Quanti SKU dovrebbe gestire un pianificatore della supply chain

00:00:07 Discussione sulla gestione degli SKU per i pianificatori della supply chain.
00:01:09 Dipendenza della gestione degli SKU dai settori industriali.
00:02:14 Gestione degli SKU nel settore del commercio al dettaglio e impatto sui pianificatori della domanda.
00:04:00 Fattori che guidano la gestione degli SKU e regole classiche seguite.
00:07:01 Confronto tra l’approccio classico e il modo in cui Loca gestisce la gestione degli SKU.
00:08:01 Discussione sulla differenza tra la pianificazione della domanda tradizionale e la scienza della supply chain.
00:09:37 L’importanza di prendere decisioni intelligenti di rifornimento delle scorte.
00:11:00 La capacità di una persona di gestire milioni di SKU utilizzando ricette numeriche.
00:12:19 Come le ricette numeriche aiutano a creare un asset per le aziende.
00:14:00 La necessità di automatizzare compiti ripetitivi da ufficio e i limiti dell’automazione.
00:16:02 Limitazioni degli scienziati della supply chain e gestione della complessità.
00:17:42 Ritorni decrescenti in produttività e coordinamento tra gli scienziati.
00:19:33 Confronto tra l’efficacia e la velocità di un singolo scienziato e di un team.
00:21:09 Miglioramento continuo e approccio capitalista degli scienziati della supply chain.
00:22:45 Barriere all’implementazione di approcci capitalistici nella gestione della supply chain.

Riassunto

In un’intervista recente, Joannes Vermorel, fondatore di Lokad, ha discusso delle sfide affrontate dai moderni pianificatori della supply chain, in particolare nella gestione delle unità di mantenimento delle scorte (SKU). Vermorel ha spiegato che il numero di SKU gestiti di solito varia da qualche centinaio a qualche migliaio, a seconda del settore industriale. Tradizionalmente, i pianificatori della domanda utilizzano fogli di calcolo con decine di colonne per prendere decisioni sugli inventari, ma Lokad impiega scienziati della supply chain che sviluppano ricette numeriche per prendere decisioni sugli inventari. L’obiettivo è creare una soluzione con “zero percento di follia”, garantendo che le decisioni siano sensate. Vermorel sostiene che trattare ogni problema come un difetto da correggere incoraggia una mentalità di crescita e miglioramento costante, portando a una migliore performance complessiva.

Riassunto Esteso

Nell’intervista, Kieran Chandler, il conduttore, discute con Joannes Vermorel, il fondatore di Lokad, delle sfide affrontate dai moderni pianificatori della supply chain, in particolare nella gestione delle unità di mantenimento delle scorte (SKU). Vermorel spiega che il numero di SKU gestiti da un pianificatore di solito varia da qualche centinaio a qualche migliaio, a seconda del settore industriale. Il commercio al dettaglio è un’eccezione, poiché i pianificatori possono occuparsi di numerose SKU a livello di magazzino, ma a livello di negozio di solito gestiscono modelli di pianificazione delle scorte min-max invece di SKU individuali.

Il numero di SKU gestiti da un pianificatore è spesso determinato dal tempo necessario per completare un ciclo attraverso l’elenco dei riferimenti. I pianificatori lavorano tipicamente con fogli di calcolo, regolando quantità e valori min-max e classificando gli SKU in categorie come i prodotti più venduti e quelli a lenta rotazione.

Vermorel sottolinea che la relazione tra il volume delle SKU e l’erraticità è inversamente correlata. Le grandi aziende FMCG (beni di consumo ad alta rotazione) con volumi elevati hanno un’erraticità inferiore, mentre settori con volumi bassi e alta erraticità, come i componenti automobilistici, possono avere una previsione più difficile, ma il valore economico non è altrettanto significativo. Il numero di SKU gestite da un pianificatore della supply chain dipende dal settore industriale e dalla natura dei prodotti. Il processo di solito prevede la gestione di qualche centinaio a qualche migliaio di SKU e l’utilizzo di fogli di calcolo 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 gestione della supply chain.

