00:00:00 Introduzione e background di Sim in scienze dei dati e analisi della supply chain.
00:02:00 Panoramica delle previsioni e delle serie temporali come approccio comune nella gestione della supply chain.
00:06:26 Introduzione alle previsioni probabilistiche e differenze rispetto alle previsioni puntuali.
00:08:10 Esperienza di Sim con le previsioni probabilistiche e affrontare sfide aziendali reali.
00:09:15 Discussione dei limiti delle previsioni puntuali e dei vantaggi delle previsioni probabilistiche nella gestione dei rischi.
00:11:39 Discussione della regressione quantile e della sua rilevanza nella gestione dell’inventario.
00:14:20 Transizione alle previsioni probabilistiche e ai suoi vantaggi.
00:16:37 Confronto tra previsioni probabilistiche e metodi tradizionali e loro limitazioni.
00:17:37 Lo sviluppo delle previsioni probabilistiche in diversi settori industriali.
00:19:00 Come le previsioni probabilistiche semplificano la gestione dell’inventario rispetto all’approccio classico.
00:23:07 Discussione dell’approccio di previsione dei quantili e delle sue sfide.
00:24:26 Ambiente vincolato nelle aziende e nelle supply chain.
00:25:58 Introduzione alle previsioni probabilistiche per una migliore presa di decisione.
00:27:56 Affrontare le sfide della supply chain con le previsioni probabilistiche.
00:30:41 Implementazione delle previsioni probabilistiche in grandi aziende consolidate.
00:34:10 Importanza della ridisegnazione organizzativa nell’adozione di un nuovo sistema.
00:36:02 Approccio tradizionale alla risoluzione dei conflitti tra molteplici vincoli.
00:38:31 Sfide nel lasciare i metodi di previsione tradizionali.
00:41:00 Come ripriorizzare e ristrutturare le risorse.
00:42:33 Il potenziale valore dell’adozione delle previsioni probabilistiche.
00:45:30 Incoraggiare le aziende a fare un salto con nuove tecnologie.
00:46:55 Transizione da Excel a strumenti più avanzati nella gestione della supply chain.
00:48:30 Dipendenza da ingegneri qualificati per strumenti avanzati della supply chain.
00:50:06 Fidarsi delle raccomandazioni dei nuovi sistemi.
00:53:00 Importanza della conoscenza combinata della supply chain e delle scienze dei dati.
00:56:49 Creazione di un’entità di scienze dei dati interdipartimentale.
00:59:42 Discussione della futura struttura dell’analisi dei dati e della sua incorporazione nelle divisioni.
01:02:16 I vantaggi di avere un’unica organizzazione di scienze dei dati.
01:04:01 L’importanza della comprensione della supply chain nell’implementazione di nuove tecnologie.
01:05:38 Confronto tra previsioni probabilistiche e tecnologie più complesse come il deep learning.
01:08:16 Importanza della logica di rifornimento e della 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 Esperienza di Sim con le previsioni probabilistiche e i suoi vantaggi.
01:15:01 Aneddoto sull’applicazione delle previsioni quantili in un grande rivenditore canadese.
01:19:35 Discussione sulle decisioni sub-ottimali in ambito aziendale e sul miglioramento del processo decisionale.
01:21:14 L’importanza delle decisioni basate sul ROI per i casi limite.
01:22:18 Chiamata all’azione: abbracciare nuovi concetti e approcci nella gestione della supply chain.
01:23:25 Speranze per uno scenario di ordinazione e rifornimento più ottimale in futuro.
Riassunto
In questa intervista, Joannes Vermorel, fondatore di Lokad, e Sim Taylor, Direttore di Analytics e Data Science presso Petco, discutono dell’importanza delle previsioni probabilistiche nell’ottimizzazione della supply chain. Spiegano che ciò comporta l’assegnazione di probabilità a più scenari, consentendo una migliore gestione delle scorte e una migliore presa di decisioni. Nonostante le sfide nell’implementazione delle previsioni probabilistiche nelle grandi organizzazioni, incoraggiano i direttori della supply chain ad abbracciare nuovi concetti e a superare gli approcci tradizionali. Sottolineano anche l’importanza della fiducia nei data scientist e della necessità di professionisti che comprendano sia le sfide della supply chain che gli aspetti tecnici.
Riassunto Esteso
In questa intervista, l’ospite Conor Doherty parla con Joannes Vermorel, fondatore di Lokad, e Sim Taylor, Direttore di Analytics e Data Science presso Petco. Discutono dell’importanza delle previsioni probabilistiche nell’ottimizzazione della supply chain.
Sim Taylor condivide la sua esperienza nel campo delle scienze dei dati e dell’analisi, lavorando principalmente nell’analisi di merci e supply chain. Spiega che il suo lavoro mira a utilizzare dati e statistiche per guidare meglio i prodotti verso le loro posizioni previste nella supply chain al fine di massimizzare i risultati finanziari.
