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 manifatturiera
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 pratica aziendale
00:18:46 Ingegnerizzazione dell’agilità nella supply chain
00:21:20 Valore in dollari del rischio e delle opportunità
00:23:36 Ottimizzazione finanziaria dei rischi della supply chain
00:26:37 L’approccio di Lokad alla previsione probabilistica
00:29:53 Rischio di massicce interruzioni e disastri regionali
00:31:59 Inserimento dei 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 Costruzione di previsioni e rischio delle serie temporali
00:45:20 Ottimizzazione stocastica e approccio probabilistico
00:48:36 Scomposizione dei driver economici per le decisioni della supply chain
00:51:44 Le aziende spesso sorprese dagli eventi passati
00:57:00 Previsioni dannose e cross-entropia nelle previsioni
01:00:00 Importanza delle valutazioni del rischio azionabili
01:06:49 Rischi finanziari della distribuzione dell’inventario
01:13:54 Costo delle promozioni e dipendenze IT come rischio
01:17:22 Difficoltà di modellare la psicologia del cliente
01:24:26 Valutazione delle previsioni delle serie temporali
01:27:33 Rischi nel software di supply chain mainstream
01:29:30 Pensieri finali e appello all’azione

Riassunto

Conor Doherty, presentatore di LokadTV, e Joannes Vermorel, fondatore di Lokad, discutono i rischi intrinseci nella gestione della supply chain. Vermorel sottolinea che il rischio principale è l’incertezza del futuro, che è irriducibile e oltre il controllo. Nota che ogni decisione comporta un compromesso tra rischio e ricompensa, 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 un approccio agile e opportunistico, e l’uso della previsione probabilistica per mitigare il rischio. Vermorel e Doherty concludono concordando sul fatto che anche le piccole aziende possono beneficiare della gestione del rischio, portando ad un aumento dei margini e del flusso di cassa.

Riassunto Esteso

In una conversazione tra Conor Doherty, il presentatore, e Joannes Vermorel, il fondatore di Lokad, una società di software specializzata nell’ottimizzazione della supply chain, l’argomento della gestione del rischio nelle supply chain viene esplorato in profondità. 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 che sono sconosciute e irriducibili.

Vermorel sottolinea che ogni decisione nella gestione della supply chain comporta un compromesso tra rischio e ricompensa, e l’incertezza sul futuro è irriducibile. Nota anche che il rischio zero non esiste nelle supply chain. Anche con un processo di produzione perfetto, c’è sempre un rischio percentuale a due cifre che un prodotto non sarà venduto sul mercato tra cinque anni.

Vermorel ribadisce che la fonte di rischio nelle supply chain è l’incertezza del futuro. Spiega che questo rischio è irriducibile e a differenza di altre aree come la contabilità dove i rischi possono essere eliminati, i rischi della supply chain sono fuori controllo e possono solo essere mitigati. Sottolinea anche che mentre ci sono rischi nelle supply chain, ci sono anche opportunità. Ad esempio, avere molto 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 comuni e hanno effetti finanziari prevedibili. Sottolinea che la gestione della supply chain comporta il trattamento di molti rischi e opportunità che sono per lo più fuori controllo, e l’unica cosa che si può fare è prendere decisioni che bilanciano questi rischi e opportunità.

Vermorel spiega che sia i rischi che le opportunità possono sorgere nelle supply chain. Ad esempio, un concorrente che entra o esce dal mercato può abbassare o aumentare i prezzi, influenzando la redditività. Da anche l’esempio di un’azienda di e-commerce europea che ha sfruttato un evento sorprendente per realizzare un profitto eccezionale.

Vermorel spiega che nelle supply chain, è importante avere un approccio agile e opportunistico. Nota che mentre è possibile stabilire pratiche che sfruttano errori prevedibili, è anche importante essere preparati per i rischi emergenti.

Vermorel discute il costo dei difetti nella produzione di automobili, notando che nella gestione della supply chain, non ci sono vincoli rigidi e tutto è idoneo per l’ottimizzazione finanziaria. Spiega che la previsione viene utilizzata nella gestione della supply chain per mitigare il rischio. Tuttavia, a differenza dei difetti nella produzione di automobili, le inesattezze delle previsioni non saranno mai completamente eliminate.

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

Vermorel sostiene che la qualità di un approccio guidato dal rischio dovrebbe essere giudicata dai risultati finali, non dalla qualità di una previsione probabilistica. Sottolinea che la preoccupazione principale dovrebbe essere quanto denaro è stato guadagnato o perso, non l’accuratezza della previsione.

Vermorel suggerisce che l’entropia incrociata, una misura dell’accuratezza della previsione probabilistica, è astratta come le percentuali, ma ha buone proprietà per l’apprendimento di modelli di alta qualità. Sottolinea che i risultati finali, che si traducono in errori ridotti in termini di denaro, sono la metrica più importante.

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

Vermorel concorda, sostenendo che mentre entrambi sono 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, dove ogni negozio viene trattato indipendentemente e una scorta di sicurezza viene mantenuta per coprire eventuali carenze. Tuttavia, questo approccio può portare a problemi come l’esaurimento delle scorte a livello di magazzino. Critica l’approccio tradizionale di assegnazione delle scorte di sicurezza ai negozi in sequenza, che può portare a che alcuni negozi siano completamente riforniti mentre altri non ricevono nulla. Questo può portare a una domanda insoddisfatta e a un eccesso di scorte in alcuni negozi.

Vermorel suggerisce che un approccio migliore sarebbe quello di distribuire l’inventario in modo che tutti i negozi esauriscano le scorte allo stesso tempo, massimizzando le vendite. Propone un approccio probabilistico che tiene conto della rete e delle interdipendenze tra tutti i negozi e l’inventario disponibile.

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

Vermorel spiega che le promozioni possono portare i clienti ad aspettare future promozioni prima di effettuare acquisti, che possono essere difficili da modellare e gestire a causa della natura a lungo termine del comportamento del cliente. Suggerisce che un approccio guidato dal rischio è più compatibile con questi tipi di stime rispetto alle tradizionali previsioni di pianificazione delle serie temporali.

Vermorel sfida l’idea che solo le grandi aziende possono permettersi di gestire il rischio, sostenendo che ignorare il rischio può essere più costoso. Suggerisce che le previsioni probabilistiche possono essere più efficaci e più facili da implementare rispetto alle previsioni delle serie temporali tradizionali. Vermorel sostiene che anche le piccole aziende possono beneficiare della gestione del rischio, poiché può portare a margini e flussi di cassa aumentati.

In conclusione, Vermorel concorda con il riassunto di Doherty, sostenendo che molte aziende affrontano catastrofi prevenibili a causa dell’ignoranza del rischio. Suggerisce che una migliore corrispondenza tra la realtà e la gestione della supply chain può portare a un grado più alto di automazione e a meno persone necessarie per gestire il processo.

Trascrizione completa

Conor Doherty: Bentornati su LokadTV! Il rischio è sistemico nella supply chain. Da una certa prospettiva, ogni singola decisione della supply chain presenta potenziali classi di rischio, direttamente o indirettamente. Qui per spiegare perché - e soprattutto 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, cos’è esattamente la gestione del rischio e in che modo differisce dalla gestione del rischio in altri campi 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, potresti potenzialmente produrre un miliardo di pezzi senza mai affrontare difetti. Quindi potenzialmente, dal punto di vista della produzione, puoi eliminare il rischio. Il rischio non è tanto contingente al futuro. Ad esempio, se hai un processo difettoso che crea un rischio di incendio per la tua fabbrica, è solo questione di tempo prima che la fabbrica prenda fuoco.

Nella supply chain, è letteralmente il futuro che non conosci e non puoi davvero salvaguardare tutte le possibilità perché è troppo costoso. C’è sempre la possibilità che la domanda di prodotti specifici aumenti di un fattore 20, ma dovresti avere in magazzino 20 volte più di quello che ti aspetti di vendere, considerando il lead time applicabile e quant’altro, solo perché c’è questa remota possibilità di affrontare questo picco di domanda super imprevedibile? No.

