00:00:07 Il problema della black box nel Supply Chain Management.
00:02:20 L’ascesa dell’AI e ricette numeriche complesse che aggravano il problema della black box.
00:03:59 Le differenze tra i sistemi ERP più vecchi e quelli moderni, e la loro relazione con il problema della black box.
00:06:10 Esempi concreti del problema della black box e i suoi effetti sulle aziende.
00:07:36 Come le aziende stanno superando il problema della black box utilizzando fogli Excel.
00:09:06 Il concetto di white boxing per la trasparenza e la comprensione.
00:11:27 L’importanza di elaborare alcuni numeri ben progettati per spiegare le decisioni.
00:14:17 I vantaggi dell’utilizzo di driver economici per il processo decisionale.
00:15:28 Le limitazioni di Excel nella gestione di dati complessi e la necessità di strumenti migliori.
00:17:36 L’importanza di una documentazione accurata degli input del sistema per evitare output di scarsa qualità.
00:18:47 Esplorare la necessità di livelli agili di elaborazione dei dati che supportino calcoli intermedi.
00:20:08 L’importanza di creare driver economici indipendenti per evitare risultati fuorvianti.
00:21:09 Perché il white-boxing è cruciale e le conseguenze di un processo non trasparente.

Sommario

In questa intervista, Kieran Chandler e Joannes Vermorel discutono l’importanza del white boxing nellsupply chain optimization. Le supply chains sono sistemi complessi e l’integrazione di software o tecniche basate su AI può renderle più opache. Vermorel sostiene che i tradizionali sistemi ERP, spesso progettati con zero intelligenza, contribuiscono a tale opacità. L’approccio di white-boxing di Lokad mira a ricreare la trasparenza concentrandosi su alcuni numeri accuratamente elaborati e utilizzando metriche a livello aziendale come economic drivers. Con Envision, il loro linguaggio di programmazione, Lokad contribuisce a mantenere la trasparenza nel processo di supply chain optimization. Adottare il white-boxing può costruire fiducia nei sistemi di supply chain e migliorare l’efficienza complessiva.

Sommario Esteso

In questa intervista, Kieran Chandler, il conduttore, discute il concetto di white boxing con Joannes Vermorel, il fondatore di Lokad, una società software specializzata in supply chain optimization. La conversazione inizia con una spiegazione del problema della “black box” in informatica, che si riferisce a sistemi in cui input e output possono essere osservati senza comprenderne il funzionamento interno. Ciò può essere problematico, soprattutto con la crescente diffusione dellartificial intelligence in vari settori.

Vermorel spiega che le supply chains sono sistemi intrinsecamente complessi che coinvolgono numerose persone, prodotti e località. Questa complessità genera opacità, rendendo difficile per gli addetti comprendere appieno il funzionamento della supply chain. L’aggiunta di software, anche di base e non particolarmente “intelligente”, può ulteriormente aggravare tale opacità. Il problema si acuisce ulteriormente quando vengono introdotte tecniche come ricette numeriche avanzate o tecniche basate su AI, che possono rendere sempre più difficile per gli operatori dell’organizzazione comprendere il significato dei numeri e dei risultati prodotti da questi sistemi.

L’opacità, come la definisce Vermorel, è la difficoltà nel determinare le origini e il significato dei risultati o delle misurazioni prodotti da un sistema. Nel contesto delle supply chains, ciò significa che può essere difficile capire perché certi valori o risultati siano stati prodotti e quali fattori vi hanno contribuito.

Secondo Vermorel, il problema della black box è diffuso nell’industria della supply chain. I tradizionali sistemi di enterprise resource planning (ERP) e altre tecnologie più vecchie erano spesso opachi per vari motivi, come le difficoltà nel progettare schemi relazionali efficaci per i database o l’esistenza di molteplici sistemi poco integrati. Questi sistemi potrebbero essere relativamente semplici da soli, ma una volta combinati possono creare una notevole confusione e complessità. Le integrazioni ad hoc tra sistemi, non ben documentate, contribuiscono ulteriormente all’opacità.

