00:00:08 Approccio decision-first nell’ottimizzazione della supply chain.
00:02:25 L’importanza di generare decisioni per comprendere la semantica dei dati.
00:04:55 La generazione di decisioni come meccanismo di validazione per la comprensione dei dati.
00:06:10 Le sfide dell’ottimizzazione dei parametri e dell’identificazione degli errori nel processo decisionale.
00:07:50 La relazione tra parametri, strategia aziendale e processo decisionale.
00:09:08 L’obiettivo finale delle ricette numeriche capitalistiche per l’automazione delle decisioni.
00:11:37 La necessità di generare decisioni per comprendere se le fasi precedenti siano state efficaci.
00:12:40 Il ruolo delle previsioni nel processo decisionale della supply chain e il problema di non adottare un approccio decision-first.
00:14:45 Approcci alternativi nell’industria e la scissione delle decisioni.
00:16:01 La riconciliazione delle previsioni e il processo decisionale atomico.
00:18:16 Imparare dai fallimenti passati e abbracciare una nuova prospettiva.
00:20:59 Imparare facendo e la filosofia della prassi.
00:21:57 La prontezza dell’industria per un nuovo approccio e i tentativi precedenti.
00:24:10 Riconoscere i fallimenti e i limiti degli approcci cartesiani.

Sommario

Durante l’intervista, Kieran Chandler e Joannes Vermorel discutono dell’approccio decision-first di Lokad per l’ottimizzazione della supply chain. I metodi tradizionali si basano sulle previsioni, ma Lokad si concentra su decisioni tangibili per migliorare la comprensione dei dati e potenziare l’ottimizzazione. Vermorel racconta il cambiamento dell’azienda, passando da una prospettiva cartesiana ad un approccio decision-first dopo numerosi fallimenti. Egli crede che le organizzazioni possano imparare solo facendo e sottolinea la necessità di generare decisioni e iterare su di esse. Convincere le aziende a cambiare il loro approccio è difficile, ma Vermorel ritiene che la maggior parte sia aperta a farlo una volta riconosciuti i fallimenti passati e le limitazioni dei metodi tradizionali.

Sommario Esteso

In questa intervista, Kieran Chandler, il conduttore, parla con Joannes Vermorel, il fondatore di Lokad, un’azienda software specializzata nell’ottimizzazione della supply chain. Discutono dell’unico approccio “decision-first” di Lokad all’ottimizzazione della supply chain, che si differenzia dai metodi tradizionali di previsione.

Storicamente, le supply chain si sono basate su metodi di previsione, affidando il processo decisionale effettivo ai membri senior che si basano sulla loro intuizione ed esperienza. Vermorel spiega che Lokad ha sviluppato un approccio alternativo, concentrandosi prima sul processo decisionale. Questo approccio è emerso dopo anni di lavoro nell’ottimizzazione predittiva della supply chain.

Inizialmente, Lokad operava con una prospettiva cartesiana: raccogliere i dati, chiarirne la semantica, applicare ricette numeriche per la previsione e l’ottimizzazione, e poi produrre decisioni basate su parametri specifici. Tuttavia, Vermorel si rese conto che questo approccio non funzionava come previsto. Scoprì che concentrarsi prima sul processo decisionale non era solo più efficace, ma anche controintuitivo.

Con “decision-first,” Vermorel si riferisce al processo di prendere decisioni tangibili per la supply chain, come acquistare un’unità aggiuntiva da un fornitore, produrre un’unità in più in una linea di produzione, spostare lo stock da una sede all’altra o adeguare i prezzi dei prodotti. Queste decisioni hanno impatti economici reali sulle supply chain.

Vermorel condivide la sua esperienza in Lokad, dove l’azienda inizialmente si è concentrata sulla preparazione dei dati. Raccoglievano dati storici, come vendite e movimenti di stock, e documentavano i dati per garantirne una corretta comprensione. Tuttavia, spesso si accorgevano di fraintendere i dati, rendendosi conto degli errori solo quando generavano decisioni basate su di essi.

Fu grazie al meccanismo di generazione delle decisioni che riuscivano a identificare errori nell’interpretazione dei dati. I professionisti della supply chain potevano esaminare le decisioni generate e segnalare le incongruenze, permettendo a Lokad di correggere la loro comprensione dei dati.