Fondamentalmente, direi, a differenza di alcuni altri settori, nella supply chain, le fonti di rischio sono le condizioni future che non conosci e ogni decisione che prendi è una sorta di compromesso tra il tipo di rischio e le ricompense che ne derivano riguardo a questa incertezza sul futuro. E direi che l’incertezza sul futuro è irriducibile, a differenza di, diciamo, l’incertezza come gli attivi fisici nel tuo processo di produzione in fabbrica.

Il rischio zero non esiste mai. Anche se stai guardando un processo di produzione, puoi avvicinarti molto, molto allo zero. Voglio dire, non è assolutamente zero, ma è molto, molto vicino. Dal punto di vista della supply chain, guarda qualsiasi prodotto, c’è sempre una percentuale a due cifre di rischi che questo prodotto non sarà più venduto sul mercato tra cinque anni. Ci sono pochissimi prodotti di cui puoi dire con assoluta certezza che esisteranno ancora tra cinque anni, specialmente se teniamo conto che il prodotto può essere sostituito da una variante, che conta comunque come un SKU diverso.

Conor Doherty: Quindi, per riassumere, stai dicendo che la gestione del rischio nella supply chain è puramente una questione di minimizzazione delle risorse sprecate o è solo puramente una preoccupazione finanziaria?

Joannes Vermorel: La fonte del rischio è letteralmente il fatto che non conosci il futuro. Se avessi una palla di cristallo magica che ti dicesse il futuro, potresti in teoria avere quasi una pratica della supply chain senza rischi, supponendo che uno abbia abbastanza soldi.

Questa fonte di rischio è irriducibile e sembra strana in molte altre aree. Ad esempio, in contabilità, hai il rischio di avere errori contabili, ma è per questo che esistono quelle pratiche contabili, per eliminare essenzialmente questo rischio. Quando pensi in termini di rischio associato a pratiche contabili scorrette, vuoi davvero renderlo super raro.

Nella supply chain, non hai l’opzione. Non importa se sei bravo, se hai le pratiche corrette, il rischio è irriducibile. Potresti avere una guerra, lockdown, incendi, tutti i tipi di eventi che sono semplicemente al di là del tuo controllo che influenzeranno massicciamente la domanda in un modo o nell’altro. Questa è la principale fonte di rischio, che non conosci e tutto quello che puoi fare riguarda la mitigazione di questi rischi. Ma anche, poiché c’è rischio, ci sono anche opportunità che non esistono in altre aree come le pratiche contabili.

Ad esempio, se ti capita di avere un sacco di stock di qualcosa mentre il mercato sta affrontando una carenza, potresti potenzialmente fare un bel profitto vendendo questo inventario a un prezzo premium.

Conor Doherty: Sembra che molti di questi problemi nella supply chain saranno molto più comuni dell’esempio che hai dato di assumere una persona incompetente o moralmente sbagliata. Sono estremamente rari, ma presumibilmente le classi di rischio di cui stai parlando nel contesto della supply chain, come i tempi di consegna che vengono prolungati o addirittura anticipati di un paio di giorni, sono presumibilmente abbastanza regolari e hanno effetti finanziari prevedibili.

Joannes Vermorel: Sì, e non dipendono da te. Questo è anche un aspetto molto diverso. Se sei in un processo di produzione in uno stabilimento e hai difetti, risolvere il processo in modo da non avere più difetti dipende tutto da te. Potresti potenzialmente raggiungere quello stato di zero difetti che è la perfezione, o puoi avvicinarti molto alla perfezione.

Di nuovo, se andiamo nel mondo della supply chain, non proprio. Voglio dire, queste cose, per definizione, se hai un tempo di consegna, hai un fornitore e questa azienda è al di là del tuo controllo. E anche se internalizzi, potresti avere un trasportatore ed è ancora al di là 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 di nuovo è al di là del tuo controllo.

Quindi, ciò che rende la pratica della supply chain così specifica è che stai affrontando molti rischi e, al contrario, molte opportunità e sono per lo più al di là del tuo controllo. Quindi l’unica cosa che puoi fare è prendere decisioni che bilancino correttamente questi 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 a abbassare a tua volta il prezzo e quindi sei meno redditizio di quanto ti aspettassi o forse non sei nemmeno più redditizio. Ma può succedere anche il contrario. Un concorrente può uscire dal tuo mercato. In questo caso, beh, puoi alzare il tuo prezzo e sei più redditizio di quanto ti aspettassi.

Ogni volta che pensi che ci sia un rischio, c’è l’opportunità. Se c’è un’alluvione, forse il tuo magazzino verrà allagato o forse uno dei tuoi concorrenti verrà allagato. Quindi, quando le persone pensano al rischio di nuovo in ambienti di produzione, hai un obiettivo chiaro che è questa perfezione. Quindi quando pensi al rischio, è necessariamente non ci sono specifici vantaggi opportunistici casuali.

Ma nella supply chain, questo può accadere. Potresti avere migliaia di prodotti e per alcuni motivi casuali, i concorrenti commettono semplicemente errori. Non hanno la giusta quantità di stock, non hanno la giusta capacità o hanno la sbagliata allocazione e poi ci sono opportunità.

Ad esempio, una grande azienda di e-commerce europea, una delle loro tecniche era che avrebbero iniziato a vendere prodotti di moda e avrebbero identificato molto rapidamente nella stagione i bestseller, letteralmente in un giorno o due. E quello che avrebbero fatto è che avrebbero immediatamente passato un ordine gigantesco al marchio originale e avrebbero accaparrato tutto lo stock.

È stato sorprendentemente ben accolto, e quindi dicevano: “Okay, se questa quantità di vendite ci sorprende, molto probabilmente sorprende anche il marchio originale. Quindi, cosa succederà se facciamo un ordine massiccio? Saremo seduti su un grande mucchio di inventario mentre tutti gli altri stanno esaurendo le scorte. Possiamo vendere gli stessi prodotti a un prezzo leggermente superiore al prezzo normale, e venderemo comunque tutto senza incorrere in alcuna penalità relativa 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 aspetterebbero, e poi, se sei intelligente, puoi trasformare quello in un’opportunità per accaparrare la quantità di inventario che si trova ad essere ancora disponibile e poi fare un profitto eccezionale su questo prodotto. Quindi, vedi, il rischio c’è, ma c’è anche l’opportunità che sorge.

Conor Doherty: Capito, grazie. Quell’esempio è abbastanza interessante perché apre una potenziale biforcazione nella conversazione. Se ho capito bene, l’esempio che hai dato era uno di una risposta reattiva all’opportunità. Questo venditore di moda ha individuato un’opportunità e ha risposto molto agilmente a questa opportunità. Quindi era un approccio reattivo alla gestione delle opportunità e all’evitamento dei rischi. È il massimo che si può fare nella supply chain, o esiste un meccanismo proattivo per anticipare questi tipi di eventi?

Joannes Vermorel: Avrei una risposta duplice a quello. Prima di tutto, hai perfettamente ragione. È venuto con una mentalità agile, una mentalità opportunistica, e si applica ugualmente per rischi e opportunità. La cosa interessante è che se vieni da una prospettiva come la produzione, questa non è la prospettiva che adotti. Vuoi solo eliminare il rischio. È un problema statico. O il tuo processo non ha rischi, non ha difetti, non ha pericoli, e sei a posto, o non lo ha, e devi risolverlo.

Qui nella supply chain, la cosa interessante è che quando provi ad affrontare il rischio con questo tipo di mentalità stazionaria, lo pensi come qualcosa che potresti risolvere una volta per tutte. Ma il problema è che non funziona perché se hai qualcosa che è completamente statico, allora non puoi più cogliere le opportunità. Ma la realtà è che non puoi reagire nemmeno al rischio emergente. È completamente simmetrico. Quindi hai opportunità che sorgono, ma ci saranno rischi che semplicemente emergono e sorprendono tutti, e devi reagire rapidamente anche a quelli. Quindi è simmetrico.

