Principi Quantitativi per la supply chain (Riassunto Lezioni 1.6)

learn menu

Un’ottimizzazione significativa della supply chain optimization consiste nel dominio dell’opzionalità che si incontra a causa della variabilità intrinseca al flusso delle merci, e tale padronanza è affine all’analisi quantitativa. I problemi della supply chain sono altrettanto quantitativi, ma wicked e talvolta addirittura strani, in contrasto con l’analisi tradizionale. Adottare principi quantitativi sia nella fase di osservazione sia in quella di ottimizzazione può aiutare i professionisti a evitare numerose insidie oscure ma prevedibili della supply chain.

Robot performs multiple tasks in a kitchen while a child sits at a table

Guarda la Lezione

Principi Osservativi

In linea generale, i tipi di decisioni e vincoli con cui i professionisti della supply chain si confrontano sono invariabilmente quantitativi - come ad esempio i valori di riapprovvigionamento, gli obiettivi di livello di servizio, le MOQ, ecc. Tuttavia, le supply chain stesse sfuggono all’osservazione diretta. Non si può fare un’istantanea dell’intera supply chain come si può fare di un pezzo di macchinario, nonostante entrambi siano argomentabilmente CapEx, siano composti da molteplici sottoparti osservabili e (generalmente) producano un output fisico.

Nonostante tale limitazione, le supply chain non sono ostili all’analisi quantitativa. Anzi, un’analisi quantitativa della supply chain rivela diverse osservazioni istruttive, sebbene discutibilmente controintuitive.

I problemi della supply chain non sono distribuiti in modo normale

Forse in modo desolante, i problemi della supply chain non tendono a seguire distribuzioni normali, comportando numerose difficoltà organizzative quando si cerca di ottimizzarli. Con una distribuzione normale, un gran numero di piccoli fattori indipendenti può influenzare un valore in entrambe le direzioni (ad esempio, di più o di meno, in aumento o in diminuzione). In altre parole, una distribuzione normale è il risultato di molti piccoli cambiamenti casuali che possono aumentare o diminuire un valore1.

Tuttavia, i problemi della supply chain spesso derivano da un numero ridotto di fattori maggiori e sistemici piuttosto che da una moltitudine di fattori piccoli e indipendenti. Questi fattori includono:

  • Variabilità della Domanda: La domanda per i prodotti è spesso altamente variabile e può essere influenzata da una vasta gamma di fattori come le tendenze stagionali, le condizioni economiche e le campagne di marketing. Questa variabilità può portare a problemi come esaurimenti di stock o sovraccarichi di magazzino.

  • Affidabilità del Fornitore: La prestazione dei fornitori può influire significativamente sulla supply chain, e la variabilità nell’affidabilità dei fornitori può generare problemi come ritardi nelle consegne e questioni relative alla qualità.

  • Interruzioni Logistiche: Problemi come ritardi nei trasporti, blocchi doganali o disastri naturali possono causare significative interruzioni in una supply chain.

Le problematiche sopra descritte non rappresentano minacce banali alla continuità (e all’ottimizzazione) della supply chain. Al contrario, sono problemi sproporzionatamente grandi e complessi che possono avere impatti estremamente eccessivi.

Ulteriormente, i problemi della supply chain spesso presentano un certo grado di asimmetria, nel senso che solitamente poche problematiche principali causano una grande parte dei problemi, anziché una distribuzione simmetrica intorno a una media prevedibile. In molti casi, questi problemi evidenziano anche una “coda lunga” - ossia, un gran numero di problematiche diverse che si verificano poco frequentemente.

Le interdipendenze e i circoli viziosi insiti nelle supply chain (ad esempio, come i livelli di stock attuali influenzino le decisioni d’ordine future) fanno sì che l’insorgenza dei problemi si discosti dalla normalità. Tali sistemi non lineari e complessi sono descritti in modo più accurato da altri modelli statistici (approfonditi nella sezione seguente).

La relazione inversa tra frequenza e classifica

Un modello quantitativo migliore per analizzare i problemi della supply chain (e i valori in generale) è la legge di Zipf. In breve, ci sono due elementi principali in questa legge:

  1. Alcuni valori in un set di dati si verificano molto frequentemente, mentre la maggior parte si presenta raramente.

  2. La frequenza di un valore è inversamente proporzionale alla sua classifica.

Considera la frequenza delle parole in un libro di testo. La parola più comune in un qualsiasi libro (se scritto in una lingua che utilizza articoli determinativi/indeterminativi) sarà probabilmente the. La seconda parola più frequente potrebbe essere of, e la sua frequenza sarà (approssimativamente) la metà di quella di the. Questa tendenza continuerà lungo le classifiche2.

