Rischi nella gestione della supply chain

00:00:00 Introduzione e definizione dei termini
00:02:40 Incertezza e costo della salvaguardia nella supply chain
00:03:54 Gestione del rischio e minimizzazione degli sprechi
00:05:30 Rischio irriducibile e opportunità nella supply chain
00:07:37 Supply chain vs perfezione della produzione
00:09:35 Rischi e opportunità nella supply chain e nei concorrenti
00:14:09 Problemi con l’approccio statico nella supply chain
00:15:56 Errori prevedibili come prassi aziendale
00:18:46 Agilità ingegneristica nella supply chain
00:21:20 Valore in dollari di rischi e opportunità
00:23:36 Ottimizzazione finanziaria dei rischi nella supply chain
00:26:37 L’approccio di Lokad alla previsione probabilistica
00:29:53 Rischio di interruzioni massive e disastri regionali
00:31:59 Incorporare i rischi nelle decisioni quotidiane della supply chain
00:34:08 Rischio di perdere grandi clienti e correlazione dei rischi
00:37:03 Distorsione nelle proiezioni cartografiche e nei modelli matematici
00:42:31 Costruire previsioni e rischio delle serie temporali
00:45:20 Ottimizzazione stocastica e approccio probabilistico
00:48:36 Scomposizione dei fattori economici per le decisioni nella supply chain
00:51:44 Le aziende spesso sono sorprese dagli eventi passati
00:57:00 Previsioni dannose e entropia incrociata nelle previsioni
01:00:00 Importanza di valutazioni del rischio attuabili
01:06:49 Rischi finanziari della distribuzione dell’inventario
01:13:54 Costo delle promozioni e dipendenze IT come rischio
01:17:22 Difficoltà nel modellare la psicologia del cliente
01:24:26 Valutazione delle previsioni delle serie temporali
01:27:33 Rischi nel software mainstream per la supply chain
01:29:30 Considerazioni finali e invito all’azione

Sommario

Conor Doherty, presentatore di LokadTV, e Joannes Vermorel, fondatore di Lokad, discutono dei rischi intrinseci nella gestione della supply chain. Vermorel sottolinea che il rischio principale è l’incertezza del futuro, che è irriducibile e fuori controllo. Egli osserva che ogni decisione comporta un compromesso tra rischio e rendimento, e che il rischio zero è irraggiungibile. Vermorel evidenzia anche le opportunità che possono derivare da questi rischi, come sfruttare le carenze di mercato. Sostiene una mentalità agile e opportunistica, e l’uso di previsioni probabilistiche per mitigare il rischio. Vermorel e Doherty concludono concordando che anche le piccole aziende possono trarre beneficio dalla gestione del rischio, portando a margini e flussi di cassa maggiori.

Sommario Esteso

In una conversazione tra Conor Doherty, il presentatore, e Joannes Vermorel, fondatore di Lokad, una società software specializzata nell’ottimizzazione della supply chain, viene esaminato in profondità il tema della gestione del rischio nelle supply chain. Vermorel spiega che la principale fonte di rischio nelle supply chain è l’incertezza del futuro. A differenza della produzione, dove i rischi possono essere eliminati perfezionando il processo, i rischi della supply chain dipendono da condizioni future sconosciute e irriducibili.

Vermorel sottolinea che ogni decisione nella gestione della supply chain comporta un compromesso tra rischio e rendimento, e l’incertezza sul futuro è irriducibile. Egli osserva inoltre che il rischio zero non esiste nelle supply chain. Anche con un processo produttivo perfetto, esiste sempre un rischio a doppia cifra percentuale che un prodotto non venga più venduto sul mercato tra cinque anni.

Vermorel ribadisce che la fonte del rischio nelle supply chain è l’incertezza del futuro. Spiega che questo rischio è irriducibile e, a differenza di altri settori come la contabilità, in cui i rischi possono essere eliminati, i rischi nelle supply chain sfuggono al controllo e possono solo essere mitigati. Sottolinea inoltre che, sebbene esistano rischi nelle supply chain, vi sono anche opportunità. Ad esempio, avere un grande stock quando il mercato sta affrontando una carenza può portare a un bel profitto.

Vermorel concorda con l’osservazione di Doherty che i rischi nelle supply chain sembrano essere più frequenti e avere effetti finanziari prevedibili. Sottolinea che la gestione della supply chain implica confrontarsi con numerosi rischi e opportunità, per lo più fuori dal controllo, e che l’unica cosa da fare è prendere decisioni che bilancino tali rischi e opportunità.

Vermorel spiega che nelle supply chain possono emergere sia rischi che opportunità. Ad esempio, l’ingresso o l’uscita di un concorrente dal mercato può abbassare o aumentare i prezzi, influenzando la redditività. Fornisce anche l’esempio di un’azienda e-commerce europea che ha capitalizzato su un evento sorprendente per ottenere un profitto eccezionale.

Vermorel spiega che nelle supply chain è importante avere una mentalità agile e opportunistica. Nota che, pur essendo possibile instaurare pratiche che sfruttano errori prevedibili, è altrettanto importante essere preparati per i rischi emergenti.

Vermorel discute il costo dei difetti nella produzione automobilistica, osservando che nella gestione della supply chain non esistono vincoli rigidi e tutto è suscettibile di ottimizzazione finanziaria. Spiega che le previsioni sono utilizzate nella gestione della supply chain per mitigare il rischio. Tuttavia, a differenza dei difetti nella produzione automobilistica, le imprecisioni nelle previsioni non saranno mai completamente eliminate.

Vermorel introduce il concetto di previsione probabilistica, in cui ogni futuro possibile ha una probabilità. Spiega che rischi come una probabilità del 2% di perdere clienti possono essere incorporati nelle previsioni probabilistiche prevedendo il comportamento dei clienti, anziché la domanda per i prodotti.

Vermorel sostiene che la qualità di un approccio guidato dal rischio debba essere valutata in base ai risultati finali, non alla qualità di una previsione probabilistica. Sottolinea che la preoccupazione principale dovrebbe essere quanto denaro sia stato guadagnato o perso, non l’accuratezza della previsione.

Vermorel suggerisce che l’entropia incrociata, una misura dell’accuratezza delle previsioni probabilistiche, è astratta quanto le percentuali, ma possiede buone proprietà per apprendere modelli di alta qualità. Sottolinea che i risultati finali, che si traducono in errori ridotti in termini di denaro, sono il parametro più importante.

Vermorel suggerisce che tali divisioni di gestione del rischio sono spesso burocratiche e le loro valutazioni non hanno conseguenze se non influenzano ogni singola decisione nella supply chain. Sostiene che se le valutazioni del rischio non influenzano le decisioni di acquisto, vengono ignorate.

Vermorel è d’accordo, sostenendo che, sebbene entrambi siano importanti, le decisioni macro sono spesso una scommessa, mentre le decisioni quotidiane possono essere valutate quantitativamente.

Vermorel discute la prospettiva classica della gestione della supply chain, in cui ogni negozio viene trattato in modo indipendente e viene mantenuta una scorta di sicurezza per coprire eventuali carenze. Tuttavia, questo approccio può causare problemi, come l’esaurimento delle scorte al livello del magazzino. Critica l’approccio tradizionale di assegnare la scorta di sicurezza ai negozi in modo sequenziale, il che può portare ad alcuni negozi completamente riforniti mentre altri non ricevono nulla. Ciò può causare una domanda insoddisfatta e un eccesso di scorte in alcuni negozi.

Vermorel suggerisce che un approccio migliore sarebbe distribuire le scorte in modo che tutti i negozi esauriscano il prodotto contemporaneamente, massimizzando le vendite. Propone un approccio probabilistico che tenga conto della rete e delle interdipendenze tra tutti i negozi e le scorte disponibili.

Vermorel discute dei rischi intangibili, come le aspettative dei clienti e il valore del marchio. Ad esempio, offrire sconti può portare i clienti ad aspettarsi futuri sconti, cosa che può essere difficile da quantificare e gestire. Menziona inoltre altre categorie di rischio, come le dipendenze IT, che possono influenzare la supply chain.

Vermorel spiega che le promozioni possono portare i clienti ad aspettare promozioni future prima di effettuare acquisti, cosa che può essere difficile da modellare e gestire a causa della natura a lungo termine del comportamento dei clienti. Suggerisce che un approccio guidato dal rischio sia più compatibile con questo tipo di stime approssimative rispetto alle tradizionali previsioni di pianificazione basate sulle serie temporali.

