00:00:07 Discutendo la gestione degli SKU per i supply chain planners.
00:01:09 Dipendenza della gestione degli SKU dai settori industriali.
00:02:14 Gestione degli SKU nel retail e impatto sui pianificatori della domanda.
00:04:00 Fattori che guidano la gestione degli SKU e le regole classiche seguite.
00:07:01 Confrontando l’approccio classico con il modo in cui Loca gestisce gli SKU.
00:08:01 Discutendo la differenza tra la pianificazione della domanda tradizionale e la supply chain science.
00:09:37 L’importanza di prendere decisioni intelligenti per il rifornimento delle scorte.
00:11:00 La capacità di una singola persona di gestire milioni di SKU utilizzando numerical recipes.
00:12:19 Come le numerical recipes aiutano a costruire un asset per le aziende.
00:14:00 La necessità di automatizzare i compiti ripetitivi da impiegato e i limiti dell’automazione.
00:16:02 Limitazioni dei Supply Chain Scientist e gestione della complessità.
00:17:42 Rendimenti decrescenti in termini di produttività e coordinazione tra i Supply Chain Scientist.
00:19:33 Confronto dell’efficacia e della velocità di un singolo Supply Chain Scientist rispetto a un team.
00:21:09 Miglioramento continuo e approccio capitalista dei Supply Chain Scientist.
00:22:45 Barriere all’implementazione di approcci capitalisti nella supply chain management.
Sommario
In una recente intervista, Joannes Vermorel, fondatore di Lokad, ha discusso le sfide affrontate dai moderni Supply Chain Planner, in particolare nella gestione degli stock-keeping units (SKU). Vermorel ha spiegato che il numero di SKU gestiti solitamente varia da qualche centinaio a qualche migliaio, a seconda del settore industriale. Tradizionalmente, i pianificatori della domanda utilizzano spreadsheets con decine di colonne per prendere decisioni di inventario, ma Lokad impiega Supply Chain Scientist che sviluppano numerical recipes per prendere decisioni di inventario. L’obiettivo è creare una soluzione con “zero percent insanity”, garantendo che le decisioni siano sensate. Vermorel sostiene che trattare ogni problema come un bug da risolvere incoraggia una mentalità di crescita costante e miglioramento, portando a una migliore performance complessiva.
Sommario Esteso
Nell’intervista, Kieran Chandler, il conduttore, discute con Joannes Vermorel, il fondatore di Lokad, le sfide affrontate dai moderni Supply Chain Planner, in particolare nella gestione degli stock-keeping units (SKU). Vermorel spiega che il numero di SKU gestiti da un planner solitamente varia da qualche centinaio a qualche migliaio, a seconda del settore industriale. Il retail è un caso atipico, poiché i planner possono gestire numerosi SKU a livello di warehouse, ma a livello di negozio, solitamente utilizzano modelli min-max invece di singoli SKU.
Il numero di SKU gestiti da un planner è spesso determinato dal tempo necessario a completare un ciclo attraverso l’elenco delle referenze. I planner tipicamente lavorano con spreadsheets, regolando le quantità e i livelli min-max, e classificando gli SKU in categorie come top sellers e slow movers.
Vermorel sottolinea che la relazione tra il volume di SKU e l’erraticità è inversamente correlata. Le grandi aziende FMCG (fast-moving consumer goods) con alti volumi hanno un’erraticità inferiore, mentre industrie con basso volume e alta erraticità, come i ricambi automobilistici, possono avere previsioni più difficili, ma il valore economico non è altrettanto significativo. Il numero di SKU gestiti da un Supply Chain Planner dipende dal settore industriale e dalla natura dei prodotti. Il processo normalmente prevede la gestione di qualche centinaio fino a qualche migliaio di SKU e l’uso di spreadsheets per monitorare e regolare i livelli di stock, considerando fattori come il volume, l’erraticità e il valore economico.
