La Quantitative Supply Chain in sintesi - Lezione 1.2

00:10 Introduzione
02:23 Come fare? Lezioni di Supply chain
04:22 Il Manifesto della Quantitative Supply Chain
06:47 Tutti i possibili futuri
17:01 Tutte le decisioni fattibili
21:52 Fattori economici
30:42 Robotizzazione
35:41 Supply Chain Scientists
40:22 Dalla visione alla realtà
41:56 Il mito della maturità della supply chain
45:30 In conclusione
46:13 Domande dal pubblico

Descrizione

Il manifesto della Quantitative Supply Chain sottolinea una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionierata da Lokad, si discosti dalla mainstream supply chain theory. Potrebbe essere riassunto così: ogni singola decisione viene valutata contro tutti i possibili futuri in base ai fattori economici. Questa prospettiva è gradualmente emersa in Lokad come la mainstream supply chain theory, e la sua implementazione da parte di (quasi?) tutti i software vendors, resta una sfida.

Trascrizione completa

Ciao a tutti, benvenuti alle Lezioni di Supply chain. Sono Joannes Vermorel, e oggi presenterò “La Quantitative Supply Chain in breve.” Per chi segue lo stream in diretta, può porre le proprie domande in qualsiasi momento tramite la chat di YouTube. Non leggerò le domande durante la lezione; tuttavia, al termine della lezione tornerò alla chat e inizierò dalle domande in cima, facendo del mio meglio da lì. Quindi, procediamo.

Inizierò con una citazione di uno dei precedenti presidenti francesi, che disse che esistevano tre strade per la ricchezza: la più rapida era attraverso il gioco d’azzardo, la più piacevole era con le donne, ma la più sicura era con i tecnici. Ovviamente, in questa serie di lezioni, optiamo per la terza opzione. Credo che in questa citazione ci sia un pizzico di saggezza. La tecnica è un modo potente per fare di più certe cose, essere migliori in certi ambiti, ma può anche risultare piuttosto distrattiva. Con tecnici intendeva non solo le persone che si occupano di questioni tecniche, come gli ingegneri, ma anche coloro che lavorano sui processi e sui workflow, quel tipo di tecnicismi tipici degli MBA.

Quando affrontiamo le sfide della supply chain, dobbiamo essere molto consapevoli se ciò che proponiamo contribuisce a risolvere i problemi fondamentali o se è solo una distrazione consolatoria.

Nella lezione di oggi, sfortunatamente, mi soffermerò un po’ sul lato della persuasione. La sfida è che se hai una formulazione del problema, puoi dimostrare di avere una soluzione superiore per quel determinato problema. Tuttavia, puoi dimostrare di avere già un problema di livello superiore? Questo è molto più impegnativo dal punto di vista intellettuale.

Una delle principali critiche che ho sollevato durante la lezione precedente è che la supply chain è, per sua natura, un wicked problem. Pertanto, il modo in cui dobbiamo affrontarla è complesso. Oggi cercherò di esporre una serie di requisiti che ritengo essenziali se vogliamo avere qualche speranza di fornire qualcosa di soddisfacente per la supply chain. Tuttavia, non posso davvero dimostrare che alcuno degli elementi che propongo sia veramente indispensabile. C’è un elemento di fede, oltre a un elemento di comprensione ad alto livello. Un altro aspetto legato alla fede è che, a meno che non si abbia una soluzione da presentare in base ai propri requisiti, tutto ciò che si possiede è un semplice desiderio. Quindi vi chiedo di sospendere il vostro scetticismo per una o due lezioni ancora, affinché ci concentriamo sulla natura stessa del problema e sugli elementi che sono fortemente desiderabili affinché una soluzione diventi idonea a una buona pratica di supply chain.

Procediamo dunque. Alcuni anni fa, Lokad aveva già inaugurato il suo modo relativamente atipico di servire i propri clienti. Alla fine del 2016, ho deciso di consolidare una breve serie di punti salienti che, a mio parere, si discostano notevolmente dalla mainstream supply chain theory. Volevo utilizzare questi cinque punti come mezzo per illustrare come la quantitative supply chain si differenzi dalla mainstream supply chain. Mi scuso se la terminologia risulta un po’ sfortunata, poiché anche la mainstream supply chain theory è molto quantitativa, ma ho deciso di aggiungere un aggettivo in più per chiarire la distinzione tra la quantitative supply chain theory e la mainstream supply chain theory.

Gli elementi che elencherò non sono esattamente fondazionali; sono più come una lista di controllo delle cose che dobbiamo affrontare se vogliamo avere qualche speranza di avere successo. Questi elementi includono:

1. Tutti i possibili futuri: Dobbiamo esaminare molti futuri, non solo uno.
2. Tutte le decisioni fattibili: Quando ho introdotto la definizione di supply chain come il padroneggiare l’opzionalità, queste decisioni sono le opzioni a cui mi riferivo.
3. Fattori economici: L’idea che conteremo i dollari di errore, non la percentuale di errore.
4. Robotizzazione come requisito per il controllo di gestione: Può sembrare paradossale perché si potrebbe pensare che la robotizzazione implichi una perdita di controllo, ma la proposta è che è esattamente il contrario – hai bisogno della robotizzazione se vuoi che gli esseri umani abbiano il controllo di qualcosa per quanto riguarda le supply chain.
5. Supply Chain Scientist: Al termine della pratica, dovrebbe esserci una persona che si faccia carico dei risultati numerici della supply chain o della performance quantitativa della supply chain.