Vermorel contrasta l’idea che solo le grandi aziende possano permettersi di gestire il rischio, sostenendo che ignorare il rischio può risultare più costoso. Suggerisce che le previsioni probabilistiche possono essere più efficaci e facili da implementare rispetto alle tradizionali previsioni basate sulle serie temporali. Vermorel sostiene che anche le piccole aziende possono beneficiare della gestione del rischio, in quanto ciò può portare a margini e flussi di cassa maggiori.

In conclusione, Vermorel concorda con il riassunto di Doherty, sostenendo che molte aziende affrontano catastrofi evitabili a causa dell’ignoranza del rischio. Suggerisce che un migliore allineamento tra la realtà e la gestione della supply chain possa portare a un grado più elevato di automazione e a un minor numero di persone necessarie per gestire il processo.

Trascrizione Completa

Conor Doherty: Bentornati a LokadTV! Il rischio è sistemico nella supply chain. Da una certa prospettiva, ogni singola decisione nella supply chain presenta potenziali categorie di rischio, sia direttamente che indirettamente. Qui, per spiegare il perché - e, cosa importante, come evitarli - abbiamo Joannes Vermorel, fondatore di Lokad.

Quindi Joannes, per citare il grande pensatore americano George Costanza, per gestire il rischio dobbiamo prima capirlo. E per capirlo, dobbiamo prima definirlo. Quindi, nel contesto della supply chain, che cos’è esattamente la gestione del rischio e in cosa differisce dalla gestione del rischio in altri settori come la produzione?

Joannes Vermorel: La principale fonte di rischio nella supply chain è il futuro che non conosci. Nella produzione, si tratta principalmente di avere il processo corretto. Se hai il processo corretto, puoi eventualmente produrre miliardi di pezzi senza mai affrontare difetti. Quindi, in termini di produzione, potenzialmente puoi eliminare il rischio. Il rischio non dipende tanto dal futuro. Ad esempio, se hai un processo difettoso che crea un pericolo di incendio per la tua fabbrica, è solo una questione di tempo prima che la fabbrica prenda fuoco.

Nella supply chain, è letteralmente il futuro che non conosci e non puoi proteggere tutte le possibilità perché sarebbe troppo costoso. C’è sempre la possibilità che la domanda per prodotti specifici aumenti di un fattore 20, ma dovresti avere in magazzino 20 volte di più di quanto ti aspetti di vendere, considerando il lead time applicabile e tutto il resto, solo perché esiste questa remota possibilità di affrontare un picco di domanda così imprevedibile? No.

Fondamentalmente, direi che, a differenza di altri ambiti, nella supply chain le fonti di rischio sono le condizioni future che non conosci e ogni decisione che prendi rappresenta una sorta di trade-off tra i vari rischi e i relativi benefici, tutto legato a questa incertezza sul futuro. E direi che l’incertezza sul futuro è irriducibile, a differenza, per esempio, dell’incertezza legata agli asset fisici nel processo produttivo di una fabbrica.

Il rischio zero non esiste mai. Sebbene, se consideri un processo produttivo, tu possa avvicinarti molto, molto allo zero. Voglio dire, non è assolutamente zero, ma è molto, molto vicino. Per quanto riguarda la supply chain, basta guardare qualsiasi prodotto: c’è sempre una percentuale a doppia cifra di rischio che questo prodotto non venga più venduto sul mercato tra cinque anni. Ci sono pochissimi prodotti per i quali si può dire con assoluta certezza che esisteranno ancora tra cinque anni, soprattutto considerando che il prodotto può essere sostituito da una variante, che comunque conta come un SKU diverso.

Conor Doherty: Quindi, per riassumere, stai dicendo che la gestione del rischio nella supply chain riguarda esclusivamente la minimizzazione delle risorse sprecate oppure è puramente una questione finanziaria?

Joannes Vermorel: La fonte del rischio è letteralmente il fatto che non conosci il futuro. Se avessi una sfera magica in grado di mostrarti il futuro, in teoria potresti avere una pratica nella supply chain quasi priva di rischi, assumendo di avere abbastanza denaro.

Questa fonte del rischio è irriducibile e risulta strana in molti altri settori. Ad esempio, in contabilità, esiste il rischio di errori contabili, ma è proprio per questo che esistono le pratiche contabili, per eliminare sostanzialmente questo rischio. Quando pensi in termini di rischio legato a pratiche contabili scorrettte, desideri davvero renderlo super raro.

Nella supply chain, non hai l’opzione. Non importa se sei bravo, se adotti le pratiche corrette, il rischio è irriducibile. Potresti avere una guerra, lockdown, incendi, ogni sorta di eventi che sono semplicemente al di fuori del tuo controllo e che influenzeranno massicciamente la domanda in un modo o nell’altro. Questa è la principale fonte di rischio, che non conosci, e tutto ciò che puoi fare è mitigare tali rischi. Ma, come esiste il rischio, esistono anche opportunità che non si riscontrano in altri ambiti come le pratiche contabili.

Ad esempio, se per caso hai molto stock di qualcosa mentre il mercato affronta una carenza, potresti realizzare un bel profitto vendendo questo inventario a un prezzo maggiorato.

Conor Doherty: Sembra che molte di quelle problematiche nella supply chain siano molto più comuni dell’esempio che hai fatto di assumere una persona incompetente o moralmente sbagliata. Sono rare al punto da quasi scomparire, ma presumibilmente le categorie di rischio di cui parli nel contesto della supply chain, come i lead times che vengono prolungati o addirittura anticipati di un paio di giorni, sono abbastanza regolari e hanno effetti finanziari prevedibili.

Joannes Vermorel: Sì, e non dipendono da te. Questa è anche una cosa che è molto diversa. Se sei in un processo di produzione in uno stabilimento e hai dei difetti, risolvere il processo in modo da non avere più difetti dipende interamente da te. Potenzialmente puoi arrivare a quegli stati di zero difetti, ovvero la perfezione, oppure puoi avvicinarti molto alla perfezione.

Ancora, se passiamo al mondo della supply chain, non è proprio così. Voglio dire, per definizione, se hai un lead time, hai un fornitore e questa azienda è al di fuori del tuo controllo. E anche se lo internalizzi, potresti avere un trasportatore e questo è comunque al di fuori del tuo controllo. E anche se internalizzi il trasportatore, la strada potrebbe essere tagliata perché l’autostrada è allagata o c’è qualcos’altro, e ancora una volta è al di fuori del tuo controllo.

Quindi, ciò che rende così specifica la pratica della supply chain è che si ha a che fare con molti rischi e, al contrario, molte opportunità, e per lo più sono al di fuori del tuo controllo. Quindi, l’unica cosa che si può fare è prendere decisioni che bilancino adeguatamente quei rischi e opportunità.

Conor Doherty: Quindi, quando parli di opportunità nel contesto del rischio, intendi opportunità mancate?

Joannes Vermorel: Sì, un concorrente può improvvisamente entrare nel mercato e abbassare i prezzi. Questo è un rischio. Quindi, potresti essere costretto ad abbassare il tuo prezzo a tua volta e poi risultare meno redditizio di quanto ti aspettassi o forse addirittura non redditizio affatto. Ma può accadere anche il contrario. Un concorrente potrebbe uscire dal tuo mercato. In tal caso, beh, puoi alzare il prezzo e sarai più redditizio di quanto ti aspettassi.

Ogni volta che pensi che ci sia un rischio, esiste anche un’opportunità. Se c’è un’alluvione, magari il tuo magazzino verrà allagato o forse uno di quelli dei tuoi concorrenti. Quindi, quando le persone pensano al rischio negli ambienti di produzione, hai un obiettivo chiaro che è la perfezione. Quando parli di rischio, necessariamente non ci sono aumenti casuali veramente opportunistici.

Ma nella supply chain, ciò può accadere. Potresti avere migliaia di prodotti e per alcune ragioni casuali, i concorrenti semplicemente commettono errori. Non hanno la quantità di stock adeguata, non dispongono della capacità giusta o hanno una allocazione errata e poi sorgono opportunità.

Per esempio, una grande azienda europea di e-commerce, una delle loro tecniche era quella di iniziare a vendere prodotti di moda e identificare molto rapidamente nella stagione i best seller, letteralmente nel giro di uno o due giorni. E ciò che facevano era passare immediatamente un ordine enorme al marchio originale, monopolizzando tutto lo stock.

La strategia è stata sorprendentemente ben accolta, e così dicevano: “Ok, se questo volume di vendite ci sorprende, molto probabilmente sorprenderà anche il marchio originale. Allora, cosa succederà se piazziamo un ordine massiccio? Rimarremo con una grande quantità di inventario mentre tutti gli altri finiranno lo stock. Potremo vendere gli stessi prodotti a un prezzo leggermente più alto del normale, e venderemo tutto senza incorrere in alcuna penalità legata alle vendite di fine stagione.”

