00:00:00 Introduzione e il background di Sim nella data science e supply chain analytics.
00:02:00 Panoramica sulle previsioni e sulle serie temporali come approccio comune al supply chain management.
00:06:26 Introduzione alla previsione probabilistica e la sua differenza rispetto alla previsione puntuale.
00:08:10 L’esperienza di Sim nella previsione probabilistica e nell’affrontare le sfide aziendali concrete.
00:09:15 Discussione sulle limitazioni della previsione puntuale e sui benefici della previsione probabilistica nella gestione dei rischi.
00:11:39 Discussione sulla regressione quantile e la sua rilevanza per la gestione dell’inventario.
00:14:20 Transizione verso la previsione probabilistica e i suoi vantaggi.
00:16:37 Confronto tra la previsione probabilistica e i metodi tradizionali e le loro limitazioni.
00:17:37 L’evoluzione della previsione probabilistica in diverse industrie.
00:19:00 Come la previsione probabilistica semplifica la gestione dell’inventario rispetto all’approccio classico.
00:23:07 Discussione sull’approccio di previsione quantile e le sue sfide.
00:24:26 Ambiente vincolato nelle imprese e nelle supply chain.
00:25:58 Introduzione alla previsione probabilistica per un processo decisionale migliore.
00:27:56 Affrontare le sfide della supply chain con la previsione probabilistica.
00:30:41 Implementazione della previsione probabilistica in grandi aziende consolidate.
00:34:10 Importanza della riorganizzazione aziendale nell’adozione di un nuovo sistema.
00:36:02 Approccio tradizionale alla risoluzione dei conflitti tra molteplici vincoli.
00:38:31 Le sfide di abbandonare i metodi tradizionali di previsione.
00:41:00 Come riprioritizzare e ristrutturare le risorse.
00:42:33 Il valore potenziale nell’adottare la previsione probabilistica.
00:45:30 Incoraggiare le aziende a fare il salto verso nuove tecnologie.
00:46:55 Passaggio da Excel a strumenti più avanzati nel supply chain management.
00:48:30 Dipendenza da ingegneri esperti per strumenti avanzati della supply chain.
00:50:06 Avere fiducia nelle raccomandazioni dei nuovi sistemi.
00:53:00 L’importanza di una conoscenza combinata della supply chain e della data science.
00:56:49 Creare un’entità di data science interdipartimentale.
00:59:42 Discutere la futura struttura dell’analisi dei dati e la sua integrazione nelle divisioni.
01:02:16 I benefici di avere un’unica organizzazione di data science.
01:04:01 L’importanza di comprendere la supply chain quando si implementano nuove tecnologie.
01:05:38 Confronto tra la previsione probabilistica e tecnologie più complesse come il deep learning.
01:08:16 L’importanza della logica di riapprovvigionamento e la sua relazione con le previsioni.
01:10:34 Le sfide nel convincere i leader della supply chain ad adottare un nuovo approccio.
01:12:05 L’esperienza di Sim con la previsione probabilistica e i suoi benefici.
01:15:01 Aneddoto sull’applicazione della previsione quantile in un grande rivenditore canadese.
01:19:35 Discussione su decisioni sub-ottimali in azienda e su un processo decisionale migliore.
01:21:14 L’importanza di decisioni basate sul ROI per casi limite.
01:22:18 Invito all’azione: abbracciare nuovi concetti e approcci nel supply chain management.
01:23:25 Speranze per uno scenario futuro di ordinazioni e riapprovvigionamento più ottimale.
Sommario
In questa intervista, Joannes Vermorel, fondatore di Lokad, e Sim Taylor, Director of Analytics and Data Science di Petco, discutono l’importanza della previsione probabilistica nell’ottimizzazione della supply chain. Spiegano che essa implica l’assegnazione di probabilità a molteplici scenari, permettendo una migliore gestione dell’inventario e processo decisionale. Nonostante le difficoltà nell’implementare la previsione probabilistica in grandi organizzazioni, essi incoraggiano i direttori della supply chain ad adottare nuovi concetti ed a superare gli approcci tradizionali. Sottolineano inoltre l’importanza della fiducia nei data scientist e la necessità di professionisti che comprendano sia le sfide della supply chain sia gli aspetti tecnici.
Sommario Esteso
In questa intervista, il conduttore Conor Doherty parla con Joannes Vermorel, fondatore di Lokad, e Sim Taylor, Director of Analytics and Data Science di Petco. Discutono dell’importanza della previsione probabilistica nell’ottimizzazione della supply chain.
Sim Taylor condivide il suo background nella data science e nell’analisi, lavorando principalmente nell’analisi del merchandise e della supply chain. Spiega che il suo lavoro mira a utilizzare dati e statistiche per indirizzare meglio i prodotti verso le destinazioni previste nella supply chain, al fine di massimizzare i risultati finanziari.
Quando gli viene chiesto di parlare di previsioni, Taylor le descrive come un’inferenza o una previsione su un risultato futuro basata su informazioni storiche e altri dati. Vermorel concorda, aggiungendo che la previsione con serie temporali è una pietra miliare della teoria classica della supply chain, ma sottolinea che è solo uno dei tanti approcci per immaginare il futuro.
La discussione si concentra sulla previsione probabilistica, che consiste nell’assegnare probabilità a molteplici scenari possibili. Taylor condivide la sua esperienza nell’utilizzo della regressione quantile nella previsione, che mira a prevedere eventi estremi e ad aiutare a prevenire le rotture di stock. Questo metodo implica la determinazione diretta di un livello di servizio specifico, permettendo alle aziende di impostare i livelli di inventario senza affidarsi a calcoli di safety stock potenzialmente errati.
Taylor spiega che l’approccio classico alla gestione dell’inventario prevede di predire l’esito più probabile (previsione) e di tener conto della variabilità aggiungendo safety stock. La previsione probabilistica, invece, stima direttamente il totale dell’inventario necessario per coprire il rischio di rotture di stock. Taylor parla anche delle difficoltà nel determinare l’estremo quantile corretto della domanda e nel bilanciare le esigenze dei clienti con gli aspetti finanziari e i costi di gestione dell’inventario.