Tradizionalmente, i pianificatori della domanda utilizzano fogli di calcolo con decine di colonne per prendere decisioni sugli inventari, concentrandosi maggiormente sugli articoli di maggiore priorità (A) e meno sugli articoli di minore priorità (B e C). Questo approccio comporta una spesa operativa significativa (OPEX) con poca capitalizzazione. L’unica capitalizzazione deriva dalla progettazione del foglio di calcolo, che diventa utile per i mesi successivi.

Lokad, d’altra parte, impiega scienziati della supply chain che sviluppano ricette numeriche per prendere decisioni sugli inventari. Il loro primo obiettivo è creare una soluzione con “zero percento di follia”, garantendo che le decisioni siano sensate. Ad esempio, una decisione sbagliata potrebbe essere quella di rifornire un negozio di moda solo con borse marroni e nere perché sono le più vendute, trascurando altri colori necessari per scopi di merchandising.

Stabilendo ricette numeriche che catturano l’esperienza, l’approccio di Lokad consente a un singolo scienziato della supply chain di gestire un gran numero di SKU e una grande quantità di stock. Questo approccio rappresenta una significativa deviazione dal metodo classico, che richiederebbe decine o addirittura centinaia di pianificatori della domanda per gestire lo stesso carico di lavoro. L’attenzione di Lokad è incentrata sulla creazione di un asset (CAPEX) anziché solo sul consumo di risorse (OPEX).

L’approccio di Lokad mette in discussione la necessità di rivedere i fogli di calcolo ogni giorno, poiché le decisioni si basano sui dati disponibili. Invece, implementa il processo decisionale dei pianificatori della domanda attraverso ricette numeriche, eventualmente coinvolgendo specifiche tecniche di machine learning.

Vermorel spiega l’importanza dell’utilizzo delle tecniche di machine learning per le aziende che impiegano ancora lavoratori impiegatizi per svolgere compiti ripetitivi, poiché ciò potrebbe portare a un miglioramento dell’efficienza. Tuttavia, riconosce che alcuni lavori, come la pulizia del magazzino, rimangono difficili da automatizzare a causa delle limitazioni della tecnologia attuale.

Vermorel sottolinea che molte decisioni sulla supply chain, come le quantità degli ordini e i punti di prezzo, possono essere completamente automatizzate attraverso ricette numeriche. Precisa che ciò non significa automazione senza supervisione umana, ma piuttosto l’impiego di intuizioni umane su larga scala e il lasciare ai computer il compito di gestire il lavoro numerico noioso. Le limitazioni, afferma, risiedono nella complessità della supply chain stessa e nella necessità di approssimazioni per garantire che la ricetta numerica rimanga gestibile dal punto di vista del software.

Viene anche discusso l’equilibrio tra il numero di righe di codice e il carico di lavoro di un singolo scienziato della supply chain. Vermorel suggerisce che suddividere la supply chain in parti più piccole gestite da più scienziati può contribuire a migliorare il perfezionamento delle ricette numeriche. Tuttavia, ciò può portare a rendimenti decrescenti in termini di produttività, poiché gli scienziati aggiuntivi contribuiscono meno all’output complessivo.

L’intervista affronta il paradosso della produttività, con una persona responsabile della gestione di un gran numero di SKU e la necessità di più persone per gestire grandi supply chain. Vermorel conclude sottolineando l’importanza di mitigare i “fattori camion” avendo personale di backup che può subentrare nel caso in cui qualcuno lasci l’azienda.

La discussione si concentra su come prendere decisioni sulla supply chain possa essere reso più efficace, efficiente e capitalista sfruttando la tecnologia e il miglioramento continuo.

