Previsioni isolate (Antipattern della Supply Chain)

di Joannes Vermorel, gennaio 2020

Un Anello per domarli, un Anello per trovarli, un Anello per ghermirli e nel buio incatenarli.

Alias: Gosplan (pianificazione sovietica)

Categoria: organizzazione



Problema: un'azienda si trova ad affrontare situazioni ricorrenti di rotture di stock e di overstock. Questi problemi hanno un costo elevato per l'azienda e spingono i clienti a rivolgersi alla concorrenza. La liquidazione delle scorte in eccesso è inevitabilmente molto costosa. Se le previsioni macro, a livello di rete o per categoria di prodotto, sono relativamente accurate e imparziali, molti errori vengono commessi a livello delle singole SKU, prevedendo troppo o troppo poco. L'azienda ha già condotto diverse iterazioni con vari fornitori di software, eppure, nonostante ogni fornitore affermi di aver migliorato l'accuratezza delle previsioni rispetto al sistema precedente, le situazioni di eccesso e di esaurimento delle scorte rimangono frequenti.

Evidenza aneddotica: le previsioni sono sempre sbagliate, lo sanno tutti, ma chi si occupa di pianificazione sembra avere sempre una scusa per affrontare la situazione.

Contesto: l'azienda ha diversi team implicati nella gestione della supply chain. Nello specifico: il team che si occupa della pianificazione, il team che si occupa degli acquisti, il team che si occupa della produzione, il team che si occupa del riassortimento e quello che si occupa dei prezzi. Il team della pianificazione elabora le previsioni della domanda per ogni singolo prodotto che l'azienda deve lanciare e vendere. Poiché la previsione deve coprire una parte considerevole del ciclo di vita del prodotto, l'orizzonte di previsione è lungo: almeno tre mesi e spesso oltre un anno. La previsione della domanda primaria, il "piano", viene prima trasformata in quantità acquistate, poi in quantità prodotte, poi in quantità di stock da allocare, e così via. Infine, a seconda dei livelli di scorte disponibili, i prezzi vengono adeguati, a volte al rialzo, ma per lo più al ribasso.

Soluzione ipotizzata: il “piano”, ovvero la previsione prodotta dal team che si occupa della pianificazione - ha problemi di precisione in quanto i prodotti si vendono più velocemente o più lentamente rispetto alle previsioni originali. Tuttavia, i metodi di previsione utilizzati dall'azienda sono piuttosto rudimentali, in parte realizzati con fogli di calcolo. Chiaramente ci devono essere modi più accurati di elaborare tali previsioni. Il management decide che qualcosa deve essere fatto a proposito di queste previsioni, e avvia un'iniziativa volta a migliorare la loro accuratezza. In generale, è qui che entra in gioco un fornitore terzo – dal momento che la statistica avanzata non è esattamente una competenza di base dell'azienda – sia per consegnare un software che per formare il personale addetto alla pianificazione.

Contesto risultante: si investe molto per migliorare l’accuratezza delle previsioni e secondo alcune metriche, la qualità delle previsioni sta migliorando. D'altra parte, tutti gli altri team, al di fuori di quello che si occupa della pianificazione, erano abituati ai difetti dei vecchi metodi di previsione, e avevano già sviluppato i propri metodi per far fronte alle difficoltà. Nel momento in cui il team della pianificazione cambia la sua strategia, tutti gli altri team devono imparare ad affrontarne i difetti. Per un certo periodo, questo crea molta tensione. In seguito, nonostante la revisione di tutti i processi della supply chain guidati dalle previsioni generi qualche risultato “facile”, il management non vede alcun risultato misurabile dall'iniziativa. Le scorte in eccesso rimangono un problema e le rotture di stock sono ancora frequenti. A parte le sofisticate metriche matematiche, all'interno dell'azienda rimane la percezione che le previsioni siano ancora insoddisfacenti. Alcuni dipendenti chiave coinvolti nell'iniziativa di previsione sono ora passati ad altri progetti, spesso in altre aziende. Nessuno è veramente responsabile dei risultati delle iniziative di previsione defunte, ma ci sono ancora dei residui sia nei processi che nei software che l'azienda utilizza.

Forze di seduzione: una previsione più accurata è come una bacchetta magica. Tutti, dal team degli acquisti al merchandising, concordano sul fatto che essa ridurrebbe quasi tutti i punti critici dell'azienda: portare sul mercato solo gli articoli più venduti; immagazzinare solo quanto basta per soddisfare la domanda; smettere di regalare sconti, e così via. Si tratta anche di un problema monodimensionale: ridurre gli errori di previsione. È facile comunicare l'intento dell'iniziativa a tutte le parti interessate, e ciò sembra un modo razionale - e scientifico - per migliorare l'azienda. Inoltre, non influisce in modo significativo sullo status quo. Nessuno si sente minacciato dal potenziale arrivo di previsioni più accurate, né deve ripensare il proprio ruolo in azienda. Per quanto riguarda la trasformazione digitale, ci si aspetta che sia semplice come cambiare il monitor del computer con uno più grande.

Schemi positivi per affrontare il problema: l'unico modo per risolvere il problema delle “previsioni isolate” è quello di integrarle. Come? Trattando le decisioni in materia di supply chain assieme alle previsioni che le hanno generate. L'accuratezza delle previsioni deve essere trattata come un elemento di "debugging" - che aiuta ad individuare i problemi di modellazione - non come un KPI da ottimizzare. Le uniche metriche che contano sono misurate in dollari o in euro e sono associate a decisioni di routine come ad esempio "quanto comprare?", "quanto riapprovigionare in negozio?", "quanto scontare?", ecc..

