La supply chain quantitativa in breve - Lezione 1.2

00:10 Introduzione
02:23 Come fare? Lezioni di supply chain
04:22 Il manifesto della Supply Chain Quantitativa
06:47 Tutti i possibili futuri
17:01 Tutte le decisioni fattibili
21:52 Driver 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 Supply Chain Quantitativa evidenzia una breve serie di punti salienti per comprendere come questa teoria alternativa, proposta e pionierizzata da Lokad, si discosta dalla supply chain theory. Potrebbe essere riassunto così: ogni singola decisione viene valutata in base a tutti i possible futures secondo i economic drivers. Questa prospettiva si è gradualmente affermata in Lokad come la tradizionale supply chain theory, e la sua implementazione da parte di (quasi?) tutti i software vendors, rimane una sfida.

Trascrizione integrale

Ciao a tutti, benvenuti alle lezioni di supply chain. Sono Joannes Vermorel, e oggi presenterò “La Supply Chain Quantitativa in breve.” Per chi sta seguendo lo streaming in diretta, può porre domande in qualsiasi momento tramite la chat di YouTube. Non leggerò le domande durante la lezione; tuttavia, alla fine tornerò in chat e inizierò a rispondere partendo dalle prime domande, facendo del mio meglio. Procediamo.

Inizierò con una citazione da uno dei precedenti presidenti della Francia, che affermava che esistessero tre vie per arrivare alla ricchezza: la più rapida era il gioco d’azzardo, la più piacevole quella con le donne, ma la più sicura era quella dei tecnici. Ovviamente, in questa serie di lezioni optiamo per la terza opzione. Credo che in questa citazione vi sia un fondo di saggezza. La tecnica è un modo potente per fare di più in certe cose, per eccellere in certi ambiti, ma può anche distrarre. Con “tecnici” intendeva non solo le persone che si occupano di aspetti tecnici, come gli ingegneri, ma anche coloro che gestiscono processi e workflows, quel tipo di tecnicismi da MBA.

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

Per la lezione di oggi, purtroppo mi inclinerò un po’ verso il lato della persuasione. Il problema è che, se hai una dichiarazione del problema, puoi dimostrare di avere una soluzione superiore per quel problema specifico. Tuttavia, puoi dimostrare di avere, in primo luogo, un problema superiore? Questo è molto più impegnativo a livello intellettuale.

Una delle critiche principali che ho sollevato durante la lezione precedente è che la supply chain è, in fondo, un problema intricato. Pertanto, il modo in cui dobbiamo affrontarla è complesso. Oggi cercherò di presentare una serie di requisiti che ritengo essenziali se vogliamo avere la minima speranza di offrire qualcosa di soddisfacente per la supply chain. Tuttavia, non posso dimostrare che nessuno degli elementi che propongo sia veramente indispensabile. C’è un elemento di fiducia, oltre a un livello di comprensione elevata. Un altro aspetto è che, a meno che non si abbia una soluzione da presentare in base ai propri requisiti, tutto ciò che si ha è un pensiero desideroso. Vi chiedo quindi di sospendere il vostro scetticismo per una o due lezioni, così da concentrarci sulla natura stessa del problema e sugli elementi altamente desiderabili affinché una soluzione diventi idonea a una buona pratica della supply chain.

Procediamo. Alcuni anni fa, Lokad aveva già pionierizzato 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 ritengo si discostino notevolmente dalla tradizionale supply chain theory. Volevo utilizzare questi cinque punti per illustrare in che modo la supply chain quantitativa differisce dalla tradizionale supply chain theory. Mi scuso se la terminologia risulta un po’ sfortunata, poiché anche la tradizionale supply chain theory è intrinsecamente quantitativa, ma ho deciso di aggiungere un aggettivo in più per chiarire la distinzione tra la teoria della supply chain quantitativa e la tradizionale supply chain theory.