Vermorel sostiene che gli approcci tradizionali alla pianificazione della domanda, che si basano sulla decisione umana e sui fogli di calcolo, sono limitati nella loro capacità di guidare il miglioramento continuo. Dopo la configurazione iniziale di un sistema di pianificazione della domanda, di solito si verificano miglioramenti, e il team rimane bloccato in un ciclo di semplice 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 sulla supply chain, consentendo agli scienziati della supply chain di dedicare i loro sforzi interamente al miglioramento continuo. Sebbene l’implementazione di questo tipo di sistema possa richiedere più tempo rispetto a un sistema di pianificazione della domanda tradizionale, alla fine porta a 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 gestione della supply chain assicura che gli scienziati della supply chain stiano continuamente costruendo sui loro miglioramenti, portando a una migliore performance complessiva.

Tuttavia, ci sono sfide nell’implementare questi approcci capitalisti. Per decenni, la tecnologia e il software necessari per tali sistemi non esistevano. Inoltre, molte aziende non consideravano la gestione della supply chain come una funzione essenziale, trattandola come una semplice funzione di supporto o un centro di costo. Di conseguenza, c’era poco incentivo a investire in nuove tecnologie o pratiche per rendere la gestione della supply chain più capitalista.

Per superare queste barriere, Vermorel suggerisce che le aziende devono cambiare la loro mentalità, riconoscendo il valore della gestione della supply chain come un asset, piuttosto che solo un centro di costo. Questo, combinato con la disponibilità di nuove tecnologie e software, può consentire un approccio più capitalista ed efficace alla presa di decisioni sulla supply chain.

Trascrizione completa

Kieran Chandler: Ehi, con le aziende moderne che offrono cataloghi sempre più ampi e la tecnologia che facilita una gestione più semplice delle scorte, un moderno pianificatore della supply chain deve gestire molte cose. Ci chiediamo quante SKU dovrebbe gestire un pianificatore della supply chain e quante sono troppe. Quindi Joannes, sembra che i pianificatori della supply chain abbiano molto da fare in questi giorni. Quante SKU gestisce di solito un pianificatore della supply chain?

Joannes Vermorel: Da quanto ho osservato, dipende dall’industria, ma la maggior parte delle aziende gestisce di solito alcune centinaia a qualche migliaio di SKU. Anche se ci sono alcune situazioni in cui le aziende gestiscono decine di migliaia di SKU, è più un’eccezione. La gamma tipica che ho visto è di circa 500-1000 SKU in molte industrie.

Kieran Chandler: Quanto dipende dall’industria? Immagino che nel settore del lusso non si gestiscano molte SKU, ma in un ipermercato se ne gestiscono molte di più.

Joannes Vermorel: Sì, il settore del commercio al dettaglio è probabilmente l’eccezione in cui i pianificatori della domanda si occupano di un numero maggiore di SKU. Tuttavia, anche nelle reti di vendita al dettaglio, i pianificatori della domanda gestiscono di solito solo alcune centinaia di SKU a livello di magazzino. A livello di negozio, di solito utilizzano modelli di min-max che replicano in un gran numero di negozi con caratteristiche simili. In questo modo, non gestiscono direttamente le SKU a livello di negozio, ma gestiscono piuttosto una meta-SKU o un modello. Se moltiplicate il numero di negozi gestiti per il numero di prodotti, otterrete un gran numero di SKU, ma non è così che di solito si svolge il lavoro. Quindi, i manager di solito gestiscono al massimo alcune migliaia di SKU per persona.

Kieran Chandler: Quali fattori determinano il numero di SKU che una persona gestisce? Ci sono regole classiche che le persone seguono?

Joannes Vermorel: L’approccio classico che la maggior parte dei pianificatori della domanda e dei pianificatori della fornitura utilizza è quello di passare attraverso un lungo foglio di calcolo, con una SKU per riga e varie colonne strumentate che forniscono indicatori. Questi indicatori possono includere quanto è stato venduto durante le ultime due settimane, l’ultimo anno o nello stesso periodo ma l’anno scorso per tener conto della stagionalità. I pianificatori procedono riga per riga, regolando le quantità e i livelli di min-max in base ai dati presenti in queste colonne.

