Ottimizzazione guidata dalle decisioni
Quantitative Supply Chain si concentra sulla generazione automatizzata di decisioni per la supply chain ad alte prestazioni. L’obiettivo non è fornire artefatti numerici, come le previsioni settimanali. Tali artefatti sono considerati come calcoli interni arbitrari che per caso vengono utilizzati per calcolare le decisioni finali. Definiamo una decisione come la risposta a un supply chain problem che può essere messa in atto e che ha una conseguenza tangibile, se non fisica, per la supply chain stessa. Da una classica prospettiva di pianificazione della supply chain, concentrarsi sulle decisioni di supply potrebbe apparire alquanto sorprendente, perché non sono definite lungo le consuete linee di pianificazione contro operazioni. Tuttavia, focalizzarsi sulle decisioni facilita in modo significativo l’ottimizzazione effettiva della supply chain. In questa sezione, chiariremo il concetto di decisione per la supply chain, esamineremo i tipi di decisioni più frequenti e caratterizzeremo gli aspetti chiave della prospettiva guidata dalle decisioni.
Delimitare le decisioni ammissibili
Quantitative Supply Chain adotta un approccio fortemente numerico e statistico alle sfide della supply chain. Tuttavia, questo approccio non è la prospettiva appropriata per tutte le sfide. Per valutare se la prospettiva quantitativa sia adeguata per una determinata sfida, devono essere soddisfatte le seguenti condizioni:
- Repeatability : elaborare una ricetta numerica per risolvere la sfida richiede uno sforzo che si traduce in costi. Per ottimizzare una supply chain in modo profittevole, è necessario assicurarsi che il processo di ottimizzazione stesso non costi più dei benefici attesi. Come regola generale, i problemi di routine, ad es. replenishment, che devono essere affrontati ogni giorno o ogni settimana, sono candidati molto migliori per un approccio quantitativo rispetto a problemi eccezionali, ad es. espandersi in un nuovo paese.
- Narrow decisions: per mantenere sotto controllo la complessità della soluzione software, è preferibile concentrarsi su sfide della supply chain che possono essere affrontate mediante una tipologia ben definita di decisioni, idealmente, decisioni fortemente numeriche. Ad esempio, decidere se interrompere del tutto il rifornimento di un prodotto perché la domanda è troppo bassa per giustificare questo onere aggiuntivo sulla supply chain è una questione molto circoscritta, alla quale un processo altamente automatizzato può rispondere prontamente. Al contrario, decidere di modificare le pratiche lavorative di un warehouse è un problema molto aperto, che si presta poco all’automazione.
- Historical data: le soluzioni software non possono operare nel vuoto. La conoscenza necessaria per affrontare la sfida della supply chain può essere incorporata nel software attraverso regole definite manualmente; tuttavia, creare un ampio corpus di regole di decisione coerenti e performanti è un’impresa molto difficile. La maggior parte degli approcci moderni estrae ampiamente tutta la conoscenza rilevante dai dati storici (storico delle vendite, storico degli acquisti, ecc.) e restringe l’insieme delle regole a politiche di supply chain ben definite, ad es. MOQs (quantitativi minimi d’ordine), che di certo non vogliamo che il software tenti di estrapolare dai dati storici.
Con il progresso dell’ingegneria del software e, più specificamente, con l’avanzare del campo del machine learning, lo spettro delle decisioni accessibili ai sistemi computerizzati si amplia ogni anno. Ad esempio, i primi sistemi di ottimizzazione dell’inventario erano limitati a prodotti con almeno diversi mesi di sales history, mentre i sistemi più recenti supportano tutti i prodotti, compresi quelli che non sono ancora stati venduti.
Inoltre, a volte l’ingegneria del software consente di affrontare problemi che erano ritenuti intrattabili se eseguiti manualmente da un esperto di supply chain. Ad esempio, i moderni sistemi di ottimizzazione dell’inventario possono prevedere quali record di stock sono probabilmente imprecisi, consentendo così un ricalcolo prioritario dell’inventario, una funzionalità che supera l’approccio più tradizionale di ricalcolo lineare di tutte le SKUs.
Esempi di decisioni per la supply chain
Le supply chain sono incredibilmente diverse e ciò che costituisce una sfida di primaria importanza per un determinato settore potrebbe apparire solo aneddotico in un altro. In questa sezione, esaminiamo brevemente le decisioni tipiche che si adattano bene alla prospettiva della Quantitative Supply Chain.