Quindi, vedi, l’idea è che c’è un evento sorprendente, un prodotto vende più di quanto gli esperti si aspettassero, e poi, se sei furbo, puoi trasformarlo in un’opportunità per monopolizzare la quantità di inventario ancora disponibile e poi ottenere un profitto eccezionale su quel prodotto. Quindi, vedi, il rischio c’è, ma sorge anche l’opportunità.

Conor Doherty: Capito, grazie. Quell’esempio è piuttosto interessante perché apre a un potenziale bivio nella conversazione. Se ho capito correttamente, l’esempio che hai fatto era una risposta reattiva all’opportunità. Questo venditore di abbigliamento ha colto un’opportunità e ha risposto in maniera molto agile. Quindi, si è adottato un approccio reattivo per gestire le opportunità ed evitare rischi. È il meglio che si possa fare nella supply chain, o esiste un meccanismo proattivo per anticipare questo tipo di eventi?

Joannes Vermorel: Avrei una risposta duplice a ciò. Innanzitutto, hai ragione. Si è trattato di una mentalità agile, di una mentalità opportunistica, e si applica ugualmente a rischi e opportunità. La cosa interessante è che, se vieni da una prospettiva come quella della produzione, questo non è l’approccio che adotti. Vuoi semplicemente eliminare il rischio. È un problema statico. O il tuo processo non presenta rischi, difetti, pericoli, ed è a posto, oppure non lo è, e devi sistemarlo.

Qui nella supply chain, la cosa interessante è che se tenti di affrontare il rischio con una mentalità statica, pensi a qualcosa che potresti risolvere una volta per tutte. Ma il problema è che non funziona, perché se hai qualcosa di completamente statico, allora non puoi più cogliere le opportunità. Ma la realtà è che non puoi reagire al rischio emergente altrettanto. È completamente simmetrico. Quindi sorgono opportunità, ma ci saranno anche rischi che semplicemente emergono a sorpresa, e devi reagire rapidamente. Quindi è simmetrico.

Ora, cosa significa essere preparati? Come ho accennato, questo esempio di una grande azienda europea di e-commerce che gioca questa partita di monopolizzare l’inventario del marchio, rappresenta una pratica consolidata. Sanno che, dato che un grande marchio di moda avrà una collezione di forse 20.000 varianti distinte, si commetteranno errori. È una certezza. Non sai quale, ma l’idea che un marchio di grandi dimensioni possa avere tutto adeguatamente dimensionato in termini di inventario è una scommessa relativamente sicura per dire che si commetteranno errori. E quindi, puoi instaurare una pratica in cui trasformi quegli errori prevedibili a tuo vantaggio.

Conor Doherty: Quando parli di ingegnerizzare un processo in un’azienda come quella che si occupa di beni di largo consumo, come lo implementi esattamente? È un processo dall’alto verso il basso o dal basso verso l’alto? Voglio dire, sfruttando quelle opportunità, come si instaura quel tipo di processo?

Joannes Vermorel: Come per la maggior parte delle cose nella supply chain, deve essere, in una certa misura, top-down. Non puoi aspettarti che le persone al livello più basso abbiano modo di riorganizzare l’organizzazione stessa. Per esempio, se decidi che il tuo processo è come lo SNOP (Sales and Operations Planning) e poi hai sessioni trimestrali per lo SNOP dove spendi due mesi per stabilire le tue nuove previsioni e far concordare tutto il gruppo, instaurare un ampio consenso, e poi tutti vengono intervistati e devi raccogliere tutti i risultati per poi ritradurre le previsioni, che sono per settimana per categoria, in qualcosa che abbia senso in termini decisionali, ti trovi in una situazione in cui non importa se le persone al livello più basso sono agili o meno. Il processo e l’organizzazione stessa impediscono comunque ogni tipo di agilità. Quindi, in larga misura, se vuoi essere agile, questo deve essere ingegnerizzato dall’alto affinché quell’agilità possa anche manifestarsi. Ma poi, una volta ingegnerizzata una possibilità, allora sì, diventa molto più un processo bottom-up, perché si tratta di capire se le varie squadre sfruttano questa nuova agilità.

Conor Doherty: Mi viene anche in mente che c’è un altro modo per affrontare l’idea di rischio e opportunità. Se inverti l’esempio che hai fatto, invece di concentrarti sull’azienda che vendeva queste magliette che andavano a ruba e che ha deciso di monopolizzare il mercato, loro stavano sfruttando un’opportunità. Dal punto di vista del fornitore, se ti trovi in una situazione simile in cui all’improvviso, senza preavviso, il negozio di abbigliamento di Joannes mi chiama e dice, “Oh, vogliamo tutte le magliette che hai, tutte le magliette nere, le compreremo subito,” è qualcosa di cui dovresti preoccuparti? Perché, ancora una volta, c’è rischio e opportunità. Come fornitore, dovrei vendere? È una vendita garantita subito, oggi, svuoto tutto. Oppure dovrei indagare sul motivo per cui lui vorrebbe comprarle proprio adesso? C’è qualcosa altro in gioco?

Joannes Vermorel: Dipende davvero dal fatto se puoi permetterti di investire tempo nelle indagini. Se esiste una connessione EDI e gli acquisti sono completamente automatizzati e non c’è nemmeno qualcuno in mezzo, dipende davvero. Ma avere comportamenti antagonisti ovunque è solo un altro giorno nella supply chain. I tuoi fornitori sono i tuoi migliori partner e potenzialmente i tuoi concorrenti, perché possono anche limitare il tuo profitto. Possono anche, col tempo, diventare concorrenti, decidere di avere i loro marchi, ecc. E il contrario è vero. Se sei un marchio, puoi decidere di internalizzare e improvvisamente competi con quelli che erano i tuoi ex fornitori. Quindi, non ci sono regole generali, dipende davvero. Ma la cosa interessante è che nella supply chain, puoi mettere premi e opportunità in dollari o euro su questo genere di cose.

Ancora, se torniamo alla produzione automobilistica, quanto costa avere un difetto che uccide una persona? La risposta è decisamente troppo alta. Quindi, vedi, non è il tipo di cosa in cui fare ingegneria avanzata perché per lo più non è accettabile. Quindi sì, in teoria, gli economisti direbbero che il costo di una vita umana negli Stati Uniti, in base a vari parametri, è diciamo di cinque milioni, o qualcosa del genere, si potrebbe anche argomentare in tal senso. Ma la realtà è che nessuno farà ingegneria davvero seria. Faranno semplicemente tutto il possibile affinché quei problemi in cui qualcuno muore non accadano. E quindi, non c’è una vera ingegneria finanziaria perché, riprendendola dal punto di vista della produzione, vuoi semplicemente evitare per design quel tipo di problemi e non stai cercando di ottimizzare il rischio bilanciando pro e contro, vuoi solo eliminarli. Ma nella supply chain, non puoi, e sarà un vero trade-off. Qualunque cosa tu faccia ha un costo, c’è una ricompensa, e sono solo sfumature di grigio. Quindi, non è così. Puoi sempre avere un po’ più di stock, puoi sempre operare con un po’ meno stock, e puoi anche tentare di operare con zero stock e fare semplicemente back orders ininterrottamente. Quindi, in effetti, hai molta più flessibilità e hai anche pochissimi vincoli rigidi nella supply chain. Finché sei disposto a pagare, ci sono quasi nessun vincolo. Vuoi più spazio di stoccaggio? Se sei disposto a pagare, puoi effettivamente pagare per far costruire un secondo magazzino. Quindi, in definitiva, tutte le tipologie di vincoli, tutti i tipi di rischio e ricompense, sono in qualche modo morbidi e quindi molto suscettibili a un’ottimizzazione finanziaria, al contrario delle situazioni di vita o di morte in cui la gente direbbe, “No, non faremo un’ottimizzazione finanziaria di ciò. Deve essere una risposta categorica. Semplicemente non vogliamo ciò.” Così, la supply chain ha questo lusso in cui la stragrande maggioranza dei problemi sono in realtà problemi morbidi dove puoi passare da un servizio pessimo a un servizio eccellente e l’intero spettro è possibile, e la struttura dei costi evolve con il miglioramento o peggioramento della qualità del servizio.