Kieran Chandler: Foglio di calcolo, beh, si torna indietro dallo stop e si itera. Potenzialmente, si suddividono le SKU in classi come ABC, qualunque cosa, in modo da passare più tempo sui prodotti più venduti e meno tempo sui prodotti più lenti. Questo è tutto, e si vede che il numero di SKU diventa molto definito dal tempo che il pianificatore della domanda impiega per fare un ciclo attraverso l’elenco di riferimenti che questa persona sta gestendo. Quindi, in quell’esempio, immagino che dipenda da molta variabilità del tipo di prodotto. Quindi, se sei in un’azienda come Coca-Cola dove c’è solo un prodotto, significa che abbiamo solo un pianificatore della domanda?

Joannes Vermorel: No, intendo dire che Coca-Cola ha centinaia di prodotti. E se inizi a guardare le cose che devono essere pianificate da una prospettiva Coca-Cola, prima di tutto dovranno pianificare praticamente ogni singolo canale perché i loro canali sono giganteschi. Di solito, i pianificatori saranno organizzati per geografie o canali, e quindi ti ritrovi con un pianificatore per un canale. Hanno alcune centinaia di SKU, quindi ti ritrovi di nuovo con alcune centinaia di SKU per pianificatore. Spesso, le grandi aziende FMCG devono anche fare un po’ di VMI, inventario gestito dal fornitore. Quindi di nuovo, si torna a un paio di centinaia di SKU per pianificatore.

Kieran Chandler: E poi come si fa con la difficoltà di previsione se sei in un settore in cui ci sono molti nuovi prodotti, come ad esempio la moda? Significa che sarai in grado di gestire meno SKU per persona?

Joannes Vermorel: Questa è una cosa interessante, e ancora una volta, sto descrivendo qui ciò che considero essere la norma al giorno d’oggi, non il modo in cui Lokad opera. Ma la cosa è che quando si va per una grande erraticità, di solito si tratta di prodotti a basso volume. Si nota che c’è una correlazione inversa tra erraticità e volume. Se sei un’azienda FMCG di grandi dimensioni, hai volumi elevati, erraticità inferiore. Ma penseresti anche, “Oh, se ho meno erraticità, forse la previsione è più facile.” Sì, ma anche ciò che stai prevedendo è, dal punto di vista economico, molto importante perché stiamo parlando di una grande massa. Dall’altro lato dello spettro, se stiamo parlando di una previsione super erratica, diciamo parti automobilistiche nella lunga coda, allora sì, è incredibilmente erratico, ma anche il volume è molto basso e il valore non è così grande. Quindi anche se, sì, tecnicamente la previsione è più difficile e l’erraticità è molto più alta, la realtà economica è che il peso economico di questo articolo nella tua supply chain è basso, e quindi non importa davvero se è più difficile o meno. Non è molto ragionevole dedicare più tempo a quegli articoli.

Kieran Chandler: Ok, quindi confrontiamo il modo in cui Lokad lo fa rispetto all’approccio più classico. In che modo si differenzia rispetto a ciò che un supply chain scientist gestirebbe rispetto a ciò che puoi gestire in modo classico?

Joannes Vermorel: Quindi la prospettiva classica, ed è per questo che finiamo con questo numero di SKU per pianificatore della domanda, il modo classico è letteralmente le persone che consolidano le informazioni.

Kieran Chandler: Quindi, le persone utilizzano fogli di calcolo con decine di colonne che spiegano ciò che dovrebbero vedere, e poi prendono decisioni passando attraverso il foglio di calcolo. Iniziano con gli articoli più importanti e dedicano meno tempo a quelli meno importanti. Con quale frequenza rivedono questi articoli?