L’introduzione di ricette numeriche avanzate o tecniche basate su AI in questi sistemi può far aumentare vertiginosamente l’opacità. Ciò rende ancora più difficile per gli operatori della supply chain verificare se i numeri prodotti siano accurati. In passato, ad esempio, era possibile controllare manualmente i valori di stock in diversi sistemi. Tuttavia, con l’aggiunta di ricette numeriche complesse, tale validazione diventa sempre più impegnativa.

Vermorel spiega che i tradizionali sistemi di enterprise resource planning (ERP) riguardano più la gestione che la pianificazione, e sono spesso progettati con zero intelligenza. Le ricette numeriche avanzate che alcuni fornitori potrebbero definire AI sono solitamente stratificate sopra il sistema ERP, rendendo l’intero processo ancora più opaco.

In esempi reali, Vermorel ha osservato che anche calcoli semplici, come lo safety stock, possono produrre effetti da black-box. Per esempio, una società potrebbe inserire un service level del 99,9% ma raggiungere solo un service level del 97%. Questo disallineamento tra input e output comporta una mancanza di comprensione del funzionamento interno del sistema. Le aziende solitamente ricorrono all’uso di fogli Excel per superare questo problema, estraendo dati di base dal sistema ERP ed elaborando le proprie ricette numeriche per mantenere il controllo sui calcoli.

L’approccio del white-boxing, come descritto da Vermorel, riconosce che anche modelli semplici possono diventare opachi quando applicati a complessi scenarios della supply chain. L’obiettivo del white-boxing è ricreare trasparenza e comprensione all’interno di questi modelli. Sviluppando un processo orientato a ricreare la trasparenza, le aziende possono generare fiducia e alla fine allontanarsi dalla dipendenza dai fogli Excel.

Una sfida dell’approccio white-boxing è evitare un sovraccarico di metriche e indicators. Le aziende spesso richiedono più KPI e indicatori quando si trovano di fronte a un modello black-box, ma ciò può portare a una complessità e opacità ancora maggiori. Vermorel suggerisce di concentrarsi su pochi numeri accuratamente elaborati per spiegare le decisioni prese dal modello.

Il white-boxing mira a fornire spiegazioni per i risultati finali di decisioni che hanno impatti concreti sulla supply chain, come la produzione, gli acquisti o il trasferimento dell’inventario. Per ottenere ciò, il processo si concentra su un numero limitato di cifre che spiegano queste decisioni, misurate in dollari o euro, in quanto queste unità hanno maggior senso a livello aziendale. Concentrandosi sul risultato finale e spiegando le decisioni in termini di metriche aziendali, l’approccio white-boxing può contribuire a creare comprensione e trasparenza nell’ottimizzazione della supply chain.

Vermorel spiega che il rischio di stockouts può essere molto più elevato del valore degli articoli acquistati se porta all’arresto della linea di produzione. Per affrontare questo problema, Lokad applica driver economici per prendere decisioni. Questi driver sono utili perché consentono un confronto a livello aziendale, garantendo che le decisioni siano prese utilizzando metriche comparabili.

Una delle sfide delle tecniche tradizionali di ottimizzazione della supply chain è la natura black-box di molti sistemi analitici. Al contrario, l’approccio di Lokad supporta il white-boxing, permettendo agli utenti di comprendere il funzionamento interno del sistema e di validarne i risultati. Vermorel sottolinea che Excel è uno strumento efficace per il white-boxing su piccola scala, ma fatica a gestire grandi set di dati o calcoli complessi.

Per affrontare questa limitazione, Lokad ha sviluppato un linguaggio di programmazione chiamato Envision, che permette agli utenti di rimanere vicini ai dati, effettuare validazioni e generare dashboards. Ciò aiuta a mantenere la trasparenza nel processo di ottimizzazione della supply chain.

Per le aziende che utilizzano soluzioni software black-box, Vermorel raccomanda di iniziare con una documentazione approfondita degli input del sistema. Spesso, le aziende hanno una documentazione insufficiente dei propri input, portando a uno scenario di garbage in, garbage out. Il passo successivo è assicurarsi che lo strato analitico del sistema consenta agilità, simile a Excel, in modo che gli utenti possano aggiungere colonne e debuggare facilmente la loro logica.