Gli intervistati discutono i vantaggi della previsione probabilistica in ambienti vincolati, come budget limitati o quantità minime d’ordine. Taylor osserva che la previsione probabilistica può aiutare le aziende a prendere decisioni chiare tra esigenze contrastanti, comprendendo la probabilità di vendere ogni unità aggiuntiva e il valore finanziario che essa potrebbe apportare.
La discussione evidenzia le sfide che le organizzazioni affrontano nel tentativo di implementare la previsione probabilistica, specialmente quando si tratta di modificare processi consolidati e divisioni del lavoro. Sim Taylor condivide la sua esperienza nell’implementare l’approccio di previsione quantistica, che richiede una comprensione completa e il controllo sull’esecuzione della supply chain. La previsione funge da mezzo per un fine, concentrandosi sul miglioramento della soddisfazione del cliente, delle vendite e sulla riduzione dei costi.
Sim Taylor sottolinea l’importanza di automatizzare il lavoro matematico pesante nelle previsioni e nelle quantità d’ordine, pur riconoscendo il valore dell’intuizione umana e dell’esperienza dei responsabili della supply chain. Egli suggerisce che le aziende possano riprogettare le loro organizzazioni per ottimizzare l’uso del personale esperto, anche cambiando i ruoli e affidandosi alle raccomandazioni del sistema.
Joannes Vermorel sottolinea la sfida di abbandonare le previsioni tradizionali e i relativi KPI, poiché la previsione probabilistica sposta l’attenzione dall’accuratezza delle previsioni verso le decisioni operative che esse abilitano. Chiede a Sim Taylor come le aziende possano riprioritizzare e ristrutturare le loro risorse per adattarsi a questo cambiamento.
Sim Taylor riconosce la difficoltà di implementare la previsione probabilistica in grandi organizzazioni avverse al rischio. Suggerisce che il successo si raggiunga passo dopo passo, iniziando con strumenti più semplici e veloci e poi dimostrando il valore del nuovo approccio. Questo potrebbe comportare la ricerca di un caso d’uso o di un’azienda disposta a fare il salto di fede e a misurare i risultati aziendali. Complessivamente, la conversazione sottolinea i benefici potenziali dell’adozione della previsione probabilistica, pur riconoscendo le sfide per le organizzazioni consolidate.
La conversazione tocca la necessità di dimostrare il successo per incoraggiare l’adozione di nuove tecnologie e approcci. Vermorel esprime preoccupazioni per i limiti di Excel e la necessità di strumenti più avanzati per gestire l’incertezza. Taylor riconosce l’uso di Excel da parte dei professionisti della supply chain, ma sottolinea che molte decisioni sono guidate da un sistema che spesso rappresenta una “scatola nera” per chi lo utilizza.
Sia Taylor che Vermorel sottolineano l’importanza della fiducia nei data scientist e la necessità di professionisti che comprendano le sfide della supply chain e sappiano lavorare con il codice per automatizzare le decisioni in modo intelligente. Taylor suggerisce di cercare persone che uniscano la comprensione della supply chain a un’inclinazione tecnica. Vermorel aggiunge che in futuro immagina la data science integrata in ogni divisione di un’azienda, con analisti specializzati nelle rispettive aree.
Sim Taylor sottolinea l’importanza di fornire un valore tangibile nella gestione della supply chain, indipendentemente dal titolo o ruolo. Crede che combinare competenze tecniche con conoscenza aziendale sia fondamentale per ottenere risultati finanziari positivi. La conversazione tocca anche il valore della collaborazione tra esperti di analytics di diverse aree e l’importanza di essere strettamente connessi al business per risultati significativi.
Joannes Vermorel evidenzia i benefici pratici della previsione probabilistica nella gestione della supply chain, in contrapposizione a innovazioni più tecniche come il deep learning. La previsione probabilistica si concentra sulla creazione di valore affrontando il problema dell’incertezza in maniera radicalmente diversa.
Sim Taylor discute anche l’importanza della logica di riapprovvigionamento e di come essa sia cruciale per prendere decisioni nella gestione della supply chain. Crede che focalizzarsi sul valore della supply chain sia essenziale e che la conversazione debba concentrarsi su come le decisioni guidino i migliori risultati.
Sia Taylor che Vermorel concordano sul fatto che condividere casi d’uso e storie di successo sia importante per costruire fiducia con le aziende e dimostrare il valore della previsione probabilistica. Taylor racconta di aver collaborato con un grande rivenditore canadese, dove l’applicazione di un approccio di previsione quantile ha portato a miglioramenti nella disponibilità di stock e nella gestione dell’inventario.
Taylor sottolinea che la supply chain è un mondo pieno di vincoli e che i casi limite possono portare a risultati sub-ottimali. L’obiettivo è utilizzare informazioni aggiuntive per prendere decisioni più ottimali che richiedano meno sforzo. Un esempio che fornisce è decidere se ordinare un camion intero da un fornitore quando è necessaria solo una parte. La capacità di valutare il valore di ogni unità, la probabilità di venderla e il potenziale margine unita ai costi di mantenimento consente decisioni migliori in tali situazioni.
Sia Vermorel che Taylor incoraggiano i direttori della supply chain a valutare e adottare nuovi concetti, come la previsione probabilistica, e ad abbandonare gli approcci tradizionali usati da decenni. Sperano che, condividendo esempi di successo, si possa accelerare il dibattito e aiutare le aziende a prendere decisioni di ordinazione e riapprovvigionamento più ottimali.
