Portare decisioni automatizzate della supply chain in produzione - Lezione 7.2

00:00 Introduzione
03:39 L’automazione è sempre stata l’obiettivo
06:28 Gestione delle eccezioni e avvisi
10:27 La storia finora
14:33 Il nostro lancio in produzione oggi
15:59 Recap: deliverable, scope e ruoli
19:01 Scoprire la forma della decisione
23:00 Risposta basata sul legacy
27:20 Iterare fino allo zero percento di follia
32:30 Metriche aspirazionali
36:27 Dual run: manuale + meccanico
39:19 Paralisi dell’analisi
43:21 Graduale automazione
46:08 Sedimentazione del processo
48:57 Dal pianificatore al responsabile della rete
52:46 Il turista delle KPI
54:58 Leadership: dal coach al product owner
58:46 Il capo analogico della supply chain
01:02:25 Conclusioni
01:04:44 7.2 Portare decisioni automatizzate in produzione - Domande?

Descrizione

Cerchiamo una ricetta numerica per guidare un’intera classe di decisioni banali, come il riapprovvigionamento delle scorte. L’automazione è essenziale per rendere la supply chain un’impresa capitalista. Tuttavia, comporta rischi considerevoli di causare danni su larga scala se la ricetta numerica è difettosa. Fallire velocemente e rompere le cose non è la mentalità adeguata per approvare una ricetta numerica per la produzione. Tuttavia, molte alternative, come il modello a cascata, sono ancora peggiori in quanto di solito danno un’illusione di razionalità e controllo. Un processo altamente iterativo è la chiave per progettare una ricetta numerica che si dimostri adatta alla produzione.

Trascrizione completa

Benvenuti a questa serie di lezioni sulla supply chain. Sono Johannes Vermorel e oggi presenterò “Portare Decisioni Automatizzate della Supply Chain in Produzione”. Durante gli ultimi due secoli, le nostre economie hanno subito una massiccia trasformazione attraverso la meccanizzazione. Le aziende che hanno raggiunto un grado superiore di meccanizzazione rispetto ai loro concorrenti hanno quasi sempre spinto sistematicamente quei concorrenti al fallimento. La meccanizzazione ci consente di fare di più, meglio e più velocemente riducendo i costi. Questo è vero per le attività fisiche come spostare merci con un carrello elevatore invece di trasportare a mano scatole, ma è anche vero per le attività intellettuali come calcolare quanto denaro ti rimane in banca.

Tuttavia, la nostra capacità di meccanizzare una determinata attività dipende dalla tecnologia. Ci sono ancora molte attività fisiche che non possono ancora essere meccanizzate, ad esempio fare un taglio di capelli o cambiare le lenzuola. Allo stesso modo, ci sono ancora molte attività intellettuali che non possono ancora essere meccanizzate, come assumere la persona giusta o capire cosa vuole il cliente. Non c’è motivo di credere che queste attività, sia intellettuali che meccaniche, non possano mai essere meccanizzate. Tuttavia, la tecnologia non è ancora del tutto pronta.

La maggior parte delle decisioni routine e noiose della supply chain possono ora essere automatizzate. Si tratta di un sviluppo relativamente recente. Dieci anni fa, la portata delle decisioni della supply chain che potevano essere automatizzate con successo rappresentava solo una frazione dell’intero spettro delle decisioni della supply chain. Oggi, la situazione è invertita e, con la giusta tecnologia, le decisioni ripetitive della supply chain che non possono essere automatizzate con successo sono poche e distanti tra loro. Con automazione di successo, mi riferisco a un processo in cui le decisioni automatizzate sono superiori a quelle ottenute con un processo manuale, non alla capacità di generare decisioni con un computer, che è banale fintanto che non ti importa della qualità delle decisioni generate.

Il nostro focus oggi non è sulla ricetta numerica, cioè il pezzo di software che rende possibile tale automazione in primo luogo. Nel contesto dei processi decisionali della supply chain, gli ingredienti per creare una tale ricetta numerica sono stati trattati nei capitoli precedenti di questa serie di lezioni. Il nostro focus oggi è sulle parti dell’iniziativa della supply chain che sono necessarie per portare una tale ricetta numerica in produzione. Lo scopo di questa lezione è delineare ciò che serve per far passare un’azienda da decisioni manuali della supply chain a decisioni automatizzate. Alla fine di questa lezione, dovresti avere una comprensione dei do’s and don’ts quando si passa all’automazione. Infatti, la pura difficoltà tecnica associata alla ricetta numerica tende a oscurare gli aspetti organizzativi che sono comunque altrettanto critici per il successo dell’iniziativa.

Quando i professionisti della supply chain di oggi vengono presentati all’idea di automazione delle decisioni, la loro reazione immediata tende ad essere “Questa è un’idea così futuristica. Non siamo ancora nemmeno lontani.” Tuttavia, l’automazione completa delle decisioni noiose e ripetitive della supply chain è stata letteralmente l’obiettivo fin dall’inizio dell’era digitale delle supply chain, più di quattro decenni fa.

Non appena i computer sono diventati facilmente disponibili per le aziende, le persone si sono rese conto che la maggior parte delle decisioni della supply chain erano candidati ovvi per l’automazione completa. Sullo schermo, ho selezionato una lista di pubblicazioni che illustrano questa ambizione. Negli anni ‘70 e ‘80, questo campo non era ancora chiamato supply chain. Il termine sarebbe diventato popolare solo negli anni ‘90. Tuttavia, l’intento era già chiaro. Quei sistemi informatici sembravano subito adatti per automatizzare le decisioni della supply chain più ripetitive, come il rifornimento di inventario.

La cosa più sorprendente per me è che questa comunità sembra essere in qualche modo ignara delle sue precedenti ambizioni. Oggi, per sembrare futuristico, il termine “supply chain autonoma” viene talvolta utilizzato da società di consulenza o aziende IT per trasmettere questa prospettiva di meccanizzazione delle decisioni noiose della supply chain. Tuttavia, il termine “autonomo” mi sembra inappropriato. Non usiamo il termine “logistica autonoma” per riferirci a un nastro trasportatore dotato di un sistema di smistamento. Il nastro trasportatore è meccanizzato, non autonomo. Il nastro trasportatore richiede comunque una supervisione tecnica, ma questa innovazione rappresenta solo una piccola frazione della manodopera che sarebbe altrimenti necessaria all’azienda per trasportare le merci senza il nastro trasportatore. Per quanto riguarda le decisioni della supply chain, l’obiettivo non è quello di eliminare del tutto gli esseri umani dall’organizzazione, raggiungendo così una tecnologia veramente autonoma. L’obiettivo è semplicemente quello di rimuovere gli esseri umani dalla parte più lunga e più grezza del processo. Questa è esattamente la prospettiva che è stata adottata in quei documenti pubblicati quattro decenni fa e questa è la prospettiva che adotto anche in questa lezione.

Durante gli anni ‘90, sembra che i fornitori di software, sia i fornitori di ERP che gli specialisti dell’ottimizzazione delle scorte, abbiano in gran parte abbandonato l’idea di raggiungere decisioni automatizzate per la catena di approvvigionamento. Con il senno di poi, i modelli semplicistici degli anni ‘70 che hanno in gran parte ignorato molti fattori importanti come l’incertezza erano la causa radice ovvia per spiegare perché l’automazione non ha avuto successo all’epoca. Tuttavia, risolvere questa causa radice si è rivelato al di là di ciò che la tecnologia poteva offrire in quel periodo. Invece, i fornitori di software hanno optato per sistemi di gestione delle eccezioni. Si prevede che tali sistemi producano avvisi di inventario basati su regole impostate dalla stessa azienda cliente. Il ragionamento era: lasciamo che l’automazione si occupi della maggior parte delle linee che possono essere elaborate automaticamente per mantenere l’intervento umano concentrato sulle linee difficili, sulle linee che sono al di là delle capacità della macchina.

Precisiamo subito che vendere un sistema di gestione delle eccezioni è un affare molto vantaggioso per il fornitore di software, ma molto meno per l’azienda cliente. Innanzitutto, la gestione delle eccezioni sposta il peso delle prestazioni della catena di approvvigionamento dal fornitore al cliente. Una volta che la gestione delle eccezioni è in atto, se i risultati sono negativi, è colpa del cliente. Avrebbero dovuto configurare avvisi migliori per evitare che situazioni dannose si verificassero in primo luogo.

In secondo luogo, creare un sistema per gestire avvisi di inventario parametrizzati è facile per il fornitore di software fintanto che il fornitore non deve fornire alcun valore di parametro che governi gli avvisi di origine. Infatti, da un punto di vista analitico, essere in grado di produrre un buon avviso di inventario significa che è possibile progettare una regola che può identificare in modo affidabile le cattive decisioni di inventario. Se è possibile progettare una regola che può identificare in modo affidabile le cattive decisioni di inventario, allora per definizione la stessa regola può essere utilizzata in modo affidabile per produrre buone decisioni di inventario. Infatti, la regola deve solo essere utilizzata come filtro per evitare che vengano prese decisioni sbagliate.

