00:00:07 Introduzione e discussione sui cambiamenti di paradigma nella pianificazione della supply chain.
00:00:51 Background del Professor David Simchi-Levi, lavoro accademico e aziende da lui avviate.
00:02:43 Nuovo corso sulla pianificazione della domanda e analisi; focus sulla digitalizzazione, analisi e automazione.
00:04:22 Bilanciare l’efficienza e la resilienza della supply chain e le sfide nella misurazione della resilienza.
00:07:08 Valutazione del rischio nelle supply chain e l’importanza dei calcoli basati su macchine rispetto all’intuizione.
00:09:47 Prevedere lo stato della supply chain settimane in anticipo.
00:10:20 Lavoro del team del MIT sulla resilienza della supply chain e la previsione delle pandemie.
00:12:15 KPI vs KPP e l’importanza dei dati predittivi.
00:15:35 Abbracciare l’incertezza e le diverse probabilità nelle previsioni.
00:18:10 Tempo per sopravvivere e identificare rischi nascosti e opportunità di risparmio.
00:19:32 Importanza dell’apprendimento automatico comprensibile nella presa di decisioni.
00:20:56 Il ruolo degli scienziati della supply chain nella creazione di metriche comprensibili.
00:24:17 Sfide affrontate dalle aziende nell’affrontare la previsione a scatola nera.
00:25:51 Leggi della fisica nella supply chain e la loro importanza.
00:27:34 Esempi di leggi della fisica nella gestione della supply chain.
00:29:16 Discussione sul dibattito scientifico e l’importanza delle fondamenta matematiche nella costruzione di algoritmi e framework.
00:30:57 Importanza della flessibilità nella progettazione della supply chain e il suo impatto sul livello di servizio, l’inventario e il tempo di risposta.
00:32:29 Affrontare il compromesso economico nella flessibilità e la necessità di teorie fondamentali nell’ottimizzazione della supply chain.
00:35:44 Concentrarsi su framework anziché su singole soluzioni per adattarsi alla natura mutevole delle supply chain.
00:37:18 Presentazione di quattro framework per la digitalizzazione della supply chain, a partire da una visione unificata della domanda.
00:38:14 Segmentazione della supply chain per strategie efficaci.
00:38:53 Focus su S&OP e analisi dei dati per la pianificazione.
00:39:37 Jonas discute della complessità della domanda e dei sistemi aziendali.
00:43:01 Sfide nell’estrazione e comprensione dei dati sulla domanda.
00:45:36 Il passaggio dalla previsione e pianificazione agli artefatti numerici. {< timer “00:47:14” >}} Discussione sui decisori che si affidano ai risultati anziché alle previsioni o ai piani.
00:48:22 Algoritmi emergenti nell’apprendimento e nell’ottimizzazione della supply chain e tendenze negative.
00:49:33 Concetto errato di spostare la produzione più vicino alla domanda di mercato per la resilienza.
00:50:09 Integrazione di apprendimento automatico e ottimizzazione, apprendimento offline e online.
00:53:22 Sfide del software aziendale a più livelli e nuovi paradigmi algoritmici per semplificare i processi.
00:56:37 Discussione sulla complessità IT nella gestione della supply chain.
00:57:57 La necessità di strumenti per gestire concetti complessi come la resilienza e la gestione del rischio.
00:58:43 I vantaggi e i limiti di Microsoft Excel nella presa di decisioni sulla supply chain.
00:59:30 La riluttanza a investire nella digitalizzazione della supply chain prima della pandemia.
01:00:20 L’opportunità di migliorare le prestazioni aziendali con un investimento moderato nella digitalizzazione della supply chain.
Riassunto
In questa intervista, Nicole Zint ospita una discussione con Joannes Vermorel, fondatore di Lokad, e il Prof. David Simchi-Levi, professore al MIT, sull’ottimizzazione della supply chain e sul ruolo della tecnologia nella presa di decisioni. Sottolineano l’importanza di bilanciare l’efficienza con la resilienza, utilizzando dati, analisi e automazione per gestire i rischi. Vengono introdotti i Key Performance Indicators (KPI) e i Key Performance Predictors (KPP) come concetti essenziali per la presa di decisioni proattiva. Gli esperti discutono anche l’importanza della spiegabilità nell’IA, le “leggi della fisica” nella gestione della supply chain, la flessibilità e i trade-off economici tra flessibilità e modellazione. La conversazione mette in evidenza la necessità per le aziende di digitalizzare le proprie attività per affrontare le sfide e le opportunità future.
Riassunto Esteso
In questa intervista, l’ospite Nicole Zint parla con Joannes Vermorel, fondatore di Lokad, e il Prof. David Simchi-Levi, professore al MIT e autore di oltre 300 pubblicazioni, sull’ottimizzazione della supply chain e sul ruolo della tecnologia nella presa di decisioni. La discussione esplora i paradigmi di apprendimento e adattamento nella gestione della supply chain, con un focus sull’integrazione di digitalizzazione, analisi e automazione.
Il Prof. Simchi-Levi sottolinea che lo stato attuale delle supply chain è molto diverso rispetto a dieci anni fa e le aziende devono bilanciare l’efficienza con la resilienza. Sottolinea che mentre l’efficienza è facile da misurare attraverso strategie di riduzione dei costi, la resilienza è più difficile da quantificare. L’integrazione di dati, analisi e automazione svolge un ruolo cruciale nel affrontare queste sfide aiutando le aziende a identificare e mitigare rischi nascosti.
Joannes Vermorel concorda sul fatto che il compromesso tra resilienza ed efficienza è essenziale, sottolineando la natura probabilistica della misurazione del rischio. Sostiene che il bias di sopravvivenza è diffuso nelle valutazioni di mercato, rendendo difficile valutare l’entità completa dei rischi che le aziende affrontano. Vermorel sottolinea l’importanza di adottare un approccio basato su calcoli e guidato da macchine per la gestione del rischio, anziché fare affidamento esclusivamente sull’intuizione umana.
Il Prof. Simchi-Levi introduce i concetti di Key Performance Indicators (KPI) e Key Performance Predictors (KPP). I KPI si concentrano sullo stato attuale di una supply chain, mentre i KPP mirano a prevedere lo stato della supply chain in futuro. Il professore sottolinea l’importanza di utilizzare dati e analisi per integrare i KPI con i KPP, consentendo alle aziende di prendere provvedimenti correttivi prima che si verifichino problemi.
Vermorel sostiene la distinzione tra KPI e KPP, sottolineando che molti direttori della supply chain potrebbero non rendersi conto del componente predittivo nei loro KPI. Spiega che i sistemi di supply chain del mondo reale sono spesso disordinati, con input che non sono del tutto affidabili, soprattutto quando si tratta di prevedere il futuro. Vermorel sostiene l’importanza di abbracciare l’incertezza quando si affrontano previsioni future, poiché anche una congettura ben informata può fornire preziose intuizioni per la presa di decisioni.
Il Prof. Simchi-Levi utilizza un’analogia sportiva per illustrare l’importanza dei KPP, facendo riferimento alla famosa citazione del giocatore di hockey Wayne Gretzky: “Non pattino dove è il puck, pattino dove sarà il puck”. Nella gestione della supply chain, ciò significa prendere decisioni oggi per affrontare sfide potenziali in futuro, garantendo l’adattabilità e la resilienza della supply chain.
La discussione ruota attorno all’ottimizzazione della supply chain, all’abbraccio dell’incertezza, all’analisi degli scenari e all’uso del machine learning e dell’IA nella presa di decisioni della supply chain.