Questi elementi che elencherò non sono esattamente fondamentali; sono più come una lista di controllo delle cose da affrontare se vogliamo avere la minima speranza di riuscire. Questi elementi includono:

1. Tutti i possibili futuri: Dobbiamo considerare molti futuri, non solo uno.
2. Tutte le decisioni fattibili: Quando ho introdotto la definizione di supply chain come la padronanza dell’opzionalità, queste decisioni erano le opzioni a cui facevo riferimento.
3. Driver 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 la perdita di controllo, ma la proposta è esattamente l’opposto – è necessaria la robotizzazione se si desidera che gli esseri umani mantengano il controllo su qualsiasi aspetto della supply chain.
5. Supply Chain Scientist: Al termine della pratica, ci dovrebbe essere una persona che si assume la responsabilità dei risultati numerici della supply chain o delle prestazioni quantitative della supply chain.

Esaminiamo più da vicino ciascuno di questi cinque punti.

Innanzitutto, l’idea è che dobbiamo considerare 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 si prende una supply chain decision, come decidere di produrre o acquistare qualcosa, lo si fa perché si guarda avanti e si anticipa uno stato futuro del mercato in cui ci sarà domanda per quei prodotti. Successivamente, si lavora a ritroso ed si effettua una sorta di previsione, ottimizzando di conseguenza la propria supply chain.

Abbiamo bisogno di questa visione futura e di queste previsioni, che sono solo la forma matematica dell’intuizione. Ma di che tipo di previsioni stiamo parlando? Le previsioni che hanno dominato la pratica della supply chain nel XX secolo e nella prima parte del XXI secolo sono le classiche previsioni su time series, che a mio avviso presentano difetti profondi sotto diversi aspetti. Il primo aspetto è che tale approccio ignora completamente il concetto di incertezza. La mia proposta è che l’incertezza sia completamente irriducibile, e ogni volta che si ha a che fare con le supply chain, il futuro non può mai essere previsto in modo perfetto. L’idea di poter avere una forecast accuracy del 99% è assurda. Anche osservando il consumo d’acqua o di elettricità, è estremamente difficile ottenere previsioni con tale grado di precisione.

Se si guarda realisticamente alle supply chain e si considera, ad esempio, un prodotto in un negozio che ne vende solo una unità a settimana, non c’è alcuna speranza di ottenere una precisione inferiore all’uno per cento. La questione non ha nemmeno senso. Quindi, l’incertezza è irriducibile. Se volessimo avere una prova più evidente di ciò, basta guardare all’anno 2020. Abbiamo assistito a una massiccia pandemia mondiale che ha seminato il caos in tutte le supply chain. Non è semplicemente possibile prevedere tali fenomeni da una prospettiva classica, dove si ha un numero e si dice: “Ecco, questo è il futuro.”

In alternativa, ciò che puoi ottenere sono previsioni probabilistiche. L’idea è che tutti i futuri sono possibili, ma non sono tutti ugualmente probabili. Questa è l’essenza della previsione probabilistica: utilizzare un metodo statistico che, invece di fingere di avere la previsione perfetta per esattamente come andranno le cose, dica semplicemente “ho tutti questi possibili futuri; alcuni sono più probabili di altri.” Questo approccio abbraccia l’incertezza irriducibile. In molte situazioni, quando le persone mi dicono “non puoi prevedere questo”, io rispondo “sì, posso.” Non posso fornirti una previsione classica corretta, ma posso senz’altro offrirti una previsione probabilistica perfetta.

L’esempio estremo di ciò sarebbero i biglietti della lotteria. Posso stabilire le probabilità esatte che un determinato biglietto sia 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. Questo è esattamente ciò che significa una previsione probabilistica: accettare il fatto che, sebbene non si conosca il futuro in modo perfetto, se ne sappia molto. Quando diciamo di avere delle probabilità, conosciamo molti aspetti. Ad esempio, posso affermare che in ogni momento esiste un tail risk di una massiccia disruption nel mercato. Non so esattamente da dove deriverà il rischio; potrebbe trattarsi di una pandemia, di un crollo della borsa, di una guerra o di una nuova tariffa, come quella introdotta dal Presidente Trump. Possono essere molte le cause che sconvolgono la vostra supply chain, e se dovessi valutare il tail risk in qualsiasi momento per una qualsiasi supply chain, esso ammonta a diverse percentuali, con il rischio di un crollo massiccio nel trimestre successivo. Di nuovo, non è magia; è semplicemente un’ipotesi molto ragionevole sul futuro. Con gli strumenti statistici adeguati, si può ottenere qualcosa di molto più elaborato. Tutti gli ambiti incerti richiedono una previsione, e una previsione probabilistica a tal proposito. La domanda non è l’unico ambito che necessita di previsione. Ad esempio, tutti gli ambiti in cui esistono incertezze richiedono una previsione.

