Supply Chain Personae - Lezione 2.1

00:50 Introduzione
02:22 Libro di Claude Bernard
11:19 La storia finora
13:39 Esperimenti sulla Supply Chain?
19:21 Metodi sperimentali: contro gli studi di caso
20:50 Sui Grandi Nomi
28:14 Sui Tabù
35:05 Sulle Prospettive di Lavoro
37:51 Sulla Pseudo-neutralità
42:59 Sui Fornitori
45:57 Metodi sperimentali: a favore delle personae
46:54 Finzione vs Realtà
52:19 Costruire una supply chain persona
55:26 Criteri di rigetto
01:02:33 Problema vs Soluzione, 1/3
01:08:53 Problema vs Soluzione, 2/3
01:11:41 Problema vs Soluzione, 3/3
01:16:13 Personae in arrivo
01:17:06 Conclusione
01:18:29 Prossima lezione e domande del pubblico

Descrizione

Una supply chain “persona” è un’azienda fittizia. Tuttavia, mentre l’azienda è fittizia, questa finzione è progettata per delineare ciò che merita attenzione dal punto di vista della supply chain. Tuttavia, la persona non è idealizzata nel senso di semplificare le sfide della supply chain. Al contrario, l’intento è quello di ingrandire gli aspetti più difficili della situazione, quegli aspetti che resisteranno in modo più ostinato a qualsiasi tentativo di modellizzazione quantitativa e a qualsiasi tentativo di pilotare un’iniziativa per migliorare la supply chain.

Nel campo della supply chain, gli studi di caso – quando una o più parti sono nominate – soffrono di severi conflitti di interesse. Le aziende, e i loro fornitori di supporto (software, consulenza), hanno un interesse personale nel presentare il risultato in luce positiva. Inoltre, le supply chain reali tipicamente soffrono o beneficiano di condizioni accidentali che non hanno nulla a che fare con la qualità della loro esecuzione. Le supply chain personae sono la risposta metodologica a tali problematiche.

Trascrizione completa

Ciao a tutti, benvenuti a questa serie di lezioni sulla supply chain. Sono Joannes Vermorel, e oggi presenterò “Supply Chain Personae.” Per chi di voi sta seguendo la lezione in diretta, potete fare domande in qualsiasi momento tramite la chat di YouTube. Tuttavia, non leggerò le domande durante la lezione; tornerò alla chat alla fine delle lezioni per rispondere, se possibile, a tutte le domande che sono state sollevate.

Il tema di oggi è se possiamo elevare lo studio delle supply chain a scienza. Si potrebbe obiettare che le supply chain sono prima di tutto un’attività commerciale e una pratica. Assolutamente, ma la domanda è: possiamo portare un miglioramento al supply chain management, e se sì, possiamo farlo in modi che siano sistematici, affidabili e in qualche modo controllati? Credo che ciò sia fattibile solo attraverso qualcosa di simile a un metodo scientifico applicato al sapere che possediamo.

Per portare un miglioramento, abbiamo bisogno di conoscenza, e di una conoscenza di alta qualità. Cosa intendo per alta qualità? È una conoscenza che può essere caratterizzata da ciò che solitamente caratterizza il sapere scientifico al giorno d’oggi. Se l’unica cosa che possediamo è l’intuizione, allora ciò limita fortemente ciò che possiamo sperare di apportare alle supply chain in maniera sistematica. Il metodo scientifico è davvero di grande interesse, e la capacità di elevare lo studio delle supply chain a scienza è di importanza cruciale. Ma ciò solleva la domanda: cos’è la scienza e cos’è il metodo scientifico?

Credo che ci sia un libro, “An Introduction to the Study of Experimental Medicine,” pubblicato da Claude Bernard nel 1865, che rappresenta un vero e proprio punto di riferimento nella storia della scienza. Claude Bernard, un ricercatore molto famoso all’epoca, è tuttora considerato da molti come uno dei padri fondatori, se non il padre, della medicina moderna. A causa di una malattia, si ritirò, e rifletté su una ricerca di conoscenza che lo aveva accompagnato per tutta la vita. Iniziò a mettere per iscritto le sue idee su come avesse gestito e quali metodi avesse utilizzato durante la sua carriera per fare tutte le scoperte che aveva realizzato.

Questo è un libro assolutamente affascinante. Si legge come un romanzo, cosa davvero sorprendente. È completamente diverso dai “Principia Mathematica” di Newton, che risultano quasi insopportabili. Questo libro è molto semplice da leggere, almeno nella versione francese. Non so nulla della versione inglese, ma sospetto che esistano buone traduzioni. Con molta chiarezza e semplicità, Claude Bernard spiega e fornisce numerosi indizi riguardo alla scienza e al metodo scientifico. È qualcosa di profondamente illuminante per le supply chain.

A proposito, nonostante il titolo di questo libro, che sembra essere incentrato in modo molto marcato sulla medicina, la maggior parte di ciò che Claude Bernard descrisse non è affatto specifico alla medicina. Questo libro ha avuto un’influenza profonda su molte altre discipline ben oltre la medicina. Per capire perché, dobbiamo comprendere che nel XIX secolo Claude Bernard si trovava ad affrontare oppositori completamente contrari all’idea che la medicina dovesse, almeno in parte, diventare una scienza. Infatti, lo studio della medicina si trova ad affrontare due sfide fondamentali, che credo siano di primaria rilevanza anche per le supply chain.

La prima sfida è che gli esseri viventi sono incredibilmente e irriducibilmente complessi. Se hai un organismo vivente, non puoi semplicemente applicare una sorta di approccio divide-et-impera; non puoi smontare l’oggetto per studiarlo perché, in tal caso, uccidi l’essere vivente e ti ritrovi con qualcosa che non è più vivo. Questo perde completamente di vista l’obiettivo dello studio. Questa complessità irriducibile e il fatto di avere qualcosa di super complesso che non può essere facilmente smontato valgono anche per le supply chain. Se hai una supply chain composta da fornitori, impianti, magazzini, centri di distribuzione e negozi, e se rimuovi uno qualsiasi di questi elementi, la supply chain non funziona più, e addirittura non ha più senso. Non puoi nemmeno studiarla come una supply chain. Quindi, abbiamo questo tipo di complessità irriducibile che si applica in modo significativo anche alle supply chain.

La seconda grande sfida è che un essere vivente è essenzialmente un sistema intrecciato. Se inizi a fare una piccola modifica locale, probabilmente essa avrà impatti sull’intero organismo. Per esempio, puoi fare un’iniezione di veleno molto localizzata, ma ciò avrà un impatto su tutto l’organismo, non solo sul punto in cui hai effettivamente iniettato il veleno. Questo risuona molto anche con le supply chain perché, come ho descritto in una mia precedente lezione, la maggior parte delle ottimizzazioni locali in una supply chain spostano semplicemente il problema in qualche altra parte della rete. Quindi, abbiamo questi due problemi, e all’epoca Claude Bernard si trovava ad affrontare oppositori che sostenevano fondamentalmente che la medicina, a causa di queste problematiche, è irriducibile e non può essere ridotta a qualcosa di volgare come una scienza. Claude Bernard, insieme a molte altre persone e ai suoi seguaci, ha dimostrato che questa prospettiva era completamente sbagliata. Tuttavia, è interessante notare che questa sfida esiste ancora, e credo che anche un secolo e mezzo dopo, siamo ancora in questa fase per quanto riguarda le supply chain.