Un esempio rilevante nel settore retail è la scoperta comune che un numero ridotto di articoli presenti nel catalogo rappresenta una grande porzione delle vendite, mentre una lunga coda di altri articoli viene venduta poco frequentemente. Questo schema - pochi “successi” e molti “insuccessi” - corrisponde alla distribuzione di Zipf. È un concetto simile al Principio di Pareto, che afferma che circa l'80% degli effetti deriva dal 20% delle cause. L’asimmetria qui descritta è, di fatto, il principio trainante alla base dei sistemi di gestione delle scorte come ABC e ABC-XYZ. Tuttavia, ci sono alcune differenze chiave tra la distribuzione di Pareto e quella di Zipf che meritano di essere discusse.

  • Distribuzione di Pareto: Immagina un’azienda retail online con un catalogo esteso. La divisione supply chain potrebbe scoprire che l'80% del fatturato dell’azienda è generato da solo il 20% dell’offerta, suggerendo così che le risorse siano meglio indirizzate al mantenimento dei livelli di stock di questi articoli popolari. Sebbene ciò possa rappresentare una guida generale utile, manca del tipo di risoluzione necessaria per analizzare correttamente i dati di vendita (oltre alla semplice identificazione degli SKU che hanno generato il maggior fatturato).

  • Distribuzione di Zipf: Se la medesima divisione supply chain utilizzasse una distribuzione di Zipf, nell’analisi verrebbe introdotto un ulteriore interessante livello di granularità. Esaminando tutte le vendite e le rispettive frequenze, il team potrebbe individuare schemi che una distribuzione di Pareto tralascia. Ad esempio, potrebbero scoprire che, sebbene l’elettronica e gli elettrodomestici siano effettivamente i migliori venditori, esistono anche altre categorie di prodotto, come libri o abbigliamento, che collettivamente contribuiscono in modo sostanziale al totale delle vendite - pur non essendo, presi singolarmente, contributori significativi di margine. Una distribuzione di Zipf rivelerebbe anche eventuali relazioni interessanti all’interno del catalogo che potrebbero valere la pena di essere approfondite, ad esempio perché il terzo prodotto più popolare contribuisce con circa un terzo del fatturato del prodotto più popolare, nonostante sia intercambiabile e riceva livelli comparabili di pubblicità.

La tirannia dei piccoli numeri

Una distribuzione zipfiana è forse più evidente quando si tratta di quantificare esplicitamente i problemi della supply chain, in particolare quelle situazioni in cui un impatto negativo sproporzionato è attribuibile a poche cause.

Considera l’impatto negativo per un’azienda B2B di perdere il proprio fornitore principale, specialmente se quel fornitore contribuisce il doppio rispetto al secondo fornitore più importante. Allo stesso modo, perdere i due clienti più importanti comporterebbe un calo straordinario del fatturato, dato che il terzo cliente più rilevante acquista circa un terzo di quanto faccia il principale.

Importante, se i problemi della supply chain fossero distribuiti normalmente, sarebbero più prevedibili e le strategie di mitigazione standard sarebbero sufficienti. Tuttavia, il fatto che poche problematiche significative (come descritto qui) possano causare la maggior parte delle interruzioni implica che i professionisti debbano concentrare le risorse nell’identificare e mitigare queste criticità. Ciò richiede un approccio più strategico, proattivo e olistico alla gestione della supply chain.

Principi di Ottimizzazione

Avendo circumnavigato il territorio intriso di pregiudizi dell’osservazione umana, intraprendere la fase di ottimizzazione della supply chain è altrettanto soggetto a ostacoli. Le iniziative di ottimizzazione della supply chain sono spesso afflitte da bug, non solo in termini di software (pensa agli ERP) ma anche di wetware (pensa alla saggezza ereditata).

Le problematiche software, come gli Heisenbugs, vengono solitamente risolte attraverso applicazioni iterative del programma. I bug del wetware, invece, hanno l’inquietante caratteristica di essere ampiamente integrati, richiedendo così ulteriori sforzi di deprogrammazione.

Saggezza latente nelle supply chain invecchiate

Le supply chain che sono sopravvissute per alcuni decenni hanno accumulato, almeno, un livello base di saggezza. A prima vista, è difficile immaginare un’azienda che operi da 20 o più anni senza aver, almeno accidentalmente, scoperto qualche strategia utile o regola empirica. Di conseguenza, le pratiche esistenti e le norme operative incarnano una forma di quasi-ottimalità, in quanto possono spingere l’azienda nella giusta direzione (in termini di profittabilità netta complessiva), ma con notevoli imperfezioni3.

Proprio come un fiume che scava il suo percorso attraverso una catena montuosa, tale saggezza tende ad agganciarsi a una singola forza trainante. Allo stesso modo in cui la gravità trascina un fiume attraverso il sedimento, le supply chain invecchiate sono spesso trascinate nella ricerca di un unico KPI, come l’aumento del livello di servizio o la riduzione del dead stock. Sebbene questi possano sembrare obiettivi sensati, implicano implicitamente una riduzione della supply chain a un bundle discreto di elementi disconnessi, che possono essere modificati in isolamento.