Questo potrebbe includere la previsione della domanda futura, ma anche dei lead times, dei resi futuri nell’e-commerce, rendimenti produttivi incerti in fonti primarie come miniere o aziende agricole, tassi di guasto o di scarto probabilistici nel controllo di qualità per processi biologici, e le riparazioni dei componenti. Esiste una grande varietà di ambiti in cui imperversa l’incertezza, e tutti meritano una previsione. Una buona prassi nella supply chain è abbracciare l’esigenza di considerare tutti i possibili futuri con le rispettive probabilità, esaminando tutto ciò che necessita di essere previsto. Non si tratta solo di domanda.

Ad esempio, possiamo anche analizzare aspetti come i prezzi delle materie prime. Ovviamente, se riuscissi a prevedere con precisione il prezzo futuro di una materia prima, ti limiteresti a giocare in borsa anziché gestire una vera supply chain. Tuttavia, alcune materie prime sono molto più volatili in termini di prezzo rispetto ad altre, e ciò significa che il rischio associato a queste può essere ottimizzato tramite modelli adeguati, utilizzando previsioni probabilistiche nel proprio arsenale di strumenti.

Un altro elemento è che non si tratta solo dei tuoi possibili futuri; tutti quei futuri non sono indipendenti. Hanno forti dipendenze, ed è in questo aspetto che la tradizionale supply chain theory risulta veramente carente. Considerano la previsione della domanda come se fosse completamente indipendente da tutto il resto che avviene nella supply chain. Ancora oggi, mi arrivano richieste da potenziali clienti che mi domandano se Lokad possa effettuare una previsione a 12 mesi per un prodotto specifico.

Ad esempio, supponiamo di trattare con un marchio sportivo che richiede uno zaino con tracciamento GPS. Possiamo prevedere quanta domanda ci sarà nei prossimi 12 mesi? La mia risposta di base è: “dipende.” Se vendi un solo zaino, forse avrai una certa quantità di richiesta. Ma se improvvisamente decidi di ampliare notevolmente il tuo assortimento e di introdurre altre dieci varianti dello stesso zaino, con prezzo, dimensioni e caratteristiche quasi identiche – con l’aggiunta o la sottrazione di qualche tasca o accessorio – non raddoppierai la domanda per dieci, semplicemente perché hai introdotto dieci prodotti molto simili. Eppure, dal punto di vista delle previsioni classiche, nulla impedirebbe al modello di gonfiare radicalmente le cifre della domanda se aumentassi il numero di prodotti da prevedere. Quindi, ciò non ha senso, ed è per questo che consideriamo questi futuri. Non sono caratterizzati solo da un’incertezza irregolare, ma anche dalle dipendenze esistenti tra loro. Abbiamo bisogno di strumenti che siano in grado di cogliere tutti questi cambiamenti.

In conclusione, le previsioni sono essenziali se vogliamo avere qualche speranza di ottimizzare qualcosa, semplicemente perché dobbiamo guardare al futuro. Tuttavia, dobbiamo ricordare che esse non sono altro che opinioni informate sul futuro.

Non sono reali, nel senso che la qualità della tua previsione non ha conseguenze dirette sulla tua supply chain. In molte aziende, le persone si concentrano intensamente sul miglioramento delle previsioni, 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 è che si tratta di un’illusione. Non è vero, nemmeno lontanamente.