L’approccio “decision-first” di Lokad per l’ottimizzazione della supply chain sottolinea l’importanza di prendere decisioni tangibili per la supply chain prima di immergersi nell’analisi dei dati e nella previsione. Questo metodo controintuitivo permette una migliore comprensione dei dati e porta, in ultima analisi, a un’ottimizzazione della supply chain più efficace.

Esplorano le sfide e il processo di generazione di decisioni ottimali nella gestione della supply chain.

Vermorel spiega che, nel tentativo di generare decisioni, si scontrano spesso con problemi che sono in conflitto con la realtà della supply chain. Questi problemi sono solitamente banali e ripetitivi, ma identificarli e affrontarli è essenziale per creare soluzioni efficaci.

Per comprendere meglio i dati nella supply chain, Vermorel suggerisce di generare decisioni basate su quei dati. Se le decisioni sono approssimativamente corrette e ragionevoli, esse validano la comprensione semantica dei dati in ingresso. Questo processo di feedback continuo tra il modello mentale dei dati e la generazione delle decisioni aiuta a migliorare l’accuratezza e ad allineare meglio le decisioni con la realtà della supply chain.

Gli intervistati discutono anche della sfida del metodo del tentativo ed errore nella generazione di decisioni ottimali. Vermorel sottolinea che i problemi non si limitano ai dati, ma includono anche i parametri stessi che vengono ottimizzati. Adottando una prospettiva cartesiana, si dovrebbe ottimizzare in termini di dollari di errore anziché di percentuale di errore. Ciò comporta l’applicazione di driver economici come il costo di carrying, il margine lordo e le penalità per stock-out per esprimere la performance delle decisioni in dollari.

Tuttavia, anche applicando driver economici apparentemente sensati, le decisioni iniziali finiscono spesso per essere insensate. Vermorel spiega che problemi sottili risiedono nei parametri stessi, richiedendo un processo iterativo tra la comprensione dei dati, la generazione delle decisioni e il perfezionamento dei driver economici.

L’obiettivo finale di questo approccio decision-first è creare una ricetta numerica capace di generare automaticamente decisioni banali. Ciò è essenziale per gestire l’enorme volume di decisioni richieste quotidianamente nelle grandi supply chain, poiché consente alle aziende di evitare di impiegare un esercito di impiegati e concentrarsi sul miglioramento continuo della ricetta numerica stessa.

Discutono dell’importanza di un approccio “decision first” e delle limitazioni del focus dell’industria sull’accuratezza delle previsioni.

Vermorel spiega che il tradizionale approccio top-down, a cascata, per l’ottimizzazione della supply chain non funziona. Questo metodo prevede l’aggiornamento dei sistemi, la documentazione dei processi e la conduzione di studi approfonditi per creare un piano completo. Tuttavia, Vermorel sostiene che finché le aziende non saranno in grado di generare decisioni effettive, non potranno sapere se nessuna delle fasi precedenti sia stata efficace.

Il focus dell’industria sull’accuratezza delle previsioni è intellettualmente seducente, ma Vermorel suggerisce che sia difettoso. Sebbene le previsioni siano importanti per anticipare gli stati futuri del mercato, esse sono semplicemente artefatti numerici senza alcuna influenza diretta sulla supply chain. Migliorare solamente le previsioni non porta a un apprendimento reale o a un’ottimizzazione. Al contrario, Vermorel sottolinea che le aziende dovrebbero dare priorità al prendere decisioni in linea con la realtà.

Per illustrare le limitazioni di concentrarsi sugli artefatti numerici, Vermorel descrive come le aziende possano creare previsioni a breve, medio e lungo termine. Invece di risolvere il problema iniziale, questo approccio genera molteplici problemi di previsione e richiede ulteriori sforzi per riconciliare le diverse previsioni. Ciò non fa altro che peggiorare la situazione e non fornisce comunque un collegamento chiaro con la realtà.