Confrontano l’approccio di Lokad con il metodo classico di supply chain management.
Tradizionalmente, i pianificatori della domanda usano spreadsheets con decine di colonne per prendere decisioni di inventario, concentrandosi maggiormente sugli articoli ad alta priorità (A) e meno su quelli a bassa priorità (B e C). Questo approccio comporta significative spese operative (OPEX) con poca capitalizzazione. L’unica capitalizzazione deriva dalla progettazione dello spreadsheet, che diventa utile per i mesi successivi.
Lokad, invece, impiega Supply Chain Scientist che sviluppano numerical recipes per prendere decisioni di inventario. Il loro primo obiettivo è creare una soluzione con “zero percent insanity”, garantendo che le decisioni siano sensate. Ad esempio, una decisione sbagliata potrebbe essere quella di fornire a un negozio di moda solo borse marroni e nere perché sono quelle che vendono di più, trascurando altri colori necessari a scopi di merchandising.
Stabilendo numerical recipes che catturano l’expertise, l’approccio di Lokad permette a un singolo Supply Chain Scientist di gestire un numero enorme di SKU e grandi quantità di stock. Questo approccio rappresenta una deviazione significativa dal metodo classico, che richiederebbe dozzine o addirittura centinaia di pianificatori della domanda per gestire lo stesso carico di lavoro. Il focus di Lokad è sulla costruzione di un asset (CAPEX) piuttosto che sul semplice consumo di risorse (OPEX).
L’approccio di Lokad mette in discussione la necessità di rivedere gli spreadsheets ogni giorno, poiché le decisioni si basano sui dati disponibili. Invece, implementa il processo decisionale dei pianificatori della domanda attraverso numerical recipes, coinvolgendo possibilmente specifiche tecniche di machine learning.
Vermorel spiega l’importanza di utilizzare tecniche di machine learning per le aziende che impiegano ancora lavoratori impiegatizi per eseguire compiti ripetitivi, poiché ciò potrebbe portare a un’efficienza migliorata. Tuttavia, riconosce che alcuni lavori, come la pulizia del magazzino, rimangono difficili da automatizzare a causa dei limiti della tecnologia attuale.
Vermorel sottolinea che molte decisioni nella supply chain, come le quantità d’ordine e i punti prezzo, possono essere completamente automatizzate attraverso numerical recipes. Egli chiarisce che ciò non significa automazione senza supervisione umana, ma piuttosto l’applicazione di intuizioni umane su larga scala, permettendo ai computer di occuparsi del lavoro numerico banale. I limiti, dice, risiedono nella complessità della supply chain stessa e nella necessità di approssimazioni per garantire che la numerical recipe rimanga gestibile da un punto di vista software.
Si discute anche il bilanciamento tra il numero di righe di codice e il carico di lavoro di un singolo Supply Chain Scientist. Vermorel suggerisce che dividere la supply chain in parti più piccole, gestite da più Supply Chain Scientist, possa contribuire a migliorare il perfezionamento delle numerical recipes. Tuttavia, ciò può portare a rendimenti decrescenti in termini di produttività, poiché i Supply Chain Scientist aggiuntivi contribuiscono meno all’output complessivo.
L’intervista tocca il paradosso della produttività, con una persona responsabile della gestione di un numero enorme di SKU, e la necessità di più persone per gestire grandi supply chain. Vermorel conclude evidenziando l’importanza di mitigare i “truck factors” avendo personale di backup che possa prendere il posto in caso qualcuno lasci l’azienda.
La discussione si concentra su come il processo decisionale nella supply chain possa essere reso più efficace, efficiente e capitalista grazie all’uso della tecnologia e al miglioramento continuo.