Ora, cosa significa essere preparati? Come stavo menzionando questo esempio su questa grande azienda di e-commerce europea che gioca a questo gioco di accaparramento dell’inventario del marchio, questa è una pratica consolidata. Sanno che a causa del fatto 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 una certa dimensione potrebbe avere tutto correttamente dimensionato in termini di inventario è una scommessa relativamente sicura da dire che si commetteranno errori. E quindi, puoi stabilire una pratica in cui trasformi quegli errori prevedibili a tuo vantaggio.

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

Joannes Vermorel: Come la maggior parte delle cose nella supply chain, deve essere in qualche misura dall’alto verso il basso. Non puoi aspettarti che le persone in fondo abbiano un modo per riorganizzare l’organizzazione stessa. Ad esempio, se decidi che il tuo processo è come SNOP (Sales and Operations Planning) e poi hai sessioni trimestrali per SNOP dove impieghi due mesi per stabilire la tua nuova previsione e far accettare a tutti, stabilire un grande consenso, e poi tutti sono indagati e poi devi compilare tutti i risultati e poi devi ri-tradurre le previsioni che sono per settimana per categoria in qualcosa che ha senso in termini di decisioni, ti trovi in una situazione in cui non importa se le persone in fondo sono agili o meno. Il processo e l’organizzazione stessa impediscono comunque qualsiasi tipo di agilità. Quindi, in misura considerevole, se vuoi essere agile, questo deve essere ingegnerizzato dall’alto in modo che questa agilità possa anche accadere. Ma poi, una volta che hai ingegnerizzato qualcosa dove diventa una possibilità, allora sì, è una cosa molto più dal basso verso l’alto perché poi si tratta di se i vari team approfittano di questa nuova agilità trovata.

Conor Doherty: Mi viene in mente anche che c’è un altro modo per affrontare l’idea di rischio e opportunità. Se inverti l’esempio che hai dato, invece di concentrarti sull’azienda che vendeva queste magliette che andavano a ruba e ha deciso di accaparrarsi il mercato su questo, è loro che approfittano di un’opportunità. Dal punto di vista del fornitore, se ti trovi in una situazione del genere in cui all’improvviso dal nulla 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 diffidare? Perché di nuovo, c’è rischio e opportunità lì. Come fornitore, dovrei vendere? È una vendita garantita proprio ora, oggi, svuoto tutto. O dovrei indagare perché vorrebbe comprare queste proprio ora? C’è qualcos’altro in gioco qui?

Joannes Vermorel: Dipende davvero se puoi permetterti di spendere tempo per indagare. Se c’è una connessione EDI e gli acquisti sono completamente automatizzati e non c’è nemmeno qualcuno nel loop, dipende davvero. Ma avere comportamenti avversi 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 diventare nel tempo concorrenti, decidere di avere i loro propri marchi, ecc. E il contrario è vero. Se sei un marchio, puoi decidere di internalizzare e all’improvviso competi con quello 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 dollari o euro di ricompense e opportunità su questo tipo di cose.

Ancora, se torni alla produzione di automobili, quanto costa avere un difetto che uccide una persona? La risposta è troppo. Quindi, vedi, non è il tipo di cosa dove stai per fare ingegneria sofisticata perché per lo più non è accettabile. Quindi sì, in teoria, gli economisti ti direbbero che il costo di una vita umana negli Stati Uniti secondo varie cose è diciamo cinque milioni, qualunque cosa, potresti anche fare un caso per quello. Ma la realtà è che nessuno sta per fare davvero ingegneria seria. Farebbero solo quello che possono affinché quei problemi in cui hai qualcuno che muore semplicemente non accadano. E quindi, non c’è una vera ingegneria finanziaria perché ancora, se la prendi dal punto di vista della produzione, vuoi solo evitare per progettazione quel tipo di problemi e non stai cercando di ottimizzare il tuo rischio nel senso di bilanciare i pro e i contro, vuoi solo eliminarlo. Ma nella supply chain, non puoi, e sarà un vero compromesso. 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 di stock, e puoi anche cercare di operare con zero stock e fai solo ordini arretrati tutto il tempo. Quindi, è, hai molta più flessibilità e anche hai pochissimi vincoli rigidi nella supply chain. Finché sei disposto a pagare, non ci sono quasi vincoli. Vuoi più spazio di stoccaggio? Se sei disposto a pagare per esso, puoi effettivamente pagare per avere un secondo magazzino costruito. Quindi, in definitiva, tutti i tipi di vincoli, tutti i tipi di rischio e ricompense, sono piuttosto morbidi e quindi sono molto idonei all’ottimizzazione finanziaria rispetto a situazioni di vita o di morte dove le persone direbbero, “No, non stiamo per fare un’ottimizzazione finanziaria di quello. Deve essere una risposta categorica. Non lo vogliamo proprio.” Quindi, la supply chain ha questo lusso che la stragrande maggioranza dei problemi sono in realtà problemi morbidi dove puoi passare da un servizio super cattivo a un servizio super buono e l’intero spettro è possibile e la struttura dei costi evolve man mano che vai per una migliore qualità del servizio o una peggiore qualità del servizio.

Conor Doherty: L’esempio che hai dato della produzione di automobili presenta in realtà un bel passaggio perché so che nella produzione di automobili, ad esempio Ford, gestiscono il rischio, in particolare con i loro veicoli autonomi, utilizzando gemelli digitali. 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 loro rischio senza mai dover produrre un prototipo nel mondo reale. Questo è un passo per gestire il loro rischio. C’è qualcosa di simile per la supply chain? Perché ancora, non è un prodotto fisico in sé, sebbene sia composto da molte parti in movimento.

Joannes Vermorel: Questa è la cosa interessante. Questo è quello che cerchi di fare in un certo senso con la previsione. Cerchi di mitigare questo rischio che hai su questo futuro incerto attraverso la previsione. Idealmente, se le tue previsioni fossero perfette, eliminerebbe questo rischio. Ecco perché ci sono molte pratiche di supply chain che trattano l’accuratezza delle previsioni come i produttori di automobili trattano i difetti nelle loro pastiglie dei freni, come qualcosa che dovresti eliminare.

Ma il problema è che a differenza dei difetti nelle pastiglie dei freni, dove potresti potenzialmente portare questo tasso di difetto a uno per miliardo, così basso che è inconseguente, l’inesattezza della previsione non andrà mai a 0,01 di errore. Di solito rimarrà bloccato, se guardi il tipo di granularità che ha senso per le previsioni per le decisioni, quindi fondamentalmente per SKU al giorno, rimarrai bloccato con previsioni ampiamente inaccurate, come il 50% inaccurate in media, al giorno per SKU, se guardi qualche mese avanti.

La cosa interessante è, quali strumenti, processi e metodologie hai per affrontare queste classi di rischio? Questo è più o meno ciò che Lokad sta facendo con la previsione probabilistica, proprio per questo motivo. È un modo per abbracciare questa incertezza. Ma questo è molto diverso dal paradigma classico che presume semplicemente che la previsione sarà accurata e dove, se ci sono inesattezze, queste vengono trattate come un difetto che dovrebbe essere risolto.

L’approccio di Lokad, la previsione probabilistica, è che non presupponiamo né ci aspettiamo che queste inesattezze spariranno mai. Quello che abbiamo sono probabilità. Potremmo migliorare i nostri modelli per avere probabilità che sono un po’ più concentrate, quindi abbiamo una visione un po’ più nitida del futuro. Ma la prospettiva generale è che rimarrà estremamente sfocata ed estremamente incerta, non importa cosa.