Vermorel promuove un approccio decision-first, affermando che le decisioni sono atomiche e ben definite, e che ciò può portare a un apprendimento reale e a un’ottimizzazione efficace della supply chain. Sottolinea la necessità per le aziende di confrontarsi con la realtà attraverso il prendere decisioni, permettendo così di valutare l’efficacia dei loro sforzi di ottimizzazione.

Il Fondatore condivide la sua esperienza di aver inizialmente provato un approccio più classico e cartesiano, che ha fallito ripetutamente, e sottolinea la necessità di una prospettiva decision-first per evitare di commettere errori.

Vermorel crede che le organizzazioni possano imparare solo facendo e sottolinea l’importanza di generare decisioni e iterarle, piuttosto che tentare di sviluppare soluzioni perfette in modalità top-down. Riconosce la difficoltà di convincere le aziende a cambiare il loro approccio, poiché molte hanno provato vari sistemi di ottimizzazione della supply chain senza successo. In termini di prontezza, ritiene che la maggior parte delle aziende sia aperta ad adottare un nuovo approccio, ma debba prima riconoscere i fallimenti dei tentativi precedenti e le limitazioni dei metodi cartesiani tradizionali.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV, andremo a comprendere l’approccio alternativo di mettere le decisioni al primo posto e a capire come questo possa migliorare il funzionamento di un’organizzazione. Quindi, Joannes, forse potresti iniziare raccontandoci un po’ di più su cosa intendi per approccio decision-first.

Joannes Vermorel: L’approccio decision-first è un angolo molto specifico che abbiamo scoperto dopo un paio d’anni nel lavoro che Lokad svolge, che è fondamentalmente l’ottimizzazione predittiva della supply chain. Quando ho iniziato Lokad, avevo una prospettiva cartesiana in cui, per ottimizzare qualcosa, si diceva: “Avrò dati, ne chiarirò la semantica, poi applicherò una serie di ricette numeriche ben definite: previsione, ottimizzazione, e poi mi concentrerò su determinati parametri, e applicheremo tutto ciò, e infine otterremo buone decisioni.” Tuttavia, si è scoperto che questo approccio non funziona. Assolutamente non è così che realizziamo i progetti ai giorni nostri, e il modo in cui lo facciamo è profondamente controintuitivo.

Quando dico decision-first, intendo che si tratta letteralmente di produrre una decisione, qualcosa che sia conforme alla realtà. Cosa intendo per decisioni? Intendo decisioni banali per la supply chain, come decidere di acquistare un’unità in più da un fornitore, decidere di produrre un’unità in più nella tua linea di produzione, decidere di spostare un’unità di stock dalla sede A alla sede B, o decidere di aumentare o diminuire il prezzo di un prodotto. Queste sono decisioni tangibili e fisiche che hanno un reale impatto economico sulla tua supply chain. Quando dico decision-first, intendo che il primo passo è letteralmente iniziare con una di queste decisioni prima di fare tutto il resto, il che suona molto strano perché si potrebbe pensare che tutto il resto venga prima, ma no, è la decisione che viene prima.

Kieran Chandler: Parliamo un po’ di come hai avuto quell’idea. Cosa hai sperimentato in Lokad che ti ha portato a sviluppare quell’approccio?

Joannes Vermorel: Ci siamo resi conto che, all’inizio, dovevamo occuparci della preparazione dei dati. Ad esempio, se volevamo ottimizzare la supply chain, avevamo bisogno di dati, semplicemente dati storici basilari come le vendite passate, i movimenti di stock e cose simili. Si potrebbe pensare di poter documentare i dati per assicurarsi di comprenderli, ed è quello che facevamo. Tuttavia, il problema era che ogni volta che documentavamo i dati, in qualche modo li interpretavamo erroneamente. Ma non ce ne accorgevamo fino al momento in cui generavamo la decisione. È solo grazie al meccanismo di generazione delle decisioni, in cui produciamo una decisione come, “Spostiamo X unità di stock da questa sede a quell’altra sede,” che poi un operatore della supply chain guarda la decisione e dice, “Beh, è semplicemente sbagliata. Hai chiaramente frainteso i dati.”

