00:50 Introduzione
02:22 Libro di Claude Bernard
11:19 La storia finora
13:39 Esperimenti di 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: pro personae
46:54 Finzione vs realtà
52:19 Creazione di una persona di supply chain
55:26 Criteri di rifiuto
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 Prossime personae
01:17:06 Conclusioni
01:18:29 Prossima lezione e domande del pubblico
Descrizione
Una “persona” di supply chain è un’azienda fittizia. Tuttavia, sebbene l’azienda sia fittizia, questa finzione è progettata per evidenziare ciò che merita attenzione da un 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 di amplificare gli aspetti più sfidanti della situazione, gli aspetti che resistono più ostinatamente a qualsiasi tentativo di modellazione quantitativa e di qualsiasi tentativo di pilotare un’iniziativa per migliorare la supply chain.
Nella supply chain, gli studi di caso - quando una o più parti sono nominate - soffrono di gravi conflitti di interesse. Le aziende e i loro fornitori di supporto (software, consulenza) hanno un interesse diretto nel presentare l’esito in una luce positiva. Inoltre, le supply chain effettive soffrono o beneficiano tipicamente di condizioni accidentali che non hanno nulla a che fare con la qualità della loro esecuzione. Le personae di supply chain sono la risposta metodologica a questi problemi.
Trascrizione completa
Ciao a tutti, benvenuti a questa serie di lezioni sulla supply chain. Sono Joannes Vermorel e oggi presenterò “Supply Chain Personae”. Per coloro che stanno 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 poste.
L’argomento di oggi è se possiamo elevare lo studio delle supply chain come una scienza. Qualcuno potrebbe obiettare che le supply chain sono prima di tutto un’attività commerciale e una pratica. Assolutamente, ma la domanda è: possiamo migliorare la gestione della supply chain e, in tal caso, possiamo farlo in modo sistematico, affidabile e in qualche modo controllato? Credo che sia fattibile solo attraverso qualcosa che sarebbe simile a un metodo scientifico applicato alla conoscenza che abbiamo.
Per portare miglioramenti, abbiamo bisogno di conoscenza e di avere conoscenza di alta qualità. Cosa intendo per alta qualità? È una conoscenza che può essere caratterizzata da ciò che di solito caratterizza la conoscenza scientifica al giorno d’oggi. Se l’unica cosa che abbiamo è l’intuizione, allora limita gravemente ciò che possiamo sperare di portare alle supply chain in modo sistematico. Il metodo scientifico è davvero di grande interesse e poter elevare lo studio delle supply chain come una scienza è di cruciale importanza. Ma ciò solleva la domanda: cos’è la scienza e cos’è il metodo scientifico?
Credo che ci sia un libro, “Introduzione allo studio della medicina sperimentale”, pubblicato da Claude Bernard nel 1865, che è un punto di riferimento assoluto nella storia della scienza. Claude Bernard, un ricercatore molto famoso all’epoca, è ancora considerato oggi come uno dei padri fondatori, se non il padre, della medicina moderna da molte persone. A causa di una malattia, si ritirò e rifletté su una vita intera dedicata alla conoscenza. Iniziò a mettere per iscritto le sue idee su come aveva gestito e quali metodi aveva utilizzato durante la sua carriera per fare tutte le scoperte che aveva fatto.
Questo è un libro assolutamente affascinante. Si legge come un romanzo, il che è molto sorprendente. È completamente diverso dai “Principia Mathematica” di Newton, che è quasi insopportabile. Questo libro è molto semplice da leggere, almeno in francese. Non so della versione inglese, ma sospetto che esistano buone traduzioni. Con molta chiarezza e semplicità, Claude Bernard spiega e fornisce molti indizi sulla scienza e sul metodo scientifico. È qualcosa che è profondamente illuminante per le supply chain.
A proposito, nonostante il titolo di questo libro, che sembra essere molto incentrato sulla medicina, la maggior parte di ciò che Claude Bernard ha descritto è completamente non specifico alla medicina. Questo libro ha avuto una profonda influenza su molte altre scienze ben oltre la medicina. Per capire il motivo, dobbiamo capire che nel XIX secolo, Claude Bernard stava combattendo avversari che erano completamente contrari all’idea che la medicina dovesse, almeno in parte, diventare una scienza. Infatti, lo studio della medicina si trova di fronte a due sfide molto importanti, che ritengo siano anche di primaria importanza 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 un approccio di tipo divide-et-impera; non puoi smontare la cosa per studiarla perché se lo fai, uccidi semplicemente l’essere vivente e ti ritrovi con qualcosa che non è più vivo. Questo perde completamente il senso di ciò che stai cercando di studiare. Questa complessità irriducibile e il fatto che hai qualcosa di super complesso che non puoi facilmente smontare si applica anche alle 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 non ha nemmeno più senso. Non puoi nemmeno studiarla come una supply chain. Quindi, abbiamo questa sorta di complessità irriducibile che si applica molto anche alle supply chain.
La seconda grande sfida è che un essere vivente è essenzialmente un sistema intrecciato. Se inizi a fare un piccolo cambiamento locale, è probabile che avrà impatti sull’intero organismo. Ad esempio, puoi fare un’iniezione molto locale di veleno, ma avrà un impatto sull’intero organismo, non solo sul punto in cui hai effettivamente iniettato il veleno. Questo risuona anche molto con le supply chain perché, come ho descritto in una delle mie lezioni precedenti, la maggior parte delle ottimizzazioni locali in una supply chain semplicemente sposta un problema altrove nella rete. Quindi, abbiamo questi due problemi e, al tempo stesso, Claude Bernard stava affrontando avversari che sostenevano essenzialmente che la medicina, a causa di questi problemi, è irriducibile e non può essere ridotta a qualcosa di così volgare come una scienza. Claude Bernard, insieme a molte altre persone e a coloro che lo hanno seguito, ha dimostrato che questa prospettiva è completamente sbagliata. Tuttavia, è interessante che questa sfida esista 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 prima di tutto Claude Bernard, è l’idea degli esperimenti. Nel suo libro, propone l’idea che la nostra conoscenza passa attraverso tre fasi: emozione, ragione e esperimento. L’idea è che il metodo scientifico inizi con un’emozione, una scintilla di volontà, che ti dà una sorta di idea preconcetta sull’universo. Attraverso questa emozione, puoi iniziare a fare qualsiasi cosa, anche se è profondamente irrazionale e non ha qualità scientifiche. Senza questo, non hai l’impulso iniziale che attiverà il resto. L’inizializzazione di questo sistema di conoscenza è l’emozione, e poi hai 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 solo, ma ha più struttura rispetto alla prima fase, che era solo emozione.