Vermorel sostiene che gli approcci tradizionali alla pianificazione della domanda, che si basano sul processo decisionale umano e sugli spreadsheets, sono limitati nella loro capacità di guidare il miglioramento continuo. Dopo l’installazione iniziale di un sistema di pianificazione della domanda, i miglioramenti solitamente si fermano, e il team rimane intrappolato in un ciclo di mera manutenzione del sistema. Ciò impedisce loro di avere il tempo e le risorse per concentrarsi sul miglioramento continuo.
D’altra parte, l’approccio di Lokad mira ad automatizzare il 100% delle decisioni della supply chain, permettendo ai Supply Chain Scientist di dedicare completamente i loro sforzi al miglioramento continuo. Sebbene l’implementazione di questo tipo di sistema possa richiedere più tempo rispetto a un tradizionale sistema di pianificazione della domanda, alla fine risulta in una supply chain più efficiente ed efficace.
Vermorel sottolinea che trattare ogni problema come un bug da correggere incoraggia una mentalità di crescita e miglioramento costante. Questo approccio capitalista alla supply chain management garantisce che i Supply Chain Scientist continuino a costruire sui loro miglioramenti, portando a una performance complessiva migliore.
Tuttavia, ci sono sfide nell’implementazione di questi approcci capitalisti. Per decenni, la tecnologia e il software necessari per tali sistemi non esistevano. Inoltre, molte aziende non consideravano la supply chain management come una funzione essenziale, trattandola come una semplice funzione di supporto o centro di costo. Di conseguenza, c’era poco incentivo a investire in nuove tecnologie o pratiche per rendere la supply chain management più capitalista.
Per superare queste barriere, Vermorel suggerisce che le aziende devono cambiare mentalità, riconoscendo il valore della supply chain management come un asset, piuttosto che solo come un centro di costo. Ciò, combinato con la disponibilità di nuove tecnologie e software, può consentire un approccio più capitalista ed efficace al processo decisionale della supply chain.
Trascrizione Completa
Kieran Chandler: Ehi, con le aziende moderne che offrono cataloghi sempre più ampi e tecnologie che facilitano una gestione delle scorte più semplice, un moderno Supply Chain Planner deve destreggiarsi in molte attività. Chiediamo quindi quanti SKU dovrebbe gestire un Supply Chain Planner e quanti ne sono troppi. Quindi Joannes, sembra che i Supply Chain Planner abbiano davvero molto da fare in questi giorni. Quanti SKU tende a gestire un Supply Chain Planner?
Joannes Vermorel: Da quanto ho osservato, dipende dal settore, ma la maggior parte delle aziende gestisce solitamente qualche centinaio fino a qualche migliaio di SKU. Sebbene ci siano situazioni in cui le aziende gestiscono decine di migliaia di SKU, si tratta più che altro di un’eccezione. La gamma tipica che ho visto è di circa 500 a 1.000 SKU in molti settori.
Kieran Chandler: Quanto dipende dal settore? Immagino che nel retail di lusso non si gestiscano molti SKU, mentre in un ipermercato ne si gestiscano molti di più.
Joannes Vermorel: Sì, il retail è probabilmente il caso atipico in cui i pianificatori della domanda gestiscono un numero maggiore di SKU. Tuttavia, anche nelle reti retail, i pianificatori della domanda gestiscono tipicamente solo qualche centinaio di SKU a livello di magazzino. A livello di negozio, solitamente utilizzano modelli min-max che replicano in un gran numero di negozi con caratteristiche simili. In questo modo, non gestiscono direttamente gli SKU a livello di negozio, ma piuttosto gestiscono un meta-SKU o un template. Se moltiplichi il numero di negozi gestiti per il numero di prodotti, ottieni un gran numero di SKU, ma non è così che il lavoro viene tipicamente svolto. Quindi, i responsabili solitamente gestiscono al massimo qualche migliaio di SKU per persona.
Kieran Chandler: Quali fattori determinano il numero di SKU che una persona gestisce? Ci sono regole classiche che si seguono?
