Principi quantitativi per le supply chain - Lezione 1.6

00:54 Introduzione
02:25 Sulla natura del progresso
05:26 La storia finora
06:10 Alcuni principi quantitativi: principi osservazionali
07:27 Risolvere “ago nel pagliaio” tramite entropia
14:58 Le popolazioni delle SC sono distribuite secondo la legge di Zipf
22:41 I numeri piccoli prevalgono nelle decisioni delle SC
29:44 I modelli sono ovunque nelle SC
36:11 Alcuni principi quantitativi: principi di ottimizzazione
37:20 Sono necessarie da 5 a 10 iterazioni per risolvere qualsiasi problema delle SC
44:44 Le SC invecchiate sono unidirezionalmente quasi-ottimali
49:06 Le ottimizzazioni locali delle SC spostano solo i problemi
52:56 I problemi migliori superano le soluzioni migliori
01:00:08 Conclusioni
01:02:24 Prossima lezione e domande del pubblico

Descrizione

Mentre le supply chain non possono essere caratterizzate da leggi quantitative definitive - a differenza dell’elettromagnetismo - è comunque possibile osservare principi quantitativi generali. Per “generali”, intendiamo applicabili a (quasi) tutte le supply chain. Scoprire tali principi è di primario interesse perché possono essere utilizzati per agevolare l’ingegnerizzazione di ricette numeriche destinate all’ottimizzazione predittiva delle supply chain, ma possono anche essere utilizzati per rendere tali ricette numeriche più potenti nel complesso. Esaminiamo due brevi elenchi di principi: alcuni principi osservazionali e alcuni principi di ottimizzazione.

Trascrizione completa

Ciao a tutti, benvenuti a questa serie di lezioni sulle supply chain. Sono Joannes Vermorel e oggi presenterò alcuni “Principi Quantitativi per le Supply Chain”. Per coloro che stanno guardando la lezione in diretta su YouTube, potete fare domande in qualsiasi momento tramite la chat di YouTube. Tuttavia, non leggerò le domande durante le lezioni. Tornerò alla chat alla fine della lezione e farò del mio meglio per rispondere almeno alla maggior parte delle domande.

I principi quantitativi sono di grande interesse perché, nelle supply chain, come abbiamo visto durante le prime lezioni, implicano il dominio dell’opzionalità. La maggior parte di queste opzioni è di natura quantitativa. Devi decidere quanto acquistare, quanto produrre, quanto inventario spostare e potenzialmente il punto di prezzo - se vuoi aumentare o diminuire il punto di prezzo. Quindi, un principio quantitativo che può guidare miglioramenti nelle ricette numeriche per le supply chain è di grande interesse.

Tuttavia, se dovessi chiedere alla maggior parte delle autorità o degli esperti di supply chain quali sono i loro principi quantitativi fondamentali per le supply chain, sospetto che spesso otterrei una risposta del tipo di una serie di tecniche per una migliore previsione delle serie temporali o qualcosa di equivalente. La mia reazione personale è che, sebbene ciò sia interessante e rilevante, si sta anche perdendo il punto. Credo che alla base, il fraintendimento risieda nella stessa natura del progresso stesso - cosa è il progresso e come puoi implementare qualcosa come il progresso per quanto riguarda le supply chain? Permettetemi di iniziare con un esempio illustrativo.

Seimila anni fa è stata inventata la ruota e seimila anni dopo è stata inventata la valigia a rotelle. L’invenzione risale al 1949, come illustrato da questo brevetto. Al momento dell’invenzione della valigia a rotelle, avevamo già sfruttato l’energia atomica e persino fatto detonare le prime bombe atomiche.

Venti anni dopo, nel 1969, l’umanità ha inviato le prime persone sulla luna. L’anno successivo, la valigia a rotelle è stata migliorata con una maniglia leggermente migliore, che assomiglia a un guinzaglio, come illustrato da questo brevetto. Non è ancora molto buona.

Poi, venti anni dopo, nel frattempo, abbiamo già il sistema di posizionamento globale GPS che serve i civili da quasi un decennio, e finalmente viene inventata la maniglia adeguata per la valigia a rotelle.

Ci sono almeno due lezioni di interesse qui. Primo, non esiste una freccia del tempo ovvia per quanto riguarda il progresso. Il progresso avviene in modo caotico e non lineare ed è molto difficile valutare il progresso che dovrebbe avvenire in un campo basandosi su ciò che sta accadendo in altri campi. Questo è un elemento che dobbiamo tenere presente oggi.

La seconda cosa è che il progresso non dovrebbe essere confuso con la sofisticazione. Puoi avere qualcosa che è nettamente superiore ma anche nettamente più semplice. Se prendo l’esempio della valigia, una volta che ne hai vista una, il design sembra completamente ovvio ed evidente. Ma era un problema facile da risolvere? Direi assolutamente no. La semplice prova che la gestione della supply chain era un problema difficile da risolvere è che ci è voluta una civiltà industriale avanzata un po’ più di quattro decenni per affrontare questa questione. Il progresso è ingannevole nel senso che non si attiene alla regola della sofisticazione. È molto difficile identificare com’era il mondo prima che il progresso accadesse perché sta letteralmente cambiando la tua visione del mondo mentre avviene.

Ora, torniamo alla nostra discussione sulla supply chain. Questa è la sesta e ultima lezione di questo prologo. C’è un piano completo che puoi consultare online sul sito web di Lokad riguardo all’intera serie di lezioni sulla supply chain. Due settimane fa, ho presentato le tendenze del XX secolo per le supply chain, adottando una prospettiva puramente qualitativa sul problema. Oggi, adotto l’approccio opposto adottando una prospettiva abbastanza quantitativa su questo insieme di problemi come contrappunto.

Oggi, esamineremo un insieme di principi. Per principio, intendo qualcosa che può essere utilizzato per migliorare la progettazione di ricette numeriche in generale per tutte le supply chain. Abbiamo l’ambizione di generalizzazione qui, ed è qui che è abbastanza difficile trovare cose che sono di primaria importanza per tutte le supply chain e tutti i metodi numerici per migliorarle. Esamineremo due elenchi di principi: principi osservazionali e principi di ottimizzazione.

I principi osservazionali si applicano al modo in cui è possibile acquisire conoscenze e informazioni quantitative sulle supply chain. I principi di ottimizzazione riguardano come agire una volta acquisita una conoscenza qualitativa sulla propria supply chain, in particolare come utilizzare questi principi per migliorare i processi di ottimizzazione.