Il Prof. Simchi-Levi sottolinea l’importanza dell’analisi degli scenari nella gestione della supply chain. Generando più scenari basati su vari fattori come i cambiamenti nella domanda o le interruzioni, le aziende possono individuare rischi nascosti e opportunità di risparmio. Tuttavia, egli riconosce i limiti di questo approccio, citando l’imprevedibilità degli eventi del mondo reale. Per superare questi limiti, suggerisce di utilizzare criteri e strumenti indipendenti da scenari specifici o informazioni sui fornitori. Fornisce esempi di concetti da lui sviluppati, come “tempo di ripresa”, “impatto sulle prestazioni” e “tempo di sopravvivenza”.
Sia Simchi-Levi che Vermorel concordano sull’importanza della spiegabilità nel machine learning e nell’IA per la gestione della supply chain. Argomentano che i pianificatori umani della supply chain non si fidano delle raccomandazioni di una macchina se non riescono a capire come la macchina sia arrivata alle sue conclusioni. Vermorel suggerisce che un “scienziato della supply chain” umano dovrebbe lavorare insieme agli algoritmi di intelligenza artificiale per creare la logica di ottimizzazione predittiva e i suoi fattori esplicativi, riconoscendo al contempo l’esperienza umana necessaria per una decisione efficace.
Il Prof. Simchi-Levi introduce il concetto di “leggi della fisica” nel contesto della gestione della supply chain. Queste leggi sono relazioni generali tra vari fattori della supply chain che sono universalmente applicabili, indipendentemente dall’industria o dalla supply chain specifica. Fornisce esempi di tali relazioni, come il collegamento tra scorta di sicurezza, livello di servizio e variabilità delle scorte. Queste leggi possono aiutare le aziende a gestire meglio le loro supply chain comprendendo i principi sottostanti che governano le loro operazioni.
Vermorel supporta l’idea di leggi universali nella gestione della supply chain, citando come esempio la legge di Zipf. Spiega che questa legge può essere osservata in vari aspetti dei dati della supply chain, come la distribuzione dei prodotti e la dimensione dei fornitori. La conoscenza di queste leggi può essere fondamentale per la creazione di strumenti, algoritmi e framework efficaci per l’ottimizzazione della supply chain.
La discussione tocca anche l’importanza della flessibilità nella gestione della supply chain. Il Prof. Simchi-Levi spiega che, sebbene la flessibilità sia essenziale, non è gratuita. Le aziende devono capire la giusta quantità di flessibilità di cui hanno bisogno, dove investire e i potenziali benefici. Utilizzando le leggi della fisica, i responsabili della supply chain possono progettare le loro supply chain per la flessibilità e quantificarne l’impatto su vari aspetti della supply chain, come il livello di servizio, le scorte e il tempo di risposta.
Si parla dell’importanza di trovare un equilibrio e del compromesso economico tra flessibilità e modellazione. L’attenzione è rivolta alla creazione di una base di teorie affidabili nella gestione della supply chain su cui costruire. Si discute anche della necessità di una strategia a lungo termine per evitare la costante necessità di cambiamento. Il professore Simchi-Levi menziona quattro framework per la digitalizzazione della supply chain, tra cui una visione unificata della domanda, la segmentazione della supply chain e la pianificazione efficace. Joannes Vermorel sottolinea la complessità dei dati e l’importanza degli strumenti per estrarli ed elaborarli. Descrive anche un metodo che si concentra sull’esecuzione quotidiana senza piani o previsioni. Concludono con un esempio di vendita al dettaglio di moda e di come la previsione venga utilizzata per gestire la supply chain.
Si è discusso delle tendenze emergenti e delle tendenze negative nell’ottimizzazione della supply chain. Il gruppo ha discusso di come la nuova normalità di interruzioni e volatilità stia influenzando l’industria della supply chain e di come le aziende debbano ripensare le loro strategie di gestione. È stata anche discussa l’integrazione di machine learning e ottimizzazione come opportunità per una migliore presa di decisioni, con l’apprendimento offline e online come componenti chiave. Tuttavia, la complessità del moderno software aziendale e la necessità di migliori strumenti per guidare la presa di decisioni sono state considerate come tendenze negative che ostacolano le iniziative della supply chain. Il gruppo è concorde sul fatto che le aziende debbano cogliere l’opportunità di digitalizzare le proprie attività per affrontare le sfide e le opportunità future.
Trascrizione completa
Nicole Zint: Nell’episodio di oggi, stiamo discutendo di questi paradigmi per l’apprendimento e l’ottimizzazione delle supply chain. Siamo onorati di avere con noi il Professor David Simchi-Levi. Oggi parleremo del suo lavoro e delle sue oltre 300 pubblicazioni. Professor, come sempre, vorremmo iniziare con l’introduzione dei nostri ospiti. Grazie.
Prof. David Simchi-Levi: Ciao, Nicole. Ciao, Joannes. È un piacere essere qui. Sono David Simchi-Levi e faccio parte del corpo docente del MIT. Sono un accademico da molto tempo, solo al MIT negli ultimi 21 anni. Ma parallelamente all’attività accademica, ho avviato alcune aziende. La prima azienda era nel campo dell’analisi della supply chain, un’azienda che è diventata parte dell’infrastruttura tecnologica di IBM nel 2009. In quel periodo, avevamo circa 350 clienti che utilizzavano la nostra tecnologia per l’ottimizzazione delle scorte multi-echelon, la progettazione della supply chain e argomenti correlati. Nel 2011, ho avviato un’altra azienda nel campo dell’analisi aziendale. Il focus non era solo sulla supply chain, ma oltre la supply chain. Questa azienda è diventata parte di Essential Technology nel 2016. Poi, nel 2014, ho avviato un’azienda di tecnologia cloud che è diventata parte di Accenture nel 2018. Attualmente, sono libero da impegni aziendali e mi concentro sulla mia ricerca al MIT. Al MIT, dirigo il MIT Data Science Lab. Il Data Science Lab è una partnership tra il MIT e circa 20-25 aziende che si concentrano su alcuni dei problemi più importanti e sfidanti che hanno, unendo dati, modelli e analisi. Speriamo di avere l’opportunità di parlare di alcuni dei lavori e delle opportunità interessanti che vediamo oggi sul mercato.
Nicole Zint: È davvero un background impressionante, devo dire, Professor. Oltre a tutto questo, hai anche recentemente lanciato un corso, Demand Planning and Analytics, in cui hai menzionato queste tre tecnologie emergenti: digitalizzazione, analisi e automazione. Perché sono così popolari in questo momento?
Prof. David Simchi-Levi: È interessante che tu abbia menzionato la nuova classe che abbiamo appena lanciato sulla pianificazione della domanda e l’analisi della supply chain. In questa classe, come hai sottolineato, ci concentriamo sull’integrazione dei dati, dell’analisi e dell’automazione. Si tratta davvero dell’integrazione di queste capacità che consente alle aziende di affrontare alcune delle aree più sfidanti che affrontano nel loro business. Pensate alle catene di approvvigionamento con tempi di consegna lunghi, all’aumento significativo dei costi logistici a causa delle variazioni dei prezzi del petrolio e alle interruzioni della supply chain che abbiamo visto negli ultimi tre o quattro anni. Dalla guerra commerciale tra Stati Uniti e Cina al COVID, dalla guerra in Ucraina al cambiamento climatico, tutto ciò ha richiesto alle aziende di ripensare la loro strategia di supply chain oggi.
Nicole Zint: La normalità è completamente diversa da quella che abbiamo visto dieci anni fa. Come gestisci efficacemente la supply chain oggi? È diverso da quello che le aziende facevano cinque o dieci anni fa, e lo riassumerò con un esempio. Fino al 2020 circa, c’era molta attenzione nell’industria sull’efficienza della supply chain, dalla lean alla delocalizzazione. Le aziende si concentravano sulla drastica riduzione dei costi nella loro supply chain. Ma ciò che hanno osservato negli ultimi tre anni è la necessità di bilanciare l’efficienza della supply chain e la resilienza. L’efficienza è facile da misurare; ti concentri sui costi. La resilienza non è facile da misurare. Come si misura la resilienza? Come si identificano i rischi nascosti? Questo riguarda tutte le tendenze tecnologiche che ho appena menzionato: digitalizzazione, analisi e automazione. Quindi Joannes, cosa ne pensi di questo compromesso tra resilienza ed efficienza che il professor ha appena menzionato?
