00:00:08 Approccio decisionale al primo posto 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 convalida per comprendere i dati.
00:06:10 Le sfide dell’ottimizzazione delle metriche e dell’individuazione degli errori nel processo decisionale.
00:07:50 La relazione tra metriche, 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 capire se i passaggi precedenti sono stati efficaci.
00:12:40 Il ruolo delle previsioni nella decisione della supply chain e il problema di non mettere le decisioni al primo posto.
00:14:45 Approcci alternativi nell’industria e suddivisione delle decisioni.
00:16:01 Conciliazione delle previsioni e 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 Preparazione dell’industria per un nuovo approccio e tentativi precedenti.
00:24:10 Riconoscimento dei fallimenti e dei limiti degli approcci cartesiani.
Riassunto
Nell’intervista, Kieran Chandler e Joannes Vermorel discutono dell’approccio di Lokad basato sulle decisioni per l’ottimizzazione della supply chain. I metodi tradizionali si basano sulla previsione, ma Lokad si concentra sulle decisioni concrete per migliorare la comprensione dei dati e potenziare l’ottimizzazione. Vermorel condivide il passaggio dell’azienda da una prospettiva cartesiana a un approccio basato sulle decisioni dopo ripetuti fallimenti. 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 una sfida, ma Vermorel ritiene che la maggior parte sia aperta a farlo una volta riconosciuti i fallimenti passati e i limiti dei metodi tradizionali.
Riassunto Esteso
In questa intervista, Kieran Chandler, il conduttore, parla con Joannes Vermorel, il fondatore di Lokad, un’azienda specializzata nell’ottimizzazione della supply chain. Discutono dell’approccio unico di Lokad basato sulle decisioni per l’ottimizzazione della supply chain, che si differenzia dai metodi tradizionali di previsione.
Storicamente, le supply chain si sono basate su metodi di previsione, lasciando il processo decisionale effettivo ai membri senior del personale che si affidano alla loro intuizione e competenza. 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 dati, chiarirne la semantica, applicare ricette numeriche per la previsione e l’ottimizzazione, e quindi produrre decisioni basate su metriche specifiche. Tuttavia, Vermorel ha capito che questo approccio non funzionava come previsto. Ha scoperto che concentrarsi prima sul processo decisionale non solo era più efficace, ma anche controintuitivo.
Con “decisione al primo posto”, Vermorel si riferisce al processo di prendere decisioni concrete sulla supply chain, come l’acquisto di un’unità aggiuntiva da un fornitore, la produzione di un’unità in più in una linea di produzione, lo spostamento di stock da una posizione all’altra o l’aggiustamento dei prezzi dei prodotti. Queste decisioni hanno impatti economici reali sulle supply chain.
Vermorel condivide la sua esperienza presso Lokad, dove l’azienda si è inizialmente concentrata sulla preparazione dei dati. Hanno raccolto dati storici, come vendite e movimenti di stock, e documentato i dati per garantirne una corretta comprensione. Tuttavia, spesso si sono resi conto di fraintendere i dati, rendendosene conto solo quando hanno generato decisioni basate su di essi.
È stato attraverso il meccanismo di generazione delle decisioni che hanno potuto individuare errori nella loro interpretazione dei dati. Gli operatori della supply chain potevano esaminare le decisioni generate e segnalare incongruenze, consentendo a Lokad di correggere la loro comprensione dei dati.
L’approccio “decisione al primo posto” di Lokad all’ottimizzazione della supply chain enfatizza l’importanza di prendere decisioni concrete sulla supply chain prima di immergersi nell’analisi dei dati e nella previsione. Questo metodo controintuitivo consente una migliore comprensione dei dati e porta infine a un’ottimizzazione più efficace della supply chain.
Esplorano le sfide e il processo di generazione di decisioni ottimali nella gestione della supply chain.
Vermorel spiega che nel tentativo di generare decisioni, spesso si incontrano problemi che entrano 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 tali dati. Se le decisioni sono approssimativamente corrette e ragionevoli, allora si convalida la comprensione semantica dei dati di input. Questo processo di andata e ritorno 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 della prova ed errore nella generazione di decisioni ottimali. Vermorel sottolinea che i problemi non si limitano ai dati, ma riguardano anche le stesse metriche che vengono ottimizzate. Adottando una prospettiva cartesiana, si dovrebbe ottimizzare in termini di dollari di errore invece di percentuale di errore. Ciò comporta l’applicazione di driver economici come il costo di mantenimento, il margine lordo e le penalità per la mancanza di stock per esprimere le prestazioni delle decisioni in dollari.