Una volta soddisfatti questi prerequisiti, le aziende dovrebbero concentrarsi sulla creazione di driver economici validi che siano il più indipendenti possibile l’uno dall’altro. Ciò evita il rischio di doppia contabilizzazione o di trascurare fattori importanti nel processo decisionale.

Il white-boxing è cruciale nell’ottimizzazione della supply chain perché ne garantisce la validità dei risultati. Se le persone non si fidano del sistema, ricorreranno ai loro fogli Excel, che Vermorel descrive come una difesa necessaria contro la “follia del sistema”. Adottando il white-boxing, le aziende possono costruire fiducia nei loro processi di ottimizzazione della supply chain e migliorare l’efficienza complessiva.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV discuteremo della soluzione, nota come white boxing. Quindi, Joannes, prima di passare al white boxing, forse dovremmo iniziare con il problema della black box. Di cosa si tratta delle black box e qual è il problema qui?

Joannes Vermorel: Le supply chains sono sistemi complessi con molte persone coinvolte, numerosi prodotti e potenzialmente diverse località. Fin dall’inizio, è ovvio che si tratta di un problema molto complesso e che, per via della sua complessità, possiede già una propria opacità. È molto difficile afferrare l’intero sistema. Poi, quando si aggiungono livelli di software in mezzo, il problema peggiora ulteriormente. Parlo solo di software relativamente basilare che si occupa semplicemente di gestire gli aspetti infrastrutturali del tuo IT della supply chain, niente di intelligente. Ma anche questo crea un ulteriore livello di opacità. Ora, ciò che sta accadendo è che alcuni fornitori stanno pubblicizzando l’AI, ma io preferisco pensarla come ricette numeriche avanzate e intelligenti per la supply chain. Non appena aggiungi ricette numeriche non banali all’interno del software che effettivamente guida la tua supply chain, si crea un nuovo livello di opacità.

Kieran Chandler: Hai menzionato una parola chiave, ovvero opacità. Potresti approfondire cosa intendi per opacità?

Joannes Vermorel: Con opacità intendo dire che per le persone nell’organizzazione che lavorano nella supply chain o la organizzano, è molto difficile capire esattamente cosa significhi un numero, da dove provenga e perché sia impostato a questo valore e non a un altro. L’opacità riflette quanto sia difficile arrivare al nocciolo delle questioni quando si vuole indagare sulla propria supply chain.

Kieran Chandler: Quindi stiamo parlando fondamentalmente di un problema di black box in cui i risultati escono da un sistema e non siamo sicuri da dove provengano. Quanto è diffuso questo problema? È qualcosa che vediamo molto nell’industria della supply chain?

Joannes Vermorel: Sì, direi che i vecchi sistemi ERP e IT erano molto opachi per vari motivi. All’epoca, era molto più difficile progettare buoni schemi relazionali per i database, quindi la configurazione interna poteva essere un po’ disordinata. In una complessa supply chain possono esistere molti sistemi che non sono ben integrati, così quando vengono messi insieme si crea un notevole caos e numerose integrazioni ad hoc tra i sistemi, non ben documentate. Questo genera un’opacità emergente da sistemi che, individualmente, sono relativamente semplici. E poi, quando aggiungi ricette numeriche nel mix, l’opacità decolla perché, improvvisamente, diventa molto difficile verificare se i numeri siano corretti.

Kieran Chandler: Non si tratta di controllare il sistema centrale per il valore dello stock che dovrebbe essere in una località remota e poi verificare nel sistema della stessa località che il valore di stock corrisponda. A volte, sai, poteva essere complicato effettuare questo tipo di controlli. Ma finché non c’è una ricetta numerica coinvolta, si poteva fare. Non appena inserisci un modello di regressione lineare in mezzo, diventa un inferno replicare tutto o anche solo capire cosa stia succedendo. Quindi, credo che sia questo il cambiamento che caratterizza i vecchi sistemi ERP rispetto a quelli moderni. Ora usiamo ricette numeriche più complesse. È questo il grande cambiamento? È per questo che si verifica questo approccio black-box?

