Valore Aggiunto delle Previsioni

Il valore aggiunto delle previsioni¹ (FVA) è uno strumento semplice per valutare le prestazioni di ogni passaggio (e contributore) nel processo di previsione della domanda. Il suo obiettivo finale è eliminare gli sprechi nel processo di previsione eliminando i punti di contatto umani (modifiche) che non aumentano l’accuratezza delle previsioni. FVA si basa sulla nozione che una maggiore accuratezza delle previsioni vale la pena perseguire e che identificare le modifiche che la aumentano ed eliminare quelle che non lo fanno è desiderabile. Nonostante le intenzioni positive, FVA dimostra una limitata utilità una tantum e, se utilizzato in modo continuativo, presenta una moltitudine di svantaggi, tra cui presupposti matematici difettosi, concezioni errate sul valore intrinseco dell’aumento dell’accuratezza delle previsioni e l’assenza di una solida prospettiva finanziaria.

Panoramica del Valore Aggiunto delle Previsioni

Il valore aggiunto delle previsioni mira ad eliminare gli sprechi e aumentare l’accuratezza delle previsioni della domanda incoraggiando - ed valutando - i contributi di più dipartimenti (inclusi i team non dedicati alla pianificazione della domanda, come Vendite, Marketing, Finanza, Operazioni, ecc.). Valutando il valore di ogni punto di contatto umano nel processo di previsione, FVA fornisce alle aziende dati utili sulle modifiche che peggiorano la previsione, offrendo loro l’opportunità di identificare ed eliminare sforzi e risorse che non contribuiscono a una migliore accuratezza delle previsioni.

Michael Gilliland, il cui libro The Business Forecasting Deal ha attirato l’attenzione generale sulla pratica, sostiene²

“FVA aiuta a garantire che tutte le risorse investite nel processo di previsione - dall’hardware e software informatico al tempo e all’energia degli analisti e della direzione - migliorino la previsione. Se queste risorse non contribuiscono alla previsione, possono essere tranquillamente reindirizzate verso attività più utili”.

Si identificano le attività e le risorse che aiutano attraverso un processo di previsione a più fasi in cui viene generata una previsione statistica utilizzando il software di previsione esistente dell’azienda. Questa previsione statistica viene quindi sottoposta a modifiche manuali (modifiche) da parte di ciascun dipartimento selezionato. Questa previsione modificata viene quindi confrontata con una previsione ingenua, di riferimento (senza modifiche, agendo come un placebo) e con la domanda reale osservata.

Se le modifiche apportate dai dipartimenti hanno reso la previsione statistica più accurata (rispetto alla previsione statistica intatta), hanno contribuito con un valore positivo. Se hanno reso la previsione meno accurata, hanno contribuito con un valore negativo. Allo stesso modo, se la previsione statistica era più accurata del placebo, ha aggiunto un valore positivo (e viceversa se era meno accurata).

FVA è quindi “[una misura] del cambiamento in una metrica delle prestazioni di previsione che può essere attribuito a un particolare passaggio o partecipante nel processo di previsione”².

I sostenitori del valore aggiunto delle previsioni sostengono che sia uno strumento essenziale nella moderna gestione della supply chain. Identificando quali parti del processo di previsione sono utili e quali no, le organizzazioni possono ottimizzare l’accuratezza delle loro previsioni. La ragione principale è che una previsione migliorata porta a una migliore gestione delle scorte, una pianificazione della produzione più fluida e una più efficiente allocazione delle risorse.

Ciò dovrebbe ridurre i costi, ridurre al minimo le rotture di stock e ridurre gli eccessi di magazzino, il tutto aumentando la soddisfazione del cliente e generando un ethos di previsione e aziendale più inclusivo. Il processo si è dimostrato straordinariamente popolare, con FVA che viene applicato in diverse aziende di rilievo in settori estremamente competitivi, tra cui Intel, Yokohama Tire e Nestlé³.