Quando gli viene chiesto delle previsioni, Taylor le descrive come un’infrazione o una previsione su un risultato futuro utilizzando informazioni storiche e altri punti di dati. Vermorel concorda, aggiungendo che la previsione delle serie temporali è un pilastro della teoria classica della supply chain, ma sottolinea che è solo uno dei molti approcci per pensare al futuro.
La discussione passa alle previsioni probabilistiche, che consistono nell’assegnare probabilità o verosimiglianze a più scenari possibili. Taylor condivide la sua esperienza nell’utilizzo della regressione quantile nelle previsioni, che mira a prevedere eventi estremi e aiutare a prevenire le rotture di stock. Questo metodo prevede di risolvere direttamente un livello di servizio specifico, consentendo alle aziende di impostare i livelli di inventario senza fare affidamento su calcoli potenzialmente errati delle scorte di sicurezza.
Taylor spiega che l’approccio classico alla gestione dell’inventario prevede di prevedere l’evento più probabile (previsione) e di tener conto della variabilità aggiungendo scorte di sicurezza. Le previsioni probabilistiche, d’altra parte, stimano direttamente l’inventario totale necessario per coprire il rischio di rotture di stock. Taylor parla anche delle sfide nel determinare il quantile estremo corretto della domanda e nel bilanciare le esigenze dei clienti con gli aspetti finanziari e i costi di inventario.
Gli intervistati discutono dei vantaggi delle previsioni probabilistiche in ambienti vincolati, come budget limitati o quantità minime d’ordine. Taylor osserva che le previsioni probabilistiche possono aiutare le aziende a prendere decisioni chiare tra esigenze concorrenti, comprendendo la probabilità di vendere ogni unità aggiuntiva e il valore finanziario che essa fornirebbe.
La discussione mette in evidenza le sfide che le organizzazioni affrontano nel tentativo di implementare previsioni probabilistiche, soprattutto quando si tratta di modificare processi consolidati e divisioni del lavoro. Sim Taylor condivide la sua esperienza nell’implementazione dell’approccio di previsione quantistica, che richiede una comprensione completa e una proprietà dell’esecuzione della supply chain. La previsione serve come mezzo per migliorare la soddisfazione del cliente, le vendite e minimizzare i costi.
Sim Taylor sottolinea l’importanza di automatizzare il carico matematico pesante nelle previsioni e nelle quantità d’ordine, pur riconoscendo il valore dell’intuizione umana e dell’esperienza dei responsabili della supply chain. Suggerisce che le aziende possano ridisegnare le proprie organizzazioni per ottimizzare l’utilizzo del personale esperto, il che potrebbe comportare un cambiamento dei loro ruoli e un affidamento alle raccomandazioni del sistema.
Joannes Vermorel sottolinea la sfida di abbandonare le previsioni tradizionali e i relativi KPI, poiché le previsioni probabilistiche spostano l’attenzione dall’accuratezza delle previsioni alle decisioni operative abilitate da esse. Chiede a Sim Taylor il suo punto di vista su come le aziende possano riprioritizzare e ristrutturare le proprie risorse per adattarsi a questo cambiamento.
Sim Taylor riconosce la difficoltà di implementare previsioni probabilistiche in organizzazioni di grandi dimensioni e avverse al rischio. Suggerisce che il successo possa essere raggiunto passo dopo passo, fornendo prima strumenti più semplici e veloci, quindi dimostrando il valore del nuovo approccio. Ciò potrebbe comportare la ricerca di un caso d’uso o di un’azienda disposta a fare il salto di fede e misurare i risultati aziendali. Nel complesso, la conversazione sottolinea i potenziali benefici dell’adozione di previsioni probabilistiche, pur riconoscendo le sfide che esse presentano per le organizzazioni consolidate.
La conversazione tocca la necessità di dimostrare il successo per incoraggiare l’adozione di nuove tecnologie e approcci. Vermorel solleva preoccupazioni sulle limitazioni di Excel e sulla 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 è una “scatola nera” per coloro che lo utilizzano.
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 siano in grado di lavorare con il codice per automatizzare le decisioni in modo intelligente. Taylor suggerisce di trovare persone con una combinazione di conoscenza della supply chain e inclinazione tecnica. Vermorel aggiunge che in futuro immagina l’integrazione della scienza dei dati 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 dal ruolo. Crede che combinare competenze tecniche con conoscenze aziendali sia cruciale per ottenere risultati finanziari positivi. La conversazione tocca anche il valore della collaborazione tra esperti di analisi di diverse aree e l’importanza di essere legati all’azienda per ottenere risultati significativi.
Joannes Vermorel sottolinea i vantaggi pratici della previsione probabilistica nella gestione della supply chain, rispetto a innovazioni più tecniche come il deep learning. La previsione probabilistica si concentra sulla creazione di valore affrontando il problema dell’incertezza in modo radicalmente diverso.
Sim Taylor discute anche dell’importanza della logica di riapprovvigionamento e di come sia cruciale per prendere decisioni nella gestione della supply chain. Crede che concentrarsi sul valore della supply chain sia essenziale e che la conversazione dovrebbe ruotare attorno a come le decisioni guidano il miglior risultato.