Trascrizione Completa
Conor Doherty: Bentornati a Lokad TV. Sono il vostro host, Conor, e come sempre sono affiancato dal fondatore di Lokad, Joannes Vermorel. Oggi parliamo con Sim Taylor. Lui è il Director of Analytics and Data Science di Petco, una compagnia piuttosto grande, e ci illustrerà i meriti della previsione probabilistica. Tim, benvenuto su Lokad. Sim Taylor: Ciao, grazie mille per avermi invitato, Conor e Joannes. Allora, un breve background su di me: gestisco team di data science e analytics, specializzandomi in merchandise e supply chain analytics. La maggior parte della mia carriera è trascorsa in ambito consulenziale. Ho lavorato per molti anni con Deloitte nei loro team di supply chain nel Regno Unito e in Canada e, nella seconda metà di quel periodo, mi sono concentrato sulla creazione di modelli per aiutare le aziende a ottimizzare il loro inventario. In sostanza, il mio lavoro consiste nell’utilizzare dati e statistiche per indirizzare al meglio i prodotti verso le varie destinazioni nella supply chain – centri di distribuzione, negozi, clienti – nelle giuste quantità e al momento opportuno, per soddisfare i clienti e massimizzare i risultati finanziari. Ho collaborato con diverse aziende, principalmente grandi magazzini e rivenditori di merchandise generale, caratterizzati da un vasto assortimento e un ampio portafoglio d’inventario, con l’aggiunta di alcuni settori di moda e retail specializzato. Qualche anno fa sono passato dal mondo della consulenza all’industria, e attualmente lavoro presso Petco, un grande rivenditore americano di animali domestici con sede in California e presenza negli Stati Uniti e in Messico. Conor Doherty: Grazie. Quando spieghi cos’è la previsione – in termini generali, come la descrivi a un pubblico non specialista?
Sim Taylor: Certo, quindi la previsione, come base, è un processo relativamente comprensibile. In sostanza, significa trarre un’inferenza o una previsione su un esito futuro. Nel supply chain e nel retail si parla molto di previsione della domanda, la domanda dei clienti. Quindi, per questo prodotto in questo negozio, cosa vorranno i miei clienti tra una settimana, due settimane o 52 settimane? Si cerca davvero di utilizzare le informazioni storiche e ciò che sappiamo del futuro, come i prezzi dei prodotti e altri dati chiave, per comprendere quale sia l’esito probabile che potremmo aspettarci e come possiamo pianificare i nostri ordini e posizionare il prodotto nel posto giusto in merito. È davvero il cardine della classica teoria del supply chain, quella previsione. Joannes, sei d’accordo con questa definizione?
Joannes Vermorel: Sì, sono pienamente d’accordo con l’idea della previsione delle serie temporali come cardine della classica teoria del supply chain. Ma vorrei anche sottolineare che si tratta in realtà di una modalità molto specifica di avvicinarsi al futuro. Questo approccio è stato così consolidato e prevalente per così tanto tempo che l’industria, nel suo complesso, ha in larga misura dimenticato che è solo uno dei tanti metodi esistenti per pensare al futuro. Perché il futuro è qualcosa di sfuggente, pensarlo e anticiparlo. Osservarlo attraverso la lente della previsione delle serie temporali ti offre alcune capacità, come la possibilità di applicare numerosi modelli che rientrano in questo paradigma, ma allo stesso tempo limita ciò che si può fare. E penso che una delle cose interessanti in questa industria sia proprio il fatto che, dato che le previsioni delle serie temporali sono in uso da così tanto tempo…
Conor Doherty: Penso che possa essere utile parlare di come sono venuto a conoscenza della previsione probabilistica. Vengo da un background aziendale piuttosto che accademico, quindi in realtà ho scoperto la previsione probabilistica lavorando con un retailer che cercava di risolvere alcune delle sfide aziendali concrete relative agli ordini e al riassortimento.
Sim Taylor: Per quel cliente, stavamo sviluppando strumenti di riassortimento basati sulla previsione puntuale standard, che rimane il punto di riferimento per la maggior parte delle aziende. In sostanza, pensavamo che questo prodotto avrebbe venduto cinque unità domani, sei unità dopodomani, ecc. Poiché c’era molta possibilità che quel singolo dato non fosse corretto, applicavamo poi il classico approccio (o equazione) della scorta di sicurezza, sostituendo la nostra unica previsione dell’esito più probabile della domanda, che risultava spesso errata.
Il classico approccio alla scorta di sicurezza presume sostanzialmente, in maniera piuttosto sommaria, che la variabilità della domanda e dei supplier lead times sia distribuita simmetricamente attorno alla nostra previsione più probabile. Questa assunzione di normalità dal punto di vista statistico viene accettata acriticamente come riferimento in molte aziende.
Durante questo lavoro, il mio team e io abbiamo esaminato la realtà effettiva delle vendite nell’intervallo di lead time rilevante. Ci siamo resi conto che, nella maggior parte dei casi, l’assunzione di normalità non regge affatto per la maggior parte dei retailer. La domanda e i lead time non sono tipicamente distribuiti normalmente. La domanda tende a concentrarsi fortemente attorno a un valore basso per la maggior parte dei prodotti, per poi avere una lunga coda di possibili valori più elevati.
È diventato chiaro per noi che era necessario utilizzare distribuzioni statistiche più rappresentative per modellare questa variabilità della domanda dei clienti e dei lead time. Altrimenti, rischieremmo di esaurire le scorte in alcune situazioni perché non avremmo modellato correttamente i possibili esiti.
Conor Doherty: Quindi, come avete iniziato a considerare alternative alla previsione puntuale?
Sim Taylor: Abbiamo inizialmente fatto leva sulla regressione dei quantili nelle nostre previsioni, che si basa sull’intuizione che, in ambito inventariale, non ci interessa veramente l’esito più probabile, che è quanto emerge da una previsione standard. Ciò che ci interessa sono quegli eventi estremi e l’assicurarsi di avere un inventario sufficiente per evitare stockout quando essi si verificano. È ciò che i livelli di servizio fanno nel classico approccio della scorta di sicurezza.
Abbiamo costruito previsioni utilizzando la regressione dei quantili che cercavano di determinare direttamente un livello di servizio specifico. Ad esempio, se elenchiamo tutte le possibili occorrenze della domanda nel periodo di lead time, qual è il 95° quantile, la situazione molto improbabile di quella domanda in quel lead time? A quel punto si fissa il livello d’inventario. Non c’è bisogno di preoccuparsi di chiamarlo scorta di sicurezza o se i calcoli della scorta di sicurezza siano intrinsecamente errati a causa di assunzioni scorrette.