Joannes Vermorel: L’approccio classico che la maggior parte dei pianificatori della domanda e dell’offerta utilizza consiste nel passare attraverso un lungo spreadsheet, con un SKU per riga e diverse colonne strutturate che forniscono indicatori. Questi indicatori possono includere quanto è stato venduto nelle ultime un paio di settimane, nell’ultimo anno, o nello stesso periodo dell’anno scorso per tenere conto della stagionalità. I pianificatori passano riga per riga, regolando le quantità e i livelli min-max in base ai dati presenti in queste colonne.
Kieran Chandler: Con gli spreadsheets, beh, si torna al punto di partenza e si itera. Potenzialmente, puoi suddividere i tuoi SKU in classi come ABC, o simili, in modo da dedicare più tempo ai top sellers e meno ai slow movers. Insomma, il numero di SKU diventa fortemente definito dal tempo necessario al pianificatore della domanda per completare un ciclo attraverso l’elenco delle referenze che sta gestendo. Quindi, in quell’esempio, immagino che dipenda da molta variabilità del prodotto. Quindi, se sei in un’azienda come Coca-Cola, dove c’è un solo prodotto, significa che abbiamo solo un pianificatore della domanda?
Joannes Vermorel: No, voglio dire, Coca-Cola ha centinaia di prodotti. E se inizi a considerare le cose che devono essere pianificate dalla prospettiva di Coca-Cola, innanzitutto dovranno pianificare praticamente ogni singolo canale, perché i loro canali sono giganteschi. Tipicamente, i pianificatori vengono organizzati per aree geografiche o canali, e quindi finisci per avere un pianificatore per ogni canale. Hanno qualche centinaio di SKU, e quindi torni a quella situazione con qualche centinaio di SKU per pianificatore. Inoltre, frequentemente, intendo aziende FMCG molto grandi, devono anche occuparsi di VMI, vendor-managed inventory. Quindi, di nuovo, torni a circa un paio di centinaia di SKU per pianificatore.
Kieran Chandler: E per quanto riguarda la difficoltà di previsione se sei in un settore dove ci sono molti nuovi prodotti, come la moda? Significa che sarai in grado di gestire meno SKU per persona?
Joannes Vermorel: È una cosa interessante, e ancora, sto descrivendo qui ciò che considero mainstream al giorno d’oggi, non il modo in cui opera Lokad. Ma la questione è che, quando si opta per un’erraticità molto elevata, si tratta tipicamente di prodotti a volume molto basso. Vedi, esiste una correlazione inversa tra erraticità e volume. Se sei una grande FMCG, hai alti volumi e meno erraticità. Però, potresti pensare: “Oh, se ho meno erraticità, forse la previsione è più semplice.” Sì, ma anche ciò che prevedi è, da un punto di vista economico, molto importante, perché stiamo parlando di una massa significativa. Dall’altro lato dello spettro, se parliamo di una previsione super erratica, diciamo per parti automobilistiche nella coda lunga, allora sì, è incredibilmente erratica, ma anche il volume è molto basso e il valore non è così alto. Quindi, anche se, tecnicamente, la previsione è più difficile e l’erraticità è molto maggiore, la realtà economica è che il peso economico di questo articolo nella tua supply chain è basso, e quindi non importa davvero se sia più difficile o meno.
Kieran Chandler: Va bene, e allora confrontiamo il modo in cui Lokad lo fa rispetto all’approccio più classico. In che modo differisce rispetto a ciò che un Supply Chain Scientist gestirebbe rispetto a quello che si può gestire in maniera classica?
Joannes Vermorel: Quindi, la prospettiva classica – ed è per questo che finiamo con questo numero di SKU per demand planner – è letteralmente quella in cui le persone consolidano le informazioni.
Kieran Chandler: Quindi, le persone usano fogli di calcolo con decine di colonne che spiegano cosa dovrebbero vedere, e poi prendono decisioni esaminando il foglio di calcolo. Iniziano dagli articoli più importanti e dedicano meno tempo a quelli meno importanti. Con che frequenza riesaminano questi articoli?