Joannes Vermorel: È effettivamente un compromesso nel senso di un compromesso economico perché la resilienza di solito non è gratuita. Si tratta di costruire le opzioni di cui hai bisogno per mantenerti e stabilirti. La cosa interessante è che sono completamente d’accordo con il professor Simchi-Levi nel senso che è molto difficile da misurare perché fondamentalmente stai parlando di una prospettiva probabilistica del futuro. Stai guardando cose che potrebbero accadere o meno. Ad esempio, se investi nell’avere una seconda linea di fornitori che si trovano in prossimità ma non li usi quest’anno, vedi il costo, ma non vedi la stessa esistenza dell’opzione che ti salverebbe se ne avessi bisogno.
Quello che è interessante è che hai il bias di sopravvivenza ovunque. Le uniche aziende che vedi sono quelle che sono ancora in vita. Quelle che hanno commesso un errore terminale e sono scomparse non ci sono più, quindi non le vedi. Quando guardi in giro e fai un sondaggio, vedi sempre, in media, persone che assumono troppi rischi rispetto a quelli che dovrebbero. Il motivo di questo bias è che hai costantemente persone che hanno assunto troppi rischi ed è uscito dal mercato, ma quando fai un sondaggio, non fanno più parte del sondaggio perché sondaggi solo aziende attive.
Il trucco, o meglio, uno dei primi paradigmi della misurazione del rischio, è avere una valutazione di potenziali che sono, nella maggior parte dei casi, non realizzati ma comunque molto reali. Se lanci un dado e hai solo il 3% di possibilità di colpire un evento critico che terminerebbe la tua azienda, e lo fai ogni singolo anno, nel corso di mezzo secolo, è quasi certo che la tua azienda scomparirà a causa di quegli eventi a lungo termine.
Nicole Zint: Le catene di approvvigionamento sono state tipicamente costruite su aziende dedicate, voglio dire, aziende molto grandi. Ci sono alcune aziende che sono molto grandi oggi, come ad esempio Apple, ma anche Apple non è esattamente come una nuova startup. Ci sono voluti decenni per stabilirsi e diventare ciò che sono. Quindi, anche per le aziende che sono cresciute in modo fantastico, per raggiungere il tipo di maturità della supply chain, stiamo comunque parlando di un processo di decenni. Quindi, è lento e valutare il rischio quando si pensa in termini di periodi di decenni, bisogna guardare cose che accadono molto raramente, direi, dal punto di vista umano. Ecco perché anche il tipo di prospettiva guidata dalla macchina, guidata dal calcolo anziché dall’intuizione pura, diventa così importante. Joannes, puoi condividere le tue opinioni su questo?
Joannes Vermorel: Credo che gli esseri umani siano molto bravi nel percepire le cose a una scala umana, e le catene di approvvigionamento tendono a divergere da quella complessità. Ci sono semplicemente troppe cose, ma anche in termini di periodo di tempo, pensiamo davvero a cose che potrebbero accadere una volta o un quarto di secolo. Eppure, se gestisci una grande catena di approvvigionamento, questo è il tipo di rischio di cui dovresti preoccuparti.
David Simchi-Levi: Lasciatemi dimostrare ciò su cui Joannes ha sottolineato con una considerazione chiave. Le aziende di solito si concentrano sugli indicatori chiave di prestazione (KPI). Si chiedono: “Qual è la performance della mia catena di approvvigionamento in questo momento?” Se il livello di servizio è basso, potrebbero apportare una modifica, come ad esempio aggiungere più inventario. Se i costi di trasporto sono elevati, potrebbero apportare una modifica per ridurre i costi. Questa discussione sulla resilienza, questa discussione sull’uso dei dati e dell’analisi, riguarda anche il completamento dei KPI con quello che chiamo KPP - key performance predictors (predittori chiave di prestazione). Tutto potrebbe sembrare buono in una catena di approvvigionamento ora, ma vorremmo prevedere qual sarà lo stato della catena di approvvigionamento tra sei o sette settimane. Perché se possiamo farlo e vedere un potenziale problema, possiamo risolvere il problema oggi prima che colpisca la catena di approvvigionamento tra sette settimane.
E potresti pensare, “E’ possibile?” In effetti, la pandemia ci ha mostrato che possiamo farlo in modo molto efficace. Lasciatemi illustrare questo con una storia. Il mio team presso il Laboratorio di Scienze dei Dati del MIT ha lavorato sulla resilienza delle catene di approvvigionamento molto prima della pandemia. Abbiamo sviluppato un nuovo modo per misurare la resilienza di una catena di approvvigionamento per identificare rischi nascosti. Lo abbiamo implementato in diverse aziende. La prima azienda è stata la Ford Motor Company, poi altre aziende hanno seguito l’esempio, ma non molte. Tutto è cambiato all’inizio della pandemia.
Nel febbraio del 2020, ricordate questo periodo, la pandemia stava colpendo la Cina. Non era in Europa, non era negli Stati Uniti, stava colpendo solo la Cina. Ho scritto un breve articolo utilizzando il modello e i dati che avevo, utilizzando il modello per la resilienza della catena di approvvigionamento, e ho scritto un breve articolo che diceva a metà marzo, quindi sei settimane dopo, avremo visto una interruzione delle catene di approvvigionamento sia in Nord America che in Europa. Ed è esattamente ciò che è successo. Quindi la capacità di utilizzare i dati, e abbiamo sia dati in tempo reale che provengono dai dati interni delle aziende, sia dati esterni, consente alle aziende di completare i loro KPI, indicatori chiave di prestazione, con i KPP, predittori chiave di prestazione, che è lo stato della catena di approvvigionamento in questo momento.
Nicole Zint: Con il predittore chiave di prestazione, qual sarà lo stato della mia catena di approvvigionamento tra sei o otto settimane, e prendere provvedimenti correttivi oggi prima che il problema colpisca la catena di approvvigionamento? Ecco perché Joannes sottolineava, per una ragione, l’importanza di utilizzare dati e analisi delle macchine per avere un grande impatto sul rendimento della catena di approvvigionamento.
Prof. David Simchi-Levi: Mi piace molto questa distinzione tra KPI e KPP. A proposito, credo che la maggior parte dei direttori della catena di approvvigionamento nelle aziende non si renda conto che in realtà una grande parte di ciò che chiamano KPI include, in un modo o nell’altro, un componente di previsione. Ad esempio, se dici di avere KPI sui livelli di servizio, la maggior parte dei livelli di servizio include effettivamente una previsione della domanda. Quando dici di avere questo livello di servizio o questa quantità di livello di servizio, la realtà è che per la maggior parte degli SKU, la domanda è molto scarsa. Non hai uno SKU di cui dici, “Ho un livello di servizio del 90%”. È presente o assente. Quello che hai è, alla fine, un’analisi passo dopo passo o un modello predittivo di qualche tipo che ti dà una stima di quale sia il tuo livello di servizio per il tuo SKU, ma è comunque una stima. E anche in questo caso, ci sono spesso situazioni in cui, ad esempio, la quantità di stock che hanno dipende effettivamente da cose in cui hanno ETAs che non sono completamente garantite.