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

Al contrario, le previsioni sono solo opinioni fondate riguardo al futuro. È meglio avere un giudizio più dettagliato su come sarà il futuro, ma l’unica cosa che conta davvero sono le decisioni. La proposta che ho per voi è che la pratica della supply chain debba essere completamente orientata alla generazione di quelle decisioni, poiché è l’unico aspetto che conta. L’idea che si possa avere qualcosa come un reparto di previsioni o di pianificazione è, in larga misura, fuorviante. Le previsioni esistono solo per orientare le vostre ipotesi al fine 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. Ogni supply chain presenta non-linearità ovunque. Ad esempio, si possono avere quantità minime d’ordine, spazio massimo sugli scaffali in un negozio e capacità massima in volume o peso in un container o truck. Si possono avere non-linearità più sottili, come le date di scadenza o il fatto che alcune parti nell’aerospazio vengano fornite con ore di volo e cicli di volo, richiedendo riparazioni programmate.

Si possono presentare ogni sorta di problemi, come ad esempio alcuni prodotti, nel settore del cibo fresco, che non possono viaggiare nello stesso truck. Oppure, perlomeno, sono necessari truck speciali perché non possono essere trasportati alla stessa temperatura. Occorre o avere compartimenti multipli o più truck. Esistono 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 sia di 1,3 unità di un prodotto. Questa non è una decisione fattibile; sarà o una unità o due, ma non si possono avere 1,3 unità. Occorre disporre di qualcosa di immediatamente attuabile da un punto di vista molto quotidiano, ed è questo il concetto di fattibilità.

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

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

Se volete un esempio, guardiamo ai livelli di servizio. Cosa significa avere un livello di servizio super elevato? Spesso sento potenziali clienti dire di volere un livello di servizio del 99%. Possiamo sicuramente garantirlo, ma bisogna accumulare scorte in maniera smisurata, il che comporterà enormi svalutazioni d’inventario e una redditività abissale. È un compromesso, e non un compromesso qualunque – è un compromesso economico. In qualcosa di semplice come il livello di servizio, c’è uno scambio tra il costo di inventario da un lato e il costo degli stock-outs dall’altro.

L’idea è che, se facciamo un passo indietro e osserviamo questi driver economici per ogni singola decisione, possiamo valutare l’esito. Possiamo prendere una decisione e, per un determinato futuro, esaminare l’esito di tale decisione per quello scenario. Possiamo valutare i relativi risultati in termini di dollari osservando i driver economici.

Cosa intendo per driver economici? Intendo tutti quei fattori che plasmano la performance 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 possesso, i costi di trasporto e i costi di trasformazione. Devi sommare tutti questi costi e poi sottrarli dal prezzo di vendita per calcolare il budget dei costi. Questi sono il primo cerchio di driver, quelli molto evidenti che puoi letteralmente trovare nel tuo ERP o nel software contabile.

Tuttavia, questi costi da soli non sono sufficienti. Se li consideri isolatamente, si finisce per avere una prospettiva finanziaria molto miope. Bisogna 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 decisioni della tua supply chain. Ad esempio, nella maggior parte dei casi, se si verifica uno stock-out, non c’è alcuna penalità per lo stock-out. Forse se sei un grande marchio che vende a una vasta rete di vendita al dettaglio come Walmart, hai un accordo sul livello di servizio e penalità se non raggiungi certi 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 fedeltà, sia negative, come generare disaffezione e incentivare i tuoi clienti a cercare alternative altrove. Questo naturalmente dipende dal contesto. Ad esempio, se sei un marchio di moda e offri uno sconto alla fine della stagione, il costo è maggiore della 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 e a lungo termine nel creare abitudini ed aspettative tra la tua clientela, 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 sciocchezze, come accade con qualsiasi ricetta ingenua quando si tratta di supply chains. L’ottimizzazione economica è essenziale perché, senza di essa, non si ha nemmeno un obiettivo per l’ottimizzazione. L’idea di ottimizzare le percentuali non funziona; si deve ottimizzare in termini di dollari. A meno che non si siano consolidati tutti quei dollari di ricompensa e di costo sotto un’unica copertura, non c’è nulla da ottimizzare da un 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 voi è che, se la vostra azienda non ha ancora adottato un quadro finanziario unificato per guidare l’ottimizzazione della supply chain, non ha neanche iniziato. Se avete dozzine di team che si occupano di percentuali, livelli di servizio e altri indicatori non monetari, è un’illusione di performance. Contano solo i dollari – dollari, euro o yen – ma è necessario un conto monetario.