Attraverso la ragione, puoi costruire la prima fase di un esperimento. L’idea è che attraverso la ragione, metterai alla prova la tua idea. Hai questa idea preconcetta sull’universo e stai per fare un esperimento che ti permetterà di testare l’idea. La cosa interessante è che devi credere nella tua idea, altrimenti non perseguirai tutti gli sforzi e il tempo necessari per condurre effettivamente l’esperimento. Il metodo scientifico non è l’eliminazione delle convinzioni precedenti; questo non è assolutamente il caso. Devi avere qualcosa che ti spinge, quelle idee preconcette che guideranno la tua azione.
Quindi, conduci l’esperimento, osservi i risultati e lasci che l’osservazione prenda il controllo delle tue idee. Avevi le tue idee preconcette, hai effettuato l’esperimento e poi, una volta fatto l’esperimento, lasci che ciò che hai appena osservato prenda il controllo delle tue idee e questo sarà l’instaurarsi della conoscenza. Una delle idee profonde all’interno della scienza sperimentale è che non c’è conoscenza dentro di noi. Abbiamo emozioni e una certa capacità innata di ragionare, ma tutta la conoscenza da trovare è al di fuori di noi. Anche se ora è autoevidente, durante il XIX secolo non lo era affatto. Per quanto riguarda le supply chain, non è del tutto chiaro che tutti siano d’accordo con me su questo punto. L’idea di avere una scienza sperimentale riguarda la costruzione ed 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 era il prologo. Nel prologo, ho presentato il mio punto di vista su come affrontare le supply chain in primo luogo. Nella prima lezione ho definito la supply chain come la padronanza dell’opzionalità. Ho anche presentato punti di vista sia qualitativi che quantitativi solo per darvi un’idea del modo in cui sto affrontando il problema. In queste lezioni attuali, sto aprendo un secondo capitolo: la metodologia. Se vogliamo migliorare le supply chain, abbiamo bisogno di conoscenza per guidare le nostre azioni. Se vogliamo avere un modo affidabile per apportare miglioramenti e avere una ragionevole speranza di un alto grado di controllo, allora abbiamo bisogno che questa conoscenza sia saldamente radicata. Credo che abbiamo bisogno di qualcosa simile al metodo scientifico. Quando dico il metodo scientifico, sto abusando del termine, poiché non esiste una cosa del genere come “il metodo scientifico”. In realtà esistono una 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 nella generazione di una conoscenza migliore, più veloce, più affidabile e più accurata. Il punto di una supply chain è avere un metodo, tra molti, per collegare le supply chain come campo di studio a ciò che sta accadendo nel mondo reale e sfruttare le informazioni che non sono dentro di noi ma nel mondo là fuori.
Il modo per portare una dose di realtà nel tuo campo di studio è tipicamente attraverso gli esperimenti. Tuttavia, nel caso specifico delle supply chain, sembra che gli esperimenti sulle supply chain siano piuttosto complicati per diverse ragioni. Permettimi di presentarle brevemente.
La prima ragione 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 puoi osservare in una supply chain sono i record elettronici che vengono raccolti e raccolti da un software aziendale. Questo è il modo in cui puoi osservare una supply chain, attraverso i record raccolti dal software aziendale o attraverso i dataset. Il problema è che le aziende non sono disposte a condividere questi dataset e ci sono ottime ragioni per non volerli condividere. In primo luogo, è un vantaggio competitivo, o meglio, se dovessero condividere pubblicamente questi dati, sarebbe uno svantaggio competitivo perché i loro concorrenti potrebbero approfittare dell’accesso a questi dati per ottenere un vantaggio competitivo nei loro confronti.
Ma non è l’unico 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 cosa buona o una cosa cattiva; sto solo sottolineando che anche se un’azienda fosse disposta a condividere i suoi dati, correrebbe il rischio di fare qualcosa di illegale. Come prova aneddotica, l’anno scorso si è svolta la competizione di previsione M5, basata sui dati di vendita ottenuti da Walmart. A mia conoscenza, è stato il dataset più grande e completo rilevante per un esperimento sulla supply chain mai pubblicato. Solo per darti un’idea della portata del problema, questo dataset era solo i dati di vendita di una piccola frazione dei prodotti di un singolo negozio. Walmart è un’azienda gigantesca che gestisce oltre 10.000 negozi e il dataset della competizione su Kaggle non era nemmeno un intero negozio. Era in realtà una piccola frazione di un negozio e conteneva essenzialmente la storia delle vendite, inclusa la storia delle vendite in quantità e prezzi. Per rendere il problema ancora peggiore, a causa di problemi di ingegneria in termini di estrazione dei dati, si è scoperto che la metà del dataset, che consisteva nei prezzi, non era nemmeno sfruttabile ai fini della competizione. Nessuna delle squadre vincitrici che si sono classificate tra le prime 10 della competizione è riuscita a utilizzare questi dati. Questo ti 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, discutendo con diversi clienti di Lokad nel gennaio 2020, l’e-commerce nelle rispettive attività rappresentava circa il 30% del volume. Entro gennaio 2021, era aumentato al 60%. Ovviamente, c’è stato un intero anno di pandemia e sono accadute alcune cose relativamente senza precedenti che hanno completamente cambiato 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 panorama potrebbe essere così diverso alcuni anni dopo che non avrai alcuna speranza di replicare nulla. Questa è un’altra classe di grandi problemi che affrontiamo.