Tuttavia, anche quando si applicano driver economici apparentemente sensati, le decisioni iniziali spesso finiscono per essere prive di senso. Vermorel spiega che ci sono problemi sottili all’interno delle metriche stesse, che richiedono un processo di andata e ritorno tra la comprensione dei dati, la generazione delle decisioni e il perfezionamento dei driver economici.
L’obiettivo finale di questo approccio decisionale al primo posto è creare una ricetta numerica in grado di generare decisioni banali automaticamente. Questo è essenziale per gestire il massiccio volume di decisioni richieste quotidianamente nelle grandi supply chain, in quanto consente alle aziende di evitare di impiegare un esercito di impiegati e di concentrarsi sul miglioramento continuo della ricetta numerica stessa.
Discutono dell’importanza di un approccio “decisione al primo posto” e dei limiti della focalizzazione dell’industria sull’accuratezza delle previsioni.
Vermorel spiega che l’approccio tradizionale dall’alto verso il basso, a cascata, all’ottimizzazione della supply chain non funziona. Questo metodo prevede l’aggiornamento dei sistemi, la documentazione dei processi e lo svolgimento di studi approfonditi per creare un piano completo. Tuttavia, Vermorel sostiene che fino a quando le aziende non possono generare decisioni effettive, non possono sapere se i loro passi precedenti sono stati efficaci.
La focalizzazione dell’industria sull’accuratezza delle previsioni è intellettualmente seducente, ma Vermorel suggerisce che è fallace. Sebbene le previsioni siano importanti per anticipare i futuri stati di mercato, sono solo artefatti numerici senza alcuna influenza diretta sulla supply chain. Migliorare solo le previsioni non porta a un apprendimento o a un’ottimizzazione del mondo reale. Invece, Vermorel sottolinea che le aziende dovrebbero dare priorità alla presa di decisioni che si allineano con la realtà.
Per illustrare i limiti della focalizzazione 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 crea ulteriori problemi di previsione e richiede uno sforzo aggiuntivo per conciliare le diverse previsioni. Questo serve solo a peggiorare la situazione e non fornisce ancora una chiara connessione con la realtà.
Vermorel sostiene un approccio decisionale al primo posto, affermando che le decisioni sono atomiche e ben definite, il che può portare a un apprendimento del mondo reale e a un’efficace ottimizzazione della supply chain. Sottolinea la necessità per le aziende di confrontarsi con la realtà attraverso la presa di decisioni, che permette loro 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 decisionale al primo posto per evitare errori.
Vermorel crede che le organizzazioni possano imparare solo facendo e sottolinea l’importanza di generare decisioni e iterare su di esse, anziché cercare di sviluppare soluzioni perfette in modo dall’alto verso il basso. Riconosce la difficoltà nel 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 all’adozione di un nuovo approccio, ma deve prima riconoscere i fallimenti dei tentativi precedenti e i limiti dei metodi cartesiani tradizionali.
Trascrizione completa
Kieran Chandler: Oggi su Lokad TV, cercheremo di capire l’approccio alternativo di mettere le decisioni al primo posto e capire come questo possa migliorare il modo in cui un’organizzazione opera. Quindi, Joannes, forse puoi iniziare dicendoci un po’ di più su cosa intendi con un approccio decisionale al primo posto.
Joannes Vermorel: L’approccio decisionale al primo posto è un angolo molto specifico che abbiamo scoperto dopo un paio di anni facendo il lavoro che fa Lokad, ovvero l’ottimizzazione predittiva della supply chain. Quando ho iniziato Lokad, avevo una prospettiva cartesiana in cui si vuole ottimizzare qualcosa, quindi si dice: “Avrò dati, chiarirò la semantica, quindi applicherò una serie di ricette numeriche ben definite: previsione, ottimizzazione, e poi andrò specificamente per certe metriche, e applicheremo tutto questo, e poi otterremo buone decisioni.” Tuttavia, si è scoperto che questo approccio non funziona. Questo non è assolutamente il modo in cui portiamo avanti i progetti al giorno d’oggi, ed è molto profondamente controintuitivo.