Questi driver economici hanno un altro scopo molto importante, spesso trascurato. Il primo scopo è guidare l’ottimizzazione numerica in modo molto meccanico. Il secondo scopo di questi driver è abilitare il white-boxing, di 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, calcoleremo la media della performance economica delle decisioni attraverso tutti i possibili futuri, e poi ordineremo tutte le decisioni da 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 sul motivo per cui scegliamo quelle decisioni anziché altre. Qui, quei driver economici dimostrano il loro grande valore perché possono spiegare il “perché” che si cela dietro ogni decisione generata da un sistema, una pratica o un software.

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

Con questi tre pilastri, abbiamo tutto ciò che serve per avviare la pratica. Esaminiamo tutti i possibili futuri, tutte le possibili decisioni, e mettiamo in discussione ogni decisione rispetto a tutti i possibili futuri, valutandole in termini di dollari e classificandole.

Per rendere tutto ciò reale ed efficace, è necessaria una robotizzazione end-to-end completa. La ragione 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 fai a mettere qualcuno al comando? Dipende dalla natura delle supply chains, che sono sistemi molto complessi e distribuiti con numerosi siti, prodotti, clienti, componenti software, persone e veicoli.

L’alternativa a un processo robotizzato che generi tutte quelle decisioni quotidiane è avere un esercito di impiegati che utilizza un oceano di spreadsheets. Il problema è che, se gestisci un esercito di impiegati, ogni volta che vuoi cambiare qualcosa nella tua supply chain, occorrono sei mesi perché il cambiamento si consolidi, dato che dovrai gestire molte persone che dovrai riqualificare e verificare per assicurarti che comprendano davvero la nuova strategia e le nuove regole.

La robotizzazione è l’idea che, se riesci a 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 un nuovo stabilimento in un paese o l’ingresso in un nuovo mercato per l’azienda. Queste decisioni non vengono prese quotidianamente; si prendono 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 da prendere ogni singolo giorno. Devo produrre di più? Devo approvvigionarmi di più? Devo spostare lo stock che ho altrove? Devo aumentare o diminuire il prezzo? Devo persino eliminare questo 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 fare nulla di particolare oggi, è già una decisione. Quindi, considerando la scala con cui operano le modern supply chains, credo che sia necessaria una robotizzazione end-to-end se vogliamo avere qualche speranza di essere agili.

C’è anche un altro aspetto essenziale, ossia che è cruciale avere una robotizzazione end-to-end se vogliamo ottenere qualcosa di capitalista e accurato. Questo sarà il tema della mia prossima lezione, ma in breve, non vuoi trattare la divisione della supply chain come spese operative (OPEX). Vuoi considerare l’investimento nella supply chain come spese in conto capitale (CAPEX). Tutti gli sforzi che investi nella supply chain devono essere accurati, e vuoi rendere la tua supply chain un asset capitalista per l’azienda. L’unico modo per farlo è attraverso la robotizzazione; diversamente, l’alternativa è solo un esercito di impiegati che devi pagare ogni singolo giorno per fare ripetutamente la stessa cosa.

Questo mi porta alla domanda su chi debba 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 assumersi la responsabilità di quei risultati? La risposta classica, “abbiamo un sistema, il sistema è responsabile di ciò”, credo sia fuorviante. Un pezzo di software, anche se si tratta di un costoso software enterprise, non è mai responsabile di nulla. Non ha autocoscienza. Nonostante quello che si possa dire sull’IA, non ci siamo ancora. Quello che abbiamo sono ricette numeriche sofisticate e glorificate, e possono già offrire un enorme valore alla tua azienda.