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 condivide un esempio di collaborazione con un grande rivenditore canadese, in cui l’applicazione di un approccio di previsione quantile ha portato a miglioramenti nella disponibilità di magazzino e nella gestione delle scorte.
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 richiedono meno sforzo. Un esempio che fornisce è decidere se ordinare un carico completo da un fornitore quando ne è necessaria solo una parte. La capacità di valutare il valore di ogni unità, la probabilità di venderla e i potenziali costi di margine e di detenzione consente una migliore presa di decisione in tali casi.
Sia Vermorel che Taylor incoraggiano i direttori della supply chain a valutare e abbracciare nuovi concetti, come la previsione probabilistica, e a superare gli approcci tradizionali utilizzati da decenni. Sperano che condividendo esempi di successo possano accelerare la conversazione e aiutare le aziende a prendere decisioni di ordinamento e riapprovvigionamento più ottimali.
Trascrizione completa
Conor Doherty: Bentornati a Lokad TV. Sono il vostro conduttore, Conor, e come sempre, sono qui con il fondatore di Lokad, Joannes Vermorel. Oggi stiamo parlando con Sim Taylor. Ora, lui è il Direttore di Analytics e Data Science presso Petco, un’azienda piuttosto grande, e ci parlerà dei meriti della previsione probabilistica. Tim, benvenuto a Lokad.
Sim Taylor: Ciao, grazie mille per avermi qui, Conor e Joannes. Quindi, un po’ di background su di me: gestisco team di data science e analytics, specializzati in analisi di merce e supply chain. La maggior parte della mia carriera è stata da una prospettiva di consulenza. Ho lavorato con Deloitte per molti anni nei loro team di supply chain nel Regno Unito e in Canada, e nella seconda metà di quella esperienza mi sono concentrato sulla creazione di modelli per aiutare le aziende a ottimizzare il loro inventario. Fondamentalmente, il lavoro che faccio si riduce a come possiamo utilizzare dati e statistiche per guidare meglio i prodotti verso varie posizioni nella supply chain, centri di distribuzione, negozi, clienti, nelle giuste quantità e al momento giusto per soddisfare i clienti e massimizzare i risultati finanziari. Ho lavorato con una serie di aziende, principalmente grandi magazzini e rivenditori di articoli vari, tipicamente con molti prodotti, una vasta gamma e un ampio portafoglio di stock, con un po’ di moda e retail specializzato mescolato. Un paio di anni fa, sono passato dal mondo della consulenza all’industria, e attualmente lavoro presso Petco, un grande rivenditore di articoli per animali domestici americano con sede in California e presenza negli Stati Uniti e in Messico.
Conor Doherty: Grazie. Quando spieghi alle persone in generale, o in termini generali, cosa è la previsione, come lo spieghi a un pubblico non specializzato?
Sim Taylor: Certamente, la previsione, come base, è un processo relativamente comprensibile. Fondamentalmente si tratta di fare un’ipotesi o una previsione su un risultato futuro. Nella supply chain e nel settore del retail, parliamo molto di previsione della domanda, della domanda dei clienti. Quindi, per questo prodotto in questo negozio, cosa vogliono i miei clienti tra una settimana, due settimane o 52 settimane? Si cerca di utilizzare informazioni storiche e ciò che sappiamo del futuro, come i prezzi dei prodotti e altri punti di dati chiave, per capire quale risultato probabile potremmo aspettarci di vedere e come possiamo pianificare i nostri ordini e ottenere il prodotto nel posto giusto in base a ciò. È davvero la base della teoria classica della supply chain, quella della previsione. Joannes, sei d’accordo con questa definizione?
Joannes Vermorel: Sì, concordo molto con l’idea della previsione delle serie temporali come base della teoria classica della supply chain. Ma vorrei anche sottolineare che si tratta effettivamente di un approccio molto specifico al modo in cui si può affrontare il futuro. Questo approccio è stato così consolidato e così diffuso per così tanto tempo che l’intero settore ha in larga misura dimenticato che è solo uno dei molti approcci esistenti per pensare al futuro. Perché pensare al futuro e anticiparlo è una cosa sfuggente. Pensare ad esso attraverso l’ottica della previsione delle serie temporali ti dà alcune capacità, come molti modelli che si adattano a questo paradigma, ma allo stesso tempo limita ciò che puoi fare. E penso che una delle cose interessanti in questo settore sia che, a causa del fatto che le previsioni delle serie temporali sono state presenti
Conor Doherty: Credo che potrebbe essere utile parlare di come ho scoperto la previsione probabilistica. Vengo da un background aziendale piuttosto che accademico, quindi ho scoperto la previsione probabilistica quando lavoravo con un rivenditore che cercava di risolvere alcune delle sfide aziendali reali legate all’ordinazione e al rifornimento.
Sim Taylor: Per quel cliente, stavamo costruendo strumenti di rifornimento basati sulla previsione puntiforme standard, che è ancora la base nella maggior parte delle aziende. Fondamentalmente, pensiamo che questo prodotto venderà cinque unità domani, sei unità il giorno dopo, ecc. Poiché c’è così tanta possibilità che quel numero non sia corretto, applicavamo l’approccio o l’equazione classica dello stock di sicurezza, dicendo fondamentalmente che la nostra singola previsione del risultato di domanda più probabile sarà spesso sbagliata.