Joannes Vermorel: Quindi il binario, penso, avere i due concetti è molto interessante, soprattutto per capire come nei sistemi di catena di approvvigionamento del mondo reale, che sono molto disordinati, dove c’è molta input che è interna ma non completamente affidabile, soprattutto quando si tocca il futuro, si ha una zona grigia molto sfocata tra i due. E molte persone, penso, uno dei problemi è prima di tutto avere troppa fiducia nel credere che sia come una neutralità oggettiva, direi, osservazione del passato per molti indicatori. Non lo è. E poi c’è un altro aspetto, che è appena si vuole affrontare il rischio, significa che non si può avere più questa prospettiva futura ingenua. Devi pensare che, quando prevedi che ci sarà una interruzione che arriverà, molto probabilmente, se fossi molto attento, diresti qualcosa del tipo: “Sono al 80% sicuro che ci sarà una interruzione a partire da otto settimane al più presto e venti settimane al più tardi”, eccetera. Ma fondamentalmente, è abbracciare il fatto che appena tocchi il futuro, ci sono cose che sono probabili ma non certe. Eppure, ha valore. Non è perché c’è un grado di incertezza che improvvisamente dovresti dire che non esiste. Voglio dire, avere una supposizione molto buona, anche se è solo una supposizione, è già qualcosa che ha molto valore, e dovresti agire di conseguenza, anche se sono solo probabilità.
Prof. David Simchi-Levi: Lasciami, Nicole, se mi permetti, illustrare perché le aziende devono pensare a KPI e KPP con un esempio dallo sport. Non ho mai giocato a hockey, ma mi piace l’hockey. E se pensi a uno dei migliori giocatori di hockey in Nord America, Gretzky, diceva: “Non pattino dove è il puck; pattino dove il puck sarà.” Questo è davvero ciò che riguarda il KPP.
Nicole Zint: Voglio prendere una decisione oggi per affrontare dove sarà la mia catena di approvvigionamento tra sei o sette settimane perché se posso farlo oggi, posso riservare capacità, ridurre i costi e rispondere efficacemente a una potenziale interruzione che il mio sistema suggerisce che vedrò nel prossimo futuro. Quindi, è davvero interessante che possiamo prevedere o suppostamente prevedere qualcosa che può accadere nella nostra catena di approvvigionamento, diciamo tra sei, sette o otto settimane. Tuttavia, da Lokad, cerchiamo di abbracciare questa incertezza e piuttosto che non possiamo prevedere esattamente cosa succederà, ma vogliamo avere essenzialmente una panoramica sulla probabilità di vari futuri che accadono. Quindi, professore, quando dici che sai prevedere qualcosa tra sei o sette settimane, come puoi saperlo esattamente? Ti stai concentrando su uno scenario futuro che il modello produce, o stai piuttosto abbracciando queste diverse probabilità?
Prof. David Simchi-Levi: Stiamo utilizzando una combinazione di approcci. Non esiste una strategia universale, e lasciatemi sottolineare questo perché penso che sia collegato a ciò su cui Joannes e tu ti stavi concentrando. Un approccio è l’analisi degli scenari. Generiamo più scenari; gli scenari possono essere associati a un cambiamento nella domanda, uno scenario può essere associato a una interruzione presso un fornitore specifico o in una regione specifica. E utilizzando questo, stiamo cercando di identificare rischi nascosti nella catena di approvvigionamento. Ma c’è un limite alla nostra capacità di generare scenari, e per illustrare questo, pensate a cosa è successo negli ultimi tre mesi rispetto a quello che è successo due anni fa. Chi avrebbe previsto quello che vediamo ora nell’Europa orientale, giusto? Quindi, l’analisi degli scenari è molto importante, fa parte di ciò che facciamo, ma abbiamo anche bisogno di criteri e strumenti indipendenti da uno scenario specifico, ad esempio, indipendenti dalle informazioni che possiamo ottenere da fornitori specifici. Questi tipi di strumenti esistono ancora e sono disponibili per le aziende oggi. Permettetemi di illustrare questo con un esempio. Ho sviluppato alcuni concetti sulla resilienza della catena di approvvigionamento: uno è il Tempo di Recupero e l’Impatto sulle Prestazioni; questi sono tutti dipendenti dallo scenario. Ma ho anche sviluppato il Tempo di Sopravvivenza. Cos’è il Tempo di Sopravvivenza? Il Tempo di Sopravvivenza è completamente indipendente da uno scenario. Si guarda a tutta la catena di approvvigionamento dall’inizio alla fine, si ha una mappatura della catena di approvvigionamento, si sa dove si trova l’inventario e quanto inventario si ha, e ora si rimuove una struttura dalla catena di approvvigionamento e si chiede, senza quella struttura, per quanto tempo posso soddisfare la domanda con l’approvvigionamento? Questo non dipende dallo scenario, giusto? Questo è dato l’interruzione, e vi dirò per quanto tempo posso gestire l’approvvigionamento. Questo mi permette di identificare rischi nella catena di approvvigionamento ma anche opportunità di risparmio. Quando abbiamo implementato questo in più aziende, ci siamo resi conto che a volte le aziende mettono molti inventari nel posto sbagliato per il proprio prodotto. Questo ti permette di identificare rischi nascosti e ti permette anche di identificare opportunità di risparmio. Quindi, non è un solo approccio che ci dà una buona comprensione della resilienza della catena di approvvigionamento; sono approcci multipli.
Nicole Zint: L’ultimo elemento che aggiungerò è che ci concentriamo molto sull’utilizzo di macchine, apprendimento automatico e ottimizzazione per prendere decisioni migliori. Ma nessuno seguirà una raccomandazione da una macchina se la macchina non può spiegarsi. Quindi, oltre alla capacità di generare una previsione o una decisione consigliata, abbiamo bisogno di una spiegazione del perché questa previsione mostra che la domanda per il prodotto A crescerà significativamente nel Midwest ma non avrà successo sulla West Coast. La spiegabilità di ciò che esce dalla macchina è una parte critica di questo processo decisionale.
Joannes Vermorel: Approfittando dei tuoi commenti sulla necessità di spiegabilità dei modelli, la mia osservazione casuale è che i modelli numerici, anche quelli semi-triviali come la regressione lineare con un paio di coefficienti, sono molto opachi di default. Questo è un dato di fatto non appena si hanno cifre. I computer sono così bravi a fare calcoli rispetto alle persone che non servono molti numeri per avere qualcosa che è completamente opaco per l’osservatore umano medio non geniale.
E l’approccio tipico è che un numero che ha senso in termini di spiegazione tende ad essere incredibilmente dipendente dal contesto. È molto tentante produrre una serie di metriche con milioni di numeri che si possono estrarre proiettando i dati in tutte le direzioni possibili. È molto facile farlo con i computer moderni, ma i pianificatori della catena di approvvigionamento hanno solo una quantità limitata di tempo per farlo.
Pertanto, l’approccio che Lokad sta sviluppando è un processo in cui, a livello algoritmico, sarà relativamente semplice per quello che chiamiamo il “Supply Chain Scientist” (che è come un data scientist specializzato nella supply chain) creare sia la logica di ottimizzazione predittiva che i suoi fattori esplicativi. Ma c’è un problema: non mi aspetto che l’IA o qualsiasi algoritmo di machine learning sofisticato sia in grado di fare questo lavoro. Sto adottando un approccio paradigmatico, in cui dico che ho classi di algoritmi in cui so che un “Supply Chain Scientist”, con la sua intelligenza umana, può fare il passo in più di ciò che chiamiamo “white boxing”.
Questo permette loro di creare il tipo di metriche che avranno senso per la gestione della supply chain in generale, in modo che possano capire cosa sta succedendo. Ma c’è un elemento molto umano in tutto ciò, che è quello di avere qualcuno che crei essenzialmente i numeri in modo che si possano selezionare alcuni KPI. I tuoi numeri, non solo i KPI, possono essere TPP secondo la tua definizione, ma sono selezionati con molta cura. L’unico trucco magico è avere un metodo algoritmico che si presta molto bene a questa sorta di decomposizione approfondita di ciò che sta accadendo.