Esaminiamo più da vicino ciascuno di questi cinque punti.

Prima di tutto, l’idea è che dobbiamo prendere in considerazione tutti i possibili futuri. Perché dobbiamo guardare al futuro? Perché tutto richiede tempo. Non possiamo stampare in 3D tutto istantaneamente, e anche se potessimo, dovremmo comunque trasportare le cose. Quindi tutto richiede tempo, il che significa che ogni volta che prendi una supply chain decision, ad esempio decidendo se produrre o acquistare qualcosa, lo fai perché stai guardando avanti e anticipando uno stato futuro del mercato in cui ci sarà una certa domanda per quei prodotti. Poi lavori a ritroso e fai una previsione di qualche tipo, ottimizzando la tua supply chain di conseguenza.

Dobbiamo avere questa visione d’insieme e queste previsioni, che sono semplicemente la versione matematica dell’intuizione. Ma di che tipo di previsioni stiamo parlando? Le previsioni che hanno dominato completamente la pratica della supply chain durante il XX secolo e la prima parte del XXI secolo sono le previsioni classiche delle serie temporali, che a mio avviso presentano diverse carenze. La prima di queste è che questo approccio ignora completamente l’idea di incertezza. La mia proposta è che l’incertezza è completamente irriducibile, e ogni volta che si ha a che fare con le supply chain, il futuro non può mai essere previsto perfettamente. L’idea di poter avere una forecast accuracy del 99% è assurda. Anche osservando il consumo di acqua o di elettricità, è molto difficile ottenere previsioni con questo grado di precisione.

Guardando realisticamente alle supply chain e considerando, per esempio, un prodotto in un negozio che ne vende solo una unità a settimana, non c’è speranza di raggiungere una precisione inferiore all’un per cento. La domanda non ha nemmeno senso. Quindi, l’incertezza è irriducibile. Se volessimo avere una prova più convincente di ciò, basta guardare all’anno 2020. Abbiamo assistito a una pandemia globale che ha sconvolto le supply chain. Non è semplicemente possibile prevedere quel tipo di eventi da una prospettiva classica, in cui si ha un numero e si dice: “questo è tutto, questo è il futuro.”

Invece, quello che puoi avere sono previsioni probabilistiche. L’idea è che tutti i futuri sono possibili, ma non hanno la stessa probabilità. Questa è l’essenza della previsione probabilistica. Si tratta dell’idea che si possa avere un metodo statistico che, invece di fingere di possedere la previsione perfetta su come esattamente andranno le cose in futuro, dica semplicemente: “Ho tutti questi futuri possibili; alcuni sono più probabili di altri.” Questo approccio accoglie l’incertezza irriducibile. In molte situazioni in cui le persone mi dicono: “non puoi prevederlo,” la risposta è: “sì, posso.” Non posso fornirti una previsione classica corretta, ma posso certamente avere una previsione probabilistica perfetta.

L’esempio estremo di ciò sarebbe rappresentato dai biglietti della lotteria. Posso stabilire le probabilità esatte che un qualsiasi biglietto sia quello vincente. Non so quale vincerà, ma se il gioco non è truccato, posso avere una previsione probabilistica perfetta che rifletta le probabilità uniformi per tutti i biglietti. Esattamente, questo è ciò che significa una previsione probabilistica; accetta il fatto che, sebbene non conosci il futuro perfettamente, sai molto sul futuro. Quando diciamo di avere delle probabilità, sappiamo molte cose. Per esempio, posso dire che in qualsiasi momento esiste un rischio di coda per una massiccia disruption nel mercato. Non so esattamente da dove verrà il rischio; potrebbe essere una pandemia, un crollo della borsa, una guerra o una nuova tariffa come quella introdotta dal presidente Trump. Possono essere molte le cose che sconvolgono la tua supply chain, e se dovessi valutare il tail risk in un qualsiasi momento per qualsiasi supply chain, si aggirerebbe attorno a diverse percentuali per una caduta massiccia nel trimestre successivo. Di nuovo, non è magia; è solo un’ipotesi molto ragionevole da fare sul futuro. Con gli strumenti statistici adeguati, puoi ottenere qualcosa di molto più elaborato. Tutte le aree incerte richiedono una previsione, e una previsione probabilistica a questo. La domanda non è l’unica area che necessita di una previsione. Ad esempio, tutte le aree in cui esistono incertezze necessitano di una previsione.

Questo potrebbe includere la previsione della domanda futura, ma anche dei lead times, dei resi futuri nell’e-commerce, dei rendimenti produttivi incerti in fonti primarie come miniere o aziende agricole, dei tassi di guasto o di scarto probabilistici nel controllo qualità dei processi biologici e delle riparazioni dei pezzi. Esiste una grande varietà di aree in cui si manifesta l’incertezza, e tutte quelle aree meritano una previsione. Una buona pratica di supply chain è abbracciare la necessità di considerare tutti i possibili futuri con le rispettive probabilità, esaminando tutte le cose che devono essere previste. Non si tratta solo della domanda.