Ora, se vogliamo capire cosa porta innanzitutto Claude Bernard, è l’idea degli esperimenti. Nel suo libro, egli propone l’idea che la nostra conoscenza attraversa tre fasi: emozione, ragione ed esperimento. L’idea è che il metodo scientifico inizia con un’emozione, una scintilla di volontà, che ti fornisce una sorta di idea preconcetta sull’universo. Attraverso questa emozione, puoi iniziare a fare qualsiasi cosa, anche se è profondamente irrazionale e priva di qualità scientifiche. Senza ciò, non hai l’impulso iniziale che farà scattare il resto. L’inizializzazione di questo sistema di conoscenza è l’emozione, e poi c’è la ragione. La ragione dà forma, struttura e direzione a questa idea in modo che tu possa iniziare ad agire. A questo punto, hai un’idea, ma non è chiaro se sia vera o falsa. Esiste semplicemente, ma ha una struttura maggiore rispetto alla prima fase, che era solo emozione.

Attraverso la ragione, puoi costruire la prima fase di un esperimento. L’idea è che, grazie alla ragione, metterai alla prova la tua idea. Hai questa idea preconcetta sull’universo, e la metterai in atto attraverso un esperimento che ti permetterà di testarla. La cosa interessante è che devi credere nella tua idea, altrimenti non investirai tutti gli sforzi e il tempo necessari per condurre effettivamente l’esperimento. Il metodo scientifico non è l’eliminazione delle convinzioni preesistenti; non è assolutamente così. Hai bisogno di avere qualcosa che ti guidi, quelle idee preconcette che orienteranno la tua azione.

Poi, conduci l’esperimento, osservi i risultati e lasci che l’osservazione prenda il controllo delle tue idee. Avevi le tue idee preconcette, hai condotto l’esperimento, e una volta terminato, lasci che ciò che hai appena osservato prenda il controllo delle tue idee, e questo costituirà l’istituzione della conoscenza. Una delle idee profonde nella scienza sperimentale è che non esiste conoscenza dentro di noi. Abbiamo emozioni e una capacità innata di ragione, ma tutta la conoscenza da trovare è al di fuori di noi. Anche se ora può sembrare ovvio, durante il XIX secolo non lo era affatto. Per quanto riguarda le supply chain, non è evidente che tutti siano d’accordo con me su questo punto. L’idea di avere una scienza sperimentale riguarda la costruzione e l’estrazione della conoscenza dall’universo, e il passo elementare per farlo è una serie di esperimenti.

Nella mia ultima lezione, ho concluso il primo capitolo di questa serie di lezioni, che costituiva il prologo. Nel prologo, ho presentato le mie opinioni su come avvicinarsi alle supply chain in primo luogo. Ho definito la supply chain durante la prima lezione come la padronanza dell’opzionalità. Ho anche presentato visioni sia qualitative che quantitative, solo per darvi un assaggio del modo in cui sto affrontando il problema. In queste lezioni attuali, apro un secondo capitolo: la metodologia. Se vogliamo migliorare le supply chain, abbiamo bisogno di una conoscenza per orientare le nostre azioni. Se vogliamo avere un modo affidabile per apportare miglioramenti e sperare ragionevolmente in un alto grado di controllo, allora dobbiamo far sì che questa conoscenza sia solidamente fondata. Credo che abbiamo bisogno di qualcosa di simile al metodo scientifico. Quando dico metodo scientifico, sto abusando del termine, in quanto non esiste una cosa come “il metodo scientifico.” Esiste in realtà una ampia serie di metodi, e Claude Bernard, nel suo libro, ne presenta una serie. Bernard ha anche dimostrato che la scienza progredisce non solo attraverso teorie migliori, ma anche attraverso metodi migliori. La sfida non è solo conoscere di più sulle supply chain, ma anche stabilire fondamenta con metodi che si dimostrino superiori nel generare una conoscenza migliore, più rapida, più affidabile, e più accurata. Lo scopo di una supply chain è avere un metodo, tra i tanti, per collegare le supply chain come campo di studio a ciò che accade nel mondo reale e sfruttare l’informazione che non è dentro di noi ma nel mondo là fuori.

Il modo per portare una dose di realtà nel tuo campo di studio è tipicamente attraverso esperimenti. Tuttavia, nel caso specifico delle supply chain, sembra che gli esperimenti sulla supply chain siano piuttosto complicati per diverse ragioni. Permettetemi di presentarle brevemente.

Il primo motivo è la riservatezza. Come abbiamo visto in una lezione precedente, una supply chain non può essere osservata direttamente; può essere osservata solo indirettamente. Le uniche cose che si possono osservare in una supply chain sono i record elettronici che vengono raccolti e aggregati da un pezzo di enterprise software. Questo è il modo in cui puoi osservare una supply chain, attraverso i record raccolti dal software aziendale o attraverso dataset. Il problema è che le aziende non sono disposte a condividere questi dataset, e ci sono ottime ragioni per non volerli condividere. Innanzitutto, si tratta di un vantaggio competitivo, o meglio, se dovessero condividere pubblicamente questi dati, sarebbe uno svantaggio competitivo perché i loro concorrenti potrebbero approfittare di avere accesso a tali dati per ottenere un vantaggio competitivo nei loro confronti.

Ma non è solo per questo motivo. Ci sono anche buone ragioni per non condividere i dati, come la privacy e la riservatezza. Ad esempio, in Europa ora abbiamo il GDPR come regolamento. Non sto discutendo se il GDPR sia una buona cosa o una cattiva cosa; sto solo sottolineando che, anche se un’azienda fosse disposta a condividere i suoi dati, si troverebbe a rischio di fare qualcosa di illegale. A titolo esemplificativo, lo scorso anno si è svolto il concorso di previsione M5, basato sui dati di vendita ottenuti da Walmart. A mia conoscenza, è stato il dataset più grande e completo mai pubblicato relativo ad un esperimento di supply chain. Solo per dare un’idea della scala del problema, questo dataset consisteva solamente nei dati di vendita di una piccola frazione dei prodotti di un singolo negozio. Walmart è una compagnia gigantesca che gestisce oltre 10.000 negozi, e il dataset del concorso su Kaggle non rappresentava nemmeno un intero negozio. In realtà, era solo una piccola frazione di un negozio, ed era fondamentalmente la storia delle vendite, inclusa la cronologia delle vendite in termini di quantità e prezzi. Per peggiorare ulteriormente il problema, a causa di problemi ingegneristici in termini di estrazione dei dati, si è scoperto che metà del dataset, che consisteva nei prezzi, non era nemmeno utilizzabile per lo scopo del concorso. Nessuna delle squadre vincitrici che si è classificata tra le prime 10 del concorso è riuscita a utilizzare questi dati. Questo vi dà un’idea di quanto sia difficile comunicare pubblicamente su questo argomento, ma questo non è l’unico problema.