Conor Doherty: L’esempio che hai fatto della produzione automobilistica rappresenta un ottimo collegamento, perché so che nella produzione automobilistica, per esempio Ford, gestiscono il rischio, in particolare con i loro veicoli autonomi, utilizzando i digital twins. Costruiscono una versione digitale e un ambiente digitale e poi, usando algoritmi, sottopongono il veicolo autonomo teorico a una serie di test e valutano il rischio senza dover mai produrre un prototipo nel mondo reale. È un passo per gestire il loro rischio. Esiste qualcosa di simile per la supply chain? Perché, ancora una volta, non è un prodotto fisico in sé, sebbene sia composto da molte parti in movimento.

Joannes Vermorel: Questa è la parte interessante. È ciò che, in un certo senso, si cerca di fare con le previsioni. Cercate di mitigare questo rischio che avete riguardo a un futuro incerto attraverso le previsioni. Idealmente, se le vostre previsioni fossero perfette, eliminereste semplicemente questo rischio. È per questo che esistono molte pratiche nella supply chain che trattano l’accuratezza delle previsioni come i produttori di automobili trattano i difetti nelle pastiglie dei freni, come qualcosa che dovreste eliminare.

Ma il problema è che, a differenza dei difetti nelle pastiglie dei freni, dove potresti ridurre il tasso di difetti a uno su un miliardo, rendendolo così basso da essere irrilevante, l’inaccuratezza delle previsioni non scenderà mai a uno 0,01 di errore. Di solito, rimarrai bloccato, se consideri la granularità che ha senso per le previsioni a supporto delle decisioni, fondamentalmente per SKU per giorno, con previsioni mediamente imprecise del 50% se guardi a qualche mese in avanti.

La cosa interessante è: cosa hai in termini di strumenti, processi e metodologie per affrontare queste classi di rischio? Questo è sostanzialmente ciò che Lokad sta facendo con le previsioni probabilistiche, proprio per questo motivo. È un modo per abbracciare questa incertezza. Ma ciò è molto diverso dal paradigma classico che assume semplicemente che la previsione sarà accurata e dove, se ci sono delle imprecisioni, queste vengono trattate come un difetto che deve essere risolto.

L’approccio di Lokad, la previsione probabilistica, consiste nel non presumere né aspettarsi che tali imprecisioni scompaiano mai. Ciò che abbiamo sono delle probabilità. Possiamo migliorare i nostri modelli per ottenere probabilità un po’ più concentrate, in modo da avere una visione un po’ più nitida del futuro. Ma la prospettiva complessiva è che rimarrà estremamente sfocato ed estremamente incerto, indipendentemente da tutto.

Conor Doherty: Voglio lasciare una traccia lì perché credo che ci sia un punto importante e desidero sottolinearlo. Quando parli di prevedere la domanda futura, la maggior parte della gente lo interpreta semplicemente come guardare i dati di vendita passati e ottenere un numero, come in una serie temporale. La tua posizione è che l’approccio della previsione probabilistica terrà conto non solo dei dati storici, ma anche delle altre classi di rischio di cui parliamo, come i lead times estesi, una barca bloccata in un canale, o qualcosa del genere, e li combinerà insieme?

Joannes Vermorel: Sì, assolutamente. È per questo che noi di Lokad parliamo tipicamente di predictive modeling piuttosto che di forecasting. In teoria, con il forecasting si potrebbe prevedere qualsiasi cosa, ma la realtà è che quando si parla di forecast, l’aspettativa predefinita è che si stia parlando della domanda o delle vendite. Questo vale per il 99% dei casi in cui, quando si dice che abbiamo un forecast, si intende un forecast delle vendite o della domanda. Ma la realtà è che qualsiasi cosa incerta del futuro può essere anticipata e dunque abbiamo questo predictive modeling.

La cosa interessante è che ci sono moltissime situazioni in cui puoi modellare il rischio anche se non disponi di dati davvero accurati. Ad esempio, la guerra in Europa. Se guardi agli ultimi 100 anni, c’è stata circa una grande guerra ogni mezzo secolo. Quindi, se la analizzi in questo modo, significa che ogni anno c’è circa una probabilità del due percento che si verifichi una guerra che potrebbe impattarti. Puoi spingerti a indietro di cinque secoli nella storia d’Europa e vedrai che ciò è successo più volte.

Spero che il rischio di una guerra vera e propria per l’Europa occidentale sia attualmente abbastanza basso, ma ancora, se adotti una prospettiva storica, dire che c’è una probabilità del due percento di una disruption massiccia non è affatto insensato. Guarda cosa sta succedendo in Ucraina. Il rischio è sicuramente reale e 20 anni fa lo era nell’ex-Jugoslavia. Quindi, tali eventi succedono e non serve avere dati precisi per dire che possiamo attribuire una probabilità del due percento a un evento dirompente importante.

Potresti dipendere da una regione, potresti essere colpito da un’alluvione, potresti avere incendi. Ci sono moltissimi rischi per cui puoi fare una stima approssimativa. È meglio farlo piuttosto che fingere che tali rischi non esistano affatto. E con il forecast probabilistico, aggiungere un rischio del due percento, anche se è scelto in modo un po’ approssimativo, per dire che ci sarà un calo significativo della domanda, è tecnicamente abbastanza semplice.

Al contrario, se affronti il futuro con un tradizionale forecast deterministico basato su serie temporali, è quasi impossibile farlo. Sì, puoi dire che abbiamo uno scenario in cui si verifica una catastrofe, ma come conciliare questo scenario, che diverge notevolmente dal tuo forecast principale, con ciò che fai quotidianamente? In pratica, non puoi.

Quindi ci sono molte aziende che dicono, “Oh, facciamo scenari, modelliamo il rischio,” ma la realtà è: che dire delle decisioni quotidiane? Tutte quelle decisioni quotidiane sono guidate al 100% dal forecast mediano o medio, che ignora completamente il rischio. In questo senso, sì, hai fatto degli esercizi intellettuali per riflettere sul rischio, ma se tutte le decisioni che prendi quotidianamente non incorporano questo rischio in un modo o nell’altro, allora si tratta solo di un esercizio intellettuale. Non ha alcuna conseguenza su ciò che fai ogni giorno.

Conor Doherty: Voglio spingerti un po’ su questo punto perché sono davvero curioso. Se pensi ad altre tecniche di forecasting, come per esempio il forecast value added, in cui le persone contribuiscono in modo collaborativo a un forecast e l’idea è che i vari dipartimenti abbiano delle intuizioni. Prendiamo ad esempio l’ipotesi che stia per emergere un nuovo concorrente e prendi quell’informazione, il marketing la possiede e in qualche modo la incorpora in una serie temporale. Questo risulta difficile da fare, perché come si traduce quel tipo di conoscenza in un forecast? Allo stesso modo, qui sto spingendo un po’ la discussione: come si integra esattamente una probabilità del due percento di guerra in Europa occidentale in un forecast probabilistico per arrivare al numero di unità che ho sugli scaffali? Perché, in un certo senso, sembrano piuttosto simili.

Joannes Vermorel: Iniziamo con le serie temporali. Vedi, per quanto riguarda le serie temporali, oggigiorno si pensa – non da tutti, ma dalla maggior parte degli operatori del supply chain mainstream – che il futuro si possa osservare solo attraverso la lente delle serie temporali. Le serie temporali sono incredibilmente limitate come mezzo per esprimere ciò che conosci sul futuro. Ad esempio, se sei un’azienda B2B, cioè i tuoi clienti sono altre imprese, un rischio molto basilare è che uno di quei grandi clienti ti abbandoni per passare a uno dei tuoi concorrenti. E quando ciò accade, tutti i prodotti che acquistavano da te smetterebbero di essere comprati. E se, ad esempio, tenessi in magazzino un prodotto che veniva comprato molto regolarmente da quel cliente, ma quel cliente improvvisamente ti abbandona, allora quella scorta di inventario diventa merce invenduta da un giorno all’altro. Semplicemente perché, sebbene lo stock ruotasse bene, c’era il rischio nascosto che quel cliente potesse lasciarti.

Quindi qui abbiamo il fatto che l’idea che questi grandi clienti possano abbandonarti non è certo un concetto super sofisticato. Qualsiasi venditore direbbe, “Beh, avevamo questo cliente, c’è sempre il rischio che ci lasci.” Il problema è che se incastri la tua anticipazione del futuro attraverso le serie temporali, rimani bloccato. Non puoi esprimere questo perché l’informazione in tuo possesso riguarda il cliente, non i prodotti. E se dicessi che esiste il rischio che questo prodotto arrivi a zero, sì, però il rischio in questione è fortemente correlato: è tutto ciò che quel cliente acquista che può azzerarsi contemporaneamente. Ed è un tipo di rischio molto, molto diverso rispetto a dire che questo prodotto, preso isolatamente, può azzerarsi.