Inoltre, ci sono i costi e i ritardi coinvolti. Come regola generale, un esperimento sulla supply chain avrebbe bisogno di durare almeno il doppio del tempo di consegna caratteristico dell’azienda. In molti settori o verticali, il tempo di consegna caratteristico è di circa tre mesi, il che significa che il ritardo caratteristico per un esperimento sulla supply chain sarebbe di sei mesi o più. Questo è molto lungo e c’è una buona ragione se le scienze sperimentali, come la medicina sperimentale, tendono a preferire l’uso dei topi per gli esperimenti a causa del loro metabolismo veloce e del loro rapido tasso 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 a piccola scala e a basso costo perché si tratta di effetti di rete. Non puoi semplicemente fare qualcosa in un luogo e aspettarti risultati. Come regola generale, non puoi trarre conclusioni 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 grande parte degli studi effettuati sulle supply chain si basa su un’alternativa all’esperimento sulla supply chain, che è 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 che riguarda uno studio di caso. La mia proposta per voi oggi è che gli studi di caso siano infomercial glorificati e se dobbiamo valutare gli studi di caso in termini di quanto conoscenza possa essere trasmessa da questo formato, la mia risposta è approssimativamente zero. Tuttavia, non è tutto perduto, poiché ci sono possibili alternative, ed è qui che introdurrò il personale della supply chain. A causa della diffusione 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 precedente (che è la soluzione in atto prima dell’inizio dello studio di caso) e poi una soluzione più recente e migliore. Lo studio di caso descrive tutto ciò e quantifica i benefici che la nuova soluzione, presumibilmente migliore, porta all’azienda. Il problema più grande che ho è che ogni volta che vedo degli studi di caso e come le persone ragionano su di essi, ciò che domina veramente non sono i numeri presenti negli studi di caso, ma il nome dell’azienda che è oggetto dello studio di caso stesso. Qui c’è un’enorme aura di autorità in gioco.
Immaginiamo uno studio di caso sulla supply chain che proviene da Google, un gigante tecnologico. Google ha una supply chain piuttosto grande tutta sua solo per gestire l’hardware di calcolo distribuito in tutto il mondo per supportare le sue operazioni nei 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 grande successo, ma il suo successo non deriva dalle sue pratiche di supply chain. Se dovessimo guardare uno studio di caso del genere, avrebbe molto peso e direi molto peso ingiustificato, solo a causa del nome del marchio che Google porta. Solo perché Google ha assunto molti ingegneri super talentuosi e ha ridefinito lo stato dell’arte dell’ingegneria del software in molte aree, non c’è motivo di credere che ciò si trasferisca automaticamente in tutto ciò che fanno, specialmente se è qualcosa che è una funzione di supporto per loro, come la supply chain.
Questo è interessante perché se torno al libro di Claude Bernard, “Introduzione allo studio della medicina sperimentale”, la prima cosa che Claude Bernard presenta è il rifiuto dell’autorità come parte integrante del metodo scientifico. A metà del XX secolo, ha detto che il problema più grande della medicina dell’epoca era che era principalmente una questione di autorità. Le persone credevano che qualcosa fosse vero solo perché c’era un grande nome o qualcuno che aveva molto peso nella società a supporto della 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 gli esperimenti. La fonte ultima di autorità, e in realtà l’unica fonte di autorità in termini di verità scientifica, dovrebbe essere l’esperimento o, in altre parole, la realtà stessa.
Quando iniziamo a guardare i casi di studio, abbiamo problemi di autorità ovunque. Per sottolineare questo punto, elenco quattro aziende notevoli. Tutte queste aziende sono ampiamente riconosciute, molto di successo e hanno affrontato fallimenti epici nella loro supply chain nella loro storia. Questi fallimenti sono stati causati da una combinazione folle di arroganza, avidità, pigrizia, ignoranza e vari altri problemi. Per darti alcuni esempi, Nike nel 2004 ha perso 400 milioni di dollari in un tentativo sbagliato di migliorare la loro 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 siano 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 gestione è stata distratta per anni e nel caso di Lidl, quasi un decennio. Il costo opportunità di questi fallimenti è assolutamente gigantesco.
Non sto dicendo che queste aziende non stiano facendo certe cose molto bene. Sono veramente notevoli e hanno sopravvissuto a fallimenti su scala epica nella loro supply chain, il che dimostra che stavano facendo cose in modi molto notevoli; altrimenti, sarebbero fallite. Tuttavia, il punto che voglio sottolineare è che non è perché un’azienda ha un buon nome, una buona reputazione ed è fantastica nel successo che possiamo dedurre qualcosa sulla qualità delle sue pratiche di supply chain. Questa è la mia critica principale e, proprio come diceva Claude Bernard, dobbiamo rifiutare fondamentalmente tutti quei meccanismi che si basano sull’autorità. Dobbiamo farlo anche nel campo degli studi sulla supply chain.
Tuttavia, abbiamo un altro insieme di problemi ed è un tabù. Se guardo i casi di studio pubblicati, solo come sensazione senza statistiche effettive, direi che il 99% dei casi di studio sono positivi. Mostrano un problema, una soluzione legacy, una nuova soluzione e la nuova soluzione porta a un risultato positivo. Eppure, ho discusso con direttori della supply chain per oltre un decennio, più di 100 di loro, e la mia percezione è che la stragrande maggioranza delle iniziative di supply chain falliscono. Di solito, i fallimenti non sono epici come quelli che ho menzionato in precedenza, ma sono ovunque e la stragrande maggioranza di quelle iniziative fallisce. Non è eccessivamente sorprendente: se un’azienda riuscisse sistematicamente e senza fallire a migliorare la sua supply chain e applicasse questo metodo ripetutamente per un decennio, questa azienda schiaccerebbe la concorrenza, simile alla storia di Amazon. Ma divago.
