separato dati, informazione e conoscenza; questa sezione riprende la tripartizione nel software. Ciò che l’impresa registra (dati), rappresenta nei report (informazione) e decide (conoscenza resa operativa) risiede in tre classi distinte di sistemi. Confonderle — chiedere ai registri di pensare o ai cruscotti di fungere da fonti di verità — è uno degli errori più costosi che le imprese commettono.

Dagli anni 1970, tre classi dominano gli stack aziendali: sistemi di registrazione, sistemi di reporting e sistemi di intelligenza. Esistono decine di strumenti specializzati (per esempio il CAD per l’ingegneria e la virtualizzazione per l’IT), ma in termini di budget e rilevanza per la supply chain sono ben poca cosa rispetto a queste tre classi. Quanto segue definisce con precisione ciascuna classe, spiega perché le rispettive responsabilità debbano restare separate e mostra come mescolarle comprometta prestazioni e attribuzione delle responsabilità.

Le sue virtù principali sono affidabilità, tracciabilità e coerenza. L’«intelligenza» non è né richiesta né desiderata. Un sistema di registrazione digitalizza e snellisce attività altrimenti svolte con carta e penna. Quasi tutti i sistemi transazionali — ERP, CRM, WMS, PLM, MRP — appartengono a questa classe. Sul piano architetturale, sono incentrati sul CRUD (creazione, lettura, aggiornamento, eliminazione) e poggiano su un database relazionale. Il controllo della concorrenza, la verificabilità e la consistenza forte dominano la progettazione. Analisi e ottimizzazioni pesanti non hanno posto qui: sottraggono risorse condivise, peggiorano l’esperienza utente e confondono l’attribuzione delle responsabilità che i registri devono preservare.

Non aggiunge informazione; si limita a riorganizzare ciò che esiste. I sistemi di reporting automatizzano quanto impiegati e analisti svolgevano un tempo a mano: totali, medie, tabelle pivot, cruscotti. Si collocano sopra i sistemi di registrazione e sono intrinsecamente descrittivi. Per la pratica moderna della supply chain, la loro utilità è limitata: restano utili per la conformità, le indagini a posteriori e la supervisione della direzione, ma non come input dei motori di ottimizzazione. Basare il processo decisionale su uno strato di reporting introduce perdita di informazione, deriva semantica e ulteriori distorsioni senza alcun beneficio economico.

Lo fa attraverso un’API circoscritta ed espone log abbastanza precisi da poter essere messi alla prova alla luce dei profitti e delle perdite risultanti. Gestisce pochissimi dati anagrafici e un’interfaccia utente molto ridotta. Un sistema di intelligenza sostituisce i passaggi manuali, svolti tramite fogli di calcolo, che di norma si collocano fra report ed esecuzione. Utilizza dati di riferimento, calcola le opzioni, le seleziona su basi economiche e registra ordini, allocazioni, prezzi o programmi nel registro. La sua cultura ingegneristica, il suo profilo di esecuzione e il suo modello di attribuzione delle responsabilità differiscono radicalmente da quelli dei sistemi di registrazione e di reporting. Questa classe sarà esaminata più a fondo nel capitolo Decisioni.

All’interno di un’impresa, vengono prima i sistemi di registrazione, poi quelli di reporting e infine quelli di intelligenza. I sistemi di reporting e di intelligenza sono destinati a sovrapporsi ai sistemi di registrazione, eventualmente con l’ausilio di data lake o data warehouse. Spesso le imprese sbagliano mescolando le classi, aspettandosi che un singolo prodotto generi valore oltre i propri confini naturali; questi tentativi falliscono invariabilmente. I sistemi di registrazione sono pessimi sistemi di intelligenza, e viceversa.

Il secondo errore consiste nel tentare di far funzionare un sistema di intelligenza sopra un sistema di reporting. Un sistema di reporting è una fonte secondaria di informazione. I dati originali vengono invariabilmente modificati per renderli più adatti al reporting. Queste trasformazioni non causano soltanto perdita di informazione, ma introducono anche complicazioni e distorsioni. Pur essendo giustificate nel contesto del sistema di reporting, fanno sì che i dati non rispecchino più fedelmente ciò che è realmente accaduto.

Per esempio, le vendite settimanali riportate dalla business intelligence possono essere al netto dei resi. Per gli articoli restituiti spesso, questi valori possono sottostimare le scorte necessarie a mantenere un determinato livello di servizio.

L’idea di far funzionare un sistema di intelligenza sopra un sistema di reporting è allettante perché, agli occhi umani, i dati presentati dal sistema di reporting appaiono più chiari e meglio organizzati rispetto agli originali nel sistema di registrazione. Si ha quindi l’impressione che ciò possa aiutare il sistema di intelligenza. Eppure è falso. La prospettiva dell’informazione spiega perché: il sistema di reporting non soltanto contiene meno informazione, ma aggiunge anche un proprio strato di complicazioni.

Comprendere chiaramente queste tre classi di software è essenziale perché la pratica moderna della supply chain possa mettere radici in un’impresa.

5.2.1 Il posto del software

La supply chain è ormai vincolata dal software: ciò che l’impresa può osservare, ricordare e, in ultima analisi, decidere è limitato meno dai carrelli elevatori e dalle baie di carico che dagli schemi dei dati, dalle API e dagli ambienti di esecuzione. Collocare male il software nell’architettura complessiva non è una questione di pedanteria informatica; è un errore economico che impone un costo silenzioso a ogni decisione dell’impresa. Se si chiede al sistema sbagliato di pensare, oppure si priva quello giusto dei dati necessari, l’opzionalità si restringe, la variabilità colpisce più duramente e il capitale circolante resta intrappolato per ragioni che non compaiono mai nel conto economico.

Le pagine precedenti hanno separato dati, informazione e conoscenza, associandoli a tre classi di software: sistemi di registrazione, sistemi di reporting e sistemi di intelligenza. Questa sezione chiarisce perché tale separazione debba essere applicata nella pratica, non soltanto riconosciuta nelle slide. Prima di esaminare come la maggior parte degli autori affronti male la questione, dobbiamo esplicitare la posta in gioco: l’autorità sui fatti (registrazione), sul loro racconto (reporting) e sulle leve che muovono effettivamente denaro e atomi (intelligenza). Confondere questi ruoli rende indistinte le responsabilità, gonfia i costi attraverso la contesa delle risorse e garantisce che si darà la colpa ai «dati scadenti» per quello che, in realtà, è un errore di progettazione.

Tenendo presente questo quadro, possiamo esaminare come il discorso sulla supply chain travisi abitualmente il software: ora come un dettaglio irrilevante che fornisce magicamente qualsiasi numero richiesto da una formula, ora come un elegante organigramma di moduli intercambiabili che, a quanto si pretende, sommati costituirebbero le «migliori pratiche».

Gli autori che scrivono di supply chain rientrano di norma in due schieramenti. Quelli di impostazione accademica trattano il software aziendale come un’astrazione, assumendo che valori come vendite o livelli di scorte siano semplicemente «lì». Di rado si discute da dove provengano i numeri; procurarseli viene trattato con la stessa disinvoltura con cui un imprenditore edile sceglie una marca di pale. Per ampliare il proprio raggio d’azione, questi autori offrono un menu di modelli — alcuni basati su input come le registrazioni delle rotture di stock, altri che ne fanno a meno — lasciando alle imprese la scelta di quello che si adatta ai dati effettivamente disponibili.

Gli autori delle società di consulenza si affidano alle parole d’ordine del momento, sfoggiando diagrammi elaborati e matrici di maturità che trattano i moduli software come pezzi di un puzzle. Prescrivono «percorsi di adozione» per fasi, ma raramente tali fasi ricevono qualcosa di più della patina di una presentazione. Le frasi a effetto per i dirigenti abbondano; la sostanza tecnica concreta scarseggia.

Entrambe le prospettive sono inadeguate a una trattazione rigorosa della supply chain. Considerare i «dati di vendita» o i «dati sulle scorte» come qualcosa di ovvio tradisce ignoranza della realtà del software aziendale; descrivere strumenti senza i meccanismi o i mercati sottostanti non è meglio. Troppo spesso il risultato è poco più di un discorso commerciale in veste accademica.

Il software è una scienza ausiliaria indispensabile della supply chain, e la sua padronanza non può essere scaricata sugli specialisti, così come un medico moderno non può delegare ad altri la chimica. Per gestire bene la propria supply chain, un’impresa deve comprendere il proprio panorama software.

5.3 Sistemi di registrazione

I sistemi di registrazione sono i registri di un’impresa: incorporano i flussi di lavoro operativi, acquisiscono ogni transazione e cambiamento di stato e, per costruzione, diventano la memoria di riferimento dei beni in movimento. Nelle supply chain moderne, sono gli unici custodi dell’informazione capaci di operare su vasta scala: ciò che l’impresa può osservare e ricordare risiede lì, non nella testa delle persone.

Questa sezione tratta i sistemi di registrazione per quello che sono: indispensabili, ma limitati sul piano epistemico e tecnico. Sono progettati per l’affidabilità, la tracciabilità e il controllo della concorrenza. Non sono costruiti per produrre report, tanto meno per decidere. Confonderli con i sistemi di reporting o di intelligenza è uno degli errori aziendali più comuni e più costosi.

Procederemo in cinque passi. Primo, ricorderemo il percorso storico che ha prodotto gli attuali ERP, CRM, WMS e sistemi affini. Secondo, analizzeremo la loro progettazione CRUD e la conseguente trasformazione in prodotti indifferenziati. Terzo, esamineremo la traiettoria tecnologica che fa ingrossare nel tempo ogni sistema di registrazione, creando sovrapposizioni funzionali e incubi di sincronizzazione. Quarto, esporremo i limiti funzionali invalicabili che impediscono di inserire analisi o ottimizzazioni pesanti all’interno del registro. Quinto, concluderemo con il dilemma del fornitore: l’incentivo strutturale a commercializzare i registri come piattaforme «intelligenti» nonostante i loro limiti intrinseci.

Con questo quadro in mente, il resto della sezione può essere letto come una guida pratica: come sfruttare senza riguardi i sistemi di registrazione per ciò che sanno fare bene e come tenerli lontani dal posto di comando delle decisioni, che non sono mai stati progettati per occupare.

5.3.1 L’origine del software aziendale

I sistemi di registrazione comparvero alla fine degli anni 1970 e si diffusero rapidamente negli anni 1980 e 1990. Il loro ruolo era convertire il lavoro amministrativo ricco di documenti cartacei — soprattutto contabilità e tenuta dei registri delle scorte — in flussi di lavoro elettronici. Registrando ogni transazione e movimento di scorte, eliminarono intere classi di errori amministrativi e, con l’arrivo dei lettori di codici a barre, aumentarono la produttività. Alla fine degli anni 1990, la maggior parte delle grandi imprese aveva installato diversi sistemi di questo tipo per automatizzare le attività ordinarie di back office.

Il calo dei costi dell’hardware sostenne questa ascesa. Nel periodo 1970–2000, la legge di Moore tenne: il numero dei transistor raddoppiava circa ogni due anni mentre i prezzi variavano appena. Memoria, archiviazione, larghezza di banda e I/O seguirono curve simili, cosicché alla fine degli anni 1990 archiviare digitalmente le transazioni costava ordini di grandezza meno delle alternative cartacee.

Fra la moltitudine di prodotti per la tenuta dei registri, due etichette finirono per dominare: ERP (enterprise resource planning) e CRM (customer relationship management). Tolto il marketing, sono entrambi lo stesso animale: un registro CRUD avvolto in flussi di lavoro. L’unica vera differenza è il punto di partenza: l’ERP è organizzato attorno al prodotto (e alle sue distinte base, ai cicli di lavorazione, alle scorte), il CRM attorno al cliente (e alle opportunità commerciali in corso). Una volta conquistato un primo presidio, i fornitori di entrambe le famiglie crescono allo stesso modo: aggiungono entità adiacenti, raggruppano sempre più moduli e acquisiscono concorrenti di nicchia. Alla fine degli anni 1990, la maggior parte degli ERP e dei CRM si era gonfiata fino a diventare monoliti tentacolari, preparando il terreno ai problemi tecnici discussi di seguito.

Una causa di fondo era tecnica: le reti a commutazione di pacchetto furono concepite negli anni 1960, ma i veri sistemi aziendali distribuiti rimasero una nicchia fino alla fine degli anni 1990. Le imprese utilizzavano quindi mainframe centralizzati, e l’integrazione fra fornitori era rovinosa o impossibile. Ampliare il sistema esistente costava meno che collegarne uno nuovo.

Costruire e gestire basi di codice sempre più grandi è però costoso. Negli anni 2000, strumenti di integrazione ormai comuni — ETL open source e API web — resero meno costoso collegare i sistemi, così le applicazioni specializzate nella tenuta dei registri riemersero e riconquistarono attività sottraendole ai monoliti.

Eppure i vecchi monoliti non si ridussero mai, e presto anche i nuovi strumenti di nicchia si gonfiarono: ogni sistema di registrazione continua a crescere secondo le stesse direttrici. Da qui la zuppa di sigle WMS, OMS, PIM, PLM, SRM e innumerevoli sistemi affini: punti di partenza diversi, architetture e percorsi di crescita molto simili.

Nel lavoro di supply chain, il monolite ERP è di solito la principale fonte di dati perché contiene i registri degli acquisti e delle vendite. L’etichetta Enterprise Resource Planning è un artificio del marketing: un ERP non pianifica nel senso economico di scegliere fra opzioni in condizioni di incertezza; esegue e registra i flussi di lavoro relativi alle risorse (ordini, scorte, fatture) e, nel migliore dei casi, mette in sequenza passaggi amministrativi (approvazioni, esplosioni MRP calendarizzate, cambiamenti di stato) secondo parametri inseriti dall’utente.⁴¹ Chiamare tutto questo «pianificazione» confonde la tenuta dei registri con il processo decisionale e alimenta il mito ricorrente secondo cui un sistema di registrazione potrebbe fungere anche da sistema di intelligenza.

5.3.2 La progettazione CRUD

Quasi tutti i sistemi di registrazione attuali seguono il modello CRUD (creazione, lettura, aggiornamento, eliminazione), nato con i database relazionali alla fine degli anni 1970⁴². I front-end sono passati dagli schermi verdi a eleganti applicazioni web, ma i principi del back-end sono rimasti pressoché immutati. Gli strumenti di sviluppo, invece, sono progrediti tanto che, dalla metà degli anni 2000, i sistemi di registrazione sono poco più che prodotti indifferenziati.

In pratica, «il database» indica un motore relazionale (SQL): un insieme di tabelle, ciascuna con colonne tipizzate (numeri, testo, date, …) e righe di dati. Esistono altre architetture, ma nel software aziendale hanno un peso molto minore. I database relazionali collegano le tabelle mediante coppie di chiavi primarie ed esterne. Una riga di Orders, per esempio, può contenere un ProductID che punta al ProductID corrispondente in Products; il motore vieta un ordine che faccia riferimento a un prodotto inesistente.

I dialetti dei fornitori differiscono, ma il nucleo di SQL‑92 (pubblicato nel 1992) funziona ovunque, e la maggior parte delle applicazioni CRUD raramente richiede altro, nonostante le estensioni successive, più sofisticate. I dettagli di SQL esulano da questa trattazione; tuttavia, una conoscenza di base di SQL dovrebbe essere considerata parte delle conoscenze fondamentali necessarie a un moderno professionista della supply chain.

La progettazione CRUD inizia dalla definizione delle entità: gruppi di tabelle che rispecchiano i concetti aziendali gestiti dall’applicazione. Questi concetti possono essere prodotti, clienti, scorte, fornitori, contratti, dipendenti, pagamenti e così via. Inoltre, la maggior parte dei concetti aziendali non trova posto in una sola tabella. Per esempio, un ordine cliente può richiedere una tabella Orders, con una transazione per riga, e un’altra tabella OrderDetails che elenca tutti gli articoli inclusi in ciascun ordine.

Ogni entità riceve schermate attraverso cui gli utenti creano, leggono, aggiornano o eliminano le relative registrazioni, seguendo il paradigma sottostante del database. Queste schermate sono spesso accompagnate da frammenti di logica aziendale che automatizzano le modifiche al database — conseguenze meccaniche di ciò che l’utente inserisce — e seguono generalmente un qualche flusso di lavoro.

La complessità di un’applicazione CRUD cresce quasi sempre in modo progressivo: compaiono nuove entità, quelle esistenti si ampliano. Proliferano nuove schermate, quelle vecchie accumulano opzioni. I flussi di lavoro diventano più espressivi aggiungendo opzioni che affinano l’automazione successiva all’inserimento dei dati. In teoria, la complessità potrebbe diminuire; nella pratica, gli incentivi circostanti lo impediscono. Torneremo su questo punto fra poco.

Le applicazioni CRUD sono, come suggerisce il nome, rudimentali. Tralasciando lo strato fondamentale in sé (database compreso), non c’è nulla di lontanamente «intelligente» nella progettazione o nell’esecuzione di un’applicazione CRUD. I principi software su cui si fondano le regole e i comportamenti implementati in un CRUD sono, in sostanza, accessibili a chiunque abbia terminato le scuole medie. Si riducono a operazioni aritmetiche intervallate da istruzioni IF-THEN, e poco altro. Naturalmente, l’attività aziendale stessa può essere intricata, con regole e comportamenti ben al di là della comprensione di uno studente delle medie. In questi casi, il paradigma CRUD offre soltanto una laboriosa scomposizione in passaggi di elaborazione elementari.

La semplicità del CRUD ne ha fatto per decenni il modello predefinito delle applicazioni aziendali, e dalla metà degli anni 2010 gli stack open source lo hanno trasformato in un prodotto indifferenziato. Questi strumenti rendono gli ingegneri del software molto più produttivi nello sviluppo di applicazioni CRUD che nello sviluppo di quasi ogni altro tipo di software. In particolare, le applicazioni CRUD sono l’esempio prediletto nella maggior parte delle dimostrazioni degli ambienti di programmazione. Inoltre, sebbene assumere ingegneri del software resti notoriamente difficile, lo sviluppo CRUD è ampiamente accessibile agli sviluppatori junior (e ai senior mediocri) e rappresenta, di gran lunga, il tipo di software più facile da costruire.

Molte imprese pagano ancora troppo i sistemi di registrazione CRUD, sottovalutando quanto profondamente gli strumenti open source li abbiano resi prodotti indifferenziati. I fornitori sfruttano questo ritardo per mantenere alti i prezzi. Per quanto utile e critico per l’attività possa essere un sistema di registrazione, oggi questo tipo di prodotto può essere sviluppato rapidamente e a basso costo. Eppure, per abitudini radicate, molte imprese continuano a pagare ai fornitori software canoni annui superiori a quanto costerebbe sviluppare nuovamente tali sistemi al proprio interno. Naturalmente, i fornitori traggono beneficio da questa confusione e sono diventati maestri nel rimandare l’inevitabile: abbassare i prezzi dei registri che vendono. Questa situazione deriva anche dalla traiettoria tecnologica dei sistemi di registrazione.

5.3.3 Traiettoria tecnologica

I sistemi di registrazione, a differenza dei fogli di calcolo che hanno sostituito, sono rigidi e meno espressivi. Oggi, persino un sistema di registrazione estremamente capace copre soltanto una frazione di ciò che consente un insieme informale di fogli di calcolo. Con fogli di calcolo non vincolati fra loro, i dipendenti possono sempre discostarsi dai processi formalizzati, purché i colleghi siano d’accordo. Si possono saltare passaggi o requisiti, fare eccezioni a qualsiasi regola o, al contrario, respingere con un giudizio arbitrario una richiesta che regole «cieche» riterrebbero accettabile. Naturalmente, questa libertà costa in affidabilità e produttività, poiché i fogli di calcolo si prestano male a un’automazione sostanziale.

Di norma, i fornitori lanciano un sistema di registrazione con un piccolo insieme di entità e le schermate e i flussi di lavoro necessari a gestirle. Le risorse tecnologiche di un fornitore emergente sono limitate, e non ha senso sviluppare ulteriormente il prodotto se lo si può vendere così com’è nonostante i suoi limiti. Inoltre, sviluppare un’applicazione aziendale senza riscontri dettagliati è futile prima che i clienti l’abbiano integrata nei propri processi. Pertanto, se il nucleo iniziale può poggiare su una visione a priori del mercato, le estensioni vengono quasi invariabilmente costruite in stretta collaborazione con pochi clienti.

I mercati aziendali non hanno la profondità dei mercati di consumo. Di conseguenza, una volta venduto un prodotto a un cliente aziendale, il fornitore sfrutta naturalmente tale posizione per vendere ancora allo stesso cliente: l’upselling⁴³. Vendere moduli aggiuntivi a un cliente esistente costa molto meno che conquistarne uno nuovo, poiché quest’ultima operazione comporta il superamento di tutti gli ostacoli aziendali legati a una nuova voce di spesa, come partecipare a una gara contro i concorrenti.

I sistemi di registrazione offrono sempre un’altra entità da aggiungere — o arricchire — affinché il fornitore possa giustificare la vendita successiva. Qualunque sia la copertura funzionale del prodotto, ci sono sempre altri concetti aziendali e varianti dei flussi di lavoro da aggiungere. Nulla nella tecnologia dei sistemi di registrazione impone un’esigenza di coerenza che ne contenga la crescita. Per esempio, un sistema di gestione delle scorte può essere ampliato per gestire i clienti; viceversa, un sistema di gestione delle relazioni con i clienti può essere ampliato per gestire le scorte. Di fatto, la maggior parte dei grandi fornitori di ERP offre funzionalità CRM; viceversa, la maggior parte dei grandi fornitori di CRM offre funzionalità ERP. Si tratta di aggiungere altre tabelle, altre schermate e altra logica aziendale, ad infinitum. Tralasciando le personalizzazioni su misura per ciascun cliente, il sistema di registrazione diventa la somma delle particolarità dell’intera clientela.

Ogni sistema di registrazione mantenuto commercialmente continua a crescere finché il fornitore non fallisce o non ritira del tutto la linea di prodotto. Poiché il costo ingegneristico è una funzione superlineare del numero di entità — cioè implementare il doppio delle entità fa più che raddoppiare i costi — il tasso di crescita del prodotto, in termini di funzionalità e capacità, tende a rallentare nel tempo, anche se il fornitore continua ad aumentare il personale tecnico con l’espansione dell’impresa. Eppure, nonostante questi costi superlineari frenino una crescita della complessità altrimenti illimitata, molti sistemi di registrazione finiscono per diventare mastodonti di funzionalità dopo due decenni di sviluppo continuo. Numerosi sistemi di registrazione diffusi, compresi quelli destinati alle imprese più piccole, vantano oltre 10.000 tabelle, perlopiù con decine di campi.

La traiettoria di crescita incessante della complessità è di fatto irresistibile per i fornitori che vendono sistemi di registrazione. Eliminare le entità usate di rado non offre semplicemente alcun vantaggio: inimica le poche imprese clienti che le utilizzano, per quanto esiguo possa esserne il numero, lasciando indifferenti tutte le altre. Purtroppo, questo percorso conduce a un prevedibile imbastardimento del prodotto. Infatti, se collaborare con i clienti è un ingrediente essenziale dello sviluppo di software aziendale, alcuni clienti avanzano richieste sbagliate. Altri riflettono nicchie ristrette che non giustificavano funzionalità su misura. Altri ancora impongono terminologie o concetti incoerenti con quelli adottati dal fornitore. Di conseguenza, nel tempo ogni sistema di registrazione sviluppato attivamente diventa una costruzione lovecraftiana che mette a repentaglio la sanità mentale di chi la contempla troppo a lungo.

In A Deepness in the Sky (1999), lo scrittore statunitense di fantascienza Vernor Vinge offre un ritratto inquietantemente accurato delle iniziative software di lunga durata:

Qui c’erano programmi scritti cinquemila anni prima, quando l’umanità non aveva ancora lasciato la Terra. La meraviglia — l’orrore, diceva Sura — era che, a differenza degli inutili relitti del passato di Canberra, questi programmi funzionavano ancora! E attraverso un milione di tortuosi fili di eredità, molti dei programmi più antichi giravano ancora nelle viscere del sistema Qeng Ho. Prendiamo il metodo con cui i Mercanti misuravano il tempo. Le correzioni dei sistemi di riferimento erano incredibilmente complesse, e proprio in fondo a tutto c’era un piccolo programma che faceva girare un contatore. Secondo dopo secondo, i Qeng Ho contavano dall’istante in cui un essere umano aveva messo per la prima volta piede sulla luna della Vecchia Terra. Ma, guardando ancora più da vicino… l’istante iniziale era in realtà circa cento milioni di secondi più tardi, il secondo 0 di uno dei primi sistemi operativi informatici dell’umanità.

Così, dietro tutte le interfacce di livello più alto, c’erano strati su strati di supporto. Parte di quel software era stata progettata per situazioni radicalmente diverse. Ogni tanto, le incoerenze causavano incidenti mortali. Nonostante il fascino del volo spaziale, gli incidenti più comuni erano semplicemente provocati da programmi antichi, usati male, che finalmente si prendevano la rivincita.

«Dovremmo riscrivere tutto», disse Pham.

«Ci hanno provato», lo corresse Bret, appena tornato dai congelatori. «Ma persino i livelli più alti del codice del sistema della flotta sono enormi. Tu e un migliaio di tuoi amici dovreste lavorare per un secolo o giù di lì per riprodurli.» Trinli sogghignò malignamente. «E sai una cosa? Anche se lo faceste, quando aveste finito vi ritrovereste con le vostre incoerenze. E non sareste comunque coerenti con tutte le applicazioni che potrebbero servire di tanto in tanto.»

Eppure questa spirale di accumulo non è una legge ferrea per l’acquirente. Diverse grandi organizzazioni hanno mantenuto snelli i propri registri spostando i flussi di lavoro accessori in componenti laterali separabili: piccoli servizi o plug-in che si interfacciano con il nucleo attraverso un confine di API. Poiché i plug-in appartengono al cliente, che ne gestisce le versioni e, soprattutto, li elimina a piacimento, le incrostazioni si accumulano ai margini, dove possono essere rimosse senza toccare l’archivio dati di riferimento.

Una leva più radicale è la dismissione graduale delle funzionalità. Contrariamente alla saggezza popolare secondo cui «nessuno riscrive un ERP», molte imprese lo fanno, ma non con un unico sforzo eroico. Il modello collaudato è lo strangler: collocare una sottile facciata davanti al monolite, instradare una singola funzionalità autonoma (motore di pricing, autorizzazione dei resi, modulo fiscale…) verso un servizio costruito da zero, congelare le tabelle corrispondenti e poi eliminarle fisicamente dopo un periodo di dismissione. Ripetendo l’operazione ogni trimestre, l’impossibile big bang diventa una sequenza di interventi chirurgici gestibili.

Queste tattiche non eliminano l’incentivo del fornitore a vendere altri pacchetti di espansione; si limitano a restituire capacità d’azione al cliente. Nulla obbliga un’impresa a installare il prossimo componente aggiuntivo scintillante quando il costo di mantenimento della complessità supera quello di una sostituzione snella. Nella pratica, il costo totale di possesso più basso nel lungo periodo si ottiene trattando il registro centrale come terreno sacro e tutto il resto come codice eliminabile. La crescita della complessità è la condizione predefinita, non il destino, purché l’organizzazione coltivi la disciplina di continuare a potare il proprio giardino.

5.3.4 Sovrapposizioni funzionali

I dati anagrafici⁴⁴ sono la prima vittima delle sovrapposizioni funzionali. Non appena coesistono due sistemi di registrazione, non si può dare per scontata alcuna corrispondenza 1 a 1 fra le entità. Attributi che sembrano identici («peso del prodotto», «data dell’ordine», «codice del fornitore») divergono abitualmente per significato, unità, collocazione temporale e governance. Ciò che l’ERP chiama product_family può corrispondere solo approssimativamente a ciò che il PIM memorizza come category; lead_time nell’MRP può essere una promessa di approvvigionamento, mentre il WMS registra una media empirica. Il cosiddetto «golden record» è una finzione manageriale: in realtà, ogni sistema fa da riferimento per alcuni attributi, in alcuni momenti, per alcuni casi d’uso.

Questa frammentazione non è un semplice fastidio amministrativo; è il principale fattore di deriva semantica (si veda la sezione Semantica dei dati). Quando registri sovrapposti non condividono schemi isomorfi, l’informazione relativa a un singolo fatto aziendale si disperde fra tabelle, sistemi e gruppi di lavoro, senza una regola canonica di riconciliazione. I programmi di gestione dei dati anagrafici (MDM) tentano di mascherare questa realtà con nodi centrali e regole di selezione dei valori da conservare, ma, in assenza di un’autorità chiara per ciascun attributo e di un sistema decisionale verificabile, aggiungono soltanto un altro sistema sovrapposto e un altro strato di sincronizzazione da mantenere.

Le sovrapposizioni funzionali fra sistemi di registrazione di terze parti sono la conseguenza diretta della loro traiettoria tecnologica e colpiscono soprattutto i dati anagrafici. Infatti, poiché i fornitori di software continuano a spingere i rispettivi confini funzionali, le collisioni sono inevitabili; soltanto il momento in cui avverranno resta incerto. Inoltre, i fornitori più grandi vi sono particolarmente esposti, essendo cresciuti ampliando continuamente la propria copertura funzionale. Questo problema è specifico dei sistemi di terze parti; anche un modesto coordinamento interno evita di norma che simili sovrapposizioni si presentino negli sviluppi interni.

Nella pratica, i sistemi sovrapposti richiedono processi di sincronizzazione dei dati. La sincronizzazione dei dati anagrafici è particolarmente perniciosa: gli schemi sono raramente isomorfi, gli attributi hanno semantiche diverse e l’autorità per ciascun attributo — quale sistema sia master per cosa e quando — viene raramente esplicitata. Queste sincronizzazioni sono invariabilmente progetti software ad hoc. Il mercato del software aziendale è infatti troppo frammentato per giustificare lo sviluppo di strumenti di sincronizzazione plug-and-play.

Una sincronizzazione bidirezionale fra sistemi di registrazione — in cui si possono apportare modifiche su entrambi i sistemi e ogni modifica in uno deve essere propagata all’altro — richiede di norma uno sforzo almeno di un ordine di grandezza superiore a quello delle integrazioni unidirezionali, in cui un sistema è considerato «master» e l’altro «slave». Una sincronizzazione bidirezionale dei dati deve gestire le modifiche in conflitto e la loro risoluzione, operazione molto più insidiosa del semplice copiare tutte le modifiche dal master allo slave sovrascrivendone i dati. Per i dati anagrafici, sui quali più reparti modificano continuamente sottoinsiemi diversi di attributi, questo terreno di conflitto è la regola, non l’eccezione. Nonostante esistano algoritmi estremamente ingegnosi dedicati al caso, una sincronizzazione dei dati a N vie, con N maggiore di 2, dovrebbe generalmente essere considerata un abominio.

Anche quando l’IT identifica con cura quale sistema faccia da master per ogni ambito, la maggior parte dei grandi sistemi finisce per essere sia master sia slave, a seconda dell’ambito (per esempio, l’ERP può fare da riferimento per il prezzo e il PIM per il contenuto descrittivo dello stesso SKU). Per esempio, il CRM può essere master per i «clienti» e tuttavia slave dell’ERP per i «fornitori».

Queste sovrapposizioni costituiscono un ostacolo enorme e permanente, che le imprese sottovalutano sistematicamente. In particolare, quando si tratta di scegliere il prossimo fornitore software, le imprese spesso premiano elenchi impressionanti di funzionalità, come mostra il tipico processo RFQ (Request For Quotation), che spesso comprende centinaia di requisiti. Di conseguenza, tendono a scegliere grandi fornitori con prodotti inutilmente complessi, seguendo l’intuizione di buon senso qui peut le plus, peut le moins (chi può fare di più può fare di meno). Eppure questa intuizione sbagliata conduce invariabilmente le imprese a scegliere fornitori con vaste sovrapposizioni funzionali. Tali sovrapposizioni si rivelano estremamente costose.

Queste sovrapposizioni non sono soltanto una tassa informatica; corrompono direttamente il significato. Torneremo su questo punto nella sezione Semantica dei dati, dove mostreremo come semantiche sfuggenti, dipendenti dalla singola riga, facciano silenziosamente deragliare gli sforzi di ottimizzazione.

Primo, per il reparto IT, risolvere i problemi di sincronizzazione è un’attività fortemente superlineare: lo sforzo cresce molto più rapidamente del numero di entità. Ben presto, la mappa della metropolitana di Tokyo appare più semplice del grafo di sincronizzazione che l’IT deve mantenere. È ormai comune vedere reparti IT arrivare di fatto al fallimento: non riescono più a tenere il passo con la manutenzione del grafo di sincronizzazione, in mezzo al flusso interminabile di aggiornamenti dei propri sistemi di registrazione di terze parti.

Secondo, per i dipendenti che inseriscono i dati, queste sovrapposizioni creano una fonte continua di confusione, poiché le stesse entità possono essere visualizzate e modificate in più punti. I fornitori software non hanno alcun incentivo a facilitare l’«asservimento» di parti dei propri prodotti a quelli dei concorrenti per attenuare tale confusione. Dal loro punto di vista, persino una funzionalità inutilizzata mantiene un piede nella porta in vista della prossima vendita aggiuntiva. Inoltre, l’idea che l’impresa debba pagare per far rimuovere funzionalità da un sistema va semplicemente contro l’intero paradigma che governa il mercato del software aziendale.

Terzo, tutti i tentativi di sfruttare i dati, nell’ambito di un sistema di reporting o di intelligenza, si scontrano con una sala degli specchi: la stessa informazione compare in più punti. I dati secondari, generati dai processi di sincronizzazione, non dovrebbero però essere usati a questi fini. Possono essere obsoleti, degradati o sottilmente alterati, causando il caos nei processi a valle. Per ogni informazione, occorre quindi assicurarsi di leggere la registrazione master canonica.

Benché la storia del software aziendale sia breve, lo sviluppo interno di sistemi di registrazione, nonostante i loro difetti, è l’unica via praticabile per evitare i costi incessanti indotti dalle sovrapposizioni funzionali fra sistemi di registrazione di terze parti. Fortunatamente, come osservato sopra, lo sviluppo di questi sistemi è ormai, a tutti gli effetti pratici, una commodity.

5.3.5 Limiti funzionali

Sebbene i sistemi di registrazione apportino valore alle imprese che li utilizzano, ciò che possono offrire è strettamente limitato. I sistemi di registrazione sono, nel migliore dei casi, registri migliorati. In particolare, non sono sistemi di reporting né sistemi di intelligenza efficaci; questi obiettivi sono tecnologicamente antagonisti alle funzioni fondamentali che devono svolgere.

Gran parte del valore di un sistema di registrazione deriva dal suo database, il suo nucleo transazionale. L’architettura del sistema è fondamentalmente centralizzata: proprio ciò che l’impresa desidera. Per esempio, se il sistema contiene il livello di scorte di un determinato SKU, ogni utente o agente che lo interroga deve vedere lo stesso valore. Inoltre, se qualcuno richiede 1 unità, quell’unità non deve essere assegnata a una richiesta concorrente. Mantenere l’integrità delle scorte elettroniche richiede che il sistema coordini richieste concorrenti e simultanee sullo stesso dato: un’unità in magazzino.

Più in generale, questa classe di problemi è la contesa delle risorse: il conflitto per l’accesso a una risorsa condivisa, come RAM, disco o altro hardware. La contesa delle risorse è notoriamente difficile, poiché spesso si riduce a diminuire la latenza. Eppure i progressi sulla latenza si sono in gran parte arrestati oltre un decennio fa, oltre due per molte difficoltà specifiche. In larga misura, la latenza è ormai limitata dalla velocità stessa della luce. Per esempio, i pacchetti di dati su Internet si propagano a circa due terzi della velocità della luce nel vuoto. Questo lascia poco spazio a ulteriori miglioramenti⁴⁵. Un altro esempio: in circa 0,3 nanosecondi — all’incirca un singolo ciclo di clock della CPU — la luce può percorrere soltanto circa 5 cm fra andata e ritorno.

Esistono tecniche per attenuare la contesa delle risorse nei processi computazionalmente pesanti: partizionamento orizzontale (sharding), separazione di letture e scritture, code asincrone, CQRS⁴⁶/event sourcing, lock distribuiti, modelli saga/di orchestrazione e altro ancora. Ciascuna, però, sacrifica proprio le virtù che un sistema di registrazione deve massimizzare — semplicità, tracciabilità, consistenza forte — in cambio di complessità operativa e semantica: consistenza eventuale da spiegare ai sistemi a valle, percorsi di lettura e scrittura duplicati, elaborate logiche di ritentativo e compensazione, fragili transazioni distribuite, maggiori oneri di osservabilità, evoluzione più lenta degli schemi e verifiche più difficili. In breve, questi modelli possono rendere scalabile un registro, ma il prezzo è l’ambiguità e la fragilità proprio dove l’impresa ha bisogno di una verità autorevole e cristallina. Di conseguenza, tutto ciò che è computazionalmente «pesante» dovrebbe essere espulso dal registro e delegato a un sistema di reporting o di intelligenza.

La contesa delle risorse spiega in gran parte perché le applicazioni aziendali non siano oggi sostanzialmente più reattive che all’inizio degli anni 2000. Modificare un’entità comporta ancora un ritardo percepibile dall’utente, nell’ordine di decine di millisecondi. Ritardi di un secondo o più per operazioni apparentemente basilari restano comuni. Questi ritardi sembrano sorprendenti, dato che, a parità di costo, l’hardware è oggi ordini di grandezza più potente di due decenni fa. Eppure la stagnazione riflette l’assenza di progressi sulla latenza; nemmeno la contesa delle risorse migliora.

All’interno del sistema di registrazione, poiché le risorse sono condivise, ogni operazione deve essere il più leggera possibile. Qualsiasi operazione pesante rischia di privare il sistema delle risorse necessarie, degradando la qualità del servizio per le altre operazioni concorrenti. Per questo i processi decisionali devono essere scrupolosamente evitati all’interno di un sistema di registrazione. Le decisioni richiedono di soppesare numerose opzioni e comportano un carico di calcolo di ordini di grandezza superiore a quello di semplici operazioni aritmetiche o regole logiche.

Consideriamo un ottimizzatore degli approvvigionamenti che richieda 10 secondi di CPU per calcolare la quantità da ordinare di un singolo SKU. In un sistema di intelligenza eseguito offline o su un cluster dedicato, questo costo è trascurabile, e persino 100 secondi per ottenere qualche punto base in più possono essere razionali. All’interno di un sistema di registrazione, invece, lo stesso calcolo è catastrofico: con decine di migliaia di SKU al giorno, 10 secondi per SKU diventano decine di ore di CPU che competono con i carichi transazionali, bloccano le schermate e peggiorano l’esperienza utente. Anche a 1 secondo per SKU, si creerebbero comunque latenze imprevedibili là dove il registro deve garantire tempi di risposta bassi e stabili. L’ottimizzazione pesante deve quindi stare fuori dal registro: il sistema di registrazione dovrebbe memorizzare risultati compatti (per esempio, righe di ordini di acquisto), non eseguire la ricerca combinatoria che li ha prodotti.

In teoria, esistono alternative al CRUD per intercalare operazioni pesanti e leggere. Nella pratica, però, queste alternative minano proprio le ragioni per cui il CRUD è attraente. L’approccio più semplice e pratico consiste nel tenere tutte le operazioni «pesanti» separate dal sistema di registrazione. La statistica descrittiva appartiene ai sistemi di reporting; il processo decisionale appartiene ai sistemi di intelligenza. Mantenendo le tre classi rigorosamente disaccoppiate, la contesa delle risorse viene ampiamente attenuata.

Oltre alla contesa a basso livello c’è un ostacolo più importante: le culture ingegneristiche delle tre classi di software sono fondamentalmente incompatibili. Da lontano ogni classe sembra simile — tutte richiedono di scrivere codice — ma passare dall’una all’altra è come passare dall’imbianchino al pittore d’arte. Entrambi usano la pittura; condividono poco altro. Illustrare nel dettaglio queste sfumature esula dalla nostra trattazione; basti dire che da cinque decenni i fornitori si avventurano oltre la propria classe d’origine, il più delle volte con risultati disastrosi, soprattutto quando gli specialisti dei sistemi di registrazione si espandono nei sistemi di intelligenza. Eppure continuano a provarci, incuranti dei prevedibili fallimenti che ne seguono.

5.3.6 Il dilemma del fornitore

Il valore aggiunto di un sistema di registrazione è fondamentalmente limitato. Una volta che il sistema offre un’ampia copertura e si dimostra affidabile, non si accumulano ulteriori benefici. I fornitori software che vendono sistemi di registrazione sono sempre stati dolorosamente consapevoli di questo limite. Perciò, dalla fine degli anni 1970, quasi ogni fornitore di successo di sistemi di registrazione ha cercato di avventurarsi nei sistemi di intelligenza.

Per capire perché, consideriamo il caso di un contabile. Un contabile eccellente offre pochi benefici tangibili rispetto a uno semplicemente competente. Per questo le imprese non assumono contabili «superstar» con stipendi cento volte superiori: la contabilità apporta soltanto un valore limitato. Il marketing, invece, può aggiungere valore senza limiti. Un genio del marketing può rivitalizzare un marchio in modi apparentemente impossibili, creando fortune per gli azionisti. Di conseguenza, le imprese cercano abitualmente menti creative «superstar» e le pagano profumatamente.

Un sistema di registrazione contribuisce come un contabile. Una volta che il lavoro è svolto correttamente e con diligenza, non resta altro da aspettarsi. Al contrario, il valore aggiunto di un sistema di intelligenza — il motore decisionale — è analogo a quello del talento nel marketing. Ai fini pratici, non esiste un limite superiore alla qualità di una decisione aziendale.

Di conseguenza, la disponibilità a pagare per sistemi di registrazione più nuovi e migliori è limitata. Questa intuizione fondamentale non è nuova ed era già percepita come tale dai fornitori software negli anni 1970. Fino all’inizio degli anni 1990, i fornitori di successo avevano poca capacità ingegneristica residua oltre a quella necessaria per aggiungere funzionalità e tenere il passo con il costante progresso dell’hardware. La situazione cambiò negli anni 1990 e portò molti a riposizionarsi come fornitori di «ERP», con la nuova «P» di planning a segnalare l’intenzione di diventare sistemi di intelligenza. Mosse simili si verificarono nelle altre varianti dei sistemi di registrazione. Eppure, come osservato, questi tentativi sono in gran parte falliti — e continuano a fallire — talvolta in modo spettacolare.

Come effetto collaterale, il marketing dei fornitori confonde spesso i dirigenti. Poiché la distinzione fra sistemi di registrazione, di reporting e di intelligenza resta relativamente sconosciuta al grande pubblico, i fornitori sbandierano invariabilmente la promessa di decisioni migliori. In breve, ogni prodotto software aziendale viene presentato come un sistema di intelligenza. Per esempio, un sistema che si limita a registrare i movimenti di scorte, mentre gli impiegati si occupano del riapprovvigionamento, non dovrebbe promettere meno scorte eccessive o rotture di stock; eppure simili affermazioni sono onnipresenti.

Dal punto di vista dell’acquirente, tre semplici euristiche dissipano la confusione.

Primo, un autentico sistema di intelligenza viene fornito quasi senza schermate di inserimento dati. L’intelligenza utilizza registrazioni di riferimento; non richiede agli utenti di reinserire o «confermare» dati ogni giorno. Ogni modulo di inserimento aggiuntivo è un segnale rivelatore di un registro sotto mentite spoglie e confonde l’attribuzione delle responsabilità: quando i risultati sono scadenti, il fornitore può sempre sostenere che «l’utente ha digitato il numero sbagliato». Un vero sistema di intelligenza risponde delle proprie decisioni dall’inizio alla fine: i suoi input sono i dati registrati dall’impresa; i suoi output — ordini, allocazioni, prezzi, programmi — sono verificabili alla luce di profitti e perdite. Per nessuna delle due parti resta una scappatoia nel lavoro amministrativo quotidiano.

Secondo, il motore non deve pretendere di essere una soluzione autonoma. Al di là del proprio codice, della configurazione e dei log di audit, non conserva alcuno stato aziendale persistente. Eventuali tabelle di lavoro o cache sono eliminabili per progettazione. Legge il sistema di registrazione di riferimento, calcola raccomandazioni e le riscrive attraverso un’API circoscritta e versionata. Nel momento in cui compaiono tabelle di dati anagrafici, strumenti per costruire flussi di lavoro o moduli di gestione degli utenti, ciò che viene offerto è un sistema di registrazione mascherato da «IA».

Terzo, il modello commerciale deve allineare i canoni alla qualità economica delle decisioni fornite, non al numero di persone, al volume di archiviazione o alle visualizzazioni di pagina. Prezzi basati su postazioni, visualizzazioni di pagina o gigabyte creano un incentivo perverso a mantenere più persone nel processo, moltiplicare i cruscotti e accumulare dati, poiché i ricavi del fornitore crescono allora con l’inefficienza organizzativa. Un autentico sistema di intelligenza dovrebbe, al contrario, far scomparire la maggior parte delle postazioni amministrative. I contratti dovrebbero quindi indicizzare il pagamento al volume di decisioni prodotte e/o a una quota misurata del valore creato (per esempio, riduzioni del capitale circolante aggiustate per il rischio, aumenti del margine lordo o miglioramenti della qualità del servizio a capitale impiegato costante), con tetti espliciti per limitare il rischio di entrambe le parti.

Considerati insieme, questi test negativi scartano la maggior parte delle «piattaforme intelligenti» e consentono al professionista di concentrare l’attenzione — e il budget — sulle poche offerte con una possibilità credibile di migliorare le decisioni della supply chain.

Un errore comune è aggiornare un sistema di registrazione semplicemente perché «sembra vecchio». I dirigenti vedono l’informatica progredire a grandi passi e deducono che il sistema più nuovo debba essere molto migliore. Inoltre, l’aspetto e l’interazione delle ultime versioni proposte dai fornitori sono di solito più attraenti di quelli del vecchio sistema. La deduzione è fuorviante. Il progresso delle tecnologie software non implica che i sistemi di registrazione stessi stiano progredendo.

Al contrario, le tecnologie e i concetti fondamentali alla base dei sistemi di registrazione sono progrediti appena dagli anni 1980. I progressi attuali si concentrano quasi esclusivamente sulla riduzione dei costi di sviluppo di tecnologie già ampiamente divenute prodotti indifferenziati. Per i sistemi di registrazione, quindi, l’obiettivo principale di un aggiornamento dovrebbe essere ridurre i canoni pagati ai fornitori. Allo stesso modo, i benefici di un aspetto e di un’interazione migliori vengono di solito sopravvalutati: se il vecchio sistema era reattivo, schermate più ricercate raramente rendono i dipendenti più produttivi. Le interfacce molto produttive sono spesso percepite come ostili dai nuovi arrivati proprio perché non hanno quelle funzioni di accompagnamento che ostacolano la produttività una volta che i dipendenti conoscono il sistema.

Collettivamente, senza collusione e neppure coordinamento, i fornitori di sistemi di registrazione hanno alimentato uno stato persistente di confusione nel grande pubblico. All’inizio degli anni 2020, sebbene i sistemi di registrazione fossero prodotti indifferenziati da oltre un decennio, la maggior parte delle imprese li pagava più di due decenni prima. Questo stato di cose va oltre le nostre questioni di supply chain, ma il software per la supply chain ne è forse l’esempio più eloquente. Ciò illustra ancora una volta la natura conflittuale delle sfide della supply chain, nelle quali gli incentivi sono allineati solo in parte.

I sistemi di registrazione sono dunque indispensabili e strettamente limitati. Sono i registri di riferimento dell’impresa, non i suoi calcolatori o strateghi. Ogni volta che si chiede loro di produrre report pesanti, ottimizzare o «pianificare», seguono contesa delle risorse, deriva semantica e opacità delle responsabilità. L’impostazione architetturale corretta è austera: mantenere il registro snello, centrale e noioso; spostare le analisi descrittive nei sistemi di reporting; spostare il processo decisionale nei sistemi di intelligenza; delimitare ogni interfaccia con un’API circoscritta e versionata; eliminare senza tregua le sovrapposizioni funzionali, anche se i fornitori resistono.

Il corollario è tanto manageriale quanto tecnico. Trattare l’ERP e i suoi affini come terreno sacro: ricorda i fatti e impone i flussi di lavoro, niente di più. Ogni funzionalità aggiuntiva che si insinua — KPI, previsioni, ottimizzatori, analisi «what-if» — grava silenziosamente sulle prestazioni, confonde la semantica e disperde le responsabilità. Se qualcosa è computazionalmente pesante, probabilistico o oggetto di una scelta economica, deve stare fuori dal registro.

Esplicitati il ruolo e i limiti dei sistemi di registrazione, possiamo ora rivolgerci a ciò che contengono: i dati. La prossima sezione esamina come questi simboli grezzi diventino informazione, perché la semantica — non le righe mancanti — sia la vera difficoltà, perché i «dati scadenti» siano il capro espiatorio sbagliato e come estrarre, documentare e rendere robusto ciò di cui avranno bisogno i motori decisionali.

5.4 Dati

In forma digitale, i dati aziendali sono di gran lunga le fonti di informazione più importanti per le decisioni della supply chain. Questi dati vengono raccolti principalmente attraverso i sistemi di registrazione dell’impresa. Esistono altre fonti, ma contano molto meno. Dal punto di vista della supply chain, l’informazione rilevante si trova all’interno di questi dati; estrarre tale informazione si rivela più difficile di quanto generalmente si supponga. Anche la complessità dei dati viene sottovalutata.

I dati sono cruciali perché le supply chain non sono direttamente osservabili; le si vede soltanto attraverso i registri dell’impresa. Si potrebbe sostenere che le supply chain abbiano cessato di essere direttamente osservabili — tramite i sensi, in qualsiasi modo significativo — ben prima dell’avvento dei computer. Infatti, alla fine del XIX secolo, l’ascesa della grande impresa portò eserciti di impiegati addetti alla tenuta dei registri. Già allora, quindi, la supply chain veniva vista soltanto attraverso i registri tenuti da quegli impiegati. Molti oggetti della conoscenza umana, come le supply chain, non sono direttamente accessibili ai sensi; le conseguenze sono sostanziali.

Come osservato in precedenza, molti autori che scrivono di supply chain ignorano il software o lo trattano superficialmente. I dati non fanno eccezione. In particolare, i dati vengono solitamente confusi con l’informazione che contengono, come se trasformare i primi nella seconda fosse scontato. Nulla potrebbe essere più lontano dalla verità, e questa sola trasformazione assorbe spesso più della metà dello sforzo tecnico di un’iniziativa di supply chain. Inoltre, lungi dall’essere un mero tecnicismo software, richiede una profonda comprensione della sfida della supply chain. Di conseguenza, è profondamente sbagliato pensare che questo compito possa essere delegato all’IT o a specialisti che non siano, prima di tutto, specialisti della supply chain.

In questo contesto, ogni volta che un’iniziativa di pianificazione si arena, viene sfoderata una spiegazione di rito: i dati sono scadenti. I fallimenti passati, raramente indagati, vengono esibiti come prova. Lo slogan è comodo: assolve fornitori e integratori, incolpa un capro espiatorio indistinto e scoraggia qualsiasi esame dei registri. Nelle supply chain digitalizzate, le registrazioni transazionali sono di solito abbastanza buone; ciò che manca è il duro lavoro necessario per trasformare le registrazioni in informazione — chiarendo la semantica, stabilendo provenienza e autorità — e poi in decisioni. Le sezioni che seguono separano questi passaggi e ne esplicitano le modalità di fallimento.

5.4.1 Origine dei dati

La maggior parte dei dati aziendali risiede nei sistemi di registrazione, ma questi sistemi li raccolgono solo incidentalmente. Lo scopo dei sistemi di registrazione è digitalizzare i processi informativi dell’impresa, rendendoli più affidabili e produttivi. I dati non sono il risultato perseguito; sono un sottoprodotto di quelle operazioni. Questa intuizione è semplice, eppure le sue conseguenze vengono spesso fraintese.

I dati sono organizzati in modo da rispecchiare le particolarità del sistema. Tali complicazioni nascono da sottili vincoli di prestazione, residui di aggiornamenti abortiti, concetti obsoleti di una precedente epoca di sviluppo o dai normali compromessi dello sviluppo software.

Per rendere concreto il punto, consideriamo due esempi comuni che mostrano come la struttura delle registrazioni rifletta compromessi ingegneristici anziché esigenze analitiche.

Decenni fa, un ingegnere animato da buone intenzioni, al lavoro su un ERP ancora diffuso, memorizzò i resi dei prodotti accanto agli ordini di vendita nella tabella sales, con quantità negative. Con questo espediente, sommare le vendite nel tempo produce un valore «quasi» al netto dei resi. Questa progettazione presenta però diversi inconvenienti e nella pratica si rivela molto meno ingegnosa. Per la qualità del servizio, basarsi sulle vendite nette distorce l’analisi verso un’eccessiva fiducia riguardo alle rotture di stock. Se in una settimana vengono vendute 10 unità e nella successiva ne vengono restituite 3, nella prima settimana dovevano essercene almeno 10 in magazzino, non 7, per soddisfare la domanda. Viceversa, se la maggior parte delle unità restituite può essere ricondizionata e rivenduta⁴⁷, riapprovvigionare le scorte appena prima della fine della stagione rischia di generare eccedenze considerevoli, poiché le scorte beneficeranno naturalmente dell’arrivo dei resi. Più in generale, i resi non sono vendite; benché possano condividere campi (cliente, identificativi dei prodotti), confonderli in un’unica tabella impone colonne che hanno senso soltanto per uno dei due, per esempio un campo cause_of_return.

Consideriamo il semplice front-end di un negozio online. Dopo ogni transazione, le giacenze fisiche devono essere decrementate per mantenere aggiornata la disponibilità per i clienti successivi. Aggiornare le giacenze fisiche richiede un semplice UPDATE sulla tabella che contiene questi valori; chiamiamola stock. Tuttavia, come ha scoperto praticamente ogni gruppo di sviluppo di un negozio moderatamente frequentato⁴⁸, aggiornare stock dopo ogni transazione crea una forte contesa nel database, proprio attorno a quella tabella. Infatti, stock è grande, tipicamente decine o centinaia di migliaia di righe, e ogni aggiornamento può innescare una cascata nel front-end dell’applicazione. La soluzione abituale è aggiungere una tabella pending_updates che metta in coda le variazioni delle scorte. A ogni transazione, si aggiungono righe a pending_updates invece di aggiornare stock. Poi, ogni minuto circa, pending_updates viene svuotata mentre stock viene aggiornata in blocco. Di conseguenza, l’informazione sulle giacenze fisiche è ripartita fra due tabelle anziché una. Il modello è valido, ma deve essere uno specialista della supply chain a decidere se ignorare pending_updates, per mera semplicità, resti accettabile.

Molti altri casi raccontano la stessa storia: i dati dei sistemi di registrazione non sono mai stati pensati per il lavoro di data science. Per gli ingegneri che hanno scritto il software, questo era nel migliore dei casi un aspetto secondario, spesso preso in considerazione solo a posteriori.

I dirigenti aziendali sono spesso sorpresi dal tempo e dallo sforzo necessari per estrarre le informazioni giuste dai sistemi aziendali. Molti attribuiscono gli oneri aggiuntivi alla presunta inefficienza del reparto IT e a strumenti eccessivamente complicati. Questa impressione è rafforzata dagli specialisti IT che si nascondono dietro l’opacità tecnica per giustificare costi e ritardi. Tale prospettiva è però sbagliata. I dati dei sistemi di registrazione sono facilmente accessibili e, se il database è di uso comune, gli strumenti di interrogazione sono a dir poco eccellenti. Costi e tempi sono elevati perché trasformare i dati in informazione è sorprendentemente difficile, soprattutto quando a tentare sono specialisti IT privi della competenza sul campo richiesta dal compito.

5.4.2 Semantica dei dati

Un tipico sistema di registrazione aziendale memorizza decine di migliaia di campi; i più grandi superano i centomila. La semantica di questi campi — ciò che significano, lo scopo che servono, i comportamenti che innescano — è solitamente documentata, nel migliore dei casi, in modo approssimativo. La documentazione può provenire dal fornitore originario o, per i sistemi interni, dall’impresa stessa. Le estensioni personalizzate, onnipresenti nel software aziendale, rendono il significato ancora più confuso. In pratica, raramente si trova più di un breve paragrafo per campo e, troppo spesso, esso si limita a parafrasare il nome del campo.

Per capire perché la semantica conti, consideriamo un solo campo: «data dell’ordine». Quel singolo riferimento temporale potrebbe indicare il momento del checkout, dell’ultima modifica, della conferma o del regolamento del pagamento. Ogni lettura determina una realtà operativa diversa: sposta i tempi di consegna misurati, altera le metriche di servizio e di fill rate e cambia il modo in cui vengono rilevati i flussi di cassa e le passività. L’ambiguità a questo livello corrompe silenziosamente ogni calcolo a valle.

In un mondo ideale, varrebbero due condizioni: gli sviluppatori lascerebbero una documentazione precisa a livello di campo e la direzione imporrebbe pratiche quotidiane che mantengano stabili i significati nell’operatività. Nella pratica, tre forze infrangono questo ideale: l’età (sistemi e note sopravvivono ai loro autori), l’incoerenza a livello di campo (i significati mutano fra moduli e versioni) e la semantica determinata dagli operatori (gli utenti riutilizzano i campi per altri scopi pur di svolgere il lavoro). I prossimi paragrafi le esaminano una alla volta.

Per gli standard del software, la maggior parte dei sistemi di registrazione è vecchia: due o tre decenni sono comuni. Le prime implementazioni raramente erano accompagnate da documentazione a livello di campo e, anche quando lo erano, gli autori se ne sono andati da tempo. Il codice è stato corretto, migrato ed esteso così spesso che dai messaggi dei commit non si riesce più a ricostruire l’intento originale. Un punto cruciale è che la semantica dei campi è inseparabile dai comportamenti a essi collegati, e tali comportamenti cambiano fra versioni e moduli. Il risultato netto è prevedibile: ampie porzioni di significato vanno semplicemente perdute e ricostruirle equivale a fare reverse engineering, un compito lento e costoso. Note non aggiornate, o del tutto obsolete, sono la piaga delle iniziative software di lunga durata.

La perdita è soltanto metà della storia. Nuovi significati si accumulano anche informalmente man mano che le operazioni si adattano. I gruppi di lavoro inventano espedienti, reinterpretano etichette e collegano nuovi flussi di lavoro a campi comodi. Col tempo, queste pratiche ad hoc diventano il contratto di fatto del sistema, indipendentemente dall’intento del fornitore o da quanto continua a dire il manuale. Questo strato emergente e non documentato alimenta la deriva semantica: il «significato attuale» di un campo è l’uso che ne fanno ora gli addetti all’inserimento dei dati, e può variare per sede, periodo o ruolo. Per definirlo con precisione occorre osservare la pratica, non soltanto leggere gli schemi.

Nella pratica, gli utenti sono strutturalmente inconsapevoli di questa deriva. I significati si accumulano nel corso degli anni, spesso per un tempo superiore alla permanenza di chiunque in un determinato ruolo, cosicché l’interpretazione odierna sembra semplicemente «il modo in cui funziona il sistema». Se l’applicazione presenta due quasi sinonimi come Discontinuation Date e Phase-out Date, e nessuno dei due attiva un’automazione visibile, i gruppi adottano un significato interno comodo e vanno avanti. Che quel significato corrisponda all’intento del fornitore è irrilevante; conta che gli utenti locali convergano su un’interpretazione e la usino con coerenza. Nessuno scambierà Volume per «altezza del tacco», ma molti concorderanno, del tutto ragionevolmente, che Discontinuation Date segni il momento in cui le scorte residue vengono destinate alla liquidazione a prezzi scontati. Dato che la maggior parte dei campi non innesca alcun comportamento, indovinare la semantica del fornitore è uno sforzo sprecato; il vero lavoro è assicurarsi che tutti nell’impresa usino la stessa semantica.

Inoltre, la semantica dei campi dipende spesso dalla riga: non tutti i valori di un dato campo significano la stessa cosa. Ne abbiamo visto un esempio sopra, con la «quantità ordinata» che si riferisce a un acquisto quando è positiva e a un reso quando è negativa. Più in generale, la semantica di un campo dipende spesso dal valore di un altro campo, o di più campi. La documentazione non può essere un semplice dizionario dei campi; il significato cambia con il contesto. Per cogliere la semantica dipendente dalla riga, la documentazione deve coprire la logica aziendale pertinente: ancora una volta, un esercizio costoso e lungo, aggravato da anni di evoluzione del sistema.

In ultima analisi, il significato dipende da chi inserisce i dati — dipendenti, clienti, persino fornitori — qualunque fosse l’intento degli ingegneri. Per esempio, se l’ufficio acquisti riutilizza un campo oscuro, un tempo inutilizzato e legato a misteriosi Incoterms, per codificare il percorso di trasporto di un fornitore, allora la semantica di quel campo diventa il percorso di trasporto, non quanto riportato nella documentazione originale. Riutilizzare un campo per un altro scopo non è certo una buona pratica, ma accade abitualmente. Inoltre, poiché la semantica dei campi è insidiosa anche nelle circostanze migliori, i gruppi di lavoro commettono errori autentici, attribuendo a numerosi campi significati vicini, ma non del tutto corretti.

Definire con precisione la semantica dei campi è difficile: persino i sistemi «leader di mercato» si rivelano sorprendentemente e invariabilmente arcani. Non è pedanteria: senza significati stabili, le registrazioni grezze non possono essere trasformate in informazione utilizzabile da un motore decisionale. Oltre agli ostacoli pratici appena descritti, ne resta un altro: dobbiamo poter verificare che i significati attribuiti siano effettivamente corretti.

Anche una modesta iniziativa di supply chain richiede di norma di documentare almeno un centinaio di campi. Per ciascun campo, occorrono solitamente da mezza pagina a una pagina intera per fissare la semantica che conta per le decisioni: definizione; unità e valori ammissibili; provenienza e autorità; interpretazioni dipendenti dalla riga; dipendenze fra campi; esempi concreti. Queste note dovrebbero fondarsi sui dati dell’impresa stessa: semplici distribuzioni, intervalli e conteggi fanno spesso emergere ciò che conta (per esempio, un tipico ipermercato nel nostro portafoglio gestisce oltre 100.000 SKU, fatto che esclude algoritmi il cui costo cresce in modo superlineare rispetto al numero di articoli). Di conseguenza, il dossier semantico per un ambito «piccolo» raggiunge facilmente un centinaio di pagine o più. Data la mole, è quindi irragionevole aspettarsi che tutto risulti fattualmente corretto. Errori, dagli sbagli grossolani ai fraintendimenti sottili, costelleranno la documentazione. Serve dunque un metodo per valutare la validità di queste conoscenze ed eliminare gli errori.

Ulteriori revisioni, anche tra pari, raramente individuano ogni errore. Infatti, una volta che un fraintendimento si è consolidato nella documentazione, solitamente occorre un elemento nuovo per rivelarlo. Questo elemento deve essere un riscontro del mondo reale proveniente da un processo decisionale che attinge, fra l’altro, a tali conoscenze. Se conoscenze difettose producono decisioni valide, il difetto è innocuo e la questione irrilevante. I dettagli di questa metodologia, l’ottimizzazione sperimentale, saranno illustrati in un capitolo successivo. Per ora, basti dire che la validità semantica deve in ultima analisi fondarsi sui riscontri empirici dell’applicazione pratica di queste conoscenze nella generazione delle decisioni.

5.4.3 Manovre nei dati

I dati, come tutto il resto nella supply chain, si piegano agli incentivi di chi li produce e raccoglie. Come osservato in precedenza, gli incentivi spesso divergono dagli interessi dell’impresa. Ne derivano numerose stranezze nei dati, alcune minori, altre rilevanti.

Consideriamo una disavventura reale di un grande produttore. L’impresa soffriva di scorte cronicamente eccessive. Un’occhiata agli ordini passati rivelò acquisti abitualmente esuberanti, la causa principale delle eccedenze. Per rimediare, la direzione scelse un nuovo fornitore di soluzioni per la supply chain con cui automatizzare interamente il riapprovvigionamento, eliminando le valutazioni discrezionali, ben intenzionate ma sbagliate, dell’ufficio acquisti. I test prima della messa in produzione mostrarono che gli ordini eccessivi erano scomparsi. Restava la possibilità di eccedenze in caso di un forte calo inatteso della domanda, ma erano state eliminate quelle immediate in assenza di grandi oscillazioni del mercato. La soluzione sembrava promettente.

Eppure, dopo due mesi di utilizzo in produzione, gli ordini di riapprovvigionamento eccessivi persistevano. Il risultato era sconcertante: gli ordini non somigliavano affatto all’output della ricetta.

Un esame più attento suggerì una causa ordinaria: gli ordini di acquisto venivano ancora digitati a mano nell’ERP perché l’integrazione bidirezionale era stata rimandata, dato che il gruppo IT era sovraccarico. L’estrazione dei dati storici dall’ERP, un venerabile sistema vecchio di quattro decenni, era automatizzata, ma la riscrittura dei nuovi ordini non lo era. Il motore decisionale produceva gli ordini senza intervento umano; poi gli impiegati li ridigitavano ogni giorno nell’ERP. Questo passaggio manuale residuo divenne il nostro principale sospettato.

Tuttavia, dopo giorni di valutazioni accurate, divenne chiaro che, pur essendoci un inserimento manuale dei dati, questo passaggio veniva eseguito con molta attenzione e che in nessun caso i dipendenti modificavano intenzionalmente le quantità. La nuova soluzione tornò quindi a essere la principale sospettata. Eppure l’ispezione dei log mostrò rapidamente che non aveva mai generato quegli ordini eccessivi. Date e prodotti coincidevano; le quantità no. Lo sconcerto aumentava: giorno dopo giorno, gli ordini inseriti nell’ERP il giorno precedente corrispondevano esattamente all’output della soluzione. Eppure, giorni o persino settimane dopo, alcune quantità di riordino si gonfiavano all’improvviso e il successivo controllo delle scorte confermava l’eccedenza.

Gli ordini di riapprovvigionamento sembravano impennarsi spontaneamente, senza ritmo né motivo. Il gruppo del fornitore studiò quindi più da vicino questi episodi. Emerse uno schema sorprendente: gli aumenti comparivano soprattutto negli ordini emessi verso la fine del trimestre. Poiché i tempi di consegna variavano da prodotto a prodotto, gli episodi di eccedenza erano distribuiti in modo piuttosto uniforme, cosa che aveva nascosto lo schema. L’andamento legato al calendario era chiaramente umano, ma i responsabili restavano un mistero.

Settimane di indagini portarono i gruppi del fornitore alle baie di ricevimento, dove la merce veniva scaricata dai camion noleggiati dai fornitori. Gli addetti al ricevimento seguivano più passaggi di assicurazione della qualità. Uno consisteva nel contare le unità e verificare che corrispondessero alla quantità ordinata. Quando emergeva una discrepanza, l’ERP offriva ben poco per gestire il caso limite. Di fatto, l’unica procedura ufficiale supportata dall’ERP era dichiarare la spedizione non conforme e restituirla per intero. Gli addetti al ricevimento avevano però imparato che questo provocava invariabilmente l’ira dei reparti di produzione. Se la merce era stata ordinata, serviva; senza di essa la produzione si fermava, facendo infuriare i colleghi.

Decenni prima, per far fronte alla situazione, gli addetti al ricevimento avevano creato una porta di servizio nell’ERP. Per evitare di restituire una spedizione a causa di una discrepanza di una sola unità, usavano questa funzionalità per adeguare la quantità ordinata a quella ricevuta. Il fornitore veniva poi pagato per l’importo adeguato, corrispondente a ciò che era stato effettivamente ricevuto. Per anni il meccanismo funzionò, finché la porta di servizio non fu sostanzialmente dimenticata da tutti tranne che dagli addetti al ricevimento.

Col tempo, alcuni fornitori notarono che piccole spedizioni in eccesso venivano accettate senza neppure una telefonata. Era insolito: di norma i clienti restituivano le unità eccedenti o almeno protestavano vivacemente. Alcuni fornitori cominciarono a sfruttare il processo. A fine trimestre, se erano in ritardo rispetto agli obiettivi, usavano il produttore come variabile di aggiustamento. All’inizio gonfiavano gli ordini solo leggermente, ma il silenzio del produttore li incoraggiò presto a inviare quantità molto maggiori.

Una volta compreso lo schema, identificare i fornitori scorretti fu facile. Una serie di telefonate alla breve lista dei fornitori incriminati mise fine alle impennate esplosive dalla sera alla mattina.

Inaspettatamente, benché lo schema fosse sconcertante e palesemente dannoso per le prestazioni della supply chain, i dati erano fondamentalmente corretti. Le quantità ordinate erano reali e accurate, come dimostravano chiaramente le giacenze fisiche. L’errore risiedeva nella vera politica che governava il riapprovvigionamento — lasciare ai fornitori la libertà di decidere ciò che volevano — che il produttore non aveva mai concepito.

Sebbene le manovre nei dati non siano sempre tortuose come quella appena descritta, incentivi avversi involontari sorgono abitualmente in qualsiasi supply chain di una certa dimensione, producendo ogni sorta di stranezza nei dati. Abbiamo già osservato un errore comune negli ambienti della supply chain: considerare i problemi dei dati come questioni da lasciare agli specialisti IT. L’esempio precedente chiarisce perché questo approccio di solito fallisca. Comprendere i dati della supply chain è innanzitutto compito degli specialisti della supply chain.

5.4.4 Shadow IT

Nelle organizzazioni, la shadow IT indica i sistemi dipartimentali che operano senza la supervisione dell’IT centrale, sistemi di cui il gruppo IT principale potrebbe persino ignorare l’esistenza.⁴⁹ La shadow IT esiste praticamente in ogni grande impresa, anche se la sua diffusione varia molto. Dal punto di vista della supply chain, i sistemi di shadow IT sono soprattutto sistemi informali di registrazione e di reporting, spesso una combinazione dei due. La shadow IT conta per la supply chain perché la componente di «sistema di registrazione» contiene spesso dati preziosi. Per esempio, gli ERP omettono comunemente alcuni vincoli di ordinazione applicabili a fornitori specifici. Di conseguenza, per comporre un ordine di riapprovvigionamento valido, il professionista si affida al proprio sistema ombra, che contiene un quadro completo dei vincoli applicabili.

I fogli di calcolo sono di gran lunga la tecnologia più comune della shadow IT. Qualsiasi flusso di lavoro basato sull’interazione dei dipendenti con un foglio di calcolo condiviso è quasi certamente shadow IT. L’IT sa che si usano fogli di calcolo, e il software in sé è approvato. Un sistema di registrazione gestito tramite fogli di calcolo è però privo di ciò che l’IT dovrebbe aspettarsi da qualsiasi sistema supervisionato: gestione delle versioni, backup, tracciati di audit, autorizzazioni granulari e così via.

Oltre ai fogli di calcolo, anche database semplici⁵⁰ sono comunemente usati nella shadow IT. Questi database consentono sistemi di registrazione più rifiniti, imponendo un minimo di correttezza a livello di tipo: un valore è un numero, una data e così via. Tuttavia, come i fogli di calcolo, sono privi dei processi di supporto che garantiscono la manutenibilità a lungo termine: gestione delle versioni, backup e altro.

La motivazione della shadow IT è semplice: l’IT centrale è sommerso di lavoro per mesi, talvolta anni, così i reparti aziendali costruiscono ciò che non possono aspettare. Il paradosso è che la shadow IT nasce raramente da un eccessivo entusiasmo per il software; nasce da una cultura del software troppo scarsa. Il software tocca ormai quasi ogni flusso di lavoro, quindi la maggior parte dei problemi dei reparti è, almeno in parte, un problema software. Se l’organizzazione si aspetta che un unico gruppo IT centrale li risolva tutti, il sovraccarico è garantito.

Il deficit culturale amplifica l’arretrato. Al di fuori dell’IT, ai gruppi manca spesso il vocabolario per esprimere i requisiti, ordinarli secondo criteri economici o stimare lo sforzo ingegneristico. I progetti prediletti vengono promossi come «risultati rapidi», le esigenze essenziali vengono rinviate perché sembrano noiose e le richieste arrivano sotto forma di soluzioni («aggiungere un campo») anziché di problemi («dobbiamo smettere di fatturare due volte i resi»). L’IT centrale, assediato da richieste mal formulate, appare poco reattivo; le unità aziendali, costrette a produrre risultati, ricorrono a fogli di calcolo e database ad hoc. L’attrito diventa la norma e la produttività si erode da entrambe le parti.

Anche l’IT centrale si trova in difficoltà: i dipendenti sono comprensibilmente restii a rivelare l’intera portata delle proprie iniziative ombra, che spesso operano con la tacita approvazione della direzione e violano apertamente le linee guida IT. Di conseguenza, proprio le persone che potrebbero aiutare a regolarizzare questi strumenti li scoprono soltanto quando qualcosa si rompe. Aspettarsi che l’IT centrale «porti i dati» è quindi irrealistico; per costruzione, gran parte di essi è invisibile.

La via d’uscita è semplice da descrivere, anche se non facile da percorrere: sostituire i sistemi di registrazione ombra con piccole applicazioni CRUD manutenibili, uno alla volta. Dare priorità ai registri, poi ai report. Le registrazioni rischiano di andare perdute; i report possono essere ricalcolati una volta che le tabelle sottostanti sono solide. In concreto: prendere il foglio di calcolo in uso, o il database desktop, bloccarlo in sola lettura, abbozzare uno schema minimo che rispecchi il flusso di lavoro reale, mettere in servizio un’applicazione CRUD circoscritta con gestione delle versioni, backup, log di audit e autorizzazioni, importare i dati preesistenti, reindirizzare gli utenti e infine dismettere il vecchio file. Ripetere l’operazione. Una volta che i dati risiedono in un archivio adatto alla produzione, riscrivere i report circostanti è economico e rapido.

Gli specialisti della supply chain devono assumersi la responsabilità di questo risanamento. Il software è una scienza ausiliaria della pratica, non un’attività da esternalizzare. L’IT centrale dovrebbe fornire le misure di protezione — ambiente di esecuzione, sicurezza, backup — ma ambito, sequenza e semantica devono essere guidati da chi comprende il flusso dei beni.

5.4.5 Dati derivati

I sistemi aziendali memorizzano più dei soli fatti. Accanto alle registrazioni degli eventi — vendite, ricevimenti, conteggi delle scorte, accordi sui prezzi, vincoli di calendario — si trovano grandi volumi di quelli che chiamerò dati derivati: numeri creati a partire da altre registrazioni, come aggregazioni, previsioni, EOQ, scorte di sicurezza, indicatori di classificazione e simili. I dati derivati non aggiungono alcuna informazione nuova; sono una riformulazione di ciò che è già nel registro. Un principiante si aspetta che ogni tabella e campo contenga dati «nuovi»; nella pratica, la maggior parte delle tabelle di un’applicazione matura è costituita da artefatti. Per chiarezza, dati fattuali indica le registrazioni originali del flusso, mentre dati derivati indica qualsiasi dato calcolato a partire da esse.

Non tutti i dati derivati sono uguali. Una classe è adeguatamente giustificata: tabelle di lavoro o temporanee — viste materializzate, cache, riepiloghi denormalizzati — introdotte per ragioni di prestazione o comodità operativa. Esistono per rendere il sistema reattivo e sono eliminabili perché possono sempre essere ricalcolate dai dati fattuali. L’altra classe è decorazione epistemica: artefatti di pianificazione salvati nei registri, come previsioni, EOQ, «livelli di servizio», etichette ABC e così via. Neppure queste tabelle contengono informazione nuova; si limitano a congelare l’output di una ricetta. Mescolate alle registrazioni, confondono le responsabilità, moltiplicano le incoerenze e in seguito fuorviano i sistemi di reporting e di intelligenza.

Le previsioni della domanda sono un classico esempio di questi artefatti. Più in generale, quasi tutti i dati di pianificazione detenuti dalle imprese non sono altro che dati derivati. Purtroppo, molti professionisti scambiano questi artefatti per tappe verso un sistema di intelligenza; nella pratica sono mine.

Prima di affrontare il motivo per cui gli artefatti di pianificazione sono fuorvianti, liquidiamo una sottoclasse innocua di dati derivati. Gli ingegneri introducono spesso tabelle «di lavoro» o temporanee — viste materializzate, riepiloghi denormalizzati, aree di staging — al solo scopo di mantenere reattivi i registri CRUD o scomporre una logica pesante. Queste tabelle sono comodità, non conoscenza; non contengono informazione nuova rispetto ai fatti sottostanti e possono essere ricalcolate a piacimento. I professionisti dovrebbero in gran parte ignorarle nel processo decisionale.

I professionisti che imboccano la strada sbagliata sono naturalmente attratti da artefatti come previsioni di vendita, quantità economiche d’ordine, scorte di sicurezza e livelli di servizio, perché questi aggregati sembrano «digeribili». Comprimono migliaia di eventi a livello di riga in una manciata di numeri — un totale settimanale delle vendite sembra molto più utilizzabile di una pagina di transazioni — e hanno quindi un’elevata densità informativa per il lettore umano. Questa comodità non va però confusa con la novità: quei numeri contengono esattamente ciò che i fatti sottostanti già implicavano, e nulla di più. Trattare simili riepiloghi come input primari di un motore decisionale scambia la facilità di fruizione per informazione aggiuntiva e tradisce un fraintendimento del compito da svolgere.

Primo, i dati derivati non contengono informazione nuova. Sono funzioni deterministiche dei dati fattuali. Finché i fatti sottostanti possono essere esportati, ogni previsione, EOQ, «livello di servizio» o etichetta ABC può essere ricalcolato al di fuori del sistema originale. Inoltre, i registri CRUD sono culturalmente e tecnicamente ostili al calcolo pesante. Le analisi sofisticate appartengono ad ambienti costruiti per esse; ricalcolare quei valori in un contesto non CRUD è sia più semplice sia più affidabile che piegare il registro a eseguire i calcoli.⁵¹

Detto altrimenti, e per ricollegare il discorso all’informazione, i dati derivati contengono zero bit nuovi. Sono funzioni deterministiche dei dati fattuali dell’impresa; nel migliore dei casi, sono compressioni con perdita di informazione, comode per un lettore umano. Trattare tali artefatti come input primari confonde rappresentazione e conoscenza: qualsiasi incertezza che sembrino risolvere era già stata risolta, né più né meno, dalle registrazioni sottostanti.

Perché, allora, i registri pullulano di queste tabelle? I sistemi CRUD sono progettati per mantenere i flussi di lavoro reattivi e verificabili, non per eseguire ottimizzazioni pesanti. I fornitori materializzano quindi calcoli intermedi — previsioni, EOQ, scorte di sicurezza, etichette ABC — affinché le schermate si carichino rapidamente e il registro possa atteggiarsi a strumento di «pianificazione». Questo precalcolo si diffonde perché costa poco memorizzarlo ed è facile da mostrare in una dimostrazione, non perché aggiunga informazione.

Secondo, gestire questi artefatti è sostanzialmente più difficile che lavorare sui dati primari, quelli fattuali, spesso di un ordine di grandezza o più. Gli eventi del flusso sono limitati dalla fisica; gli artefatti sono limitati soltanto dallo spazio di archiviazione, di fatto abbondante. Nei prodotti software che confondono registri, reporting e «pianificazione», gli artefatti derivati proliferano fino a dominare lo schema. È comune vedere tabelle derivate dieci volte più numerose di quelle fattuali. La conseguenza è prevedibile: più volume da spostare, riconciliare e governare, con poco o nessun guadagno informativo.

Terzo, gli artefatti analitici incorporati nelle applicazioni CRUD — lasciando da parte le cache e le viste materializzate puramente operative — riflettono quasi sempre approcci ingenui e datati che non hanno posto nella pratica moderna. Non è un caso, ma una conseguenza della cultura ingegneristica CRUD: i registri sono costruiti per mantenere i flussi di lavoro reattivi e verificabili sopra database relazionali, perciò i fornitori gravitano verso ricette (a) esprimibili in SQL, (b) economiche da precalcolare e (c) facili da dimostrare. Tabelle di previsioni, quantità economiche d’ordine, «livelli di servizio» ed etichette ABC soddisfano tutte e tre le condizioni; la valorizzazione dell’opzionalità, l’allocazione economica del capitale fra SKU o le decisioni di portafoglio aggiustate per il rischio no. Ne deriva un accumulo costante di numeri fragili che congelano ipotesi semplicistiche nel registro, confondono le responsabilità — quale valore fa autorità, l’artefatto o i fatti che lo hanno generato? — e fuorviano gli sforzi a valle facendo passare la comodità per conoscenza. Se gli autori avessero mirato a decisioni economicamente valide anziché alla velocità delle schermate e al materiale commerciale, questi artefatti non sarebbero mai stati mescolati al sistema di registrazione.

Non tutte le affermazioni sul futuro sono dati derivati. Alcune registrazioni con una data futura sono esse stesse fatti: decisioni o impegni che vincolano l’impresa o i suoi partner. Per esempio, se il reparto marketing ha approvato formalmente un budget per una campagna pubblicitaria che inizierà all’inizio dell’anno prossimo, con tempi, ripartizioni regionali e allocazioni per canale, questa registrazione non è calcolata a partire da altre; è un nuovo vincolo che cambia flussi di cassa e capacità indipendentemente da ciò che la domanda rivelerà in seguito. Lo stesso vale per variazioni di prezzo già concordate con un fornitore e dotate di una data di decorrenza, aperture o chiusure di negozi previste con date ferme, oppure una modifica normativa la cui data di applicazione è fissata. Questi elementi dovrebbero essere registrati come fatti, con provenienza, periodi di validità e scadenza, ambito e regole di revoca chiari.

Più in generale, l’abitudine di trattare gli artefatti derivati come input di un sistema di intelligenza riflette una visione del mondo incentrata sulla pianificazione, che la pone su un piedistallo. Eppure la pianificazione, insieme agli artefatti che produce, ha un ruolo di secondo piano nella supply chain. Ciò che conta sono le decisioni attuate che impegnano risorse scarse. I calcoli intermedi, come le previsioni di serie temporali, soprattutto quando sostengono scelte lontane come i riapprovvigionamenti della prossima stagione, non meritano pari considerazione: sono provvisori e saranno rivisti ripetutamente prima che denaro o atomi si muovano.

I sistemi di intelligenza esistono per emettere decisioni — ordini di acquisto, allocazioni, prezzi, programmi — che impegnano risorse scarse. Mentre esplora lo spazio delle opzioni, il motore produce una traccia di calcoli intermedi: punteggi, simulazioni, log degli scenari, previsioni provvisorie. Si tratta di dati derivati: non contengono informazione nuova rispetto agli input e al codice. Utili per la verificabilità e la diagnostica, sono sottoprodotti tecnici transitori, non dati anagrafici. Gli unici output duraturi sono le decisioni stesse, che devono essere riscritte nel sistema di registrazione attraverso un’interfaccia circoscritta. Queste registrazioni non sono «artefatti»: sono nuovi fatti, impegni che l’impresa eseguirà e che si concretizzeranno in seguito in ricevimenti, movimenti e vendite.

Di conseguenza, un sistema di intelligenza dovrebbe utilizzare fatti autorevoli provenienti dai sistemi di registrazione, ed eventualmente pochi flussi esterni con provenienza chiara, non gli artefatti congelati incorporati nei registri o negli strumenti di reporting. Se serve un riepilogo, dovrebbe essere ricalcolato all’interno del motore a partire dai fatti sottostanti; acquisire artefatti precalcolati significa soltanto importare le ipotesi altrui e la loro perdita di informazione.

5.4.6 Dati esterni

Per dati esterni intendiamo segnali che non provengono dai sistemi di registrazione dell’impresa e non possono essere ricostruiti a partire da essi. Devono essere ottenuti dall’esterno: siti pubblici, comunicazioni ufficiali, flussi di sensori di terze parti o intermediari commerciali di dati. Se i byte possono essere derivati unicamente dai registri interni, non sono esterni: sono dati interni o derivati. Sfruttare dati esterni può creare valore, ma i costi di acquisizione, pulizia e manutenzione sono elevati e spesso erodono i rendimenti. Come regola pratica, conviene prima esaurire il valore economico dei dati interni; le eccezioni ricorrenti sono i prezzi pubblicati dai concorrenti e pochi dataset settoriali curati con grande attenzione.

L’ostacolo principale dei dati esterni è il costo di acquisirli, ripulirli e mantenerli aggiornati. A differenza dei registri dell’impresa, i flussi esterni sono irregolari, parzialmente strutturati e raramente allineati con gli schemi interni o i cicli di aggiornamento. Le registrazioni interne tendono a crescere con l’impresa; le fonti esterne no. Quando i dati esterni si rivelano utili, rientrano di solito in tre famiglie ricorrenti: (1) intelligence competitiva, ossia prezzi pubblicati, assortimenti e condizioni dei concorrenti, che modulano direttamente la domanda e vincolano i prezzi; (2) osservazioni e previsioni meteorologiche a breve termine, che possono orientare allocazioni e programmazione nel futuro prossimo; (3) tracce lasciate sui social media, attraenti in teoria ma tipicamente poco redditizie nella pratica.

Ogni famiglia comporta attriti distinti: abbinare e normalizzare gli articoli fra cataloghi per i dati competitivi; carattere locale, limiti dell’orizzonte e grandi volumi per il meteo; rumore, manipolazione e deboli legami causali per i social media. Le prossime sottosezioni le affrontano in quest’ordine, a partire dall’intelligence competitiva.

5.4.6.1 Intelligence competitiva

L’intelligence competitiva, nel senso della supply chain, consiste nel raccogliere i segnali pubblici dei concorrenti — prezzi pubblicati, assortimenti (modelli, colori) e condizioni (garanzie, promesse di consegna) — e integrarli nelle nostre decisioni. È innanzitutto un problema di dati esterni: questi segnali non risiedono nei nostri registri; vanno acquisiti, abbinati al nostro catalogo, ripuliti e mantenuti aggiornati.

Sul piano economico, il legame è diretto: il prezzo raziona i beni scarsi e coordina la sostituzione. Piccoli movimenti di prezzo, nostri o di un concorrente, modificano sia il volume totale sia la quota di mercato, talvolta bruscamente quando iniziano le ritorsioni. Per allocare razionalmente capitale e scorte, la supply chain deve quindi seguire prezzi, assortimenti e condizioni dei concorrenti e lasciare che questi segnali orientino le decisioni.

Prima della fine degli anni 1990, raccogliere i prezzi pubblicati dai concorrenti era un tedioso lavoro amministrativo. La diffusione dell’ecommerce negli anni 2000 rese i prezzi facilmente accessibili sui siti pubblici. Persino i beni professionali un tempo nascosti dietro richieste di preventivo sono ormai visibili, perché basta che un singolo rivenditore pubblichi il prezzo. Di conseguenza, negli anni 2000 emerse un piccolo settore di esperti di web scraping e di strumenti capaci di analizzare pagine disordinate fingendosi visitatori umani⁵².

Oggi le imprese possono acquistare a basso costo ampi dataset, aggiornati più volte al giorno, che mappano gli assortimenti dei concorrenti. Sfruttare questi dati resta laborioso; rimangono diversi ostacoli.

I dati di intelligence competitiva sono molto più rumorosi delle registrazioni interne dell’impresa. Gli strumenti di web scraping si basano su numerose euristiche, che occasionalmente possono leggere male un valore⁵³. Anche quando la qualità complessiva è elevata, i valori errati devono comunque essere individuati e neutralizzati.

Nella maggior parte dei mercati, il nostro catalogo non corrisponde 1 a 1 a quello di un concorrente. Anche quando un concorrente vende lo «stesso» articolo, lo SKU, la dimensione della confezione, la gamma di colori o gli accessori inclusi differiscono. L’abbinamento è quindi un problema di corrispondenza, non una semplice ricerca. Un approccio praticabile procede in tre passi: (1) generare coppie candidate usando segnali poco costosi, come riferimenti del produttore comuni, GTIN/EAN/UPC, titoli normalizzati, attributi salienti quali dimensione/volume/potenza nominale e, quando disponibili, embedding delle immagini; (2) assegnare a ogni candidato un punteggio mediante più test indipendenti — somiglianza del testo, compatibilità degli attributi, coerenza del prezzo unitario e regole per confezioni combinate e varianti — per produrre un punteggio di confidenza; (3) conservare l’intero grafo delle corrispondenze, uno a molti e molti a uno, con riferimenti temporali, anziché un unico collegamento «migliore», perché gli assortimenti evolvono e l’abbinamento corretto può cambiare nel tempo. I moderni modelli linguistici e visivi facilitano il passo (1), ma non eliminano la necessità dei passi (2) e (3). Senza uno strato di abbinamento verificabile, completo di regole versionate e soglie di confidenza, i confronti di prezzo a valle saranno numericamente precisi ed economicamente sbagliati.

Il volume dei dati non è l’unica preoccupazione; lo sono anche la persistenza e la provenienza. I flussi competitivi non sono «una riga per SKU per concorrente al giorno». Per restare verificabili ed economicamente utili, richiedono che l’impresa conservi: (i) ogni osservazione grezza, con URL datato, istantanea della pagina o dell’API e versione del parser utilizzato; (ii) l’intero grafo delle corrispondenze, con punteggi per ciascun arco e versioni delle regole contrassegnate temporalmente; (iii) regole di normalizzazione e conversioni delle unità così com’erano all’epoca; (iv) ogni variazione rilevata, di prezzo, disponibilità, insieme di varianti o composizione delle confezioni combinate. I prezzi possono cambiare più volte al giorno; i marketplace espongono più offerte specifiche per venditore; varianti e accessori compaiono e scompaiono. Ridurre questa volatilità a un solo «prezzo giornaliero» scarta proprio il segnale di cui abbiamo bisogno per l’allocazione e la determinazione dei prezzi.

Nella pratica, il corpus competitivo supera spesso il registro delle transazioni dell’impresa di 10–100 \(\times\) in numero di righe e di molto di più in byte, se si archiviano istantanee HTML/JSON grezze per la tracciabilità.⁵⁴ L’hardware moderno digerisce il volume; il vero costo risiede nell’infrastruttura: pipeline di acquisizione resistenti alle modifiche dei siti, rilevatori di anomalie per neutralizzare gli errori degli scraper, processi periodici di riabbinamento man mano che gli assortimenti cambiano e indicatori di assicurazione della qualità che mettano in quarantena le osservazioni dubbie senza interrompere il flusso. Trascurare uno qualsiasi di questi elementi produce un dataset numericamente denso ma epistemicamente povero.

Nel complesso, l’intelligence competitiva è abbastanza rilevante e accessibile da meritare di essere inclusa nella maggior parte delle supply chain. Tuttavia, se un progetto può partire senza dati competitivi, conviene aggiungere quel flusso in seguito, una volta che la ricetta principale è operativa.

5.4.6.2 Dati meteorologici

Molte categorie — abbigliamento, bevande, casa e giardino, accessori per auto — sono sensibili al meteo. Poiché il meteo muove la domanda, è allettante lasciare che le previsioni guidino la supply chain. La domanda giusta, però, non è se usare i dati meteorologici, ma quando essi orientino davvero una decisione. Due assi pratici determinano la questione: l’orizzonte decisionale (ore, giorni, settimane) e la granularità spaziale a cui l’impresa agisce (negozio, città, regione). Una previsione contiene informazione utile solo quando il suo orizzonte e la sua localizzazione corrispondono a quelli della decisione. Nella pratica, due vincoli rigidi limitano il rendimento delle decisioni basate sul meteo.

Orizzonte: oltre circa dieci giorni, le previsioni moderne regrediscono verso le medie stagionali. Dalle regole empiriche dell’inizio del XX secolo alle immagini satellitari ad alta risoluzione di oggi, il progresso costante ha migliorato le previsioni, ma queste restano decisamente una questione di breve termine. Di conseguenza, per le scelte con un orizzonte superiore a dieci giorni, i flussi meteorologici non offrono informazione migliore della semplice stagionalità misurata sulla storia dell’impresa.

Carattere locale: il meteo è intensamente locale. Le condizioni possono divergere nettamente fra luoghi separati da pochi chilometri, o persino da poche ore, mentre le grandi imprese vendono e operano su centinaia di migliaia, se non milioni, di chilometri quadrati. Un segnale meteorologico aiuta soltanto se è disponibile, e associato alle nostre risorse e ai nostri clienti, alla stessa granularità spaziale a cui possiamo agire — negozio, percorso, città o regione — ed entro il tempo operativo pertinente. Ottenere questa corrispondenza richiede griglie ad alta risoluzione e fitte rianalisi storiche per calibrare il legame statistico fra meteo e domanda. Coprire i prossimi dieci giorni e diversi anni di storia produce rapidamente dataset di decine di gigabyte, spesso di un ordine di grandezza più grandi del registro delle transazioni dell’impresa. L’hardware moderno digerisce il volume, ma l’infrastruttura non è banale. Quando le decisioni vengono prese a un livello più aggregato, per esempio nelle allocazioni regionali, i segnali a scala fine si compensano in gran parte nella media, riducendo il rendimento.