Abbiamo anche il problema della replicabilità. Ad esempio, parlando con diversi clienti di Lokad nel gennaio 2020, l’e-commerce nei rispettivi business rappresentava circa il 30% del volume. Nel gennaio 2021 era aumentato al 60%. Ovviamente, c’è stato un intero anno di pandemia e sono accadute cose relativamente senza precedenti, che hanno cambiato completamente il panorama in molte industrie, probabilmente per sempre. Questo è un problema significativo perché la replicabilità è al centro delle scienze sperimentali. Ma se fai qualcosa nella supply chain e vuoi replicarlo, il contesto potrebbe essere così diverso alcuni anni dopo da non lasciarti alcuna speranza di replicare nulla. Questa è un’altra categoria di grandi problemi che affrontiamo.

Inoltre, ci sono i costi e le tempistiche coinvolte. Come regola generale, un esperimento di supply chain dovrebbe durare almeno il doppio del lead time caratteristico dell’azienda. In molte industrie o settori, il lead time caratteristico è di circa tre mesi, il che significa che il ritardo caratteristico per un esperimento di supply chain sarebbe di sei mesi o più. Questo è molto lungo, e c’è una buona ragione: nelle scienze sperimentali, come la medicina sperimentale, si tende a favorire l’uso dei topi per gli esperimenti a causa del loro metabolismo rapido e del tasso elevato di riproduzione. Il tempo è essenziale, anche in medicina, ed è praticamente lo stesso nella supply chain. Eppure il tempo caratteristico degli esperimenti è molto lungo.

Inoltre, abbiamo l’elemento non locale di cui abbiamo discusso in precedenza, dove è difficile fare un esperimento su piccola scala e a basso costo perché si tratta di effetti di rete. Non puoi semplicemente fare qualcosa in un solo luogo e aspettarti dei risultati. Come regola generale, non puoi trarre nulla da un esperimento locale nella supply chain.

Ovviamente, non sono il primo a rendersi conto che abbiamo questa grande serie di problemi e che le supply chain resistono all’approccio sperimentale ingenuo. Di conseguenza, una larga parte degli studi condotti nelle supply chain ricorre di default ad un’alternativa all’esperimento di supply chain, ovvero lo studio di caso sulla supply chain. L’idea è semplice: vogliamo collegare la supply chain come campo di studio al mondo reale. Vogliamo iniettare dosi di realtà nella nostra teoria. Questo è ciò di cui tratta uno studio di caso. La mia proposta per voi oggi è che gli studi di caso sono infomercial glorificati, e se dobbiamo valutare gli studi di caso in base a quanta conoscenza sia possibile trasmettere attraverso questo formato, la mia risposta è all’incirca zero. Tuttavia, non tutto è perduto, poiché esistono possibili alternative, ed è in questo contesto che introdurrò il personale di supply chain. A causa della prevalenza degli studi di caso, dobbiamo prima capire perché semplicemente non funziona, non può funzionare e, sfortunatamente, non funzionerà mai.

Uno studio di caso riguarda un’azienda, un problema, una soluzione legacy (cioè la soluzione in atto prima dell’inizio dello studio di caso), e poi una soluzione nuova e migliore. Lo studio di caso descrive tutto ciò e quantifica i benefici che la nuova, presumibilmente migliore, soluzione apporta all’azienda. Il problema più grande che ho è che ogni volta che vedo studi di caso e il modo in cui le persone ragionano su di essi, ciò che domina davvero non sono i numeri presenti negli studi di caso, ma il nome dell’azienda che è oggetto dello studio stesso. C’è un enorme alone di autorità in gioco qui.

Immaginiamo uno studio di caso sulla supply chain proveniente da Google, un gigante tecnologico. Google dispone di una propria supply chain piuttosto grande solo per gestire tutto l’hardware di calcolo distribuito in tutto il mondo per supportare le operazioni dei suoi data center. Immaginiamo che questo studio di caso dimostri la superiorità di un metodo specifico di supply chain sviluppato da Google. Sarebbe considerato molto rilevante, ovviamente, perché Google è un nome molto importante. Tuttavia, il successo di Google non ha nulla a che fare con la supply chain. Google è stata un’azienda di successo straordinario, ma il suo successo non deriva dalle pratiche della supply chain. Se dovessimo esaminare uno studio di caso del genere, avrebbe un grande peso, e direi un peso eccessivo, dovuto semplicemente al marchio che Google porta.

Questo è interessante perché se torno al libro di Claude Bernard, “An Introduction to the Study of Experimental Medicine”, la prima cosa che Claude Bernard presenta è il rifiuto dell’autorità come parte integrante del metodo scientifico. A metà del XX secolo, egli affermò che il problema più grande della medicina dell’epoca era che si basava per lo più sull’autorità. Le persone credevano in qualcosa solo perché c’era un grande nome o qualcuno con molto peso nella società a sostenere la teoria. Questo è sbagliato. La posizione radicale di Claude Bernard è che, per quanto riguarda la scienza, dobbiamo rifiutare tutte le autorità tranne quelle ottenute direttamente attraverso esperimenti. La fonte ultima dell’autorità, e in realtà l’unica fonte di verità scientifica, dovrebbe essere l’esperimento o, in altre parole, la realtà stessa.

Quando iniziamo a guardare gli studi di caso, ci troviamo con problemi di autorità ovunque. Per enfatizzare questo punto, elenco quattro aziende notevoli. Tutte queste aziende sono ampiamente riconosciute, di grande successo e hanno affrontato fallimenti epici nella loro supply chain nel corso della loro storia. Questi fallimenti sono stati dovuti a una folle combinazione di arroganza, avidità, pigrizia, ignoranza e vari altri problemi. Per fare alcuni esempi, Nike, nel 2004, ha perso 400 milioni di dollari in un tentativo maldestro di migliorare la propria supply chain con un fornitore di software. Lidl, nel 2018, ha perso 500 milioni di euro con un altro fornitore di supply chain di grande nome. Credo che questi numeri rappresentino solo una piccola frazione del costo effettivo per queste aziende, poiché la perdita monetaria era solo un aspetto di questi fallimenti su scala epica. La direzione è stata distratta per anni, e nel caso di Lidl, quasi per un decennio. Il costo opportunità di questi fallimenti è assolutamente gigantesco.