In terzo luogo, la gestione delle eccezioni è una strategia piuttosto astuta per il fornitore di software per sfruttare la psicologia umana. Infatti, quegli avvisi sfruttano un meccanismo noto come “impegno e coerenza” da parte degli psicologi empirici. Questo meccanismo crea una forte ma in gran parte casuale dipendenza dal prodotto software. In breve, una volta che i dipendenti iniziano a modificare i numeri di inventario, non sono più numeri arbitrari. Sono i loro numeri, il loro lavoro e quindi i dipendenti si legano emotivamente al sistema, indipendentemente dal fatto che il sistema offra effettivamente prestazioni superiori per la catena di approvvigionamento o meno.

In generale, la gestione delle eccezioni è un vicolo cieco tecnologico perché nel caso generale l’ingegnerizzazione di eccezioni affidabili e l’ingegnerizzazione di avvisi affidabili è esattamente difficile quanto l’ingegnerizzazione di un’automazione affidabile per le decisioni. Se non puoi fidarti dei tuoi avvisi e se non puoi fidarti delle tue eccezioni per essere affidabili, allora devi comunque rivedere manualmente tutto ciò che ti riporta al punto di partenza. Il processo decisionale rimane strettamente manuale.

Questa serie di lezioni sulla catena di approvvigionamento include due dozzine di episodi. A questo punto, in un certo senso, tutti gli elementi che abbiamo introdotto finora sono stati fatti con lo scopo esplicito di arrivare al punto in cui ci troviamo oggi: sull’orlo di mettere in produzione questa iniziativa di catena di approvvigionamento quantitativa. Più specificamente, è la ricetta numerica che vogliamo mettere in previsione e questo è l’obiettivo della lezione di oggi.

In queste lezioni, utilizzo il termine “ricetta numerica” per riferirmi alla sequenza di calcoli che prende in input dati storici grezzi e restituisce le decisioni finali. Questa terminologia è intenzionalmente vaga perché riflette molti concetti, metodi e tecniche diversi che sono stati trattati in modo preciso attraverso le lezioni dei capitoli precedenti. Nel primo capitolo, abbiamo visto perché la catena di approvvigionamento deve diventare programmabile e perché è molto desiderabile essere in grado di mettere una tale ricetta numerica in produzione. La crescente complessità delle catene di approvvigionamento stesse rende l’automazione più pressante che mai. C’è anche l’imperativo di rendere la pratica della catena di approvvigionamento un’impresa capitalista.

Il secondo capitolo è dedicato alle metodologie. Infatti, le catene di approvvigionamento sono sistemi competitivi. Questa combinazione sconfigge le metodologie naive. Tra le metodologie che abbiamo introdotto, le personae della catena di approvvigionamento e l’ottimizzazione sperimentale sono di primaria importanza per l’argomento di oggi. Le personae della catena di approvvigionamento sono la chiave per adottare la forma corretta di decisioni. Ritorneremo su questo punto tra qualche minuto. L’ottimizzazione sperimentale è essenziale per fornire qualcosa che funzioni effettivamente. Ancora una volta, ritorneremo su questo punto tra qualche minuto.

Il terzo capitolo analizza il problema, mettendo da parte la soluzione attraverso le personae della catena di approvvigionamento. Questo capitolo cerca di caratterizzare le classi di problemi decisionali che devono essere affrontati. Questo capitolo mostra che prospettive semplicistiche come dover semplicemente scegliere la giusta quantità per ogni SKU non si adattano realmente alle situazioni del mondo reale. C’è quasi sempre una profondità nella forma delle decisioni.

Il quarto capitolo analizza gli elementi necessari per comprendere una pratica moderna di catena di approvvigionamento in cui gli elementi software sono ubiqui. Questi elementi sono fondamentali per comprendere il contesto più ampio in cui opera la ricetta numerica e in realtà la maggior parte dei processi di catena di approvvigionamento. Infatti, molti manuali di catena di approvvigionamento assumono implicitamente che le loro tecniche e formule operino in una sorta di vuoto. Questo non è il caso. Il panorama applicativo conta.

I capitoli 5 e 6 sono dedicati rispettivamente alla modellazione predittiva e alla presa di decisioni. Questi capitoli coprono i componenti intelligenti della ricetta numerica con tecniche di apprendimento automatico e tecniche di ottimizzazione matematica. Infine, il settimo e presente capitolo è dedicato all’esecuzione di un’iniziativa quantitativa di catena di approvvigionamento il cui scopo è proprio quello di mettere in produzione una ricetta numerica e mantenerla successivamente. Nella precedente lezione, abbiamo affrontato ciò che serve per avviare l’iniziativa stabilendo le basi a livello tecnico. Significa l’allestimento di un adeguato flusso di dati. Oggi, vogliamo attraversare il traguardo e mettere in azione questa ricetta numerica.

Inizieremo con un breve riassunto della lezione precedente e poi procederemo con tre aspetti importanti delle fasi successive dell’iniziativa. Il primo aspetto riguarda la progettazione della ricetta numerica. Tuttavia, non parlerò della progettazione dei componenti numerici della ricetta, ma della progettazione del processo di ingegneria stesso, che circonda la ricetta numerica. Vedremo come affrontare la sfida per dare all’iniziativa la possibilità di far emergere una soluzione soddisfacente.

Il secondo aspetto riguarda il corretto lancio della ricetta numerica. Infatti, l’azienda inizia con un processo manuale e deve finire con uno automatizzato. Un adeguato lancio può mitigare in gran parte il rischio associato a questa transizione o piuttosto mitigare il rischio associato a una ricetta numerica che si dimostrerebbe difettosa, almeno inizialmente.

Il terzo aspetto riguarda il cambiamento che deve avvenire nell’azienda una volta che l’automazione viene implementata. Vedremo che i ruoli e le missioni delle persone nella divisione della catena di approvvigionamento dovrebbero subire una sostanziale quantità di cambiamento.

Nella lezione precedente, abbiamo visto come avviare un’iniziativa quantitativa di catena di approvvigionamento. Rivediamo gli aspetti più importanti. Il risultato finale è una ricetta numerica operativa, che è un pezzo di software che guida una classe di decisioni di catena di approvvigionamento, ad esempio, il rifornimento di inventario. Questa ricetta numerica, una volta messa in produzione, fornirà l’automazione che stiamo cercando. Le decisioni non devono essere confuse con artefatti numerici come le previsioni di domanda, che sono semplicemente risultati intermedi che possono contribuire al calcolo delle decisioni stesse.

L’ambito dell’iniziativa deve essere allineato sia con la catena di approvvigionamento, intesa come sistema, che con il suo panorama applicativo sottostante. Prestare attenzione alle proprietà di sistema della catena di approvvigionamento è fondamentale per evitare di spostare i problemi anziché risolverli. Ad esempio, se l’ottimizzazione dell’inventario di un negozio in una catena di vendita al dettaglio viene effettuata a discapito degli altri negozi, allora questa ottimizzazione è priva di significato. Inoltre, prestare attenzione al panorama applicativo è importante perché dobbiamo ridurre al minimo gli sforzi iniziali di integrazione dei dati. Le risorse IT sono quasi sempre un collo di bottiglia e dobbiamo fare attenzione a non aggravare questa limitazione.

Infine, abbiamo identificato quattro ruoli per questa iniziativa, ovvero il dirigente della catena di approvvigionamento, l’ufficiale dei dati, lo scienziato della catena di approvvigionamento e il praticante della catena di approvvigionamento. Il dirigente della catena di approvvigionamento è responsabile della strategia, della conduzione del cambiamento e arbitra le scelte di modellazione. L’ufficiale dei dati è responsabile della configurazione del flusso di dati, che rende disponibili i dati transazionali rilevanti al livello analitico. In questa lezione, assumiamo che il flusso di dati sia già stato configurato. Lo scienziato della catena di approvvigionamento è responsabile dell’implementazione della ricetta numerica, che include molta strumentazione, non solo gli algoritmi intelligenti. Infine, il praticante della catena di approvvigionamento è una persona coinvolta nel processo decisionale manuale. Questa persona ha tipicamente un ruolo di pianificatore di offerta e domanda, anche se la terminologia varia. All’inizio dell’iniziativa, ci si aspetta che passino al ruolo di responsabile della rete entro la fine dell’iniziativa. Rivedremo questo punto più avanti nella lezione.

Le catene di approvvigionamento sono piuttosto favorevoli quando si tratta di automatizzare i processi decisionali. Ci sono numerose decisioni noiose e altamente ripetitive che sono di natura quantitativa. Purtroppo, la prospettiva di modellazione offerta nella maggior parte dei libri di testo sulla catena di approvvigionamento è solitamente eccessivamente semplicistica. Non sto dicendo che le tecniche dei libri di testo siano eccessivamente semplici o semplicistiche. Tuttavia, sto semplicemente dicendo che il tipo di problemi presentati in quei libri di testo tende ad essere semplicistico. Consideriamo, ad esempio, una situazione di rifornimento di inventario. La prospettiva del libro di testo cerca la politica di inventario ottimale per calcolare quante unità devono essere riordinate. Questo va bene, ma spesso è una risposta piuttosto incompleta.