Inoltre, il meteo non è un fenomeno unidimensionale. Fra i parametri tipici figurano temperatura, umidità, velocità e direzione del vento, precipitazioni, pressione, visibilità e copertura nuvolosa. A seconda dei beni, alcuni parametri si rivelano irrilevanti, ma identificarli richiede comunque lavoro. Per la domanda di elettricità, spesso basta la temperatura, mentre altri prodotti dipendono da una diversa combinazione di fattori meteorologici.

Infine, i rischi asimmetrici di una determinata decisione di supply chain possono compromettere i benefici delle previsioni arricchite con il meteo. Consideriamo i rasoi da donna. Nei paesi occidentali, questi prodotti seguono una marcata quasi stagionalità: la domanda balza nella settimana che precede il primo fine settimana caldo di primavera. Per il resto dell’anno rimane bassa. Per un negozio di generi vari, la scelta più saggia è evitare il riapprovvigionamento just-in-time all’ultimo momento, non appena si profila un fine settimana caldo. Se la previsione è sbagliata, il riapprovvigionamento avviene troppo tardi e il negozio perde la sua occasione annuale di vendere quei prodotti. Una scelta valida, aggiustata per il rischio, è riapprovvigionare all’inizio della primavera. Ci sarà quasi certamente un primo fine settimana caldo di primavera; l’incertezza riguarda la data precisa. Tenere una confezione di prodotti piccoli e non deperibili sullo scaffale per qualche settimana in più costa molto meno che perdere il picco a causa di una previsione sbagliata.

Il meteo aiuta soltanto dove il suo segnale supera i due vincoli rigidi già ricordati: l’orizzonte, circa dieci giorni, e il carattere locale, ossia l’unità alla quale l’impresa può agire. Fuori da questa finestra dominano la fisica delle previsioni e i costi dell’infrastruttura, mentre i profili stagionali e le politiche di decisione aggiustate per il rischio hanno più peso. In futuro gli strumenti potranno attenuare questi attriti, ma per ora il meteo è un complemento della pianificazione, non il suo fondamento.

5.4.6.3 Dati dei social media

Negli anni 2010, i dati dei social media affascinarono i dirigenti più di qualsiasi altra fonte esterna. Mentre milioni di consumatori cominciavano a esprimere desideri e opinioni sui social media, un’impresa capace di affinare continuamente la propria offerta sulla base di quelle informazioni avrebbe potuto superare i concorrenti. Anziché affidarsi a dati di vendita osservati con settimane di ritardo, si sperava di cogliere il sentiment del mercato in tempo reale. Inoltre, i social media avrebbero contenuto informazioni oltre l’offerta attuale dell’impresa, fornendo indizi per orientare l’introduzione di nuovi prodotti.

Eppure i dati dei social media non hanno mai prodotto le ricchezze promesse dai fornitori; i benefici attesi non si sono concretizzati. Sfruttarli è infatti molto difficile perché sono estremamente rumorosi, spesso per intenti malevoli. Gli account fantoccio abbondano; gli utenti autentici provocano o manipolano; gli influencer salgono e tramontano. Le cifre gonfiate sul pubblico, visualizzazioni o iscritti, sono comuni. Le piattaforme social hanno scarso incentivo a eliminare il traffico delle fabbriche di clic⁵⁵ che gonfia quelle cifre.

Anche se la qualità fosse superiore, abbinare i post a parti precise dell’offerta aziendale, su vasta scala e automaticamente, resterebbe oneroso. Se è ovvio che i riscontri pubblici aiutano i gruppi di progettazione o ingegneria facendo emergere difetti sottili o, viceversa, aree di miglioramento, quelli sulla supply chain sono perlopiù inutili. L’impresa non ha bisogno dei social network per scoprire che le spedizioni recenti sono arrivate in ritardo; i suoi sistemi di registrazione e le integrazioni con i vettori forniscono già questa informazione.

Infine, i costi di elaborazione restano rilevanti. A differenza di dataset altrettanto grandi, come i dati meteorologici, che sono interamente numerici, i dati dei social media sono in gran parte non strutturati, costituiti quasi interamente da testo e immagini. I recenti progressi dei LLM multimodali (modelli linguistici di grandi dimensioni) ne agevolano l’elaborazione, ma eseguirli su vasta scala resta costoso e lento.

Fra le fonti esterne, i dati dei social media presentano il peggior rapporto fra costi e benefici. L’estrazione è ardua e gli insegnamenti sono raramente utilizzabili dal punto di vista della supply chain. Nella pratica, le imprese dovrebbero evitare i dati dei social media per il lavoro di supply chain finché ogni altra fonte non sia stata esaurita.

5.5 Conoscenze quotidiane

Un’obiezione comune alla meccanizzazione del processo decisionale è che le persone sanno molte cose assenti dai sistemi di registrazione dell’impresa. Tuttavia, benché l’affermazione sia un’ovvietà — il personale del magazzino conosce il colore delle maniglie delle porte, conoscenza quasi certamente assente dal sistema — non ne consegue che un’automazione quasi completa sia impossibile. Al contrario, nel pubblico e negli ambienti aziendali persiste un diffuso misticismo sul mantenere le persone nel processo, come se la mente umana possedesse qualità sovrannaturali che nessun computer potrebbe emulare.

Cominciamo chiarendo l’affermazione le persone sanno delle cose rispetto alla distinzione fra informazione e conoscenza. Sebbene i dipendenti conoscano certamente i processi coinvolti nel flusso dei beni, non sono necessariamente molto informati, soprattutto sui dettagli dello stato in continuo mutamento di quel flusso. La mente umana non può ricordare in modo affidabile migliaia di posizioni di scorta giornaliere, migliaia di ordini clienti, centinaia di consegne dei fornitori in sospeso. Persino computer rudimentali superano enormemente la capacità della mente umana, sia in affidabilità sia in velocità, di memorizzare e recuperare informazione.

Oggi, quasi tutte le decisioni manuali residue nelle supply chain coinvolgono un pianificatore che si affida esclusivamente alle informazioni mostrate dai sistemi aziendali. Quando i sistemi di registrazione non bastano, i dipendenti ricorrono ai fogli di calcolo, la loro rete di sicurezza della shadow IT, per riunire le informazioni mancanti. Questa pratica diffusa mostra che le supply chain dipendono de facto dall’informazione digitale. Che tale informazione sia ordinatamente integrata in sistemi di registrazione ben progettati o dispersa alla rinfusa in un insieme informale di fogli di calcolo, il punto rimane: a tutti gli effetti, l’informazione esiste soltanto in forma digitale.

Ricordiamo la distinzione tracciata in precedenza nella sezione Conoscenza fra conoscenze specialistiche e quotidiane. Le conoscenze specialistiche — formule, codice sorgente, regole contrattuali — abitano già il mondo della scrittura e sono quindi una materia prima naturale per la meccanizzazione. Le conoscenze quotidiane, invece, permangono nelle pratiche tacite: sapere che il vettore X non si presenta mai dopo le 4 del pomeriggio, che per inserire la prima marcia del camion «Bessie» occorre prenderlo per il verso giusto, o che un certo fornitore dimentica i documenti doganali un martedì sì e uno no. Ciò che gli scettici dell’automazione completa temono davvero è che questo residuo sfumato scompaia una volta che le persone saranno «fuori dal processo».

La cura non è rinunciare all’automazione, ma praticare una codificazione progressiva. Ogni volta che un operatore si affida a una regola non scritta che modifica una decisione rilevante, tale regola deve essere fatta emergere, messa per iscritto e sottoposta al controllo di versione esattamente come qualsiasi altro elemento di codice produttivo. Col tempo, l’organizzazione assembla un corpus vivo, sottoposto a revisione tra pari — un manuale operativo della supply chain — da cui gli ingegneri possono ricavare regole deterministiche, distribuzioni a priori statistiche o etichette di addestramento per il futuro sistema di intelligenza.

Coltivare un simile manuale richiede una cultura della scrittura estesa a tutta l’impresa. Verbali delle riunioni, analisi a posteriori, quaderni di simulazione e frammenti SQL correttivi dovrebbero essere trattati come artefatti di primo piano, conservati in un repository condiviso per la ricerca, la revisione e la riorganizzazione. Le parole scritte si deteriorano lentamente; le tradizioni orali evaporano da un giorno all’altro. Prima un’impresa adotta questa disciplina, più rapidamente converge verso decisioni pienamente informate ed eseguite dalle macchine.

L’obiezione all’automazione basata sull’informazione, dunque, non regge. Questo non affronta però la conoscenza in sé, né l’intelligenza necessaria a utilizzarla. L’obiezione può essere riformulata così: anche disponendo di tutte le informazioni necessarie, non sappiamo ancora formalizzare la trasformazione dell’informazione in decisioni. I dipendenti sanno farlo, ma non sanno dire come, almeno non con una precisione sufficiente a consentirne una replica affidabile da parte di un computer. Questa obiezione ha fondamento e sarà ripresa più avanti nel capitolo Intelligenza.

5.6 Dati scadenti

Negli ultimi quattro decenni, le iniziative di pianificazione della supply chain sono state una serie quasi ininterrotta di fallimenti, come dimostra l’assenza, nella maggior parte delle imprese, di processi decisionali senza intervento umano adatti all’uso in produzione. Pur tornando più avanti su questa affermazione in maggior dettaglio, osserviamo subito che i dati scadenti sono diventati la scusa preferita. Fornitori software, integratori e data scientist attribuiscono invariabilmente la mancanza di risultati a dati inadeguati. Eppure questa spiegazione non regge a un esame più attento.

Dalla fine degli anni 1990, tutte le supply chain di una certa dimensione sono digitalizzate: ogni acquisto, ogni spedizione, ogni vendita e ogni ciclo di produzione viene registrato da qualche parte in un sistema di registrazione. Questo non implica che tali sistemi acquisiscano tutti gli aspetti rilevanti del flusso fisico, né che siano privi di limiti e altri problemi. Eppure, da oltre due decenni, la storia transazionale fondamentale delle grandi imprese è digitale.

Empiricamente, i dati transazionali contenuti nei sistemi di registrazione presentano quasi invariabilmente tassi di errore di appena una registrazione errata su mille. Questa accuratezza non sorprende. Mantenere un registro preciso è una questione di sopravvivenza per le imprese: i crediti insoluti dei clienti devono essere recuperati e le fatture dei fornitori non devono essere pagate due volte. Fallire abitualmente su queste basi garantisce il fallimento oppure, nel migliore dei casi, l’acquisizione da parte di un concorrente meglio gestito, dato che questi problemi sono in gran parte risolvibili. Errori amministrativi occasionali sfuggono ancora alle misure di protezione, ma sono troppo rari per incidere in modo significativo sull’ottimizzazione della supply chain.

I dati non transazionali contenuti nei sistemi di registrazione sono di norma di qualità inferiore a quelli transazionali, proprio perché le registrazioni errate non provocano sistematicamente una sanzione economica. Tuttavia, nel contesto della supply chain, raramente questi dati sono pura spazzatura. La maggior parte delle grandi imprese è infatti abbastanza disciplinata da far sì che i propri registri rispecchino le operazioni quotidiane. Il principale problema di qualità dei dati non transazionali è che alcune registrazioni possono mancare, se i dipendenti riescono ad aggirare il processo di inserimento. Quando l’esperienza utente è scadente, saltare l’inserimento dei dati può essere l’unico modo pratico per restare produttivi. Eppure quei campi rimangono vuoti proprio perché non sono cruciali per mantenere il flusso in movimento.

In un certo senso, il fatto stesso che l’impresa continui a operare dimostra che i dati sono «abbastanza buoni». Decenni fa, alcuni reparti conservavano copie cartacee di riserva, ma tali pratiche sono scomparse dalle grandi supply chain. Se un dato non è nei sistemi dell’impresa, non esiste. Di conseguenza, la mancanza di dati non transazionali non impedisce l’ottimizzazione della supply chain; ne limita soltanto l’efficacia. Inoltre, gli stessi limiti dei dati vincolano i dipendenti che svolgono il compito manualmente. Sono poche le situazioni in cui l’informazione nella testa delle persone basta per ottimizzare. Si affidano invece a politiche indipendenti dal contesto, che mantengono il flusso in movimento, magari in modo inefficiente, con pochi dati. Queste politiche non sono però esclusive della mente umana; il software può riprodurle.

Consideriamo, per esempio, una rete al dettaglio con un magazzino che serve qualche decina di negozi in franchising. Ogni giorno, i negozi gestiti autonomamente inviano ordini al magazzino, aspettandosi l’evasione il giorno successivo. La quantità totale ordinata dai negozi in un dato giorno potrebbe però superare le giacenze fisiche del magazzino. In questa situazione, la politica predefinita è semplicemente «chi prima arriva, prima viene servito». Questa regola ingenua invita a manipolare il sistema: i negozi ordinano più del necessario ogni volta che intravedono una possibile carenza, aggravando ulteriormente il problema. Una politica migliore distribuirebbe le scorte residue nella rete anziché assegnarle tutte ai primi richiedenti. Tale affinamento richiede però più dati, cioè più contesto.

Queste osservazioni mettono in dubbio la diffusa affermazione secondo cui i «dati scadenti» affosserebbero la maggior parte dei progetti di supply chain. Dopotutto, la maggior parte delle iniziative si riduce a una pianificazione dei flussi che richiede soltanto dati transazionali, disponibili e affidabili. Una spiegazione alternativa, più convincente, è che la maggior parte degli specialisti tecnologici — fornitori software, integratori, data scientist interni — non riesca a sfruttare i dati già presenti nei sistemi di registrazione dell’impresa. Infatti, sia i libri sia il software di supply chain tendono a liquidare il problema: la preparazione dei dati viene completamente ignorata, trattata implicitamente come un compito tanto semplice da non meritare metodologie o tecnologie specifiche.

Eppure, come illustrato nella sezione precedente, i sistemi di registrazione non sono mai stati progettati per la data science e difficilmente lo saranno mai. Le grandi imprese utilizzano spesso molti sistemi di registrazione, talvolta decine, con sovrapposizioni funzionali. Un panorama applicativo così caotico nasce da fusioni e acquisizioni, da implementazioni successive che non dismettono mai i vecchi sistemi e da esigenze funzionali sempre nuove. La preparazione dei dati, soprattutto la definizione precisa della semantica dei campi, è quindi invariabilmente una sfida enorme per qualsiasi impresa di una certa dimensione. Questa sfida può essere affrontata soltanto dagli specialisti della supply chain.

In breve, i «dati scadenti» fungono spesso da comodo capro espiatorio per la semplice incompetenza. Se le fonti esterne soffrono spesso di problemi di qualità schiaccianti, non è questo il caso dei sistemi di registrazione gestiti dall’impresa stessa.

6 Intelligenza

L’intelligenza è la facoltà sfuggente che permette alle persone di esprimere i propri desideri e pianificare le azioni necessarie a realizzarli. È evidente che la supply chain, intesa come padronanza dell’opzionalità, richieda una notevole intelligenza per essere condotta con profitto. Una supply chain gestita grossolanamente, invece, grava l’azienda di costi aggiuntivi continui ed evitabili: costi che un’allocazione più accorta delle risorse risparmierebbe.

In un mercato privo di ostacoli, le imprese gestite intelligentemente vengono premiate, mentre le altre vengono eliminate. Il mercato è straordinario per la sua capacità di produrre risultati che i suoi partecipanti non comprendono esplicitamente. Prima abbiamo visto il mercato produrre prezzi; ora vediamo che produce anche una gestione intelligente. Queste capacità si ottengono solo indirettamente, come proprietà aggregata del mercato nel suo complesso. Un dirigente deve comunque affidarsi alla propria intelligenza per migliorare la sua impresa, e in particolare la sua supply chain.

Comprendere l’intelligenza è cruciale per la supply chain, perché oggi una sua grande parte può essere progettata e affidata all’hardware informatico. In pratica, da ben più di un decennio è possibile automatizzare su larga scala, senza intervento umano, le ordinarie decisioni operative che mantengono il flusso delle merci. Non si sta affermando che il problema dell’intelligenza generale sia «risolto»; si osserva piuttosto che l’intelligenza specializzata, costruita attraverso l’ingegneria, offre già una costanza sovrumana in compiti circoscritti e grandi guadagni di produttività. Le onnipresenti applicazioni odierne per il calcolo degli itinerari ne sono una prova discreta ma potente.

La forma architetturale di questa capacità ingegnerizzata è il sistema di intelligenza. Prima di contrapporre intelligenza generale e specializzata, esaminiamo questi sistemi in quanto tali: come nascono in una supply chain moderna, come trasformano registrazioni grezze in decisioni redditizie senza intervento umano, e perché i loro principi progettuali divergono nettamente da quelli delle applicazioni CRUD che dominano il software aziendale.

6.1 Sistemi di intelligenza

Il processo decisionale viene meccanizzato attraverso i sistemi di intelligenza. A differenza dei sistemi di registrazione o di reporting, i sistemi di intelligenza sono progettati per sostituire gli operatori umani, non per l’interazione uomo-macchina. Lo scopo di un sistema di intelligenza è generare le decisioni più redditizie e far sì che vengano prese del tutto senza intervento umano.⁵⁶ Per la maggior parte delle aziende, l’automazione incessante è stata la pietra angolare della redditività. I sistemi di intelligenza estendono questo principio a compiti tradizionalmente affidati al personale impiegatizio. La nostra capacità di progettare un sistema di intelligenza dipende direttamente dalla capacità di meccanizzare l’intelligenza, generale o specializzata che sia.

Sebbene ogni funzione aziendale — marketing, finanza, risorse umane e così via — finirà per avere i propri sistemi di intelligenza, la supply chain è uno degli ambiti più promettenti. Qualsiasi supply chain di una certa dimensione richiede ogni giorno decine di migliaia, talvolta milioni, di decisioni. In assenza di sistemi di intelligenza, servono decine o persino centinaia di impiegati soltanto per mantenere le merci in movimento. All’inizio degli anni 2020, molti retailer e produttori impiegavano più colletti bianchi ad aggiornare fogli di calcolo che operai a movimentare le merci stesse. Il lavoro operaio è stato meccanizzato intensamente per due secoli, in un processo tuttora in corso. Per contro, quasi tutti i guadagni di produttività apportati dal software aziendale negli ultimi cinque decenni provengono dai soli sistemi di registrazione. Gli organici impiegatizi sono diminuiti ben poco: la crescente complessità della supply chain ha assorbito i guadagni.

Eppure dai primi sistemi di controllo delle scorte, introdotti negli anni 1970, ci si attendeva un’ampia automazione delle decisioni⁵⁷. Questi sistemi si basavano quasi invariabilmente sul paradigma delle scorte di sicurezza, o su sue varianti minori: per ogni SKU, il cuscinetto viene dimensionato a partire da una previsione della domanda, un tempo di consegna fornito in ingresso e un livello di servizio obiettivo. Il metodo presume che l’incertezza della domanda segua una distribuzione normale. L’aspettativa iniziale era che un simile sistema potesse generare automaticamente le decisioni sulle scorte, con una modesta supervisione da parte dei dipendenti per aggiornare ogni tanto i parametri. L’aspettativa si rivelò infondata; i sistemi continuarono a richiedere moltissimo lavoro umano.

Nel XXI secolo, tuttavia, dopo alcuni decenni di stallo, l’automazione pratica delle decisioni ordinarie di supply chain divenne possibile grazie a sistemi espressamente progettati come sistemi di intelligenza. Per i professionisti della supply chain, la loro importanza non può essere sopravvalutata: la pratica moderna della supply chain è, in larga misura, un’attività specialistica di sviluppo software. Consiste nel progettare sistemi di intelligenza dedicati alla supply chain. Questa intuizione fondamentale sfugge abitualmente tanto agli autori quanto ai consulenti e agli accademici della supply chain. Di conseguenza, il paradigma tradizionale non riesce a trasformare la pratica della supply chain in un bene produttivo.

6.1.1 Un bene produttivo

E se formassimo i dipendenti e poi se ne andassero? Già, ma se non li formassimo e restassero? (vecchio detto aziendale)

Prima del software, le imprese dovevano assumere e mantenere impiegati per ogni decisione di routine, per quanto piccola, ordinaria o ripetitiva. Al moltiplicarsi delle decisioni si moltiplicavano anche gli impiegati e i loro responsabili. Un’azienda poteva restringere il proprio campo d’azione per ridurre questo organico, ma soltanto riducendo la propria offerta. In questa prospettiva, il personale è una pura spesa operativa (OPEX): le sue giornate di lavoro vengono consumate e, una volta presa una decisione, non lasciano alcun bene durevole.

Anche con la formazione e un’organizzazione affinata, gli organici numerosi hanno raggiunto da tempo il proprio limite di competenza. Per esempio, APICS⁵⁸ (American Production and Inventory Control Society) fu fondata nel 1957; i suoi insegnamenti sono stabili da decenni. Malgrado ciò che molti autori di estrazione consulenziale continuano a sostenere, è ormai irragionevole attendersi che rinnovare i processi o l’organizzazione della supply chain, restando ancorati al paradigma precedente al software, produca qualcosa di più di rendimenti esigui.

La proposta fondamentale di un sistema di intelligenza è trasformare queste spese operative in spese in conto capitale. Anche le giornate-persona investite nella costruzione del sistema migliorano il sistema stesso. Farlo funzionare e mantenerlo continua a costare, ma, trattandosi di software, queste spese sono generalmente una piccola frazione del monte salari necessario a ottenere gli stessi risultati manualmente. Attraverso il sistema di intelligenza, dunque, la pratica della supply chain si concretizza in un bene produttivo. Questo bene è produttivo perché, grazie alle decisioni che automatizza, genera rendimenti continuativi per l’azienda, ben superiori ai suoi costi operativi.

A differenza di un organico impiegatizio, la cui formazione può spingersi solo fino a un certo punto, non esiste un limite superiore a priori alle prestazioni di supply chain che ci si può attendere da un sistema di intelligenza. Innanzitutto, diventa possibile apportare correzioni sostanzialmente definitive a determinate inefficienze o errori. Infatti, per quanto i responsabili siano preparati e diligenti, qualsiasi processo manuale è destinato a subire occasionali errori amministrativi. Inoltre, introdurre ulteriori ridondanze nei processi manuali — come convalide aggiuntive da parte dei colleghi o della gerarchia — è solitamente controproducente, perché rallenta il flusso e aggiunge ostacoli e costi. In secondo luogo, ogni decisione può essere ulteriormente affinata con più dati, predittori più accurati, ottimizzatori più efficaci… senza alcun limite intrinseco alla loro sofisticazione. Il software può già racchiudere ciò che altrimenti richiederebbe intere vite di conoscenze e competenze accumulate, e questo avviene da decenni⁵⁹.

Poiché la manutenzione di un sistema di intelligenza è un problema di intelligenza generale, nessun sistema è ancora completamente autonomo. Dall’inizio degli anni 2010, tuttavia, un numero crescente di aziende utilizza sistemi di intelligenza che mantengono l’esecuzione ordinaria delle proprie supply chain in larga misura senza intervento umano⁶⁰. Le ricette numeriche restano invariate per settimane, se non per mesi.

6.1.2 Una nascita confusa

Dagli anni 1970, i fornitori di software per la supply chain hanno ripetutamente affermato che i loro prodotti avrebbero automatizzato la pianificazione; in pratica, queste promesse non si sono concretizzate: i sistemi forniti non prendevano decisioni senza intervento umano, e per la maggior parte dei fornitori questo resta vero a metà degli anni 2020.⁶¹ I veri sistemi di intelligenza sono emersi solo alla fine del XX secolo, inizialmente su larga scala nella finanza quantitativa, come piattaforme di trading algoritmico, spesso chiamate «algoritmi di trading» o «sistemi di trading automatizzato». A partire dagli anni 1980, gli istituti finanziari hanno utilizzato algoritmi per automatizzare le decisioni di trading, sostituendo di fatto gli operatori umani in varie attività di mercato. Questi sistemi erano progettati per analizzare enormi quantità di dati di mercato, individuare opportunità di trading redditizie ed eseguire transazioni a velocità irraggiungibili per gli esseri umani. Il loro successo ha messo in luce il potenziale trasformativo della meccanizzazione dell’intelligenza, creando un precedente per altri settori.

In altri settori, tuttavia — e in particolare nella supply chain —, la confusione tra sistemi di registrazione e sistemi di intelligenza persiste dall’ascesa del software aziendale negli anni 1970; i fornitori di software, aiutati dagli analisti di mercato, hanno svolto un ruolo cruciale nel perpetuarla. In sostanza, i sistemi di registrazione sono facili da progettare ma offrono rendimenti limitati; i sistemi di intelligenza sono difficili da progettare ma hanno un potenziale immenso. Di conseguenza, la maggior parte dei fornitori presenta i propri sistemi di registrazione come sistemi di intelligenza per gonfiare la disponibilità a pagare dei potenziali clienti. Per quanto grossolana, questa tecnica di marketing resta efficace: negli anni 2020, le aziende continuano a pagare canoni elevati per tecnologie — applicazioni CRUD — divenute prodotti indifferenziati oltre un decennio fa. Molti dirigenti restano convinti che i sistemi di registrazione contribuiscano alla qualità delle loro decisioni aziendali, nonostante diversi decenni di evidenze empiriche contrarie.

Il valore che un sistema di registrazione può offrire ha un limite rigoroso, indipendentemente dalla qualità della soluzione. Infatti, una volta raggiunte un’affidabilità quasi perfetta e una copertura funzionale completa, non restano ulteriori miglioramenti da apportare. Per molti processi — fatturazione, inventariazione, rilevazione dei tempi… — questo traguardo è stato raggiunto oltre un decennio fa. Come avere il miglior contabile del mondo non fa differenza rispetto ad averne uno eccellente, il miglior sistema di registrazione non fa differenza rispetto a uno eccellente.

I fornitori di software aziendale sono sempre stati dolorosamente consapevoli dei limiti intrinseci dei sistemi di registrazione. Fin dall’inizio, hanno incentrato il proprio discorso sulle «decisioni migliori» che le aziende avrebbero preso grazie ai loro prodotti software. Per esempio, nella supply chain i fornitori affermano invariabilmente che le loro soluzioni portano a livelli di stock inferiori e a meno rotture di stock, anche quando il software, nei fatti, delega interamente le decisioni sulle scorte al personale dell’azienda cliente, come accade invariabilmente con gli ERP. I fornitori di sistemi di reporting avrebbero poi seguito un approccio simile, vantando decisioni che, nel migliore dei casi, derivavano solo indirettamente dai loro rapporti.

Il nodo della sfida tecnologica è che né un sistema di registrazione né un sistema di reporting possono essere estesi, in pratica, fino a diventare un sistema di intelligenza. A difesa dei primi fornitori di software degli anni 1970, le ragioni non erano allora immediatamente evidenti; molto probabilmente, quindi, credevano essi stessi che i loro primi sistemi di registrazione avrebbero col tempo inglobato i processi decisionali. Eppure, alla fine degli anni 1990, decine di tentativi falliti di rilievo avevano dimostrato che una simile transizione non sarebbe avvenuta.

6.1.3 Cultura e incentivi

L’automazione delle decisioni di supply chain non è nata dai pionieri del software aziendale divenuti giganti negli anni 1990. Questo è doppiamente sorprendente: quei fornitori non solo osservavano ampiamente le supply chain attraverso i loro sistemi di registrazione, ma promuovevano incessantemente anche la propria capacità di migliorare proprio quei processi. Capire perché non siano riusciti a fornire sistemi di intelligenza per la supply chain è importante, perché le aziende che modernizzano le proprie supply chain affronteranno gli stessi problemi.

Si potrebbe sostenere che il software di fine XX secolo fosse inadeguato e i fornitori eccessivamente ottimisti; questa tesi è discutibile. Infatti, quegli stessi fornitori — principalmente di ERP e CRM — non avevano ancora cambiato direzione un decennio dopo che era diventato evidente che alcune aziende avevano meccanizzato le decisioni di supply chain; mancavano loro progetti capaci di rendere possibile tale automazione. Dunque, pur esistendo barriere tecnologiche, non erano l’ostacolo principale.

Il primo problema sono gli incentivi. I fornitori di sistemi di registrazione generalmente commisurano i canoni al numero di utenti; anche i canoni non legati all’organico, come quelli di assistenza, nella pratica ne seguono l’andamento. Di conseguenza, i fornitori sono incentivati ad aggiungere caratteristiche che aumentano l’organico e disincentivati a orientare i prodotti verso una sua riduzione. I sistemi di intelligenza, il cui scopo esplicito è automatizzare le decisioni, vanno direttamente contro questo intento.

Non sorprende quindi che i fornitori di sistemi di registrazione, spesso molto redditizi, abbiano ben pochi motivi per finanziare tecnologie che potrebbero erodere le loro attuali fonti di profitto. Se l’economia insegna una cosa, è che gli incentivi contano. Se la redditività dell’organizzazione dipende dal fatto che una svolta non avvenga, i visionari al suo interno sono irrilevanti⁶².

Il secondo problema è la cultura ingegneristica. Come osservato, i sistemi di registrazione vengono sviluppati quasi esclusivamente secondo il paradigma CRUD. Rispetto alle alternative, il CRUD richiede competenze ingegneristiche molto inferiori per mantenere ed estendere un’applicazione. Questo è diventato un pilastro della gestione del personale per i fornitori di sistemi di registrazione. Possono così gestire team più numerosi riducendo al contempo la dipendenza dal talento ingegneristico. I sistemi di intelligenza, invece, comportano invariabilmente sfide ingegneristiche difficili, ben poco paragonabili alle banalità del CRUD. Non sorprende che un organico abituato a occuparsi quasi esclusivamente di problemi «facili», spesso per un decennio o più, sia riluttante ad affrontarne di davvero difficili. Come indizio aneddotico, la quasi totalità delle scoperte informatiche degli ultimi due decenni è venuta da aziende di software per il consumatore⁶³, mentre è difficile citare contributi rilevanti dei fornitori aziendali di sistemi di registrazione.

Pertanto, quando introduce un sistema di intelligenza, un’azienda dovrebbe evitare i fornitori specializzati in sistemi di registrazione. Poiché i sistemi di registrazione vengono introdotti per primi, i responsabili sono invariabilmente tentati di rivolgersi al fornitore già presente, che si è dimostrato affidabile. Purtroppo questa fiducia è mal riposta: le caratteristiche che rendono un fornitore efficace nei sistemi di registrazione sono del tutto controproducenti per i sistemi di intelligenza.

6.1.4 Requisiti progettuali incompatibili

Al di là degli incentivi e della cultura, i tentativi di estendere i sistemi di registrazione fino a includere le decisioni sono in gran parte condannati al fallimento da requisiti progettuali incompatibili. Prestazioni, affidabilità e manutenibilità contano per entrambi gli schieramenti, ma ciò che queste nozioni comportano varia drasticamente.

Quando esploreremo le tecnologie per i sistemi di intelligenza della supply chain, apparirà chiaro che un simile sistema non può svilupparsi sensatamente da un’applicazione CRUD ed è meglio costruirlo separatamente. Anche considerazioni elementari rivelano quanto sia ampio il divario tra sistemi di registrazione e sistemi di intelligenza.

6.1.4.1 Prestazioni

Un sistema di registrazione deve rispondere con bassa latenza: qualunque sia l’input o la schermata, le azioni dovrebbero concludersi in millisecondi, idealmente in meno di 100 ms, per restare impercettibili; oltre questa soglia, la produttività delle operazioni ordinarie peggiora. Sebbene 100 ms sembrino pochi, i fenomeni di accodamento fanno sì che un sistema con questo tempo medio infligga comunque ritardi di più secondi: latenze che gli utenti notano e mal sopportano.

Pertanto, in un sistema di registrazione ogni operazione deve concludersi in un tempo sostanzialmente costante, entro un budget fisso di risorse. Poiché tutte le operazioni competono per lo stesso nucleo transazionale, qualsiasi operazione «pesante» finirà per sottrarre risorse al sistema e peggiorare la latenza di molte operazioni. Con migliaia di funzionalità, anche una sola eccezione è rischiosa. Oggi la maggior parte delle aziende dotate di sistemi aziendali «lenti» subisce le conseguenze prevedibili di operazioni pesanti che non avrebbero mai dovuto essere implementate nel sistema di registrazione.

È facile introdurre involontariamente un’operazione così costosa. Per esempio, sommare un numero illimitato di righe — calcolando, per una categoria di prodotti, la media mobile dei ricavi su un anno — è già problematico. Eppure si tratta di un elemento basilare di statistica descrittiva. I lettori esperti di algoritmi potrebbero obiettare che la maggior parte delle statistiche descrittive può essere mantenuta e recuperata entro un limite costante di risorse. È vero, ma una simile sofisticazione è impraticabile⁶⁴. Innanzitutto, il pregio del CRUD è proprio evitare la necessità di competenze algoritmiche. In secondo luogo, su una scala di migliaia di funzionalità, i problemi di prestazioni si insinuano comunque. Evitare del tutto queste operazioni è l’unica salvaguardia che regga all’aumentare della scala.

Un sistema di intelligenza affronta uno scenario prestazionale molto diverso. Consideriamo la decisione su quando e quanto ordinare a un fornitore d’oltremare. Sebbene la tempestività conti, dedicare minuti, o persino ore, a un’ottimizzazione che produca un ordine migliore è sensato. Imporre un limite di 100 ms a una decisione i cui effetti si dispiegheranno nell’arco di settimane non ha senso. Lo scopo dei sistemi di intelligenza è generare le migliori decisioni che l’azienda possa permettersi di progettare. Finché la spesa di calcolo resta trascurabile rispetto ai guadagni marginali, spendere di più è ragionevole.

6.1.4.2 Affidabilità

L’affidabilità ha un significato molto diverso per i sistemi di registrazione rispetto ai sistemi di intelligenza. Se un sistema di registrazione si arresta, qualsiasi processo che ne dipende si blocca immediatamente. Per esempio, il prelievo della merce può fermarsi se il sistema di gestione delle scorte non funziona. Quando si progetta un sistema di registrazione, quindi, è essenziale mantenerlo sempre operativo. Poiché le applicazioni CRUD separano le responsabilità, la maggior parte dei bug è locale: interessa una sola schermata o un solo processo. Mantenere in funzione il sistema di registrazione nonostante un problema identificato è solitamente preferibile a spegnerlo finché il bug non viene corretto. Anzi, dovrebbe essere possibile correggere il sistema mentre le operazioni sono ancora in corso, perché la risoluzione di un problema locale non dovrebbe danneggiare il resto dell’azienda. Questa capacità, l’hot-patching, è generalmente considerata tecnicamente difficile. Tuttavia, il paradigma CRUD, attraverso il motore del database relazionale, la fornisce in larga misura. Nella pratica, quindi, gli ingegneri software che sviluppano un sistema di registrazione raramente hanno bisogno di competenze nel calcolo distribuito per raggiungere una disponibilità quasi perfetta.

Al contrario, quando si sospetta che un sistema di intelligenza sia difettoso, la prudenza impone di arrestarlo e formulare una diagnosi prima di ripartire. Decisioni compromesse possono costare moltissimo. Per esempio, un ordine enormemente sovradimensionato a un fornitore d’oltremare garantisce quasi certamente una svalutazione delle scorte, se non una loro cancellazione contabile.

Di conseguenza, in un sistema di intelligenza la qualità economica delle decisioni conta più della disponibilità del sistema. Quando la fiducia diminuisce, il motore dovrebbe fermarsi, deliberatamente e rapidamente, sulla base di euristiche esplicite; questo evita errori costosi ed è solitamente la scelta più redditizia. Queste euristiche di arresto non sono gli «avvisi» e le «eccezioni» emessi quando si forza un sistema di registrazione a diventare uno strumento decisionale. Le architetture CRUD non possono codificare le sottigliezze delle decisioni non banali, perciò i casi particolari proliferano: la logica elementare di riapprovvigionamento fallisce con i lanci, la cannibalizzazione, le promozioni dei concorrenti e altri shock ordinari. Eppure spegnere l’applicazione è inaccettabile: i casi particolari sono abbastanza frequenti da lasciarla ferma per la maggior parte del tempo e, trattandosi anche del sistema di registrazione, arrestarla paralizzerebbe le operazioni. Lo strumento registra quindi un’eccezione e passa il caso a una persona. Un vero sistema di intelligenza fa l’opposto: il motore decisionale si arresta e le operazioni riprendono solo dopo l’introduzione di una correzione nel programma, ossia una modifica della logica; sbrigare manualmente i casi non è un’opzione.

6.1.4.3 Manutenibilità

Le due categorie differiscono nettamente anche nell’approccio alla manutenibilità. In un sistema di registrazione, una volta aggiunte nuove entità, i clienti ne dipendono: vi sono stati memorizzati dati e i processi ormai si basano su di essi. I problemi iniziano quando le entità si sovrappongono e diventano impossibili da mantenere. Le sovrapposizioni creano una confusione irrisolvibile: le entità non possono essere rimosse, e neppure ridotte. Creano inoltre conflitti quando si prosegue lo sviluppo del software. Situazioni analoghe si verificano quando le entità sono mal definite, ambigue o compromettono altrimenti l’integrità semantica dell’insieme. Per un sistema di registrazione, dunque, la manutenibilità consiste soprattutto nel vagliare attentamente le entità e i comportamenti che vi si sovrappongono.

Inoltre, in un sistema di registrazione la sola dimensione della base di codice non costituisce, di per sé, un problema di manutenibilità. Molti di questi sistemi contengono migliaia di entità distribuite su decine di migliaia di tabelle. Basi di codice più grandi impongono maggiori costi aggiuntivi per estendere il prodotto, ma non ne compromettono la continuità. Un’ipotetica riscrittura completa che richieda anni è inoltre accettabile. Pur non essendo auspicabile, non è una preoccupazione primaria: nessuna situazione richiede una riscrittura completa immediata. Se l’attività si estende in una direzione non prevista dai sistemi di registrazione esistenti, è accettabile introdurre un nuovo sistema che li integri. L’integrazione può rivelarsi impegnativa, ma neppure lontanamente quanto una riscrittura completa dei sistemi precedenti.

Un sistema di intelligenza, invece, è manutenibile se, di fronte a condizioni senza precedenti, può essere riprogettato rapidamente per riprendere le operazioni. Tali condizioni possono derivare da un drastico cambiamento strategico, da un mutamento improvviso del mercato o da qualsiasi fattore che alteri radicalmente il flusso. Un sistema di intelligenza dovrebbe gestire le variazioni ordinarie, ma non ci si può attendere che un’intelligenza specializzata gestisca sconvolgimenti radicali. Serve l’intelligenza generale, che non è prontamente disponibile in forma computerizzata.

Per esempio, durante il panico globale del 2020, di fronte a un forte calo del traffico passeggeri, alcune aziende MRO aeronautiche smisero di riparare determinati rotabili, ossia componenti riparabili, e immagazzinarono gli articoli non utilizzabili per preservare la liquidità. Le riparazioni possono costare un terzo del prezzo dell’articolo; con scorte utilizzabili eccedenti a causa del traffico ridotto, rinviare queste spese ha senso. Prima del 2020, conservare articoli non utilizzabili non era ritenuto praticabile e, di norma, non esisteva un processo per rinunciare alle riparazioni. Tutti i rotabili idonei alla riparazione venivano riparati per prassi. Condizioni di mercato senza precedenti invalidarono questa politica. Sarebbe stato irragionevole attendersi che un sistema di intelligenza progettato prima del 2020 rispondesse adeguatamente ai lockdown di quell’anno. I sistemi in produzione dovettero essere modificati in profondità per adattarsi alla nuova realtà.

Poiché condizioni nuove possono richiedere una riscrittura completa della logica decisionale, questa riscrittura deve restare fattibile. In pratica, il team dovrebbe abbozzarne una versione nel giro di ore e rifinirla nel giro di giorni. Tra questi estremi, quando scatta un’euristica di arresto, dovrebbe essere possibile indagare e risolvere il caso entro poche ore, eventualmente in meno di un’ora. Questo implica che un ingegnere debba sempre poter intervenire nella logica centrale per valutare i problemi e, se necessario, correggerli sul momento.

La base di codice di un sistema di intelligenza dovrebbe quindi restare piccola e chiara, idealmente gestibile da un solo ingegnere. Si deve presumere che la logica esistente finirà per incontrare condizioni che superano la sua capacità di produrre decisioni sensate. Quando ciò accade, non resta che ricorrere all’intelligenza generale di un dipendente capace per riprogettare la logica in funzione della nuova realtà. In sostanza, per un sistema di intelligenza la manutenibilità è la capacità di riscrivere il sistema, più o meno completamente, in caso di sconvolgimenti.

6.1.5 Nessun problema senza soluzione

Il successo o il fallimento dei sistemi di intelligenza dipende da come inquadrano il gioco aziendale a cui sono chiamati a partecipare. Anche un ottimizzatore impeccabile distrugge valore se persegue l’obiettivo sbagliato. Prima di lasciare che il software ragioni per nostro conto, dobbiamo dunque chiarire esattamente su che cosa debba ragionare. Questa impresa si rivela sorprendentemente difficile.

Dalla scuola primaria all’università, agli studenti vengono presentati «problemi» da risolvere. Molti voti, se non la maggior parte, dipendono in modo cruciale dalla loro capacità di trovare soluzioni a quei problemi. Questo approccio persiste non tanto per i suoi meriti pedagogici, quanto perché offre alle istituzioni un modo facile e apparentemente oggettivo di valutare gli studenti. Tuttavia, questa mentalità orientata alla risoluzione dei problemi è profondamente radicata nella nostra cultura industrializzata e ha almeno due conseguenze degne di nota. Queste conseguenze contano molto per la supply chain e, più in generale, per le imprese davvero difficili.

Innanzitutto, esiste una riluttanza quasi istintiva a riflettere sui «problemi». Le istituzioni accademiche insegnano e premiano la ricerca di soluzioni, non l’invenzione dei problemi. Dopo due decenni trascorsi al loro interno, questo schema si radica profondamente nella maggior parte di noi. Di conseguenza, spesso fatichiamo a formulare un problema se non intravediamo già una soluzione. Pensare alle soluzioni ci viene naturale — vi abbiamo dedicato migliaia di ore — mentre riflettere sui problemi stessi è, per i più, un’attività raramente praticata.

Di conseguenza, professionisti e autori ignorano spesso importanti problemi di supply chain semplicemente perché non hanno a disposizione una soluzione pronta. Ne sono esempi gli sconti per quantità, la cannibalizzazione, i comportamenti avversariali, l’incertezza del modello e l’ottimizzazione in condizioni di incertezza: tutte questioni rilevanti che il discorso odierno sulla supply chain in gran parte elude. Le aziende le affrontano indirettamente attraverso politiche aziendali, ricette operative che mantengono l’attività in movimento, ma raramente esplicitano il problema preciso che ciascuna politica intende risolvere. Per un sistema di intelligenza, questa omissione è fatale: il codice ottimizzerà fedelmente la questione di ieri mentre il mercato avrà già cambiato gioco.

In secondo luogo, mettere in discussione l’enunciato stesso del problema viene istintivamente percepito come una sfida all’autorità. Dopo due decenni nelle istituzioni accademiche, infatti, ogni studente sa che rispondere non ha importanza a una domanda garantisce un brutto voto. Eppure troppo spesso quella risposta è comunque quella appropriata. Selezionare attentamente quali problemi affrontare è fondamentale. Le risorse — tempo, potenza di calcolo, persone — sono sempre limitate, quindi non possiamo affrontare ogni problema concepibile. Una delle competenze più cruciali dell’imprenditore è scegliere saggiamente quali problemi risolvere. Questa prospettiva differisce radicalmente da quella dei dipendenti, ai quali di norma viene chiesto non solo di risolvere un determinato problema, ma anche di seguire un metodo codificato nelle politiche aziendali.

Sia il mondo accademico sia quello aziendale mantengono incentivi che scoraggiano la messa in discussione dell’enunciato stesso del problema. Nelle università, pubblicazioni, finanziamenti e reclutamento degli studenti dipendono tutti dal restare entro ambiti di ricerca ufficialmente riconosciuti. Gli studiosi possono occuparsi di qualsiasi argomento «pertinente», purché rientri nel canone della loro disciplina. Max Planck colse questa dinamica nella sua Autobiografia scientifica (1950): Una nuova verità scientifica non trionfa convincendo i suoi oppositori e facendo loro vedere la luce, ma piuttosto perché i suoi oppositori alla fine muoiono e cresce una nuova generazione che la conosce.

Nelle aziende, la soluzione di ogni problema si concretizza in un organigramma e in una voce di budget. Mettere in discussione il problema minaccia quindi lo status quo e crea vincitori e vinti tra i responsabili. La politica interna è inevitabile nelle grandi imprese e rappresenta un grosso ostacolo alla riformulazione del problema. La storia aziendale mostra che le organizzazioni, come le persone, muoiono, e il rifiuto di affrontare problemi nuovi è una delle principali cause di declino.

Il primo risultato da consegnare in un progetto di sistema di intelligenza non è quindi il codice, ma un enunciato chiaro e verificabile del problema economico. Solo dopo che tale enunciato ha superato un esame critico volto a confutarlo dovrebbero iniziare l’ottimizzazione, le previsioni e la preparazione dei dati. Poste le basi ingegneristiche e culturali, possiamo ampliare la prospettiva e tornare all’intelligenza in sé, prima nella sua forma universale, poi nelle varietà specializzate con cui il lavoro di supply chain si confronta quotidianamente.

6.2 Intelligenza generale

I sistemi di intelligenza contengono ragionamenti circoscritti, vincolati al software, mentre l’intelligenza generale è indipendente dal problema e non deve necessariamente eccellere in un singolo compito. Il suo tratto distintivo è la capacità di affinare sia l’inquadramento sia la risoluzione dei problemi. Enigmi e racconti, strumenti per sviluppare l’intelligenza tanto nei bambini quanto negli adulti, accompagnano l’umanità dalla notte dei tempi. Un enigma è un esercizio volto ad affinare la mente come fine in sé. I racconti svolgono un ruolo simile, ma sfruttano la nostra risposta emotiva per facilitare la memorizzazione.

La scrittura, inventata oltre 5.000 anni fa, va considerata un amplificatore dell’intelligenza generale umana, piuttosto che la sua causa. Esternalizza la memoria: prospettive, intuizioni e fatti possono essere registrati, criticati e ricombinati molto tempo dopo la morte dei loro autori. La stampa e, molto più tardi, il web hanno ridotto i costi di copia e ampliato il coordinamento, accelerando questo ciclo di retroazione. Tuttavia, più capacità di archiviazione non produce di per sé comprensione o giudizio. Un dispositivo di un grammo può contenere più letteratura di quanta se ne possa leggere in molte vite e restare del tutto privo di intelligenza: memorizzare non significa essere intelligenti.

Animali intelligenti come le orche e gli scimpanzé trasmettono ai piccoli conoscenze culturali, come accorgimenti per cacciare o procurarsi cibo. Dimostrano un’intelligenza notevole, ma l’intelligenza generale sfugge loro. Contrariamente alle teorie filosofiche del passato, nessun singolo tratto sembra esclusivamente umano. Linguaggio complesso, individui con un nome, umorismo, strumenti, logica formale e teoria della mente⁶⁵ esistono tutti, in forma ridotta, nel regno animale. Il passaggio dall’intelligenza all’intelligenza generale è dunque una soglia poco netta: molte facoltà mentali devono superare un limite quantitativo prima che avvenga un salto qualitativo.

Fino all’inizio degli anni 2020, l’automiglioramento deliberato dell’intelligenza generale era esclusivamente umano e decisamente artigianale. La mente resiste all’«ingegnerizzazione» intesa come miglioramenti illimitati e riproducibili. Millenni di pedagogia hanno prodotto molte tecniche, ma nessuno si aspetta una svolta in quest’ambito, almeno nel futuro prevedibile⁶⁶. Una nuova lingua, l’algebra lineare o la termodinamica non si padroneggiano da un giorno all’altro; lo studio disciplinato resta l’unica via.

Negli anni 2010, le intelligenze specializzate erano in grado di migliorarsi da sole in ambiti circoscritti, soprattutto nel Go⁶⁷. L’inizio degli anni 2020 ha segnato una svolta: i grandi modelli linguistici, i cui esemplari più grandi mostrano una scintilla riconoscibile di intelligenza artificiale generale⁶⁸. Come la stampa o il web, questi modelli ampliano la capacità dell’umanità di affinare la propria intelligenza.

Poste queste basi, possiamo chiarire l’«intelligenza generale». Le prossime tre sottosezioni affrontano l’argomento da angolazioni diverse. Innanzitutto ci chiediamo quando una questione diventi un problema di intelligenza generale, il cui spazio delle opzioni sfugge a limiti formali. Poi esaminiamo i ruoli impiegatizi nei team di supply chain per mostrare perché richiedano intelligenza specializzata, non generale, e siano quindi pronti per l’automazione. Infine valutiamo i grandi modelli linguistici, oggi il tentativo più promettente di costruire un’intelligenza generale, distinguendo i contributi reali dal clamore. Insieme, queste prospettive trasformano un’idea filosofica in indicazioni operative per le supply chain moderne.

6.2.1 Problemi di intelligenza generale

I problemi di intelligenza generale sono intrinsecamente aperti. Ogni soluzione si limita ad approfondire la nostra comprensione e impone una nuova formulazione, che richiede a sua volta una nuova soluzione. Interrompere questo ciclo non è mai definitivo: i punti di arresto sono in parte arbitrari, una tregua pragmatica dettata dall’economia, dagli strumenti e dall’attenzione disponibili oggi, finché la realtà non impone una nuova formulazione. Questi problemi possono sembrare soggettivamente rari perché, una volta nominati, la maggior parte dei «problemi» viene prontamente racchiusa in confini formali per renderla trattabile. Tuttavia, quasi tutti i problemi aziendali, nella loro forma nuda, sono problemi di intelligenza generale.

La ricerca imprenditoriale del profitto è un chiaro esempio di problema di intelligenza generale. Il capitale, il tempo e l’attenzione manageriale di un’impresa sono finiti; i modi in cui possono essere impiegati sono praticamente illimitati e mutano continuamente. In ogni momento, l’imprenditore deve decidere se impegnarsi nella migliore opzione attualmente nota o spendere risorse per cercarne una migliore, sapendo che la ricerca stessa consuma quelle medesime risorse scarse. Poiché lo spazio delle opzioni cambia al mutare delle tecnologie, dei concorrenti e delle norme, nessuna formalizzazione fissa chiude il problema. L’imprenditorialità appartiene quindi pienamente all’intelligenza generale. La storia mostra imprenditori che ridefiniscono ripetutamente, o inventano, settori mai immaginati dai loro predecessori.

Il problema dell’instradamento dei veicoli, ossia la scelta dei percorsi ottimali per una flotta che deve servire determinati clienti, è invece l’archetipo di un problema delimitato. Risolverlo può essere difficile⁶⁹, ma non richiede intelligenza generale. Qualsiasi soluzione deve rispettare l’enunciato formale del compito nella teoria dei grafi. L’insieme delle opzioni è finito, anche se astronomicamente grande, e ogni candidato ha la stessa forma: una permutazione delle fermate e dei relativi orari, valutata secondo un modello di costo fisso; non compare mai una mossa davvero sorprendente.

Ogni problema nasce come un groviglio da affrontare con l’intelligenza generale; trasformarlo in un problema «delimitato» e trattabile è a sua volta un atto di intelligenza generale⁷⁰. La domanda cruciale è se la formalizzazione scelta sia adeguata. Il mondo accademico può catalogare rompicapi all’infinito, ma le aziende devono scegliere un inquadramento, perché ogni risorsa può essere allocata una sola volta. Torneremo più avanti su questo punto metodologico.

Viceversa, qualsiasi problema delimitato può essere ricondotto a un problema di intelligenza generale cambiando il quadro che lo rendeva «delimitato»: una mossa talvolta liquidata come un «imbroglio» perché viola le regole originarie. Nell’instradamento dei veicoli, il problema da manuale presuppone un insieme fisso di clienti, promesse di servizio, flotta e prezzi. Nel momento in cui rinegoziamo uno qualsiasi di questi elementi — rinunciare a consegne remote o rinviarle, prezzarle diversamente, aggiungere armadietti di ritiro o un corriere, cambiare tipo di veicolo, ampliare le finestre di consegna, o persino rendere del tutto superflua la consegna, come ha fatto lo streaming con le cassette —, il problema originario svanisce. Non abbiamo trovato un percorso più intelligente: abbiamo cambiato il gioco. Questa riformulazione, che modifica vincoli, impegni o benefici, è precisamente il lavoro dell’intelligenza generale.

I capitoli precedenti hanno mostrato che diverse sfide della supply chain sono autentici problemi di intelligenza generale. Tre spiccano. (1) Scegliere il modello economico, che definisce come le azioni si traducano in costi, ricavi, rischi e vincoli: il punteggio che ottimizziamo. (2) Definire lo spazio delle opzioni: l’insieme di azioni, tempistiche e quantità ammissibili che l’impresa è disposta a considerare; una decisione è una scelta all’interno di questo insieme, non l’insieme stesso. (3) Progettare le ricette numeriche che, a partire dai dati, scelgono decisioni entro quello spazio delle opzioni per massimizzare i rendimenti aggiustati per il rischio rispettando i vincoli. Poiché i comportamenti avversariali di concorrenti, dipendenti, fornitori, clienti o fornitori di software mettono continuamente alla prova i confini, solo l’intelligenza generale può affrontare queste questioni. La storia dei fornitori che sfruttavano un ERP debole per spedire scorte eccedenti è uno di questi sovvertimenti.

Gran parte dei lavori pubblicati sulla supply chain resta rigidamente legata a formulazioni delimitate e lascia implicite le scelte progettuali che richiedono intelligenza generale: obiettivo, vincoli e spazio delle opzioni. Questo non rende tali problemi intrattabili. In pratica, occorre rendere esplicite quelle scelte nascoste — esprimere l’obiettivo economico in termini monetari, elencare le opzioni ammissibili e definire le condizioni di arresto — e poi scomporre il lavoro in sottoproblemi delimitati che una macchina possa risolvere. Le prossime sezioni mostrano tattiche concrete per farlo e per iterare quando la realtà oppone resistenza. Il programma è necessariamente incompleto: i problemi di intelligenza generale non possono essere «chiusi». È però sufficiente a produrre decisioni redditizie senza intervento umano.

6.2.2 Il lavoro impiegatizio nella supply chain

Le sfide della supply chain richiedono una notevole intelligenza generale. Un equivoco persistente vuole che anche le decisioni di routine richiedano lo stesso livello. Non è così: richiedono soltanto intelligenza specializzata, ossia processi strutturati che possono essere progettati e affidati al software.

L’equivoco nasce da pratiche superate. In molte imprese, gli impiegati decidono ancora, per esempio, se emettere un ordine di riapprovvigionamento. Applicano certamente le politiche con intelligenza, ma l’intelligenza generale entra ben poco in gioco; a ben vedere, quasi per nulla.

Queste politiche sono solitamente lievi variazioni di pratiche degli anni 1970⁷¹. Gli impiegati raramente ne migliorano i fondamenti: si limitano a eseguire e mantenere le regole. Anche la manutenzione dei parametri, per esempio gli aggiustamenti dei livelli di servizio, è un compito specializzato e vincolato a regole. Ancora una volta, l’intelligenza generale non ha alcun ruolo.

Sebbene strumenti di reporting migliori abbiano aumentato la produttività, non hanno migliorato le decisioni stesse. Risparmiare ai dipendenti la ricerca dei livelli di stock e dello storico delle vendite è utile, ma limitarsi a mostrare i numeri non rivela, di per sé, come trasformarli in profitto.

Detto senza mezzi termini, l’impiegato della supply chain del XXI secolo⁷² è l’equivalente, tra i colletti bianchi, dell’operaio di fabbrica del XX secolo. Ogni giornata inizia aprendo un’applicazione, spesso un foglio di calcolo, e passando faticosamente in rassegna centinaia di righe. Il ciclo è infinito: i migliori diventano formatori o supervisori e lo perpetuano. Una scrivania non conferisce, di per sé, «intelligenza». Con la tecnologia odierna, questi ruoli impiegatizi finiranno presto nei libri di storia, obsoleti, con sollievo generale.

Eppure il sapere accumulato da quegli stessi impiegati è tutt’altro che sacrificabile. Le loro euristiche quotidiane, affinate in anni di lotta con le stranezze dei fornitori di software, i casi particolari dei cataloghi e i rimedi improvvisati, costituiscono le conoscenze tacite del settore che i sistemi di intelligenza di domani dovranno assorbire, formalizzare e superare. L’automazione, dunque, non ripudia la loro competenza: è il mezzo che la conserverà, la porterà su scala più ampia e finalmente la libererà dalla fatica ripetitiva che oggi ne limita l’impiego.

Prima di considerare come scompaiano i compiti di routine, ricordiamo perché la leadership fondata sulle «competenze relazionali» avesse tanto peso nei team di supply chain. Quando la pianificazione era manuale o semimanuale, i responsabili dedicavano la maggior parte delle proprie energie a coordinare eserciti di impiegati, arbitrando le priorità, attenuando gli attriti tra compartimenti e impedendo che il flusso di lavoro si bloccasse. Questa necessità viene meno non appena le decisioni sono automatizzate. Quando un’intelligenza ingegnerizzata, e in prospettiva artificiale, si assume il carico della pianificazione, il problema del coordinamento si ridimensiona drasticamente: una manciata di specialisti può dirigere un enorme flusso di lavoro.

Il mandato cambia. Il compito del responsabile passa dal guidare le persone all’assumere la responsabilità della macchina che prende le decisioni. Questa responsabilità ha quattro parti: (1) esprimere l’obiettivo economico in termini monetari e definire lo spazio delle opzioni ammissibili; (2) tutelare la qualità delle decisioni mediante verifiche, euristiche di arresto ed esecuzioni parallele quando necessario; (3) curare la semantica e la provenienza dei dati, affinché gli input restino affidabili; (4) reclutare e proteggere un piccolo team di mentalità ingegneristica, capace di modificare la logica con poco preavviso. Carisma ed empatia restano utili, soprattutto per allineare finanza, merchandising e operazioni attorno allo stesso obiettivo, ma non possono sostituire la responsabilità tecnica. Le imprese che restano aggrappate ai processi impiegatizi continueranno a premiare il teatro delle competenze relazionali anche mentre i margini si erodono: un tema su cui torneremo parlando delle previsioni manuali.

6.2.3 Grandi modelli linguistici

I grandi modelli linguistici (LLM), emersi all’inizio degli anni 2020, segnano una tappa fondamentale in sette decenni di rapido progresso del software. Si può sostenere che gli LLM più capaci mostrino la prima scintilla di intelligenza generale e meritino quindi particolare attenzione. Contano per il lavoro di supply chain, anche se molti «casi d’uso» promossi dai fornitori sono semplici sciocchezze che cavalcano le parole di moda.

Concettualmente, un LLM fa una sola cosa: legge una sequenza di simboli e predice il successivo, aggiungendolo all’input. La sequenza in ingresso è il prompt; l’atto di generare è il completamento della sequenza. I simboli potrebbero essere singoli caratteri, ma le prestazioni migliorano quando il modello opera su gruppi di più caratteri chiamati token, con vocabolari che in genere ne contano \(\sim\)100.000. Il testo viene tokenizzato prima dell’inferenza e detokenizzato dopo, ripristinando il linguaggio ordinario⁷³.

Internamente, un LLM assegna probabilità a tutti i possibili token successivi. Si può campionare da questa distribuzione anziché scegliere sempre l’opzione più probabile, introducendo casualità controllata da un parametro di temperatura, dove temperatura = 0 produce un output deterministico.

Gli LLM hanno una finestra di contesto fissa: il numero massimo di token per prompt e output insieme. Quando si supera questo limite, i token più vecchi vengono eliminati e la loro informazione va perduta. Oggi i modelli contengono comunemente oltre 100.000 token, circa 100 pagine di testo. Tecniche come la generazione aumentata dal recupero di informazioni (RAG) ne estendono la portata pratica, ma esulano da questa discussione.

Eseguire un modello, ossia compiere l’inferenza, è semplice; crearlo, ossia addestrarlo, è molto più difficile. Gli LLM sono reti di deep learning con miliardi di parametri disposti in tensori⁷⁴ e combinati mediante operazioni prevalentemente di algebra lineare.

Questi corpora contengono in genere mille miliardi di token o più. L’addestramento elabora il corpus un token alla volta e, a ogni passaggio, sposta leggermente i parametri⁷⁵ verso una previsione probabilistica più accurata del token successivo. Dopo aver acquisito il corpus pubblico, l’addestramento si ripete con un corpus molto più piccolo, volto a modellare gli schemi generativi del modello su quelli di un assistente utile. Quest’ultimo processo è il fine-tuning.

Questa sintesi chiarisce anche perché i modelli siano detti preaddestrati: a differenza della maggior parte dei modelli di apprendimento automatico, gli utenti non devono fornire un proprio insieme di dati; lo fornisce chi li addestra.

Gli LLM incarnano un tipo di intelligenza straniante e non umano. I fornitori di software ne esagerano le capacità, mentre molti esperti di supply chain, e intere organizzazioni, le sminuiscono, trattando gli LLM come una curiosità che lascia invariate sia la teoria sia la pratica. Entrambe le posizioni sono errate. Gli LLM non sono né magici né trascurabili. Richiedono competenze di base nella formulazione dei prompt⁷⁶ e strumenti adeguati; senza questi, qualsiasi modello sembra «stupido». Le loro prestazioni dipendono fortemente dal compito: mediocri nell’aritmetica e nel calcolo numerico rigoroso, ma sovrumane nel rendere leggibile codice minificato, ristrutturare codice ripetitivo o riformulare fragili regole aziendali. Un professionista competente li affronta con aspettative preliminari su dove eccelleranno e dove falliranno. In questo senso, la formulazione dei prompt si è aggiunta ai fogli di calcolo e agli elaboratori di testi tra i requisiti di base del lavoro impiegatizio.

I modelli contemporanei sono anche multimodali. La maggior parte degli LLM di frontiera acquisisce immagini in modo nativo e molti oggi ne producono anche; la stessa integrazione si sta estendendo all’audio, sia al riconoscimento sia alla sintesi vocale, facendo rientrare a forza pixel o forme d’onda in pseudo-token. Al di fuori di queste modalità native, tuttavia, le impressionanti capacità «aggiuntive» che le persone osservano — ricerca web, esecuzione di codice, recupero di informazioni, ottimizzatori, simulatori — provengono ancora da un orchestratore posto sopra il modello. Il modello emette una chiamata strutturata a uno strumento; l’orchestratore richiama lo strumento esterno; il risultato viene reinserito nel contesto e il completamento riprende.⁷⁷ Un LLM privo di strumenti è un abile completatore automatico; gli stessi pesi, dotati di strumenti, si comportano come un analista competente con browser, calcolatrice e terminale. L’intelligenza nei pesi resta invariata; le capacità, e quindi l’utilità, no.

I modelli linguistici moderni mostrano una scintilla di intelligenza generale per due ragioni: sanno scrivere codice e seguire prompt con una catena di ragionamento. Il loro codice è inferiore a quello di un ingegnere esperto, ma supera già quello di informatici poco qualificati. La capacità di scrivere software è fondamentale, perché l’automiglioramento, tratto distintivo dell’intelligenza generale, la richiede.

Il prompting con una catena di ragionamento induce il modello a ragionare ad alta voce. Basta spesso aggiungere «Ragioniamo passo dopo passo.»⁷⁸ a un prompt per aumentare l’accuratezza della risposta, ma i token aggiuntivi di ragionamento aumentano il costo di calcolo. La figura seguente illustra l’effetto.

La catena di ragionamento (CoT) aiuta obbligando il modello a scomporre un compito in passaggi più piccoli entro la sua finestra di contesto. Il modello non conserva memoria oltre quella finestra; nessuno stato nascosto passa da una risposta alla successiva. La CoT si limita a spendere più token durante l’inferenza per esplicitare il ragionamento intermedio. Questo migliora solitamente l’affidabilità fino a un certo punto, con rendimenti decrescenti e limiti rigidi imposti dalla finestra. I sistemi recenti svolgono sempre più spesso questa espansione dietro le quinte e nascondono la traccia grezza, nelle modalità «di ragionamento», per risparmiare agli utenti lunghi monologhi. La CoT è un budget da spendere durante l’inferenza per le domande più difficili, non una nuova capacità nei pesi del modello.

Nonostante il loro fascino, i grandi modelli linguistici consumano generalmente un milione di volte più calcolo degli algoritmi classici che svolgono lo stesso compito. I progressi dell’hardware ridurranno i costi per token, ma difficilmente questi modelli potranno mai competere con codice di elaborazione dei dati costruito appositamente. Riserviamoli ai compiti fuori dalla portata degli algoritmi ordinari.

I modelli linguistici contano per la supply chain soprattutto in due modi: primo, accelerando la scrittura e la manutenzione delle ricette numeriche e della loro documentazione; secondo, estraendo caratteristiche dal testo grezzo. Torneremo su entrambi più avanti. Le altre applicazioni sono secondarie.

6.2.3.1 Usi impropri dei grandi modelli linguistici

Dall’inizio degli anni 2020, molti fornitori di software aziendale hanno avanzato affermazioni audaci, spesso insensate, sull’intelligenza artificiale (IA). Nascondono i dettagli non per proteggere segreti, ma per mascherare quanta poca tecnologia ci sia sotto. Gran parte del clamore ruota attorno ai grandi modelli linguistici (LLM). Smontiamo le principali affermazioni.

La nostra IA produce previsioni più accurate: i modelli linguistici sono poco adatti alla previsione di serie temporali, o al lavoro numerico di qualsiasi tipo. Le loro prestazioni, sia in accuratezza sia in costo computazionale, sono disastrose rispetto anche a modelli statistici elementari, per non parlare dei migliori. I modelli previsionali preaddestrati, un’idea ispirata agli LLM, sono oggetto di ricerca attiva. Possono essere utili altrove, ma, come mostra il capitolo Il futuro, per il lavoro di supply chain sono un vicolo cieco.

La nostra IA elabora tutti i vostri dati: per ogni byte, i modelli linguistici sono costosi e lenti, e lo resteranno nel futuro prevedibile. Di norma, elaborare megabyte di dati attraverso un modello linguistico è un’operazione non banale che richiede minuti. Le grandi aziende hanno terabyte di registrazioni nei propri sistemi aziendali. Far passare semplicemente un intero insieme di dati aziendali attraverso un LLM, anche una sola volta, resterà proibitivamente lento e costoso per anni. A prescindere dal costo, un LLM fa una sola cosa: completa sequenze. È uno strumento versatile, ma forzarvi il passaggio di enormi insiemi di dati non testuali non offre alcun vantaggio evidente.

La nostra IA parla con gli utenti finali: poiché i fornitori di software fatturano per utente, l’inefficienza vende: ogni impiegato in più costretto a lottare con il software significa ricavi aggiuntivi. Agganciare un LLM a una schermata per creare un’interfaccia «chat» non fa che peggiorare la situazione: conversare è lento e faticoso. I chatbot hanno posto nei servizi di assistenza, non nei processi aziendali ad alto volume; formare le persone su un’interfaccia ben concepita batte sempre un dialogo macchinoso.

Nel software aziendale, gli LLM sono la moda del momento, una di una lunga serie, presto destinata a essere sostituita dalla successiva. Da quarant’anni dominano i sistemi CRUD e questa cultura, prevalente tra i fornitori di sistemi di registrazione, resiste all’integrazione sostanziale di idee nuove, anche quando sono valide.

6.2.4 Idee sbagliate sull’intelligenza

La cultura popolare veicola da decenni l’idea di intelligenza artificiale (IA), e molte intuizioni odierne nelle stanze dei dirigenti riecheggiano ancora teorie del XX secolo su come dovrebbe apparire l’«intelligenza». Questo conta perché tali intuizioni si riversano direttamente nelle decisioni di supply chain: determinano quali progetti vengono finanziati, quali rischi vengono temuti e quali leve restano inutilizzate. Prima di meccanizzare le decisioni, dobbiamo sgomberare il campo dai miti che fanno oscillare i dirigenti tra paralisi e credulità.

Nella supply chain, la domanda pertinente non è se le macchine «penseranno come noi», ma se il software saprà fare sistematicamente scommesse migliori su che cosa si muove, dove, quando e in quale quantità, e farlo senza intervento umano, con risultati economici verificabili. Le idee sbagliate sull’IA spingono le imprese verso due errori simmetrici: l’allarmismo, che rinvia automazioni redditizie con il pretesto che «l’IA è pericolosa», e l’antropomorfismo, che scambia una conversazione simile a quella umana per capacità decisionale e dà il via libera a giocattoli fragili.

Le prossime pagine esaminano tre equivoci persistenti — la «singolarità», la concezione del test di Turing secondo cui una chat dal tono umano implica intelligenza generale, e il paradosso di Moravec, interpretato erroneamente come prova dei limiti delle macchine — e li riformulano in termini operativi. Il criterio dell’intelligenza in questo libro è strettamente economico: rendimenti aggiustati per il rischio più elevati a parità di risorse scarse. Secondo questo metro, la maggior parte delle preoccupazioni cinematografiche è irrilevante e la maggior parte dei chatbot adatti alle dimostrazioni è una distrazione.

6.2.4.1 La singolarità

La singolarità immagina un’IA che si migliora tanto rapidamente da superare l’umanità, per poi trascenderla o ridurla in schiavitù. Innumerevoli film d’azione sviluppano questo tema, ma Hollywood non comprende l’IA meglio di quanto comprenda la balistica reale. Per la pratica della supply chain, questa mitologia è un non sequitur. I sistemi che decidono riordini, prezzi, percorsi o allocazioni sono programmi circoscritti e verificabili, con spazi delle opzioni delimitati, obiettivi espliciti e interruttori di arresto; non si «risvegliano», ottimizzano nel rispetto di vincoli. Rifiutare di meccanizzare il riapprovvigionamento o il calcolo degli itinerari perché «l’IA potrebbe sfuggire al controllo» è come rifiutare i carrelli elevatori per paura di rivolte dei robot: si accetta uno spreco certo e presente per evitare un pericolo ipotetico e lontano. I rischi reali sono ordinari e affrontabili — obiettivi sbagliati, semantica approssimativa, codice non testato — e altrettanto lo sono le salvaguardie: esecuzioni parallele, euristiche di arresto, revisioni del codice e verifiche economiche. I dibattiti sui rischi esistenziali non hanno alcuna attinenza con la scelta di un’impresa di applicare il meglio che l’informatica offre all’allocazione quotidiana di risorse scarse.

Benché il grande pubblico possa avere l’impressione che nel 2022⁷⁹ la tecnologia abbia compiuto un balzo in avanti praticamente da un giorno all’altro, non è affatto così. In realtà, negli ultimi sette decenni il progresso è stato lento, incrementale e faticosamente conquistato. Inoltre, non migliora una cosa sola, ma decine di fronti in gran parte indipendenti: paradigmi migliori, algoritmi migliori, hardware migliore, insiemi di dati migliori, metodologie migliori e basi di codice migliori. Tutti questi miglioramenti sono stati prodotti da una moltitudine eterogenea di contributori. Quindi, pur essendo possibile imbattersi in qualcosa che superi l’intelligenza umana, l’idea che una simile entità si elevi, come evento, a essere trascendente è inverosimile.

Una volta eliminato l’aspetto di «evento» dall’emergere dell’intelligenza artificiale generale, diventa difficile spiegare perché essa dovrebbe mai rappresentare una minaccia di estinzione. Qualsiasi entità malevola, o gestita da persone malevole, sarà contrastata da entità altrettanto capaci sviluppate da eserciti, servizi di intelligence, aziende o persino università e appassionati. L’intelligenza artificiale generale sarà un’aggiunta tardiva al già lungo elenco di tecnologie capaci di causare danni immensi se usate per fini nefasti.

Una simile entità sarà il prodotto di una civiltà industriale avanzata e dipenderà dalle sue supply chain complesse e fragili. La produzione di semiconduttori figura già tra i settori più intricati. Le «alternative» concepibili — substrati neuromorfici, fotonici, quantistici o biosintetici — sono, nel migliore dei casi, a livello di laboratorio e si basano a loro volta sugli stessi strumenti per semiconduttori, materiali e tecnologie di produzione di precisione. In breve, oggi non esiste un percorso industriale al calcolo, alternativo al silicio, che eviti queste supply chain. La sopravvivenza di tali entità dipenderà dal sostegno attivo dell’umanità per decenni, se non per secoli. Le persone avranno tempo e opportunità in abbondanza per affrontare gli inevitabili problemi che hanno accompagnato finora l’ascesa di ogni tecnologia.

Profetizzare sciagure è un’abitudine antica, e la maggior parte degli esperti e dei politici vi si unisce per accrescere la propria importanza.

6.2.4.2 Il test di Turing

Nel 1950, l’informatico britannico Alan Turing ideò il suo gioco dell’imitazione, poi chiamato test di Turing. L’idea di fondo è che, se un essere umano che conversa attraverso un canale esclusivamente testuale non riesce a distinguere in modo affidabile una persona da una macchina, allora la macchina possiede un’intelligenza generale.

Le obiezioni abituali al test si soffermano sulla coscienza e sull’autoconsapevolezza; per la supply chain, sono fuori tema. La nostra preoccupazione non è se una macchina «sembri umana», ma se compia con costanza scelte che aumentano i rendimenti aggiustati per il rischio in condizioni di incertezza.

È cruciale notare che l’intelligenza nella supply chain non è evidente a occhio nudo. Gli esseri umani non hanno un sesto senso per capire se «200 unità la settimana prossima» sia un valore leggermente troppo alto o troppo basso. Anche a posteriori, giudicare una decisione richiede controfattuali — che cosa sarebbe successo se avessimo agito diversamente — e orizzonti coerenti con i tempi di consegna. Questa valutazione è difficile: gli esiti sono rumorosi, ritardati e intrecciati a migliaia di scelte parallele.

Un motore che parla male, o non parla affatto, può quindi apparire «poco intelligente» mentre accumula silenziosamente valore. Al contrario, un chatbot eloquente può superare conversazioni in stile Turing e tuttavia indirizzare l’impresa verso perdite. Negli anni 2010, semplici bot basati sul riconoscimento di schemi ingannavano spesso giudici umani; erano retoricamente convincenti e operativamente inutili. La lezione resta valida: imitare lo stile umano è indipendente dalla qualità delle decisioni.

Un esempio pratico: un buon motore di riapprovvigionamento può emettere molti ordini minuscoli in momenti insoliti, modificare ogni giorno di pochi centesimi il prezzo degli articoli a bassa rotazione, oppure dirottare un container verso un punto di cross-docking poco apprezzato. A un pianificatore queste mosse possono sembrare pignole o persino sbagliate; nei conti riducono i costi di mantenimento delle scorte, le cancellazioni contabili e i tempi di conversione in liquidità. Al contrario, uno strumento che si «spiega» magnificamente ma conserva le vecchie quantità minime d’ordine e i calendari dei lotti raccoglierà applausi nelle riunioni e dissanguerà silenziosamente il capitale circolante.

L’unico test significativo è economico. Chiamiamolo test di Turing economico: mediante un’esecuzione parallela o controfattuali ragionati, a parità di vincoli e di tracciabilità delle verifiche, il sistema di intelligenza produce un profitto operativo aggiustato per il rischio superiore a quello del processo in uso, dopo aver contabilizzato tutti i costi — scorte, logistica, ribassi, lavoro, capitale? Se sì, consideriamolo intelligente, per quanto taciturna sia la sua interfaccia. In caso contrario, nessuna raffinatezza conversazionale può riscattarlo.

Pertanto, per quanto affascinante, il gioco dell’imitazione è un criterio inadeguato per il nostro mestiere. I sistemi di intelligenza della supply chain vanno giudicati su risultati economici verificabili lungo gli orizzonti temporali appropriati, non sulla capacità di conversare.

6.2.4.3 Il paradosso di Moravec

Negli anni 1980, l’informatico statunitense Hans Moravec osservò che compiti apparentemente semplici, come afferrare una teiera e versare il tè, sono tra i più difficili da replicare per l’intelligenza artificiale. Al contrario, compiti un tempo considerati segni di genialità, come la diagonalizzazione di matrici, si sono rivelati semplici per le macchine.

Il paradosso, tuttavia, si dissolve non appena se ne esplicita la premessa nascosta. Presuppone che la mobilità animale, e la pianificazione che la sottende, sia appresa (cultura) anziché innata (natura). In altre parole, si ritiene che l’acquisizione della mobilità derivi da un apprendimento che negli ultimi quattro decenni si è rivelato incredibilmente difficile da replicare artificialmente.

A un esame più attento, queste capacità comportano poco apprendimento o nessuno. I puledri, e i loro cugini equini, si alzano e camminano nel giro di ore. Non è «apprendimento», ma una rapida calibrazione di un sistema motorio quasi finito. Le strutture cognitive sono quasi complete; al sistema basta una lieve spinta perché i percorsi si stabilizzino.

Negli esseri umani, il carattere innato è meno visibile: rispetto agli altri mammiferi, le nostre teste sovradimensionate impongono una nascita anticipata, lasciando che i circuiti motori finiscano di svilupparsi fuori dall’utero. Ciò che molti percepiscono come «apprendimento» del neonato è uno sviluppo cognitivo che proseguirebbe senza ostacoli se il neonato restasse nell’utero ancora qualche mese.

Questi circuiti in gran parte innati sono prodotti dell’evoluzione, affinati in circa 800 milioni di anni e innumerevoli generazioni. Non sorprende che le macchine fatichino a eguagliare la mobilità animale. La sfida è simile a quella di progettare un dispositivo che superi gli alberi nel convertire la luce solare in materiale strutturale, oppure i ribosomi nell’assemblare macromolecole. Superare l’evoluzione in giochi praticati da eoni è terribilmente difficile.

La mobilità si basa su centinaia di euristiche strettamente intrecciate; persino una lumaca sa percorrere il labirinto tridimensionale della vegetazione. Euristiche ben scelte possono sembrare «intelligenti», purché lo spazio delle azioni sia rigorosamente delimitato, come nel caso della lumaca.

In natura, la mobilità è stata un passaggio evolutivo necessario verso l’intelligenza generale: la vita non poteva saltare dalle origini unicellulari all’intelligenza generale senza prima risolvere la locomozione. Le macchine non affrontano questo vincolo, purché gli esseri umani forniscano energia e materiali mentre risolviamo gli ostacoli restanti, per esempio i sostituti industriali delle fibre muscolari. L’evoluzione ha risolto questi problemi in modi che non si prestano all’industrializzazione; dobbiamo risolverli di nuovo.

È facile non cogliere l’implicazione per la supply chain. I compiti che agli esseri umani sembrano «semplici» — attraversare una corsia affollata, afferrare una scatola, riconoscere un collega — sono proprio quelli che l’evoluzione ha affinato per centinaia di milioni di anni. Al contrario, allocare risorse su larga scala e ad alta velocità, classificando milioni di micro-opzioni con benefici stocastici e differiti, è l’opposto di ciò per cui si è evoluto il nostro cervello. La memoria di lavoro è minuscola, l’attenzione fragile e le nostre intuizioni sulla probabilità sono notoriamente scarse. Le macchine invertono questo profilo: faticano con il movimento animale, ma eccellono nell’elencare vasti insiemi di opzioni, valutare controfattuali e ricalcolare piani ogni minuto. La battuta «l’IA non sa nemmeno piegare il bucato» è dunque irrilevante per stabilire se il software possa superare i pianificatori nel rivedere i prezzi di 50.000 SKU, riequilibrare scorte multilivello o reindirizzare container a viaggio iniziato con tempi di consegna volatili. Nel senso di Moravec, questi sono problemi propri delle macchine.

Ne seguono due corollari operativi. Primo, non subordinare l’automazione delle decisioni ai progressi della robotica o alla raffinatezza conversazionale; il metro pertinente resta quello economico introdotto prima: a parità di vincoli, il motore produce un profitto aggiustato per il rischio superiore a quello del processo in uso? Secondo, ci si deve attendere che le macchine superino prima gli esseri umani proprio dove i pianificatori faticano di più: allocazione combinatoria, prezzi in presenza di avversari, riequilibrio multilivello e riprogrammazione dinamica. Nulla di tutto questo richiede una generalità simile a quella umana; basta l’intelligenza specializzata entro confini ben definiti, esattamente l’ambiente dei motori di supply chain.

In breve, copiare la mobilità animale non è una scorciatoia verso l’intelligenza generale: è un insieme di problemi difficili, ma essenzialmente specializzati. Risolverli può ispirare, o talvolta informare, il lavoro sull’intelligenza artificiale generale, che resta però un obiettivo distinto.

6.3 Intelligenza specializzata

Un problema specializzato è un problema le cui opzioni sono delimitate da regole formali esplicite; risolverlo richiede intelligenza specializzata. I rompicapi accademici della supply chain ne sono esempi tipici, e ogni soluzione — una semplice euristica o un grande modello iperparametrico — conta come «intelligente» soltanto in virtù della qualità dei suoi risultati. Dichiarare un metodo «più intelligente» solo perché appare arcano è un errore.

La supply chain diventa trattabile proprio quando le sue vaste questioni di intelligenza generale vengono suddivise in numerosi problemi di allocazione delimitati. Ogni problema delimitato fissa tre elementi: (1) l’insieme delle opzioni, cioè che cosa si può scegliere di spostare, dove, quando e in quale quantità; (2) i vincoli, ossia limiti di capacità, calendari, quantità minime d’ordine, promesse di servizio e frequenza con cui si riconsidera la decisione; (3) la valutazione, un punteggio monetario che attribuisce un prezzo ai benefici e alle perdite potenziali in condizioni di incertezza. Una volta esplicitati questi elementi, il compito smette di essere «pianificare la supply chain» e diventa «scegliere tra opzioni ammissibili per massimizzare il rendimento aggiustato per il rischio».

Questa scomposizione non è un espediente retorico: è la mossa ingegneristica che rende possibile il software senza intervento umano. Riapprovvigionare uno SKU in un sito su un dato orizzonte, scegliere il prezzo odierno di un articolo a bassa rotazione, assegnare scatole a una fermata di un camion, accettare o rinviare la riparazione di un rotabile: ciascuna è una decisione specializzata e verificabile di allocazione delle risorse. I problemi debolmente interdipendenti possono essere gestiti con metodi greedy ad alta frequenza; quelli strettamente interdipendenti possono essere raggruppati e ottimizzati con strumenti più pesanti. I confini restano rivedibili: quando cambia l’economia, ampliamo l’insieme delle opzioni o adeguiamo la valutazione. Finché reggono, però, la decisione può essere automatizzata, esaminata e migliorata da un sistema di intelligenza.

La storia dell’intelligenza artificiale è un gioco in cui si sposta continuamente il traguardo. I ricercatori scelgono un problema difficile, ne etichettano la soluzione come «vera IA», poi, una volta risolto, le cambiano nome e passano alla sfida successiva. Ogni trionfo viene presto giudicato ordinario e il ciclo ricomincia.

Questo schema spiega perché le soluzioni mature appaiano spesso «poco intelligenti»: diventano abituali e meccaniche. L’intelligenza va giudicata dalla qualità delle scelte, non da quanto arcani sembrino i meccanismi. Modelli sofisticati possono spacciarsi per «più intelligenti», ma continuano ad affrontare un compito delimitato; le vere questioni di intelligenza generale vanno affrontate separatamente.

Controintuitivamente, la prima soluzione praticabile è raramente la più semplice; raggiungere la semplicità è un compito distinto, spesso più difficile. Il progresso non va dal semplice al sofisticato, ma da prototipi disordinati a nuclei essenziali. La teoria elettromagnetica di Maxwell partì con più di venti equazioni; Heaviside le condensò poi nelle quattro che usiamo oggi. Allo stesso modo, le risposte contorte di oggi sono i principi eleganti di domani.

Lo stesso ciclo alimenta entusiasmi e crolli dell’IA: si confonde la soluzione di un difficile problema di nicchia con la conquista dell’intelligenza generale, e gli investitori cavalcano il clamore che ne deriva. L’intelligenza generale è difficile, ma innumerevoli problemi specializzati devono esserlo ancora di più. Infatti, se mai costruiremo un’intelligenza generale, ogni problema ancora irrisolto sarà per definizione più difficile; altrimenti sarebbe stato risolto prima.

Gli alti e bassi dell’etichetta IA non dovrebbero oscurare i risultati dell’informatica dalla seconda guerra mondiale, molti dei quali sono centrali per la supply chain. Il campo è ormai tanto vasto che qualsiasi panoramica è necessariamente parziale, ma le pagine seguenti isolano gli argomenti più pertinenti al lavoro di supply chain.

6.3.1 Algoritmi

Gli algoritmi sono ricette procedurali precise che terminano e restituiscono una risposta corretta per un input ben specificato. Formalizzati negli anni 1930 da Church, Turing e Kolmogorov, sono diventati la spina dorsale dell’informatica del XX secolo. Molti dei primi successi dell’«IA» degli anni 1950 — ordinamento topologico, ricerca di percorsi nei grafi, risolutori di equazioni lineari — sono oggi conosciuti semplicemente come algoritmi.

Formalmente, qualsiasi programma che si arresti su tutti gli input ammissibili potrebbe essere chiamato «algoritmo». Nella pratica, gli informatici usano il termine in senso più ristretto. Un algoritmo è un elemento costitutivo atomico e riutilizzabile, il cui enunciato del problema è indipendente da qualsiasi insieme di dati, interfaccia o server; è accompagnato dalla dimostrazione che, per ogni input valido, restituisce l’output specificato e da un’analisi dei requisiti di tempo e spazio al crescere delle dimensioni dell’input.

Un compito «atomico» non può essere scomposto in sottocompiti più piccoli, indipendenti e dotati di una propria finalità. Per contro, visualizzare una pagina web comporta centinaia di passaggi, dalla tokenizzazione dell’HTML alla regolazione della crenatura dei caratteri, e quindi non è atomico.

Un algoritmo è corredato da una dimostrazione di correttezza; in sua assenza, è soltanto un’euristica. I test combinati di Fermat–Fibonacci, per esempio, individuano affidabilmente i numeri primi ma non dispongono ancora di una dimostrazione di correttezza, perciò restano euristiche.

Il valore di un algoritmo risiede, in ultima analisi, nelle sue prestazioni. Sebbene per la maggior parte dei compiti esistano metodi di forza bruta, un buon algoritmo raggiunge lo stesso risultato con molto meno calcolo e memoria. Talvolta se ne può persino dimostrare l’ottimalità, anche se le sottigliezze della teoria della complessità esulano da questo capitolo.

Gli algoritmi, e le strutture dati che li sostengono, sono il fondamento del software; ogni metodo discusso in seguito si basa su di essi. Costituiscono pertanto una scienza ausiliaria della supply chain, anche se strumenti ben progettati possono evitare ai professionisti di doversi occupare dei loro dettagli, come vedremo.

I lettori che desiderano approfondire dovrebbero consultare il classico Introduction to Algorithms di Cormen et al. (3ª ed., 2009). L’appendice presenta un esempio svolto: l’algoritmo di ordinamento topologico.

Il modello CRUD, introdotto nel capitolo Informazione, deve il suo successo al fatto che permette ai team di fornire software aziendale senza profonde competenze algoritmiche. Nell’informatica aziendale è diventato un percorso professionale: molti sviluppatori capaci trascorrono decenni a costruire moduli di inserimento e rapporti senza mai imparare a progettare e analizzare algoritmi. Questa lacuna è innocua all’interno dei sistemi di registrazione, dove domina il CRUD a tempo costante e il database si fa carico del lavoro pesante; diventa paralizzante non appena abbandoniamo i registri e tentiamo l’ottimizzazione. Spiega anche il predominio culturale del CRUD e, simmetricamente, perché fornitori brillanti con i registri inciampino così spesso nei sistemi di intelligenza: questi ultimi richiedono modellazione algoritmica, controllo della complessità e ingegneria delle prestazioni, competenze che le abitudini CRUD non insegnano né selezionano.

6.3.2 Ricerca operativa

Nata durante la seconda guerra mondiale, la ricerca operativa affrontava problemi di allocazione delle risorse belliche⁸⁰ — dove collocare i radar, come instradare i convogli, come assegnare gli scarsi aerei disponibili — e, dopo il 1945, problemi aziendali. Generò molti algoritmi, il più noto dei quali è il metodo del simplesso di Dantzig del 1947, ma, a differenza dell’informatica, si interessava meno ai problemi atomici e più alle applicazioni complete. Nel 1947, l’ingegnere radio scozzese Robert Watson-Watt definì la ricerca operativa:

Esaminare quantitativamente se l’organizzazione utilizzatrice ottenga dall’impiego delle proprie attrezzature il miglior contributo conseguibile al suo obiettivo complessivo.

Le parole di Watson-Watt riecheggiano la definizione di supply chain che apre questo libro; la ricerca operativa ne è l’antesignana. Tra gli anni 1950 e 1970, il campo produsse simulazioni, econometria, modelli stocastici e ottimizzazione matematica. Molti di questi filoni divennero poi discipline autonome, allontanandosi dall’ombrello della ricerca operativa.

I contributi più rilevanti della ricerca operativa, almeno tra quelli non riclassificati in campi autonomi, sono metodi per l’ottimizzazione dei trasporti, la programmazione lineare e quadratica, la programmazione intera e compiti analoghi. Tutti condividono una struttura comune: variabili decisionali da scegliere per massimizzare una funzione obiettivo che rappresenta uno scopo reale. Questa impostazione continua a sostenere gran parte del processo decisionale aziendale e l’approccio di questo libro.

Negli anni 1970, la ricerca operativa non stava realizzando le proprie ambizioni. Come già ricordato, il pioniere statunitense Russell Ackoff colse questo sentimento nel suo articolo del 1979 The Future of Operational Research is Past. La maggior parte delle decisioni di allocazione delle risorse era ancora manuale nel 1979, e lo rimane tuttora. Ackoff elencò diverse cause profonde:

• Scarso pensiero sistemico: gli esperti si affidavano a una causalità semplicistica, di primo ordine.

• Risultati «pseudo-ottimali» guidati da funzioni obiettivo artificiose.

• Risposte fragili che presumono un contesto perfettamente noto e immutabile.

• Riduzione dei «grovigli» del mondo reale a problemi giocattolo, lasciando immutata la pratica.

Queste critiche restano valide. Gran parte della letteratura sulla supply chain ripete gli stessi errori: una delle ragioni per cui così poco di essa sopravvive al contatto con la realtà⁸¹.

Negli anni 1980, la ricerca operativa si trasformò in «OR», l’acronimo inglese, specializzandosi in «solutori» software per modelli di ottimizzazione scritti in linguaggi specifici di dominio. L’OR si stabilì così come sottocampo dell’informatica.

I solutori commerciali costituiscono una nicchia software sana e gestiscono bene molti compiti progettuali. Numerical Optimization (2006) di Nocedal e Wright rimane il testo di riferimento, anche per le varianti basate sull’apprendimento. Al di là delle varianti del problema di instradamento dei veicoli, i solutori compaiono raramente nella supply chain perché tre limiti persistenti ne frenano il valore.

Primo, si concentrano esclusivamente sull’ottimizzazione deterministica anziché su quella stocastica, rendendo impossibile gestire l’incertezza, una caratteristica costante delle supply chain.

Secondo, offrono scalabilità oppure espressività, ma non entrambe. I solutori reggono la scala richiesta dalla supply chain soltanto in regimi lineari o quadratici, troppo semplici per riflettere le situazioni reali della supply chain.

Terzo, i solutori privilegiano la purezza matematica rispetto all’espressività pratica⁸². La programmazione lineare e quella quadratica possono effettivamente certificare l’ottimalità, ma descrivono il mondo reale tanto male che la risposta «ottimale» risulta invariabilmente inutile.

Anche mettendo da parte la purezza, i solutori scalano comunque male. Di fronte a un caso concreto, per esempio l’instradamento dei veicoli, le aziende spesso sviluppano codice ad hoc invece di utilizzare strumenti pronti all’uso. Il problema è acuto nelle supply chain, dove decine di milioni di variabili decisionali, diverse per SKU, sono comuni.

L’eredità della ricerca operativa risiede quindi soprattutto nei campi che ne sono originariamente emersi. L’OR odierna ha poco a che vedere con gli obiettivi che la ricerca operativa si proponeva di raggiungere. Inoltre, sebbene le tecniche predilette dall’OR abbiano meriti e risultati notevoli, difficilmente torneranno a inserirsi nella supply chain.

6.3.3 Apprendimento statistico

L’idea di inferire algoritmicamente un processo a partire da osservazioni registrate apparve negli anni 1950, insieme ai primi scritti sull’intelligenza artificiale. Poiché le singole osservazioni possono codificare soluzioni parziali, l’apprendimento si sovrappone da tempo all’ottimizzazione⁸³. I primi lavori sulle reti neurali artificiali venivano pubblicati sotto l’insegna della ricerca operativa; oggi sono saldamente classificati come «apprendimento».

Fino all’inizio degli anni 1990, l’interesse per le tecniche di apprendimento rimase limitato per due ragioni principali. Innanzitutto, i computer non avevano la potenza necessaria a ottenere risultati sostanziali attraverso l’apprendimento. Si preferivano quindi approcci privi di apprendimento, come i sistemi esperti⁸⁴. Per esempio, Deep Blue, il primo programma di scacchi a sconfiggere il campione del mondo in carica Garry Kasparov nel 1997, era stato progettato come sistema esperto. Mancavano anche insiemi di dati pubblici per l’addestramento, perché raccogliere e distribuire grandi insiemi di dati rimase proibitivamente costoso fino alla fine degli anni 1990. L’insieme di dati MNIST contiene 60.000 immagini di addestramento e 10.000 immagini di test, ciascuna una rappresentazione 28×28 in scala di grigi di una cifra scritta a mano. Fornì una base comune che sostenne una generazione di ricercatori e standardizzò la validazione e i confronti prestazionali.