Non sto dicendo che queste aziende non facciano certe cose molto bene. Sono davvero notevoli e hanno superato fallimenti su scala epica nella loro supply chain, il che dimostra che operavano in modi straordinari; altrimenti, sarebbero fallite. Tuttavia, il punto che voglio sottolineare è che non è perché un’azienda abbia un buon nome, una buona reputazione e sia estremamente di successo che possiamo dedurne qualcosa sulla qualità delle sue pratiche nella supply chain. Questa è la mia critica fondamentale, e proprio come diceva Claude Bernard, dobbiamo rifiutare radicalmente tutti quei meccanismi che si basano sull’autorità. Dobbiamo farlo anche nel campo degli studi di supply chain.

Tuttavia, abbiamo un altro insieme di problemi, ed è un tabù. Se guardo gli studi di caso pubblicati, solo basandomi sul presentimento senza statistiche concrete, direi che il 99% degli studi di caso sono positivi. Essi mostrano un problema, una soluzione legacy, una nuova soluzione, e la nuova soluzione porta un esito positivo. Eppure, parlando con direttori di supply chain per oltre un decennio, più di 100 di loro, la mia percezione è che la stragrande maggioranza delle iniziative nella supply chain fallisce. Di solito, i fallimenti non sono epici come quelli menzionati in precedenza, ma sono ovunque, e la maggior parte di queste iniziative fallisce. Non è sorprendente—se un’azienda riuscisse a migliorare sistematicamente e senza errori la propria supply chain applicando questo metodo ripetutamente per un decennio, quell’azienda schiaccerebbe la concorrenza, simile alla storia di Amazon. Ma sto divagando.

Tornando all’idea dei tabù, credo che ci sia un evidente disallineamento tra l’enorme positività degli studi di caso e l’enorme negatività delle esperienze reali nella supply chain. Questo può essere spiegato semplicemente dal fatto che il fallimento, in larga misura, è un tabù. Esiste un fantastico articolo intitolato “The Last Days of Target” di Joe Castaldo, pubblicato nel 2016, su Target Canada. Target, una catena al dettaglio nordamericana catena al dettaglio, ha cercato di entrare in Canada, investendo oltre 5 miliardi di dollari in questa impresa, e tutto è andato a completo disastro. Hanno cessato le operazioni con perdite massicce, e al cuore del problema c’era una lunga serie di brutali problematiche nella supply chain. In sostanza, è stata una lunga serie di errori massicci nella supply chain.

La cosa divertente è che Joe Castaldo fa un lavoro fantastico nel descrivere il problema da una prospettiva giornalistica. Non mette nessuno in una luce favorevole. La storia mostra una combinazione sfrenata di arroganza, orgoglio, stupidità, ignoranza e illusione. Si vedono dirigenti altamente pagati prendere una lunga serie di decisioni assolutamente stupide, incoraggiati da un fornitore che non ha la minima idea di cosa stia facendo in termini di analisi della supply chain. Tutto esplode in maniera piuttosto spettacolare. Ci vuole un tale grado di coraggio per pubblicare una storia del genere. Non conosco personalmente Joe Castaldo, ma l’idea di pubblicare una storia del genere mi terrorizza, perché gli avvocati di Target e del fornitore di software, il cui nome non riesco nemmeno a pronunciare, prenderebbero probabilmente in causa chiunque raccontasse questa vicenda perché è così desolante. Abbiamo un problema—ci sono molte cose che letteralmente non possono essere dette a causa dei tabù. Credo che questo spieghi il massiccio bias negli studi di caso, che tendono a riflettere solo i risultati positivi, causando un notevole bias di sopravvivenza. È un problema nuovo? Assolutamente no.

Se torniamo al libro di Claude Bernard, un rinomato scienziato, egli divenne famoso facendo ampio uso della vivisezione, la dissezione di animali vivi. Nel suo libro, afferma che il metodo è vile, crudele, brutale e schifoso, ma sostiene anche che è essenziale per la medicina moderna. Non solo si è dimostrato avere ragione nel suo tempo con le sue scoperte, ma un secolo e mezzo dopo, non c’è dubbio che le vivisezioni siano state fondamentali per il progresso di cui godiamo oggi nella medicina moderna.

La scienza non riguarda ciò che ci fa sentire bene o a nostro agio. Spesso, una buona scienza guarda alle cose che ci mettono maggiormente a disagio. Intuitivamente, questo può essere compreso perché non abbiamo paura di guardare nelle aree in cui siamo a nostro agio. La nostra intuizione probabilmente sarà piuttosto buona in quelle aree. Tuttavia, le aree che sembrano sbagliate, dove avvertiamo un istinto di repulsione, sono proprio quelle in cui non guarderemo istintivamente. Ecco perché abbiamo bisogno di qualcosa come il metodo scientifico per aiutarci ad avere uno sguardo più attento e imparziale sulla realtà, che non sia completamente inquinato dai bias.

Per concludere sui tabù, gli studi di caso spesso affrontano il problema dal lato sbagliato. Accompagnano la tendenza a vedere solo i risultati positivi ed eliminare quelli negativi. Ma questa non è nemmeno la fine della storia.

Potremmo avere buone ragioni per pensare che le persone coinvolte negli studi di caso abbiano la tendenza ad esagerare i risultati? La mia proposta è sì, assolutamente. Non è difficile capire il perché.

Se sei un dirigente e partecipi a uno studio di caso che sostiene che sei riuscito a ottenere un successo straordinario, risparmiando milioni di dollari per l’azienda, questo risalta molto sul tuo curriculum. Migliorerà le tue prospettive di ottenere una posizione più importante, sia internamente nella stessa azienda che esternamente in un’altra azienda. Chiunque abbia lavorato in una grande azienda sa che non si tratta solo di fare cose di grande servizio per l’azienda. Se vuoi avanzare in una grande azienda, non devi solo fornire un grande servizio, ma anche far conoscere alle persone i tuoi successi. Esiste un massiccio conflitto di interessi per coloro che sono coinvolti negli studi di caso, poiché sono loro a elaborare i numeri che giustificano i profitti. È raro poter derivare il profitto generato da un metodo, una tecnologia o un processo innovativo semplicemente guardando i libri contabili. Di solito, è molto più indiretto; occorre rielaborare i numeri, inquadrare i benefici in modo sensato e fare molte ipotesi. Questo può essere abbastanza soggettivo, e quando le persone hanno un conflitto di interessi significativo, sappiamo per certo che distorcerà i risultati. Questo conflitto di interessi può portare a esagerare gli esiti positivi.

Per affrontare questo problema, alcuni potrebbero coinvolgere una terza parte neutrale per fornire un’opinione obiettiva e garantire che tutto venga fatto in modo equo. Esistono due tipi principali di terze parti neutrali: le società di ricerche di mercato e i ricercatori accademici. Tuttavia, credo che queste parti non siano affatto neutrali.