Ad esempio, potremmo dover decidere se le merci verranno spedite via aerea o via mare, con i due modi di trasporto che rappresentano un compromesso tra tempo di consegna e costo di trasporto. Potremmo dover scegliere un fornitore tra più fornitori idonei. Potremmo dover decidere il piano di spedizione esatto con diverse date di spedizione se la quantità è sufficientemente grande da giustificare diverse spedizioni.

Il terzo capitolo di questa serie, un capitolo dedicato alle persone della catena di approvvigionamento, ha presentato viste dettagliate di situazioni reali di catena di approvvigionamento in cui vediamo che ci sono quasi sempre sfumature oltre alla scelta di una singola quantità per un determinato SKU. Pertanto, lo scienziato della catena di approvvigionamento, con l’aiuto del praticante della catena di approvvigionamento e del dirigente della catena di approvvigionamento, deve iniziare scoprendo la forma completa della decisione. La forma completa della decisione deve includere tutti gli elementi che contribuiscono a plasmare l’effettivo funzionamento della catena di approvvigionamento. Scoprire la forma completa della decisione è difficile.

Innanzitutto, la divisione del lavoro come implementata nella maggior parte delle aziende che gestiscono una grande catena di approvvigionamento solitamente frammenta i vari aspetti della decisione tra diversi dipendenti e talvolta tra diversi dipartimenti. Ad esempio, una persona sceglie la quantità da riordinare mentre un’altra persona decide quale fornitore riceve l’ordine di acquisto.

In secondo luogo, gli aspetti più sottili della decisione, come richiedere al fornitore di accelerare l’ordine quando c’è stata un’impennata della domanda, tendono ad essere trascurati perché i praticanti non si rendono conto che quegli aspetti possono e dovrebbero essere automatizzati anche loro. Suggerisco di avere la descrizione di questa forma completa di decisione scritta, non come una serie di diapositive ma come un vero e proprio testo. In particolare, il testo deve chiarire il “perché”. Cosa è esattamente in gioco con ogni aspetto della decisione? Infatti, mentre alcuni aspetti della decisione potrebbero essere relativamente ovvi come la quantità in un riordino, altri aspetti potrebbero essere trascurati o dimenticati. Ad esempio, un fornitore potrebbe offrire a un prezzo l’opzione di restituire la merce entro sei mesi se i pacchetti rimangono intatti. Esercitare o meno questa opzione dovrebbe far parte della decisione ma può essere facilmente dimenticato.

Non riuscire a identificare la forma completa della decisione della catena di approvvigionamento o peggio ancora caratterizzare erroneamente la decisione è uno dei modi più sicuri per fallire l’iniziativa. In particolare, la risposta basata sulle eredità è uno degli errori più frequenti che si verificano nelle grandi aziende. L’essenza della risposta basata sulle eredità è adottare una forma di decisione che in realtà non ha senso per l’azienda e la sua catena di approvvigionamento, ma che viene comunque adottata perché la forma si adatta a un software transazionale esistente o si adatta a un processo esistente all’interno dell’organizzazione.

Ad esempio, si può decidere che il riassortimento dell’inventario dovrebbe essere controllato attraverso il calcolo dei livelli di scorte di sicurezza invece di calcolare direttamente le quantità effettive da riordinare. Calcolare le scorte di sicurezza può sembrare più facile perché quelle scorte di sicurezza esistono già nell’ERP. Pertanto, se i valori delle scorte di sicurezza dovessero essere ricalcolati, quei valori potrebbero essere facilmente inseriti nell’ERP, sovrascrivendo qualsiasi formula sia stata effettivamente utilizzata in DRP.

Tuttavia, le scorte di sicurezza presentano notevoli limitazioni. Anche qualcosa di semplice come una quantità minima d’ordine (MOQ) non si adatta a una prospettiva di scorte di sicurezza. Almeno questa implementazione è favorita non a causa di un software ma a causa di processi preesistenti all’interno dell’organizzazione.

Ad esempio, una rete di vendita al dettaglio può avere due team di pianificazione: un team dedicato al riassortimento dei negozi e un team dedicato ai livelli di personale dei centri di distribuzione. Tuttavia, questi due problemi sono fondamentalmente uno e lo stesso. Una volta che le quantità di riordino sono state scelte per i negozi, non c’è più margine di manovra per decidere quanta personale è necessaria per i centri di distribuzione. Pertanto, i due team hanno missioni fondamentalmente sovrapposte. Questa divisione del lavoro funziona finché ci sono esseri umani nel processo decisionale. Gli esseri umani sono bravi a gestire requisiti ambigui. Tuttavia, questa ambiguità rappresenta un ostacolo enorme per qualsiasi tentativo di automatizzare il riassortimento o i requisiti di personale.

Questo antipattern, la risposta basata sulle eredità, è molto allettante perché riduce al minimo la quantità di cambiamento da implementare. Tuttavia, l’automazione della decisione cambia il modo in cui la decisione dovrebbe essere affrontata. Spesso, se il design ereditato viene mantenuto, l’iniziativa quantitativa della catena di approvvigionamento fallirà.

Innanzitutto, complica ulteriormente la progettazione della ricetta numerica, che è già un’impresa piuttosto complessa. Infatti, i modelli che erano adatti per una divisione del lavoro tra dipendenti umani non sono quelli adatti per un pezzo di software che è solo meccanico.

In secondo luogo, la risposta basata sulle eredità nega anche molti dei potenziali vantaggi associati all’automazione. Infatti, nella catena di approvvigionamento molte inefficienze si trovano ai confini che esistono all’interno dell’azienda. L’automazione elimina la necessità di gran parte di quei confini che sono stati introdotti solo a causa di un modo specifico di organizzare la divisione del lavoro che non ha senso se si ha un computer che si occupa di tutto. Non lasciare che decisioni prese due o tre decenni fa dicano il futuro della tua catena di approvvigionamento.

Una volta che la forma della decisione è stata correttamente caratterizzata, lo scienziato della catena di approvvigionamento inizia a creare la ricetta numerica stessa, sfruttando i dati storici delle transazioni. In questa serie di lezioni, ci sono due capitoli dedicati ai dettagli delle tecniche algoritmiche che possono essere utilizzate per apprendere e ottimizzare. Non tornerò su quegli elementi oggi. Diciamo solo che lo scienziato della catena di approvvigionamento prende una serie di decisioni basate sul suo conoscenza ed esperienza e anche sugli strumenti disponibili agli scienziati della catena di approvvigionamento.

Con gli strumenti e le tecniche adeguate, questa bozza iniziale può e dovrebbe essere implementata in pochi giorni, al massimo qualche settimana. Infatti, non stiamo parlando di una ricerca avanzata che cerca di scoprire qualche tipo di tecnica innovativa, ma semplicemente di creare un’adattamento di tecniche conosciute che abbracciano le specificità della catena di approvvigionamento di interesse. Infatti, la ricetta numerica deve abbracciare molto strettamente i dettagli della decisione come sono stati identificati nella loro forma completa.

Anche considerando uno scienziato della catena di approvvigionamento molto competente che sfrutta gli strumenti migliori che il denaro può comprare, è inutile aspettarsi che la ricetta numerica sia corretta al primo tentativo. Infatti, le catene di approvvigionamento sono troppo complesse e oscure, specialmente le loro rappresentazioni digitali, per ottenere una ricetta numerica corretta la prima volta. I metodi numerici orientati all’interno, come avere metriche e benchmark, non possono rilevare una comprensione errata da parte dello scienziato della catena di approvvigionamento di un dato.

Per ogni colonna in ogni tabella ottenuta dal sistema di transazioni che gestisce l’azienda, di solito ci sono diverse possibili interpretazioni di quei dati. Considerando che stiamo parlando di decine di colonne da integrare nella ricetta numerica, gli errori sono garantiti. L’unico modo per valutare la correttezza della ricetta numerica è metterla alla prova e ottenere un feedback del mondo reale. Questo è stato discusso nel secondo capitolo di questa serie nella lezione intitolata “Ottimizzazione sperimentale”.

Pertanto, lo scienziato della catena di approvvigionamento deve collaborare con il praticante della catena di approvvigionamento al fine di identificare situazioni in cui la ricetta numerica nella sua forma attuale restituisce ancora risultati insensati. In generale, lo scienziato della catena di approvvigionamento implementa un dashboard che consolida la decisione come sarebbe presa oggi dalla ricetta numerica e il praticante della catena di approvvigionamento cerca di individuare linee che sembrano insensate.

Sulla base di questo feedback, gli scienziati strumentano ulteriormente la ricetta numerica. Lo strumento assume la forma di indicatori che cercano di rispondere alla domanda: perché è stata presa questa decisione apparentemente insensata in questo contesto? Sulla base di questa strumentazione, diventa possibile decidere se la ricetta numerica ha bisogno di essere corretta, ad esempio, perché un driver economico è modellato in modo improprio, o se la decisione apparentemente insensata è effettivamente corretta, solo diversa dal modo in cui le cose sono state fatte in azienda finora.