In secondo luogo, l’apprendimento ad alta dimensionalità rimase sconcertante fino alla fine degli anni 1990. La statistica classica presume che il numero di variabili sia piccolo rispetto al numero di osservazioni. Con 100 osservazioni, ci si può fidare di una regressione a due variabili; con dieci variabili, gli schemi spuri proliferano; con 10.000 variabili, i metodi standard crollano. Paradossalmente, più informazione produceva meno comprensione.

La maledizione della dimensionalità trovò la sua prima risposta convincente nella teoria di Vapnik–Chervonenkis (VC), sviluppata tra gli anni 1960 e gli anni 1990⁸⁵. La teoria portò alle macchine a vettori di supporto, implementate per la prima volta nel 1995⁸⁶, e fornì un quadro matematico per contenere il sovradattamento. Le macchine a vettori di supporto dimostrarono presto il proprio valore su dati reali.

La teoria VC riformulò l’obiettivo della modellazione statistica come massimizzazione della generalizzazione, ossia delle prestazioni su dati mai visti. Sebbene non possiamo misurare l’accuratezza su dati che non possediamo, la teoria VC dimostra un limite superiore all’errore reale: l’errore empirico più un termine di complessità del modello determinato dalla sua progettazione. Questa formalizzazione affina il classico compromesso tra distorsione e varianza: i modelli a bassa capacità presentano un’elevata distorsione, quelli ad alta capacità un’elevata varianza. La figura \ref{fig:under-over-fitting} illustra il sottoadattamento, un adattamento corretto e il sovradattamento. Questa teoria aprì la strada a modelli statistici capaci di produrre risultati affidabili anche quando il numero di dimensioni in ingresso supera enormemente quello delle osservazioni.

Sul piano operativo, le macchine a vettori di supporto furono rapidamente superate da tecniche alternative, il (gradient) boosting (1999)⁸⁷ e il bagging (2001)⁸⁸, le cui analisi matematiche mostravano a loro volta un buon comportamento rispetto al sovradattamento. Insieme, queste idee diedero origine alle macchine di gradient boosting, che rimasero allo stato dell’arte in molti compiti per circa un decennio. Oggi restano popolari, soprattutto quando le osservazioni scarseggiano.

Questi sviluppi ebbero un impatto enorme: il controllo intrinseco della capacità di boosting, bagging e SVM permise ai teorici di dimostrare limiti stringenti al sovradattamento, garanzie di cui gli approcci rivali erano privi. Per tutta la fine degli anni 1990 e buona parte degli anni 2000, questo sigillo di approvazione statistica portò i ricercatori ad accantonare quasi ogni approccio concorrente. Gradualmente, tuttavia, divenne chiaro che nessuna raffinatezza teorica o ingegneristica avrebbe potuto spingere questi metodi oltre determinati limiti rigidi. La tecnologia si era di fatto arenata. L’informatico franco-statunitense Yann LeCun colse lo stato d’animo liquidandoli come poco più che «riconoscimento di modelli predefiniti glorificato».

Nonostante questi limiti, le idee dell’apprendimento statistico restano un pilastro della statistica moderna e una scienza ausiliaria essenziale per la supply chain. Per una panoramica accessibile e ricca di figure, si veda il manuale The Elements of Statistical Learning (2009) di Hastie et al. I modelli basati su boosting e bagging continuano a eccellere quando i dati sono scarsi ma ad alta dimensionalità e richiedono molte meno risorse della maggior parte delle alternative, pur non offrendo una via verso l’intelligenza generale.

6.3.4 Deep learning

Negli anni 2010, il deep learning divenne il paradigma dominante dell’apprendimento automatico. Discende dalle reti neurali artificiali, ma si consolidò soltanto dopo che il campo abbandonò le metafore biologiche e abbracciò l’hardware al silicio. Sorprendentemente, le sue idee fondamentali sono più semplici di quelle dei predecessori ispirati alla biologia.

Concettualmente, un modello di deep learning è un circuito fisso di operazioni in virgola mobile, parametrizzato da numeri in virgola mobile. La maggior parte degli strati esegue moltiplicazioni di matrici intervallate da rettificatori. I rettificatori spezzano la linearità: comporre trasformazioni lineari produce ancora una trasformazione lineare, perciò serve un’attivazione non lineare. Componenti aggiuntivi — convoluzioni, pooling o strati softmax — permettono al modello di gestire diverse modalità di input e diversi formati di output.

Consideriamo di nuovo il riconoscimento di cifre scritte a mano nell’insieme di dati MNIST. Se appiattiamo ogni immagine 28×28 in 784 numeri e li facciamo passare attraverso tre matrici di pesi con rettificatori, otteniamo un percettrone multistrato da 234.752 parametri, minuscolo secondo gli standard odierni (si veda la figura \ref{fig:perceptron}). Eseguirlo, ossia effettuare l’inferenza, richiede solo tre moltiplicazioni di matrici e due attivazioni di rettificatori; i dettagli sono in appendice.

Figura: un percettrone multistrato compatto a 4 strati (784-256-128-10) per riconoscere cifre scritte a mano.

Finora abbiamo specificato l’architettura e osservato che l’inferenza si riduce a tre moltiplicazioni di matrici e due rettificatori; resta da ottenere i numeri all’interno di quelle matrici. In pratica, vogliamo una rete ben addestrata, che per ogni immagine in ingresso assegni il punteggio più alto alla cifra effettivamente presente. L’addestramento è dunque una ricerca, nello spazio dei parametri, di valori che minimizzino una perdita di classificazione scelta. Il deep learning affronta questa ricerca attraverso tre passaggi coordinati: inizializzazione, scegliere pesi iniziali casuali sensati affinché le attivazioni si comportino bene numericamente; gradiente, calcolare come una variazione infinitesimale di ciascun peso modificherebbe la perdita; discesa, usare quei gradienti per spostare poco a poco i pesi verso una perdita inferiore. Insieme, questi passaggi affinano iterativamente i pesi della rete finché le prestazioni si stabilizzano.

Inizializzazione – I pesi partono come rumore gaussiano e vengono immediatamente riscalati affinché, strato dopo strato, le attivazioni mantengano approssimativamente media zero e varianza unitaria. Questa semplice precauzione impedisce che il prodotto di molte operazioni lineari esploda, provocando overflow, o si riduca a polvere numerica, provocando underflow. Quando non si applica alcuna regola in forma chiusa, un rapido passaggio di prova nella rete effettua un riscalamento empirico per preservare tale invariante.

Gradiente – Il gradiente indica a ciascun parametro in quale direzione, e di quanto, muoversi per ridurre la perdita scelta. I framework moderni lo ottengono mediante differenziazione automatica, che propaga le derivate attraverso il grafo di calcolo a un costo all’incirca pari a un ulteriore passaggio in avanti, ma con un maggior consumo di memoria, perché le attivazioni intermedie devono essere conservate. Gli strumenti precedenti di deep learning usavano una retropropagazione del gradiente codificata a mano; il fatto che la comunità abbia impiegato decenni ad adottare la differenziazione automatica, risalente agli anni 1960, ricorda quanto raramente il progresso sia lineare.

Discesa – I gradienti diventano aggiornamenti attraverso la discesa del gradiente stocastico (SGD), un cavallo di battaglia degli anni 1950 che domina tuttora il deep learning. La SGD campiona un’osservazione, o, per sfruttare meglio l’hardware, un piccolo insieme di osservazioni detto mini-batch, sposta leggermente i pesi nella direzione del gradiente e ripete. I mini-batch scambiano calcoli aritmetici aggiuntivi con un tempo effettivo di esecuzione molto inferiore, sfruttando i core in parallelo. Varianti con momentum, tassi di apprendimento adattivi o decadimento disaccoppiato dei pesi affinano l’aggiornamento di base.

Il deep learning ha rovesciato diversi dogmi dell’apprendimento statistico e continua a determinare ciò che si può, e non si può, inferire dai dati aziendali.

6.3.4.1 La doppia discesa

I modelli di deep learning sono iperparametrici: di solito contengono più parametri che esempi di addestramento. I 234.752 parametri del percettrone precedente superano enormemente le 60.000 immagini di MNIST. La teoria statistica prevede un grave sovradattamento, ma la pratica dice il contrario.

Scoperta alla fine degli anni 2010, la curva della doppia discesa aiutò a chiarire perché molti statistici inizialmente dubitassero delle affermazioni del deep learning. Abituati ad attendersi il classico compromesso a U tra distorsione e varianza, erano perplessi quando reti più grandi talvolta superavano quelle più piccole anziché sovradattarsi. La doppia discesa spiega il perché: al crescere della capacità del modello, l’errore di test dapprima diminuisce, indicando una buona generalizzazione, poi sale, indicando sovradattamento, ma oltre una seconda soglia torna a diminuire, quando modelli molto grandi e sovraparametrizzati si assestano in nuove regioni a basso errore (si veda la figura \ref{fig:double-descent}).

Sul lato sinistro della curva della doppia discesa, il regime classico, la rete ha troppo pochi parametri e quindi sottoadatta. Aggiungendo pesi, la perdita di test diminuisce fino a raggiungere un primo minimo nel «punto ideale». Superato quel punto, il modello entra nel sovradattamento classico: la capacità aggiuntiva memorizza il rumore più velocemente di quanto apprenda il segnale. Curiosamente, in questa zona l’errore di addestramento continua a scendere regolarmente anche mentre quello di test sale, un comportamento che ha a lungo lasciato perplessi gli statistici, i quali si aspettavano una divergenza tra le due curve molto prima.

Spostandosi a destra, nel regime profondo, lo schema si inverte. Una volta che il numero di parametri supera una seconda soglia, molto più alta, la perdita di test ricomincia a scendere: più grande è davvero meglio, come sostenevano i professionisti del deep learning fin dall’inizio degli anni 2010. Ogni incremento di accuratezza, però, costa una quota sproporzionata di calcolo ed energia, perciò i rendimenti diminuiscono rapidamente. Le reti allo stato dell’arte operano ormai ben oltre quella soglia, scambiando enormi budget hardware con le ultime frazioni di punto percentuale nelle prestazioni.

Per le supply chain il messaggio è ambivalente: i modelli giganteschi vincono in accuratezza ma danneggiano la manutenibilità, mentre quelli più piccoli restano agili ma ricadono nel classico dilemma tra sottoadattamento e sovradattamento. Le architetture ibride che combinano i due sono spesso l’opzione migliore.

6.3.4.2 Sensibilità per la meccanica

Le reti neurali artificiali (ANN) hanno un punto debole evidente: sono enormemente inefficienti nell’uso delle risorse di calcolo. I chip al silicio assomigliano tanto poco ai neuroni biologici che persino un neurone digitale rudimentale spreca cicli. Il deep learning si è liberato di questo handicap adottando ciò che gli ingegneri delle corse chiamano sensibilità per la meccanica. Nella prima Formula 1, i giri più veloci non erano quelli dei piloti che correvano al limite, ma di quelli che percepivano quanta sollecitazione potessero sopportare motore, cambio e freni e modulavano il ritmo per arrivare alla bandiera a scacchi con la vettura intatta. Tradotta in codice, questa sensibilità significa disporre algoritmi e dati in sintonia con cache, unità vettoriali e bus di memoria, anziché scontrarsi con essi. Una volta affermatasi questa mentalità, i ricercatori abbandonarono le nostalgiche metafore neuronali e conservarono solo ciò che massimizzava la capacità di calcolo grezza.

Per esempio, le prime ANN usavano la funzione di attivazione sigmoide, scelta per richiamare la biologia, ma il suo esponenziale è lento sull’hardware. Il rettificatore più semplice, ReLU, si dimostrò più veloce e prese rapidamente il sopravvento.

All’inizio degli anni 2010, trattare linee di cache, ampiezze vettoriali e bus di memoria come vincoli progettuali di primo piano sembrava quasi eretico. Gli schieramenti dell’algoritmica, della ricerca operativa e dell’apprendimento statistico erano cresciuti su teorie indipendenti dall’hardware: dimostrare una classe di complessità asintotica migliore e lasciare che la legge di Moore assorbisse i fastidiosi fattori costanti. Ottimizzare queste costanti, per esempio risparmiando cicli con una matrice riorganizzata o un’istruzione SIMD, era considerato lavoro inutile, destinato a essere presto vanificato dalla generazione successiva di processori. I ricercatori del deep learning ribaltarono questa visione, mostrando che un’attenzione minuziosa ai dettagli dell’hardware poteva produrre accelerazioni irraggiungibili con la sola eleganza della complessità algoritmica.

La prima ricerca di reti sempre più grandi era alimentata dalla metafora biologica: con circa 100 miliardi di neuroni, il cervello umano divenne un riferimento informale per le dimensioni delle ANN. Gli esperimenti resero presto superflua la metafora: le prestazioni aumentavano semplicemente perché i modelli crescevano. Nel frattempo, lo scenario dei dati si capovolse. Negli anni 1990, gli insiemi di dati pubblici erano scarsi; negli anni 2010 si espandevano più velocemente di quanto le reti potessero assorbirli. Addestrarsi su ogni campione disponibile divenne impraticabile e vasti giacimenti di informazione rimasero inutilizzati.

Da qui la corsa agli armamenti: modelli sempre più grandi alimentati da insiemi di dati sempre più grandi. La rete ImageNet di Toronto del 2012 aveva 60 milioni di parametri e girava su GPU; un decennio dopo, transformer da mille miliardi di parametri risiedono su chip al silicio su misura. L’esplosione di scala generò anche strumenti pesanti. TensorFlow di Google, pubblicato nel 2015, crebbe fino a superare quattro milioni di righe di codice: uno sforzo industriale impensabile nell’era dell’apprendimento statistico, con le sue librerie da 10.000 righe.

La corsa a modelli sempre più grandi spinse inoltre i progettisti verso formati in virgola mobile sempre più piccoli. Poiché il numero di transistor, e quindi il costo energetico, cresce più rapidamente dell’ampiezza in bit, ridurre la precisione produce accelerazioni sproporzionate: sulle GPU attuali, la capacità di elaborazione aritmetica può quadruplicare passando da 32 a 16 bit. I sistemi di deep learning dei primi anni 2010 usavano esclusivamente numeri in virgola mobile a 32 bit, una scelta predefinita sicura che resta sufficiente per la maggior parte dei calcoli di supply chain, purché si evitino casi limite patologici; alcuni compiti traggono ancora vantaggio dai 64 bit. All’inizio degli anni 2020, tuttavia, addestrare a 16 bit ed eseguire l’inferenza a 8 bit era diventato abituale, grazie a una favorevole evoluzione congiunta dell’hardware GPU e CPU. La ricerca esplora ora pesi a 1 bit, e persino inferiori a 1 bit, mostrando che il limite inferiore della precisione utilizzabile non è ancora stato raggiunto.

La sensibilità per la meccanica conta nella pratica della supply chain. Negli anni 1990, l’informatico svizzero Niklaus Wirth avvertì che il software spesso rallenta più velocemente di quanto l’hardware acceleri, uno schema oggi chiamato legge di Wirth. A causa di un disinteresse generale per l’efficienza dell’hardware, molti sistemi aziendali non funzionano oggi più velocemente che nel 2000, nonostante chip molto migliori. Questo rallentamento è la legge di Wirth all’opera. Gli accorgimenti del deep learning non possono essere riutilizzati in blocco, ma rivelano come una programmazione attenta renda possibili guadagni enormi. I professionisti della supply chain devono quindi avere almeno una comprensione pratica della sensibilità per la meccanica.

6.3.4.3 Ottimizzazione non convessa

All’inizio degli anni 2000, l’ottimizzazione matematica seguiva ancora l’impostazione originaria della ricerca operativa. Tre principi la definivano. I professionisti dell’apprendimento statistico, compresi i sostenitori delle macchine a vettori di supporto, la accettavano in blocco.

Primo, la prima teoria dell’ottimizzazione considerava i minimi locali un muro invalicabile nella pratica: in paesaggi non convessi si poteva, in linea di principio, sfuggirvi, ma nei progetti reali non accadeva quasi mai. Questa ipotesi generò un’intera branca, l’ottimizzazione convessa, il cui scopo esplicito è aggirare quell’ostacolo. Poiché una funzione convessa non ha avvallamenti locali, ma soltanto un unico minimo globale, qualsiasi algoritmo di discesa ben comportato converge a quel minimo. Per una trattazione approfondita delle dimostrazioni, degli algoritmi e delle applicazioni che poggiano su questa proprietà, si veda Convex Optimization (2004) di Boyd e Vandenberghe.

Figura: una funzione a valori reali che presenta estremi sia locali sia globali.

Secondo, per i problemi non convessi ci si aspettava che qualsiasi metodo rispettabile fornisse un limite alla distanza della propria soluzione dall’ottimo globale. Lo si fa fornendo un limite superiore allo scarto tra la migliore soluzione nota e il minimo globale. Tecniche come branch-and-bound e branch-and-cut offrono queste garanzie. Tuttavia, a differenza dell’ottimizzazione convessa, che beneficia di tecniche altamente scalabili, questi metodi generali scalano male. Come già osservato, la scarsa scalabilità di tali solutori è da tempo una delle ragioni principali della loro limitata adozione negli ambienti della supply chain.

La comunità del deep learning abbandonò questa visione classica. Adottò uno strumento rozzo, la discesa del gradiente stocastico, e lo applicò a paesaggi non convessi, aggirando i timori dei minimi locali. Questo approccio ha avuto un successo straordinario, rendendo possibili modelli con migliaia di miliardi di parametri, una scala inconcepibile negli anni 2000.

Emerse una nuova prospettiva: l’ostacolo non erano più i minimi locali, ma vasti altopiani piatti. La visione prevalente sostiene che i minimi locali diventino estremamente rari all’aumentare della dimensionalità. Le intuizioni ricavate da esempi a bassa dimensionalità falliscono quindi nelle alte dimensioni⁸⁹. Sono invece le vaste regioni a basso gradiente, gli «altopiani», a rappresentare la sfida principale per i metodi di discesa.

Terzo, per i modelli (iper)parametrici, le dimostrazioni di ottimalità diventano prive di significato nel regime della doppia discesa. La perdita di addestramento può precipitare e restare vicina allo zero, ma quei minuscoli residui dicono ben poco su come il modello generalizzerà. Peggio ancora, molte funzioni di perdita predilette nel deep learning, come l’entropia incrociata, non hanno neppure veri minimi⁹⁰.

Sebbene la comunità del deep learning avesse ragioni proprie per rifiutare la concezione classica dell’ottimizzazione ereditata dalla ricerca operativa, questo rifiuto conta per la supply chain. Mostra che il paradigma classico soffre di limiti controintuitivi rimasti inosservati per circa sei decenni, dagli anni 1950 agli anni 2000. Nel seguito vedremo che la supply chain ha ulteriori ragioni per rifiutare questa concezione classica e che esistono paradigmi alternativi, di valore ben maggiore.

6.3.4.4 Il repertorio di accorgimenti

Ogni paradigma di programmazione offre un proprio modello mentale del lavoro software, con concetti, pratiche e strumenti fondamentali; la maggior parte assume posizioni precise sulla rappresentazione dei dati e sul controllo del comportamento dei programmi.

Il deep learning fu il primo⁹¹ paradigma di apprendimento programmatico adottato su vasta scala; all’inizio degli anni 2010 lasciò perplessi i ricercatori, sfidando le aspettative prevalenti nell’apprendimento automatico.

Fino ad allora, articoli e software si concentravano sul prodotto finito: il modello pronto per essere addestrato su un nuovo insieme di dati. Ciò che distingueva il deep learning era l’attenzione alle architetture, agli accorgimenti numerici e ai principi guida per costruire modelli. Mentre gli strumenti per l’apprendimento statistico, come scikit-learn⁹², offrivano decine di modelli, quelli per il deep learning non ne includevano nessuno. Il settore trascorse buona parte degli anni 2010 ad assimilare questo cambiamento. Il vecchio approccio — individuare un modello nuovo, eseguire un confronto prestazionale e pubblicare i risultati — divenne obsoleto. La novità non risiedeva più nel modello stesso o nella sua caratterizzazione statistica. Persino studenti di informatica del primo anno potevano assemblare una rete di deep learning «unica», scegliendo strati tra le operazioni tensoriali disponibili, e misurarne le prestazioni su uno dei molti insiemi di dati pubblici. Per un breve periodo, conferenze e riviste sul deep learning furono sommerse da articoli che erano poco più che composizioni di questo genere; nonostante la loro «unicità», questi contributi erano spesso irrilevanti.

Le architetture di deep learning fungono da analogo moderno dei «modelli» un tempo promossi dalla ricerca operativa, ma lasciano al data scientist un ampio margine per definire la rete da addestrare e mettere in produzione.

I contributi di maggior valore divennero noti come il «repertorio di accorgimenti» del deep learning: piccole modifiche modulari che migliorano parti di una rete invece di ridefinirla interamente. Strategie di inizializzazione dei pesi, stimatori dei momenti, pianificazione del tasso di apprendimento, dropout, arresto anticipato, connessioni residue, connessioni dense, meccanismi di attenzione, architetture transformer, normalizzazione per batch, accumulo dei gradienti, ottimizzazione degli iperparametri, aumento artificiale dei dati, codifica posizionale, potatura, quantizzazione, distillazione della conoscenza e fattorizzazione a basso rango, tra gli altri, costituiscono solo una piccola parte di questo crescente «repertorio». Questi contributi, almeno quelli significativi, si sono però rivelati altamente cumulativi. Una tecnica raramente ne preclude un’altra, a meno che appartengano alla stessa classe.

Dagli anni 1960, molti paradigmi — funzionale, a oggetti, distribuito, reattivo e altri — hanno affrontato questioni generali del software. Sono emersi anche paradigmi specializzati, come l’algebra relazionale, per esempio SQL per i database relazionali. Sebbene proseguano i dibattiti su quale paradigma sia «migliore», nessun progetto software serio viene intrapreso senza adottarne uno o più. Già la sola scelta di un linguaggio di programmazione costituisce una scelta di paradigma.

La lezione cruciale per le supply chain è che scegliere il paradigma giusto conta anche al di fuori del lavoro puramente software. Il deep learning, come paradigma di programmazione, ha ridefinito lo stato dell’arte nell’apprendimento automatico. Questo solleva la questione se altri ambiti, come la supply chain, possano beneficiare di paradigmi altrettanto dedicati; come vedremo, i paradigmi di programmazione dedicati hanno un’importanza primaria per la supply chain.

6.3.5 L’era generativa

Nel 2022, una manciata di innovazioni, presto riunite sotto l’insegna dell’«IA generativa», passò dalla ricerca di nicchia ai titoli dei giornali di tutto il mondo. ChatGPT, l’assistente conversazionale presentato da OpenAI nel novembre 2022, e Stable Diffusion, il modello da testo a immagine pubblicato nell’agosto 2022 da ricercatori della LMU di Monaco e dell’Università di Heidelberg, divennero subito punti di riferimento, rispettivamente, nel completamento del testo e nella generazione di immagini. Il loro successo apparentemente improvviso nascondeva anni di progressi costanti e aperti della più ampia comunità del deep learning; nel 2022 a cambiare non fu la scienza sottostante, ma il modo di presentarla e renderla accessibile. Per la prima volta, i non specialisti potevano richiamare grandi modelli preaddestrati da una semplice interfaccia web e ottenere risultati sorprendenti in pochi secondi: una svolta che trasformò una curiosità accademica in una categoria di prodotti di largo consumo. Sebbene questi sistemi poggino pienamente sui fondamenti del deep learning, mettono anche in discussione alcune delle prime ipotesi del paradigma, per esempio sulla qualità dei dati e sulla progettazione delle funzioni di perdita. In questo senso, l’«era generativa» rappresenta un’autentica seconda generazione della pratica del deep learning, anziché una semplice estensione della prima.

Innanzitutto, i fornitori iniziarono a distribuire modelli preaddestrati come scelta predefinita, un progresso radicale, benché inatteso. Con i modelli preaddestrati, gli utenti finali non devono più preoccuparsi di generare i modelli, la fase di apprendimento, e possono concentrarsi sull’utilizzarli, la fase di inferenza. Questo ne facilitò enormemente l’adozione. Aprì anche la strada a processi di apprendimento ibridi, nei quali una rete di deep learning poteva essere assemblata con componenti preaddestrati e integrata da una parte addestrabile. Sebbene i processi di apprendimento per fasi precedano il deep learning, il paradigma generativo aggiunse una nuova dimensione e spinse la comunità dell’apprendimento automatico ad adottare ulteriori pratiche open source, condividendo i modelli oltre al codice.

In secondo luogo, il tratto distintivo dell’era generativa è un appetito quasi insaziabile per dati su scala web. Per decenni il detto fu «spazzatura in ingresso, spazzatura in uscita» (GIGO): input scadenti condannano gli output di un modello. Eppure gli odierni generatori di testi e immagini si addestrano su miliardi di pagine e immagini filtrate solo leggermente, estratte direttamente dal web aperto, e restituiscono comunque prosa e immagini che superano la qualità media di quel materiale grezzo. I risultati non sono certo impeccabili, ma sono inequivocabilmente migliori della mediana delle loro fonti: un esito che rovescia il vecchio credo GIGO. Sfruttare simili oceani di dati, tuttavia, è possibile solo quando il software è scritto con una profonda sensibilità per la meccanica, spremendo ogni ciclo e ogni banco di memoria che l’hardware può offrire.

In terzo luogo, modelli sempre più grandi mostrano capacità emergenti per le quali le loro funzioni di perdita non erano mai state progettate. Per esempio, quando i grandi modelli linguistici (LLM) raggiungono miliardi di parametri e vengono addestrati su miliardi di token, iniziano a mostrare capacità di traduzione. Eppure la funzione di perdita riflette soltanto la previsione del token successivo; non tiene conto della traduzione. Analogamente, i modelli da testo a immagine mostrano capacità emergenti, come il trasferimento di stile, che vanno oltre i loro dati di addestramento.

Queste capacità ribaltano un’ipotesi presa in prestito dalla ricerca operativa. Fino ad allora, si presumeva generalmente che il modo migliore di risolvere un problema di ottimizzazione fosse guidare il processo con la stessa metrica usata per valutare la soluzione finale. Le funzioni di perdita surrogate, approssimazioni della perdita reale, erano accettabili solo quando offrivano vantaggi computazionali significativi: un compromesso tra qualità della soluzione e risorse. Tuttavia, le capacità emergenti dei modelli generativi hanno ripetutamente superato metodi precedentemente allo stato dell’arte, guidati da funzioni di perdita più dirette.

Nell’era generativa, il rapporto tra il punteggio di un determinato compito e la funzione di perdita utilizzata per guidare la discesa del gradiente stocastico è diventato tenue. L’apprendimento autosupervisionato ha soppiantato l’apprendimento supervisionato, fino ad allora dominante. L’intuizione alla base dell’apprendimento autosupervisionato è che la quantità di dati non etichettati⁹³ supera generalmente di gran lunga quella dei dati etichettati. Quindi, se l’apprendimento viene svincolato dal compito circoscritto di prevedere «etichette» e si concentra invece sulle proprietà intrinseche dei dati, può coglierne meglio la struttura sottostante.

Sebbene i modelli generativi abbiano ridefinito lo stato dell’arte nell’apprendimento automatico, sfruttarli per la supply chain non è così ovvio come affermano molti fornitori di software. Le registrazioni relazionali costituiscono la maggior parte dei dati rilevanti per la supply chain, ma né i modelli di completamento del testo, né quelli da testo a immagine o da immagine a testo sono adatti a elaborarle. Due proposte comunemente avanzate dai fornitori all’inizio degli anni 2020 meritano di essere confutate.

Primo, i grandi modelli linguistici sono adatti al testo, non alla previsione numerica di serie temporali. Sebbene esistano proposte⁹⁴ per potenziare le capacità aritmetiche di questi modelli, difficilmente tali sviluppi renderanno i modelli linguistici competitivi con quelli progettati appositamente per l’elaborazione numerica. Nel migliore dei casi, i grandi modelli linguistici potranno diventare un modo estremamente contorto di ottenere ciò che semplici modelli parametrici possono realizzare con una minuscola frazione delle risorse di calcolo.

Secondo, le interfacce in stile chat danneggiano solitamente la produttività. Conversare con un chatbot è significativamente più lento della navigazione tradizionale. Qualsiasi compito destinato a essere ripetuto regolarmente merita un’esperienza utente «tradizionale», anziché una macchinosa interfaccia conversazionale. In un ambiente aziendale, ci si aspetta che i dipendenti siano formati e sappiano usare bene il sistema, non che «si arrangino». La prospettiva aziendale differisce radicalmente da quella rivolta al consumatore finale, dove si presume che gli utenti siano meno preparati, qualunque sia il compito.

Nella supply chain, i grandi modelli linguistici eccellono nella stesura delle ricette numeriche e nel rendere più agevole il lavoro informale che circonda le decisioni; torneremo su questi contributi più avanti.

7 Il futuro

Ogni decisione di supply chain contiene un’affermazione implicita: «Ci aspettiamo che le condizioni future dell’azienda rendano redditizia l’allocazione odierna delle risorse». La previsione può restare inespressa, ma non può essere elusa. Un’azienda può ignorare la sfida della previsione; non può ignorarne le conseguenze.

Il futuro, e più in generale il tempo, conta quindi enormemente per la supply chain. Eppure il tempo presenta difficoltà ingannevoli: non perché sia troppo astratto, ma perché appare evidente e resiste alla riflessione deliberata. Il futuro è come l’aria che respiriamo: onnipresente, eppure invisibile.⁹⁵ Di fronte a simili temi, si è tentati di dare per scontate le proprie idee preconcette e di saltare del tutto il lavoro intellettuale. La chimica ci ha insegnato che idee sull’aria vecchie di millenni erano sbagliate⁹⁶. Allo stesso modo, nella supply chain, convinzioni sul domani mai esaminate, spesso una tacita estrapolazione di ieri, plasmano silenziosamente prezzi, capacità e scorte. Quando sono errate, si irrigidiscono in piani che allocano male risorse scarse e propagano i fallimenti lungo il flusso.

Per dare un fondamento concreto alla discussione, questo capitolo collega una semplice osservazione — ogni decisione è una scommessa sul domani — agli strumenti che rendono redditizie queste scommesse. Procede in tre passaggi.

Primo, rendiamo esplicite le visioni inespresse che guidano il modo in cui le aziende pensano al futuro. Gran parte della pratica del Novecento discende da una visione teleologica: definire il domani attraverso previsioni e un piano progettato. A essa si contrappone una visione pragmatica: trattare il domani come un campo di opportunità nell’incertezza e preservare le opzioni affinché l’azienda possa agire quando le probabilità diventano favorevoli.

Secondo, esaminiamo perché la pianificazione guidata dalle previsioni crolli in azienda anche quando appare matematicamente ordinata: il formalismo delle serie temporali appiattisce ciò che conta; il futuro è plasmato da decisioni non ancora prese; piccoli numeri, raggruppamento in lotti, comportamenti antagonisti e code pesanti infrangono la nitida simmetria tra passato e futuro. Ne risultano un coordinamento fragile e un rituale burocratico.

Terzo, riuniamo strumenti predittivi coerenti con la visione pragmatica e con l’economia dell’opzionalità introdotta in precedenza. Sostituiamo le serie temporali puntuali con previsioni probabilistiche — domanda, tempi di consegna, prezzi, resi —, aggiungiamo previsioni ad alta dimensionalità — panieri d’acquisto, sostituzione, contagio — e introduciamo previsioni funzionali che si esprimono attraverso gli oggetti propri del flusso, anziché intervalli temporali equidistanti. Questi strumenti non indovinano «il» futuro: attribuiscono un valore economico alle alternative e rendono espliciti i costi opportunità.

7.1 Visioni

[Una visione] è ciò che intuiamo o sentiamo prima di aver costruito un ragionamento sistematico che possa essere chiamato teoria [..] Una visione è la nostra percezione di come funziona il mondo [..] Tutte le visioni sono, in una certa misura, semplicistiche, sebbene questo termine sia solitamente riservato alle visioni altrui, non alle nostre. A Conflict of Visions (1987), Thomas Sowell.

Tra tutte le idee inespresse che ci circondano, le più potenti plasmano la nostra intuizione della causalità per gli oggetti di cui ci occupiamo: qui, le supply chain. Questa intuizione definisce infatti come inquadriamo le situazioni, come vediamo i problemi, e persino se li vediamo. Qui, visione indica tale intuizione della causalità.

La visione precede la teoria, che precede i modelli. Le visioni permeano le aziende: le loro culture, pratiche e processi. Contano perché fungono da bussola approssimativa per il pensiero. Tra gli infiniti temi che potrebbero richiamare la nostra attenzione, le visioni decidono su cosa valga la pena riflettere.

Per esempio, il «Day 1» sostenuto da Jeff Bezos, fondatore di Amazon, è una di queste visioni. Pone l’accento su una mentalità da startup perpetua, fatta di innovazione continua e iniziativa, per evitare la stagnazione del «Day 2». Significa trattare ogni giorno come se fosse il primo, incoraggiando decisioni rapide, abbracciando la sperimentazione anche a rischio di fallire e privilegiando le opportunità di lungo periodo rispetto ai guadagni immediati. Aderendo alla mentalità «Day 1», Amazon mira a mantenere il proprio spirito imprenditoriale ed evitare l’autocompiacimento che affligge le organizzazioni più grandi e mature.

Anche la visione opposta, tuttavia, ha i suoi sostenitori. Come osservò il comandante Chesley «Sully» Sullenberger, celebre per l’ammaraggio d’emergenza sul fiume Hudson che salvò 155 vite: «Per 42 anni ho effettuato piccoli versamenti regolari in questa banca di esperienza, istruzione e addestramento. E il 15 gennaio il saldo era sufficiente per un prelievo molto consistente». Questa visione domina l’aviazione, combattendo l’autocompiacimento attraverso il continuo perfezionamento della pratica esistente, anziché l’innovazione dirompente. Gli errori del passato sono stati pagati col sangue, e lo saranno anche quelli futuri.

Le visioni governano il modo in cui le persone affrontano istintivamente i sistemi complessi, quelli che una mente umana non riesce facilmente a comprendere nella loro interezza. Consideriamo un negozio che fatica a mantenere scorte adeguate e ha metà degli scaffali vuoti. Le diagnosi istintive varieranno molto a seconda della visione che ciascuno ha del funzionamento della supply chain.

Prendiamo un professore di analisi della supply chain. Potrebbe istintivamente attribuire la colpa alle imprecisioni delle previsioni della domanda che guidano il riapprovvigionamento. Qui, la visione affida la qualità del servizio a una soluzione tecnologica: al software. Questa visione si estende alla sua comunità accademica, le cui ricerche influenzano la progettazione e l’accuratezza di tale software, rafforzando così una prospettiva incentrata sulla tecnologia.

Al contrario, un responsabile regionale della stessa catena potrebbe attribuire la colpa alla cattiva gestione del negozio. In questa visione, le persone — il direttore e il personale del punto vendita — sono responsabili del suo funzionamento efficiente. La responsabilità ricade innanzitutto su chi è più vicino al problema. Questa visione coinvolge anche l’alta dirigenza, che permette a un direttore inefficace di restare al proprio posto, sottolineando ulteriormente una prospettiva incentrata sulle persone.

Queste due visioni nascono dagli stessi scaffali vuoti, ma assegnano la responsabilità, e quindi la soluzione, a soggetti del tutto diversi. Una cerca una soluzione tecnologica, l’altra una soluzione gestionale. Una terza diagnosi, altrettanto plausibile, si colloca fuori dall’azienda: il taccheggio dilagante fa sparire le scorte esposte. Naturalmente, stabilire se il problema del negozio derivi da software difettoso, cattiva gestione o condizioni avverse di ordine pubblico è tutt’altra questione. Le visioni non dimostrano nulla: governano soltanto la nostra valutazione immediata delle situazioni complesse.

Le visioni hanno conseguenze. La storia mostra che molte aziende sono arrivate a dominare i propri mercati grazie alle peculiari visioni dei fondatori, opportunamente chiamati «visionari»⁹⁷. Eppure, col tempo, le stesse visioni possono predisporre le aziende al fallimento. Per qualsiasi azienda è quindi ragionevole identificare le visioni dominanti dell’alta dirigenza e valutarne l’adeguatezza all’attività.

A differenza delle strategie aziendali, le visioni vengono discusse raramente, e ancora più raramente ne vengono soppesati pregi e difetti. All’interno della stessa azienda, le persone possono avere visioni radicalmente diverse. Poiché queste vengono esplicitate di rado, i dipendenti hanno l’impressione che ogni volta che spingono, altri tirino, e viceversa. Eppure la divergenza tra le visioni viene raramente indicata come causa.

7.1.1 Valori

In politica come in azienda, i leader sottolineano spesso le divergenze nei valori per evidenziare le differenze rispetto ai rivali. La frase «Non abbiamo gli stessi valori» si sente da ogni parte. Eppure questa prospettiva, pur non priva di meriti, tende a oscurare la profonda influenza delle visioni.

In A Conflict of Visions (1987), Thomas Sowell osserva acutamente che, di fronte a interpretazioni diverse degli stessi fatti, le persone tendono ad attribuire le differenze ai valori. Spesso, però, le divergenze nei valori sono molto meno marcate di quanto suggerisca la formula «Non abbiamo gli stessi valori». In politica, per esempio, sarebbe difficile trovare qualcuno che sostenga la povertà, il crimine o la guerra. Eppure, nonostante i valori condivisi contro questi mali, le visioni delle persone le guidano verso soluzioni nettamente diverse.

Lo stesso vale nelle supply chain. A prescindere dal campo o dal settore, le aziende perseguono redditività, crescita, qualità del servizio e riduzione degli sprechi. Le aziende che si oppongono apertamente a questi valori sono rare, ammesso che esistano. Visioni diverse producono strategie e pratiche molto diverse, tutte orientate agli stessi valori.

Consideriamo Jeff Bezos, fondatore di Amazon, che ha spesso insistito su un’attenzione incessante al cliente. Una volta dichiarò: «La cosa più importante in assoluto è concentrarsi ossessivamente sul cliente. Il nostro obiettivo è essere l’azienda più orientata al cliente sulla Terra». È una dichiarazione di valori, e piuttosto ordinaria. I dirigenti, infatti, svalutano raramente i clienti in pubblico. Quando un dirigente viene sorpreso a farlo, raramente conserva poi la propria posizione. Ciò che distingue Amazon non sono i valori professati, in linea con quelli della maggior parte delle aziende, ma la sua visione e la sua cultura peculiari.

Nel valutare come la comprensione del futuro plasmi la pratica della supply chain, dobbiamo quindi ricordare che le persone possono proporre soluzioni radicalmente diverse pur condividendo gli stessi valori. Il più delle volte, le divergenze affondano le radici in visioni contrastanti.

7.1.2 Tempo

Il passare del tempo plasma la nostra esperienza e la nostra comprensione del mondo. È così concreto e onnipresente che prescindere dalla dimensione temporale risulta difficile. Eppure molte sfide di supply chain, se non la maggior parte, meritano questo trattamento, anche solo per far emergere le visioni sottostanti sul tempo. Poniamo quindi una serie di domande sul tempo. In questa fase, rispondere non è importante e non proveremo a farlo. Vogliamo invece caratterizzare le visioni, ossia le intuizioni della causalità.

Consideriamo il futuro conoscibile o inconoscibile?

Il valore delle previsioni dipende dalla parte di domani che si può anticipare nella pratica. Quando il futuro è almeno in parte conoscibile, le previsioni sono strumenti potenti; quando è dominato dal rumore, sono puro cerimoniale. La pianificazione eredita la stessa premessa: rende solo se alcuni aspetti del futuro possono essere previsti con sufficiente affidabilità da guidare gli impegni. Se gli esiti divergono sistematicamente dalle aspettative, lo sforzo di pianificazione si trasforma in spreco.

Consideriamo il futuro predestinato? O aperto al cambiamento?

Se il futuro è fissato, una previsione è una misurazione anticipata di uno stato che si verificherà; la sua accuratezza viene giudicata dalla corrispondenza con l’esito effettivo. Se il futuro è malleabile, una previsione agisce come una direttiva che plasma i comportamenti; la sua accuratezza viene giudicata da quanto fedelmente l’esecuzione rispetta il piano.

Consideriamo l’incertezza un difetto, oppure rischi e opportunità?

Pochi contestano che il futuro sia incerto. Una prospettiva tratta questa incertezza come un difetto da minimizzare attraverso previsioni più precise, controlli più serrati e azioni correttive tempestive. L’altra la tratta come materia prima: a cui attribuire un valore, da cui coprirsi e, talvolta, da accogliere quando le probabilità sono favorevoli.

Consideriamo preferibile agire prima o rimandare a una decisione successiva, meglio informata?

Le decisioni importanti prese sul momento appaiono avventate ad alcuni, risolute ad altri. Analogamente, l’inazione viene letta come esitazione dovuta a debolezza di volontà oppure come forza di attendere informazioni migliori.

Consideriamo la conoscenza una caratteristica di ciò che non cambia, oppure le circostanze specifiche di tempo e luogo?

La conoscenza scientifica mira alla permanenza: le teorie vengono formulate come affermazioni senza tempo e la riproducibilità presuppone un fenomeno che non cambia con la data o il luogo. La conoscenza aziendale è l’opposto. Quando un fatto diventa ampiamente noto, il suo valore privato crolla. A creare un vantaggio sono le circostanze specifiche di tempo e luogo: chi vuole cosa, a quale prezzo, date le capacità e i vincoli odierni. La conoscenza di valore è dunque locale, tempestiva e deperibile.

Consideriamo il passato un bene fondamentale su cui costruire, oppure un’eredità difettosa che spinge all’autocompiacimento?

I fondatori possono partire da una pagina bianca; ogni successore eredita uno status quo. Una prospettiva tratta tale eredità come un bene il cui valore si accumula: competenze, rapporti con i fornitori, dati e prassi che, se affinati, riducono rischi e costi. L’altra la tratta come un peso: costi irrecuperabili, abitudini cristallizzate e gruppi di interesse interni che orientano le scelte verso il mercato di ieri.

Consideriamo l’investimento nelle persone cumulativo senza limiti, oppure l’accumulazione è riservata alle tecnologie e alle tecniche?

Alcuni ritengono che le capacità umane si accumulino. Grazie alla pratica, ai riscontri e a modelli mentali migliori, i pianificatori diventano sempre più rapidi e precisi; la spesa per la formazione è quindi assimilabile a un investimento di capitale. Altri si aspettano un plateau precoce: raggiunta la competenza, i guadagni durevoli derivano soprattutto da tecniche e software migliori; l’investimento dovrebbe dunque concentrarsi sugli strumenti anziché sulle persone. La posizione adottata determina in larga misura che cosa venga considerato un «investimento» in primo luogo.

Queste domande sono, naturalmente, false dicotomie: la verità può trovarsi tra i due poli, variare con il contesto o collocarsi altrove del tutto. Ben lontane da semplici riflessioni filosofiche, mostrano che la propria intuizione sul tempo, e sul futuro, ha conseguenze. Visioni divergenti non producono soltanto soluzioni divergenti: le persone possono non essere d’accordo nemmeno su quali problemi valga la pena risolvere.

Negli ambienti della supply chain, le prospettive sul tempo e sul futuro sono largamente confluite in quella che chiamiamo visione teleologica: la convinzione che il domani possa essere fissato in anticipo dalle previsioni e poi realizzato attraverso l’ingegneria, rispettando un piano. Nel corso del XX secolo questa visione è diventata dominante e resta quella predefinita nel XXI secolo. Viene nominata di rado, raramente messa in discussione e assunta tacitamente dalla maggior parte degli autori e dei software aziendali. La prossima sezione la rende esplicita e ne esamina le conseguenze.

7.2 La visione teleologica

Il futuro resta inaccessibile soltanto a chi non ha abbracciato gli strumenti matematici offerti dalla scienza moderna. Qualunque debolezza affligga ancora i nostri attuali modelli di previsione sarà infine superata dalla forza inarrestabile del progresso. Questi strumenti, inoltre, non ci dicono soltanto che cosa accadrà, ma anche perché. Il leader moderno, a differenza del suo predecessore primitivo, non lascia quindi nulla al caso. I suoi piani non affondano più le radici nella fallibile intuizione umana: sono invece progettati con la precisione che caratterizza questa era delle macchine.

Queste righe colgono l’essenza della visione teleologica⁹⁸. Nel corso del XX secolo, essa è diventata dominante negli ambienti intellettuali. Per intellettuali intendiamo persone che si guadagnano da vivere vendendo le proprie idee — scrittori, storici, accademici — anziché servizi o prodotti tangibili. Questa definizione non esprime alcun giudizio sull’intelligenza: classifica semplicemente le professioni. Per esempio, un giornalista è un intellettuale, mentre un neurochirurgo non lo è. Tuttavia, ci si può aspettare che il neurochirurgo sia più istruito e più intelligente del giornalista: è ciò che si aspetta ogni paziente che affida la propria vita alle mani del chirurgo.

Quando una prospettiva conquista gli ambienti intellettuali, spesso si diffonde e plasma l’opinione pubblica⁹⁹. La visione teleologica è diventata dominante, se non esclusiva, negli ambienti della supply chain, tra autori e professionisti. I fornitori di software aziendale l’hanno radicata attraverso processi di lavoro e tecnologie che lasciavano poco o nessuno spazio a prospettive alternative.

Purtroppo questa visione è tanto popolare quanto difettosa. Nonostante una montagna di prove contrarie, resta una delle idee economiche più seducenti di sempre. Estirparla dalla supply chain è una prospettiva scoraggiante, ma necessaria. Dobbiamo prima esaminare da dove provenga e come abbia generato le sue ramificazioni nella supply chain.

7.2.1 Origini storiche

La previsione quantitativa moderna¹⁰⁰, contrapposta alle figure tradizionali dell’indovino, dell’augure, dell’oracolo o del profeta, emerse all’inizio del XX secolo negli Stati Uniti con la prima generazione di previsori economici. La domanda di previsioni era alimentata dalla nascita di una classe media di investitori, all’epoca un fenomeno esclusivo degli Stati Uniti. All’inizio del XX secolo, soltanto mezzo milione di statunitensi possedeva azioni; alla fine degli anni 1920 erano diventati 10 milioni. Quei primi previsori erano convinti che le proprie tecniche avrebbero infine relegato l’incertezza economica al passato:

Settimana dopo settimana, la sua [di Roger Babson] newsletter spiegava ai lettori che gli eventi economici non erano né casuali né incerti, ma governati da forze comprensibili attraverso uno studio attento. Iniziò a pubblicare previsioni regolari dopo il panico del 1907. […] Offriva pronostici su ogni cosa, dai prezzi all’occupazione alle vendite. — Walter A. Friedman, Fortune Tellers (2013)

La spavalderia di Babson stabilì il modello per gli esperti di economia dell’intero secolo. La sua idea centrale era adattare all’economia la terza legge di Newton¹⁰¹, nota anche come principio di azione e reazione. Riteneva che avrebbe infine reso il corso dell’economia prevedibile quanto quello dei corpi celesti. Benché questa idea sia oggi ampiamente considerata ingenua e sbagliata, i previsori di metà XX secolo restavano fiduciosi quanto Babson, trasferendo la propria fiducia dalla meccanica newtoniana alla statistica.

Il Gosplan dell’Unione Sovietica, fondato nel 1921, iniziò a emanare piani annuali nel 1925. Il comitato si ispirava direttamente alla visione teleologica secondo cui il futuro poteva essere conquistato. Eppure non produsse altro che piani irrealistici, impossibili da eseguire. I risultati furono disastrosi. Gli economisti sovietici Nikolai Shmelev e Vladimir Popov scrivono: «Il sistema amministrativo si distingueva per il romanticismo economico, una profonda ignoranza economica e un’incredibile esagerazione dell’effetto reale che il “fattore amministrativo” esercitava sui processi economici e sulle motivazioni della popolazione».

La cultura popolare riecheggiava queste convinzioni: la serie di fantascienza Foundation (1951) di Isaac Asimov coglie le prospettive prevalenti tra gli intellettuali dell’epoca. La trama centrale ruota attorno a una teoria immaginaria, la «psicostoria», che fonde fisica delle particelle e sociologia e che, quando coinvolge un numero enorme di esseri umani, dovrebbe raggiungere una capacità predittiva quasi perfetta. Asimov ammette tuttavia che alcuni individui possano contrastare il potere predittivo della psicostoria. Per farlo serve però qualcosa di equivalente a un semidio: un essere umano dotato di immensi poteri psichici.

La maggior parte degli intellettuali del Novecento rimase estremamente fiduciosa nella prevedibilità ultima delle vicende umane, mentre le previsioni economiche continuavano a fallire. Se il fallimento del Gosplan può essere attribuito in parte ai difetti generali del socialismo, anche pionieri statunitensi orientati al mercato, come Moody’s e Standard & Poor’s, subirono battute d’arresto. Entrambi iniziarono vendendo pubblicazioni sugli investimenti — manuali, compendi aziendali e bollettini di mercato che includevano previsioni esplicite — anziché limitarsi a compilare i conti del passato. A metà secolo, entrambe le aziende si erano riconvertite al rating del credito: un’attività «più sicura», che risparmiava loro l’imbarazzo di previsioni inevitabilmente errate.

Gli insuccessi delle previsioni non frenarono la ricerca operativa: durante la sua ascesa negli anni 1950 e 1960, il campo abbracciò la visione teleologica. Il futuro veniva trattato come un dato noto in ingresso al modello, in condizioni stazionarie oppure attraverso una previsione di serie temporali. Alla fine degli anni 1970, le serie temporali erano diventate la pietra angolare delle teorie quantitative della supply chain. Il rilievo delle previsioni di serie temporali crebbe ulteriormente con l’ascesa dell’S&OP (Sales and Operations Planning) alla fine del XX secolo. Il loro status e la loro importanza rimasero sostanzialmente indiscussi fino all’inizio degli anni 2010.

7.2.2 Il paradigma delle serie temporali

Una serie temporale è una sequenza di valori di una grandezza osservata in istanti successivi, solitamente a intervalli uguali¹⁰². Estendere la serie oltre oggi produce una previsione, precisamente una previsione di serie temporali. Sebbene le serie temporali possano rappresentare qualsiasi cosa, dal numero di macchie solari alla popolazione di un paese, la maggior parte degli autori e dei software di supply chain le usa soprattutto per rappresentare la domanda, misurata in unità, ossia singoli pezzi, oppure in termini monetari.

Figura: serie temporale storica, a linea continua, fino al presente, e relativa previsione, tratteggiata.

Una serie temporale è una sequenza illimitata di numeri disposti su una scala graduata, dove «0» indica oggi. Tutto ciò che si trova a sinistra è già accaduto; tutto ciò che si trova a destra deve ancora essere inferito. Nella pratica, riempiamo quelle posizioni con previsioni, trattando il tempo in passi distinti ed equidistanti: giorni, settimane e così via.

Questo formalismo chiarisce alcune ipotesi alla base del paradigma delle serie temporali. Primo, le serie temporali non hanno né inizio né fine, come una retta geometrica. Naturalmente, per ragioni pratiche, qualsiasi rappresentazione visiva viene troncata a un segmento finito. Questo frammento, però, non va confuso con il tutto.

Secondo, le serie temporali sono strutturalmente simmetriche rispetto alla dimensione temporale. Con «strutturale» non intendiamo che i valori passati e futuri coincidano, ma soltanto che siano della stessa natura. Non si distinguono, salvo per la separazione al tempo zero, che è una convenzione.

Terzo, le serie temporali adottano un asse temporale discreto. Questa scelta semplifica drasticamente sia la loro rappresentazione sia i modelli costruiti su di esse, analitici o predittivi.

Queste tre ipotesi coincidono con la prospettiva prevalente nelle scienze naturali. Un meteorologo che studia le temperature in un certo luogo adotta lo stesso paradigma. Anche se le registrazioni iniziano a una determinata data, non dubita che le temperature avrebbero potuto essere registrate prima. Analogamente, le misurazioni possono proseguire all’infinito. Benché la temperatura evolva in modo continuo, le registrazioni vengono deliberatamente discretizzate, per esempio con una misurazione quotidiana a un’ora fissa, per agevolare l’analisi. Infine, le leggi fisiche sono quasi perfettamente simmetriche¹⁰³ rispetto al tempo.

È difficile sopravvalutare il predominio del paradigma delle serie temporali negli ambienti della supply chain all’inizio del XXI secolo. Quasi tutta la letteratura sulle previsioni ruota attorno alla previsione della domanda mediante serie temporali. Pochi autori riconoscono altri oggetti di previsione¹⁰⁴, oltre alla domanda, e ancora meno riconoscono altre strutture previsionali, oltre alle serie temporali. Prevedere è diventato di fatto sinonimo di «prevedere la domanda mediante serie temporali».

Analogamente, la maggior parte dell’«ottimizzazione applicata», erede della ricerca operativa, usa le serie temporali come input ogni volta che è possibile. Anche qui, pochi riconoscono prospettive alternative.

Sul versante software, la maggior parte dei sistemi di reporting si basa su cubi OLAP (online analytical processing) che, per progettazione, abbracciano il paradigma delle serie temporali. Una delle dimensioni del cubo è invariabilmente il tempo. Il punto cruciale è che questi cubi sono incompatibili con strutture alternative, più espressive, che vadano oltre le serie temporali.

Sul piano gestionale, la pratica diffusa dell’S&OP (Sales and Operations Planning) pone le serie temporali al centro. I gruppi interfunzionali si riuniscono per produrre un unico risultato: il piano strategico. Nella pratica, quel piano è un insieme di serie temporali, solitamente le vendite previste dell’azienda, distribuite su intervalli temporali futuri.

7.2.3 Pianificare attraverso le serie temporali

In azienda, una previsione di serie temporali non è una proiezione neutrale, come nelle scienze naturali: è anche un impegno. Una volta approvata, diventa il riferimento che stabilisce i budget, riserva capacità e programma i riapprovvigionamenti. L’organizzazione lavora poi per rispettare quei numeri; la previsione diventa meno un’ipotesi sul domani che un’istruzione per plasmarlo.

Stabilite le previsioni, e trattata quindi la domanda futura come nota, non resta che coordinare le risorse per soddisfarla tempestivamente al costo minimo. Nella visione teleologica, pianificare significa fissare la domanda futura e assegnare le risorse corrispondenti.

Infatti, se il futuro viene trattato come definito — una domanda giornaliera nota per ogni SKU in ogni ubicazione — il problema di pianificazione si riduce all’aritmetica: le decisioni concrete, ossia che cosa acquistare, produrre o spostare; dove; quando; e in quale quantità, vengono ricavate meccanicamente dalla previsione stessa¹⁰⁵. L’esecuzione si riduce allora a misurare la conformità al «piano». Per esempio, se la previsione ecommerce di domani per una certa SKU nel centro di evasione degli ordini è esattamente di 2 unità, tenerne meno a stock è una rottura di stock pianificata; tenerne di più è, per definizione, una scorta eccessiva evitabile, che un riapprovvigionamento meglio sincronizzato «avrebbe dovuto» prevenire.

Una volta consacrata la previsione come «il piano», la capacità d’azione dell’azienda si trasferisce al rituale di fissare quel numero. La previsione siede sul trono; tutto il resto è conformità. Da qui le lotte di potere attorno al riferimento: non una disputa sul merito statistico, ma una negoziazione di budget mascherata. Ai previsori, il contenzioso appare perverso; per i responsabili, l’«accuratezza» è secondaria. Il vero premio è una quota maggiore di capitale, capacità e attenzione per il proprio feudo.

Il coordinamento incontra poi un’incompatibilità strutturale: le previsioni sono formulate secondo una geometria, le risorse secondo un’altra. Il riferimento può essere settimanale e per SKU, mentre i camion partono ogni giorno ma mai la domenica; la produzione è organizzata in lotti attorno ai cambi di attrezzaggio; gli ordini d’acquisto rispettano MOQ e scaglioni di prezzo. Un piccolo esercito di pianificatori viene quindi incaricato di programmare a ritroso ogni dettaglio: spostare quantità tra i giorni, far rientrare gli ordini prima delle scadenze, aggiungere qui e tagliare là, affinché i registri appaiano allineati al riferimento. A un osservatore esterno, questo fermento sembra «prendere decisioni». In realtà, la discrezionalità è minima: le scelte sono vincolate al rispetto del piano e i gradi di libertà residui sono amministrativi, non economici.

Questa prospettiva spiega anche perché la determinazione dei prezzi venga quasi sempre ignorata dagli autori, dai professionisti e dai fornitori di software di supply chain. Poiché i prezzi influenzano la domanda, appartengono infatti alla supply chain, come sosteniamo in tutto il libro; eppure l’impostazione classica, seguendo la visione teleologica, li ignora completamente. Si presume semplicemente che i prezzi vengano stabiliti prima della fase di pianificazione e indipendentemente da essa. Per il pianificatore tradizionale di domanda e approvvigionamento, i prezzi sono un dato acquisito, da non valutare né mettere in discussione.

Questa concezione della pianificazione, cioè una previsione che guida l’allocazione delle risorse, è talmente dominante negli ambienti odierni della supply chain che pochi riconoscono persino l’esistenza di alternative. I disaccordi si restringono alla scelta dei metodi previsionali, dei modelli di gestione delle scorte e dei processi di coordinamento. Eppure, nonostante la sua popolarità, la pianificazione teleologica presenta difetti e merita un esame critico.

7.2.4 Limiti della pianificazione

Chiamiamo dunque fallacia teleologica l’illusione di sapere esattamente dove stiamo andando, di aver saputo esattamente dove stavamo andando in passato e che altri abbiano avuto successo in passato sapendo dove andavano. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb

La pianificazione che emerge dalla visione teleologica è profondamente difettosa. Eppure, nonostante un secolo di prove contrarie, tra cui soprattutto i fiaschi del Gosplan sovietico, resta la dottrina centrale delle grandi organizzazioni pubbliche e private. Poche idee hanno sedotto così completamente gli ambienti intellettuali del XX secolo producendo così poco. Prima di esaminare perché questo fascino perduri, chiariamo i difetti tecnici della pianificazione, a partire dalle inadeguatezze delle serie temporali.

Come struttura matematica, le serie temporali sono poco adatte a riflettere le situazioni aziendali. È allettante, ma profondamente sbagliato, riutilizzarle così come vengono impiegate nelle scienze naturali. Il punto cruciale è che, in ambito aziendale, le serie temporali ignorano categoricamente interi aspetti del fenomeno esaminato.

Consideriamo il meteorologo che misura la temperatura ogni giorno nello stesso luogo: questa è la serie temporale che ci interessa. Sa che la misurazione stessa potrebbe essere resa più precisa con strumenti leggermente migliori. Sa che potrebbe essere eseguita due volte, a un minuto di distanza oppure a 100 metri di distanza. Nessuno di questi miglioramenti dovrebbe però cambiare radicalmente il quadro. È sempre possibile rendere le misurazioni più precise o granulari, ma con rendimenti decrescenti. La serie temporale è un’approssimazione, di cui però il meteorologo controlla natura e portata. Non si trova mai «a pochi secondi» o «a pochi metri» da una scoperta radicale che sconvolgerebbe la sua comprensione del tempo atmosferico.

Le aziende non seguono queste regole. Cambiamenti apparentemente minori nelle misurazioni possono alterare radicalmente la valutazione della situazione. Consideriamo un’azienda che vende lo stesso prodotto da anni. Le vendite sono stabili, circa 1.000 unità alla settimana, con poche oscillazioni. Qual è la probabilità che la domanda di questo prodotto scenda a zero la prossima settimana e resti a zero per sempre? Per rispondere, consideriamo due situazioni con serie storiche delle vendite settimanali identiche.

Consideriamo due strutture della domanda che producono lo stesso totale settimanale di circa 1.000 unità: caso A, 1.000 clienti indipendenti, ciascuno dei quali acquista circa un’unità alla settimana; caso B, un solo cliente che acquista circa 1.000 unità alla settimana. La serie temporale storica, con i totali settimanali su più anni, appare identica nei due casi, ma i rischi di coda divergono. Nel caso A, per azzerare le vendite della prossima settimana bisognerebbe perdere sostanzialmente tutti i clienti, un processo che, salvo catastrofi, si svolge nell’arco di molte settimane o mesi. Nel caso B basta una decisione di un acquirente: il rischio di crollo completo è la probabilità di abbandono di quell’unico cliente.

Consideriamo le implicazioni per le scorte. Nel caso A, i cali si manifestano generalmente in modo graduale, consentendo di ridurre le scorte man mano che emerge l’abbandono dei clienti; le svalutazioni tendono a restare contenute. Nel caso B, una forte svalutazione è questione di quando, non di se: una volta perso l’unico acquirente, le scorte accumulate per lui diventano eccedenti. Due situazioni con serie temporali identiche delle vendite settimanali comportano dunque profili di rischio opposti e richiedono decisioni diverse.

Consideriamo un secondo scenario: un negozio vende in media 10 unità alla settimana di una certa SKU. È aperto sette giorni e viene riapprovvigionato quotidianamente. Quale livello di giacenze fisiche assicura un servizio affidabile? La previsione puntuale della domanda giornaliera è di \(\approx 1.4\) unità, ma due strutture della domanda con la stessa serie temporale implicano esigenze di scorta opposte.

Variante A — molti piccoli panieri. Dieci clienti distinti acquistano ciascuno un’unità durante la settimana. Con un riapprovvigionamento quotidiano, tenere circa 5–6 unità in magazzino basta per la maggior parte dei giorni: un giorno di scorta di ciclo, più un modesto cuscinetto, copre il rumore ordinario.

Variante B — pochi grandi panieri. Un cliente alla settimana acquista 10 unità in una sola volta. Tenerne meno di 10 garantisce una rottura di stock in occasione di quella visita; per ottenere un servizio discreto ne servono almeno 10 e, poiché due clienti simili potrebbero arrivare nello stesso giorno, 20, forse 30, è l’ordine di grandezza pertinente.

La serie temporale è identica nelle due varianti, eppure la quantità di scorte economicamente sensata differisce di un fattore pari a quattro o più. Conta la distribuzione delle dimensioni dei panieri, non la media ripartita in intervalli giornalieri.

Come mostrano i due esempi precedenti, anche per una sola SKU le serie temporali appiattiscono aspetti cruciali del flusso. Sono una rappresentazione con perdita di informazione della storia delle transazioni: la proiezione scarta informazioni che, a differenza di quanto accade in meteorologia, spesso risultano essenziali. I piani che ne derivano sono quindi invariabilmente disfunzionali, perché ignorano aspetti cruciali della situazione. Poiché la debolezza risiede nel paradigma stesso delle serie temporali, è illusorio pensare di risolverla con una maggiore sofisticazione. Aggiungere serie, estenderne l’orizzonte all’indietro o in avanti, aumentarne la granularità o migliorare l’accuratezza puntuale non risolverà il problema.

Si potrebbero addurre molti altri esempi analoghi. Anche per una sola SKU, le serie temporali falliscono: con i deperibili, poiché ogni unità ha una propria durata di conservazione; con i riparabili, poiché ogni unità ha un proprio ciclo di vita; con la logistica inversa, poiché i resi creano confusione; con i lanci di prodotto, poiché non esiste ancora alcuna serie; e così via. È infatti difficile trovare un settore in cui una parte consistente dell’attività sia incompatibile con il paradigma delle serie temporali e, quindi, con la «pianificazione».

Questi limiti relativi a una singola SKU non scompaiono con la scala: esplodono. In un’azienda di dimensioni rilevanti, con migliaia di SKU, la prospettiva delle serie temporali e i rituali di pianificazione costruiti su di essa producono gli stessi errori, amplificati. Consideriamo un’azienda di abbigliamento sportivo con negozi propri che, tra molti articoli, vende uno zaino nero. Secondo la prospettiva della pianificazione, l’azienda prepara una proiezione delle vendite dello zaino su 12 mesi e stabilisce di conseguenza la produzione, poi ripete l’esercizio per l’intero assortimento. La pratica è tanto comune che pochi la mettono in discussione, eppure la sua premessa è infondata.

La proiezione è insensata. Una collocazione di rilievo in negozio aumenterebbe la domanda; confinare lo zaino all’ecommerce la ridurrebbe. Se l’azienda introducesse molte varianti dello zaino, per colore e dimensione, queste cannibalizzerebbero la domanda del modello originale. Se adottasse un prezzo aggressivo, facendo dello zaino la punta di una campagna di marketing per attirare nuovi clienti nella rete di negozi, la domanda sarebbe molto più alta rispetto al caso in cui fosse soltanto un prodotto anonimo in un vasto assortimento.

Il piano non ha senso perché ogni proiezione dipende da decisioni ancora da prendere, eppure l’esercizio procede come se fossero già state prese. Una volta emanato il piano, gli impiegati devono ricostruire a ritroso le proprie scelte affinché gli impegni successivi sembrino rispettarlo. Nella pratica, il piano non è impossibile: viene reso «fattibile» soltanto attraverso approssimazioni costose — sovrapprezzi per urgenze, scorte cuscinetto eccessive, livellamenti artificiali e obblighi rinviati — che mantengono allineati i registri erodendo nel contempo i risultati economici. Qui la fattibilità è un artificio contabile, non una verità operativa.

Non c’era nulla di particolare o sorprendente nel fatto che il Gosplan producesse piani irrealizzabili. È un difetto intrinseco della pianificazione teleologica. Dirigenti aziendali, signori feudali e commissari politici, adottando la stessa prospettiva, arriverebbero anch’essi a piani irrealizzabili. Per capire perché, ricordiamo che la supply chain è, nella sua essenza, un processo economico: allocare risorse che hanno usi alternativi.

Quando concepiscono un piano, i responsabili dispongono implicitamente di migliaia di risorse scarse e si aspettano che siano pronte al momento, nel luogo, nella quantità e al costo giusti. Le probabilità di un allineamento perfetto tra le innumerevoli aspettative del piano e le risorse effettivamente disponibili all’azienda, in ogni momento e luogo dell’orizzonte di pianificazione, sono sostanzialmente nulle.

La pianificazione mediante serie temporali, e più in generale la visione teleologica, non si limita a essere inadeguata: indirizza male gli sforzi. Eppure, anche nel XXI secolo ormai inoltrato, resta l’impostazione predefinita nella maggior parte delle aziende e in quasi ogni sede di discussione sulla supply chain. Come ha potuto una nozione ripetutamente confutata diventare ortodossia? La spiegazione risiede meno nella logica che negli incentivi. La prossima sezione esamina questi incentivi, ossia il fascino burocratico della pianificazione, e mostra perché la dottrina persista nonostante i suoi scarsi risultati.

7.2.5 Il fascino burocratico

Le grandi aziende sono innamorate dell’idea di piano strategico. Devono pagare per capire dove stanno andando. Eppure non esistono prove che la pianificazione strategica funzioni; sembrano anzi esistere prove del contrario. Uno studioso di management, William Starbuck, ha pubblicato alcuni articoli che smentiscono l’efficacia della pianificazione: rende l’azienda cieca alle opzioni, perché la vincola a una linea d’azione non opportunistica. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb.

Il Gosplan sarà anche scomparso, ma il suo spirito vive nelle grandi aziende e negli enti pubblici. La visione teleologica è indubbiamente attraente, ma non soltanto per ignoranza o stupidità. La sua persistenza deve meno all’ignoranza che agli incentivi che premiano la messinscena del piano; finché tali incentivi non saranno identificati e affrontati, la dottrina durerà.

Nella sua essenza, la pianificazione è una funzione burocratica svolta da specialisti di back office. È inevitabile: l’azienda ha bisogno di un meccanismo per allocare un intreccio di risorse nel tempo e nei luoghi. Questi specialisti intervengono raramente sul flusso fisico in modo diretto; lo coordinano indirettamente. Il problema di allocazione rispecchia il flusso che governa ed è troppo intricato perché una sola persona possa gestirlo dall’inizio alla fine. Poiché il lavoro è analitico e richiede molti dati, gli specialisti sono nettamente più produttivi dei generalisti. Distribuire il carico sull’intero livello dirigenziale è quindi raramente praticabile; l’impostazione sensata è concentrare il compito in un piccolo gruppo di pianificatori.

Come in ogni burocrazia, il fallimento viene punito, spesso duramente, mentre il successo passa quasi inosservato. Per esempio, un venditore che conclude vendite pari al doppio del proprio obiettivo annuale si trova in una posizione forte per negoziare un consistente aumento di stipendio. Eppure un pianificatore che dimezza le svalutazioni delle scorte rispetto ai colleghi riceve raramente un riconoscimento paragonabile. Mentre il successo del venditore è considerato personale, i risultati del pianificatore sono considerati dipendenti da molti altri soggetti, dentro e fuori dall’azienda, come i fornitori. Al contrario, un venditore viene raramente licenziato per aver perso un affare redditizio, mentre un pianificatore che provoca una forte svalutazione può subire gravi conseguenze professionali se la perdita viene ricondotta al piano che aveva proposto.

Giustificati o meno, questi preconcetti permeano le grandi aziende, soprattutto tra i dirigenti intermedi. Di conseguenza, i membri della burocrazia della pianificazione imparano presto che evitare la responsabilità è più sicuro che rivendicare il merito di un successo occasionale. Prevedibilmente, una cultura orientata ai processi soppianta quella orientata ai risultati. Questo esito viene sostenuto ridefinendo la «buona pianificazione» come rispetto di processi codificati. Tale espediente rende la burocrazia quasi inattaccabile: il successo viene ridefinito come conformità continua alle regole che essa stessa si è data.

Purtroppo, nella pianificazione, il semplice rispetto dei processi produce pochi rendimenti tangibili. La pianificazione aziendale è diversa dalla sicurezza aerea, dove ogni incidente, ormai raro, viene esaminato per individuare gli aggiustamenti che ne impediranno la ripetizione. Gli errori di pianificazione, invece, sono tanto frequenti e rilevanti che simili aggiustamenti introducono spesso almeno tanti difetti quanti ne correggono. La mediocrità resta quindi una caratteristica duratura della pianificazione.

In particolare, la previsione di serie temporali crea una trappola di responsabilità per il gruppo di pianificazione. Una previsione puntuale sarà certamente errata nel momento in cui viene utilizzata; quando si verificano carenze o eccedenze, l’errore è visibile e, all’interno dell’azienda, viene addebitato ai previsori. Le burocrazie evitano un’esposizione che ricade su un unico responsabile. La risposta abituale è allargare la «titolarità» della previsione, coinvolgendo vendite, marketing, finanza e operazioni nel rituale, non tanto per affinare i numeri, quanto per assicurarsi che ogni errore diventi collettivo.

Questa manovra assume tipicamente la forma di una grande iniziativa «collaborativa» che dichiara di migliorare l’accuratezza delle previsioni. L’S&OP (Sales and Operations Planning) è una delle varianti più diffuse di tali iniziative. Le sue riunioni interminabili assicurano che molti altri soggetti sottoscrivano le previsioni. Non esistono prove empiriche che queste riunioni migliorino la qualità della pianificazione. Anzi, le prove mostrano che i grandi comitati producono quasi sempre risultati inferiori, qualunque sia il compito.

In sintesi, la previsione teleologica piace agli impiegati perché permette loro di eludere sia le decisioni sia le conseguenze. Le previsioni fungono da protezione professionale, deviando la responsabilità delle allocazioni di risorse che ne derivano. I pianificatori modificano poi il processo previsionale, spesso etichettandolo come «collaborativo», per diluire ulteriormente la propria esposizione.

Sebbene una semplice analisi metta a nudo i difetti della visione teleologica, applicare tale critica a un’azienda specifica è spesso difficile. Questi difetti vengono frequentemente mascherati da aggiunte metodologiche che conferiscono al processo di pianificazione una patina «scientifica».

La critica non è un metodo. Le aziende hanno comunque bisogno di una bussola, che non pretenda che il domani sia un’estensione fissa di ieri. L’alternativa consiste nel trattare l’incertezza come un dato in ingresso, non come un difetto, nel considerare l’opzionalità un bene da coltivare e spendere e nel giudicare le scelte in base al loro contributo al profitto aggiustato per il rischio, anziché alla fedeltà al piano. Questa posizione, comune tra gli imprenditori e rara nelle burocrazie, riporta la capacità d’azione sull’allocazione, anziché sulla previsione usata per giustificarla. La chiamiamo visione pragmatica e la esaminiamo nella prossima sezione.

7.3 La visione pragmatica

Il futuro è irriducibilmente caotico. I clienti sono volubili, i dipendenti capricciosi e i fornitori inaffidabili. Eppure i concorrenti affrontano lo stesso tumulto. Non serve essere perfetti, soltanto migliori. Ogni asperità è anche una corsia di sorpasso. L’azione risoluta batte la pianificazione elaborata e la fortuna premia chi è preparato. Prepararsi è dunque l’arte di coltivare opportunità, anziché indovinare esattamente il mercato di domani.

Queste osservazioni distillano la visione pragmatica. Lo schieramento teleologico tratta il futuro come un viaggio che richiede una mappa sempre più dettagliata: la previsione. Se la mappa è abbastanza precisa, non serve altro strumento: da sola dovrebbe guidare il viaggiatore a una destinazione nota. A chi crede in questa visione, viaggiare senza una simile mappa appare sconsiderato.

La visione pragmatica, invece, si basa su una valutazione continua delle opportunità: un radiofaro verso cui dirigersi, non una mappa. Se il radiofaro è affidabile, progredire significa muoversi con costanza nella sua direzione. Conoscere in anticipo la destinazione non aumenta la velocità; il terreno che cambia rende presto inutili le mappe statiche.

Benché gli imprenditori la pratichino ogni giorno, molti intellettuali respingono la visione pragmatica. Il loro disprezzo nasce meno da dubbi sulla sua efficacia che da connotazioni morali, come se abbracciarla rivelasse un difetto del carattere.

Il primo stigma deriva dall’associazione implicita tra la visione pragmatica, il gioco d’azzardo e altre forme di speculazione oziosa. Tuttavia, sebbene l’imprenditore corra dei rischi, non si tratta di speculazione «oziosa», e ci si aspetta che il processo sia redditizio sia per lui sia per i suoi clienti. Per esempio, l’imprenditore che lancia un prodotto di enorme successo può essere giudicato immeritevole di quel successo, perché il suo contributo economico sembra modesto all’osservatore distratto. Per conseguirlo, però, potrebbe aver lanciato decine di prodotti, perdendo denaro su ciascuno di quelli che non hanno funzionato. Inoltre, stabilire se un prodotto sia una variante minore o un miglioramento radicale spetta soltanto ai consumatori. Un grande successo commerciale suggerisce che abbiano trovato qualcosa di particolarmente attraente. Purtroppo i costi dell’esplorazione di molte strade per servire meglio il mercato sono in gran parte invisibili all’esterno, e il successo viene quindi spesso liquidato come pura fortuna, alla stregua di una vincita alla lotteria.

Il secondo stigma nasce da comportamenti caratteristici che molti osservatori giudicano forme di sfruttamento. Ancora una volta, gli osservatori si concentrano sui benefici, reali o immaginati, ottenuti dall’imprenditore, distorcendo la propria percezione. Innanzitutto, in un libero mercato una transazione avviene soltanto con il consenso di entrambe le parti. Pertanto, qualunque prezzo chieda il venditore, l’acquirente non può essere «sfruttato» senza accettare quel prezzo¹⁰⁶. Per esempio, un’azienda che porta rapidamente generatori portatili in una regione colpita da una tempesta può chiedere molto più del prezzo «normale». Eppure questo non costituisce in alcun modo sfruttamento. Gli acquirenti non sono obbligati a comprare i generatori, e chi lo fa ritiene di stare meglio possedendone uno che senza¹⁰⁷. Più in generale, nella visione pragmatica i prezzi plasmano il flusso: acquistare a poco e vendere a molto ne è la forza motrice. Ciò viene però spesso rappresentato erroneamente come sfruttamento, perché gli osservatori distratti non si rendono conto che «acquistare a poco e vendere a molto» non è fortuna, ma richiede uno sforzo continuo e comporta anche rischi finanziari inevitabili.

Dal XIX secolo, gli ambienti intellettuali si sono adoperati per stigmatizzare la visione pragmatica¹⁰⁸, diffondendo tale percezione nell’opinione pubblica. Molte peculiarità di quella che oggi passa per teoria «dominante» della supply chain, come eludere l’effetto evidente del prezzo sulla domanda, devono molto a questa stigmatizzazione.

La verità, però, non è decisa dalla popolarità: la visione pragmatica è un’alternativa superiore a quella teleologica, tanto sul piano concettuale quanto su quello empirico. Concettualmente, abbraccia la ricerca del profitto e i tratti che l’accompagnano. Per esempio, i comportamenti antagonisti non trovano posto nella visione teleologica, mentre si inseriscono naturalmente in quella pragmatica. Empiricamente, la visione pragmatica si dimostra più resistente al caos circostante, perché dipende molto meno dalla correttezza del piano e produce decisioni migliori in termini di rischio e rendimento. Per esempio, la nozione stessa di «opportunità» è evidente nella visione pragmatica, ma manca in quella teleologica.

7.3.1 Incertezza irriducibile

La visione pragmatica assume che il futuro sia decisamente incerto, senza implicare che sia del tutto inconoscibile. Non sostiene né che i futuri possibili siano impensabili né che siano tutti equiprobabili. Al contrario, ritiene che alcuni futuri siano molto più probabili di altri, che possano essere identificati e che si possano quindi allocare risorse per sostenere quei futuri probabili. Di conseguenza, i clienti possono essere serviti con maggiore cura e redditività.

La visione pragmatica ritiene che una parte del domani possa essere anticipata, spesso soltanto in termini strutturali e grossolani. Molto di ciò che sappiamo è comparativo — «un grammo d’oro resterà quasi certamente più caro di un grammo d’argento» — oppure relazionale — «a parità di prezzo, la SKU A venderà più della SKU B». Queste conoscenze sono utili sul piano operativo, ma difficili da esprimere con serie temporali puntuali equidistanti, che offrono un solo numero per data. Le posizioni di una serie temporale non possono esprimere disuguaglianze, ordinamenti o affermazioni condizionali: appiattiscono fatti relativi in ipotesi assolute.

Anche quando la conoscenza non è comparativa, la sua struttura resiste allo stampo delle serie temporali. Consideriamo l’aviazione: il numero globale di passeggeri cresce nella maggior parte degli anni, con rari e gravi crolli. Una serie puntuale ci impone di scegliere un numero per ogni data futura; non può codificare «quasi sempre in aumento, tranne anni di crollo catastrofico con bassa probabilità». Cogliere l’asimmetria e il rischio di coda richiede distribuzioni di probabilità o variabili di regime, non una sola traiettoria di riferimento. In sintesi, il formalismo delle serie temporali è troppo ristretto per il tipo di affermazioni che conferiscono alle aziende un vantaggio reale.

Da questo punto di vista, la visione pragmatica non è meno «predittiva» di quella teleologica: usa semplicemente una grammatica diversa. Anziché riempire intervalli temporali con una sola traiettoria di riferimento, assegna probabilità a famiglie di esiti e registra fatti comparativi: per esempio, che a parità di prezzo la SKU A probabilmente venderà più della SKU B, che un’ondata di calore aumenta le vendite d’acqua o che i tempi di consegna presentano una coda destra pesante. Non conta un numero isolato per data, ma l’insieme di alternative, ciascuna con il proprio valore economico, che queste affermazioni rendono accessibili. Una previsione è considerata «buona» nella misura in cui crea un vantaggio economico, consentendo all’azienda di impegnarsi, rinviare, coprirsi dai rischi o modificare i prezzi meglio dei rivali, anziché perché minimizza una misura accademica dell’errore.

A differenza della visione teleologica, che appiattisce il domani in un’unica quantità nel tempo, quella pragmatica tratta il futuro come un portafoglio di incertezze distribuite sull’intero flusso. La quantità domandata è soltanto una variabile. Prezzi e condizioni commerciali possono cambiare; un rivale può estendere la garanzia da tre a cinque anni, imponendo una risposta; il mix di prodotti e la sostituzione evolvono con il merchandising. I tempi di consegna oscillano, spesso con ritardi a coda pesante; i costi d’acquisto e operativi cambiano; fornitori e linee produttive talvolta vengono meno. Ciascuno di questi fattori merita una propria legge di probabilità, perché rimodella i costi opportunità quanto la domanda. Il compito pratico è attribuire congiuntamente un valore a queste incertezze, anziché fingere che una previsione scalare possa rappresentarle tutte.

Nella visione pragmatica non esiste un solo futuro, ma una moltitudine sconfinata. Ridurla a una manciata di scenari, per non parlare di una sola previsione, è un’illusione dettata dal desiderio. Poiché il futuro è conoscibile solo in parte ed è colmo di incertezze, elencare ogni esito plausibile è impossibile. Qualsiasi tentativo di elaborare un «grande piano generale» onnicomprensivo rasenta quindi l’autoinganno.

La visione pragmatica considera invece la pianificazione un tentativo di conciliare conoscenze diverse e contraddittorie sul futuro per allocare le risorse nel modo più redditizio. Puntare molto su un esito improbabile può essere accettabile se i rendimenti sono elevati e compensano i rischi. Al contrario, un esito molto probabile può non meritare alcuna allocazione se non offre profitti, per quanto sia certo.

In sintesi, la visione pragmatica tratta il domani come un portafoglio di indizi eterogenei. Rifiuta di comprimerli in un’unica serie temporale di riferimento e conserva ciascuno nella sua forma propria: probabilità, regimi, disuguaglianze e affermazioni comparative. Il problema pratico è la sintesi: trasformare indizi disparati in scelte coerenti. Questo compito spetta agli strumenti, non alla visione. Il resto del capitolo introduce la teoria e gli strumenti che realizzano tale sintesi.

Prima degli strumenti, un principio: nella visione pragmatica viene prima la decisione, ossia l’allocazione stessa.

7.3.2 Allocazioni opportunistiche

La visione pragmatica tratta il futuro non come un «riferimento» fisso di unità da fornire, ma come un flusso continuo di opportunità: alcune disastrosamente in perdita, altre molto lucrative. Ogni decisione è, prima di tutto, una valutazione economica dell’opportunità da cogliere.

Nella visione pragmatica, al vertice si trova la decisione: un’allocazione deliberata di risorse scarse a un’opportunità. Le previsioni sono dati in ingresso a quella scelta; nella visione teleologica, invece, è la previsione a portare la corona. Questa priorità netta e distintiva complica ogni tentativo di dialogo tra i sostenitori delle due visioni. Per chi sostiene quella pragmatica, le previsioni sono sofisticate ma in definitiva secondarie, completamente subordinate alla necessità di agire con decisione. Per chi sostiene quella teleologica, le previsioni e il piano associato sono inseparabili da una linea d’azione razionale. Le decisioni non fondate su un piano vengono considerate, nel migliore dei casi, miopi e, nel peggiore, capricciose.

Eppure, pur essendo fondamentalmente opportunistica, la visione pragmatica guarda al futuro quanto quella teleologica. Ogni allocazione di risorse comporta infatti un costo opportunità inevitabile. Di conseguenza, un’opportunità apparentemente redditizia potrebbe essere rifiutata perché potrebbe aprire la porta a una migliore oppure, al contrario, generare problemi che erodono i guadagni attesi.

Consideriamo, per esempio, una compagnia aerea che noleggia a un’altra un componente aeronautico costoso e riparabile, affinché uno dei velivoli di quest’ultima non resti a terra per la sua mancanza¹⁰⁹. Poiché il componente serve urgentemente, la compagnia può esigere dalle altre un prezzo di noleggio molto elevato. Eppure rifiuterà spesso di noleggiarlo, anche se, secondo elementari regole contabili, l’operazione appare estremamente redditizia sulla carta. Deve infatti considerare la propria flotta. Noleggiando il componente, aumenta il rischio che uno dei propri aeromobili resti a terra proprio perché viene a mancare quello stesso pezzo. Il costo di tale rischio può annullare interamente il profitto del noleggio, nonostante un prezzo che sulla carta appare molto remunerativo.

Osserviamo che la visione teleologica elude completamente la questione dei costi opportunità. Da questa prospettiva, infatti, o il piano è considerato fattibile, nel qual caso nessun cliente resterà senza servizio, oppure è considerato irrealizzabile: in tal caso, le previsioni della domanda vengono riviste al ribasso finché il piano torna fattibile. Nella visione teleologica, la nozione stessa di opportunità viene sepolta, insieme a quasi ogni altra questione di supply chain, dentro la proiezione della domanda futura mediante serie temporali.

Calcolare esattamente questi costi opportunità è difficile nella pratica, e la visione pragmatica lo riconosce. Come alternativa al calcolo mentale esplicito dei costi opportunità, privilegia quindi le valutazioni comparative. Per esempio, l’azienda dovrebbe assegnare la sua ultima unità a un cliente nuovo e sconosciuto oppure tenerla implicitamente riservata a un cliente fedele che non è disposta a deludere? Sebbene le valutazioni comparative possano avvalersi di metodi sofisticati, la visione pragmatica sottolinea una preferenza generale per esaminare ogni allocazione alla luce delle alternative.

Queste valutazioni comparative permettono anche di decidere se allocare o meno: se esiste un’opportunità futura preferibile per la stessa allocazione, quella attuale va scartata. Per esempio, l’azienda può smettere di acquistare unità aggiuntive, conservando la liquidità per un momento successivo, quando le scorte attuali saranno ulteriormente diminuite e i bisogni più chiari.

La visione pragmatica non ha quindi bisogno di un «piano» nel senso della visione teleologica. Le risorse verranno allocate progressivamente finché i costi opportunità non saranno giudicati troppo alti per continuare. Per evitare di esaurire le risorse con allocazioni premature, all’azienda basta che esistano opportunità future preferibili. Perciò, nonostante la sua impostazione opportunistica, la visione pragmatica non è più miope di quella teleologica. Entrambe si basano su stime del futuro e guardano dunque avanti, anche se le loro previsioni hanno forme diverse.

Una volta rese confrontabili, le allocazioni possono essere ordinate per priorità. Un unico elenco di priorità, continuamente riordinato, può guidare l’intero flusso man mano che nuove informazioni aggiornano ciascuna valutazione. Su scala aziendale, questo elenco raggiunge facilmente milioni di voci, una per ogni allocazione ammissibile, ben oltre le possibilità di gestione umana. La visione pragmatica dice che cosa ordinare e perché. Come mantenere tale ordinamento e agire in base a esso è una questione ingegneristica, che affronteremo introducendo gli strumenti che meccanizzano questa visione su larga scala. Prima serve un altro ingrediente: riconoscere che il futuro non è uno specchio del passato, ma la conseguenza di decisioni ancora da prendere, ossia l’asimmetria del tempo.

7.3.3 Asimmetria del tempo

A differenza della prospettiva comune nelle scienze naturali, dove molte leggi sono di fatto simmetriche rispetto all’inversione temporale e il domani viene trattato come un altro tratto dello stesso processo, la visione pragmatica considera il futuro plasmato da scelte non ancora compiute. In azienda, il domani non è uno specchio di ieri, ma la conseguenza degli impegni presenti. Prevedere rinviando la decisione inverte la causalità: sono le decisioni a causare gli esiti, non il contrario.

Abbiamo già discusso il caso di un’azienda di abbigliamento sportivo che vende zaini. Le vendite future non possono essere pensate come una semplice proiezione di quelle passate, perché l’azienda può plasmare la domanda lungo molte dimensioni: abbassare il prezzo, introdurre un modello più grande o proporlo in un nuovo colore, pagare la pubblicità, mettere l’articolo in evidenza nei negozi e così via. Nella visione pragmatica, quindi, non ha senso trattare l’anno prossimo come un’estensione di quello precedente. L’anno prossimo è categoricamente diverso da quello precedente.

Ancora più sconcertante per i pianificatori teleologici è il fatto che la visione pragmatica consideri perfettamente normale la dipendenza da decisioni non ancora prese. Gli impegni presenti possono essere espressamente subordinati a scelte successive: ci assicuriamo e valorizziamo opzioni oggi proprio per poter decidere domani con informazioni più fresche, quando i costi opportunità saranno più chiari. Per il professionista pragmatico non è circolarità, ma prudenza: agire ora per ampliare l’insieme delle scelte future, rinviando la selezione tra quelle scelte finché il mercato non avrà rivelato di più.

Per esempio, un marchio di moda potrebbe negoziare e pagare in anticipo un importante impegno di capacità da parte di un fornitore fidato. Questo impegno mette il fornitore in condizione di approvvigionarsi con decisione di materie prime, come tessuti e pelle. Riduce il rischio che incontri ritardi dovuti a successive difficoltà di approvvigionamento e apre anche la strada a costi d’acquisto inferiori. Quando l’impegno viene assunto, però, il marchio non ha ancora deciso che cosa ordinerà. Nella visione pragmatica questi dettagli possono attendere. Purché la capacità sia sostanzialmente adeguata, rinviare l’ordine d’acquisto è preferibile, perché conserva l’opzione di allineare gli ordini successivi ai desideri più recenti del mercato.

Il valore di preservare le opzioni è un’altra pietra angolare della visione pragmatica. Ogni volta che l’azienda si impegna in una linea d’azione, infatti, perde parte della propria capacità d’agire. Per esempio, quando un produttore avvia un lotto di produzione, le materie prime vengono consumate e non possono più essere impiegate per una produzione alternativa. Analogamente, se lo stesso produttore si impegna ad avviare il lotto il mese prossimo, le materie prime corrispondenti vengono di fatto riservate a quella produzione futura.

Oltre agli impegni diretti, le opzioni si erodono anche attraverso i precedenti: è l’effetto cricchetto. Una volta osservato un comportamento, le controparti aggiornano le proprie aspettative e rendono costoso tornare indietro. Un marchio di moda che chiude la stagione con forti ribassi insegna ai clienti a rinviare gli acquisti e aspettarsi gli stessi sconti nella stagione successiva; un miglioramento «temporaneo» del servizio diventa il nuovo riferimento; una deroga occasionale alla MOQ diventa la nuova regola. Come in un cricchetto meccanico, muoversi nel senso del serraggio è facile, mentre l’allentamento incontra resistenza. Nella visione pragmatica, ogni azione viene valutata non soltanto per il margine immediato, ma anche per il modo in cui amplia o restringe le opzioni di domani; le mosse che vincolano le scelte future devono superare una soglia più alta di quelle che preservano la flessibilità.

Più in generale, quando una parte del futuro viene fissata, diventa funzionalmente identica al passato, perché non è più possibile modificarla, anche se gli eventi non si sono tecnicamente ancora verificati. La visione pragmatica non si limita a trattare il futuro come radicalmente distinto dal passato: attribuisce anche grande valore alla conservazione di ciò che lo rende diverso, ossia la capacità d’azione dell’azienda. Per i professionisti pragmatici, impegnarsi in una linea d’azione definitiva è un’ultima risorsa, a cui ricorrere soltanto quando i benefici dell’impegno superano i costi opportunità.

Chi aderisce alla visione teleologica percepisce spesso questa posizione come volubile o mutevole. Non vi è alcun impegno verso il proprio sé passato, ma soltanto verso accordi formali con terzi. Per esempio, interrogato su una futura linea d’azione, un sostenitore della visione pragmatica offrirà semplicemente la sua migliore ipotesi, senza particolare attaccamento a tale affermazione. È soltanto un’opzione, provvisoriamente la più probabile, ma non vi è certezza. Essa coesiste con un vasto numero di alternative che, nell’insieme, sono ancora più probabili. In seguito, con lo svolgersi degli eventi, la linea d’azione verrà rivista alla luce delle nuove informazioni.

Dal punto di vista teleologico, l’esistenza di un piano sottostante è data per scontata: è la caratterizzazione centrale del futuro. La possibilità che non esista alcun piano è quasi impensabile e, quando si presenta, viene disprezzata come dilettantismo. Cambiare la linea d’azione implica quindi cambiare il piano. Un simile esito viene considerato il riflesso di un problema sottostante: un’esecuzione inadeguata, incapace di rispettare il piano, oppure un piano inadeguato fin dall’inizio¹¹⁰.

Quantificare un futuro considerato dipendente da decisioni ancora da prendere presenta numerose difficoltà tecniche. In particolare, le previsioni di serie temporali e la maggior parte degli strumenti di pianificazione della visione teleologica risultano inadeguati. Poiché la letteratura sulla supply chain offre quasi nulla a sostegno della visione pragmatica, la maggior parte dei suoi sostenitori si affida a calcoli approssimativi. I pianificatori teleologici li giudicano rozzi. Eppure, come mostreremo di seguito, gli strumenti che sostengono la visione pragmatica possono eguagliare, e spesso superare, la sofisticazione dei metodi classici di pianificazione.

7.3.4 Superiorità della visione pragmatica

Benché la visione pragmatica non goda praticamente di alcun sostegno negli ambienti intellettuali¹¹¹, è nettamente superiore a quella teleologica. Sul piano empirico, quando gli imprenditori di successo espongono la propria visione, propendono invariabilmente per quella pragmatica. Ingvar Kamprad (Ikea), Jeff Bezos (Amazon) e Warren Buffett (Berkshire Hathaway) sono alcuni di coloro che hanno assunto pubblicamente queste posizioni. Gli imprenditori di successo dedicano quasi tutti i loro sforzi a gestire le proprie aziende e non producono quindi tanti articoli o libri quanti gli intellettuali specializzati in tale attività. Gli scritti favorevoli alla visione pragmatica sono perciò rari.