Eseguire un’analisi del valore aggiunto delle previsioni

Eseguire un’analisi del valore aggiunto delle previsioni comporta diversi passaggi intuitivi, tipicamente una versione dettagliata dei seguenti:

• Definire il processo identificando i singoli passaggi o componenti, ad esempio l’elenco dei dipartimenti che verranno consultati, l’ordine di consultazione e i parametri specifici che ciascun contributore utilizzerà per modificare la previsione iniziale.

• Generare una previsione di riferimento. Questa previsione di riferimento di solito assume la forma di una previsione ingenua. Viene anche generata una previsione statistica, secondo il normale processo di previsione all’interno dell’azienda, utilizzando lo stesso set di dati utilizzato per la generazione del benchmark. Questa previsione statistica serve come base per tutti gli aggiustamenti successivi.

• Raccogliere informazioni dai contributori designati, attenendosi ai parametri definiti nel primo passaggio. Ciò potrebbe includere informazioni sulle tendenze di mercato, piani promozionali, vincoli operativi, ecc.

• Calcolare il FVA per ciascun contributore confrontando l’accuratezza della previsione statistica prima e dopo l’intervento di quel contributore. A sua volta, l’accuratezza della previsione statistica viene confrontata con quella della semplice previsione di riferimento. I contributi che migliorano l’accuratezza della previsione ricevono un FVA positivo, mentre quelli che diminuiscono l’accuratezza ricevono un FVA negativo.

• Ottimizzare migliorando o eliminando i contributi con FVA negativo, preservando o potenziando quelli con FVA positivo.

Questi passaggi costituiscono un processo continuo che viene migliorato iterativamente per ottenere una maggiore accuratezza delle previsioni. Il processo FVA e come differisce da un processo di previsione tradizionale è illustrato di seguito.

Figura 2 si basa su processi descritti da Gilliland^{2 3} e Chybalski⁴. A differenza di Figura 1, ci sono più fasi di sovrascrittura umana (EO1, EO2 e CF). I processi FVA possono includere ancora più fasi di intervento umano, compresa una fase finale di sovrascrittura da parte della direzione esecutiva².

Nella Tabella 1⁵, la metrica di valutazione è MAPE (errore percentuale medio assoluto). Questo esempio indica che la previsione statistica ha migliorato l’accuratezza delle previsioni (aggiungendo valore riducendo l’errore di previsione del 5%) rispetto alla previsione ingenua. Inoltre, la sovrascrittura umana è stata inutile con un significativo aumento dell’errore di previsione introdotto nella fase di sovrascrittura esperta 2.

Considera un venditore di mele. Paul (Pianificazione della domanda) informa la direzione che l’azienda ha venduto 8 mele in ognuno degli ultimi 3 mesi. La previsione ingenua dice che l’azienda venderà di nuovo 8 mele il prossimo mese, ma Paul ha un software statistico avanzato che prevede che verranno vendute 10 mele (previsione statistica). John (Marketing) interviene e dice che intende lanciare uno slogan nuovo e accattivante questo mese⁶ e che le vendite probabilmente saranno più alte questo mese grazie alla sua arguzia. George (Vendite) intende raggruppare le mele insieme e abbassare leggermente i prezzi, stimolando ulteriormente le vendite e aumentando la domanda. Richard (Operazioni) è inizialmente confuso ma poi rivede la domanda prevista per riflettere un’imminente interruzione nella macchina di selezione delle mele che ritiene avrà un impatto negativo sulla capacità dell’azienda di soddisfare la domanda. La previsione statistica è stata quindi modificata manualmente tre volte. I dipartimenti si riuniscono successivamente per raggiungere verbalmente una previsione di consenso.

Un mese dopo, l’azienda effettua un backtest per confermare quanto sia stato grande il delta⁷ a ogni passo di questo relay di previsione, ovvero quanto sia stata “sbagliata” la contribuzione di ciascun dipartimento. Questo non è difficile poiché ora possiedono i dati effettivi di vendita del mese precedente e Paul può isolare, passo dopo passo, quanta errore è stata introdotta da John, George e Richard, rispettivamente, così come dalla fase di previsione di consenso⁸.