Quando dico decisione al primo posto, intendo letteralmente produrre una decisione, qualcosa che si conforma alla realtà. Cosa intendo per decisioni? Intendo decisioni banali sulla 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 posizione A alla posizione B, o decidere di aumentare o diminuire il prezzo di un prodotto. Queste sono decisioni tangibili e fisiche che hanno un impatto economico reale sulla tua supply chain. Quando dico decisione al primo posto, intendo che il primo passo è letteralmente iniziare prendendo una di quelle decisioni prima di fare tutto il resto, il che suona molto strano perché si penserebbe che tutto il resto venga prima, ma no, è la decisione che viene prima.
Kieran Chandler: Parliamo un po’ di come hai avuto questa idea. Cosa hai sperimentato a Lokad per arrivare a questo approccio?
Joannes Vermorel: Ci siamo resi conto che quando abbiamo iniziato, avevamo bisogno di preparare i dati. Ad esempio, se volevamo ottimizzare la supply chain, avevamo bisogno di dati, solo dati storici molto basilari sulle vendite storiche, sugli spostamenti di stock e su queste cose. Si potrebbe pensare di documentare i dati per assicurarsi di capirli, ed è quello che abbiamo fatto. Tuttavia, il problema era che ogni volta che documentavamo i dati, in qualche modo sbagliavamo. Ma non ci rendevamo conto che sbagliavamo prima di arrivare al punto 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 posizione a questa altra posizione”, e poi abbiamo un praticante della supply chain che guarda la decisione e dice: “Beh, è completamente sbagliato. Hai chiaramente frainteso i dati”.
Kieran Chandler: In situazioni in cui non dovremmo farlo, c’è una valida ragione per non farlo. Non è necessariamente avanzato; è molto banale. Ad esempio, non hai la capacità, o pensi di avere ancora 1.000 unità nella prima posizione, ma in realtà ne rimangono solo cinque. Quindi, non puoi nemmeno spostare le 50 unità che vuoi spostare. Ci sono problemi del genere.
Joannes Vermorel: È interessante che si inizi generando la decisione, e poi ci sono praticanti della supply chain con un po’ di esperienza che possono, a prima vista, dirti che è una decisione errata. Poi ti rendi conto che hai molti problemi che non avevi identificato.
Kieran Chandler: È certamente controintuitivo, vero? Perché si penserebbe che facendo la pulizia dei dati e capendo come sono strutturati i dati, si eliminerebbero già alcune di quelle decisioni errate.
Joannes Vermorel: Quando dico che generiamo decisioni errate, intendo che generiamo decisioni che sono in conflitto con la realtà della supply chain in modo relativamente banale. C’è molta intelligenza necessaria per generare la decisione stessa. Il punto chiave qui è capire che l’unico modo per assicurarsi di capire correttamente i dati è essere in grado di generare una decisione da essi. Se questa decisione è approssimativamente corretta e ragionevole, convalida la semantica che si ritiene applicabile ai dati di input e che si è utilizzata per creare il modello in primo luogo.
Tuttavia, è un meccanismo in cui devi andare avanti e indietro tra il modello mentale, che è solo la semantica di ciò che pensi che i dati significhino, e il meccanismo di generazione delle decisioni che genera la decisione, dove la realtà ti dà un feedback su ciò che stai facendo. Poi ti rendi conto che c’erano molte cose che sbagliavi sui dati, quindi vai avanti e indietro.
Kieran Chandler: Come arriviamo alla decisione finale, allora? Sembra molto tentativo ed errore. Quanto tentativo ed errore richiede questo?
Joannes Vermorel: È ancora peggio perché ho discusso solo dei problemi che hai identificato riguardo ai dati. Non sono solo i problemi con i dati; sono anche le metriche stesse che ottimizzi. Se adotti una prospettiva cartesiana, diresti che non puoi ottimizzare ciò che non misuri. Da Lokad, sosteniamo un’ottimizzazione fatta in dollari di errore, non in percentuale di errore. Quindi, hai bisogno di una metrica espressa in dollari che rappresenti tutti i driver economici applicabili. Ad esempio, nel caso dello stock, ciò significherebbe tenere conto dei driver economici come il costo di mantenimento, il margine lordo e le penalità per la mancanza di stock.
Kieran Chandler: Puoi spiegare come misuri le prestazioni delle decisioni prese a Lokad?