È così che abbiamo iniziato a esplorare previsioni di domanda diverse, al di là della semplice media o dell’esito medio. In seguito, la questione è evoluta nel chiedersi a quali livelli di servizio puntare per determinare quale quantile di domanda o di lead time prevedere, e come combinare quelle previsioni quantili per domanda e lead time. È stato allora che ho scoperto Lokad e il suo approccio unico e differenziato, in cui vengono previste tutte le possibili soluzioni per la domanda nel lead time e viene assegnata una probabilità a ciascuna, catturando ben più informazioni rispetto alla sola comprensione dei quantili.
Joannes Vermorel: Il tuo percorso mi ricorda incredibilmente il mio, perché è con Lokad che ho avuto i miei problemi personali con queste assunzioni. Il termine “safety stock” suona rassicurante, ma la realtà è che le assunzioni matematiche su cui si basa sono piuttosto assurde e decisamente pericolose. Finisci per ottenere cose come lead time negativi, il che è incredibilmente bizzarro. È ciò che si ottiene applicando una distribuzione normale ai lead time. E l’idea
Conor Doherty: Mi sono reso conto che c’era una discrepanza tra ciò che interessava veramente alle persone e ciò che veniva detto. I direttori del supply chain volevano un better forecast, ma in definitiva desideravano una decisione di supply chain migliore. Quando inizi a pensare in termini statistici, non è la media a contare, ma gli estremi. Sono proprio queste situazioni estreme a innescare scenari di esaurimento o di eccesso di scorte, ed è su queste situazioni che bisogna davvero concentrarsi da un punto di vista statistico. Ho notato che chi lavora in finanza e nella previsione meteorologica adotta la previsione probabilistica fin dai primi anni ‘90. Nel 2011-2012, abbiamo iniziato a farlo per il supply chain, con un notevole ritardo rispetto ad altri pionieri in altri settori.
Sim Taylor: L’approccio classico cerca ancora di tenere conto del rischio, ma noi stiamo solo denominando il nostro inventario in modi differenti. In realtà, ciò che conta è l’esito per l’azienda. Nel nostro approccio standard cerchiamo di essere davvero bravi a prevedere l’esito più probabile, pur riconoscendo che è un modo strano di concepire le cose, perché ci interessa davvero coprire il rischio di eventualità più estreme, ed è per questo che disponiamo di quella scorta di sicurezza. La previsione quantile definisce direttamente entrambi gli aspetti, osservando l’esempio estremo della domanda e calcolando l’inventario che dovremmo avere nella nostra sede.
Joannes Vermorel: Quando si ha a disposizione un intero spettro di probabilità potenziali, come viene effettivamente trasformato e utilizzato nella realtà aziendale? Sono proprio quelle decisioni di ordinazione che ci interessano, per assicurarci che siano il più ottimali possibile. Potremmo non avere più bisogno del termine “safety stock”, ma sono curioso di sapere come traduci tutto ciò in un’esecuzione reale.
Sim Taylor: La prima motivazione per considerare previsioni alternative è nata dalla constatazione che le occorrenze di domanda non seguono il tipo di distribuzione modellata nel classico approccio della scorta di sicurezza. Questo è stato lo stimolo principale che mi ha spinto a valutare altri metodi e la nostra capacità di adottare un modello alternativo che si adattasse meglio ai dati.
Conor Doherty: Quindi, per replicare o tenere conto in modo più accurato della variabilità, come normalmente si presenta per la domanda e i lead time, avete iniziato con un approccio di previsione quantile. Ma ci sono state delle sfide, come determinare il giusto quantile estremo della domanda per bilanciare le esigenze dei clienti e gli aspetti finanziari rispetto al costo di mantenere l’inventario. E in contesti vincolati, che sono comuni nelle aziende e nel supply chain, era necessario un modo per decidere tra i diversi prodotti e le unità da acquistare. Puoi approfondire come sei giunto alla previsione probabilistica come soluzione a queste sfide?
Sim Taylor: Sì, ciò che mi ha colpito della previsione probabilistica è stato il concetto di comprendere tutti gli scenari potenziali e le loro probabilità. Se so quanto è probabile vendere quattro unità, cinque unità, sei unità, posso calcolare la probabilità di vendere l’unità successiva che sto per acquistare. Se conosco tale probabilità, insieme al valore che ricavo dalla vendita di quel prodotto, il margine lordo, nonché i costi di mantenimento e i costi dovuti a stockout, posso prendere una decisione chiara su quale unità apporti più valore alla mia azienda. In questo modo, si risolvono molte delle sfide con le quali il mio team e altri si sono confrontati per lungo tempo. Siamo sempre in un contesto vincolato, e comprendere la probabilità di vendita di ogni unità successiva e il relativo valore finanziario è un modo elegante per affrontare tali sfide.
Joannes Vermorel: Questo è molto interessante. La mia più grande difficoltà, quando provo a introdurre la previsione probabilistica in grandi aziende consolidate come Petco, è la divisione storica del lavoro tra chi si occupa delle previsioni e chi prende le decisioni. Le grandi organizzazioni hanno solitamente diviso il lavoro tra le persone incaricate delle previsioni e quelle che prendono decisioni come il riassortimento, gli ordini di produzione e gli ordini per la movimentazione delle scorte. Ma la previsione probabilistica è uno strumento che consente un processo decisionale più efficiente. Il processo decisionale in sé non è esattamente la previsione; fondamentalmente, la decisione di riassortimento e la previsione sono molto più intrecciate rispetto al vecchio modo di operare, in cui un team separato si occupava dell’analisi della scorta di sicurezza e prendeva le decisioni.
Conor Doherty: Il riassortimento è, direi, una classica teoria del supply chain che prevede una divisione del lavoro molto netta tra chi si occupa delle previsioni/pianificazioni e chi, invece, deve prendere decisioni operative, come gli ordini di produzione, gli ordini di riassortimento, gli ordini per la movimentazione delle scorte, ecc. Come affronti questo aspetto? Hai operato in aziende molto grandi e consolidate che, ovviamente, avevano una pratica del supply chain che precedeva di gran lunga quelle intuizioni probabilistiche. Come hai effettivamente presentato in organizzazione questo metodo, che, a mio avviso, non rispetta i confini storici della divisione del lavoro esistenti per supportare la pratica del supply chain?