Tornando all’idea dei tabù, credo che ci sia una manifesta discrepanza tra l’enorme positività dei casi di studio e l’enorme negatività delle esperienze effettive della supply chain nel mondo reale. Questo può essere semplicemente spiegato dal fatto che il fallimento, in larga misura, è un tabù. C’è un fantastico articolo chiamato “Gli ultimi giorni di Target” di Joe Castaldo, pubblicato nel 2016, su Target Canada. Target, una catena di vendita al dettaglio nordamericana, ha cercato di entrare in Canada, ha investito oltre 5 miliardi di dollari in questa impresa e tutto è andato in completo disastro. Hanno cessato le operazioni con enormi perdite e al centro del problema c’era una lunga serie di brutali problemi 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 positiva. La storia mostra una combinazione selvaggia di arroganza, orgoglio, stupidità, ignoranza e pensiero illusorio. Puoi vedere dirigenti altamente pagati prendere una lunga serie di decisioni assolutamente stupide, incoraggiati da un fornitore che non ha la minima idea di cosa stiano facendo in termini di analisi della supply chain. Tutto esplode in modo piuttosto spettacolare. Ci vuole un coraggio così grande per pubblicare una storia del genere. Non conosco personalmente Joe Castaldo, ma sarei terrorizzato dall’idea di pubblicare una storia del genere, perché gli avvocati di Target e del fornitore di software, il cui nome non riesco nemmeno a pronunciare, probabilmente farebbero causa a chiunque racconti questa storia perché è così disastrosa. Abbiamo un problema: ci sono molte cose che letteralmente non possono essere raccontate a causa dei tabù. Credo che questo spieghi il massiccio pregiudizio nei casi di studio, che tendono a riflettere solo i buoni risultati, risultando in un significativo pregiudizio di sopravvivenza. È un problema nuovo? Assolutamente no.
Se guardiamo al libro di Claude Bernard, un rinomato scienziato, è diventato famoso facendo ampio uso della vivisezione, la dissezione di animali vivi. Nel suo libro, afferma che il metodo è vile, crudele, brutale e disgustoso, ma sostiene anche che è essenziale per la medicina moderna. Non solo aveva 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 l’instaurazione dei progressi che godiamo oggi nella medicina moderna.
La scienza non riguarda ciò che ci fa sentire bene o a nostro agio. Spesso, la buona scienza guarda le cose che ci mettono più a disagio. Intuitivamente, questo può essere compreso perché non abbiamo paura di guardare le aree in cui ci sentiamo a nostro agio. La nostra intuizione probabilmente sarà abbastanza buona in quelle aree. Tuttavia, le aree che sembrano sbagliate, in cui abbiamo un istinto di repulsione, sono esattamente dove non guarderemo istintivamente. Ecco perché abbiamo bisogno di qualcosa come il metodo scientifico per aiutarci a guardare con più attenzione e imparzialità la realtà che non è completamente inquinata dai pregiudizi.
Per concludere sui tabù, i casi di studio spesso affrontano il problema dal lato sbagliato. Vanno d’accordo con la propensione a vedere risultati positivi ed eliminare quelli negativi. Ma questo non è nemmeno la fine della storia.
Potremmo avere buone ragioni per pensare che le persone coinvolte nei casi di studio abbiano una propensione a esagerare i risultati? La mia proposta è sì, assolutamente. Non è difficile capire perché.
Se sei un dirigente e partecipi a un caso di studio che afferma di essere riuscito a ottenere un successo sorprendente, risparmiando milioni di dollari per l’azienda, sembra molto bene 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 solo devi svolgere un grande servizio per l’azienda, ma devi anche far conoscere i tuoi successi alle persone. C’è un enorme conflitto di interessi per coloro coinvolti nei casi di studio, poiché sono loro che trovano i numeri che giustificano i profitti. È raro che si possa derivare il profitto generato da un nuovo metodo, tecnologia o processo semplicemente guardando i libri contabili. Di solito, è molto più indiretto; è necessario rielaborare i numeri, inquadrare i benefici in modo sensato e fare molte supposizioni. Questo può essere abbastanza soggettivo e quando le persone hanno un significativo conflitto di interessi, sappiamo per certo che distorcerà i risultati. Questo conflitto di interessi può portare a esagerare i risultati positivi.
Per affrontare questo problema, alcuni potrebbero coinvolgere una terza parte neutrale per fornire un’opinione obiettiva e garantire che tutto sia fatto in modo equo. Ci sono due tipi principali di terze parti neutrali: le aziende di ricerca di mercato e i ricercatori accademici. Tuttavia, ritengo che queste parti non siano affatto neutrali.
Le aziende di ricerca di mercato si occupano di sondare il mercato, valutare i punti di forza e di debolezza delle soluzioni e vendere i risultati delle loro ricerche sotto forma di rapporti alle aziende che cercano soluzioni. Queste aziende possono acquistare il rapporto e avere una visione imparziale del mercato fornita da esperti, consentendo loro di scegliere il miglior fornitore. In realtà, le grandi aziende di ricerca di mercato di cui ho conoscenza non guadagnano soldi vendendo rapporti; la maggior parte dei loro ricavi proviene dai servizi di consulenza e coaching che vendono ai fornitori di soluzioni. Ciò mette queste aziende nella posizione in cui vogliono fare ciò che è meglio per i loro clienti, che non sono le aziende che cercano soluzioni, ma piuttosto i fornitori di tecnologia che pagano per i servizi di consulenza.
Si scopre che questa terza parte suppostamente neutrale è in realtà fortemente in conflitto e può peggiorare il problema aggiungendo il proprio livello di pregiudizio oltre ai pregiudizi esistenti. Quando si analizzano i ricercatori accademici, essi hanno molti interessi in conflitto. Pubblicare o perire è molto reale nel mondo accademico e i casi di studio negativi, specialmente quelli che si possono incontrare nella supply chain, non sono disastri su larga scala, ma piuttosto fallimenti di piccola scala deludenti. È molto nell’interesse di un ricercatore accademico mostrare risultati positivi perché sono più facili da pubblicare.
Alcuni potrebbero sostenere che pubblicare risultati fraudolenti potrebbe rovinare la carriera di un ricercatore accademico, ma quando si tratta di casi di studio nella supply chain, i ricercatori possono stare tranquilli che nessuno smonterà i loro risultati. È estremamente difficile condurre esperimenti nella supply chain ed è ancora più difficile smontare qualcosa che si è rivelato falso e che è stato pubblicato. Sarebbe quasi impossibile dimostrare che uno studio di caso del passato era sbagliato o che i risultati erano stati enormemente esagerati. Ciò non vuol dire che i ricercatori siano disonesti, ma hanno un evidente conflitto di interessi ed è impossibile per un osservatore distinguere i ricercatori onesti da quelli disonesti. Come regola generale, quando una terza parte è coinvolta in uno studio di caso, è solitamente ancora più di parte rispetto a quando non è coinvolta una terza parte, il che è piuttosto sorprendente.