Joannes Vermorel: Beh, potrebbero riesaminare tutti gli articoli importanti su base giornaliera, mentre quelli meno importanti solo mensilmente. Il tempo impiegato dal planner è una spesa operativa. Il lavoro che consumi, il tempo del tuo demand planner, solo per svolgere il lavoro di demand planning, non viene capitalizzato. L’unica capitalizzazione deriva dall’avere un foglio di calcolo ben progettato con tutte le colonne rilevanti. Questa parte del lavoro – avere un foglio di calcolo ben strutturato – è capitalista nel senso che lo fai una volta sola e poi il tuo lavoro diventa più veloce per tutti i mesi successivi. Tuttavia, questa parte dura solo qualche settimana all’inizio, e poi è fatta. Non capitalizzi oltre questo punto.
Kieran Chandler: Puoi parlarci dell’approccio di Lokad e di come differisce dai metodi tradizionali?
Joannes Vermorel: L’approccio di Lokad è molto diverso. Un Supply Chain Scientist creerà fondamentalmente una ricetta in cui vuoi che tutte le tue decisioni, pronte all’uso, siano non-stupide. Vuoi avere zero percento di follia. Questo è il primo obiettivo che ci poniamo quando vogliamo passare alla produzione.
Kieran Chandler: Puoi dare un esempio di cosa potrebbe essere una decisione stupida?
Joannes Vermorel: Una decisione stupida sarebbe, per esempio, avere un negozio di moda che vende borse e mettere solo borse marroni e nere perché quei colori vendono di più. Di conseguenza, la vetrina appare triste e manca di varietà cromatica. Vorresti avere tocchi di altri colori, come il bianco o il giallo, per motivi di merchandising. Una decisione intelligente riguardo al riapprovvigionamento dell’inventario deve tenere conto di fattori oltre alle sole vendite e agli aspetti legati al servizio. Vuoi considerare anche l’aspetto estetico del negozio.
Kieran Chandler: Quindi, stai dicendo che le ricette numeriche dovrebbero catturare questi spunti e riflettere il tipo di competenza che qualcuno che svolge il lavoro manualmente avrebbe, invece di attenersi a formule naïve di safety stock?
Joannes Vermorel: Esattamente. Prima di tutto, vuoi stabilire una ricetta numerica che catturi questi spunti. Una volta fatto ciò, ti rendi conto che puoi operare praticamente su qualsiasi scala. Da Lokad, abbiamo Supply Chain Scientists che individualmente gestiscono un inventario del valore di oltre un miliardo di euro.
Kieran Chandler: Di stock, una sola persona gestisce qualcosa come quattro milioni di SKU individualmente. Quindi vedi, c’è improvvisamente una completa disconnessione tra il numero di SKU e il numero di persone: una sola persona può scalare a livelli che rappresenterebbero, se fatto in maniera classica, dozzine se non centinaia di planner. E a proposito, abbiamo assistito a un cambiamento comportamentale massiccio nei nostri clienti quando abbiamo implementato questo tipo di tecniche perché, improvvisamente…
Joannes Vermorel: Non vuol dire, tra l’altro, che tutti quei planner siano stati licenziati. Ci sono innumerevoli ambiti in cui puoi aggiungere maggiore valore. Ma la domanda è: se fai parte di un’azienda e quello che fai è semplicemente ciclare attraverso un foglio di calcolo ogni giorno, come stai creando un valore reale per l’azienda? Davvero, l’azienda sta investendo nel tuo lavoro, dove il lavoro che produci genera capitale per l’azienda, qualcosa che è un asset, oppure è solo qualcosa che viene consumato? Questo è capex contro opex. E l’approccio di Lokad è fondamentalmente incentrato su: capex, capex, capex. Vogliamo avere un asset.