L’ottimizzazione sperimentale è un processo altamente iterativo. Come regola generale, con gli strumenti giusti, un singolo scienziato della catena di approvvigionamento a tempo pieno deve essere in grado di presentare una nuova iterazione della ricetta numerica ogni singolo giorno al praticante della catena di approvvigionamento. Se la ricetta numerica è correttamente strumentata, man mano che l’iniziativa avanza, il praticante non dovrebbe avere bisogno di più di due ore al giorno per fornire un feedback sull’ultima iterazione della ricetta numerica.

L’iterazione si interrompe quando la ricetta numerica non genera più risultati insensati, cioè quando il praticante non riesce più a identificare decisioni che sono dimostrabilmente dannose per l’azienda. L’assenza di decisioni insensate può sembrare un obiettivo modesto rispetto al nostro obiettivo generale di generare decisioni superiori rispetto al processo manuale. Tuttavia, teniamo presente che la ricetta numerica è stata progettata fin dall’inizio per eseguire esplicitamente un’ottimizzazione matematica dell’interesse economico a lungo termine dell’azienda. Se i risultati sono sensati, allora l’ottimizzazione sta funzionando e, cosa più importante, dimostra anche che il criterio di ottimizzazione stesso è in qualche modo corretto.

Mentre il processo di ingegnerizzazione altamente iterativo della ricetta numerica può risolvere numerosi problemi presenti nell’implementazione iniziale, le sole iterazioni non sono sufficienti se la prospettiva stessa che entra nell’ottimizzazione è errata. In questa serie di lezioni, ho già detto che l’ottimizzazione deve essere eseguita secondo una metrica finanziaria, cioè una metrica espressa in euro o dollari. Tuttavia, permettetemi di chiarire questa affermazione: non utilizzare una metrica finanziaria è un errore che mette a rischio l’intera iniziativa.

Purtroppo, le grandi organizzazioni di solito evitano le metriche finanziarie. Preferiscono invece metriche aspirazionali, che vengono espresse come percentuale e rappresentano una sorta di perfezione che sarebbe raggiunta se si raggiungesse lo zero percento o il 100 percento, a seconda dei casi. Naturalmente, la perfezione non è di questo mondo e questa situazione limite non verrà mai raggiunta. I livelli di servizio, ad esempio, sono l’archetipo della metrica aspirazionale. Il livello di servizio al 100% è impossibile da raggiungere, poiché richiederebbe una quantità irragionevole di stock.

Alcuni manager delle grandi aziende amano queste metriche aspirazionali. Le squadre si riuniranno regolarmente per discutere cosa si può fare per migliorare ulteriormente quelle metriche. Poiché quelle metriche dipendono inevitabilmente da fattori che sono al di fuori del controllo dell’azienda, possono essere rivisitate all’infinito. Ad esempio, i livelli di servizio dipendono dal volume di domanda espresso dai clienti e dai tempi di consegna offerti dai fornitori. Né la domanda né i tempi di consegna sono completamente sotto il controllo dell’azienda.

Queste metriche aspirazionali funzionano in qualche modo come obiettivi aziendali quando gli esseri umani rimangono nel processo decisionale perché gli esseri umani non prestano troppa attenzione a quelle metriche in primo luogo. Ad esempio, anche se tutti concordano sul fatto che il livello di servizio dovrebbe essere aumentato, i pianificatori manterranno comunque molte eccezioni non documentate. Il livello di servizio verrà sistematicamente aumentato, tranne se il rischio di inventario è troppo alto, se la quantità minima d’ordine è troppo alta, se il prodotto sta per essere eliminato o se non c’è più budget per il prodotto, ecc.

Purtroppo, quelle metriche aspirazionali diventano un veleno quando si implementa un processo automatizzato. Infatti, quelle metriche sono incomplete e non riflettono ciò che è effettivamente desiderabile per l’azienda. Ad esempio, raggiungere un livello di servizio del 100% non è desiderabile perché creerebbe enormi eccessi di stock per l’azienda. È possibile - non insensato ma possibile - cercare di reimplementare tutti quei vincoli, tutte quelle eccezioni in cima alle metriche aspirazionali. Intendo dire che la ricetta numerica dovrebbe puntare alle metriche aspirazionali con molti vincoli che imitano ciò che potrebbe accadere nella mente di un pianificatore. Ad esempio, potremmo definire la regola che dice che il livello di servizio dovrebbe essere aumentato finché manteniamo l’inventario al di sotto di quattro mesi di stock. Tuttavia, questa strategia per la progettazione e l’implementazione effettiva della ricetta numerica è estremamente fragile. L’ottimizzazione finanziaria diretta è un percorso molto più sicuro e superiore.

Per ottenere una collaborazione efficiente tra il praticante della supply chain - o più probabilmente i praticanti, al plurale - e lo scienziato della supply chain, consiglio di adottare fin dall’inizio una strategia a doppio esecuzione. La ricetta numerica dovrebbe essere eseguita quotidianamente insieme al processo manuale preesistente. Con l’esecuzione doppia, l’azienda genera effettivamente la decisione due volte attraverso due processi concorrenti. Tuttavia, nonostante l’attrito, una doppia esecuzione offre notevoli vantaggi. In primo luogo, il praticante della supply chain ha bisogno di decisioni appena generate che corrispondano alla situazione attuale per fare la sua valutazione. Altrimenti, il praticante non può nemmeno dare un senso alla decisione automatizzata, non può nemmeno identificare le parti che sono insensate. Infatti, dal punto di vista del praticante, le decisioni che riflettono la situazione della supply chain tre settimane fa sono storia antica. Non c’è molto da guadagnare nel passare ore a rivedere i livelli di stock passati.

Al contrario, se le decisioni automatizzate sono fresche e riflettono la situazione attuale, allora queste decisioni automatizzate competono con le decisioni che il praticante sta per prendere manualmente. Queste decisioni automatizzate possono essere viste come suggerimenti per il momento.

In secondo luogo, l’esecuzione giornaliera della ricetta numerica garantisce che l’intero flusso di dati venga sottoposto a un test funzionale completo ogni giorno. Infatti, la ricetta numerica non deve solo restituire risultati sensati; deve anche funzionare in modo impeccabile dal punto di vista dell’infrastruttura IT. Infatti, le supply chain sono già abbastanza caotiche; la ricetta numerica non deve aggiungere il suo strato di caos in più. Mettere la ricetta in condizioni di produzione il prima possibile garantisce che i problemi poco frequenti si manifestino presto e quindi che l’ufficiale dei dati e gli scienziati della supply chain abbiano la possibilità di risolvere tali problemi in anticipo. Come regola generale, alla fine del primo terzo - quindi alla fine del terzo mese dopo l’avvio di un’iniziativa di fornitura di quantità - la doppia esecuzione dovrebbe essere in atto, anche se la ricetta numerica non è ancora pronta per essere messa in produzione.

Inoltre, alla fine del primo mese della doppia esecuzione, se lo scienziato fa un buon lavoro, allora il praticante dovrebbe iniziare a osservare modelli nell’elenco delle decisioni automatizzate che altrimenti sarebbero sfuggite, anche se ci sono ancora alcune linee insensate che richiedono ulteriori miglioramenti della ricetta numerica.

Una volta che la doppia esecuzione è in atto, ci si aspetta che il praticante della supply chain dedichi del tempo - una o due ore al giorno - a esaminare le decisioni generate dalla ricetta numerica e si aspetta che cerchi di identificare le parti che non sono ancora del tutto sensate. Tuttavia, a volte la situazione sarà semplicemente poco chiara. Una decisione è sorprendente - forse la ricetta numerica è lenta, forse no. Il praticante si sente incerto e in questo caso dovrebbe chiedere allo scienziato di aggiungere ulteriori strumenti per fare luce sul caso. Questo processo è esattamente ciò a cui si fa riferimento in questa serie di lezioni come “white-boxing” della ricetta numerica. Il “white-boxing” è un processo in cui la ricetta numerica viene resa il più trasparente possibile per gli azionisti. Il “white-boxing” è una cosa buona - essenziale persino - per costruire fiducia nella ricetta numerica.

Assumendo che le decisioni automatizzate siano raccolte in una tabella nel cruscotto, la forma più tipica di strumentazione sarà costituita da colonne aggiuntive accanto alle colonne delle decisioni. Ad esempio, se stiamo considerando le quantità di riordino, ci sono colonne di strumentazione ovvie che possono essere prese in considerazione come la quantità di stock disponibile, il tempo medio di consegna previsto, la domanda media prevista nel tempo giornaliero, ecc. Questa strumentazione è fondamentale per il praticante per effettuare valutazioni rapide sulla sensatezza delle decisioni automatizzate. Tuttavia, dobbiamo fare attenzione alla quantità di strumentazione che viene accumulata sulla ricetta numerica. Ogni singolo indicatore che viene introdotto per decorare la decisione automatizzata come parte del processo di “white-boxing” appesantisce un po’ di più la visione che si può avere delle decisioni stesse. Troppo di una cosa buona può diventare una cosa cattiva. Se dopo due mesi di esecuzione, il praticante continua a richiedere routine più strumentazione mentre il flusso di dati è già stato stabilizzato, allora potremmo avere un problema.