La prima cosa è che le serie temporali non sono affatto appropriate per esprimere il rischio.

Per assicurarsi che questo non venga trascurato, le serie temporali sono una riflessione della relazione di un cliente con un prodotto, ma non dei prodotti stessi. Le serie temporali sono semplicemente una misura unidimensionale. Hai una misura che varia ogni giorno, ogni settimana, ogni mese. Questo viene chiamato serie temporali basate su equis. È ciò che la gente ha in mente quando pensa alle serie temporali. È una misura unidimensionale ed è letteralmente come le temperature. C’erano temperature in passato, ci saranno temperature in futuro, e quindi puoi estendere questa serie temporale.

Tuttavia, questo riguarda le relazioni precedenti che i clienti preesistenti avevano con i prodotti che acquistavi, ma ciò non dice nulla sul futuro. Il problema è che l’informazione che possiedi è a livello di cliente, mentre il tuo forecast è a livello di prodotto. C’è una discrepanza e non esiste una traduzione per passare da queste informazioni a quelle altre. Questo è un punto fondamentale.

In matematica, quando barini, finisci per ottenere cose strane. Ad esempio, quando barini solo un po’, supponiamo che la Terra sia una sfera, approssimativamente. Non è esattamente una sfera, ma ci si avvicina. Quindi, quando vuoi avere una mappa, stai proiettando una sfera su una superficie piatta. Se guardi una mappa del mondo, finiscono per emergere delle distorsioni. Ad esempio, l’Africa nelle mappe europee appare molto piccola rispetto all’Europa, sebbene in realtà l’Africa sia più grande dell’Europa. È solo un effetto della distorsione, perché stai usando una superficie piatta per rappresentare una sfera.

Ma qui il problema è enormemente più grande. Stai cercando di rappresentare qualcosa di totalmente rischioso. È un oggetto multidimensionale che stai cercando di rappresentare come un oggetto unidimensionale, la tua serie temporale. Quindi, i problemi e le distorsioni che incontrerai sono assolutamente giganteschi. Se pensi che far sembrare l’Africa più piccola dell’Europa sia un problema, questi sono problemi molto modesti rispetto a quelli che si presentano nel supply chain quando si cerca di iniettare nella serie temporale quelle informazioni che conosci sul rischio.

Abbiamo un altro problema. Quando non conosci la soluzione, è molto difficile pensare al problema. Le persone non sono davvero familiari con la classe di modelli matematici che potrebbero rappresentare quei rischi. Sono bloccate nelle serie temporali, a causa del fatto che non riescono nemmeno a immaginare qualcosa che non sia una serie temporale. Ma il primo passo è riconoscere che questa non è una rappresentazione corretta. Non importa se non è ancora molto chiaro cosa debba essere usato.

Ci sono alcune cose tecniche. Ad esempio, non è molto chiaro come si calcoli un logaritmo, ma va bene. Non è necessariamente necessario avere un quadro chiaro della cosa per usarla con successo. Quindi possiamo passare alla seconda parte: come sfrutta Lokad queste informazioni.

L’idea è che, quando vuoi pensare al futuro, la versione ad alta dimensione è pensare che ogni singolo futuro possibile abbia una probabilità. Quindi puoi considerarlo come una probabilità per ogni futuro in cui conosci esattamente il livello di vendite di tutto, la domanda, le cose che saranno nuovamente vendute.

C’è una probabilità che ciò accada. È infinitesimale, ma se hai gli strumenti matematici adeguati, puoi lavorare con probabilità infinitesimali. E, ancora, dato che hai un numero molto elevato di futuri possibili, la somma complessiva risulta comunque pari a uno. C’è un futuro che si realizzerà, e la somma di tutte queste probabilità è uno.

Puoi considerare un rischio come una probabilità del due percento di perdere questi clienti. In realtà non è così difficile. Se guardi la domanda attraverso la lente dei prodotti, è molto difficile integrare i clienti. Ma se vedi la domanda come il risultato del comportamento dei clienti e prevedi il loro comportamento, allora aggiungere questo rischio extra del cliente che ti abbandona diventa qualcosa di relativamente semplice.

Puoi costruire il tuo forecast in modi differenti. In termini di agilità che si ha utilizzando un approccio basato sulle serie temporali rispetto all’agilità che si ha sfruttando l’approccio probabilistico, qual è la differenza e come si traduce tutto ciò nella gestione del rischio?

Il problema principale è che il rischio nelle serie temporali non esiste. Non possono nemmeno esistere. È come un cubo in uno spazio bidimensionale. Non esiste un cubo. Puoi disegnarne uno, ma fondamentalmente non ci sta. Questo è il problema: quando hai dimensioni extra che non si adattano, rimani bloccato. Se tutto ciò che hai è un piano bidimensionale, non puoi impilare un cubo in esso. Semplicemente non ci starà. E quindi, con le serie temporali, sei praticamente bloccato.

Potresti improvvisare con del nastro adesivo. Potresti dire che non possiamo gestire il rischio, ma possiamo imbrogliare avendo un forecast scorretto, intenzionalmente distorto, in modo che la decisione che verrà presa sulla base di questo forecast rifletta tale rischio. È un modo molto contorto per arrivare alla gestione del rischio.

Tecnicamente, è possibile in qualche modo farlo, ma sarà in modi molto strani. Ad esempio, puoi gestire il rischio rendendo il tuo forecast intenzionalmente meno accurato introducendo una distorsione, una distorsione intenzionale nel tuo forecast. È un modo per affrontare i rischi. Ma è un modo molto contorto per farlo.

Se passi all’approccio probabilistico, hai un forecasting intrinsecamente probabilistico. Di conseguenza, per progetto, hai quelle probabilità. C’è un’altra parte della sfida: come fare un’ottimizzazione. Si chiama processo di ottimizzazione stocastica. Come si ottimizza una decisione quando le condizioni sono incerte? Quindi, devi fare un’ottimizzazione che abbia un’affinità naturale con queste incertezze presenti nelle condizioni iniziali.

Conor Doherty: Valutando, e sono curioso di sapere come esattamente, no aspetta, ricomincio la domanda. Se ti trovi in una situazione in cui hai un’azienda e adotti l’approccio probabilistico, hai fatto forecast con le serie temporali, sei convinto da quello che hai appena sentito e poi ti viene presentata una raccomandazione che è il prodotto finale della metodologia del forecasting probabilistico. E in essa, in qualunque valore venga presentato, molti di quei fattori sono stati integrati, per esempio, la possibilità di perdere un cliente, e sai che il management guarda a ciò e pensa che sia insano. Come dovrebbe interagire esattamente con questo, dato che di nuovo ci sono così tante variabili integrate? Come si colma il divario?

Joannes Vermorel: Quindi, prima di tutto, qual è l’output ed è qui che emerge una divergenza radicale. L’output di un processo supply chain guidato dal rischio, alimentato da forecast probabilistici, perché, letteralmente, a mia conoscenza è praticamente l’unica tecnica valida che abbiamo per gestire il rischio. È a questo che servono le probabilità. L’output sono le decisioni, non il piano. È curioso che, quando si pensa che il futuro possa essere conosciuto in modo da poter eliminare tutto il rischio, i rischi della supply chain riguardino per lo più questo futuro incerto. Se pensi di poter avere un accurate forecast, allora l’output della tua pratica supply chain è il forecast e il forecast è il tuo piano, perché, una volta ottenuto il forecast, non resta che orchestrare le decisioni.

Se adotti un approccio guidato dal rischio, l’output del tuo processo non è il piano, non è il forecast, sono le decisioni. Ma se il tuo processo guidato dal rischio è carente – e può esserlo – porterà a decisioni sbagliate. E come identifichi, quindi, come metti in discussione una decisione errata? Beh, il tutto funziona in modo molto diverso. Ancora, se osserviamo la prospettiva classica, la gente penserebbe in termini di accuratezza del forecasting, perché questo è l’obiettivo finale. Se opti per il risk-driven, diresti che c’è una decisione, e che questa decisione ha rischi e opportunità associati espressi in dollari o euro. E quindi, se vedi una decisione che risulta errata, in sostanza stai dicendo che la valutazione in dollari o euro effettuata su questa decisione imminente è sbagliata.

E dunque puoi individuare il problema e, se ci rifletti, per ogni decisione che generiamo, di solito decomponiamo i driver economici in modo da poter affermare di avere una mezza dozzina di driver che riflettono ciò che entra in questa decisione. E se vuoi contestare ciò, contesterai un componente e dirai, per esempio, il carrying cost, il rischio dei costi di carrying che stimi sembra completamente fuori luogo. E quindi sì, questo è il ruolo dei supply chain scientists per reverse engineer il processo e identificare cosa non va in questa stima. Ma è molto tecnico.