Iniziamo osservando una supply chain. Mi sembra strano quando le persone parlano delle supply chain come se potessero osservarle direttamente con i propri occhi. Per me, questa è una percezione molto distorta della realtà delle supply chain. Le supply chain non possono essere osservate direttamente dall’essere umano, almeno non da una prospettiva quantitativa. Questo perché le supply chain, per loro stessa natura, sono distribuite geograficamente, coinvolgendo potenzialmente migliaia di SKU e decine di migliaia di unità. Con i tuoi occhi umani, potresti osservare solo la supply chain così com’è oggi e non come era in passato. Non puoi ricordare più di qualche numero o una piccola frazione dei numeri associati alla tua supply chain.

Ogni volta che vuoi osservare una supply chain, effettuerai tali osservazioni in modo indiretto tramite software aziendale. Questo è un modo molto specifico di guardare alle supply chain. Tutte le osservazioni che possono essere fatte in modo quantitativo sulle supply chain avvengono tramite questo mezzo specifico: il software aziendale.

Caratterizziamo un tipico pezzo di software aziendale. Contiene un database, poiché la stragrande maggioranza di tali software è progettata in questo modo. Il software avrà probabilmente circa 500 tabelle e 10.000 campi (un campo è essenzialmente una colonna in una tabella). Come punto di ingresso, abbiamo un sistema che potenzialmente contiene una grande quantità di informazioni. Tuttavia, nella maggior parte delle situazioni, solo una piccola frazione di questa complessità del software è effettivamente rilevante per la supply chain di interesse.

I fornitori di software progettano software aziendali tenendo conto di situazioni molto diverse in generale. Quando si guarda un cliente specifico, è probabile che solo una piccola frazione delle capacità del software venga effettivamente utilizzata. Ciò significa che mentre potrebbero esserci 10.000 campi da esplorare in teoria, nella realtà le aziende utilizzano solo una piccola frazione di quei campi.

La sfida è come selezionare le informazioni rilevanti dai dati inesistenti o non pertinenti. Possiamo osservare le supply chain solo tramite il software aziendale e potrebbe esserci più di un pezzo di software coinvolto. In alcuni casi, un campo non è mai stato utilizzato e i dati sono costanti, contenendo solo zeri o null. In questa situazione, è facile eliminare il campo perché non contiene alcuna informazione. Tuttavia, nella pratica, il numero di campi che possono essere eliminati utilizzando questo metodo potrebbe essere solo intorno al 10%, poiché molte funzionalità del software sono state utilizzate nel corso degli anni, anche se solo accidentalmente.

Per identificare i campi che non sono mai stati utilizzati in modo significativo, possiamo ricorrere a uno strumento chiamato entropia informativa. Per coloro che non sono familiari con la teoria dell’informazione di Shannon, il termine potrebbe sembrare intimidatorio, ma in realtà è più semplice di quanto sembri. L’entropia informativa riguarda la quantificazione della quantità di informazione in un segnale, con un segnale definito come una sequenza di simboli. Ad esempio, se abbiamo un campo che contiene solo due tipi di valori, vero o falso, e la colonna oscilla casualmente tra questi valori, la colonna contiene molte informazioni. Al contrario, se c’è solo una riga su un milione in cui il valore è vero e tutte le altre righe sono false, il campo nel database contiene praticamente nessuna informazione.

L’entropia informativa è molto interessante perché ti consente di quantificare, in bit, la quantità di informazione presente in ogni campo del tuo database. Conducento un’analisi, puoi classificare questi campi dai più ricchi ai più poveri in termini di informazioni ed eliminare quelli che contengono appena informazioni rilevanti per l’ottimizzazione della supply chain. L’entropia informativa potrebbe sembrare complicata all’inizio, ma non è difficile da capire.

Ad esempio, immaginando un linguaggio di programmazione specifico per un dominio, abbiamo implementato l’entropia informativa come un aggregatore. Prendendo una tabella, come i dati da un file piatto chiamato data.csv con tre colonne, possiamo tracciare il riepilogo di quanto entropia è presente in ogni colonna. Questo processo ti consente di determinare facilmente quali campi contengono la minore quantità di informazioni ed eliminarli. Utilizzando l’entropia come guida, puoi avviare rapidamente un progetto anziché impiegare anni per farlo.

Passando alla fase successiva, facciamo le prime osservazioni sulle supply chain e consideriamo cosa aspettarci. Nelle scienze naturali, l’aspettativa predefinita sono le distribuzioni normali, anche note come curve a campana o gaussiane. Ad esempio, l’altezza di un uomo di 20 anni o il suo peso avranno una distribuzione normale. Nel regno degli esseri viventi, molte misurazioni seguono questo modello. Tuttavia, per quanto riguarda la supply chain, questo non è il caso. Praticamente non c’è nulla di interessante che sia distribuito normalmente nelle supply chain.

Invece, quasi tutte le distribuzioni di interesse nelle supply chain sono distribuite secondo la legge di Zipf. La distribuzione di Zipf è illustrata nella formula data. Per capire questo concetto, considera una popolazione di prodotti, con la misurazione di interesse che è il volume di vendite per ogni prodotto. Classificheresti i prodotti dal volume di vendite più alto a quello più basso durante un determinato periodo di tempo, come un anno. La domanda diventa quindi se esiste un modello che prevede la forma della curva e se, dato il rango, fornirà il volume di vendite previsto. Questo è esattamente ciò che la distribuzione di Zipf rappresenta. Qui, f rappresenta la forma di una legge di Zipf-Mandelbrot e k si riferisce all’elemento più grande k-esimo. Ci sono due parametri, q e s, che sono essenzialmente appresi, proprio come hai mu (la media) e sigma (la varianza) per una distribuzione normale. Questi parametri possono essere utilizzati per adattare la distribuzione a una popolazione di interesse. La legge di Zipf-Mandelbrot comprende questi parametri.

È importante notare che praticamente ogni popolazione di interesse nella supply chain segue una distribuzione di Zipf. Questo è vero per i prodotti, i clienti, i fornitori, le promozioni e persino le unità di spedizione. La distribuzione di Zipf è essenzialmente una discendente del principio di Pareto, ma è più gestibile e, secondo me, più interessante, poiché fornisce un modello esplicito di ciò che ci si può aspettare per qualsiasi popolazione di interesse nella supply chain. Se incontri una popolazione che non è distribuita secondo la legge di Zipf, è più probabile che ci sia un problema con i dati, piuttosto che una vera deviazione dal principio.