La Prospettiva Matematica sul Valore Aggiunto delle Previsioni

Sotto il cofano, il valore aggiunto delle previsioni è un processo straordinariamente semplice e deliberatamente semplice. Contrariamente ai processi di previsione che richiedono una conoscenza avanzata di matematica e ragionamento statistico, FVA “è un approccio di buon senso che è facile da capire. Esprime i risultati di fare qualcosa rispetto a non aver fatto nulla”³.

Esprimere i risultati di aver fatto qualcosa rispetto a non aver fatto nulla, tuttavia, richiede comunque un intervento matematico, che di solito assume la forma di una semplice serie temporale - la base dei metodi tradizionali di previsione. L’obiettivo principale dell’analisi delle serie temporali è rappresentare in modo conveniente e intuitivo la domanda futura come un singolo valore operativo. Nel contesto di FVA, la serie temporale di base funge da placebo o controllo, rispetto al quale vengono confrontate tutte le sovrascritture dell’analista (descritte nella sezione precedente). Una serie temporale di base può essere generata attraverso vari metodi, comunemente includendo varie forme di previsione ingenua. Queste sono comunemente valutate utilizzando metriche come MAPE, MAD e MFE.

Scelta di una Previsione di Riferimento

La scelta della previsione di base varierà a seconda degli obiettivi o dei vincoli dell’azienda in questione.

• Previsione Ingenua e Previsioni Ingenua Stagionali sono spesso scelte per la loro semplicità. Sono facili da calcolare e capire poiché si basano sull’assunzione che i dati precedenti si ripeteranno in futuro. Forniscono una base sensata in molti contesti, specialmente quando i dati sono ragionevolmente stabili o sembrano dimostrare un chiaro pattern (tendenza, stagionalità, ecc.).

• Random Walk e Random Walk Stagionale sono tipicamente utilizzati quando i dati mostrano una significativa casualità o variabilità, o quando sembra esserci un forte pattern stagionale che è anche soggetto a fluttuazioni casuali. Questi modelli aggiungono un elemento di imprevedibilità al concetto di previsione ingenua, nel tentativo di riflettere l’incertezza intrinseca delle previsioni della domanda futura.

Valutazione dei Risultati del Valore Aggiunto delle Previsioni

• MFE (Errore Medio di Previsione) può essere utilizzato per valutare se una previsione tende a sovrastimare o sottostimare i risultati effettivi. Questa potrebbe essere una metrica utile in una situazione in cui è più costoso sovrastimare che sottostimare, o viceversa.

• MAD (Deviazione Media Assoluta) e MAPE (Errore Percentuale Medio Assoluto) forniscono misure di precisione delle previsioni che considerano sia la sovrastima che la sottostima della domanda. Potrebbero essere utilizzati come indicatori di precisione quando è importante ridurre al minimo la dimensione complessiva degli errori di previsione, indipendentemente dal fatto che comportino sovrastima o sottostima.

Anche se MAPE è comunemente presente nelle fonti correlate a FVA, il consenso varia su quale configurazione di metriche di previsione utilizzare in un’analisi FVA^{2 4 9}.

Limitazioni del FVA

Il valore aggiunto delle previsioni, nonostante il suo approccio inclusivo, i nobili obiettivi e la bassa barriera all’ingresso, è probabilmente soggetto a una vasta gamma di limitazioni e false premesse. Queste carenze spaziano in una vasta gamma di campi, tra cui matematica, teoria moderna delle previsioni ed economia.

La Previsione non è Collaborativa

Il valore aggiunto delle previsioni si basa sull’idea che la previsione collaborativa sia positiva, nel senso che le sovrascritture umane multiple (e persino il consenso) possono aggiungere valore positivo. FVA crede inoltre che questo valore positivo delle previsioni sia distribuito in tutta l’azienda, poiché i dipendenti di diversi dipartimenti possono possedere tutti preziose intuizioni sulla domanda futura di mercato.