La causa principale del problema può essere associata a parti intelligenti della ricetta numerica. Nei capitoli 5 e 6 di questa serie, abbiamo visto che tutte le tecniche e i modelli non sono uguali in termini di interpretabilità. Molti modelli sono molto opachi per design, anche per i data scientist che li utilizzano. Oggi non tornerò sulle classi di modelli che soddisfano i requisiti in termini di interpretabilità. Per il bene di questa discussione, suppongo semplicemente che i modelli che sono stati incorporati nella ricetta numerica siano interpretabili correttamente dal punto di vista della supply chain. In questo contesto, quando l’iniziativa sembra bloccarsi a causa di una serie infinita di richieste di ulteriori strumenti, la causa principale più probabile è l’analisi paralisi. Il praticante della supply chain sta pensando troppo alla valutazione della ricetta numerica. Questa è l’essenza dell’analisi paralisi. Il praticante sta sottoponendo la ricetta numerica a un grado di scrutinio che supera quello che viene fatto per il processo manuale. È compito dell’esecutivo della supply chain assicurarsi che l’iniziativa non si blocchi nell’analisi paralisi. E se succede ancora, e può succedere, è anche compito dell’esecutivo della supply chain ricordare gentilmente al team che le decisioni guidate dall’uomo sono imperfette anche loro. Stiamo cercando un miglioramento rispetto al processo manuale, non la perfezione.

Una volta che la ricetta numerica non genera più decisioni insensate e una volta che le decisioni stesse sono accompagnate da un livello di strumentazione appropriato, è il momento di una graduale presa in carico del processo automatizzato che sostituisce il processo manuale. Come regola generale, questo punto dovrebbe essere raggiunto entro due o quattro mesi dopo l’avvio della doppia esecuzione. Dal primo giorno della doppia esecuzione, la ricetta numerica dovrebbe essere stata operativa su tutto il campo di applicazione dell’iniziativa. Pertanto, in teoria, la transizione dalle decisioni manuali a quelle automatizzate potrebbe avvenire efficacemente da un giorno all’altro.

Tuttavia, la pratica spesso non è d’accordo con la teoria. Se stiamo parlando di un’azienda di grandi dimensioni, è importante passare tutte le decisioni da un processo all’altro durante la notte. Le supply chain sono molto complesse e dobbiamo aspettarci l’imprevisto. Pertanto, è più saggio iniziare con un campo operativo ridotto come una singola categoria di prodotti e espandersi da lì. Per le prime fasi della presa in carico, è opportuno dedicare una settimana o forse due settimane per ogni iterazione. Sia il praticante della supply chain che gli scienziati della supply chain devono ispezionare attentamente come vengono attuate le decisioni automatizzate. E se non succede nulla di imprevisto in questo campo operativo ridotto, anche se la ricetta numerica non genera più decisioni apparentemente insensate a questo punto, potrebbero comunque esserci problemi nel modo in cui le decisioni automatizzate vengono integrate nei sistemi transazionali. Una volta che la ricetta numerica ha guidato la produzione per alcune settimane, anche se il campo di applicazione era relativamente piccolo, è opportuno accelerare le iterazioni.

La presa in carico può ottenere aumenti più consistenti ad ogni iterazione e la durata delle iterazioni stesse può essere compressa, eventualmente fino a due iterazioni a settimana. Infatti, l’intero periodo di transizione verso il processo automatizzato dovrebbe essere mantenuto ragionevolmente breve. Altrimenti, il ritardo nella presa in carico introduce altre classi di rischio. Anche la supply chain continua a cambiare così come il suo panorama applicativo. Come regola generale, la presa in carico non dovrebbe superare i due o quattro mesi a seconda della scala e della complessità dell’azienda.

Durante la transizione della supply chain da un processo manuale a uno automatizzato, devono avvenire una serie di cambiamenti all’interno dell’organizzazione. Le grandi organizzazioni sono notoriamente difficili da cambiare, ma ci sono due direzioni distinte per il cambiamento. L’organizzazione può aggiungere un processo o l’organizzazione può rimuovere un processo.

Rimuovere un processo è molto più difficile che aggiungerne uno. Aggiungere un processo significa assumere persone e l’unico ostacolo a questo arriverà dalla cima stessa dell’azienda perché è una voce di bilancio aggiuntiva. Rimuovere un processo significa licenziare persone o almeno licenziare i loro lavori mantenendo e riqualificando i dipendenti. Quando si rimuove un processo, la situazione si capovolge. Ci si può aspettare opposizione da tutta l’organizzazione tranne che dalla sua cima.

Il modo più semplice per portare una ricetta numerica in produzione prevede di mantenere un’esecuzione doppia a tempo indeterminato. Il processo manuale esistente viene preservato e ora sfrutta le decisioni automatizzate come semplici suggerimenti. Questo approccio sembra sicuro e potrebbe persino offrire guadagni marginali, poiché i suggerimenti automatici offrono alcuni vantaggi aiutando i praticanti a identificare alcuni degli errori peggiori associati al processo manuale. Tuttavia, mantenere l’esecuzione doppia a tempo indeterminato porta alla sedimentazione del processo, in cui l’organizzazione non riesce a rimuovere qualcosa.

Perché le pratiche della supply chain diventino un’attività capitalista - un asset produttivo - l’organizzazione deve abbandonare il processo manuale. Il processo manuale è un vicolo cieco; non migliorerà ulteriormente nel tempo. L’organizzazione deve dirottare tutto il tempo e l’energia dedicati al processo manuale nel miglioramento continuo di quello automatizzato. Mantenere il processo manuale intorno ostacola solo la capacità di sfruttare al massimo l’automazione e ciò che essa ha da offrire. In particolare, finché continuano ad avvenire interventi manuali, nulla è veramente riproducibile a causa delle interferenze manuali e quindi nulla può essere veramente ottimizzato, poiché l’ottimizzazione richiede riproducibilità.

L’automazione delle decisioni, anche considerando quelle banali e ripetitive, rappresenta un cambiamento di paradigma nel modo in cui vengono gestite le supply chain. Il cambiamento è così significativo che è tentante ignorarlo del tutto. Tuttavia, il cambiamento è in arrivo. Due secoli di meccanizzazione progressiva della nostra economia hanno reso abbondantemente chiaro: una volta che qualcosa può essere automatizzato, viene automatizzato. Dopo un po’, non si può tornare allo stato precedente delle cose. Lokad gestisce circa 100 supply chain in configurazioni altamente automatizzate, fornendo una prova vivente che l’automazione della supply chain è già qui; semplicemente non è ancora diffusa.

Una delle più grandi modifiche da implementare da parte dei nostri clienti riguarda il ruolo del pianificatore della domanda e dell’offerta. La forma predominante di questi ruoli, che assume vari nomi nel settore - come responsabili dell’inventario, responsabili delle categorie o responsabili della fornitura - prevede che un dipendente possieda un elenco ridotto di SKU, che può variare da 50 a 5.000 SKU a seconda del volume di flusso. Il pianificatore è responsabile della disponibilità continua degli SKU nell’elenco ridotto, sia attraverso il rifornimento dell’inventario che attraverso i lotti di produzione, o entrambi. La divisione del lavoro è semplice: all’aumentare del numero di SKU, aumenta anche il numero di pianificatori.

Il focus del pianificatore è interno. Questa persona trascorre molto tempo a rivedere i numeri, sia consolidati in un foglio di calcolo che visualizzati su dashboard. I pianificatori potrebbero utilizzare strumenti software aziendali, ma quasi sempre prendono decisioni finali all’interno dei fogli di calcolo che gestiscono personalmente. Lo scopo del foglio di calcolo è fornire un contesto numerico accessibile e completamente personalizzabile per supportare le decisioni prese dal pianificatore. La routine del pianificatore consiste nel rivedere l’intero elenco ridotto di SKU ogni settimana, eventualmente ogni giorno.

Tuttavia, una volta che la ricetta numerica è in produzione, non ha senso mantenere questo programma di revisione manuale dell’elenco ridotto di SKU da parte del pianificatore. Il pianificatore dovrebbe passare al ruolo di responsabile della rete. Liberato in gran parte dalle routine legate ai dati, il responsabile della rete può investire il proprio tempo nella comunicazione con la rete, sia a monte con i fornitori che a valle con i clienti, e nel riesaminare le ipotesi che supportano la progettazione della ricetta numerica. Il pericolo principale che minaccia la ricetta numerica non è la perdita della precisione; è la perdita di rilevanza. Il responsabile della rete cerca di identificare ciò che non può essere visto attraverso le lenti dei dati, almeno non ancora. Non si tratta di gestire in modo dettagliato la ricetta numerica o apportare modifiche numeriche alle decisioni stesse; si tratta di identificare fattori che rimangono ignorati o non compresi dalla ricetta numerica.