- Purchase orders : decidere le quantità esatte da acquistare da ciascun fornitore per ogni prodotto. Questa decisione viene aggiornata quotidianamente, anche se nella maggior parte dei giorni non è previsto un vero e proprio ordine d’acquisto. L’ordine d’acquisto dovrebbe considerare tutti i vincoli di ordinazione (MOQs) così come i vincoli di trasporto (ad es., container). Inoltre, l’ordine d’acquisto potrebbe includere anche la scelta di una modalità di trasporto (mare vs. aria) con la possibilità di un mix di trasporto.
- Production orders : decidere le quantità esatte da produrre. L’ordine di produzione dovrebbe tenere conto di tutti i vincoli di produzione che possono richiedere lotti minimi. Inoltre, la capacità produttiva massima potrebbe essere inferiore alle necessità del mercato durante la stagione di punta dell’anno, nel qual caso, la produzione dovrebbe accumulare scorte in anticipo per far fronte alla stagione di punta.
- Stock balancing : decidere se le unità attualmente presenti in stock in una località debbano essere spostate in un’altra località, tipicamente perché il bilancio delle scorte non è più allineato con la future demand prevista, differenziata per località. Ancora una volta, la decisione viene aggiornata quotidianamente, anche se nella maggior parte dei giorni, per la maggior parte dei prodotti, non è economicamente vantaggioso spostarle tra le località.
- Stock liquidation : decidere se le unità attualmente in stock debbano essere o distrutte o vendute attraverso un canale secondario - tipicamente con sconti elevati. Infatti, lo stock obsoleto può ingombrare inutilmente i magazzini, generando così costi superiori al valore economico delle scorte stesse. A seconda del settore, le scorte possono essere liquidate attraverso promotions, canali specializzati o pura distruzione.
- Stocking vs. drop shipping : decidere se un prodotto sia in sufficiente domanda per giustificare il fatto di essere acquistato, immagazzinato e servito direttamente, oppure se sarebbe meglio che il prodotto venisse drop-shipped da un terzo quando richiesto. I prodotti Drop-shipping tipicamente generano margini inferiori, ma comportano anche costi di carrying costs minori. La decisione consiste nel definire l’elenco esatto dei prodotti da tenere in stock, mantenendo al contempo una diversità complessiva dell’inventario gestibile.
- Targeted stock counting: decidere se una SKU debba essere ricalcolata a causa della potenziale imprecisione del record elettronico, che potrebbe non corrispondere alla quantità di unità effettivamente disponibili sullo scaffale. Questa decisione rappresenta un compromesso tra il costo del lavoro associato all’operazione di ricalcolo e l’impatto negativo del phantom inventory sulla supply chain performance. In pratica, le imprecisioni nell’inventario sono molto maggiori nei negozi al dettaglio accessibili al pubblico rispetto a magazzini o impianti riservati al personale.
Va sottolineato che settori specifici hanno i propri insiemi di decisioni. Gli esempi qui sotto potrebbero essere considerati più dipendenti dal contesto rispetto a quelli sopra elencati.
- Retail store assortment : decidere l’elenco esatto dei prodotti da esporre in ciascun punto vendita. Talvolta, il catalogo completo dei prodotti può superare di gran lunga la capacità di un determinato negozio; di conseguenza, ciascun negozio può esporre solo un sottoinsieme del catalogo. L’ottimizzazione dell’assortimento massimizza le prestazioni del negozio in relazione alla sua capacità. Inoltre, la sfida diventa ancora più complessa in settori come quelli dei beni di lusso, poiché il negozio avrà tipicamente non più di un’unità in stock per ogni prodotto dell’assortimento selezionato.
- Opportunistic replacement: decidere quando la sostituzione di un prodotto sia accettabile e quando sia redditizio procedere con la sostituzione. Ad esempio, un e-commerce di prodotti freschi può accettare consegne effettuate con alcuni giorni di anticipo, una pratica che crea il problema di fronteggiare un stock-out tardivo per un prodotto fresco già ordinato, alterando così l’ordine originale del cliente. In questa situazione, potrebbe essere un’operazione più redditizia per il rivenditore e un servizio migliore per il cliente sostituire il prodotto con un’alternativa ben scelta.
- Opportunistic divestment : decidere di rivendere l’inventario, tipicamente parti riparabili, che erano originariamente destinate al consumo interno. Lo stock di parti riparabili ruota tipicamente tra i due stati di funzionante e non funzionante, man mano che le parti vengono manutenute, ritirate, riparate e infine nuovamente messe in servizio. In circostanze specifiche, come un calo della domanda, lo stock di parti funzionanti può superare di gran lunga le esigenze aziendali. In questo caso, c’è un compromesso tra il rivendere la parte nel mercato secondario, tipicamente a un prezzo scontato, per recuperare una frazione del valore originale dell’inventario, oppure aumentare il rischio di non soddisfare in tempo una futura richiesta di una parte.