Joannes Vermorel: Sì, è così che misuri le prestazioni delle tue decisioni espresse in dollari. Logicamente, diresti: “Prendo il DR che capisco, prendo una capacità di apprendimento statistico ad alta dimensionalità che è una parte di previsione, e poi prendo capacità di ottimizzazione numerica ad alta dimensionalità, e applico una metrica che riflette la mia strategia aziendale e capisco i miei driver.”
Kieran Chandler: E cosa succede quando applichi questa metrica per la prima volta?
Joannes Vermorel: Ti ritroverai con un sacco di decisioni senza senso, ed è molto confuso perché tutti i tuoi driver economici sembrano non ovvi, ma quasi, sai, portare auto. Margine lordo, voglio dire, non stiamo parlando di cose super avanzate. Eppure quando applichiamo tutto ciò alla decisione, finiamo invariabilmente con decisioni molto stupide e povere. E cosa riflettono queste decisioni? Riflettono che gli errori, i pensieri, sono problemi sottili, si trovano nelle metriche stesse. E quindi, proprio come abbiamo avuto con, sai, un sacco di andirivieni tra la tua comprensione dei dati e la decisione che generi su quella base. Hai un sacco di andirivieni sui driver economici, su come li comprendi e che tipo di decisione generi. Parliamo sempre di questa idea che non puoi ottimizzare ciò che non misuri. Quindi qual è l’obiettivo finale? L’obiettivo finale è che i dati convalidino le decisioni che stai prendendo?
Kieran Chandler: E qual è l’obiettivo finale secondo gli operatori della supply chain?
Joannes Vermorel: L’obiettivo finale è avere qualcosa di capitalista. Vedi, quando diciamo decisione prima, l’idea è che vogliamo fornire una ricetta numerica che generi automaticamente tutte quelle decisioni super banali. Perché? Perché ne hai così tante. I nostri clienti più grandi ne devono generare milioni ogni singolo giorno. Quindi o hai un esercito di impiegati, cosa che molte aziende ancora fanno, oppure decidi: “Okay, avrò una ricetta miracolosa che fa questo lavoro,” e poi tutti gli sforzi che sto ancora riversando in questa area sono 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. Questo è il punto perché se adotti questo tipo di prospettiva cartesiana dall’alto verso il basso, diresti: “Okay, il mio piano è prima aggiornare l’ERP con nuove capacità XYZ. Okay, ci vogliono sei mesi, e poi documentiamo e chiarifichiamo l’ordine in cui sono, e poi di nuovo XYZ e persino spingiamo tutto in un data lake, e poi faremo un altro studio di sei mesi con forse un consulente esterno per chiarire completamente la strategia e avere una completa quantificazione della modellazione.”
Kieran Chandler: Dei driver aziendali, e poi finalmente metteremo insieme tutte queste cose per generare questa esecuzione automatizzata della decisione ottimizzata. Sembra un piano con una bella prospettiva a cascata in cui passi dalla fase uno alla fase due 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 passaggi che hai fatto prima funzioni davvero. Ed è qualcosa di un po’ scioccante. Penseresti di poter avere un piano che puoi eseguire in modo affidabile, ma no, la lezione è che se non hai questo contatto con questa realtà, questo ciclo di feedback, non sai, davvero non sai.
Joannes Vermorel: Sì, voglio dire che l’industria è molto concentrata su questa idea di previsione e accuratezza delle previsioni, vero? Perché c’è questa visione che le imprese, le aziende e i consulenti spingono così tanto?
Kieran Chandler: Perché è molto seducente dal punto di vista intellettuale. Sembra qualcosa di molto ragionevole.