L’approccio standard dello stock di sicurezza fa essenzialmente un’assunzione grossolana che la variabilità della domanda e i tempi di consegna del fornitore siano distribuiti simmetricamente intorno alla nostra previsione di previsione più probabile. Questa assunzione di normalità dal punto di vista statistico viene accettata come base senza essere messa in discussione in molte aziende.
Mentre facevamo questo lavoro, il mio team ed io stavamo osservando la realtà effettiva delle vendite nel periodo di tempo rilevante per i tempi di consegna. Ci siamo resi conto che, nella maggior parte dei casi, l’assunzione di normalità non vale affatto per la maggior parte dei rivenditori. La domanda e i tempi di consegna non sono tipicamente distribuiti normalmente. La domanda tende ad essere fortemente concentrata intorno a un valore basso per la maggior parte dei prodotti, e poi c’è questa lunga coda di valori di domanda potenziale verso destra.
È diventato chiaro per noi che dovevamo utilizzare distribuzioni statistiche più rappresentative per modellare questa variabilità della domanda dei clienti e dei tempi di consegna. Altrimenti, saremmo a rischio di esaurire le scorte in alcune situazioni perché non abbiamo modellato correttamente i possibili risultati.
Conor Doherty: Quindi come hai iniziato a considerare alternative alla previsione puntiforme tu e il tuo team?
Sim Taylor: All’inizio abbiamo fatto affidamento sulla regressione quantile nelle nostre previsioni, che si basa sull’idea che, nell’inventario, non ci interessa davvero il risultato più probabile, che è ciò che otteniamo da una previsione standard. Ci interessa invece quegli eventi estremi e assicurarci di avere abbastanza inventario per evitare le scorte quando si verificano. Questo è ciò che fanno i livelli di servizio nell’approccio standard dello stock di sicurezza.
Abbiamo costruito previsioni utilizzando la regressione quantile che cercava di risolvere direttamente un livello di servizio specifico. Ad esempio, se elenchiamo tutte le possibili occorrenze di domanda nel periodo di tempo di consegna, qual è il 95° quantile, la situazione molto improbabile di quella domanda in quel periodo di tempo? A quel livello imposti il tuo livello di inventario. Non devi preoccuparti di chiamarlo stock di sicurezza o se i tuoi calcoli dello stock di sicurezza sono intrinsecamente sbagliati a causa di assunzioni errate.
È così che abbiamo iniziato a esplorare diverse previsioni di domanda oltre alla media o all’outcome medio. Poi, la domanda è evoluta su quale livello di servizio dovremmo impostare per determinare quale quantile di domanda o tempo di consegna prevedere, e come combinare queste previsioni di quantile per domanda e tempi di consegna? È qui che ho scoperto Lokad e il loro approccio unico e differenziato in cui prevedono tutti i possibili risultati per la domanda nel periodo di tempo di consegna e assegnano una probabilità a ciascuno, che cattura molte più informazioni rispetto alla comprensione dei quantili.
Joannes Vermorel: Il tuo percorso mi ricorda molto il mio, perché è stato proprio da Lokad che ho avuto problemi personali con queste assunzioni. Il termine “stock di sicurezza” suona sicuro, ma la realtà è che le assunzioni matematiche che ci vanno dentro sono abbastanza folli e certamente molto insicure. Ti ritrovi con cose come tempi di consegna negativi, cosa incredibilmente bizzarra. Questo è ciò che ottieni con una distribuzione normale per i tempi di consegna. E l’idea
Conor Doherty: Mi sono reso conto che c’era una discrepanza tra ciò che le persone erano veramente interessate e ciò che dicevano. I direttori della supply chain volevano una migliore previsione, ma ciò che volevano veramente era una migliore decisione sulla supply chain. Quando si inizia a pensare in termini di statistica, non è la media che conta, ma gli estremi. Queste situazioni estreme sono ciò che scatena situazioni di esaurimento scorte o eccesso di scorte, e sono queste le situazioni che si desidera analizzare da un punto di vista statistico. Ho scoperto che le persone nel settore finanziario e nella previsione del tempo fanno previsioni probabilistiche fin dagli anni ‘90. Nel 2011-2012, abbiamo iniziato a farlo per la supply chain con un certo ritardo rispetto ad altri pionieri in altri settori.
Sim Taylor: L’approccio classico cerca comunque di tener conto del rischio, ma chiamiamo il nostro inventario in modi diversi. In realtà, ciò che conta è l’outcome per l’azienda. Nel nostro approccio standard, cerchiamo di essere molto bravi a prevedere l’outcome più probabile, ma riconosciamo che è un modo strano di guardare le cose perché ci interessa davvero coprire il rischio di eventualità più estreme, e abbiamo questo stock di sicurezza. La previsione quantile imposta direttamente entrambi questi aspetti, guardando l’esempio estremo di domanda e calcolando l’inventario che dovremmo avere nel nostro magazzino.