Per esempio, possiamo anche esaminare cose come i prezzi delle commodity. Ovviamente, se potessi prevedere con precisione il prezzo futuro di una commodity, giocheresti in borsa invece di gestire una supply chain reale. Tuttavia, alcune commodity sono molto più volatili in termini di prezzo rispetto ad altre, e ciò significa che il tipo di rischio che corri quando le gestisci può essere ottimizzato con i modelli appropriati, avendo nel tuo arsenale di strumenti previsioni probabilistiche.

Un altro elemento è che non si tratta solo dei tuoi futuri possibili; tutti quei futuri possibili non sono indipendenti. Hanno forti dipendenze, ed è proprio un aspetto in cui la mainstream supply chain theory è carente. Considerano la previsione della domanda come se fosse completamente indipendente da tutto il resto che accade nella supply chain. Anche ad oggi, ho ancora prospect che mi chiedono se Lokad può fare una previsione a 12 mesi per un prodotto specifico.

Per esempio, supponiamo di avere un marchio sportivo che chiede uno zaino da tracking. Possiamo prevedere quanta domanda ci sarà nei prossimi 12 mesi? La mia risposta di base è: “dipende.” Se stai vendendo un solo zaino, allora potresti avere una certa quantità di domanda. Ma se improvvisamente decidi di ampliare enormemente il tuo assortimento e di introdurre altri dieci varianti dello stesso zaino con un prezzo, una dimensione e caratteristiche quasi identiche, con qualche tasca o accessorio in più o in meno, non moltiplicherai la domanda per un fattore dieci solo perché hai introdotto dieci prodotti molto simili. Eppure, quando osserviamo la prospettiva classica delle previsioni, non c’è nulla che impedisca al modello di previsione di gonfiare radicalmente le cifre della domanda se semplicemente aumenti il numero di prodotti da prevedere. Quindi, ciò non ha senso, ed è per questo che abbiamo questi futuri. Essi non sono caratterizzati solo da un’incertezza irregolare, ma anche dalle dipendenze che esistono tra di essi. Abbiamo bisogno di strumenti che possano cogliere tutti quei cambiamenti.

Come riflessione conclusiva, le previsioni sono essenziali se vogliamo avere qualche speranza di ottimizzare qualcosa, semplicemente perché dobbiamo guardare avanti. Tuttavia, dobbiamo tenere presente che sono solo opinioni informate sul futuro.

Non sono reali, nel senso che la qualità della tua previsione non ha conseguenze dirette sulla supply chain. In molte aziende, le persone si concentrano intensamente sul miglioramento della previsione, ma la mia domanda è: a che scopo? Se pensi che ottimizzare la previsione si traduca immediatamente in una migliore supply chain performance, la mia proposta per te è che si tratta di un’illusione. Non è vero, nemmeno lontanamente.

Le uniche cose che migliorano realmente una supply chain sono le decisioni che hanno un impatto tangibile e fisico sulla supply chain. Con decisioni intendo azioni come acquistare un’unità in più da un fornitore, spostare un’unità di magazzino da una sede a un’altra, oppure aumentare o diminuire il prezzo di un prodotto in vendita. Queste azioni hanno conseguenze reali e tangibili per l’azienda.

Al contrario, le previsioni sono solo opinioni informate sul futuro. È meglio avere un’opinione più dettagliata su come sarà il futuro, ma l’unica cosa che conta veramente sono le decisioni. La mia proposta per voi è che la pratica della supply chain debba essere completamente orientata alla generazione di quelle decisioni, poiché è l’unica cosa che conta. L’idea che si possa avere qualcosa come un dipartimento di previsione o pianificazione è, in larga misura, fuorviante. Le previsioni esistono solo per informare le vostre ipotesi quando si tratta di prendere decisioni migliori.

È molto pericoloso e fuorviante separare la parte di previsione dall’ottimizzazione delle decisioni. A proposito, quando dico decisioni fattibili, intendo che le decisioni devono essere conformi a tutti i vincoli fisici presenti nella supply chain. Qualsiasi supply chain presenta non linearità ovunque. Ad esempio, si possono avere quantità minime d’ordine, spazio massimo sugli scaffali in un negozio e volume o capacità massima di peso in un container o in un truck. Si possono avere non linearità più sottili, come le date di scadenza, o il fatto che alcune parti nel settore aerospaziale siano accompagnate da ore e cicli di volo, richiedendo manutenzioni programmate.

Si possono verificare ogni sorta di problemi, come alcuni beni, ad esempio nel settore degli alimenti freschi, che non possono viaggiare nello stesso truck. Oppure, almeno, è necessario utilizzare truck specializzati perché non possono essere trasportati alla stessa temperatura. Occorrono compartimenti multipli oppure truck multipli. Ci sono numerosi vincoli che limitano le decisioni fattibili.

Cosa intendo per decisioni fattibili? Sottolineo questo termine perché non ha senso dire che la quantità perfetta per rifornire un negozio è di 1,3 unità di un prodotto. Questa non è una decisione fattibile; sarà o una unità o due, ma non puoi avere 1,3. È necessario avere qualcosa di immediatamente attuabile da una prospettiva molto pratica, ed è questo che significa fattibilità.