Ora, per concludere questa serie di casi di studio, diamo un’occhiata da vicino ai fornitori. Le persone spesso credono che i fornitori non debbano mentire, ma questo non è del tutto accurato. Esiste una nozione nota come “dolus bonus”, o “buona menzogna”, introdotta dai Romani molto tempo fa.
Per capire questo concetto, consideriamo un mercante al mercato che vende uova e fa una stravagante affermazione secondo cui un uovo è il migliore che avrai mai mangiato e che ti renderà felice per un intero mese. Ovviamente, l’affermazione non ha assolutamente alcuna possibilità di essere vera. I Romani si chiedevano se dovessero fare qualcosa riguardo a questo mercante bugiardo. Dovremmo mettere questo mercante in prigione o multarlo? La risposta era no; va benissimo così. Questo concetto di “dolus bonus” suggerisce che se sei un mercante, è semplicemente parte della tua natura mentire su ciò che stai vendendo. Anche se ci sono dei limiti, la legge riconosce che i fornitori faranno ciò che fanno e non dovresti biasimarli per cercare di mettere i loro prodotti in una luce favorevole, anche in modo assurdo. È così che funziona il mercato.
Anche se i fornitori non sono consapevoli dei dettagli legali, intuitivamente sanno questo e quindi c’è una propensione a produrre casi di studio che costano denaro e tempo, essenzialmente fungendo da sofisticati spot pubblicitari. Sebbene la pubblicità svolga una funzione nella società, la convinzione che la pubblicità esagerata possa essere un veicolo per trasmettere conoscenza è fuorviante. Per definizione, i casi di studio non possono essere salvati per questo scopo.
Quindi, se eliminiamo i casi di studio poiché sono completamente invalidi, cosa ci rimane? Dobbiamo trovare un metodo alternativo che non soffra degli stessi problemi. Ecco dove entrano in gioco le narrazioni sulla supply chain. L’intento di una narrazione sulla 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 chiamato “The Phoenix Project”. Anche se potrebbe non essere un capolavoro scientifico, è una lettura piacevole su un’azienda immaginaria, raccontata attraverso gli occhi del direttore IT. La maggior parte degli eventi nella storia riguarda una serie di problemi legati alla supply chain e al software aziendale che sono profondamente intrecciati. La storia parla delle difficoltà che l’azienda affronta e di ciò che le persone fanno per risolvere quei problemi. Quello che sorprende è che quest’opera di pura finzione risuona profondamente in molti che la leggono, ancora di più rispetto alla maggior parte dei casi di studio, tranne forse quelli negativi come quelli prodotti da Joe Castello.
Questo apparente paradosso potrebbe non essere un paradosso affatto se consideriamo il primo passo intrapreso dagli autori. Hanno deciso che la storia sarebbe stata su un’azienda immaginaria, eliminando tutti i problemi legati al nome e all’autorità che derivano da un caso di studio legato a un’azienda ben identificata. Creando un’opera di finzione, hanno eliminato l’attrattiva dell’autorità che sarebbe stata associata a un’azienda reale.
In secondo luogo, in termini di tabù, l’azienda immaginaria ha permesso agli autori di esplorare molti aspetti interessanti della storia. La maggior parte dei personaggi ha dei limiti, sono imperfetti, lottano, a volte commettono errori stupidi e a volte sono egoisti fino a un punto che danneggia davvero l’azienda. Possono essere molto avidi in modi completamente in contrasto con gli interessi dell’azienda. Puoi vedere come certi personaggi mentono ai loro colleghi. In un caso di studio, sarebbe impossibile scrivere questa storia perché porterebbe a una lunga serie di cause legali se fatta con persone reali.
Tuttavia, potremmo dire che questo romanzo è un’opera scientifica? No, e per una semplice ragione: il romanzo è una difesa di 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 immaginaria che affrontano una lotta immensa e che gradualmente superano le sfide che affrontano fino a quando non hanno riscoperto i principi fondamentali della filosofia DevOps. Questo libro ha un’agenda molto carica, e gli autori non fanno mistero di ciò; stanno spingendo per l’agenda di DevOps.
La mia principale critica è che abbiamo lo stesso problema che abbiamo con i casi di studio: un completo conflitto di interessi. Gli autori sono consulenti che vendono servizi di consulenza per aiutare a implementare le pratiche DevOps nelle aziende. Il fatto che nella storia tutto possa essere risolto in modi credibili e che ci sia un lieto fine in cui l’azienda finisce per fare enormi profitti grazie a questa metodologia è ben lontano dall’essere oggettivo.
L’idea di una narrazione sulla supply chain è che vogliamo iniziare con un’azienda immaginaria ma avere un focus esclusivo sui problemi. Vogliamo affrontare il problema creando un’azienda immaginaria in modo da non avere il problema dell’autorità e dei tabù. Tuttavia, non vogliamo includere la descrizione delle soluzioni nella nostra narrazione, poiché ciò porterebbe a una lunga serie di conflitti di interessi. Vogliamo concentrarci esclusivamente sul lato del problema e mettere da parte il lato della soluzione.
Potrebbero esserci alcune modeste eccezioni a questa regola perché a volte, per giustificare che un dato problema sia rilevante, è necessario fornire un’intuizione della soluzione. Se non si fornisce l’intuizione della soluzione, il problema sembra del tutto impossibile. Per evitare obiezioni secondo cui alcune sfide sono impossibili da affrontare e quindi non interessanti, potremmo aver bisogno di introdurre un accenno all’esistenza di almeno una soluzione. Non affermiamo che sia una buona soluzione, solo che esiste una soluzione.
L’obiettivo della narrazione sulla supply chain è quello di inserire la realtà e l’esperienza del mondo reale nel campo della gestione della supply chain. Vogliamo che questo formato sia un veicolo adeguato per trasmettere conoscenze ai colleghi professionisti e ricercatori della supply chain, e persino aiutarci a ragionare sulle catene di approvvigionamento stesse, il che è una sfida molto grande a causa della loro complessità. Per rendere il tutto comprensibile e credibile, abbiamo bisogno di una storia e di un contesto. Vogliamo magnificare la rilevanza dei problemi presentati nella narrazione.