Esistono inoltre ampie prove empiriche dei risultati disastrosi della visione teleologica. Per sette decenni, il Gosplan dell’Unione Sovietica impose gravi inefficienze economiche a oltre 100 milioni di persone. Più in generale, nei settori privato e pubblico, i grandi piani pluriennali sono spesso deragliati, generando costi immensi. Al contrario, non si conoscono successi di grandi pianificazioni che abbiano fatto la fortuna di una grande azienda. Nel migliore dei casi, i piani vengono eseguiti con costi e ritardi aggiuntivi limitati: qui il «successo» non va oltre questo.

Queste osservazioni, sia i successi ottenuti con la visione pragmatica sia i fallimenti in sua assenza, derivano in gran parte da un solo fattore: come viene gestita l’incertezza. La visione teleologica cerca di eliminarla; quella pragmatica la accoglie. I metodi teleologici sono quindi fragili agli shock, mentre quelli della visione pragmatica possono attenuarli o persino trarne profitto.

In un mondo con poca o nessuna incertezza, la visione teleologica potrebbe funzionare egregiamente. Non viviamo in un mondo simile. I soli liberi mercati bastano a creare un’incertezza sostanziale per tutti i partecipanti. Amplificano infatti enormemente le variazioni minori. Per esempio, Walmart portò al fallimento concorrenti come Kmart nel 2002 e Sears nel 2018. Fece scendere i ricavi di Kmart da oltre $36 miliardi nel 1994 a zero, pur essendo soltanto il 2,2% più economica¹¹². In un libero mercato, essere peggiore dell'1% rispetto a un concorrente comporta tipicamente la perdita del 100% della quota di mercato nell’arco di uno o due decenni. Pertanto, anche se fossero eliminate le fonti di incertezza estranee al mercato — guerre, grandinate, terremoti, epidemie — un’incertezza irriducibile continuerebbe a caratterizzare i liberi mercati.

Gli strumenti di supply chain, algoritmi o metodologie, che sostengono la visione pragmatica sono scarsi: una conseguenza prevedibile della mancanza di sostenitori negli ambienti intellettuali. La maggior parte dei professionisti si affida all’esperienza e all’intuizione che ne deriva. Eppure nulla ci impedisce di introdurre tali strumenti: è il lavoro che questi capitoli svolgono passo dopo passo.

7.4 Prevedibilità delle vicende umane

Le prestazioni di una supply chain dipendono dalla capacità dell’azienda, tanto dei suoi responsabili quanto dei suoi sistemi software, di anticipare adeguatamente gli eventi futuri. Questi comprendono, soprattutto, le decisioni umane. Prevedere perfettamente gli eventi naturali è concepibile, benché raramente realizzabile oltre cicli semplici come le maree; prevedere perfettamente le vicende umane è invece impossibile. Basta che un cliente che va controcorrente¹¹³ cambi idea per compromettere una previsione ritenuta «perfetta». L’abitudine rende comunque le azioni in qualche misura prevedibili nel breve periodo.

Per esempio, quando il responsabile di un supermercato mette sullo scaffale una confezione di yogurt con un cartellino del prezzo, si aspetta che un cliente la compri. Si aspetta inoltre che la vendita avvenga ben prima della scadenza. Anticipare accuratamente mantiene sotto controllo svalutazioni e rotture di stock: una disciplina che la maggior parte dei supermercati padroneggia. I supermercati redditizi dimostrano che simili anticipazioni possono essere prodotte su larga scala come attività ordinaria.

In generale, le supply chain restano redditizie perché i responsabili anticipano bene gli eventi futuri. Perlopiù, questo significa anticipare decisioni che altri prenderanno. Fino alla fine del XIX secolo, il processo si basava su intuizione ed esperienza. All’inizio del XX secolo apparvero metodi analitici formali e si cominciò a misurare rigorosamente l’accuratezza dei modelli. Questi metodi fiorirono dopo il 1950, sostenuti da una potenza di calcolo in costante crescita. Si aprì così la strada al paradigma delle serie temporali, che, come già discusso, divenne l’approccio predittivo dominante nella supply chain.

Eppure la prospettiva delle serie temporali è fragile in ambito aziendale. Tralascia proprio le leve che rendono il domani diverso da ieri e comprime eventi sparsi e discreti in medie frazionarie. Dove è utile, lo è soltanto per due ragioni: il momentum di breve periodo e le ciclicità del calendario. Esaminiamo questi punti di forza circoscritti, poi sostituiamo tale prospettiva con strumenti adatti all’economia del flusso: (i) previsioni probabilistiche che associano distribuzioni a domanda, tempi di consegna, prezzi e resi; (ii) previsioni ad alta dimensionalità che colgono panieri, sostituzione ed effetti incrociati tra articoli, canali e ubicazioni; (iii) previsioni funzionali, condizionate dalle politiche di decisione, che si esprimono attraverso gli oggetti propri del flusso — ordini, allocazioni e prezzi — anziché intervalli temporali equidistanti. Questi strumenti non indovinano «il» futuro: valorizzano le alternative e rendono espliciti i costi opportunità.

7.4.1 Momentum e ciclicità

La previsione di serie temporali tratta le vicende umane come misurazioni periodiche proiettate in avanti. Registrati i numeri del passato, il compito è proporre valori sensati per le date future e farlo con tutta la fedeltà consentita dai nostri strumenti.

Con milioni di articoli¹¹⁴ sulla previsione di serie temporali, è difficile sopravvalutare l’importanza percepita di questo paradigma nel mondo accademico. Eppure, per una letteratura di tali dimensioni, offre sorprendentemente poco. Si fonda su due principi che conferiscono capacità predittiva ai modelli di serie temporali: il momentum e le ciclicità. Sono importanti, ma i loro limiti sono evidenti.

Il momentum¹¹⁵, nella supply chain, è la riluttanza delle persone a cambiare abitudini nel breve periodo. Non è semplice ostinazione: il cambiamento comporta spesso costi rilevanti. Valutare se migliori lo status quo può richiedere uno sforzo considerevole e la sua attuazione può compromettere il valore dei beni produttivi esistenti.

Per esempio, un produttore può decidere di acquistare le proprie macchine utensili da un fornitore meno caro. Poiché le macchine utensili non sono semplici commodity, valutarne l’adeguatezza richiede tempo. Il personale deve essere nuovamente formato e i processi adattati per sfruttare al meglio le nuove macchine. Infine, i ricambi esistenti possono perdere gran parte del loro valore se sono incompatibili con le macchine del nuovo fornitore.

Il momentum spiega quindi perché la famiglia dei modelli a media mobile, compreso il livellamento esponenziale, fornisca spesso un discreto riferimento di breve periodo: il futuro prossimo somiglia al passato recente. Inoltre, il momentum governa non soltanto la domanda, ma anche tempi di consegna, tassi di reso, tassi di difettosità, prezzi d’acquisto e di vendita e così via.

Con il mutare delle abitudini, la capacità predittiva del momentum diminuisce; l’effetto Lindy ci dice quanto rapidamente.

Se un libro è in stampa da quarant’anni, posso aspettarmi che lo resti per altri quarant’anni. Ma, ed è questa la differenza principale, se sopravvive per un altro decennio, ci si aspetterà che resti in stampa per altri cinquant’anni. Questa semplice regola spiega perché le cose che esistono da molto tempo non «invecchino» come le persone, ma «invecchino» al contrario. Ogni anno che passa senza estinzione raddoppia l’aspettativa di vita aggiuntiva. È un indicatore di una certa robustezza. La robustezza di un oggetto è proporzionale alla sua vita! Antifragile: Things That Gain from Disorder (2012), Nassim Nicholas Taleb.

L’effetto Lindy governa le abitudini quanto gli oggetti e, in un mondo mutevole, è cruciale per gestire il rischio di allocazione. Investimenti consistenti richiedono un momentum forte e durevole. I professionisti usano l’effetto Lindy per valutare la durata di un dato momentum.

Per esempio, un’impennata di due settimane nelle vendite di cereali per la colazione potrebbe bastare a un supermercato per aumentare le scorte. Il marchio che osserva la stessa impennata potrebbe invece rinviare di diversi mesi l’espansione della capacità. La scommessa del supermercato è modesta: se l’aumento è transitorio, le scorte eccessive verranno smaltite nel tempo. L’investimento del marchio nella capacità è invece molto più grande e, se l’impennata svanisce, deve essere svalutato.

Le ciclicità colgono la tendenza umana ad ancorare le decisioni al calendario. Nella pratica, le regolarità utilizzabili sono poche e stabili: ora del giorno, giorno della settimana, giorno del mese e giorno dell’anno. Tutto il resto che abbia un valore durevole è una variante o una combinazione di queste quattro, più una manciata di eventi quasi ciclici che non seguono esattamente il calendario gregoriano.

Ora del giorno. I negozi hanno orari di apertura; l’ecommerce ha orari limite per gli ordini e picchi in tarda serata. Registrazioni più frequenti di una volta al giorno rivelano marcati andamenti infragiornalieri, per esempio cali durante la pausa pranzo e impennate a fine giornata. Con dati giornalieri, questi cicli scompaiono quasi del tutto, salvo attraverso gli effetti indotti sul giorno della settimana: per esempio, le chiusure domenicali azzerano la domanda al dettaglio.

Giorno della settimana. Le famiglie fanno acquisti nel fine settimana; la domanda B2B si concentra dal lunedì al venerdì; i resi si addensano il lunedì. Per molti assortimenti, il profilo settimanale spiega più varianza di qualsiasi altro singolo fattore.

Giorno del mese. Stipendi, sussidi, cicli di fatturazione e obiettivi di fine periodo creano «mazze da hockey» a fine mese, soprattutto nelle spedizioni. La distinzione è importante: un picco di spedizioni a fine mese è solitamente un artificio dovuto a sbarramenti burocratici, non consumo reale. Trattatelo come un effetto del calendario sui flussi osservati, anziché come un aumento persistente della domanda sottostante.

Giorno dell’anno. Stagioni, vacanze e festività civili dominano il profilo annuale. Qui la «stagionalità» non è un mistero: è l’impronta del calendario sulle abitudini, come gli apparecchi di riscaldamento in inverno e i sandali in estate. Anche gli «eventi» del commercio al dettaglio dipendono dal calendario: il Black Friday, negli Stati Uniti il giorno successivo al quarto giovedì di novembre¹¹⁶, riallinea puntualmente i panieri ogni anno.

Oltre alle quattro frequenze di base vi sono alcuni quasi cicli: eventi religiosi o lunari — Ramadan, Capodanno cinese, Pasqua — che si spostano rispetto all’anno gregoriano e vanno gestiti con calendari espliciti, specifici del luogo, anziché con ingenui indici mensili.¹¹⁷ Calendari scolastici e feste locali sono dello stesso tipo: calendari discreti con elenchi di date prevedibili, non «schemi» fluttuanti da scoprire.

Dal punto di vista della modellazione, il trattamento più economico consiste in un piccolo insieme di indici moltiplicativi, uno per ogni fattore di calendario rilevante, regolarizzati verso \(1\) quando le prove sono deboli. Geografia e canale meritano indici separati: ciò che si vende il sabato al dettaglio spesso non si vende nel B2B. Le chiusure implicano zeri strutturali anziché imputazioni; le SKU con dati sparsi traggono forza da quelle simili attraverso il pooling gerarchico. Il calendario rimane così esplicito e trasferibile tra assortimenti.

Detto chiaramente, una volta introdotti il momentum, ossia la persistenza delle abitudini nel breve periodo, e un calendario compatto, con le quattro ciclicità di base e pochi quasi cicli espliciti, è stato estratto quasi tutto il segnale pratico che i modelli di serie temporali possono ricavare. Scomposizioni elaborate — fuochi d’artificio di Fourier, ritardi esotici, macchine a stati barocche — raramente reggono fuori campione in ambito aziendale. Tutto ciò che va oltre momentum e calendario appartiene ad altri strumenti, come prezzi, promozioni, sostituzione e modellazione dei tempi di consegna, non alla prospettiva delle serie temporali in sé.

La prossima sezione mostra che, una volta tenuto conto del momentum e del calendario, continuare a rincorrersi la coda entro il paradigma delle serie temporali produce rendimenti sempre più esigui per le supply chain.

7.4.2 Il vicolo cieco

Nonostante decine di migliaia di nuovi articoli scientifici ogni anno, da anni la previsione mediante serie temporali si dimostra un vicolo cieco tecnologico per le supply chain¹¹⁸. La dimostrazione più chiara emerge dai risultati di M5, una grande competizione pubblica di previsione tenutasi nel 2020, la più grande fino a oggi, che utilizzava un dataset delle vendite di Walmart a livello di punto vendita.

In questa competizione, un team di Lokad, azienda specializzata in software per la supply chain, si è classificato primo a livello di SKU¹¹⁹, il livello più disaggregato e, dal punto di vista della supply chain, l’unico che in definitiva conta per le decisioni sul flusso. Il suo modello previsionale vincente¹²⁰ era un semplice modello parametrico moltiplicativo, che utilizzava soltanto il momentum e le ciclicità introdotti nella sezione precedente. Inoltre, la grande maggioranza dei parametri era costituita da semplici indici di ciclicità, ossia coefficienti moltiplicativi che riflettevano i fattori «giorno della settimana», «giorno del mese» e «mese dell’anno».

A livello di SKU, questo modello ha superato approcci più sofisticati, compresi modelli di deep learning con milioni di parametri e modelli di gradient boosting con migliaia di alberi. Agli altri livelli di aggregazione, questo semplice modello è rimasto a poca distanza dall’accuratezza dei vincitori.

Con 909 team di tutto il mondo in gara a M5, è certo che sia stato provato ogni metodo di rilievo per le serie temporali. Eppure, alla fine, un modello semplice ha raggiunto un’accuratezza paragonabile, se non superiore, a quella dei suoi concorrenti più sofisticati. Il motivo è semplice: nessun modello è riuscito a ricavare dalle serie temporali storiche informazioni utili oltre al momentum e alle ciclicità. Nessun modello ci è riuscito perché tali informazioni non sono presenti nelle serie temporali di M5.

Per il team di Lokad, lungi dall’essere una sorpresa, questo risultato ha confermato una conclusione maturata circa un decennio prima, dopo numerosi confronti tra metodi previsionali per serie temporali su dataset di decine di aziende clienti. Questi dataset non nascondono ciclicità ancora da scoprire, né sfasamenti latenti per cui una serie ne predice un’altra, né tendenze segrete in attesa di essere trovate¹²¹. Più in generale, nei registri aziendali non esistono schemi alternativi da sfruttare mediante modelli previsionali più sofisticati basati su serie temporali.

L’assenza di prove non è una prova di assenza. Benché schemi alternativi nelle serie temporali, diversi cioè dal momentum e dalle ciclicità, continuino a sfuggirci, potrebbero ancora essere scoperti. Tuttavia, dopo una mole di ricerca così imponente, le probabilità di una svolta sono basse. Alla fine della seconda guerra mondiale, il potere predittivo del momentum e delle ciclicità era già stato individuato. La competizione M5 ha poi mostrato che, 70 anni e milioni di articoli scientifici dopo, non sono stati scoperti ulteriori principi. Gran parte di ciò che da allora è stato spacciato per «progresso» ha soltanto affinato la parametrizzazione di quei due effetti: termini di tendenza più regolari per il momentum e indici di calendario sempre più fini per le ciclicità. Una volta disponibile una solida base moltiplicativa, ne derivano miglioramenti marginali, con rendimenti rapidamente decrescenti.

Esistono numerosi schemi da sfruttare oltre al momentum e alle ciclicità, ma si trovano al di fuori degli angusti confini del paradigma delle serie temporali. Per trarne vantaggio, occorre quindi abbandonare quel paradigma.

Il continuo susseguirsi di nuovi «progressi» nelle serie temporali si deve meno all’incomprensione che agli incentivi: la novità si vende meglio dell’ammissione che, oltre al momentum e alle ciclicità, resta ben poco segnale da estrarre. Da qui la sfilata di varianti, decennio dopo decennio, ciascuna pronta ad adottare la tecnica informatica di moda in quel momento¹²². Per la previsione nella supply chain, queste ondate aggiungono ben poca sostanza, come mostrano i risultati di M5 appena discussi.

7.4.3 La legge dei piccoli numeri

Il momentum e le ciclicità sono principi predittivi innegabilmente potenti. Quando entrano in gioco grandi numeri, le vicende umane diventano piuttosto prevedibili anche ricorrendo soltanto a questi due principi. Per esempio, si possono prevedere con quasi assoluta certezza, anni prima, le date degli ingorghi stradali in Francia. Quegli ingorghi riflettono decine di milioni di decisioni individuali radicate in abitudini di una vita. Le infrastrutture di trasporto continuano a evolversi, ma abbastanza lentamente da non interferire molto con previsioni formulate con qualche anno di anticipo.

Purtroppo, le supply chain riguardano fondamentalmente piccoli numeri. Ogni volta che un numero che caratterizza il flusso diventa grande, per esempio supera 20, interviene il raggruppamento in lotti e il numero si riduce, grazie alle economie di scala che si presentano lungo il percorso.

Illustriamo questo principio con una spedizione locale di piccoli componenti meccanici. Un singolo componente urgente viaggia in scooter. All’aumentare delle quantità, la modalità cambia per scatti discreti: qualche decina di componenti viene avvolta in pellicola termoretraibile in un unico pacco e affidata al successivo giro del corriere; diversi pacchi vengono inseriti in un cartone e spediti con un furgone; una pila di cartoni diventa un pallet trasportato da un autocarro medio; una manciata di pallet giustifica la programmazione di un carico completo. In pratica, il flusso avanza per quanti — unità → pacco → cartone → pallet → carico completo — anziché un’unità alla volta.

Di conseguenza, le serie temporali della supply chain sono quasi sempre sparse, con osservazioni perlopiù pari a zero, ed erratiche, con osservazioni non nulle che variano notevolmente.

Figura: Una serie regolare ad alto volume con un ciclo settimanale (linea continua) a confronto con una serie sparsa ed erratica (barre grigie).

I metodi per serie temporali funzionano male sulle serie sparse: producono volumi giornalieri frazionari, per esempio 0,3 unità al giorno, che al momento dell’utilizzo non hanno significato operativo e, prevedibilmente, si rivelano poco accurati rispetto alle decisioni reali. Un palliativo comune consiste nel «nascondere» la sparsità mediante l’aggregazione: allungare l’intervallo temporale, dai giorni ai mesi (giorni \(\rightarrow\) mesi), oppure ampliare il perimetro, dalla SKU alla categoria (SKU \(\rightarrow\) categoria).

Eppure, anche quando l’aggregazione produce tecnicamente previsioni per serie temporali più accurate, si tratta di poco più che un’illusione ottica. È la struttura della decisione, ossia l’allocazione delle risorse, a dettare la granularità della previsione, non il contrario.

Consideriamo, per esempio, il responsabile di un negozio che ogni mese vende pochi vasetti di una certa marca di senape. Nel suo caso, la decisione di riapprovvigionamento comprende due campi: una data, ossia quando riordinare, e una quantità, ossia quante unità. Il responsabile deve sapere se oggi è un buon giorno per riordinare, non se questo mese è il mese giusto. Analogamente, deve sapere quanti vasetti, della stessa marca e dello stesso formato, riordinare. Una valutazione in unità di condimenti, la categoria di prodotto, non gli serve a nulla.

La legge dei piccoli numeri spiega perché la speranza di elaborare previsioni per serie temporali precise sia così mal riposta, anche nelle situazioni che non sono intrecciate a decisioni ancora da prendere. I piccoli numeri rendono i dati irriducibilmente erratici. Non si tratta di un difetto transitorio degli strumenti statistici attuali, destinato a essere presto corretto da strumenti migliori. Al contrario, qualunque strumento numerico si introduca nella supply chain deve essere concepito per piccoli numeri e dataset comunque limitati.

Questi vincoli non richiedono una griglia temporale più fine o un metodo di livellamento più elaborato: richiedono una grammatica diversa. Quando i conteggi sono piccoli e le azioni discrete, l’unità significativa della previsione non è «un numero per martedì prossimo», ma una legge di probabilità sugli esiti ammissibili: quanti, se ve ne saranno, e con quanto ritardo. Il primo strumento di questa grammatica è la previsione probabilistica: una distribuzione che accoglie la sparsità, le quantità intere e le sorprese a code pesanti, e si applica tanto alla domanda quanto ai tempi di consegna, ai resi e ai prezzi. Per fissare le idee, cominciamo dai tempi di consegna e dalla domanda.

7.4.4 Previsioni probabilistiche

La previsione probabilistica considera tutti i possibili esiti futuri di un evento e assegna una probabilità a ciascuno. Una previsione probabilistica è l’insieme completo di tali probabilità. Una previsione non probabilistica, ossia classica, che individua un unico esito è una previsione puntuale; il termine si usa raramente, poiché «previsione» implica solitamente «previsione puntuale». La previsione probabilistica è fondamentale per la supply chain perché accoglie la legge dei piccoli numeri, sul piano sia teorico sia empirico. Segna il nostro primo grande allontanamento dal paradigma delle serie temporali puntuali equispaziate.

Le previsioni probabilistiche quantificano l’incertezza lungo l’intero flusso, non soltanto nella domanda. È la nostra seconda rottura con la pratica dominante: associamo distribuzioni a ogni fattore incerto che muove denaro e atomi — tempi di consegna, fill rate in ingresso, affidabilità dei fornitori, prezzi di acquisto e di vendita, resi, scarti e capacità disponibili. In tutto il libro, «probabilistico» è usato in questa accezione ampia. Per fissare le idee, consideriamo tempi di consegna variabili. Né il fornitore né il trasportatore sono perfettamente affidabili; si verificano ritardi imprevisti. Ci serve la distribuzione del tempo che manca alla ricezione di un ordine appena effettuato. Una previsione probabilistica del tempo di consegna fornisce esattamente questa distribuzione. L’istogramma seguente riassume le probabilità giorno per giorno.

Figura: Esempio di distribuzione dei tempi di consegna: consegna impossibile nei giorni a sinistra; picco in corrispondenza della consegna nominale a 3 giorni; rischio a coda pesante di ritardi più lunghi.

L’istogramma mostra che una consegna in meno di tre giorni ha probabilità nulla. Ciò riflette il tempo minimo di trasporto della modalità di spedizione scelta. La moda della distribuzione cade al terzo giorno, dove la probabilità è massima. È il tempo di consegna nominale: la durata prevista quando sia il fornitore sia il trasportatore operano secondo i piani. Probabilità piccole ma non nulle si estendono molto a destra; rappresentano perturbazioni che allungano i tempi di consegna ben oltre il valore nominale. Nel caso peggiore, la consegna non avviene mai.¹²³

Come le previsioni puntuali, anche quelle probabilistiche possono essere calcolate a partire dai dati storici. Lasciando da parte i dettagli tecnici della modellazione, chiariamo che cosa apportano le previsioni probabilistiche alle decisioni di supply chain.

Le previsioni probabilistiche trasmettono informazioni più ricche rispetto a quelle puntuali. Tuttavia, non sono intrinsecamente più accurate. Le probabilità aggiungono una dimensione informativa assente nelle previsioni puntuali. In particolare, si può ridurre una previsione probabilistica a una puntuale prendendo la media o la mediana della distribuzione. Una previsione probabilistica più accurata produrrà quindi, meccanicamente, una previsione puntuale più accurata. Dati un modello probabilistico e uno puntuale, occorre una verifica empirica per stabilire quale sia più accurato. In quanto classi, i modelli «probabilistici» e «puntuali» non conferiscono alcun vantaggio sistematico in termini di accuratezza. Ciononostante, le informazioni aggiuntive fornite dai modelli probabilistici sono spesso decisive per le decisioni di supply chain.

Tornando all’esempio dei tempi di consegna variabili, osserviamo che i dettagli della distribuzione sono decisivi per gestire il rischio di consegne tardive. Supporre che le merci arrivino entro il tempo di consegna mediano sarebbe un grave errore: per definizione, metà delle spedizioni arriverebbe in ritardo. Per contro, basare le operazioni su un valore molto a destra della distribuzione, ossia un quantile elevato, è altrettanto irragionevole. La maggior parte delle merci arriverebbe molto prima, creando problemi come scorte eccessive.

I tempi di consegna sono soltanto uno dei molti esempi in cui la variabilità e l’incertezza incidono in modo decisivo sulle decisioni di supply chain.

Riprendiamo la variante con un unico acquirente presentata in Limiti della pianificazione. Supponiamo che una fabbrica spedisca da anni 1.000 unità al giorno a un solo cliente. In termini di serie temporali, la previsione puntuale è una linea piatta a 1.000. Aggiungiamo ora un’informazione ignorata dalla serie temporale: il rapporto commerciale è longevo ma non immortale, e la probabilità settimanale di perdere il cliente è di circa lo 0,1%. A un anno di distanza, ossia 52 settimane, la domanda giornaliera attesa è di \((1-0.001)^{52}\times 1000 \approx 934\) unità. Forse matematicamente corretto, ma operativamente insensato. Tra un anno, la domanda giornaliera sarà pari a 1.000 oppure a 0.¹²⁴ Qualunque piano di capacità basato su «934 unità al giorno» allocherà male le risorse.

Una previsione probabilistica rende invece esplicito il rischio di crollo: la maggior parte della massa di probabilità resta su «ancora 1.000», mentre una massa più piccola riguarda «scende a 0» nell’orizzonte considerato. Questa prospettiva conduce a una politica su due fronti: garantire il servizio corrente finché il cliente rimane, e predisporre una risposta per quando verrà perso. La previsione puntuale cerca di prevedere un unico futuro «vero» e cancella il rischio facendo la media; la prospettiva probabilistica attribuisce un valore alle alternative e previene il fallimento della pianificazione favorito dalla linea piatta.

La previsione probabilistica rivela dunque aspetti che una lente puntuale non può mostrare. Nel tentativo di cogliere «l’unico vero futuro», la previsione puntuale rimane cieca a schemi altrimenti evidenti. Inoltre, la prospettiva probabilistica consente in genere di sfruttare dati aggiuntivi al di là delle ristrette serie temporali storiche, oppure di estrarre più segnale dagli stessi dati. Illustriamo questo punto con un altro esempio.

Consideriamo un negozio di bricolage con un prodotto che vende in media 0,5 unità al giorno. Per chiarezza, benché sia irrealistico, supponiamo che la domanda sia costante e priva di ciclicità. Il negozio viene rifornito ogni giorno da un magazzino che serve negozi simili. La previsione della domanda è di nuovo una serie piatta a 0,5 unità al giorno. Consideriamo ora la previsione probabilistica della domanda giornaliera, illustrata di seguito.

Figura: Istogramma della domanda discreta: andamento complessivamente decrescente, con picchi pronunciati a 4 e 8 unità.

Il prodotto è infatti un paraspigoli destinato a proteggere i bambini. Benché i paraspigoli possano essere acquistati singolarmente, la maggior parte dei clienti li compra in multipli di 4. L’istogramma lo mostra: le probabilità di una domanda giornaliera pari a 0, 4, 8 e 12 unità sono molto più alte rispetto agli altri conteggi. Questa previsione probabilistica della domanda chiarisce che il negozio dovrebbe tenere 8 unità in magazzino, forse 12, per offrire un’elevata qualità del servizio. Non si sarebbe potuto prevedere questo livello di scorte considerando soltanto una domanda media di 0,5 unità al giorno.

Le previsioni probabilistiche non si limitano ad accogliere la legge dei piccoli numeri: eliminano anche la necessità di gestire proiezioni frazionarie prive di senso. Benché 0,5 unità al giorno possa essere un’astrazione comoda per riassumere la domanda di un prodotto confezionato, i clienti non possono acquistare frazioni di unità: sono ammissibili soltanto quantità intere. Molti autori e soluzioni software liquidano il problema, ma è un atteggiamento sbagliato. Le scorte possono essere reintegrate soltanto in quantità intere. Accettare una previsione puntuale frazionaria introduce approssimazioni ampie che, talvolta, possono generare costi aggiuntivi considerevoli per l’azienda.

Per esempio, se la domanda nel ciclo è intermittente, diciamo 0,1 unità per periodo, esiste un rischio concreto che venga arrotondata a zero. Quando ciò accade, le scorte non vengono reintegrate; la domanda osservata scompare e il flusso si arresta. Lungi dall’essere un caso limite teorico, questa situazione, un congelamento delle scorte, è un problema abituale nelle politiche di gestione delle scorte governate da previsioni puntuali anziché probabilistiche. Più in generale, le previsioni probabilistiche corrispondono naturalmente alla natura prevalentemente discreta del flusso, conseguenza del principio di standardizzazione discusso in precedenza.

Benché qualsiasi distribuzione possa essere ridotta a un solo numero — media, mediana o moda¹²⁵ — farlo significa scartare proprio l’informazione che dà valore alla prospettiva probabilistica. Il beneficio risiede nell’intera forma, con le sue asimmetrie, le sue code e la sua multimodalità, non in un valore «centrale» scelto a mano. Nessuna sintesi in un unico numero può conservare quell’informazione. Il prossimo capitolo mostra come prendere decisioni che sfruttino l’intera distribuzione anziché ridurla nuovamente a un solo punto.

Generare previsioni probabilistiche è probabilmente più tecnico che produrne di puntuali; tuttavia, in quest’epoca di computer potenti, l’onere aggiuntivo è in gran parte trascurabile, purché si utilizzino metodi appropriati. Questa difficoltà potrebbe indurre a fare il contrario: calcolare prima una previsione puntuale per serie temporali e convertirla poi in una previsione probabilistica. Per esempio, si potrebbe approssimare con una distribuzione normale una somma su un intervallo, come talvolta si fa per le scorte di sicurezza.

Purtroppo, questo approccio non offre nessuno dei benefici desiderati. Le previsioni probabilistiche sono superiori perché veicolano più informazioni, ma quelle informazioni aggiuntive non compaiono dal nulla. Vengono estratte da processi appositamente progettati per ricavare dai dati storici più informazioni rispetto ai metodi volti a produrre previsioni puntuali.

Un’ulteriore sottigliezza: una previsione probabilistica non è confermata per il solo fatto che l’esito verificatosi avesse probabilità non nulla nella distribuzione. Conta il peso che il modello assegna a quell’esito. Un buon modello concentra la probabilità dove la realtà tende a collocarsi e ne assegna poca altrove. Un cattivo modello fa il contrario: dissemina minuscole probabilità ovunque oppure assegna l'1% a eventi che si verificano ogni settimana. Le previsioni probabilistiche vanno quindi giudicate non con un criterio binario di successo o insuccesso, ma in base alla probabilità che attribuiscono a ciò che accade davvero, restando concentrate quanto consentito dai dati disponibili. Servono dunque regole di valutazione proprie che premino distribuzioni ben calibrate e concentrate e penalizzino una sicurezza mal riposta.

Valutiamo pertanto i modelli probabilistici con metriche concepite per le distribuzioni. Benché le metriche probabilistiche, come la log-verosimiglianza, siano meno familiari di quelle per le previsioni puntuali, come l’errore assoluto medio, non hanno nulla di misterioso. I dettagli di queste metriche sono tecnici e non essenziali per la presente discussione. Per ora, possiamo proseguire sapendo che esistono e che, dati due modelli probabilistici, indicano quale sia ritenuto «migliore».

7.4.5 Code pesanti

Nelle scienze naturali, molti fenomeni seguono distribuzioni normali, o gaussiane: un fatto notevole. Per esempio, nella popolazione mondiale l’altezza degli uomini segue approssimativamente una distribuzione normale. Lo stesso vale per il loro peso. Anche filtrando il campione, per esempio limitandolo agli uomini con gli occhi azzurri o a quelli che vivono a nord del 45° parallelo, la distribuzione resta approssimativamente normale. Si ottengono distribuzioni normali analoghe per la temperatura corporea, la densità ossea o la durata dei cicli del sonno.

Figura: Distribuzione normale a code leggere, centrata su 3 e con deviazione standard pari a 1. Si confronti con l’istogramma dei tempi di consegna.

Le distribuzioni normali sono onnipresenti nel mondo naturale. Le temperature dell’aria, le precipitazioni e le velocità del vento su orizzonti settimanali o più lunghi seguono distribuzioni normali. Queste compaiono anche negli scostamenti della luminosità apparente delle stelle e nei livelli di espressione genica delle popolazioni umane e non umane.

Come strumenti matematici, le distribuzioni normali sono eccezionalmente comode. Dispongono di espressioni analitiche semplici. Offrono semplici forme chiuse, librerie open source onnipresenti e un’algebra ricca: le somme di variabili normali restano normali, le somme opportunamente riscalate di molte variabili casuali convergono a una normale, e così via.

Non sorprende che la maggior parte degli autori di supply chain adotti le distribuzioni normali; eppure questa prospettiva è fondamentalmente sbagliata. Quando entrano in gioco le decisioni umane, le code leggere diventano l’eccezione. La maggior parte delle variabili rilevanti per l’attività economica ha code pesanti: gli esiti estremi si verificano molto più spesso di quanto ammetta la curva a campana; le distribuzioni sono tipicamente asimmetriche; le code dominano i totali. Modellarle come normali significa sottostimare sistematicamente il rischio e attribuire un valore errato alle opportunità.

Consideriamo uno stadio con 10.000 spettatori. Nessuna persona può rappresentare anche soltanto lo 0,1% della massa corporea totale del pubblico: per ragioni biologiche, il peso umano ha code leggere. Per il patrimonio netto vale il contrario: è plausibile che un solo spettatore possieda più ricchezza di tutti gli altri messi insieme. La ricchezza ha code pesanti¹²⁶.

Più in generale, tutto ciò che assomiglia al successo imprenditoriale produce esiti a code pesanti. Le prime 10 marche di smartphone vendono più unità di tutte le altre marche messe insieme. In un qualsiasi anno, i primi 100 artisti musicali al mondo vendono più brani di tutti gli altri artisti messi insieme. Nelle elezioni presidenziali francesi, i primi tre candidati hanno sempre ricevuto più voti delle due dozzine di candidati che li seguono.

Anche i flussi della supply chain sono esposti a shock a code pesanti: la domanda può balzare a livelli inverosimili quasi senza preavviso. Nel dicembre 1973, una battuta estemporanea del conduttore Johnny Carson al The Tonight Show su un’imminente carenza di carta igienica scatenò una corsa agli acquisti in tutto il paese; gli scaffali si svuotarono non perché fosse cambiata l’offerta, ma perché erano cambiate le aspettative. Quasi cinque decenni dopo, la stessa SKU mostrò la stessa coda per una causa diversa: nel marzo 2020, nell’incertezza del lockdown, le famiglie fecero scorta di beni essenziali e le vendite di carta igienica negli Stati Uniti aumentarono di circa otto volte¹²⁷, una variazione drastica per un articolo di solito stabile. Inneschi diversi, una voce e uno shock delle politiche pubbliche, produssero la stessa realtà operativa: una coda lunga e sottile divenne un’ondata improvvisa e travolgente.

Le vendite possono anche crescere considerevolmente grazie a campagne di marketing deliberate. Per esempio, con la campagna «Just Do It» e un prodotto valido, Nike portò la propria quota del mercato nazionale delle scarpe sportive dal 18% al 43% e le vendite mondiali da $877 milioni a $9,2 miliardi tra il 1988 e il 1998. Nel 2021, la cifra raggiunse $44,5 miliardi: un aumento di circa cinquanta volte nell’arco di pochi decenni.

Anche le grandi realizzazioni ingegneristiche possono portare un’azienda a dominare completamente il proprio mercato. Nel 2024, SpaceX ha portato in orbita circa il 90% del tonnellaggio mondiale. Ancora più notevole è che ci sia riuscita con una minuscola frazione degli investimenti sostenuti dai concorrenti, quasi interamente programmi governativi, per sviluppare capacità di lancio orbitale.

La domanda non è l’unico fenomeno soggetto a code pesanti: lo è anche la maggior parte delle variabili del flusso. I prezzi possono oscillare fino a livelli sbalorditivi, in entrambe le direzioni. Per esempio, il 20 aprile 2020 il prezzo del greggio West Texas Intermediate scese sotto zero per la prima volta, raggiungendo $-37,63 al barile. Il prezzo negativo derivava da contratti futures in scadenza: i detentori erano obbligati ad accettare la consegna fisica, gli stoccaggi erano pieni e i contratti venivano svenduti a qualsiasi prezzo per evitare le conseguenze logistiche e finanziarie.

Anche i tempi di consegna mostrano comportamenti estremi. Nel 2023, Airbus dichiarava un portafoglio ordini di oltre 7.000 aeromobili, pari a circa 7–8 anni di produzione alla capacità corrente. La forte domanda di modelli a basso consumo, come quelli della famiglia A320neo, ha contribuito in misura significativa a questo accumulo. Il portafoglio ordini riflette anche l’elevato costo di capitale unitario e i lunghi tempi di produzione. Inoltre, altri importanti costruttori di aeromobili registravano portafogli ordini di dimensioni analoghe.

Dal punto di vista della supply chain, le code pesanti contano perché profitti e perdite sono dominati dagli eventi estremi. Lungi dall’essere imprevedibili, le onnipresenti distribuzioni a code pesanti garantiscono che gli eventi estremi si presenteranno regolarmente. Le previsioni probabilistiche, quindi, non bastano: i modelli devono riflettere la natura a code pesanti dei fenomeni della supply chain.

Viceversa, qualunque modello di supply chain che adotti distribuzioni normali, o comunque a code leggere, sottostimerà certamente il rischio e produrrà quindi decisioni fragili. Questa fragilità mette in pericolo la sopravvivenza dell’azienda: i mercati, soprattutto in presenza di concorrenti più prudenti o più opportunisti, la puniscono quando arrivano gli eventi estremi.

La presenza di distribuzioni normali nei materiali sulla supply chain, siano pubblicazioni o software, va considerata una cartina di tornasole dell’incompetenza. Ciò comprende tutti i metodi a code leggere, come le scorte di sicurezza. Basta infatti uno sguardo alle distribuzioni empiriche delle supply chain reali per constatare che la distribuzione normale non si avvicina neppure a un adattamento ragionevole¹²⁸. Sostenendo simili metodi, gli autori rivelano dunque di non essersi neppure presi la briga di osservare una supply chain reale. Un’azienda che abbraccia queste assurdità, sotto qualsiasi veste, fa soltanto un favore ai concorrenti.

7.4.6 Il prezzo della conoscenza

Le previsioni probabilistiche intrecciano due tipi distinti di incertezza; separarli chiarisce tanto la modellazione quanto l’azione.

Nei tempi di consegna oltremare, i sistemi meteorologici e la congestione dei porti introducono una variabilità che nessuna delle parti può eliminare; anche con informazioni perfette e una storia infinita, il giorno in cui un container lascia il terminal continua a variare. Questa variabilità irriducibile è aleatoria.

Per contro, quando l’azienda ha effettuato soltanto pochi ordini presso un nuovo fornitore, la forma della distribuzione dei tempi di consegna è poco conosciuta. Ogni ordine aggiuntivo, marcature temporali più chiare e Incoterms più precisi riducono questa ignoranza. È incertezza epistemica: riguarda il nostro modello del fenomeno, non il fenomeno stesso.

La distinzione conta perché, nella supply chain, le osservazioni passate utilizzate per generare previsioni puntuali o probabilistiche non cadono dal cielo. Derivano da decisioni passate, ossia da precedenti allocazioni di risorse. La conoscenza del futuro, quindi, si paga. Per esempio, una rete di negozi può mettere un prodotto aggiuntivo sugli scaffali di alcuni punti vendita per valutarne il potenziale di domanda. È un investimento, sia nel costo della merce sia nello spazio a scaffale, con rendimenti incerti.

Investire risorse per ridurre l’incertezza epistemica, ossia per acquisire conoscenza, è fondamentale nelle supply chain. Per chi adotta una visione pragmatica, investire continuamente risorse scarse per sondare il mercato è talmente ovvio da meritare appena una menzione. È semplicemente il modo naturale di condurre un’attività economica.

Eppure, per gli autori della corrente dominante della supply chain, che aderiscono perlopiù alla visione teleologica, questo intreccio tra allocazioni e conoscenza viene negato, non semplicemente taciuto. Benché la maggior parte degli autori si renda conto che la conoscenza del mercato non compare dal nulla, si rivolge a «studi di mercato» e ad analoghi strumenti burocratici¹²⁹ per acquisire conoscenze che vadano oltre quelle offerte dai dati storici.

Nella prospettiva teleologica, il principale vantaggio dello studio di mercato è che lascia del tutto intatto il paradigma della pianificazione. Lo studio dovrebbe essere completato prima dell’inizio della pianificazione e fornire le informazioni necessarie a produrre previsioni per serie temporali accurate dove mancano dati storici. Sul piano intellettuale, gli studi di mercato separano nettamente l’acquisizione della conoscenza dal suo sfruttamento. Eppure, come molte idee che suonano bene, questa separazione fallisce nella pratica.

Torneremo su questo legame nel capitolo Decisioni, dove mostreremo come le decisioni possano, e spesso debbano, essere calibrate per cogliere il valore della riduzione dell’incertezza epistemica.

7.4.7 Previsioni ad alta dimensionalità

Poiché per «previsione» si intende quasi sempre «previsione per serie temporali», le altre forme vengono trascurate. Il formalismo delle serie temporali è restrittivo e copre soltanto una frazione delle situazioni reali della supply chain. Eppure è soltanto la mancanza di immaginazione a impedirci di esplorare forme di previsione più ampie.

In pratica, una previsione per serie temporali è unidimensionale. Anche quando l’orizzonte comprende molti periodi, l’errore di ogni data viene valutato isolatamente; la previsione multiperiodale si riduce a una pila di previsioni indipendenti, ciascuna relativa a un solo periodo. Che i numeri provengano da un unico modello condiviso o da formule scollegate è irrilevante ai fini della valutazione: le metriche standard di accuratezza li trattano come ipotesi separate e ignorano il modo in cui gli errori variano insieme lungo l’orizzonte. Questa cecità conta non appena le decisioni collegano date, articoli o sedi.

Per mostrare perché l’accuratezza ad alta dimensionalità conti, consideriamo un caso idealizzato con due prodotti. Un negozio vende due prodotti distinti perfettamente sostituibili tra loro¹³⁰. I prodotti scadono a fine giornata e vengono riapprovvigionati ogni giorno. La domanda complessiva dei due prodotti è di 10 unità al giorno; i clienti scelgono casualmente tra i due finché vi sono scorte.

Tre possibili previsioni giornaliere illustrano il punto:

• (A) 5 unità e 5 unità

• (B) 10 unità e 0 unità

• (C) 6 unità e 6 unità

Data la sostituzione, una metrica di accuratezza adeguata deve assegnare la stessa perdita o lo stesso valore ad (A) e (B). Le due anticipazioni sono infatti altrettanto valide, anzi perfette nelle nostre ipotesi semplicistiche. La metrica deve però valutare (C) peggio, perché sovrastima la domanda totale di 2 unità. Nessuna metrica unidimensionale può soddisfare entrambi i requisiti. Soltanto una misura che consideri congiuntamente i due articoli riconosce che (A) e (B) sono alla pari, mentre (C) è peggiore. Tutti i punteggi classici, come l’errore assoluto medio, l’errore quadratico medio e così via, classificano erroneamente (C) al di sopra di (B). L’unica via percorribile è ampliare la prospettiva a una metrica di accuratezza a 2 dimensioni.

L’esempio mette in luce i limiti di una visione unidimensionale; per capire perché contino, passiamo ora a un esempio probabilistico più realistico.

Consideriamo un negozio di alimentari e il suo problema di assortimento: scegliere l’elenco esatto degli articoli distinti da mettere sugli scaffali. I clienti acquistano raramente un solo articolo; la maggior parte esce con un paniere di più prodotti. Un assortimento migliore produce, in media, panieri più grandi o più redditizi.

Qualunque assortimento deve comunque affrontare rotture di stock: quando uno scaffale è vuoto, i clienti possono scegliere un sostituto. La sostituzione attenua la rottura di stock. Viceversa, il cliente può rinunciare non soltanto all’articolo mancante, ma anche agli articoli complementari che intendeva acquistare. Il contagio aggrava la rottura di stock.

Soltanto esaminando i dati storici dei panieri d’acquisto possiamo studiare queste sostituzioni e questi contagi. Quando tali dati sono disponibili, disponiamo infatti di un punto di partenza naturale per valutare come i prodotti siano collegati tra loro dal punto di vista del cliente. Inoltre, se si utilizzano carte fedeltà, è possibile ricostruire sequenze di panieri d’acquisto, ciascuna attribuita a un cliente distinto. Per questa analisi, i dati di fidelizzazione integrano quelli dei panieri.

Qui non occorrono dettagli tecnici. Conta il fatto che le informazioni rilevanti si trovano nei dati dei panieri d’acquisto. Senza di esse, per quanto sofisticato sia il nostro lavoro, l’analisi comportamentale fallisce proprio per la loro assenza.

Al contrario, quando i dati di vendita vengono appiattiti in serie temporali, non sappiamo nemmeno quanti clienti distinti siano entrati nel negozio in un dato giorno. Non possiamo vedere sostituzioni e contagi, perché restano soltanto correlazioni incerte tra serie temporali al tempo stesso sparse ed erratiche. Da sole, le serie temporali non possono sostenere un’analisi comportamentale.

Tornando al problema dell’assortimento, osserviamo che una previsione dei panieri d’acquisto, condizionata all’assortimento scelto, offre una soluzione diretta. Se possiamo prevedere i panieri futuri con un assortimento modificato, possiamo valutare se sarà migliore di quello attuale, almeno in termini di volume delle vendite.

Interpretata come previsione puntuale, una previsione «affidabile» del paniere d’acquisto è un errore di categoria. Un solo paniere combina spesso dieci o più SKU; le combinazioni esplodono e i clienti sostituiscono liberamente i prodotti davanti allo scaffale. Aspettarsi di individuare in anticipo l’esatto paniere sembra impossibile, e lo è; per questo l’idea viene abitualmente scartata. L’errore sta nell’impostazione: ciò che conta non è indovinare un singolo paniere, ma le probabilità di presenza congiunta e l’impulso che gli articoli danno gli uni alle vendite degli altri, precisamente la struttura che esamineremo ora.

In una prospettiva probabilistica, però, il quadro è radicalmente diverso. È evidente che non tutti i panieri d’acquisto concepibili sono altrettanto probabili. Per esempio, un paniere contenente una coppia di prodotti mai osservati insieme in passato è improbabile. Definire una distribuzione di probabilità sullo spazio dei panieri può sembrare tecnicamente arduo, ma la comunità dell’apprendimento automatico ha sviluppato un ampio «repertorio di accorgimenti» per questo genere di previsioni.

La prospettiva delle previsioni puntuali, appiattendo tutto intorno all’«unico vero futuro», dà l’impressione errata che la qualità di un’anticipazione possa essere valutata punto per punto, ossia una dimensione alla volta; così facendo, però, ignora le dipendenze interne al sistema. In una prospettiva probabilistica, tali dipendenze diventano evidenti attraverso l’inverosimiglianza di certi esiti. La domanda può aumentare o diminuire, ma è inverosimile che aumenti nelle zone con codice postale dispari mentre diminuisce in quelle con codice pari. Questa osservazione implica una prospettiva ad alta dimensionalità.

Nelle supply chain, queste dipendenze sono onnipresenti proprio perché, come abbiamo visto, sono sistemi. Il successo di un prodotto può cannibalizzare i suoi sostituti; un aereo fermo a terra può provocare a cascata coincidenze perse; un’energia meno costosa può migliorare i margini di un intero settore. L’apertura di un grande punto vendita di riferimento può attirare nuovi clienti che migliorano marginalmente gli affari di tutti i negozi vicini, qualunque cosa vendano. Analogamente, una campagna di marketing riuscita può aumentare le vendite di tutti i prodotti di una determinata marca.

Progettare metriche di accuratezza ad alta dimensionalità è un lavoro tecnico che esula da questo capitolo. Conta il principio: le previsioni congiunte vanno giudicate nella geometria della decisione, nel loro insieme, non coordinata per coordinata. Esistono regole di valutazione proprie per le distribuzioni multivariate, che consentono di confrontare i modelli con un criterio semplice: concentrano la probabilità dove la realtà tende a collocarsi, preservando le dipendenze che determinano gli effetti economici? Poste queste basi, resta da affrontare la capacità d’azione: una previsione che ignora le nostre leve continua a proiettare lo status quo. Il rimedio è condizionare le previsioni alla politica che l’azienda intende applicare. Chiamiamo queste anticipazioni condizionate a una politica previsioni funzionali: sono l’argomento della prossima sezione.

7.4.8 Previsioni funzionali

Lo stato futuro della supply chain dipende da decisioni ancora da prendere. Le decisioni di terzi — clienti, fornitori, concorrenti — vanno previste come qualsiasi altra incertezza. Quei processi decisionali potrebbero infatti restare per sempre scatole nere per l’azienda. Le prossime decisioni dell’azienda stessa richiedono invece un trattamento diverso. Dopotutto, l’azienda non deve indovinare le proprie decisioni: controlla il proprio processo decisionale.

Nell’uso comune, le previsioni concedono all’azienda poca capacità d’azione. Descrivono ciò che è probabile con politiche congelate, non ciò che potrebbe accadere con politiche alternative. Sono condizionate alle decisioni già prese al momento del calcolo della previsione di riferimento e restano cieche a quelle ancora in discussione. Un produttore può abbassare i prezzi oggi e, del tutto correttamente, vedere aumentare la domanda prevista; eppure la stessa previsione non può dire nulla sulla variazione di prezzo del mese prossimo o su una promozione non ancora scelta. In breve, la previsione di riferimento proietta lo status quo: un controfattuale in cui «non si fa nulla di nuovo», utile per orientarsi, ma che non sostituisce la decisione.

Per capire perché le decisioni non ancora definite contino, consideriamo un marchio di moda. Il marchio propone due collezioni all’anno, con prodotti ordinati prima della stagione. Supponiamo che non vi siano riapprovvigionamenti durante la stagione. All’inizio della stagione, il marchio espone i prodotti a prezzo pieno. Per ogni prodotto, la quantità pianificata corrisponde alle vendite stagionali attese, con esaurimento delle scorte a fine stagione. Le quantità vengono fissate in modo da non prevedere sconti di fine stagione.

Eppure, a fine stagione alcuni prodotti vendono meno del previsto, lasciando scorte invendute. La politica di prezzo dell’azienda impone forti sconti di fine stagione sui prodotti che vendono meno del previsto, proprio per liquidare le scorte.

Con prezzi dinamici, il marchio può razionalmente iniziare con scorte maggiori rispetto a una politica di prezzi fissi. Se la domanda si rivela superiore alle previsioni, le scorte aggiuntive generano profitto. Viceversa, se la domanda è stata sovrastimata, la politica consente comunque di liquidare le scorte con perdite minime. La determinazione dei prezzi non è un dettaglio tecnico: è parte integrante della strategia del flusso del marchio.

Una previsione «normale» della domanda, probabilistica o meno, non può cogliere le traiettorie di vendita indotte da questa politica. Quando si calcola la previsione di riferimento, non c’è motivo che la domanda prevista mostri, a fine stagione, un picco tardivo dovuto agli sconti. Gli sconti emergono soltanto quando la domanda è stata sovrastimata; con una previsione accurata della domanda, le scorte iniziali sarebbero inferiori e non occorrerebbero sconti di fine stagione. La politica rende la domanda parzialmente autocorrettiva: le vendite si allineano ai livelli delle scorte soltanto nella misura in cui gli sconti sono aggressivi.

Una previsione funzionale incorpora invece esplicitamente una o più regole decisionali. Queste politiche sono assunte come date, non apprese dai dati storici. Inoltre, rimangono isolate all’interno della logica previsionale. Perché un modello sia «funzionale», ossia condizionato a una politica, deve quindi essere possibile sostituire una politica con un’alternativa e ottenere direttamente la previsione aggiornata. In questo senso, un modello funzionale è incompleto: senza le politiche richieste non può produrre previsioni.

Come vedremo tra poco, i modelli funzionali non devono necessariamente essere molto più difficili da implementare rispetto ai corrispondenti modelli non condizionati. Valutarne la validità è però una sfida spinosa. Finché le politiche fornite al modello funzionale rimangono vicine a quelle storicamente praticate dall’azienda, un modello ben progettato dovrebbe comportarsi ragionevolmente. Se invece una politica si avventura in un territorio inesplorato, la validità del modello diventa incerta.

Riprendiamo il caso precedente: se il marchio ha storicamente applicato sconti di fine stagione tra il 15% e il 30%, i dati consentono di modellare qualsiasi combinazione all’interno di quell’intervallo. Ma se il marchio esegue il proprio modello funzionale della domanda con sconti tra il 30% e il 60%, le cifre prodotte saranno, nel migliore dei casi, altamente speculative. Quelle previsioni mancano di un riscontro empirico diretto; estrapolare la risposta dei clienti a prezzi mai sperimentati può riservare grandi sorprese.

Purtroppo, al di là di situazioni circoscritte, giudicare se un modello funzionale restituirà cifre sensate con una politica arbitrariamente nuova è un problema di intelligenza generale. La valutazione deve adattarsi alle specificità del caso. Per esempio, si può sperimentare la nuova politica su scala limitata al solo scopo di raccogliere ulteriori dati empirici. Questo processo è l’esplorazione, discussa nel prossimo capitolo.

Senza previsioni funzionali, un’azienda si limita a proiettare lo status quo, replicando le politiche passate. Se vuole evolversi, deve poter proiettare gli effetti sul flusso delle modifiche alle politiche che sta considerando.

Su piccola scala, le previsioni funzionali sono ovvie, benché raramente vengano chiamate così. Consideriamo un panettiere di quartiere che sceglie i propri orari di apertura. Orari più lunghi consentono più acquisti — possono comprare sia i pendolari del primo mattino sia i clienti più tardivi — ma consumano una risorsa scarsa: il tempo da dedicare alla famiglia e al riposo. La previsione rilevante non è un unico numero, come «la domanda di domani è di 180 pagnotte», ma una funzione che collega la decisione all’esito, come «le vendite attese in funzione degli orari di apertura». Scegliendo l’input, ossia l’orario, il panettiere crea in parte la domanda che intende soddisfare: questa è la visione funzionale.

Su larga scala, quando si generano migliaia di previsioni, molte aziende ricadono in proiezioni dello status quo spinte dall’inerzia burocratica. Naturalmente, questo atteggiamento non giova loro. Purtroppo, la maggior parte dei manuali di supply chain, e dei software costruiti sulla loro base, abbraccia la stessa prospettiva.

Sul piano tecnico, le previsioni funzionali contano per due ragioni.

La prima riguarda l’ingegneria del software: impongono una separazione netta tra il nucleo predittivo, cioè i modelli che trasformano i registri in affermazioni probabilistiche su domanda, tempi di consegna, prezzi, resi e costi, e la politica reificata, ossia il codice e i parametri espliciti che implementano prezzi, allocazioni, regole di servizio e altre leve. Una volta separati, lo stesso nucleo predittivo può essere utilizzato con più politiche ammissibili; le politiche possono essere sostituite senza riaddestramento; e l’effetto economico di ogni regola diventa verificabile.

La seconda è statistica: i modelli predittivi apprendono soltanto ciò che le politiche passate hanno reso osservabile. Quando una politica si avventura oltre l’ambito coperto dai dati — nuovi intervalli di prezzo, frequenze promozionali, promesse di servizio — la previsione diventa un’estrapolazione. Con un simile cambiamento di politica, la precisione peggiora e l’incertezza si amplia; i risultati vanno considerati provvisori finché non si accumulano misurazioni con la nuova politica.

Tenendo presenti questi vincoli, la previsione funzionale costruisce il ponte tra «ciò che è probabile» e «ciò che faremmo se…». Lo strumento naturale per percorrere quel ponte su larga scala è un simulatore: un modello stocastico e discreto che incorpora la politica e propaga le incertezze. Passiamo ora a esaminarlo.

7.4.9 Simulazioni stocastiche

Una simulazione è un modello che imita un sistema reale e consente di osservare come il suo stato evolve nel tempo. Con la crescita della potenza di calcolo, i simulatori si sono moltiplicati, comprese le versioni per la supply chain spesso commercializzate come «gemelli digitali»¹³¹. Inteso correttamente, un simulatore è una previsione probabilistica ad alta dimensionalità: produce molti futuri plausibili, con frequenze implicite, anziché un’unica traiettoria prestabilita. Usata così, la simulazione è uno strumento legittimo per anticipare gli stati futuri della supply chain. Tuttavia, poiché questa natura probabilistica viene raramente esplicitata, i risultati vengono troppo spesso presi per buoni; le ipotesi non vengono esaminate e pochi si prendono la briga di verificare che le distribuzioni simulate assomiglino a ciò che le operazioni producono realmente.

I simulatori di supply chain sono molto diversi tra loro, ma quasi tutti condividono tre caratteristiche: sono microanalitici, discreti e stocastici.

Un simulatore microanalitico, che procede dal basso verso l’alto, scompone il sistema in unità minime governate da regole semplici. Le unità comprendono agenti, come clienti o fornitori, ed entità inanimate, come le SKU. La visione microanalitica presume che la complessità del sistema sia soltanto apparente e derivi dall’applicazione ripetuta di regole semplici.

Un simulatore discreto, a tempo discreto o a eventi discreti, procede attraverso una sequenza di eventi. Ogni evento si verifica in un istante preciso e segna un cambiamento di stato del sistema. Tra un evento e l’altro non cambia nulla: un espediente che semplifica enormemente l’implementazione software del simulatore.

Un simulatore stocastico, spesso chiamato simulatore Monte Carlo, utilizza regole non deterministiche che producono esiti casuali. Pertanto, esecuzioni ripetute a partire da condizioni iniziali identiche producono risultati diversi. Si usino regole deterministiche quando possibile; quelle stocastiche vanno riservate agli aspetti ignoti, riflettendo la nostra conoscenza imperfetta dell’evoluzione del sistema.

I simulatori sono strumenti di previsione funzionale: associano politiche esplicite del flusso a esiti previsti. Codificando le regole decisionali — che cosa acquistare, produrre e spostare, quali prezzi fissare e quando — insieme ai vincoli operativi, il simulatore produce previsioni condizionate a quelle regole. È proprio il condizionamento il punto: pone le politiche alternative sullo stesso piano e consente di quantificarne le conseguenze economiche.

Eludere quel condizionamento impone quasi sempre approssimazioni grossolane. Per esempio, trattare la domanda come indipendente dalla qualità del servizio, supponendo che ripetute rotture di stock non deprimano mai le vendite osservate, rende il simulatore cieco proprio al comportamento indotto dalla politica. Un simile modello sovrastima sistematicamente i volumi raggiungibili, valuta male le opzioni e porta le decisioni fuori strada. D’ora in poi, «previsione funzionale» indica questa previsione condizionata a una politica, anziché una serie temporale non condizionata.

L’implementazione software di questi simulatori è concettualmente semplice. Un ciclo principale percorre gli archi di un grafo che rappresenta il flusso. I nodi rappresentano tipicamente SKU, oppure aggregati quando una granularità più fine è troppo costosa. Ogni nodo contiene un piccolo insieme di regole, deterministiche, per esempio diminuire le scorte per ogni unità in uscita, oppure stocastiche, per esempio estrarre casualmente la domanda del periodo. Ogni iterazione del ciclo principale rappresenta un passo temporale discreto, in genere un giorno, eventualmente più breve.

Se non si guarda troppo da vicino alla validità, un simulatore di flusso di questo tipo può spesso essere costruito in pochi giorni. Da qui la sua popolarità tra i fornitori di software aziendale. L’impostazione funzionale è attraente: produce previsioni sulle politiche con una granularità arbitrariamente fine. Eppure, senza una validazione rigorosa, quella fiducia è mal riposta.

In effetti, i risultati di un simulatore possono essere, e spesso sono, del tutto insensati. La plausibilità di una regola non ne garantisce la correttezza, né l’accostamento di due regole valide assicura che il simulatore le combini correttamente. Anche banali errori di programmazione si insinuano nel codice del simulatore. Come già osservato, politiche nuove possono compromettere le regole stocastiche se la simulazione entra in un territorio «inesplorato». In definitiva, la validità è empirica e va accertata mediante misurazioni.

Una dualità collega le previsioni probabilistiche alle simulazioni stocastiche. Da una previsione probabilistica è possibile generare campioni secondo la distribuzione di probabilità sottostante; tali campioni vengono solitamente chiamati realizzazioni. Da una previsione probabilistica completa si possono ricavare le regole stocastiche che governano il sistema; viceversa, osservare un simulatore rivela le probabilità di tutti gli esiti. Un simulatore può quindi stimare la distribuzione completa di probabilità su tutti gli stati ammissibili; da esso si può dunque ricavare una previsione probabilistica.

In pratica, numerose difficoltà tecniche ostacolano la conversione tra una previsione probabilistica e un simulatore. La previsione probabilistica potrebbe non avere una granularità sufficiente a specificare tutte le regole del simulatore. Viceversa, il numero di esecuzioni necessario per stimare tutte le probabilità potrebbe essere proibitivo. Ciononostante, la dualità implica che le simulazioni stocastiche condividano le metriche di accuratezza delle previsioni probabilistiche.

Si tratti dunque un simulatore come qualsiasi previsione: se ne quantifichi l’accuratezza. Il lavoro è tecnico; ignorare la valutazione quantitativa espone a errori costosi.

8 Decisioni

La pratica della supply chain consiste nell’allocazione continua di risorse scarse in condizioni di incertezza. Lo scopo non è un piano, ma un flusso redditizio: convertire denaro in beni, beni in servizio e servizio nuovamente in denaro, preservando le opzioni che le informazioni future renderanno preziose. Anche le imprese di medie dimensioni effettuano migliaia di queste allocazioni ogni giorno, e le più grandi milioni: il sistema decisionale non può quindi essere improvvisato. Deve esplicitare le scelte, attribuire loro un valore economico, poi ordinarle ed eseguirle, affinché un software senza intervento umano possa emetterle in sicurezza su larga scala. La sistematizzazione non serve soltanto a impedire che un addetto agli acquisti fuori controllo esaurisca il capitale circolante; il suo scopo è produrre decisioni che, in valore atteso, generino rendimenti superiori aggiustati per il rischio.

Per colmare la distanza tra principio e pratica, precisiamo ora la nozione di decisione abbozzata nel Capitolo 1.

Una definizione, per quanto nitida, lascia aperte due domande pratiche. Primo: dove comincia e dove finisce una decisione quando entrano in gioco il tempo e la casualità? Secondo: con quale criterio unico si confrontano le alternative quando attingono alle stesse risorse scarse — denaro, capacità, attenzione? Nella supply chain, una decisione non è una riga di un piano. È un impegno relativo al flusso, assunto a una granularità abbastanza fine da modificarne gli effetti economici, in condizioni di incertezza, e registrato in un libro mastro che gli eventi futuri sottoporranno a verifica.

Per rendere questi impegni calcolabili e verificabili occorre portare alla luce quattro ingredienti. Il quadro decisionale viene per primo: la sfera d’azione attuale — mosse ammissibili, verifiche di fattibilità, cadenza e quei pochi meccanismi irreversibili che cancellano le opzioni di domani — deve essere messa per iscritto, idealmente sotto forma di codice. Segue una visione probabilistica dei futuri prossimi: domanda, tempi di consegna, resi, affidabilità e qualsiasi altra distribuzione che incida in modo sostanziale sui risultati. Terzo, tutte le penalità e tutti i benefici devono essere espressi in denaro e attribuiti a responsabili — danno delle rotture di stock, obsolescenza, costo del capitale per unità di tempo, congestione, penali per ritardi, valore dell’opzione di attendere — affinché attriti di natura diversa siano commensurabili in un unico libro mastro. Infine, gli impegni marginali vengono ordinati secondo il loro tasso di rendimento aperiodico atteso, aggiustato per il rischio; quelli che superano la soglia vengono emessi, registrati e in seguito giudicati sulla base dei risultati effettivi.

I capitoli precedenti hanno preparato questa impostazione: opzionalità e variabilità (Capitolo 1) forniscono lo spazio delle mosse e spiegano perché una prospettiva probabilistica sia obbligatoria; l’economia (Capitolo 4) fornisce l’obiettivo espresso in unità monetarie; informazione e intelligenza (Capitoli 5–6) delimitano i ruoli dei registri, dei report e dei motori decisionali. Questo capitolo traduce tali elementi in pratica. Comincia dal pensare la decisione: esplicitare il quadro decisionale, bandire gli artefatti, rendere ispezionabili i presupposti economici e ripristinare il ragionamento al margine. Le sezioni successive esaminano l’esecuzione senza intervento umano e i meccanismi di ottimizzazione adatti a scelte ripetute e cariche di incertezza, affinché ogni impegno diventi una piccola scommessa dal valore esplicito, che l’impresa possa sia difendere ex ante sia verificare ex post.

8.1 Pensare la decisione

Una decisione, come definita sopra, è un impegno che cancella alternative. Pensare la decisione comincia quindi un passo prima, con l’atto che seleziona quali alternative vengano anche solo considerate e come saranno valutate economicamente. Nella maggior parte delle imprese, questo atto preliminare rimane tacito. Si parla nella grammatica di «politiche» familiari — FIFO, camion completi, quantità minime d’ordine, piani di scaffale — e così la scelta appare ovvia, mentre ciò che non viene scelto resta invisibile. Il pericolo non è un errore amministrativo, ma uno slittamento metafisico: una politica si sostituisce silenziosamente alla domanda economica a cui doveva rispondere. Invertire questo slittamento — riportando alla luce la domanda, tenendo gli artefatti al loro posto, esplicitando i presupposti economici e ragionando al margine — trasforma il processo decisionale da rituale in pratica scientifica adatta all’automazione.

8.1.1 Esplicitare il quadro decisionale

I manager sono tentati di ragionare a partire dalle soluzioni: non è una follia, ma un’euristica corretta e utile. Lo spazio dei «problemi» concepibili è sconfinato — anche progettare un motore antigravitazionale è un problema — e, senza intravedere una soluzione, gran parte dell’indagine sarebbe sprecata. Eppure, un ragionamento che parte dalle politiche si fossilizza rapidamente. «Servire i negozi secondo il FIFO» nasce come una discreta regola pratica e, col tempo, si irrigidisce in dottrina; a ogni eccezione si rimedia con un’altra regola, e presto l’impresa si orienta in base a una giurisprudenza accumulata per strati.

Prima di qualsiasi politica occorre portare alla luce il quadro decisionale. È il confine concreto e ispezionabile della capacità d’azione nel ciclo decisionale presente: che cosa può essere modificato ora e che cosa no; quali opzioni sono ammissibili; quali elementi casuali conteranno; quali impegni renderebbero irreversibili alcune scelte future; e a quali prezzi sarà giudicata questa porzione di realtà. Il quadro decisionale va scritto, non soltanto descritto. In un’organizzazione moderna esiste sotto forma di codice: un breve programma che enumera le mosse ammissibili, codifica le verifiche di fattibilità e richiama la funzione di valutazione. Se il programma è lungo, il quadro è confuso; se il programma è opaco, il quadro è politico.

Una volta esplicitato il quadro, la stessa situazione ammette mosse diverse. Consideriamo un importatore che riempie i container «un prodotto alla volta, fino a completarli», rinviando il resto alla partenza successiva. La politica sembra prudente; il quadro che nasconde è davvero ristretto. Rendiamo esplicite le opzioni ammissibili — carichi condivisi tra fornitori, cross-docking temporaneo verso altre regioni, piccoli aggiustamenti di prezzo sincronizzati con le partenze, scelta tardiva tra articoli simili — e l’ottimizzazione non cercherà più lungo un solo corridoio, ma esplorerà un piccolo atlante. Il guadagno deriva meno da un solutore più ingegnoso che da una domanda migliore. La progettazione del problema non è la ciliegina sulla torta: è la torta.

8.1.2 Bandire gli artefatti

Una volta definito il quadro, nei meccanismi compaiono artefatti numerici: previsioni, riserve, livelli di servizio, etichette ABC, budget e i loro innumerevoli parenti. Sono spesso utili come rappresentazioni intermedie, proprio come un chimico usa reagenti che non lasciano mai il banco di laboratorio. I guai cominciano quando un artefatto evade dal laboratorio e viene incoronato come obiettivo. A quel punto entra in gioco la legge di Goodhart: la misura diventa lo scopo e smette di misurare.

Il livello di servizio è il classico fuggitivo. Nato come indicatore indiretto di un compromesso monetario tra danno delle carenze e costo di mantenimento delle scorte, è finito per diventare una percentuale che comanda l’organizzazione. I pianificatori lo alzano per sentirsi al sicuro, la finanza lo abbassa per liberare liquidità; nessuna delle due parti è obbligata a esplicitare i prezzi. La precisione delle previsioni svolge lo stesso ruolo nella pianificazione teleologica: il suo miglioramento viene celebrato anche quando il profitto diminuisce.

Gli artefatti vanno tenuti al guinzaglio. All’interno del motore decisionale sono accettabili come coordinate transitorie che rendono un calcolo trattabile; all’esterno non hanno alcuna legittimità autonoma. Un riapprovvigionamento non è «buono» perché il suo SKU ha raggiunto un servizio del 97%; è buono perché, date le opzioni, i vincoli e i futuri probabilistici considerati nel quadro decisionale, ha massimizzato il tasso di rendimento dell’impresa aggiustato per il rischio. Il motore può ben calcolare una distribuzione della domanda giornaliera, un «livello di servizio» ombra implicito nella penalità per le carenze e un costo del capitale circolante per unità al giorno; può persino stamparli per consentirne l’ispezione. Ma dashboard e incentivi devono ancorarsi alle decisioni e ai loro risultati economici effettivi, non alla vetreria di laboratorio che ha contribuito a calcolarle.

C’è una seconda ragione per bandire gli artefatti dall’altare: sono sistematicamente più difficili da valutare della decisione stessa. Un numero relativo alle scorte di sicurezza non ha un significato economico invariabile tra articoli, stagioni o aree geografiche; il suo valore dipende parassitariamente dalle penalità e dalle opportunità nascoste che rappresenta. Trasformare un simile camaleonte in un KPI invita la burocrazia a colonizzare il flusso. Il rimedio consiste nel trattare ogni artefatto come un oggetto interno e provvisorio, ricalcolato quando serve a partire dai registri che fanno autorità, mai mantenuto manualmente, mai assunto come obiettivo e scartato non appena si presenta una rappresentazione interna migliore.

Gli artefatti non sono soltanto numerici. Le organizzazioni coniano anche artefatti burocratici — politiche e suddivisioni — nati come salvaguardie grossolane per processi presidiati da persone e in seguito ossificatisi in regole che prendono il posto della domanda economica. Quando questi artefatti escono dal laboratorio e acquisiscono una legittimità istituzionale, distorcono le decisioni esattamente come hanno fatto i livelli di servizio: il mezzo diventa il fine.

Come ammoniva lo storico britannico Cyril Northcote Parkinson in Parkinson’s Law (1957), «il lavoro si espande fino a occupare tutto il tempo disponibile per completarlo». Le burocrazie crescono per riflesso; le grandi organizzazioni che gestiscono supply chain importanti non fanno eccezione. Mentre si ingrossano, nei loro processi decisionali si accumulano regole estranee e suddivisioni interne, che emergono soprattutto come vincoli inventati e silos inventati: entrambi erodono l’efficienza e rendono meno chiare le responsabilità.

I vincoli inventati nascono tipicamente dopo un incidente. Roger, dell’ufficio acquisti, ordina per errore l’equivalente di diciotto mesi di vendite; la direzione reagisce imponendo una politica che limita gli ordini d’acquisto a «sei mesi di vendite», misurati con una media mobile. Nei processi manuali, gli impiegati applicano questo limite con buon senso: lo ignorano per i nuovi prodotti privi di storico, per gli articoli fortemente stagionali il cui termine di confronto risale a dodici mesi prima, per quelli in rapida crescita il cui futuro fa impallidire il passato o per le promozioni pianificate il cui incremento delle vendite è deliberatamente prodotto. Un motore senza intervento umano non può «ignorare ragionevolmente» le regole: o le rispetta alla lettera o viene dichiarato non conforme.¹³²

Il rimedio rispecchia il trattamento degli artefatti numerici: mantenere tali regole interne al motore ed esprimerle come verifiche di fattibilità e penalità monetarie, non come comandamenti pubblici. Se talvolta è razionale acquistare oltre un ingenuo limite di «sei mesi», quel limite deve entrare nell’obiettivo come un inconveniente espresso in unità monetarie, non come un veto; novità, stagionalità e incrementi deliberatamente prodotti diventano caratteristiche esplicite del quadro decisionale, non esenzioni tribali. Una regola scritta come codice, valutata economicamente e affidata a un responsabile è leggibile e contestabile; una regola scritta come decreto invita ad aggirarla e soffoca l’automazione.

I silos inventati frammentano un’unica domanda economica in una processione di artefatti, affinché gruppi poco attrezzati riescano a gestirla. Un rivenditore di moda, per esempio, fa passare il flusso dal magazzino al negozio attraverso tre artefatti: una lista di assortimento (che cosa un negozio può tenere), una dotazione di lancio (quanto all’inizio) e una regola di riapprovvigionamento (che cosa inviare in seguito). La coreografia sembra ordinata; intanto fabbrica silenziosamente vincoli. La lista di assortimento impegna in anticipo lo spazio sugli scaffali e vieta sostituzioni che le prime vendite giustificherebbero; la dotazione di lancio prealloca manodopera, trasporto sulle tratte principali e capacità espositiva che il riapprovvigionamento deve poi riacquistare, spesso a un prezzo maggiorato; la regola di riapprovvigionamento pretende infine di ottimizzare ciò che resta. Si rinuncia a guadagni perché la domanda di fondo — dove un’unità in più ottiene il rendimento più alto aggiustato per il rischio, dati i vincoli attuali? — è stata spezzata in procedure delimitate da artefatti prima di poter essere posta da un capo all’altro del flusso.

Anche qui gli artefatti devono restare al guinzaglio. I silos possono curarli; non devono essere padroni della decisione. Il motore deve vedere il quadro decisionale completo — mosse ammissibili, vincoli condivisi e prezzi — e produrre un unico flusso di impegni. Se la governance richiede confini organizzativi, l’interfaccia deve trasmettere prezzi e fattibilità, non quote e veti: il centro di distribuzione (DC) pubblica prezzi ombra per le risorse scarse; i negozi pubblicano penalità per le carenze; l’assortimento è una proposta che il motore può ampliare quando l’economia lo giustifica. In altre parole, mantenere locale il cerimoniale e unificata l’economia.

Una volta addomesticati gli artefatti — numerici e burocratici — come oggetti interni, valutati economicamente e provvisori, tutto è pronto per l’unico dibattito che conta: quello sui prezzi stessi. La prossima sezione affronta direttamente questo punto.

8.1.3 L’economia del sistema

Il capitolo precedente ha stabilito il denaro come scala comune dell’impresa. L’economia del sistema richiede che ogni decisione sia valutata dal punto di vista dell’intera impresa, non di un KPI di reparto. In pratica, significa che i prezzi all’interno della funzione obiettivo — danno delle rotture di stock, obsolescenza, congestione degli scaffali, penali per ritardi, costo del capitale circolante, valore dell’opzione di attendere, perdita di benevolenza — sono dichiarati una sola volta per tutta l’azienda, attribuiti a responsabili identificati, versionati e resi visibili. I prezzi nascosti non diventano neutrali: orientano il flusso a favore di chi li ha introdotti di nascosto. Una penalità occulta per gli ordini arretrati è un interesse particolare travestito da scienza.

Estendere il ragionamento economico all’intero sistema non richiede un plebiscito per ogni unità monetaria; richiede numeri leggibili e contestabili tra funzioni. La finanza dovrebbe pubblicare il costo del capitale e i limiti di liquidità dell’intera impresa; i gruppi operativi dovrebbero tradurli in costi per unità al giorno che riflettano i tempi di dimezzamento delle scorte e i valori di recupero. Il merchandising non dovrebbe esigere una «disponibilità del 98%» senza valutare il punto percentuale successivo in unità monetarie al giorno; la logistica non dovrebbe insistere su soglie di carico completo senza valutare la congestione e le ricadute che evitano. Dove esistono mercati, adottare i prezzi esterni; dove non esistono, creare valutazioni interne e difenderle. Per arbitrare tra silos, le risorse scarse condivise — fasce orarie alle banchine, spazio sugli scaffali, tempo di linea, capitale — dovrebbero avere prezzi ombra: numeri provvisori calcolati dal motore che esprimono il costo opportunità attuale dell’uso di un’unità in più. Sostituiscono quote e veti; non sono una nuova politica. Ci torneremo nella discussione sulle decisioni sequenziali. L’obiettivo non è l’unanimità, ma la comparabilità nel conto economico dell’azienda. Una volta espressi penalità e benefici nella stessa unità monetaria, opzioni che prima vivevano in province diverse — «concedere un rimborso oltre quanto previsto dalla politica», «acquistare un’unità in più di uno SKU della coda lunga», «trattenere un camion per completare il carico di un giro», «estendere la finestra di reso per questa classe di clienti» — competono nello stesso libro mastro.

Questa visione sistemica chiarisce anche le responsabilità. Se una decisione produce sistematicamente risultati inferiori alle attese una volta che gli esiti si materializzano, il dossier mostra se il problema risiede nel quadro decisionale (opzioni omesse), nelle previsioni (code mal calibrate) o nei prezzi (penalità formulate male). Le correzioni colpiscono allora l’ingrediente responsabile, anziché disperdersi in vaghi appelli a una «migliore collaborazione». I KPI locali perdono il loro alibi: una mossa che abbellisce una metrica di reparto ma distrugge valore monetario altrove sarà smascherata dal libro mastro aggregato. I prezzi nascosti alimentano la politica interna; i prezzi espliciti, definiti a livello di sistema, alimentano le prestazioni. Con prezzi validi per tutta l’azienda, il motore torna alla propria impostazione naturale: ragionare al margine con un unico libro mastro.

8.1.4 Abbracciare il margine

L’economia è una disciplina marginalista; lo è anche la supply chain, quando viene praticata correttamente. La domanda pertinente non è quasi mai «qual è il livello giusto di scorte per questo SKU in questa stagione?», ma «qual è il rendimento aggiustato per il rischio di un’unità in più, qui e ora, dato tutto ciò che è già stato impegnato?». La risposta è un numero espresso in unità monetarie per unità di bene e per unità di tempo, e cambia al cambiare dell’impegno. Ragionare al margine costringe a mettere a fuoco granularità, tempo e contingenze.

Prima la granularità. Le decisioni dovrebbero essere calcolate alla granularità più fine che ne modifica sostanzialmente gli effetti economici. Per le commodity, l’unità è un pezzo; per il trasporto, una fermata o un metro cubo; per i rotabili aeronautici, un numero di serie i cui cicli e ore rendono economicamente incomparabili due componenti con lo stesso P/N. Una compagnia aerea può legittimamente vendere una determinata unità per rispondere a una richiesta AOG (Aircraft On Ground) di un concorrente, conservandone un’altra apparentemente identica per coprire il proprio rischio di coda; i valori marginali divergono perché i futuri assicurati sono diversi.

Poi il tempo. I valori marginali sono aperiodici: devono tenere conto del tempo di dimezzamento del carico, non soltanto del tempo di consegna. Una cassa venduta in due giorni con pagamento differito può essere molto redditizia, mentre la stessa cassa, pagata in anticipo e venduta nell’arco di otto settimane, è mediocre. Quando il motore ordina le mosse ammissibili in base al loro tasso di rendimento aperiodico — come sostenuto nel capitolo Economia — preferisce naturalmente le scommesse a ciclo rapido e penalizza gli impegni irreversibili di lunga durata, salvo che i benefici potenziali siano proporzionati.

Infine le contingenze. I margini vivono su distribuzioni, non su punti. L’unità aggiuntiva che appare redditizia con la previsione mediana può diventare rovinosa una volta riconosciuto un tempo di consegna a coda pesante; viceversa, un’unità che sembra uno spreco in un modello a code leggere diventa attraente quando una rottura di stock rara ma catastrofica è valutata correttamente. Ecco perché una previsione probabilistica non è un lusso: è il substrato su cui opera il calcolo marginale.

Su larga scala, abbracciare il margine trasforma il lavoro quotidiano dell’impresa in un riordinamento continuo di milioni di micro-opzioni. Ogni nuovo impegno ridisegna la frontiera: sui vincoli stringenti emergono prezzi ombra, le mosse concorrenti cambiano i ritorni, il miglior passo successivo di ieri diventa il terzo migliore di oggi. Un piano statico non sa valutare frontiere in movimento; un motore decisionale sì. Non evoca la certezza: calcola, in ogni istante, la migliore scommessa successiva e la iscrive nel libro mastro insieme alle sue ragioni. Il resto è semplice tenuta dei registri.

Pensare la decisione in questo modo — quadro esplicito, artefatti addomesticati, presupposti economici visibili, margini sovrani — non aggiunge cerimoniale. Sottrae superstizione. È inoltre coerente con la visione pragmatica del capitolo precedente: le decisioni diventano piccole scommesse verificabili, assunte in condizioni di incertezza, guidate da prezzi che l’impresa è disposta a difendere e riviste man mano che la realtà si manifesta.

8.2 Perché automatizzare

I computer sono inaffidabili, ma gli esseri umani lo sono ancora di più. Qualsiasi sistema che dipenda dall’affidabilità umana è inaffidabile. Una delle tante leggi di Murphy.

Nelle pagine precedenti abbiamo definito una decisione come un impegno verificabile che cancella alternative e trova giustificazione soltanto nel proprio tasso di rendimento atteso aggiustato per il rischio. Una volta esplicitato il quadro e resi visibili i presupposti economici, una supply chain diventa ciò che è sempre stata nella sostanza: una fabbrica di innumerevoli piccole scommesse il cui vantaggio si conquista al margine. Alla scala moderna, il vantaggio pertinente è inaccessibile a impiegati privi di strumenti adeguati. A esaurirli non è l’aritmetica — i fogli di calcolo già li sollevano da questo onere — ma l’enorme combinatoria delle opzioni ammissibili, le esigenze del ragionamento probabilistico in presenza di code pesanti e la continua rivalutazione dei vincoli mentre la realtà cambia. Se il collo di bottiglia si avverte nelle dashboard SQL anziché nell’acciaio e nel gasolio, l’impresa ha scelto di limitarsi proprio nell’ambito in cui i limiti sono meno stringenti: il calcolo.

C’è una seconda ragione, più discreta, per automatizzare: la ripetizione sotto controllo. Un processo manuale o semimanuale cambia ogni volta che cambiano le persone; avvicendamenti del personale, correzioni locali e spostamenti dell’attenzione rendono incomparabile il riferimento di ieri con quello di oggi. Un processo senza intervento umano, invece, può essere duplicato, perturbato e misurato. Due ricette numeriche possono essere eseguite contemporaneamente sugli stessi libri mastri — una con autorità decisionale, l’altra in ombra — avvalendosi dello stesso personale, perché nessuna richiede una supervisione quotidiana. Misurato in questo modo, il progresso smette di essere una questione di opinioni: diventa una differenza verificata in unità monetarie.

I fogli di calcolo hanno reso tollerabile il lavoro amministrativo; non lo hanno mai reso efficace. La loro «logica» è un groviglio di formule ad hoc che non codificano un quadro decisionale né attribuiscono un valore all’incertezza. Il risultato è familiare: correzioni all’ultimo minuto, riserve di sicurezza impilate su altre riserve di sicurezza e una fretta ritualizzata in cui un impiegato deve finalizzare un centinaio di quantità prima di pranzo. È allettante immaginare che dare più tempo a tutti produrrebbe risposte migliori. In pratica, la pausa gonfia gli organici, approfondisce i silos e ritarda gli impegni: ogni ritardo è un costo opportunità che compare raramente sulla dashboard, ma sempre nel conto economico.

L’automazione, nel senso qui inteso, non significa «usare più software». È la decisione istituzionale di lasciare che i sistemi di intelligenza, introdotti in precedenza, calcolino, emettano e registrino le decisioni senza intervento umano in condizioni normali. Di seguito esaminiamo questa impostazione da diversi punti di vista: come bene produttivo, come disciplina degli interventi correttivi, come svolta culturale e come esito naturale di una traiettoria secolare dalla gestione ai meccanismi automatici.

8.2.1 Un bene produttivo

L’automazione trasforma il processo decisionale da lavoro deperibile in bene strumentale. Un sistema di intelligenza non è un report che «assiste» un pianificatore: è un motore che impegna unità monetarie per conto dell’impresa secondo un obiettivo che può difendere. Il profilo di spesa si rovescia: ciò che era OPEX — ore trascorse a ritoccare celle — diventa CAPEX — una base di codice il cui costo operativo è trascurabile rispetto al volume di scelte che elabora. Ogni giornata di ingegneria dedicata a migliorare questo bene ne accresce il valore: o le decisioni migliorano, o il calcolo costa meno, o la manutenzione si alleggerisce. Se non accade nulla di tutto ciò, non andrebbe speso altro denaro.

Questo bene è produttivo perché codifica il quadro decisionale e i prezzi. Euristiche non dichiarate, un tempo affidate a promemoria e riunioni, migrano in codice sottoposto a controllo di versione. Il motore legge i registri che fanno autorità, inferisce le distribuzioni che contano (domanda, tempi di consegna, resi, tempi di riparazione), valuta le opzioni ammissibili sulla base di tali distribuzioni e scrive impegni verificabili nei sistemi. Lo fa alla cadenza richiesta dalla realtà, non al ritmo che un comitato riesce a sopportare. L’esecuzione parallela diventa ordinaria: la ricetta in uso tiene la penna mentre una candidata produce decisioni ombra, e nel libro mastro si accumula una differenza A/B chiaramente misurata. Quando la fiducia cala — le code sembrano mal calibrate, un vincolo comincia a diventare attivo inaspettatamente — le euristiche di arresto sospendono l’emissione; il ripiego non sono mille eccezioni, ma un arresto e una correzione.

Il software costa poco da eseguire e, se mantenuto piccolo e leggibile, poco da manutenere. Il suo limite prestazionale non è la pazienza umana, ma l’economia che vi è codificata. Qualsiasi intuizione autentica — sulla sostituzione, sul rinvio o sull’accelerazione, sul cambio di percorso, sul valore dell’opzione di attendere — può essere incorporata nel codice e poi applicata alla scala delle macchine. Il limite amministrativo scompare; resta il limite strategico determinato dalla capacità dell’impresa di attribuire un prezzo a ciò che considera prezioso.

8.2.2 Correzioni manuali

L’automazione solleva sempre la domanda di quando intervenire. Un arresto di emergenza deve esserci in ogni macchina motorizzata; le «correzioni manuali» abituali segnalano generalmente un difetto di progettazione.

Da tempo i fornitori attenuano la fragilità dell’automazione arruolando gli utenti come coprocessori umani. Avvisi ed «eccezioni» inondano le caselle di posta; ai pianificatori si chiede di ispezionare la maggior parte dei risultati e di modificarne molti. Questo schema vanifica lo scopo. Se un sistema ha bisogno di una persona che intercetti le decisioni sbagliate, quella persona presto smetterà di fidarsene e l’organizzazione tornerà al teatro dei fogli di calcolo, con qualche passaggio in più.

Il rimedio riguarda l’architettura, non le esortazioni. Primo, il motore deve essere costruito in modo che ogni decisione emessa sia solida secondo i propri presupposti: inquadrata tra opzioni ammissibili, valutata in unità monetarie e giustificata da una visione probabilistica del futuro. Secondo, quando è incerto, il motore deve fermarsi, non assillare. Fermarsi non significa abdicare: consente di guadagnare tempo per gli unici interventi che migliorano durevolmente i risultati, ossia modifiche al quadro decisionale, ai prezzi o alla semantica delle previsioni. Terzo, la fiducia si conquista attraverso la progettazione: esecuzione parallela prima del passaggio al nuovo sistema; dossier visibili per ogni impegno; valutazioni esplicite e versionate; differenze misurate a posteriori. Il capitolo Ingegneria chiamerà questa disciplina ottimizzazione sperimentale.

Gli interventi correttivi non scompaiono: cambiano natura. Un intervento raro e mirato modifica una valutazione («la penalità per le carenze relativa a questa classe di clienti era sottostimata»), restringe l’insieme delle opzioni («questo mese non spedire batterie al litio per via aerea») oppure ripara un errore semantico («questo campo ha cambiato significato dopo la patch dell’ERP»). Non scarabocchia un numero diverso su un ordine d’acquisto lasciando intatta la macchina.

8.2.3 Cultura e inquietudine

L’aumento della produttività destabilizza invariabilmente chi occupa le posizioni esistenti. Tiberio rifiutò le gru; i luddisti distrussero i telai. Le imprese moderne non sono risparmiate né dall’ansia né dalla politica interna, e i colletti bianchi affrontano un risvolto nuovo: viene chiesto loro di contribuire ad automatizzare il proprio lavoro.

Il paradosso si dissolve quando i ruoli diventano chiari. Il lavoro da meccanizzare è la fatica amministrativa di applicare le euristiche di ieri. Quello da valorizzare consiste nell’articolare quadri decisionali e prezzi, custodire la semantica e riconfigurare rapidamente la logica quando il mondo cambia. Le culture del software hanno risolto questa tensione decenni fa. Apprezzano chi si rende obsoleto alla tastiera, perché il valore si sposta al problema successivo: lo strumento diventa il bene produttivo; l’ingegnere passa oltre. Dove questa cultura incontra resistenza, sono i mercati, non i promemoria, a decidere. Le imprese che rifiutano di far crescere cumulativamente il bene vengono soppiantate da quelle che lo fanno.

I dirigenti non possono comprare questa cultura già pronta, ma possono eliminare gli incentivi che la avvelenano. Premiare la qualità delle decisioni, non il numero di postazioni. Pagare i fornitori per i risultati, non per gli accessi. Promuovere chi contribuisce a quadri decisionali e valutazioni migliori, non chi cura dashboard più grandi. Soprattutto, dare ai pochi che sanno davvero riconfigurare il motore il mandato di farlo rapidamente: la loro capacità d’incidere fa impallidire quella di una stanza piena di schedulatori umani.

Due schemi ricorrenti meritano di essere portati alla luce. Primo, l’organico è ancora trattato come un indicatore di prestigio. I manager che aumentano il numero di «postazioni» sotto il proprio controllo ottengono budget e influenza; l’automazione, che riduce drasticamente le postazioni, sembra un declassamento. Invertire la moneta di scambio. Legare il prestigio al miglioramento per persona e per watt. Rendere esplicito l’obiettivo di ridurre le postazioni presidiate e celebrare i gruppi che si rendono obsoleti alla tastiera: in una cultura del software questo è avanzamento, non abdicazione.

Secondo, le licenze per postazione e le metriche di «coinvolgimento» rendono i fornitori complici del mantenimento degli esseri umani nel processo. Un sistema che fattura in base ad accessi, clic o «utenti attivi» è economicamente contrario a un flusso senza intervento umano. I contratti dovrebbero avere prezzi basati sui risultati desiderati dall’impresa — volume di impegni emessi senza intervento umano con tracce di audit, miglioramento misurato rispetto a un riferimento in esecuzione parallela, tempo necessario a riconfigurare la logica dopo un cambiamento del quadro decisionale — non sul movimento amministrativo indotto dallo strumento. Quando si pagano i risultati anziché gli schermi, gli incentivi si allineano a favore dell’automazione anziché contro di essa.

Infine, attenzione al teatro delle metriche: quando i bonus dipendono da percentuali di precisione o punteggi di puntualità scollegati da valutazioni in unità monetarie, le energie vanno a migliorare l’indicatore anziché i risultati economici.

8.2.4 L’eccezionalismo umano

L’affermazione secondo cui «un computer non deve mai prendere una decisione gestionale perché non può esserne ritenuto responsabile»¹³³ sembra rispettosa dell’essere umano; in realtà è confusa. La maggior parte delle grandi organizzazioni applica già ampi insiemi di politiche che non lasciano spazio alla discrezionalità. Il blocco del credito per i conti con pagamenti scaduti viene applicato sia che a premere il pulsante sia una persona, sia che lo faccia un programma. La responsabilità ricade sugli autori della politica e sui dirigenti che hanno approvato i prezzi e i vincoli che essa codifica, non sull’impiegato che la esegue.

Insistere sulla presenza di una mano umana per ragioni simboliche peggiora sia la velocità sia la qualità. Favorisce anche una modalità di fallimento peggiore: la responsabilità invisibile. Quando una regola vive in un foglio di calcolo e un’eccezione abituale viene scarabocchiata in una cella, nessuno impara. Quando la stessa regola vive nel codice e un caso anomalo impone un arresto, la progettazione viene corretta alla luce del sole. Il criterio pertinente è economico, non antropomorfico: a parità di dati in ingresso, opzioni ammissibili e traccia di audit, il sistema produce un profitto operativo aggiustato per il rischio superiore a quello del sistema in uso? Se sì, è «abbastanza intelligente» per il compito.