Ma la realtà è che se hai un forecast classico basato su serie temporali che risulta molto errato, lo definisci come un forecast molto impreciso. Tuttavia, una volta fatto ciò, investigare la causa principale di tale imprecisione sarà anch’esso un compito molto tecnico.

Conor Doherty: Se torniamo un attimo indietro, stavamo parlando di approcci proattivi alla gestione del rischio, come, per esempio, i digital twins nell’industria automobilistica, e poi della gestione reattiva del rischio, come suggerito dall’analogia con l’abbigliamento. Le previsioni probabilistiche suonano quasi proattive nel senso che stai simulando scenari in cui prendi una decisione, ecco la risposta prevista; prendi una decisione, ecco la risposta prevista.

Joannes Vermorel: Quindi è proattivo nel senso che si afferma semplicemente che ci saranno fluttuazioni, ce ne saranno sempre che sono ben oltre il mio controllo. È proprio questa incertezza irreducibile sul futuro, e da ciò deriva la necessità di progettare un processo in grado di reagire in modo rapido e adeguato a tali condizioni mutevoli, che impattano su di te in maniera positiva o negativa. E quindi sì, è molto proattivo nel senso che progettare un processo che ti consenta di sfruttare le opportunità non appena si presentano e di mitigare i problemi subito richiede molta preparazione.

Ma non bisogna farsi ingannare dall’idea che si possa preparare tanto da eliminare l’incertezza fin dall’inizio. Vedi, quello non è l’obiettivo finale. È in un certo senso una posizione un po’ dogmatica, ma significa che non puoi mai risalire in fondo a questo intrico della modellazione predittiva. Non puoi ottenere un modello che sia al 100% accurato, ciò non accadrà mai. La quantità di incertezza residua sarà molto grande e, di conseguenza, quello che resta è progettare un processo che sia molto bravo a tenere il passo con il cambiamento man mano che lo osservi.

Perché, vedi, il fatto è che molto frequentemente le aziende si trovano sorprendente da eventi accaduti mesi prima. Potresti dire: “Oh, non conosciamo il futuro, ma il passato, quello sì che lo conosciamo.” Ma se il tuo tempo medio di risposta a qualcosa che hai già osservato è di circa sei mesi, potresti finire per essere sorpreso da un evento che risale a un paio di mesi fa, e le aziende rimangono regolarmente sorprese in questo modo.

Conor Doherty: Ancora, voglio insistere qui perché so che se vogliamo parlare di gestione del rischio, dobbiamo parlare di come valutiamo le nostre pratiche. E ancora, per ritornare al confronto tra approcci basati su serie storiche e quelli probabilistici, se hai una serie storica e questa è completamente errata, posso indicarlo e dire: “Beh, era sbagliata, era estremamente incorretta.” Ed è, sai, una situazione binaria: o era accurata oppure no. Hai detto che avremmo venduto 100 unità, ma ne abbiamo vendute 10. Sei stato fuori di un ordine di grandezza. Con l’approccio probabilistico, fornisci probabilità, non affermi con certezza cosa venderai. E questo, in qualche modo, ti protegge dall’errore?

Joannes Vermorel: No, intendo dire che, tecnicamente, esistono metriche per l’accuratezza delle previsioni probabilistiche, ma ancor più interessante è che puoi valutare la correttezza delle decisioni stesse. E questo vuol dire, sai, dimentica le probabilità. Sono solo un artefatto computazionale transitorio. Ci sono molti altri artefatti, numerici, che entrano nel calcolo. Sono irrilevanti nel senso che se hai probabilità errate ma arrivi comunque alla decisione giusta, importa davvero che le tue probabilità siano sbagliate?

Conor Doherty: Cosa intendi dire con questo? Potresti avere probabilità errate, ma prendere comunque la decisione giusta?

Joannes Vermorel: Ad esempio, ci sono persone che non se ne rendono sempre conto, ma i computer approssimano continuamente. Ogni volta che esegui un calcolo, usi un certo numero di cifre di precisione. La perdita di precisione è importante o meno? La risposta è: dipende. E nella supply chain, dipende da cosa. Beh, dipende dal fatto che la decisione finale sia buona o cattiva.

Quindi, alla fine, quello che sto dicendo è che dovresti giudicare la qualità di questo approccio guidato dal rischio in base a ciò che fa alla fine del processo, ovvero le decisioni. Affrontare le probabilità in spazi ad alta dimensionalità, con una valutazione numerica in un contesto così complesso, comporta ogni sorta di stranezze. Se le tecniche siano appropriate o meno, andrebbe giudicato dai risultati finali, e non dalla qualità di una previsione probabilistica.

Necessariamente, l’accuratezza della previsione non è la preoccupazione principale, ma piuttosto quanto denaro è stato guadagnato o perso.

Conor Doherty: Sì, esattamente. E beh, per alcune persone è molto difficile. Perdona se sembro condiscendente, ma stai dicendo che l’idea di voler una previsione più accurata è tecnicamente sbagliata in termini di gestione del rischio?

Joannes Vermorel: Quindi, innanzitutto, dico che quando affermi di avere, diciamo, una previsione con una imprecisione del 20%, quelle percentuali sono unità completamente inventate. Non sono chilogrammi, non sono kilowatt, non sono qualcosa che abbia una realtà tangibile. Sono inventate, e la gente dice: “Oh, ma siamo così abituati che quelle percentuali di accuratezza vengano espresse in percentuale che sicuramente devono essere reali.” Io dico che non è affatto così. Puoi avere previsioni estremamente dannose che, per caso, risultano essere molto accurate, con un livello di imprecisione espresso in percentuale molto basso.

Ci è stato ripetutamente raccontato un aneddoto in cui puoi semplicemente prevedere zero domanda per un negozio e questo ti fornisce molto rapidamente una previsione estremamente accurata. Prevedi zero, inizi con zero, e la previsione diventa accurata al 100%. Quindi, questa misurazione che esprime le percentuali non è molto sensata.

Se ti dico che puoi avere una misura della previsione probabilistica espressa in cross entropy, essa risulta molto astratta e non offrirà spunti particolarmente illuminanti. Ma il punto che sto sostenendo è che la cross entropy è altrettanto astratta e opaca quanto le percentuali. È tutta inventata. L’unica ragione per cui, ad esempio, da Lokad sceglieremmo la cross entropy è che essa possiede buone proprietà quando si tratta di arrivare alle decisioni finali.

Ad esempio, la cross entropy presenta gradienti molto ripidi che facilitano l’apprendimento di modelli di alta qualità. È un concetto molto tecnico, ma funziona. E in che senso funziona? Funziona giudicando i risultati finali, cioè la decisione generata alla fine del processo e che, in ultima analisi, si traduce in una riduzione degli errori in euro o dollari. Questa è la metrica rilevante per chi opera da questa prospettiva guidata dal rischio.

Ancora, se operi dalla prospettiva delle serie storiche, stai pensando in termini simili a un produttore di automobili con un difetto che potrebbe uccidere persone. Dici: “Sai una cosa, non contiamo i dollari, vogliamo solo assicurarci di essere estremamente sicuri e di esserlo quasi oltre ogni misura.”

Conor Doherty: Quindi, se hai un’intera divisione dedicata alla gestione e alla valutazione del rischio, ma la tua supply chain si basa su un approccio previsionale delle serie storiche, stai dicendo che ciò è quasi paradossale, come una contraddizione in termini?

Joannes Vermorel: No, significa semplicemente che le persone che si occupano della gestione del rischio sono solo burocrati. Qualunque cosa facciano non ha conseguenze. Di solito, non hanno affatto conseguenze. Vedi, il fatto è che se fai una valutazione del rischio ma queste informazioni non riescono a influenzare minimamente ogni singola decisione nella tua supply chain, allora hai fatto una valutazione e l’hai semplicemente sepolta subito dopo averla fatta.

Vedi, se dici: “Oh, questo fornitore ha un rischio del 2% di fallimento l’anno prossimo,” va bene, ma ciò incide sulle tue decisioni d’acquisto? Se non incide, allora hai semplicemente sepolto la tua analisi. La stai ignorando. Ti stai semplicemente infilandole la testa nella sabbia.