Il responsabile della rete consolida le informazioni destinate sia agli scienziati della supply chain che ai dirigenti della supply chain. Sulla base di queste informazioni, gli scienziati possono regolare o rielaborare la ricetta numerica per riflettere una comprensione rinnovata della situazione.

Purtroppo, opporsi all’implementazione della ricetta numerica non è l’unico modo per il pianificatore di mantenere lo status quo. Un’altra strategia consiste nel continuare la stessa routine lavorativa: continuare a rivedere l’elenco ridotto di SKU ma, anziché sovrascrivere le decisioni, semplicemente segnalare tutte le scoperte, se presenti, agli scienziati della supply chain. Le persone amano le loro abitudini, e i dipendenti delle grandi aziende ancora di più.

Il problema di questo approccio è che, una volta che l’automazione è in atto, gli scienziati della supply chain possono osservare direttamente i risultati del processo automatizzato, sia quelli positivi che quelli negativi. Il pianificatore e gli scienziati hanno accesso agli stessi dati; tuttavia, lo scienziato, per definizione, ha accesso a strumenti analitici più potenti rispetto al pianificatore. Pertanto, una volta che l’automazione è implementata, il valore aggiunto del feedback del pianificatore diminuisce rapidamente per quanto riguarda il miglioramento continuo della ricetta numerica.

Poiché il pianificatore ora ha più tempo per analizzare, è probabile che richieda che lo scienziato crei più indicatori e dashboard. Ciò porta al “turismo dei KPI”: aumentare il numero di indicatori da esaminare fino a quando il semplice esame di essi diventa un lavoro a tempo pieno. Questo carico di lavoro diventa anche una distrazione per gli scienziati. In questa fase, dopo l’implementazione, il miglioramento della ricetta numerica richiede una buona comprensione dei punti deboli dell’implementazione effettiva. Lo scienziato è idealmente posizionato per svolgere questo lavoro, mentre il pianificatore è molto meno adatto. Per essere di aiuto, il pianificatore dovrebbe diventare un responsabile della rete e, come già detto, iniziare a guardare verso l’esterno. Altrimenti, la posizione del pianificatore si riduce a un turismo dei KPI.

Il lavoro dell’esecutivo della supply chain è in gran parte definito dall’organizzazione e dai suoi processi. Finché le decisioni banali rimangono il risultato di un processo manuale, non c’è altra alternativa per l’organizzazione se non adottare una divisione del lavoro in cui ogni pianificatore opera sulla propria lista di SKU. Pertanto, l’esecutivo della supply chain è prima di tutto il responsabile di un team di pianificatori. Se l’azienda è abbastanza grande da giustificare uno strato di middle management, allora l’esecutivo potrebbe gestire i pianificatori solo indirettamente. Tuttavia, la divisione della supply chain rimane la stessa: una piramide con i pianificatori alla base. Per necessità, essere un buon esecutivo della supply chain significa essere un buon allenatore per quei pianificatori. L’esecutivo non guida le decisioni della supply chain; sono i pianificatori che prendono quelle decisioni. Migliorare le decisioni è principalmente una questione di ottenere un lavoro migliore da parte dei pianificatori.

I fornitori di software per la supply chain sostengono che i loro strumenti possono fare la differenza. Tuttavia, come abbiamo già detto, i fogli di calcolo vengono quasi sempre utilizzati per prendere quelle decisioni, indipendentemente da quanto strumenti sono stati messi in atto all’interno dell’azienda. Pertanto, alla fine, tutto si riduce a ciò che i pianificatori fanno con i loro fogli di calcolo.

Una volta che una classe di decisioni della supply chain è stata automatizzata, il lavoro dell’esecutivo della supply chain cambia notevolmente. Il lavoro non riguarda più l’allenamento di un grande team di pianificatori che svolgono tutti variazioni dello stesso lavoro. Il lavoro consiste ora nell’assicurarsi che l’azienda sfrutti al massimo la sua automazione della supply chain. L’esecutivo deve diventare il proprietario del prodotto software che guida efficacemente le decisioni della supply chain.

Infatti, il focus e il contributo degli scienziati della supply chain sono rivolti verso l’interno, proprio come i contributi precedenti dei pianificatori. Gli scienziati possono solo migliorare la ricetta numerica dall’interno. Non ci si può aspettare che rifattorizzino il panorama applicativo o i processi aziendali più ampi. È compito dell’esecutivo della supply chain fare in modo che ciò accada. In particolare, l’esecutivo diventa responsabile di stabilire una roadmap per il miglioramento continuo dell’automazione.

Finché le decisioni erano guidate dai pianificatori, la roadmap era in gran parte evidente. I pianificatori avrebbero continuato a fare ciò che facevano e la missione per il prossimo trimestre sarebbe stata in gran parte simile alla missione che avevano durante il trimestre precedente. Tuttavia, una volta che l’automazione è in atto, migliorare la ricetta numerica comporta quasi sempre fare qualcosa che non è mai stato fatto prima. Quando si sviluppa un software, se lo si fa correttamente, non si ripete - si va avanti. Una volta acquisita una conoscenza, bisogna cercare un nuovo tipo di conoscenza. La missione delle persone che lavorano sotto un proprietario di prodotto software cambia continuamente per design.

Le nuove direzioni e gli obiettivi non cadono dal cielo. È responsabilità dell’esecutivo della supply chain guidare lo sviluppo del prodotto software della supply chain in direzioni favorevoli.

La maggior parte dei problemi quotidiani affrontati dalle supply chain sono problemi di software. Questo è il caso da oltre un decennio già nei paesi sviluppati, anche nelle aziende in cui tutte le decisioni sono derivate manualmente da fogli di calcolo. Questa situazione è una conseguenza diretta delle supply chain che si trovano all’incrocio di molti sistemi: ERP, CRM, WMS, OMS, PIM e decine di acronimi a tre lettere amati dai fornitori di software aziendale che descrivono le varie componenti del software aziendale che contengono tutti i dati di interesse per scopi di supply chain. Le supply chain richiedono una prospettiva end-to-end del business e, di conseguenza, finiscono per collegare la maggior parte del panorama applicativo dell’azienda. Tuttavia, la maggior parte delle aziende sembra ancora scegliere leader della supply chain che sanno molto poco di software. Ancora peggio, alcuni di questi leader non hanno alcuna intenzione di imparare mai nulla sul software. Questa situazione è l’anti-pattern del “bus della supply chain analitica”. Quando dico software, dovrebbe essere inteso come il tipo di argomento che ho trattato nel quarto capitolo di questa serie di lezioni, con argomenti che vanno dall’hardware di calcolo all’ingegneria del software.

Oggi, l’analfabetismo informatico nella dirigenza della supply chain rappresenta un grave problema per l’azienda. O la dirigenza crede di poter fare bene anche senza competenze informatiche, o crede di poter fare bene con competenze informatiche esterne. In entrambi i casi, le conseguenze non sono buone.

Se la dirigenza crede di poter fare bene anche senza competenze informatiche, allora l’azienda perderà terreno su tutti i canali elettronici, sia sul lato delle vendite che su quello degli acquisti. Tuttavia, poiché molti dipendenti si rendono conto che questi canali elettronici sono importanti, che la dirigenza lo voglia o no, l’IT ombra sarà diffusa. Inoltre, state certi che per la prossima grande transizione software all’interno dell’azienda, questa transizione sarà gestita in modo estremamente errato, con periodi prolungati di bassa qualità del servizio a causa di problemi legati al software che avrebbero potuto essere evitati del tutto fin dall’inizio.

Se la dirigenza crede di poter fare bene con competenze informatiche di terze parti, è leggermente migliore rispetto al caso precedente, ma non di molto. Fidarsi di esperti esterni è accettabile se si ha un problema ristretto e autonomo, come garantire che il processo di assunzione sia conforme a una normativa. Tuttavia, le sfide della supply chain non sono autonome; si estendono a tutta l’azienda e molto spesso anche oltre l’azienda stessa. La trappola più frequente associata al pensare che l’esperienza possa essere esternalizzata consiste nel riversare ingenti quantità di denaro verso grandi fornitori di software, sperando che risolvano i problemi per voi. Sorpresa: non lo faranno. L’unico rimedio per questi problemi è una minima competenza informatica da parte della dirigenza.

Oggi abbiamo delineato come portare le decisioni automatizzate della supply chain in produzione. Il processo è una combinazione di progettazione, ingegneria e conduzione del cambiamento. È un percorso difficile, con numerosi percorsi apparentemente facili o rassicuranti che portano dritti al fallimento dell’iniziativa. Per avere successo, l’iniziativa richiede una sostanziale evoluzione dei ruoli e delle missioni sia della dirigenza della supply chain che dei suoi dipendenti.