Pertanto, il problema secondo FVA è che questo approccio collaborativo comporta inefficienze fastidiose, come alcuni punti di contatto umani che contribuiscono a un valore negativo. FVA cerca quindi di selezionare i collaboratori di previsione spreconi alla ricerca di quelli validi.

Purtroppo, l’idea che la previsione sia migliore come processo collaborativo e multi-departmentale è contraria a quanto dimostrato dalla moderna previsione statistica, anche in situazioni di vendita al dettaglio.

Una vasta revisione della quinta competizione di previsione di Makridakis¹⁰ ha dimostrato che “tutti i 50 metodi migliori si basavano sull’apprendimento automatico (machine learning). Pertanto, M5 è la prima competizione M in cui tutti i metodi migliori erano sia metodi di apprendimento automatico che migliori di tutti gli altri benchmark statistici e delle loro combinazioni” (Makridakis et al., 2022)¹¹. La competizione di accuratezza M5 si basava sulla previsione delle vendite utilizzando dati storici per la più grande azienda al dettaglio al mondo per ricavi (Walmart).

Infatti, secondo Makridakis et al. (2022), “il modello vincente [nel M5] è stato sviluppato da uno studente con poca conoscenza delle previsioni e poca esperienza nella costruzione di modelli di previsione delle vendite”¹¹, mettendo così in dubbio quanto siano davvero vitali le intuizioni di mercato dei dipartimenti disparati in un contesto di previsione.

Ciò non significa che i modelli di previsione più complessi siano intrinsecamente desiderabili. Piuttosto, i modelli sofisticati spesso superano quelli semplicistici, e la previsione collaborativa di FVA è un approccio semplicistico a un problema complesso.

Ignora l’Incertezza Futura

FVA, come molti strumenti e tecniche legate alla previsione, presume che la conoscenza del futuro (in questo caso, la domanda) possa essere rappresentata sotto forma di serie temporale. Utilizza una previsione ingenua come punto di riferimento (tipicamente una copia taglia e incolla delle vendite precedenti) e i collaboratori arrotondano manualmente i valori su una previsione statistica. Ciò è errato per due motivi.

Innanzitutto, il futuro, sia in generale che in termini di previsione, è irriducibilmente incerto. Pertanto, esprimerlo come un singolo valore è un approccio intrinsecamente sbagliato (anche se integrato con una formula di scorta di sicurezza). Di fronte all’incertezza irriducibile del futuro, l’approccio più sensato è determinare una gamma di valori futuri probabili, valutati rispetto al potenziale ritorno finanziario di ciascuno. Questo supera, da una prospettiva di gestione del rischio, il tentativo di identificare un singolo valore come in una serie temporale tradizionale, che ignora completamente il problema dell’incertezza futura.

In secondo luogo, le intuizioni (per quanto utili possano sembrare) dei collaboratori sono tipicamente del tipo non facilmente (se non del tutto) traducibili in una previsione a serie temporale. Considerate una situazione in cui un’azienda sa in anticipo che un concorrente sta per entrare nel mercato. In alternativa, immaginate un mondo in cui le conoscenze competitive indicano che il concorrente più agguerrito sta pianificando di lanciare una nuova linea di abbigliamento estivo impressionante. L’idea che questi tipi di intuizioni possano essere collaborativamente integrate da non specialisti in un singolo valore espresso in una serie temporale è fantasiosa.

In realtà, qualsiasi somiglianza con le vendite future effettive (valore aggiunto positivo) sarà completamente casuale, nel senso che gli interventi umani (sia che si tratti di arrotondare la domanda al rialzo o al ribasso) sono espressioni uguali dello stesso input errato. Una persona che contribuisce con un valore negativo non è quindi più “giusta” o “sbagliata” - dal punto di vista logico - rispetto a una persona che contribuisce con un valore positivo.