Per sfruttare il concetto di distribuzione di Zipf nel mondo reale, puoi utilizzare Envision. Se guardiamo questo frammento di codice, vedrai che sono sufficienti poche righe di codice per applicare questo modello a un dataset reale. Qui, assumo che ci sia una popolazione di interesse in un file piatto chiamato “data.csv” con una colonna che rappresenta la quantità. Normalmente, avresti un identificatore del prodotto e la quantità. Alla riga 4, sto calcolando i ranghi utilizzando l’aggregatore di ranghi e ordinando in base alla quantità. Quindi, tra le righe 6 e 11, inserisco un blocco di programmazione differenziabile, reso esplicito da Autodev, dove dichiaro tre parametri scalari: c, q e s, proprio come nella formula a sinistra dello schermo. Calcolo quindi le previsioni del modello di Zipf e utilizzo un errore quadratico medio tra la quantità osservata e la previsione del modello. Puoi letteralmente regredire la distribuzione di Zipf con poche righe di codice. Anche se sembra sofisticato, è piuttosto semplice con gli strumenti appropriati.

Questo mi porta a un altro aspetto osservativo delle supply chain: i numeri che ti aspetteresti a qualsiasi livello della supply chain sono piccoli, di solito inferiori a 20. Non solo avrai poche osservazioni, ma anche i numeri che osservi saranno piccoli. Ovviamente, questo principio dipende dalle unità utilizzate, ma quando dico “numeri”, intendo quelli che hanno senso canonico dal punto di vista della supply chain, che sono quelli che stai cercando di osservare e ottimizzare.

Il motivo per cui abbiamo solo numeri piccoli è dovuto alle economie di scala. Prendiamo le magliette in un negozio come esempio. Il negozio potrebbe avere migliaia di magliette in magazzino, che sembra un numero grande, ma in realtà hanno centinaia di diversi tipi di magliette con variazioni di taglia, colore e design. Quando inizi a guardare le magliette con la granularità rilevante dal punto di vista della supply chain, che è l’SKU, il negozio non avrà migliaia di unità di magliette per un determinato SKU; invece, ne avranno solo una manciata.

Se hai un numero maggiore di magliette, non avrai migliaia di magliette in giro, poiché sarebbe un incubo in termini di elaborazione e movimentazione. Invece, confezionerai quelle magliette in scatole comode, che è esattamente ciò che accade nella pratica. Se hai un centro di distribuzione che gestisce molte magliette, perché le stai spedendo ai negozi, allora è probabile che quelle magliette siano effettivamente in scatole. Potresti persino avere una scatola contenente un assortimento completo di magliette di diverse taglie e colori, rendendo più facile il processo lungo la catena. Se hai molte scatole in giro, non avrai migliaia di scatole del genere. Invece, se hai dozzine di scatole, le organizzerai ordinatamente su pallet. Un pallet può contenere diverse dozzine di scatole. Se hai molti pallet, non li organizzerai come pallet singoli; molto probabilmente, li organizzerai come contenitori. E se hai molti contenitori, userai una nave da carico o qualcosa di simile.

Il mio punto è che quando si tratta di numeri nella supply chain, il numero veramente rilevante è sempre un numero piccolo. Questa situazione non può essere evitata semplicemente passando a un livello aggregato superiore perché, man mano che si passa a un livello superiore di aggregazione, entra in gioco una sorta di economia di scala, e si desidera introdurre un meccanismo di batching per ridurre i costi operativi. Questo accade più volte, quindi non importa a quale scala stai guardando, che si tratti del prodotto finale venduto per unità in un negozio o di un articolo prodotto in serie, è sempre un gioco di numeri piccoli.

Anche se hai una fabbrica che produce milioni di magliette, è probabile che tu abbia lotti giganteschi, e i numeri che ti interessano non sono il numero di magliette ma il numero di lotti, che sarà un numero molto più piccolo.

Dove voglio arrivare con questo principio? Prima di tutto, devi guardare a come sono fatte la maggior parte dei metodi di calcolo scientifico o statistico. Si scopre che nella maggior parte degli altri campi che non sono correlati alla supply chain, prevale l’opposto: grandi numeri di osservazioni e grandi numeri in cui la precisione conta. Nella supply chain, invece, i numeri sono piccoli e discreti.

La mia proposta è che abbiamo bisogno di strumenti basati su questo principio che accolgano e abbraccino profondamente il fatto che avremo numeri piccoli invece di numeri grandi. Se hai strumenti che sono stati progettati solo con la legge dei grandi numeri in mente, sia a causa di molte osservazioni o a causa di grandi numeri stessi, hai un completo disadattamento quando si tratta di supply chain.

A proposito, questo ha profonde implicazioni software. Se hai numeri piccoli, ci sono molti modi per far sì che i livelli software approfittino di questa osservazione. Ad esempio, se guardi l’insieme di dati delle righe di transazione per un ipermercato, noterai che, sulla base della mia esperienza e osservazione, l'80% delle righe ha una quantità che viene venduta a un cliente finale in un ipermercato che è esattamente uno. Quindi, hai bisogno di 64 bit di informazione per rappresentare queste informazioni? No, è uno spreco completo di spazio e tempo di elaborazione. Abbracciare questo concetto può portare a un guadagno operativo di uno o due ordini di grandezza. Questo non è solo un desiderio, ci sono guadagni operativi reali. Potresti pensare che i computer di oggi siano molto potenti, e lo sono, ma se hai più potenza di elaborazione a tua disposizione, puoi avere algoritmi più avanzati che fanno cose ancora migliori per la tua supply chain. È inutile sprecare questa potenza di elaborazione solo perché hai un paradigma che si aspetta numeri grandi quando prevalgono numeri piccoli.

Questo mi porta al mio ultimo principio osservativo per oggi: i modelli sono ovunque nella supply chain. Per capire questo, diamo un’occhiata a un classico problema di supply chain in cui di solito si considerano assenti i modelli: l’ottimizzazione del percorso. Il classico problema dell’ottimizzazione del percorso coinvolge un elenco di consegne da effettuare. Puoi posizionare le consegne su una mappa e vuoi trovare il percorso che minimizza il tempo di trasporto. Vuoi stabilire un percorso che passi per ogni singolo punto di consegna riducendo al minimo il tempo totale di trasporto. A prima vista, questo problema sembra essere un problema completamente geometrico senza modelli coinvolti nella sua risoluzione.