Kieran Chandler: Quindi, come fa quella ricetta numerica a costruire quell’asset, allora? Come funziona?
Joannes Vermorel: L’idea è: perché dovresti riesaminare il tuo foglio di calcolo ogni giorno? Se prendi una decisione, la prendi basandoti sui dati che hai. Vedi, come demand planner, quando hai centinaia di prodotti, non conosci ogni singolo prodotto a memoria, non conosci ogni dettaglio. No, voglio dire, può succedere in campi molto specifici, ma è molto raro. Di solito, strutturi correttamente le tue decine di colonne che spiegano cosa osservare, e poi prendi una decisione numerica basata su quello. Beh, l’approccio di Lokad è dire: implementiamo ciò che fai nella tua testa. E sì, richiede forse qualche accenno di machine learning molto specifico per farlo. Sì, magari ci sono relazioni che non sono facili da esprimere in termini di semplici formule numeriche, formule numeriche classiche, perché stai facendo, nella tua testa, una valutazione del rischio.
Quindi, il modo in cui Lokad, per esempio, affronta numericamente la valutazione del rischio è tramite previsioni probabilistiche con economic drivers. Ma vedi, ci sono una serie di problemi, e l’idea è che ogni volta che ottieni un numero generato dalla tua ricetta numerica che sembra completamente sbagliato, devi trattarlo come un bug e correggerlo. E non ci dovrebbe essere alcuna eccezione, nessun allarme.
Kieran Chandler: Quindi hai menzionato quegli accenni alle tecniche di machine learning. Dovrebbero tutte le aziende cercare di sfruttare quel tipo di tecnologie nei loro approcci?
Joannes Vermorel: Direi che qualsiasi azienda che ancora impiega, al giorno d’oggi, impiegati d’ufficio per svolgere compiti estremamente ripetitivi sta semplicemente commettendo un errore, punto. Vedi, nessuna eccezione. Ci sono settori in cui, in termini di compiti fisici, alcune operazioni sono ancora molto, molto difficili da automatizzare. Per esempio, i robot tendono a essere a volte rigidi, e avere qualcuno solo per fare qualcosa, per esempio…
Kieran Chandler: Operazioni semplici come le pulizie, dove ad esempio c’è una fuoriuscita di petrolio nel magazzino e devi semplicemente pulirla, sono in realtà estremamente difficili da automatizzare. Far sì che un robot esegua un po’ di pulizia, prenda una spugna e lo faccia, è molto, molto difficile. Quindi, ci sono lavori che sembrano semplici, come prendere un secchio d’acqua, una spugna, del detersivo e pulire. Queste sono cose estremamente difficili da automatizzare e sono al di là delle capacità dei nostri robot più sofisticati al momento.
Joannes Vermorel: In questo caso, abbiamo persone che svolgono questo lavoro, ma l’automazione è semplicemente al di là delle nostre capacità tecniche. Quando si tratta di decisioni della supply chain, come decisioni numeriche su cosa ordinare, quante unità ordinare per ogni singolo SKU che gestisco, se aumentare o diminuire il prezzo, o se effettuare trasferimenti di inventario dalla location A alla location B, tutte queste domande possono essere completamente automatizzate. Non sto dicendo che si tratti di un’automazione senza supervisione umana; non è questo che descrivo. Sto descrivendo una ricetta numerica che è stata ingegnerizzata da un essere umano, in cui le persone comprendono cosa sta accadendo. È solo che deployi le intuizioni umane su larga scala, lasciando al computer il compito numerico e routinario.
Kieran Chandler: Quindi, dove risiedono i limiti? Hai detto che i Supply Chain Scientists gestiranno stock per miliardi di dollari. Qual è quindi il fattore limitante?
