Pianificazione delle vendite e delle operazioni (S&OP)

Sales and Operations Planning (S&OP) è una pratica aziendale intesa a fornire un’esecuzione superiore della supply chain sfruttando un allineamento più profondo con altre divisioni oltre alla supply chain - in particolare vendite, finanza e produzione. La pratica ruota solitamente attorno a un processo mensile che parte dalle previsioni di vendita e termina con piani di produzione quantificati. Questa pratica è emersa negli anni ‘80, insieme agli ERPs e agli MRPs che fornivano i numeri su cui basare le previsioni.

L’origine e la motivazione alla base di S&OP

L’economia del dopoguerra degli anni ‘50 e ‘60 era, sotto vari aspetti, semplice: mantenere l’offerta ristretta, aumentare il throughput di produzione, abbassare i prezzi grazie alle economies of scale, e infine incrementare la domanda attraverso i mass media. Tuttavia, alla fine del XX secolo, le supply chain avevano superato questo modello: gamme di prodotti più ampie, maggior numero di sedi geografiche, più livelli gerarchici. Di conseguenza, sono emerse numerose inefficienze, e il concetto di supply chain si è affermato come una pratica distinta dalla logistica. In questo contesto, S&OP è stato coniato negli anni ‘80 poiché le aziende hanno cominciato a rendersi conto che disallineamenti interni erano sufficienti a generare sostanziali oneri finanziari. Sia S&OP ¹ sia i silos informativi ² sono stati formalizzati nel 1988.

A livello sintomatico, negli anni ‘80, le grandi aziende si sono rese conto che una serie di problemi erano diventati prevalenti nelle loro supply chain:

• contemporaneamente, l’azienda poteva trovarsi ad affrontare sia notevoli eccedenze di magazzino che bassi livelli di servizio.
• Team di ingegneria sovradimensionati hanno finito per abbandonare la maggior parte delle iniziative di R&S, pur rimanendo in ritardo nel consegnare prodotti rilevanti.
• I team di marketing hanno finito per amplificare i problemi sia di sovrapproduzione che di sotto-produzione, canalizzando i loro sforzi verso i prodotti sbagliati.

Di fronte a questi problemi, S&OP ha introdotto una risposta distintiva a due livelli. In primo luogo, l’allineamento a livello aziendale, dalla fase iniziale di R&S fino agli sforzi di marketing, doveva diventare una responsabilità diretta del top management - inclusi gli amministratori delegati. Questo allineamento sarebbe stato creato seguendo un processo specifico delineato da S&OP. In secondo luogo, il processo sarebbe esplicitamente e quantitativamente guidato dai dati, una novità relativa degli anni ‘80 resa possibile dall’adozione degli ERPs, man mano che i livelli di stock elettronici e i movimenti di stock elettronici diventavano mainstream.

I 5 passaggi di S&OP

Il processo S&OP è ciclico, attraversando una serie di passaggi, ogni anno, trimestre e/o mese a seconda delle scelte fatte dall’azienda. Si prevede che il CEO dell’azienda possieda il processo e si assicuri che i vari stakeholder dedichino risorse sufficienti all’iniziativa S&OP per conseguire i benefici previsti a livello aziendale. Il processo è inteso a passare attraverso i seguenti passaggi:

• Previsione delle vendite: I dati storici delle vendite, così come le intuizioni quantitative dai team di vendita, vengono consolidati, tipicamente seguendo un processo bottom-up, a partire dai venditori. Vengono prodotte previsioni grezze della domanda.
• Pianificazione della domanda: Valutazione e validazione delle previsioni di domanda. Aggiunta di informazioni strutturali sulla domanda futura, e identificazione dei rischi strategici, che potrebbero non essere riflessi dalle previsioni grezze, come le fonti di variabilità prevista (ad es. azioni di marketing).
• Pianificazione dell’offerta: Valutazione e validazione delle capacità previste necessarie per soddisfare la domanda, tenendo conto della variabilità prevista sia dal lato della domanda che dell’offerta. Prioritizzazione e pianificazione delle operazioni richieste.
• Riconciliazione dei piani: Conciliazione del piano di domanda con quello di offerta, e valutazione delle performance finanziarie complessive dell’azienda (margini lordi, flussi di cassa, fidelizzazione a lungo termine dei clienti, ecc.).
• Finalizzazione dei piani: Finalizzazione del piano e pubblicazione per renderlo ampiamente accessibile all’interno dell’azienda e permettere alle parti coinvolte di procedere con i rispettivi contributi al piano.

Il processo S&OP prevede una serie di riunioni finalizzate a favorire il focus, l’allineamento e la sincronizzazione tra tutte le funzioni dell’organizzazione. Queste riunioni rappresentano solitamente l’opportunità per “ripianificare”, sfruttando il piano precedente come punto di partenza per la discussione e indirizzando gli sforzi dove le correzioni sono più urgenti.

A livello software, S&OP si basa sull’infrastruttura transazionale dell’azienda - ovvero l’ERP (Enterprise Resource Planning), l’MRP (Material Requirements Planning), il WMS (Warehouse Management System), il TMS (Transportation Management System) - per ottenere i dati storici rilevanti, ma solitamente delega il carico analitico a componenti software dedicati, tipicamente un APS (Advanced Planning and Scheduling). L’APS supporta esplicitamente S&OP sia da un punto di vista numerico - per calcolare le previsioni statistiche - che da una prospettiva workflow - per permettere agli utenti di correggere e validare le cifre.