Joannes Vermorel: Beh, potrebbero rivedere tutti gli articoli importanti su base giornaliera, mentre rivedono gli articoli meno importanti solo su base mensile. Il tempo dedicato dal pianificatore è una spesa operativa. Il lavoro che consumi, il tempo del tuo pianificatore della domanda, solo per fare il lavoro di pianificazione della domanda, non c’è nulla che venga capitalizzato. L’unico capitale deriva dall’avere un foglio di calcolo ben progettato con tutte le colonne rilevanti. Questa parte del lavoro, avere un foglio di calcolo ben strumentato, è capitalista nel senso che lo fai una volta e poi il tuo lavoro è più veloce per tutti i mesi successivi. Tuttavia, questa parte dura solo poche settimane all’inizio, e poi è finita. Non si capitalizza oltre questo punto.

Kieran Chandler: Puoi parlarci dell’approccio di Lokad e di come si differenzia dai metodi tradizionali?

Joannes Vermorel: L’approccio di Lokad è molto diverso. Un supply chain scientist si dedica fondamentalmente a creare una ricetta in cui si desidera che tutte le decisioni, direttamente dalla scatola, siano non-stupide. Si desidera avere zero percento di follia. Questo è il primo obiettivo che ci poniamo quando vogliamo passare alla produzione.

Kieran Chandler: Puoi darmi un esempio di cosa potrebbe essere una decisione stupida?

Joannes Vermorel: Una decisione stupida potrebbe essere, diciamo, hai un negozio di moda che vende borse. Metti solo borse marroni e nere nel negozio perché quei colori vendono di più. Di conseguenza, la vetrina sembra triste e manca di varietà di colore. Vorresti avere tocchi di altri colori, come bianco o giallo, per scopi di merchandising. Una decisione intelligente di riapprovvigionamento di inventario deve tenere conto di fattori oltre alle vendite e agli aspetti legati al servizio. Vuoi considerare anche l’aspetto del negozio.

Kieran Chandler: Quindi, stai dicendo che le ricette numeriche dovrebbero catturare queste intuizioni e riflettere il tipo di competenza che avrebbe qualcuno che svolge il lavoro manualmente, piuttosto che attenersi a formule naive di scorta di sicurezza?

Joannes Vermorel: Esattamente. Prima di tutto, si desidera stabilire una ricetta numerica che catturi queste intuizioni. Una volta che l’hai, ti rendi conto che puoi operare praticamente a qualsiasi scala. Da Lokad, abbiamo supply chain scientist che gestiscono individualmente oltre un miliardo di euro di inventario.

Kieran Chandler: di stock solo una persona e una persona gestisce individualmente qualcosa come quattro milioni di SKU. Quindi vedi che improvvisamente c’è un completo disconnessione tra quanti SKU e la quantità di persone che una persona può gestire a livelli che rappresenterebbero, se fatti in modo classico, decine se non centinaia di pianificatori in modo classico. E a proposito, abbiamo avuto un enorme cambiamento di condotta che è successo ai nostri clienti quando abbiamo implementato questo tipo di tecniche perché improvvisamente…

Joannes Vermorel: Non significa che tutti quei pianificatori sono stati, tra l’altro, licenziati. Ci sono tonnellate di cose in cui puoi aggiungere più valore. Ma la domanda è, se fai parte di un’azienda e quello che stai facendo è semplicemente scorrere un foglio di calcolo ogni singolo giorno, come sta creando un valore accurato per l’azienda? Lo fa davvero, sai, l’azienda sta davvero investendo nel tuo lavoro, dove il lavoro che produci sta generando capitale per l’azienda, sai, qualcosa che è un asset o è solo qualcosa che viene consumato? Questo è capex versus opex. E l’approccio di Lokad fondamentalmente si concentra su due cose: capex, capex, capex. Vogliamo avere un asset.

Kieran Chandler: Quindi come quella ricetta numerica sta costruendo quell’asset? Come funziona?