Joannes Vermorel: Il fattore limitante diventa la complessità della supply chain stessa, dove a un certo punto la tua ricetta numerica sarà solo un’approssimazione della tua supply chain. Vuoi essere approssimativamente corretto e non esattamente sbagliato. I Supply Chain Scientists non possono modellare esattamente la realtà; devi sempre fare delle scelte affinché la tua ricetta numerica rimanga gestibile dal punto di vista del software. Hai delle linee di codice; se sei una sola persona, devi mantenere 20.000 linee di codice, cosa gestibile. Se sei una sola persona e devi mantenere mezzo milione di linee di codice, diventa ingestibile. Quindi, c’è un equilibrio nel numero di linee di codice coinvolte.
Così, se hai una sola persona, a un certo punto diventa interessante introdurre, specialmente se operi su supply chain molto grandi, modalità per suddividere la supply chain tra vari Supply Chain Scientists, in modo che ognuno possa dedicare più tempo a determinati problemi. Per esempio, se hai una supply chain e prendi decisioni sui prezzi e sugli acquisti, a un certo punto quelle due questioni diventeranno fortemente intrecciate, ma a un certo punto,
Kieran Chandler: Quindi, Joannes, hai detto che avere due persone responsabili dei prezzi e degli acquisti potrebbe essere vantaggioso, ma ci sono ritorni decrescenti in termini di produttività. Potresti spiegare meglio questo aspetto?
Joannes Vermorel: Sì, ha senso avere due persone solo per ottenere un grado maggiore di raffinatezza nelle tue ricette numeriche per i prezzi e per gli acquisti. Tuttavia, quelle due persone discuteranno molto e coordineranno le loro azioni, il che significa che si hanno ritorni decrescenti in termini di produttività. Quindi, vedi, a un certo punto, per ottenere quell’extra dell’uno percento in prestazioni, è ragionevole aggiungere più persone, anche se ciò significa che, in termini di produttività, aggiungere la seconda persona migliora la produttività solo di poco. Se fosse del tutto lineare, diresti che aggiungere un secondo Supply Chain Scientist aumenterebbe la produzione del 100%. In realtà, otterrai solo circa il 50%, e poi il terzo aggiungerà solo il 30%. Quindi, il rendimento diminuisce molto rapidamente in termini di throughput. Hai economie di scala molto forti. Tuttavia, se operi con una supply chain molto grande, vale la pena farlo, anche solo per mitigare i rischi quando qualcuno se ne va e c’è qualcun altro pronto a subentrare.
Kieran Chandler: È interessante che tu menzioni la parola produttività, perché sembra tutto un po’ paradossale. Hai una sola persona responsabile di molti più SKU. Come può essere più efficace e veloce nelle sue decisioni rispetto a un team di persone responsabili di un ambito più ristretto?
Joannes Vermorel: Perché il team di persone responsabili di un ambito ristretto non opera in maniera veramente capitalista. Sai, l’unica parte “capitalista” è la configurazione di un foglio di calcolo pulito e ordinato, il tuo ambiente di lavoro, che avviene, sai, nelle prime un paio di settimane. E poi non capitalizzi più. Quindi, rimani bloccato in un vicolo cieco in cui, all’improvviso, tutti i tuoi sforzi vengono completamente assorbiti e non introduci ulteriore intelligenza nel sistema. Ti limiti a ciclare attraverso un processo che consuma tutto il tuo tempo, e così non ti rimane tempo per miglioramenti continui. E vedi, l’approccio di Lokad è dire che il 100 percento dello sforzo del Supply Chain Scientist deve essere dedicato al miglioramento continuo. Quindi, l’installazione richiede un po’ più di tempo rispetto alla prospettiva classica del demand planning. Probabilmente potresti avere una configurazione in due settimane, in cui imposti semplicemente il tuo foglio di calcolo, e poi hai finito. Una configurazione dal punto di vista di Lokad probabilmente richiederà qualche settimana in più, ma, in cambio, finisci con un sistema in cui tutte le tue decisioni quotidiane vengono eseguite automaticamente, dandoti quasi tutto il tempo per concentrarti sul miglioramento continuo.