- Keeping unserviceable stock: decidere di riparare immediatamente una parte non funzionante ma altrimenti riparabile, oppure di posticipare la riparazione e conservare la parte come non funzionante. Sebbene riparare le parti possa essere meno costoso che acquistare parti nuove, lo stock attuale di parti funzionanti potrebbe essere sufficiente a coprire la domanda per un lungo periodo. Di conseguenza, ritardare la riparazione rappresenta un compromesso tra spostare i costi di riparazione nel futuro - con la possibilità di non incorrere mai in tali costi se la domanda di mercato si sposta verso parti alternative nel frattempo - oppure aumentare il rischio di non soddisfare in tempo una futura richiesta di una parte.
- Opportunistic sourcing : decidere quando conviene eseguire un’operazione di sourcing per stabilire un benchmark di prezzo per una determinata parte. In alcune industrie, il prezzo delle parti è relativamente opaco. Scoprire il prezzo aggiornato di una parte, possibilmente una componente molto costosa, può richiedere diversi giorni di lavoro. Quando le operazioni richiedono migliaia di parti, esiste un compromesso tra il pagare parti più costose e sostenere i costi del personale per le operazioni di sourcing.
- Preserving bundles : decidere quando conviene vendere l’ultima unità di un determinato prodotto come vendita autonoma o, meglio, preservare questa unità per una vendita successiva come parte di un bundle. Infatti, esistono situazioni in cui la disponibilità di bundle, ovvero combinazioni di parti o prodotti, è di grande importanza, mentre la disponibilità di parti isolate riveste minor importanza. Tuttavia, servendo l’ultima parte, trattata come parte autonoma, si può creare un problema di stock-out per il bundle più grande e importante. Pertanto, c’è un compromesso tra il beneficio di servire correttamente una parte isolata ora e lo svantaggio di affrontare in seguito un problema di stock-out più impattante per un bundle.
Fino a quando non vengono formalizzate come tali, le decisioni relative alla supply chain sono solitamente prese in modo piuttosto implicito, possibilmente da persone, ma anche da sistemi software. Ad esempio, una configurazione dell’inventario Min/Max implica molteplici decisioni e non solo riguardo alla quantità da riordinare: purché il valore Max sia diverso da zero, il prodotto verrà mantenuto nell’assortimento. Inoltre, nessun ricalcolo dell’inventario avviene prima dell’attivazione di un rifornimento, che è un’altra decisione implicita, ecc. Purtroppo, poiché non si può ottimizzare ciò che non si misura, è proprio questa mancanza di formalizzazione delle decisioni a impedire tipicamente un miglioramento sistematico delle prestazioni della supply chain ottenute attraverso tali decisioni.
Artefatti numerici vs. decisioni
Di fronte a problemi complessi della supply chain, i professionisti rischiano di confondere il fine con i mezzi. Ad esempio, quando sorge la necessità di un rifornimento, stabilire una previsione settimanale della domanda associata a una SKU è un mero ingrediente richiesto da alcune, ma non da tutte, le ricette numeriche disponibili per calcolare la quantità da riordinare. La previsione settimanale è solo un calcolo intermedio, mentre la quantità ordinata rappresenta la decisione finale. Dal punto di vista della Quantitative Supply Chain, definiamo tali calcoli intermedi artefatti numerici. La Quantitative Supply Chain non sminuisce l’importanza degli artefatti numerici; tuttavia, sottolinea anche che questi artefatti sono proprio quello che sembrano: espressioni numeriche usa e getta, transitorie, che contribuiscono all’output finale: decisioni per la supply chain.
Per quanto riguarda l’ottimizzazione numerica, è un errore pensare che ottimizzare gli artefatti numerici rispetto a metriche matematiche arbitrarie, ad es. previsioni della domanda ottimizzate rispetto a WMAPE (weighted mean absolute percentage error), produca meccanicamente ritorni finanziari. Sebbene ciò possa apparire controintuitivo, nella supply chain di solito non è così. I problemi della supply chain sono tipicamente problemi altamente asimmetrici. Ad esempio, in ambito aerospaziale, la mancanza di una parte da 200 USD può tenere a terra un aereo del valore di 200 milioni di USD. Il numero di parti da tenere in stock non è necessariamente guidato principalmente dalla domanda prevista: il costo della parte rispetto al costo di non averla può dominare completamente il processo decisionale relativo alla gestione delle scorte.