Tuttavia, se inventiamo un’azienda immaginaria e elenchiamo tutti i problemi che influenzano le catene di approvvigionamento, possiamo chiamarlo semplicemente scienza? Assolutamente no.
Il problema è che dobbiamo rendere molto facile respingere la validità di una narrazione. In uno studio di caso, è molto facile crearne uno, ma è incredibilmente difficile confutare o respingere la sua validità. Con la progettazione della narrazione come metodo, vogliamo invertire questo problema. Vogliamo creare qualcosa che sia estremamente difficile da realizzare ma relativamente semplice da respingere.
Il primo criterio sarebbe la risonanza. Se abbiamo una narrazione su un’archetipo specifico di azienda in un settore specifico e parliamo con i direttori della supply chain di quel settore, sarebbero d’accordo che questa narrazione risuona con il tipo di problemi che hanno? Anche se può sembrare molto soggettivo, non credo che lo sia tanto. Se guardiamo il libro “The Phoenix Project”, praticamente ogni singola persona tra i miei colleghi che l’ha letto ha trovato che risuonava con le loro esperienze in varie aziende. Non ci stiamo concentrando sulla soluzione, solo sulla definizione del problema. Anche se può esserci un ampio disaccordo su cosa fare per risolvere il problema, di solito c’è un forte accordo sui problemi che sono sul tavolo. Non è necessariamente così soggettivo come sembra, anche se c’è un grado di soggettività irriducibile.
Un altro fattore è l’esauribilità. Se si può scegliere un’azienda che dovrebbe essere una buona corrispondenza per questa persona e dimostrare che questa azienda ha problemi importanti che non sono nemmeno elencati nella persona, allora il peso del rifiuto è molto leggero. Devi solo mostrare un’azienda, un problema e dire: “Questo è motivo di rifiuto della persona”. Non richiede mesi di lavoro, solo un po’ di feedback e una descrizione in buona fede di un problema importante.
Una buona persona dovrebbe anche correre rischi per quanto riguarda i numeri, e per numeri non intendo numeri precisi, ma ordini di grandezza. Dobbiamo chiarire se stiamo parlando di un’azienda che sta cercando di gestire 100 SKU o 100 milioni di SKU. Dobbiamo fornire le dimensioni caratteristiche e gli ordini di grandezza che caratterizzano l’azienda. Se trovi un’azienda che non corrisponde agli ordini di grandezza dati, potrebbe significare che abbiamo erroneamente definito la persona.
L’ultimo punto è più sottile ma anche molto importante: l’esistenza di soluzioni sul mercato. A seconda della soluzione che esiste o non esiste sul mercato, questa può essere utilizzata per respingere la validità di una persona. Se abbiamo una soluzione che rende completamente banale il problema o offre una soluzione definitiva in modo che ciò che prima era un problema diventi un non-problema, allora questo è motivo di rifiuto della persona, almeno nella sua forma attuale.
Per darti un esempio più concreto, se prendiamo un’azienda di grandi dimensioni che opera con decine di migliaia di SKU in un magazzino nel 1950, la persona di questa azienda potrebbe elencare il mantenimento dei livelli di stock adeguati come una sfida principale. All’epoca, i livelli di stock dovevano essere mantenuti manualmente attraverso un piccolo esercito di impiegati che aggiornavano i registri. Era effettivamente una sfida immensa mantenere registri di inventario accurati nel tempo. Ma se avanziamo di 70 anni fino ai giorni nostri, potremmo ancora considerarlo una sfida? Assolutamente no. Con i codici a barre e il software di gestione delle scorte, mantenere livelli di stock accurati in un magazzino è essenzialmente un problema completamente risolto. Non è degno di essere incluso in una 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 separazione netta tra problemi e soluzioni. È difficile pensare a un problema se non si può immaginare prima una soluzione e viceversa. Una fonte di difficoltà nel comprendere i problemi è l’ideologia latente che permea la società. Abbiamo valori che sono semplicemente parte della nostra società e viviamo con loro senza nemmeno percepirli. Questi valori possono avere un’influenza enorme su come guardiamo ai problemi e se decidiamo che sono rilevanti o meno.
Per illustrare questo, vorrei portare avanti il caso della casualità. La casualità è stata associata allo stigma del gioco d’azzardo, che è stato percepito come sbagliato. Nell’“Introduzione allo studio della medicina sperimentale” di Claude Bernard, Bernard è fermamente contrario alla presenza di casualità nel campo della scienza. Afferma che se un esperimento non è perfettamente deterministico, di solito è un segno evidente di cattiva scienza o, al meglio, di scienza incompleta.
Avanzando di 70 anni, vediamo che Albert Einstein ha dato un enorme contributo al campo della meccanica quantistica ed era molto in conflitto su alcuni aspetti di essa, in particolare sull’indeterminismo o casualità che sembrava essere una proprietà fondamentale dell’universo. Einstein, in più occasioni, ha riconosciuto che la fisica quantistica probabilmente non era sbagliata perché le sue proprietà operative erano eccellenti. Tuttavia, sentiva che la non determinazione suggeriva che la fisica quantistica fosse incompleta e non il prodotto finale di ciò che la fisica dovrebbe essere. Ci sono volute molte decadi, 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 persistito nel corso dei secoli e abbia persino influenzato il presente. Dieci anni fa, da Lokad, abbiamo deciso di promuovere l’idea di previsioni probabilistiche, abbracciando la casualità anziché rifiutarla. Questo ci ha portato a ridefinire completamente il problema e siamo stati accolti con scetticismo e reazioni ancora più viscerali. Alcuni hanno messo in dubbio la rilevanza della casualità per i problemi che dovevano risolvere.
Dal mio punto di vista, lo studio della struttura della casualità stessa è di grande interesse. Tuttavia, potremmo avere idee preconcette che ostacolano la nostra comprensione di determinate questioni. Un’altra sfida è la distrazione che può sorgere quando emerge una soluzione eccellente per un problema difficile. Può diventare difficile pensare al problema astratto, poiché tendiamo a definirlo riflessivamente in relazione alla soluzione.