Joannes Vermorel: L’idea è perché dovresti rivedere il tuo foglio di calcolo ogni singolo giorno? Sai, se prendi una decisione, prendi questa decisione basata sui dati che hai. Quindi vedi, come pianificatore della domanda, quando hai centinaia di prodotti, non conosci ogni singolo prodotto a memoria, sai ogni singola cosa che c’è. No, voglio dire, può succedere in alcuni campi molto specifici, ma è molto raro. Di solito, semplicemente ingegnerizzi correttamente le tue dozzine di colonne che spiegano a cosa dovresti guardare, e poi prendi una decisione numerica basata su quello. Beh, l’approccio di Lokad è dire, implementiamo quello che stai facendo nella tua testa. E sì, richiede forse alcuni piccoli dettagli di machine learning molto specifici per farlo. Sì, forse ci sono relazioni che non sono facili da esprimere in termini di semplici formule numeriche, formule numeriche classiche perché forse stai facendo, nella tua testa, una valutazione del rischio.

Quindi il modo in cui Lokad, ad esempio, affronta numericamente la valutazione del rischio è attraverso previsioni probabilistiche con driver economici. Ma vedi, ci sono una serie di problemi, e l’idea è che ogni volta che ti trovi con un numero generato dalla tua ricetta numerica che sembra semplicemente sbagliato, devi considerarlo come un bug e correggerlo. E non dovrebbero esserci eccezioni, nessun avviso.

Kieran Chandler: Quindi hai menzionato quei piccoli dettagli delle tecniche di machine learning. Tutte le aziende dovrebbero cercare di sfruttare quel tipo di tecnologie nei loro approcci?

Joannes Vermorel: Direi che qualsiasi azienda che ancora impiega oggi colletti bianchi per svolgere compiti estremamente ripetitivi sta commettendo un errore, punto. Vedi, nessuna eccezione. Ci sono aree in cui, in termini di compiti fisici, alcune operazioni sono ancora molto, molto difficili da automatizzare. Ad esempio, i robot tendono ad essere rigidi a volte, e avere qualcuno solo per fare qualcosa, ad esempio…

Kieran Chandler: Operazioni semplici come pulizie, dove c’è, diciamo, un versamento di olio nel tuo magazzino, e devi solo pulirlo, sono effettivamente estremamente difficili da automatizzare. Avere un robot che può fare un po’ di pulizia, prendere una spugna e farlo è molto, molto difficile. Quindi, ci sono alcuni lavori che sembrano semplici, come prendere un secchio d’acqua, una spugna, del detersivo e pulire. Queste sono le cose che sono estremamente difficili da automatizzare e sono al di là delle capacità dei nostri robot più sofisticati al momento attuale.

Joannes Vermorel: In questo caso, abbiamo persone che fanno questo lavoro, ma l’automazione è semplicemente al di là delle nostre capacità tecniche. Quando si tratta di decisioni sulla supply chain, come decisioni numeriche su cosa dovrei ordinare, quante unità dovrei ordinare per ogni singolo SKU che sto gestendo, dovrei alzare o abbassare il mio prezzo, o dovrei fare trasferimenti di inventario dalla posizione A alla posizione B, tutte queste domande possono essere completamente automatizzate. Non sto dicendo che è un’automazione senza supervisione umana; non è quello che sto descrivendo. Sto descrivendo una ricetta numerica che è stata progettata da un essere umano, dove le persone capiscono cosa sta succedendo. È solo che si utilizzano le intuizioni umane molto approfondite su larga scala, lasciando al computer il lavoro numerico noioso.

Kieran Chandler: Quindi, dove si trovano i limiti allora? Hai menzionato che gli scienziati della supply chain gestiranno miliardi di dollari di stock. Qual è il fattore limitante allora?