Ora, se esaminiamo ogni singola decisione fattibile e tutti i possibili futuri, la domanda è: come valutiamo quale decisione sia quella giusta?

Dobbiamo considerare i driver economici. L’idea è che le percentuali di errore non contano; contano solo i dollari di errore e di guadagno. Esiste una grande illusione secondo cui, ottimizzando le percentuali, farai davvero qualcosa di buono per la tua azienda. Questo non è vero; credo che sia profondamente fuorviante.

Se volete un esempio, guardiamo ai service levels. Cosa significa avere un service level super elevato? Sento frequentemente prospettare dire che si voglia un service level del 99%. Possiamo certamente garantire ciò, ma bisogna accumulare scorte in maniera smisurata, il che comporterà enormi svalutazioni di inventario e una redditività abissale. È un compromesso, e non è un compromesso qualunque – è un compromesso economico. In qualcosa di semplice come il service level, c’è un compromesso tra il costo di inventario da un lato e il costo dei stock-outs dall’altro.

L’idea è che, se ci facciamo un passo indietro ed esaminiamo questi driver economici per ogni singola decisione, possiamo valutare l’esito. Possiamo prendere una decisione e, per un possibile futuro, analizzarne il risultato per quel particolare futuro. Possiamo valutare i suoi risultati in dollari osservando i driver economici.

Cosa intendo per driver economici? Intendo tutti quei fattori che plasmano le prestazioni della tua azienda. Il primo cerchio di driver è molto semplice – cose che troverai nei libri contabili, come il costo dei materiali, il prezzo di vendita, il costo di mantenimento, i costi di trasporto e i costi di trasformazione. Devi sommare tutti questi costi e poi sottrarli dal prezzo di vendita per calcolare il tuo budget dei costi. Questi sono il primo cerchio dei driver, quelli ovvi che puoi letteralmente trovare nel tuo ERP o software contabile.

Tuttavia, questi costi da soli non sono sufficienti. Se li consideri isolatamente, finirai con una prospettiva finanziaria molto miope. Devi includere il secondo cerchio dei driver economici, quelli che non esistono nel tuo sistema, almeno non esplicitamente. Questi sono tipicamente gli effetti di secondo ordine delle tue decisioni nella supply chain. Ad esempio, la maggior parte delle volte, se si verifica uno stock-out, non esiste una penalità per lo stock-out. Forse, se sei un grande marchio che vende a una vasta rete di negozi come Walmart, hai un accordo sul service level e penalità se non raggiungi determinati obiettivi, ma ciò non è molto frequente. Anche quando ci sono penalità, esse non riflettono naturalmente i costi reali che hai inflitto ai tuoi clienti.

L’idea è che abbiamo bisogno di driver che rappresentino le conseguenze di secondo ordine delle tue azioni, sia positive, come generare una maggiore loyalty, che negative, come generare disaffezione e incentivare i tuoi clienti a cercare alternative altrove. Ovviamente, questo dipende dal problema. Ad esempio, se sei un marchio di moda e offri uno sconto alla fine della stagione, il costo va oltre la semplice perdita immediata del dollaro scontato. Stai creando un’abitudine nei tuoi clienti, che si aspetteranno lo stesso sconto l’anno successivo. Questo illustra l’impatto a breve termine e a lungo termine della costruzione di abitudini e aspettative tra la tua base di clienti, ed è di questo che parlo quando menziono i driver economici del secondo cerchio.

Se fatta correttamente, l’ottimizzazione finanziaria non è miope. Tuttavia, se si effettua un’ottimizzazione finanziaria ingenua, si finisce per ottenere un sacco di assurdità, cosa che vale per qualsiasi ricetta ingenua quando si tratta di supply chain. L’ottimizzazione economica è essenziale perché, senza di essa, non hai nemmeno un obiettivo per la tua ottimizzazione. L’idea di ottimizzare le percentuali non funziona; vuoi ottimizzare i dollari. A meno che tu non abbia consolidato tutti quei dollari di guadagno e costo sotto un unico ombrello, non c’è nulla da ottimizzare dal punto di vista quantitativo, che è ciò che interessa in questa serie di lezioni.

Abbiamo bisogno di quei dollari, altrimenti non possiamo nemmeno iniziare a ottimizzare. La mia proposta per te è che se la tua azienda non ha ancora adottato un quadro finanziario unificato per guidare l’ottimizzazione della sua supply chain, non ha nemmeno iniziato. Se hai dozzine di team che si occupano di percentuali, service levels e altre metriche non monetarie, è un’illusione di prestazioni. Contano solo i dollari – dollari, euro o yen – ma hai bisogno di un conto monetario.

Questi driver economici hanno un altro scopo molto importante che viene spesso trascurato. Il primo scopo è quello di guidare l’ottimizzazione numerica in modo molto meccanico. Il secondo scopo di questi driver è abilitare il white-boxing, a cui tornerò in una lezione successiva. L’idea è che per ogni singola decisione esamineremo tutti i possibili futuri, assegneremo la performance economica della decisione, medieremo la performance economica delle decisioni su tutti i possibili futuri, e poi ordineremo tutte le decisioni, dalla quella con il più alto ritorno sull’investimento (ROI) a quella con il più basso. Ovviamente, vogliamo smettere di prendere quelle decisioni quando non c’è più redditività. Tuttavia, abbiamo bisogno di una certa trasparenza e comprensione riguardo al perché scegliamo certe decisioni invece di altre. Qui, quei driver economici si dimostrano molto preziosi perché possono farci comprendere il “perché” che sta dietro ogni decisione generata da un sistema, una pratica o un software.