Tuttavia, propongo che questa prospettiva sia completamente sbagliata. Affrontando il problema da questo punto di vista, stai guardando il problema matematico, non il problema della supply chain. Le supply chain sono giochi iterati in cui i problemi si manifestano ripetutamente. Se ti occupi di organizzare le consegne, è probabile che tu faccia consegne ogni singolo giorno. Non è solo un percorso; è letteralmente un percorso al giorno, almeno.

Inoltre, se ti occupi di effettuare consegne, probabilmente hai un’intera flotta di veicoli e autisti. Il problema non è solo ottimizzare un percorso; è ottimizzare un’intera flotta, e questo gioco si ripete ogni singolo giorno. Ecco dove compaiono tutti i modelli.

Innanzitutto, i punti non sono distribuiti casualmente sulla mappa. Hai punti caldi, o aree geografiche con una densità elevata di consegne. Potresti avere indirizzi che ricevono consegne quasi ogni giorno, come la sede di una grande azienda in una grande città. Se sei una grande azienda di e-commerce, probabilmente stai consegnando pacchi a questo indirizzo ogni singolo giorno lavorativo. Questi punti caldi non sono immutabili; hanno la loro stagionalità. Alcuni quartieri potrebbero essere molto tranquilli durante l’estate o l’inverno. Ci sono modelli, e se vuoi essere molto bravo a giocare il gioco dell’ottimizzazione del percorso, devi tenere conto non solo di dove si verificheranno questi punti caldi, ma anche di come si sposteranno nel corso dell’anno. Inoltre, devi considerare il traffico. Non devi pensare solo alla distanza geometrica, poiché il traffico dipende dal tempo. Se un autista parte da un certo punto nel corso della giornata, man mano che avanza nel suo percorso, il traffico cambierà. Per giocare bene questo gioco, devi tenere conto dei modelli di traffico, che cambiano e possono essere previsti in modo affidabile in anticipo. Ad esempio, a Parigi, alle 9:00 e alle 18:00, l’intera città è completamente bloccata, e non devi essere un esperto di previsioni per saperlo.

Ci sono anche cose che accadono sul posto, come incidenti che disturbano i modelli abituali del traffico. Se guardiamo alle consegne da una prospettiva matematica, si assume che tutti i punti di consegna siano uguali, ma non lo sono. Potresti avere clienti VIP o indirizzi specifici a cui devi consegnare la metà della tua spedizione. Questi punti chiave nel tuo percorso devono essere presi in considerazione per un’efficace ottimizzazione del percorso.

Devi anche essere consapevole del contesto, ed è comune avere dati imperfetti sul mondo. Ad esempio, se un ponte è chiuso e il software non lo sa, il problema non è non sapere che il ponte era chiuso la prima volta, ma piuttosto che il software non impara mai dal problema e propone sempre un percorso che dovrebbe essere ottimale ma finisce per essere insensato. Le persone quindi combattono contro il sistema, che non è una buona soluzione pratica per l’ottimizzazione del percorso dal punto di vista della supply chain.

Il punto è che quando guardiamo le situazioni della supply chain, ci sono molti modelli ovunque. Dobbiamo fare attenzione a non distrarci da eleganti strutture matematiche e ricordare che queste considerazioni si applicano anche alla previsione delle serie temporali. Ho preso il problema dell’ottimizzazione del percorso come esempio perché era più evidente in questo caso.

In conclusione, dobbiamo osservare la supply chain da tutte le dimensioni che sono osservabili, non solo quelle che sono ovvie o dove la soluzione si presenta in modo elegante.

Questo mi porta alla seconda serie di principi legati a come dovremmo guardare alla nostra supply chain. Finora, abbiamo visto quattro principi legati a come dovremmo guardare alla nostra supply chain: osservazione indiretta, software aziendale, risolvere il caos per determinare cosa è rilevante e cosa non lo è, e entropia. Abbiamo osservato che le distribuzioni spesso seguono la legge di Zipf, e anche con numeri piccoli, possiamo comunque vedere emergere dei modelli. La domanda ora è, come agiamo? Matematicamente parlando, quando vogliamo decidere il miglior corso di azione, eseguiamo un’ottimizzazione di qualche tipo, che è la prospettiva quantitativa.

La prima cosa da notare è che non appena abbiamo una logica di ottimizzazione in produzione per le supply chain, si presenteranno problemi, come bug. Il software aziendale è una bestia molto complessa ed è spesso pieno di bug. Mentre sviluppi la tua logica di ottimizzazione per la tua supply chain, ci saranno molti problemi. Tuttavia, se una logica è abbastanza buona da essere messa in produzione, i problemi che affrontiamo ora sono probabilmente casi limite. Se non fosse un caso limite e il software o la logica funzionassero male ogni volta, non avrebbe mai fatto il suo ingresso in produzione.

L’idea di questo principio è che ci vogliono cinque o dieci round per risolvere qualsiasi problema. Quando dico cinque o dieci round, intendo che affronterai un problema, lo esaminerai, ne comprenderai la causa radice e poi cercherai di applicare una soluzione. Ma nella maggior parte dei casi, la soluzione non risolverà il problema. Scoprirai che c’era un problema nascosto all’interno del problema, o il problema che pensavi di aver risolto non era la causa effettiva, o la situazione ha rivelato una classe più ampia di problemi. Potresti aver risolto una piccola istanza di una classe più ampia di problemi, ma continueranno a verificarsi altri problemi che sono varianti di quello che pensavi di aver risolto.

Le supply chain sono bestie complesse e in continua evoluzione che operano nel mondo reale, rendendo difficile avere un design che sia correttamente corretto in tutte le situazioni. Nella maggior parte dei casi, fai un tentativo di migliorare un problema e poi devi mettere la tua logica rivista alla prova dell’esperienza del mondo reale per vedere se funziona o no. Dovrai iterare per risolvere il problema. Con il principio che ci vogliono tra le cinque e le dieci iterazioni per risolvere un problema, ci sono profonde conseguenze sulla velocità delle adattamenti e sulla frequenza con cui aggiorni o ricalcoli la logica di ottimizzazione della tua supply chain. Ad esempio, se hai una logica che produce una previsione trimestrale per i prossimi due anni e esegui questa logica solo una volta al trimestre, ci vorranno tra uno e due anni per risolvere eventuali problemi che incontri con questa logica di previsione, il che è un tempo incredibilmente lungo.