Al contrario, Quantitative Supply Chain sottolinea che, in definitiva, ciò che conta veramente sono le decisioni, perché sono gli unici elementi tangibili che hanno conseguenze finanziarie reali e misurabili per l’azienda. Pertanto, sebbene sia di primaria importanza mettere in discussione la performance delle decisioni, la gestione della supply chain dovrebbe avere anche una sana dose di scetticismo nei confronti dei KPI che si applicano a risultati numerici transitori, non vincolanti e privi di impegno, come le previsioni della domanda settimanali o mensili.
Decisioni vincolate, tra realtà e finzione
Supply chain decisions are typically bound by constraints : answers are only valid if they satisfy a set of numerical constraints. For example, purchase orders may be subject to MOQs (minimum order quantities), which represent a nonlinear constraint. Also, the warehouse has a finite storage capacity - another nonlinear constraint.
Frequently, the constraints are generated from basic economic drivers associated to supply chain operations: taking the current product price point into account; the distribution of a product can only be economically viable if the products are sold packed by pallets and, hence, the product can only be sold with a lot size of, say, 50 units, which represent a loaded pallet.
However, it also happens that the constraints can result from arbitrary organizational rules. For example, a company might have decided that the yearly purchasing budget for a division would be capped to 1 million USD. This budgeting constraint is established long before the sales of the division are actually known. In such a situation, the purchasing decisions are expected to comply with a nonlinear constraint that is the result of a relatively arbitrary budgeting process.
Quantitative Supply Chain tries to reflect to the greatest possible extend the real supply chain constraints, while enabling newer, possibly revised, organizations that can operate without the shackles that were imposed by arbitrary aspects of former processes. Indeed, in supply chain, most of arbitrary constraints are the result of a lack of automation: if the “optimal” budget per division cannot be reliably re-estimated on a daily basis taking into account all the transverse concerns company-wise, then it is natural to fall back on a yearly or quarterly budget instead.
Decisions require prioritization and coordination
Nearly all supply chain decisions are interdependent: every extra unit that is purchased from a supplier is going to take extra space into the warehouse, until the warehouse is full, and then operations grind to a halt. Those dependencies are usually indirect, and difficult to tackle from a numerical perspective, but that does not make them any less important from a supply chain - and even strategic - perspective. If the overall service level is at 99%, which is very good, but the largest client suffers from a 85% service level, because all the stock-outs happen to be concentrated in group of products purchased by this very client, the company is facing a serious risk of losing its largest client.
Prioritizing decisions is typically the most straightforward method to make the most of the shared, but limited, resources within the supply chain. For example, as warehouse storage capacity and working capital are both limited, the goal is not merely to buy one extra unit of stock that happens to be profitable, but to identify the next one unit of stock that happens to be the most profitable unit across the entire product catalog. Treating the stock purchasing decisions in isolation would create the risk of exhausting the warehouse space, or the purchasing budget on low profitability products.
In practice, this prioritization requires changing considerably the analytical software that supports the supply chain. Instead of treating each decision in isolation, as it is the case with primitive supply chain methods, e.g., Min/Max inventory , all decisions need to be put together and ranked against their respective estimated profitability. Such a process is feasible with modern software solutions, but it does require considerably more computing resources compared to early supply chain methods.
Coordinating decisions is required to handle all transversal constraints that apply to supply chain operations. For example, when ordering goods from an overseas supplier, there might be a strong economic incentive to order a full container. Thus, the challenge is not so much choosing quantities per product but choosing quantities that, in aggregate, exactly match the container capacity. Transversal constraints are ubiquitous in supply chain: tuning the assortment of a new collection in fashion, ensuring high service level for clients seeking a list of products within a DIY store, not depleting a central warehouse through oversized orders from one store at the expense of the other stores, etc.
The traditional and highly inefficient way of tackling such coordination concerns consists in performing a two-stage calculation that firstly ignores the coordination concern, and secondly, that revises the initial numerical output in order to fit the concern. Regarding the container example introduced above, first, we can compute the desirable quantities to be ordered, ignoring the container angle entirely; second, we can revise those quantities so that the aggregate actually fits into a container. The main weakness of such a two-stage calculation is that the second stage completely ignores all the economic drivers that went into the calculation of the first stage. In other words, the revision of the results during the second stage can “undo” all the efforts that went into computing profitable decisions in the first stage. Modern software tackles such situations by introducing numerical solvers, which can frontally address such transversal constraints. Once again, those solvers are dramatically more demanding in term of computing resources than their naive two-stage counterparts, but again, considering the computing resources typically available nowadays, this is a non-issue.