Joannes Vermorel: Quando hai una gamma completa di probabilità potenziali, come viene effettivamente trasformato e utilizzato nella realtà aziendale? Le decisioni di ordinazione sono ciò che ci interessa, assicurandoci che siano il più ottimali possibile. Potremmo non aver più bisogno del termine “stock di sicurezza”, ma sono curioso di sapere come traduci tutto ciò nell’esecuzione concreta nel mondo reale.
Sim Taylor: La prima motivazione per considerare previsioni alternative è stata vedere la realtà che le occorrenze di domanda non seguono il tipo di distribuzione che viene modellata nell’approccio classico dello stock di sicurezza. Questo è stato il principale impulso per me per considerare altri approcci e valutare la nostra capacità di avere un modello alternativo che si adatti meglio ai dati.
Conor Doherty: Quindi, per replicare o tener conto della variabilità, come solitamente si cerca per la domanda e i tempi di consegna, hai iniziato con un approccio di previsione quantile. Ma ci sono state sfide, come determinare il quantile estremo corretto della domanda per bilanciare le esigenze dei clienti e gli aspetti finanziari rispetto al costo di detenere l’inventario. E in ambienti vincolati, che sono comuni nelle aziende e nelle supply chain, hai avuto bisogno di un modo per decidere tra diversi prodotti e unità da acquistare. Puoi parlare di più su come hai scoperto la previsione probabilistica come soluzione a queste sfide?
Sim Taylor: Sì, ciò che mi ha interessato nella previsione probabilistica è il concetto di comprendere tutti gli scenari potenziali e le loro probabilità. Se conosco la probabilità di vendere quattro unità, cinque unità, sei unità, posso capire quanto è probabile che io venda la prossima unità che sto per acquistare. Se conosco quella probabilità e il valore che ottengo dalla vendita di quel prodotto, il margine lordo, così come i costi di detenzione di quel prodotto e di esaurimento delle scorte, posso prendere una decisione chiara su quale unità fornisce più valore alla mia azienda. Facendo ciò, si risolvono molte sfide con cui la mia squadra e altre si sono confrontate per molto tempo. Siamo sempre in un ambiente vincolato e comprendere la probabilità di vendita di ciascuna prossima unità e il suo valore finanziario è un modo elegante per affrontare quelle sfide.
Joannes Vermorel: È molto interessante. La mia più grande difficoltà quando cerco di introdurre la previsione probabilistica in grandi aziende consolidate come Petco è la divisione storica del lavoro tra previsione e processo decisionale. Le grandi organizzazioni hanno tipicamente diviso il lavoro tra le persone responsabili delle previsioni e quelle che prendono decisioni come il rifornimento, gli ordini di produzione e gli ordini di movimentazione delle scorte. Ma la previsione probabilistica è uno strumento che consente un processo decisionale più efficiente. La decisione in sé non è esattamente la previsione, ma fondamentalmente, prendere la decisione di rifornimento e fare la previsione sono molto più intrecciati rispetto al vecchio mondo in cui c’era un team separato che faceva l’analisi dello stock di sicurezza e prendeva le decisioni.
Conor Doherty: Il rifornimento è, direi, una teoria classica della supply chain che fornisce una divisione del lavoro molto chiara tra le persone responsabili delle previsioni/pianificazione e le altre persone che dovrebbero prendere le decisioni operative, come gli ordini di produzione, gli ordini di rifornimento, gli ordini di movimentazione delle scorte, ecc. Come affronti questa situazione? Hai lavorato in aziende molto grandi e consolidate che ovviamente avevano una pratica di supply chain che precede di gran lunga queste intuizioni probabilistiche. Come hai affrontato effettivamente l’organizzazione con questo tipo di metodo che, credo, non rispetta i confini storici della divisione del lavoro che esisteva per supportare la pratica della supply chain?
Sim Taylor: Credo che nelle situazioni in cui abbiamo ottenuto valore, ad esempio con l’approccio di previsione quantistica, sia molto utile avere la responsabilità di tutta l’esecuzione della supply chain. Se il nostro obiettivo finale, che è sempre quello, è migliorare la soddisfazione del cliente, le vendite e ridurre al minimo i costi nel farlo, la previsione stessa è solo un mezzo per raggiungere uno scopo. Ci interessano i risultati: quanto devo ordinare, in quale posizione e a che ora, sia nei centri di distribuzione che nei negozi. Dove ho avuto successo in passato è quando ci è stato dato il compito di costruire quella previsione e tradurla direttamente nelle quantità di ordinazione.
Facciamo previsioni, generiamo le quantità di ordinazione, sia dai fornitori ai centri di distribuzione che dal centro di distribuzione ai negozi. Il ruolo è molto più un processo di approvazione e valutazione. In un mondo ideale, si desidera automatizzare il più possibile il carico matematico e ottenere risultati corretti nella maggior parte degli scenari. Quindi, combinando quella conoscenza basata sui dati con l’esperienza delle squadre aziendali, si può capire ed valutare gli estremi o vari esempi e apportare eventuali aggiustamenti.