E questo è molto strano, perché la gente direbbe: “Oh, ma abbiamo analizzato il rischio.” Sì, però non agisci in base a questa valutazione. E quando dico “agire”, la gente pensa davvero che sia un errore. Quando si parla di supply chain, è quello che sentiresti dire nei media. Direbbero: “Oh, non dovremmo avere la nostra fabbrica in Cina.” Sì, quello è un rischio molto macro, ma esistono anche rischi molto più banali.

Quindi, cosa compri, dove lo stocchi, aumenti o diminuisci i tuoi prezzi? Queste sono decisioni che comportano del rischio e vengono prese quotidianamente per ogni singolo SKU che acquisti, produci o vendi. E qualunque valutazione tu abbia in termini di rischio riguardo al tuo fornitore, al tuo concorrente, ai tuoi clienti, la domanda è: se non esiste qualcosa che connetta numericamente questa valutazione a quelle decisioni molto piccole che prendi, allora non stai gestendo correttamente il rischio.

Conor Doherty: Quindi, correggimi se sbaglio, stai dicendo che la concezione della gestione del rischio per la maggior parte delle persone è a livello macro, come un evento massiccio che interrompe completamente le catene, mentre la tua posizione è che la gestione del rischio più importante, quella veramente urgente, riguarda le decisioni quotidiane e più piccole?

Joannes Vermorel: Entrambe sono molto importanti, ma diciamolo: quanto puoi essere veramente informato per prendere la decisione giusta? Per quelle decisioni macro, in larga misura, si tratta di una scommessa. Una scommessa completa, ed è così. Questo è capitalismo. Questa è un’economia fatta di profitti e perdite. Le persone rischiano e c’è anche un elemento di casualità. E io dico, beh, non puoi davvero avere un metodo che ti dica se, per esempio, entrare in un nuovo mercato è sicuro o no. Puoi fare valutazioni, cercare di razionalizzare il processo un po’, ma fondamentalmente è qualcosa che in qualche modo sfugge alle statistiche e all’analisi quantitativa.

Al contrario, se guardi una supply chain, un’azienda di medie dimensioni prenderà decine di migliaia di decisioni ogni giorno, ogni singolo giorno. E questo è ciò che intendo dire: a differenza delle grandi decisioni macro, dove si scommette e non c’è nessun’altra alternativa se non seguire il proprio istinto, nel caso di quelle decine di migliaia di decisioni quotidiane, puoi fare una valutazione quantitativa e arrivare a qualcosa che abbia davvero senso.

Conor Doherty: Beh, per allontanarci dagli esempi colossali, quelli su scala macro, portiamo la questione a qualcosa come il livello SKU. Quindi, abbiamo un certo numero di negozi, diciamo 10, e abbiamo una quantità finita di inventario, inventario di t-shirt bianche, e tutti i 10 negozi hanno bisogno di t-shirt bianche. Quale sarebbe il modo probabilistico, il più informato per il rischio, di distribuire quello che ho tra tutti i negozi in base alle necessità?

Joannes Vermorel: Prendiamo la prospettiva classica. La prospettiva classica, focalizzata sulle serie storiche, presuppone che tu conosca il futuro. Quindi, hai uno stock di sicurezza. In sostanza, dici che ogni negozio dovrebbe avere quella quantità in magazzino e, per tenere conto della piccola incertezza residua, aggiungi un piccolo margine, ed ecco il tuo stock di sicurezza. Tutti i negozi vengono trattati indipendentemente, e l’idea è che dovresti avere abbastanza scorte per coprire tutti i negozi.

Ora, qual è il vero rischio? Il rischio è quello di esaurire le scorte a livello di magazzino e poi la domanda diventa: ho una risorsa limitata in magazzino, cosa dovrei fare per i miei vari negozi? Se lo fai semplicemente nel modo classico, il metodo classico direbbe: “Ho il mio stock di sicurezza, assegnalo al primo negozio, poi ripeti con il secondo, e così via, finché magari al quarto negozio non ti rimane più inventario.” Quindi, quello che fai è riempire fondamentalmente i primi quattro negozi, mentre agli altri non mandi nulla. Questo non è molto intelligente. Non stai gestendo correttamente questa situazione, questa piccola mini crisi che si crea quando un prodotto è esaurito in magazzino.

Conor Doherty: Quali sono però i rischi da quella prospettiva finanziaria?

Joannes Vermorel: No, non è così. È proprio per questo che esiste lo stock di sicurezza. Quando imposti uno stock di sicurezza, stai dicendo che inserisci unità in un negozio che hanno una probabilità molto bassa di essere vendute durante il periodo di riferimento. Questo è lo scopo dello stock di sicurezza. È un margine che probabilmente non ti servirà.

Se vuoi massimizzare le vendite, è molto meglio distribuire l’inventario in modo che ogni negozio abbia un po’ di scorte. L’obiettivo è che tutti i negozi esauriscano le scorte contemporaneamente. Ovviamente non puoi davvero raggiungere questo obiettivo, ma è a questo che devi avvicinarti.

Consideriamo la situazione alternativa in cui hai concentrato le scorte nei primi quattro negozi. Tutti gli altri negozi rimangono senza scorte, quindi non vendi affatto. E per quelli, venderai solo circa la metà dell’inventario, rimanendo con molto residuo. Finisci in una situazione in cui un negozio è a secco mentre un altro ne ha in eccesso e la domanda nei negozi senza scorte rimane insoddisfatta.

Conor Doherty: Quindi, quello è il rischio?

Joannes Vermorel: Sì, ed è qui che parliamo del rischio di esaurimento delle scorte. Un modo per gestirlo è preservare le scorte in magazzino quando vedi che un prodotto rischia di esaurirsi. In questo modo, i negozi migliori possono comunque avere un po’ di merce.

Contrariamente all’approccio delle serie storiche, che tratterebbe ciascuno dei nostri 10 negozi in modo indipendente, un approccio probabilistico prenderà in considerazione la rete, le contingenze o le interdipendenze tra tutti questi negozi e la relazione con il mio inventario disponibile.

Conor Doherty: Sono curioso: come può gestire un’azienda tutto questo, dato che si tratta di molte informazioni rispetto, diciamo, al tradizionale approccio basato sulle serie storiche? L’unico modo per gestire il tutto è l’automazione oppure ci sono ancora persone coinvolte nel controllare queste decisioni?

Joannes Vermorel: Il modo in cui lo fa Lokad è automatizzare l’intero processo. Le persone sono lì per supervisionare l’automazione, ma la realtà è che la maggior parte delle aziende, sebbene affermino che tutto sia validato manualmente, utilizza processi abbastanza automatizzati da molto tempo. Ogni volta che hai una configurazione di inventario min-max con una media e un massimo, hai un automatismo di riapprovvigionamento che solitamente funziona senza intervento. Questo è da decenni il caso di setup ampiamente automatizzati.

Lokad è solo un ulteriore passo in questa direzione, ma non è necessariamente una rivoluzione rispetto a ciò che si aveva in precedenza. È più automatizzato, ma molte aziende già operano su setup altamente automatizzati.

Conor Doherty: Potrebbe un’azienda che non sfrutta l’automazione, ma diciamo, come ho già menzionato, contare su intere divisioni di esperti in gestione del rischio, essere abbastanza consapevole, giusto?

Mi viene anche in mente che abbiamo in qualche modo incentrato l’intera conversazione su rischi più tangibili come SKU, negozi, alluvioni. Queste sono risorse o asset molto concreti e i rischi corrispondenti. Esistono rischi intangibili, come il tempo, la larghezza di banda, la conoscenza, tutte quelle cose che in qualche modo entrano nella gestione di un’azienda? Quali sono i rischi in questo caso o come li gestiamo?

Joannes Vermorel: Esistono rischi intangibili. Per esempio, se sei un’azienda di moda e fai saldi, generi l’aspettativa tra i tuoi clienti che quegli sconti si ripetano in futuro, e così le persone modificano il loro comportamento. Stimare questo processo in teoria è possibile, ma in pratica è molto difficile perché creare l’aspettativa nei tuoi clienti è qualcosa che si costruisce nel corso di molti anni, quindi non è qualcosa in cui la sperimentazione sia semplice.

Ad esempio, se sei un marchio di lusso e sei convinto che non dovresti mai fare promozioni perché esse svalutano il tuo brand, non farai un test di cinque anni per verificare se la promozione svaluta veramente il tuo brand. A un certo punto, devi basarti su convinzioni e giudizi anziché effettuare un test.

Il costo generato da una promozione è molto reale. Quando fai una promozione, disponi di una certa somma di denaro che perdi immediatamente abbassando il prezzo, rinunciando così a una parte del margine. Quel costo è immediato, ma c’è anche il rischio aggiuntivo che vengano generate cattive abitudini da parte dei clienti e bisogna quantificare tali costi.