Conor Doherty: Voglio piantare una bandiera lì perché penso che ci sia un punto importante e voglio solo amplificarlo. Quando parli di prevedere la domanda futura, la maggior parte delle persone sentirebbe questo come guardare semplicemente i dati di vendita precedenti e arrivare a un numero, come su una serie temporale. È la tua posizione che l’approccio di previsione probabilistica prenderà in considerazione non solo i dati storici ma anche le altre classi di rischio di cui stiamo parlando, come i tempi di consegna prolungati, una barca che rimane bloccata in un canale, o qualcosa del genere, e li fonde insieme?

Joannes Vermorel: Sì, assolutamente. Ecco perché noi di Lokad parliamo tipicamente di modellazione predittiva piuttosto che di previsione. In teoria, potresti prevedere qualsiasi cosa, ma la realtà è che quando dici previsione, l’aspettativa predefinita è che stai parlando della domanda o delle vendite. Questo è il 99% della situazione quando le persone dicono che abbiamo una previsione, intendono una previsione delle vendite o della domanda. Ma la realtà è che tutto ciò che è incerto sul futuro può essere anticipato e quindi abbiamo questa modellazione predittiva.

La cosa interessante è che ci sono molte cose dove puoi modellare il rischio anche se non hai davvero dati. Ad esempio, la guerra in Europa. Se guardi gli ultimi 100 anni, c’è stata come una grande guerra ogni mezzo secolo. Quindi, se lo guardi, significa che ogni anno c’è come una possibilità del due percento che ci sarà una guerra che ti influenzerà. Puoi tornare indietro cinque secoli nella storia dell’Europa e questo è qualcosa che è successo ancora e ancora.

Spero che il rischio di una vera guerra per l’Europa occidentale sia abbastanza basso al momento, ma ancora, se prendi una prospettiva storica, dire che c’è una possibilità del due percento di avere una massiccia disruption non è relativamente folle. Guarda cosa sta succedendo in Ucraina. Il rischio è decisamente reale e 20 anni fa era nell’ex Jugoslavia. Quindi queste sorta di cose succedono e non hai bisogno di avere dati precisi per dire bene possiamo mettere un rischio del due percento di un evento dirompente importante.

Potresti dipendere dalla regione, potresti essere inondato, potresti avere incendi. Ci sono molti rischi dove puoi fare una valutazione approssimativa. È meglio fare questo piuttosto che fingere che questi rischi non esistano affatto. E con la previsione probabilistica, aggiungere un rischio del due percento che è un po’ indovinato, per dire un calo importante della domanda, è tecnicamente abbastanza semplice.

In contrasto, se lo stai facendo, se affronti il futuro con la previsione deterministica classica della serie temporale, è quasi impossibile farlo. Sì, puoi dire abbiamo uno scenario in cui c’è un disastro in corso, ma come concili questo scenario, che è ampiamente divergente dalla tua previsione principale, con quello che stai facendo quotidianamente? In pratica, non puoi.

Quindi ci sono molte aziende che dicono: “Oh, facciamo scenari, modelliamo il rischio”, ma la realtà è, e le tue decisioni quotidiane? Tutte quelle decisioni quotidiane sono guidate al 100% dalla previsione mediana o dalla previsione media, che ignora completamente tutto il rischio. Quindi in questo senso, sì, hai fatto alcuni esercizi intellettuali per pensare al rischio, ma se tutte le decisioni che prendi quotidianamente non incorporano questo rischio in un modo o nell’altro, allora questo è solo un esercizio intellettuale. Non ha alcuna conseguenza su quello che stai facendo quotidianamente.

Conor Doherty: Voglio spingerti un po’ su questo punto perché sono anche curioso. Se pensi ad altre tecniche di previsione come, diciamo, il valore aggiunto della previsione in cui le persone collaborano per aggiungere a una previsione e l’idea è che diversi dipartimenti abbiano intuizioni. Prendi un esempio, sta per emergere un nuovo concorrente e prendi quella informazione, il marketing ha quella informazione e in qualche modo la incorporano in una serie temporale. Questo è un po’ difficile da fare perché come traduci quel tipo di conoscenza in una previsione? Allo stesso modo, questo è dove sto spingendo un po’, come si inserisce esattamente una possibilità del due percento di guerra in Europa occidentale in una previsione probabilistica per arrivare al numero di unità che ho sul mio scaffale? Perché sembrano in un certo senso simili.

Joannes Vermorel: Cominciamo con le serie temporali. Vedi, le serie temporali sono oggi le persone pensano che ci sia questa credenza generale, non tutti, ma la maggior parte dei praticanti della supply chain mainstream pensano solo al futuro attraverso le lenti delle serie temporali. Le serie temporali sono incredibilmente strette come modo per esprimere tutto ciò che sai sul futuro. Ad esempio, se sei un’azienda B2B, quindi i tuoi clienti sono altre aziende, un rischio molto basilare è che uno di questi grandi clienti ti lasci per andare da un altro dei tuoi concorrenti. E quando questo succede, tutti i prodotti che compravano da te, smetterebbero di comprare qualsiasi cosa. E se avevi, ad esempio, tenevi in magazzino un prodotto che veniva acquistato molto regolarmente da questo cliente, ma questo cliente ti lascia all’improvviso, allora questa pila di inventario diventa stock morto durante la notte. Solo perché, anche se lo stock stava girando bene, veniva con un rischio nascosto che questo cliente potrebbe lasciarti.

Quindi qui abbiamo, e l’idea che questi grandi clienti possano lasciarti non è come un’idea super sofisticata. Qualsiasi venditore direbbe: “Beh, avevamo questo cliente, c’è sempre questo rischio che ci lasci”. Ora il problema è che se inquadri la tua anticipazione del futuro con le serie temporali, sei bloccato. Non puoi esprimere quello perché l’informazione che hai riguarda il cliente, non i prodotti. E se hai detto che c’è questo rischio di questo prodotto che va a zero, sì, ma la cosa è che questo rischio è altamente correlato. È tutto quello che questo cliente sta comprando che può andare a zero allo stesso tempo. Ed è un tipo di rischio molto, molto diverso dire che questo prodotto in isolamento può andare a zero.

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

Per assicurarsi che le persone non perdano questo, la serie temporale è un riflesso del rapporto di un cliente con un prodotto, ma non dei prodotti stessi. La serie temporale è solo una misurazione unidimensionale. Hai una misurazione che cade ogni giorno, ogni settimana, ogni mese. Questo si chiama serie temporale basata su equis. È quello che le persone hanno in mente quando pensano alle serie temporali. È una misurazione unidimensionale ed è letteralmente come le temperature. C’erano temperature nel passato, ci saranno temperature nel futuro, e quindi puoi estendere questa serie temporale.

Tuttavia, questo riguarda le relazioni precedenti che i clienti preesistenti avevano con i prodotti che hai acquistato, ma non dice nulla sul futuro. Il problema è che l’informazione che hai è alla granularità del cliente, e la tua previsione è alla granularità del prodotto. C’è una discrepanza e non c’è traduzione per passare da queste informazioni a queste altre informazioni. Questo è un punto chiave.

In matematica, quando barate, finisci con cose strane. Ad esempio, quando barate solo un po’, diciamo per esempio che la Terra è una sfera, approssimativamente. Non è esattamente una sfera, ma è abbastanza vicina. Quindi quando vuoi avere una mappa, stai proiettando una sfera su una superficie piatta. Se guardi una mappa del mondo, finisci con distorsioni. Ad esempio, l’Africa nelle mappe europee appare molto piccola rispetto all’Europa, anche se l’Africa è in realtà più grande dell’Europa. Questo è solo un effetto della distorsione perché stai usando una superficie piatta per rappresentare una sfera.

Ma qui, il problema è molto 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 il tipo di problemi che hai e le distorsioni che hai sono assolutamente gigantesche. Se pensi che far sembrare l’Africa più piccola dell’Europa sia un problema, questi sono problemi molto modesti rispetto al tipo di problemi che hai nella “supply chain” quando cerchi di iniettare queste informazioni che conosci sul rischio nella serie temporale.