Quando un’azienda cerca di sostituire o trasformare il modo in cui effettua i propri rifornimenti, si tratta di un progetto di notevole entità che richiede molto lavoro, molti mesi per essere implementato e il coinvolgimento di molte persone. È un’opportunità per ripartire da zero e rinnovare il modo in cui l’azienda opera. Molte aziende approfittano di questa occasione per ridisegnare la propria organizzazione, il che di solito comporta il change management e la ridisegnazione organizzativa. Se si può ridisegnare l’organizzazione e strutturarla attorno a un sistema molto migliore, è lì che si ottiene il vero successo nel ridurre i costi di ordinazione e migliorare i livelli di scorte per i clienti.
Conor Doherty: Ho una domanda molto specifica da farti, Joannes. Parliamo dell’approccio tradizionale alla risoluzione dei conflitti tra molteplici vincoli quando si parla di team aziendali. Qual è il modo normale in cui un team aziendale non probabilistico risolverebbe questo problema, o un processo di ottimizzazione non probabilistico? Come viene fatto nella pratica quotidiana?
Joannes Vermorel: Se prendiamo ad esempio il settore della vendita al dettaglio, avresti un team che si occupa delle previsioni. Stabilirebbero la base, gestirebbero i profili di stagionalità e stabilirebbero magari cose come le classi ABC con il livello di attenzione e così via. Quindi ci sarebbe un team molto legato alla stesura di proiezioni future che sono serie temporali. Poi ti ritrovi con un altro team o una serie di altri team che sono responsabili delle decisioni operative, come il rifornimento o la decisione se un prodotto è idoneo o meno in un negozio. L’organizzazione principale è pienamente giustificata ed è molto consolidata nel senso che la maggior parte degli strumenti software presenti sul mercato ti fornisce interfacce utente e processi.
Joannes Vermorel: Quando hai flussi di lavoro personalizzati per questa mentalità, anche se in parte arbitrari, una volta che hai tonnellate di strumenti che verificano le posizioni, hai uno schermo dedicato alla revisione delle previsioni delle serie temporali, un altro schermo per l’aggiustamento delle scorte di sicurezza e un altro schermo per la gestione degli avvisi. Questi concetti astratti diventano cose tangibili nell’organizzazione perché ci sono persone con ruoli e flussi di lavoro costruiti sopra di essi.
Come ha menzionato il nostro ospite, una cosa interessante è che la previsione probabilistica mette alla prova l’organizzazione a un livello piuttosto profondo. Se abbiamo un progetto di notevole entità che rivede una delle funzioni principali dell’azienda, come il rifornimento in un’azienda di vendita al dettaglio, c’è l’opportunità di riesaminare molte supposizioni. Richiede un po’ di fede, perché è un passaggio dal modo tradizionale di affrontare la gestione della supply chain a un’organizzazione alternativa che è una conseguenza di ciò che le previsioni probabilistiche ti consentono di fare nella tua azienda.
Le previsioni sono solo artefatti; sono uno strumento per ottenere qualcos’altro. Eppure, in molte aziende, specialmente quelle con una grande supply chain, le previsioni sono tipicamente trattate come un obiettivo a sé stante. C’è un team con KPI di accuratezza, e questo fa parte del processo di S&OP. Vogliono una previsione più accurata come obiettivo per l’anno successivo.
Sim Taylor: La sfida è lasciar perdere la previsione. Con la previsione probabilistica, si propone di spostare il focus della gestione. Invece di seguire gli indicatori di accuratezza delle previsioni, fornendo risorse, budget e strumenti per migliorarli, dovremmo concentrarci sulle decisioni che prendiamo basate su queste previsioni. Questo è molto da assimilare e richiede un salto di fede. Come possiamo fornire un’argomentazione più approfondita anziché dire semplicemente “fidati di me, sarà molto meglio”?
È difficile e molto impegnativo. Vedo un enorme potenziale valore qui, ma non conosco nessuna grande azienda che abbia abbracciato completamente la previsione probabilistica. Implementarla passo dopo passo, fornendo prima uno strumento più semplice e veloce e mostrando i risultati, è il modo per coinvolgere ed entusiasmare i dirigenti della supply chain. Hai bisogno di quell’esempio, e poi misurare la realtà aziendale: la disponibilità in stock, i giri di magazzino, l’investimento in magazzino e le settimane di scorta prima e dopo l’introduzione del nuovo approccio.
Mostra i chiari e innegabili benefici finanziari derivanti dal nuovo approccio. Ci interessa davvero la previsione? Possiamo parlarne, ma ciò che conta sono i risultati. Iniziare con i risultati aziendali e avviare la conversazione con i risultati e il successo storici susciterà più attenzione rispetto a iniziare con la teoria.