Sim Taylor: Penso che nelle situazioni in cui abbiamo restituito valore, per esempio, grazie all’approccio del quantum forecasting, sia davvero utile avere una visione completa e una responsabilità sull’intera esecuzione del supply chain. Se il nostro obiettivo finale, come lo è sempre, è migliorare la soddisfazione dei clienti, le vendite e ridurre i costi, la previsione in sé non è che un mezzo per raggiungere questo fine. Ciò che conta sono gli esiti: quante unità ordinare, a quale località e in quale momento, sia nei centri di distribuzione che nei negozi. Ho ottenuto successo quando mi è stato affidato il compito di costruire quella previsione e tradurla direttamente in quantità d’ordine.
Prevediamo e generiamo le quantità d’ordine, sia dai fornitori ai centri di distribuzione, sia per il riassortimento dai centri di distribuzione ai negozi. Il ruolo consiste sostanzialmente in un processo di approvazione e valutazione. In un mondo ideale, vorresti automatizzare quanto più possibile il pesante lavoro matematico e assicurarti che le previsioni siano corrette nella maggior parte degli scenari. Successivamente, combinare quella visione guidata dai dati con l’esperienza dei team aziendali permette di comprendere e valutare gli estremi o i vari casi e di apportare le opportune modifiche.
Quando un’azienda decide di sostituire o trasformare il modo in cui gestisce il riassortimento degli ordini, si tratta di un progetto di notevole portata che richiede molto lavoro, molti mesi per essere implementato e il coinvolgimento di numerose persone. È un’occasione per ripartire e rinnovare il modo in cui l’azienda opera. Molte aziende colgono quest’opportunità per ridisegnare la propria organizzazione, il che tipicamente implica attività di change management e redesign organizzativo. Se riesci a riprogettare la tua organizzazione e ad inquadrare il tutto attorno a un sistema molto migliore, è lì che si ottiene un reale successo nella riduzione dei costi d’ordine e nel miglioramento dei stock levels per i clienti.
Conor Doherty: Ho solo una domanda molto specifica che vorrei porti, Joannes. Parliamo dell’approccio tradizionale per risolvere i conflitti tra più vincoli quando si tratta di team aziendali. Qual è il modo consueto in cui un team aziendale non probabilistico risolverebbe questo problema, o come verrebbe gestito in un processo di ottimizzazione non probabilistico, nel quotidiano?
Joannes Vermorel: Se prendiamo un esempio nel retail, ci sarebbe un team che si occupa delle previsioni. Essi stabilirebbero il punto di riferimento, gestirebbero i profili di stagionalità e, magari, definirebbero elementi come le classi ABC con il giusto livello di attenzione. Quindi, ci sarebbe un team strettamente dedicato a elaborare le proiezioni future basate sulle serie temporali. Successivamente, si ha un altro team – o una serie di altri team – responsabili delle decisioni operative, come il riassortimento o la determinazione dell’ammissibilità di un prodotto in un negozio. L’organizzazione tradizionale è pienamente giustificata ed è ben consolidata, tanto che la maggior parte degli strumenti software presenti sul mercato offre interfacce utente e processi studiati proprio su questa divisione del lavoro.
Joannes Vermorel: Quando si dispongono di workflows studiati su misura per questo modo di pensare, anche se in parte arbitrari, e una volta che hai a disposizione una marea di strumenti che verificano le posizioni, esiste uno schermo dedicato alla revisione delle previsioni delle serie temporali, un altro per l’aggiustamento delle scorte di sicurezza e un ulteriore per la gestione degli avvisi. Questi concetti astratti diventano elementi tangibili nell’organizzazione grazie a persone con ruoli precisi e workflow appositamente costruiti.
Come ha accennato il nostro ospite, una cosa interessante è che le previsioni probabilistiche mettono alla prova l’organizzazione a un livello abbastanza profondo. Se abbiamo un progetto di rilievo che rivede una delle funzioni core dell’azienda, come il rifornimento in un business retail, c’è l’opportunità di riconsiderare molte assunzioni. Richiede un salto nel buio, poiché si passa dal modo tradizionale di approcciare il supply chain management a un’organizzazione alternativa, conseguenza di ciò che le previsioni probabilistiche ti permettono di fare nella tua azienda.
Le previsioni sono solo artefatti; sono uno strumento per ottenere qualcos’altro. Eppure, in molte aziende, specialmente in quelle con una grande supply chain, le previsioni vengono tipicamente trattate come un fine in sé. C’è un team con KPI in accuratezza, e questo fa parte del processo S&OP. Vogliono una previsione più accurata come obiettivo per l’anno successivo.
Sim Taylor: La sfida è lasciare andare la previsione. Con le previsioni probabilistiche, stai proponendo di spostare il focus della gestione. Invece di seguire i KPI di accuratezza delle previsioni, fornendo risorse, budget e strumenti per migliorarle, dovremmo concentrarci sulle decisioni che prendiamo in base a queste previsioni. È molto da assimilare e richiede un salto nel buio. Come possiamo offrire un’argomentazione più profonda invece di dire semplicemente “fidati di me, andrà molto meglio”?
È difficile e molto impegnativo. Vedo qui un enorme potenziale, ma non conosco nessuna grande azienda che abbia abbracciato completamente le previsioni probabilistiche. Implementarlo passo dopo passo, fornendo per primo uno strumento più semplice e veloce e mostrando i risultati, è il modo migliore per coinvolgere e infondere fiducia negli executive della supply chain. Ti serve quell’unico esempio, e poi devi misurare la realtà aziendale: la disponibilità a stock, inventory turns, l’investimento in inventario e le settimane di supply chain prima e dopo l’adozione del nuovo approccio.