Kieran Chandler: Nelle situazioni in cui non dovremmo farlo, c’è una ragione molto valida per non farlo. Non è necessariamente avanzato; è molto banale. Ad esempio, non hai la capacità, oppure pensi di avere 1.000 unità nella prima sede, ma in realtà ne rimangono solo cinque. Quindi, non puoi nemmeno spostare le 50 unità che vorresti spostare. Ci sono problemi di questo tipo.

Joannes Vermorel: È interessante che si inizi generando la decisione, e poi si abbiano operatori della supply chain con una certa esperienza che possono, a prima vista, dire che si tratta di una decisione errata. Poi ti rendi conto che ci sono molti problemi che non avevi identificato.

Kieran Chandler: È certamente controintuitivo, vero? Perché penseresti che pulendo i dati e comprendendo come sono strutturati, avresti già eliminato alcune di quelle decisioni errate.

Joannes Vermorel: Quando dico che generiamo decisioni errate, intendo che produciamo decisioni che confliggono con la realtà della supply chain in modo relativamente banale. Ci vuole molta intelligenza per generare la decisione stessa. Il punto fondamentale qui è capire che l’unico modo per assicurarsi di comprendere correttamente i dati è essere in grado di generarne una decisione. Se questa decisione è approssimativamente corretta e ragionevole, valida la semantica che ritieni applicabile ai dati in ingresso e che hai utilizzato per creare il modello in primo luogo.

Tuttavia, è un meccanismo in cui devi andare avanti e indietro tra il modello mentale, che è semplicemente la semantica di ciò che pensi significhi il dato, e il meccanismo di generazione delle decisioni che produce la decisione, ovvero il punto in cui la realtà ti fornisce un feedback su ciò che stai facendo. Allora ti renderai conto che c’erano molte cose che stavi interpretando male riguardo ai dati, così si procede in un iter continuo.

Kieran Chandler: Come arriviamo alla decisione finale, allora? Sembra richiedere molto tentativi ed errori. Quanto di tentativi ed errori comporta questo processo?

Joannes Vermorel: È ancora peggio, perché ho discusso solo dei problemi che avete individuato sui dati. Non si tratta soltanto dei problemi relativi ai dati; sono anche le metriche stesse che ottimizzi. Se adotti una prospettiva cartesiana, diresti che non puoi ottimizzare ciò che non misuri. In Lokad, sosteniamo un’ottimizzazione espressa in dollari di errore, non in percentuale di errore. Quindi, ti serve una metrica espressa in dollari che rappresenti tutti i driver economici applicabili. Per esempio, nel caso dello stock, ciò significherebbe tener conto di driver economici come il costo di mantenimento, il margine lordo e le penalità per stockout.

Kieran Chandler: Puoi spiegare come misuri la performance del processo decisionale a Lokad?

Joannes Vermorel: Sì, ecco come misuri la performance della tua decisione espressa in dollari. Logicamente, diresti, “Prendo il DR che conosco, impiego delle capacità di apprendimento statistico ad alta dimensionalità, ossia la parte di forecasting, e poi utilizzo capacità di ottimizzazione numerica ad alta dimensionalità, applicando una metrica che rifletta la mia strategia aziendale e comprenda i miei driver.”

Kieran Chandler: E cosa succede quando applichi questa metrica per la prima volta?

Joannes Vermorel: Finirai per ottenere tonnellate di decisioni insensate, ed è molto sconcertante, perché tutti i tuoi driver economici sembrano non essere del tutto evidenti, ma quasi, sai, costi di mantenimento. Margine lordo, voglio dire, non stiamo parlando di cose super avanzate. Eppure, quando applichiamo questo concetto alla decisione, inevitabilmente finiamo per prendere decisioni molto stupide e scadenti. E cosa riflettono queste decisioni? Riflettono il fatto che gli errori, i pensieri, sono problemi sottili che risiedono nelle stesse metriche. E così, proprio come abbiamo avuto, sai, un continuo va e vieni tra la tua comprensione dei dati e la decisione che ne deriva. C’è molto scambio riguardo ai driver economici, su come li comprendi e sul tipo di decisione che generi. Parliamo sempre dell’idea che non puoi ottimizzare ciò che non misuri. Quindi, l’obiettivo finale è che i dati convalidino le decisioni che stai prendendo?

Kieran Chandler: E qual è l’obiettivo finale secondo i supply chain practitioners?