Prof. David Simchi-Levi: Esatto, e posso spiegare perché questo è così importante con un esempio di implementazione di quello che chiamo una “visione unificata”.
Nicole Zint: Della domanda in un’azienda CPG molto grande, quando si implementa questo, si iniziano a ricevere telefonate, di solito dal gruppo finanziario. Le telefonate sono di tre tipi. La prima dice: “Ehi, data scientist, ehi, Tim, non capiamo perché il tuo focus suggerisce che questo prodotto o questa famiglia crescerà incredibilmente bene in una regione ma non avrà successo in un’altra regione”, giusto? Questo fa parte della spiegabilità.
David Simchi-Levi: La seconda parte è ancora più difficile. Ricevi un’altra telefonata e le persone del reparto finanziario dicono: “Non capiamo, ci hai appena dato una previsione perché facciamo una previsione ogni settimana per le prossime 80 settimane. La previsione che ci hai dato oggi è diversa da quella che ci hai dato quattro settimane fa. Cosa sta succedendo? Il mondo non è cambiato”.
David Simchi-Levi: La terza è: “Ehi, un mese fa ci hai dato una previsione sulla domanda di oggi, ma è molto diversa. Se non riusciamo a risolvere queste tre sfide, nessuno si fiderà di una scatola nera che produce previsioni settimana dopo settimana per ogni prodotto. Ecco perché è così importante riconoscere che quello che stai facendo nella tua azienda, quello che il mio team del MIT Data Science Lab sta facendo, non è solo scienza. Per essere efficace, richiede la combinazione di scienza e arte. La scienza è la macchina e i dati nell’analisi; l’arte è l’intuizione, l’esperienza che le persone, in questo caso nella supply chain, hanno. È una combinazione delle due. Ma se non riusciamo a parlare con la macchina per capire cosa sta dicendo, sarà difficile per gli esseri umani seguire le raccomandazioni della macchina”.
Nicole Zint: Quindi, Professor, prima di passare alle domande principali su quali paradigmi emergenti abbiamo, voglio solo chiederti, hai anche menzionato queste “leggi della fisica” nel tuo corso, sai, applicabili ai professionisti e alle aziende della supply chain. Ma cosa intendi con “leggi della fisica” dal punto di vista della supply chain?
David Simchi-Levi: Per me, le “leggi della fisica” sono relazioni generali tra informazioni, capacità, livello di servizio, relazioni di inventario che sono sempre vere, indipendentemente dal fatto che tu abbia una supply chain regionale o globale, indipendentemente dal fatto che ti concentri su alta tecnologia, CPG o farmaceutica.
Nicole Zint: Potresti darmi un esempio di una di quelle relazioni che hai appena menzionato?
David Simchi-Levi: Una relazione tra inventario, scorta di sicurezza, livello di servizio e variabilità. Sappiamo come quantificare la relazione tra i tre: scorta di sicurezza o inventario, variabilità e livello di servizio. Una volta compresa la relazione tra i tre, puoi capire come gestire meglio la tua supply chain.
David Simchi-Levi: Un altro esempio è la relazione tra il livello di informazione e quanto volatilità avrò nella supply chain. Una volta compreso questo, puoi capire quanto visibilità e condivisione delle informazioni possono consentirci di ridurre la volatilità. E qual è la relazione tra volatilità e vendite perse? Se capisci questo, ti rendi conto, “Oh, devo ridurre…”
Nicole Zint: Come posso gestire la volatilità al fine di aumentare il mio livello di servizio e ridurre le vendite perse?
Prof. David Simchi-Levi: Un modo per ridurre la volatilità è attraverso la condivisione delle informazioni. Nel mio libro, che ha avuto la sua quarta edizione pubblicata a settembre dello scorso anno, discuto circa 40 o 50 tipi di “leggi della fisica” che consentono alle aziende di individuare opportunità nel loro business. Queste sono relazioni globali, ed è per questo che le chiamo leggi della fisica.
Pensate a quello che abbiamo imparato nelle lezioni di fisica delle scuole superiori o università. L’idea è che ci sono alcune relazioni fondamentali nel business che definiscono una sorta di misurazione quantitativa delle diverse parti. Ci sono situazioni in cui puoi proiettare equazioni che saranno vere, come le quattro equazioni di Maxwell in fisica, tutto il tempo. Non dipende da una situazione particolare.
Joannes Vermorel: Quindi, fondamentalmente, le supply chain non sono del tutto poesia. Ci sono queste relazioni fondamentali nel business che definiscono una sorta di misurazione quantitativa delle diverse parti. Ad esempio, nella mia serie di lezioni, faccio notare che praticamente ogni singola distribuzione osservata nella supply chain è una legge di Zipf. Dai prodotti con il volume più alto alla lunga coda, otterrai una legge di Zipf. Lo stesso vale per i fornitori, dai più grandi ai più piccoli, otterrai una legge di Zipf, e così via.
Questa teoria può essere messa in discussione dal punto di vista scientifico, come interrogarsi se sia la migliore teoria per spiegare il mondo o se ci sono situazioni che contraddicono la teoria generale. Tuttavia, non è oggetto di dibattito nel senso che puoi semplicemente scegliere di non crederci in base alla tua specifica industria.
La cosa interessante è che quando hai queste fondamenta matematiche per classi di fenomeni, è incredibilmente potente per la costruzione di strumenti, algoritmi e framework. Da Lokad, utilizziamo questo ampiamente. Ad esempio, la distribuzione di Zipf ha una conseguenza che puoi comprimere enormemente i dati della supply chain, poiché la maggior parte delle tue righe è garantita essere zero o uno, rendendole idonee per la compressione.
Un altro esempio è che puoi effettivamente battere l’algoritmo quicksort in termini di ordinamento. Puoi essere più veloce dell’ottimo teorico solo a causa della bassa cardinalità di ciò che devi risolvere. Ci sono molte cose importanti in termini di progettazione del software e anche nella progettazione delle teorie della supply chain basate su queste fondamenta matematiche.
Nicole Zint: Quindi, oggi siamo qui con Joannes Vermorel e il Professor David Simchi-Levi per parlare di ottimizzazione della supply chain. Joannes, parli spesso dell’importanza della flessibilità nelle supply chain. Puoi approfondire un po’ questo concetto?
Joannes Vermorel: Questo prende vita se mi permetti. Tutti capiscono i concetti, l’idea della flessibilità. Tutti capiscono che più flessibilità è meglio di meno, ma la flessibilità non è gratuita. Quanta flessibilità ho bisogno? Dove dovrei investire in flessibilità e quali sono i potenziali benefici della flessibilità? Queste sono domande chiave a cui rispondere. Ma oltre a questo, la domanda è come definisco la flessibilità? Una volta che hai una definizione precisa di flessibilità, ad esempio, la capacità di rispondere al cambiamento, e il cambiamento può avvenire in molti modi diversi, cambiamento del volume della domanda, mix della domanda, interruzioni, sappiamo esattamente come progettare una supply chain per la flessibilità. Queste provengono dalla fisica, e una volta che lo sai, puoi quantificare quale è l’impatto sul mio livello di servizio? Quale è l’impatto sul mio inventario? Quale è l’impatto sul mio tempo di risposta? E questo viene sfruttato dalle aziende nel settore automobilistico, nel settore dei beni di consumo, utilizzando le leggi della fisica per ripensare il grado, il livello di flessibilità nella supply chain. Lo stesso vale per la ridondanza, lo stesso vale per la resilienza. Ecco perché le leggi della fisica sono così importanti.