Joannes Vermorel: Tipicamente, quelle ricette numeriche avanzate non risiedono nell’ERP. Voglio dire, l’ERP, nonostante il nome, Enterprise Resource Planning, ha molto poco a che fare con la pianificazione – quasi nulla. Si tratta tutto di gestione. Quindi hai l’Enterprise Resource Management, che di solito è implementato con zero intelligenza per design. Vuoi solo monitorare i tuoi asset, e poi hai strati di analisi sopra. Ma poi, hai ragione, all’interno di quegli strati analitici ci sono ricette avanzate che alcuni fornitori potrebbero chiamare AI, e diventa molto più opaco.

Kieran Chandler: Che ne dici di un esempio reale di come questi problemi di black box stiano realmente influenzando le aziende?

Joannes Vermorel: Nel mondo reale, ciò che sorprende è che non serve l’IA per ottenere un effetto black box. Cose molto più semplici stanno già causando effetti black box diffusi. Ho visto molte aziende dove anche qualcosa di semplice come un calcolo del safety stock, ossia quanto scorte devi mantenere se supponi che la tua domanda sia distribuita normalmente sulla tua previsione e lo stesso per il lead time, finiscono per avere effetti black box. Dicono, “Beh, sto impostando un service level del 99,9 percento, ma poi la misurazione mostra in realtà che sto ottenendo solo il 97 percento di service level.” Quindi, ti ritrovi con uno strano disallineamento tra l’impostazione che inserisci nel sistema, tipo 99,9, e ciò che ottieni in realtà, che è 97. È proprio il tipo di situazione in cui hai una black box e non capisci davvero cosa stia succedendo. Chiaramente, l’output del sistema non corrisponde a quello che ti aspettavi dal sistema, quindi ti trovi ad affrontare questo effetto black box in prima persona.

Kieran Chandler: Se ciò è così diffuso, come fanno le aziende a superare questi problemi?

Joannes Vermorel: Di solito, le superano con carichi massicci di fogli Excel. Cosa succede quando hai numeri di cui non puoi fidarti provenienti dal sistema? Le persone estraggono semplicemente i dati dall’ERP, dati fondamentali di cui possono fidarsi, come i livelli di stock, le vendite storiche, gli ordini di acquisto storici – queste tipologie di informazioni. Possono verificare che il foglio Excel sia allineato con il sistema, così da evitare l’effetto black box. Verificano persino che ciò che è nel foglio Excel sia effettivamente in linea con quanto hanno sugli scaffali nel warehouse, solo per essere sicuri. E poi iniziano a creare le proprie ricette numeriche direttamente nel foglio Excel, dove il supply chain practitioner ha il controllo sul calcolo ad ogni singolo passaggio, e tutto è molto visivo. È così che cercano di allontanarsi dall’effetto black box. Anche se, quando un foglio Excel viene passato da un supply chain practitioner ad un altro nel corso degli anni, si può finire per avere un certo grado di opacità e un effetto black box proprio in quei fogli Excel. Excel non è una soluzione miracolosa; serve solo come aiuto.

Kieran Chandler: Parliamo della soluzione. L’approccio white boxing, intendo, il white boxing è in pratica, secondo le nostre osservazioni, anche per alcune ricette numeriche banali, come una semplice formula per il safety stock o qualsiasi cosa leggermente più complicata della media mobile, una black box. Non ci vuole l’IA per ottenere una black box. Voglio dire, qualsiasi modello lineare con tre variabili, la maggior parte delle persone non è in grado di calcolarlo a mente. Quindi, anche un modello semplice come un modello lineare con tre variabili diventa molto rapidamente relativamente opaco per le persone che utilizzano effettivamente i risultati di questo modello.

Joannes Vermorel: Non appena si passa a qualcosa di più intelligente, specialmente a qualcosa che cattura le non linearità presenti nelle supply chain, diventa opaco praticamente per design. Quello di cui hai bisogno è un processo, quello che chiamiamo white boxing, completamente orientato all’idea di ricreare trasparenza e intuizioni, sapendo che di default ciò che ottieni è esattamente il contrario. Non c’è alternativa. Se anche un modello tanto semplice e semplificato come il safety stock è già opaco, non puoi sperare che un modello migliore e più realistico, come uno basato su previsioni probabilistiche e sulla valutazione probabilistica del rischio per il tuo inventario, sia meno opaco. Anzi, sarà più opaco, molto più accurato. Quindi, abbiamo bisogno di questo processo di white boxing per creare comprensione, generare fiducia e, in ultima analisi, far sì che le persone abbandonino, per buone ragioni, i fogli Excel.