Anche se hai una logica che viene eseguita ogni mese, come nel caso di un processo di S&OP (Sales and Operations Planning), potrebbe comunque volerci fino a un anno per risolvere un problema. Ecco perché è importante aumentare la frequenza di esecuzione della logica di ottimizzazione della tua supply chain. Ad esempio, presso Lokad, ogni pezzo di logica viene eseguito quotidianamente, anche per previsioni a cinque anni. Queste previsioni vengono aggiornate quotidianamente, anche se non cambiano molto da un giorno all’altro. L’obiettivo non è ottenere un’accuratezza statistica, ma assicurarsi che la logica venga eseguita abbastanza frequentemente per risolvere eventuali problemi o bug entro un periodo di tempo ragionevole.

Questa osservazione non è unica per la gestione della supply chain. Team di ingegneria intelligenti di aziende come Netflix hanno reso popolare l’idea dell’ingegneria del caos. Hanno capito che i casi limite erano rari e l’unico modo per risolvere questi problemi era ripetere l’esperienza più frequentemente. Di conseguenza, hanno creato un software chiamato Chaos Monkey, che aggiunge caos alla loro infrastruttura software creando interruzioni di rete e crash casuali. Lo scopo del Chaos Monkey è far manifestare più velocemente i casi limite, consentendo al team di ingegneria di risolverli più rapidamente.

Anche se può sembrare controintuitivo introdurre un livello aggiuntivo di caos nelle tue operazioni, questo approccio si è dimostrato efficace per Netflix, che è nota per la sua eccellente affidabilità. Capiscono che quando si affronta un problema guidato dal software, ci vogliono molte iterazioni per risolverlo e l’unico modo per arrivare alla radice del problema è iterare rapidamente. Il Chaos Monkey è solo un modo per aumentare la velocità delle iterazioni.

Da una prospettiva di supply chain, il Chaos Monkey potrebbe non essere direttamente applicabile, ma il concetto di aumentare la frequenza di esecuzione della logica di ottimizzazione della tua supply chain è comunque molto rilevante. Qualunque logica tu abbia per ottimizzare la tua supply chain, deve essere eseguita ad alta velocità e alta frequenza; altrimenti, non risolverai mai nessuno dei problemi che incontri.

Ora, le supply chain datate sono quasi ottimali, e quando dico datate, intendo supply chain che sono state in funzione per due decenni o più. Un altro modo per esprimere questo principio è che i tuoi predecessori nella supply chain non erano tutti incompetenti. Quando si analizzano le iniziative di ottimizzazione della supply chain, troppo spesso ci sono grandi ambizioni come ridurre i livelli di stock della metà, aumentare i livelli di servizio dal 95% al 99%, eliminare le rotture di stock o ridurre i tempi di consegna della metà. Questi sono grandi passi unidirezionali in cui ci si concentra su un KPI e si cerca di migliorarlo in modo massivo. Tuttavia, ho osservato che queste iniziative falliscono quasi sempre per una ragione molto semplice: quando si prende una supply chain che è stata in funzione per decenni, di solito c’è una certa saggezza latente nel modo in cui le cose sono state fatte.

Ad esempio, se i livelli di servizio sono al 95%, è probabile che se cerchi di aumentarli al 99%, aumenterai notevolmente i livelli di stock e creerai una quantità massiccia di stock morto nel processo. Allo stesso modo, se hai una certa quantità di stock e lanci un’iniziativa massiccia per ridurla della metà, è probabile che creerai problemi significativi di qualità del servizio che non sono sostenibili.

Quello che ho osservato è che molti professionisti della supply chain che non comprendono il principio secondo cui le catene di approvvigionamento invecchiate sono unidirezionalmente quasi-ottimali tendono ad avere oscillazioni intorno all’ottimo locale. Tieni presente che non sto dicendo che le catene di approvvigionamento invecchiate sono ottimali, ma sono unidirezionalmente quasi-ottimali. Se guardi all’analogia del Grand Canyon, il fiume scava il percorso ottimale a causa della forza unidirezionale della gravità. Se applicassi una forza dieci volte più forte, il fiume subirebbe comunque molte convoluzioni.

Il punto è che con le catene di approvvigionamento invecchiate, se vuoi apportare miglioramenti significativi, devi modificare contemporaneamente molte variabili. Concentrarsi su una sola variabile non darà i risultati desiderati, soprattutto se la tua azienda opera da decenni con lo status quo. I tuoi predecessori probabilmente hanno fatto alcune cose giuste nel loro tempo, quindi le probabilità che tu incontri una catena di approvvigionamento estremamente disfunzionale a cui nessuno ha mai prestato attenzione sono minime. Le catene di approvvigionamento sono problemi complessi, e sebbene sia possibile creare situazioni completamente disfunzionali su larga scala, ciò accade molto raramente, se non mai.

Un altro aspetto da considerare è che l’ottimizzazione locale sposta solo i problemi anziché risolverli. Per capire questo, devi riconoscere che le catene di approvvigionamento sono sistemi, e quando si pensa in termini di prestazioni della catena di approvvigionamento, è solo la prestazione a livello di sistema che interessa. Le prestazioni locali sono rilevanti, ma sono solo una parte del quadro generale.

Un modo comune di pensare è che puoi applicare la strategia divide et impera per affrontare i problemi in generale, non solo i problemi della catena di approvvigionamento. Ad esempio, in una rete di vendita al dettaglio con molti negozi, potresti voler ottimizzare i livelli di stock in ogni negozio. Tuttavia, il problema è che se hai una rete di negozi e centri di distribuzione, ognuno che serve molti negozi, è completamente banale micro-ottimizzare un negozio e ottenere un’ottima qualità del servizio per quel negozio a spese di tutti gli altri negozi.

La prospettiva corretta è pensare che quando hai un’unità disponibile nel centro di distribuzione, la domanda che dovresti farti è: dove è più necessaria questa unità? Qual è la mossa più redditizia per me? Il problema dell’ottimizzazione della spedizione dell’inventario, o il problema di allocazione dell’inventario, ha senso solo a livello di sistema, non a livello di negozio. Se ottimizzi ciò che accade in un negozio, è probabile che crei problemi in un altro negozio.