Joannes Vermorel: Voglio dire, sì, le previsioni sono importanti, ovviamente. Perché ogni volta che prendi una decisione sulla supply chain, è fondamentalmente una dichiarazione che stai facendo su uno stato futuro del mercato. Se invii un ordine di acquisto per materie prime a un fornitore, fondamentalmente stai implicitamente facendo una dichiarazione sullo stato della domanda in futuro. Quindi la supply chain, perché non possiamo teletrasportarci e perché non possiamo semplicemente stampare in 3D tutto istantaneamente, si tratta di anticipare lo stato futuro del mercato. Quindi le aziende cercano di affrontare questo in modo razionale e dicono: “Oh, facciamo un giro di miglioramento delle previsioni”, è fondamentalmente quello di cui abbiamo discusso nel nostro episodio sulle previsioni nude. E poi ti ritrovi con tutti i tipi di problemi, e in realtà, quando lo riprendiamo da una prospettiva leggermente diversa, che è questa possibilità di questo episodio di decisione prima, direi, beh, il problema è che non sei decisione prima quando fai così. Se dici: “Oh, cerchiamo di ottenere previsioni migliori e poi vedremo cosa possiamo fare con quelle previsioni migliori”, non sei decisione prima. 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 è che la lezione appresa di un decennio di progetti di supply chain in esecuzione presso Lokad è che no, non imparerai nulla. L’apprendimento deriva solo dalla realtà, che è l’arbitro ultimo di chi ha ragione o torto. E quando dico realtà, intendo il modo per assicurarsi che questo progetto di ottimizzazione della supply chain stia effettivamente facendo qualcosa che vada nella giusta direzione sono quelle decisioni, perché quelle decisioni sono davvero il fulcro di mettersi a rischio per quanto riguarda ciò che la realtà può dirti se sta effettivamente funzionando o no.
Kieran Chandler: Okay, mettere le decisioni al primo posto è sicuramente il modo in cui lo vediamo, ma cosa ne pensi di questi approcci alternativi che ci sono nell’industria? E che ne dici di suddividere quelle decisioni?
Joannes Vermorel: Sì, voglio dire, ad esempio, quello che di solito succede è che quando inizi a concentrarti sugli artefatti, soprattutto sugli artefatti numerici, hai pochissimi vincoli ad essi associati e quindi puoi dividerli o suddividerli. Ad esempio, puoi avere una previsione a breve termine, una previsione a medio termine e una previsione a lungo termine. Quando fai questo, crei più problemi. Avevi un problema di fare previsioni, ora hai tre problemi di previsione e hai anche il problema di far conciliare il lavoro dei diversi team. Quindi, dovrai far conciliare la previsione a lungo termine con la previsione a medio termine, e poi dovrai far conciliare la previsione a breve termine con la previsione a medio termine, e forse anche la previsione a breve termine con la previsione a lungo termine. Avevi un problema, ora ne hai sei. Hai solo peggiorato la situazione ed è ancora molto poco chiaro se quello che stai facendo abbia alcuna connessione con la realtà.
La realtà non ti dirà se quello che stai facendo è sbagliato in modo molto indiretto. Ed è questa la bellezza delle decisioni. Se adottiamo questo approccio decisionale iniziale, le decisioni tendono ad essere altamente atomiche e ben definite. Da come lo vediamo noi di Lokad, sono atomiche; non puoi suddividerle. Se dico, “Acquista un’unità da questo fornitore oggi”, sai che è atomico quanto può essere. A volte puoi affinarlo, come “Acquista un’unità da questo fornitore oggi e fai spedire questa unità tramite camion”, perché forse c’è l’opzione di spedirlo in treno o altro. Quindi, da Lokad, abbiamo decisioni che sono, per definizione, completamente atomiche. Non puoi davvero suddividerle, il che è molto bello perché pone anche dei limiti alle cose che puoi inventare.
Concentrarsi sulle decisioni impedisce di commettere intere classi di errori, come suddividere le cose o creare lavoro inventato. È un vero cambiamento di prospettiva.
Kieran Chandler: E quindi, cosa fai per convincere quelle organizzazioni che sono abituate a seguire un approccio più classico?
Joannes Vermorel: Questo è il nocciolo della…
Kieran Chandler: Il problema è che è molto difficile convincere perché, in primo luogo, io stesso non ero convinto. Sai, non ho iniziato con questo approccio nel 2008. Ho provato il modo più classico, che descriverei come il modo cartesiano. Provi semplicemente questo principio a cascata o principio ingegneristico: chiarisci l’input, chiarisci le metriche, chiarisci il modello e poi metti tutto insieme per fare un’ottimizzazione in questo ordine e funzionerà. Ma no, non è assolutamente il modo in cui funziona.
Joannes Vermorel: Posso comunicare la mia esperienza che è fallita più e più volte, e abbiamo avuto una vasta serie di iniziative molto dolorose. Voglio dire, alla fine, quando lo fai nel modo cartesiano, cosa succede nella pratica? Beh, stai solo facendo il tuo bel progetto e poi, una volta al giorno in cui si supponeva che fosse finito, ti rendi conto che niente funziona e devi rifarlo tutto da capo.