Al suo nucleo, FVA cerca di proiettare proprietà tridimensionali (intuizioni umane) su una superficie bidimensionale (una serie temporale). Potrebbe sembrare corretto da un certo punto di vista, ma ciò non significa che lo sia effettivamente. Ciò conferisce a FVA un’apparenza piuttosto fuorviante di rigore statistico.

Anche se l’azienda utilizza un processo di previsione tradizionale con pochi punti di contatto umani (come mostrato nella Figura 1), se la previsione statistica sottostante analizzata da FVA è una serie temporale, l’analisi stessa è un esercizio di spreco.

Ironicamente Sprecati

Come dimostrazione unica di eccessiva fiducia e di un processo decisionale distorto, FVA ha utilità. Sono stati assegnati premi Nobel sulla profondità, l’ampiezza e la durata dei bias cognitivi nel processo decisionale umano^{12 13}, tuttavia è del tutto concepibile che alcuni team non accettino quanto tipicamente difettoso sia l’intervento umano fino a quando non viene loro dimostrato in modo enfatico.

Tuttavia, come strumento di gestione continuativo, FVA è intrinsecamente difettoso e discutibilmente contraddittorio. Se le previsioni statistiche vengono superate da una previsione ingenua e da interventi collaborativi, si dovrebbe davvero considerare la seguente domanda:

Perché i modelli statistici stanno fallendo?

Purtroppo, FVA non ha una risposta a questa domanda perché fondamentalmente non è progettato per questo. Non fornisce intuizioni su perché i modelli statistici potrebbero avere prestazioni inferiori, ma solo che hanno prestazioni inferiori. FVA non è quindi tanto uno strumento diagnostico quanto una lente di ingrandimento.

Sebbene una lente di ingrandimento possa essere utile, non fornisce intuizioni operative su quali siano i problemi sottostanti del software di previsione statistica. Comprendere perché le previsioni statistiche hanno prestazioni inferiori ha un valore diretto e indiretto molto maggiore, ed è qualcosa che FVA non mette a fuoco in modo più nitido.

Non solo il software FVA non fornisce questa importante intuizione, ma formalizza lo spreco in altri modi. Gilliland (2010) presenta una situazione teorica in cui una previsione di consenso viene superata in 11 delle 13 settimane (tasso di fallimento dell'85%), con una media di 13,8 punti percentuali di errore. Invece di richiedere una immediata interruzione, il consiglio è quello di

“portare queste scoperte alla direzione e cercare di capire perché il processo di consenso ha questo effetto. Puoi iniziare a indagare sulle dinamiche della riunione di consenso e sugli interessi politici dei partecipanti. Alla fine, la direzione deve decidere se il processo di consenso può essere migliorato per aumentare l’accuratezza delle previsioni o se dovrebbe essere eliminato.”²

In questo scenario, non solo il software FVA non diagnostica il problema sottostante delle prestazioni delle previsioni statistiche, ma il livello di strumentazione di FVA aumenta semplicemente la burocrazia e l’allocazione delle risorse analizzando attività che manifestamente non contribuiscono valore.

Pertanto, l’installazione di un livello di software FVA assicura che si continui a ottenere immagini simili a bassa risoluzione di un problema in corso e indirizza risorse preziose per capire gli input errati che avrebbero potuto essere ignorati fin dall’inizio.

Ciò, argomentabilmente, non è l’allocazione più prudente delle risorse aziendali che hanno utilizzi alternativi.

Sopravvaluta il Valore dell’Accuratezza

Alla base, FVA presume che aumentare l’accuratezza delle previsioni valga la pena di essere perseguite in modo isolato, e procede su questa base come se fosse ovvio. L’idea che un’accuratezza delle previsioni maggiore sia desiderabile è comprensibilmente allettante, ma - dal punto di vista aziendale - presuppone che una maggiore accuratezza si traduca in una maggiore redditività. Questo non è palesemente il caso.