Quando dico “locale”, questo principio non dovrebbe essere inteso solo da un punto di vista geografico; può anche essere una questione puramente logica all’interno della catena di approvvigionamento. Ad esempio, se sei un’azienda di e-commerce con molte categorie di prodotti, potresti voler allocare budget diversi per le varie categorie. Questo è un altro tipo di strategia divide et impera. Tuttavia, se suddividi il tuo budget e allochi una quantità fissa all’inizio dell’anno per ogni categoria, cosa succede se la domanda di prodotti in una categoria raddoppia mentre la domanda di prodotti in un’altra categoria si dimezza? In questo caso, ti trovi con un problema di allocazione errata dei fondi tra queste due categorie. La sfida qui è che non puoi applicare alcuna logica di divide et impera. Se utilizzi tecniche di ottimizzazione locale, potresti finire per creare problemi mentre crei la tua soluzione suppostamente ottimizzata.

Questo mi porta all’ultimo principio, che è probabilmente il più complicato tra tutti i principi che ho presentato oggi: i problemi migliori superano le soluzioni migliori. Questo può essere estremamente confuso, specialmente in certi ambiti accademici. Il modo tipico in cui le cose vengono presentate attraverso un’istruzione classica è che ti viene presentato un problema ben definito, e poi inizi a cercare soluzioni a questi problemi. In un problema matematico, ad esempio, uno studente potrebbe trovare una soluzione più concisa, più elegante, e questa viene considerata la migliore soluzione.

Tuttavia, nella realtà, le cose non funzionano così nella gestione della supply chain. Per illustrare questo concetto, torniamo indietro di 60 anni e guardiamo al problema della cucina, un’attività molto impegnativa in termini di tempo. Le persone del passato immaginavano che i robot potessero essere utilizzati in futuro per svolgere compiti di cucina, aumentando così significativamente la produttività per la persona responsabile della cucina. Questo tipo di pensiero era diffuso negli anni ‘50 e ‘60.

Ora, guardando al presente, è ovvio che le cose non sono evolute in questo modo. Per ridurre gli sforzi di cucina, le persone ora acquistano pasti precotti. Questo è un altro esempio di spostamento del problema. Fornire supermercati con pasti precotti è più sfidante dal punto di vista della supply chain rispetto a fornire loro prodotti grezzi, a causa del maggior numero di referenze e delle scadenze più brevi. Il problema è stato risolto attraverso una soluzione di supply chain superiore, non fornendo una soluzione di cucina migliore. Il problema della cucina è stato completamente eliminato e ridefinito come fornire un pasto decente con uno sforzo minimo.

In termini di supply chain, la prospettiva accademica spesso si concentra sulla ricerca di soluzioni migliori per problemi esistenti. Un buon esempio sono le competizioni Kaggle, dove hai un dataset, un problema e potenzialmente centinaia o migliaia di squadre che competono per ottenere la migliore previsione su questi dataset. Hai un problema ben definito e migliaia di soluzioni che competono tra loro. Il problema di questa mentalità è che ti dà l’impressione che se vuoi migliorare la tua supply chain, ciò di cui hai bisogno è una soluzione migliore.

L’essenza del principio è che una soluzione migliore potrebbe aiutare marginalmente, ma solo marginalmente. Di solito, ciò che aiuta davvero è quando si ridefinisce il problema, e questo è sorprendentemente difficile. Questo vale anche per i problemi quantitativi. È necessario ripensare alla propria strategia di supply chain effettiva e al problema chiave che si dovrebbe ottimizzare.

In molti ambiti, le persone pensano ai problemi come se fossero statici e immutabili, cercando soluzioni migliori. Non nego che avere un algoritmo di previsione delle serie temporali migliore possa essere d’aiuto, ma la previsione delle serie temporali appartiene al campo delle previsioni statistiche, non alla padronanza della gestione della supply chain. Se torniamo all’esempio iniziale della valigia da viaggio, il miglioramento chiave per una valigia con le ruote non riguardava le ruote, ma la maniglia. Era qualcosa che a prima vista non aveva nulla a che fare con le ruote, ed è per questo che ci sono voluti 40 anni per trovare una soluzione: devi pensare fuori dagli schemi per far emergere il problema migliore.

Questo principio quantitativo riguarda la sfida dei problemi che si affrontano. Forse non stai pensando abbastanza al problema, e c’è una tendenza ad innamorarsi della soluzione mentre dovresti concentrarti sul problema e sulle cose che non capisci al riguardo. Appena hai un problema ben definito, avere una buona soluzione è di solito solo una questione banale di esecuzione, che non è così difficile.

In conclusione, la supply chain come campo di studio ha molte prospettive impressionanti e autorevoli. Queste possono essere sofisticate, ma la domanda che vorrei rivolgere a questo pubblico è: potrebbe essere che tutto ciò potrebbe essere gravemente fuorviante? Siamo davvero sicuri che elementi come la previsione delle serie temporali e la ricerca operativa siano le prospettive corrette sul problema? Indipendentemente dalla quantità di sofisticazione e decenni di ingegneria e sforzo investiti nel perseguire quelle direzioni, siamo davvero sulla strada giusta?

Oggi, sto presentando una serie di principi che ritengo di primaria importanza per la gestione della supply chain. Tuttavia, potrebbero sembrare strani per la maggior parte di voi. Abbiamo due mondi qui - quello provato e quello strano - e la domanda è cosa succederà tra qualche decennio.

Il progresso tende a svilupparsi in modo caotico e non lineare. L’idea con questi principi è permettervi di abbracciare un mondo altamente caotico, dove c’è spazio per l’imprevisto. Questi principi possono aiutarvi a sviluppare soluzioni più veloci, affidabili ed efficienti che porteranno miglioramenti alle vostre supply chain da una prospettiva quantitativa.

Ora, passiamo ad alcune domande.

Domanda: Come si confrontano le distribuzioni di Zipf con la legge di Pareto?

La legge di Pareto è la regola empirica dell'80-20, ma da una prospettiva quantitativa, la distribuzione di Zipf è un modello predittivo esplicito. Ha capacità predittive che possono essere messe alla prova con i dati in modo molto diretto.