Joannes Vermorel: Il fattore limitante diventa la complessità della supply chain stessa, dove ad un certo punto, la tua ricetta numerica sarà un’approssimazione della tua supply chain. Vuoi essere approssimativamente corretto e non esattamente sbagliato. Gli scienziati della supply chain non possono modellare esattamente la realtà; devi sempre fare delle scelte in modo che la tua ricetta numerica rimanga gestibile dal punto di vista del software. Hai delle linee di codice; se sei una persona, devi gestire 20.000 linee di codice, il che è gestibile. Se sei una persona e devi gestire mezzo milione di linee di codice, diventa ingestibile. Quindi, c’è un equilibrio nel numero di linee di codice coinvolte.

Pertanto, se hai una persona ad un certo punto, diventa interessante introdurre, specialmente se vai per supply chain molto grandi, modi per suddividere le tue supply chain tra vari scienziati della supply chain in modo che individualmente possano dedicare più tempo a determinati problemi. Ad esempio, se hai una supply chain e hai decisioni di pricing e decisioni di acquisto, ad un certo punto, queste due cose saranno fortemente intrecciate, ma ad un certo punto, si

Kieran Chandler: Quindi, Joannes, hai menzionato che avere due persone responsabili del pricing e dell’acquisto potrebbe essere vantaggioso, ma ci sono rendimenti decrescenti in termini di produttività. Potresti spiegare meglio questo concetto?

Joannes Vermorel: Sì, ha senso avere due persone solo per avere un grado maggiore di raffinatezza nelle tue formule numeriche per il pricing e per l’acquisto. Tuttavia, queste due persone dovranno discutere molto e coordinare le loro azioni, il che significa che ci saranno anche rendimenti decrescenti in termini di produttività. Quindi, vedi, è solo che ad un certo punto, per ottenere questo extra uno percento di performance, è molto ragionevole aggiungere più persone al caso, anche se ciò significa che, in termini di produttività, aggiungere la seconda persona migliora solo la produttività di un plus. Se avessi una crescita completamente lineare, diresti un aumento del 100 percento della produzione se aggiungessi un secondo scienziato della supply chain. In realtà, avrai solo il cinquanta percento, e poi arriva la terza persona, e questa terza persona aggiungerà solo il trenta percento. Quindi, diminuirà rapidamente in termini di throughput. Hai queste economie di scala molto forti. Tuttavia, se stai operando con una supply chain molto grande, vale la pena farlo anche solo per mitigare i fattori di rischio quando qualcuno se ne va, hai qualcuno pronto a prendere il suo posto.

Kieran Chandler: È interessante che tu menzioni la parola produttività perché sembra tutto un po’ paradossale. Hai questa persona che è responsabile di così tanti prodotti diversi. Come possono essere più efficaci e veloci nelle loro decisioni rispetto a un team di persone che sono responsabili di un ambito più limitato?

Joannes Vermorel: Perché il team di persone responsabili di un ambito limitato, non c’è nulla di molto capitalista in ciò che fanno. Sai, l’unica parte capitalista è la creazione di un bel foglio di calcolo pulito, il tuo ambiente di lavoro, che avviene, sai, durante le prime due settimane. E poi non pro non capitalizzi più. Quindi, sei bloccato, sei bloccato in un vicolo cieco in cui improvvisamente tutti i tuoi sforzi vengono completamente consumati e non inietti più intelligenza nel sistema. Ti limiti a ciclare attraverso un processo che consuma tutto il tuo tempo, quindi non hai più tempo per miglioramenti continui. E vedi, l’approccio di Lokad è dire che il 100 percento dello sforzo dello scienziato della supply chain deve essere dedicato al miglioramento continuo. Quindi, la configurazione richiede un po’ più di tempo rispetto a quella che avresti dalla prospettiva classica della pianificazione della domanda. Probabilmente potresti avere una configurazione in due settimane in cui basta strumentalizzare il tuo foglio di calcolo, e poi hai finito. Una configurazione dalla prospettiva di Lokad probabilmente richiederà, sai, qualche settimana in più di quella. Ma, in cambio, ottieni qualcosa in cui hai qualcosa in cui ottieni il 100 delle tue decisioni che devono essere prese in un determinato giorno fatte automaticamente, il che ti dà quasi tutto il tempo per concentrarti sul miglioramento continuo.