Mostra i benefici finanziari chiari e innegabili guidati dal nuovo approccio. Davvero ci interessa la previsione? Ne possiamo parlare, ma ciò che conta sono i risultati. Partire dai risultati aziendali e avviare la conversazione con i successi e i dati storici attirerà più attenzione rispetto a iniziare con la teoria.
Conor Doherty: Ho menzionato esperti della supply chain, leader con una grande esperienza, che hanno un’intuizione straordinaria, e puoi attingere a questo. Tutti vogliono migliorare il loro business, quindi quasi tutti hanno l’impulso di fare quel salto, ma hanno solo bisogno di un fondamento e di un po’ di fiducia. Hanno visto un’azienda simile e i ritorni finanziari che dimostrano veramente il successo. È così, una volta avuto quel singolo caso d’uso del salto, hai davvero una piattaforma da cui partire per implementarlo. Penso che così inizino sempre le nuove tecnologie e gli approcci. Alla fine della giornata, siamo in un’azienda per fare il meglio per il cliente e per gli azionisti dal punto di vista finanziario. Se possiamo dimostrare che c’è un buon caso d’uso per prendere quel rischio, per provare qualcosa di diverso perché abbiamo visto risultati altrove, quella è una proposta davvero entusiasmante. È molto più probabile che tu avvii una conversazione e metta in moto il processo. Ma sono d’accordo, è una grande sfida perché i processi consolidati sono ben radicati nel modo in cui strutturiamo i nostri team nella maggior parte delle grandi aziende. Di conseguenza, ci vogliono le persone giuste, disposte a capire veramente le sfide e capaci di influenzare per portare avanti quel business case, per dimostrare che c’è effettivamente valore nel provare qualcosa del genere.
Joannes Vermorel: Una delle obiezioni che mi capita spesso è che, quando si passa da previsioni puntuali, facilmente rappresentabili in Excel, a previsioni probabilistiche, che in una certa misura possono essere rappresentate in Excel, il processo diventa un po’ da incubo. Quindi, in sostanza, è necessario aggiornare i propri strumenti in un modo o nell’altro. Per poter avere modelli che abbracciano l’incertezza, serve uno strumento più capace di Excel. Si crea una classe di rischio, per cui improvvisamente l’organizzazione dipende da persone in grado di maneggiare strumenti più complessi. Data la tua posizione di responsabile della data science, penso che tu sia in prima linea nell’introdurre tecnologie non immediatamente accessibili. Appena si parla di avere 20 righe di Python, la competenza richiesta, rispetto ad un semplice foglio di calcolo, è notevole. Questo significa che per l’azienda dipendi da persone con molta più abilità ingegneristica rispetto a quelle che occupavano precedentemente quei ruoli nella supply chain. So che alcune delle persone con cui parlo sono preoccupate per questo tipo di proposta. Si chiedono come affrontarla quando vogliono realizzare una supply chain reale, dipendente da qualcosa che non andrà a funzionare tramite fogli di calcolo Excel o che non verrà implementata come sistema basato su regole in ERP.
Sim Taylor: Probabilmente ci sono due aspetti da analizzare. Il primo è che Excel è uno strumento molto familiare ai category manager, agli acquirenti e ai professionisti della supply chain. È sicuramente utile, ma nella maggior parte delle aziende la maggior parte delle decisioni viene determinata e guidata da un sistema che, per chi prende le decisioni di acquisto, è già in qualche modo una scatola nera. Quindi, il punto che sollevi sul passaggio da Excel non è un grande salto in alcuni casi. È una transizione da un sistema che fa raccomandazioni in un modo a un altro sistema che le fa in maniera differente. Penso che, finché si ha fiducia nel funzionamento del nuovo sistema, accompagnata da adeguata formazione e discussioni per capire perché il sistema agisce in modo leggermente diverso, non sia un cambiamento così radicale da modificare il sistema stesso.
La seconda parte riguarda la fiducia nei data scientist. Io credo davvero che la pianificazione della supply chain e del merchandise sia una di quelle aree in cui non puoi semplicemente ingaggiare un data scientist e aspettarti benefici finanziari tangibili. C’è forse un…
Conor Doherty: Joannes e Sim, vorrei sapere di più sull’importanza di avere sia competenze tecniche e matematiche sia esperienza nella supply chain quando si tratta di ottimizzare le supply chain. Quali sono i vostri pensieri a riguardo?
Sim Taylor: L’ottimizzazione della supply chain richiede una combinazione di competenze, inclusa la comprensione delle sfide e delle complessità del mondo della supply chain, oltre ad avere capacità matematiche e tecniche. Il candidato ideale dovrebbe avere esperienza sia nella gestione della supply chain sia nella data science. Dovrebbe essere in grado di comprendere e lavorare con i sistemi preesistenti e avere conoscenza delle sfide comuni, come le quantità minime d’ordine dai fornitori e i vincoli di capacità nei centri di distribuzione. Un data scientist appena uscito dal mondo accademico potrebbe non possedere questa conoscenza, il che può portare a diffidenza quando si cerca di unire tecnologia e gestione della supply chain. Quello che cerchiamo sono individui intelligenti, con una comprensione del business e una predisposizione tecnica, capaci di lavorare o di spiegare il codice per automatizzare decisioni in maniera intelligente. Quella combinazione è cruciale per costruire team di analytics di successo.
Conor Doherty: Joannes, diresti che il tuo approccio alla selezione dei Supply Chain Scientist in Lokad si allinea con il punto di vista di Sim sull’importanza di avere una combinazione di competenze?
Joannes Vermorel: Sì, penso che le nostre opinioni siano in sintonia. In effetti, vedo una possibile evoluzione nel mercato in cui, fra un decennio, i team di data science che attualmente operano in maniera indipendente potrebbero diventare parte integrante delle divisioni della supply chain. Immagino un futuro in cui ogni divisione disponga di un team di ingegneri specializzati nell’analisi quantitativa, che fornirà la spina dorsale per l’ottimizzazione dell’azienda. Lavorerebbero a stretto contatto con le operazioni e il top management per definire le strategie. Credo che questa evoluzione naturale porterebbe a reintegrare le competenze di data science in ogni reparto, come analisti della supply chain che diventano parte della divisione della supply chain, e analisti di marketing che si uniscono alla divisione marketing. L’attuale struttura organizzativa, in cui i dipartimenti di data science sono indipendenti dalle divisioni che servono, potrebbe cambiare man mano che la data science diventa un elemento intrinseco di ogni funzione anziché una mera funzione di supporto.