Domanda: Non sarebbe meglio considerare la distribuzione di Zipf-Mandelbrot come una curva logaritmica per visualizzare le fluttuazioni della supply chain, come fanno gli epidemiologi con la segnalazione dei casi e delle morti?

Assolutamente. A livello filosofico, la domanda è se vivete nella Terra della Mediocrità o nella Terra degli Estremi. Le supply chain e la maggior parte delle questioni umane esistono nel mondo degli estremi. Le curve logaritmiche sono utili se si vuole visualizzare l’ampiezza delle promozioni. Ad esempio, se si vogliono vedere le ampiezze di tutte le promozioni passate per grandi reti di vendita al dettaglio negli ultimi 10 anni, utilizzare una scala regolare potrebbe rendere tutto il resto invisibile, semplicemente perché la promozione più grande di sempre era molto più grande delle altre. Quindi, utilizzare una scala logaritmica può aiutare a vedere le variazioni più chiaramente. Con la distribuzione di Zipf-Mandelbrot, vi sto dando un modello che potete letteralmente implementare con poche righe di codice, che è più di una semplice visualizzazione logaritmica dei dati. Tuttavia, concordo sul fatto che l’intuizione di base sia la stessa. Per una prospettiva filosofica di alto livello, consiglio di leggere il lavoro di Nassim Taleb su Mediocristan versus Extremistan nel suo libro “Antifragile”.

Domanda: Sul tema dell’ottimizzazione della supply chain locale, ti riferisci ai dati sottostanti che supportano la collaborazione nella rete di supply chain e l’SNLP?

Il mio problema con l’ottimizzazione locale è che le grandi aziende che gestiscono importanti supply chain di solito hanno organizzazioni a matrice. Questa struttura organizzativa, con la sua mentalità divide-et-impera, porta per definizione a un’ottimizzazione locale. Ad esempio, considerate due squadre diverse: una responsabile delle previsioni della domanda e l’altra delle decisioni di acquisto. Questi due problemi - previsione della domanda e ottimizzazione degli acquisti - sono completamente intrecciati. Non è possibile effettuare un’ottimizzazione locale concentrandosi solo sulla percentuale di errore nella previsione della domanda e poi ottimizzare separatamente gli acquisti in base all’efficienza di elaborazione. Ci sono effetti sistemici e bisogna considerarli tutti insieme.

La sfida più grande per la maggior parte delle grandi aziende consolidate che gestiscono importanti supply chain oggi è che, quando si mira all’ottimizzazione quantitativa, bisogna pensare a livello di sistema e a livello aziendale. Questo va contro decenni di sedimentazione dell’organizzazione a matrice all’interno dell’azienda, dove le persone si sono concentrate esclusivamente sui loro confini ben definiti, dimenticando l’immagine più ampia.

Un altro esempio di questo problema sarebbe l’inventario del negozio. Lo stock serve a due scopi: da un lato, soddisfa la domanda dei clienti, e dall’altro, agisce come merce. Per avere la giusta quantità di stock, è necessario affrontare il problema della qualità del servizio e il problema dell’attrattiva del negozio. L’attrattiva del negozio riguarda rendere il negozio attraente e interessante per i clienti, che è più un problema di marketing. In un’azienda, si ha una divisione di marketing e una divisione di supply chain, e non lavorano naturalmente insieme quando si tratta di ottimizzazione della supply chain. Il mio punto è che se non si mettono insieme tutti questi aspetti, l’ottimizzazione non funzionerà.

Per quanto riguarda la tua preoccupazione SNLP, il problema è che le persone si riuniscono solo per fare riunioni, il che non è molto efficiente. Abbiamo pubblicato un episodio di Lokad TV su SNLP qualche mese fa, quindi puoi fare riferimento a quello se vuoi avere una discussione specifica su SNLP.

Domanda: Come dovremmo distribuire il tempo e l’energia tra la strategia della supply chain e l’esecuzione quantitativa?

È una grande domanda. La risposta, come ho menzionato nella mia seconda lezione, è che hai bisogno di automatizzare completamente i compiti banali. Ciò ti consente di dedicare tutto il tuo tempo e la tua energia al miglioramento strategico continuo delle tue ricette numeriche. Se dedichi più del 10% del tuo tempo a occuparti degli aspetti banali dell’esecuzione della supply chain, hai un problema con la tua metodologia. Gli esperti di supply chain sono troppo preziosi per sprecare il loro tempo e la loro energia su problemi di esecuzione banali che dovrebbero essere automatizzati fin dall’inizio.

Devi seguire una metodologia che ti permetta di dedicare quasi tutta la tua energia al pensiero strategico, che poi viene immediatamente implementato come ricette numeriche superiori che guidano l’esecuzione quotidiana della supply chain. Questo si collega alla mia terza lezione sulla consegna orientata al prodotto, dove intendo la consegna orientata al prodotto software.

Domanda: È possibile ipotizzare una sorta di analisi del tetto, il miglior miglioramento possibile per i problemi della supply chain data la loro formulazione sistemica?

Direi di no, assolutamente no. Pensare che ci sia una sorta di ottimo o tetto equivale a dire che c’è un limite all’ingegno umano. Sebbene non abbia alcuna prova che non ci sia un limite all’ingegno umano, è una delle mie convinzioni fondamentali. Le supply chain sono problemi complessi. Puoi trasformare il problema e persino trasformare ciò che sembra essere un grande problema in una grande soluzione e un potenziale di crescita per l’azienda. Ad esempio, guarda Amazon. Jeff Bezos, nei primi anni 2000, ha capito che per essere un rivenditore di successo avrebbe avuto bisogno di un’infrastruttura software massiccia e solida come una roccia. Ma questa infrastruttura di produzione industriale su larga scala di cui aveva bisogno per gestire l’e-commerce di Amazon era incredibilmente costosa, costando all’azienda miliardi. Quindi, i team di Amazon hanno deciso di trasformare questa infrastruttura di cloud computing, che era un enorme investimento, in un prodotto commerciale. Oggi, questa infrastruttura di calcolo su larga scala è effettivamente una delle principali fonti di profitto per Amazon.