Per le aziende profondamente radicate nei loro processi manuali, attuare un’iniziativa del genere può sembrare insormontabile e quindi mantenere lo status quo può sembrare l’unica opzione. Tuttavia, non sono d’accordo con questa conclusione su due fronti. In primo luogo, sebbene il percorso sia arduo, è economico, almeno rispetto alla maggior parte degli investimenti aziendali. Reinvestendo il costo annuale di cinque pianificatori della domanda, l’azienda può automatizzare il carico di lavoro di 50 pianificatori della domanda. Naturalmente, i grandi fornitori di software aziendale possono essere fidati di affermare che ci vogliono decine di milioni di dollari solo per iniziare, ma ci sono alternative molto più snelle. In secondo luogo, il percorso potrebbe essere arduo, ma non è davvero opzionale. Le aziende che impiegano eserciti di impiegati per prendere decisioni banali e ripetitive sulla supply chain soffrono anche di tempi di consegna lunghi e autoimposti causati dai propri processi interni. Queste aziende non rimarranno competitive rispetto alle aziende che hanno automatizzato i loro processi decisionali di routine. Il vantaggio competitivo ottenuto dall’automazione è sempre modesto all’inizio; tuttavia, poiché l’automazione può essere migliorata nel tempo mentre un processo manuale no, il vantaggio competitivo diventa esponenzialmente più forte nel tempo. In questo momento, le decisioni automatizzate della supply chain possono ancora essere percepite come futuristiche, ma tra due decenni sarà vero il contrario. I processi manuali saranno quelli percepiti come resti antiquati di un’era passata.

Questa conclude la lezione di oggi. Proseguiremo tra un minuto con le domande. La prossima lezione sarà la prima settimana di novembre, mercoledì, alle 15:00, ora di Parigi, come al solito. Torneremo al terzo capitolo con una persona della supply chain. Si tratterà di un’azienda immaginaria chiamata Stuttgart, che è un’azienda di ricambi per auto. Vedremo che l’automotive è l’industria delle industrie e presenta una serie di sfide abbastanza specifiche che, ancora una volta, non sono adeguatamente riflettute nei manuali di supply chain.

Diamo un’occhiata alle domande.

Domanda: La supply chain quantitativa richiede il proprio modo ideale di divisione del lavoro?

Sì, può essere una transizione graduale, ma l’idea è che la divisione del lavoro che avevi con un processo manuale fosse definita dal fatto che un pianificatore può gestire solo così tanti SKU. Più SKU, più pianificatori. Questa è una divisione del lavoro molto semplicistica. Quando hai un’azienda grande e vuoi avere un processo automatizzato, l’idea è che avrai persone specializzate. Ad esempio, un responsabile di rete può diventare uno specialista nella qualità del servizio percepita dal cliente. La percezione conta; non è la qualità del servizio astratta, come i livelli di servizio. Forse i clienti hanno la loro prospettiva su questo, quindi qualcuno potrebbe specializzarsi in questo. Un altro responsabile di rete potrebbe specializzarsi in un angolo specifico in cui una maggiore coordinazione e integrazione con alcuni fornitori potrebbero, ad esempio, ridurre i tempi di consegna e portare nuove opzioni sul tavolo. Improvvisamente, la divisione del lavoro si concentra su molti aspetti che devono essere studiati, rivisti e ri-analizzati da una prospettiva analitica. Puoi avere diverse persone che lavorano su questo. Ma ancora una volta, non si tratta di avere qualcosa di definito come un elenco di SKU. È anche l’essenza del miglioramento di qualcosa. Forse le persone avrebbero solo bisogno di essere diverse persone in modo che possano fare brainstorming insieme e cercare di identificare le migliori idee e selezionarle. Una volta che intraprendi il percorso di un’iniziativa di supply chain quantitativa, la tua divisione del lavoro diventa molto più simile a un processo di ingegneria continuo, con persone che hanno una conoscenza più approfondita in aree specifiche e cercano di unirsi per far emergere un prodotto superiore.

Domanda: L’utilizzo di percentuali invece di metriche finanziarie aiuta a nascondere le inefficienze del processo legacy. In caso affermativo, quanto è probabile che l’iniziativa possa avere successo?

È una domanda molto complessa. Uno dei motivi per cui le grandi aziende e così tanti manager al loro interno amano quelle metriche aspirazionali è che non c’è nessuna colpa ad esse associata. Una volta che hai un indicatore espresso come percentuale, nessuno si rende conto che rappresenta milioni di dollari persi a causa di un errore specifico commesso da una divisione particolare guidata da una determinata persona solo nell’ultimo trimestre. Queste percentuali sono incredibilmente opache ed è una vera sfida far sì che queste iniziative abbiano successo perché, molto spesso, una volta che metti le cose in dollari o euro, scoprirai la vera entità delle inefficienze, che possono essere assolutamente enormi.

Nell’esperienza di Lokad, per le aziende quotate in borsa che divulgarono tutti i numeri ai mercati pubblici con più di 200 revisori che certificavano il valore dell’inventario, abbiamo scoperto che i valori dell’inventario erano sbagliati del 20% a favore dell’azienda. Stiamo parlando di un’azienda con oltre un milione di euro di inventario nei loro libri. La cosa folle era che l’inventario era stato sottoposto a revisione da più di 200 persone letteralmente per decenni e tutto era stato digitalizzato da decenni.

Quando scopri queste cose, è difficile, ma credo che il modo di affrontarlo sia essere duri con i problemi e gentili con le persone. Le aziende devono imparare ad essere gentili con le persone e davvero dure con i problemi, invece di ignorare il problema e licenziare le persone.

Domanda: Le grandi aziende utilizzano molti più KPI di quanti ne abbiano bisogno. Quando lanci l’iniziativa, come metti in discussione tutti i KPI?

Ottima domanda. Tutti quei KPI sono una grande distrazione per supportare il lavoro svolto manualmente dai pianificatori. Una volta che hai una ricetta numerica, perché ti preoccupi di tutti quei KPI? Tutto ciò che ottimizzi dovrebbe essere incorporato nei tuoi criteri finanziari. Dovresti avere una metrica che ti dica per ogni decisione potenziale quanto denaro è in gioco, quanto vincerai o perderai a seconda dell’esito della decisione. Invece di accumulare una serie infinita di indicatori, se vuoi perfezionare la tua metrica finanziaria, puoi aggiungere un fattore. Ma non significa che aggiungi una colonna extra nel rapporto; significa solo che regoli un po’ attribuendo un fattore extra che aggiunge o sottrae in modo additivo alcuni euro o dollari ai valori che assegni a una determinata decisione.

Fondamentalmente, tutto ciò che è al di fuori di questi obiettivi finanziari viene ignorato dalla ricetta numerica. La ricetta numerica sta eseguendo un processo di ottimizzazione matematica che ottimizza rigorosamente un obiettivo finanziario. Questo è tutto. Tutti quegli altri indicatori vengono ignorati. Una configurazione automatizzata rende molto più evidente che quegli indicatori sono inutili. Non vengono considerati dalla ricetta, non fanno parte del processo decisionale. Inoltre, chiarisce che le metriche aspirazionali, come i livelli di servizio, sono avverse. Non puoi portare il tuo livello di servizio al 100% perché non è un risultato desiderabile per l’azienda. Quando fatto correttamente, l’automazione chiarisce ciò che è effettivamente necessario in termini di indicatori e ti rendi conto che non ce ne sono così tanti necessari. Inoltre, poiché hai meno persone coinvolte nel processo, c’è meno pressione per continuare ad aggiungere indicatori. Un altro aspetto di avere grandi team di pianificatori è che ogni singola persona tende ad avere uno o due indicatori preferiti. Se hai 200 persone e ogni singola persona vuole che venga aggiunto un indicatore per la propria comodità personale, finisci con 200 indicatori, che sono troppi. Ma se hai solo un decimo di quel personale, la quantità di pressione per accumulare gli indicatori è molto più bassa.

Domanda: Come i fornitori di software di pianificazione della domanda comprendono gli ecosistemi dei loro potenziali clienti, come i requisiti di stock di sicurezza, durante la personalizzazione prima dell’implementazione presso il cliente? Voglio dire, una volta che avviene l’implementazione, non ci sono insidie in termini di errore di previsione.

La prospettiva classica, che secondo me ha fallito nel portare l’automazione alle decisioni della supply chain negli anni ‘70, si basava sull’assunzione che una soluzione software confezionata potesse affrontare i problemi delle aziende. Credo fermamente che questo non sia il caso. Un software confezionato non può adattarsi a nessuna supply chain non banale. Quello che succede è che un fornitore di software aziendale con qualche modulo di ottimizzazione delle scorte e di previsione cerca di vendere il prodotto a un’azienda e, man mano che mancano le funzionalità, le aggiungono. Nel corso di 10 anni o più, si finisce con un prodotto software mostruoso e sovraffollato con centinaia di schermate e migliaia di valori di parametro.

Il problema è che più complesso è il prodotto software, più specifiche sono le tue aspettative in termini di dati e di ciò che l’azienda dovrebbe avere. Più complesso è il prodotto software, più difficile diventa inserirlo nell’azienda cliente perché hai una supply chain complessa con molti sistemi già in atto e un prodotto di ottimizzazione della supply chain super complesso. Ci sono lacune e incongruenze ovunque.