Joannes Vermorel: L’obiettivo finale è avere qualcosa di capitalista. Vedi, quando diciamo decision first, l’idea è quella di fornire una ricetta numerica che generi automaticamente tutte quelle decisioni super banali. Perché? Perché ne hai così tante. I nostri clienti più grandi devono generarne milioni ogni singolo giorno. Quindi, o hai un esercito di impiegati, come ancora succede in molte aziende, oppure decidi, “Ok, avrò una specie di ricetta miracolosa che fa questo lavoro,” e allora tutti gli sforzi che continuo a investire in quest’area servono per il miglioramento continuo della ricetta numerica stessa.

Kieran Chandler: E cosa c’è di interessante in questo approccio?

Joannes Vermorel: Curiosamente, fino a quando non generi effettivamente quelle decisioni, tutte le altre cose che puoi fare, non sei nemmeno sicuro che funzionino. E questo è il punto, perché se adotti questo tipo di prospettiva cartesiana dall’alto verso il basso, diresti, “Ok, il mio piano è prima aggiornare l’ERP a nuove capacità XYZ. Ok, ci vogliono sei mesi, e poi documenteremo e chiariremo l’ordine in cui sono, e poi sarà di nuovo roba XYZ, addirittura spingendo tutto in un data lake, e poi faremo un altro studio di sei mesi con magari un consulente esterno per chiarire completamente la strategia e avere una modalizzazione quantitativa completa.”

Kieran Chandler: Dei driver aziendali, e poi infine metteremo insieme tutte quelle cose per generare questa esecuzione automatizzata della decisione ottimizzata. Sembra, sai, un piano con una bella prospettiva a cascata, in cui passi dalla fase uno alla fase due, fino alla fase tre. Ma letteralmente, questa cosa non funziona affatto, ed è probabilmente la lezione più frustrante. Fino a quando non arrivi al punto in cui generi effettivamente decisioni, non hai idea se uno qualsiasi dei passi fatti in precedenza stia effettivamente funzionando. Ed è qualcosa di piuttosto sconvolgente. Pensaresti di poter avere un piano che puoi eseguire in modo affidabile, ma no, la lezione è che se non hai questo contatto con la realtà, questo ciclo di feedback, non lo sai, davvero non lo sai.

Joannes Vermorel: Sì, intendo, l’industria è molto focalizzata su quest’idea di forecasting e di accuratezza delle previsioni, vero? Perché questo tipo di visione che le imprese, le aziende e i consulenti promuovono così intensamente?

Kieran Chandler: Perché è molto seducente intellettualmente. Sembra qualcosa di molto ragionevole.

Joannes Vermorel: Voglio dire, sì, le previsioni sono importanti, ovviamente. Perché ogni volta che prendi una decisione supply chain, è fondamentalmente un’affermazione su uno stato futuro del mercato. Se invii un ordine d’acquisto per materie prime a un fornitore, fondamentalmente stai implicitamente affermando qualcosa sullo stato della domanda futura. Quindi, supply chain, perché non possiamo teletrasportarci e non possiamo stampare in 3D tutto istantaneamente, riguarda tutto l’anticipare lo stato futuro del mercato. Così, le aziende cercano di affrontare la questione in modo razionale e dicono, “Oh, facciamo un giro di miglioramento delle previsioni,” ed è fondamentalmente ciò di cui abbiamo discusso nel nostro episodio Naked Forecast. E poi finiscono per avere ogni sorta di problemi, e in realtà, quando rivediamo il tutto da una prospettiva leggermente diversa, cioè la possibilità offerta da questo episodio decision first, direi, beh, il problema è che non sei decision first quando fai così. Se dici, “Oh, puntiamo a previsioni migliori e poi vediamo cosa possiamo fare con quelle previsioni migliori,” non stai essendo decision first. Stai partendo da un artefatto numerico. Tutte le previsioni sono solo artefatti numerici. Non hanno alcuna influenza diretta sulla tua supply chain. E poi dici: forse migliorerà, e il mio feedback, la lezione appresa in un decennio di gestione di progetti supply chain a Lokad, è che no, non imparerai nulla. L’apprendimento deriva solo dalla realtà, che è l’ultimo arbitro su chi ha ragione o torto. E quando dico realtà, intendo il modo per assicurarsi che questo progetto di ottimizzazione della supply chain stia effettivamente andando nella giusta direzione: sono quelle decisioni, perché quelle decisioni sono davvero il fulcro nel metterti a rischio rispetto a ciò che la realtà può dirti se sta funzionando o meno.