Questo si traduce essenzialmente in una mentalità booleana in cui l’ottimizzazione della supply chain viene espressa in termini ingenuamente binari. Considera quanto segue:

  • Se i livelli di servizio migliorano, la supply chain deve essere stata migliorata. Ciò, naturalmente, trascura il fatto che un aumento del livello di servizio generalmente richiede un aumento complessivo dei livelli di stock (supponendo un’ottimizzazione della supply chain non quantitativa). L’aumento dei livelli di stock, a sua volta, generalmente incrementa il dead stock, con conseguente riduzione dei profitti netti.

  • Se i livelli di dead stock diminuiscono, la supply chain deve essere stata migliorata. Allo stesso modo, questa visione ristretta dell’ottimizzazione ignora l’impatto che la riduzione dei livelli di inventario avrà probabilmente sui target di servizio e sulla soddisfazione del cliente, influenzando negativamente gli acquisti (e spesso la fedeltà del cliente).

Le supply chain invecchiate di questo tipo possiedono una quasi-ottimalità unidirezionale che, come un po’ di conoscenza, può rivelarsi estremamente pericolosa. Il fatto che esse tendano per default verso un quasi-successo è ciò che probabilmente le aiuta a perdurare, ossificando pratiche subottimali.

Un miglioramento grandioso e unidirezionale nelle supply chain invecchiate tende ad andare di pari passo con il fallimento, non per mancanza di impegno sincero, ma per una carenza di considerazione della vastità, della sistemicità e della complessa interconnessione insita nelle supply chain moderne.

La fallacia dell’ottimizzazione locale

È fondamentale per l’ottimizzazione di un sistema vasto e interdipendente come la supply chain comprendere che l’ottimizzazione locale non risolve i problemi, li sposta semplicemente. Come illustrato nella sezione precedente, ottimizzare un problema locale della supply chain (inteso come “in isolamento”) tende a squilibrare l’equilibrio e a produrre effetti collaterali indesiderati altrove.

Proprio come installare un Solid State Drive (SSD) in un computer di 30 anni non migliora la memoria (o le prestazioni) complessive del sistema4, ottimizzare una rete di supply chain (o un sistema di supply chain) è un processo end-to-end, a livello sistemico.

Questo concetto è manifestamente evidente nel settore retail. In una rete retail composta da più negozi, l’intuizione potrebbe essere quella di ottimizzare i livelli di stock in ciascun negozio (magari anche manualmente). Si potrebbe persino destinare preferenzialmente le risorse al punto vendita con le migliori performance.

Tuttavia, un simile approccio non considera la rete più ampia dei centri di distribuzione che servono questi negozi, né le conseguenze a valle di una politica che assegna lo stock senza considerare l’impatto su altri punti vendita. Scegliere di concentrarsi esclusivamente su un negozio potrebbe migliorare le sue prestazioni, ma risultare dannoso per gli altri.

Inoltre, tralascia la preoccupazione fondamentale di una missione di allocazione dello stock retail, ovvero l’identificazione di dove una determinata unità/SKU è più necessaria per ottimizzare le prestazioni complessive del sistema.

Di conseguenza, ottimizzare l’allocazione dello stock retail è un problema che ha senso solo a livello di sistema, sottolineando l’importanza di una prospettiva olistica e sistemica5.

Ridefinire i problemi per risultati superiori

L’educazione classica (e le proposte dei fornitori) presentano i problemi come se potessero essere risolti in modo ottimale tramite una soluzione superiore. A prima vista, ciò sembra perfettamente ragionevole, dato che la distanza più breve tra due punti è effettivamente una linea retta. Tuttavia, questo approccio linearmente piacevole tende a semplificare eccessivamente i problemi e, in sostanza, presuppone che si dovrebbe tentare di unire questi due punti in primo luogo.

Considerando i vari costi sostenuti nel tentativo di ottimizzare una supply chain, questa osservazione non è affatto banale da un punto di vista filosofico. Sia in teoria che in pratica, una migliore comprensione dei propri problemi supera (a lungo termine) una soluzione eccezionale per un problema poco compreso (a breve termine).

Un classico esempio è il problema della previsione della domanda. Supply chain vendors e accademici potrebbero proporre un avanzato strumento di previsione basato sulle time series come soluzione ideale per quantificare la domanda (e quindi stabilire i livelli di inventario). In apparenza, questo sembra intuitivo: se un’azienda non riesce a prevedere correttamente la domanda, allora un software migliore di previsione è d’obbligo, e i due punti distanti sono collegati da una linea (piuttosto) dritta6.