Nicole Zint: È molto interessante che tu abbia menzionato la flessibilità perché spesso vediamo che quando le aziende devono prendere decisioni su se tenere un determinato prodotto nel loro magazzino centrale o in magazzini locali, si ha essenzialmente un equilibrio o un compromesso tra essere più flessibili quando è nel centro di distribuzione centrale o offrire un servizio migliore ai clienti perché ricevono il prodotto più velocemente.
David Simchi-Levi: Quindi sì, effettivamente si tratta di trovare questo tipo di equilibrio perfetto. Ma penso che il punto più specifico che Joannes sta facendo è che non si tratta solo di trovare l’equilibrio, trovare l’equilibrio è una sorta di dato di fatto. Quello che sta sottolineando è che c’è un compromesso economico che è sempre presente con la flessibilità, e che può essere modellato e che sarà utilizzato per l’ottimizzazione in tutte le situazioni. Vedi, è quello che sta dicendo, credo che sia una sorta di soprannome della legge della fisica. Questa è la legge, direi, delle supply chain fisiche. Sai che è come il modo breve per dirlo. Ci sono fondamenta che possono essere, che sono state stabilite. Non sono naturalmente complete; non sono naturalmente definitive, ma ci sono. Ed è importante affrontare, sai, quelle supply chain qui in questo caso con una mentalità in cui tutto non è, direi, oggetto di dibattito. Vedi, questo è il punto di questo tipo di approccio della fisica. Quando le persone dicono che abbiamo l’equazione per l’elettromagnetismo, sai che essenzialmente ciò che chiamiamo le quattro equazioni di Maxwell, quindi non siamo stati fatti da Maxwell, ma comunque, le quattro equazioni dell’elettromagnetismo. Puoi cercare di confutarle, ma nel frattempo, tutti faranno elettromagnetismo, dicendo che questo è ciò che considero vero tutto il tempo. Questa non è un’opzione. Le persone non dicono che è naturalmente impossibile trovare una situazione in cui sarebbero in errore. Questa non è scienza. Si tratta di scoprire il flusso nel tuo modello, e troviamo ulteriormente. Ma il punto è che penso che sia molto interessante dover stabilire, direi, un nucleo.
Nicole Zint: Quindi Joannes, potresti parlarci delle teorie su cui ti basi per costruire un approccio quantitativo che funzioni per l’ottimizzazione della supply chain?
Joannes Vermorel: Ci sono due teorie nel senso scientifico su cui ci si può basare per costruire sopra. Sai, a differenza di avere solo opinioni e dibattiti. Perché il problema è che se non hai questo punteggio, diventa molto difficile avere un approccio quantitativo che non sia casuale. Vuoi avere un metodo che abbia il potenziale per funzionare sempre in tutte le aziende. Questo è l’apice della generalità. Ma se hai fondamenta molto solide, puoi avvicinarti sempre di più a questo obiettivo. Penso che qui risieda il vero interesse.
Nicole Zint: È interessante che tu stia dicendo che stai cercando questa soluzione che può funzionare per molti problemi diversi, non solo uno. E infatti, Professor, è qualcosa che abbiamo visto anche nelle tue pubblicazioni. Parli spesso non solo di un singolo algoritmo o di una singola soluzione, ma di un framework che può essere applicabile a una serie di problemi diversi. Quindi perché ti sei concentrato su questo anziché distribuire singoli moduli?
Prof. David Simchi-Levi: Beh, è probabilmente molto ovvio, ma allo stesso tempo vediamo che non è così comune che le persone si concentrino sul framework. Ma si tratta sempre di trovare una sola soluzione. Ma quando la supply chain sta cambiando, e tu hai menzionato, sai, se il mondo sta cambiando tutto il tempo, allora siamo bloccati. Quindi dobbiamo ripetere il problema ancora e ancora. E infatti, da Lokad, ci concentriamo proprio su questo. Trovare un approccio di risoluzione dei problemi anziché una singola soluzione che sia applicabile solo in questo momento.
Nicole Zint: Professor, potresti anche rispondere alla domanda su perché ti concentri sui framework?
Prof. David Simchi-Levi: Nella tua descrizione del focus della mia ricerca, gran parte dell’attenzione è rivolta a garantire che abbiamo una strategia a lungo termine per la supply chain. In modo tale che non dobbiamo cambiare la nostra strategia ogni settimana o ogni giorno a causa di una recente interruzione o cambiamento nella domanda. E forse posso evidenziarlo con il lavoro che ho svolto sulla digitalizzazione della supply chain. Quali sono i framework che abbiamo identificato nella digitalizzazione della supply chain che consentono alle aziende di ottenere la maggior parte dei benefici della piena digitalizzazione senza l’investimento di quattro o cinque anni nella supply chain digitale? E vorrei evidenziare quattro framework. Il primo, che ho menzionato in precedenza, è la visione unificata della domanda, che sostituisce la previsione di consenso. La previsione di consenso è stata utilizzata dagli esecutivi e dall’industria per molti, molti anni. La finanza avrà la sua previsione. L’operazione avrà la sua previsione. Le vendite avranno una previsione diversa. E poi si riuniranno in una riunione di consenso per concordare un compromesso. Non è chiaro che questo compromesso rappresenti correttamente la realtà. Quello che si vuole fare, il framework su cui mi concentro, è concordare sui dati. Una volta che ho i dati, vorrei che l’analisi e la macchina generassero una previsione che possa essere utilizzata dalle diverse aree funzionali. Questo è il primo. Il secondo è…
Nicole Zint: Potresti parlarci del framework che usi per l’ottimizzazione della supply chain?
Prof. David Simchi-Levi: Certamente, quindi il framework che utilizziamo si basa sull’idea che una strategia unica non sia appropriata per la maggior parte delle aziende. Se guardiamo a quello che fanno la maggior parte delle aziende, hanno una strategia unica per tutti i canali, per tutti i mercati e per tutti i prodotti. Quello su cui mettiamo l’accento è la segmentazione della supply chain, la segmentazione dei prodotti, la segmentazione dei mercati e la segmentazione dei canali. Questo consente alle aziende di ottimizzare la strategia della supply chain per ogni cluster, per ogni gruppo e di conseguenza essere più reattive in base alle caratteristiche di ogni segmento. Il terzo elemento di questo framework è focalizzarsi su SNOP (Sales and Operations Planning) che utilizza dati e analisi per aiutare le aziende a identificare un piano efficace. L’ultimo è riconoscere che, per quanto efficace sia il piano, ci sono sempre deviazioni dal piano come interruzioni della fornitura e cambiamenti della domanda. Se riesco a identificare queste interruzioni e deviazioni in anticipo, posso rispondere ad esse in modo molto efficace. Questo fa parte dei KPP (Key Performance Parameters) e del control tower, su cui sono sicuro che la tua azienda si stia concentrando con molti dei tuoi clienti.
Nicole Zint: Joannes, cosa ne pensi di ciò che il Professor Simchi-Levi sta dicendo, soprattutto riguardo a questo processo SNOP, che Lokad ha anche?