Conor Doherty: Ho menzionato esperti della supply chain, leader con molta esperienza, che hanno questa grande intuizione, e puoi attingere a quella. Tutti vogliono migliorare la propria attività, quindi quasi tutti hanno l’impulso di voler fare un salto, ma hanno solo bisogno di un po’ di fondamenta e di fiducia. Hanno visto un’azienda simile e i rendimenti finanziari che dimostrano davvero il successo. È così che, sai, una volta che hai avuto quel caso di utilizzo di fare il salto, hai davvero una piattaforma e puoi iniziare a implementarlo. Penso che sia così che le nuove tecnologie e approcci iniziano sempre. Alla fine della giornata, siamo lì in un’azienda per fare del nostro meglio per il cliente e per fare del nostro meglio finanziariamente per gli azionisti. Se possiamo dimostrare che c’è un buon caso d’uso per correre quel rischio, provare qualcosa di diverso perché abbiamo visto rendimenti altrove, è una proposta entusiasmante. È molto più probabile che si inizi una conversazione e che si faccia partire il tutto. Ma sono d’accordo, è una grande sfida perché i processi consolidati sono ben radicati nel modo in cui strutturiamo le nostre squadre in quasi tutte le grandi aziende. Di conseguenza, ci vogliono le persone giuste che siano disposte a capire davvero le sfide e che possano anche influenzare per fare quel caso aziendale, per dimostrare che c’è effettivamente valore nel provare qualcosa del genere.
Joannes Vermorel: Una delle obiezioni che ricevo frequentemente è che quando si passa da previsioni puntuali, che possono essere facilmente rappresentate in Excel, a previsioni probabilistiche, che possono essere rappresentate in Excel in qualche misura, diventa un processo un po’ da incubo. Quindi, la cosa fondamentale è che devi aggiornare i tuoi strumenti in un modo o nell’altro. Per poter avere modelli che abbracciano l’incertezza, hai bisogno di uno strumento più capace di Excel. Crei una classe di rischio, che improvvisamente fa dipendere la tua organizzazione da persone capaci di utilizzare strumenti più complessi. A causa della tua posizione di responsabile della scienza dei dati, penso che tu sia all’avanguardia nell’introdurre cose che non sono immediatamente accessibili. Non appena parliamo di avere 20 righe di Python, il tipo di competenza necessaria per occuparsene, rispetto a avere solo un semplice foglio di calcolo, è piuttosto grande. Quindi, ciò significa che per l’azienda, dipendi da persone che hanno molte più competenze ingegneristiche di quelle che avevano in quelle posizioni della supply chain. So che alcune delle persone con cui sto parlando sono preoccupate per questo tipo di proposta. Si chiedono come affrontare la situazione quando vogliono rendere una supply chain del mondo reale dipendente da qualcosa che non passerà attraverso fogli di calcolo Excel o che non sarà implementato come un sistema basato su regole in ERP.
Sim Taylor: Ci sono probabilmente due cose da analizzare. La prima è che Excel è uno strumento molto familiare per i responsabili di categoria, gli acquirenti e i professionisti della supply chain. C’è sicuramente un utilizzo lì, ma nella maggior parte delle aziende, la maggior parte delle decisioni viene determinata e guidata da un sistema che è già una scatola nera per le persone che prendono effettivamente le decisioni di acquisto. Quindi, il punto che sollevi riguardo al passaggio da Excel non è un grande salto in alcuni casi. È una transizione da un sistema che fa raccomandazioni in un certo modo a un altro sistema che fa raccomandazioni in modo diverso. Penso che finché c’è fiducia nel modo in cui funziona il nuovo sistema e ci sono l’educazione e le discussioni giuste per capire perché il sistema sta facendo qualcosa di leggermente diverso, non è così difficile cambiare il sistema stesso.
La seconda parte riguarda la fiducia nei confronti dei data scientist. Credo davvero che la supply chain e la pianificazione della merce siano una di quelle aree in cui non puoi semplicemente mettere un data scientist e aspettarti benefici finanziari tangibili. C’è forse una
Conor Doherty: Joannes e Sim, vorrei saperne di più sull’importanza di avere sia competenze tecniche e matematiche che esperienza nella supply chain quando si tratta di ottimizzare le supply chain. Cosa ne pensate?
Sim Taylor: L’ottimizzazione della supply chain richiede una combinazione di competenze, compresa la comprensione delle sfide e delle complessità del mondo della supply chain, nonché la capacità matematica e tecnica. Il candidato ideale avrebbe esperienza sia nella gestione della supply chain che nella scienza dei dati. Dovrebbero essere in grado di comprendere e lavorare con i sistemi precedenti e avere conoscenza delle sfide comuni, come le quantità minime di ordine dei fornitori e i vincoli di capacità nei centri di distribuzione. Un data scientist appena uscito dalla scuola di specializzazione potrebbe non avere questa conoscenza, il che può portare a diffidenza nel tentativo di unire la tecnologia alla gestione della supply chain. Quello che cerchiamo sono individui intelligenti con una comprensione del business e una propensione tecnica, capaci di lavorare con o spiegare il codice per automatizzare le decisioni in modo intelligente. Questa combinazione è cruciale per costruire team di analisi di successo.