Sim Taylor: Joannes, trovo interessante la tua visione sul futuro della data science e degli analytics all’interno delle organizzazioni. Come responsabile degli analytics in Petco, credo che se continueremo a vedere successi operativi, potrebbe effettivamente verificarsi uno spostamento verso l’integrazione delle divisioni di data analytics nei rispettivi dipartimenti, anche tra un decennio.
Conor Doherty: Vedi questo come un fenomeno che verrà sempre più internalizzato in ogni divisione in cui si ottengono dei successi?
Joannes Vermorel: Che domanda interessante, davvero si tratta di come organizzare e strutturare un’azienda al giorno d’oggi e di quali vantaggi derivino dai diversi approcci. Dal mio punto di vista personale, non sono in disaccordo con te. Penso che il titolo e l’organizzazione in cui ti trovi siano in qualche modo irrilevanti.
Sim Taylor: Ciò che mi entusiasma quando vado al lavoro ogni giorno è cercare opportunità per generare valore, un valore tangibile che possa essere misurato. Mi concentro in modo molto specifico sulla supply chain, come ho già accennato, ad esempio nella pianificazione del merchandise. Il mio capo dirige l’ampia organizzazione di data analytics in molteplici aree e cerca di integrarle. Ma, come ho detto, penso che, specialmente per la supply chain, ho visto in passato che ci sono persone davvero intelligenti che non hanno esperienza nella supply chain, ma sono molto tecniche, e questo non equivale necessariamente a generare un valore significativo nel business. È la combinazione della competenza aziendale e della profonda comprensione del settore, unitamente alla capacità di eseguire tecnicamente, che credo porti a risultati finanziari positivi e significativi.
Quindi, sia che ti definisca un data scientist o un professionista della supply chain, in qualche modo penso che quella sia la domanda sbagliata o irrilevante. Per quanto mi riguarda, prendo entusiasmo nel risolvere problemi legati alla supply chain, e dunque, sia che tu chiami il team Supply Chain Scientist o demand planners, ciò che conta è il lavoro svolto.
Concordo pienamente che è necessario essere strettamente legati al business; altrimenti, c’è così tanta sottigliezza nel mondo della supply chain e della pianificazione del merchandise che, senza una piena comprensione, si finisce per giocare con i numeri, rendendo difficile ottenere risultati significativi.
D’altro canto, penso che ci sia un grande valore nel raggruppare esperti e professionisti dell’analytics provenienti da diverse aree. Il vantaggio di avere un’unica organizzazione di data science è che puoi creare connessioni e relazioni tra persone intelligenti e affini, che possono imparare gli uni dagli altri e attingere alle competenze tecniche di differenti settori. C’è molto da guadagnare da questo modo di interagire, ad esempio tra marketing analytics, supply chain, customer e pricing. Queste connessioni possono essere estremamente preziose e crearne una sinergia.
Penso che alla fine tutto dipenda dall’azienda e dalla strategia che ritiene migliore nel complesso. Ma, parlando puramente da una prospettiva di supply chain, credo che i risultati siano ciò che conta, ed è estremamente difficile ottenere quella fiducia—così importante per provare qualcosa di nuovo e apparentemente complesso—se non si riesce a distillarlo e a spiegarlo in termini di come influirà sul valore aziendale, con una chiara comprensione di come funzioni la supply chain.
Joannes Vermorel: Penso che tu abbia toccato un punto molto interessante, e sto un po’ retrocedendo rispetto ai tuoi commenti sulla centralizzazione. Tornando alle previsioni probabilistiche, si tratta di un’innovazione abbastanza tecnica, ma sorprende per il suo impatto sul business. Il motivo per cui ti interessa, e l’hai citato più volte, è il valore che puoi creare.
Conor Doherty: Previsioni migliori possono portare a una supply chain migliore. Le aziende che eccellono nell’approccio classico possono ottenere un’ottimizzazione migliore negli ordini e nel rifornimento. Tuttavia, è importante sottolineare che la logica del rifornimento e il modo in cui estrapoliamo le previsioni per prendere decisioni nella supply chain sono altrettanto cruciali.
Sim Taylor: Spesso sorprende scoprire che, in alcuni casi, una semplice media mobile naïve potrebbe dare risultati simili a una pessima previsione puntuale. Cerco di orientare la conversazione sul prendere decisioni basate su ciò che produrrà il miglior risultato e su come valutiamo la variabilità della domanda e dei tempi di consegna. Dobbiamo dimostrare in modo semplice e tangibile il successo finanziario di questo approccio per le aziende.
Conor Doherty: Sim e Joannes, avete esempi di aziende o clienti in cui potete realmente mostrare il miglioramento finanziario dopo aver implementato questo approccio?
Sim Taylor: Non ho un esempio specifico dal punto di vista delle previsioni probabilistiche, ma ho visto successo nell’approccio quantile. Abbiamo implementato questo metodo con diverse aziende, concentrandoci su metriche chiave come la disponibilità a stock e le settimane di supply chain. Siamo riusciti a ottenere una maggiore disponibilità a stock mantenendo invariati o addirittura riducendo i livelli di inventario. Questo approccio ha contribuito a costruire fiducia e ha dimostrato che applicare questi concetti in maniera intelligente può generare valore aziendale.
Conor Doherty: Avete qualche aneddoto di storie di successo in cui avete applicato un approccio di previsione probabilistica e dimostrato il valore di cui parlate?