Esistono anche altre tipologie di rischio, come le dipendenze IT. Può capitare che il software si rompa, e ci sono molte altre cose che influenzano la tua supply chain. Ma questi rischi sono più simili a quelli della produzione, dove desideri che il tuo ERP sia operativo al 100% del tempo. Non c’è motivo di avere downtime, puoi progettare il sistema in modo da essere incredibilmente vicino al 100% di uptime.

Conor Doherty: Hai appena affermato che, da una prospettiva di strategia dei prezzi, gli sconti potrebbero inculcare cattive abitudini nei consumatori. Cosa intendevi dire?

Joannes Vermorel: Ogni volta che fai una promozione, il cliente se ne accorge. Quindi, la prossima volta dirà: “Non comprerò al prezzo pieno. Aspetterò fino a quando farai di nuovo una promozione. Ho visto che fai promozioni, quindi so che accadono con il tuo brand, posso aspettare. Aspetterò finché non lancerai una promozione e poi comprerò.”

Il problema è che nulla sarà davvero in grado di modellare ciò. Modellare la psicologia dei tuoi clienti è in gran parte fuori dalla tua portata, perché ci vuole un decennio per formare la mentalità dei tuoi clienti.

Quando fissi un prezzo, trasmetti un messaggio ai tuoi clienti. Le persone prestano attenzione, ma ci vuole tempo prima che il messaggio faccia breccia. Quindi c’è una sostanziale inerzia. Puoi provare a fare modelli sofisticati per stimare esattamente quale sarebbe l’impatto, ma la realtà è che, dato che queste cose richiedono anni, non potrai sperimentare molto. Non potrai validare le tecniche che stai utilizzando. Pertanto, in realtà, devi fare delle scelte basate sul giudizio.

Conor Doherty: Quindi, questo è un elemento del protocollo di gestione del rischio che rimane di competenza di chi raggiunge un consenso. Vogliamo liquidare quelle scorte? Vogliamo tenerle per sempre? Oppure vogliamo venderle in promozione?

Joannes Vermorel: Sì, e quando adotti questo approccio guidato dal rischio, esso è molto più compatibile con quei tipi di stime approssimative rispetto a una tradizionale previsione basata su serie temporali, nella quale questo genere di elementi non trovava spazio.

Conor Doherty: Quindi, il principio guida per determinare quale tipo di regola empirica le aziende dovrebbero adottare è: contribuisce a un ritorno maggiore?

Joannes Vermorel: Se qualcosa può essere valutato quantitativamente, allora fallo. Ma quando non è possibile, pur essendoci un accordo generale sulla sua importanza, allora dovresti approssimare.

Penso che sia una strada molto pericolosa dire che non abbiamo numeri ragionevoli e quindi fingere che non esista. Esiste e perciò devi approssimare. È meglio avere un numero approssimativamente corretto piuttosto che esattamente giusto.

Conor Doherty: Mi sembra che stiamo per concludere, ma vorrei fare una domanda un po’ difficile. Hai parlato del fatto che un’analisi quantitativa possa essere finanziariamente proibitiva. Quindi, per le aziende più grandi che possono permettersi previsioni e politiche di gestione del rischio più elaborate, possono forse adottare un approccio probabilistico. Ma per le aziende che non dispongono di tale liquidità, quale consiglio daresti in termini di gestione del rischio che sia attuabile?

Joannes Vermorel: Metterei in discussione: puoi davvero permetterti di ignorare il rischio? L’inventario ha un costo. Il piano tariffario per avere un Supply Chain Scientist che ti aiuti a ottimizzare le tue decisioni è di circa 2.500 euro al mese. Sì, è una cifra sostanziale, ma se non sei una piccola azienda, se sei un’azienda con fatturato superiore ai 10 milioni di dollari o euro, non si tratta di una somma enorme. È in realtà una frazione di ciò che pagheresti per una singola persona.

Se per caso hai cinque o più persone che svolgono funzioni di supply chain come il rifornimento dell’inventario, la programmazione della produzione, allocazione delle scorte, la gestione dei prezzi, e seguono un processo che ignora completamente il rischio, direi: puoi davvero permetterti di continuare così? Ignorare tali rischi potrebbe costarti diversi milioni di dollari, solo perché hai preso una decisione molto sbagliata ignorando il rischio.

Dato che è inusuale, la gente si aspetterebbe che siano solo cose riservate ad aziende come Amazon e simili. No, non è così. In larga misura, la previsione classica basata su serie temporali è molto più complicata, e il motivo è che c’è un disallineamento con il problema reale. Quindi sì, in apparenza sembra più semplice perché la gente è abituata alle serie temporali, ma quando si tratta della risoluzione effettiva del problema, essa risulta completamente inadeguata, e questa soluzione, sebbene sembri facile in pratica, è un incubo da implementare e utilizzare in confronto.

Il tipo di previsioni probabilistiche che Lokad utilizza per piccoli clienti, piccole aziende, è inusuale, ma si adatta perfettamente al problema e, alla fine, sai, nelle mie lezioni faccio esempi in cui, se vuoi dare un’occhiata alle tecniche probabilistiche, la maggior parte dei miei esempi di codice sono composti da meno di 20 righe. Così la gente direbbe: “Oh, questo è impossibilmente complicato” e io rispondo: beh, sono circa 20 righe di codice, e puoi spiegare in dettaglio il metodo in una lezione di circa un’ora e mezza.

Puoi davvero dire che la tua azienda è così piccola da non poterti permettere di dedicare anche solo qualche decina di ore a questo problema? È davvero al di là delle tue possibilità? Voglio dire, sì, se sei una boutique con una sola persona, ma se sei un’azienda che realizza oltre 10 milioni di dollari di fatturato annuo, non sei una boutique. Hai già in gioco cose importanti e gli errori possono costare molto di più, e al contempo non si tratta solo di errori, ma anche di opportunità.

Se, aumentando il tuo prezzo al momento giusto, incrementi il tuo margine del dieci per cento, ciò può tradursi in qualche centinaio di migliaia di dollari di contante puro che entra nella tua azienda, compensando davvero il costo di avere alcune persone che dedicano tempo alla gestione del rischio.

Conor Doherty: Quindi, se dovessi riassumere, sostanzialmente c’è un elemento di salto nel vuoto, ma l’acqua non è così fredda una volta che…

Joannes Vermorel: Direi che non si tratta tanto di un salto nel vuoto. Penso che ci sia questa idea molto strana che, secondo la teoria mainstream della supply chain, i rischi non esistono letteralmente. Hai quelle fluttuazioni molto miti della domanda e quelle altrettanto miti dei tempi di consegna modellate con distribuzioni normali, ed è proprio quando si parla di distribuzione normale che si intende dire che non c’è rischio.

La realtà è che non ho mai incontrato un imprenditore che non fosse pienamente consapevole del fatto che il business che gestisce è pieno di rischi ovunque. La follia sta nel fatto che, con il supply chain software, le persone fingono che i rischi non esistano, ma in realtà i rischi sono lì e, di conseguenza, le aziende si trovano regolarmente ad affrontare catastrofi molto costose dovute a rischi che non erano—non sto dicendo, tipo, investire entrando nel mercato russo nel 1991 pensando che avrebbe funzionato e che improvvisamente sarebbe diventato il nuovo El Dorado.

Sto dicendo che le aziende affrontano catastrofi per problemi completamente prevenibili, cose che rientrano nel range di rischio atteso, come problemi con i fornitori, prezzi in salita o in discesa, la domanda che fluttua, ma non oltre quanto ci si potrebbe aspettare dall’evoluzione generale del mercato. Queste cose, e il mio punto è che c’è questa follia in cui la maggior parte delle pratiche mainstream ignora completamente il rischio.

Quando parlo con i professionisti della supply chain, dicono: sì, c’è molto rischio, ma il punto è che non riescono a colmare il divario, e io dico che non è molto difficile, è solo molto diverso da ciò che stai facendo, e non solo; in realtà è anche più economico perché porta a un maggior grado di automazione. Infatti, uno dei motivi per cui servono così tante persone quando si gestisce la supply chain con le serie temporali è che, a causa del massiccio disallineamento tra la realtà e quelle serie, occorre avere molte persone per tamponare costantemente il processo.

Ma se hai qualcosa in cui c’è una corrispondenza migliore, non avrai bisogno di quasi tante persone per tamponare la cosa.

Conor Doherty: A proposito, penso di concludere qui. Joannes, grazie mille come sempre, è stato un piacere. E grazie a tutti per averci seguito, ci vediamo alla prossima.