Quando inizi a pensare a problemi complessi, puoi sempre ridefinire il problema in modo superiore. Ecco perché penso che sia fuorviante credere che ci sia una sorta di soluzione ottimale. Quando pensi in termini di analisi del tetto, stai guardando a un problema fisso, e da una prospettiva di problema fisso, potresti avere una soluzione probabilmente quasi ottimale. Ad esempio, se guardi le ruote sulle valigie moderne, sono probabilmente quasi ottimali. Ma c’è qualcosa di completamente ovvio che ci sfugge? Forse c’è un modo per rendere le ruote molto migliori, un’invenzione che non è ancora stata fatta. Appena la vediamo, sembrerà completamente ovvia.

Ecco perché dobbiamo pensare che non esista una sorta di tetto per questi problemi perché i problemi sono arbitrari. Puoi ridefinire il problema e decidere che il gioco deve essere giocato secondo regole completamente diverse. Questo è sorprendente perché alle persone piace pensare di avere un problema ben definito e di poter trovare soluzioni. Il moderno sistema educativo occidentale enfatizza una mentalità di ricerca di soluzioni, in cui ti diamo un problema e valutiamo la qualità della tua soluzione. Tuttavia, una domanda molto più interessante è la qualità del problema stesso.

Domanda: Le migliori soluzioni risolveranno i problemi, ma a volte trovare la migliore soluzione può costare tempo e denaro. Ci sono soluzioni alternative per questo?

Assolutamente. Di nuovo, se hai una soluzione che è teoricamente corretta ma richiede un tempo infinito per essere implementata, non è una buona soluzione. Questo tipo di pensiero tende ad essere diffuso in certi circoli accademici, dove si concentrano nel trovare la soluzione perfetta secondo criteri matematici ristretti che non hanno nulla a che fare con il mondo reale. È esattamente di questo che parlavo quando ho menzionato il problema di ottimizzazione corretto.

Ogni trimestre circa, c’è un professore che viene da me e mi chiede se posso revisionare il loro algoritmo online per risolvere il problema di ottimizzazione del percorso. La maggior parte degli articoli che revisiono al giorno d’oggi sono focalizzati sulle varianti online. La mia risposta è sempre la stessa: non stai risolvendo il problema giusto. Non mi interessa la tua soluzione perché non stai nemmeno pensando correttamente al problema stesso.

Il progresso non dovrebbe essere confuso con la sofisticazione. È una percezione errata che il progresso vada da qualcosa di semplice a qualcosa di sofisticato. In realtà, spesso il progresso viene raggiunto partendo da qualcosa di incredibilmente complicato e, attraverso un pensiero e una tecnologia superiori, raggiungendo la semplicità. Ad esempio, se guardi la mia ultima lezione sulle tendenze della supply chain per il XXI secolo, vedrai la Macchina di Marly, che portava acqua al Palazzo di Versailles. Era un sistema incredibilmente complicato, mentre le moderne pompe elettriche sono molto più semplici ed efficienti.

Il progresso non si trova necessariamente nella sofisticazione aggiuntiva. A volte è necessaria, ma non è un ingrediente essenziale del progresso.

Domanda: Le grandi reti di vendita stanno aumentando il loro livello di stock, ma devono soddisfare gli ordini quasi immediatamente. A volte decidono di fare una promozione da sole che non è stata iniziata dal fornitore. Qual sarebbe l’approccio per prevedere e prepararsi di conseguenza a livello di fornitore?

Prima di tutto, dobbiamo guardare il problema da una prospettiva diversa. Stai assumendo una prospettiva di previsione, in cui il tuo cliente, un grande rivenditore, sta facendo una grande promozione che arriva dal nulla. Prima di tutto, è così male? Se promuovono i tuoi prodotti senza informarti, è solo un fatto della vita. Se guardi la tua storia, di solito lo fanno regolarmente, e ci sono persino dei pattern.

Se torno ai miei principi, i pattern sono ovunque. Prima di tutto, devi abbracciare una prospettiva in cui non puoi prevedere il futuro; invece, hai bisogno di previsioni probabilistiche. Anche se non puoi prevedere perfettamente le fluttuazioni, potrebbero non essere del tutto inaspettate. Forse devi cambiare le regole del gioco anziché lasciare che il fornitore ti sorprenda completamente. Forse devi negoziare impegni che vincolano il rivenditore, la rete di vendita e il fornitore. Se la rete di vendita inizia una grande spinta senza dare un avviso al fornitore, il fornitore non può realisticamente essere ritenuto responsabile per non mantenere la qualità del servizio.

Forse la soluzione è qualcosa di più collaborativo. Forse il fornitore dovrebbe avere una migliore valutazione del rischio. Se i materiali venduti dal fornitore non sono deperibili, potrebbe essere più redditizio avere un paio di mesi di stock. Le persone spesso pensano di dover eliminare i ritardi, lo stock e tutto il resto, ma è davvero quello che i tuoi clienti si aspettano da te? Forse quello che i tuoi clienti si aspettano è un valore aggiunto sotto forma di abbondante stock. Di nuovo, la risposta dipende da vari fattori.

Devi guardare il problema da molti punti di vista e non esiste una soluzione banale. Devi pensare molto seriamente al problema e considerare tutte le opzioni disponibili. Forse il problema non è avere più stock ma avere una capacità di produzione maggiore. Se c’è un grande aumento della domanda e non è troppo costoso avere un picco massiccio e i fornitori dei fornitori possono fornire i materiali abbastanza velocemente, forse tutto ciò di cui hai bisogno è una capacità di produzione più versatile. Questo ti permetterebbe di indirizzare la tua capacità di produzione verso ciò che sta aumentando ora.

A proposito, questo esiste in determinati settori. Ad esempio, l’industria dell’imballaggio ha capacità enormi. La maggior parte delle macchine nell’industria dell’imballaggio sono stampanti industriali, che sono relativamente economiche. Le persone nel settore dell’imballaggio di solito hanno molte stampanti che non vengono utilizzate per la maggior parte del tempo. Tuttavia, quando c’è un grande evento o un grande marchio vuole fare una grande spinta, hanno la capacità di stampare tonnellate di nuovi pacchetti che si adattano alla nuova spinta di marketing del marchio.

Quindi, dipende davvero da vari fattori e mi scuso per non avere una risposta definitiva. Ma quello che posso dire con certezza è che devi pensare molto seriamente al problema che stai affrontando.

Questo conclude la lezione di oggi, la sesta e ultima del prologo. Tra due settimane, nello stesso giorno e alla stessa ora, presenterò le personalità della supply chain. A presto.