Qualcuno, all’interno o all’esterno della tua azienda, deve assumersi la responsabilità della qualità di quei risultati numerici che guideranno la tua supply chain in modo molto quotidiano. La pratica che abbiamo portato avanti in Lokad è l’idea del Supply Chain Scientist. Il concetto di Supply Chain Scientist è nato dai miei primi fallimenti quando cercavo di affrontare il problema con i data scientist. Il problema con i data scientist è che il loro impegno si concentra sulle tecnicità. Ricorda la prima citazione secondo cui la via più sicura per rovinare è affidarsi ai tecnici? Questa è esattamente la mia visione oggi, quando la gente mi parla di data scientist che cercano di risolvere i problemi della supply chain. È un percorso molto breve, con pochissima incertezza su dove stai andando, non che otterrai grandi risultati alla fine del percorso. Il Supply Chain Scientist è la persona che si occuperà di generare decisioni concrete, e deve prestare attenzione al minimo dettaglio della tua supply chain. Ad esempio, se uno dei tuoi magazzini è stato allagato lo scorso anno e per tre settimane non è transitato nulla, distorcendo completamente il profilo della stagionalità, non puoi liquidarlo come un semplice dettaglio. Ciò non mette in discussione la validità fondamentale del modello matematico. La prospettiva del Supply Chain Scientist è che tutto ciò conta. Se finisco per prendere decisioni sbagliate per quel magazzino perché un incidente operativo nel passato ha introdotto gravi bias nei miei dati storici, ciò conta. Tutto questo è rilevante, sia che generi dollari di ricompensa sia 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 sostanzialmente la differenza tra un Supply Chain Scientist e un data scientist. Come test decisivo, puoi chiederti: al CEO importa davvero? Il CEO dell’azienda metterà in discussione te, in qualità di Supply Chain Scientist, su quello che stai facendo? La mia esperienza nel gestire Lokad per oltre un decennio è che ora incontro regolarmente i CEO e i board dei miei clienti, e mi mettono in discussione sui fondamenti della loro supply chain e su come stiamo generando dollari di ritorno.

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

Ho presentato cinque punti come requisiti, non come soluzione effettiva al problema. Sono solo una lista di elementi che, se non adeguatamente affrontati, significano che non hai nemmeno veramente iniziato a lavorare su qualcosa che possa migliorare o ottimizzare il supply chain, almeno non in maniera quantitativa. Esistono molte ottimizzazioni non quantitative, come attrezzature migliori, politiche di assunzione più efficaci o incentivi finanziari ben studiati per i tuoi team.

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

Ora, per addentrarmi in un’aside, alcune persone mi hanno contestato dicendo che la visione che presento è così diversa da ciò che stanno attualmente facendo. Sostengono che sia troppo avanzata, e preferiscono procedere con calma, migliorando gradualmente prima di considerare questo approccio quantitativo al supply chain. Tuttavia, credo che questo approccio “striscia, cammina, corri” sia un’illusione. Il progresso è spesso non incrementale e dirompente. Ad esempio, quando Amazon decise di diventare un fornitore di cloud computing, fece un salto significativo dal vendere libri online al fornire risorse di cloud computing on-demand. Non fu una progressione gentile, passo dopo passo; fu un cambiamento dirompente.

Allo stesso modo, c’è la famosa citazione di Henry Ford, che disse che se avesse chiesto ai suoi clienti cosa volessero, loro 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 guardare al problema dalla giusta prospettiva, allora il nostro punto di partenza con la maggior parte dei clienti è che quasi nessuno possiede maturità in questo ambito. È un’illusione pensare che le aziende più grandi, con grandi divisioni che ottimizzano metriche sbagliate, abbiano una reale maturità nella gestione del supply chain.

Il mio messaggio per il pubblico non è di considerarsi immaturi solo perché non si fa ciò che fanno le altre aziende, specialmente per quanto riguarda la grandezza 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 sul digitale. Possono non avere grandi team di data scientist, ma piuttosto qualche persona con il giusto mindset e ricette numeriche appropriate.

In conclusione, ho trattato aspetti relativi al lato della necessità del problema. Nella prossima lezione, inizieremo ad esaminare il lato della sufficienza del problema, concentrandoci sulla nostra dichiarazione del problema e sulla soluzione. Tuttavia, è fondamentale cominciare dal lato della dichiarazione del problema, poiché questo ci permette di capire se la soluzione che presentiamo è di valore o semplicemente una soluzione alla ricerca di un problema.

Grazie mille per il vostro tempo oggi. Ora risponderò alle domande.