Le società di ricerca di mercato sono impegnate a sondare il mercato, valutare i punti di forza e le debolezze relative delle soluzioni e vendere i risultati della loro ricerca sotto forma di report alle aziende in cerca di soluzioni. Queste aziende possono acquistare il report e disporre di una visione imparziale del mercato fornita da esperti, permettendo loro di scegliere il miglior fornitore. In realtà, le grandi società di ricerca di mercato che conosco non guadagnano vendendo report; la maggior parte dei loro ricavi proviene da servizi di consulenza e coaching che vendono ai fornitori di soluzioni. Questo mette queste società in una posizione in cui vogliono fare ciò che è meglio per i loro clienti, che non sono le aziende in cerca di soluzioni, ma piuttosto i fornitori tecnologici che pagano per i servizi di consulenza.

Si scopre che questa terza parte apparentemente neutrale è in realtà fortemente conflittuale e può aggravare il problema aggiungendo un proprio strato di pregiudizi oltre a quelli esistenti. Quando si osservano i ricercatori accademici, essi hanno numerosi interessi in conflitto. “Pubblica o perisci” è una realtà nel mondo accademico, e gli studi di caso negativi, in particolare quelli che probabilmente si incontrerebbero in supply chain, non sono disastri epici ma piuttosto fallimenti su piccola scala e deludenti. È decisamente nell’interesse di un ricercatore accademico mostrare risultati positivi perché sono più facili da pubblicare.

Alcuni potrebbero argomentare che pubblicare risultati fraudolenti potrebbe rovinare la carriera di un ricercatore accademico, ma quando si tratta di studi di caso in supply chain, i ricercatori possono stare tranquilli sapendo che nessuno smaschererà i loro risultati. È estremamente difficile condurre esperimenti in supply chain, e ancora più difficile confutare qualsiasi cosa si sia rivelata falsa e pubblicata. Sarebbe quasi impossibile dimostrare che uno studio di caso del passato fosse errato o che i risultati fossero grossolanamente esagerati. Questo non vuol dire che i ricercatori siano disonesti, ma hanno chiaramente un conflitto di interesse, ed è impossibile per un osservatore distinguere i ricercatori onesti da quelli disonesti. In linea di massima, quando una terza parte è coinvolta in uno studio di caso, il pregiudizio risulta di solito ancora maggiore rispetto a quando non vi è alcuna terza parte, il che è veramente sorprendente.

Ora, per concludere questa serie sugli studi di caso, diamo un’occhiata ravvicinata ai fornitori. Si crede spesso che i fornitori non debbano mentire, ma ciò non è del tutto accurato. Esiste un concetto noto come “dolus bonus”, o “buona menzogna”, introdotto dai romani molto tempo fa.

Per comprendere questo concetto, consideriamo un mercante in un mercato che vende uova e sostiene in modo esagerato che un uovo sia il migliore che tu abbia mai mangiato e che ti renderà felice per un intero mese. Ovviamente, tale affermazione ha zero possibilità di essere vera. I Romani si chiesero: dobbiamo fare qualcosa riguardo a questo mercante bugiardo? Dovremmo rinchiudere il mercante in prigione o multarlo? La risposta fu no; è assolutamente accettabile. Questo concetto di “dolus bonus” suggerisce che se sei un mercante, fa parte della tua natura mentire su ciò che vendi. Pur essendoci dei limiti, la legge riconosce che i fornitori faranno ciò che fanno, e non dovresti biasimarli per cercare di presentare i loro prodotti sotto una luce favorevole, anche in maniera assurda. È semplicemente il funzionamento del mercato.

Anche se i fornitori non sono consapevoli delle clausole legali, lo sanno intuitivamente, e per questo tendono a produrre studi di caso che costano denaro e tempo, servendo sostanzialmente da infomercial sofisticati. Mentre la pubblicità ha una funzione nella società, la convinzione che una pubblicità glorificata possa essere un veicolo per trasmettere conoscenza è fuorviante. Per progettazione, gli studi di caso non possono essere sfruttati a questo scopo.

Quindi, se eliminiamo gli studi di caso in quanto completamente invalidi, cosa ci resta? Dobbiamo trovare un metodo alternativo che non soffra degli stessi problemi. Qui entrano in gioco le narrative di supply chain. L’intento di una narrativa di supply chain è descrivere i problemi in modo che la conoscenza possa essere condivisa tra i professionisti e i ricercatori della supply chain, concentrandosi sulle questioni in gioco e su ciò che stiamo cercando di risolvere.

Per iniziare, discutiamo di un libro molto interessante, un romanzo intitolato “The Phoenix Project.” Pur non essendo un capolavoro della scienza, è una lettura piacevole su una compagnia fittizia, raccontata attraverso gli occhi del direttore IT. La maggior parte degli eventi della storia coinvolge una serie di problemi di supply chain e software aziendale intimamente intrecciati. La storia racconta delle difficoltà che l’azienda affronta e di ciò che le persone fanno per risolvere tali problemi. Ciò che sorprende è che quest’opera di pura finzione risuona profondamente con molti lettori, persino più di quanto non facciano la maggior parte degli studi di caso, ad eccezione forse di quelli negativi come quelli prodotti da Joe Castello.

Questo apparente paradosso potrebbe non essere affatto un paradosso se consideriamo il primo passo compiuto dagli autori. Hanno deciso che la storia sarebbe stata incentrata su una compagnia fittizia, eliminando tutti i problemi legati al nome e all’autorità che accompagna uno studio di caso associato a un’azienda ben identificata. Creando un’opera di finzione, hanno eliminato il fascino dell’autorità che sarebbe stato legato a una compagnia reale.

In secondo luogo, in termini di tabù, la compagnia fittizia ha permesso agli autori di esplorare molti aspetti interessanti della storia. La maggior parte dei personaggi ha dei limiti, sono imperfetti, si scontrano con le difficoltà, a volte commettono errori stupidi e a volte agiscono in modo egoistico al punto da danneggiare seriamente l’azienda. Possono essere molto avidi in modi che sono completamente in contrasto con gli interessi dell’azienda. Si può notare come alcuni personaggi mentano ai loro colleghi. In uno studio di caso, sarebbe impossibile scrivere questa storia perché porterebbe a una lunga serie di contenziosi se realizzata con persone reali.

Tuttavia, possiamo dire che questo romanzo sia un’opera scientifica? No, e per una semplice ragione: il romanzo è un sostegno al DevOps, una filosofia per affrontare lo sviluppo e la manutenzione del software aziendale. Gli autori raccontano la storia di un gruppo di personaggi nella loro azienda fittizia che affrontano enormi difficoltà e superano gradualmente le sfide fino a riscoprire i principi fondamentali della filosofia DevOps. Questo libro ha un’agenda molto carica e gli autori non ne fanno nessun segreto; stanno spingendo per l’agenda DevOps.

La mia principale critica è che abbiamo lo stesso problema che abbiamo con gli studi di caso: un completo conflitto di interessi. Gli autori, infatti, sono consulenti che vendono servizi di consulenza per aiutare ad implementare le pratiche DevOps nelle aziende. Il fatto che nella storia tutto possa essere risolto in modi credibili e che vi sia un lieto fine in cui l’azienda finisce per realizzare profitti enormi grazie a questa metodologia è tutt’altro che obiettivo.