Kieran Chandler: Capisco. E trattare ogni singolo problema come un bug da risolvere deve richiedere molto tempo.
Joannes Vermorel: Sì, e vedi, la questione è che se tratti ogni problema come un bug da risolvere, ti metti nella condizione in cui, entrando in ufficio ogni giorno, passi sostanzialmente pochi minuti per assicurarti che non ci sia, ad esempio, un incendio da spegnere.
Kieran Chandler: Solo perché succede qualcosa di completamente inaspettato, come un magazzino che viene allagato, non significa che tu non possa fare nulla. Questo genere di eventi avviene nella supply chain e poi puoi trascorrere l’intera giornata a perfezionare la tua ricetta numerica. E ciò ti offre un approccio incredibilmente capitalista. Se pensi che, perché poi i supply chain scientists ogni singola settimana aggiungeranno un livello di miglioramento, esattamente questo era ciò che accadeva da una prospettiva classica con il pianificatore della domanda durante le prime due settimane, ma poi si ferma. E con la prospettiva razzo, questo super lavoro capitalista non si ferma mai. Ed è per questo che, avanzando di un paio di mesi, ti ritrovi con una situazione in cui c’è una sola persona, ma che risulta molto più produttiva rispetto all’approccio classico. E lo è anche in termini di supply chain performance, risultando decisamente migliore. Solo perché, ancora una volta, hai costruito sui tuoi miglioramenti in maniera altamente, altamente capitalista. Ok, iniziamo a concludere allora. Quindi, dove risiedono le maggiori barriere all’introduzione di questo tipo di approcci capitalisti? Quali sono le grandi sfide che bisogna affrontare?
Joannes Vermorel: Voglio dire, la sfida più grande è che per decenni non abbiamo avuto quel tipo di ricette software, tecnologie software che rendessero possibili queste cose. Avevamo quei fogli di calcolo e poi, ad esempio, in Lokad, finché non abbiamo compreso l’approccio probabilistico, abbiamo avuto davvero difficoltà a esprimere numericamente ciò che stava accadendo nella mente di un demand planner che eseguiva una sorta di valutazione del rischio. Intuivi ciò che stava succedendo. Le persone riuscivano a descrivere quello che stavano facendo, ma poi come lo traducevi in formule? Era una domanda aperta. E ci sono formule, ci sono approcci come safety suck che tentano solo di fare questo, ma semplicemente non funzionano. Avevamo bisogno di una classe migliore di ricette numeriche. Quindi, quella rappresentava una categoria di barriere. Un’altra barriera era che molte aziende non consideravano la supply chain come una funzione di alcuna importanza. La supply chain era semplicemente una funzione di supporto. Il fatto che non fosse una funzione centrale non era un problema: era una funzione di supporto. Costa denaro, proprio come la maggior parte delle funzioni di supporto. Non ti aspetti che la tua funzione di supporto crei valore per l’azienda. Quindi, è semplicemente un centro di costo. E finché questo centro di costo tiene i propri costi sotto controllo, va bene così. Vedi, era duplice. Primo, il fatto che non esistessero modi tecnologici reali per rendere questa cosa capitalista. E in secondo luogo, se le persone non realizzano che si tratta di un asset, non adottano il giusto mindset per cambiare davvero la pratica affinché diventi capitalista. Perché, vedi, affinché la pratica della supply chain diventi capitalista, deve iniziare con un atto di fede, se vuoi che diventi un asset. Finché pensi che sia solo una funzione di supporto, un semplice centro di costo, allora, indovina un po’? Non crescerà mai oltre il semplice essere un centro di costo.
Kieran Chandler: Sì, è un concetto interessante, quest’idea di cambiare le cose per renderle più capitaliste. Quindi, dovremo concludere qui, ma grazie mille per averci seguito e ci vediamo nel prossimo episodio. Grazie per aver guardato.