Domanda: Mi è piaciuto il sottile riferimento a Dune.

Apprezzo che tu abbia apprezzato il riferimento a Dune. I protagonisti del libro hanno la capacità di vedere tutti i futuri possibili, il che fornisce loro capacità strategiche superiori. Questa metafora è abbastanza adatta al supply chain management. Se puoi esaminare tutti i futuri possibili, anche se non sai esattamente quale si verificherà, ti dà un vantaggio significativo rispetto ai concorrenti che considerano solo un possibile esito.

Domanda: Potresti elaborare di più sui driver di secondo ordine?

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

Ad esempio, in passato a Lokad avevamo un cliente a cui suggerivamo quantità specifiche per gli ordini di acquisto. Tuttavia, abbiamo notato che il cliente finiva per effettuare ordini con quantità significativamente superiori a quelle che avevamo raccomandato. 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 aveva una limitazione peculiare: potevano o annullare l’intero ordine di acquisto e restituire la merce, mettendo a rischio la loro linea di produzione. Quello che accadeva era che modificavano la quantità dell’ordine di acquisto originale in modo che corrispondesse alla quantità ricevuta. Con gli anni, alcuni fornitori intelligenti 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 volessero a questo cliente, che l’avrebbe accettata e pagato la fattura senza domande o reclami.

Questo è un esempio di ciò che chiamo un effetto di secondo ordine. Hai un aspetto apparentemente banale, comune del tuo ERP, ma poi ci sono esseri umani intelligenti nel sistema che sfruttano il meccanismo. Questo è destinato ad accadere ogni volta che ti interfacci con degli umani, in quanto possono pensare e reagire a qualunque cosa tu faccia. L’idea delle conseguenze di secondo ordine è che devi considerare le conseguenze delle conseguenze. Potrebbe persino essere di quarto o quinto ordine – devi pensare agli effetti a cascata. È un gioco intellettuale impegnativo, ma se non prendi in considerazione le conseguenze di secondo ordine, potresti finire per prendere decisioni sbagliate.

Per quanto riguarda i driver economici di secondo ordine, è essenziale attribuire 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 indicativa che abbia senso piuttosto che calcoli precisi che ti portano fuori strada.

Domanda: Quali sono le tecniche utilizzate nella robotizzazione completa?

Esistono numerose tecniche per la robotizzazione completa, che tratteremo nelle prossime lezioni sui paradigmi di programmazione. Sebbene stiamo parlando di software, dobbiamo considerare le proprietà di design fondamentali che sono più desiderabili per ottenere la robotizzazione. L’obiettivo primario è creare software di livello industriale, non necessariamente intelligenza artificiale. Non puoi raggiungere un errore di previsione pari a zero percento, ma puoi puntare a zero percento di follia.

Con “follia” intendo qualcosa che potrebbe mettere in pericolo l’intera azienda. Ad esempio, Target Canada è fallita a causa di un’ottimizzazione del supply chain andata fuori controllo, e Nike ha affrontato un disastro nel 2004 quando una delle loro soluzioni software per il supply chain, che era concorrente di Lokad, ha quasi portato al collasso dell’azienda. Quindi, innanzitutto, tratteremo questo argomento nella prossima lezione, ma ci vorrà un po’ di tempo per arrivarci.

Domanda: Nelle tue previsioni, se cercassimo di comprendere così tante variabili progressive, dovremmo sviluppare noi stessi dei modelli, e potrebbero trasformarsi in simulazioni. Qualche idea?

Non c’è una differenza netta tra una simulazione accurata del futuro e una previsione probabilistica. Queste sono due diverse varianti di ricette numeriche per comprendere il futuro. Ogni volta che hai un modello di previsione probabilistica, puoi generare traiettorie che rappresentano il futuro. Prendi le tue probabilità, estrai una deviazione, crei un’osservazione fittizia, riapprendi il tuo modello, ricostruisci le tue probabilità e iteri. La distinzione tra simulazione e modellazione statistica diventa sottile, specialmente per modelli adatti allo scopo del supply chain. In larga misura, si sovrappongono completamente.