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 questi rischi. Sono bloccati con le serie temporali a causa del fatto che non riescono nemmeno a immaginare qualcosa che sarebbe qualcosa di diverso da 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 dovrebbe essere usato.

Ci sono alcune cose tecniche. Ad esempio, non è molto chiaro come viene calcolato un logaritmo, ma va bene. Non è necessario avere un’immagine chiara della cosa per usarla con successo. Quindi possiamo passare alla seconda parte, come fa Lokad a sfruttare questo tipo di informazioni.

L’idea è che quando vuoi pensare al futuro, la versione ad alta dimensione è pensare che ogni singolo possibile futuro ha una probabilità. Quindi potresti pensare a questa probabilità per un dato futuro in cui conosci esattamente il livello di vendite di tutto, sulla domanda, le cose che saranno vendute di nuovo.

C’è una probabilità che questo accada. È infinitamente piccola, ma se hai gli strumenti matematici appropriati, puoi lavorare con probabilità infinitamente piccole. E ancora, a causa del fatto che hai un numero molto grande di possibili futuri, sommerà comunque a probabilità uno. C’è un futuro che accadrà, e la somma di tutte queste probabilità equivale a uno.

Puoi considerare un rischio come il due percento di possibilità di perdere questi clienti. Non è effettivamente così difficile. Se vedi la domanda attraverso le lenti dei prodotti, allora è molto difficile iniettare i clienti. Ma se vedi la domanda come il risultato del comportamento dei clienti e prevedi il comportamento dei clienti, allora aggiungere questo rischio extra del cliente che ti lascia diventa qualcosa di relativamente semplice.

Puoi costruire la tua previsione in modi diversi. In termini di agilità che si ha utilizzando o sfruttando un approccio basato su serie temporali rispetto all’agilità che si ha sfruttando l’approccio probabilistico, qual è la differenza lì e come si traduce poi nella gestione del rischio?

Il problema principale è che il rischio delle serie temporali non esiste. Non può nemmeno esistere. È come un cubo in uno spazio bidimensionale. Non esiste una cosa del genere come un cubo. Puoi disegnare un cubo, ma fondamentalmente, semplicemente non si adatta. Questo è un problema quando hai dimensioni extra che non si adattano, sei bloccato. Se tutto quello che hai è un piano bidimensionale, non puoi incastrare un cubo in quello. Semplicemente non si adatterà. E quindi con le serie temporali, sei un po’ bloccato.

Potresti usare il nastro adesivo. Potresti dire che non possiamo affrontare il rischio, ma possiamo imbrogliare avendo una previsione errata che è intenzionalmente distorta in modo che la decisione che verrà presa sulla base di questa previsione rifletta questo rischio. Questo è un modo molto contorto per arrivare alla gestione del rischio.

Tecnicamente, è possibile farlo in qualche modo, ma sarà in modi che sono molto strani. Ad esempio, puoi affrontare il rischio rendendo la tua previsione intenzionalmente meno accurata introducendo distorsione, distorsione intenzionale nella tua previsione. Questo è un modo per affrontare i rischi. Ma è un modo molto contorto per arrivarci.

Se passi all’approccio probabilistico, hai una previsione intrinsecamente probabilistica. Quindi per progettazione, hai queste probabilità. C’è un’altra parte della sfida che è come fai un’ottimizzazione. Si chiama processo di ottimizzazione stocastica. Come ottimizzi una decisione quando hai condizioni incerte? Quindi devi fare un’ottimizzazione che ha un’affinità naturale con queste incertezze che esistono nelle condizioni iniziali.

Conor Doherty: Se valuti, e sono curioso di sapere esattamente come, no, lascia che riprenda quella domanda. Se ti trovi in una situazione in cui hai un’azienda e abbracci l’approccio probabilistico, hai fatto serie temporali, sei convinto da quello che hai appena detto e poi ti viene presentata una raccomandazione che è il prodotto finale della metodologia di previsione probabilistica. E in quello, lì in qualunque valore sia stato presentato, in realtà molti di quei fattori sono stati incorporati, ad esempio, la possibilità di perdere un cliente e sai che la direzione guarda quello e pensa che sia pazzesco. Come dovrebbero interagire esattamente con quello perché di nuovo ci sono così tante cose che vengono prese in considerazione. Come colmi il divario?

Joannes Vermorel: Quindi prima di tutto, qual è l’output e qui c’è una divergenza radicale. L’output di un processo di supply chain guidato dal rischio che è alimentato da previsioni probabilistiche, perché letteralmente, è a mia conoscenza praticamente l’unica tecnica valida che abbiamo per affrontare il rischio. È per questo che servono le probabilità. L’output sono le decisioni, non il piano. La cosa strana è che quando pensi che il futuro possa essere conosciuto quindi puoi eliminare tutto il rischio, i rischi della supply chain riguardano principalmente questo futuro incerto. Se pensi di poter avere una previsione accurata allora l’output della tua pratica di supply chain è la previsione e la previsione è il tuo piano perché una volta che hai la previsione è solo una questione di orchestrazione per le decisioni.

Se adotti un approccio guidato dal rischio, l’output del tuo processo non è il piano, non è la previsione, sono le decisioni. Ma se il tuo processo guidato dal rischio è cattivo perché può essere cattivo, porterà a cattive decisioni. E come identifichi quindi come sfidare una decisione per essere cattiva? Beh, succede in modo molto diverso. Ancora una volta, se andiamo alla prospettiva classica, le persone penserebbero in termini di precisione della previsione perché quello è l’obiettivo finale. Se vai per il rischio, diresti che c’è una decisione, questa decisione ha rischi e opportunità ad essa associate espressi in dollari o euro. E quindi se vedi una decisione che è cattiva, sostanzialmente stai dicendo che la valutazione in dollari o euro che è stata fatta su questa prossima decisione è sbagliata.

E quindi puoi individuare e se guardi, tipicamente per ogni decisione che generiamo, decomponiamo i driver economici in modo da poter dire che abbiamo una mezza dozzina di driver che riflettono ciò che entra in questa decisione. E quindi se vuoi sfidare quello, sfiderai un componente e dirai questo, diciamo il costo di gestione, il rischio dei costi di gestione che stai stimando sembra completamente sbagliato. E quindi sì, è il ruolo del Supply Chain Scientist capovolgere il processo per identificare cosa c’è di sbagliato in questa stima. Ma è molto tecnico.

Ma la realtà è che se hai una previsione di serie storica classica che è molto sbagliata, dici che questa previsione di serie storica è molto imprecisa. Ma una volta detto questo, indagare sulla causa radice di ciò sarà un’impresa molto tecnica.

Conor Doherty: Se torniamo a prima, stavamo parlando di approcci proattivi alla gestione del rischio che erano diciamo i gemelli digitali nell’industria automobilistica e poi a una sorta di gestione del rischio reattiva dall’analogia dell’abbigliamento che hai dato. La previsione probabilistica sembra quasi proattiva nel senso che stai simulando mondi in cui prendi questa decisione, ecco la risposta prevista, prendi questa decisione, ecco la risposta prevista.

Joannes Vermorel: Quindi è proattivo nel senso che dici che ci saranno fluttuazioni, ci saranno sempre fluttuazioni che sono ben oltre il mio controllo. Questo è ciò che significa questa incertezza irriducibile sul futuro e quindi sulla base di ciò devo essere in grado di ingegnerizzare un processo che reagirà prontamente e adeguatamente a queste condizioni mutevoli, che mi stanno influenzando positivamente o negativamente. E quindi sì, è molto proattivo nel senso che ingegnerizzare un tale processo che ti permette di sfruttare le opportunità man mano che si presentano e mitigare i problemi man mano che si presentano, richiede molta preparazione.