Antipatterns di S&OP

Nonostante le affermazioni di molteplici fornitori secondo cui le aziende “best-in-class” opererebbero con S&OP, la maggior parte delle implementazioni soffre di difetti simili, che sono intrinseci alla natura stessa di S&OP, vale a dire:

• Alcune parti coinvolte hanno incentivi strutturali a distorcere il processo S&OP in modi che non possono essere contrastati senza introdurre altri problemi. Ad esempio, il “sandbagging” si riferisce alla pratica diffusa di fissare obiettivi estremamente conservativi per poi “superare le aspettative” successivamente; che è tipicamente il principale motore per promozioni / bonus all’interno dell’azienda.
• Il gran numero di parti coinvolte in S&OP porta solitamente a situazioni di “design by committee” in cui l’azienda è incapace di prendere decisioni decisive che potrebbero essere essenziali per la sua sopravvivenza, poiché tali decisioni potrebbero fortemente antagonizzare molti partecipanti.
• Anche nelle situazioni più favorevoli, il processo S&OP risulta invariabilmente dispendioso in termini di tempo per i team di gestione all’interno dell’azienda. Il fatto che il sovraccarico di S&OP sia un male necessario è discutibile, ma rimane sempre un processo oneroso.
• Le previsioni sono sempre in parte errate e costantemente fonte di controversie tra le parti. I tentativi di migliorare la precisione delle previsioni conducono quasi sempre a un aumento della complessità del software - a scapito dell’affidabilità del software. Le previsioni statistiche tendono a essere opache per la maggior parte delle parti coinvolte - incluso, frequentemente, il venditore del software stesso.

È inoltre notevole che la maggior parte delle critiche - valide o meno - rivolte a S&OP venga respinta con la fallacia del “No true Scotsman”. Il professore di filosofia Bradley Dowden offre la seguente semplificazione della fallacia:

Persona A: “Nessun scozzese mette zucchero sulla sua pappa d’avena.”

Persona B: “Ma mio zio Angus è scozzese e mette zucchero sulla sua pappa d’avena.”

Persona A: “Ma nessun vero scozzese mette zucchero sulla sua pappa d’avena.”

Infatti, nella maggior parte delle aziende che lottano con il loro processo S&OP, il consenso è che il problema risieda nella loro versione imperfetta di S&OP, invece di considerare la prospettiva alternativa: pur essendo S&OP un ingrediente necessario per gestire l’azienda, esso comporta aspetti negativi prevedibili.

I limiti di S&OP

Come la maggior parte delle idee, S&OP è un prodotto della sua epoca: gli anni ‘80. Da quel decennio, la pratica dell’ottimizzazione predittiva delle supply chain si è evoluta in modi che all’epoca non erano del tutto concepibili. Pertanto, si potrebbe sostenere che:

• S&OP enfatizza una prospettiva semplicistica del “futuro”, vale a dire le classiche previsioni serie temporali che cercano di riflettere la domanda futura attesa. Le previsioni probabilistiche non esistono in S&OP. I rischi di coda, i fornitori o i concorrenti associati, non fanno parte del modello.
• S&OP è lento perché enfatizza una prospettiva “humans-in-the-loop”. Molte aziende non riescono mai a operare la versione mensile di S&OP e rimangono bloccate con revisioni trimestrali del piano. Al contrario, le supply chain moderne ora operano con decisioni guidate da macchine, fornite con latenze trascurabili (minuti o meno).
• S&OP non è strutturato attorno a vasti paesaggi applicativi interconnessi che includono marketplace digitali sia dal lato della domanda che dell’offerta, dove le aziende cercano non solo un allineamento interno, ma anche a livello di mercato (ad es. sfruttando dati di competitive intelligence).
• S&OP minimizza le diseconomie di scala che non erano state pienamente comprese negli anni ‘80 e che sono notevolmente peggiorate in un mondo in cui le supply chain sono ora immensamente più complesse, non solo a livello fisico (più prodotti, più livelli gerarchici, più trasportatori, ecc.), ma anche a livello IT (tracciabilità, conformità, rischio informatico, ecc.).

In conclusione, S&OP identifica correttamente molte delle sfide che rimangono al cuore delle supply chain odierne, come la necessità di un allineamento a livello aziendale e l’importanza di decisioni basate sui dati. Tuttavia, le ricette offerte dai processi solitamente indicati come S&OP sono datate.

Il punto di vista di Lokad su S&OP

Le best practice sono obiettivi in continua evoluzione. La nostra critica principale è che S&OP non è accrescitivo: le risorse umane richieste dal processo S&OP vengono consumate invece di essere investite. Eppure, le supply chain sono ora guidate da ricette numeriche fornite tramite sistemi software. S&OP si concentra sul miglioramento dei risultati finali, un processo infinito poiché i dati in ingresso vengono continuamente aggiornati. Al contrario, gli approcci attuali puntano a migliorare le ricette numeriche stesse - che solitamente coinvolgono varie forme di statistica ad alta dimensionalità (ad es. machine learning) - e poi lasciano operare queste ricette numeriche senza ulteriori interventi manuali.

Riferimenti