Kieran Chandler: Quindi, come funziona in pratica? Come verifichi i risultati che ti vengono forniti e adotti questo vero approccio white boxing?

Joannes Vermorel: Un aspetto complicato è che è molto facile far sì che le persone affogino in un mare di metriche. Generare numeri, quando le persone si trovano di fronte a una black box, porta come reazione principale a dire: “Dammi più indicatori, crea più KPI, voglio vederne sempre di più.” Ma facendo così, ti ritrovi con tabelle gigantesche con dozzine di colonne che sono ancora completamente opache e incredibilmente complesse. Il punto di partenza è dire che abbiamo bisogno di avere pochi numeri estremamente ben realizzati quando vogliamo spiegare le decisioni.

Innanzitutto, un’idea è che non vuoi cercare di spiegare tutto, specialmente gli artefatti numerici. In realtà non ti interessa come avvengano alcuni passaggi intermedi del calcolo. Ciò che ti interessa è il risultato finale, la decisione che ha un impatto fisico sulla tua supply chain. Decidi di produrre, decidi di acquistare di più, oppure decidi di spostare le scorte da un luogo all’altro. Questo è l’obiettivo finale, ed è la decisione che conta.

Il white boxing consiste nell’avere, per ogni singola decisione, magari mezza dozzina di cifre che spiegano queste decisioni, misurate in dollari o euro. La seconda idea è usare dollari ed euro perché è ciò che avrà più senso a livello aziendale. Se capisci perché stai acquistando 100 unità in più di un prodotto e hai una variabile che dice, “Beh, il rischio di stockout è di 50 mila euro perché se finisce questo prodotto, la linea di produzione si fermerà,” allora il costo dello stockout può essere molto più alto del valore di ciò che stai acquistando se metti a rischio una linea di produzione. Queste sono le intuizioni che le persone otterranno.

Kieran Chandler: Quindi, ci sono questi economic drivers che applichi. Cosa c’è di particolare in questi? Gli economic drivers sono estremamente utili perché sono comparabili a livello aziendale. La cosa è che hai una decisione in cui ci sono mezza dozzina di economic drivers, e hai un altro tipo di decisione con altri tipi di economic drivers, e vuoi che tutte le tue misurazioni siano compatibili in modo da poter confrontare mele con mele e arance con arance. Se hai mele e arance, allora sei un po’ perso. Questo è tipicamente ciò che succede con tutte quelle percentuali di errore. Quindi, oltre agli economic drivers, cosa rende l’approccio di Lokad così adatto al white-boxing? In cosa differisce rispetto ad altre tecniche?

Joannes Vermorel: Hai bisogno di strumenti per farlo, e la maggior parte dei sistemi analitici non fa un lavoro così buono nel supportare il white-boxing. Excel è in realtà abbastanza buono perché ti mantiene molto vicino ai dati, ma crolla quando la complessità e il volume dei dati aumentano. Excel è eccellente finché hai a che fare con meno di dieci colonne e un migliaio di righe. Se inizi ad elaborare milioni di righe e decine di colonne, diventa rapidamente come un gigantesco codice spaghetti all’interno del tuo foglio Excel. Excel è molto buono per scale limitate, ma crolla di fronte alla complessità.

Molti sistemi analitici non riescono a preservare nessuna delle proprietà di Excel, e i dati diventano molto distanti dall’utente. In Lokad, abbiamo sviluppato Envision, che ha il termine “vision” nel nome di questo linguaggio di programmazione, derivante dall’idea che dovevamo rimanere molto vicini ai dati per poter eseguire tutte quelle validazioni simili a Excel in ogni momento. Envision rende molto facile, quando crei formule, tracciare in un dashboard tutti i tuoi numeri in modo da poterli verificare proprio come facevi in Excel, solo per scopi di validazione.

L’idea è che possiamo generare dashboard altamente composite dove i tuoi driver principali saranno mostrati in primo piano, ma potrai avere molte piccole tessere che contengono tutti i tuoi controlli, proprio come faresti in Excel, in modo da poter verificare che i tuoi calcoli siano solidi e che i passaggi intermedi non siano completamente fuori rotta.