Questa è una mentalità eccessivamente lineare e molto probabilmente ortogonale al problema della supply chain di interesse: la scoperta di ciò che sta realmente causando la difficoltà nella previsione della domanda. È del tutto concepibile che altre problematiche sottostanti, come inefficienze logistiche, fornitori inaffidabili o politiche errate di allocazione delle scorte al dettaglio, possano essere le forze del cambiamento.

Ridefinire i propri problemi, anziché precipitare verso un semaforo rosso della supply chain, può orientare correttamente le ottimizzazioni della supply chain e reindirizzare la larghezza di banda (e le risorse) dalle soluzioni rapide a breve termine.

Note


  1. L’altezza è un classico esempio di distribuzione normale (o gaussiana). Questo perché l’altezza è influenzata da molti fattori genetici ed ambientali indipendenti, creando una bell curve simmetrica attorno a un valore medio. Secondo il Teorema del Limite Centrale, la somma di molte variabili casuali indipendenti e identicamente distribuite tende a formare una distribuzione normale. Ciò fa sì che la maggior parte degli individui si raggruppi attorno all’altezza media, con meno individui agli estremi (molto bassi o molto alti), risultando in una tipica bell curve. ↩︎

  2. In contrasto con il precedente esempio dell’altezza (un fenomeno influenzato da una moltitudine di forze genetiche ed epigenetiche indipendenti), una distribuzione di Zipf si applica ai dati classificati (come le popolazioni delle città o le frequenze delle parole), dove il rango e la frequenza sono inversamente proporzionali. Poiché l’altezza non è una misura comparativa o classificata, non segue una distribuzione di Zipf. Ad esempio, in un raduno tipico la persona più alta in una stanza non è alta il doppio della seconda più alta, né di un ordine di grandezza superiore rispetto alla decima. ↩︎

  3. Contrariamente a quanto appare, la teoria quantitativa della supply chain né scredita né sminuisce il valore della saggezza umana. Infatti, tale filosofia è completamente agnostica alla possibilità di un visionario individuale che potrebbe, come Warren Buffett, prevedere la domanda dei consumatori con una precisione preternaturale. Anche se tali casi limite fossero comuni, ciò non intaccherebbe le critiche preponderanti di tale approccio: in sostanza, l’istinto non è scalabile, né rappresenta - molto probabilmente - il miglior impiego della mente al servizio dell’istinto. Date queste limitazioni, e il fatto che tali persone sono l’equivalente nella supply chain del promethium, questo è un argomento puramente accademico quando si discute dell’ottimizzazione di reti di supply chain su larga scala e distribuite geograficamente. ↩︎

  4. Un computer trentenne ha quasi sicuramente hardware e un sistema operativo incompatibili con gli SSD moderni. Anche se in qualche modo accettasse l’SSD, la CPU, la RAM e le velocità del bus obsolete limiterebbero gravemente i miglioramenti delle prestazioni. Inoltre, il sistema operativo potrebbe non supportare funzionalità degli SSD come il TRIM, causando una riduzione della durata degli SSD. Le incompatibilità tra software e hardware potrebbero provocare ulteriori problemi, come malfunzionamenti, corruzione dei dati o un completo mancato funzionamento. In sintesi, non provateci a casa. ↩︎

  5. È essenziale notare che questo principio si applica non solo in senso strettamente geografico, ma anche logicamente all’interno e in tutta la supply chain. Un buon esempio è il ciclo di vita dell’elettronica. I dispositivi - come gli smartphone - tendono a esistere a intervalli diversi lungo un ciclo in quattro fasi: introduzione, crescita, maturità e declino. Cercare di ottimizzare una singola fase in isolamento andrebbe a discapito dell’intero ciclo di vita del prodotto, come cercare di ottimizzare la fase di maturità (in cui le vendite del dispositivo si stabilizzano) senza considerare gli effetti a valle sulla fase di declino (dove eventuali errori di gestione dell’inventario nelle fasi precedenti si faranno sentire più acutamente). ↩︎

  6. Questo concetto viene dimostrato, in maniera piuttosto letterale, nella lezione usando l’esempio dell’ottimizzazione dei percorsi. Certo, nel contesto Vermorel utilizza l’ottimizzazione dei percorsi come esempio di pattern nella supply chain, tuttavia funziona altrettanto facilmente come una metafora per ridefinire i problemi. In breve, l’ottimizzazione dei percorsi non si limita a un singolo percorso, ma richiede una comprensione sistemica di ogni percorso e del perché esso sia difficile da ottimizzare. Ad esempio, perché alcuni punti caldi di consegna si spostano durante l’anno? Perché esiste una stagionalità nelle ore di punta del traffico a Parigi? Ponendo domande migliori, si possono individuare i veri problemi di interesse prima di tentare di affrontarli. ↩︎