L’idea di una narrativa di supply chain è quella di partire da un’azienda fittizia ma concentrarsi esclusivamente sui problemi. Vogliamo affrontare il problema creando un’azienda fittizia in modo da non avere il problema dell’autorità e dei tabù. Tuttavia, non vogliamo includere nella nostra narrativa la descrizione delle soluzioni, poiché ciò porterebbe a una lunga serie di conflitti di interesse. Vogliamo concentrarci esclusivamente sul lato problematico delle cose, lasciando da parte il lato delle soluzioni.

Potrebbero esserci alcune modeste eccezioni a questa regola perché a volte, per giustificare la rilevanza di un determinato problema, è necessario fornire un’intuizione della soluzione. Se non si fornisce l’intuizione della soluzione, il problema sembra assolutamente impossibile. Per evitare obiezioni che alcune sfide siano impossibili da affrontare e quindi non interessanti, potrebbe essere necessario introdurre un accenno all’esistenza di almeno una soluzione. Non sosteniamo che sia una buona soluzione, solo che esiste una soluzione.

L’obiettivo della narrativa di supply chain è iniettare realtà ed esperienza del mondo reale nel campo della gestione della supply chain. Vogliamo che questo formato sia un veicolo adeguato per trasmettere conoscenza ai colleghi professionisti e ricercatori della supply chain, e persino per aiutarci a ragionare sulle supply chain stesse, il che è una grande sfida data la loro complessità. Per rendere l’intera cosa comprensibile e credibile, è necessario avere una storia di fondo e un contesto. Vogliamo amplificare la rilevanza dei problemi presentati nella narrativa.

Tuttavia, se inventiamo un’azienda fittizia e elenchiamo tutti i problemi che impattano le supply chain, possiamo semplicemente chiamarla scienza? Assolutamente no.

Il problema è che dobbiamo rendere molto facile rigettare la validità di una narrativa. In uno studio di caso, è molto facile crearne uno, ma incredibilmente difficile confutarne o rigettarne la validità. Con il design della narrativa come metodo, vogliamo invertire questo problema. Vogliamo creare qualcosa che sia estremamente difficile da realizzare ma relativamente semplice da rigettare.

Il primo criterio sarebbe la risonanza. Se abbiamo una narrativa su un archetipo aziendale specifico in un settore specifico e parliamo con direttori della supply chain di quel settore, essi concorderebbero che questa narrativa risuona con i tipi di problemi che hanno? Sebbene possa sembrare molto soggettivo, non credo che lo sia così tanto. Se guardiamo al libro “The Phoenix Project”, praticamente ogni singola persona tra i miei colleghi che l’ha letto ha trovato che risuonasse con le proprie esperienze in varie aziende. Non ci stiamo concentrando sulla soluzione, ma solo sulla definizione del problema. Anche se può esserci un ampio disaccordo su cosa fare riguardo al problema, di solito c’è un forte consenso sui problemi in gioco. Non è necessariamente così soggettivo come sembra, anche se vi è un grado irreducibile di soggettività.

Un altro fattore è l’esaustività. Se riesci a scegliere un’azienda che si suppone sia un buon abbinamento per questo persona e dimostrare che questa azienda ha problemi importanti che non sono nemmeno elencati nel persona, allora il peso del rigetto è molto leggero. Basta esibire un’azienda, un problema, e dire: “Questo è motivo per rigettare il persona.” Non richiede mesi di lavoro, solo un po’ di feedback e una descrizione di buona fede di un problema importante.

Un buon persona dovrebbe anche osare con i numeri, e per numeri non intendo cifre precise, ma ordini di grandezza. Dobbiamo chiarire se stiamo parlando di un’azienda che cerca di gestire 100 SKUs o 100 milioni di SKUs. È necessario fornire le dimensioni caratteristiche e gli ordini di grandezza che caratterizzano l’azienda. Se trovi un’azienda che non corrisponde agli ordini di grandezza indicati, potrebbe significare che abbiamo inquadrato in modo errato il persona.

L’ultimo punto è più sottile ma altrettanto importante: l’esistenza di soluzioni sul mercato. A seconda della soluzione che esiste o non esiste sul mercato, ciò può essere usato per rigettare la validità di un persona. Se abbiamo una soluzione che trivializza completamente il problema o offre una soluzione definitiva in modo che ciò che in precedenza era un problema diventi un non-problema, allora questo è motivo per rigettare il persona, almeno nella sua forma attuale.

Per darvi un esempio più concreto, se prendiamo una grande azienda che nel 1950 gestiva decine di migliaia di SKUs in un magazzino, il persona di questa azienda potrebbe elencare il mantenimento di livelli di stock adeguati come una sfida importante. A quel tempo, i livelli di stock dovevano essere mantenuti manualmente tramite un piccolo esercito di impiegati che aggiornavano i registri. In realtà, era una sfida immensa mantenere registrazioni accurate dell’inventario nel tempo. Ma, accelerando di 70 anni fino ai giorni nostri, potremmo ancora considerarlo una sfida? Assolutamente no. Con i codici a barre e i software di controllo delle scorte, mantenere livelli di stock accurati in un magazzino è sostanzialmente un problema completamente risolto. Non merita di essere incluso in un persona perché ci sono molte soluzioni e praticamente zero incertezza sul tipo di soluzione necessaria.

Sto presentando una dualità tra problema e soluzione, e la realtà è che può essere sorprendentemente difficile avere una netta separazione tra problemi e soluzioni. È complicato pensare a un problema se non si riesce a immaginare prima una soluzione e viceversa. Una fonte di difficoltà nel comprendere i problemi è l’ideologia latente che pervade la società. Abbiamo valori che fanno semplicemente parte della nostra società e viviamo con essi senza nemmeno percepirli. Questi valori possono avere un’influenza enorme sul modo in cui vediamo i problemi e se decidiamo che sono rilevanti o meno.

Per illustrare questo, vorrei portare all’attenzione il caso della casualità. La casualità è stata associata allo stigma del gioco d’azzardo, percepito come sbagliato. Nell’“Introduzione allo studio della medicina sperimentale” di Claude Bernard, Bernard si opponeva vehementemente alla presenza di casualità nel campo della scienza. Egli afferma che se un esperimento non è perfettamente deterministico, di solito è un forte segno di scarsa scienza o, nel migliore dei casi, di scienza incompleta.

Avanzando di 70 anni, vediamo che Albert Einstein ha dato contributi massicci nel campo della meccanica quantistica, ed era molto in conflitto con alcuni aspetti di essa, in particolare con l’indeterminismo o casualità che sembrava essere una proprietà fondamentale dell’universo. Einstein, in diverse occasioni, riconobbe che la fisica quantistica probabilmente non era sbagliata perché le sue proprietà operative erano eccellenti. Tuttavia, riteneva che il non-determinismo suggerisse che la fisica quantistica fosse incompleta e non il prodotto finale di ciò che la fisica dovrebbe essere. Ci sono voluti molti decenni, ma al giorno d’oggi la percezione è che l’indeterminismo sia veramente una proprietà fondamentale dell’universo, e non ci sia scampo.