Un esempio storico di ciò è lo sviluppo di macchine volanti nel XIX secolo. Le macchine volanti più leggere dell’aria, come i palloni ad aria calda, furono scoperte e utilizzate per fare scoperte sorprendenti. Il successo di queste macchine più leggere dell’aria ha distolto le comunità interessate dal considerare alternative più pesanti dell’aria. Ci sono voluti decenni perché le comunità interessate esplorassero alternative, e credo che parte del problema fosse che avere una soluzione sorprendente, come costruire una macchina volante, fosse una distrazione massiccia.
Un’altra sfida che affrontiamo quando esaminiamo problemi e situazioni è quando il problema è impensabile. È il tipo di cosa in cui non puoi nemmeno concepire il problema, nonostante sia un problema 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 automatici erano incredibilmente ingenui, limitandosi semplicemente a utilizzare dizionari per sostituire le parole di una lingua con le parole corrispondenti in un’altra. Questo approccio ha portato a traduzioni di qualità molto bassa.
Nel corso degli anni, le tecniche sono evolute e la maggior parte dei metodi aveva una cosa in comune: l’uso di corpora bilingue. L’idea era quella di utilizzare set di dati contenenti frasi in due lingue, imparando da questi esempi per costruire un sistema di traduzione automatica. Il risultato sorprendente ottenuto dal team di ricerca di Facebook è stato lo sviluppo di un sistema di traduzione senza alcun set di dati di traduzione esplicita. Hanno utilizzato un vasto set di dati di testo in francese e un set di dati separato e disgiunto di testo in inglese, per poi costruire un sistema di traduzione automatica in grado di tradurre dal francese all’inglese senza mai essere fornito di esempi. Questo risultato va contro l’approccio convenzionale alla traduzione automatica e richiedeva una soluzione effettiva prima che le persone potessero anche ripensare a come affrontare il problema.
Un esempio più modesto ma rilevante del nostro lavoro presso Lokad riguarda il mercato dell’aftermarket automobilistico. In questo settore, la sfida consiste nel trovare la giusta parte dell’auto con la corretta compatibilità meccanica per un veicolo specifico. Nel mercato europeo, ad esempio, ci sono oltre 1 milione di parti auto distinte e oltre 100.000 veicoli distinti. Quando vai in un’officina e hai bisogno di sostituire una parte, la persona in negozio deve consultare qualche tipo di servizio per determinare quale parte è adatta al tuo veicolo. Si scopre che l’intero elenco delle compatibilità tra parti e veicoli, che io chiamo i collegamenti che connettono parti e veicoli, ha un ordine di grandezza di circa 100 milioni di compatibilità. In questo mercato, ci sono alcune aziende altamente specializzate che mantengono questo set di dati per il mercato europeo. Vendono l’accesso a questo set di dati praticamente a tutte le aziende che operano nel settore dell’aftermarket automobilistico, in un modo o nell’altro.
Il problema è che questo set di dati è enorme, con 100 milioni di compatibilità, e contiene molti errori. Sulla base di varie fonti, stimo che ci siano alcuni set di dati per l’Europa e la maggior parte di essi ha un tasso di errore del 3%. Gli errori sono sia falsi positivi, dove viene dichiarata una compatibilità che non esiste, sia falsi negativi, dove esiste una compatibilità ma non è registrata correttamente nel sistema. Questi errori creano problemi continui per tutte le aziende che operano nel settore dell’aftermarket.
Quando è necessario effettuare una riparazione e il cliente ha fretta, il veicolo non si muove più. Ordinano un pezzo, il pezzo arriva in tempo, ma poi le persone si rendono conto che il pezzo non è compatibile. Il pezzo deve tornare indietro, si ordina un altro pezzo e si verificano giorni extra di ritardi e frustrazioni per il cliente. Quindi, è un problema, ma cosa possiamo fare al riguardo? Le aziende che gestiscono manualmente questi set di dati impiegano già piccoli eserciti di impiegati per tenerli aggiornati. Correggono errori tutto il tempo, ma aggiungono anche costantemente nuovi pezzi e nuovi veicoli. Nel corso degli anni, il set di dati cresce leggermente, gli errori vengono corretti, vengono introdotti nuovi errori e il tasso di errore del 3% rimane più o meno costante. Non migliora nel tempo.
Il sistema ha già raggiunto un equilibrio e le aziende nel settore dell’aftermarket automobilistico potrebbero non essere disposte a pagare dieci volte di più per le aziende che gestiscono i set di dati per assumere dieci volte più impiegati per correggere gli errori rimanenti. Ci sono rendimenti decrescenti e gli errori che non sono ancora stati rilevati sono probabilmente molto difficili da correggere.
Da Lokad, abbiamo sviluppato un algoritmo che rileva sia i falsi positivi che i falsi negativi e può correggere automaticamente circa il 90% di questi problemi. La bellezza di questo algoritmo è che utilizza solo il set di dati iniziale. Potrebbe sembrare strano, ma possiamo utilizzare questo stesso set di dati per imparare gli errori all’interno del set di dati, ed è proprio quello che abbiamo fatto. A proposito, presenterò queste tecniche in dettaglio in una lezione successiva. Puoi controllare il piano online; il programma delle lezioni è disponibile sul sito web di Lokad. Quindi, questo è un altro esempio in cui, finché non hai una soluzione, è molto difficile pensare che ci sia anche un problema in primo luogo.
Come parte della mia intenzione, presenterò una breve serie di lezioni sulle persone che caratterizzano gli archetipi che abbiamo incontrato presso Lokad. Farò del mio meglio per riassumere il modo in cui vedo il problema, sintetizzando tutte le esperienze che ho accumulato attraverso la mia esperienza personale e attraverso l’esperienza dei miei colleghi presso Lokad. Di nuovo, puoi controllare che non presenterò tutte queste persone in sequenza perché sarebbe probabilmente molto noioso per il pubblico e forse un po’ noioso anche per me. Quindi, intendo presentare una persona probabilmente tra due settimane e poi passerò ad altri elementi di interesse.