8.2.5 Dalla gestione ai meccanismi automatici

L’enigma non è perché l’automazione sia desiderabile, ma perché abbia impiegato tanto tempo a diventare ordinaria al di fuori di poche nicchie. Per gran parte del XX secolo, i processi decisionali erano necessariamente gestionali: soltanto le menti umane potevano assimilare informazioni e produrre scelte sensate. La domanda divenne allora come suddividere il lavoro tra molte menti. Gli autori della consulenza proposero elaborate trame di comitati e calendari per rendere sopportabile questa divisione. Il difetto fondamentale rimaneva inespresso: ciò che è «meglio» per una parte raramente coincide con ciò che è meglio per l’insieme. Una divisione di articoli per la casa che impiega un milione di unità monetarie con un rendimento atteso del dieci per cento può, senza malizia, impedire alla divisione di utensili da cucina di impiegare lo stesso milione al quindici per cento. Per quanto finemente venga suddivisa l’organizzazione, tutti i manager attingono alle stesse riserve finite di denaro, scorte, capacità e attenzione.

I metodi burocratici tentarono di rimediare aumentando la comunicazione. Riunioni, promemoria e ricorsi ai livelli superiori trasportavano frammenti di conoscenza verso l’alto e poi verso il basso, nella speranza di ottenere allineamento. Ma l’allocazione è quantitativa: senza un libro mastro comune dei prezzi, il coordinamento ricade nella gerarchia. La ricerca operativa, nata in tempo di guerra, prometteva un futuro diverso: lasciare che gli algoritmi ottimizzassero l’allocazione da un capo all’altro. Vincoli hardware, semantica rudimentale dei dati e predilezione per giocattoli deterministici concorsero a smorzare quella promessa. Alla fine degli anni 1970, Russell Ackoff ne stava già scrivendo il necrologio.

I fogli di calcolo colmarono il vuoto. Moltiplicarono la capacità amministrativa, ma congelarono il processo decisionale a uno stadio prescientifico. I tentativi di sostituirli con moduli di «pianificazione» fallirono perché quei moduli ereditavano la stessa impostazione deterministica e lo stesso culto degli artefatti. Gli utenti tornarono gradualmente ai file; i fornitori aggiunsero altri schermi. Il carico decisionale tornò nelle file dei colletti bianchi, ormai più numerosi dei colletti blu che spostano i cartoni.

L’economia non è mai cambiata: le decisioni ripetitive della supply chain possono e devono essere automatizzate. Le condizioni abilitanti maturarono silenziosamente. I sistemi di registrazione si stabilizzarono; i metodi probabilistici, un tempo esotici, divennero ordinari; l’hardware divenne economico; e una nuova specie architetturale — i sistemi di intelligenza — emerse per affiancare libri mastri e report anziché pretendere di sostituirli. Motori decisionali interamente privi di intervento umano sono in produzione da più di un decennio presso i pionieri¹³⁴. Lo schema si diffonderà e i fogli di calcolo conserveranno il loro posto di coltellini svizzeri: comodi all’occorrenza, assenti dalla linea di produzione.

Altri due ostacoli, spesso trascurati, spiegano il lungo ritardo. Primo, distribuire una decisione tra molte teste è intrinsecamente insidioso. Non esiste un ordinamento naturale che renda commutative le scelte locali. Budget pubblicitari, spazio sugli scaffali e capacità di fabbrica per un nuovo prodotto si vincolano reciprocamente; qualunque gruppo «cominci per primo» intrappola gli altri in un percorso meno vantaggioso. La soluzione corretta non è un altro comitato, ma un’istanza di ottimizzazione unificata che attinga alle competenze di ogni gruppo dove servono — nelle valutazioni, nei vincoli e negli scenari — lasciando al solutore il compito di sintetizzare un unico impegno. Gli impegni di ieri, una volta attuati, rientrano come dati; il ciclo successivo procede su un terreno più ristretto ma più chiaro. Secondo, le organizzazioni accumulano vincoli inventati per proteggersi dai propri errori passati. I processi manuali sopravvivono ignorando queste regole quando il buon senso lo richiede; il software non può farlo. Il costo dell’automazione si paga quindi in anticipo, eliminando tali vincoli o rivalutandone il prezzo; il dividendo viene pagato per sempre in quadri decisionali più puliti e rendimenti più elevati.

La traiettoria generale è familiare. Negli ultimi tre secoli, gli imprenditori alla ricerca del profitto hanno sostituito incessantemente lavoro con capitale, e la quota dei colletti blu è diminuita di conseguenza. In molte regioni industrializzate, il numero di persone che gestiscono il flusso supera ormai quello di chi lo movimenta fisicamente¹³⁵. Il prossimo incremento di produttività verrà dall’automazione della parte amministrativa del lavoro dei colletti bianchi. La resistenza sarà combattiva; l’economia sarà paziente e decisiva.

Infine, una parola sul «perché non prima» tecnologico. Fino a poco tempo fa mancavano tre presupposti. I libri mastri erano troppo fragili per fungere da verità di riferimento autorevole; il ragionamento probabilistico era troppo macchinoso per essere incorporato nel codice quotidiano; e i fornitori venivano premiati per vendere CRUD a prezzi da intelligenza. Tutti e tre sono cambiati. Il valore e l’affidabilità dei sistemi di registrazione hanno raggiunto un plateau; le catene di strumenti probabilistici stanno in un portatile; e gli acquirenti hanno imparato a separare tenuta dei registri, reporting e motori decisionali. Una volta presenti questi elementi, l’argomento a favore dell’automazione non è retorico: è aritmetico.

In breve, automatizziamo non per rifinire un piano, ma per rimettere l’economia al posto di guida. I motori decisionali senza intervento umano collocano il collo di bottiglia dove deve stare — negli atomi e nelle ore — offrendo al contempo l’unico presupposto per un miglioramento duraturo: esperimenti comparabili eseguiti ogni giorno, su larga scala, con unità monetarie in gioco.

8.2.6 Da dove cominciare

L’automazione non è uno slogan: è un problema di allocazione. Dove spendere la prossima unità monetaria di lavoro ingegneristico affinché le decisioni senza intervento umano ripaghino l’investimento più rapidamente? In pratica, la nozione operativa è la difficoltà di un processo decisionale, intesa economicamente come l’inverso del rendimento atteso degli investimenti volti a migliorarlo. Rendimento atteso alto, difficoltà bassa; rendimento atteso basso, difficoltà alta. Contano soprattutto due regimi. La difficoltà di base è il costo della migrazione di un flusso da fogli di calcolo presidiati da persone a un motore decisionale senza intervento umano, entro un quadro esplicito. La difficoltà marginale è il costo di estrarre l’incremento successivo di prestazioni da un flusso già automatizzato.

Il punto è semplice e vivido: la scala riduce la difficoltà di base. Quando si ripetono milioni di piccoli impegni simili e il quadro può essere messo per iscritto — opzioni ammissibili, verifiche di fattibilità e prezzi monetari — i primi interventi di automazione in genere si ripagano rapidamente. Al contrario, nicchie piccole e peculiari combinano ritorni modesti con un’elevata difficoltà marginale; sono i punti peggiori da cui cominciare e vanno affrontate per ultime, per quanto allettante sembri la loro apparente trattabilità.

Consideriamo un distributore alimentare il cui centro di distribuzione nazionale rifornisce 800 negozi ogni notte. Automatizzare le spedizioni dal DC ai negozi richiede un quadro decisionale breve e leggibile: le mosse ammissibili sono «spedire stanotte 0/1/2 unità dello SKU \(i\) al negozio \(j\)»; le verifiche di fattibilità riguardano volume dei camion, fasce orarie alle banchine e limiti dei negozi; i prezzi riguardano danno delle carenze, invecchiamento, trasporto sulle tratte principali e movimentazione, più un prezzo ombra sulle scorte del centro di distribuzione; le distribuzioni riguardano le vendite del giorno successivo e il rischio di ritardo dei camion. Una sola ricetta numerica copre quindi decine di migliaia di micro-decisioni omogenee al giorno, perciò un primo intervento — accumulazione greedy sulla base di questi prezzi, con arresto quando la fiducia cala — si ripaga rapidamente. Cominciare invece da un flusso di nicchia — assortimenti pop-up trimestrali per dodici negozi di punta, intrecciati con regole di visual merchandising, eventi di lancio ad hoc e politica dei planogrammi — offre poca scala e prezzi poco chiari; il «quadro» è soprattutto cerimoniale. Il grande fiume è più facile della pozzanghera: la scala abbassa la difficoltà di base, mentre la peculiarità la alza.

Gli ingegneri spesso interpretano male le curve dei tempi dei solutori. Con una tecnica fissata, ampliare un modello — più variabili, più vincoli — induce quasi invariabilmente una crescita superlineare del consumo di CPU e memoria.¹³⁶ Quella curva è una proprietà del metodo, non del problema aziendale. L’economia offre leve che la curva ignora: rendere meno fine il quadro dove la granularità non muove denaro; accorciare gli orizzonti fino al prossimo momento di controllo; sostituire limiti rigidi e fragili con penalità monetarie; e aiutare il solutore con inizializzazioni a caldo e decomposizioni, affinché la risposta di ieri acceleri la ricerca di oggi. Lo scopo non è la purezza algebrica, ma il rendimento aggiustato per il rischio entro un budget di calcolo ragionevole, giorno dopo giorno. In pratica, una formulazione approssimativa ma economicamente valutata, che venga eseguita in modo affidabile, supera modelli «esatti» che esauriscono il tempo disponibile; ed entrambe superano il lavoro amministrativo nei fogli di calcolo quando la scala è sufficiente.

Ne segue un criterio pratico di selezione delle priorità. Cominciare dove il quadro decisionale è breve e leggibile: le opzioni sono enumerabili senza eroismi, le verifiche di fattibilità sono meccaniche anziché politiche e i prezzi che governano l’obiettivo — danno delle rotture di stock, obsolescenza, costo del capitale per unità di tempo, valore dell’opzione di attendere — possono essere dichiarati, affidati a responsabili e versionati. Privilegiare i flussi la cui cadenza lascia al motore il tempo di pensare, da minuti a ore: acquisti e consolidamento oltremare, spedizioni dal DC ai negozi, bilanciamento delle scorte nella rete, approvvigionamento di componenti riparabili. Rinviare le micro-nicchie la cui economia poggia su prezzi impliciti e irrisolti: problemi di governance prima che di ingegneria. Soprattutto, lasciare decidere alla misurazione: eseguire le ricette candidate in parallelo con quelle in uso, attribuire le differenze in unità monetarie entro una finestra di responsabilità chiara e promuoverle soltanto quando il miglioramento si ripaga.

Visto così, «da dove cominciare» non è un mistero. Affrontare prima i più grandi fiumi di decisioni, accettare risposte approssimative che rispettino l’economia e il quadro decisionale, e lasciare che il motore senza intervento umano accumuli miglioramenti da lì. I problemi piccoli sembrano più sicuri; quelli grandi sono più facili.

8.3 Decidere è ottimizzare

Meccanizzare le scelte richiede un formalismo che dica a una macchina che cosa preferire e quando fermarsi. L’«ottimizzazione», un ramo della matematica applicata, fornisce questo formalismo, ma soltanto dopo essere stata riformulata per adattarsi al carattere economico e iterativo delle decisioni reali. L’impostazione da manuale — formulare un modello, affidarlo a un solutore generico, attendere un piano di cui si possa dimostrare l’ottimalità — fallisce nella pratica. Ciò che funziona è più umile e più potente: un quadro di ottimizzazione che esplicita le mosse ammissibili, ne valuta le conseguenze in denaro, incorpora visioni probabilistiche di domani ed è progettato per essere eseguito, senza intervento umano, ancora e ancora mentre il mondo cambia.

8.3.1 Il paradigma dell’ottimizzazione

La notazione classica dell’ottimizzazione matematica parla di variabili, vincoli e obiettivo (si veda l’appendice). Manteniamo la triade, ma ne spostiamo il significato per adattarla alla grammatica decisionale sviluppata in precedenza in questo capitolo e in Economia e Intelligenza.

Le variabili non sono totali grossolani («la quantità dello SKU X per questo mese»), ma impegni marginali alla granularità più fine che modifica gli effetti economici. Per alcuni problemi, la granularità è un’unità, una fermata o un metro cubo; per i rotabili può essere uno specifico numero di serie la cui storia lo rende economicamente unico. Ragionare in termini marginali mantiene il motore allineato al calcolo del tasso di rendimento: la domanda non è mai «qual è il livello giusto di scorte?», ma «un’unità in più, qui e ora, vale più del suo migliore impiego alternativo?».

I vincoli sono verifiche di fattibilità che determinano quali opzioni possono essere esercitate. Dovrebbero essere scritti come codice che ispeziona una mossa candidata e la ammette oppure la respinge, motivandolo. Nella realtà della supply chain, pochissimi limiti sono davvero assoluti: quasi ogni collo di bottiglia può essere allentato pagando un prezzo o accettando un ritardo. È quindi prudente trasferire molti «vincoli» nell’obiettivo sotto forma di penalità monetarie, conservando soltanto quei pochi che riflettono impossibilità fisiche o divieti di legge. Questo rende attriti diversi — congestione delle banchine, straordinari delle squadre, riassetto degli scaffali — comparabili nello stesso libro mastro monetario e consente al motore di trovare il compromesso meno sfavorevole in condizioni di incertezza.

L’obiettivo è una valutazione monetaria coerente con lo scopo dell’impresa: massimizzare il tasso di rendimento atteso aggiustato per il rischio. Non è un traguardo percentuale travestito da economia. Un obiettivo utile deve esplicitare i prezzi che assume: danno delle rotture di stock, obsolescenza, costo del capitale per unità di tempo, penali per ritardi, perdita di benevolenza, valore dell’opzione di attendere. I prezzi nascosti alimentano la politica interna; quelli espliciti alimentano le prestazioni.

Le previsioni entrano come dati di primo piano. Poiché i risultati dipendono da futuri in parte inconoscibili, il motore non valuta i piani rispetto a un’unica traiettoria ipotizzata, ma rispetto a distribuzioni: domanda, tempi di consegna, resi, affidabilità e talvolta prezzi. L’obiettivo rimane una funzione deterministica dei propri dati in ingresso; la casualità risiede negli oggetti previsionali che lo alimentano. Questa separazione mantiene leggibile la causalità e attribuibile la responsabilità quando una scommessa rende meno del previsto: il quadro era ristretto, la valutazione sbagliata o la previsione mal calibrata? Il complesso apparato probabilistico viene sviluppato nella prossima sezione; qui basta insistere sul fatto che un motore decisionale deve essere costruito fin dall’inizio per ricevere distribuzioni, non punti.

Infine, una parola sull’espressione. La dottrina di metà secolo cercava di separare la formulazione dalla risoluzione: un file «dichiarativo» per il problema, un solutore a scatola nera per il resto¹³⁷. Questa separazione lusinga il gusto per l’eleganza, ma ostacola la pratica. Un motore decisionale eseguito ogni giorno trae beneficio da un modello che aiuta il metodo: ordinamenti delle variabili che riflettono l’economia; inizializzazioni a caldo dalla soluzione di ieri; decomposizioni allineate alla geografia o ai cicli di vita; cache che ricordano sottocalcoli costosi; verifiche di fattibilità che scartano rapidamente i casi non validi. Non è impurità: è sensibilità per la meccanica nel rapporto tra problema e macchina.

8.3.2 Sull’ottimalità

Entro un quadro fissato — risorse finite, mosse ammissibili esplicite, prezzi dichiarati — esiste un’allocazione ottimale. Il punto conta: «abbastanza buono» non è una rinuncia al rigore, ma il riconoscimento che a decidere quando interrompere una ricerca è l’economia, non l’algebra.

Ne seguono due lezioni. Primo, i problemi di supply chain presentano rendimenti decrescenti lungo la maggior parte delle leve. Scorte aggiuntive migliorano il servizio finché non lo migliorano più; spedizioni accelerate aggiuntive riducono i ritardi finché non li riducono più; un assortimento più ampio estende il mercato raggiunto finché non intasa l’attenzione. Questa curvatura è una buona notizia: trasforma la nostra ricerca discreta in qualcosa che ammette pseudo-gradienti. Passi greedy, miglioramenti locali, scambi nell’intorno e politiche con un breve orizzonte di anticipazione — se guidati da prezzi corretti e alimentati da dati probabilistici — salgono rapidamente verso posizioni elevate. Questi problemi non sono crittografici: invertire un bit non trasforma il fattibile in impossibile facendo crollare il valore a zero.¹³⁸. Gli algoritmi che si affidano esclusivamente alla suddivisione di spazi astratti e al rafforzamento di rilassamenti lineari tendono ad accanirsi sulla geometria sbagliata; i vincoli dell’attività economica raramente sono abbastanza stringenti, abbastanza presto, perché la potatura mediante semispazi convenga.

Secondo, «l’ottimo» è condizionale. Cambiate il quadro e la vetta si sposta. Aggiungete un canale di liquidazione; consentite piccoli aggiustamenti di prezzo legati alle partenze delle navi; ampliate ciò che può condividere un carico; ammettete la scelta tardiva tra quasi-sostituti: il modello di perfezione di ieri diventa la collina locale di oggi. Non è un fallimento dell’ottimizzazione: è il suo scopo. Nei termini di Kuhn, il progresso ordinario avviene entro un paradigma; i salti avvengono cambiando paradigma.¹³⁹ Un motore decisionale vivo deve quindi essere costruito per l’ottimizzazione sperimentale: eseguire le ricette candidate in parallelo con quelle in uso, promuoverle soltanto quando le differenze misurate lo giustificano e tornare indietro a basso costo quando non lo fanno. L’ossessione per i certificati di ottimalità globale in mondi giocattolo muore qui; la valuta è il miglioramento misurato nei conti dell’impresa.

8.3.3 Il solutore al suo interno

Un solutore è il componente software che, dati un quadro decisionale, previsioni e prezzi, esplora lo spazio ammissibile e propone impegni. È il cuore del motore, ma non il motore stesso. Attorno vi sono organi indispensabili: adattatori semantici per leggere i registri che fanno autorità; moduli probabilistici per produrre distribuzioni; registri delle valutazioni per rendere visibili prezzi e responsabili; euristiche di arresto per sospendere l’emissione quando la fiducia cala; e i meccanismi di passaggio all’esecuzione che trasformano le proposte in fatti e li riacquisiscono nel ciclo successivo.

Poiché il motore opera in condizioni di incertezza e si ripete, diverse impostazioni ingegneristiche risultano decisive.

Primo, il controllo stocastico supera la pianificazione deterministica. Il solutore dovrebbe ordinare le mosse ammissibili secondo il loro tasso di rendimento atteso, aggiustato per il rischio, sulla base delle distribuzioni di probabilità fornite. La dipendenza sequenziale — la mossa di oggi che plasma le opzioni di domani — può essere gestita ottimizzando politiche anziché singoli atti, tipicamente entro un ciclo a orizzonte mobile in cui ogni iterazione ricalcola con informazioni più fresche. Le previsioni funzionali — simulatori che associano «che cosa faremmo se…» a distribuzioni dei risultati — sono il complemento naturale di questa ricerca di politiche. La matematica è semplice; la novità consiste nel renderla abbastanza piccola, leggibile e verificabile da poter essere eseguita ogni giorno.

Secondo, le penalità domano i limiti non garantibili. Nel mondo stocastico, «non superare mai X» è impossibile oppure rovinoso. Attribuire un prezzo alle violazioni riunisce i limiti sotto lo stesso tetto e li allinea all’obiettivo monetario. Il linguaggio dei vincoli probabilistici può essere utile nella discussione; sono i prezzi a fare il lavoro. Torneremo sui limiti non garantibili, e sul rapporto tra vincoli probabilistici e penalità monetarie, nelle pagine successive.

Terzo, progettare per risoluzioni ripetute. La maggior parte delle scelte di supply chain non consiste in problemi una tantum di progettazione industriale — per esempio localizzare magazzini o fissare tratte — ma in piccole allocazioni stocastiche che verranno ripetute domani in presenza di fatti leggermente diversi. Un solutore che prospera in questo contesto deve ricevere distribuzioni, valutare le opzioni in unità monetarie ed essere poco costoso da fermare e rieseguire. Il risultato non è un piano monolitico corredato da un certificato: è un flusso costante di scommesse migliori sotto un libro mastro comune. Questa impostazione contrasta con quella dominante nella ricerca operativa — modelli globali risolti una sola volta con vincoli statici — ed è per questo che soltanto una manciata di imprese usa quotidianamente solutori nelle operazioni.

Quarto, predisporre gli strumenti che costruiscono la fiducia. Ogni decisione emessa deve accompagnarsi a un dossier: le opzioni ammissibili considerate, i prezzi e le distribuzioni impiegati, le differenze marginali che hanno giustificato la scelta e le verifiche superate prima dell’emissione. L’esecuzione parallela dovrebbe essere la norma: la ricetta in uso tiene la penna mentre una candidata scrive decisioni ombra; le differenze misurate si accumulano in unità monetarie. Quando qualcosa non torna — code mal calibrate, un vincolo che comincia a diventare attivo — fermarsi. Inondare gli utenti di «eccezioni» li arruola come coprocessori non retribuiti e insegna loro a diffidare del sistema. Un arresto netto invita agli unici interventi utili: modifiche al quadro decisionale, ai prezzi o alla semantica.

Infine, una parola sobria sulla cassetta degli attrezzi venduta sotto l’etichetta OR. Dopo sette decenni di ricerca e altri due di hardware sempre più veloce, i solutori generici lineari e misti interi rimangono marginali nelle operazioni quotidiane della supply chain. Compaiono nei lavori di progettazione una tantum — localizzazione della rete, studi di capacità a lungo orizzonte — e in poche nicchie strettamente delimitate. Quasi mai governano le scelte ricorrenti e cariche di incertezza che muovono unità monetarie ogni giorno. Non è ostinazione manageriale: è una mancata corrispondenza tra strumento e fenomeno.

La tecnologia classica della ricerca operativa presuppone un mondo che le supply chain non abitano. L’incertezza viene compressa in surrogati puntuali o termini di «sicurezza» a code leggere; gli obiettivi sono scritti in unità di artefatti — livelli di servizio, percentuali di precisione, utilizzo — anziché in denaro; e si produce un piano monolitico come se l’esecuzione fosse un piano una tantum anziché un ciclo di controllo stocastico ripetuto alla cadenza operativa. Il credo modellistico che separa la «formulazione pura» dal «metodo impuro» vieta poi proprio gli indizi richiesti dalla pratica: penalità monetarie per limiti non garantibili, prezzi ombra espliciti sulle risorse condivise, inizializzazioni a caldo dagli impegni di ieri e regole di accumulazione greedy guidate da finestre di responsabilità. Di fronte a code pesanti, effetti di irreversibilità e valori delle opzioni, il MILP globale esaurisce il tempo disponibile, ottimizza la cosa sbagliata oppure produce una schedulazione fragile che crolla al primo contatto con la realtà.

La soluzione empirica è semplice e priva di fascino. Trattare i solutori come sottoprogrammi all’interno di una ricerca stocastica più ampia e consapevole dell’economia, anziché come sovrani della decisione. Lasciare che le previsioni probabilistiche forniscano i futuri; che l’obiettivo parli soltanto in unità monetarie; trasferire la maggior parte dei limiti «rigidi» in penalità monetarie; ricalcolare gli impegni marginali alla cadenza consentita dalla realtà; fermarsi quando la fiducia cala; eseguire le ricette candidate in parallelo con quelle in uso; e incorporare la struttura del dominio ovunque produca rendimento. Le primitive classiche — assegnamento, flusso a costo minimo, problema dello zaino, instradamento — restano preziosissime, ma soltanto quando ricevono prezzi corretti e sono integrate in un ciclo che rispetta incertezza, ripetizione e irreversibilità.

Visto così, il verdetto sulla ricerca operativa nelle operazioni non è che la matematica sia sbagliata, ma che l’impostazione sia disallineata. Strumenti costruiti per giocattoli stazionari e piani una tantum non possono gestire la combinatoria delle opzioni in presenza di incertezza a code pesanti, dove il profitto vive nelle code. Le risorse di calcolo andrebbero quindi spese dove acquistano unità monetarie: per quadri decisionali migliori, prezzi migliori e visioni probabilistiche migliori, non per certificati di ottimalità relativi alla domanda sbagliata. La prossima sezione attribuisce un prezzo al calcolo stesso.

8.3.4 L’economia del calcolo

L’ottimizzazione ha un costo. Minuti di CPU, ore di tempo effettivo, giornate di ingegneria: ciascuno deve essere giustificato come qualsiasi altra risorsa, attraverso il proprio rendimento atteso aggiustato per il rischio. L’orizzonte pertinente è operativo. Rischedulare i robot di prelievo si presta a cadenze dell’ordine dei millisecondi; acquistare oltremare no. I fornitori vendono il «tempo reale» come se il tempo in sé fosse una virtù; non lo è. La cadenza giusta è quella alla quale un’unità aggiuntiva di calcolo non si ripaga più in unità monetarie.

Ne seguono due conseguenze pratiche. Primo, accettare che alcuni cicli decisionali siano «lenti per progetto». Ricerche ampie, stocastiche e ad alta dimensionalità non possono essere spinte a latenze di cento millisecondi senza svuotare il quadro decisionale o banalizzare l’obiettivo. La legge di Amdahl¹⁴⁰ si fa sentire non appena il motore deve considerare contesti ampi per evitare stupidità locali. Secondo, progettare una degradazione graduale delle prestazioni. Eseguire un passaggio rapido che catturi l'80% del valore con euristiche economiche e buoni prezzi; spendere il budget restante dove i prezzi ombra reclamano attenzione; fermarsi quando il miglioramento atteso per minuto scende sotto il costo del minuto. Poiché il motore si ripete, l’esecuzione di domani raccoglierà ciò che oggi è rimasto, con informazioni più fresche e un’inizializzazione più favorevole.

Lo stesso calcolo governa le dimensioni del modello. Istanze più grandi non sono «più difficili» in alcun senso metafisico; sono soltanto più costose con una tecnica fissata. Se un metodo supera un budget ragionevole, cambiare metodo, ridurre la granularità dove l’economia lo permette oppure restringere l’orizzonte. A decidere è il miglioramento misurato, non la purezza estetica.

In sintesi, l’ottimizzazione è il linguaggio attraverso cui un motore decisionale esprime preferenze in condizioni di incertezza. Quando viene riformulata attorno a grandezze marginali, prezzi e mosse ammissibili; dotata di strumenti per ripetizione, arresto e verifica; e progettata con sensibilità sia per l’hardware sia per l’economia, diventa ciò di cui il programma di automazione ha bisogno: non un oracolo che detta un piano, ma un instancabile impiegato delle intenzioni dell’impresa, che propone continuamente la migliore scommessa successiva e la iscrive, in modo leggibile, nel libro mastro.

8.4 Decidere nell’incertezza

Le decisioni sono scommesse dal valore esplicito su futuri che non controlliamo. All’inizio di questo capitolo abbiamo adottato l’impostazione che rende calcolabili tali scommesse: l’obiettivo è deterministico e monetario, mentre l’incertezza entra attraverso previsioni probabilistiche, ossia distribuzioni dei fatti che contano — domanda, tempi di consegna, affidabilità, resi e talvolta prezzi. Non seppelliamo la casualità dentro l’obiettivo: alimentiamo il motore con distribuzioni e gli chiediamo di ordinare gli impegni ammissibili secondo il loro tasso di rendimento atteso aggiustato per il rischio.

Questa impostazione si allontana dalla visione teleologica (capitolo Il futuro), che considera l’incertezza un difetto da eliminare ingegneristicamente con previsioni puntuali migliori. Anche piccoli errori in tali stime puntuali possono avere conseguenze discontinue: una turbina ferma per una sola paletta mancante vale molto meno del «99,98% di una turbina», e un concorrente più economico dell'1% può cancellare il 100% delle vostre vendite. Nelle supply chain, profitti e perdite vivono nelle code. I metodi che ottimizzano rispetto a un’unica traiettoria ipotizzata fabbricano quindi fiducia al posto della robustezza.

Nulla qui dipende dal vocabolario. Chiamare il problema «ottimizzazione stocastica» significa semplicemente riconoscere che i futuri sono rappresentati da distribuzioni e che la valutazione avviene in valore atteso, con aggiustamenti espliciti per il rischio quando opportuno. Ciò che conta nella pratica è dove viene rappresentata l’incertezza e come viene valutata. Come sostenuto sopra, il posto giusto è nelle previsioni che entrano nell’obiettivo, non nell’obiettivo stesso; e i prezzi giusti sono le penalità e i benefici dell’impresa espressi in unità monetarie — danno delle rotture di stock, obsolescenza, costo del capitale per unità di tempo, congestione, penali per ritardi, valore dell’opzione di attendere.

Si potrebbe essere tentati di concludere che, una volta calcolati i valori attesi, i casi «deterministico» e «stocastico» si riducano alla stessa matematica. Nella pratica non è così. Le ricette deterministiche incoraggiano piani fragili, ignorano le code pesanti e nascondono i compromessi dietro KPI basati su artefatti; un motore progettato per le distribuzioni deve invece valutare le code, rendere visibili le valutazioni, fermarsi quando la fiducia cala e ripetersi alla cadenza consentita dalla realtà. È questa differenza d’impostazione, non un cambiamento di simboli, a produrre i risultati.

Stabilita questa base, il resto della sezione affronta le conseguenze operative del decidere nell’incertezza. Esaminiamo anzitutto come i metodi puntuali producano sistematicamente decisioni fragili: scelte che sulla carta sembrano snelle e poi perdono unità monetarie a fiotti quando il mondo si allontana dalla mediana. Trattiamo poi i vincoli non garantibili, da gestire attraverso prezzi o rischi esplicitamente limitati anziché con editti; attribuiamo un prezzo all’apprendimento attraverso il compromesso tra esplorazione e sfruttamento; e giustifichiamo il finanziamento di opzioni non redditizie oggi, ma capaci di coprire i rischi dei regimi di domani. Ogni tema applica la stessa grammatica: mosse ammissibili, visioni probabilistiche e un unico libro mastro monetario.

8.4.1 Decisioni fragili

In questo libro, una decisione è fragile quando una piccola deviazione dal «caso tipico» ipotizzato produce una perdita sproporzionata nel suo tasso di rendimento aggiustato per il rischio. Operativamente, la fragilità si manifesta sia come maggiore varianza dei rendimenti effettivi sia, una volta valutati correttamente code pesanti ed effetti di irreversibilità, come valore atteso inferiore a quello di mosse alternative che tengono aperte le opzioni. La fragilità non riguarda i cataclismi, ma le sorprese ordinarie che visitano ogni flusso: un fornitore che spedisce quantità insufficienti, un camion che manca la propria fascia oraria, un negozio che chiude per un giorno, un post che diventa virale e svuota uno scaffale. Ogni evento sorprende localmente; nel loro insieme, non sorprendono.

La fragilità è in gran parte fabbricata dalle politiche. L’impostazione teleologica — un futuro prestabilito, un piano per attuarlo e indicatori di prestazione che ne sorvegliano il rispetto — genera decisioni che sulla carta sembrano meravigliosamente snelle e perdono unità monetarie a fiotti appena il mondo imbocca anche una modesta deviazione. Le previsioni puntuali comprimono i futuri in una sola traiettoria; i limiti «rigidi» sono trattati come editti; l’utilizzo viene spinto verso la saturazione; le riserve sono giustificate da formule dei cui prezzi nascosti nessuno si assume la responsabilità. Queste procedure non si limitano ad affrontare la variabilità: ne amplificano i costi eliminando proprio le opzioni che la variabilità rende preziose. È quindi più preciso parlare di politiche fragili: regole che producono sistematicamente decisioni fragili.

Due caratteristiche strutturali rendono fragili queste politiche. Primo, la maggior parte dei ritorni della supply chain è asimmetrica: i rischi di perdita vivono nelle code, mentre i guadagni potenziali sono limitati. Un solo componente mancante può immobilizzare un aereo da milioni; essere più cari dell'1% rispetto a un concorrente può cancellare interamente la vendita. I surrogati a code leggere e la pianificazione sul caso mediano nascondono questi precipizi e quindi sottovalutano l’opzione di evitarli. Secondo, i meccanismi operativi irreversibili cancellano alternative. Un’allocazione prematura a un negozio, apparentemente innocua secondo una previsione di riferimento, impedisce di servire una richiesta migliore domani; una procedura di «camion completi» che spedisce secondo il calendario preclude il consolidamento di domani. Le decisioni che massimizzano l’«efficienza» sulla carta impegnandosi presto sono, nella pratica, decisioni che vendono opzioni a poco prezzo e acquistano guai a caro prezzo.

Le apparenze sono insidiose. Le decisioni fragili sembrano efficienti: i camion partono visibilmente pieni, i centri di distribuzione sembrano vuoti, gli organici sembrano ridotti e le scorte rasentano il limite. Le decisioni non fragili sembrano, a prima vista, un po’ «sprecone»: si mantiene disponibile una frazione di capacità, si trattiene una riserva di scorte nel centro di distribuzione, si conserva un secondo fornitore, si preposizionano alcuni componenti riparabili. Eppure, una volta valutati in denaro code ed effetti di irreversibilità, l’impostazione apparentemente conservativa offre un tasso di rendimento aperiodico atteso, aggiustato per il rischio, più elevato. Il premio che compra margine di manovra è il premio di un’opzione; si ripaga ogni volta che il mondo manca la mediana, cosa che accade regolarmente.

Un esempio ordinario chiarisce il punto. Consideriamo la manutenzione di linea di un aereo di linea con tempi stretti tra un volo e l’altro. L’insieme degli interventi da effettuare è incerto finché non vengono aperti i primi pannelli; una sola paletta mancante può immobilizzare l’aereo e provocare una cascata di coincidenze perse. Una procedura deterministica che predispone un kit dimensionato sull’«intervento medio» apparirà snella ex ante e fallirà a caro prezzo ogni volta che la domanda di alcuni componenti aumenta bruscamente. Una procedura pragmatica parte dalle distribuzioni dell’insieme incerto degli interventi e dei tempi di riparazione e rientro, associa una penalità monetaria allo slittamento del programma e valuta ogni componente aggiuntivo come un’opzione contro quella penalità. Il kit risultante non è «minimo»: è redditizio. I componenti inutilizzati tornano a scorta; il loro costo di mantenimento è piccolo rispetto alla perdita evitata quando le code colpiscono. La stessa logica governa qualsiasi carenza a bassa probabilità e penalità elevata: le code pesanti dominano e l’aritmetica a code leggere fabbrica fragilità.

Un secondo esempio riguarda i flussi in entrata. Supponiamo che un magazzino affronti variazioni casuali nelle tempistiche dei fornitori e disponga di un numero finito di baie di ricevimento. Un calendario settimanale degli ordini conforme al piano occasionalmente farà convergere le spedizioni, sovraccaricando la banchina; il rimedio diventa la gestione delle emergenze: rinvii, indennità di attesa degli autisti e demurrage¹⁴¹, squadre in straordinario e sovrapprezzi fuori contratto per ottenere priorità nelle scarse fasce orarie di banchina.

Un’impostazione pragmatica tratta gli arrivi e i tempi in banchina come distribuzioni, valuta il sovraccarico attraverso penalità di congestione esplicite — gli stessi effetti economici che emergono come indennità di attesa, demurrage, straordinari o sovrapprezzi per fasce prioritarie — e lascia che il motore decisionale rinvii o anticipi gli ordini finché il rendimento atteso, aggiustato per il rischio, del lotto successivo supera il costo ombra del capitale dell’impresa più il valore dell’opzione di attendere. La cadenza diventa un risultato dell’economia, non un dato imposto dal calendario; la banchina non è «sempre occupata», ma le unità monetarie smettono di fuoriuscire.

A valle, l’allocazione prematura è un’altra fonte discreta di fragilità. Spedire presto unità scarse a negozi deboli le congela dove ruotano lentamente e impedisce di servire i vincitori che emergono pochi giorni dopo. Una procedura pragmatica associa un prezzo ombra visibile alle scorte sotto pressione del centro di distribuzione — unità monetarie per unità al giorno che rappresentano l’opzione di servire una richiesta migliore domani — e rilascia un’unità a un negozio soltanto quando il rendimento marginale di quel negozio supera il prezzo di trattenimento del centro di distribuzione. Il volume di flusso realizzato di solito aumenta dove conta di più, anche se più unità rimangono al centro di distribuzione per un po’ più di tempo. Le politiche fragili migliorano l’apparenza di «operosità»; quelle robuste migliorano i risultati economici.

La fragilità impone anche un costo del lavoro che sfugge alle dashboard. Le politiche fragili si scontrano con la realtà, generando lunghe code di eccezioni e arruolando i pianificatori come coprocessori umani. L’organizzazione normalizza accelerazioni croniche, risequenziamenti manuali e correzioni a posteriori. Questa gestione delle emergenze assorbe l’attenzione necessaria a costruire il bene strumentale in questione: un motore decisionale piccolo e leggibile, che codifica quadri, prezzi e visioni probabilistiche, opera senza intervento umano e accumula miglioramenti. Le politiche fragili non perdono soltanto unità monetarie nelle giornate storte; impediscono anche all’impresa di investire il tempo che renderebbe quelle giornate più rare e meno costose.

Progettare decisioni non fragili non richiede eroismi, ma un cambiamento d’impostazione. La visione pragmatica tratta l’incertezza come materia prima del profitto. In pratica, significa (i) ammettere distribuzioni — di domanda, tempi di consegna, affidabilità, resi e talvolta prezzi — come dati di primo piano; (ii) esprimere tutti gli attriti in unità monetarie — danno delle rotture di stock, congestione, invecchiamento, penali per ritardi, valore dell’opzione di attendere — e assumersi la responsabilità di tali prezzi a livello aziendale; e (iii) lasciare che un ottimizzatore stocastico ordini gli impegni marginali secondo il loro tasso di rendimento aperiodico atteso aggiustato per il rischio. Ne derivano naturalmente piccoli margini di manovra valutati economicamente: un po’ di scorte condivise al centro di distribuzione, alcune alternative conservate nel trasporto, capacità libera misurata sulle risorse critiche, kit modestamente sovradimensionati dove le penalità di coda sono severe. Non sono talismani contro la sfortuna: sono opzioni acquistate perché il ritorno atteso supera il premio.

Un semplice test rivela la fragilità nella pratica. Se una raccomandazione crolla sotto piccole perturbazioni realistiche dei dati in ingresso; si affida a rituali di calendario anziché a cadenze valutate economicamente; esprime l’«eccellenza» in artefatti — percentuali di precisione, obiettivi di servizio, punteggi di utilizzo — anziché in unità monetarie; e richiede continue «eccezioni» umane per restare tollerabile, è fragile. Viceversa, se una procedura sa articolare il proprio quadro decisionale, mostrare le proprie distribuzioni, dichiarare i propri prezzi, difendere la soglia tra azione e attesa e produrre dossier che reggono al confronto con i risultati effettivi, probabilmente è robusta, anche se a un occhio inesperto sembra un po’ «sprecona».

Una volta ammessa l’incertezza, un ultimo ingrediente diventa inevitabile: molti limiti non possono essere garantiti per ogni lancio dei dadi. Fasce orarie di banchina, turni degli autisti, postazioni di prelievo e cicli di ricarica delle batterie saranno talvolta messi sotto pressione da coincidenze sfortunate anche quando le decisioni sono sensate. Il trattamento corretto non consiste nel negare la casualità, ma nel valutarla economicamente. La prossima sezione affronta questi vincoli non garantibili e mostra come gestirli con limiti probabilistici o, meglio, con penalità esplicite espresse nella stessa unità monetaria che governa ogni altro compromesso.

8.4.2 Vincoli non garantibili

In un mondo stocastico, la maggior parte dei «vincoli» non è costituita da leggi fisiche, ma da preferenze sostenute da penalità. Trattarli come editti che devono valere per ogni lancio dei dadi produce piani fragili e costose emergenze. Il quadro decisionale introdotto in precedenza suggerisce già la distinzione corretta. Pochi limiti sono davvero rigidi — divieti di legge, impossibilità fisiche, barriere di sicurezza — e appartengono alle verifiche di fattibilità che respingono categoricamente le mosse candidate. Tutto il resto è flessibile: può essere violato pagando un prezzo o accettando un ritardo e appartiene quindi all’obiettivo, come inconveniente esplicito espresso in unità monetarie.

Consideriamo, per esempio, un’azienda che emette ordini di riapprovvigionamento per un magazzino. Il magazzino ha una capacità massima di ricevimento. Se troppi camion arrivano nello stesso giorno, il personale deve respingerne alcuni perché tornino più tardi. Questo costa e crea disagi, perché immobilizza camion destinati a consegne successive. Gli ordini di riapprovvigionamento vengono quindi distribuiti intenzionalmente nel tempo per evitare un eccesso di spedizioni in entrata in un determinato giorno. I fornitori, però, possono incontrare difficoltà. Ritardi imprevisti possono occasionalmente far coincidere nello stesso giorno consegne inizialmente pianificate per date distinte. Poiché i ritardi dei fornitori sono casuali e spesso a code pesanti, tali coincidenze non possono mai essere escluse. Per farlo servirebbero intervalli irrealisticamente lunghi tra ordini successivi. Distanziare gli ordini attenua il rischio di superare la capacità di ricevimento, ma non può eliminarlo.

Più in generale, la maggior parte dei vincoli della supply chain presenta un rischio reale di violazione anche quando viene gestita con attenzione. Per definizione, l’azienda non controlla i propri clienti né i propri fornitori. Non controlla completamente nemmeno i propri dipendenti, che possono non presentarsi per varie ragioni. Eppure, pur non essendo la perfezione di questo mondo, l’azienda può orientare il proprio processo decisionale al rispetto di tali vincoli. Consideriamo due approcci.

I vincoli probabilistici offrono un criterio meno stringente. Anziché esigere che un vincolo sia rispettato per tutti i risultati, un vincolo probabilistico richiede che lo sia con una probabilità minima. Un approccio pragmatico consiste nell’ammettere un rischio piccolo ed esplicitamente quantificato di infrangere una regola: per esempio, mantenere sotto il 5% la probabilità di sovraccarico della banchina. Questo mantiene le violazioni rare e controllate.

La principale debolezza dei vincoli probabilistici, tuttavia, è che sono fondamentalmente non economici; o meglio, il compromesso economico è nascosto dentro una percentuale arbitraria ritenuta accettabile, un numero adimensionale. Benché si possa calibrare questa percentuale per riflettere l’economia della situazione, farlo crea un nuovo problema da risolvere.

I vincoli penalizzati sono un’alternativa più semplice: trasferire i vincoli nell’obiettivo attraverso penalità. Trattano ogni violazione come un inconveniente costoso e lasciano che l’ottimizzatore confronti tale penalità con il beneficio atteso della decisione. Ogni violazione comporta un costo elevato. L’ottimizzazione minimizza quindi il costo totale atteso, favorendo naturalmente soluzioni ammissibili o quasi ammissibili. Una penalità sufficientemente alta scoraggia le violazioni e orienta l’ottimizzatore verso soluzioni quasi ammissibili.

I vincoli penalizzati sono adatti all’ottimizzazione della supply chain perché esprimono i limiti operativi negli stessi termini monetari che governano il modello. In linea di principio, quasi ogni collo di bottiglia può essere allentato a un prezzo, e il termine di penalità rappresenta esplicitamente quel prezzo. L’ottimizzatore cerca quindi piani che evitino esborsi rovinosi senza essere ingabbiato da regole rigide. Soprattutto, poiché ogni penalità è espressa in valuta, decine di limiti eterogenei si sommano senza difficoltà in un unico obiettivo, consentendo al modello di crescere agevolmente in ambienti altamente complessi.

8.4.3 Esplorazione e sfruttamento

Le decisioni si ripetono. Ogni ciclo aggiorna le nostre convinzioni e quelle convinzioni guidano il ciclo successivo. I dati storici non sono quindi neutrali: sono il sottoprodotto delle scelte di ieri. Se un rivenditore non ha mai fissato il prezzo di uno SKU oltre 9,99, il libro mastro non contiene alcuna evidenza sulla domanda a 10,99. Un solutore che si limita a «sfruttare» — scegliendo sempre oggi ciò che sembra migliore secondo il modello corrente — congela silenziosamente i punti ciechi del modello. I profitti raggiungono allora un plateau non perché il mondo sia esaurito, ma perché l’impresa non impara più dove i rendimenti potrebbero essere maggiori.

L’impostazione pragmatica (capitolo Il futuro) tratta questa endogeneità come un vincolo di progettazione. Talvolta dobbiamo scegliere una mossa leggermente inferiore secondo il libro mastro di oggi, perché l’osservazione che genera migliorerà il libro mastro di domani per un valore superiore alle unità monetarie a cui abbiamo rinunciato. In termini economici, l’impresa acquista una piccola opzione sulla conoscenza. La domanda pratica non è filosofica — se «provare cose nuove» — ma quantitativa: quando il valore atteso dell’informazione supera il costo opportunità dell’esperimento?

Contano due tipi di incertezza. L’incertezza aleatoria è casualità intrinseca: nessuno sforzo potrà cancellarla. L’incertezza epistemica è ignoranza: può essere ridotta raccogliendo le osservazioni giuste (cfr. il capitolo Il futuro). L’esplorazione è la riduzione deliberata dell’incertezza epistemica quando il suo dividendo atteso — decisioni migliori sull’orizzonte pertinente — supera il mancato guadagno immediato della prova.

Un piccolo esempio concreto chiarisce l’endogeneità. Consideriamo una linea di bevande sportive venduta in cento negozi. Da tempo l’impresa sostiene la dottrina informale secondo cui «dieci unità monetarie» sarebbero il punto ideale per gli acquisti d’impulso; di conseguenza, il database dei prezzi è ricco attorno a 9,99 e quasi vuoto oltre 10,49. Il modello di domanda eredita questa distorsione e, interrogato, consiglia ancora una volta di restare vicino a 9,99. Una procedura pragmatica contrasta questa inerzia senza mettere a repentaglio il marchio. Individua un minuscolo gruppo di prova — diciamo otto negozi con affluenza tipica — per due settimane, vi alza il prezzo a 10,49 e ristima la risposta locale al prezzo. Il costo è il margine stimato perso, o i clienti scoraggiati, rispetto al prezzo dello statu quo durante il periodo di prova; il dividendo è il miglioramento che la nuova risposta rende possibile quando viene applicata agli altri novantadue negozi. Se il dividendo atteso, espresso in unità monetarie, supera il costo dell’esperimento, la prova di prezzo è razionale, anche se gli otto negozi ottengono risultati peggiori durante il test.

L’esplorazione non si limita ai prezzi. Un addetto agli acquisti che si trova di fronte a un nuovo fornitore dall’affidabilità incerta può emettere pochi ordini anticipati, deliberatamente piccoli, per conoscere la coda della distribuzione dei tempi di consegna prima di impegnare volumi importanti. Un pianificatore di rete può provare un modesto schema di cross-docking in una regione per misurare le penalità di congestione anziché presumerle. Un responsabile del merchandising può lasciare intenzionalmente esaurire alcuni articoli dalle vendite modeste, su una scala sicura, per conoscere i veri tassi di sostituzione anziché estrapolarli da dati censurati. In ciascun caso, il motore valuta la prova come qualsiasi altra mossa: le opzioni ammissibili sono dichiarate, i futuri sono probabilistici e tutti gli effetti — danno delle carenze, invecchiamento, congestione, costo del capitale per unità di tempo — sono espressi nello stesso libro mastro monetario.

Questo compromesso è noto in letteratura come «esplorazione contro sfruttamento».¹⁴² L’immagine classica dei banditi è utile, purché si tenga presente l’economia. Lo scopo non è inseguire astratti «limiti sul rimpianto», ma decidere, alla cadenza operativa, se una prova marginale supera la stessa soglia che governa ogni impegno: il tasso di rendimento aperiodico atteso aggiustato per il rischio. Tre abitudini di progettazione mantengono il processo leggibile e verificabile:

Primo, mantenere le prove piccole e delimitate. La finestra di responsabilità limita l’attribuzione; l’ambito — numero di negozi, tratte, SKU — limita le perdite potenziali. La piccola scala non è timidezza: è il modo per valutare economicamente e confrontare in modo chiaro le opzioni di apprendimento con i loro dividendi.

Secondo, rendere esplicito il dividendo dell’apprendimento: il miglioramento atteso, nella finestra durante la quale la regola rivista resterà in vigore, al netto di invecchiamento, ribassi, congestione e costo del capitale. I «benefici» nascosti valgono zero; contano soltanto le unità monetarie nel libro mastro.

Terzo, incorporare l’esplorazione nello stesso motore senza intervento umano. Una prova non è un progetto speciale: è un’altra mossa ammissibile con un dossier — la distribuzione a priori, la perturbazione proposta, la finestra, i prezzi e la regola per adottare la modifica o tornare indietro una volta osservati i risultati. Se la fiducia del motore cala, le euristiche di arresto sospendono la prova esattamente come sospendono le emissioni ordinarie.

Questa impostazione chiarisce anche perché la visione teleologica non possa accogliere l’esplorazione. Nello schema prevedere-pianificare-conformarsi, le decisioni sono soltanto l’ultima riga di un programma deterministico; le previsioni vivono separate dalle azioni; e la «precisione» viene sorvegliata come una percentuale scollegata dalle unità monetarie. In un mondo simile non esiste un budget per acquistare informazioni, perché la procedura presume di sapere già ciò che conta. Nel mondo pragmatico, invece, prove rapide e valutate economicamente sono una fonte di vantaggio: restringono l’incertezza epistemica dove conviene e consentono all’impresa di muoversi per prima dove una piccola intuizione produce benefici cumulativi.

Passiamo ora dall’acquisto di informazioni all’acquisto di assicurazione. L’esplorazione finanzia osservazioni che cambiano il modello; la coltivazione delle opzioni finanzia capacità non redditizie oggi, ma che renderebbero, e molto, in regimi specifici. La grammatica rimane la stessa: mosse ammissibili, futuri probabilistici, un unico libro mastro monetario.

8.4.4 Coltivare le opzioni

La resilienza consiste nel finanziare opzioni non redditizie oggi, ma che potrebbero preservare i profitti futuri se le condizioni cambiassero. Infatti, il valore per l’impresa di una determinata gamma di opzioni — offerte da un fornitore, un trasportatore o una linea di assemblaggio — dipende dalle condizioni di mercato prevalenti. Se tali condizioni cambiano, alcune opzioni possono aumentare o diminuire bruscamente di valore. L’azienda può coprirsi contro questi rischi coltivando le opzioni giuste.

Per esempio, un’azienda con sede in Westonia può attualmente acquistare un componente da un fornitore in Ruritania. Le alternative locali in Westonia, purtroppo, non sono competitive rispetto al fornitore ruritano. Inoltre, i loro componenti non soddisfano pienamente le specifiche dell’azienda. L’azienda è del tutto soddisfatta del proprio fornitore ruritano. Tuttavia, il governo di Westonia potrebbe imporre un dazio enorme sulle importazioni dalla Ruritania. Diverse figure politiche emergenti si sono infatti espresse apertamente a favore di simili dazi. Se introdotti, questi dazi ridurrebbero gravemente i profitti e l’impresa non potrebbe passare ai fornitori locali, perché i loro componenti non rispettano le specifiche. Per assicurarsi contro questo rischio, l’azienda seleziona quindi un fornitore locale e lo aiuta ad aggiornare la produzione affinché i componenti soddisfino le specifiche. La maggior parte degli ordini continua ad andare al fornitore ruritano, ma l’impresa coltiva l’alternativa locale, che potrebbe salvare i profitti se venisse imposto il dazio.

Coltivare le opzioni assume molte forme. L’azienda potrebbe finanziare capacità inutilizzata: manodopera, stoccaggio, produzione o trasporto. Potrebbe pagare tariffe elevate per i servizi in cambio di clausole di recesso favorevoli, per sciogliere il contratto di locazione di un veicolo, un edificio o un’attrezzatura industriale. Potrebbe ridurre l’efficienza della linea di assemblaggio per aumentarne la riconfigurabilità, ampliando la gamma di modelli che la linea può produrre.

Lo scopo di coltivare le opzioni è preparare l’azienda a condizioni improbabili ma tutt’altro che impossibili. A differenza del compromesso tra esplorazione e sfruttamento discusso in precedenza, l’obiettivo dell’investimento non è la scoperta. Fin dall’inizio si sa che l’opzione non è economicamente sostenibile finché persistono le condizioni di mercato attuali. L’investimento è una copertura.

Valutarne la convenienza richiede di quantificare tre elementi: (1) la probabilità dell’evento scatenante, (2) i risparmi che l’opzione produrrebbe in quelle condizioni e (3) il costo di coltivarla. Se i risparmi ponderati per la probabilità superano i costi di coltivazione, la copertura è redditizia.

Ancora una volta, coltivare le opzioni ha senso soltanto nella visione pragmatica. Nella visione teleologica, il futuro viene trattato come una quantità nota. Di conseguenza, le opzioni non immediatamente sostenibili sul piano economico vengono scartate. Infatti, senza una motivazione a sostegno, la direzione fatica a giustificare spese «non necessarie», soprattutto quelle legate a condizioni fortemente pessimistiche che invaliderebbero la rotta attuale preferita dal gruppo dirigente.

8.5 Decisioni sequenziali

Molte scelte di supply chain sono sequenziali: il ritorno di una mossa compiuta oggi dipende dalle mosse che l’impresa sceglierà domani. Gli impegni presenti cancellano alternative e rimodellano l’insieme delle opzioni del ciclo successivo: un effetto di irreversibilità osservato in «L’asimmetria del tempo» (capitolo Il futuro). L’apparente paradosso — «come posso ottimizzare ora se la decisione di domani non è ancora stata presa?» — è ordinario: acquisti oltremare che devono riempire un container, spedizioni ai negozi che precludono allocazioni successive, lotti di produzione che impegnano capacità fino al prossimo cambio di lavorazione.

In questo capitolo trattiamo tali situazioni non come ottimizzazioni isolate una tantum, ma come regole per agire nel tempo. L’oggetto formale appropriato è una politica di decisione.

Reificare una politica produce due effetti. Primo, rende visibile il quadro decisionale: mosse ammissibili e verifiche di fattibilità; i prezzi monetari — penalità e benefici — che l’impresa è disposta a difendere; e la visione probabilistica dei futuri che informa ogni scelta. Secondo, consente una valutazione a ciclo chiuso attraverso una previsione funzionale: un simulatore che risponde alla domanda «se seguiamo questa politica, quale distribuzione dei risultati dovremmo attenderci?». Questa coppia — politica più previsione funzionale — permette di confrontare insiemi di regole candidati con lo stesso metro usato per le decisioni una tantum: il tasso di rendimento atteso aggiustato per il rischio.

Detto questo, trasformare ogni problema sequenziale in una ricerca di politiche completa raramente giustifica l’opacità e il calcolo che comporta. Lo spazio delle regole possibili è vasto; valutarle soltanto a livello di traiettorie intere oscura le attribuzioni marginali; e un’anticipazione ingenua diventa troppo costosa per le operazioni quotidiane. In pratica manteniamo l’impostazione marginalista — ordinare piccoli impegni verificabili in base alle unità monetarie per unità di tempo — usando pochi strumenti disciplinati che catturano l’accoppiamento sequenziale senza reificare una politica completa.

Un esempio ricorrente chiarisce le idee. Supponiamo che un addetto agli acquisti debba emettere un ordine oltremare conveniente soltanto se arrotondato a un container completo. La composizione può combinare molti SKU, ma ogni unità caricata oggi deve coprire la domanda fino all’arrivo del container successivo dallo stesso fornitore. Eppure, quella data d’arrivo dipende da una decisione che l’impresa non ha ancora preso. Un’ottimizzazione letterale, eseguita una sola volta, non può valutare l’ordine di oggi senza ipotizzare quello di domani. Una politica risolve la dipendenza («ordinare quando il prezzo ombra del prossimo container supera \(S\); allocare le unità per rendimento marginale nel rispetto dei vincoli di peso e volume»), e una previsione funzionale proietta le distribuzioni dei tempi di consegna, della domanda e della capacità delle banchine secondo tale regola.

Il resto di questa sezione mostra come gestire gran parte di questo accoppiamento con mezzi più leggeri: una finestra di responsabilità che delimita l’orizzonte sul quale l’ordine di oggi risponde dei propri effetti (prossima sottosezione); l’economia dell’attesa, che valuta l’opzione di rinviare e fissa un tasso di rendimento soglia per agire; l’invarianza per permutazione, che giustifica l’accumulazione greedy di allocazioni raggruppate in lotti, con le dovute riserve dove l’ordine conta davvero (instradamento dei veicoli, schedulazione job-shop); e il principio del rinvio, che privilegia gli impegni tardivi per tenere aperte le opzioni future. Soltanto quando la latenza o la scala lo richiedono eseguiamo una ricerca di politiche esplicita e parametrizzata.

8.5.1 Finestra di responsabilità

Le decisioni sequenziali creano un problema di attribuzione: la mossa di oggi rimodella le opzioni di domani e quella di domani, a sua volta, riparerà o amplificherà le conseguenze di oggi. Un motore che deve funzionare ogni giorno ha bisogno di una regola che assegni le conseguenze a ciascun impegno senza simulare l’intero futuro. Lo strumento pratico è una finestra di responsabilità: un orizzonte delimitato sul quale la decisione presente risponde dei propri effetti, mentre le decisioni successive ereditano il resto.

La finestra non è un intervallo di pianificazione: è un principio contabile. Risponde a due domande: da quando cominciamo ad attribuire risultati all’impegno di oggi e fino a quando dura questa responsabilità prima di passare alla decisione successiva della stessa classe?

Per un ordine d’acquisto oltremare che deve riempire un container, l’inizio naturale non è il giorno di calendario in cui l’ordine viene inserito, ma quello in cui i beni diventano utilizzabili, dopo produzione e trasporto, perché soltanto allora la decisione può cominciare a guadagnare o perdere unità monetarie. La fine è il primo momento successivo oltre il quale un ordine ulteriore può ragionevolmente assumersi la responsabilità. In pratica, una convenzione robusta consiste nel chiudere la finestra all’arrivo del secondo container successivo dalla stessa origine. Il container immediatamente «successivo» sta ancora in parte correggendo o amplificando la scelta di oggi; dopo il «secondo successivo», la responsabilità si è davvero trasferita. Per il riapprovvigionamento quotidiano dei negozi, invece, la finestra va tipicamente dalla consegna di stanotte a quella di domani notte: è la cadenza stessa a fornire il confine.

All’interno della finestra, la decisione viene valutata in termini monetari coerenti con l’obiettivo dell’impresa. Le vendite, o i consumi, realizzati durante la finestra vengono accreditati; le carenze che vi si verificano vengono addebitate secondo una penalità monetaria esplicita che riflette il margine perduto, la benevolenza e gli eventuali effetti a cascata su articoli vicini. Le scorte rimaste alla fine della finestra non devono essere nascoste sotto il tappeto. Due trattamenti sono pratici e, a seconda dei casi, equivalenti nello spirito. Il primo è una valutazione terminale: trattare le scorte residue come se fossero immediatamente liquidate al loro valore di recupero atteso, al netto dei costi attesi di mantenimento e movimentazione necessari per arrivare alla liquidazione. Il secondo, spesso più semplice e prudente per le code lunghe, consiste nell’addebitare l’intero flusso atteso dei costi futuri di mantenimento e obsolescenza alla decisione che ha creato le scorte. Questo trattamento dell’«irreversibilità» riconosce che le scelte successive non possono annullare un acquisto eccessivo senza pagare ribassi, stoccaggio e svalutazioni; il carico rimane giustamente a chi lo ha originato.

Definire i confini della finestra è un esercizio probabilistico. Di solito bastano due distribuzioni. Primo, una distribuzione dei tempi di consegna assegna massa alle date in cui l’impegno comincia ad avere effetto. Secondo, una distribuzione della prossima occasione di decidere nuovamente segna la data del passaggio di responsabilità. Questa seconda previsione è «impura», nel senso che proietta il nostro stesso comportamento futuro; eppure, alle scale di raggruppamento che contano — partenze dei container, cambi di lavorazione in fabbrica, fasce settimanali di spedizione — la cadenza è governata in gran parte da fattori esterni, come termini ultimi, orari delle navi e MOQ, e risulta abbastanza stabile da poter essere prevista con una precisione utile. Dove i cicli sono rigidi — spedizioni notturne ai negozi, rilasci di produzione a fine turno — è il calendario stesso a fornire la fine.

Troncare l’orizzonte ci obbliga a valutare economicamente ciò che sta oltre. La penalità per le rotture di stock già menzionata ne è un esempio: rappresenta l’erosione degli acquisti ripetuti e le dinamiche di sostituzione che scegliamo di non simulare lungo più stagioni. Talvolta servono analoghe valutazioni ombra altrove. Un marchio di moda che sconta aggressivamente a fine stagione può scoprire che i forti ribassi insegnano ai clienti ad aspettare; il danno di lungo periodo alla domanda è reale, ma difficile da modellare attraverso collezioni future non ancora progettate. Un piccolo malus per unità scontata, espresso in unità monetarie e applicato dentro la finestra, mantiene onesto il motore senza trasformare il simulatore in una saga pluriennale. Come sempre, i prezzi devono essere espliciti, affidati a responsabili, versionati e visibili; le penalità nascoste non diventano neutrali: diventano capricciose.

Un breve esempio chiarisce le idee. Supponiamo che un importatore ordini oggi un container completo. La finestra di valutazione comincia quando il container viene sdoganato e i beni sono disponibili; termina all’arrivo del secondo container successivo sulla stessa tratta. Tutte le vendite realizzate nel frattempo vengono accreditate all’ordine di oggi; tutte le rotture di stock nello stesso periodo vengono addebitate secondo la penalità per le carenze. Le unità residue alla fine della finestra ricevono una valutazione terminale oppure, nell’approccio basato sull’irreversibilità, i costi futuri attesi di mantenimento e ribasso vengono interamente addebitati all’ordine di oggi. Il container successivo viene valutato entro la propria finestra, con le stesse regole: la responsabilità non viene conteggiata due volte. Questa convenzione rende il motore quotidiano trattabile e verificabile, preservando il realismo economico dove conta: nelle code e nei costi irreversibili che le scelte successive non possono cancellare.

La finestra di responsabilità è coerente con l’impostazione marginalista sviluppata in precedenza. Consente al solutore di ragionare un passo avanti con dati probabilistici, attribuire chiaramente le conseguenze e proseguire. La sua validità è empirica, non teorica: scegliere i confini, eseguire in parallelo rispetto al sistema in uso, misurare le differenze in unità monetarie e correggere. In pratica, questo strumento funziona in un’ampia gamma di situazioni sequenziali — acquisti oltremare, livellamento degli arrivi in magazzino, spedizioni ai negozi — perché mantiene l’attenzione dove vive l’economia: sulle opzioni valutate e sui futuri a code pesanti, non su narrazioni speculative pluriennali.

8.5.1.1 L’economia dell’attesa

Ogni problema sequenziale contiene un’opzione silenziosa: non fare ancora nulla. Attendere preserva le opzioni e lascia accumulare informazioni; agire ora fissa un tasso di rendimento e cancella alternative. Il motore dovrebbe valutare esplicitamente il ritardo e adottare una regola di soglia. Agire soltanto quando il tasso di rendimento aperiodico atteso, aggiustato per il rischio, della migliore mossa ammissibile supera il costo ombra del capitale più il valore dell’opzione di attendere. Sotto quella soglia, rinviare.

Operativamente, questo diventa una disciplina semplice e ripetibile. Ricalcolare ogni giorno, o alla cadenza dettata dalla realtà, la migliore mossa successiva entro la finestra di responsabilità corrente; se il suo tasso di rendimento supera la soglia, eseguirla e registrare l’impegno; altrimenti, aspettare. Subito dopo aver ordinato un container, quello del giorno immediatamente successivo di solito non è redditizio: la domanda non si è ancora accumulata, le opportunità di consolidamento sono scarse e incombono penalità di congestione in entrata. Con il passare dei giorni, i volumi si aggregano, i carichi condivisi migliorano e il rendimento atteso sale; quando supera la soglia, viene emesso l’ordine. La politica non è «cicli settimanali per tradizione», ma «ogni volta che l’economia lo giustifica».

La stessa logica governa le spedizioni a valle. Consideriamo un DC della moda che detiene poche unità di un articolo dal successo travolgente. Allocare oggi un’unità a un negozio debole può sembrare innocuo secondo una previsione puntuale; domani diventa un costoso impegno irreversibile quando un negozio forte la richiede e non ne rimane nessuna. Anziché cercare di sceneggiare l’intera stagione, attribuire un prezzo ombra alle scorte sotto pressione del DC: un costo opportunità in unità monetarie per unità al giorno che rappresenta l’opzione di servire una richiesta migliore in seguito. Rilasciare l’unità a un negozio soltanto quando il suo rendimento marginale, calcolato sulla base della visione probabilistica corrente delle vendite e della penalità per le carenze, supera il prezzo ombra del DC. Lungi dal danneggiare il volume di flusso realizzato, questa pazienza tende ad aumentarlo dove rende di più; l’allocazione prematura spesso lo riduce congelando le scorte dove ruoteranno lentamente.

Attendere non è tentennare: è una decisione valutata economicamente come qualsiasi altra. La soglia incorpora sia il costo del capitale dell’impresa sia la sua tolleranza al rischio di coda. Comprende anche le euristiche di arresto discusse in precedenza: quando la fiducia del motore cala — code mal calibrate, vincoli che diventano attivi in modo insolito — le emissioni si interrompono finché il quadro decisionale, i prezzi o la semantica non vengono corretti. In questo modo, la finestra di responsabilità e l’economia dell’attesa si combinano per trasformare molti problemi sequenziali in un’accumulazione greedy a un passo che rimane allineata al profitto. La prossima sottosezione, sull’invarianza per permutazione, mostra perché questa accumulazione greedy spesso funziona e dove l’ordine conta davvero.

8.5.2 Invarianza per permutazione

Molte allocazioni della supply chain vengono attuate in lotti: un container viene riempito con una combinazione di SKU; una linea produce una serie di unità; un camion lascia il DC carico per diversi negozi. In queste situazioni, ciò che conta economicamente è il multiinsieme finale degli impegni marginali nel lotto e i vincoli che soddisfa — peso, volume, fasce orarie, termini ultimi — non l’ordine teorico in cui sono stati scelti gli impegni atomici. Quando le verifiche di fattibilità dipendono soltanto dai totali e penalità e benefici vengono valutati simmetricamente per gli articoli del lotto, la funzione obiettivo è, a meno di effetti trascurabili di registrazione, invariante rispetto a qualsiasi permutazione delle micro-allocazioni che compongono il lotto.

Questa osservazione è potente se combinata con gli strumenti introdotti in precedenza. La finestra di responsabilità delimita l’orizzonte sul quale un lotto risponde dei propri effetti; l’economia dell’attesa fornisce una soglia: agire soltanto quando la migliore mossa ammissibile supera il costo ombra del capitale più il valore dell’opzione di rinviare. Date entrambe, il lotto può essere assemblato in modo greedy: a ogni passo, ricalcolare i prezzi ombra delle risorse scarse e scegliere la prossima unità ammissibile con il tasso di rendimento aperiodico atteso, aggiustato per il rischio, più elevato; fermarsi quando il vincolo di capacità diventa attivo o quando la soglia non viene superata. Poiché la valutazione del lotto è insensibile alla permutazione dei suoi elementi, questa costruzione passo dopo passo mira all’insieme che conta — il contenuto del lotto — non a una sequenza cerimoniale priva di rilevanza economica.

Due precisazioni chiariscono che cosa si afferma e che cosa no. Primo, mentre il valore finale di un lotto è insensibile all’ordine, il valore marginale di una determinata unità dipende dal percorso: le prime scelte affrontano vincoli meno stretti delle ultime. È proprio per questo che l’accumulazione greedy deve ricalcolare i prezzi ombra dopo ogni aggiunta; la dipendenza dal percorso viene gestita attraverso la rivalutazione dei prezzi, mentre l’insieme risultante rimane l’obiettivo. Secondo, l’invarianza per permutazione non è una prova di ottimalità globale: è la giustificazione ingegneristica di una ricerca che sale rapidamente verso posizioni elevate in problemi dominati da rendimenti decrescenti e penalità monetarie, esattamente la geometria discussa in precedenza in Sull’ottimalità. Il motore si ripete alla cadenza operativa; l’esecuzione di domani parte da un’inizializzazione più favorevole e da uno spazio più ristretto, mentre il meccanismo della finestra attribuisce le conseguenze senza simulare l’intero futuro.

I casi concreti chiariscono il punto. Nel riempire un container oltremare, la fattibilità riguarda totali — peso e volume — e termini ultimi, mentre il valore deriva dalla combinazione che verrà venduta entro la finestra di valutazione. È sensato aggiungere unità, eventualmente di molti SKU, in ordine decrescente di rendimento marginale, fermandosi ogni volta che l’economia dell’attesa dice «non ancora» e riprendendo man mano che si accumulano domanda e opportunità di carico condiviso. Nelle spedizioni dal DC ai negozi, le scorte del DC hanno un prezzo ombra che riflette l’opzione di servire una richiesta migliore domani (cfr. L’economia dell’attesa). Un negozio riceve un’unità soltanto quando il proprio rendimento marginale supera quel prezzo ombra; all’interno di un’ondata di partenze, le unità vengono poi aggiunte in modo greedy finché penalità monetarie e capacità del camion consigliano di fermarsi. Il risultato è spesso un volume di flusso effettivo maggiore dove conta di più. Le allocazioni premature congelano le scorte in luoghi a basso rendimento: un’agitazione che deprime il flusso quando la stagione rivela i veri vincitori.

L’invarianza per permutazione aiuta anche a mantenere i modelli piccoli e verificabili. I vincoli di lotto — MOQ, incentivi ai camion completi, congestione delle banchine — si esprimono meglio come verifiche di fattibilità e penalità monetarie sull’insieme che viene spedito che come regole procedurali che prescrivono un ordine di scelta. Le prime producono prezzi chiari e arresti netti; le seconde generano artefatti e gestione delle eccezioni. Poiché il valore del lotto non dipende da una sequenza cerimoniale, il solutore è libero di proporre il migliore impegno marginale successivo, registrarne il dossier e ripetere finché la soglia non impone di fermarsi.

8.5.2.1 Allocazioni sensibili all’ordine

Non tutti i problemi sequenziali ammettono l’invarianza per permutazione. Alcune classi sono intrinsecamente sensibili all’ordine: il percorso di un veicolo, la sequenza delle lavorazioni in un’officina con tempi di cambio e competenze scarse, il percorso di un dispositivo di prelievo in un magazzino automatico. In questi casi, la distanza percorsa, le code e i blocchi oppure le perdite dovute ai cambi di lavorazione dipendono direttamente dall’ordinamento dei compiti. Scambiare due fermate in un giro di raccolta può aggiungere un’ora di guida; permutare due fasi di un programma di interventi MRO può allungare di un giorno il tempo di completamento. In questi casi la sequenza è economicamente reale e il modello deve dichiararlo.

La metodologia, tuttavia, rimane coerente con questo capitolo. Manteniamo esplicito il quadro decisionale — mosse ammissibili e verifiche di fattibilità —, visibile l’economia — penalità monetarie per ritardi, straordinari, finestre mancate e invecchiamento — e incorporiamo visioni probabilistiche di domanda, tempi di percorrenza, durate delle riparazioni e affidabilità. Il compito del solutore diventa allora proporre una sequenza, non soltanto un insieme. Le finestre di responsabilità continuano a delimitare l’attribuzione — fine turno, fine giornata, ritorno al deposito — e le penalità monetarie portano i limiti non garantibili nell’obiettivo. Il principio rimane: rendere esplicito l’ordine soltanto dove cambia il risultato monetario; altrove, trattarlo come un artefatto e lasciare che l’invarianza per permutazione giustifichi l’accumulazione greedy.

Considerate insieme, l’invarianza per permutazione e l’economia dell’attesa incoraggiano l’assunzione tardiva degli impegni. Quando la valutazione di un lotto dipende dal suo contenuto ma non dal cerimoniale con cui viene scelto, è prudente rinviare gli impegni finché i rendimenti marginali superano la soglia, per poi assemblare rapidamente il lotto tramite accumulazione greedy. La prossima sezione, il principio del rinvio, formalizza questa impostazione e mostra come progettare i flussi affinché le scelte vincolanti siano prese il più tardi possibile in pratica, preservando le opzioni e migliorando i rendimenti in condizioni di incertezza.

8.5.3 Principio del rinvio

L’invarianza per permutazione e l’economia dell’attesa indicano una regola generale per il lavoro sequenziale: impegnarsi tardi. L’impresa conquista il proprio vantaggio rinviando le scelte irreversibili finché arrivano informazioni che modificano sostanzialmente l’ordinamento delle opzioni, attribuendo al contempo un prezzo adeguato al ritardo. Nella visione teleologica (capitolo Il futuro), il rinvio è un fastidio che complica il rispetto del piano. Nella visione pragmatica, è un’opzione valutata economicamente: preserva alternative e viene esercitata soltanto quando il suo rendimento atteso, aggiustato per il rischio, supera la soglia pertinente.

Il rinvio, detto anche assunzione tardiva degli impegni, consiste nell’organizzare il flusso affinché le scelte vincolanti non siano prese prima di quanto l’economia giustifichi. Mantenere beni, capacità e impegni in stati generici e riassegnabili finché il tasso di rendimento aperiodico atteso, aggiustato per il rischio, dell’impegno supera (i) il costo ombra del capitale, (ii) il valore dell’opzione di attendere e (iii) il premio del rinvio, ossia i costi incrementali pagati per tenere aperte le opzioni.

Il premio è tangibile: mantenere scorte di semilavorati che possono essere specializzati in seguito; corrispondere compensi di disponibilità a fornitori alternativi; riservare capacità di tintoria o di preparazione dei kit; pagare movimentazioni aggiuntive per mantenere le scorte condivise nel centro di distribuzione; e investire in un’orchestrazione più sofisticata. Il rinvio non è «flessibilità gratuita»: è una scommessa sul fatto che il valore dell’informazione e dell’opzionalità ripagherà ampiamente il premio e l’eventuale rischio di invecchiamento entro la finestra di responsabilità. Applicato correttamente, il rinvio tende ad accorciare il tempo di dimezzamento delle decisioni (si veda Cambiare rotta più avanti), avvicinando gli impegni al momento in cui cominciano a ripagarsi e riducendo costose allocazioni errate che altrimenti persisterebbero.

L’assunzione tardiva degli impegni assume diverse forme ricorrenti, tutte governate dallo stesso criterio economico.

Rinvio della forma. Un importatore di moda può impegnarsi presto su tessuto greggio e accessori — input economici e generici — e rinviare le specializzazioni costose — tintura, lavaggio, etichettatura, composizione delle taglie, ripartizione geografica — finché le prime vendite rivelano quali articoli e colori presentano code pesanti. Le opzioni ammissibili diventano esplicite: completare ora e distribuire ampiamente, oppure attendere qualche settimana e completare ciò che i prodotti vincenti assorbiranno davvero. Il motore decisionale valuta il valore di recupero dei prodotti più deboli, la penalità per le carenze di quelli vincenti, i costi di specializzazione e il premio pagato per mantenere disponibile la tintoria; assume poi l’impegno soltanto quando il tasso di rendimento aperiodico atteso supera la soglia.

Rinvio dell’allocazione. Spedire troppo presto unità scarse ai negozi le congela dove ruotano lentamente. Trattenerle al DC con un prezzo ombra visibile — unità monetarie per unità al giorno — preserva l’opzione di servire una richiesta migliore domani. Un negozio riceve un’unità soltanto quando il suo rendimento marginale, calcolato sulla base della visione probabilistica corrente delle vendite e della penalità per le carenze, supera il prezzo di trattenimento del DC (si veda L’economia dell’attesa). Il volume di flusso tipicamente aumenta dove conta di più, perché i vincitori vengono riforniti per primi e quelli più deboli non accumulano scorte.

Rinvio della finitura e della preparazione dei kit. Colorare, comporre kit, confezionare o adattare anticipatamente le varianti alle regioni impegna l’impresa su una ripartizione della domanda non ancora nota. Mantenere le scorte in lavorazione in una forma generica e completarle tardi lascia che siano gli ordini a rivelare la composizione. Il premio consiste nella movimentazione aggiuntiva e nel compenso per riservare capacità alla fase di finitura; il beneficio consiste in meno svalutazioni delle varianti sbagliate e in un tempo di dimezzamento delle decisioni più breve, perché le scorte vengono specializzate soltanto quando esiste un acquirente.

Rinvio temporale. Sulle tratte in entrata, un container ordinato «perché è martedì» fallisce il criterio economico più spesso di quanto lo soddisfi. Con il passare dei giorni, i volumi si accumulano, i carichi condivisi migliorano e le penalità di congestione in entrata evolvono. Ricalcolare ogni giorno; emettere l’ordine nel giorno in cui il migliore lotto ammissibile supera la soglia definita dal costo ombra del capitale, dal valore dell’opzione di attendere e dal premio del rinvio. La cadenza diventa un risultato dell’economia, non del calendario.

Rinvio del prezzo. I prezzi plasmano la domanda; rinviare ribassi o promozioni finché l’incertezza si è ridotta può essere superiore a una traiettoria dei prezzi prestabilita. Le previsioni funzionali (capitolo Il futuro) esplicitano la politica di prezzo e consentono al motore di confrontare «ribassare ora» con «aspettare un’altra settimana» nello stesso libro mastro monetario. Qui il premio è il rischio di ritrovarsi con scorte invecchiate se la finestra si chiude; il beneficio è ricavare di più dai prodotti vincenti senza insegnare ai clienti ad aspettare.

Operativamente, il rinvio è l’arte di scomporre gli impegni in decisioni che possono essere rese vincolanti tardi. Spezzare il monolite — «tutti gli articoli, le quantità, le destinazioni e le date decisi nove mesi prima» — in micro-decisioni per fasi che corrispondano alla fisica del flusso. Impegnarsi presto sugli input che richiedono poche informazioni e lunghi tempi di approvvigionamento; rinviare le specializzazioni che richiedono molte informazioni e tempi brevi; mantenere condivise le scorte finché assegnarle conviene; e negoziare volumi flessibili e specifiche tardive dove il premio è tollerabile. I manager spesso «semplificano» i problemi sequenziali irrigidendoli — congelando assortimenti, vietando riallocazioni a metà stagione, bloccando le traiettorie dei prezzi — non perché lo richieda la fisica, ma perché i processi presidiati da persone non riescono a gestirli. Con sistemi di intelligenza senza intervento umano, il collo di bottiglia dovrebbe trovarsi negli atomi e nelle ore, non nell’apparato decisionale; assumere gli impegni tardi diventa allora non soltanto fattibile, ma ordinario.

Come qualsiasi euristica, il rinvio ha limiti di competenza. Dove l’ordine ha conseguenze intrinseche — instradamento dei veicoli, sequenziamento job-shop, percorso di prelievo — impegnarsi presto è il problema e la sequenza deve essere ottimizzata anziché rinviata. Autorizzazioni normative preventive, competenze scarse per i cambi di lavorazione o beni deperibili possono anch’essi stabilire frontiere rigide oltre le quali aspettare non conviene più. Il rimedio non è abbandonare il rinvio, ma spingere a monte la frontiera degli impegni tardivi fin dove economia e fattibilità lo consentono, e valutare esplicitamente il resto nell’obiettivo: penalità per ritardi, invecchiamento, straordinari o finestre mancate.

In pratica, la regola è semplice e ripetibile. Alla cadenza dettata dalla realtà, ricalcolare la migliore mossa vincolante ammissibile entro la finestra di responsabilità corrente. Assumere l’impegno soltanto quando il suo tasso di rendimento aperiodico atteso, aggiustato per il rischio, supera la somma del costo ombra del capitale, del valore dell’opzione di attendere e del premio del rinvio. Altrimenti, aspettare. Dove l’assunzione tardiva degli impegni non può essere progettata o dove la latenza deve restare nell’ordine delle decine di millisecondi, sono giustificate regole precalcolate e parametrizzate: il tema della prossima sottosezione, la ricerca di politiche.

8.5.4 Ricerca di politiche

Le pagine precedenti hanno affrontato le decisioni sequenziali senza reificare una «politica». Una finestra di responsabilità delimitava l’attribuzione; l’economia dell’attesa valutava l’inazione; l’invarianza per permutazione giustificava l’accumulazione greedy; l’assunzione tardiva degli impegni preservava le opzioni. In molti flussi questo è sufficiente e superiore: mantiene marginale la granularità, espliciti i prezzi e leggibile il ragionamento. Ci sono però casi in cui dobbiamo comprimere il calcolo in una regola applicabile alla cadenza dei millisecondi, oppure in cui la fisica del problema rende l’ordine intrinseco anziché cerimoniale. In questi casi non abbandoniamo l’impostazione economica: la codifichiamo in una politica e ne esploriamo lo spazio.

Una politica, come definita in precedenza, è un algoritmo che associa stati ad azioni ammissibili sulla base di prezzi dichiarati e previsioni probabilistiche. Tradurre questa definizione in pratica serve a un solo scopo: spostare il calcolo pesante a monte, in una ricerca stocastica offline, affinché l’inferenza al momento della decisione sia rapida e affidabile. Dove la latenza concessa è ampia, da minuti a ore, ricalcolare il migliore impegno marginale con previsioni fresche è di solito preferibile a mantenere una politica. Dove la latenza è stretta, nell’ordine delle decine di millisecondi, oppure dove migliaia di agenti indipendenti devono agire contemporaneamente con informazioni locali — flotte di robot di prelievo in un magazzino automatizzato, allocazione dinamica delle ubicazioni in un magazzino a navette, sequenze di lavorazioni sensibili all’ordine con competenze scarse per i cambi — una politica ben progettata diventa il veicolo adatto all’economia già sviluppata in questo capitolo.

Attenzione al richiamo delle «dimostrazioni stazionarie». La letteratura abbonda di politiche analitiche «ottimali» soltanto in mondi giocattolo: domanda stazionaria, code leggere, costi additivi, nessun effetto di irreversibilità. Il nostro mondo è accidentato: le distribuzioni cambiano, le code dominano e gli impegni cancellano opzioni. L’ottimalità nei simboli non dovrebbe mai prevalere sul miglioramento misurato con un simulatore fedele e, in seguito, in produzione con esecuzione parallela.

Quando, allora, è giustificata la ricerca di politiche? Ogni volta che l’ordine modifica davvero il risultato monetario e non può essere ricalcolato abbastanza in fretta; ogni volta che il calcolo deve essere spostato fuori dal percorso critico senza sacrificare l’economia; ogni volta che migliaia di piccoli agenti devono agire coerentemente a partire da visioni locali; e ogni volta che una regola semplice e parametrizzata può incarnare lo spirito del rinvio, della valutazione marginale e dei vincoli monetizzati con una latenza inferiore di ordini di grandezza. Quando queste condizioni non valgono, gli strumenti più leggeri già introdotti — attribuzione entro finestre, economia dell’attesa, invarianza per permutazione e assunzione tardiva degli impegni — restano preferibili: riportano il collo di bottiglia agli atomi, tengono aperte le opzioni finché impegnarsi conviene ed evitano di racchiudere le convinzioni di ieri in regole destinate a invecchiare.

Collocata correttamente, la ricerca di politiche completa il quadro anziché sostituirlo interamente. È il modo in cui un’impresa converte un calcolo approfondito e lento in azioni rapide e ripetute, preservando la stessa base economica: le decisioni restano scommesse marginali, valutate in unità monetarie, giustificate da futuri probabilistici e riviste man mano che la realtà si manifesta. La prossima sezione passa dalle regole all’inerzia e quantifica quanto un impegno sia davvero oneroso — il suo carico e il suo tempo di dimezzamento — affinché, tra due mosse ugualmente redditizie, l’impresa preferisca quella che le consente di cambiare rotta prima.

8.6 Cambiare rotta

In un mercato libero, l’unica costante è il cambiamento. Saper cambiare rotta è una questione di sopravvivenza per qualsiasi azienda. Eppure, ogni decisione di supply chain comporta un effetto di irreversibilità: una volta allocate, le risorse non sono più immediatamente disponibili per altri usi. Alcune decisioni sembrano definitive, come un processo produttivo che consuma materie prime; altre sembrano reversibili, come lo spostamento di scorte tra magazzini. In ogni caso, da un punto di vista economico, tali decisioni possono essere annullate, anche se il tempo e il denaro necessari variano.

Nel considerare decisioni con tassi di rendimento previsti uguali, un’azienda dovrebbe privilegiare quelle con impegni sottostanti minori, in tempo o in denaro. Evitare impegni inutilmente grandi è essenziale per mantenere agile l’azienda e, attraverso l’agilità, resistere agli shock di mercato che inevitabilmente arriveranno.

Nella visione teleologica — prevedere, pianificare, conformarsi — non esiste alcuna nozione operativa di agilità. Il futuro viene trattato come un programma da far rispettare e gli strumenti gravitano verso indicatori che sorvegliano il piano: precisione delle previsioni, percentuali di livello di servizio, utilizzo, rotazione delle scorte. Queste misure dicono poco sulla capacità dell’impresa di cambiare rotta; premiano l’aderenza a una traiettoria ipotizzata e restano cieche al tempo necessario per sciogliere gli impegni. L’agilità, invece, è la capacità di liberarsi rapidamente degli impegni o di riassegnarli quando arrivano nuove informazioni, a un costo tollerabile.

Per discutere l’agilità in termini economici, dobbiamo sostituire gli indicatori indiretti di conformità al piano con misure che valutino gli impegni nel tempo. La triade classica — tempo di consegna, capitale circolante e rotazione delle scorte — resta presente, ma la riformuliamo attraverso due grandezze operative che rendono esplicita la durata: il carico imposto da una decisione (denaro \(\times\) tempo) e il tempo di dimezzamento di quel carico, ossia il tempo necessario a liberare metà delle risorse impegnate dalla decisione.

Il lead time, in senso ampio, è l’intervallo tra una decisione e la rinnovata disponibilità di una risorsa. Il capitale circolante è la differenza tra attività correnti e passività correnti¹⁴³. La rotazione delle scorte misura quante volte le scorte vengono vendute o utilizzate durante un anno. Presi insieme, questi indicatori ci dicono quanto capitale è immobilizzato, ma ignorano in larga misura per quanto tempo; le nozioni di carico e tempo di dimezzamento che seguono affrontano questo punto cieco.

A parità di altre condizioni, tempi più brevi, un capitale circolante inferiore e una rotazione delle scorte maggiore aumentano la capacità di cambiare rotta. Questi concetti caratterizzano infatti l’inerzia generale dell’azienda: la sua incapacità di cambiare rotta immediatamente, dovendo prima liquidare la massa di beni attualmente nel flusso preservandone il valore.

Questi concetti, tuttavia, sono di utilità limitata per comprendere l’inerzia dell’azienda. Non significa che siano sbagliati, o anche solo mal concepiti; piuttosto, la questione — caratterizzare l’inerzia dell’azienda — ammette concetti alternativi operativamente superiori.

8.6.1 Il carico di una decisione

Il carico finanziario di una decisione relativa al flusso quantifica l’impegno di risorse sottostante come prodotto del valore di una risorsa per la durata di vita dei beni che crea, con unità di denaro \(\times\) tempo.

Consideriamo un esempio semplice. Se l’azienda acquista un lotto del valore di 10 unità monetarie e lo rivende 5 giorni dopo, il carico è \(L = 10 \times 5 = 50\). In alternativa, se vendesse metà del lotto 5 giorni dopo e l’altra metà 20 giorni dopo, il carico sarebbe \(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\).

La seconda situazione produce un carico più che doppio rispetto alla prima, perché l’azienda mantiene le scorte per un tempo più che doppio.

Supponiamo ora che il pagamento del lotto sia differito di 12 giorni. Il carico della prima situazione è di fatto nullo, poiché non è richiesto alcun finanziamento: il fornitore viene pagato dopo la vendita dei beni. Il carico della seconda situazione è \(L = \frac{10}{2} \times (20 - 12) = 40\).

Il pagamento differito può ridurre sostanzialmente la pressione finanziaria necessaria a sostenere il flusso.

Il carico misura il capitale circolante immobilizzato lungo l’intera vita di una decisione, non soltanto a una data di rendicontazione. Mentre i consueti dati sul capitale circolante forniscono un’istantanea, il carico associa una durata a ogni unità monetaria impegnata. Per un’impresa sotto pressione finanziaria, questa metrica ponderata per il tempo, letta insieme al rendimento atteso, è la guida più precisa per ordinare le opzioni e indirizzare il capitale scarso ai suoi impieghi migliori.

Molte imprese richiedono l’approvazione di un manager quando un ordine d’acquisto supera una soglia. La regola controlla la dimensione e il potenziale impatto sulla liquidità, ma trascura il ciclo di vita dei beni. Un piccolo ordine può immobilizzare capitale per mesi, mentre un grande ordine arretrato può esaurirsi da un giorno all’altro. Il carico cattura direttamente questo onere nascosto legato al tempo.

Le imprese spesso rappresentano graficamente il valore delle scorte rispetto alla rotazione per individuare trappole di capitale, ma il carico fonde già entrambi in un’unica metrica.

8.6.2 Il tempo di dimezzamento di una decisione

Il tempo di dimezzamento di una decisione è il tempo trascorso, tipicamente misurato in giorni, fino a quando il suo carico si dimezza attraverso vendite, consumo o servizio.

Consideriamo un ordine oltremare per il quale la consegna richiede 10 settimane e un container completo dura 20 settimane prima che metà delle scorte sia venduta. Il tempo di dimezzamento è quindi \(7\,(10+20)=210\,\text{giorni}\).

Preso in prestito dalla fisica, il tempo di dimezzamento misura il tempo necessario perché il carico di una decisione si dimezzi; fornisce una dimensione temporale che il solo tempo di consegna oscura. Infatti, il tempo di consegna sottostima la durata delle conseguenze di una decisione ogni volta che interviene il raggruppamento in lotti. Una critica analoga vale per il tempo di ciclo e la rotazione delle scorte. Naturalmente, la soglia della «metà» è arbitraria: si potrebbe usare qualsiasi quantile. Riprendendo l’esempio, il tempo di riduzione del 75% del carico dell’acquisto sarebbe di \(280\) giorni, assumendo una domanda costante.

Il tempo di dimezzamento misura quanto rapidamente una decisione possa essere sciolta; tempi lunghi intrappolano l’azienda sulla rotta attuale e ne erodono l’agilità.

Inoltre, il tempo di dimezzamento resiste alle manipolazioni meglio del tempo di consegna: manipolare un indicatore, facendo apparire buono il numero senza migliorare la realtà, diventa più facile quando la metrica ignora per quanto tempo il capitale rimane bloccato. Questo deriva spesso da incentivi disallineati che premiano l’indicatore stesso anziché i risultati che dovrebbe rappresentare. Le aziende in cerca di agilità affrontano infatti spesso il problema comprimendo i tempi di consegna. Una trappola frequente, tuttavia, è ridurli a scapito dei tempi di dimezzamento.

9 Ingegneria

La pratica moderna della supply chain opera con almeno un livello di indirezione: le persone progettano i processi decisionali, e questi processi emettono una miriade di decisioni ordinarie che guidano il flusso. Gli artefatti che le emettono sono ricette numeriche: programmi che acquisiscono registrazioni autorevoli, incorporano una logica economica esplicita ed emettono impegni che possono essere attuati e sottoposti ad audit¹⁴⁴. Nei capitoli precedenti — Informazione, Intelligenza e Decisioni — abbiamo sostenuto che questi motori devono funzionare senza intervento umano se l’impresa vuole trasformare il giudizio in un bene produttivo anziché in un interminabile onere amministrativo. Questo capitolo affronta i principi ingegneristici che permettono a tali motori di esistere e di accumulare miglioramenti.

L’ambito è deliberatamente circoscritto. Non ripercorreremo argomenti generici di sviluppo software: framework per le UI¹⁴⁵, autenticazione, infrastruttura di CI/CD¹⁴⁶, piani di controllo, bus di messaggi o collegamenti da e verso i sistemi di registrazione. Su queste scienze ausiliarie esiste un’ampia letteratura. Ci interessa il punto d’incontro tra ragionamento economico e codice: come si definisce il quadro delle opzioni ammissibili, si mantiene l’incertezza senza appiattirla, si valorizzano i compromessi in denaro e si preserva la verificabilità, affinché l’origine di una decisione rimanga leggibile mesi dopo. Il tono resta volutamente non tecnico — niente algebra, niente listati di codice — per poter chiarire le scelte fondamentali che consentono a un sistema di intelligenza di emettere decisioni senza intervento umano in modo sicuro, ripetuto e redditizio.

Due precisazioni fanno da fondamento a quanto segue. Primo, «ricetta numerica» indica l’intero apparato che conta nella pratica: non soltanto predittori e ottimizzatori, ma anche la strumentazione che rivela perché una raccomandazione è sensata, le condizioni di arresto che interrompono le emissioni quando la fiducia cala e i dossier che consentono ai professionisti di capire, in termini monetari, ciò che il motore riteneva vero in quel momento. Secondo, sebbene il panorama applicativo di ogni impresa abbia le proprie peculiarità, l’impostazione ingegneristica qui proposta è generale: preferire quadri espliciti a convenzioni tacite, visioni probabilistiche a surrogati puntuali, penalità valorizzate a decreti rigidi che non possono essere fatti rispettare e riproducibilità a imprese eroiche.