L’idea è che, grazie ai driver economici, sarai in grado di esaminare ogni singola decisione e disporre di alcuni indicatori chiave di performance KPIs, espressi in dollari, che spiegano perché questa decisione è veramente valida. Al contrario, per una decisione non adottata, puoi esaminare i driver e valutare perché non sia una buona decisione.

Con questi tre elementi fondamentali, abbiamo tutto il necessario per avviare la pratica. Esaminiamo tutti i possibili futuri, tutte le possibili decisioni, e sfidiamo ogni decisione contro tutti i possibili futuri, assegnando loro un punteggio in dollari e classificandoli.

Per rendere questo reale ed efficace, è necessario un mindset di completa robotizzazione end-to-end. Il motivo per cui è indispensabile una robotizzazione end-to-end è per riportare il management al controllo. Può sembrare strano all’inizio, perché se robotizzi, come fa qualcuno a mantenere il controllo? Ha a che fare con la natura delle supply chain, che sono sistemi molto complessi e distribuiti con numerosi siti, prodotti, clienti, componenti software, persone e veicoli.

L’alternativa ad un processo robotizzato che generi tutte quelle decisioni da prendere quotidianamente è avere un esercito di impiegati che utilizza un mare di fogli di calcolo. Il problema è che, se gestisci un esercito di impiegati, ogni volta che vuoi cambiare qualcosa nella tua supply chain, ci vogliono sei mesi perché il cambiamento faccia effetto, poiché dovrai occuparsi di molte persone che dovrai riqualificare e verificare che comprendano davvero la nuova strategia e le nuove regole.

La robotizzazione è l’idea che, se puoi implementare una ricetta numerica end-to-end che generi tutte quelle decisioni banali, puoi evitare questo ritardo. Parlo di tutte le decisioni banali; non mi riferisco a decisioni come l’apertura di una nuova fabbrica in un paese o l’ingresso in un nuovo mercato per l’azienda. Quelle decisioni non vengono prese quotidianamente, ma poche volte all’anno, ed è perfettamente accettabile che molte persone vi riflettano. Ma per ogni singolo SKU presente nella tua supply chain, ci sono mezza dozzina di decisioni che devono essere prese ogni singolo giorno. Devo produrne di più? Devo portarne altri? Devo spostare lo stock che ho in un altro luogo? Devo alzare o abbassare il prezzo? Devo addirittura liberarmi di quello stock che non serve a nulla e occupa solo spazio nel mio magazzino o negozio? Anche decidere di non fare nulla, se hai uno SKU e decidi di non intervenire particolarmente oggi, è già una decisione. Quindi, considerando la scala alla quale operano le modern supply chains, la mia convinzione è che sia necessaria una robotizzazione end-to-end se vogliamo avere qualche speranza di essere agili.

C’è anche un altro aspetto fondamentale, ovvero che è cruciale avere una robotizzazione end-to-end se vogliamo ottenere qualcosa di capitalista e accurato. Questo sarà l’argomento della mia prossima lezione, ma in breve: non vuoi trattare la tua divisione di supply chain come costi operativi (OPEX). Vuoi considerare il tuo investimento in supply chain come spese in conto capitale (CAPEX). Tutti gli sforzi che stai applicando alla supply chain dovrebbero essere precisi, e vuoi rendere la tua supply chain un asset capitalista per l’azienda. L’unico modo per farlo è attraverso la robotizzazione; altrimenti, quello che otterrai sarà semplicemente un esercito di impiegati che devi pagare ogni giorno per fare ripetutamente la stessa cosa.

Questo mi porta alla domanda: chi dovrebbe essere responsabile della robotizzazione e del software che svolge il lavoro amministrativo al posto di un esercito di impiegati?

Chi dovrebbe essere responsabile di quelle ricette numeriche? Chi dovrebbe prendersi la responsabilità di quei risultati? La risposta classica, “abbiamo un sistema, il sistema è responsabile di ciò”, mi sembra fuorviante. Un software, anche se molto costoso, non è mai responsabile di nulla. Non è autocosciente. Nonostante quello che si dice sull’IA, non siamo ancora a quel punto. Quello che abbiamo sono ricette numeriche sofisticate e glorificate, in grado già di offrire un valore enorme per la tua azienda.