La mia teoria personale è che lo stigma del gioco d’azzardo, associato alla casualità, sia perdurato nel corso dei secoli e abbia persino influenzato il presente. Un decennio fa, da Lokad, abbiamo deciso di spingere l’idea della previsione probabilistica, abbracciando la casualità invece di rifiutarla. Questo ci ha portato a ridefinire completamente il problema, e abbiamo incontrato scetticismo e reazioni ancora più visceralmente negative. Alcuni hanno messo in discussione la rilevanza della casualità rispetto ai problemi che dovevano risolvere.

Dal mio punto di vista, studiare la struttura stessa del caso è di grande interesse. Tuttavia, possiamo avere idee preconcette che ostacolano la nostra comprensione di alcune questioni. Un’altra sfida è la distrazione che può insorgere quando emerge una soluzione eccellente per un problema difficile. Diventa difficile pensare al problema in astratto, poiché tendiamo a definirlo in modo riflessivo in relazione alla soluzione.

Un esempio storico di ciò è lo sviluppo delle macchine volanti nel XIX secolo. Macchine volanti più leggere dell’aria, come i palloni ad aria calda, furono scoperte e impiegate per fare scoperte sorprendenti. Il successo di queste macchine più leggere dell’aria ha distratto le comunità interessate dal considerare alternative più pesanti dell’aria. Sono serviti decenni perché le comunità rilevanti esplorassero alternative, e credo che parte del problema fosse proprio che avere una soluzione straordinaria, come costruire una macchina volante, era estremamente distraente.

Un’altra sfida che affrontiamo nell’esaminare problemi e situazioni è quando il problema è impensabile. È quel tipo di situazione in cui non riesci nemmeno a concettualizzare il problema, nonostante si tratti di una questione reale.

Per illustrare questa idea, vorrei fare riferimento a un fantastico articolo pubblicato nel 2018 da un team di ricerca di Facebook sulla traduzione automatica. La traduzione automatica consiste nel prendere un testo in una lingua e utilizzare una macchina per produrre una traduzione in un’altra lingua. Questo campo di studio esiste da circa 70 anni. I primi traduttori automatizzati erano incredibilmente ingenui, utilizzando semplicemente dizionari per sostituire le parole di una lingua con le corrispondenti in un’altra. Questo approccio portava a traduzioni di qualità molto bassa.

Nel corso degli anni, le tecniche si sono evolute, e la maggior parte dei metodi aveva una cosa in comune: l’uso di corpora bilingue. L’idea era di utilizzare dataset contenenti frasi in due lingue, apprendendo da questi esempi per costruire un sistema di traduzione automatica. Il risultato sorprendente ottenuto dal team di ricerca di Facebook fu lo sviluppo di un sistema di traduzione senza alcun dataset di traduzione esplicito. Hanno utilizzato un vasto dataset di testi in francese e un dataset separato e disgiunto di testi in inglese, e hanno costruito un sistema di traduzione automatica capace di tradurre dal francese all’inglese senza aver ricevuto alcun esempio. Questo risultato va contro l’approccio convenzionale alla traduzione automatica e ha richiesto una soluzione effettiva prima ancora che le persone potessero ripensare al modo di affrontare il problema.

Un esempio più modesto ma rilevante del nostro lavoro in Lokad si trova nel settore aftermarket automobilistico. In questo campo, la sfida consiste nel trovare la parte di ricambio giusta con la corretta compatibilità meccanica per un veicolo specifico. Nel mercato europeo, per esempio, ci sono oltre 1 milione di parti di ricambio distinte e oltre 100.000 veicoli differenti. Quando vai in un’officina e hai bisogno di sostituire una parte, la persona in loco deve consultare qualche tipo di servizio per determinare quale parte sia adatta al tuo veicolo. Risulta che l’intera lista delle compatibilità tra parte e veicolo, a cui mi riferisco come i collegamenti che uniscono parti e veicoli, ha un ordine di grandezza di circa 100 milioni di compatibilità. In questo mercato, esistono poche aziende altamente specializzate che mantengono questo dataset per il mercato europeo. Esse vendono l’accesso a questo dataset a praticamente ogni azienda che opera nel settore aftermarket automobilistico, in un modo o nell’altro.

Il problema è che questo dataset è enorme, con 100 milioni di compatibilità, e contiene numerosi errori. Sulla base di varie fonti, stimo che esistano alcuni dataset per l’Europa, e la maggior parte di essi presenta circa un tasso d’errore del 3%. Gli errori sono sia falsi positivi, in cui viene dichiarata una compatibilità inesistente, sia falsi negativi, in cui una compatibilità esiste ma non è adeguatamente registrata nel sistema. Questi errori creano problemi continui per tutte le aziende operanti nel settore aftermarket.

Quando una riparazione deve essere eseguita e un cliente ha fretta, il veicolo non si muove più. Viene ordinata una parte, la parte arriva in tempo, ma poi ci si accorge che essa non è compatibile. La parte deve essere restituita, ne viene ordinata un’altra, e si verificano giorni extra di ritardo e frustrazione per il cliente. Quindi, è un problema, ma cosa possiamo fare al riguardo? Le aziende che mantengono questi dataset manualmente impiegano già piccole armate di impiegati per tenerli aggiornati. Correggono continuamente gli errori, ma aggiungono anche nuove parti e nuovi veicoli in modo costante. Nel corso dei decenni, il dataset cresce leggermente, gli errori vengono corretti, ne vengono introdotti di nuovi, e il tasso d’errore del 3% rimane più o meno costante. Non migliora col tempo.

Il sistema ha già raggiunto un equilibrio, e le aziende nel settore aftermarket automobilistico potrebbero non essere disposte a pagare dieci volte di più affinché le società che mantengono i dataset assumano dieci volte più impiegati per correggere gli errori rimanenti. I rendimenti decrescono, e gli errori non ancora rilevati sono probabilmente molto difficili da correggere.

In Lokad, abbiamo sviluppato un algoritmo che rileva sia i falsi positivi sia i falsi negativi e può correggere automaticamente circa il 90% di questi problemi. La sua bellezza sta nel fatto che questo algoritmo utilizza nient’altro che il dataset iniziale. Può sembrare strano, ma possiamo usare proprio questo dataset per apprendere gli errori al suo interno, ed è esattamente quello che abbiamo fatto. A proposito, presenterò queste tecniche in dettaglio in una lezione successiva. Potete consultare il piano online; il calendario delle lezioni è disponibile sul sito web di Lokad. Quindi, questo è un altro esempio in cui, finché non si ha una soluzione, è molto difficile pensare che esista addirittura un problema.