Kieran Chandler: Ok, e mettere le decisioni al primo posto è certamente il modo in cui lo vedremmo, ma che dire di questi approcci alternativi che circolano nell’industria? E che dire di dividere quelle decisioni?

Joannes Vermorel: Sì, voglio dire, per esempio, ciò che tipicamente accade è che quando inizi a concentrarti sugli artefatti, specialmente quelli numerici, hai pochissimi vincoli associati ad essi, e quindi li puoi fondamentalmente dividere o suddividere. Per esempio, puoi avere una previsione a breve termine, una a medio termine e una a lungo termine. Facendo così, crei ulteriori problemi. Avevi un problema con le previsioni, ora ne hai tre, e inoltre hai il problema delle diverse squadre che devono riconciliare il proprio lavoro. Quindi, dovrai riconciliare la previsione a lungo termine con quella a medio termine, poi la previsione a breve termine con quella a medio termine, e magari persino quella a breve termine con quella a lungo termine. Avevi un problema, ora ne hai sei. Hai appena peggiorato la situazione, ed è ancora molto poco chiaro se ciò che stai facendo abbia qualche connessione con la realtà.

La realtà non ti dirà se ciò che stai facendo è sbagliato in modo molto indiretto. E questa è la bellezza delle decisioni. Se adottiamo questo approccio decision-first, le decisioni tendono ad essere altamente atomiche e ben definite. Come le vediamo a Lokad, sono atomiche; non si possono suddividere. Se dico, “Acquista un’unità da questo fornitore oggi,” sai che è quanto più atomico possibile. A volte puoi affinarla, ad esempio “Acquista un’unità da questo fornitore oggi e fatti spedire questa unità tramite truck,” perché magari c’è l’opzione di spedirla in treno o altro. Quindi, a Lokad abbiamo decisioni che sono, per definizione, completamente atomiche. Non puoi davvero suddividerle, il che è molto positivo perché pone anche dei limiti alle cose che puoi inventare.

Focalizzarsi sulle decisioni ti impedisce di commettere intere classi di errori, come dividere le cose o creare lavoro fittizio. È un vero cambiamento di prospettiva.

Kieran Chandler: E allora, cosa fai per convincere quelle organizzazioni abituate ad adottare un approccio più classico?

Joannes Vermorel: Questo è il nocciolo della questione…

Kieran Chandler: Il problema è che è molto difficile convincere perché, prima di tutto, anch’io non ero convinto. Sai, non ho iniziato con questo approccio nel 2008. Ho provato il metodo più classico, che descriverei come il metodo cartesiano. Provi semplicemente questo principio a cascata, o ingegneristico: chiarisci l’input, chiarisci le metriche, chiarisci il modello, e poi metti tutto insieme per fare un’ottimizzazione in quest’ordine, e funzionerebbe. Ma no, non è affatto così che funziona.

Joannes Vermorel: Posso dire dalla mia esperienza che quel metodo ha fallito ripetutamente, e abbiamo avuto una vasta serie di iniziative davvero dolorose. Voglio dire, in definitiva, quando lo fai secondo il metodo cartesiano, cosa succede in pratica? Beh, realizzi semplicemente il tuo bel progetto e poi, il giorno in cui avresti dovuto aver finito, ti rendi conto che nulla funziona e devi rifarlo da capo.

Quindi, in definitiva, funzionerà perché quando provi effettivamente a mettere in produzione, vedrai tutte quelle cose e poi dovrai rivedere tutto ciò che hai fatto in precedenza. E questo è il trucco. Se non abbracci questa prospettiva, quello che succederà è che i tuoi progetti richiederanno anni, perché realizzerai semplicemente un progetto di un anno in questa prospettiva a cascata, con un bel piano e tutto il resto. E il giorno in cui proverai ad attivare il sistema, ti renderai conto che tutto crolla. Quindi lo spegni di nuovo e ripeti. E poi ci vogliono anni.