Qualcuno, all’interno o all’esterno della tua azienda, deve prendersi la responsabilità della qualità di quei risultati numerici che guideranno la tua supply chain in maniera molto ordinaria. La pratica che abbiamo pionierizzato in Lokad è l’idea del supply chain scientist. Il concetto di supply chain scientist è nato dai miei primi fallimenti nel tentativo di affrontare il problema con i data scientist. Il problema con i data scientist è che il loro impegno risiede negli aspetti tecnici. Ricorda la prima citazione sul modo più sicuro per rovinare le cose, con i tecnici? È esattamente la mia prospettiva oggi, quando le persone mi parlano dei data scientist che cercano di risolvere i problemi della supply chain. È un percorso molto breve, con pochissima incertezza su dove in realtà stai andando, anche se i risultati finali potrebbero non essere eccellenti. Il supply chain scientist è la persona che si farà carico della generazione di decisioni concrete, e questa persona deve prestare attenzione ai dettagli più minuti della tua supply chain. Ad esempio, se uno dei tuoi magazzini è stato allagato l’anno scorso e per tre settimane non è transitato nulla, distorcendo completamente il profilo della stagionalità, non puoi liquidarlo come un semplice dettaglio. Non mette in discussione la validità centrale del modello matematico. La prospettiva del supply chain scientist è che ciò conta davvero. Se finisco per prendere decisioni sbagliate per quel magazzino perché un incidente operativo passato ha introdotto forti bias nei miei dati storici, ciò ha importanza. Tutto ciò conta, sia che generi dollari di guadagno o dollari di costo.

Se osserviamo questa illustrazione con due tipi di studiosi, Indiana Jones, che dovrebbe essere uno studioso e ricercatore, e Windle Poons, personaggio delle opere di Terry Pratchett, la realtà di questi due personaggi fittizi non potrebbe essere più diversa. La differenza fondamentale tra loro riflette in gran parte la differenza tra un supply chain scientist e un data scientist. Come test decisivo, puoi chiederti: al CEO importa? Il CEO dell’azienda ti metterà in discussione, in qualità di supply chain scientist, su ciò che stai facendo? La mia esperienza nel gestire Lokad per oltre un decennio è che ora incontro regolarmente i CEO e i consigli di amministrazione dei miei clienti, e mi sfidano sui fondamenti della loro supply chain e su come stiamo generando ritorni in dollari.

Le domande non ruotano attorno al fatto se utilizziamo support vector machine o gradient boosted trees. Le domande riguardano il percorso che assicuri che la supply chain sia un asset prezioso in grado di superare il resto del mercato.

Ho presentato cinque punti come requisiti, non la soluzione effettiva al problema. Sono solo un elenco di elementi che, se non affrontati correttamente, significano che non avete nemmeno veramente iniziato a lavorare su qualcosa che potrebbe migliorare o ottimizzare la supply chain in modo significativo, almeno non in maniera quantitativa. Ci sono molti miglioramenti non quantitativi, come attrezzature migliori, politiche di assunzione più efficaci, o incentivi finanziari ben studiati per i vostri team.

Esiste un piano dettagliato completo delle prossime lezioni sul sito di Lokad, all’indirizzo lokad.com/lectures. Dovremo affrontare numerosi argomenti, includendo diverse prospettive, concetti e paradigmi, in particolare relativi ai metodi di programmazione, agli strumenti e alle pratiche. C’è una notevole quantità di materiale da trattare, e tutti questi concetti saranno introdotti per contribuire a soddisfare i cinque punti che ho presentato in precedenza. Senza questi, l’approccio semplicemente non funzionerà.

Ora, per affrontare un discorso laterale, alcune persone mi hanno contestato sostenendo che la visione che presento è così diversa da quella che stanno attualmente adottando. Sostengono che sia troppo avanzata, e preferiscono procedere con gradualità, migliorando in modo incrementale prima di prendere in considerazione questo approccio quantitativo alla supply chain. Tuttavia, io credo che questo approccio del “striscia, cammina, corri” sia un’illusione. Il progresso spesso non è incrementale e può essere dirompente. Per esempio, quando Amazon decise di diventare un fornitore di cloud computing, fece un salto significativo, passando dal vendere libri online all’offrire risorse di cloud computing on-demand. Non fu una progressione graduale, passo dopo passo; fu un cambiamento dirompente.

Analogamente, esiste la famosa citazione di Henry Ford, che disse che se avesse chiesto ai suoi clienti cosa volessero, loro gli avrebbero chiesto cavalli più veloci. Il punto è che se accettiamo l’idea che i requisiti che ho elencato siano necessari, e la maggior parte delle aziende non ha nemmeno iniziato a esaminare il problema dalla giusta prospettiva, allora il nostro punto di partenza con la maggior parte dei clienti è che quasi nessuno possiede una reale maturità in quest’area. È un’illusione pensare che le aziende più grandi, con grandi divisioni impegnate a ottimizzare metriche sbagliate, abbiano una vera maturità nella gestione della supply chain.

Il mio messaggio al pubblico è di non considerarsi immaturi solo perché non state facendo ciò che fanno le altre aziende, specialmente per quanto riguarda la dimensione delle rispettive burocrazie. Dal mio punto di vista, questo dice molto poco sulla loro efficacia. Le aziende che vedo con maggiore maturità sono tipicamente piccole, agili, aziende di e-commerce nordamericane focalizzate digitalmente. Potrebbero non avere team massicci di data scientist, ma contano invece su poche persone con la mentalità giusta e le appropriate ricette numeriche.

In conclusione, ho trattato gli aspetti relativi al lato della necessità del problema. Nella prossima lezione inizieremo a esaminare il lato della sufficienza del problema, concentrandoci sulla formulazione del problema e sulla soluzione. Tuttavia, è fondamentale partire dalla formulazione del problema, perché questo ci permette di capire se la soluzione che proponiamo sia veramente di valore o semplicemente una soluzione in cerca di un problema.