Ciò non significa che una previsione accurata non valga la pena. Piuttosto, una previsione accurata dovrebbe essere strettamente legata a una prospettiva puramente finanziaria. Una previsione potrebbe essere più accurata del 40%, ma il costo associato significa che l’azienda guadagna complessivamente il 75% in meno di profitto. La previsione, sebbene notevolmente più accurata (valore aggiunto positivo), non ha ridotto i dollari di errore. Questo viola ciò che è il principio fondamentale del business: fare più soldi, o almeno non sprecarli.

Per quanto riguarda FVA, è del tutto concepibile che il valore aggiunto positivo di un dipartimento sia una perdita netta per un’azienda, mentre il valore aggiunto negativo di un altro sia impercettibile. Sebbene Gilliland riconosca che alcune attività potrebbero aumentare l’accuratezza senza aggiungere valore finanziario, questo punto di vista non viene seguito fino alla sua conclusione logica: una prospettiva puramente finanziaria. Gilliland usa l’esempio di un analista che aumenta l’accuratezza delle previsioni di un punto percentuale:

“Il solo fatto che un’attività di processo abbia un valore aggiunto positivo non significa necessariamente che debba essere mantenuta nel processo. Dobbiamo confrontare i benefici complessivi del miglioramento con il costo di quell’attività. L’accuratezza aggiuntiva sta aumentando il fatturato, riducendo i costi o rendendo i clienti più felici? In questo esempio, l’override dell’analista ha effettivamente ridotto l’errore di un punto percentuale. Ma dover assumere un analista per rivedere ogni previsione può essere costoso, e se il miglioramento è solo di un punto percentuale, ne vale davvero la pena?”²

In altre parole, un aumento del 1% potrebbe non valere la pena perseguire, ma un maggiore aumento dell’accuratezza delle previsioni potrebbe valerlo. Ciò presuppone che il valore finanziario sia legato a una maggiore accuratezza delle previsioni, il che non è necessariamente vero.

Pertanto, c’è una dimensione finanziaria inevitabile nelle previsioni che è al meglio sottovalutata in FVA (e, nel peggiore dei casi, appena notata). Questa prospettiva puramente finanziaria dovrebbe essere la base su cui si costruisce uno strumento volto a ridurre gli sprechi.

Vulnerabile alla Manipolazione

FVA presenta anche un’opportunità evidente di manipolazione e manipolazione delle previsioni, specialmente se l’accuratezza delle previsioni viene utilizzata come misura delle prestazioni dei dipartimenti. Questo è lo spirito della Legge di Goodhart, che afferma che una volta che un indicatore diventa la misura principale del successo (accidentalmente o deliberatamente), tale indicatore cessa di essere utile. Questo fenomeno può spesso aprire la porta a interpretazioni errate e/o manipolazioni.

Supponiamo che al team delle vendite sia stato assegnato il compito di apportare modifiche a breve termine alla previsione della domanda in base alle loro interazioni con i clienti. Il dipartimento vendite potrebbe vedere questa come un’opportunità per segnalare il proprio valore e iniziare a apportare modifiche alla previsione anche quando non necessario, nel tentativo di dimostrare un valore aggiunto positivo. Potrebbero sovrastimare la domanda, facendo apparire di generare valore, o ricalcolare la domanda al ribasso, facendo apparire di correggere una proiezione eccessivamente ottimistica da parte di un dipartimento precedente. In entrambi i casi, il dipartimento vendite potrebbe sembrare più prezioso per l’azienda. Di conseguenza, il dipartimento marketing potrebbe sentirsi sotto pressione per apparire di generare valore e il team inizia a apportare modifiche arbitrarie simili alla previsione (e così via).

In questo scenario, la misura FVA, originariamente intesa a migliorare l’accuratezza delle previsioni, diventa semplicemente un meccanismo politico per i dipartimenti per segnalare valore anziché aggiungerne, una critica che persino gli sostenitori di FVA riconoscono⁹. Questi esempi dimostrano i potenziali pericoli della Legge di Goodhart quando si tratta di FVA¹⁴.