Gli LLM meritano un breve commento. Il loro ruolo sta crescendo e diventerà cruciale man mano che ridurranno il costo di scrivere, ristrutturare, testare e documentare le ricette numeriche. Non sostituiscono però la competenza tecnica. Gli LLM non forniscono l’inquadramento economico, non risolvono la semantica dei dati né impongono determinismo e verificabilità; accelerano soltanto le mani che svolgono il lavoro. Trattati come abili scribi — dotati di strumentazione, sottoposti a revisione e vincolati — accorciano il ciclo di iterazione richiesto dal lavoro sperimentale. Trattati come oracoli, aprono la porta a errori sottili e costosi.

Infine, un invito ad agire: il vantaggio competitivo non poggia più su una pila più alta di dashboard — ammesso che sia mai stato così — ma sul possesso di una piccola capacità operativa di stampo ingegneristico che traduca in software la logica economica dell’impresa e lo lasci funzionare senza intervento umano. La prossima sezione spiega perché questa capacità non possa essere acquistata come uno strato preconfezionato di «pianificazione» e perché, per i sistemi di intelligenza, la programmabilità non sia una questione di gusto, ma una necessità per la sicurezza e il profitto.

9.1 Perché programmare

Prima di procedere, una precisazione sull’ambito. Nel capitolo Informazione abbiamo distinto sistemi di registrazione, sistemi di reporting e sistemi di intelligenza. Quanto segue riguarda l’ultima categoria. Registri e motori di workflow — ERP, WMS, CRM — vengono confezionati con successo in prodotti pronti all’uso perché registrano eventi discreti e impongono percorsi basati su regole; le entità sono in larga misura disaccoppiate per costruzione. La configurazione può esprimere le modeste interdipendenze introdotte dai workflow, e il software commerciale pronto all’uso, COTS (Commercial off-the-shelf), è sufficiente. Ciò che resiste al confezionamento è il motore che combina quelle registrazioni in decisioni valorizzate economicamente ed emesse senza intervento umano.

L’emergere del software aziendale alla fine degli anni 1970 prolungò la speranza del dopoguerra, alimentata dalla ricerca operativa, che i problemi quantitativi della supply chain ammettessero una formulazione chiusa e permanente. Fornitori e accademici miravano a cristallizzare quelle soluzioni in framework riutilizzabili, affinché utenti non tecnici potessero «configurare» il processo decisionale una volta per tutte. Questa ambizione, sensata per i registri, fu trapiantata integralmente nei sistemi di intelligenza.

Mezzo secolo dopo, per i sistemi di intelligenza questa promessa non si è concretizzata. Gli stack COTS di «pianificazione» richiedono mesi o anni per essere installati, mobilitano eserciti di specialisti e finiscono comunque per degenerare in espedienti su fogli di calcolo quando incontrano le particolarità di un flusso vivo. Il fallimento è strutturale: un’incompatibilità tra modelli generici e interdipendenze specifiche dell’impresa.

Le soluzioni analitiche chiuse sono fragili perché presuppongono che ciò che deve essere deciso possa essere enumerato interamente in anticipo. La realtà si rifiuta di adeguarsi. L’unico vantaggio durevole dei fogli di calcolo, nonostante i loro numerosi difetti, è proprio la programmabilità. Consentono ai professionisti di codificare le peculiarità non appena queste assumono rilevanza economica. La programmabilità non è una comodità; è la proprietà essenziale di un sistema di intelligenza.

Quantità dall’apparenza innocua mettono a nudo questa fragilità. Consideriamo il cavo venduto a metraggio. Un registro che riporta «10.000 metri di giacenze fisiche» nasconde ciò che determina davvero fattibilità e valore: composizione e taglio. Dieci bobine da un chilometro e mille bobine da dieci metri danno in entrambi i casi un totale di 10.000, ma sono beni economici opposti una volta valorizzati i profili di lunghezza richiesti dai clienti, gli sfridi di taglio e i residui. L’unità di misura — il metro — nasconde lo stato sul quale le decisioni devono ragionare.

Il cavo non ha nulla di esotico. Peculiarità analoghe e del tutto ordinarie pervadono ogni settore. Nell’aviazione, i rotabili e i componenti riparabili presentano compatibilità asimmetriche: una volta considerate le revisioni associate ai numeri di serie e i componenti a vita limitata, la sostituzione è possibile in un senso ma non nell’altro. Nella moda, le sostituzioni esplicite e implicite cambiano con il calendario del merchandising e le gamme di taglie e colori. Nel fai da te, gli articoli sono legati da dipendenze a livello di progetto: un rubinetto senza il kit sifone o i raccordi compatibili è una scorta invendibile. Nel commercio alimentare, le brevi durate di conservazione si combinano con politiche aggressive di ribasso, canali secondari e sconti dei fornitori che rivalutano le scorte nel giro di giorni. L’ecommerce collega gli SKU al momento della spedizione attraverso gli imballaggi, le regole dei trasportatori e gli orari limite di consegna. I «cavi» di ogni settore sono ordinari per chi vi lavora e fatali per i modelli generici.

Poiché le supply chain sono sistemi, queste peculiarità non restano ai margini. Si collegano al resto del flusso attraverso capacità condivise, panieri d’acquisto e aspettative dei clienti. Isolarle per gestirle manualmente si limita a spostare costi e rischi. Se potessero essere messe in quarantena, basterebbe un piccolo processo semiautonomo; ma non possono esserlo. Un vincolo scoperto in un angolo — lunghezze delle bobine, compatibilità dei numeri di serie, gamme di taglie e colori — modifica l’assortimento fattibile, rivaluta le opzioni, cambia la cadenza degli arrivi e rimodella la composizione degli ordini e la promessa di servizio.

I fornitori di software si scontrano con una legge ingegneristica inesorabile quando cercano di assorbire queste interdipendenze in un prodotto preconfezionato: le interazioni crescono più rapidamente delle funzionalità. Ogni nuova funzionalità «centrale» che interagisce realmente con le altre moltiplica le superfici da testare e i casi limite; un modesto ampliamento del 25 % di queste funzionalità può facilmente raddoppiare l’onere ingegneristico. La curva dei costi è superlineare perché il prodotto deve coprire contemporaneamente le peculiarità di molte imprese, mentre ciascuna ha bisogno soltanto delle proprie.

Al contrario, i rudimentali strumenti di programmazione disponibili — soprattutto i fogli di calcolo — consentono ai professionisti di concentrarsi sulle poche complicazioni realmente presenti nel loro contesto. Circoscrivendo l’ambito alla propria realtà economica, aggirano le diseconomie che affondano le soluzioni generiche. Questo, più dell’abitudine, spiega perché i team tornino ai fogli di calcolo dopo costose implementazioni di sistemi di «pianificazione».

Nulla di tutto ciò mette sotto accusa i sistemi di registrazione. Le applicazioni CRUD che memorizzano eventi autorevoli e impongono workflow basati su regole possono essere confezionate in prodotti pronti all’uso; le loro entità sono in larga misura disaccoppiate per progettazione e le loro interdipendenze sono esplicite, locali e verificabili. I problemi iniziano soltanto quando lo stesso approccio viene esteso a un sistema di intelligenza, il cui scopo è proprio orientarsi fra le interdipendenze specifiche dell’impresa in condizioni di incertezza.

I motori decisionali preconfezionati sarebbero una prospettiva rassicurante per i dirigenti non tecnici; relegherebbero la programmazione a una competenza di secondo piano. Purtroppo, la natura dei sistemi di intelligenza lo esclude. In assenza di un’intelligenza artificiale generale, nessun catalogo finito di modelli può anticipare le interdipendenze che contano per una determinata impresa in un determinato momento. Cercare la configurabilità al posto della programmabilità è un’illusione.

Resta quindi la prospettiva di ricorrere a soluzioni programmatiche ad hoc per la supply chain. Il compito è meno scoraggiante di quanto possa sembrare, perché i fogli di calcolo sono programmabili e questo non ha impedito loro di riscuotere un notevole successo negli ambienti della supply chain. Sorge però la questione dell’adeguatezza degli strumenti disponibili per questa impresa, a partire dalla scelta dei paradigmi di programmazione. Dagli anni 1950 sono stati ideati migliaia di linguaggi di programmazione. È irragionevole presumere che siano tutti ugualmente adatti ad affrontare le sfide della supply chain. In particolare, la popolarità di un linguaggio o di uno strumento al di fuori di questi ambienti ha poco a che vedere con la sua idoneità a risolverne le sfide.

9.2 Ottimizzazione sperimentale

Le sfide della supply chain sono quantomeno opache e talvolta anche perverse. Una sfida opaca è caratterizzata da un’elevata incertezza epistemica: ci troviamo davanti a incognite note e spesso a incognite di cui ignoriamo persino l’esistenza. Una sfida perversa è peggio: cambia mentre si tenta di affrontarla, anche quando ad agire è un terzo, tipicamente un concorrente. Le sfide perverse non si conformano ad alcuna soluzione formale statica.

L’opacità è una proprietà intrinseca dei sistemi di registrazione su cui poggia l’esecuzione del flusso. Come discusso nel capitolo Informazione, già stabilire la corretta semantica di tutti i dati pertinenti rappresenta un’impresa vasta e soggetta a errori. In pratica, anche una ricetta numerica modesta seleziona centinaia di campi tra decine di migliaia distribuiti su centinaia di tabelle.

Il carattere perverso emerge ogni volta che l’adeguatezza della risposta dipende da ciò che i concorrenti fanno o non fanno. Per esempio, un posizionamento con prezzi premium e alta disponibilità può prosperare quando la maggior parte dei rivali insegue prezzi bassi e scorte esigue; può vacillare non appena questi convergono sullo stesso posizionamento premium ad alto servizio.

L’ottimizzazione sperimentale¹⁴⁷ è il fondamento dell’ingegneria numerica per la supply chain. Affronta direttamente sia l’opacità sia l’occasionale carattere perverso delle sue sfide. Sfrutta il riscontro del «mondo reale» per migliorare iterativamente la ricetta numerica. In primo luogo, elimina i banali errori di programmazione che hanno rilevanza economica. Questi errori sono vari e frequenti e non possono essere evitati semplicemente esaminando il codice. In secondo luogo, apre la strada alla scoperta dei criteri di ottimizzazione adeguati. Senza ottimizzazione sperimentale, i tentativi di introdurre tecnologie software superiori nella supply chain falliscono invariabilmente, e i professionisti finiscono per tornare ai fogli di calcolo.

9.2.1 Cartesianesimo

Gli autori di supply chain — e, per estensione, la maggior parte dei fornitori di software aziendale — trattano le ricette numeriche come un’impresa dall’alto verso il basso, puramente intellettuale. Cominciano postulando la situazione: numero di SKU, topologia della rete, vincoli, indicatori da ottimizzare e altri particolari analoghi. Da questo bagaglio l’esperto deriva una soluzione. Questa assume tipicamente la forma di un framework per comporre le ricette numeriche finali. Il framework viene introdotto per accogliere le variazioni ed essere riutilizzabile in molte situazioni.

Questo approccio è noto come prospettiva cartesiana, dal filosofo francese del XVII secolo René Descartes. Il cartesianesimo attribuisce grande importanza alla ragione pura e al potere della mente. Sostiene che arrivare alla verità sia, in fondo, un esercizio strettamente intellettuale. Partendo da un esiguo insieme di verità evidenti, un ragionamento attento e metodico dovrebbe condurre a conclusioni più profonde e complesse.

Sebbene la ragione sia certamente preferibile¹⁴⁸ alle autorità, al misticismo, agli incentivi corrotti o alle visioni indotte dalle droghe, il cartesianesimo non è privo di difetti, soprattutto nella supply chain. Nulla, infatti, è evidente nel bagaglio iniziale che dovrebbe caratterizzare una determinata situazione di supply chain. In pratica, questo bagaglio è un assortimento disordinato e smisurato di elementi dalla validità dubbia.

Gli autori sanno di solito che un framework puramente intellettuale è una proposta insoddisfacente. Lo implementano quindi e vi conducono numerosi esperimenti in silico. Questi assumono la forma di benchmark, backtest e altre simulazioni. Tali «esperimenti» mirano a dimostrare la solidità e le prestazioni del framework in condizioni plausibili.

Purtroppo, sottoporre un framework a una batteria di test «plausibili» dimostra ben poco, e certamente non la sua solidità nella gestione di una supply chain reale. Nel migliore dei casi, questi test individuano problemi grossolani, per esempio difficoltà di scalabilità, che altrimenti comprometterebbero le operazioni. Eppure queste validazioni in silico sono ben lontane dalla prova che cerchiamo. Cerchiamo solide garanzie che l’introduzione della ricetta numerica risultante abbia un effetto netto positivo per l’impresa.

Queste garanzie non provengono da un maggiore formalismo, ma dalla falsificabilità in senso popperiano (si veda il capitolo Epistemologia). Ogni ricetta numerica è una congettura su come l’impresa dovrebbe impegnare risorse scarse; le sue premesse devono poter essere smentite nel mondo che intende guidare. Benchmark e backtest sono utili verifiche preliminari: sondano coerenza interna e scalabilità, ma non si confrontano con gli incentivi avversi, la deriva semantica e gli eventi a code pesanti che governano il flusso vivo. Il rimedio appropriato all’impostazione cartesiana è dunque metodologico, non algebrico: progettare l’ambiente affinché la ricetta incontri presto e spesso la realtà, e fare della confutazione la principale fonte di progresso.

9.2.2 Problemi banali

Quando un professionista della supply chain implementa una ricetta numerica, è pressoché certo che il primo insieme di decisioni generate sarà insoddisfacente. Molte cifre prodotte dalla ricetta saranno «insensate», un termine su cui torneremo fra poco. Le cause profonde di queste decisioni insensate sono solitamente semplici. Cinque categorie compromettono comunemente le ricette numeriche: bug banali, semantica dei dati, vincoli, fattori economici e strategia.

Primo, i bug banali. Una ricetta numerica degna di una supply chain reale comprende migliaia di righe di codice, per non parlare dei milioni di righe delle dipendenze generiche. Sette decenni di ingegneria del software hanno insegnato una lezione: l’unico codice senza bug è quello non scritto. Paradigmi adeguati possono migliorare la situazione, ma l’eliminazione completa è ben lontana, soprattutto quando si combina software scritto da molte mani, dove i problemi emergono ai confini.

Secondo, i problemi di semantica dei dati. Questa categoria è già stata discussa nel capitolo Informazione. Fondamentalmente, la semantica di qualsiasi colonna di un database — per esempio «Data ordine» — dipende dall’interpretazione dell’operatore. Se un operatore intende «Data ordine» come la data in cui il fornitore ha confermato la propria disponibilità a evadere l’ordine, quella è la semantica, qualunque cosa dica la documentazione del sistema di registrazione. Poiché un sistema moderno ha decine di migliaia di colonne, molte interpretabili in più modi, i fraintendimenti sono inevitabili. Queste interpretazioni errate possono distorcere gravemente le decisioni generate.

Terzo, i vincoli sono spesso taciuti oppure inventati. Un vincolo taciuto è un vincolo non documentato adeguatamente. Per esempio, Bob, che gestisce i riapprovvigionamenti del magazzino, sa che oltre 5.000 unità in ingresso al giorno il team fatica e deve ricorrere a costose ore di straordinario per stare al passo. Bob lo ha imparato un anno fa, trascorrendo alcuni mesi nel team di magazzino. Eppure questo limite di portata non è mai stato documentato, e una ricetta numerica lo ignora del tutto. Viceversa, i vincoli inventati emergono ogni volta che quello reale è ritenuto troppo contorto per una soluzione semimanuale. Per esempio, gli sconti per quantità offerti da un fornitore vengono spesso sostituiti da una MOQ, quantità minima d’ordine, che riflette il prezzo unitario ritenuto accettabile dal team acquisti. Il vincolo è però fabbricato: è possibile ordinare al di sotto della cosiddetta MOQ, purché l’impresa accetti un prezzo unitario più alto. Una ricetta che non coglie questa sfumatura genererà spesso scorte eccessive, forzando il raggiungimento della MOQ.

Quarto, i fattori economici possono essere valutati male. Come visto nel capitolo Economia, valorizzare è difficile. Analizzare economicamente il flusso richiede numerose euristiche per attribuire spese e ricavi. Inoltre, molti effetti di lungo periodo possono essere stimati soltanto in modo grossolano. Per esempio, è probabile che gli sconti erodano la disponibilità a pagare del cliente, rendendolo sempre più opportunista nell’attendere la promozione successiva. Quantificare questo effetto è difficile, perché gli orizzonti pertinenti si misurano in anni. Una ricetta guidata da una logica economica errata genera decisioni che hanno l’apparenza della prudenza ma, nel tempo, non producono i rendimenti attesi.

Quinto, la strategia dell’impresa può apparire buona sulla carta ma non nell’esecuzione. Per esempio, la dirigenza può dare priorità alla «massima soddisfazione del cliente», per poi scoprire che soggetti in malafede abusano delle concessioni, come politiche permissive sui resi o spedizioni con consegna il giorno dopo. Più in generale, la strategia riflette solitamente, in larga misura, una comprensione intuitiva della logica economica sottostante all’impresa. Questa comprensione può quindi essere corretta nell’orientamento generale, ma trascurare i dettagli, che possono richiedere l’uso selettivo di strategie alternative. Più in generale, la natura dei mercati e il loro incessante cambiamento garantiscono che, con il tempo, qualunque strategia verrà minata dai concorrenti.

Le probabilità di ottenere decisioni adeguate da una ricetta numerica appena abbozzata sono infinitesimali. Inseguire il «First-Time-Right», fare bene al primo tentativo, una prospettiva comune nella produzione, è un’illusione nella supply chain. La complessità e l’opacità circostanti sono troppo elevate. È però assolutamente possibile migliorare questa prima bozza. Si tratta di individuare, e poi eliminare, le decisioni «insensate».

9.2.3 Decisioni insensate

Una decisione di supply chain è «insensata» quando, con ogni probabilità, genererà perdite non volute per l’impresa. Una ricetta numerica appena scritta produce invariabilmente numerose decisioni insensate. Oltre al danno finanziario immediato, queste decisioni minano a ragione la fiducia dei professionisti nell’automazione stessa. Se non vengono affrontate, la loro sola presenza nei risultati garantisce che i professionisti abbandoneranno la ricetta e torneranno ai fogli di calcolo.

Si noti anzitutto che, se individuare decisioni insensate è un problema di intelligenza generale (si veda il capitolo Intelligenza), non è un problema che richieda una grande intelligenza. Un’attenta revisione manuale, una cifra alla volta, da parte di un professionista basta a intercettarne la maggior parte. L’ostacolo principale non è la capacità del professionista, ma l’enorme quantità di tempo necessaria per svolgere una simile revisione su larga scala.

La difficoltà è simile a quella di individuare colpi di scena implausibili in un romanzo. Alcune linee guida possono accelerare il compito, ma non c’è speranza di affrontare pienamente questa sfida entro i confini di una formalizzazione ristretta. Eppure la maggior parte dei lettori riconosce facilmente quando una storia oltrepassa ciò che si può considerare «plausibile».

Controintuitivamente, le decisioni insensate sono spesso l’unico modo per far emergere difetti nella ricetta numerica. Di fronte a una decisione insensata, occorre ricostruire a ritroso la sequenza di calcoli che l’ha prodotta. Nel software, un difetto riflette quasi invariabilmente una convinzione errata. Si ritiene vero qualcosa che, in realtà, non lo è. Con la sua stessa esistenza, la decisione insensata aiuta il professionista a individuare quale convinzione sia sbagliata.

9.2.4 Falsificazione iterativa

L’ottimizzazione sperimentale è una metodologia che cerca di falsificare la ricetta numerica nella sua forma attuale. Riconosce che le decisioni di supply chain devono essere sottoposte a ripetute prove a confronto con la realtà, e che queste prove svolgono un ruolo fondamentale nel far emergere errori nascosti anche nella soluzione concepita con la massima cura. Anziché fingere che il problema sia interamente definito in anticipo, l’ottimizzazione sperimentale cerca di scoprire e risolvere i problemi attraverso un ciclo iterativo e concreto.

Il processo si svolge così:

1. Proporre una ricetta numerica — una routine software o uno script — che converta i dati disponibili (previsioni, costi, vincoli) in decisioni esplicite di supply chain (ordini d’acquisto, lotti di produzione, allocazioni).

2. Eseguire la ricetta in un ambiente abbastanza stabile da generare decisioni reali o prossime alla realtà, costringendola ad affrontare la complessità grezza di un insieme di dati operativi, senza fingere di poter comodamente escludere prodotti o siti «difficili».

3. Individuare le decisioni «insensate»; questo compito richiede tipicamente un esame umano: dirigenti o analisti ispezionano valori anomali, allocazioni sospette o ordini vistosamente grandi finché non ne individuano la causa profonda. Questa può risiedere in una semantica dei dati errata, in un fattore di costo trascurato o in un vincolo appena emerso.

4. Affinare la strumentazione e rivedere la ricetta: dati o caratteristiche mancanti, per esempio la varianza dei tempi di consegna o nuove categorie di vincoli dei fornitori, guidano la revisione successiva. Anche la struttura esplicita dei costi può essere modificata se l’iterazione rivela che la penalità per le rotture di stock è irrealisticamente bassa o induce scorte eccessive e sprechi.

5. Ripetere finché ogni ciclo smette di generare nuovi risultati «insensati»; nel tempo, i difetti evidenti diminuiscono e le soluzioni diventano più robuste e più allineate alla realtà economica della supply chain.

Un punto di forza distintivo di questo approccio iterativo è che invita alla falsificazione diretta. Se le decisioni proposte dalla ricetta appaiono problematiche, anche soltanto per pochi SKU o siti, occorre mettere in discussione e correggere qualche ipotesi. Ciò contrasta con la visione puramente matematica dell’ottimizzazione, nella quale le prove di ottimalità offrono poco rimedio quando il mondo reale non corrisponde al modello originario. L’ottimizzazione sperimentale accoglie queste discrepanze: ogni difetto o raccomandazione «insensata» è un’occasione per far emergere errori più profondi.

9.2.5 Strumentazione

L’ottimizzazione sperimentale dipende fortemente dalla strumentazione. La pipeline dei dati deve consentire di preparare ed eseguire rapidamente ogni nuova iterazione. Se ogni revisione richiede settimane per essere messa in produzione, il processo non può stare al passo con il proprio ambiente. Servono quindi dati con versioni gestite con cura, workflow riproducibili e la possibilità di «viaggiare nel tempo» esaminando stati e risultati passati.

Ci si potrebbe aspettare che gli indicatori — rotazione delle scorte, fill rate, accuratezza delle previsioni — siano gli arbitri finali del successo o del fallimento. Queste misure contano, ma seguono gli eventi con ritardo e possono essere distorte dal mutare delle condizioni. Inoltre, gli indicatori possono essere manipolati. Le imprese sotto pressione per aumentare i livelli di servizio, per esempio, possono semplicemente accumulare scorte eccessive ovunque. Qualche mese dopo, le scorte gonfiate provocano sforamenti dei costi. In risposta, nuovi vincoli vengono sovrapposti al sistema originario. Questo andirivieni tra indicatori e comportamenti può degenerare in un groviglio di regole mutevoli che rende opache le prestazioni.

Nell’ottimizzazione sperimentale, il segnale più chiaro di progresso è l’assenza di errori evidenti. Ogni giorno le decisioni proposte dal software appaiono sensate, senza correzioni manuali né interventi dell’ultimo minuto. Se i team della supply chain non devono più «spegnere incendi» per metà delle ore lavorative, l’impresa sta già ottenendo prestazioni migliori: meno interruzioni, meno rispedizioni frenetiche, meno strani espedienti sul campo in magazzino. Nel tempo, questi guadagni operativi riflettono un allineamento più profondo delle decisioni con strutture di costo corrette e una semantica dei dati più affidabile: miglioramenti che finiranno per comparire anche negli indicatori standard. Anche se i dati di fatturato richiedono tempo per adeguarsi, la scomparsa delle decisioni «insensate» è un segnale inequivocabile di successo.

9.2.6 Miglioramento continuo

A differenza di un approccio in forma chiusa che pretende di «risolvere» la supply chain una volta per tutte, l’ottimizzazione sperimentale non sostiene di convergere verso un optimum stabile. Le supply chain evolvono, i vincoli cambiano, il mix di prodotti si modifica, aprono nuovi stabilimenti, partono promozioni o scoppiano guerre di prezzo. Il ciclo, quindi, non si chiude mai. Una ricetta ben calibrata che oggi funziona con pochissime decisioni insensate può richiedere aggiornamenti sostanziali domani, se si presenta una pandemia globale, un nuovo concorrente o un cambiamento nel posizionamento strategico dell’impresa. Anche in assenza di shock esterni, nuove conoscenze, come fattori di costo appena scoperti, giustificano ulteriori aggiustamenti.

Questo continuo mutamento non è un difetto. Al contrario, mette in evidenza che la padronanza della supply chain consiste nell’orchestrare i cambiamenti prima che si propaghino fuori controllo. Strutturando ogni cambiamento come un piccolo esperimento verificabile, l’organizzazione acquista sia resilienza sia chiarezza di intenti. Anziché proclamare una formula definitiva, gli specialisti della supply chain diventano custodi di un processo vivo, che riconosce nelle inevitabili perturbazioni nuovi insiemi di dati in ingresso.

L’ottimizzazione sperimentale unisce due idee spesso tenute separate. Primo, abbraccia l’ambizione quantitativa: una supply chain è guidata al meglio dai numeri, trattati e ricombinati sistematicamente dagli algoritmi. Secondo, riconosce la falsificabilità: il modo più sicuro di confermare o confutare un metodo è sottoporne i risultati a condizioni reali. Si scopre se un determinato piano «ha senso» soltanto quando questo si confronta con i dati grezzi in reparto, in magazzino o sullo scaffale del negozio.

Insistendo affinché ogni proposta venga sottoposta alla prova della realtà, l’ottimizzazione sperimentale trasforma gli errori in catalizzatori dell’apprendimento. Il processo ciclico — strumentare, decidere, individuare le decisioni insensate, correggere e rieseguire — non garantisce che tutti i vincoli e i fattori di costo nascosti vengano scoperti subito. Garantisce invece che l’intero approccio, per quanto incompleto o provvisorio, rimanga ancorato alla missione della supply chain: le migliori decisioni possibili all’interno di flussi irriducibilmente complessi. Attraverso prove ripetute, la ricchezza e l’indocilità del dominio diventano un motore di progresso incrementale anziché una barriera insormontabile.

9.3 Whiteboxing

Una ricetta numerica opaca produce risultati — prezzi, quantità da riordinare, piani di riapprovvigionamento — ma rimane impenetrabile proprio ai professionisti che ne dipendono. Nelle supply chain moderne, qualsiasi pipeline di dati non banale tende a mostrare questo comportamento da «scatola nera», nel quale la ricetta numerica comprende strati di automazione o modelli matematici oscuri. Anche le soluzioni basate su formule semplici, come le scorte di sicurezza derivate dall’ipotesi di una «domanda normale», diventano nella pratica scatole nere quando trattano migliaia di articoli, ciascuno con le proprie sfumature e i propri vincoli.

Il whiteboxing contrasta questa opacità. Riconosce che nessuna pipeline di dati avanzata è intrinsecamente trasparente. Senza uno sforzo deliberato, la logica di una ricetta numerica rimane sepolta nel codice, costringendo i professionisti a scegliere tra due opzioni insoddisfacenti: fidarsi ciecamente del sistema oppure tornare a fogli di calcolo che possono controllare pienamente, ma che non hanno la potenza o la scalabilità necessarie per affrontare la complessità reale del flusso. Il whiteboxing offre una terza via, preservando un’automazione solida e rivelando al contempo il «perché» di ogni raccomandazione.

Un principio fondamentale del whiteboxing è che la chiarezza deve servire le persone in prima linea nelle decisioni di supply chain. L’opacità può assumere molte forme: tabelle di dati immense, vincoli non verificati o algoritmi avanzati di apprendimento automatico che soltanto una manciata di data scientist sa interpretare. La risposta non consiste nel semplificare tutti i calcoli in formule giocattolo, sprecando così le capacità di calcolo necessarie a gestire flussi intricati. Il whiteboxing sceglie invece la strada più impegnativa: esporre i principali fattori economici di ogni decisione. Oltre alle cifre grezze di allocazione, la ricetta dovrebbe mostrare un breve elenco degli indicatori economici più pertinenti. Per una raccomandazione d’ordine, questi potrebbero includere le scorte attuali, il tempo di consegna, il rischio previsto di rottura di stock in termini monetari e il costo dell’eccedenza qualora la quantità proposta risultasse eccessiva. Questa manciata di colonne offre due vantaggi essenziali: primo, consente al professionista rapide verifiche di sensatezza; secondo, indica dove la decisione potrebbe andare storta se un’ipotesi o un dato risultasse errato.

Questa trasparenza richiede di avvicinare la pipeline dei dati all’utente. I professionisti devono poter aggiungere, eliminare o modificare gli indicatori esplicativi senza avviare un progetto IT di mesi. Come l’ottimizzazione sperimentale richiede iterazioni rapide per far emergere ed eliminare decisioni «insensate», così il whiteboxing richiede iterazioni rapide sulle dashboard stesse. Se una decisione appare sbagliata, il team affina o aggiunge un indicatore esplicativo, riesegue la pipeline con riproducibilità degli stati passati e verifica se il fattore appena reso visibile spiega la decisione o rivela un bug. Questo approccio permette di testare e aggiustare rapidamente ogni nuovo indicatore, che si tratti di una penalità per le vendite perse o di un costo di riempimento del container. Nel tempo, questi indicatori si compongono in un insieme compatto di misure di costo e di rischio che illumina ogni raccomandazione senza sommergere gli utenti di indicatori irrilevanti.

È cruciale osservare che il whiteboxing non garantisce né il consenso universale né la modellazione perfetta di tutti i vincoli. Cerca invece di evitare che le decisioni suscitino un’improvvisa incredulità o «correzioni dettate dal panico» da parte di professionisti che non riescono a vederne la logica. La trasparenza abbassa la soglia di fiducia necessaria per adottare l’automazione. Quando i team della supply chain possono collegare un lotto di produzione proposto o una quantità da riordinare a un compromesso visibile — per esempio, il costo di un possibile arresto della linea rispetto a quello di detenere componenti aggiuntivi — accettano più facilmente il risultato numerico, anche se contrasta con le regole empiriche passate. Viceversa, quando un risultato non supera le verifiche intuitive, il whiteboxing indirizza l’attenzione sul fattore che potrebbe mancare o essere etichettato male, guidando il miglioramento successivo.

Un’altra dimensione essenziale del whiteboxing è la sua capacità di ridurre gli attriti organizzativi. In molte imprese, previsioni o piani di riapprovvigionamento passano dai team di data science ai responsabili della supply chain, poi alla finanza o alle operazioni di magazzino; ogni gruppo ha i propri indicatori, definizioni dei dati e vincoli. Questo complesso passaggio di consegne spesso moltiplica la confusione: un responsabile che legge «acquistare 1.200 unità» in un sistema potrebbe non sapere che altrove si è tenuto conto di uno sconto per quantità. Esponendo i principali costi e vincoli direttamente nelle decisioni finali, il whiteboxing crea un collegamento tra questi passaggi. Le parti interessate possono vedere, in termini monetari, come è stato ponderato ciascun fattore. Possono correggere o affinare quei valori senza smantellare l’intera pipeline.

Lungi dall’essere un’attività una tantum, il whiteboxing è un principio progettuale permanente. Non appena una supply chain evolve — con nuovi fornitori, tempi di consegna modificati o obiettivi strategici rivisti — devono evolvere anche i meccanismi di trasparenza. Altrimenti riemergono ipotesi nascoste o obsolete, creando nuove zone a scatola nera. Mantenere il whiteboxing richiede una collaborazione regolare tra gli esperti del dominio e i team responsabili dell’ingegneria delle ricette numeriche, affinché ogni cambiamento di un aspetto del flusso si accompagni al cambiamento degli indicatori esplicativi.

Il whiteboxing si colloca quindi all’intersezione tra affidabilità e credibilità. Affronta le realtà pratiche delle supply chain moderne, nelle quali i metodi numerici avanzati sono indispensabili, ma lo è anche la fiducia delle persone che li mettono all’opera. Senza whiteboxing, il sistema meglio ingegnerizzato rimane inutilizzabile; con esso, anche i processi sofisticati diventano abbastanza comprensibili perché i professionisti li adottino, li affinino e li facciano funzionare giorno dopo giorno.

9.4 Stimare l’elusivo con il metodo di Fermi

Qualunque sia l’approccio alla ricetta numerica, i team della supply chain incontrano inevitabilmente parametri elusivi. Si tratta di quantità o forze che non compaiono facilmente in alcun sistema di registrazione e sfuggono quindi alla misurazione diretta. Possono essere strategici: per esempio, la data prevista di rilascio di una tecnologia promettente ancora in sviluppo, da cui dipende implicitamente la roadmap di un prodotto. Oppure possono essere operativi, come la probabilità che un grande fornitore in difficoltà finanziarie presenti istanza di fallimento nei prossimi trimestri. Di fronte a questi fattori, l’approccio tradizionale è aggirare il problema. I professionisti possono escludere del tutto questi parametri dall’automazione e tornare a un processo semimanuale guidato da un misto di opinioni, congetture e coperture prudenziali. Questo espediente condanna la ricetta numerica a dipendere da un intervento umano continuo, compromettendo qualsiasi prospettiva di autentica automazione.

Un approccio migliore tratta queste grandezze «non misurabili» come bersagli privilegiati di un’analisi alla Fermi, simile a quella descritta da Philip E. Tetlock e Dan Gardner in «Superforecasting: The Art and Science of Prediction» (2015). L’intuizione fondamentale, resa popolare dal fisico Enrico Fermi, è che una quantità apparentemente impossibile da determinare possa essere scomposta in una serie di stime più trattabili che, moltiplicate o sommate, producono una stima credibile dell’incognita originaria. È celebre la domanda con cui Fermi chiedeva agli studenti di stimare quanti accordatori di pianoforti lavorassero a Chicago: una cifra che i più riterrebbero inconoscibile senza un elenco ufficiale. Eppure, dividendo il problema in piccoli elementi separati — come la popolazione approssimativa della città, la quota di famiglie con un pianoforte e la frequenza delle accordature — la stima finale può avvicinarsi sorprendentemente alla verità.

Nella pratica della supply chain, un esempio più significativo è la probabilità che i dazi sulle importazioni di merci da Ruritania raddoppino nei prossimi cinque anni. Questa quantità non compare in alcun registro, ma determina direttamente la cadenza degli acquisti, il mix di approvvigionamento e i prezzi. Una scomposizione alla Fermi rende la stima trattabile. Si comincia da una prospettiva esterna: contare, nell’ultimo secolo di relazioni tra Westonia e Ruritania, quante volte dazi di entità comparabile siano stati aumentati o ridotti, e su quali orizzonti. Questa frequenza di base storica ancora saldamente la probabilità a priori. Si integra poi la prospettiva interna: leggere il discorso politico attuale in Westonia, valutare se il partito al governo sostenga dazi più alti o più bassi e se il tema sia centrale o periferico nel suo programma, e correggere di conseguenza la probabilità a priori. Quindi si ponderano gli esiti elettorali plausibili sull’orizzonte pertinente, per esempio fra due anni, usando sondaggi o probabilità di mercato. Per ciascun esito, si valuta la probabilità condizionata che il partito vincitore persegua un raddoppio. Infine, si considerano le vie della ritorsione: un dazio introdotto da Ruritania può innescare misure reciproche da parte di Westonia. Si ripete specularmente il ragionamento dal lato di Ruritania — politica interna, propensione storica a usare i dazi e rilevanza delle tensioni commerciali — per valorizzare la probabilità che la mossa di Westonia sia reattiva anziché proattiva. Il risultato finale non è una stima puntuale, ma una probabilità calibrata che può essere rivista man mano che si accumulano informazioni.

Una volta ottenuta questa probabilità, la si può tradurre in decisioni valorizzate in denaro: aumento atteso dei dazi sugli SKU interessati; valore dell’opzione di accelerare o differire le importazioni in vista delle scadenze; premio giustificato per origini alternative con minore esposizione; e convenienza del rinvio, ossia dell’assunzione tardiva degli impegni, per mantenere all’estero le trasformazioni sensibili ai dazi. La stima può essere grossolana; ciò che conta è che sia esplicita, verificabile e posta sullo stesso piano dei costi d’acquisto e di detenzione, così che un software senza intervento umano possa ponderarla insieme agli altri fattori.

È fondamentale che questa scomposizione del parametro elusivo non si arresti una volta codificata la stima iniziale. Nell’ottimizzazione sperimentale, i parametri appena introdotti restano soggetti agli stessi cicli di falsificazione di tutto il resto. Il fatto che la «probabilità di raddoppio dei dazi» non fosse nel sistema di registrazione non la esenta dall’esame; al contrario, la sua novità richiede una vigilanza attenta. Se emerge una decisione insensata — per esempio una che anticipa sistematicamente ordini in ingresso sovradimensionati e prosciuga il capitale circolante per prevenire uno shock che non si materializza mai — ciò segnala che la probabilità, o la sua traduzione economica, è gonfiata. Viceversa, se i dazi aumentano bruscamente e la ricetta numerica non mostra alcun segno di copertura preventiva — nessuna spedizione anticipata, nessuna diversificazione delle origini, nessun rinvio — allora la probabilità era sottostimata. Il perfezionamento è iterativo: ogni passaggio, guidato dagli esiti reali o dagli incidenti sfiorati, affina la logica finché non emergono più decisioni palesemente insensate.

In pratica, l’approccio di Fermi diventa anche un potente argine alle distorsioni cognitive che accompagnano ogni stima. Queste stime non vengono evocate da un’impressione vaga, ma ancorate a una catena di stime più piccole e tangibili. Il processo favorisce un’«apertura mentale attiva», una caratteristica documentata fra i superprevisori di Tetlock, che scompongono metodicamente un problema e poi soppesano prospettive esterne per calibrare ciascun elemento. L’intero team della supply chain può vedere, direttamente nel codice o in una dashboard resa trasparente dal whiteboxing, come sia stata calcolata questa probabilità di raddoppio dei dazi. Ciò favorisce l’allineamento e invita a un affinamento collaborativo anziché a correzioni unilaterali. Se un responsabile delle importazioni ritiene errati i pesi elettorali o la rilevanza della politica commerciale in un programma, il team può rivedere quella singola stima parziale anziché smontare il metodo.

Sebbene laboriosa, la scomposizione alla Fermi è un’estensione diretta delle tecniche già necessarie per mantenere una ricetta numerica interamente automatizzata. Una volta che i professionisti della supply chain accettano che nessun parametro è troppo intangibile per essere scomposto, anche mediante euristiche grossolane, diventa chiaro come includere questi elementi elusivi nel sistema. Come per i parametri «normali», è meglio introdurre la stima con una strumentazione rigorosa, affinché ogni esecuzione in produzione possa confermare o mettere in discussione la logica iniziale. La padronanza della supply chain prospera sull’iterazione, non su determinazioni una tantum. Di fronte all’intangibile, l’errore più grave non è sbagliare la stima iniziale; è rifiutarsi di produrre qualunque stima, condannando così la ricetta a un funzionamento parzialmente manuale.

Abbracciando pienamente il principio di Fermi, i professionisti della supply chain possono affrontare proprio i domini prima ritenuti «al di là della misurazione»¹⁴⁹. Anziché arrendersi a elementi intangibili che rendono impossibile l’automazione, li trasformano in un insieme di componenti più piccoli e trattabili, che possono essere testati e affinati. Come per tutte le parti di una ricetta numerica viva, ogni approssimazione è legata ai risultati reali che produce, consentendo alla supply chain di integrare nel tempo ciò che impara. L’alternativa — scartare silenziosamente questi parametri elusivi come casi senza speranza — garantisce che l’automazione resti poco più di un’aspirazione. La scomposizione alla Fermi offre una via decisamente pratica per rendere espliciti anche i parametri più elusivi, assicurando che tutti i fattori critici del flusso, intangibili o meno, possano essere incorporati in un sistema automatizzato olistico.

9.5 Sulla programmabilità

Nei capitoli precedenti abbiamo sostenuto che le supply chain moderne devono essere guidate da software senza intervento umano, che emetta impegni verificabili e valorizzati economicamente. Una volta accettata una soluzione programmatica ai problemi della supply chain, sorge una domanda banale in apparenza ma fondamentale nella sostanza: in quale linguaggio vanno espresse queste decisioni? Non è un capriccio nella scelta degli strumenti. Un linguaggio determina quali idee possono essere rese esplicite, quali opzioni possono essere enumerate senza contorsioni, come viene valorizzata l’incertezza e come gli impegni risultanti vengono sottoposti ad audit anni dopo.

Il settore ha perlopiù eluso questa domanda dalla fine dell’episodio dei 4GL.¹⁵⁰ Il vuoto è stato colmato da fogli di calcolo, motori di regole incollati agli ERP e script in linguaggi generalisti. Ciascuno di questi strumenti ha il proprio posto, ma nessuno è adeguato a fungere da mezzo nativo per decisioni senza intervento umano alla scala della supply chain.

I sistemi di registrazione parlano SQL perché devono conservare i fatti, non inventarli. SQL eccelle nel dichiarare ciò che esiste in un registro — righe e relative relazioni — non ciò che si dovrebbe fare dopo di fronte alla variabilità e ai compromessi. I motori di regole montati sopra i sistemi transazionali cercano di colmare il divario con uno stillicidio di clausole if-then; invecchiando diventano accumuli fragili che nessuno comprende appieno, tanto meno quando cambiano gli incentivi. I linguaggi di scripting — oggi soprattutto Python, ieri VBA¹⁵¹, prima ancora macro proprietarie — sono potenti protesi per gli analisti, ma la loro stessa libertà compromette le proprietà di cui abbiamo più bisogno in produzione: determinismo, riproducibilità e controllo rigoroso degli effetti collaterali. Producono strumenti artigianali; i motori decisionali senza intervento umano devono essere industriali.

Un linguaggio adatto all’automazione delle decisioni di supply chain deve accordarsi con l’economia del flusso e la fisica dei computer. I suoi oggetti dovrebbero essere quelli effettivamente manipolati dai professionisti: tabelle tipizzate con SKU, luoghi e date come chiavi; array su quelle tabelle; e, soprattutto, variabili aleatorie che rappresentano distribuzioni della domanda, dei tempi di consegna e dei resi. L’incertezza deve essere un elemento di primo livello, insieme a un’algebra che converta le distribuzioni in guadagni e perdite espressi in valuta, affinché il rendimento atteso aggiustato per il rischio di qualsiasi azione possa essere scritto come una breve formula anziché come una simulazione aggiunta a posteriori. I prezzi devono essere espliciti: conversioni valutarie e arrotondamenti come funzioni incorporate. Anche il tempo deve essere di primo livello: calendari e algebra dei calendari. Quando queste primitive esistono, il motore esprime direttamente la decisione; quando mancano, i professionisti le introducono di nascosto un pezzo alla volta e il codice degenera in espedienti.

Poiché i motori senza intervento umano vivono o muoiono in base alla loro verificabilità, l’esecuzione deve essere deterministica. Gli stessi dati in ingresso devono produrre gli stessi risultati, fino all’ultimo centesimo, anche quando il calcolo è parallelizzato. La casualità, quando serve per una simulazione stocastica, deve essere esplicita e riproducibile. Gli effetti collaterali vanno isolati ai confini: leggere registrazioni autorevoli, calcolare le decisioni in un nucleo puro, quindi riscrivere nel registro gli impegni risultanti. Questa separazione delle responsabilità non è ordine accademico; è l’unico modo per dare significato agli audit ex post e ai confronti in esecuzione parallela.

La logica decisionale su milioni di SKU, siti e date non può essere scritta come una processione di cicli riga per riga senza cedere sotto il proprio peso. Il linguaggio ha quindi bisogno di una semantica per array o tabelle — operazioni vettorizzate su grandi collezioni tipizzate — affinché la maggior parte dei programmi si legga come algebra sugli insiemi anziché come coreografia di iteratori. Questi progetti incoraggiano la sensibilità per la meccanica: si adattano bene alle cache e alle unità parallele e rendono i grandi problemi abbastanza economici da risolvere spesso.

La domanda dichiarativo o imperativo? è mal posta in astratto. Servono un involucro imperativo che organizzi il flusso — acquisire, calcolare, emettere — e un nucleo prevalentemente dichiarativo che esprima valutazioni e vincoli come formule su tabelle e distribuzioni. In pratica, ciò significa scrivere test di fattibilità, penalità e prezzi come espressioni che il motore può analizzare, riordinare e ricalcolare parzialmente. La trasparenza risultante rende possibili le euristiche di arresto: quando la fiducia cala, il motore si ferma secondo i propri criteri, anziché assillare gli esseri umani con eccezioni che non sa risolvere.

Nulla di tutto ciò riguarda il gusto sintattico. Parentesi graffe o indentazione sono una questione banale. Conta la semantica: incertezza di primo livello, denaro e tempo come cittadini a pieno titolo anziché aggiunte tardive, isolamento degli effetti collaterali, determinismo, valutazione vettorizzata e un ambiente di esecuzione che produca dossier adatti all’audit. I linguaggi generalisti possono essere piegati a questi fini con convenzioni e disciplina; l’esperienza mostra che, su larga scala e nel tempo, le convenzioni si degradano. Un linguaggio di supply chain degno di questo nome incorpora queste proprietà nella propria grammatica.

Il resto della sezione rende operativi i criteri di selezione. Esaminiamo come la semantica del linguaggio incida sull’esecuzione senza intervento umano (determinismo e riproducibilità), sull’economia (denaro, prezzi e penalità nativi), sull’incertezza (primitive probabilistiche e simulazione stocastica) e sulla manutenibilità (nuclei piccoli, programmi leggibili, artefatti le cui differenze fra versioni siano facili da confrontare). L’obiettivo è semplice: scegliere un linguaggio che permetta all’impresa di mettere per iscritto la propria logica economica una volta, eseguirla alla velocità della macchina e difendere ogni impegno ex post in unità monetarie.

9.5.1 Paradigmi di programmazione

Un paradigma di programmazione è il quadro che dà forma al modo in cui il software viene concepito, strutturato ed eseguito. Fissa i principi per organizzare i dati, definire le operazioni e determinare il flusso di controllo, guidando sia la progettazione sia l’esecuzione.

Sviluppare paradigmi di programmazione adatti alla supply chain è probabilmente il singolo contributo tecnico più importante al settore. Un paradigma adeguato facilita infatti la soluzione della maggior parte delle sfide della supply chain, se non di tutte, indipendentemente dalle loro specifiche complicazioni. Sotto questo aspetto, i paradigmi di programmazione sono del tutto diversi dai «modelli» o da qualsiasi altro tipo di soluzione analitica chiusa, che per costruzione è fragile di fronte a complicazioni non previste. Molte tecniche hanno un interesse ampio — la discesa del gradiente stocastico ne sarebbe un esempio perfetto — ma i paradigmi di programmazione sono senza rivali sotto questo profilo. Il breve elenco seguente presenta alcuni dei paradigmi più pertinenti per la supply chain.

L’integrazione verticale indica un ambiente che fornisce l’intero stack — dall’archiviazione dei dati, attraverso elaborazione e logica, fino alla presentazione — all’interno di un unico mezzo coerente. L’esempio canonico è il foglio di calcolo: un’applicazione monolitica nella quale la griglia è insieme archivio dei dati, motore delle formule e interfaccia utente, con il ricalcolo in tempo reale a legare i tre elementi. In un ambiente simile non esiste disadattamento d’impedenza tra «dove risiedono i fatti», «come vengono trasformati» e «come vengono esaminati»; un solo artefatto li contiene tutti.

L’integrazione verticale conta perché elimina i passaggi di consegne. Permette a un piccolo numero di professionisti non specialisti del software di scrivere, eseguire e verificare ricette numeriche da un capo all’altro. La stessa persona può acquisire registrazioni, esprimere la logica decisionale e visualizzare gli impegni risultanti senza aspettare che un altro team esponga un’API o colleghi una dashboard. Senza integrazione verticale, comporre la ricetta diventa un progetto tecnico che non può essere affidato ad altri se non a esperti di software. Il lavoro si espande come una metastasi nella consueta processione — esperti di supply chain, consulenti, responsabili di progetto, amministratori di database, ingegneri del software, analisti dei dati — il cui coordinamento crea un problema di progettazione delle interfacce più grande del problema economico originario. I fogli di calcolo dimostrano sia l’attrattiva sia i limiti di questo schema: rendono l’integrazione verticale immediatamente tangibile, ma rivelano anche perché, oltre una scala banale, serva un substrato diverso (si veda la sezione «Fogli di calcolo» più avanti).

La riproducibilità degli stati passati significa che l’ambiente conserva il codice e i dati esatti così come esistevano in qualsiasi momento della storia. Gli utenti possono tornare indietro nel tempo e rieseguire i calcoli di allora. Questo tipo di gestione delle versioni da un capo all’altro (codice + dati) garantisce che i risultati non siano soltanto riproducibili in linea di principio, ma anche verificabili automaticamente in qualsiasi momento storico.

Nelle decisioni di supply chain, infatti, anche piccoli malfunzionamenti possono rivelarsi estremamente costosi se generano cattive decisioni¹⁵². Troppo spesso il comportamento problematico non può essere riprodotto perché, quando il problema viene individuato, i dati in ingresso sono cambiati. Di conseguenza, i malfunzionamenti restano irrisolti molto più a lungo del desiderabile. La riproducibilità degli stati passati è cruciale per eliminare questi difetti prima che i team della supply chain perdano fiducia nella praticabilità della ricetta numerica e tornino ai fogli di calcolo.

L’algebra relazionale opera su dati tabulari, tipicamente archiviati in più tabelle, mediante un insieme conciso di operazioni componibili come selezione, proiezione, join e aggregazione. Queste operazioni, formalizzate negli anni 1970,¹⁵³ hanno dato origine alla famiglia di tecnologie SQL (Structured Query Language), tuttora onnipresente nei moderni sistemi aziendali. La virtù principale dell’algebra relazionale è la sua natura dichiarativa: anziché spiegare passo per passo come eseguire le operazioni, sviluppatori e analisti specificano quali risultati desiderano, lasciando al motore di esecuzione il compito di gestirne la meccanica.

L’algebra relazionale è fondamentale per la supply chain perché la stragrande maggioranza dei dati operativi — transazioni di vendita, ordini d’acquisto, livelli di scorte, eventi di trasporto — risiede in database relazionali. Il modello relazionale offre un modo sistematico per collegare questi elementi, assicurando che i join su chiavi comuni producano un insieme coerente. Senza l’algebra relazionale per unificare elegantemente queste fonti disparate, i professionisti ripiegano su un groviglio di espedienti ad hoc, tipicamente macro ingombranti nei fogli di calcolo, che sono non soltanto soggetti a errori, ma anche lenti nel calcolo. In pratica, un’algebra relazionale è indispensabile per qualsiasi ricetta numerica al servizio di una supply chain moderna, a causa della sua complessità intrinseca.

La programmazione per array è un paradigma nel quale le operazioni si applicano uniformemente a intere collezioni di dati, dette array, anziché richiedere agli sviluppatori di scrivere cicli sui singoli elementi¹⁵⁴. Trattando i dati in modo aggregato, i linguaggi e le librerie per array¹⁵⁵ consentono espressioni concise che rispecchiano la formulazione matematica del problema. Invece di scrivere cicli soggetti a errori, il professionista specifica trasformazioni di livello superiore — come operazioni aritmetiche, logiche o statistiche — che si propagano automaticamente a ogni elemento dell’array. Eliminando la necessità di indicizzazione esplicita, la programmazione per array riduce notevolmente gli errori di scostamento di un’unità e altri difetti sottili. Inoltre, poiché i motori di esecuzione sottostanti possono ottimizzare le operazioni in blocco, il codice per array spesso supera in prestazioni routine equivalenti basate su cicli, soprattutto su grandi insiemi di dati.

Dal punto di vista della supply chain, la programmazione per array è cruciale perché quasi tutte le decisioni pertinenti devono essere calcolate contemporaneamente per migliaia, se non milioni, di SKU, punti vendita o passi temporali. Gli approcci iterativi o basati su cicli rendono questo processo più lento da scrivere, più difficile da correggere e più soggetto a errori silenziosi, soprattutto quando si affrontano casi limite o vincoli intricati. Lo stile vettorizzato della programmazione per array produce invece codice compatto ed espressivo, non soltanto più facile da esaminare, ma anche più semplice da estendere quando emergono nuove linee di prodotto, località o complessità della supply chain. Questa maggiore chiarezza riduce il rischio che sottili errori logici passino inosservati, mentre i guadagni di prestazioni delle operazioni vettorizzate consentono iterazioni più rapide. In pratica, questi due attributi — correttezza e agilità — migliorano notevolmente la capacità dell’impresa di prototipare, affinare e mettere in produzione con fiducia i propri processi decisionali.

Il flusso di dati distribuito è un paradigma di programmazione che distribuisce automaticamente i calcoli su più macchine, partizionando e parallelizzando efficacemente i carichi di lavoro per gestire volumi enormi di dati. Anziché costringere gli sviluppatori a orchestrare la concorrenza passo per passo, questi sistemi rappresentano tipicamente le trasformazioni dei dati come grafi aciclici diretti (DAG), che possono poi essere eseguiti in parallelo da un cluster di macchine¹⁵⁶. Questo approccio favorisce la resilienza ai guasti parziali — i nodi difettosi possono essere aggirati o sostituiti senza arrestare l’intero lavoro — e sfrutta naturalmente le moderne infrastrutture cloud. Astraendo la maggior parte dei dettagli di basso livello della comunicazione di rete e della sincronizzazione dei processi, il flusso di dati distribuito consente ai professionisti di concentrarsi sul flusso logico dei calcoli anziché lottare con le primitive di concorrenza.

Per la supply chain, il significato del flusso di dati distribuito è duplice. Primo, la semplice scala di molte operazioni, che abbracciano SKU, magazzini e rotte di trasporto, richiede di acquisire e trasformare enormi insiemi di dati. Un sistema centralizzato o sequenziale sarebbe proibitivamente lento, lasciando ai decisori risultati obsoleti o costringendoli a limitare l’ambito delle analisi. Secondo, facilita la condivisione di risorse di calcolo necessarie solo a intermittenza. Per esempio, se una previsione deve essere aggiornata soltanto una volta al giorno, le risorse di calcolo corrispondenti possono essere acquisite e rilasciate su richiesta, riducendo drasticamente i costi infrastrutturali. Più in generale, i flussi di dati distribuiti sono cruciali per mantenere prestazioni stabili con carichi di lavoro altamente variabili.

L’esecuzione differenziale è un paradigma di programmazione nel quale il sistema tiene automaticamente traccia delle dipendenze fra i calcoli e riesegue soltanto le parti del workflow interessate da una determinata modifica. Anziché rieseguire l’intera pipeline da zero, il motore esamina un grafo di calcolo, che rappresenta le trasformazioni dei dati come nodi e archi, e valuta un «diff» tra il grafo attuale e quello eseguito in precedenza. I risultati intermedi ancora validi vengono conservati, mentre vengono ricalcolati soltanto i nodi nuovi o modificati. Inoltre, il sistema può memorizzare intelligentemente in cache risultati intermedi costosi o lenti da calcolare, ma di dimensioni relativamente ridotte. Così facendo, accelera le esecuzioni successive che comportano gli stessi calcoli parziali. Questo paradigma si distingue sia dall’elaborazione standard a lotti sia dagli approcci puramente incrementali, perché unisce l’ampiezza di un motore completo per flussi di dati alla selettività di aggiornamenti a grana fine.

Dal punto di vista della supply chain, l’esecuzione differenziale è cruciale perché le ricette numeriche sono intrinsecamente iterative. I professionisti modificano tipicamente poche righe e poi rieseguono la ricetta, verificando la sensatezza dei risultati calcolati fino a quel momento. Poiché la ricetta finale comprende spesso migliaia di righe, il suo sviluppo comporta centinaia di piccole iterazioni. Senza esecuzione differenziale, ogni piccola modifica allo script richiederebbe di rielaborare integralmente tutti gli insiemi di dati. Questo è proibitivamente costoso e scoraggia l’iterazione rapida, soprattutto quando si trattano insiemi di dati da gigabyte provenienti dai sistemi aziendali. Concentrandosi sull’insieme minimo di calcoli da aggiornare, l’esecuzione differenziale risparmia risorse, riduce i tempi di risposta e favorisce cicli di riscontro rapidi.

L’algebra delle variabili aleatorie è un paradigma di programmazione nel quale le quantità incerte vengono modellate e manipolate come variabili aleatorie, non semplicemente come scalari numerici o stime puntuali. In questo ambiente, addizione, moltiplicazione e altre operazioni aritmetiche o logiche possono essere applicate direttamente a variabili aleatorie, producendo nuove variabili aleatorie. Anziché ammassare tutta l’incertezza in simulazioni ad hoc soggette a errori o in tabelle di dati non strutturate, i professionisti possono definire ogni fattore incerto — domanda, tempo di consegna, prezzi d’acquisto, rese produttive o resi — attraverso la sua distribuzione. Quando questi fattori interagiscono, il linguaggio combina senza discontinuità le loro distribuzioni mediante un insieme coerente di operazioni probabilistiche. Il codice risultante rispecchia da vicino i fenomeni stocastici sottostanti, evitando cicli complessi o passaggi Monte Carlo separati. Trattando le variabili aleatorie come elementi di primo livello, questo paradigma consente trasformazioni precise e trasparenti dell’incertezza lungo l’intera pipeline decisionale.

Questo trattamento algebrico dell’incertezza si rivela vitale per la supply chain, dato il ruolo pervasivo delle previsioni probabilistiche nell’analisi del rischio. Nelle operazioni reali non è mai sufficiente seguire un’unica stima ritenuta la migliore: la domanda spesso aumenta bruscamente senza preavviso, i componenti arrivano in ritardo per ragioni che nessuno comprende pienamente e i tassi di cambio oscillano in modi che si fanno beffe delle previsioni semplici. Senza un’«algebra» esplicita per combinare queste distribuzioni, si ricorre quasi invariabilmente ad analisi semplicistiche basate su valori puntuali, che poi scartano silenziosamente informazioni non appena si adottano medie o ipotesi di caso peggiore. Un’algebra delle variabili aleatorie preserva invece l’intera distribuzione di probabilità da monte, per esempio il tempo di consegna del fornitore, a valle, per esempio il posizionamento delle scorte, assicurando che le incertezze restino visibili, coerenti e matematicamente fondate. Questo approccio non soltanto riduce la probabilità di costosi errori di calcolo — nei quali una piccola sottostima può provocare rotture di stock o una lieve sovrastima gonfiare i costi di detenzione — ma accelera anche la sperimentazione.

La programmazione differenziabile è un paradigma che fonde la flessibilità della programmazione generalista con le tecniche di calcolo della differenziazione automatica e dell’ottimizzazione basata sul gradiente. Alla base, questo approccio tratta ogni passaggio di una pipeline di trasformazione dei dati come una funzione suscettibile di differenziazione, consentendo di regolare i parametri mediante discesa del gradiente stocastico o ottimizzatori affini direttamente nel codice che implementa la logica. Anziché relegare l’apprendimento a un ambiente isolato, per esempio esportando i dati verso un insieme di strumenti specializzato nell’apprendimento automatico, la programmazione differenziabile rende il «codice addestrabile» un elemento di primo livello. Ogni trasformazione, dall’analisi dei dati in ingresso alla previsione finale, può essere progettata, annotata con parametri e aggiornata automaticamente per minimizzare una funzione di perdita scelta. Questo paradigma va oltre le procedure puramente numeriche: intreccia le conoscenze del dominio direttamente nella struttura parametrica dei modelli, assicurando che queste strutture restino interpretabili e allineate ai processi aziendali sottostanti.

Nella supply chain, la programmazione differenziabile è particolarmente potente perché colma contemporaneamente diversi divari critici. Primo, i dati della supply chain sono notoriamente sparsi ed eterogenei; molti SKU, luoghi o segmenti temporali offrono soltanto poche osservazioni, ma condividono schemi di livello superiore, come cicli settimanali o aumenti promozionali. Un programma differenziabile può modellare esplicitamente questi schemi attraverso parametri condivisi, migliorando così l’efficienza statistica rispetto ad approcci a scatola nera pronti all’uso. Secondo, la forma stessa del problema di supply chain — il suo insieme di query relazionali, trasformazioni di array e variabili aleatorie — può essere codificata direttamente in uno script parametrico capace di apprendere, anziché costringere i professionisti ad assemblare un progetto basato su un «linguaggio nel linguaggio». Questo allineamento non soltanto snellisce l’iterazione, ma produce anche modelli più trasparenti, i cui parametri denominati — per esempio «ampiezza stagionale», «variazione della congestione portuale», «incremento del Black Friday» — hanno significato per gli esperti del dominio. Soprattutto, integrando i cicli di apprendimento nel normale flusso di dati e decisioni, la programmazione differenziabile offre un ambiente unificato nel quale previsione e ottimizzazione possono evolvere insieme ai vincoli aziendali effettivi, anziché restare separate come un esercizio una tantum o puramente accademico.

La generazione distribuita e deterministica di numeri casuali (RNG) è un paradigma di programmazione concepito per conciliare due obiettivi apparentemente contrastanti: sfruttare simulazioni Monte Carlo su larga scala e su più macchine, assicurando al contempo che ogni esecuzione, anche su un cluster distribuito, produca risultati identici bit per bit a parità di dati in ingresso. In altri termini, l’approccio garantisce che le estrazioni casuali, una volta fissato il seme, seguano uno schema prevedibile lungo tutto il grafo del flusso di dati, indipendentemente dai carichi di lavoro mutevoli o dall’assegnazione dinamica delle macchine. Le tecniche Monte Carlo superano spesso un’algebra diretta delle variabili aleatorie quando il fenomeno in questione resiste alla scomposizione analitica; una parallelizzazione ingenua, tuttavia, può facilmente rendere il processo non deterministico, impedendo di riprodurre esattamente i risultati da un’esecuzione all’altra. La generazione distribuita e deterministica di numeri casuali evita questa insidia mediante un meccanismo attentamente orchestrato di gestione e partizionamento dei semi pseudocasuali, unendo così la flessibilità degli approcci basati sulla simulazione alla riproducibilità vitale per un’ingegneria rigorosa.

Questo paradigma è indispensabile nella supply chain per due ragioni principali. Primo, il dominio è già pieno di incertezza reale: shock della domanda, ritardi dei fornitori, oscillazioni valutarie e altro ancora. Se lo strato software introduce a sua volta una propria casualità — generando risultati diversi a ogni riesecuzione nonostante dati in ingresso invariati — i dirigenti non possono diagnosticare i problemi in modo affidabile né fidarsi della pipeline decisionale. Secondo, le iniziative di supply chain vivono o muoiono in funzione dell’iterazione continua: i professionisti affinano frequentemente le ricette numeriche, riproducono scenari storici e confrontano i nuovi risultati con le vecchie basi di riferimento. Un determinismo rigoroso risparmia loro la caccia a «heisenbug» che svaniscono quando vengono nuovamente testati e garantisce che qualsiasi anomalia scoperta una settimana o un anno dopo possa essere ricondotta alla precisa combinazione di dati e codice che l’ha causata. Preservando l’esatta riproducibilità di simulazioni e previsioni, i team della supply chain acquistano la verificabilità e la fiducia necessarie per automatizzare le decisioni in sicurezza.

9.5.2 Fogli di calcolo

Il successo duraturo dei fogli di calcolo nella supply chain non è una coincidenza. All’interno di un’unica griglia, offrono una forma di programmazione funzionale reattiva strettamente legata all’integrazione verticale: archiviazione dei dati, logica basata su formule e interfaccia utente visiva convivono in un ambiente unificato. Il risultato è un ciclo di riscontro quasi perfetto, simile a un rapido REPL¹⁵⁷, che favorisce una curva di apprendimento dolce. I professionisti della supply chain possono partire da poche celle, modificare una formula e vedere istantaneamente l’esito degli aggiustamenti. Questa immediatezza contrasta nettamente con i workflow classici dell’ingegneria del software, nei quali occorre scrivere, confezionare e poi distribuire il codice prima di poter osservare qualsiasi risultato.

La versatilità programmatica dei fogli di calcolo non va sottovalutata. In pochi minuti, un utente può assemblare una logica ad hoc per le previsioni, il consolidamento delle scorte o le analisi di scenari ipotetici. La barriera d’ingresso è bassa; i responsabili della supply chain non devono diventare amministratori di database o ingegneri del software per gestire molti calcoli quotidiani. Anche se i fornitori hanno ripetutamente tentato di racchiudere previsione o ottimizzazione in moduli analitici «pronti all’uso», i fogli di calcolo sono sempre rimasti popolari. Ciò avviene perché la loro griglia funzionale reattiva può accogliere casi limite e complicazioni «simili a quelle dei cavi»¹⁵⁸ con maggiore flessibilità rispetto a soluzioni rigide preconfezionate.

Nonostante questi punti di forza, i fogli di calcolo sono fondamentalmente incompatibili con la vera automazione delle decisioni di supply chain. I professionisti citano spesso una «mancanza di scalabilità» per spiegare perché i fogli di calcolo falliscano oltre un certo volume di dati, soprattutto quando una cartella di lavoro viene condivisa mediante hosting locale su un’unica macchina. Sebbene ospitare i fogli di calcolo da remoto possa alleviare alcuni oneri prestazionali, non affronta i limiti strutturali più profondi. Due di questi, in particolare, ostacolano la prospettiva di un’automazione robusta della supply chain.

Primo, col tempo i fogli di calcolo si riempiono di logica ampiamente duplicata e dispersa fra decine, talvolta centinaia, di schede e cartelle di lavoro. Ogni volta che un utente copia una formula o ricrea un foglio simile per uno SKU o una località leggermente diversi, la struttura diverge un po’ di più. Alla fine, nessuno riesce più a risalire con sicurezza alle celle che determinano il risultato finale. Anche piccole modifiche diventano pericolose, perché possono spezzare dipendenze nascoste nei riferimenti alle celle. Quando collaborano più persone, questi problemi si moltiplicano. Peggio ancora, i fogli di calcolo in genere non dispongono delle solide funzioni di gestione delle versioni, modularità e audit necessarie per seguire una base di codice in rapida evoluzione.

Secondo, le complessità della supply chain — approvvigionamento da più fonti, vincoli di riempimento dei container, variabilità dei tempi di consegna, distinte base parziali, gerarchie multilivello — raramente si appiattiscono in ordinate griglie bidimensionali. I fogli di calcolo «affettano» forzatamente ogni dimensione in righe e colonne, complicando anche join o riferimenti incrociati di modesta entità. Per esempio, un unico SKU che dipende da due fornitori con strutture di costo e tempi di consegna diversi può richiedere artificiosi ampliamenti delle celle, più numerose schede «ausiliarie» che tentano di simulare un modello relazionale. Quanto più una supply chain richiede logica ramificata o query su più tabelle, tanto più il foglio di calcolo diventa ingestibile.

Oltre a queste barriere immediate, i fogli di calcolo si comportano male anche rispetto ai paradigmi di programmazione più favorevoli alla moderna ingegneria della supply chain:

• La riproducibilità degli stati passati diventa quasi impossibile con fogli di calcolo grandi: si possono salvare le versioni dei file, ma ogni azione dell’utente modifica il documento condiviso, spesso senza un controllo preciso su quali celle siano cambiate e perché. Correggere gli «heisenbug» a posteriori è quasi senza speranza.

• L’algebra delle variabili aleatorie, la programmazione differenziabile o la generazione distribuita e deterministica di numeri casuali non possono essere incorporate in modo praticabile nelle tipiche formule della griglia. Nel migliore dei casi, i professionisti aggiungono macro esterne o componenti aggiuntivi di terze parti, ma questi espedienti raramente producono workflow robusti e adatti alla produzione.

• La strumentazione per gli LLM, che consente ai modelli linguistici di grandi dimensioni di generare o ristrutturare automaticamente il codice, vacilla davanti all’intrinseca dispersione bidimensionale della logica. La maggior parte degli approcci basati sugli LLM presuppone un ambiente testuale più strutturato, nel quale le relazioni logiche siano esplicite, anziché sepolte nei riferimenti alle celle e in macro effimere.

In linea di principio, i fogli di calcolo potrebbero tentare di affrontare alcune di queste carenze, per esempio aggiungendo motori di calcolo più potenti sotto la griglia. Il paradigma stesso, tuttavia, rimane inalterato: è progettato per l’interattività umana e l’esplorazione ad hoc, non per gestire sistematicamente le complessità sempre mutevoli dei flussi su larga scala. Nel momento in cui un’impresa si impegna in un processo decisionale continuo e senza intervento umano — su migliaia o milioni di SKU, in centinaia di località — le crepe emergono. Più vengono rattoppate con rimedi di breve periodo, più la cartella di lavoro diventa contorta, finché nessuno può più fidarsi del fragile edificio che è diventata.

Di conseguenza, i fogli di calcolo, pur essendo stati indiscutibilmente centrali nella pratica della supply chain per decenni, rappresentano un vicolo cieco tecnologico. Il loro fallimento non è semplicemente una questione di «più software» o «hardware più veloce». È l’intera progettazione — formule su griglia, duplicazione manuale della logica, supporto minimo all’audit e attenzione implicita alle modifiche locali degli utenti — a contrastare con i paradigmi necessari all’automazione su larga scala. Proprio perché eccellono nei compiti una tantum o di portata ridotta, i fogli di calcolo non aprono la strada a processi di supply chain robusti e pienamente automatizzati.

9.5.3 Linguaggi generalisti

Con tutti i loro limiti, i fogli di calcolo indicano una verità più ampia: la supply chain richiede una programmazione ad hoc che nessun sistema statico e «preconfezionato» può soddisfare. In linea di principio, qualsiasi linguaggio di uso generale, o «generalista», potrebbe rispondere a questa esigenza, soprattutto ora che i linguaggi moderni sono in larga misura multiparadigma. Sovrapponendo librerie, un team potrebbe riprodurre gli elementi essenziali per la supply chain: riproducibilità degli stati passati, programmazione per array, esecuzione differenziale e altro ancora. Nella pratica, però, questo percorso consuma più sforzo di quanto restituisca.

Primo, i linguaggi generalisti generano complessità accidentale. I modelli orientati agli oggetti, per esempio, diventano inutilmente elaborati quando si modellano dati di supply chain perlopiù tabulari. Lasciate senza restrizioni, le chiamate di rete o di sistema aprono la porta a problemi di sicurezza e ai cosiddetti «attacchi alla supply chain»: infiltrazioni non nel codice dell’impresa, ma in un pacchetto di terze parti da cui dipende. Anche le operazioni puramente matematiche si frammentano in una selva di minuscoli moduli. Più un team sprofonda in questo ecosistema, più tempo spende in complicazioni che hanno poco a che vedere con l’allocazione delle risorse scarse della supply chain.

Secondo, affidarsi a un ambiente generalista impegna di fatto l’impresa in un progetto software completo. Lo strato di archiviazione deve essere scelto, oppure costruito, e integrato; lo strato di calcolo deve scalare per grandi volumi o grandi numeri di SKU; quello di presentazione deve essere programmato o adattato agli utenti della supply chain. Questa sequenza di scelte, ciascuna ancorata a una tecnologia diversa, rende la soluzione più difficile da mantenere. Ogni piccolo cambiamento — una nuova versione del database, una libreria non più mantenuta — può propagarsi in incompatibilità. Nel giro di pochi anni, il «deterioramento del software» prende piede e sottrae risorse ai reali miglioramenti della supply chain.

Terzo, gli oneri accessori di un simile progetto frammentano quasi sempre le competenze. Un piccolo gruppo di specialisti del software, tipicamente con poca esperienza di supply chain, finisce per implementare e mantenere il codice. Nel frattempo, i professionisti effettivi, quelli che comprendono le peculiarità intricate e le innumerevoli altre complicazioni specifiche del dominio, vengono messi ai margini. Devono proporre modifiche indirettamente, aprendo «ticket» e facendo passare le richieste attraverso strati di mediazione. L’agilità evapora man mano che si allunga il ritardo fra scoperta e messa in produzione. Nei casi estremi, la soluzione diventa tanto specializzata che soltanto gli autori originari possono correggerla o estenderla: un assetto fragile quando cambiano le persone o intervengono riorganizzazioni.

Quarto, sebbene i linguaggi generalisti possano in teoria sostenere paradigmi avanzati come la programmazione differenziabile o il Monte Carlo deterministico, raramente lo fanno in modo coeso. Le librerie pertinenti diventano di fatto «linguaggi nel linguaggio». Una gestisce i flussi di dati distribuiti, un’altra le variabili aleatorie, un’altra ancora tenta di gestire le versioni dei dati per riprodurne gli stati passati. Ciascuno di questi sottosistemi richiede una propria configurazione, strutture di dati e modalità d’uso, moltiplicando il carico cognitivo. Quella che doveva essere un’unica pipeline decisionale si frantuma in catene di strumenti separate, ognuna delle quali può cedere nelle giunture.

Nessuna di queste sfide è insormontabile: con talento, denaro e tempo sufficienti, il team giusto può costruire una soluzione funzionante sopra un linguaggio generalista. Alcuni dei maggiori distributori e produttori fanno proprio questo. Tale percorso, però, richiede così tante risorse che soltanto imprese di scala enorme possono sostenerlo, e anche allora resta fragile. I miglioramenti dei modelli linguistici di grandi dimensioni possono automatizzare frammenti di questi workflow, per esempio generando strutture di base o ristrutturando vecchie librerie, ma non risolvono l’incompatibilità tra un linguaggio libero e le esigenze specializzate della supply chain. Paradossalmente, LLM migliori rafforzano le ragioni a favore degli ambienti specifici del dominio: più diventano abili a scrivere e revisionare codice, più un linguaggio essenziale e orientato alla supply chain beneficia del loro aiuto.

In breve, nessuna barriera tecnica assoluta impedisce a un linguaggio generalista di alimentare un processo di supply chain su larga scala e pienamente automatizzato. Impostare un’iniziativa in questo modo impone però oneri accessori e complessità poco adatti alla maggior parte delle organizzazioni. Poiché la supply chain esiste per sfruttare l’opzionalità anziché annegarvi, sovrapporre più paradigmi e librerie, nessuno dei quali risponde nativamente alle esigenze pressanti del settore, si rivela di solito una deviazione, non una destinazione.

10 Implementazione

L’implementazione nella supply chain è il momento in cui i capitoli precedenti — economia, informazione, intelligenza, ingegneria e decisioni — diventano una macchina che compie scelte sensate ogni giorno. La macchina è un sistema di intelligenza che converte registrazioni autorevoli in impegni relativi al flusso, emessi senza intervento umano e verificabili. L’obiettivo non è una «migliore visibilità» né una previsione più bella: è emettere ordini di acquisto, trasferimenti, programmi e variazioni di prezzo economicamente validi per costruzione, e migliorarli direttamente nel sistema.

Il risultato da consegnare è operativo: un’implementazione funzionante acquisisce estrazioni grezze dai sistemi di registrazione, incorpora un obiettivo espresso in denaro in presenza di incertezza probabilistica e riscrive le decisioni nei registri. La sua presenza si manifesta nelle emissioni — righe create nelle tabelle degli ordini di acquisto, trasferimenti di scorte registrati, prezzi pubblicati — senza che un pianificatore accompagni ogni riga attraverso un foglio di calcolo. Tutto ciò che si ferma prima di emettere decisioni senza intervento umano è una messinscena progettuale.

Tre proprietà rendono questo sistema sicuro e produttivo nella pratica. Primo, la responsabilità: un piccolo gruppo — idealmente una persona identificata per nome — assume la responsabilità completa della ricetta numerica, il codice che definisce le opzioni, valorizza i compromessi e produce gli impegni quotidiani. Secondo, la trasparenza: ogni emissione è accompagnata da un dossier che ne espone i principali fattori economici, affinché i professionisti possano vedere perché la decisione è sensata e la funzione finanziaria possa verificarla in unità monetarie. Terzo, la reversibilità: il motore è senza stato e protetto da euristiche di arresto; può essere eseguito in parallelo, portato in produzione o riportato alla versione precedente nel giro di ore, e si arresta quando la fiducia diminuisce.

Il percorso verso questo stato non è misterioso, ma non perdona. Inizia con estrazioni grezze quotidiane, non filtrate, fedeli allo schema e stabili; prosegue con una prima ricetta eseguita ogni giorno accanto alla procedura manuale, finché non rimangono più righe insensate; e culmina in un’introduzione progressiva che dismette i fogli di calcolo anziché avvolgervi il motore. Il perimetro è definito per includere i flussi che competono per le stesse risorse scarse; i ruoli sono ridotti a quanto il lavoro richiede; il governo dell’iniziativa è economico, non rituale.

Gran parte di ciò che fa deragliare le implementazioni è già noto: progetti pilota mantenuti in sola lettura che non riscrivono mai nei registri neppure un impegno relativo al flusso, dataset parziali che nascondono gli effetti di scala, parametri copiati dagli strumenti precedenti con un’imitazione acritica, comitati che discutono previsioni anziché decisioni e rituali d’acquisto che favoriscono il fornitore più bravo con le scartoffie rispetto a quello più bravo con le decisioni. Evitare queste trappole richiede lo stesso atteggiamento sostenuto in tutto il libro: inquadrare il problema in denaro, esplicitare le opzioni, rappresentare fedelmente l’incertezza e lasciare il lavoro amministrativo al software che opera senza intervento umano.

Questo capitolo è un manuale per applicare tale atteggiamento in produzione: mostra come scegliere un partner quando serve; come definire il perimetro affinché il motore incontri rapidamente vincoli reali; come strutturare la pipeline di dati; come scrivere la ricetta, dotarla di strumentazione e renderla robusta; come eseguirla in parallelo e passare al funzionamento senza intervento umano; e come mantenere sano il sistema una volta operativo, mentre ruoli e incentivi si adattano. Lo scopo non è aggiungere un altro strato di reporting, ma sostituire le procedure manuali con un bene capitale che emetta, verifichi e migliori le decisioni al ritmo della macchina.

Poiché molte imprese non costruiranno tutto internamente, iniziamo dagli aspetti pratici della scelta di un fornitore. Il metodo qui raccomandato — la ricerca di mercato in contraddittorio — si adatta all’opacità e agli incentivi del software meglio della messinscena delle RFP, ed è coerente con la priorità attribuita all’economia nei capitoli precedenti. Scelto il partner, passiamo alla predisposizione e al perimetro, alla ricetta numerica, agli effetti di sistema, ai ruoli, alle tempistiche e ai meccanismi di introduzione e manutenzione.

Per brevità, la seguente terminologia viene usata in modo coerente. Un sistema di intelligenza indica il bene implementabile che converte registrazioni autorevoli, insieme a pochi flussi esterni verificati, in impegni relativi al flusso emessi senza intervento umano, verificabili e riscritti nei registri. Il suo nucleo logico — il programma che definisce le opzioni, valorizza i compromessi, rappresenta l’incertezza ed emette le righe — è la ricetta numerica.

10.1 Scegliere un fornitore

La complessità delle supply chain moderne supera di gran lunga ciò che si può fare senza ricorrere al software. La maggior parte non ha i mezzi o la propensione per sviluppare questi strumenti internamente, anche se il panorama open source riduce notevolmente l’onere finanziario di una simile impresa. I fornitori di software per la supply chain abbondano quindi, e la maggior parte delle aziende, oltre una certa dimensione, si trova regolarmente a doverne scegliere uno.

Eppure il settore del software presenta una varietà straordinaria pur rimanendo relativamente opaco. L’opacità è multidimensionale: funzionalità, prestazioni, canoni di licenza, costi operativi, affidabilità, manutenibilità, capacità di evoluzione, sicurezza e altro ancora.

Il panorama open source dovrebbe, in linea di principio, essere più trasparente, dato che il codice sorgente può essere esaminato liberamente, ma nella pratica esistono due importanti riserve. Primo, è raro trovare le competenze tecniche necessarie per valutare in modo affidabile una determinata tecnologia open source. Presumere che una tecnologia open source sia valida soltanto perché proviene da una fonte nota — per esempio un grande fornitore di software — è una ricetta per il disastro ampiamente collaudata. I fornitori abbandonano continuamente progetti open source perché hanno poco da perdere. Secondo, il panorama open source offre soprattutto componenti anziché soluzioni, in particolare nel software aziendale. Se vuole sfruttare quei componenti, l’azienda si ritrova quindi ad avviare quello che, di fatto, è un progetto software interno.

Nel bene e nel male, le aziende finiscono dunque per scegliere fornitori di software in condizioni di forte incertezza. Eppure il software, come la maggior parte delle attività intellettuali, presenta contributi di qualità estremamente disomogenea, dalla stupidità abissale ai vertici dell’ingegno umano. Se si combinano l’opacità intrinseca del software e un’offerta di fornitori che comprende una folta schiera di «pericolosamente incompetenti, per quanto affascinanti», diventa imperativo prestare grande attenzione ai fornitori scelti.

A loro merito, oggi la maggior parte delle grandi aziende riconosce il problema e dedica notevoli sforzi alla ricerca di mercato sui fornitori di software. Nessun altro settore attira una spesa altrettanto elevata per la ricerca di mercato. Come prova aneddotica, basta osservare distrattamente le società di ricerca di mercato per notare che i comparti del software fanno letteralmente impallidire tutti gli altri comparti messi insieme.

Sì, la maggior parte delle ricerche di mercato sul software prende in prestito metodi da altri settori; questi metodi sono disfunzionali per il software. I casi di studio e le richieste di proposta sono i principali colpevoli. Il software richiede un approccio diverso: la ricerca di mercato in contraddittorio.

Le insidie dei casi di studio — spesso presentati come prove nella selezione dei fornitori — sono state esaminate nel capitolo Epistemologia. Questa sezione si concentra sulle RFP e su un’alternativa più affidabile: la ricerca di mercato in contraddittorio.

10.1.1 Richieste di proposta

Le richieste di proposta¹⁵⁹ (RFP) sono un gioco di potere burocratico all’interno delle grandi organizzazioni. Per il software, le RFP non sono né razionali, né veritiere, né informative. Incarnano la mentalità burocratica: l’ossessione per il processo a scapito del risultato. Nei sistemi di intelligenza, questi difetti sono fatali: le liste di controllo non possono certificare la qualità delle decisioni emesse senza intervento umano, il comportamento all’arresto o la possibilità di riscrittura sotto pressione. Una RFP orienta l’azienda verso l’incompetenza. Troppo spesso le RFP vengono trattate come una piaga inevitabile per qualsiasi organizzazione oltre una certa dimensione. Eppure questa piaga autoinflitta non ha nulla di inevitabile. Eliminarla richiede soltanto un po’ di fermezza da parte dell’alta direzione.

Consideriamo un’azienda la cui direzione si trova di fronte a una sfida — o a un’opportunità — software che supera le risorse interne. Dopo qualche scambio informale con uno o due fornitori, la direzione decide che sarà un soggetto esterno ad affrontare la sfida.

La mitologia delle RFP si svilupperebbe in cinque fasi. (1) Per prima cosa si mette per iscritto la sfida. (2) I dipendenti elaborano poi un elenco di domande di presunta alta qualità, volte a ottenere risposte adeguate a quella sfida. (3) Si individuano i fornitori pertinenti e si invia loro il documento RFP così compilato. (4) Ogni fornitore presenta diligentemente risposte veritiere ed esaustive, che vengono raccolte e ordinate. (5) Infine, la direzione valuta le risposte in modo obiettivo e assumendosene la responsabilità, per scegliere il fornitore migliore.

Purtroppo, ogni passaggio di questa mitologia è sbagliato, se non delirante.

(1) Descrivere per iscritto, con chiarezza, il problema preciso che il software dovrebbe affrontare è più difficile che scrivere il software stesso. Ai non iniziati può sembrare sconcertante. Eppure la maggior parte delle iniziative software di successo non nasce da soluzioni superiori a problemi noti, ma dall’individuazione di un problema completamente nuovo. Inquadrare il problema è un compito aperto. I processi formali irrigidiscono il pensiero e riducono la qualità delle scoperte. Tra i modi quasi infiniti di osservare una situazione, bisogna scegliere l’angolazione che si presta all’implementazione. Occorre poi integrare tecnicamente centinaia, forse migliaia, di fattori.

Gli incentivi aziendali compromettono ulteriormente lo sforzo. La crescente autocompiacenza di un dirigente che invecchia potrebbe benissimo essere il nocciolo del problema aziendale, ma nessuno lo scriverà in una nota semipubblica da condividere con soggetti esterni. Una nota del genere eviterà con cura qualsiasi cosa possa essere interpretata come un insulto alle capacità professionali di qualcuno nell’azienda. Inevitabilmente, girerà intorno alla questione, proteggendo gli ego anziché l’impresa. Lungi dall’essere semplice galateo, questo garantisce che il fornitore scelto insegua una soluzione che ha poco a che vedere con il problema reale.

(2) Far elencare ai dipendenti le domande di una RFP produce invariabilmente materiale degno di uno sketch comico. I consulenti aggiungono ulteriori motivi di ilarità. L’obiettivo dovrebbe essere formulare domande che suscitino risposte discriminanti, ma l’impresa degenera in tutt’altro. Le domande vengono formulate per impressionare i colleghi. Chi non ha domande intelligenti compensa con la quantità. Le domande delle RFP precedenti vengono riciclate ad infinitum.

Le domande insulse sono già abbastanza dannose; a centinaia possono far deragliare un’iniziativa sul nascere. Peggio ancora, deformano le offerte dei fornitori. La maggior parte di queste domande è costituita da requisiti mascherati. Lungi dall’essere un’indagine aperta, definiscono e restringono pesantemente ciò che può essere considerato una «soluzione». Di solito suonano così: «Il fornitore può garantire che gli utenti finali potranno fare X mentre interagiscono con Y?». Rispondere di no garantisce la squalifica immediata, anche quando si può dimostrare che «fare X mentre si interagisce con Y» è una pessima idea.

Più in generale, la mentalità del non esistono domande stupide appartiene alla scuola primaria. Ogni domanda orienta l’iniziativa. Domande insulse producono risposte insulse. Inoltre, ogni domanda consuma una frazione della capacità di attenzione che la direzione può dedicare all’iniziativa. Quando l’attenzione dei dirigenti è dispersa, bastano poche domande sbagliate per indurli a scegliere un fornitore sulla base di dettagli irrilevanti.

(3) Stilare una rosa ristretta di fornitori permette a qualcuno — spesso nemmeno un dipendente, per esempio un consulente — di prendere la decisione più importante della RFP senza assumersi alcuna responsabilità. Nella pratica, chi seleziona i fornitori ammessi sceglie implicitamente il vincitore. Il resto è soltanto una formalità dettata dal galateo aziendale.

I fornitori possono essere numerosi, ma restringerne la rosa sembra necessario soltanto perché l’elenco delle domande è irragionevolmente lungo. Elaborare così tante risposte per più di una manciata di fornitori è infatti un compito scoraggiante. Questo onere è una conseguenza fuori controllo di un approccio disfunzionale.

(4) I fornitori che rispondono alle RFP non hanno alcun incentivo a essere sinceri. La stragrande maggioranza delle domande sollecita una risposta precisa: La vostra soluzione può fare X? Qualsiasi fornitore che conosca il mestiere sa esattamente quali risposte ci si aspetta e risponde di conseguenza. Aspettarsi che si attenga alla «verità» è un’illusione. Il software è complesso; il software aziendale lo è ancora di più. Quasi tutte le domande ammettono un numero quasi infinito di interpretazioni. Il fornitore non ha bisogno di mentire: basta un po’ di immaginazione per inventare un’interpretazione che renda «veritiera» qualsiasi risposta.

Neppure rendere le risposte giuridicamente vincolanti ne migliorerà la veridicità. Il software aziendale è abbastanza oscuro da consentire di interpretare quasi qualsiasi affermazione come veritiera, soprattutto con l’aiuto di avvocati capaci.

Questi accordi, e le altre vessazioni imposte ai fornitori di software, peggiorano la situazione per l’azienda. I buoni fornitori, in una certa misura, scelgono i propri clienti. Si tirano indietro quando un potenziale cliente avanza richieste irragionevoli. I cattivi fornitori — disperati perché la loro tecnologia si rivela carente — accettano volentieri qualsiasi follia burocratica venga loro imposta: è il loro unico vantaggio competitivo. Le aziende che prendono le RFP «sul serio» praticano quindi una selezione avversa. I buoni fornitori si ritirano; i cattivi perseverano.

(5) Infine, bisogna scegliere un fornitore di software. A quel punto si è raccolta una montagna di materiale: risposte orientate a domande irrilevanti. Tutto questo presuppone che la formulazione iniziale del problema fosse corretta, una premessa dal valore dubbio. La prospettiva delle RFP suppone che l’alta direzione possa scegliere il fornitore migliore con la sola forza dell’intelletto. Sciocchezze. Nella pratica, di solito è ancora peggio.

Spesso la selezione positiva non avviene mai. I fornitori vengono esclusi con un veto, uno dopo l’altro, finché non ne rimane uno solo accettabile. Per un veto basta che un dirigente abbastanza influente si dichiari «preoccupato». Che la preoccupazione sia motivata o sia soltanto una preferenza conta poco. Finché non pone il veto a più fornitori contemporaneamente — cosa percepita come un’ingerenza abusiva — la sua obiezione gli conferisce de facto un potere di veto. Le aziende più grandi sono avverse al rischio. Sostenere un’iniziativa segnalata come rischiosa da un collega mette in pericolo la propria carriera, se l’iniziativa fallisce.

Questa selezione finale non garantisce affatto un buon fornitore. Al contrario, favorisce la mediocrità. Un buon fornitore ha probabilmente un effetto trasformativo. Dopotutto, rendimenti sostanziali dell’investimento richiedono di abbandonare lo status quo. Questo allontanamento inimica invariabilmente i baroni i cui feudi vengono messi in discussione. Quei baroni si opporranno con veemenza a tali fornitori. Un fornitore mediocre è tutt’altro che trasformativo: abbraccia lo status quo e non scontenta nessuno. Purtroppo, ciò garantisce che, nel migliore dei casi, produca un rendimento scarso o nullo.

Le RFP sono dunque profondamente disfunzionali. Generano anche una considerevole mole di lavoro inutile: centinaia di domande da scrivere e migliaia di risposte da esaminare. Per questo si assumono consulenti che le gestiscano¹⁶⁰. Invariabilmente, i consulenti peggiorano le cose: l’eccesso di lavoro inutile dell’azienda è la loro fonte di reddito. Gonfiarlo viene venduto come «eccellenza di processo». Domande palesemente irrilevanti vengono mantenute per garantire una «copertura completa». Le scorciatoie che accelererebbero il processo vengono respinte perché «non sicure» o «non collaudate». Alla fine, i consulenti propendono quasi invariabilmente per il fornitore che offre le prospettive più ricche di consulenza.

10.1.2 Ricerca di mercato in contraddittorio

La ricerca di mercato in contraddittorio affronta direttamente due problemi fondamentali dei progetti software: gli incentivi avversi nelle dinamiche tra fornitore e cliente e l’enorme asimmetria informativa a favore dei fornitori. È meno burocratica, e quindi più snella, e più razionale, e ha quindi maggiori probabilità di associare il fornitore giusto alla sfida giusta.

Il metodo funziona così¹⁶¹. Quando riconosce un’opportunità software che supera le risorse dell’azienda, il dirigente chiede a un fornitore — di solito quello che gliel’ha fatta scoprire — di redigere per suo conto una breve formulazione del problema. Questa deve concentrarsi esclusivamente sull’inquadramento della sfida e sulle specificità dell’azienda, non sulla soluzione del fornitore.

Se il fornitore non resiste alla tentazione di promuovere la propria offerta, il dirigente deve semplicemente eliminare quelle parti; il documento è comunque breve. Se alcuni dettagli — per esempio i numeri che caratterizzano la supply chain — sono troppo riservati, vanno resi più vaghi, ad esempio arrotondando le cifre. L’obiettivo è preservare l’essenza della sfida, non i suoi dettagli minuti. La nota così ottenuta non nomina il fornitore che l’ha redatta e non contiene informazioni eccessivamente sensibili.

Con questo breve documento in mano, il dirigente contatta alcuni concorrenti del fornitore. Nella loro scelta è accettabile procedere per intuizione, purché siano alternative plausibili. Invia la nota a ciascun concorrente, precisando che si tratta di una bozza approssimativa, che potrebbe aver inquadrato male la sfida e che cerca il parere di esperti per riformulare il problema. Chiede inoltre ai fornitori, compreso quello iniziale, altri due elementi. Primo, una proposta informale e di massima, coerente con la formulazione del problema rivista dal fornitore. Secondo, un elenco di almeno tre concorrenti pertinenti, classificati secondo il giudizio del fornitore stesso. Per ogni concorrente elencato occorrono alcuni paragrafi che ne spieghino i punti di forza e di debolezza percepiti.