Joannes Vermorel: Sì, ehm, ma non è, direi, un approccio diverso. A causa del nostro focus e della nostra origine, stiamo guardando il punto da un angolo leggermente diverso. Non significa che siamo particolarmente in disaccordo. La prima cosa che vedo è che, innanzitutto, non osserviamo mai direttamente la supply chain, quindi quando diciamo, ad esempio, domanda, c’è l’intermediazione dei sistemi aziendali, che possono essere molto complessi. Un tipico ERP che ha tre decenni è vecchio di tre decenni, e stiamo per parlare di 2000 tabelle. Ogni tabella ha circa 50-200 campi, e se stai parlando con una multinazionale, potresti trovarsi in una situazione semi-incubo in cui c’è un ERP diverso per ogni paese, quindi 40 paesi. Quindi, innanzitutto, il segnale di input è incredibilmente complesso nel senso di pura complessità IT, da non sottovalutare. Quindi c’è prima di tutto questa, direi, questa barriera che anche se tutto è lì, anche se i dati sono corretti, i dati non sono spazzatura, sono dati transazionali molto puliti. Il problema è solo che è estremamente complesso a causa del fatto che tutti i sistemi non sono mai stati messi in atto per misurare la domanda; sono stati messi in atto per far funzionare le supply chain. Quindi, innanzitutto, abbiamo questa, direi, brutalità dell’opacità del paesaggio applicativo. La seconda cosa che abbiamo è che quello che chiamiamo domanda, quando inizi a guardare le industrie effettive, vedrai che è molto più granulare. Ad esempio, diciamo che hai un’azienda che vende materiali elettrici a clienti B2B. La realtà è che l’ordine che ricevono è, hanno un cliente che vuole costruire un edificio, e quindi passeranno un grande ordine con potenzialmente migliaia di riferimenti di prodotto, e pianificheranno effettivamente la consegna. Quindi, diranno: “Vogliamo che tra nove mesi tutto ciò venga consegnato, ma vogliamo che i primi 500 riferimenti vengano consegnati tra tre mesi, poi i primi 500 tra quattro mesi, ecc.”
Nicole Zint: Quindi, Joannes, potresti parlarci di come affronti il problema della previsione della domanda e quali sono le sfide che comporta?
Joannes Vermorel: Sì, la granularità della domanda può essere piuttosto complicata. Ad esempio, se hai un grande ordine di lotti che richiede consegne programmate per un periodo di sei mesi, come conti la domanda? La conti quando si origina o quando verrà consegnata? Quindi, ovviamente, ci sono molte complessità. Quello che sto dicendo è che quando diciamo “domanda”, non è qualcosa di unidimensionale con una prospettiva time-series in cui puoi fare una proiezione. Di solito, è un problema molto multidimensionale, che può essere aggravato dal fatto che se introduci il tuo nuovo tipo di prodotto che sostituisce la vecchia generazione di prodotti, avrai effetti di cannibalizzazione molto aggressivi, solo perché è letteralmente la tua tecnologia superiore che cannibalizza la tua precedente tecnologia di prodotti. Quindi, i prodotti sono tipicamente molto simili, e la tua prossima generazione è un sostituto migliore per tutto ciò che c’era prima.
David Simchi-Levi: Sì, ed è per questo che è fondamentale avere gli strumenti giusti e un supply chain scientist ben addestrato per affrontare questa sfida. SQL è un linguaggio di programmazione utilizzato per estrarre dati, ma abbiamo bisogno di strumenti migliori di quello per dare un senso alla vasta quantità di dati che dobbiamo gestire.
Joannes Vermorel: Esattamente. Da Lokad, il nostro focus è stato pensare a quali strumenti hanno bisogno i nostri supply chain scientist. Non abbiamo alcuna intelligenza artificiale che possa semplicemente prendere i dati e darci previsioni di domanda. Abbiamo bisogno dell’intelligenza umana per dare un senso ai dati. Una domanda che ci poniamo è: quali strumenti hanno? Hanno SQL o qualcosa di meglio?
Nicole Zint: E per quanto riguarda il piano? Come ti approcci a quello?
Joannes Vermorel: Beh, Lokad è un’azienda molto operativa e ci concentriamo sull’esecuzione quotidiana delle supply chain. Quello che facciamo oggi è far scomparire completamente il piano. Non ci sono più piani, non ci sono più previsioni. O, almeno, quelle cose esistono ancora come artefatti numerici, ma sono completamente transitori e sepolti nel data pipeline del sistema. Gli unici effetti visibili sono le decisioni finali. Ad esempio, cosa compri? Cosa produci? Dove sposti le scorte? Alzi o abbassi il prezzo? Quindi, se c’è una perturbazione che arriva dalla Cina, quella è un’input, ma il fatto che modifichi il piano è insignificante. L’unica cosa che le persone vedranno sono decisioni che vengono indirizzate verso qualcosa di leggermente diverso. E se guardano le forze trainanti in dollari o euro, vedranno che i rischi espressi in dollari per determinate classi di rischio sono schizzati alle stelle a causa di queste nuove informazioni.
Nicole Zint: Quindi, Joannes, cosa ne pensi dell’impatto delle perturbazioni sulla supply chain?
Joannes Vermorel: Beh, le perturbazioni nella supply chain possono causare seri rischi per i fornitori offshore. Possono far esplodere il loro rischio associato e deviare tutte le decisioni da loro. Tuttavia, per la maggior parte delle aziende, la previsione e il piano diventano un artefatto numerico abbastanza insignificante. Voglio dire, ci sono molti altri artefatti numerici che non sono cittadini di prima classe che non catturano l’interesse dell’azienda. Probabilmente devo imparare di più su quello che stai facendo per dare un commento più sostanziale su quello che hai descritto.
Prof. David Simchi-Levi: Le aziende con cui ho collaborato affrontano sfide in diverse parti della supply chain che possono implicare un diverso modo di pensare alla pianificazione e alle previsioni. Permettetemi di darvi un esempio molto rapido: se pensiamo al settore della moda, una parte del portafoglio è un portafoglio che non posso prevedere in nessun caso. Possiamo generare una previsione, ma è così poco affidabile che la supply chain si concentra solo sulla velocità. Ma ci sono altre parti del loro portafoglio in cui posso prevedere molto bene, e questa previsione viene utilizzata per gestire l’intera supply chain. Può darsi che molti dei dirigenti della supply chain non vedano la previsione, ma viene utilizzata per motivare dove posiziono l’inventario, quanto inventario posiziono, come rispondo all’ordine. Ma nella prima parte, non solo la previsione è nascosta, non c’è nemmeno una previsione perché è così altamente inaffidabile, e la supply chain si concentra principalmente sulla velocità. In quella parte, penso che il tuo punto sia un po’ diverso, un po’ più profondo, che anche se hai una previsione e hai un piano, ciò che vuoi dimostrare alla presa di decisione è solo l’esito di un evento specifico, piuttosto che ciò che contribuisce all’esito che è la previsione o il piano. Ora, un elemento importante è se un decisore umano si sentirà a suo agio guardando solo l’esito e senza capire cosa determina l’esito, che sia il piano stesso o che sia la previsione. Ma certamente ho bisogno di un po’ più di approfondimento su quello che state facendo per identificare le potenziali opportunità in questo settore.
Nicole Zint: David, quali algoritmi emergenti vedi al momento nell’apprendimento e nell’ottimizzazione della supply chain, ma anche quali tendenze negative vedi diventare altrettanto popolari?
Prof. David Simchi-Levi: Penso, lasciami iniziare con la seconda parte, che è la tendenza intorno alle tendenze negative. La tendenza negativa intorno all’impatto delle perturbazioni e della volatilità che vediamo sul mercato sarà con noi per molti anni a venire. Questa è una nuova normalità e, di conseguenza, le aziende devono ripensare il modo…
Nicole Zint: Joannes, stavate parlando di alcune tendenze negative che stanno influenzando i clienti. Potresti approfondire?
Joannes Vermorel: Sì, certamente. Dal mio punto di vista, ci sono due problemi che stanno influenzando i clienti. Il primo problema è che il software aziendale moderno è estremamente stratificato. Ci sono strati su strati di livelli e i dati fluiscono da un livello all’altro. Per i sistemi moderni, stiamo facilmente parlando di oltre 100 livelli in cui i dati fluiscono. La scienza dei dati aggiunge solo circa 20 livelli. Solo per darti un’idea, quando dici che vuoi fare scienza dei dati in Python, la realtà è che non fai tutto in Python. Ci sono livelli fatti in Pandas, livelli fatti in NumPy, livelli fatti all’interno di kit, e così via. Molte aziende stanno lottando enormemente con il fatto che negli ultimi decenni i sistemi sono diventati così stratificati che ogni livello è un’opportunità per avere bug, regressioni e ogni sorta di incidenti. Questo sta ostacolando tutte le iniziative della supply chain in modo molto brutale e semplice. Cercano di fare qualcosa e alla fine della giornata, non riescono nemmeno a ottenere il livello di stock corretto solo perché l’IA sta fluendo attraverso più di 50 sistemi ed è molto complicato.