I sostenitori di FVA potrebbero sostenere che queste critiche psicologiche sono l’intero punto di FVA, ovvero l’identificazione di input preziosi rispetto a quelli inutili. Tuttavia, dato i pregiudizi associati all’override umano nelle previsioni che sono così ben compresi oggigiorno, le risorse impiegate per analizzare questi input carichi di pregiudizi sarebbero meglio allocate a un processo che evita (per quanto possibile) tali input fin dall’inizio.

Soluzione locale a un problema sistemico

Implicitamente, il tentativo di ottimizzare le previsioni della domanda in isolamento presuppone che il problema delle previsioni della domanda sia separato da altri problemi della supply chain. In realtà, le previsioni della domanda sono complesse a causa dell’interazione di una vasta gamma di cause sistemiche della supply chain, tra cui l’influenza dei tempi di consegna dei fornitori variabili, le interruzioni impreviste della supply chain, le scelte di allocazione delle scorte, le strategie di pricing, ecc.

Tentare di ottimizzare le previsioni della domanda in isolamento (aka, ottimizzazione locale) è un approccio sbagliato dato che i problemi a livello di sistema - le vere cause radice - non sono adeguatamente compresi e affrontati.

I problemi della supply chain - di cui le previsioni della domanda sono certamente uno - sono come persone che stanno su un trampolino: muovere una persona produce disequilibrio per tutti gli altri¹⁵. Per questo motivo, l’ottimizzazione olistica end-to-end è migliore rispetto al tentativo di curare i sintomi in isolamento.

Punto di vista di Lokad

Il valore aggiunto delle previsioni prende un’idea sbagliata (previsioni collaborative) e la rende sofisticata, vestendo l’idea sbagliata con strati di software superfluo e sperperando risorse che potrebbero essere utilizzate in modo migliore.

Una strategia più sofisticata sarebbe guardare oltre il concetto stesso dell’accuratezza delle previsioni e optare invece per una politica di gestione del rischio che riduca i dollari di errore. In combinazione con un approccio di previsione probabilistica, questa mentalità si allontana da KPI arbitrari - come l’aumento dell’accuratezza delle previsioni - e tiene conto della totalità dei propri driver economici, dei vincoli e dei potenziali shock della supply chain nella presa di decisioni sugli stock. Questi tipi di vettori di rischio (e sprechi) non possono essere efficacemente quantificati (ed eliminati) da uno strumento che sfrutta una prospettiva collaborativa a serie temporali, come quella presente nel valore aggiunto delle previsioni.

Inoltre, separando le previsioni della domanda dall’ottimizzazione generale della supply chain, FVA (forse involontariamente) aumenta la complessità accidentale del processo di previsione della domanda. La complessità accidentale è sintetica e deriva dall’accumulo graduale di rumore superfluo - di solito di origine umana - in un processo. Aggiungere fasi e software ridondanti al processo di previsione, come fa FVA, è un esempio tipico di complessità accidentale e può rendere il problema significativamente più complesso.

Le previsioni della domanda sono un problema intenzionalmente complesso, ovvero un compito intrinsecamente complicato e che richiede molte risorse. Questa complessità è una caratteristica immutabile del problema e rappresenta una classe di sfida molto più preoccupante rispetto alle questioni accidentalmente complesse. Per questo motivo, è meglio evitare tentativi di soluzioni che semplificano e fraintendono fondamentalmente il problema in questione¹⁶. Per riprendere la retorica medica della letteratura FVA, questa è la differenza tra curare una malattia sottostante e trattare costantemente i sintomi man mano che si presentano¹⁷.

In breve, FVA si colloca tra la teoria all’avanguardia della supply chain e la consapevolezza del pubblico al riguardo. Si consiglia una maggiore educazione sulle cause sottostanti dell’incertezza della domanda - e sulle sue radici nell’evoluzione della disciplina della supply chain -.

Note