Ma non è ingannato dall’idea che tu possa prepararti così tanto da portarti a un’eliminazione dell’incertezza in primo luogo. Vedi, non è l’obiettivo finale. È un po’ una posizione dogmatica in un certo senso, ma è l’idea che non puoi arrivare in fondo a questo buco del coniglio della modellazione predittiva. Non puoi arrivare a un modello che sarà preciso al 100%, non succederà mai. La quantità di incertezza residua sarà molto grande e quindi ciò che ti resta è ingegnerizzare un processo che è molto bravo a stare al passo con il cambiamento man mano che lo osservi.

Perché vedi, la cosa è che molto spesso le aziende vengono sorprese da cose che sono successe mesi fa. Diresti oh non conosciamo il futuro ma che ne dici del passato, conosciamo il passato. Ma se il tuo tempo medio di risposta a qualcosa che hai già visto è di circa sei mesi, allora potresti finire per essere sorpreso da qualcosa che è già passato un paio di mesi e le aziende vengono molto regolarmente sorprese in questo modo.

Conor Doherty: Ancora, voglio insistere un po’ qui perché so che se vogliamo parlare di gestione del rischio, dovremmo parlare di come valutiamo le nostre pratiche di gestione del rischio. E ancora, per tornare alle serie temporali rispetto agli approcci probabilistici, se hai una serie temporale ed è completamente sbagliata, posso indicarla e dire che era sbagliata, era enormemente imprecisa. E questo è, sai, è binario, o era preciso o non lo era. Hai detto che avremmo venduto 100, ne abbiamo venduti 10. Hai sbagliato di un ordine di grandezza. Con l’approccio probabilistico, stai fornendo probabilità, non stai dicendo che questo è sicuramente quello che venderesti. E questo ti isola in qualche modo dall’essere sbagliato?

Joannes Vermorel: No, intendo, tecnicamente ci sono metriche per l’accuratezza delle previsioni probabilistiche ma ancora più interessante, puoi valutare la correttezza delle decisioni stesse. E questo è, sai, dimentica le probabilità. Sono solo un artefatto di calcolo transitorio. Ci sono molti altri artefatti, artefatti numerici che entrano nel calcolo. Sono inconseguenti nel senso che se hai le probabilità sbagliate ma ottieni comunque la decisione corretta, ha davvero importanza che le tue probabilità siano sbagliate?

Conor Doherty: Cosa intendi con questo? Potresti avere la probabilità sbagliata ma prendi comunque la decisione giusta?

Joannes Vermorel: Ad esempio, ci sono persone che non si rendono sempre conto ma i computer approssimano le cose tutto il tempo. Ogni volta che fai un calcolo, usi solo un certo numero di cifre di precisione. La perdita di precisione è importante o no? La risposta è, dipende. E nella supply chain, dipende da cosa. Beh, dipende da se la decisione finale è buona o cattiva.

Quindi alla fine, quello che sto solo dicendo è che dovresti giudicare la qualità di questo approccio guidato dal rischio da quello che fa alla fine del processo, le decisioni. Gestire le probabilità ad alta dimensione, fare con la valutazione numerica delle probabilità in uno spazio ad alta dimensione comporta tutti i tipi di stranezze. Se le tecniche sono appropriate o meno dovrebbe davvero essere giudicato dai risultati finali, 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, questo è molto difficile per alcune persone. Perdonami, non voglio essere condiscendente, ma stai dicendo che l’idea di volere una previsione più accurata è tecnicamente sbagliata in termini di gestione del rischio?

Joannes Vermorel: Quindi, prima, dico quando dici che hai, diciamo, una previsione imprecisa del 20%, quelle percentuali sono un’unità completamente inventata. Non sono chilogrammi, non sono kilowatt, non sono qualcosa che ha una sorta di realtà tangibile. Questo è inventato e le persone dicono: “Oh, ma siamo così abituati a quelle percentuali di precisione espresse come percentuale che sicuramente deve essere reale”. Dico per niente. Puoi avere previsioni estremamente dannose che risultano essere molto precise, dove l’imprecisione espressa come percentuale è molto bassa.

C’è un aneddoto che mi è stato dato più e più volte dove puoi semplicemente prevedere zero domanda per un negozio e questo ti darà molto rapidamente una previsione molto precisa. Prevedi zero, apri con zero, e la previsione diventa precisa al 100%. Quindi, questa misurazione che esprime percentuali non è molto sensata.

Se ti dico che puoi avere una misurazione della previsione probabilistica espressa in entropia incrociata, è molto astratta e non sarà molto perspicace. Ma il caso che sto facendo è che l’entropia incrociata è astratta e opaca quanto le percentuali. È molto inventato. L’unico motivo per cui, ad esempio, in Lokad sceglieremmo l’entropia incrociata è che ha buone proprietà quando si tratta di arrivare alle decisioni finali.

Ad esempio, l’entropia incrociata mostra gradienti molto ripidi che facilitano l’apprendimento di modelli di alta qualità. Questa è una cosa molto tecnica, ma funziona. E funziona in che senso? Funziona giudicando i risultati finali, che è la decisione generata alla fine del processo e che alla fine si traduce in euro o dollari di errore ridotti. Questa è la metrica che è saliente per le persone che operano da questa prospettiva guidata dal rischio.

Di nuovo, se operi dalla prospettiva delle serie temporali, stai pensando in termini di proprio come un produttore di automobili con un difetto che ucciderebbe le persone. Dici, “Sai cosa, non contiamo i dollari, vogliamo solo assicurarci di essere estremamente sicuri e che siamo sicuri quasi oltre le misure.”

Conor Doherty: Quindi, se hai un’intera divisione dedicata alla gestione del rischio, alla valutazione del rischio, ma la tua “supply chain” si basa su un approccio di previsione delle serie temporali, è la tua posizione che è quasi paradossale, come se fosse una contraddizione in termini?

Joannes Vermorel: No, significa solo che le persone che si occupano di gestione del rischio sono solo burocrati. Qualunque cosa facciano non ha conseguenze. Di solito, non hanno conseguenze. Vedi, la cosa è, se fai una valutazione del rischio ma se queste cose non possono regolare marginalmente ogni singola decisione presa nella tua “supply chain”, allora hai fatto una valutazione e hai appena sepolto la valutazione subito dopo averla fatta.

Vedi, se dici: “Oh, questo fornitore ha un rischio del 2% di fallire il prossimo anno”, ok, influisce sulle tue decisioni di acquisto? Se non lo fa, allora hai appena sepolto la tua valutazione. La stai ignorando. Stai solo infilando la testa nella sabbia.

Ed è molto strano perché le persone direbbero: “Oh, ma abbiamo analizzato il rischio”. Sì, ma non stai agendo su questa valutazione. E quando dico agire, le persone pensano davvero che sia un errore. Quando le persone pensano alla “supply chain”, è quello che sentiresti nei media. Direbbero: “Oh, non dovremmo avere la nostra fabbrica in Cina”. Sì, questo è un rischio molto macro, ma ci sono anche rischi molto più banali.

Quindi, cosa compri, dove lo stocchi, aumenti o diminuisci i tuoi punti di prezzo? Queste sono decisioni che comportano anche un rischio e queste decisioni vengono prese quotidianamente per ogni singolo SKU che acquisti, produci o vendi. E qualsiasi valutazione tu abbia in termini di rischio riguardo al tuo fornitore, al tuo concorrente, ai tuoi clienti, la domanda è, se non c’è qualcosa che collega numericamente i punti tra questa valutazione e 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 maggior parte delle persone sulla gestione del rischio è su scala macro, come un evento massiccio che interrompe completamente le catene, ma la tua posizione è che la gestione del rischio più importante, più urgente è sulle decisioni quotidiane, più piccole?