Alla fine, funzionerà perché quando effettivamente cerchi di andare in produzione, vedrai tutte quelle cose e poi dovrai rivedere tutto ciò che hai fatto prima. Ed è l’inganno. Se non abbracci questa prospettiva, quello che succederà è che i tuoi progetti richiederanno solo anni perché farai solo un progetto di un anno per farlo nel punto di vista a cascata, bel piano e tutto. E il giorno in cui cerchi di attivare il sistema, ti rendi conto che tutto crolla. Quindi lo spegni di nuovo e ripeti. E poi ci vogliono anni.
La mia filosofia è che all’inizio cerco solo di comunicare su questo esperimento. E poi, dal punto di vista più filosofico, direi che tutto ciò che impari, non lo impari dai libri di testo. Per la stragrande maggioranza delle cose nella vita, impari facendo. In realtà è estremamente difficile imparare qualcosa senza farlo.
Sì, teoricamente puoi imparare una lingua straniera semplicemente prendendo un libro, leggendolo per sei mesi, memorizzandolo e poi sei fluente. Non so se abbia mai visto qualcuno capace di farlo. Potrebbe, in teoria, essere possibile, ma nella realtà no. Proveresti, inciamperesti e a volte le persone non capirebbero cosa stai dicendo, e gradualmente miglioreresti. Ma vedi, impari facendo. Questo è il concetto antico greco di praxis. E penso che per qualcosa che è un sistema molto complesso come la supply chain, non ci sia altro modo per imparare, penso che sia follia.
Kieran Chandler: Ok, beh, iniziamo a concludere un po’. Ma tutto suona bene in teoria, ma è lontano dall’essere stabilito. Quindi pensi che l’industria sia davvero pronta ad abbracciare un approccio completamente nuovo, o pensi che sia molto radicata nelle sue abitudini e che i vecchi approcci siano troppo radicati?
Joannes Vermorel: La cosa divertente è che, in termini di prontezza, vedo la stragrande maggioranza delle aziende che hanno implementato sistemi di ottimizzazione della supply chain per decenni, specialmente quelle grandi, ed è folle. Hanno, voglio dire…
Kieran Chandler: Anche il termine, sai, ERP (Enterprise Resource Planning) normalmente sta per qualche tipo di ottimizzazione della supply chain. La stragrande maggioranza degli ERP che sono stati implementati negli ultimi tre decenni non forniscono alcun valore in questo settore. Sì, forniscono molto valore sul lato gestionale. Sai, puoi tenere traccia delle tue scorte, puoi avere visibilità in tempo reale, che è molto bello. Puoi avere molte automazioni dei workflow per fatture, pagamenti, tenere traccia dei ritardi, tutte quelle cose. Molto bene. Ma quando si tratta di ottimizzazione predittiva, lo stato dell’industria è quasi inesistente. Ci sono pochissime cose in atto che funzionano, e non è per mancanza di tentativi. Spesso, le grandi aziende che serviamo, siamo di solito il loro tentativo numero cinque, sei o sette in questa cosa. Quindi chiaramente, in termini di prontezza, penso che molte aziende siano pronte a farlo perché ci stanno provando da 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 loro fallimenti. Ciò potrebbe essere legato al potere della conoscenza negativa, di cui abbiamo parlato in un altro episodio. Forse alcune aziende devono iniziare a concentrarsi su quei problemi complessi, quei problemi malvagi o problemi che resistono al bel approccio cartesiano in cui puoi prendere una penna e una carta, sederti alla scrivania, pensare intensamente, trovare una soluzione, implementarla e funziona. Non funziona così nella gestione della supply chain. La supply chain è troppo disordinata. Devi generare quelle decisioni, non solo agire su di esse. Puoi generare la decisione, farla vedere a delle persone e poi ti diranno: “No, non funziona”. Questo è già abbastanza. 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 strada se non mettere a rischio la loro iniziativa rispetto alla realtà, invece di cercare di farlo bene la prima volta da un punto di vista cartesiano e dall’alto verso il basso, che purtroppo non funziona.
Kieran Chandler: Ok, fantastico. Dobbiamo concludere qui, ma grazie per il tuo tempo. Quindi è tutto per questa settimana. Grazie mille per averci seguito e ci vediamo nel prossimo episodio. Ciao per ora.