La mia filosofia è che, innanzitutto, cerco semplicemente di comunicare questo esperimento. E poi, da una prospettiva più filosofica, direi che tutto ciò che impari, non lo apprendi dai libri di testo. Per la stragrande maggioranza delle cose della vita, impari facendo. È davvero estremamente difficile imparare qualcosa senza farlo.

Sì, in teoria puoi imparare una lingua straniera semplicemente prendendo un libro, leggendo per sei mesi, memorizzandolo, e poi diventi fluente. Non so se abbia mai visto qualcuno capace di farlo. In teoria potrebbe essere possibile, ma nella realtà no. Proveresti, inciamparesti, e a volte la gente semplicemente non capisce ciò che stai dicendo, e poi gradualmente migliorerai. Ma vedi, impari facendo. Questo è il vecchio concetto greco di praxis. E penso che per qualcosa di così complesso come la supply chain, non ci sia nessun altro modo per imparare; penso che sia un’illusione.

Kieran Chandler: Ok, beh, iniziamo a concludere un po’. Tutto suona bene teoricamente, ma è tutt’altro che consolidato. Quindi, pensi che l’industria sia davvero pronta ad abbracciare un approccio completamente nuovo, o pensi che sia troppo radicata nelle vecchie abitudini e che i vecchi approcci siano troppo consolidati?

Joannes Vermorel: La cosa divertente è che, in termini di prontezza, vedo che la stragrande maggioranza delle aziende che implementano sistemi di ottimizzazione della supply chain da decenni, soprattutto le grandi, ed è pazzesco. Hanno, insomma…

Kieran Chandler: Persino il termine, sai, ERP (Enterprise Resource Planning) normalmente indica una sorta di cosa di ottimizzazione della supply chain. La stragrande maggioranza degli ERP implementati negli ultimi tre decenni non offrono alcun valore in quest’area. Sì, offrono molto valore dal lato gestionale. Sai, puoi tenere traccia dei tuoi stock, hai visibilità in tempo reale, il che è molto positivo. Puoi avere molte automazioni workflow per fatture, pagamenti, monitoraggio dei ritardi e via dicendo. Molto bene. Ma quando si tratta di ottimizzazione predittiva, lo stato dell’industria è quasi inesistente. Ci sono pochissime soluzioni che funzionano, e non è per mancanza di tentativi. Spesso, le grandi aziende che serviamo sono al loro quinto, sesto o settimo tentativo in questo ambito. Quindi, chiaramente, in termini di prontezza, penso che molte aziende siano pronte a farlo, perché ci hanno provato per gli ultimi tre decenni. Non è per mancanza di tentativi.

Joannes Vermorel: Penso che il nocciolo della questione sia che la maggior parte delle aziende non ha nemmeno cercato di riconoscere i dettagli delle proprie sconfitte. Questo potrebbe essere legato al potere della conoscenza negativa, che è qualcosa di cui abbiamo discusso in un altro episodio. Forse alcune aziende devono iniziare a concentrarsi su quei problemi complessi, quei wicked problems, o su problemi che resistono al bel metodo cartesiano in cui puoi semplicemente prendere una penna e carta, sederti alla scrivania, riflettere intensamente, trovare una soluzione, implementarla e funzionare. Non è così che funziona nella gestione della supply chain. La supply chain è troppo disordinata. Devi generare quelle decisioni, non limitarti ad agire su di esse. Puoi generare la decisione, farla visionare da qualcuno, e poi ti diranno, “No, non funziona.” Già basta. Ma in termini di prontezza, tornando alla tua domanda, penso che molte aziende siano pronte, e sarà una battaglia in salita. Per Lokad, dobbiamo ancora convincerle che non c’è altra via se non mettere a rischio la loro iniziativa rispetto alla realtà, invece di cercare di farlo giusto al primo tentativo con un approccio cartesiano, top-down, che sfortunatamente non funziona.

Kieran Chandler: Ok, brillante. Dobbiamo concludere qui, ma grazie per il tuo tempo. Quindi, questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Ciao per ora.