Joannes Vermorel: Entrambe sono molto importanti, ma siamo realisti su quanto puoi essere veramente informato per prendere la decisione giusta. Per quelle decisioni macro, in larga misura, è una scommessa. È una scommessa totale e va bene. Questo è il capitalismo. Questa è un’economia di profitti e perdite. Le persone corrono rischi e c’è il caso coinvolto. E sto dicendo, beh, non puoi davvero avere una pratica che ti dirà se entrare in un nuovo mercato, per esempio, è sicuro o no. Puoi fare valutazioni, puoi cercare di razionalizzare un po’ il processo, ma fondamentalmente, è qualcosa che 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 al giorno, ogni singolo giorno. Ed è quello che sto dicendo, a differenza delle grandi decisioni macro in cui scommetti e non c’è altra alternativa se non andare con la tua valutazione istintiva, nel caso di quelle decine di migliaia di decisioni che devono essere prese quotidianamente, puoi fare una valutazione quantitativa e qualcosa che ha effettivamente senso.

Conor Doherty: Bene, per allontanarci dagli esempi colossali come quelli su scala macro, portiamolo a qualcosa come il livello SKU. Quindi, abbiamo un certo numero di negozi, abbiamo 10 negozi, e abbiamo una quantità finita di inventario, inventario di magliette bianche, e tutti i 10 negozi hanno bisogno di magliette bianche. Qual sarebbe il modo più probabilistico, più informato sul rischio di distribuire quello che ho tra tutti i negozi che ne hanno bisogno?

Joannes Vermorel: Prendiamo la prospettiva classica. La prospettiva classica, focalizzata sulle serie temporali, presupponi di conoscere il futuro. Quindi, hai uno stock di sicurezza. Fondamentalmente, dici che ogni negozio dovrebbe avere questa quantità in magazzino e poi per riconoscere la piccola incertezza residua su di esso, aggiungerai un piccolo buffer e quello è il tuo stock di sicurezza. Tutti i negozi vengono trattati indipendentemente e l’idea è che dovresti avere abbastanza stock per coprire tutti i tuoi negozi.

Ora, qual è il rischio effettivo? Il rischio è che puoi esaurire lo stock a livello di magazzino e poi la domanda diventa, ho una risorsa che è limitata al magazzino, cosa dovrei fare per i miei vari negozi? Se lo fai solo nel modo classico, il modo classico direbbe che ho il mio stock di sicurezza, faccio solo l’allocazione per il primo negozio, ho ancora dell’inventario rimasto, ripeto il processo per il secondo negozio, e poi forse al quarto negozio, mi fermerò perché non c’è più inventario. Quindi, quello che hai fatto è effettivamente riempire i primi quattro negozi e non inviare nulla agli altri. Questo non è molto intelligente. Questo non sta affrontando correttamente questa situazione, questa piccola mini crisi che hai avendo un prodotto esaurito in magazzino.

Conor Doherty: Quali sono i rischi lì però dal punto di vista finanziario?

Joannes Vermorel: No, non è così. È per questo che esiste il tuo stock di sicurezza. Quando metti uno stock di sicurezza, stai dicendo che sto mettendo unità in un negozio che hanno una probabilità molto bassa di essere vendute durante la mia finestra temporale rilevante. È per questo che c’è lo stock di sicurezza. È un buffer che molto probabilmente non avrai bisogno.

Se vuoi massimizzare la tua vendita, è molto meglio distribuire l’inventario in modo che ogni negozio ne abbia un po’. L’obiettivo è che tutti i negozi esauriscano lo stock allo stesso tempo. Ovviamente, non puoi davvero raggiungere questo obiettivo, ma è quello a cui vuoi avvicinarti.

Consideriamo la situazione alternativa in cui hai concentrato lo stock nei primi quattro negozi. Hai tutti gli altri negozi che sono esauriti, quindi non vendi affatto. E per quelli, venderai solo qualcosa come la metà dell’inventario, quindi avrai un sacco di rimanenze. Finisci in una situazione in cui hai un negozio che è esaurito mentre un altro ha un stock eccessivo in confronto e la domanda nei negozi che non hanno stock rimane insoddisfatta.

Conor Doherty: Quindi c’è il rischio?

Joannes Vermorel: Sì, ed è qui che stiamo parlando del rischio di avere un esaurimento delle scorte. Un modo per gestire questo è preservare lo stock nel magazzino quando vedi che un prodotto nel magazzino rischia di esaurirsi. In questo modo, i migliori negozi possono ancora avere un po’ di merce.

A differenza dell’approccio basato sulle serie temporali che tratterebbe ciascuno dei nostri 10 negozi in modo indipendente, un approccio probabilistico prenderà in considerazione la rete e le contingenze o le interdipendenze tra tutti questi negozi e la relazione con il mio inventario disponibile.

Conor Doherty: Sono curioso di sapere come esattamente un’azienda può gestire tutto questo perché è molta informazione rispetto a diciamo l’approccio tradizionale basato sulle serie temporali. L’unico modo per gestire tutto questo è attraverso l’automazione o le persone sono ancora coinvolte nel controllare queste decisioni?

Joannes Vermorel: Il modo in cui Lokad lo fa è automatizzando l’intero processo. Le persone sono lì per supervisionare l’automazione, ma la realtà è che la maggior parte delle aziende, anche se affermano che tutto è validato manualmente, utilizza processi abbastanza automatizzati da molto tempo. Ogni volta che hai un setup di inventario min-max con una media e un massimo, hai un automa di riapprovvigionamento che funziona tipicamente senza supervisione. Questo è già il caso di avere setup ampiamente automatizzati da decenni.

Lokad è solo un passo in più in questa direzione, ma non è necessariamente un cambiamento di gioco rispetto a quello che le persone avevano prima. È più automatizzato, ma molte aziende operano già su setup altamente automatizzati.

Conor Doherty: Potrebbe un’azienda che non sfrutta l’automazione, ma diciamo, come ho menzionato prima, ha intere divisioni di esperti in Gestione del Rischio, quelle aziende sono abbastanza consapevoli, giusto?

Mi viene anche in mente che abbiamo sorta di centrato l’intera conversazione attorno a rischi più tangibili come skus, negozi, inondazioni. Queste sono tutte risorse o attività molto tangibili e i rischi corrispondenti. Ci sono rischi intangibili, cose come tempo, larghezza di banda, conoscenza, tutte queste cose che entrano nel funzionamento di un’azienda? Quali sono i rischi lì o come li gestiamo?

Joannes Vermorel: Ci sono rischi intangibili. Ad esempio, se sei un’azienda di moda e fai vendite, generi un’aspettativa tra i tuoi clienti che quegli sconti si ripeteranno in futuro, e quindi le persone modificano il loro comportamento. Stimare questo processo in teoria è possibile, ma in pratica è molto difficile perché costruire l’aspettativa dei tuoi clienti è qualcosa che si fa nel corso di molti anni, quindi non è qualcosa dove l’esperimentazione è facile.

Ad esempio, se sei un marchio di lusso e hai la convinzione che non dovresti mai fare promozioni perché svaluta il tuo marchio, non farai un test di cinque anni per vedere se fare promozione svaluta davvero il tuo marchio. Ad un certo punto, devi operare su convinzioni e giudizio invece di fare il test.

Il costo che viene generato facendo una promozione è molto reale. Quando fai una promozione, hai una certa quantità di denaro che è quello che rinunci immediatamente abbassando il tuo prezzo, quindi rinunci a un po’ di margine. Questo è un costo immediato, ma c’è anche questo rischio extra di cattive abitudini che vengono generate dal lato del cliente e devi quantificare quei costi.

Ci sono anche altre classi di rischio, come le dipendenze IT. Puoi avere software che si disgrega, puoi avere un sacco di altre cose che influenzano semplicemente la tua supply chain. Ma questi rischi sono più simili a quelli nella produzione dove vuoi che il tuo ERP sia al 100% uptime. Non c’è motivo di avere downtime, puoi ingegnerizzare il tuo percorso in qualcosa che è incredibilmente vicino al 100% uptime.

Conor Doherty: Hai appena menzionato che da una prospettiva di strategia di prezzo, gli sconti potrebbero inculcare cattive abitudini nei consumatori. Cosa intendevi con questo?