Prof. David Simchi-Levi: Posso aggiungere qualcosa a questo? L’implicazione di ciò che Joannes sta dicendo è che la qualità di ciò che le persone stanno facendo è influenzata.
Joannes Vermorel: Sì, è corretto. Il secondo problema che vedo è che alcune tecniche di machine learning, come il deep learning, sono estremamente tecniche e aggiungono i loro stessi strati in cima. Questo diventa molto difficile da eseguire. Certamente, le grandi aziende riescono a farlo, ma è molto, molto difficile. Quindi, vedo nuove classi di paradigmi algoritmici che ci permettono di rimuovere intere classi di livelli in cui possiamo unire, ad esempio, l’apprendimento e l’ottimizzazione e il livello del database in uno. Rimuovi semplicemente intere classi di livelli in modo che tutto ciò che vuoi fare in termini di supply chain abbia effettivamente la possibilità di farlo su larga scala con sistemi IT senza introdurre troppo caos. La realtà è che se torno indietro a spiegare perché le aziende impiegano così tanti anni per fare le loro cose, molto spesso non è la parte di machine learning fantasiosa che richiede così tanto tempo o la parte algoritmica molto intelligente del sistema che richiede così tanto tempo e sforzo. È tutto ciò che viene prima e tutto ciò che viene dopo, che sono molto scarsamente integrati, e alla fine si finisce con…
Nicole Zint: Mi scuso per l’interruzione, ma puoi chiarire cosa intendi con “tutto ciò che viene prima e dopo”?
Joannes Vermorel: Sì, certo. Prima della parte di machine learning fantasiosa, è necessario avere pipeline di dati adeguate, database adeguati e pulizia dei dati adeguata. Dopo la parte di machine learning, è necessario avere modi adeguati per integrare l’output di quella parte di machine learning nel sistema ERP o nel sistema di gestione degli ordini o nel sistema WMS. Tutti questi pezzi devono essere ben integrati ed è lì che sta la sfida.
Nicole Zint: Quindi Joannes, puoi parlare della complessità dell’ottimizzazione della supply chain in termini di dati?
Joannes Vermorel: È tremendamente complicato, direi, le pipeline di dati. Quindi, la complessità della logistica dei dati in realtà supera la complessità della logistica dei beni fisici. Questo è come il punto di vista vintage di un fornitore di software. Ma adesso, la mia osservazione personale è che le persone che si concentrano su cose che faranno solo aumentare l’idea di quelle aziende, la complessità IT esplode. Questo può essere una risposta di paura a quegli eventi drammatici che si sono verificati negli ultimi due anni. Ma questo non renderà la tua supply chain più resiliente se, alla fine, introduci un’altra classe di rischio attraverso complicazioni super complicate. Al giorno d’oggi, vedo sempre più aziende che si bloccano a causa di un problema IT che può essere un ransomware, ma a volte sono solo bug interni.
Nicole Zint: E Professor Simchi-Levi, come pensi che la tecnologia possa essere utilizzata per migliorare l’ottimizzazione della supply chain?
Prof. David Simchi-Levi: Se parlassimo prima della pandemia delle opportunità nell’uso della tecnologia, dell’apprendimento automatico, dell’ottimizzazione per migliorare le prestazioni aziendali e la supply chain, le persone sarebbero d’accordo. Ma gli esecutivi sarebbero molto restii a investire nella digitalizzazione della supply chain, nella digitalizzazione dell’intera supply chain. Non perché non vedano i benefici, capiscono i benefici, ma sono preoccupati per l’enorme investimento finanziario e il lungo tempo necessario per ottenere il beneficio che stanno cercando di raggiungere. Quello che la pandemia ci ha mostrato è che il futuro è qui, che oggi con i dati disponibili possiamo essere più agili e resilienti nelle nostre supply chain.
Joannes Vermorel: Se vogliamo fare di più, soprattutto per essere intelligenti in termini di concetti complessi come la resilienza, la gestione del rischio che non si prestano a misurazioni dirette, abbiamo bisogno di strumenti capaci di farlo. Ma non dovremmo sviluppare cose che possono effettivamente essere implementate e messe in produzione in un periodo di tempo relativamente breve, ed è davvero una sfida. La domanda è che al momento, lo strumento universale utilizzato per portare una decisione in produzione in 48 ore è Microsoft Excel. E se avessimo letteralmente qualcosa che ha tutte le proprietà che le persone cercano in Excel, che è uno strumento decisionale che puoi usare per guidare una supply chain multimiliardaria e prendere la decisione che deve essere presa ora, con una correttezza superiore per design, sarebbe un modo di guardarlo. Questa è sicuramente l’orientamento della ricerca che perseguamo.
Nicole Zint: Professor Simchi-Levi, puoi commentare su ciò che ha appena detto Joannes?
Prof. David Simchi-Levi: Permettetemi di basarmi su ciò che ha detto Joannes e collegarlo alle sfide attuali della supply chain e alle sfide IT.
Nicole Zint: Quindi, Joannes, secondo te, quanto è importante la digitalizzazione della supply chain e come può beneficiare le aziende?
Joannes Vermorel: Con la tecnologia a nostra disposizione, possiamo migliorare notevolmente le prestazioni aziendali. Potremmo non essere in grado di ottenere tutti i benefici della digitalizzazione completa della supply chain, ma con un investimento finanziario moderato e un periodo di tempo ragionevolmente breve, le aziende possono avere un enorme impatto sul bilancio. Ecco perché, secondo me, con tutte le sfide che abbiamo visto, c’è una tendenza positiva importante. Ci rendiamo conto che il futuro o la realtà è qui, e le aziende che stanno pensando a come andare avanti devono cogliere questa opportunità per iniziare a cambiare e digitalizzare parte della loro attività per essere in grado di affrontare non le sfide di ieri, ma le sfide e le opportunità di domani.
Nicole Zint: Professor, sei d’accordo con la prospettiva di Joannes sull’importanza della digitalizzazione della supply chain?
Prof. David Simchi-Levi: Assolutamente, sono completamente d’accordo con Joannes. I benefici della digitalizzazione della supply chain sono significativi e le aziende che non la abbracciano saranno lasciate indietro. Stiamo vedendo aziende di tutti i settori che adottano la digitalizzazione e ne traggono vantaggio. Dall’ottimizzazione dei livelli di inventario alla riduzione dei tempi di consegna, la digitalizzazione della supply chain ha il potenziale per trasformare le aziende.
Nicole Zint: E puoi darci un esempio di un’azienda che ha implementato con successo la digitalizzazione della supply chain?
Prof. David Simchi-Levi: Certamente, un ottimo esempio è Walmart. Walmart è uno dei più grandi rivenditori al mondo ed è riuscito a sfruttare la digitalizzazione della supply chain per ridurre i costi operativi e migliorare il proprio bilancio. Utilizzando l’analisi dei dati e gli algoritmi di apprendimento automatico, Walmart è stato in grado di ottimizzare i livelli di inventario, ridurre gli sprechi e migliorare i tempi di consegna.
Nicole Zint: Grazie, Professor, per questo esempio. E grazie a entrambi per esservi uniti a me oggi per questa discussione molto interessante sulla digitalizzazione della supply chain.