Esempio: Contoso, un grande marchio di moda che gestisce una propria rete di vendita al dettaglio, si trova ad affrontare un eccesso di scorte alla fine di ogni stagione, che si traduce in considerevoli sconti offerti ai clienti per liquidare l'eccesso durante i saldi. Quel che è peggio, è che nel corso degli anni la percentuale media degli sconti è andata costantemente aumentando, e una parte crescente della clientela rimanda gli acquisti fino al periodo dei saldi. Nonostante le macro-previsioni siano pittosto soddisfacenti, ogni stagione vengono commessi molti errori su vari prodotti, per i quali si prevede troppo o troppo poco. Queste iniziative sono state percepite come il naturale proseguimento dell'iniziativa di personalizzazione dell’ERP intrapresa qualche anno prima.

Il lancio di una nuova collezione segue un iter consolidato. In primo luogo, il team che si occupa della pianificazione definisce la gamma di prodotti, con quantità target per ogni prodotto. Poi, il team degli acquisti, applica ulteriori aggiustamenti: le MOQ (quantità minime d'ordine) devono essere rispettate, ed applicate ad ogni taglia, poiché le previsioni originali vengono effettuate a livello del prodotto. Poi, il "merchandising" e i team che si occupano dell’allocazione stabiliscono le quantità da allocare all'inizio della stagione in ogni negozio. Con l'avanzare della stagione, il team che si occupa di riassortire i prodotti si occupa del riassortimento, cercando di matenersi in linea con le previsioni. Infine, a fine stagione, e a volte anche prima, il team che si occupa del pricing stabilisce gli sconti, al fine di riallinearsi con il piano laddove l'eccesso di scorte si sia completamente discostato dalle previsioni iniziali.

I dirigenti di Contoso si rendono conto che l'iniziativa interna volta a migliorare l'accuratezza delle previsioni non ha prodotto i benefici auspicati. Il team che si occupa della pianificazione ha ancora difficoltà a capire la stagionalità. Il CEO di Contoso viene contattato dal CEO di Genialys, una startup californiana fortemente finanziata che ha sviluppato una nuova generazione di previsioni. La loro tecnologia non solo è in grado di elaborare tutti i dati di vendita di Contoso in tempo reale, ma integra anche dati meteo e quelli provenienti dai social media. Alcune referenze dimostrano che la tecnologia è già stata convalidata da alcuni clienti molto importanti. Tutto sommato è abbastanza impressionante.

Nasce così, con il supporto diretto del CEO, la grande iniziativa con Genialys, con l'obiettivo di migliorare radicalmente l'accuratezza delle previsioni. Le prime settimane sembrano procedere bene, ma dopo due mesi, sembra che l'IT di Contoso abbia ancora difficoltà ad estrapolare tutti i dati utili. Molti problemi apparentemente piccoli si sono rivelati complessi. Ad esempio, il team di Genialys non ha ben chiaro cosa fare con le promozioni del tipo "2x1" che Contoso effettua regolarmente. Dopo 6 mesi di sforzi piuttosto intensi da entrambe le parti, Genialys consegna le sue previsioni. Tuttavia, il team che si occupa della pianificazione non ha molta fiducia in questi numeri. Alcune semplici revisioni manuali dei risultati prodotti da Genialys mostrano che i numeri a volte sono totalmente sbagliati. I team di Genialys continuano a segnalare problemi con i dati, che sembrano spiegare questi problemi di previsione, ma nel complesso la situazione è poco chiara.

Non sapendo di chi fidarsi, il direttore della supply chain di Contoso decide di impostare alcuni KPI per valutare quantitativamente l’accuratezza del sistema di Genialys rispetto all’accuratezza del "vecchio" sistema di previsione. L'idea sembra abbastanza semplice: un’analisi retrospettiva chiarirà quale sia il più accurato. Purtroppo, a distanza di tre mesi, decine di incontri e centinaia di ore di lavoro, la situazione è ancora poco chiara. Si scopre che il processo di previsione storico utilizzato da Contoso è impossibile da analizzare a posteriori poiché il team che si occupa della pianificazione ha aggiustato manualmente molte delle previsioni. Pertanto, non possono realmente "replicare" le previsioni storiche, perché ciò richiederebbe troppo sforzo. Dal canto suo, Genialys ha eseguito molte analisi retrospettive, ma non è chiaro quanti di quei numeri fossero reali. Mentre le metriche di precisione di Genialys sembrano essere corrette nel complesso, il team che si occupa della pianificazione continua a scoprire incoerenze.

A 18 mesi di distanza, Genialys è ora utilizzato in produzione per alcune linee di prodotti stabili - come l'intimo maschile - che non hanno mai rappresentato una vera e propria sfida per le previsioni. Le categorie più complesse, come le scarpe da donna o gli abiti da uomo, sono ancora gestite manualmente dal team che si occupa della pianificazione seguendo il vecchio processo. L'ambizione originaria di sfruttare i dati meteorologici e provenienti dai social appartiene ormai a un lontano passato. La soluzione Genialys riesce a malapena a gestire le categorie più semplici. Il piano è ancora quello di aumentare la portata delle categorie coperte da Genialy, ma i team sono un po' stremati. Alcune persone se ne sono già andate. I risultati, dal punto di vista del business, sono stati moderati. La disponibilità di biancheria intima maschile è aumentata del 2% e i ribassi sono stati ridotti dell'1%, tuttavia, poiché il numero di referenze è stato ridotto in questa categoria, non è chiaro se l'ulteriore precisione della previsione (mai misurata) abbia qualcosa a che fare con questo sviluppo favorevole. Ufficialmente, l'iniziativa di previsione è ancora in corso, ma i vertici aziendali non si aspettano più nulla da essa.