Joannes Vermorel: Ogni volta che fai una promozione, il cliente vede che fai una promozione. Quindi la prossima volta, diranno: “Non comprerò a prezzo pieno. Aspetterò solo fino a quando farai di nuovo una promozione. Ho visto che fai promozioni, quindi so che le promozioni avvengono con il tuo marchio, quindi posso aspettare. Aspetterò fino a quando farai una promozione e poi comprerò.”

Il problema è che nulla sarà veramente in grado di modellare questo. Modellare la psicologia dei tuoi clienti è per lo più al di là della tua portata perché ci vuole un decennio per plasmare la mentalità dei tuoi clienti.

Quando stabilisci un prezzo, trasmetti un messaggio ai tuoi clienti. Le persone prestano un certo grado di attenzione, ma ci vuole tempo per affondare. Quindi c’è una notevole inerzia. Puoi cercare di fare una modellazione sofisticata per stimare esattamente qual sarebbe l’impatto, ma la realtà è che poiché queste sorta di cose richiedono anni, non sarai in grado di sperimentare molto. Non sarai in grado di validare qualunque tecnica stai usando. Quindi, in realtà, devi fare delle scelte di giudizio.

Conor Doherty: Quindi questo è un elemento del protocollo di gestione del rischio che sarà ancora nell’ambito delle persone che raggiungono un consenso. Vogliamo liquidare quella scorta? Vogliamo tenerla per sempre? O vogliamo venderla in una promozione?

Joannes Vermorel: Sì, e quando hai questo approccio guidato dal rischio, è molto più compatibile con queste sorta di stime rispetto a una previsione di pianificazione della serie temporale tradizionale dove queste sorta di cose non avevano posto.

Conor Doherty: Quindi il principio guida per determinare quale sorta di politiche empiriche le aziende dovrebbero adottare dovrebbe essere, contribuisce a un maggiore ritorno?

Joannes Vermorel: Se qualcosa può essere valutata quantitativamente, allora vai avanti. Ma quando non è possibile, eppure c’è un accordo generale che è importante, allora dovresti fare una stima.

Penso che sia un percorso molto pericoloso dire che non abbiamo numeri ragionevoli e quindi fingiamo che non esista. Esiste e quindi devi fare una stima. È meglio avere un numero che è approssimativamente corretto piuttosto che esattamente giusto.

Conor Doherty: Ho l’impressione che stiamo un po’ concludendo, ma vorrei fare una domanda un po’ difficile. Hai parlato di se un’analisi quantitativa è finanziariamente proibitiva. Quindi per le aziende più grandi che possono permettersi previsioni e politiche di gestione del rischio più elaborate, possono forse adottare l’approccio probabilistico. Ma per le aziende che non hanno quel tipo di denaro disponibile, quale consiglio daresti in termini di gestione del rischio che sarebbe praticabile?

Joannes Vermorel: Metterei in discussione, puoi davvero permetterti di ignorare il rischio? L’inventario costa soldi. Il piano tariffario per avere un “Supply Chain Scientist” che ti assista nell’ottimizzare la tua decisione è qualcosa come 2.500 euro al mese. Sì, è una somma di denaro sostanziale, ma se non sei una piccola azienda, se sei un’azienda da 10 milioni di dollari o euro in su, questa non è una somma enorme di denaro. È in realtà una frazione di quello che paghi per una sola persona.

Se ti capita di avere cinque o più persone che svolgono funzioni di “supply chain” come il rifornimento di inventario, la programmazione della produzione, la gestione delle scorte, la gestione dei prezzi, e hanno un processo che ignora completamente il rischio, direi puoi davvero permetterti di continuare a fare così? Ignorare questi rischi può costarti diversi milioni di dollari solo perché hai fatto una scelta molto sbagliata ignorando completamente il rischio.

A causa del fatto che è insolito, le persone si aspetterebbero che siano solo le cose riservate a aziende come Amazon e simili. No, non lo è. È, in larga misura, la previsione della serie temporale classica è molto più complicata e il motivo è che è un problema non corrispondente. Quindi sì, in superficie sembra più semplice perché le persone sono abituate alle serie temporali ma quando si tratta della risoluzione effettiva del problema non corrisponde affatto al problema reale 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 insolito ma si adatta bene al problema e quindi alla fine, sai, e questo è di nuovo nelle mie lezioni do esempi che se vuoi dare un’occhiata alle tecniche di probabilità, la maggior parte dei miei esempi di codice sono meno di 20 righe. Quindi le persone direbbero oh questo è impossibilmente complicato e io dico beh sono come 20 righe di codice e puoi andare a dare il dettaglio completo del metodo in una lezione che dura circa un’ora e mezza.

Puoi davvero dire che qualcosa è che la tua azienda è così piccola che non puoi permetterti di spendere qualcosa come alcune decine di ore sul caso? È davvero al di là dei tuoi mezzi? Voglio dire sì, se sei come una boutique con una sola persona ma se sei un’azienda che fa più di 10 milioni di dollari di fatturato all’anno, non sei una boutique. Hai già cose in gioco e gli errori possono costare molto di più e al contrario, perché non si tratta solo di errori, si tratta anche di opportunità.

Se aumentando il tuo prezzo al momento giusto aumenti il tuo margine del dieci percento, questo può risultare in alcune centinaia di migliaia di dollari di denaro contante che entra nella tua azienda e che compensa davvero il costo di avere alcune persone che spendono tempo sul rischio.

Conor Doherty: Quindi se dovessi riassumere, sarebbe essenzialmente c’è un elemento di salto di fede ma l’acqua non è così fredda una volta che lo fai…

Joannes Vermorel: Direi che non è tanto un salto di fede. Penso che ci sia questa idea molto strana che dalla teoria mainstream della “supply chain”, i rischi non esistano letteralmente. Hai queste super lievi fluttuazioni della domanda e super lievi fluttuazioni dei tempi di consegna modellati con distribuzioni normali che è quando le persone dicono distribuzione normale, è un modo per dire che non c’è rischio.

La realtà è che non ho mai incontrato un imprenditore che non fosse pienamente consapevole che l’attività che hanno è piena di rischi ovunque. Il tipo di follia è che con il mainstream software di “supply chain”, le persone fingono che i rischi non ci siano ma i rischi ci sono ancora e quindi le aziende affrontano regolarmente catastrofi che sono molto costose a causa di rischi che non erano come di nuovo non sto dicendo come investire entrando nel mercato russo nel 1991 pensando che funzionerà che improvvisamente sta per diventare il nuovo El Dorado.

Sto dicendo che le aziende affrontano catastrofi per cose che erano del tutto prevenibili, cose che erano davvero nel vento del rischio atteso come fornitori che hanno problemi, prezzi che salgono o scendono, domanda che fluttua ma non al di fuori di ciò che poteva essere atteso dall’evoluzione generale del mercato. Questo tipo di cose e quindi il mio punto è che c’è questa follia dove la maggior parte delle pratiche mainstream ignora completamente il rischio.

Quando parlo con i praticanti della “supply chain”, direbbero sì c’è molto rischio ma il punto è che non riescono a colmare un divario e dico che non è molto difficile, è solo molto diverso da quello che stai facendo ed è non solo noto, è effettivamente più economico perché porta anche a un grado più alto di automazione perché anche uno dei motivi per cui hai bisogno di così tante persone quando fai la “supply chain” con le serie temporali è che a causa del fatto che hai un enorme disallineamento tra la realtà e quelle serie temporali, hai bisogno di avere un sacco di persone per nastro adesivo il processo tutto il tempo.

Ma se hai qualcosa dove hai una corrispondenza migliore, non hai bisogno di quasi tante persone per nastro adesivo la cosa.

Conor Doherty: Su quella nota, penso che chiuderò le cose. Joannes, grazie mille come al solito, è stato un piacere. E grazie mille per aver guardato, ci vediamo la prossima volta.