Nell’ambito del mio intento, presenterò una breve serie di lezioni sulle personas che caratterizzano gli archetipi che abbiamo incontrato in Lokad. Farò del mio meglio per riassumere il modo in cui vedo il problema, sintetizzando tutte le esperienze accumulate attraverso la mia esperienza e quella dei miei colleghi in Lokad. Ancora una volta, potete notare che non presenterò tutte queste personas in sequenza, perché sarebbe probabilmente estremamente noioso per il pubblico e magari anche per me. Quindi, intendo presentare una persona probabilmente tra due settimane e poi passare ad altri elementi di interesse.

In conclusione, oggi abbiamo sollevato questioni molto importanti riguardo alla supply chain come campo di studio, e spero di essere riuscito a presentare risposte molto promettenti, magari non dimostrate, ma almeno a fornire alcune risposte promettenti a queste domande. Mi rendo anche conto che, probabilmente, tra i circoli di persone che hanno trascorso una buona parte della loro vita professionale producendo casi studio, oggi non mi sono fatto molti amici, e spero davvero di non finire come il tizio nell’illustrazione. Sarebbe davvero terribile, ma ancora una volta, penso che le poste in gioco siano molto alte. Vogliamo stabilire ed elevare la supply chain come campo di studio a una scienza, in modo da avere qualcosa di estremamente capitalista, aggressivo, e in cui possiamo avere aspettative ragionevoli per ottenere miglioramenti in maniera affidabile e controllata.

Quindi, questo è tutto per oggi. Ora passerò alle domande.

Domanda: Non ho capito il concetto di esaustività per le personas. Puoi approfondire?

Ok, l’esaustività significa proprio questo: a causa degli effetti sistemici, la descrizione delle sfide e dei problemi della supply chain dovrebbe essere completa. Le supply chain comportano una lunga serie di compromessi, quindi se ometti una delle forze in gioco, potresti non ragionare correttamente sul problema sin dall’inizio. Per esempio, non puoi ragionare correttamente su quale sia il livello ottimale di scorte se ignori il problema di avere una fornitura limitata di capitale operativo. L’esaustività significa elencare tutte le cose veramente rilevanti, e se non siamo esaustivi nell’elencare tutti i problemi pertinenti, probabilmente significa che questa persona non è molto rappresentativa, poiché alcune cose potrebbero essere state trascurate e questo potrebbe compromettere criticamente qualsiasi ragionamento basato su di essa.

Domanda: Il tipo sbagliato di soluzioni nelle supply chain è prevalente, e molti professionisti della supply chain sanno che esse sono fallaci per design. Come possiamo aiutarli a rinunciare e passare a soluzioni approssimativamente corrette, abbracciando l’incertezza?

Innanzitutto, penso che il problema principale sia che la supply chain, come campo di studio, è ancora nella sua fase pre-scientifica, e c’è uno scetticismo diffuso sulla validità praticamente di tutto ciò che viene pubblicato. È molto difficile convincere le persone. Penso che il primo passo sia convincere tutti che la supply chain è idonea al metodo scientifico. Questo sarebbe un passo fondamentale, perché non si tratta di una questione di opinioni o ideologie; c’è potenzialmente un obiettivo finale in cui possiamo avere oggettività e conoscenze di buona qualità. Possiamo avere solide basi per comprendere i problemi e applicare soluzioni adeguate. Il primo passo, e questo è ciò che sto cercando di fare con queste lezioni, è educare il pubblico in generale sul fatto che la supply chain non è solo una pratica o un’arte, ma potrebbe diventare una scienza.

Claude Bernard, considerato uno dei padri della medicina moderna, affrontò molte obiezioni nel suo tempo. Fu confrontato da medici che sostenevano di possedere già la scienza e che non c’era nulla da imparare dai suoi metodi. Suggerivano che si dovesse limitare alle loro teorie e non condurre esperimenti propri. La battaglia più grande che Bernard dovette combattere fu proprio l’idea che la medicina potesse essere studiata con un metodo scientifico. Allo stesso modo, sospetto che la maggior parte di ciò che viene pubblicato, anche nei circoli accademici, riguardo alla supply chain non sia scientifica. Credo di aver dimostrato oggi che una buona parte della letteratura, come i casi studio, non è scientifica. Nella prossima lezione vedremo cosa occorre fare con l’altra metà della letteratura rimasta, e non sembra molto promettente.

Per quanto riguarda la tua domanda sull’incertezza, il mio primo passo sarebbe convincere le persone che l’incertezza è irriducibile e che dovranno affrontarla come un problema enorme nella loro vita quotidiana. Possiamo concordare che non c’è alcuna speranza di anticipare perfettamente ciò che le persone stanno per acquistare? Per prevedere perfettamente le azioni di una persona in un negozio, sarebbe necessario replicare perfettamente la sua intera intelligenza. L’algoritmo che potrebbe prevedere ogni singolo movimento di una persona sarebbe fondamentalmente intelligente quanto una replica perfetta dell’intelligenza umana, il che appare altamente irragionevole. L’alternativa, ovvero la proposizione che l’incertezza è in larga misura irriducibile, appare come un’ipotesi molto più ragionevole. La sfida più grande è portare la discussione a un punto in cui ragioniamo da una prospettiva semi-scientifica, anziché affidarci a pratiche, sensazioni, intuizioni e affermazioni autoritarie.

Domanda: Quali sono i tuoi pensieri sul design thinking?

Non sono molto sicuro riguardo alla domanda specifica, ma quello che sto cercando di trasmettere è una connessione tra la supply chain e il mondo reale. Se possiamo condurre esperimenti sulla supply chain che siano in linea con quanto fatto in molte altre scienze sperimentali, possiamo collegare la supply chain al mondo reale in maniera soddisfacente. Oggi ho presentato un metodo, la persona, e probabilmente esistono molti altri metodi. Non seguo uno specifico modo di pensare; mi interessa di più il metodo per produrre conoscenza piuttosto che il modo in cui le persone pensano.

A questo proposito, mi trovo molto in sintonia con le idee proposte da Claude Bernard. La scintilla iniziale per la conoscenza, l’emozione, l’intuizione, è fondamentalmente qualcosa che non è affatto scientifico. Essa appartiene al regno dell’emozione, non della ragione. Non credo che si possa veramente razionalizzare questa parte, e anche se lo si potesse fare, sarei molto sospettoso che lo stesso metodo funzioni per tutti. Ma sto divagando.

Penso che per ora abbiamo terminato con le domande. Ci vediamo tra due settimane; ci incontreremo lo stesso giorno e alla stessa ora. Esploreremo una persona chiamata Paris per un’azienda di fast fashion operante in una rete retail. A presto.

Riferimenti

• Un’introduzione allo studio della Medicina Sperimentale, Claude Bernard, 1865
• The Phoenix Project: Un romanzo su IT, DevOps e come aiutare la tua azienda a vincere, Gene Kim, Kevin Behr, George Spafford, 2013
• Traduzione Automatica Non Supervisionata Usando Solo Corpora Monolingue, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018