Kieran Chandler: Se sono un’azienda e sto utilizzando un piece of software che presenta molte di queste caratteristiche da black box, cosa dovrei fare? Quale dovrebbe essere il primo passo da compiere per migliorare la mia comprensione di ciò che sta accadendo?

Joannes Vermorel: Per prima cosa, devi avere una documentazione completa di ciò che entra nel sistema. Di solito, la documentazione è inesistente. Per chiarire, stiamo parlando di avere una tabella che richiede circa una pagina di documentazione, non documentazione IT, ma documentazione supply chain, orientata al business.

Kieran Chandler: Sai, lavorando con i clienti, al massimo se ogni campo ha una riga di documentazione, siamo contenti. Di solito, ci sono circa 20 tabelle, ogni tabella con 20 campi, e abbiamo a malapena una riga di documentazione per tabella. Dovremmo avere una pagina di documentazione per ogni campo. Quindi, probabilmente, questo è il punto di partenza per la maggior parte delle aziende: documentare completamente ciò che hai come input del sistema; altrimenti, finisci per avere “garbage in, garbage out.”

Joannes Vermorel: La seconda cosa è verificare che i tuoi livelli di elaborazione dei dati, i tuoi livelli analitici, ti forniscano fondamentalmente la stessa agilità che hai con Excel. In modo tale da poter, con poche istruzioni o alcune righe di codice, aggiungere tutte quelle colonne di reportistica facili di cui hai bisogno per fare il debug della tua logica. Purtroppo, non puoi evitare l’aspetto della programmazione perché, proprio come in Excel, si tratta di formule e simili, quindi è codice. Ma in poche righe di codice, puoi avere tutte quelle colonne. Se non hai un sistema che supporta un processo così agile, dove puoi semplicemente creare colonne come in Excel per verificare i calcoli intermedi, allora è praticamente game over. Non arriverai mai in fondo alla tua black box.

Quindi, probabilmente a questo punto, devi cambiare il livello analitico se non hai un livello che ti dia una certa agilità. Successivamente, il passo successivo è iniziare a creare economic drivers davvero efficaci. E per “davvero efficaci” intendo che ogni singolo driver deve essere il più indipendente possibile dagli altri. Vuoi avere elementi che siano molto ortogonali. Il pericolo è che, se non riesci a creare una serie di indicatori che riflettano elementi letteralmente ortogonali, potresti ritrovarti a guardare la stessa cosa più volte e farti fuorviare.

Questa è una parte delicata, ma l’idea è che quando osservi un indicatore economico che ti dice 100€ di costo o ricompensa, devi assicurarti che sia il più possibile indipendente da un altro driver che afferma anche portare 100€ di ricompensa o costo.

Kieran Chandler: Quindi, i punti chiave sono davvero capire i tuoi input e output e definire anche gli economic drivers. Come parola finale per oggi, perché il white-boxing è così importante?

Joannes Vermorel: Il white-boxing è così importante perché, altrimenti, tutti i tuoi sforzi per ottimizzare la tua supply chain andranno sprecati. Le persone, per buoni motivi, torneranno ai loro fogli Excel, perché se non hai un processo di white-boxing che dia a tutti la certezza che i risultati provenienti da quei sistemi siano sensati, le probabilità sono schiaccianti che i tuoi risultati siano insensati. Le persone fanno la cosa sensata, ovvero non fidarsi di quei risultati e ricorrere ai loro fogli Excel. I fogli Excel sono, sfortunatamente, la soluzione necessaria contro l’insanità del sistema. Il white-boxing è indispensabile; altrimenti, non aspettarti che i tuoi team di supply chain practitioner abbandonino i loro fogli Excel così presto. Non lo faranno, e così facendo stanno proteggendo la tua azienda perché fidarsi di un sistema insensato è molto peggio che perdere tempo con i fogli Excel.

Kieran Chandler: E chi l’avrebbe mai detto, molti analisti probabilmente pensavano che Excel portasse all’insanità, ma eccoci qua. Quindi, questo è tutto per questa settimana. Grazie mille per il tuo tempo e ci vediamo di nuovo la prossima settimana. Grazie per aver guardato.