Man mano che gli elenchi dei concorrenti rivelano altri fornitori, questi vengono aggiunti all’indagine. Qualsiasi fornitore che non consegni questi modesti elementi entro due settimane viene escluso. L’indagine termina quando il dirigente torna agli stessi fornitori e sembra non esserci più nulla da esplorare.

Conclusa l’indagine, il dirigente riunisce i risultati e crea un breve dossier per ciascun fornitore. Ogni dossier comprende ciò che hanno detto i concorrenti, insieme alla formulazione del problema del fornitore e alla proposta di massima associata.

Infine, insieme ad al massimo due colleghi, il dirigente esamina i risultati per scegliere un fornitore. La scelta è una questione di giudizio e non può essere formalizzata rigidamente. Naturalmente, l’opinione dei concorrenti deve avere un ruolo importante nella valutazione di ogni fornitore. Inoltre, la qualità della sua formulazione del problema e delle sue descrizioni dei concorrenti va considerata un segnale rivelatore di competenza, o di incompetenza se è scarsa. Le proposte di massima servono a dirimere i casi di parità. Per consentire una verifica successiva, i risultati dell’indagine vengono archiviati insieme a una breve nota che spiega il ragionamento alla base della scelta finale. Dopodiché l’azienda riprende il normale processo d’acquisto, che probabilmente richiederà un’offerta dettagliata e un contratto completo da questo solo fornitore.

Come già affermato, la ricerca di mercato in contraddittorio affronta le carenze dei metodi tradizionali, come le RFP, ossia le richieste di proposta. Esaminiamo questa affermazione a partire dall’asimmetria informativa.

Lasciare che l’azienda formuli da sé il problema, come nelle RFP, è una ricetta per indurre i fornitori a mentire spudoratamente e far sembrare le proprie soluzioni adatte alla formulazione proposta. Poiché i fornitori di software aziendale conoscono le proprie capacità reali molto meglio dei clienti, è quasi impossibile distinguere la verità dalla finzione. Non è ragionevole aspettarsi che un fornitore cambi radicalmente la propria tecnologia per adattarsi a un cliente. Costruire una buona tecnologia software richiede anni¹⁶². Con ogni cliente, il fornitore può fare un po’ meglio rispetto alle iniziative precedenti, ma il processo è tediosamente lento e incrementale.

Per questo è essenziale lasciare che sia il fornitore a formulare il problema. Quando tiene lui la penna, non ha alcun incentivo a elaborare una formulazione inadatta alla propria tecnologia. Al contrario, la modellerà il più vicino possibile alla soluzione di cui dispone. Inoltre, i fornitori — salvo forse i più incompetenti — sanno molto più del cliente come inquadrare il problema. Ciò che il cliente vede come un unico problema potrebbe infatti essere una serie di sottoproblemi da affrontare meglio separatamente, con tecnologie distinte. Viceversa, questo «unico problema» potrebbe essere soltanto la punta dell’iceberg e richiedere una prospettiva più ampia e un approccio tecnologico del tutto diverso. Un fornitore competente dimostrerà la propria padronanza presentando ragioni convincenti per osservare la sfida attraverso le lenti giuste.

Lasciare che i fornitori mettano a nudo i propri concorrenti affronta il bias di selezione che affligge le RFP. La selezione iniziale dei fornitori è una delle decisioni più importanti dell’intera iniziativa. Eliminarne precocemente alcuni garantisce quasi che venga scelto un fornitore privilegiato. Finché l’indagine ne comprende una mezza dozzina o più, pochi metteranno in discussione l’adeguatezza della selezione. Questa fragilità è un segreto di Pulcinella e viene ampiamente sfruttata nelle RFP reali.

Al contrario, è molto più difficile manipolare l’elenco complessivo prodotto dai fornitori. Ognuno ha i propri pregiudizi e può omettere intenzionalmente un concorrente ritenuto troppo minaccioso. La mancanza di coordinamento rende però difficile prendere di mira un singolo fornitore. Inoltre, ciascuno sa che è in gioco l’immagine della propria competenza. Verrà valutato in base alla qualità dei concorrenti che segnala. Presentarsi al cliente con una rosa di pseudoconcorrenti, incompetenti o irrilevanti, qualifica il fornitore stesso come incompetente.

Alcuni fornitori addurranno ogni sorta di scusa per spiegare perché non possono fornire un elenco di concorrenti, tanto meno valutarli. Eppure, in un libero mercato, un’azienda non può plausibilmente essere «all’avanguardia» ignorando del tutto ciò che fanno i rivali. Questo vale a maggior ragione nel software, dove il progresso è estremamente incrementale. I fornitori ignari dei propri concorrenti sono comuni: è un segnale rivelatore di totale incompetenza e va trattato come tale.

Saltare l’intero gioco di domande e risposte è un pregio, non un difetto. Quei questionari degenerano invariabilmente in un mostro burocratico. Domande irrilevanti e requisiti mascherati finiscono per dominare il processo. Frustrano i buoni fornitori e rafforzano quelli cattivi. Partecipare a questo gioco non ha semplicemente alcun valore. Gli incentivi sono sbagliati e non ci si può fidare né degli input, le domande del cliente, né degli output, le risposte del fornitore.

Allo stesso modo, insistere sulle stime di massima è intenzionale. Il software aziendale non è una scienza esatta. Un fornitore competente non ha bisogno di una lunga verifica per elaborare una stima ragionevole del costo totale di possesso di una soluzione che ha creato lui stesso. L’incapacità di fornire una simile stima va considerata un segnale rivelatore di incompetenza. Come minimo, la stima deve coprire i compensi del fornitore, quelli dei soggetti di supporto e il costo delle risorse interne dedicate alla soluzione. Uno degli espedienti più frequenti nelle stime errate dei costi è chiudere un occhio sui costi accessori oltre al compenso del fornitore. Sebbene questo processo non possa impedire a un fornitore di omettere qualche voce, la mancanza di cooperazione tra fornitori garantisce una copertura piuttosto ampia delle spese previste.

Al contrario, le RFP tradizionali costringono i fornitori a confrontarsi con elenchi sbalorditivi di requisiti insulsi. I buoni fornitori sanno che eliminare queste assurdità richiederà notevoli sforzi e che, il più delle volte, finiranno per implementare numerose funzionalità di dubbio valore. Di conseguenza, di fronte a una RFP tradizionale, i fornitori gonfiano invariabilmente i propri compensi. Chiuderanno inoltre volentieri un occhio su ogni costo non direttamente imputabile a loro, a meno che la RFP non lo menzioni esplicitamente.

Infine, la valutazione dei concorrenti è l’unica informazione che separa davvero il grano dalla pula. Ogni software ha punti di forza e di debolezza, ma nessun fornitore — salvo forse il più incompetente — esporrà volontariamente i peggiori difetti della propria soluzione. Se messo alle strette, presenterà problemi minori per esibire una falsa umiltà. Sviare l’attenzione è semplice quando si tratta di qualcosa di complesso e opaco come il software aziendale. I concorrenti, invece, non esiteranno a mettere in luce il brutto e il peggio. Data la natura del software aziendale, accuse e affermazioni denigratorie non servono. Un fornitore può semplicemente suggerire al cliente di esaminare alcuni aspetti ben scelti dell’offerta di un rivale. Inoltre, portare elementi pertinenti all’attenzione del cliente è, di per sé, una dimostrazione di competenza.

La ricerca di mercato in contraddittorio rafforza i buoni fornitori. Possono insegnare al cliente l’arte di valutare i fornitori. Possono inquadrare la sfida per massimizzare i rendimenti dell’implementazione della soluzione. Possono offrire prezzi più bassi, perché non devono districarsi in un’opprimente follia burocratica. L’unico svantaggio è che spesso richiede più fermezza di quanta ne abbiano i dirigenti autocompiaciuti, restii a urtare il proprio apparato burocratico.

Una volta che un fornitore supera questa indagine in contraddittorio e viene scelto, il lavoro torna all’implementazione vera e propria: predisporre le estrazioni grezze, scrivere la prima ricetta numerica ed eseguirla in parallelo finché non rimangono più righe insensate.

10.2 Definire il perimetro dell’implementazione

Nella pratica, «le stesse risorse scarse» significa un insieme condiviso di scorte; capacità condivisa a monte (stampi, MOQ, scaglioni di sconto, linee di credito); un collo di bottiglia condiviso nel trasporto (tratta, coppia di porti, categoria di veicoli); e, cosa abitualmente dimenticata, una quota condivisa dell’attenzione dei dirigenti. Quando si avvia una nuova iniziativa di supply chain, il primo compito è chiarirne lo scopo ultimo e i confini entro i quali opererà. Un’azienda potrebbe, per esempio, voler migliorare la programmazione della produzione o le quantità di riordino, oppure unificare diversi processi decisionali che storicamente hanno funzionato su fogli di calcolo frammentati. In ogni caso, però, la trasformazione deve essere esplicita fin dall’inizio: quali decisioni cambieranno, chi ne sarà responsabile e come entreranno nelle operazioni quotidiane?

Un punto essenziale: un’iniziativa che mira soltanto a migliorare la «visibilità» o a produrre indicatori accessori non può, da sola, ottenere rendimenti duraturi. Tutti questi sforzi di visibilità, anche i dashboard più sofisticati, rimangono vuoti se le persone nell’organizzazione continuano a prendere le stesse decisioni manuali, passo dopo passo, che precedevano l’iniziativa. Viceversa, una volta definito l’obiettivo come un sistema di intelligenza — che produca ed esegua regolarmente azioni tangibili, come ordini di acquisto o allocazioni di capacità — diventa più semplice formulare ogni requisito. Questa attenzione alla produzione di una decisione quotidiana o settimanale in un ambiente operativo, e alla fiducia in essa, costringe l’azienda ad allineare ruoli e risorse intorno a un risultato ancorato fin dall’inizio alle proprie realtà economiche.

Ne deriva una regola pratica utilizzabile: se più negozi attingono allo stesso centro di distribuzione, includerli tutti in una volta; altrimenti il motore farà arbitraggio tra fogli di calcolo anziché tra opzioni. Se due fabbriche o due DC, centri di distribuzione, sono davvero disgiunti — nessun insieme comune di scorte a monte, nessuna tratta principale condivisa a valle, nessun gruppo acquisti comune — introdurli in fasi separate. Se uno stampo, una MOQ o una struttura di sconti a scaglioni di un fornitore lega insieme gli articoli, includere subito l’intera famiglia nel perimetro. Se il collo di bottiglia è una tratta principale o una coppia di porti, includere ogni flusso che vi transita. Se gli stessi pianificatori devono arbitrare lo stesso budget o la stessa linea di credito, mantenerne unito il dominio: l’attenzione dei dirigenti è limitata quanto i pallet e le ore.

Decidere quanto ampio o ristretto debba essere il perimetro non è meno importante. Un’iniziativa potrebbe riuscire ad automatizzare il riapprovvigionamento di un singolo impianto, ma spostare involontariamente i problemi altrove, per esempio creando colli di bottiglia a valle o prezzi non allineati a monte. Quando l’obiettivo sono decisioni quotidiane sensate, considerare una sola linea di prodotti o una manciata di magazzini si rivela spesso fuorviante. Può sembrare «più sicuro» iniziare in piccolo, ma profonde interdipendenze strutturali rendono spesso queste prove pilota locali non rappresentative. Un progetto definito in modo ristretto può essere tanto vincolato che l’azienda non vede mai come l’iniziativa si comporti di fronte alla vera complessità delle proprie operazioni. D’altro canto, un perimetro troppo esteso può affondare il progetto sotto anni di ritardi nell’integrazione dei dati. Il giusto equilibrio, nella pratica, include tutti i flussi significativi che competono per le stesse risorse — scorte, trasporto o impianti produttivi — evitando deviazioni facoltative verso funzioni che incidono poco sulle decisioni di supply chain.

È altrettanto essenziale stabilire un insieme minimo di ruoli ben definiti. Nonostante la miriade di qualifiche professionali presenti in una grande supply chain, bastano poche posizioni responsabili di sostenere un processo decisionale automatizzato. Il Responsabile dei dati mantiene regolare l’estrazione dei dati transazionali grezzi, idealmente una copia completa non filtrata, affinché la preparazione successiva possa restare flessibile e trasparente. Uno Scientist assume poi la responsabilità dell’intero insieme di strumenti tecnici e analitici che conduce dai dati grezzi alla decisione finale raccomandata. Un Responsabile del flusso operativo quotidiano — in precedenza un pianificatore nelle procedure antecedenti all’automazione — apporta conoscenza del contesto, contesta i risultati sospetti e chiarisce i vincoli sul campo. Infine, un dirigente della supply chain è pronto ad arbitrare quando l’iniziativa incontra ostacoli, assicurando che, se viene introdotto un nuovo centro di distribuzione o uno strumento software, la modellazione alla base delle decisioni venga rivista di conseguenza anziché lasciata alla deriva.

Tutti questi elementi — un’esplicita attenzione alle decisioni, un perimetro ben scelto, ruoli definiti correttamente e un calendario di avviamento delimitato ma fermo — aprono la strada a un’iniziativa senza intoppi. Rendono inoltre evidente che l’oggetto di interesse non è una formula o un ottimo teorico, ma una ricetta viva, aggiornata e rieseguita in un ambiente mutevole di fornitori, clienti e cambiamenti operativi. Poste queste fondamenta, il passo successivo consiste nell’esaminarne il nucleo: la ricetta numerica al cuore del sistema di intelligenza, che traduce ogni dato pertinente nelle decisioni concrete e quotidiane che guidano il flusso dei beni.

Questa sezione riprende il modo di inquadrare un’iniziativa di supply chain affinché produca le decisioni quotidiane o settimanali necessarie a gestire una supply chain, assicurandosi al contempo gli elementi «immateriali», ruoli e leadership, che ne garantiscono l’allineamento con gli obiettivi aziendali.

10.2.1 La ricetta numerica

Ai fini dell’implementazione — e soltanto del perimetro — conviene considerare la ricetta numerica come un contratto al confine dell’iniziativa. Esprime nel codice tre elementi che la definizione del perimetro deve risolvere in anticipo: le decisioni che il motore può emettere, e i registri in cui scrivono; le opzioni che può considerare, e quelle mantenute esogene; le risorse condivise che valorizza internamente rispetto a quelle che acquisisce sotto forma di prezzi ombra esterni. Tutto il resto — impostazione delle previsioni, teoria delle decisioni, ricerca degli errori nelle righe «insensate» — è stato trattato nei capitoli precedenti e non viene ripetuto qui.

Primo, le decisioni: una ricetta con un perimetro definito indica con precisione le proprie emissioni. Per il riapprovvigionamento: righe inserite nelle tabelle degli ordini di acquisto o di trasferimento; per la produzione: orari di avvio e quantità su un insieme finito di ordini di lavoro; per i prezzi: variazioni pubblicate a una cadenza concordata. Le emissioni devono essere idempotenti e senza stato: gli stessi input producono gli stessi output. La riscrittura può essere riconciliata senza ambiguità attraverso un identificativo della decisione e una marca temporale. Questa dichiarazione circoscritta ancora il perimetro alla realtà: se una decisione non può essere riscritta nel sistema di registrazione, è fuori perimetro.

Secondo, le opzioni: il perimetro fissa ciò che il motore può variare e ciò che deve prendere come dato. Se l’iniziativa copre le spedizioni dai DC ai negozi mentre la determinazione dei prezzi rimane esclusa, il prezzo viene letto, non scelto; i suoi effetti entrano nell’obiettivo attraverso il registro monetario dell’impresa. Se gli ordini oltremare rientrano nel perimetro ma la selezione del vettore no, le modalità di trasporto arrivano come costi e distribuzioni dei tempi di consegna, non come scelte. Dichiarare le mosse ammissibili impedisce di ricadere nelle improvvisazioni su fogli di calcolo che ampliano informalmente il perimetro e cancellano la responsabilità.

Terzo, le risorse condivise: il perimetro è valido soltanto se ogni risorsa che costituisce un vincolo attivo al suo interno viene decisa o valorizzata qui. Insiemi condivisi di scorte, famiglie di stampi soggette a scaglioni di MOQ, capacità di movimentazione delle banchine, capacità tra coppie di porti, linee di credito degli acquirenti e persino l’attenzione dei dirigenti sono esempi tipici di risorse vincolanti. Quando una di esse si estende a cavallo del confine, il perimetro deve acquisire e rispettare un prezzo ombra fornito dal dominio adiacente. In assenza di quel prezzo, il motore fa arbitraggio tra fogli di calcolo anziché tra opzioni. Viceversa, una volta inclusa una risorsa vincolante, il prezzo ombra esterno viene dismesso: l’accoppiamento è internalizzato.

Una ricetta con un perimetro definito comprende anche l’attribuzione. La sua finestra di responsabilità — dall’istante in cui un impegno immobilizza una risorsa fino alla seconda opportunità successiva di riassegnarla o liquidarla — è esplicita, con valutazioni terminali ed effetti cricchetto dichiarati. Entro tale finestra, il motore risponde delle conseguenze delle proprie emissioni, espresse in unità monetarie: penalità per vendite perse, costi delle eccedenze, congestione, ribassi. Oltre quel limite, i costi vengono valorizzati come valori terminali anziché inseguiti indefinitamente. Questo confine impedisce il doppio conteggio tra iniziative e il consueto scaricabarile tra gruppi adiacenti.

La definizione del perimetro richiede arresto e reversibilità ai suoi confini. Il motore deve fermarsi da solo quando gli input sono obsoleti, quando mancano prezzi ombra esogeni o quando falliscono le verifiche di sensatezza a livello di dossier. Il passaggio al funzionamento senza intervento umano dipende dal fatto che questi arresti siano rari e diagnosticabili. La reversibilità si ottiene attraverso l’assenza di stato e le riesecuzioni deterministiche: l’esecuzione di ieri può essere ricostruita da codice ed estrazioni versionati, senza invocare la «deriva dei dati» o le «modifiche manuali degli utenti».

La dieta di dati deriva dal perimetro. Le tabelle vengono replicate integralmente e fedelmente allo schema, con cadenza quotidiana, o più rapida se lo richiede la cadenza delle decisioni. Non è ammessa alcuna manipolazione «utile» a monte: filtri, imputazioni e join rilevanti per la decisione risiedono nella ricetta, dove possono essere verificati insieme alla logica economica. Anche un whiteboxing minimo — colonne che espongono i principali fattori di ogni emissione in unità monetarie e vincoli — fa parte del contratto. Questo dossier permette alla funzione finanziaria e alle operazioni di vedere a colpo d’occhio perché una riga è sensata.

Due brevi esempi rendono concreto il confine. Una ricetta di riapprovvigionamento dai DC ai negozi, circoscritta a un solo DC, emette ordini di trasferimento per tutti i negozi serviti da quel DC, varia quantità e tempi di rilascio, legge prezzi e planogrammi come elementi esogeni e internalizza la capacità di lavoro e delle banchine del DC. Se un altro DC attinge alle stesse scorte condivise a monte, la ricetta deve acquisire un prezzo ombra per quelle scorte oppure ampliare il perimetro includendo l’altro DC; qualsiasi via di mezzo favorisce l’arbitraggio tra DC attraverso fogli di calcolo. Una ricetta di acquisto oltremare circoscritta a una famiglia di fornitori emette ordini di acquisto con costruzione dei lotti, internalizza gli scaglioni di MOQ e sconti e lo stampo condiviso, legge le scelte dei vettori come input valorizzati e attribuisce i costi a valle mediante un valore terminale al passaggio al DC d’importazione. La determinazione dei prezzi o l’allocazione ai negozi rimane fuori perimetro fino a una fase successiva.

Infine, ci si aspetta che il perimetro evolva. Il contratto fornisce il raccordo: man mano che i domini adiacenti vengono inclusi, i prezzi ombra esogeni sono sostituiti da decisioni endogene senza riscrivere il nucleo. Nella pratica dell’implementazione, è così che i perimetri «si incastrano»: il confine non è una slide retorica, ma codice eseguibile che indica emissioni, mosse ammissibili, risorse vincolanti, prezzi e arresti. La prossima sottosezione esamina come questi confini interagiscono con il resto del sistema.

10.2.2 La pipeline di dati

Il perimetro diventa reale soltanto dove incontra il panorama applicativo. Le imprese moderne funzionano per silos — ERP per le transazioni, WMS per le ubicazioni, TMS per i trasporti, CRM per gli ordini — ciascuno con il proprio schema, la propria cadenza e il proprio folklore. Definire il perimetro di un’iniziativa non significa quindi tracciare confini astratti, ma decidere di ricavare un raccordo netto e durevole attraverso quei silos, mantenendolo con una pipeline di dati snella, onesta e riproducibile.

La ricetta numerica definita nella sottosezione precedente fornisce il perimetro logico: emissioni, opzioni ammissibili, risorse vincolanti condivise. La pipeline ne è la controparte informativa. Dovrebbe replicare le tabelle richieste da quel perimetro alla cadenza implicata dalle decisioni. Nella pratica, una campanella di chiusura quotidiana — un orario limite esplicito, in UTC, dopo il quale si eseguono le estrazioni — è preferibile a vaghe ambizioni di «quasi tempo reale» che confondono la provenienza. La freschezza è una scelta economica: accelerare soltanto quando il miglioramento atteso in unità monetarie giustifica l’attrito aggiuntivo; altrimenti, privilegiare un’istantanea pulita una volta al giorno, che tutti possano rieseguire in modo identico. Estrazioni parziali e «fette pilota» sono controproducenti: mascherano gli effetti di scala, nascondono le peculiarità semantiche e creano una falsa sensazione di correttezza su sottoinsiemi giocattolo. Il perimetro che si intende ottimizzare è quello che si replica.

Ogni estrazione deve essere immutabile e autodescrittiva. Accompagnare le tabelle con un piccolo manifest che registri il limite temporale di riferimento, il numero di righe per tabella, le marche temporali aziendali minime e massime e un’impronta dello schema. Gli archivi consentono soltanto aggiunte: i file di ieri non vengono mai modificati; le correzioni retroattive compaiono come fatti nuovi nell’estrazione completa di oggi. Questa disciplina, insieme alla riproducibilità degli stati passati, garantisce risultati identici bit per bit: un’esecuzione può essere ripetuta mesi dopo senza invocare il fatto che «i dati sono cambiati».

Le cancellazioni e le correzioni tardive richiedono un trattamento esplicito. Preferire istantanee complete a differenze ingegnose; quando non è fattibile, normalizzare qualsiasi acquisizione delle modifiche ai dati a monte in un registro a sole aggiunte all’interno del perimetro: marcatori per le cancellazioni definitive, righe versionate per gli aggiornamenti. L’obiettivo è l’uniformità: la ricetta ragiona su un unico storico di eventi in crescita, non su un bersaglio mobile di modifiche sul posto.

L’accesso segue il principio del minimo privilegio: un account di servizio in sola lettura acquisisce le estrazioni; l’iniziativa non riscrive mai nei sistemi di registrazione attraverso la pipeline. Ridurre al minimo i dati che consentono di identificare persone: la maggior parte delle decisioni di supply chain non ne ha alcuna necessità legittima. Mantenere sottile il raccordo: le estrazioni sono fatti, non opinioni; le trasformazioni che cambiano le decisioni appartengono alla ricetta, dove vengono versionate insieme alla logica economica.

La profondità storica dovrebbe coprire almeno un ciclo completo di riapprovvigionamento e, quando la stagionalità conta, due picchi stagionali. Di più è meglio, ma basta «quanto serve per imparare»: da tre a sei trimestri autentici sono sufficienti a far convergere la ricetta; integrazioni retroattive potranno estendere lo storico in seguito senza far deragliare l’implementazione. I flussi esterni — festività, indici dei prezzi, meteo per i deperibili trasportati su brevi distanze — entrano come tabelle a pieno titolo, con cadenza e provenienza proprie. Sfruttare prima le registrazioni interne; gli apporti esterni si ripagano soltanto quando il loro segnale è dimostrabilmente più forte del rumore che introducono.

Le manipolazioni «utili» a monte — filtri su misura, imputazioni silenziose, viste con join già eseguiti — trasformano il raccordo in nebbia. Le trasformazioni rilevanti per le decisioni devono risiedere nella ricetta, dove sono versionate insieme alla logica economica e possono essere verificate con le emissioni risultanti. Le registrazioni rimangono ipotesi sulla realtà; mantenerle grezze ne preserva la provenienza e permette di risalire dai difetti al sistema di origine anziché a uno script di pulizia non documentato.

Poiché i silos applicativi non verranno migrati su altre piattaforme per adattarsi all’iniziativa, la definizione del perimetro deve rispettarne gli accoppiamenti senza cercare di eliminarli in anticipo. Quando una risorsa vincolante si trova all’interno del perimetro, i suoi vincoli vengono internalizzati; quando si estende oltre il confine, la sua influenza arriva come prezzo ombra dal dominio adiacente. Cercare di «semplificare» eliminando dati scomodi, oppure isolando una piccola porzione che non compete più per scorte, capacità, tratte o attenzione condivise, reintroduce proprio quell’arbitraggio tra fogli di calcolo che l’iniziativa dovrebbe dismettere.

Dal punto di vista tecnologico, la pipeline dovrebbe essere noiosa: istantanee aggiunte senza modificare le precedenti, file immutabili, estrazioni controllate da manifest e riproducibilità degli stati passati per ripetere qualsiasi esecuzione bit per bit. Questa modesta disciplina rende efficaci nella pratica l’arresto e la reversibilità richiesti dal contratto della ricetta. Archiviare costa poco; sintetizzare prematuramente no. L’unica complessità utile si trova dove il denaro passa di mano: dentro la ricetta, non nell’infrastruttura che la alimenta.

Una volta realizzato questo raccordo — replica fedele da un lato, trasformazioni verificabili all’interno della ricetta dall’altro — il perimetro può espandersi senza sconvolgimenti. Nuovi domini vengono inclusi sostituendo prezzi ombra esterni con decisioni endogene; nella pipeline non occorre reinventare nient’altro. La prossima sottosezione assegna i pochi ruoli necessari per mantenere vivo questo raccordo giorno dopo giorno.

10.2.3 I ruoli nell’iniziativa

Una volta chiarito il perimetro e concentrato sulla produzione quotidiana di decisioni, il passo cruciale successivo è definire la responsabilità per ogni parte del processo. Sebbene le aziende mantengano spesso numerosi ruoli specializzati nella supply chain, ne bastano pochi per sostenere un processo decisionale automatizzato. Troppi ruoli diluiscono semplicemente la responsabilità del risultato finale. Al contrario, un insieme ristretto e ben definito garantisce che qualcuno risponda del risultato e mantiene chiaro e tracciabile il flusso dai dati grezzi alle decisioni finali.

Il Responsabile dei dati predispone e mantiene la pipeline di dati. Questo ruolo si colloca all’intersezione tra IT e supply chain, ma rimane saldamente radicato nella disciplina informatica. Il suo obiettivo principale è fornire estrazioni grezze e non filtrate dai sistemi di registrazione, come ERP, WMS, CRM o altre applicazioni preesistenti. Consegnare questi dataset ogni giorno o settimana in forma affidabile è più difficile di quanto sembri: piccoli cambiamenti di schema, aggiornamenti parziali o peculiarità d’uso interrompono regolarmente i processi di estrazione. Una volta stabilizzata, la pipeline richiede un impegno continuativo minimo. È essenziale che chi ricopre questo ruolo si astenga dal tentare di «correggere» o «interpretare» i dati. Ogni volta che compare un’anomalia seria — come giacenze fisiche negative o transazioni mancanti — deve avvertire i gruppi competenti, senza però sovrascrivere o manipolare le registrazioni sottostanti. L’iniziativa si confronta così con i dati reali, non con una trasformazione sconosciuta.

Il Supply Chain Scientist è responsabile dell’intera ricetta, dai dati grezzi alle decisioni quotidiane. Questo ruolo è il nucleo logico dell’iniziativa. Mentre il Responsabile dei dati si concentra sull’estrazione, lo Scientist si occupa di tradurre ogni fattore di costo, vincolo operativo o preferenza strategica nella ricetta stessa. Diversamente da un tipico analista di dati o «data scientist», il Supply Chain Scientist si impegna personalmente a rendere il processo adeguato alla produzione. Se una raccomandazione è palesemente errata, spetta a lui risalire all’origine dell’errore, che sia un’ipotesi di modellazione sbagliata, un vincolo sui tempi di consegna trascurato o un disallineamento con gli attuali obiettivi finanziari dell’azienda. Nel tempo, lo Scientist codifica direttamente nella ricetta le nuove conoscenze, mantenendola allineata a realtà operative mutevoli. Pur usando strumenti statistici, motori di ottimizzazione o tecniche di simulazione, il suo principio guida è fornire decisioni quotidiane praticabili. La differenza di mentalità è cruciale: dashboard e indicatori di prestazione possono perdere rilevanza; le decisioni quotidiane automatizzate non possono permetterselo.

Segue lo Sponsor esecutivo, che fornisce indirizzo e arbitraggio al più alto livello. Le decisioni di supply chain riflettono inevitabilmente il più ampio calcolo economico dell’azienda, e lo Scientist dovrà talvolta formulare ipotesi di modellazione — su costi, margini, compromessi o condizioni dei fornitori — che soltanto l’alta direzione può convalidare. Un singolo magazzino potrebbe richiedere, per esempio, un trasporto accelerato per rifornirsi più rapidamente, ma ciò potrebbe essere in contrasto con l’obiettivo di ridurre le spedizioni aeree in tutta l’azienda. In caso di disaccordo, lo Sponsor chiarisce quali priorità devono guidare i compromessi. Assicura inoltre che il progetto abbia il necessario sostegno politico e finanziario. Se lo Scientist scopre un nuovo fattore — come garanzie residue sui prodotti o vincoli giuridici sulle spedizioni transfrontaliere — che richiede un cambiamento di processo più profondo, il coinvolgimento diretto dello Sponsor aiuta a superare rapidamente gli ostacoli organizzativi.

Infine, resta essenziale un Responsabile del flusso, in precedenza un pianificatore o un responsabile delle scorte nei vecchi processi. Benché le decisioni quotidiane finiscano per essere automatizzate, le complessità del mondo reale non scompaiono mai. Il Responsabile del flusso apporta le conoscenze operative quotidiane che le tabelle di dati non possono catturare: per esempio, quale fornitore tende a effettuare consegne parziali o quali linee di confezionamento presentano sottili problemi di qualità nei mesi di picco. Nei primi mesi di esecuzione parallela del vecchio foglio di calcolo e della nuova ricetta, individua le decisioni che sembrano «insensate» e trasmette queste osservazioni. Nel tempo, quando l’automazione si dimostra stabile, il suo lavoro si trasforma. Anziché controllare minuziosamente ogni livello di scorta, si concentra sulle relazioni più ampie con clienti e fornitori, gestisce perturbazioni inattese come un magazzino allagato o un cambiamento normativo improvviso e riporta queste conoscenze allo Scientist. Libero dagli interminabili aggiornamenti dei fogli di calcolo, agisce come custode del flusso su tutta la rete, aumentando la resilienza e la reattività dell’intera supply chain.

In breve, la responsabilità si riassume in quattro verbi: il Responsabile dei dati reperisce i fatti; il Supply Chain Scientist emette gli impegni quotidiani e arresta il motore quando la fiducia diminuisce; lo Sponsor esecutivo arbitra i compromessi e le controversie sui confini; il Responsabile del flusso sorveglia il flusso sul campo e segnala le anomalie ai livelli competenti.

Questi quattro ruoli trovano posto in una struttura sorprendentemente compatta, anche nelle grandi imprese. Una persona può essere Responsabile dei dati per più progetti e un solo Scientist può gestire centinaia di migliaia di SKU. Chiarire fin dall’inizio che ogni responsabilità corrisponde a un unico dominio facilmente identificabile riduce gli attriti tra reparti ed evita gli infiniti passaggi di consegne e le responsabilità parziali che spesso paralizzano progetti più ambiziosi e meno focalizzati.

Assegnati questi ruoli, si apre la strada a un ciclo di avviamento concreto di circa sei mesi: dall’estrazione dei dati a un processo stabile e adeguato alla produzione.

10.3 Avviamento

L’avviamento è il passaggio da un intento dal perimetro definito a emissioni senza intervento umano. Una volta predisposti il perimetro, i ruoli e il raccordo delle estrazioni quotidiane, resta l’esecuzione con criteri di passaggio espliciti: dare alla ricetta numerica un appuntamento quotidiano con la realtà; procedere soltanto quando i criteri di prontezza sono soddisfatti; dismettere le procedure manuali senza interrompere il flusso.

Questa sezione non riprende il perimetro, i ruoli o l’economia: sono già stati definiti sopra. Si occupa di cadenza e controllo: quali condizioni devono avverarsi, e in quale ordine, perché il sistema di intelligenza assuma il comando in sicurezza. Le date derivano dai criteri: il calendario è una conseguenza, non un piano.

Le pagine seguenti percorrono questo itinerario: una breve cronologia che indica i criteri di passaggio; la pratica quotidiana che permette di raggiungerli; i meccanismi di introduzione progressiva e reversibilità; l’impostazione della manutenzione a lungo termine. Con questi elementi, il passaggio dai fogli di calcolo alle decisioni senza intervento umano diventa ordinario anziché eroico.

10.3.1 Panoramica delle tempistiche

Una volta definiti perimetro e ruoli, l’avviamento procede attraverso tre fasi che, nella maggior parte delle imprese, si completano in circa sei mesi. Questo orizzonte è un’aspettativa empirica, non una promessa: il calendario riflette il ritmo organizzativo più che il calcolo, e uno slittamento di qualche settimana segnala solitamente problemi di governo dell’iniziativa o di perimetro, anziché limiti tecnici «rigidi».

La prima fase termina soltanto quando l’estrazione quotidiana dei dati è completa e affidabile. L’insieme delle tabelle richieste dalla ricetta numerica viene replicato fedelmente allo schema, a un orario limite quotidiano chiaro; le estrazioni sono immutabili e autodescrittive; le esecuzioni passate possono essere riprodotte bit per bit; le peculiarità a monte vengono gestite senza manipolazioni «utili» che ne confonderebbero la provenienza. Le euristiche di arresto sono predisposte affinché il motore si fermi da solo quando gli input sono obsoleti o mancanti. Nella pratica, questa fase è completa quando il raccordo ha funzionato in modo pulito e riproducibile per un periodo prolungato, con difetti individuati e corretti nel raccordo anziché rattoppati a valle.

La seconda fase termina quando la ricetta smette di produrre decisioni insensate. Con la pipeline stabile, la ricetta numerica viene eseguita ogni giorno accanto alla procedura in uso. Ogni emissione è accompagnata da un dossier che rende trasparenti i suoi principali fattori economici in unità monetarie. Giorno dopo giorno, le sorprese vengono incorporate nella semantica, nei vincoli o nei prezzi finché gli errori grossolani scompaiono. Il criterio non è la perfezione, ma l’assenza di decisioni insensate: l’esecuzione parallela deve mantenere a zero le righe insensate, e le differenze residue rispetto alla procedura manuale devono riguardare l’economia marginale, non errori logici.

La terza fase termina quando la fiducia è sufficiente per l’uso in produzione. Ora la stessa identica ricetta riscrive le decisioni entro un perimetro delimitato, protetta da euristiche di arresto e reversibile per costruzione: le emissioni sono senza stato e idempotenti; il ritorno alla versione precedente e la riesecuzione sono operazioni ordinarie; la documentazione permette a un altro Scientist di diagnosticare il problema e ripristinare la versione precedente nel giro di ore. La strumentazione è abbastanza convincente da consentire alla funzione finanziaria e alle operazioni di verificare le decisioni senza riunioni: i dossier sono leggibili, le attribuzioni chiare e la finestra di responsabilità esplicita. Dopo una breve introduzione senza intervento umano e senza intoppi su una parte del perimetro, il passaggio in produzione smette di essere un atto di fede e diventa una formalità.

Questi criteri di passaggio esistono per evitare il purgatorio dei progetti pilota. Se una fase si prolunga, portarne la causa ai livelli competenti — estrazioni incomplete, espansione incontrollata del perimetro o prezzi senza un responsabile — anziché allungare il calendario. Viceversa, superare precipitosamente una fase senza soddisfarne le condizioni sposta soltanto il rischio in produzione. Le pagine seguenti illustrano il lavoro quotidiano all’interno di ogni fase, senza ripetere perimetro o ruoli già definiti.

10.3.2 Implementazione iterativa

L’implementazione rende operativo il metodo dell’ottimizzazione sperimentale introdotto nel capitolo Ingegneria: esporre ogni giorno la ricetta numerica al raccordo reale; lasciare che la falsificazione guidi le modifiche; progredire soltanto quando le decisioni risultanti sono sensate. L’obiettivo è pratico: come applicare questa impostazione in produzione, non riprenderne la teoria (si vedano il capitolo Ingegneria, Ottimizzazione sperimentale e Whiteboxing).

10.3.2.1 Esecuzione parallela quotidiana

Ogni giorno, alla campanella di chiusura, eseguire la ricetta da un capo all’altro sull’intero perimetro, con lo stesso orario limite e le stesse mosse ammissibili che avrà in produzione. Emettere le decisioni senza scriverle; archiviare sia le emissioni sia i dossier; confrontarle con la procedura in uso. L’esecuzione è senza stato e riproducibile: date l’estrazione e la versione del codice, gli output sono identici. Le euristiche di arresto restano attive; ogni arresto viene trattato come un difetto del raccordo — tabelle mancanti, prezzi ombra obsoleti, deriva semantica — da eliminare prima dell’esecuzione successiva. L’esecuzione parallela non è una dimostrazione: è il laboratorio quotidiano in cui la ricetta incontra la realtà finché non smette di produrre sorprese.

10.3.2.2 Zero decisioni insensate

«Insensata» indica qualsiasi emissione che violi un vincolo fisico o giuridico rigido, contraddica un fatto aziendale elementare oppure presenti un rendimento atteso manifestamente negativo ai prezzi dichiarati. L’assenza di decisioni insensate, mantenuta sull’intero perimetro, è il criterio per uscire dall’esecuzione parallela e corrisponde alla seconda fase della cronologia precedente. I disaccordi marginali con la procedura manuale non impediscono il passaggio in produzione: vengono arbitrati dal registro e risolti nell’introduzione descritta nella prossima sezione.

10.3.2.3 Strumentazione in evoluzione

Per rendere rapida la falsificazione, ogni emissione è accompagnata da un breve dossier che espone i suoi principali fattori economici, in unità monetarie, insieme ai pochi vincoli che la limitano. Lo schema del dossier appartiene alla ricetta ed evolve con essa; è versionato, riproducibile e scritto dallo stesso codice che produce le righe. Nell’esecuzione parallela, i dossier permettono ai professionisti di individuare in pochi minuti la causa di una sorpresa; in produzione, gli stessi dossier consentono alla funzione finanziaria e alle operazioni di verificare le decisioni senza riunioni. I meccanismi del whiteboxing sono stati sviluppati in precedenza; qui manteniamo soltanto ciò che accelera l’implementazione.

Quando l’esecuzione parallela si è mantenuta per un certo periodo senza righe insensate e gli arresti sono rari e spiegati, la stessa ricetta può iniziare a riscrivere le decisioni entro un perimetro delimitato. I meccanismi di questo passaggio — scelta del perimetro, valvole di sicurezza e reversibilità — sono affrontati di seguito, in Introduzione progressiva.

10.3.3 Introduzione progressiva

Passare dalle verifiche quotidiane in parallelo all’affidamento operativo sul sistema di intelligenza è un esercizio di gestione del rischio. La trasformazione deve essere abbastanza decisa da impedire che l’intera azienda torni ai vecchi metodi manuali al primo segnale di difficoltà, ma abbastanza prudente da evitare perturbazioni su larga scala. Molte organizzazioni esitano a questo punto, mantenendo il nuovo sistema come progetto pilota perpetuo; una transizione ordinata e ferma evita però che l’iniziativa rimanga nel limbo.

10.3.3.1 Il primo perimetro

Un modo comune di iniziare consiste nello scegliere un segmento della supply chain fortemente interconnesso e lasciare che le decisioni automatizzate operino soltanto su quel sottoinsieme. Per esempio, un singolo centro di distribuzione potrebbe seguire le raccomandazioni quotidiane per una categoria specifica, oppure uno stabilimento potrebbe eseguire il programma di produzione automatizzato per una sola linea di prodotti. Idealmente, questi prodotti o impianti dispongono già di dati stabili e vincoli ben compresi. Adottando i risultati della ricetta nelle operazioni reali — per esempio inviando gli ordini di acquisto suggeriti direttamente ai fornitori — l’organizzazione può verificare che non compaiano «righe insensate» in condizioni operative autentiche. Questa transizione iniziale dura solitamente una o due settimane, abbastanza per confermare che le ipotesi di base su costi, scorte e tempi di consegna si traducano correttamente nelle azioni quotidiane.

Una volta stabilizzate le prestazioni, si può includere una porzione più ampia della rete. Se, per esempio, la prima fase ha coperto un centro di distribuzione, la successiva può comprendere tutti quelli della stessa regione. A ogni estensione, lo Scientist e il Responsabile dei dati devono assicurarsi che la stessa architettura della pipeline si estenda ai nuovi siti o alle nuove linee di prodotti senza introdurre ulteriori complessità. Parallelamente, il Responsabile del flusso conferma che non sia stata trascurata alcuna regola locale particolare, come l’obbligo tassativo di pallet completi imposto da un fornitore. Questo schema — scegliere, confermare la stabilità, poi ampliare — si ripete fino a coprire tutti gli angoli pertinenti del perimetro originario.

10.3.3.2 Eliminare gradualmente il ricorso al lavoro manuale

Il compito più difficile è decidere come e quando dismettere i vecchi passaggi manuali. Molte aziende hanno tentato una «semiautomazione», nella quale i pianificatori esaminano ogni raccomandazione generata dal sistema e modificano a mano i parametri al primo accenno di carenza. Prudenti in apparenza, queste verifiche doppie senza fine erodono silenziosamente i guadagni. L’automazione nominale degenera in un motore di suggerimenti glorificato, ignorato non appena i numeri contraddicono l’intuizione. Ogni ora trascorsa a rimettere in discussione o ricopiare gli ordini raccomandati è un’ora non investita in attività che una macchina non può svolgere, come costruire relazioni con i fornitori o analizzare nuovi segnali di mercato.

Sfruttare davvero l’automazione richiede di togliere dall’uso attivo il vecchio processo. Questa decisione può sembrare un atto di fede. A quel punto, però, i confronti quotidiani dovrebbero aver mostrato che il nuovo metodo produce errori grossolani raramente, se mai ne produce. Quando si verificano anomalie — tempi di consegna dei fornitori che aumentano all’improvviso, una modifica non annunciata a uno standard d’imballaggio — correggerle nella ricetta si rivela più sistematico e rapido del mosaico di fogli di calcolo. Poiché la logica è centralizzata nel codice, una sola correzione elimina errori potenziali su più SKU e siti. Questa chiarezza finisce per convincere pianificatori e dirigenti intermedi che l’adozione fa risparmiare tempo senza cedere il controllo.

10.3.3.3 Gestire le eccezioni

Una supply chain dinamica incontra inevitabilmente casi che la ricetta non aveva previsto pienamente. Una catastrofe naturale potrebbe allagare un magazzino, oppure un fornitore potrebbe diventare insolvente. La stessa automazione che funziona in condizioni normali richiede ora un rapido adattamento: una deroga temporanea oppure un vincolo modellato. Subito dopo la disattivazione del vecchio processo manuale, ogni malfunzionamento sembra urgente. Impennate negli ordini di acquisto raccomandati o l’impossibilità di rispettare lotti di grandi dimensioni devono essere affrontate senza il conforto dei vecchi fogli di calcolo.

La responsabilità principale ricade sullo Scientist. Poiché la ricetta è senza stato e ricalcola ogni giorno le decisioni da zero sull’intero dataset, le modifiche possono essere introdotte non appena le ipotesi sono chiare. Se un impianto danneggiato dall’acqua deve funzionare a metà capacità, lo Scientist può codificare quel limite la mattina seguente. Il punto è integrare queste eccezioni nel codice unificato anziché lasciarle riapparire come modifiche manuali locali in fogli di calcolo sparsi. Anche quando la crisi è passata, la ricetta conserva quel vincolo, pronta se si ripresenta.

10.3.3.4 Misurare i risultati

Man mano che le decisioni meccaniche si estendono alla rete, il perimetro della strumentazione si amplia. Prima aiutava a individuare righe erratiche o errate; ora valuta anche se i guadagni previsti in termini di servizio, costo o reattività si stanno concretizzando. Lo Scientist, solitamente insieme ai responsabili finanziari e operativi, confronta la domanda effettiva con le previsioni e mette a confronto margini e tempi di consegna realizzati con quelli modellati. Questa visione a 360 gradi mostra quanto bene le decisioni quotidiane resistano alla variabilità del mondo reale. Un punto cruciale: questi artefatti di prestazione, come misure di accuratezza o confronti di costo, sono destinati soprattutto ai miglioramenti iterativi dello Scientist, anziché ad alimentare nuovi livelli di supervisione. Un nuovo scarto tra previsione e domanda potrebbe segnalare un sottile cambiamento della stagionalità o dei prezzi di un concorrente: una conoscenza da reintegrare preferibilmente nel codice della ricetta. Se questi artefatti vengono condivisi ampiamente tra i reparti, l’organizzazione rischia di tornare ad aggiustare le previsioni in comitato, diluendo la responsabilità.

L’introduzione delle decisioni meccaniche poggia su due forme simultanee di misurazione. Primo, la soglia di zero decisioni insensate: l’ordine o il programma raccomandato rimane evidentemente corretto per la giornata? Secondo, le verifiche di più lungo termine tra effettivo e previsto: l’approccio riflette la realtà dei costi e gli obiettivi di ricavo dell’impresa? Mantenere entrambe le forme di strumentazione nella base di codice, visibili e modificabili dallo Scientist, gli permette di individuare rapidamente ipotesi errate. L’azienda conserva una prospettiva stabile da un capo all’altro, libera dalla confusione generata da strumenti di monitoraggio parziali o da fogli di calcolo in conflitto nei diversi reparti.

10.3.3.5 Consolidare l’autonomia

Nel corso di diversi mesi di introduzione graduale e affinamento della strumentazione, l’iniziativa si consolida in una routine quotidiana. Il personale che prima si affannava tra fogli di calcolo rivolge l’attenzione ad attività più sfumate o alle eccezioni immediate che inevitabilmente emergono in mercati fluidi. La fiducia nel sistema automatizzato cresce costantemente. Quando l’intero perimetro opera con la nuova ricetta, non si sente la mancanza dell’approccio manuale. I dipendenti vedono che non occorre rimettere in discussione ogni decisione di riordino, mentre i dirigenti notano che i cambiamenti della domanda, dei vincoli di approvvigionamento o persino delle strutture di costo possono essere recepiti rapidamente e coerentemente nella ricetta.

Un’automazione riuscita innesca un cambiamento culturale. Quando il personale si rende conto che una parte della supply chain è diventata davvero meccanica, comincia a individuare nuove aree alle quali applicare un approccio simile. Anche se queste estensioni sono fuori dal perimetro iniziale, possono appoggiarsi alla pipeline, alla strumentazione e al processo iterativo che hanno già dato prova di sé. Questo slancio risparmia all’organizzazione la stagnazione comune dopo le implementazioni software convenzionali, in cui il sistema viene «congelato» non appena entra in produzione. Qui i risultati quotidiani del sistema restano aperti al miglioramento, proprio perché la capacità di iterare rapidamente è stata incorporata nella struttura dell’iniziativa fin dall’inizio.

Il passaggio alla piena automazione non è l’ultima parola. La questione successiva è come sostenere e migliorare questa nuova normalità, assicurando che la ricetta tenga il passo con i cambiamenti della strategia aziendale o delle condizioni di mercato. Una volta adottato un approccio meccanico ben collaudato, nessuno desidera tornare ai fogli di calcolo, ma occorre una vigilanza continua per evitare l’autocompiacenza. La sezione seguente spiega come mantenere pertinente l’iniziativa in un’evoluzione continua, trasformando ogni evento — dai cambiamenti quotidiani alle perturbazioni da cigno nero — in un’opportunità per rafforzare il processo automatizzato.

10.3.4 Manutenzione a lungo termine

Un sistema di intelligenza in produzione non è mai statico: per quanto rifinita possa apparire la sua ricetta numerica, le condizioni aziendali e le realtà operative continuano a evolvere. Possono emergere nuove normative, cambiare le strutture dei prezzi e variare i tempi di consegna o i vincoli di servizio in modi che la ricetta automatizzata non aveva previsto. Un’iniziativa che smette di adattarsi diventa presto obsoleta quanto il sistema che ha sostituito.

In questo contesto, la manutenzione non si limita alle patch software o alle correzioni dell’estrazione dei dati. Si tratta soprattutto di preservare la correttezza e la rilevanza della logica economica codificata nella ricetta. Se l’azienda apre un nuovo centro di distribuzione o negozia un nuovo contratto con un fornitore, i costi e i vincoli alla base delle decisioni quotidiane devono essere rivisti per riflettere questi sviluppi. Nella pratica, non mantenere la ricetta significa tornare a una litania di modifiche manuali che compromettono l’automazione oppure lasciarle produrre decisioni sempre più scollegate dagli obiettivi aziendali.

10.3.4.1 Evoluzione incessante

Una ragione essenziale per la manutenzione sistematica è che ogni anello evolve costantemente: vengono introdotti nuovi SKU e dismessi quelli vecchi, compaiono campagne di marketing e perturbazioni inattese impongono percorsi alternativi. Se la ricetta rimane bloccata nelle ipotesi dell’anno precedente, perderà nuove opportunità e non mitigherà i rischi appena introdotti.

Questa variabilità non è un difetto dell’automazione, ma una caratteristica dei mercati reali. Un’iniziativa robusta accoglie il cambiamento programmando revisioni periodiche delle ipotesi della ricetta e facendo emergere le anomalie ogni volta che la pipeline di dati rileva grandi scostamenti dalle condizioni normali. Un’impennata dei costi di trasporto potrebbe richiedere una modellazione più approfondita delle capacità dei container o una rivalutazione della modalità di trasporto preferita. Analogamente, l’aggiunta di linee produttive avanzate può modificare i compromessi: dimensioni dei lotti un tempo ottimizzate possono diventare fonte di spreco se le nuove linee consentono attrezzaggi più economici e rapidi.

10.3.4.2 Finanza e operazioni

Coordinare gli aggiornamenti della ricetta richiede un dialogo continuo tra lo Scientist e i dirigenti delle funzioni finanziarie e operative. La manutenzione quotidiana può affrontare problemi minori, come un nuovo codice fornitore o una politica di riordino ricalibrata, mentre cambiamenti significativi, quali una nuova struttura di sconti o un diverso approccio al capitale circolante, sono intrinsecamente strategici.

Per restare allineata alle attuali realtà finanziarie dell’azienda, la ricetta deve riflettere ogni variazione nelle allocazioni dei costi o nei vincoli di budget. Poiché la funzione finanziaria controlla la valorizzazione del capitale, lo Scientist vi cerca indicazioni su quanto aggressivamente o prudentemente dimensionare le scorte, su come trattare gli oneri immateriali — per esempio il danno al marchio causato da una spedizione mancata — e su come soppesare i ritardi di spedizione rispetto alla spesa per straordinari urgenti. Una revisione congiunta annuale o semestrale garantisce che il codice continui a riflettere l’indirizzo strategico dell’azienda anziché scivolare in schemi superati. Se l’alta direzione vuole dare priorità all’espansione in nuovi mercati o ridurre l’uso del trasporto aereo di una data percentuale, lo Scientist non può indovinare tali priorità e deve esserne informato tempestivamente e con precisione.

10.3.4.3 Implementazione senza stato

Un principio progettuale durevole per una manutenzione efficace è mantenere la ricetta senza stato. Ogni giorno o settimana ricalcola tutte le raccomandazioni dai dati grezzi, senza trascinare alcuno stato nascosto. Questo approccio impedisce agli errori di accumularsi nel tempo. Se un’anomalia a monte gonfia i livelli di scorta di oggi, l’esecuzione di domani, una volta corretti i dati, torna naturalmente a decisioni normali. Il sistema può «tornare al suo posto» non appena la pipeline si riprende, senza i fantasmi persistenti dei vecchi calcoli.

Le architetture senza stato facilitano anche la manutenzione a lungo termine. Ogni volta che lo Scientist aggiorna una funzione di costo o introduce nuovi vincoli, la modifica entra in vigore immediatamente all’esecuzione successiva, raggiungendo ogni SKU o sito che richiede un adattamento. Non occorre eliminare vecchi stati memorizzati né temere che un modello addestrato in precedenza abbia interiorizzato segnali ormai superati. Ricalcolare ogni decisione può sembrare oneroso, ma le infrastrutture moderne gestiscono questi volumi per supply chain di qualsiasi dimensione, soprattutto una volta che l’estrazione dei dati è sotto controllo.

Questo schema senza stato dimostra il proprio valore quando il sistema deve gestire impennate della domanda o bruschi cambiamenti delle politiche. Se un’intera regione registra un aumento insolito degli ordini, l’esecuzione quotidiana successiva può incorporarlo senza restare ancorata all’errore di valutazione del giorno precedente. La ricetta è flessibile: si adatta non appena le condizioni evolvono, eliminando la tentazione di affidarsi a vecchie regole manuali sulle scorte tampone, un tempo usate per sostenere un processo fragile.

10.3.4.4 Eventi da cigno nero

Oltre alla variabilità quotidiana esiste il rischio di perturbazioni gravi ed estreme: incendi di magazzini, alluvioni, pandemie o improvvisi embarghi normativi. Questi eventi da cigno nero sconvolgono le normali strutture di costo, i vincoli di capacità e i percorsi distributivi. Nessuna ricetta quotidiana può anticipare eventi molto lontani dai parametri tipici, ma l’organizzazione può affidarsi all’approccio iterativo usato durante la creazione dell’iniziativa. Quando colpisce una catastrofe, lo Scientist codifica direttamente nella ricetta i vincoli nuovi o temporanei: un sito potrebbe funzionare a metà capacità oppure essere completamente aggirato; a un percorso logistico d’emergenza potrebbe essere assegnato un costo di spedizione dieci volte superiore a quello abituale. Una volta apportati questi aggiustamenti di breve periodo, il sistema riparte, offrendo una visione immediata di come i nuovi vincoli rimodellino le allocazioni o le righe di riordino.

Un evento da cigno nero potrebbe richiedere anche cambiamenti più profondi: costruire flussi alternativi o rivedere drasticamente i tempi di consegna di un’intera regione. Il principio rimane: la ricetta è l’unico punto di integrazione, quindi i vincoli appena scoperti o i costi estremi vengono introdotti lì. Questo approccio è più resiliente della gestione ad hoc delle emergenze attraverso modifiche manuali sparse tra fogli di calcolo e reparti. Ogni correzione, una volta convalidata, entra nella base di codice e smette di dipendere da una vigilanza umana effimera.

Un punto cruciale è che una crisi straordinaria può diventare un’occasione per approfondire la consapevolezza del rischio nell’azienda. Se l’insolvenza di un fornitore rivela che il 90% di un componente chiave proveniva da un’unica fonte, la ricetta può essere aggiornata permanentemente con regole che impediscano un’esposizione eccessiva a un solo fornitore. La stessa strumentazione usata per le verifiche quotidiane può far emergere queste vulnerabilità. Nel tempo, le lezioni apprese dalle turbolenze innalzano il livello di base, assicurando che il sistema ne esca più robusto.

La manutenzione a lungo termine non è dunque soltanto vigilanza contro la normale deriva, ma anche una risposta strutturata agli shock improvvisi. Sia gli aggiornamenti quotidiani sia le correzioni urgenti fanno capo a un’unica ricetta senza stato, che rimane il nucleo di una supply chain automatizzata. Quando un’azienda si abitua a questo ciclo — piccoli incrementi, ricalibrazioni periodiche e revisioni profonde dettate dalle crisi — scopre che il flusso automatizzato resta al passo. L’iniziativa si dimostra più stabile e flessibile di qualsiasi mosaico di fogli di calcolo, perché incorpora un meccanismo di rinnovamento continuo.

A questo punto, l’iniziativa ha un’architettura stabile, le operazioni quotidiane seguono decisioni automatizzate e l’azienda è pronta sia ai cambiamenti ordinari sia alle grandi sorprese. Resta da valutare come ciò ridefinisca ruoli, strutture organizzative e mansioni: una ricetta ben mantenuta non si limita a sostituire vecchi processi, ma trasforma il personale della supply chain.

10.4 Cambiamenti organizzativi

I cambiamenti organizzativi sono inevitabili quando le decisioni automatizzate attraversano ogni giorno l’azienda. Benché i meccanismi di un perimetro ben definito e di un’introduzione iterativa possano sembrare puramente tecnici, le persone in tutta l’impresa si accorgono presto che molte attività, prima gestite da pianificatori o dirigenti intermedi, ora procedono con scarso intervento umano. I dipendenti abituati a raccogliere dati, riconciliare indicatori in conflitto e destreggiarsi tra modifiche manuali dell’ultimo minuto scoprono che il nuovo processo lascia meno lacune da colmare. Alcuni accolgono con favore il sollievo e si concentrano su problemi di supply chain più spinosi, che resistono all’automazione. Altri avvertono una perdita di rilevanza e si oppongono al cambiamento, citando presunte «eccezioni» o insistendo che il sistema «non può cogliere ogni dettaglio».

Eppure, una volta esplicitati, questi dettagli possono essere codificati nella ricetta. Se, per esempio, un pianificatore modificava le quantità di riordino per un fornitore che spediva sistematicamente pallet parziali, quella particolarità appartiene al codice. Una volta aggiunta, la ricetta non dipende più dalle correzioni dell’ultimo minuto. Liberati dalla gestione perpetua delle emergenze, i dipendenti possono estendere il perimetro dell’iniziativa o rafforzare i rapporti con i partner. Nel tempo, l’azienda deve riconoscere che molte procedure quotidiane sono cambiate. I pianificatori tradizionali, abituati a scorrere ogni mattina fogli di calcolo per centinaia di SKU, trovano ridondanti quelle verifiche manuali. La funzione finanziaria, che un tempo vedeva le previsioni come vaghe «migliori stime» da trattare con cautela nel budget, si confronta ora con un sistema che impegna capitale ogni giorno, salvo istruzioni contrarie. Il reparto IT, storicamente sovraccarico di richieste arretrate di report o piccole applicazioni, scopre che un’unica pipeline ben progettata soppianta molte personalizzazioni sparse.

Superare questi attriti richiede di spiegare chiaramente perché l’iniziativa esiga non soltanto un cambiamento di software, ma anche una trasformazione di chi fa cosa. Se le decisioni automatizzate sono ritenute affidabili, l’azienda non trae più beneficio dall’impiegare più gruppi per replicarle o modificarle manualmente. Anziché custodire interminabili fogli di calcolo, il personale di pianificazione dovrebbe migliorare il modo in cui ogni prodotto viene approvvigionato o immagazzinato, affinare le ipotesi di costo e cogliere nuovi segnali che altrimenti rimarrebbero invisibili all’algoritmo. Analogamente, i dirigenti finanziari non devono riesaminare gli stessi dettagli riga per riga se i fattori economici della ricetta riflettono fedelmente i vincoli voluti. Il loro ruolo è invece adeguare quei fattori quando la strategia cambia o si applicano nuovi limiti alle risorse.

Questo cambiamento richiede anche nuove forme di cooperazione. Un sistema meccanico è al tempo stesso trasparente e inflessibile: non può nascondere silenziosamente un disallineamento tra due reparti. Se una regola di controllo del magazzino contraddice una recente iniziativa di marketing, il conflitto emerge rapidamente nei risultati quotidiani. In definitiva, risolvere queste contraddizioni richiede più di una riunione cortese o di una correzione ad hoc. Richiede che lo Scientist, o chiunque sia ora responsabile della ricetta, incorpori le indicazioni aggiornate e riesegua la logica. Perché ciò avvenga senza caos, l’organizzazione deve sostenere un unico processo automatizzato, anziché lasciare che ogni gruppo riesumi un proprio foglio di calcolo ogni volta che il risultato non gli piace. Chi si aggrappa agli espedienti locali diluisce per tutti i benefici dell’automazione.

Il cambiamento più visibile riguarda chi svolge la pianificazione quotidiana. Prima passava da uno SKU o sito all’altro, modificando i livelli di scorta, ricontrollando i tempi di consegna e intervenendo manualmente quando domanda o offerta cambiavano bruscamente. Ora può impegnarsi in modo più strategico. Anziché verificare centinaia di righe di riordino, può confermare che i nuovi contratti con i fornitori siano codificati correttamente o indagare su un’impennata inattesa che la ricetta segnala come anomala. Il lavoro quotidiano riguarda meno l’inserimento meccanico dei dati e più la costruzione di relazioni, la scoperta di nuovi fattori di costo e l’anticipazione dei cambiamenti di mercato. All’inizio questa evoluzione può disorientare. Alcuni dipendenti potrebbero ritenere ancora insostituibile il ruolo originario di gestire manualmente ogni passaggio. Potrebbero tentare di mantenere in vita processi parzialmente manuali. Ma quando il sistema funziona senza intoppi su un piccolo sottoinsieme e si estende a un perimetro più ampio, la coerenza della ricetta supera presto la vigilanza umana dispersa.

Sebbene i cambiamenti organizzativi possano creare disagio, aprono la strada a un’azienda più agile e più allineata alle priorità autentiche. Se un’iniziativa strategica mira a ridurre i costi di trasporto o i tempi di consegna complessivi, può essere implementata direttamente nella ricetta, poi collaudata e misurata su ordini reali, non soltanto discussa in riunione. I pianificatori possono contribuire a definire come vengono modellati i vincoli, anziché rincorrere ogni cambiamento della domanda. I dirigenti vedono un nesso causale più chiaro tra i vincoli che approvano e i successivi risultati negli indicatori di scorta o di evasione degli ordini. Quando le procedure improduttive scompaiono, il personale prima assorbito da attività ripetitive può concentrarsi sul rafforzamento dei legami con i fornitori, sulla raccolta di segnali significativi dal mercato e sull’allineamento dell’introduzione o della transizione dei prodotti con l’approccio meccanico quotidiano.

Questi adattamenti organizzativi costituiscono la spina dorsale di una supply chain che prospera grazie a decisioni rigorose e automatizzate. Nelle sezioni seguenti esaminiamo l’impatto più diretto sui pianificatori stessi, che in questo nuovo quadro diventano «Responsabili del flusso». Vediamo poi come il ruolo dello Scientist diventi centrale per sostenere e migliorare queste decisioni ben oltre l’implementazione iniziale.

10.4.1 Pianificatore e Responsabile del flusso

Quando le decisioni quotidiane diventano completamente automatizzate, il ruolo tradizionale del pianificatore — studiare fogli di calcolo, modificare quantità di riordino e riconciliare priorità in conflitto — perde gradualmente gran parte della propria ragion d’essere quotidiana. Per molti aspetti, questo cambiamento è liberatorio. Sollevata dall’onere di inseguire piccole incoerenze nei dati o applicare euristiche ripetitive, la stessa persona può assumere il ruolo a maggior valore di Responsabile del flusso. Anziché microgestire ogni SKU, sorveglia ora l’intera rete di approvvigionamento, individua eccezioni reali e consolida legami di collaborazione tra fornitori, vettori e interlocutori interni.

10.4.1.1 Aggiustamenti ripetitivi

Ai pianificatori spettava solitamente allineare elementi in movimento — dati previsionali, tempi di consegna dei fornitori e vincoli locali — riconciliando manualmente fogli di calcolo e cifre generate dai sistemi. Erano il «collante» che teneva insieme i processi ogni volta che il software ufficiale o la previsione ufficiale si rivelava insufficiente. In un contesto automatizzato, invece, la logica che un tempo riempiva quei fogli è incorporata nella ricetta che produce le decisioni di ogni giorno. Questa ricetta non si limita a generare numeri teorici: propone o esegue righe di riordino, allocazioni o prenotazioni di capacità, ciascuna fondata sui costi finanziari e sui vincoli dell’azienda. Prima un pianificatore poteva passare ore ogni settimana a cercare livelli di scorta sospetti o errori di spedizione dell’ultimo minuto; ora il processo segnala automaticamente le anomalie, sollecitando interventi mirati anziché verifiche manuali generalizzate.

Di conseguenza, l’attenzione del ruolo si sposta a un livello superiore. Anziché esaminare centinaia o migliaia di SKU alla ricerca di errori di calcolo dei riordini, l’ex pianificatore può investire le proprie energie in attività più strategiche o relazionali. Può seguire segnali sottili che i modelli numerici potrebbero non cogliere, come una certificazione appena acquisita da un fornitore o i primi avvertimenti che un vettore sta incontrando difficoltà in alcune regioni. Può inoltre valutare le aree in cui conoscenze più approfondite gioverebbero alla ricetta, per esempio incorporando dati di capacità in tempo reale per una linea produttiva critica o acquisendo nuovi scaglioni di sconto da un fornitore principale. Riportando queste scoperte allo Scientist, il Responsabile del flusso assicura che la ricetta automatizzata evolva senza congetture quotidiane.

10.4.1.2 La situazione del consenso

Questa trasformazione elimina spesso le ripetitive sessioni di allineamento, comunemente note come Sales and Operations Planning (S&OP), nelle quali i gruppi discutevano come aggiustare le previsioni o gestire una capacità incerta. In molte aziende, queste sessioni degenerano in giri mensili o trimestrali di ritocchi ai numeri, producendo un’unica cifra di consenso ancora scollegata dalle realtà operative. Nel migliore dei casi, un simile processo ripete vincoli noti e punti di vista dei reparti; nel peggiore, maschera i conflitti e conduce a compromessi deboli.

Con una ricetta numerica che guida le allocazioni o i programmi produttivi quotidiani, non c’è più un lungo dibattito su quale previsione sia «giusta». Tutti i vincoli pertinenti — tempi di consegna, strutture di costo, penalità per rotture di stock — sono nel sistema oppure non lo sono. Quando un reparto solleva una preoccupazione, per esempio un piano di marketing che provocherà picchi di domanda con poco preavviso, la risposta è concreta: la ricetta deve essere modificata per riflettere la vera posta economica. Si potrebbero codificare penalità maggiori per le rotture di stock di certi articoli in promozione, oppure tenere conto di un trasporto accelerato per le impennate improvvise. Anziché negoziare una previsione di compromesso nelle riunioni settimanali, il Responsabile del flusso e lo Scientist assicurano che le decisioni operative si allineino automaticamente a modelli aggiornati di costi e vincoli. Questo rende in gran parte superati i vecchi dibattiti previsionali: ogni «cifra finale» che determina gli ordini quotidiani è ancorata alla logica economica aziendale, non a un compromesso faticosamente raggiunto in sala riunioni.

10.4.1.3 Eccezioni reali

Poiché la ricetta numerica si corregge in risposta ai nuovi dati, le modifiche manuali quotidiane alle decisioni sui singoli SKU diventano superflue. La vigilanza del Responsabile del flusso si concentra invece su eventi davvero anomali: casi talmente al di fuori delle regole della ricetta da produrre decisioni in contrasto con la realtà. Per esempio, se un fornitore chiave chiude un impianto per due settimane dopo un guasto tecnico imprevisto, il responsabile individua una grave perturbazione. Anziché modificare manualmente centinaia di righe di riordino, porta il problema a un livello superiore: «Questo mese il nostro tempo di consegna dal Fornitore A sta di fatto raddoppiando, con sole spedizioni parziali». Lo Scientist codifica la modifica, la ricetta viene rieseguita e l’intero sistema si adegua, dalle quantità di riordino riviste fino, se necessario, a vettori diversi. Nel precedente approccio manuale, un evento simile avrebbe scatenato giorni di frenetici scambi di email e modifiche isolate ai fogli di calcolo in più regioni. Ora viene gestito come un’unica modifica alla logica.

Questo spostamento dell’attenzione riduce gli attriti in tutta l’organizzazione. Il Responsabile del flusso non deve più difendere, riga per riga, come sia arrivato a certe quantità di riordino. Può invece esaminare il quadro più ampio dei picchi di domanda o dei vincoli di approvvigionamento. Se determinati articoli non soddisfano sistematicamente le aspettative di servizio, la domanda non è «perché hai riordinato troppo poco la settimana scorsa?», ma «come possiamo riformulare i fattori di costo o le ipotesi sui tempi di consegna affinché la ricetta colga la volatilità di questo articolo?». I problemi reali vengono risolti rapidamente; i vecchi schemi del «basta alzare la previsione» svaniscono.

10.4.1.4 Stratega, raccordo e revisore

Nel tempo, il ruolo ribattezzato Responsabile del flusso si colloca all’intersezione di tre missioni fondamentali. Primo, diventa uno stratega: non più bloccato nella monotonia dei riordini quotidiani, affina la logica finanziaria sottostante, evidenzia future espansioni — nuovi magazzini o linee di prodotti — e propone di ampliare il perimetro automatizzato. Secondo, funge da raccordo, comunicando con vendite, marketing e acquisti per raccogliere sviluppi che il sistema automatizzato non ha ancora colto. Infine, agisce da revisore, verificando a campione i risultati del sistema alla ricerca di valori anomali, indagando sulle anomalie e controllando che le ipotesi sui costi o sui tempi di consegna corrispondano ancora alle condizioni reali.

Nessuna di queste missioni assomiglia alla classica routine di modificare ogni mattina le scorte di sicurezza in un foglio di calcolo. Quel vecchio schema viene sostituito da cicli di miglioramento continuo. Ogni ciclo amplia la copertura dell’automazione — includendo nuove famiglie di prodotti, canali o vincoli — oppure la profondità del modello, introducendo migliori approssimazioni dei costi di spedizione, nuove regole per la produzione a lotti o strutture di penalità più sfumate per le consegne tardive. L’ex pianificatore, liberato dalle attività amministrative, è essenziale per scoprire quali estensioni contino di più.

10.4.1.5 Il gruppo più ampio

Quando il Responsabile del flusso dedica energie al raccordo strategico, anche i precedenti ruoli di «pianificatori senior» o «coordinatori di produzione» devono adattarsi. Nelle organizzazioni che si aggrappano alle vecchie strutture, più persone potrebbero ancora tentare di replicare le decisioni quotidiane al di fuori del sistema. Questa duplicazione reintroduce soltanto confusione: due fogli di calcolo non si rispecchiano mai perfettamente. Nelle organizzazioni che accolgono il cambiamento, invece, i dipendenti un tempo specializzati nei riordini manuali possono diventare esperti di dominio. Possono concentrarsi su complessità specifiche, come garantire che le spedizioni di materiali pericolosi rispettino normative precise o stringere accordi più solidi con i partner logistici per migliorare i tempi di consegna.

Inoltre, anche se le riunioni S&OP o di collaborazione sulle previsioni potrebbero scomparire nella loro forma tradizionale, alcuni canali di comunicazione rimangono. La differenza è che non ruotano più intorno ai «ritocchi» alle previsioni. Si concentrano invece sul collegare la logica della ricetta alla prima linea dell’azienda: discutere nuove aperture di negozi, imminenti dismissioni di linee di prodotti, sovrapprezzi inattesi delle materie prime o strategie di tutela del marchio che, se non codificate, conducono a risultati quotidiani subottimali. Ogni conversazione poggia sulla stessa logica integrata che guida tutte le decisioni, e i partecipanti discutono di modificare fattori reali anziché contrattare su chi abbia la previsione giusta.

In sintesi, man mano che l’automazione si afferma, il ruolo del pianificatore passa dalla microgestione quotidiana a quello di un Responsabile del flusso dotato di maggiori poteri. Assumendosi la responsabilità di cogliere le verità operative, sia sottili sia clamorose, l’ex pianificatore diventato responsabile assicura che il processo decisionale meccanico resti accurato, tempestivo e in continuo miglioramento. Libero dalle incombenze dei fogli di calcolo, estende le proprie conoscenze al servizio dell’intera rete, dai partner di approvvigionamento alla produzione interna, creando sinergie più profonde di quanto le vecchie procedure abbiano mai consentito.

10.4.2 Il Supply Chain Scientist

Il Supply Chain Scientist ha una responsabilità unica: tradurre le realtà economiche in evoluzione dell’organizzazione in una ricetta numerica che guidi il flusso quotidiano dei beni. Quando l’azienda si impegna a sostituire ampie porzioni di pianificazione manuale con decisioni automatizzate, lo Scientist diventa il perno del processo. Questo ruolo si distingue dalle posizioni tradizionali di analisi aziendale o previsione perché richiede sia la responsabilità completa della ricetta sia una responsabilità diretta per la redditività. Anziché limitarsi a migliorare la visibilità o produrre artefatti numerici, lo Scientist mira a fornire decisioni corrette, capaci di adeguarsi da sole e ritenute affidabili in produzione giorno dopo giorno.

10.4.2.1 Il raccordo con l’IT

Dal punto di vista tecnico, lo Scientist si trova alla frontiera dei sistemi e dei dati aziendali. Sarebbe però un errore considerarlo parte della funzione IT. Deve essere libero di concentrarsi sulla modellazione delle decisioni di supply chain, anziché lottare con una litania di incombenze di integrazione dei dati in cui l’IT è già specializzato. Lo Scientist dipende effettivamente da una pipeline stabile di registrazioni grezze: estrazioni non filtrate di transazioni, scorte, condizioni dei fornitori e simili. Una volta predisposta la pipeline, tuttavia, la sua missione si sposta sulla codifica di nuove conoscenze e vincoli che riflettano le condizioni della supply chain. Il gruppo IT, dal canto suo, rimane il custode delle estrazioni e dell’infrastruttura.

Questa ripartizione delle responsabilità giova a entrambe le parti. Lo Scientist non aggrava l’arretrato dell’IT con richieste interminabili di trasformazioni specializzate; il responsabile dei dati nell’IT fornisce istantanee quotidiane e neutrali dei sistemi di origine, lasciando allo Scientist tutti gli affinamenti nella ricetta. Nel frattempo, il reparto IT può concentrarsi sul proprio mandato operativo più ampio: mantenere stabili le applicazioni fondamentali e garantire che ogni database e flusso di dati a monte rimanga sano. Quando emerge un problema, come la rinomina di una tabella nell’ERP o un’esportazione notturna fallita, le due parti collaborano rapidamente: l’IT risolve l’anomalia della pipeline e lo Scientist riprende le normali operazioni con i dati aggiornati. Non vi sono attriti o confusione su chi sia «responsabile» della logica di trasformazione o su quali modifiche siano state introdotte lungo il percorso.

10.4.2.2 La funzione finanziaria

Un corollario del mandato dello Scientist è la necessità di integrare profondamente i vincoli finanziari nelle decisioni quotidiane. I fattori di costo — tariffe di trasporto, limiti al capitale circolante o obiettivi di margine — non possono restare idee astratte sospese nelle presentazioni. Richiedono un trattamento numerico esplicito, affinché ogni allocazione radichi i compromessi in realtà monetarie autentiche. Lo Scientist collabora quindi con la funzione finanziaria non per formalità, ma per necessità: se le prossime campagne promozionali modificano i margini attesi o se nuovi vincoli di capitale precludono determinati livelli di scorta, la ricetta deve essere aggiornata di conseguenza.

Questi scambi con la funzione finanziaria avvengono più regolarmente di quanto si possa immaginare. Durante l’introduzione dell’iniziativa, lo Scientist tiene solitamente una serie di brevi riunioni in cui presenta come le attuali ipotesi di costo — per esempio gli oneri di magazzinaggio o le penalità per il trasporto accelerato — si traducano in decisioni quotidiane. La funzione finanziaria può individuare inesattezze nascoste, come una commissione di movimentazione trascurata per le consegne in grandi quantità o un’occasione mancata di considerare più finemente gli scaglioni di sconto. Correggere questi dettagli può far passare la soluzione da un ingenuo ottimo locale a decisioni che riflettano meglio l’impatto reale sul conto economico aziendale. È così che l’automazione rimane finanziariamente «affilata»: nessuna voce di budget o centro di profitto viene lasciato alle congetture.

Nel tempo, anche quando la ricetta è matura, grandi cambiamenti operativi o strategici continuano a richiedere nuovi cicli di modellazione. Una direttiva di alto livello — come ridurre il costo del capitale o l’esposizione a una classe di rischi — passa attraverso la funzione finanziaria e arriva allo Scientist, che la traduce in funzioni di penalità, sconti o regole di approvvigionamento rivisti. L’effetto compare poco dopo nei risultati quotidiani, mantenendo in armonia le finanze dell’azienda e la sua supply chain di ogni giorno.

10.4.2.3 La direzione

Sebbene non sia né l’amministratore delegato né lo Sponsor esecutivo, lo Scientist ha un posto centrale al tavolo ogni volta che i vertici modificano le priorità strategiche. Non appena la nuova direzione prende forma — entrare in un nuovo paese, passare al nearshoring, privilegiare un servizio premium per determinate linee di prodotti — la ricetta numerica deve codificare quelle priorità. Senza questo rapido allineamento, le decisioni meccaniche restano bloccate in una logica superata.

Può bastare un breve colloquio diretto con i vertici una o due volte l’anno. Il suo scopo non è esaminare minuziosamente le modifiche al codice, ma confermare che lo Scientist comprenda il quadro generale. Se l’azienda punta a espandersi più rapidamente ma a usare il capitale in modo più rigoroso, lo Scientist potrebbe rifletterlo restringendo i budget delle scorte sugli articoli a rotazione più lenta oppure introducendo penalità maggiori per il ricorso al trasporto d’emergenza. I risultati quotidiani della ricetta cambiano così nei punti in cui incideranno sul profitto. Poiché il codice è senza stato, nessuno stato residuo ostacola la transizione. Entro una settimana dalla nuova direttiva della direzione, la supply chain potrebbe già produrre ordini di acquisto allineati a quegli imperativi strategici.

Questo schema di adattamento rapido dimostra come la coerenza strategica emerga dalle fondamenta meccaniche della supply chain: quando cambiano le ipotesi del codice, cambia anche ogni decisione pertinente. Dove un processo manuale richiedeva un tempo mesi di riqualificazione graduale per decine di pianificatori, qui un unico aggiornamento si estende istantaneamente all’intera gamma di prodotti o rete di siti.

10.4.2.4 Oltre due Scientist

In molte aziende di medie dimensioni, un solo Supply Chain Scientist, più un secondo per ridondanza, può coprire interi flussi decisionali. Tuttavia, man mano che l’iniziativa cresce — aggiungendo linee di prodotti o approfondendo problemi avanzati di produzione o distribuzione — possono servire altri Scientist. Gestire un gruppo più ampio richiede un approccio più rigoroso alla struttura della ricetta.

Il primo principio è mantenere quanta più logica condivisa possibile in una base di codice unificata. Ogni Scientist può occuparsi di sottoaree distinte — uno si concentra sui vincoli di approvvigionamento, un altro sulla programmazione della produzione — ma tutti collaborano a un unico progetto. Come gli ingegneri software si affidano al controllo di versione e alle revisioni del codice, gli Scientist adottano pratiche simili per coordinare le modifiche quotidiane e assicurare che un miglioramento in un dominio non violi involontariamente vincoli in un altro.

Soprattutto, gli Scientist rimangono prima di tutto esperti di supply chain. Non vengono assunti per perseguire innovazioni astratte nell’apprendimento automatico. Se organizzano revisioni del codice, lo scopo non è creare una pipeline informatica specializzata, ma mantenere le decisioni quotidiane coerenti e prive di errori. Ogni Scientist impara il ragionamento alla base delle righe di codice principali: il «perché», oltre al «cosa». Un manuale di riferimento¹⁶³ può essere prezioso, perché documenta le motivazioni strategiche di ogni regola. Quando uno Scientist se ne va o arriva un nuovo assunto, il trasferimento delle conoscenze è più agevole e risparmia al gruppo la riscoperta delle sottigliezze delle ipotesi di costo o dei vincoli dei casi limite.

Gestendo così le espansioni, il gruppo degli Scientist può crescere in modo armonioso mantenendo il ritmo quotidiano delle iterazioni. Per quanto grande diventi l’impresa, ogni aspetto — dalle nuove strutture di sconto alle previsioni più raffinate dei tempi di consegna — può essere affrontato dallo Scientist competente e poi integrato ordinatamente nella ricetta principale.

10.4.2.5 Concentrazione rigorosa

Sebbene scrivano molto codice, gli Scientist non sono sviluppatori software subordinati. Il loro successo si misura dall’impatto reale delle decisioni quotidiane: minori disallineamenti delle scorte, margini più elevati o un adattamento più rapido a condizioni anomale. Non scompaiono nell’arretrato dell’IT e non sono un generico gruppo di «data science» a caccia di effimeri benchmark di accuratezza. Mantengono invece una forte concentrazione su cambiamenti attuabili che riordinino il flusso dei beni per servire meglio gli obiettivi strategici e finanziari.

Questo radicamento nel concreto li distingue dai reparti che commerciano in dashboard o analisi trimestrali. Ogni volta che l’ambiente cambia, lo Scientist deve compiere ripetutamente piccoli passi mirati nel codice, verificando in produzione i risultati di ogni giorno. La sinergia con l’IT è essenziale, ma delimitata dal confine dell’estrazione dei dati. Quella con la funzione finanziaria continua, assicurando che i fattori di costo restino credibili anche mentre il mercato si muove. E la sinergia con l’alta direzione si rafforza, permettendo al processo automatizzato di riflettere rapidamente ogni nuovo orientamento adottato dall’azienda.

Interiorizzando queste realtà, le aziende capiscono che il ruolo dello Scientist non è né effimero né eliminabile una volta terminato il «progetto di automazione». Come il Responsabile del flusso sostituisce il pianificatore manuale nelle attività quotidiane, lo Scientist sostituisce una rete aggrovigliata di soluzioni parziali con un approccio codificato in evoluzione. La necessità di aggiornamenti strategici non cessa mai, e lo Scientist è pronto a incorporare ogni cambiamento nella logica meccanica. È questa interazione continua a mantenere una supply chain costantemente pertinente e collegata ai fattori economici reali.

Lo Scientist, in breve, è un nuovo tipo di contributore alle operazioni aziendali, il cui orientamento non è puramente tecnico né puramente manageriale, ma unisce i due. La sua autorità non deriva da una gerarchia manageriale formale, bensì dall’accuratezza e dall’adattabilità quotidiane del suo codice. Nella prossima sezione esaminiamo più a fondo le insidie comuni della «data science» nei contesti aziendali e perché autentici Supply Chain Scientist debbano andare oltre calcoli superficiali per ottenere un successo duraturo.

10.4.3 L’azienda nel suo insieme

Ogni iniziativa che rimodella le decisioni di supply chain, per quanto precisamente delimitata all’inizio, esercita inevitabilmente pressione sull’intero tessuto aziendale. La ricetta numerica non può operare isolatamente: i suoi risultati quotidiani devono riflettere vincoli, obiettivi e strutture di costo di più reparti, molti dei quali hanno tradizionalmente mantenuto processi locali scollegati da considerazioni più ampie. Le sezioni precedenti hanno mostrato come strutturare l’iniziativa intorno a un Supply Chain Scientist, al Responsabile dei dati, al Responsabile del flusso e allo Sponsor esecutivo, ma anche il resto dell’azienda deve imparare a interagire con questo nuovo processo decisionale e, infine, a fidarsene. In assenza di un quadro unificante, le pressioni locali e di breve periodo provenienti da vendite, marketing, acquisti o altre aree rischiano di prevalere sui risultati meccanici o di comprometterli.

Eppure la vera forza della ricetta sta proprio nel raccogliere ogni fattore pertinente ed esprimerlo quotidianamente, senza pregiudizi nascosti o supervisione frammentata. Perché ciò avvenga, ogni reparto deve rinunciare alla tentazione di mantenere propri fogli di calcolo riservati e processi ombra. Deve invece dichiarare apertamente vincoli e strutture di costo affinché lo Scientist possa codificarli direttamente. È qui che l’alta direzione, e in particolare il massimo dirigente o amministratore delegato, deve intervenire con decisione. L’amministratore delegato non è, e non può essere, l’arbitro finale dei fattori economici: questi dettagli sono troppo minuti per il vertice. È invece l’arbitro ultimo di quale reparto sia responsabile di ogni fattore e deve assicurare che i responsabili collaborino con lo Scientist anziché tentare di aggirare il sistema. Se la funzione finanziaria afferma che determinati costi del capitale devono essere fissati a un tasso specifico, quei costi diventano il riferimento riconosciuto. Se gli acquisti stabiliscono che un particolare fornitore strategico debba essere risparmiato dai tagli ai volumi d’ordine, quella scelta viene modellata esplicitamente. La politica deve provenire dal reparto competente, ma, una volta confermata, smette di essere una regola non scritta e si ancora alla logica decisionale quotidiana.

Questo assetto può risultare destabilizzante per reparti che prima modificavano i propri numeri a piacimento. Quando il responsabile di un marchio scopre che un prodotto popolare non compare nel prossimo piano ordini, può temere di perdere ricavi o quote di mercato. Nel vecchio approccio poteva affrettarsi a modificare manualmente la quantità di riordino in un foglio di calcolo, che questo giovasse davvero al profitto aziendale oppure no. Nel nuovo sistema, se ritiene che omettere il prodotto causi un danno reputazionale molto superiore a qualsiasi considerazione di profitto a breve termine, la strada corretta è portare il fattore ai livelli competenti affinché il suo costo finanziario o la sua penalità venga codificato nella ricetta. Lo scopo non è «incolpare» il processo meccanico di ignorare un imperativo del marchio, ma incorporare quell’imperativo nei fattori economici, esprimendolo come penalità per le rotture di stock o premio per una disponibilità che rafforzi il marchio. Da quel momento, le decisioni quotidiane che prima causavano attriti si allineeranno naturalmente alla priorità del responsabile del marchio, purché essa rimanga davvero importante per la strategia complessiva dell’azienda.

Tensioni simili emergono con il marketing quando una promozione viene omessa dal piano finale oppure un prodotto in evidenza si rivela appena redditizio e riceve una bassa priorità di riordino. Se il gruppo marketing ha prove che una promozione aumenterà le vendite incrociate di altri articoli, deve mostrare come i ricavi aggiuntivi o il valore del marchio si traducano in un ritorno economico. Una volta esplicitato il ritorno aggiuntivo, lo Scientist lo incorpora nel codice. Quelle esigenze del marketing non vengono più gestite con modifiche manuali dell’ultimo minuto o «aggiustamenti finali delle previsioni»: diventano parte del processo meccanico quotidiano, una variabile dichiarata e documentata, rivedibile se i riscontri del mercato mostrano che la promozione non ha generato le vendite incrociate attese. Esplicitare ciò che prima era un fattore tribale o immateriale costringe ogni reparto a decidere se un desiderio locale sia un’intuizione passeggera o una verità economica vitale. Si tratta, di fatto, di una dinamica di teoria dei giochi: ogni reparto vede che una cooperazione parziale, come suggerire sottovoce una domanda gonfiata per assicurarsi scorte, non dà più alcun vantaggio. La ricetta finale verifica tutti i vincoli ogni giorno; un costo o beneficio non dichiarato non viene riconosciuto. Il ruolo dell’alta direzione è assicurare che ogni dominio dichiari onestamente costi e guadagni, anziché manipolare le cifre della domanda per assicurarsi risorse a spese degli altri.

Anche gli acquisti possono inizialmente sentirsi minacciati quando la ricetta quotidiana detta righe e tempi precisi di riordino, sostituendo di fatto le trattative manuali che alcuni acquirenti ritenevano il proprio valore principale. Eppure la funzione acquisti rimane indispensabile per rivelare quali fornitori offrano una qualità affidabile, quali impongano condizioni nascoste e quali possano essere sacrificati a favore di nuove strategie di approvvigionamento. Il gruppo acquisti non deve scavalcare il sistema o tornare ad accordi collaterali: guadagna più influenza dichiarando chiaramente i vincoli dei fornitori. Esistono dimensioni minime dei lotti, tariffe speciali in entrata per spedizioni parziali o sconti fedeltà del fornitore? Ogni sfumatura è un pezzo del puzzle economico. Una volta codificata, modella i risultati della ricetta, così gli acquisti influenzano le decisioni quotidiane attraverso regole stabili e razionali anziché ripetute rielaborazioni manuali.

La stessa logica vale per i gruppi di ingegneria e i progettisti di prodotto che vogliono incorporare nuovi componenti o modificare le distinte base. In passato, una modifica progettuale poteva cogliere di sorpresa la pianificazione, causando carenze dell’ultimo minuto quando il nuovo componente specificato veniva trascurato. Ora il processo meccanico quotidiano segnala immediatamente ogni componente sconosciuto, rivelando che al nuovo articolo mancano riferimenti di costo o tempi di consegna. Il gruppo di progettazione non può più far passare inosservate le modifiche: deve collaborare con lo Scientist per definire come il nuovo componente alteri i vincoli produttivi o gli oneri generali. Questa collaborazione imposta risparmia all’azienda disallineamenti silenziosi dell’approvvigionamento che un tempo sembravano «inevitabili».

Persino la funzione finanziaria, a lungo abituata a vedere la supply chain come un centro di costo separato dalle priorità del marchio o del marketing, è spinta a chiarire come i vincoli di liquidità e gli obiettivi di capitale circolante entrino nei livelli quotidiani di riordino. Se vuole che determinate linee operino con scorte tampone minime, oppure segnala che le valutazioni delle scorte stanno cambiando, questi aggiornamenti si traducono in modifiche immediate al codice. I risultati quotidiani non riflettono più soltanto una previsione e un margine standard: esprimono la posizione aggiornata della funzione finanziaria sull’uso del capitale. Quando un alto dirigente si chiede perché certi SKU siano stati ridimensionati, esiste un collegamento diretto dai vincoli finanziari alle decisioni automatizzate e dal codice dello Scientist ai vincoli finanziari. Non servono modifiche arbitrarie né riunioni interminabili sulle previsioni: tutti vedono causa ed effetto.

In un simile ambiente, la questione della colpa si pone raramente. Se una carenza inattesa di uno SKU in promozione colpisce gli scaffali, il marketing contesterà la ricetta numerica, non per indebolirla, ma per verificare se l’impatto della promozione sia stato incluso correttamente. Lo Scientist, a sua volta, verifica che il marketing abbia davvero comunicato tutte le informazioni pertinenti, come il rischio incrementale per il marchio o i guadagni delle vendite incrociate. In caso contrario, il rimedio è un’ipotesi di costo nuova o rivista. Nel tempo, queste interazioni tra reparti evolvono da schermaglie piene di attriti ad aggiornamenti costruttivi dei parametri della ricetta. Questo modello di collaborazione prospera soltanto se l’alta direzione, dall’amministratore delegato in giù, sostiene il processo e si oppone fermamente alla reintroduzione di manipolazioni manuali ogni volta che un reparto è insoddisfatto di un risultato.

Quando ogni reparto vede che l’allineamento deriva dall’adeguamento delle ipotesi condivise, non dall’ignorare o modificare manualmente i risultati meccanici, si rende conto che le decisioni meccaniche sono diventate l’unica fonte di verità per le operazioni quotidiane. Questa fonte unica non è rigida né difficile da maneggiare: si adatta non appena un costo, un vincolo o un fattore di margine si rivela pertinente. Rifiuta di incorporare congetture effimere e poco meditate. Questa dinamica può sconcertare nei primi mesi, quando i dipendenti scoprono di non poter più correggere silenziosamente un numero scomodo nei propri fogli di calcolo. Dopo un ciclo completo, spesso uno o due trimestri, però, riconoscono che sorgono meno emergenze, scoppiano meno guerre di territorio e la supply chain appare più coerente.

L’iniziativa diventa più di un miglioramento della supply chain: è un meccanismo di sinergia continua tra reparti. Ogni dominio dell’azienda — marketing, acquisti, ingegneria, finanza e operazioni — vede che il modo migliore di garantire le proprie priorità nei flussi quotidiani è dichiararle apertamente e poi affidarsi al processo meccanico perché le esegua con coerenza. Il ruolo dell’amministratore delegato è assicurare che ogni dominio si assuma davvero la responsabilità dei costi o benefici che rivendica e approvare il codice finale dello Scientist come canale attraverso cui tali rivendicazioni rimodellano le decisioni. Qualsiasi soluzione inferiore genera duplicazioni o resistenze che diluiscono i guadagni del nuovo sistema.

Nel tempo emerge una cultura in cui nessuno combatte i numeri quotidiani della ricetta, purché riflettano fattori dichiarati correttamente. Se il marketing ritiene sottostimati i costi del marchio, solleva formalmente la questione. Se gli acquisti vedono che l’affidabilità di un fornitore è migliorata, aggiornano la penalità per le rotture di stock oppure i tempi di consegna attesi. Tutti comprendono gradualmente che le manovre da gioco, come gonfiare le previsioni, non offrono più un vantaggio, perché la ricetta incrocia ogni elemento con i dati effettivi. L’impulso comune è affinare le ipotesi numeriche, non sabotarle.

Questo passaggio a un’orchestrazione unica, quotidiana e meccanica può apparire radicale in aziende da tempo fondate sull’autonomia dei reparti. I benefici comprendono forti riduzioni della gestione delle emergenze, una sinergia più profonda tra marchio, marketing e operazioni e un legame più stabile tra ambizioni strategiche ed esecuzione sul campo. Nel momento in cui ogni reparto accetta di dover modellare gli input anziché modificare manualmente gli output, l’iniziativa raggiunge la collaborazione estesa a tutta l’azienda che è essenziale per il successo a lungo termine.