Sim Taylor: Non specificamente dal punto di vista delle previsioni probabilistiche, ma dal punto di vista dei quantili, sì. Lavorando con un grande rivenditore canadese, abbiamo implementato un approccio di safety stock basato su previsioni puntuali, che ha portato a un miglioramento della disponibilità in magazzino senza aumentare l’inventario. Quando ci siamo orientati verso le previsioni dei quantili, abbiamo osservato una crescita significativa nel raggiungere una maggiore disponibilità nei punti vendita, mantenendo invariati o addirittura riducendo i livelli di inventario. Questo ha evidenziato tendenze chiare e differenze nei fattori di performance aziendale, costruendo fiducia in questo approccio. Sono un appassionato che vuole fare il prossimo salto e utilizzare l’approccio delle previsioni probabilistiche per migliorare ulteriormente questi risultati.
Conor Doherty: Le previsioni dei quantili non risolvono del tutto, beh, grazie, Sim, su quel punto. Passo a te, Joannes: hai qualche aneddoto simile a quello di Sim?
Joannes Vermorel: Sì, intendo, è un dettaglio, ma penso che se confronto ciò che Lokad faceva un decennio e mezzo fa, quando ha iniziato, e ciò che fa ora con gli approcci abilitati alle previsioni probabilistiche per supply chain, la quantità di casi limite è davvero interessante. Quando abbiamo iniziato, ogni volta che cercavamo di affrontare un problema di supply chain, ci trovavamo davanti a una miriade di casi limite. Per “casi limite” intendo quelle situazioni in cui la logica abituale falliva così miseramente da richiedere un intervento manuale per correggere l’errore, perché il risultato era insensato. Questo è il motivo per cui fornitori come Lokad solitamente dispongono di alert ed eccezioni per gestire tutte quelle situazioni palesemente insensate. Si può persino avere una regola per rilevarle e dire: “Ok, qualcuno deve intervenire perché il sistema sta producendo un output che ha ben poco senso.”
Siamo passati dal trovarne in abbondanza al trovarne pochissimi. È interessante perché, per me, questo ha rappresentato l’eliminazione dei casi limite, quelle situazioni che richiedono un’attenzione specifica e regole particolari. Alla fine, credo che tale eliminazione dimostri che tutto ciò era solo la conseguenza di un metodo che, nella sua essenza, ignorava l’incertezza. Così, ogni volta che l’incertezza o il rischio si facevano sentire – e, tra l’altro, quando abbiamo vincoli, per esempio con un’emoji, e qualunque cosa significhi prendere una decisione consapevole del rischio – siamo riusciti, nella maggior parte dei casi, a semplificarli.
Anche se è un elemento molto aneddotico, eliminare i casi limite mi ha fatto capire che è stato il indicator più affidabile della maturità e della qualità della tua tecnologia. La vera prova è se riesci a operare con una quantità molto limitata di casi limite e situazioni marginali che richiedono intervento umano e micromanagement della soluzione software. Al contrario, se devi micromanagementare la tua soluzione software che gestisce la supply chain, molto probabilmente significa che, a livello fondamentale, c’è qualcosa che non stai facendo bene. C’è un disallineamento tra il modo in cui affronti il problema e il modo in cui il software opera, e di conseguenza finisci per ricorrere a questo micromanagement come una sorta di “nastro adesivo” per la tua supply chain.
Per me, la domanda sarà: possiamo passare dalle previsioni puntuali a quelle dei quantili fino a quelle probabilistiche? Quindi, la domanda aperta è: cosa c’è dopo? Sono abbastanza sicuro che arriverà una nuova fase tecnologica in quest’area, ma per ora la sfida resta quella di far accettare il concetto di incertezza alla maggior parte delle aziende.
Sim Taylor: E Joannes, giusto per aggiungere, sai, parli della riduzione del lavoro come un grande vantaggio che hai osservato. Penso però che il rovescio della medaglia sia che, se parliamo di quei casi limite di nicchia – che in realtà non sono così estremi, ma che continuano a presentarsi nella supply chain, come abbiamo detto, in un mondo pieno di vincoli – oppure occorre più lavoro, oppure, come ho visto in altre aziende, molto spesso si compie la decisione sbagliata. Forse non si tratta di lavoro extra, ma semplicemente prendiamo una
Conor Doherty: Prendere decisioni semplificate spesso porta a risultati subottimali. L’obiettivo è utilizzare ulteriori informazioni per prendere una decisione più ottimale che richieda meno impegno.
Sim Taylor: Esatto. Per esempio, abbiamo bisogno di acquistare solo 50 camionate da un fornitore, ma il nostro contratto prevede che dobbiamo ordinare camionate complete o rispettare un minimum order quantity. È finanziariamente più vantaggioso ordinare ora e acquistare prodotto aggiuntivo di cui non abbiamo bisogno, con il rischio che l’eccesso di inventario occupi capacità, oppure non ordinare affatto e rischiare esaurimenti su certi prodotti? Idealmente, dovremmo basare la decisione su un ROI per decidere se ordinare ora o più tardi, rendendo così più efficaci le decisioni sui casi limite.
Conor Doherty: Signori, non ho altre domande. Sim, come cliente, ti cedo la parola. C’è qualcosa che vorresti aggiungere o qualche domanda di follow-up da rivolgere ai direttori della supply chain che non hanno ancora abbracciato le previsioni probabilistiche?
Sim Taylor: Il mio invito all’azione per la community della supply chain è di valutare questi concetti, abbracciarli e fare il salto per testare e iterare, così da comprendere il valore che possiamo ottenere andando oltre l’approccio classico. Stiamo solo sostituendo un sistema con un altro che fa una cosa simile? Mi piacerebbe vedere più conversazioni e casi d’uso reali in cui iniziamo a riflettere su questo approccio e lo integriamo nelle aziende per ottenere successo. Condividendo esempi di questo valore, accelereremo la conversazione e ci muoveremo collettivamente verso uno scenario di ordinazione e rifornimento più ottimale.
Conor Doherty: Grazie per questo, Sim. Non posso prendermi tutto il merito. Joannes aiuta davvero tanto.
Joannes Vermorel: Grazie, Conor. Lo apprezzo.
Conor Doherty: Con questa nota, signori, concludiamo. Joannes, grazie mille per il tuo tempo. Sim, grazie mille anche a te. Ci vediamo alla prossima.