Vi ringrazio moltissimo per il tempo dedicato oggi. Ora risponderò alle domande.

Domanda: Mi è piaciuto il sottile riferimento a Dune.

Apprezzo che vi sia piaciuto il riferimento a Dune. I personaggi principali del libro hanno la capacità di vedere tutti i futuri possibili, il che li dota di abilità strategiche superiori. Questa metafora è particolarmente adatta alla gestione della supply chain. Se potete esaminare tutti i futuri possibili, anche se non sapete esattamente quale si verificherà, ciò vi conferisce un vantaggio significativo rispetto ai concorrenti che considerano solo un possibile esito.

Domanda: Potresti elaborare ulteriormente sui driver di secondo ordine?

Quando dico “second order”, mi riferisco alle conseguenze di secondo ordine. Nella gestione della supply chain, ci occupiamo di esseri umani e di sistemi complessi, non solo di semplici sistemi fisici con traiettorie prevedibili. Le persone possono adattarsi, e dobbiamo considerare le loro azioni e reazioni.

Per esempio, in passato presso Lokad, abbiamo avuto un cliente al quale avevamo suggerito quantità specifiche per gli ordini d’acquisto. Tuttavia, abbiamo notato che il cliente finiva per effettuare ordini con quantità significativamente superiori a quelle raccomandate. Si scoprì che, quando il cliente riceveva la merce, i team responsabili della ricezione ricontavano gli articoli per assicurarsi che corrispondessero all’ordine iniziale. Se la quantità ricevuta non corrispondeva all’ordine, il loro sistema presentava una limitazione peculiare: potevano annullare l’intero ordine d’acquisto e restituire la merce, mettendo a rischio la loro linea di produzione. Quello che accadeva era che modificavano la quantità dell’ordine d’acquisto originale in modo che corrispondesse alla quantità ricevuta. Nel corso degli anni, alcuni fornitori astuti avevano scoperto questa proprietà unica del sistema ERP. Quando si avvicinavano alla fine del trimestre e non avevano raggiunto i loro obiettivi, sapevano di poter spingere qualunque cosa a questo cliente, che l’avrebbe accettata e avrebbe pagato la fattura senza alcuna domanda o lamentela.

Questo è un esempio di quello che chiamo un effetto di secondo ordine. Avete un aspetto apparentemente banale e ordinario del vostro ERP, ma poi intervengono persone intelligenti che sfruttano il sistema a loro vantaggio. Questo è inevitabile ogni volta che si ha a che fare con gli esseri umani, poiché possono pensare e reagire a qualunque cosa facciate. L’idea delle conseguenze di secondo ordine è che bisogna considerare le conseguenze delle conseguenze. Potrebbe persino arrivare al quarto o quinto ordine – dovete pensare alle ripercussioni a catena. È un gioco intellettuale impegnativo, ma se non tenete conto delle conseguenze di secondo ordine, potreste finire per prendere decisioni sbagliate.

Per quanto riguarda i driver economici di secondo ordine, è essenziale assegnare loro un valore in dollari, anche se può essere difficile. La chiave è essere approssimativamente corretti piuttosto che esattamente sbagliati. È meglio avere una stima approssimativa che abbia senso piuttosto che calcoli precisi che possano condurvi fuori strada.

Domanda: Quali sono le tecniche utilizzate per la robotizzazione completa?

Esistono numerose tecniche per la robotizzazione completa, di cui parleremo nelle prossime lezioni sui paradigmi di programmazione. Sebbene stiamo discutendo di software, dobbiamo considerare le proprietà di design fondamentali che risultano più desiderabili per ottenere la robotizzazione. L’obiettivo primario è creare software di livello produzione, non necessariamente IA. Non si può ottenere un errore di previsione dello zero percento, ma si può puntare a una percentuale zero di follia.

Con “follia” intendo qualcosa che metterebbe in pericolo l’intera azienda. Per esempio, Target Canada è fallita a causa di un’ottimizzazione della supply chain andata storta, e Nike ha affrontato un disastro nel 2004 quando una delle loro soluzioni software per la supply chain, concorrente di Lokad, quasi portò al crollo dell’azienda. Quindi, innanzitutto, tratteremo questo argomento nella prossima lezione, anche se ci vorrà un po’ di tempo per arrivarci.

Domanda: Nella tua previsione, se cerchiamo di includere così tante variabili progressive, dovremmo sviluppare i modelli da soli, e potrebbe trasformarsi in simulazioni. Qualche considerazione?

Non c’è una chiara differenza tra una simulazione accurata del futuro e una previsione probabilistica. Queste rappresentano due sfumature differenti di ricette numeriche per comprendere il futuro. Ogni volta che disponete di un modello di previsione probabilistica, potete generare traiettorie che rappresentano il futuro. Prendete le vostre probabilità, estraete una deviazione, create un’osservazione fittizia, reimparate il vostro modello, ricostruite le probabilità e iterate. La distinzione tra simulazione e modellazione statistica diventa sottile, soprattutto per i modelli adatti agli scopi della supply chain. In larga misura, si sovrappongono completamente.

Domanda: Le soluzioni che avete sviluppato sono basate su servizi o una combinazione di entrambi? Qual è la vostra opinione su questo approccio per il futuro della supply chain?