La realtà è che la maggior parte delle grandi aziende con cui ho parlato ha gestito supply chain digitali in paesi sviluppati per due o tre decenni e ha già implementato mezza dozzina di soluzioni software per la pianificazione della domanda, l’ottimizzazione delle scorte, la progettazione della supply chain negli ultimi due o tre decenni. Quindi, ci sono già passati, non solo una volta, ma mezza dozzina di volte. Di solito, le persone non sono state abbastanza a lungo in azienda da rendersi conto che questi processi si sono ripetuti nel corso degli ultimi due o tre decenni. Eppure, i processi sono ancora completamente manuali e spesso si basano su strumenti come Excel. Il problema non è l’errore di previsione; credo che sia una diagnosi errata del problema perché l’idea che si possa avere una previsione perfetta con un sistema o un altro è assurda. Non è possibile generare una previsione perfetta e gli esseri umani che gestiscono manualmente una supply chain non hanno accesso a informazioni perfette. Non è perché sei un pianificatore della domanda umano che puoi prevedere perfettamente la domanda.

I pianificatori della domanda sono capaci di fare il loro lavoro con previsioni meno che perfette. Queste persone non sono maghi o scienziati super avanzati. Potrebbero non essere cattivi quando si tratta di previsioni, ma non c’è motivo di aspettarsi che, in media, i pianificatori della domanda in questo settore, che impiega centinaia di migliaia di persone in tutto il mondo, siano tutti super talentuosi e capaci di previsioni di domanda incredibilmente accurate. Quello che fa funzionare il sistema è che queste persone hanno le loro euristiche e modi di gestire manualmente la supply chain che sopravvivono nonostante abbiano previsioni scarse a disposizione.

L’obiettivo nella tua configurazione automatizzata è avere un sistema che funzioni bene anche se le previsioni non sono così buone in primo luogo. Questa è l’essenza dell’approccio di previsione probabilistica; non si tratta di migliorare l’accuratezza, ma di riconoscere e accettare il fatto che la previsione non è così buona. Se torniamo a quei fornitori, credo che l’industria abbia fallito collettivamente nel portare qualsiasi grado soddisfacente di automazione negli ultimi quattro decenni, e il nocciolo del problema era la prospettiva confezionata, dove ci si aspettava che le aziende semplicemente inserissero un modulo e si dessero per accontentate. Questo non funziona. Le supply chain sono troppo diverse, versatili e in continua evoluzione per un approccio meccanico di questo tipo per avere successo.

Domanda: Con la prospettiva presentata, come affronti il problema di conciliare le diverse previsioni dell’azienda, come le vendite, l’inventario e altre?

La mia domanda è, perché stai facendo previsioni in primo luogo? Le previsioni sono solo artefatti numerici; non importano. La tua azienda non diventerà più redditizia perché c’è una migliore previsione. Le previsioni sono esattamente quello che ho chiamato nei capitoli precedenti di questa serie di lezioni, un artefatto numerico. È un’astrazione che potrebbe o potrebbe non rivelarsi utile per derivare determinate classi di decisioni. Si scopre che a seconda della decisione che si considera, il tipo di previsione di cui si ha bisogno può essere molto diverso.

Metto in discussione l’idea che si possa avere una previsione in cima e poi orchestrare l’intera supply chain basandosi su quelle previsioni. Sono fortemente in disaccordo con questo approccio, poiché non è stata la mia esperienza e credo che non funzioni così bene. Ho visto tonnellate di aziende in cui c’è un processo di pianificazione senior che produce previsioni sul lato delle vendite, che è un esercizio massiccio di sottostima. I venditori spesso sottostimano di gran lunga le loro proiezioni perché in questo modo, se superano quei numeri, possono superare più facilmente le aspettative in seguito. Le persone nelle fabbriche o nei magazzini vedono arrivare questi numeri e possono pensare che non possano essere corretti, quindi scartano il numero e fanno qualcosa di completamente diverso. Secondo me, gli esercizi di previsione effettuati dalla stragrande maggioranza delle aziende sono solo inutili sforzi burocratici. Non c’è alcun valore aggiunto in questo.

Da una prospettiva quantitativa della supply chain, è essenziale concentrarsi sulle decisioni che contano, piuttosto che sulle previsioni, che potrebbero essere solo tecnicità. Alcune classi di decisioni potrebbero non aver bisogno nemmeno di una previsione per essere prese, o se lo fanno, potrebbero richiedere un tipo di previsione molto diverso da quello che le aziende stanno attualmente considerando. Quando parliamo di previsioni, la maggior parte delle persone intende previsioni di serie temporali. Tuttavia, se torni al terzo capitolo di questa serie di lezioni, dedicato alle persone della supply chain e alle situazioni del mondo reale, scoprirai che le previsioni di serie temporali spesso non sono la risposta. La forma stessa della previsione è inadeguata per catturare i modelli che vogliamo identificare nel business.

Per concludere, suggerirei di non cercare nemmeno di conciliare quelle previsioni. Invece, ignorale e concentrati sulle decisioni stesse. Vedi cosa serve per creare ricette che generano buone decisioni e le probabilità sono che tutte quelle previsioni possano essere completamente ignorate.

In risposta al commento sulla comparazione dei risultati finanziari con i risultati KPI percentuali, è vero che puoi fare confronti cercando di correlare i livelli di servizio o i fill rate con le tue metriche finanziarie. Tuttavia, questo crea effettivamente un ritorno sull’investimento per l’azienda? Prendere decisioni di inventario migliori può creare valore per l’azienda, ma dedicare tempo a correlare i KPI non lo fa. Molte aziende sono dipendenti da questi KPI espressi come percentuali, ma spesso sono distrazioni burocratiche prive di significato.

I fornitori di software aziendali amano questi indicatori perché possono venderli alle aziende clienti, il che porta molti fornitori a spingere per ulteriori indicatori. In realtà, per una classe di decisioni sulla supply chain, avere dieci numeri degni di essere esaminati ogni giorno è già abbastanza. Di solito è difficile identificare anche solo dieci numeri che valga la pena guardare ogni giorno per un essere umano. Spesso, sono ancora meno di dieci, e va bene così. Le classi di problemi nelle supply chain tendono ad essere molto specifiche per l’azienda e la supply chain di interesse, ma non sono impossibilmente complicate. Non sto dicendo che le situazioni della supply chain richiedano migliaia di driver economici. Sto invece dicendo che le supply chain variano molto e devi assicurarti di risolvere il problema giusto che si adatta alle sottigliezze della supply chain di interesse. Per una supply chain di interesse, potresti avere tre o quattro driver di base come costo delle scorte, margine lordo e altri fattori che troverai praticamente ovunque. Poi potresti avere quattro o cinque indicatori, ancora metriche finanziarie, che sono molto specifici per un’attività di interesse. Nel complesso, siamo ancora al di sotto dei dieci numeri.

In risposta alla domanda su come bilanciare il compromesso tra KPI finanziari e KPI della supply chain, direi sì e no. Se ritieni che i KPI finanziari non siano quelli che dovresti ottimizzare, allora c’è un problema nella stessa definizione dei tuoi KPI finanziari. Nel primo capitolo di questa serie di lezioni, ho menzionato che ci sono tipicamente due cerchi di driver da considerare quando si stabilisce una metrica finanziaria. Il primo cerchio riguarda i fattori che la finanza può leggere direttamente nei libri, come il margine lordo, il valore delle scorte e i costi di acquisto. Il secondo cerchio include driver come la buona volontà del cliente e la penalità implicita quando c’è una bassa qualità del servizio. Tutto questo deve essere integrato.

La prospettiva finanziaria non riguarda l’avere KPI in cui c’è un compromesso. Piuttosto, si tratta di consolidare tutto in un punteggio in dollari o euro per la tua performance e la tua presa di decisioni. Non si tratta di conciliare i KPI della supply chain con i KPI finanziari. Piuttosto, si tratta di avere una governance in azienda in modo che le persone possano concordare sul costo effettivo delle scorte, il costo effettivo delle rotture di stock e se una decisione di riordino sia la migliore opzione o meno.

Da questa nuova prospettiva di possedere il prodotto software che guida la supply chain, il compito del dirigente della supply chain è facilitare il consenso all’interno dell’azienda. Invece di guidare un processo S&OP senza senso in cui le persone cercano di rivedere i numeri ogni mese e concordare su cifre di vendita prive di significato, si tratta di implementare un S&OP 2.0 guidato dal direttore della supply chain. Contrariamente a quanto dicono i fornitori di S&OP, il CEO non deve possedere il processo S&OP, poiché potrebbe essere più una distrazione per loro. Non c’è bisogno di coinvolgere il CEO in ogni singola battaglia.

La missione del direttore della supply chain è lavorare con il responsabile finanziario, il responsabile marketing e il responsabile vendite per concordare come misurare l’impatto finanziario di fattori come la qualità del servizio. Questo è il loro lavoro. Non c’è bisogno di conciliare diverse metriche, poiché sono già preunificate grazie al lavoro svolto sotto la guida del responsabile della supply chain o del direttore della supply chain, a seconda del titolo in vigore all’interno dell’azienda.

Questo conclude la lezione di oggi. Ci vedremo la prossima volta durante la prima settimana di novembre.