Kieran Chandler: Capisco. E trattare ogni singolo problema come un bug da risolvere deve richiedere tempo.

Joannes Vermorel: Sì, e vedi, la cosa è che se tratti ogni singolo problema come un bug da risolvere, significa che ti metti in una posizione in cui quando entri in ufficio ogni giorno, fondamentalmente, impieghi solo pochi minuti per assicurarti che non ci sia nulla come se non avessi un incendio da spegnere.

Kieran Chandler: Solo perché succede qualcosa di completamente imprevisto, come l’allagamento di un magazzino, non c’è nulla che tu possa fare. Questo tipo di cose accade nella supply chain e quindi puoi passare l’intera giornata a migliorare la tua ricetta numerica. E questo ti dà un approccio estremamente capitalista. Se pensi a questo, perché poi gli scienziati della supply chain ogni settimana aggiungeranno un livello di miglioramento, è esattamente il tipo di cosa che stava accadendo da una prospettiva classica con il demand planner durante le prime due settimane, ma poi si ferma. E con la prospettiva del razzo, questo lavoro super capitalista non si ferma mai. Ed è per questo che, avanzando di un paio di mesi, ti ritrovi con qualcosa in cui c’è solo una persona ma è molto più produttiva dell’approccio classico. Ed è anche in termini di performance della supply chain, è anche molto migliore. Solo perché ancora una volta, hai costruito sui tuoi miglioramenti in un modo che è altamente, altamente capitalista. Ok, inizieremo a concludere quindi. Quindi, dove si trovano le maggiori barriere per introdurre questo tipo di approcci capitalistic? Quali sono le grandi sfide che devi affrontare?

Joannes Vermorel: Voglio dire, la sfida più grande è che per decenni non abbiamo avuto il tipo di ricette software, tecnologie software per rendere possibili questo tipo di cose. Quindi, avevamo quei fogli di calcolo e poi, ad esempio, da Lokad fino a quando non abbiamo capito l’approccio probabilistico, abbiamo avuto molte difficoltà a esprimere numericamente ciò che stava accadendo nella mente di un demand planner che stava facendo una sorta di valutazione del rischio. Intuivi cosa stava accadendo. Le persone potevano descrivere cosa stavano facendo, ma come tradurlo in formule? Questa era una domanda aperta. E ci sono formule, ci sono approcci come safety suck che cercano di farlo, ma non funziona. Avevamo bisogno di una migliore classe di ricette numeriche. Quindi, quella era una classe di barriere. Un’altra classe di barriere era che molte aziende non consideravano la supply chain come una funzione di importanza. Quindi, la supply chain era solo 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 solo un centro di costo. E finché questo centro di costo mantiene i propri costi sotto controllo, va bene così. Vedi, era a doppio binario. Prima di tutto, il fatto che non ci fossero modi tecnologici reali per rendere questa cosa capitalista. E poi, la seconda cosa era che se le persone non si rendono conto che è un asset, allora non entrano nel tipo di mentalità che serve per cambiare davvero la pratica in modo che diventi capitalista. Perché vedi, affinché la pratica della supply chain diventi capitalista, deve iniziare con un atto di fiducia, un atto di fede, se vuoi che possa diventare un asset. Finché pensi che sia solo una funzione di supporto che è solo un centro di costo, allora indovina un po’? Non crescerà mai oltre essere un centro di costo.

Kieran Chandler: Sì, è un concetto interessante, questa idea di cambiare le cose per renderle più capitalistiche. Quindi, dobbiamo concludere qui, ma grazie mille per averci seguito e ci vediamo nel prossimo episodio. Grazie per la visione.