Da Lokad, la nostra prospettiva è quella di fornire prestazioni della supply chain espresse in dollari. Esiste un’immensa complessità in questo campo, e proprio come l’incertezza nelle previsioni è irriducibile, così lo è la complessità se cercate di avere un prodotto software che affronti tutti i problemi contemporaneamente. Occorre una meta-soluzione per il problema. L’approccio adottato da Lokad riconosce la necessità dell’intelligenza umana, in particolare dei Supply Chain Scientist. Credo sia irrealistico pensare che l’IA possa comprendere le sfide di una supply chain moderna.

Abbiamo bisogno di persone intelligenti ed esperte, con le giuste competenze, per essere efficaci nel proprio lavoro. Lokad ha sviluppato un prodotto con l’obiettivo di rendere i Supply Chain Scientist produttivi ed estremamente affidabili. La sfida consiste nel fornire gli strumenti giusti per questi Supply Chain Scientist. In sintesi, Python non è la soluzione, e man mano che procederemo con queste lezioni, vedrete che esistono problemi profondi con la maggior parte dei linguaggi di programmazione generici. Questi problemi di progettazione li rendono inadatti ad affrontare i problemi della supply chain in modo soddisfacente. Dovremo addentrarci nei dettagli, perché c’è molta sottigliezza in ciò che intendo per “production-grade” e per la “production-readiness” della soluzione. Ricordate, quella è la percentuale zero di follia che desideriamo, perché finché esiste un robot folle che incide negativamente sulla vostra supply chain, semplicemente non può funzionare. È questo il problema che dobbiamo affrontare per primo.

Domanda: Spesso gli approcci quantitativi richiedono di quantificare ciò che non era ancora stato quantificato o ciò che si trovava in fogli Excel, non nei sistemi ERP. Qual è il modo più efficiente per affrontare questo problema? Come può essere raccolta questa informazione aggiuntiva in modo che sia affidabile quanto quella proveniente dai sistemi ERP?

Ci sono due problemi distinti qui. Innanzitutto, c’è lo status quo, in cui il problema del quantificare premi ed errori è politicamente molto complicato. Molte persone nelle grandi organizzazioni hanno forti incentivi a non discutere in termini di dollari i ritorni o i premi, perché altrimenti l’azienda si renderebbe conto di non avere alcun valore aggiunto. Quindi, molte cose non vengono quantificate semplicemente perché esistono forti pressioni politiche contrarie.

Per rendere il concetto più concreto, quando Lokad iniziò a lavorare per una rete di vendita al dettaglio per ottimizzare lo stock nei negozi, ci rendemmo conto che lo stock serviva a due scopi radicalmente differenti. Il primo scopo era servire adeguatamente i clienti, richiedendo una certa quantità di stock. L’altro scopo era far apparire il negozio pieno e attraente, il che richiedeva una quantità supplementare di stock. Avevamo una quantità di stock espressa in euro per questo grande rivenditore e abbiamo stabilito che metà dello stock era necessaria per scopi di servizio, e quindi doveva essere gestita dalla supply chain, mentre l’altra metà era necessaria per il merchandising e doveva essere responsabilità del marketing. Ovviamente, il marketing, che improvvisamente si trovava con una grossa voce di inventario nel budget, non era per niente contento di questa idea.

Quindi, innanzitutto, dobbiamo considerare che è estremamente difficile stabilire regole per quantificare in termini di dollari i premi e i costi, e tali regole dovrebbero essere applicate a tutti in egual misura. Questo è difficile da ottenere, e molte persone nelle organizzazioni hanno un interesse personale a mantenere lo status quo. Abbiamo un altro tipo di problema, che in realtà è molto più semplice da affrontare: lo shadow IT. Il problema con gli ERP e software simili, come potete vedere nella knowledge base di Lokad sugli ERP, è che è estremamente complicato per i fornitori di ERP coprire tutte le situazioni. Per esempio, potreste avere delle quantità minime d’ordine (MOQ). Come si rappresenta questo in un ERP? Dipende davvero dal contesto. Il MOQ può essere a livello di prodotto, di ordine o talvolta una combinazione di entrambi. Può arrivare a essere ancora più complicato, come nel settore tessile, dove il MOQ è definito dalla quantità di tessuto per ogni colore.

Il problema è che, per i fornitori di ERP, è estremamente difficile rappresentare tutto ciò. Di conseguenza, le aziende acquistano un ERP e poi si rendono conto che non permette loro di rappresentare tutto ciò di cui hanno bisogno, ricorrendo così ai fogli Excel. Credo che questo sia precisamente il ruolo di un buon dipartimento IT: costruire e fornire quelle parti mancanti affinché lo shadow IT non rimanga tale, ma diventi piccoli componenti aggiuntivi in-house. In un certo senso, è positivo avere un ERP, e il mio consiglio è di non personalizzare l’ERP, ma di fare qualcosa di parallelo. È molto più facile da mantenere piuttosto che costruire una soluzione “Frankenstein” sopra l’ERP.

Grazie mille a tutti per averci seguito. La prossima lezione sarà il prossimo mercoledì, alla stessa ora, lo stesso giorno. A presto. Arrivederci.