In conclusione oggi, abbiamo sollevato alcune domande molto importanti sul supply chain come campo di studio e spero di essere stato in grado di presentare alcune risposte molto promettenti, forse non provate, ma almeno fornire alcune risposte promettenti a queste domande. Mi rendo anche conto che probabilmente tra le cerchie di persone che hanno trascorso una buona parte della loro vita professionale producendo casi di studio, probabilmente non ho fatto amicizia oggi e spero davvero di non finire come il ragazzo nell’illustrazione. Sarebbe piuttosto terribile, ma ancora una volta, penso che gli interessi siano piuttosto alti. Vogliamo stabilire ed elevare il supply chain come campo di studio a una scienza, in modo da avere qualcosa di molto capitalista, aggressivo e in cui possiamo aspettarci di avere aspettative ragionevoli per fornire miglioramenti in modo affidabile e controllato.
Quindi, è tutto per oggi. Ora darò un’occhiata alle domande.
Domanda: Non ho capito il concetto di esaustività per le persone. Puoi spiegare?
Okay, l’esaustività è proprio quella, a causa degli effetti di sistema, la descrizione delle sfide e dei problemi della supply chain dovrebbe essere completa. Le supply chain coinvolgono una lunga serie di trade-off, quindi se si omette una delle forze in gioco, potrebbe non essere ragionato correttamente sul problema in primo luogo. Ad esempio, non si può ragionare correttamente su quale sia il livello ottimale di stock se si ignora il problema di avere un’offerta limitata di capitale di lavoro. L’esaustività significa elencare tutte le cose che sono molto rilevanti e se non siamo esaustivi nell’elencare tutti i problemi rilevanti, probabilmente significa che questa non è una persona molto buona, poiché potrebbero essere state trascurate alcune cose e ciò potrebbe mettere a rischio qualsiasi ragionamento basato su questa persona.
Domanda: Il tipo sbagliato di soluzioni nelle supply chain è diffuso e ci sono molti professionisti della supply chain che sanno che sono difettose per progettazione. Come possiamo aiutarli a rinunciare e passare a tipi di soluzioni approssimativamente corretti e abbracciare l’incertezza?
Innanzitutto, penso che il problema principale sia che la supply chain come campo di studio è ancora nella sua infanzia pre-scientifica e c’è uno scetticismo diffuso sulla validità di praticamente tutto ciò che viene pubblicato. È molto difficile convincere le persone. Penso che il primo passo sia convincere le persone che la supply chain è idonea al metodo scientifico. Questo sarebbe un primo passo significativo perché non è una questione di opinione o ideologia; c’è potenzialmente un obiettivo finale in cui abbiamo oggettività e conoscenza con buone qualità. Possiamo avere basi solide per comprendere i problemi e applicare soluzioni adeguate. Il primo passo, ed è quello che sto cercando di fare attraverso queste lezioni, è educare il pubblico in generale che la supply chain non è solo una pratica o un’arte, ma potrebbe essere una scienza.
Claude Bernard, considerato uno dei padri della medicina moderna, affrontò molte obiezioni nel suo tempo. Fu confrontato da medici che sostenevano di avere già la scienza e che non c’era nulla da imparare dai suoi metodi. Suggerirono che avrebbe dovuto attenersi alle loro teorie e non condurre i suoi esperimenti. La battaglia più grande che Bernard dovette combattere fu proprio l’idea stessa che la medicina fosse idonea ad essere studiata con un metodo scientifico. Allo stesso modo, sospetto che la maggior parte di ciò che viene pubblicato, anche tra i circoli accademici, sulla supply chain non sia scientifico. Credo di aver dimostrato oggi che una buona parte della letteratura, come i casi di studio, non è scientifica. Nella prossima lezione, vedremo cosa deve essere fatto con l’altra metà della letteratura che rimane e non è 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 enorme problema nella loro vita quotidiana. Possiamo concordare sul fatto che non c’è alcuna speranza che possiamo prevedere perfettamente cosa le persone stanno per comprare? Per prevedere perfettamente le azioni di una persona in un negozio, dovresti replicare perfettamente l’intera sua intelligenza. L’algoritmo che potrebbe prevedere ogni singolo movimento di una persona sarebbe fondamentalmente intelligente come una replica perfetta dell’intelligenza umana, il che sembra molto irragionevole. La proposta alternativa che l’incertezza è irriducibile in larga misura sembra una proposta molto più ragionevole. La sfida più grande è portare la discussione in un luogo in cui ragioniamo da una prospettiva semi-scientifica invece di fare affidamento su pratiche, sensazioni istintive, intuizione e affermazioni autorevoli.
Domanda: Cosa ne pensi del design thinking?
Non sono molto sicuro sulla domanda specifica qui, ma ciò che sto cercando di fare è stabilire una connessione tra la supply chain e il mondo reale. Se possiamo avere esperimenti sulla supply chain che si allineano a ciò che viene fatto in molte altre scienze sperimentali, possiamo collegare la supply chain al mondo reale in modo soddisfacente. Ho presentato un metodo oggi, la persona, e ci sono probabilmente molti altri metodi. Non seguo un modo specifico di pensare; sono più interessato al metodo per produrre conoscenza piuttosto che al modo in cui le persone pensano.
A questo proposito, sono molto in linea con le idee che Claude Bernard presenta. La scintilla iniziale per la conoscenza, l’emozione, l’intuizione, è fondamentalmente qualcosa che non è affatto scientifico. Si trova nel campo dell’emozione, non della ragione. Non penso che si possa razionalizzare veramente questa parte, e anche se si potesse, sarei molto sospettoso che lo stesso metodo funzionasse per tutti. Ma divago.
Penso che abbiamo finito con le domande per ora. Ci vediamo tra due settimane; ci incontreremo lo stesso giorno e alla stessa ora. Esploreremo una persona di nome Paris per un’azienda di moda veloce che opera una rete di vendita al dettaglio. A presto.
Riferimenti
- Introduzione allo studio della medicina sperimentale, Claude Bernard, 1865
- The Phoenix Project: Un romanzo sull’IT, DevOps e come far vincere la tua azienda, Gene Kim, Kevin Behr, George Spafford, 2013
- Traduzione automatica non supervisionata utilizzando solo corpora monolingue, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018