11 Stagnazione

La supply chain, come trattata in questo libro, è un intento attuato attraverso le decisioni; la tesi circoscritta di questo capitolo è che, come disciplina, la supply chain sia rimasta in gran parte stagnante. Non perché i beni non si muovano — si muovono — ma perché le scelte delle aziende su cosa spostare, quando, dove e in quale quantità non hanno tenuto il passo con quattro decenni di calcolo informatico. L’atteggiamento dominante resta amministrativo: le persone riconciliano eccezioni prodotte da software che registra fatti e racconta il passato, ma raramente scommette.

Per stagnazione intendiamo un’immobilità operativa mascherata dal movimento. I registri sono digitali e onnipresenti; i report si aggiornano ogni minuto; i data warehouse si gonfiano; acronimi e dashboard proliferano. Eppure i meccanismi fondamentali dell’allocazione sono sostanzialmente quelli della metà degli anni 1980: previsioni puntuali trattate come certezze, scorte tampone legate a obiettivi di servizio arbitrari, surrogati del riordino incorporati in cadenze settimanali e un vortice quotidiano di approvazioni. I computer fungono da sistemi di registrazione e reporting e, dove compare l’«automazione», si tratta solitamente di teatro degli avvisi — elenchi che restituiscono agli esseri umani i casi difficili — anziché di un sistema di intelligenza che emette impegni verificabili senza intervento umano.

Questa immobilità ha un costo. Sopprime sistematicamente ciò che muove il denaro: la variabilità a code pesanti, i legami nel tempo e nello spazio e il valore d’opzione dell’attesa. Le medie prendono il posto delle distribuzioni; gli indicatori locali di prestazione prendono il posto dell’economia; la legge di Goodhart trasforma silenziosamente le misure in obiettivi. Ne risulta un equilibrio amministrativo che assicura continuità attraverso scorte tampone e straordinari, lasciando però disperdere unità monetarie nei periodi ordinari e vacillando sotto pressione.

Nulla di tutto ciò è inevitabile. I capitoli precedenti hanno riunito gli strumenti mancanti: visioni probabilistiche del futuro anziché surrogati puntuali; valutazioni in unità monetarie alla scala dell’azienda; e sistemi di intelligenza che ricalcolano entro quadri decisionali, attribuiscono un prezzo ai compromessi e scrivono le decisioni nei sistemi senza intervento umano, protetti da euristiche d’arresto, dossier di whiteboxing e ottimizzazione sperimentale in esecuzione parallela. Quando si adottano questi strumenti, gli stessi beni producono flussi migliori perché cambiano le decisioni.

Ciò che segue è insieme sintesi e atto d’accusa. Il settore non ha soltanto mancato di accelerare con il calcolo moderno; si è assestato in un equilibrio stabile e mediocre, sostenuto da incentivi che premiano le narrazioni anziché le emissioni: rompicapi accademici, fornitori che ribattezzano registrazioni e report come «pianificazione», cerimonie di consulenza e «data science» interna che si ferma agli insight. La trappola organizzativa — lo status di seconda categoria della supply chain e la sua subordinazione all’IT centrale — consolida questo assetto.

Questa doppia immagine — un flusso che continua a consegnare e una disciplina ferma — prepara il paradosso che segue.

11.1 Il paradosso del successo

Le supply chain vengono celebrate per la loro affidabilità. I beni attraversano ogni giorno le frontiere; gli scaffali dei negozi raramente restano vuoti a lungo; le aziende registrano risultati solidi mentre estendono le proprie reti. A giudicare dai risultati visibili, il settore appare vigoroso e resiliente.

Eppure questo successo esteriore nasconde uno stallo più profondo. Durante decenni di straordinari progressi informatici, la maggior parte delle organizzazioni ha trattato i computer come registri e dashboard anziché come motori decisionali. Ciò che passa per «automazione» è solitamente una cascata di eccezioni che gli esseri umani devono riconciliare; ciò che passa per «pianificazione» resta una fragile combinazione di previsioni deterministiche, surrogati del riordino e modifiche manuali, semplicemente rivestita di interfacce moderne. La continuità si compra meno con un’intelligenza progettata che con scorte tampone, ridondanza e vigilanza amministrativa.

È questo il paradosso: consegne affidabili su vasta scala convivono con l’immobilità intellettuale. Altri ambiti hanno trasformato il calcolo a basso costo in decisioni senza intervento umano; la supply chain ha in gran parte riconfezionato le routine di ieri. Le innovazioni tanto decantate sono cosmetiche — nuovi acronimi per vecchi artefatti, nuove schermate per vecchie abitudini — mentre il nucleo resta una riconciliazione quotidiana dei numeri mediata da esseri umani.

Il costo di questa immobilità raramente compare nell’istantanea di una giornata, perché il flusso effettivamente «consegna». Diventa evidente durante gli shock — bruschi cambiamenti della domanda, perturbazioni dei trasporti — quando vacillano processi progettati per la conformità anziché per adattarsi all’incertezza. Più dannosa è l’emorragia silenziosa e cumulativa nei periodi ordinari: scorte di sicurezza eccessive, opzioni poco sfruttate e migliaia di ore dedicate a curare fogli di calcolo anziché a migliorare le decisioni. Si acquista software costoso, ma raramente migliora la qualità decisionale; la sua «automazione» degenera nel teatro degli avvisi, che riaffida alle persone le parti difficili. Più insidioso di qualsiasi errore visibile è il crescente costo opportunità: ogni giorno in cui la variabilità viene trattata come un fastidio anziché valorizzata e sfruttata è un giorno in cui il surplus che il calcolo moderno potrebbe raccogliere semplicemente evapora.

I capitoli precedenti hanno delineato rimedi già esistenti: visioni probabilistiche del futuro, valutazioni ancorate all’economia e sistemi di intelligenza che emettono ogni giorno decisioni verificabili senza intervento umano, continuamente migliorate attraverso l’ottimizzazione sperimentale. Qui lo scopo non è argomentare nuovamente a favore di questi strumenti, ma spiegare perché un settore che potrebbe adottarli in gran parte non lo abbia fatto. La prossima sezione ripercorre le radici di questo equilibrio — mode accademiche, economia dei fornitori, teatro della consulenza e governo aziendale — che mantengono stabile e mediocre una funzione manifestamente centrale.

11.2 La complessità del mondo reale

Invocare la «complessità» è diventato una giustificazione rituale di pratiche mediocri. Il problema non è che le supply chain siano complicate — il primo capitolo ha già distinto l’essenziale dall’accidentale — ma che la maggior parte delle organizzazioni appiattisce ciò che conta economicamente in una manciata di surrogati. Le previsioni puntuali prendono il posto dell’incertezza; un unico «livello di servizio» si spaccia per profitto; i tempi di consegna medi cancellano le code che causano il danno. Il risultato non è un modello del flusso, ma una sua caricatura sedata.

La semplificazione non è un vizio quando preserva le asimmetrie che muovono il denaro; è un difetto quando le cancella. Variabilità e opzionalità sono le materie prime del profitto. Quando una rappresentazione sopprime code pesanti, correlazioni, raggruppamenti in lotti o effetti cricchetto che vincolano le opzioni di domani, non guida più le decisioni: ne nasconde la posta in gioco.

Quella che segue non è un’altra tassonomia del fallimento, ma un esempio concreto. Un piccolo episodio operativo lo mette a fuoco. Collega inoltre il discorso al metodo che risolve sistematicamente gli stalli sul campo: l’ottimizzazione sperimentale (si vedano i capitoli Decisioni, Ingegneria e Implementazione).

11.2.1 Un episodio operativo

Consideriamo un episodio ordinario. Un rivenditore nazionale gestisce due centri di distribuzione regionali, ciascuno con una capacità nominale di ricevimento di quaranta container al giorno. Gli acquisti seguono una cadenza settimanale legata alle MOQ e agli sconti dei fornitori; il sistema di pianificazione calcola i punti di riordino da previsioni puntuali e tempi di consegna medi; i KPI del magazzino misurano l’utilizzo delle banchine e la rotazione; i negozi vengono giudicati sulla «disponibilità a scaffale». Nessun cattivo, soltanto obiettivi locali ragionevoli.

Ogni lunedì arrivano da sessanta a settanta container al centro di distribuzione Ovest. I varchi si saturano entro mezzogiorno; i camion restano fermi; le controstallie aumentano; una parte del carico slitta a martedì; la coda si trascina fino a mercoledì. Nel frattempo, a metà settimana sugli scaffali mancano alcuni SKU della coda lunga, che lunedì erano «in transito» in grandi quantità ma potevano essere fisicamente ricevuti soltanto mercoledì. Nessuna dashboard mente: il servizio appare buono sulla media settimanale; gli sconti a scaglioni sono stati ottenuti; l’utilizzo delle banchine ha raggiunto il picco; la rotazione delle scorte tiene. Eppure le unità monetarie si disperdono ovunque — camion fermi, straordinari, rotture di stock transitorie — mentre l’organizzazione si congratula per aver «raggiunto gli obiettivi».

Per correggere il quadro non occorre nulla di sottile; occorre ammetterlo. In esecuzione parallela è stata introdotta una ricetta numerica snella: tempi di consegna rappresentati come distribuzioni con code destre pesanti; un prezzo ombra per la saturazione delle banchine che cresce in modo non lineare oltre quaranta container al giorno; MOQ dei fornitori trattate come penalità anziché editti; e, soprattutto, una valutazione quotidiana degli ordini senza obbligo di ordinare ogni giorno. Il motore poteva emettere «non fare ancora nulla» ogni volta che il valore d’opzione dell’attesa superava il rendimento atteso aggiustato per il rischio.

Il primo giorno è scattato l’arresto per una decisione insensata: un arrivo previsto di quarantotto container il lunedì per una banchina da quaranta container; i dossier hanno esposto i fattori, valorizzati in unità monetarie, e il difetto è stato eliminato: i lotti settimanali sono stati sostituiti da rilasci scaglionati che preservavano gli sconti distribuendo più uniformemente gli arrivi. Entro quattro settimane di esecuzione parallela, le controstallie e gli straordinari al ricevimento sono diminuiti nettamente; le carenze a scaffale a metà settimana sulla coda lunga si sono ridotte senza aumentare il capitale circolante; gli sconti continuavano a essere ottenuti. Nessun eroismo, nessuna grande riorganizzazione: gli stessi beni, gli stessi fornitori, gli stessi negozi; sono cambiate soltanto le decisioni.

La lezione non è che «i lunedì sono un male». È che la vera complessità era economica e temporale, non algebrica. Le medie nascondevano le code; un unico indicatore di servizio nascondeva ritorni eterogenei; i «vincoli» rigidi diventavano elastici una volta attribuito loro un prezzo. I computer non hanno fatto nulla che i pianificatori umani non potessero fare in linea di principio: lo hanno semplicemente fatto per migliaia di micro-opzioni ogni giorno, senza stancarsi, facendo emergere in termini monetari gli attriti giusti.

11.2.2 Massimo locale

L’episodio mostra perché gli equilibri mediocri persistano. Ogni funzione era appollaiata su una collina difendibile: gli acquisti su sconti e MOQ; i magazzini sull’utilizzo; i negozi sulla disponibilità; la finanza sulla rotazione. Le colline erano reali; la montagna era altrove. I tentativi di «ottimizzare» una qualsiasi collina isolatamente si limitavano a spostare il dolore. È la perversità descritta nel primo capitolo: gli obiettivi si legano nel tempo e nello spazio e le misure diventano obiettivi non appena il sostentamento delle persone dipende da esse.

Uscire da un massimo locale non richiede un manifesto, ma soltanto un modo sicuro e meccanico di provare decisioni migliori e conservarle quando rendono. L’ottimizzazione sperimentale offre esattamente questo: eseguire in parallelo sulle estrazioni di fine giornata; arrestarsi rapidamente davanti a decisioni insensate; esporre i fattori in unità monetarie; passare in produzione soltanto sulla base di un miglioramento misurato; tornare indietro a basso costo. Poiché il metodo attribuisce un prezzo ai compromessi alla scala dell’azienda, dissolve molti «vincoli» inventati in penalità e trasforma i veti dei reparti in parametri regolabili e verificabili.

Nella pratica, l’ostacolo è raramente la fisica: è la narrazione. Finché medie e singoli KPI raccontano il successo, l’equilibrio appare accettabile. Sostituendo la narrazione con impegni quotidiani verificabili e valorizzati in unità monetarie, i presunti «vincoli» si rivelano per ciò che sono: scelte. La prossima sezione esamina perché le istituzioni che dovrebbero affinare queste scelte — mondo accademico, fornitori, consulenti — insegnino così spesso, invece, medie e KPI.

11.3 Perché l’equilibrio regge

Le cattive idee non hanno bisogno di shock per sopravvivere. Una supply chain può restare funzionale mentre i suoi metodi rimangono indietro. L’equilibrio persiste perché gli incentivi sono deboli e disallineati: ogni attore che contribuisce a plasmare la disciplina ricava una rendita silenziosa dal mantenere le decisioni mediate dagli esseri umani e la relativa responsabilità eludibile, mentre nessuno viene pagato in unità monetarie per la qualità delle decisioni senza intervento umano.

Questi equilibri durano perché superano una soglia bassa. I camion continuano a muoversi, gli sconti vengono ottenuti, le dashboard restano verdi e nessuno deve giocarsi la carriera su un’alternativa più audace. In assenza di uno shock esistenziale, i vantaggi locali dell’inazione spesso superano i benefici incerti di riprogettare le decisioni. Finché l’apparato funziona abbastanza bene, la pressione al cambiamento resta debole.

I meccanismi sono banali. Lunghi cicli di riscontro diluiscono la responsabilità; le dashboard sostituiscono l’economia con obiettivi; i progetti pilota vengono messi in scena dove il fallimento non può fare male; le «eccezioni» restituiscono agli esseri umani i casi più difficili, isolando così dalla falsificazione una logica fragile. In un simile contesto, la mediocrità si accumula silenziosamente. Ciò che passa per prudenza — avvisi prima dell’azione, «convalida» manuale, consenso intorno a un’unica previsione — si limita a preservare un ciclo amministrativo che non attribuisce un prezzo all’incertezza né ne trae insegnamenti.

Intorno a questo ciclo si dispone una rete di interessi che attenua la pressione al cambiamento. Il mondo accademico viene premiato per i rompicapi e le pubblicazioni, non per decisioni che resistono al contatto con banchine e orari limite; rifinisce modelli stilizzati facili da valutare e difficili da rendere operativi. I fornitori di software realizzano margini su licenze per utente, archiviazione e aggiornamenti dei sistemi di registrazione e reporting; una vera automazione ridurrebbe gli utenti e cancellerebbe le schermate. I consulenti vendono coreografie — workshop, matrici, «allineamento» — i cui risultati lasciano intatti il codice e l’economia; l’incarico finisce, i rituali restano e il flusso dei fogli di calcolo riprende. I gruppi aziendali di data science, valutati su progetti e dashboard, si fermano agli insight; la responsabilità dell’impegno espresso in unità monetarie è altrove, insieme all’incentivo a rivedere le ipotesi quando la realtà le contraddice. All’interno dell’azienda, la supply chain resta di seconda categoria e subordinata all’IT centrale: i budget favoriscono registri che non falliscono mai rispetto a motori che devono decidere; il rischio viene definito come deviazione dalla piattaforma anziché come perdita economica.

I prezzi segnalano questi incentivi con la stessa chiarezza di qualsiasi mercato. I fornitori fatturano l’accesso, non il miglioramento; i consulenti l’impegno, non i guadagni; gli accademici la novità, non la resilienza; i gruppi interni gli artefatti, non le emissioni. La legge di Goodhart fa poi il resto: quando un indicatore promette sicurezza di carriera, l’organizzazione ottimizza quell’indicatore. L’«accuratezza previsionale» migliora accorciando gli orizzonti e gonfiando le scorte tampone; il «livello di servizio» sale grazie a scorte cui nessuno attribuisce un prezzo; si celebra l’«aderenza al piano» mentre i camion restano fermi presso una banchina satura.

L’episodio precedente è tipico, non eccezionale. Nulla nella fisica impediva l’accumulo settimanale degli arrivi; persisteva perché le misure che governavano ogni silo — sconti, utilizzo, disponibilità — erano locali, mentre i costi che spostavano — controstallie, straordinari, carenze a metà settimana — ricadevano altrove. Dove nessuno risponde esplicitamente delle conseguenze economiche della decisione per l’intera azienda, gli equilibri amministrativi si consolidano in consuetudini. Il silenzio di profitti e perdite al livello della micro-scelta lascia che a colmare il vuoto siano le narrazioni: «migliori pratiche», «standard di settore», «un unico insieme di numeri».

Le sezioni seguenti esaminano i principali sostenitori di questo equilibrio. L’attaccamento del mondo accademico a rompicapi pubblicabili, i fornitori che ribattezzano registrazioni e report come «intelligenza» mentre esternalizzano l’intelligenza agli utenti attraverso il teatro degli avvisi, le cerimonie dei consulenti infarcite di parole alla moda che si fermano prima del codice e la data science aziendale isolata dalla responsabilità contribuiscono tutti a uno stato stabile ma mediocre. La trappola organizzativa — lo status di seconda categoria della supply chain e la sua subordinazione all’IT centrale — blocca l’assetto. Nulla di tutto ciò richiede malizia. Basta che gli incentivi siano scollegati da decisioni verificabili, espresse in unità monetarie ed emesse senza intervento umano. Finché questo legame non viene ristabilito, l’equilibrio regge.

11.4 Chi lo sostiene

Lo stallo perdura non per malizia, ma per incentivi dispersi. Quattro gruppi, ciascuno impegnato a perseguire obiettivi ragionevoli dal proprio punto di vista, sostengono collettivamente un equilibrio stabile ma mediocre: il mondo accademico, i fornitori di software aziendale, i consulenti e i programmi aziendali di data science. Ogni gruppo fornisce qualcosa che gli altri richiedono — rompicapi pubblicabili, piattaforme vendibili, cerimonie che infondono fiducia e dashboard di «insight» — lasciando però l’atto quotidiano dell’allocazione dove si trova da tempo: agli impiegati che riconciliano eccezioni.

La prospettiva adottata qui è di contraddittorio, non di ostilità. I capitoli precedenti hanno già esposto in cosa consista un progresso attuabile: emissioni verificabili, senza intervento umano, di decisioni valorizzate in unità monetarie. Con questo metro possiamo esaminare come ciascun gruppo, seguendo i propri incentivi, perpetui pratiche che non superano mai la soglia.

Cominciamo dal mondo accademico, la cui missione dichiarata — far progredire la conoscenza — avrebbe dovuto renderlo l’antidoto naturale alla stagnazione. Invece, attraverso un persistente inquadramento errato della supply chain, ha fornito troppo spesso la retorica della scienza senza la sostanza delle decisioni senza intervento umano.

11.4.1 Il mondo accademico

Università e riviste promettono scienza; in fabbrica arrivano fogli di calcolo. Il divario non è una questione di gusti, ma di impostazione. Come argomentato in Epistemologia, la supply chain è economia applicata: attribuisce un prezzo alle opzioni in condizioni di variabilità per allocare risorse scarse in modo redditizio. Riformularla come «matematica applicata» — un catalogo di rompicapi ordinati con ipotesi opportunamente fisse — produce articoli che si leggono bene e si trasferiscono male alla pratica. Ciò che conta operativamente non è un teorema su un punto di riordino idealizzato; è se il software possa trasformare, senza intervento umano, registrazioni in impegni verificabili, espressi in unità monetarie, che resistano al contatto con banchine, orari limite, sconti e tempi di consegna a code pesanti.

Questo inquadramento errato spiega perché i risultati accademici dominanti incidano così raramente sulla pratica. Gli artefatti canonici — previsioni puntuali, scorte di sicurezza gaussiane legate a obiettivi di servizio, piani deterministici — sopprimono proprio ciò che muove il denaro: code, correlazioni, raggruppamenti in lotti ed effetti cricchetto che vincolano le opzioni di domani. Quando questi artefatti vengono installati nel software, riappaiono come teatro degli avvisi: la logica fragile restituisce i casi difficili agli esseri umani, che diventano l’intelligenza di fatto. L’organizzazione si congratula allora per «seguire le migliori pratiche», mentre i pianificatori continuano quella riconciliazione amministrativa cui i computer avrebbero dovuto porre fine.

Il filtro dei rompicapi aggrava il problema. È più facile produrre un articolo pubblicabile semplificando il mondo fino a poter mostrare che una forma chiusa o un piccolo solutore «ottimizza» un giocattolo. Si aggiunge un vincolo qui, un indice là; si presentano risultati su istanze sintetiche o estrazioni ripulite. Eppure nulla in questo flusso di lavoro obbliga gli autori a esporre le proprie premesse alla falsificazione sul campo. Negli affari, la conoscenza si guadagna fiducia soltanto quando scommette — emette decisioni senza intervento umano — e migliora il profitto. Senza emissioni, la soglia non viene superata, per quanto elegante appaia la matematica considerata isolatamente.

Altrettanto rivelatrice è la trascuratezza verso la semantica dei dati e l’ingegneria del software. Come descritto in Informazione, i flussi moderni sono mediati da sistemi di registrazione e reporting sovrapposti, nei quali il significato dei campi subisce una deriva e i «dati derivati» — previsioni, etichette ABC, scorte tampone — non contengono informazioni nuove. Un sistema di intelligenza funzionante, il motore che emette decisioni senza intervento umano, deve quindi (i) leggere registrazioni autorevoli ma disordinate, (ii) rappresentare l’incertezza senza appiattirla, (iii) attribuire un prezzo ai compromessi in unità monetarie alla scala dell’azienda e (iv) scrivere gli impegni nei sistemi, con dossier adatti alla verifica. La maggior parte delle trattazioni accademiche cancella questo raccordo. Presuppone input puliti e stazionari e si ferma dove il lavoro diventa decisivo: semantica, economia e codice che funziona ogni giorno su vasta scala.

Il banco di prova giusto è disponibile da tempo. Intelligenza, Decisioni e Implementazione hanno esposto una disciplina minima: esecuzione parallela su estrazioni di fine giornata che coprano l’intero perimetro; euristiche d’arresto che fermino il motore quando la fiducia cala; dossier di whiteboxing che mostrino i fattori monetari di ogni riga; passaggio in produzione soltanto sulla base di un miglioramento misurato; reversibilità attraverso l’assenza di stato e la riproducibilità degli stati passati. Un contributo scientifico che rivendichi un valore operativo dovrebbe concretizzarsi all’interno di questo dispositivo, affinché gli insuccessi emergano come «righe insensate» e vengano eliminati rivedendo costi, vincoli o semantica, non mediante elenchi di eccezioni e riunioni. Gli articoli che non superano questa soglia sono cronache o congetture, non conoscenza della supply chain.

I programmi di studio rispecchiano la letteratura. I corsi di laurea magistrale continuano a concentrarsi su congegni per serie temporali degli anni 1980, scorte di sicurezza gaussiane legate a obiettivi di servizio arbitrari e classificazioni ABC da aula. Programmazione e ingegneria dei dati vengono trattate come accessori; la semantica aziendale e l’economia probabilistica compaiono appena. I laureati imparano a supervisionare fogli di calcolo e moduli preconfezionati di «pianificazione», non a scrivere ricette numeriche che trasformino registrazioni in emissioni senza intervento umano. Lo studente migliore, intuendo il limite, si orienta verso altri ambiti STEM, dove codice, dati e falsificazione determinano lo status. Gli altri alimentano il ciclo amministrativo presupposto dalla letteratura.

Nulla di tutto ciò condanna la matematica. Nel nostro mestiere esistono contributi matematici duraturi, ma si presentano come sottoprogrammi all’interno di un quadro economico e ingegneristico: risultati della teoria delle code che calibrano i costi di congestione; componenti di programmazione lineare che compongono il carico di un camion; limiti di concentrazione che regolarizzano le code della domanda. L’errore consiste nello scambiare il sottoprogramma per il sistema. Un ottimizzatore con l’obiettivo sbagliato, una semantica errata o nessun percorso verso l’esecuzione senza intervento umano non è un progresso: è una deviazione ben rifinita.

Un programma accademico attuabile è a portata di mano. Trattare anzitutto la supply chain come economia applicata; lasciare che matematica, statistica e informatica servano questo fine. Fornire artefatti che funzionino: codice che acquisisca estrazioni semanticamente fedeli; tariffari in unità monetarie anziché «obiettivi di servizio»; previsioni probabilistiche valutate con regole di valutazione proprie e miglioramento economico, non con l’adattamento retrospettivo; ricette numeriche fornite con whiteboxing affinché i professionisti possano verificare ogni impegno. Soprattutto, accettare la disciplina dell’ottimizzazione sperimentale: iterare sul campo finché le decisioni insensate scompaiono, poi pubblicare ciò che ha resistito. Le citazioni potranno seguire; altrimenti seguiranno le unità monetarie.

11.4.1 I fornitori di software

I fornitori di software aziendale sostengono l’equilibrio non per cospirazione, ma per ragioni economiche e di compatibilità ingegneristica. Come argomentato in Informazione, esistono tre famiglie distinte di software: sistemi di registrazione — registri autorevoli e flussi di lavoro —, sistemi di reporting — narrazioni del passato — e sistemi di intelligenza — motori che emettono decisioni verificabili senza intervento umano. La maggior parte dei fornitori vende registrazione o reporting, poi riconfeziona componenti aggiuntivi come «pianificazione» o «ottimizzazione» per inseguire la crescita. La confusione tra categorie non è semantica, ma operativa. Un registro progettato anzitutto per il CRUD non può ospitare analisi pesanti senza compromettere la latenza; un insieme di tecnologie di reporting costruito per rielaborare aggregati non può rappresentare l’incertezza né attribuire un prezzo ai compromessi in unità monetarie. Quando registrazione o reporting si spacciano per intelligenza, il flusso torna al lavoro amministrativo.

Lo schema dominante è il teatro degli avvisi. L’«automazione» prende la forma di un elenco di eccezioni che riaffida agli esseri umani i casi difficili. Gli utenti, trasformati in coprocessori umani, riconciliano manualmente regole esili con realtà a code pesanti. Nulla in questo atteggiamento migliora l’intelligenza del software; ne nasconde soltanto l’assenza dietro interfacce moderne. Gli incentivi sono allineati: i fornitori fatturano per utenti, archiviazione e moduli, non per miglioramento; vere decisioni senza intervento umano ridurrebbero utenti e schermate. In Intelligenza abbiamo osservato lo scontro culturale: i fornitori di sistemi di registrazione ottimizzano produttività CRUD e disponibilità del servizio; i sistemi di intelligenza ottimizzano la qualità economica delle decisioni in condizioni di incertezza. I primi non hanno incentivi a costruire i secondi.

I cicli di entusiasmo amplificano l’incompatibilità. Ogni pochi anni, un’ondata di «pianificazione guidata dall’IA», «gemelli digitali» o «torri di controllo» promette una rottura netta con i fogli di calcolo. Le startup vengono acquisite e inglobate nelle suite; il componente aggiuntivo eredita il DNA di registrazione e reporting del sistema ospite e riappare come un insieme configurabile di regole con avvisi. La combinatoria resta irrisolta; la variabilità viene appiattita in medie; i costi sono rappresentati indirettamente da obiettivi di servizio arbitrari. Il risultato è la continuità sotto nuovi acronimi.

I quadranti degli analisti stabilizzano la storia. Poiché l’economia della ricerca è finanziata dai fornitori che valuta, premia funzionalità superficiali ed etichette alla moda. L’elenco dei «leader» cambia lentamente; i criteri privilegiano l’ampiezza del catalogo e la possibilità di esibire referenze rispetto alla qualità delle decisioni senza intervento umano. Sul versante del cliente, il teatro delle RFP — criticato in Implementazione — produce selezione avversa: i questionari canonizzano gli artefatti di ieri, le dimostrazioni premiano la coreografia e vince il fornitore più bravo a rispondere a domande che non avrebbero mai dovuto essere poste. Quando l’insieme dei sistemi entra in produzione, torna l’elenco delle eccezioni.

Operativamente, le modalità di fallimento sono coerenti. La confusione tra categorie crea contesa per le risorse — gli ottimizzatori all’interno del registro sottraggono risorse ai flussi di lavoro — e perdita di informazione — gli artefatti derivati vengono acquisiti come se contenessero informazioni nuove. La deriva semantica, tollerabile in un registro supervisionato da esseri umani, diventa letale quando alimenta un motore decisionale che nessuno lascia decidere. Dove un sistema di intelligenza ricalcolerebbe dalle registrazioni grezze e autorevoli e scriverebbe nei sistemi impegni valorizzati e verificabili, lo strato preconfezionato di «pianificazione» consuma numeri predigeriti ed emette suggerimenti che i pianificatori devono modificare per operare in sicurezza.

Nulla di tutto ciò richiede malafede; è l’equilibrio implicato dal modello economico. I fornitori attribuiscono un prezzo all’accesso, non alle unità monetarie; gli acquirenti chiedono schermate, non emissioni senza intervento umano. Persiste così una mediocrità stabile. Il rimedio non è un nuovo quadrante, ma un contratto diverso e un’architettura diversa: mantenere rigorosamente separati registrazione, reporting e intelligenza; far funzionare il motore decisionale come un bene senza stato e rieseguibile, che acquisisce registrazioni grezze, rappresenta input probabilistici, attribuisce un prezzo monetario ai compromessi e scrive gli impegni nei sistemi con dossier che ne espongono i fattori. Selezionare i fornitori mediante ricerca di mercato in contraddittorio anziché RFP; pagare in proporzione al perimetro delle decisioni senza intervento umano e al miglioramento misurato. Dove queste condizioni sono soddisfatte, il teatro degli avvisi muore per disuso; dove vengono respinte, riemergono i fogli di calcolo: un esito da leggere come il segnale diagnostico che è.

11.4.2 I consulenti

Le società di consulenza prosperano promettendo un cambiamento che preserva ciò che i clienti sono meno disposti a toccare: il panorama applicativo, l’organigramma e i rituali quotidiani che assegnano responsabilità senza assumersi quella dei risultati. Nell’equilibrio descritto prima, i fornitori vendono registrazione e reporting sotto etichette di «pianificazione»; i consulenti chiudono il ciclo fornendo retorica e coreografia che permettono a strumenti fragili di passare per progresso. Il risultato è raramente una decisione, ma una narrazione: modelli di maturità, quadranti, tabelle di marcia e cerimonie che ribattezzano le routine di ieri.

La letteratura che sostiene questi incarichi è al tempo stesso voluminosa e superficiale. Cataloga orizzonti, capacità e archetipi; suddivide il mondo in livelli ordinati e impostazioni di manopole; moltiplica matrici 2×2 i cui angoli invitano a scrivere un’infinità di pagine. Queste segmentazioni non sono conoscenza: sono allestimenti scenici. Eludono la domanda economica — quale allocazione di risorse scarse migliori il profitto in condizioni di variabilità — sostituendola con una tassonomia insegnabile e vendibile. Come argomentato in tutto il libro, le classificazioni si guadagnano il proprio posto soltanto quando prevedono; la maggior parte delle tassonomie della consulenza non lo fa.

All’interno dell’incarico, le parole alla moda forniscono slancio. «Allineamento S&OP», «pianificazione aziendale integrata», «guidato dalla domanda», «gemello digitale», «torre di controllo», «resilienza per progettazione»: nessuna è intrinsecamente assurda, ma tutte vengono abitualmente usate per coprire cicli decisionali immutati. Il lavoro produce workshop, schemi delle cadenze e comitati del «numero unico». Ricompare lo stesso schema: gli elenchi di eccezioni crescono, i fogli di calcolo proliferano come metastasi e i casi più difficili — code pesanti, vincoli che legano più decisioni, effetti cricchetto, semantica incoerente — vengono cortesemente restituiti proprio agli impiegati che il software non è riuscito a sollevare dal lavoro.

Questo ciclo si ripete perché è sicuro. Riorganizzare le riunioni non minaccia l’ERP; rinominare le fasi non espone le premesse alla falsificazione; pubblicare un «modello operativo obiettivo» non impone di assumere un solo impegno espresso in unità monetarie senza arbitraggio umano. L’incarico accontenta ogni gruppo: i dirigenti ricevono una storia di progresso; i quadri intermedi conservano i veti attraverso punti di controllo rituali; i fornitori mantengono i moduli al loro posto; il consulente se ne va con referenze. Il cambiamento nel flusso dei beni è trascurabile.

Esiste un criterio attuabile per separare la coreografia dalla sostanza. In Informazione, Intelligenza, Decisioni e Implementazione abbiamo fissato la soglia: esecuzione parallela quotidiana sull’intero perimetro, basata su estrazioni autorevoli; passaggio in produzione soltanto sulla base di un miglioramento misurato in unità monetarie. Secondo questo metro, la maggior parte degli interventi di consulenza resta priva di effetti: non emette decisioni senza intervento umano, non rappresenta futuri probabilistici, non attribuisce un prezzo ai compromessi e non accetta responsabilità per l’arresto. Racconta; non alloca.

La prova economica è semplice. Se una proposta non può essere eseguita domani notte sulle estrazioni di fine giornata del cliente, verificata in unità monetarie e, se supera la prova, pagata in proporzione al miglioramento, appartiene al teatro, non alla pratica. Quando i consulenti sono disposti a impegnarsi contrattualmente sulle emissioni senza intervento umano e ad accettare reversibilità e miglioramento come base dei compensi, cessano di essere consulenti in senso convenzionale: diventano coautori della ricetta numerica. È raro, non perché il lavoro sia mistico, ma perché il modello economico prevalente premia le cerimonie anziché il codice.

Il «ciclo dei consulenti» — trasformazioni periodiche che rinominano le stesse routine — persisterà finché gli acquirenti non invertiranno gli incentivi. Il rimedio, già delineato in Implementazione, è la ricerca di mercato in contraddittorio: far redigere ai fornitori e agli aspiranti consulenti gli enunciati dei problemi e farli criticare reciprocamente, esigere stime approssimative del TCO ed elenchi di concorrenti e pagare soltanto per il perimetro senza intervento umano e il miglioramento misurato. Dove l’incarico produce emissioni, conservarlo; dove produce quadranti e cadenze, lasciarlo scadere. La prossima sezione mostra come un equilibrio simile si riproduca all’interno dell’azienda sotto la bandiera della «data science»: insight senza responsabilità al posto delle decisioni.

11.4.3 La data science aziendale

All’interno delle aziende, la «data science» ha in gran parte riprodotto lo stesso equilibrio sostenuto da mondo accademico, fornitori e consulenti: produce insight senza assumersi la responsabilità delle emissioni. Dai primi anni 2010, i gruppi hanno moltiplicato dashboard, progetti pilota e previsioni; eppure poche organizzazioni possono indicare ordini di acquisto, allocazioni o prezzi emessi quotidianamente dal codice senza intervento umano e scritti nei registri. Il lavoro appare moderno, ma si ferma prima di scommettere nel mondo reale.

Ricorrono tre caratteristiche. Primo, i risultati restano incentrati sulle previsioni e sui KPI. Abbondano barre d’errore, punteggi di accuratezza e grafici ordinati, mentre manca il registro monetario dell’intera azienda, l’unico metro comune. L’incertezza viene descritta, non valorizzata. Secondo, il raccordo ingegneristico viene omesso. I modelli sono costruiti su artefatti derivati — classificazioni ABC, scorte tampone, tabelle «ripulite» — anziché su registrazioni autorevoli; la semantica dei campi subisce una deriva; le condizioni di arresto restano indefinite. Quando una raccomandazione è fragile, un’«eccezione» restituisce il caso difficile a un pianificatore. Terzo, gli incentivi premiano diapositive e prove di fattibilità anziché impegni senza intervento umano. Il «supporto alle decisioni» diventa un comodo eufemismo per preservare l’arbitraggio umano proprio sulle decisioni che dovrebbe prendere il software.

Il risultato è il teatro degli insight, che completa il teatro degli avvisi dei fornitori. I pianificatori finiscono per riconciliare a mano regole fragili con realtà a code pesanti. La combinatoria che giustifica i computer — milioni di micro-opzioni ogni giorno — viene scaricata di nuovo sulle persone. Il lavoro amministrativo, ora animato dalle dashboard, persiste.

L’alternativa è ampiamente a portata di mano ed è stata delineata in tutto il libro. Sostituire l’idea di una fabbrica di insight con un Supply Chain Scientist responsabile di una ricetta numerica: un programma compatto che acquisisce registrazioni autorevoli, rappresenta visioni probabilistiche della domanda, dei tempi di consegna e delle affidabilità, attribuisce un prezzo ai compromessi in unità monetarie alla scala dell’azienda ed emette decisioni senza intervento umano. Lo Scientist risponde delle emissioni, non delle presentazioni. Questo atteggiamento obbliga a esplicitare le ipotesi tacite e lega la modellazione all’economia.

L’episodio operativo precedente — distribuire più uniformemente gli arrivi del lunedì attribuendo un prezzo alla saturazione delle banchine e ammettendo «non fare ancora nulla» come opzione — è tipico. Nessuna riorganizzazione, nessun nuovo magazzino: gli stessi beni producono risultati migliori perché sono cambiate le decisioni. È ciò che consente la responsabilità quotidiana. Non appena la capacità delle banchine ha un prezzo ombra, le MOQ diventano penalità anziché editti, l’attesa compete economicamente con l’acquisto e il ritmo settimanale smette di imporre perdite. Un sistema di intelligenza trasforma questo ragionamento in pratica senza intervento umano; una dashboard di data science non lo fa.

La responsabilità impone anche proporzione. Una volta codificati da un capo all’altro costi, vincoli ed effetti cricchetto, i guadagni marginali in un sottomodello vengono perseguiti soltanto quando muovono unità monetarie al confine di emissione. Gli indicatori alla moda — accuratezza previsionale, livello di servizio — perdono lo status di talismano; ciò che conta è il miglioramento del profitto operativo aggiustato per il rischio dopo la scrittura delle decisioni nei sistemi. La collaborazione cambia allora naturalmente: la finanza pubblica oneri del capitale e valutazioni; gli acquisti pubblicano sconti, MOQ e affidabilità; le operazioni pubblicano capacità e orari limite. La ricetta lega questi input ogni notte in esecuzione parallela, così l’apprendimento si accumula dove rende.

È così che si rompe l’equilibrio interno. La data science smette di raccontare il flusso e comincia a gestirlo, sotto protezioni che rendono sicuro affidarsi all’automazione: estrazioni quotidiane rieseguibili, calcolo senza stato, dossier di whiteboxing ed emissioni reversibili. I capitoli Informazione, Intelligenza, Decisioni e Implementazione hanno già predisposto il dispositivo; qui il punto è istituzionale: finché qualcuno non viene pagato per la qualità delle decisioni senza intervento umano, la «data science» continuerà ad alimentare cicli amministrativi. La prossima sezione fornisce ai lettori filtri per scartare la letteratura che nutre questi cicli: materiali che appaiono laboriosi ma non superano le prove di previsione, valorizzazione e falsificazione.

11.5 La trappola organizzativa

I gruppi esterni — mondo accademico, fornitori, consulenti — contribuiscono a spiegare perché l’equilibrio regga, ma il freno decisivo è interno alle aziende. La supply chain conserva uno status di seconda categoria, subordinata de facto all’IT aziendale. Reputazione, burocrazia e tempi di attesa dei ticket si incastrano finché l’organizzazione accetta la vigilanza amministrativa al posto di un’intelligenza progettata. Il rimedio non è un altro comitato: è una riassegnazione strutturale della responsabilità e un raccordo snello dei dati che liberi il flusso dai veti della piattaforma.

11.5.1 Uno status di seconda categoria

La supply chain viene lodata come «essenziale all’attività», ma trattata come periferica. Poiché i camion continuano a muoversi e gli scaffali sono riforniti, la direzione deduce che siano giustificati soltanto perfezionamenti incrementali. L’apparenza di continuità diventa un alibi per investire troppo poco nel codice e nelle persone che lo scrivono. Ne segue un ciclo che si autoavvera: i candidati di maggior prestigio puntano altrove; il reparto eredita routine anziché creare decisioni; i fogli di calcolo paralleli proliferano per compensare fragili componenti aggiuntivi di «pianificazione»; il conseguente lavoro amministrativo conferma il pregiudizio iniziale secondo cui nulla di meglio sarebbe possibile.

Il divario di reputazione è antico — la logistica come noiosa incombenza dopo il lavoro «vero» sul prodotto e sul marchio — e plasma ancora organici e budget. A rendere il ciclo particolarmente tenace è la sua patina intellettuale: singoli KPI non economici — un «livello di servizio del 98 %», l’«accuratezza previsionale» — si spacciano per oggettivi. Quando il sostentamento delle persone dipende da questi surrogati, le scorte tampone si gonfiano, le eccezioni vengono rinviate agli esseri umani e il registro risplende anche mentre le unità monetarie si disperdono. Il reparto appare operoso e sicuro, pur rifiutando l’economia probabilistica che misurerebbe monetariamente i compromessi e automatizzerebbe l’ordinario.

11.5.2 Burocrazia e tempi di attesa dei ticket

Dove l’intelligenza è manuale, la burocrazia prospera. Avvisi ed eccezioni passano attraverso rituali — conclavi mensili del «numero unico», consigli di preallocazione, cascate di approvazioni — la cui vera funzione è distribuire le responsabilità anziché migliorare le decisioni. Ogni rituale aggiunge uno strato di processo senza ridurre l’incertezza; la combinatoria resta immutata, soltanto filtrata ora attraverso più mani.

I tempi di attesa dei ticket completano la trappola. Qualsiasi cambiamento sostanziale — un vincolo aggiunto, un tariffario rivisto, una sottile correzione semantica — richiede di aprire ticket sui sistemi centrali. Le settimane diventano mesi mentre le priorità vengono selezionate in base al rischio per la piattaforma, non al miglioramento economico atteso. Quando un ticket viene risolto, l’attività è già andata avanti e la correzione è già superata. Quella che dovrebbe essere una modifica quotidiana e reversibile al codice di un motore decisionale viene riformulata come progetto interfunzionale; lo status quo prevale per impostazione predefinita.

Il compromesso scivola quindi verso il passo più piccolo che tutte le parti possono tollerare. Moduli di «apprendimento automatico» vengono innestati come dashboard che rinviano i casi difficili a un elenco di eccezioni; gli aggiornamenti dell’ERP uniformano i campi ma lasciano intatte le regole decisionali. La facciata cambia; il ciclo amministrativo persiste.

11.5.3 La subordinazione all’IT

Il mandato dell’IT aziendale è disponibilità del servizio, standardizzazione e conformità. È appropriato per i sistemi di registrazione e reporting. Si adatta male ai sistemi di intelligenza. Quando la «pianificazione» è ospitata all’interno del registro, le analisi pesanti contendono risorse ai flussi di lavoro; quando poggia su viste di reporting, l’incertezza viene appiattita e le decisioni degenerano nel teatro degli avvisi: utenti come coprocessori umani. I budget seguono il mandato: il capitale affluisce alle piattaforme CRUD; l’automazione decisionale viene acquistata come modulo e fornita come configurazione più eccezioni.

Il rischio viene rovesciato: deviare dalla piattaforma è trattato come un pericolo; la perdita economica dovuta a decisioni inferiori è considerata normale amministrazione. Il controllo sulle scelte ammissibili irrigidisce allora le condizioni al contorno: gli artefatti derivati sono trattati come autorevoli, le modifiche allo schema vengono anatemizzate e qualsiasi strumento che la suite non possa assorbire viene respinto per principio. Con una simile governance, anche i tentativi sinceri di «analisi avanzate» si risolvono in dashboard che alimentano il ciclo amministrativo.

11.5.4 L’accumulo di correzioni

Le mezze misure si accumulano. Un foglio di lavoro temporaneo per regolarizzare un sistema di sconti a scaglioni, un report su misura che riconcilia due anagrafiche, un’eccezione per fornitore nello strumento di un acquirente: ciascuno acquista utenti che dipendono dai suoi risultati. Nel tempo, il mosaico trova difensori e rimuoverne una qualsiasi parte appare più rischioso che lasciare tutto al proprio posto. Ciò che era iniziato come rimedio provvisorio si consolida in consuetudine.

L’accumulo di correzioni disperde la responsabilità. Nessuno risponde della qualità economica dell’insieme; ogni gruppo è responsabile di un frammento e di una storia. È la perversità in miniatura: il problema muta mentre ogni correzione si adatta a quelle vicine e la sopravvivenza viene scambiata per successo.

La cura è architetturale, non esortativa. Un raccordo che renda portabili i fatti e una ricetta senza stato che li trasformi in impegni valorizzati e verificabili dissolvono le correzioni in parametri. Con l’esecuzione parallela quotidiana, il potere di veto arretra; le correzioni vengono codificate correttamente oppure eliminate.

11.5.5 Raccordo e responsabilità

Due mosse strutturali spezzano la trappola.

Primo, stabilire un raccordo: un’estrazione quotidiana fedele che copra i sistemi di registrazione. È deliberatamente noioso: istantanee con manifest, conservate soltanto per aggiunta; una profondità storica sufficiente ad attraversare un ciclo completo; nessuna manipolazione «utile» a monte; letture secondo il principio del privilegio minimo. Grazie a questo raccordo, il motore decisionale può essere senza stato e rieseguibile. I ticket che prima chiedevano modifiche ai registri diventano modifiche al codice su una copia privata; la semantica viene verificata empiricamente anziché negoziata per email. La latenza si riduce da mesi a ore e la reversibilità diventa ordinaria.

Secondo, assegnare alla supply chain la responsabilità della ricetta numerica. I ruoli seguono naturalmente (si veda Implementazione): un Responsabile dei dati gestisce il raccordo; un Supply Chain Scientist scrive la ricetta; uno Sponsor esecutivo arbitra prezzi e confini; un Responsabile del flusso apporta conoscenza del terreno e fa risalire le anomalie ai livelli competenti. Fornitori e consulenti vengono giudicati dalle emissioni e dal miglioramento misurato, non dalle schermate.

Senza un simile raccordo e una simile responsabilità, nessuno è nemmeno nella posizione di porre l’unica domanda che conta operativamente, tanto meno di rispondervi: perché non usiamo il calcolo moderno per gestire l’incertezza e allocare risorse scarse in modo più redditizio?

Queste due mosse declassano la burocrazia e i veti della piattaforma da governanti a parametri. Una volta che esiste un raccordo e la responsabilità è chiara, il reparto non è più un custode di seconda categoria del software altrui: diventa l’autore della propria economia nel codice. Il resto del capitolo fornisce al lettore filtri per scartare materiali che non possono resistere a un simile dispositivo. Se una proposta non può essere eseguita ogni notte sui dati del raccordo e difendere le proprie emissioni in unità monetarie, appartiene al teatro, non alla pratica.

11.6 Filtri di esclusione

Oggi il collo di bottiglia non è la scarsità di materiale, ma il suo eccesso. Più di un milione di articoli e decine di migliaia di libri sfilano sotto la bandiera della «supply chain»; la pila cresce più rapidamente ogni anno, mentre la pratica quotidiana resta incentrata sui fogli di calcolo. La spiegazione più semplice è che gran parte di questa produzione manchi delle proprietà che rendono operativa la conoscenza: proprietà che permettono al software di fare ogni notte scommesse redditizie e verificabili senza intervento umano. Questa sezione offre tre filtri per scartare ciò che non aiuta: nozioni futili, autorità e rompicapi. Non sono una tassonomia della letteratura, ma un insieme di strumenti a disposizione del lettore per proteggere la propria attenzione.

11.6.1 Nozioni futili

Le nozioni futili catalogano il mondo — elenchi, matrici, orizzonti — senza mostrare perché la classificazione sia essenziale, non accidentale. Si applica il rasoio di Ockham: non moltiplicare le categorie oltre il necessario. Qui, necessità significa capacità di prevedere e risparmiare in unità monetarie. Una segmentazione si guadagna un posto soltanto se apprenderla riduce l’incertezza sui risultati futuri e migliora le decisioni di allocazione del motore senza intervento umano.

La tavola periodica chiarisce il criterio: la griglia della chimica non è una decorazione; comprime la causalità. Il numero atomico ordina gli elementi rendendone prevedibile il comportamento nelle reazioni; la tavola è una teoria compatta e falsificabile della materia. Al contrario, gran parte del gergo della pianificazione è cartografia senza geologia. Suddividere la «pianificazione» in orizzonti strategici, tattici e operativi dice poco, a meno che la suddivisione non preveda scelte diverse, espresse in denaro, in condizioni di incertezza; altrimenti la tricotomia è semplice scenografia. Lo stesso vale per le classificazioni ABC dei prodotti, «a rotazione rapida, lenta, nulla», per i siti «locali, regionali, nazionali» o per gli immortali quadranti 2×2¹⁶⁴ in cui «autocratico o alla ricerca del consenso» incrocia «pensare poi agire o agire poi pensare»¹⁶⁵. Questi dispositivi sono facili da insegnare e ricombinabili all’infinito; il loro contenuto predittivo è solitamente nullo.

La prova è brutale: se adottare una classificazione non cambia le emissioni — ordini di acquisto, trasferimenti, prezzi — si tratta di nozioni futili. Nell’episodio operativo precedente, nulla nell’accumulo settimanale degli arrivi richiedeva un nuovo quadrante o orizzonte. La correzione è venuta dall’attribuire un prezzo alla saturazione delle banchine, sostituire le medie con distribuzioni e ammettere «non fare ancora nulla» ogni volta che prevaleva il valore d’opzione dell’attesa. Una manciata di prezzi e distribuzioni ha mosso unità monetarie; uno scaffale di segmentazioni non lo avrebbe fatto.

11.6.2 Autorità

Non siete nella posizione di dare lezioni al pubblico su alcunché. Monologo di apertura dei Golden Globes (2020), Ricky Gervais.

La notorietà non è una prova. Citazioni di dirigenti, prefazioni di celebrità e aneddoti di marchi famosi intrattengono; non decidono. Trattare il ricorso all’autorità come un segnale d’allarme, a meno che non attraversi tre ponti: falsificabilità, controfattuali ed emissioni. Falsificabilità significa che l’affermazione potrebbe rivelarsi sbagliata una volta codificata; i controfattuali richiedono che chi parla dichiari ciò che probabilmente sarebbe accaduto altrimenti; le emissioni richiedono che l’affermazione sia abbastanza precisa da modificare domani notte impegni assunti senza intervento umano.

Le grandi aziende complicano la questione. Il successo ha molte cause — prodotto, marchio, struttura del capitale — mentre la supply chain resta riservata per scelta. Anche dove essa sostiene davvero il successo, il portavoce pubblico potrebbe non esserne l’artefice; i contributi eccezionali sono distribuiti in modo diseguale, mentre molti rimangono al proprio posto facendo pochissimo¹⁶⁶. E coloro che ne sono responsabili hanno incentivi a mantenere taciti i metodi efficaci o a riformularli come rituali accettabili. Contare le citazioni non è la strada verso la conoscenza.

Il criterio operativo è circoscritto ed equo. Una proposta di un operatore o fornitore famoso merita attenzione soltanto quando può essere scritta come codice che acquisisce estrazioni autorevoli alla chiusura della giornata, emette e difende ogni riga in unità monetarie. Fino ad allora, archiviare la storia come ipotesi e resistere alla tentazione di costruirvi intorno processi. L’autorità può ispirare; non può sostituire la falsificazione.

11.6.3 Rompicapi

La letteratura accademica sulla supply chain tende a ottimizzare ciò che è ordinato da scrivere, valutare e pubblicare: rompicapi stilizzati con ipotesi fisse. I rompicapi possono essere deliziosi e, talvolta, utili come sottoprogrammi. Diventano dannosi quando vengono presentati come conoscenza della supply chain in assenza del raccordo in cui la conoscenza deve vivere: semantica, economia e codice che funziona ogni giorno. Il problema non è la matematica, ma l’inquadramento errato. La supply chain è economia applicata in condizioni di variabilità; un articolo che non scommette mai — che non emette mai decisioni senza intervento umano — non è ancora entrato nell’arena.

Due domande separano un sottoprogramma da un sistema. Primo, la proposta può acquisire le registrazioni originarie senza riciclarne il significato attraverso artefatti derivati? Secondo, rappresenta l’incertezza e attribuisce un prezzo ai compromessi fino al confine di emissione? Se la risposta a una delle due è «no», il contributo resta un rompicapo. Il dispositivo corretto è stato descritto in tutto il libro: esecuzione parallela quotidiana su estrazioni dell’intero perimetro; euristiche d’arresto; dossier che espongano i principali fattori monetari di ogni riga; passaggio in produzione soltanto sulla base di un miglioramento misurato; reversibilità attraverso calcolo senza stato e rieseguibile. Un metodo che non resiste a questo dispositivo non è «in fase iniziale»: non è stato messo alla prova.

Questo filtro non è ostile alla teoria: è ospitale verso la realtà. Risultati della teoria delle code che calibrano i costi di congestione, blocchi di programmazione che compongono il carico di un camion, limiti di concentrazione che regolarizzano le code pesanti: sono benvenuti una volta incorporati in una ricetta numerica che muove unità monetarie. L’eleganza matematica senza emissioni prive di intervento umano è semplice narrazione in simboli. La letteratura si modernizzerà quando gli articoli forniranno codice che superi la stessa prova economica richiesta alla produzione: a parità di vincoli e traccia di verifica, aumenta il profitto operativo aggiustato per il rischio?

11.6.4 Usare i filtri

Applicati con coerenza, questi filtri riducono un elenco di letture ai materiali che cambiano le emissioni. Le nozioni futili cadono sotto il rasoio di Ockham, a meno che non dimostrino una capacità predittiva espressa in denaro; le autorità vengono accettate soltanto quando le loro affermazioni possono essere falsificate in esecuzione parallela; i rompicapi progrediscono soltanto quando si collegano a decisioni verificabili senza intervento umano. È per questo che tanta attività convive con pochi progressi: gran parte di ciò che circola non supera queste prove, pur apparendo operoso. Il rimedio non è il cinismo, ma la disciplina: attribuire un prezzo all’incertezza, esigere emissioni e lasciare che siano le unità monetarie, non le credenziali, ad arbitrare.

11.7 Guardare avanti

Guardando avanti, il punto non è un altro manifesto, ma un cambiamento di atteggiamento. Il metro proposto in tutto il libro è pratico e circoscritto: una supply chain progredisce quando, ogni notte alla chiusura, il software emette impegni verificabili, valorizzati in unità monetarie, senza intervento umano, oppure si arresta da solo e spiega perché. Tutto il resto è allestimento scenico. Secondo questo metro, il progresso non è una cerimonia trimestrale né una nuova schermata; è la progressiva sostituzione della riconciliazione amministrativa con un flusso meccanico che rappresenta esplicitamente l’incertezza e attribuisce un prezzo ai compromessi alla scala dell’azienda.

Il percorso non richiede rivelazioni, ma soltanto due mosse durature che collochino la responsabilità dove può produrre effetti cumulativi. Primo, rendere portabili i fatti attraverso un raccordo: estrazioni immutabili e fedeli allo schema che permettano al motore decisionale di essere senza stato e rieseguibile. Secondo, condensare l’economia dell’azienda in una ricetta numerica che acquisisca queste estrazioni, rappresenti visioni probabilistiche del futuro, assegni penalità e ricompense monetarie ed emetta decisioni senza intervento umano. I dossier di whiteboxing che accompagnano ogni emissione espongono i pochi fattori che hanno contato in unità monetarie. Con questa disciplina, il miglioramento diventa ordinario: quando la realtà falsifica un’ipotesi, la ricetta cambia, viene rieseguita e riprende. Gli errori non si accumulano; la conoscenza sì.

Le persone non scompaiono; il loro lavoro acquista maggiore efficacia. I pianificatori diventano custodi di quadri decisionali e prezzi anziché correttori di suggerimenti riga per riga. La finanza pubblica oneri del capitale e valutazioni che il motore deve rispettare; gli acquisti pubblicano sconti, MOQ e affidabilità come prezzi anziché veti; le operazioni pubblicano capacità e orari limite come vincoli verificabili. La direzione arbitra i compromessi in denaro, non in slogan, e si assume la responsabilità delle rare occasioni in cui il motore si arresta. La prova è la stessa per tutti: le emissioni hanno aumentato il tasso di rendimento dell’azienda aggiustato per il rischio?

Le alternative — teatro degli avvisi, teatro della pianificazione, teatro degli insight — possono essere mantenute in vita indefinitamente, perché i camion continuano a muoversi e le medie continuano a rassicurare. Il loro costo è in gran parte invisibile nell’istantanea di una giornata, ma schiacciante nel corso degli anni: opzioni trascurate, code valorizzate male, attenzione spesa a curare artefatti che non contengono informazioni. La scelta davanti alle aziende mature non è quindi tra stabilità e rischio, ma tra un equilibrio amministrativo che tassa silenziosamente ogni flusso e una disciplina meccanica che fa rendere l’incertezza.

Prima del programma costruttivo, dobbiamo essere schietti su ciò che lo ostacola. La prossima sottosezione nomina le abitudini che garantiscono equilibri amministrativi a prescindere dal software o dalla retorica. Soltanto dopo averle abbandonate il percorso migliore — già delineato nei capitoli precedenti e interamente compatibile con i registri esistenti — diventa semplice da adottare.

11.7.1 Ciò che deve finire

Perché il progresso sia più di uno slogan, devono cessare tre rappresentazioni radicate. Ciascuna vanta una tradizione; ciascuna lusinga la professionalità; e ciascuna preserva immancabilmente gli equilibri amministrativi mentre i computer restano inattivi.

Primo, deve finire il teatro degli avvisi. Il software che si definisce «automatizzato» ma emette elenchi di eccezioni da far riconciliare agli esseri umani non è automazione: è un’interfaccia per rimandare le decisioni. Un sistema che non può scrivere nei sistemi senza intervento umano ed esporre i propri fattori in unità monetarie riduce i pianificatori a riconciliare eccezioni a mano, e lo chiama progresso. Il criterio è semplice e non negoziabile: o il programma emette impegni nei registri — ordini, allocazioni, prezzi — oppure è uno strumento di reporting e va giudicato, e acquistato, come tale. Tutto ciò che richiede modifiche quotidiane riga per riga per essere «sicuro» appartiene al passato. Utenti, schermate e avvisi non sostituiscono le emissioni.

Secondo, deve finire il teatro della pianificazione. I rituali mensili di consenso intorno a «un unico insieme di numeri» appiattiscono l’incertezza, con l’ignoranza che si spaccia per precisione. Accuratezze previsionali, obiettivi di livello di servizio e altri indicatori di aderenza al piano non sono economia: sono galateo espresso in numeri. Premiano le scorte tampone, non il giudizio; la conformità, non il profitto. Dove gli editti vengono dichiarati «vincoli rigidi», solitamente nascondono preferenze prive di prezzo; dove le medie prendono il posto dei futuri possibili, le code vengono ignorate finché non mordono. Il rimedio non è il decoro, ma i prezzi: trattare la maggior parte dei limiti come vincoli penalizzati in unità monetarie; lasciare che «non fare ancora nulla» competa con «impegnarsi adesso» attraverso un valore d’opzione esplicito dell’attesa; sostituire l’aderenza al piano con l’unica prova che conta: a parità di vincoli e traccia di verifica, le emissioni hanno aumentato il tasso di rendimento dell’azienda aggiustato per il rischio? Senza questa disciplina, i piani continueranno ad apparire impeccabili mentre i camion restano fermi presso banchine sature.

Terzo, deve finire il teatro degli insight. Dashboard, torri di controllo e «gemelli digitali» che non scommettono mai sono ornamenti. Lo sono anche i progetti pilota che vivono per sempre in ambienti isolati, i programmi di «sola visibilità» che non azionano alcuna leva e i riti di acquisto — RFP — che selezionano i fornitori sulla coreografia anziché sul perimetro delle decisioni senza intervento umano. All’interno dell’azienda, l’immagine speculare è una funzione di data science che produce diapositive e prototipi ma rifiuta la responsabilità della scrittura delle decisioni nei sistemi. Il criterio è ancora una volta meccanico: esecuzione parallela notturna su estrazioni fedeli; calcolo senza stato e rieseguibile; arresto davanti a decisioni insensate; passaggio in produzione soltanto sulla base di un miglioramento misurato; reversibilità per progettazione. Qualsiasi soluzione inferiore racconta il flusso, ma non vi contribuisce.

Queste tre rappresentazioni — avvisi al posto delle decisioni, piani al posto dei prezzi, insight al posto delle emissioni — persistono perché sono comode e permettono di eludere la responsabilità. Finiscono nel momento in cui la direzione esige decisioni senza intervento umano espresse in unità monetarie, anziché utenti e cerimonie. Soltanto allora il programma costruttivo che segue trova lo spazio necessario per funzionare.

11.7.2 Verso una strada migliore

La strada migliore è prosaica nella routine, radicale nelle conseguenze. Tratta l’incertezza di domani come materia prima cui è stato attribuito un prezzo e trasforma la chiusura quotidiana in un rigoroso momento di verifica. Dalle registrazioni autorevoli, una ricetta numerica compatta ricalcola le mosse ammissibili dell’azienda, rappresenta visioni probabilistiche del futuro, associa ritorni e penalità espressi in unità monetarie e scrive impegni nei sistemi senza intervento umano oppure si arresta da sola quando la fiducia cala. Null’altro può essere definito progresso. Tutto ciò che conta — opzioni, code, legami, effetti cricchetto — viene espresso in codice verificabile, rieseguibile e modificabile senza cerimonie.

Una volta introdotta questa disciplina, la giornata cambia consistenza. Le decisioni insensate scompaiono per prime: la saturazione delle banchine non è più una sorpresa cancellata nelle medie delle dashboard settimanali; le «MOQ come editti» si dissolvono in compromessi valorizzati; un valore d’opzione esplicito consente a «non fare ancora nulla» di competere equamente con «impegnarsi adesso». La fiducia si accumula non nelle riunioni, ma attraverso dossier di whiteboxing che spiegano, riga per riga e in unità monetarie, perché sia stato emesso un ordine, trattenuto un trasferimento o ritoccato un prezzo. Quando la realtà falsifica un’ipotesi, il motore si arresta; la premessa viene corretta; l’esecuzione viene ripetuta; il flusso riprende. Sbagliare diventa poco costoso e reversibile; la correttezza si estende su vasta scala.

Due brevi episodi lo mostrano nella pratica. Un marchio di moda stagionale apre con scommesse generose, ma sostituisce i piani push con una politica di decisione: gli assortimenti sono valutati come opzioni; il sell-through iniziale aggiorna una visione probabilistica a livello di paniere; i ribassi diventano una funzione reificata anziché un rimorso a posteriori. Il motore mette a confronto in un unico registro il costo delle rotture di stock e quello dell’obsolescenza, lascia prevalere l’assunzione tardiva degli impegni dove il tempo di dimezzamento è lungo e scrive ogni notte allocazioni e modifiche di prezzo senza intervento umano. Gli effetti visibili non sono teatrali: meno trasferimenti a metà stagione, liquidazioni di fine stagione più contenute e un margine lordo più stabile. Sotto la superficie, i guadagni derivano dall’ammettere le code, attribuire loro un prezzo e lasciare vincere il rinvio quando deve.

Nella MRO dell’aviazione civile, un insieme di rotabili viene governato come un portafoglio di opzioni. Le rimozioni non programmate sono modellate come arrivi a code pesanti; l’esposizione all’AOG ha un prezzo ombra; cannibalizzazione, noleggio, riparazione e acquisto sono mosse ammissibili ordinate per rendimento atteso aggiustato per il rischio. Molte notti, l’azione più redditizia è aspettare; altre volte, il motore preposiziona scorte in risposta a un prezzo ombra del rischio crescente, non a un calendario. Quella che era una catena di email diventa ordini di spedizione e di acquisto senza intervento umano. Ciascuno porta con sé un dossier che espone in unità monetarie perché un pezzo sia stato inviato in volo a quel numero di immatricolazione, perché un altro sia rimasto sullo scaffale e perché un noleggio abbia prevalso su una riparazione, data la dispersione dei tempi di completamento. Meno crisi vengono «risolte» con gesti eroici, perché meno crisi sono fabbricate dagli editti precedenti.

Le conseguenze istituzionali seguono naturalmente. I ruoli si spostano dall’arbitraggio alla creazione: i pianificatori diventano custodi di quadri decisionali e prezzi; la finanza è responsabile degli oneri del capitale e delle valutazioni che la ricetta deve rispettare; gli acquisti pubblicano sconti, MOQ e affidabilità come prospetti anziché veti; le operazioni dichiarano capacità e orari limite come vincoli verificabili. Fornitori e consulenti sono pagati per il perimetro senza intervento umano e per il miglioramento misurato, non per utenti, schermate o cerimonie. I budget si spostano verso l’unico bene che produce effetti cumulativi in questo secolo: una piccola base di codice che mette per iscritto l’economia dell’azienda e migliora attraverso l’ottimizzazione sperimentale.

Nulla di tutto ciò richiede rivelazioni. Gli strumenti per ottenere decisioni senza intervento umano sono già stati esposti. Esigete un cambiamento di atteggiamento: accettate che ogni impegno sia una scommessa la cui qualità può essere espressa in unità monetarie ex ante e verificata ex post e organizzate il lavoro affinché il software faccia queste scommesse alla cadenza consentita dalla realtà.

Il libro si è aperto insistendo sul fatto che la supply chain è un intento, non una cosa, e si chiude rendendo eseguibile quell’intento. Quando un’azienda può spiegare ogni impegno notturno in unità monetarie e fermarsi quando non può farlo, ha oltrepassato la linea che separa il teatro dalla padronanza. Il resto è un lento accumulo di conoscenza: vedere un po’ più lontano ogni sera e prevedere abbastanza da meritare il rendimento di domani.

12 Note tecniche

12.1 Tasso di rendimento aperiodico

Questa appendice formalizza il tasso di rendimento aperiodico richiamato nel capitolo Economia. L’intento è pratico: ogni opzione — una microdecisione che impegna risorse scarse — dovrebbe essere ordinata in base alla velocità con cui il capitale immobilizzato viene recuperato e inizia a generare rendimenti composti. Poiché i flussi di cassa della supply chain raramente si allineano ai periodi di calendario, è l’opzione stessa a selezionare il proprio orizzonte più informativo.

Consideriamo una griglia temporale discreta \(t=0,1,\dots,T_{\texttt{max}}\) — giorni, settimane o mesi. Siano

\[ s(t)\in\mathbb{R}^+ \quad\text{e}\quad r(t)\in\mathbb{R}^+ \]

rispettivamente le spese e i ricavi associati all’opzione al tempo \(t\), espressi in valore attuale. (Se si desidera applicare l’attualizzazione, occorre prima convertire gli importi futuri in valore attuale; si veda la sezione successiva.)

Definiamo il capitale totale richiesto dall’opzione — valutato a \(t=0\) — e i ricavi cumulati fino a un qualsiasi istante limite \(T\):

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

Il tasso di rendimento aperiodico è quindi

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Interpretazione. Fate scorrere un cursore lungo la sequenza temporale dei flussi di cassa dell’opzione. A ogni data \(T\), calcolate il rendimento per unità di tempo che avreste realizzato chiudendo la posizione in quel momento: l’entrata cumulata \(R(T)\), divisa per il capitale totale \(S\) richiesto dall’opzione, meno uno, moltiplicata per \(1/T\). La metrica conserva il valore massimo; il corrispondente \(T^\star\) è l’orizzonte implicito dell’opzione. Due opzioni con calendari molto diversi diventano confrontabili perché ciascuna viene valutata nel proprio momento di recupero migliore.

Unità. Se \(t\) è misurato in giorni, \(\mathtt{RoR}_{\texttt{aper}}\) è un tasso giornaliero. L’annualizzazione — quando desiderata — segue la capitalizzazione composta sulla griglia scelta (per esempio \((1+\rho)^{365}-1\) per un tasso giornaliero \(\rho\)). Per valori piccoli di \(\rho\), moltiplicare per il numero di periodi è un’approssimazione grossolana; quando i tassi sono elevati, la capitalizzazione composta è più sicura.

Esempio svolto. Un acquisto odierno di 100 unità monetarie (\(S=100\)) dà luogo a due vendite: 60 unità monetarie al giorno 15 e 60 unità monetarie al giorno 30. Le velocità giornaliere sono

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

Il massimo si ha a \(T^\star=30\) giorni, con \(\rho^\star\approx 0.006\bar{6}\) al giorno; con capitalizzazione composta su un anno, ciò equivale a circa \((1+0.006\bar{6})^{365}-1\approx 10.3\) (ossia circa \(1{,}030\%\) annuo). Valori di questo ordine sono comuni a livello di articolo, perché riflettono rapide rotazioni delle scorte anziché rendimenti dell’intero portafoglio.

Due precisazioni. Primo, una distorsione positiva: la metrica presume che il capitale liberato a \(T^\star\) possa essere immediatamente reimpiegato in un’opportunità altrettanto interessante. Nella pratica, opportunità equivalenti possono presentarsi con un ritardo. Secondo, una distorsione negativa: i ricavi successivi a \(T^\star\) vengono ignorati per misurare la velocità. In realtà, a meno che i beni non vengano scartati, le entrate successive si concretizzeranno comunque e aumenteranno il profitto finale. Entrambi gli effetti sono accettabili — anzi, utili — perché lo scopo qui non è determinare il risultato economico finale dell’opzione, ma destinare prioritariamente il capitale scarso agli impieghi che generano rendimenti composti più rapidamente.

12.2 Flussi di cassa attualizzati

Quando attualizziamo i flussi di cassa, non facciamo che riformulare la precedente discussione sulla preferenza temporale in unità monetarie e su una griglia temporale discreta. Un’unità monetaria ricevuta più tardi vale meno oggi perché nel frattempo non può essere utilizzata, tenuta come riserva o reinvestita. Il flusso di cassa attualizzato (DCF) converte ogni importo futuro in «unità monetarie di oggi» e, una volta eseguita questa conversione, il tasso di rendimento aperiodico della sezione precedente può essere applicato senza ulteriori modifiche.

Fissiamo una griglia temporale \(t=0,1,\dots,T_{\texttt{max}}\) — giorni, settimane o mesi. Sia \(k\) il costo del capitale dell’azienda per ogni passo della griglia; se il costo dei fondi varia nel tempo — scaglioni delle linee di credito, strette temporanee —, scriviamo \(k_t\). Il fattore di attualizzazione che riporta un importo alla data \(t\) a \(t=0\) è

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{(per $k$ costante, $D(t)=(1+k)^{-t}$).} \]

Siano \(r^{*}(t)\) e \(s^{*}(t)\) i ricavi e le spese non attualizzati al tempo \(t\) (con gli importi immediati registrati a \(t=0\)). I loro corrispondenti valori attuali sono

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

Il flusso di cassa attualizzato dell’intera opzione — la sequenza che essa comporta — è quindi

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

Questa somma è una valutazione assoluta in unità monetarie di oggi (quando è positiva, crea ricchezza; quando è negativa, distrugge valore).

Collegamento con il tasso di rendimento aperiodico. Nella sezione precedente, \(r(t)\) e \(s(t)\) erano esplicitamente definiti come flussi attualizzati. Quindi, per ordinare le opzioni in base alla velocità, prima attualizzate come sopra, poi inserite le serie attualizzate nella formula invariata del tasso aperiodico. In simboli, mantenete \(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\) e \(R(T)=\sum_{t=0}^{T} r(t)\) e calcolate

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

L’attualizzazione applica la preferenza temporale; il tasso aperiodico indica poi quanto rapidamente l’esborso attualizzato venga recuperato e inizi a generare rendimenti composti.

Scelta di \(k\). Usate il costo marginale della liquidità dell’azienda sulla griglia adottata per il calcolo. Se lavorate con un tasso annuo \(K\) su una griglia giornaliera, convertitelo in un passo giornaliero mediante \(k=(1+K)^{1/365}-1\) (mutatis mutandis per settimane o mesi). Quando la liquidità varia per tratti o nel tempo, codificatela come una traiettoria \(\{k_t\}\); la definizione di \(D(t)\) lo consente già. In finanza è comune «gonfiare» \(k\) per riflettere l’incertezza; nella supply chain evitiamo questo doppio conteggio: l’incertezza viene trattata esplicitamente attraverso l’approccio probabilistico ai rendimenti esposto più avanti nell’appendice.

Microesempio svolto (griglia giornaliera). Spendete 100 unità monetarie a \(t=0\); ricevete 60 unità monetarie al giorno 15 e 60 unità monetarie al giorno 30. Con un costo annuo del capitale del 10 %, il passo giornaliero è \(k\approx(1.10)^{1/365}-1\). I fattori di attualizzazione sono \(D(15)\approx (1.10)^{-15/365}\) e \(D(30)\approx (1.10)^{-30/365}\). Il DCF è

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{unità monetarie.} \]

Inserendo le serie attualizzate nella metrica aperiodica si ottengono \(S=100\) e \(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\), da cui

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{al giorno}, \]

che, con capitalizzazione composta, dà circa \((1+0.0042)^{365}-1\approx 2.6\) (circa \(260\%\) annuo). Il punto non è la cifra precisa, ma il metodo. Prima attualizzate per esprimere tutto in unità monetarie di oggi; poi confrontate le opzioni in base alla velocità con cui quelle entrate attualizzate recuperano l’esborso attualizzato.

Note pratiche. Le unità devono corrispondere: \(t\) è misurato con lo stesso passo di \(k\). Se i pagamenti sono scaglionati — per esempio un acconto a \(t=0\) e un saldo alla spedizione —, trattate ciascuno come un proprio \(s^{*}(t)\). Sebbene i tassi d’interesse contino, nella supply chain le rotazioni delle scorte sono solitamente predominanti; il ruolo dell’attualizzazione è qui ristabilire la confrontabilità tra opzioni con calendari diversi, affinché il tasso aperiodico possa svolgere correttamente il proprio compito di ordinamento.

12.3 Entropia informativa

Questa appendice sintetizza i pochi elementi della teoria di Shannon utilizzati nel capitolo Informazione, in una forma direttamente applicabile agli esempi sulle scorte. Ci limitiamo a variabili discrete e logaritmi in base 2, così che le unità siano bit (cambiare la base del logaritmo modifica soltanto la scala dell’unità).

Consideriamo una variabile aleatoria discreta \(X\) che assume stati \(x\) con probabilità \(p(x)\). L’informazione rivelata quando apprendiamo che lo stato è \(x\) — l’autoinformazione — è

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{bits}. \]

Un esito certo (\(p=1\)) contiene \(0\) bit; gli esiti più rari contengono più bit.

L’entropia di \(X\) è l’autoinformazione media:

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{bits}. \]

L’entropia dipende soltanto dalle probabilità, non da come denominiamo o memorizziamo gli stati. Può essere interpretata come il numero medio di domande sì/no equiprobabili necessarie per identificare lo stato. Per i nostri scopi bastano due corollari immediati:

• Se \(X\) ha \(n\) stati equiprobabili, allora \(\mathrm{H}(X)=\log_{2} n\).

• Se \(X_1,\dots,X_k\) sono indipendenti, l’incertezza congiunta si somma:

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

(Quando le variabili sono correlate, l’entropia congiunta è inferiore a tale somma; qui assumeremo l’indipendenza per mantenere semplice l’esempio.)

Modelleremo il livello delle scorte di ogni prodotto come una variabile discreta e, in prima approssimazione, tratteremo i diversi prodotti come indipendenti. Questo ci permette di calcolare l’entropia di un negozio come «100 volte» il valore per prodotto. La sottosezione successiva applica queste formule a due punti vendita contrastanti — un negozio di orologi di lusso e un deposito suburbano — e quantifica il contrasto. Per un’introduzione sintetica e accessibile alla teoria più ampia, si veda James V. Stone, Information Theory: A Tutorial Introduction (2019).

Entropia di due punti vendita

Precisiamo ora il contrasto utilizzato nel capitolo originale. Modellate le giacenze fisiche di ogni SKU come una variabile aleatoria discreta e, in prima approssimazione, trattate gli SKU come indipendenti.¹⁶⁷ L’entropia del punto vendita è quindi la somma delle entropie dei singoli SKU.

Negozio di orologi di lusso. Ogni SKU ha al massimo un’unità fisicamente presente, con una probabilità del 95 % di essere disponibile e una probabilità del 5 % di essere esaurito. Un singolo SKU è quindi binario, con

\[ p(1)=0.95,\qquad p(0)=0.05. \]

Usando l’entropia binaria,

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{bits}. \]

Per 100 SKU indipendenti,

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{bits}. \]

Deposito suburbano. Per ogni SKU, supponiamo che la giacenza fisica possa essere qualsiasi numero intero da 0 a 9.999, con uguale probabilità. Una distribuzione uniforme su \(n\) stati ha entropia \(\log_{2} n\), quindi per SKU

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{bits}, \]

e per 100 SKU

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{bits}. \]

Numericamente, il deposito contiene circa \(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\) volte più informazioni sulle scorte rispetto al negozio di orologi.

Nella logica del gioco delle «venti domande», specificare completamente lo stato delle scorte di tutti i 100 SKU del negozio di orologi richiede in media circa 29 risposte sì/no; per il deposito ne servono circa 1.329. L’ipotesi uniforme sovrastima leggermente l’entropia rispetto a distribuzioni realistiche delle scorte, più concentrate, ma il divario resta dello stesso ordine. Questo calcolo sostiene l’affermazione del capitolo secondo cui due assortimenti di dimensioni identiche (100 SKU) possono avere un peso informativo radicalmente diverso — uno misurato in poche decine di bit, l’altro in kilobit —, da cui la necessità del software per tutto ciò che va oltre i flussi più semplici.

12.4 Ordinamento topologico

Un ordinamento topologico dispone una raccolta di elementi in modo che ogni prerequisito compaia prima dell’elemento che ne dipende. L’input è un grafo orientato i cui nodi sono elementi — attività, tabelle, componenti — e le cui frecce codificano «deve venire prima». Se il grafo non contiene cicli orientati, un tale ordine esiste; se invece un ciclo esiste, nessun ordinamento può rispettare tutti i prerequisiti.

La pratica della supply chain è piena di queste strutture di precedenza. Una distinta base richiede i sottoassiemi prima dell’assieme; una ricetta numerica quotidiana deve acquisire le registrazioni prima di derivare le caratteristiche, prevedere prima di valorizzare le opzioni e valorizzare le opzioni prima di emettere ordini d’acquisto o trasferimenti. In un sistema di intelligenza, questa struttura viene resa esplicita come grafo aciclico orientato (DAG) ed eseguita in quell’ordine a ogni esecuzione.

Intuizione. Partite da tutti gli elementi privi di prerequisiti e inseriteli in una lista di lavoro \(S\). Estraete ripetutamente un elemento \(n\) da \(S\), aggiungetelo all’output e rilassate le sue frecce uscenti: ogni successore \(m\) ha un prerequisito in meno; quando il conteggio raggiunge zero, \(m\) entra in \(S\). Se alla fine alcuni elementi non sono mai stati aggiunti all’output, dipendono reciprocamente gli uni dagli altri: un ciclo.

Esempio svolto di supply chain. Consideriamo una piccola distinta base: Vite e Pannello non hanno prerequisiti; Telaio richiede Pannello; Assieme richiede Vite e Telaio. Un ordine valido è:

\[ \text{Vite},\ \text{Pannello},\ \text{Telaio},\ \text{Assieme}. \]

Eseguendo l’algoritmo, \(S\) contiene inizialmente Vite e Pannello; dopo l’aggiunta di Pannello all’output, il grado entrante di Telaio scende a zero e quest’ultimo entra in \(S\); dopo che Vite e Telaio sono stati aggiunti all’output, si può produrre Assieme. L’ordine esatto tra elementi contemporaneamente ammissibili non influisce sulla correttezza, ma conta per la riproducibilità.

Correttezza e complessità. Ogni arco \((u\!\to\!v)\) viene rispettato perché \(v\) può essere aggiunto all’output soltanto dopo la rimozione del suo ultimo prerequisito, il che avviene soltanto dopo che \(u\) è stato aggiunto all’output. Viceversa, se un elemento viene aggiunto all’output, in quel momento non aveva prerequisiti insoddisfatti. Il metodo richiede tempo lineare \(O(|V|+|E|)\) con liste di adiacenza e un solo passaggio sugli archi, e usa spazio lineare. Nei sistemi di produzione, rendete gli output deterministici estraendo gli elementi da \(S\) secondo un ordine fisso delle chiavi (per esempio \((\texttt{site},\texttt{sku},\texttt{step})\)); gli stessi input riproducono così bit per bit lo stesso ordine, consentendo verifiche e riesecuzioni degli stati passati.

Uso operativo in un sistema di intelligenza. La ricetta numerica quotidiana è un DAG: acquisire le estrazioni grezze, normalizzare, derivare le caratteristiche, adattare o aggiornare i modelli probabilistici, calcolare le valutazioni in unità monetarie, quindi emettere scritture idempotenti nei sistemi (ordini d’acquisto, trasferimenti, prezzi). L’ambiente di esecuzione effettua un ordinamento topologico di quel grafo di calcolo ed esegue i nodi di conseguenza. Un ciclo rilevato non è un caso limite da «scavalcare»; è una violazione della semantica che deve arrestare il motore (come sostenuto nel capitolo Intelligenza) e far emergere un piccolo ciclo testimone per correggere la logica o il contratto dei dati. Produrre un simile testimone è semplice: dopo che l’algoritmo si è arrestato con \(|L|<|V|\), seguite i collegamenti ai predecessori all’interno del sottografo residuo finché un nodo non si ripete; il ciclo così rivelato è la spiegazione minima di cui l’operatore ha bisogno.

12.5 Percettrone a quattro strati

Un percettrone multistrato (MLP) a quattro strati è il più piccolo esempio utile di ciò che la sezione sul «deep learning» ha descritto a parole: un circuito fisso composto da applicazioni lineari separate da semplici porte non lineari. È un buon mezzo per chiarirne il funzionamento, perché ogni passaggio si riduce all’algebra lineare ordinaria.

Riprendiamo il problema dimostrativo delle cifre scritte a mano (MNIST) usato in precedenza; si veda la figura \ref{fig:perceptron} nel capitolo Intelligenza. Ogni immagine in scala di grigi è un array \(28\times 28\), riscalato a numeri in \([0,1]\) e appiattito in un vettore \(\mathbf{x}\in\mathbb{R}^{784}\). La rete calcola punteggi per le dieci cifre \(0,\dots,9\), quindi trasforma questi punteggi in probabilità. La cifra prevista è quella con la probabilità più alta.

Propagazione in avanti (inferenza)

La rete sovrappone tre trasformazioni affini separate da rettificatori. Usando vettori colonna e applicando le non linearità elemento per elemento, il calcolo è:

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

Qui \(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\), \(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\) e \(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\) sono matrici dei pesi; \(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\), \(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\) e \(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\) sono vettori dei bias. La non linearità è il rettificatore

\[ R(u)\;=\;\max(0,u), \]

applicato coordinata per coordinata. I rettificatori non sono soltanto sufficienti per l’espressività; sono anche poco costosi da calcolare sul silicio, ed è per questo che hanno soppiantato le precedenti porte di forma sigmoide.

L’output \(\mathbf{y}\in\mathbb{R}^{10}\) raccoglie un punteggio per cifra. Per ottenere le probabilità delle classi, applichiamo la funzione soft-max:

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{per}\quad k=0,\dots,9. \]

Il classificatore restituisce \(\arg\max_k p_k\); il vettore completo delle probabilità \(\mathbf{p}\) è utile durante l’addestramento perché quantifica l’incertezza e consente una funzione di perdita liscia.

Addestramento mediante discesa del gradiente stocastico

L’addestramento sceglie tutti i pesi e i bias affinché la rete assegni un’alta probabilità alla cifra corretta su immagini che non ha visto. Sia \((\mathbf{x}^{(i)},\,t^{(i)})\) l’esempio etichettato di indice \(i\), con \(t^{(i)}\in\{0,\dots,9\}\) come classe reale. La perdita standard per un mini-batch \(B\) è l’entropia incrociata media

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

eventualmente aumentata di una piccola penalità quadratica sui pesi (weight decay) per contenere il sovradattamento. I framework moderni calcolano il gradiente di \(\mathcal{L}_B\) rispetto a ogni parametro mediante differenziazione automatica. Un passo di discesa del gradiente stocastico (SGD) sposta quindi leggermente i parametri nella direzione che riduce la perdita:

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

dove \(\theta\) indica l’insieme di tutti i \(\mathbf{W}_\ell,\mathbf{b}_\ell\) e \(\eta>0\) è il tasso di apprendimento. Ripetere questo semplice ciclo — campionare un mini-batch, eseguire la propagazione in avanti, valutare la perdita, applicare l’aggiornamento del gradiente — riduce gradualmente la perdita sulle immagini tenute da parte finché i miglioramenti si arrestano. Le varianti — momentum, tassi di apprendimento adattivi — perfezionano la stessa idea; nessuna modifica il quadro fondamentale.

Due scelte pratiche contano per la stabilità e la velocità, ma non complicano il quadro. Primo, inizializzare i pesi in modo che le attivazioni non esplodano né svaniscano durante la propagazione: con i rettificatori funziona bene una gaussiana a media zero riscalata come \(\,\mathcal{N}(0,\;2/n_{\text{in}})\), dove \(n_{\text{in}}\) è il numero di ingressi dello strato. Secondo, elaborare gli esempi in piccoli gruppi contigui («mini-batch») per sfruttare il parallelismo dell’hardware; inferenza e addestramento si riducono così a pochi prodotti di matrici dense (GEMM) e a rettificatori poco costosi.

Dimensioni, costi e ciò che viene realmente calcolato

Contando soltanto i pesi, l’MLP \(784\!\to\!256\!\to\!128\!\to\!10\) contiene

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

numeri addestrabili; i tre vettori dei bias aggiungono una quantità trascurabile, pari a \(256+128+10\). Una propagazione in avanti consiste in «tre prodotti di matrici e due rettificatori». Questa visione meccanica — algebra lineare intervallata da una semplice porta — è il modello mentale corretto. Non c’è alcuna magia nascosta; la rete è un circuito programmabile i cui parametri vengono regolati mediante discesa del gradiente.

12.6 Ottimizzazione matematica

Questa appendice completa la discussione Il paradigma dell’ottimizzazione nel capitolo Decisioni. Il suo scopo è pratico: riformulare il vocabolario di quella sezione — impegni marginali, prove di fattibilità, penalità valorizzate, previsioni probabilistiche e obiettivi economici — in una forma matematica minima che consenta una risoluzione ripetuta senza intervento umano.

Dalle decisioni a un modello

Una decisione è un insieme finito di impegni marginali. Sia \(\mathcal{A}=\{a_1,\dots,a_n\}\) l’insieme delle micromosse ammissibili per il ciclo attuale — acquistare un’unità in più, allocare un’unità in più al negozio \(s\), programmare una fermata in più e così via. La selezione di una mossa è registrata da \(x_i\in\{0,1\}\); il vettore \(x\in\{0,1\}^n\) codifica l’intero impegno. Il quadro rende esplicito \(\mathcal{A}\) e associa a ogni \(a_i\) i dati necessari per verificarne la fattibilità e valutarne le conseguenze.

La fattibilità è espressa come prove che un candidato \(x\) deve superare. Alcuni limiti sono assoluti — divieti legali, impossibilità fisiche — e si presentano come prove rigide che respingono \(x\) senza eccezioni. La maggior parte dei limiti operativi ammette un allentamento a un certo prezzo; anziché vietare tali violazioni, attribuiamo loro un prezzo. Sia \(g_k(x,\omega)\) una quantità misurabile che l’azienda desidera contenere — carico delle banchine in una giornata, minuti di sforamento di una finestra, ore di straordinario —, calcolata in una realizzazione \(\omega\) del futuro incerto. Una penalità valorizzata \(C_k(g_k)\), espressa in unità monetarie, traduce quella preferenza nell’obiettivo. Mantenere come prove soltanto i limiti davvero rigidi mantiene il motore flessibile e onesto; le penalità valorizzate rendono confrontabili disagi diversi su un unico registro.

L’obiettivo è espresso in denaro. Entro la finestra di responsabilità associata alla classe di decisioni attuale, ogni micromossa \(a_i\) genera flussi monetari in entrata — margini, sconti, valore di recupero — e in uscita — approvvigionamento, movimentazione, mantenimento delle scorte, obsolescenza, congestione, penali per ritardo. Con una visione probabilistica dei futuri \(\Omega\), il motore valuta il valore atteso di \(x\),

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

dove \(v_i(\Omega)\) è il contributo monetario netto di \(a_i\) nell’arco della finestra, una volta imputati tutti i costi ordinari. Gli aggiustamenti per il rischio — per esempio una valorizzazione più pesante delle perdite nelle code — risiedono nei termini \(C_k\) anziché in percentuali astratte. Nell’ordinare piccole alternative che immobilizzano capitale per durate diverse, il capitolo Economia raccomanda il confronto mediante il tasso di rendimento aperiodico; in pratica, ciò significa calcolare sia la differenza monetaria attesa sia il capitale immobilizzato, per poi esprimere la velocità con la metrica definita in precedenza in questa appendice. Il solutore può massimizzare \(J\) e, per gli impegni marginali emessi, riportare le velocità aperiodiche associate.

L’incertezza è rappresentata negli input, non nascosta nell’obiettivo. L’elemento aleatorio \(\Omega\) raccoglie le distribuzioni che l’azienda mantiene per domanda, tempi di consegna, affidabilità, resi e qualsiasi fattore esogeno valorizzato. L’obiettivo \(J\) è deterministico date quelle distribuzioni. Questa separazione mantiene leggibili causalità e responsabilità quando i risultati deludono: o il quadro ha omesso opzioni, o i prezzi erano mal definiti, o le previsioni erano mal calibrate.

Penalità e limiti probabilistici

Due formalismi codificano «tenere questo sotto controllo». Un vincolo probabilistico richiede \(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\) per una certa soglia \(\tau_k\) e una tolleranza \(\alpha_k\). Un vincolo valorizzato assegna un costo monetario \(C_k(g_k)\) a tutti i valori di \(g_k\). Il primo nasconde l’economia in un \(\alpha_k\) adimensionale che deve essere regolato altrove; il secondo esprime i compromessi direttamente in denaro e si aggrega naturalmente agli altri termini. Nelle operazioni di supply chain — dove la maggior parte dei limiti può essere superata a un certo costo — la forma valorizzata è lo strumento principale; è preferibile riservare i limiti puramente probabilistici a guardrail per rari ambiti critici per la sicurezza.

Una scelta comoda è una penalità convessa e crescente, spesso lineare a tratti, che approssima la curva dei disagi dell’azienda. Per un carico delle banchine \(q\) oltre una capacità flessibile \(K\), con forti disagi dopo \(K+\Delta\), si scrive \(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\) con \(c_2\gg c_1\). I numeri esatti sono materia economica; una volta dichiarati, il solutore trova i compromessi meno sfavorevoli tra attriti eterogenei.

Micromodello svolto: riempire un container

Un importatore deve emettere un ordine per un container completo. Ogni unità candidata \(a_i\) ha un volume \(w_i\) e un contributo monetario netto atteso \(m_i(\Omega)\), delimitato dalla finestra, che include già gli effetti di approvvigionamento, movimentazione, mantenimento delle scorte, obsolescenza, recupero e carenza. La capacità del container è \(W\), nella stessa unità di misura di \(w_i\). Superare la capacità è possibile, ma costoso, con un tasso \(\lambda\) per unità eccedente.

Un obiettivo fedele è

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

soggetto a prove rigide, come incompatibilità legali o divieti di carico congiunto. Si tratta di un problema dello zaino penalizzato in condizioni di incertezza. Una risoluzione semplice ed efficace si allinea all’approccio marginale del capitolo: a ogni passo calcolare un prezzo ombra per la capacità, scegliere l’unità ammissibile con il più alto valore marginale atteso \(\frac{m_i}{w_i}\) superiore a quel prezzo ombra, ricalcolare i prezzi ombra e fermarsi quando l’unità successiva non supera la soglia dell’economia dell’attesa (rendimento aperiodico atteso e aggiustato per il rischio inferiore al capitale più il valore d’opzione del rinvio). Poiché la valutazione dipende dall’insieme nel container e non dal cerimoniale della sua selezione, questa accumulazione greedy mira a ciò che conta economicamente; la finestra e le valutazioni terminali garantiscono un’attribuzione corretta.

Micromodello svolto: distribuire gli arrivi nel tempo

Un magazzino affronta scostamenti aleatori dei fornitori e dispone di un numero finito di accessi di ricevimento. Sia \(d_t(x,\Omega)\) il numero di arrivi nel giorno \(t\) implicato da \(x\) sotto \(\Omega\). Straordinari, attese degli autisti, controstallie e disservizi sono rappresentati da una penalità convessa \(C_{\text{dock}}(d_t)\). Un obiettivo giornaliero, espresso in unità monetarie su un orizzonte \(T\), è

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

anche qui con i soli limiti davvero rigidi imposti come prove. L’ottimizzatore anticipa o rinvia gli ordini finché il rendimento atteso del successivo lotto ammissibile non supera il costo ombra del capitale più il valore d’opzione dell’attesa, mentre la funzione convessa \(C_{\text{dock}}\) distribuisce il carico senza editti fragili.