Domanda: Le soluzioni che hai sviluppato sono basate sui servizi o una combinazione di entrambe? Qual è la tua opinione su questo approccio per il futuro del supply chain?

Da Lokad, la nostra prospettiva è quella di fornire prestazioni del supply chain espresse in dollari. C’è un’immensa complessità in questo ambito, e proprio come l’incertezza è irriducibile nelle previsioni, la complessità è irriducibile se si cerca di avere un prodotto software che affronti tutti i problemi contemporaneamente. È necessaria una meta-soluzione per il problema. L’approccio adottato da Lokad è riconoscere la necessità dell’intelligenza umana, in particolare dei supply chain scientists. Credo che sia irrealistico pensare che l’IA possa comprendere le sfide di un supply chain moderno.

Abbiamo bisogno di persone intelligenti ed esperte, con le giuste competenze, per essere efficaci nel loro lavoro. Lokad ha sviluppato un prodotto con l’obiettivo di rendere i supply chain scientists produttivi ed estremamente affidabili. La sfida è fornire gli strumenti giusti per questi supply chain scientists. In sintesi, Python non è la soluzione, e man mano che andremo avanti in queste lezioni, vedrete che ci sono problemi profondi nella maggior parte dei linguaggi di programmazione generici. Questi problemi di design li rendono inadatti ad affrontare in maniera soddisfacente i problemi del supply chain. Dovremo entrare nel dettaglio, perché c’è molta sfumatura in ciò che intendo per “di livello industriale” e per la “prontezza per la produzione” della soluzione. Ricorda, quello è lo zero percento di follia che vogliamo, perché finché avrai un robot folle che impatta negativamente il tuo supply chain, semplicemente non può funzionare. È questo che dobbiamo affrontare per primo.

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

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

Per rendere questo 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 aveva due scopi radicalmente diversi. Il primo scopo era servire correttamente i clienti, richiedendo una certa quantità di stock. L’altro scopo era far sembrare il negozio pieno e attraente, il che richiedeva una quantità aggiuntiva di stock. Per questo grande rivenditore, avevamo una quantità di stock espressa in euro e abbiamo detto che metà dello stock era necessaria per scopi di servizio e avrebbe dovuto essere gestita dal supply chain, mentre l’altra metà era necessaria per scopi di merchandising e doveva essere responsabilità del marketing. Ovviamente, il marketing, che improvvisamente vedeva una linea di inventario massiccia entrare nel loro budget, non era contento di questa idea.

Quindi, innanzitutto, dobbiamo affrontare il fatto che è molto difficile stabilire regole per quantificare in dollari il premio e il costo, e queste regole dovrebbero applicarsi a tutti in maniera equa. Questo è difficile da ottenere, e molte persone nelle organizzazioni hanno un interesse personale a mantenere le cose in questo modo. Abbiamo un altro tipo di problema, che è in realtà molto più facile da affrontare: lo shadow IT. Il problema con gli ERP e software simili, come puoi vedere nella base di conoscenza di Lokad sugli ERP, è che è molto difficile per i venditori di ERP coprire tutte le situazioni. Ad esempio, potresti avere quantità minime d’ordine (MOQs). Come rappresenti questo in un ERP? Dipende davvero. Il MOQ può essere a livello di prodotto, a livello d’ordine, o a volte una combinazione di entrambi. Può persino essere più complicato, come nel caso dei tessili, dove il MOQ è definito dalla quantità di tessuto in ogni colore.

Il problema è che, per i venditori di ERP, è estremamente difficile rappresentare tutto ciò. Di conseguenza, le persone acquistano un ERP e poi si rendono conto che non consente loro di rappresentare tutto ciò di cui hanno bisogno, quindi ricorrono ai fogli di calcolo Excel. Io credo che questo sia precisamente il ruolo di un buon dipartimento IT: costruire e fornire le parti mancanti affinché lo shadow IT non rimanga shadow IT, ma diventi invece piccole estensioni interne. In un certo senso, è positivo avere un ERP, e il mio consiglio è di non personalizzare il tuo ERP ma di fare qualcosa a parte. È molto più facile da mantenere piuttosto che procedere in stile “Frankenstein” sopra l’ERP.

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