Conor Doherty: Joannes, diresti che il tuo approccio alla selezione di scienziati della supply chain presso Lokad si allinea con le opinioni di Sim sull’importanza di avere una combinazione di competenze?
Joannes Vermorel: Sì, penso che le nostre opinioni si allineino. In effetti, vedo una possibile evoluzione nel mercato in cui, tra dieci anni, i team di scienze dei dati che attualmente operano in modo indipendente potrebbero diventare parte delle divisioni della supply chain. Immagino un futuro in cui ogni divisione abbia un team di ingegneri specializzati nell’analisi quantitativa, che forniscono la base dell’ottimizzazione per l’azienda. Lavorerebbero a stretto contatto con le operazioni e la alta direzione per stabilire le strategie. Credo che questa evoluzione naturale porterebbe alla reintegrazione delle competenze della scienza dei dati in ciascun dipartimento rispettivo, ad esempio gli analisti della supply chain che diventano parte della divisione della supply chain e gli analisti di marketing che si uniscono alla divisione del marketing. La struttura organizzativa attuale, in cui i dipartimenti di scienze dei dati sono indipendenti dalle divisioni a cui servono, potrebbe cambiare poiché la scienza dei dati diventa un elemento intrinseco di ogni pratica anziché una funzione di supporto.
Sim Taylor: Joannes, penso che la tua prospettiva sul futuro della scienza dei dati e dell’analisi all’interno delle organizzazioni sia interessante. Come responsabile dell’analisi presso Petco, credo che se continuiamo a vedere successi operativi, potrebbe effettivamente esserci un cambiamento verso l’inclusione delle divisioni di analisi dei dati nei rispettivi dipartimenti tra dieci anni.
Conor Doherty: Vedi questo come una maggiore internalizzazione in ogni divisione in cui si ottiene successo?
Joannes Vermorel: Che domanda interessante, parlando davvero di come si organizza e struttura un’azienda ora e quali sono i vantaggi di questi diversi approcci. Dalla mia opinione 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: Quello che mi entusiasma quando vado a lavorare ogni giorno è cercare opportunità per fornire valore, valore tangibile che possiamo misurare. Mi concentro molto specificamente sulla supply chain, come ho detto, come nella pianificazione della merce. Il mio capo gestisce l’organizzazione più ampia di analisi dei dati in molte aree diverse e le unisce. Ma come ho detto, penso specificamente per la supply chain, ho visto questo in passato: ci sono persone molto intelligenti che non hanno esperienza nella supply chain ma sono molto tecniche, e non necessariamente si traducono in fornire quel valore significativo nel business. È la combinazione delle competenze aziendali e la comprensione reale di quel settore con la capacità di eseguire tecnicamente che penso guidi risultati finanziari positivi e significativi.
Quindi che tu ti chiami data scientist o ti chiami praticante della supply chain, in qualche modo penso che sia la domanda sbagliata o una domanda irrilevante. Per me, trovo eccitazione nel risolvere problemi della supply chain, quindi che tu chiami le persone in un team scienziati della supply chain o pianificatori della domanda, ciò che conta è il lavoro che fai.
Sono assolutamente d’accordo sul fatto che devi essere molto legato al business; altrimenti, ci sono così tante sfumature nel mondo della supply chain e della pianificazione della merce che se non hai una presa su questo, stai solo giocando con i numeri ed è difficile ottenere risultati significativi.
Il lato negativo è che penso che ci sia molto valore che può derivare dall’aggregare esperti di analisi e professionisti di diverse aree. Il vantaggio di avere un’unica organizzazione di data science è che puoi creare connessioni e relazioni tra persone intelligenti con interessi simili, e possono imparare l’uno dall’altro e trarre vantaggio dalle competenze tecniche di diverse aree. C’è molto beneficio in questo e in come i team interagiscono tra loro, ad esempio nell’analisi del marketing, nella supply chain, nel cliente, nel pricing. C’è molta connessione che può essere preziosa e unire tutto questo.
Penso che dipenda davvero dall’azienda e da ciò che vedono come la migliore strategia complessiva. Ma solo dal punto di vista della supply chain, penso che i risultati siano ciò che conta, ed è molto difficile ottenere quella fiducia di cui abbiamo parlato, che è così importante nel provare qualcosa di nuovo e apparentemente complesso, se non riesci a distillarlo e spiegarlo in termini di come contribuirà al valore aziendale con una comprensione di come funziona la supply chain.
Joannes Vermorel: Penso che tu abbia toccato un punto molto interessante, e sto tornando un po’ indietro rispetto ai tuoi commenti sulla centralizzazione. Per tornare alla previsione probabilistica, è un’innovazione piuttosto tecnica, ma ciò che sorprende è che coinvolge così tanto il business. Il motivo per cui ti interessa, e l’hai menzionato diverse volte, sono i valori che puoi creare.
La cosa interessante dal mio punto di vista, ed è anche qualcosa di molto difficile da comunicare, è che è qualcosa di natura incredibilmente diversa, diciamo, dal deep learning o dall’AI. Questa è fondamentalmente un’innovazione che interessa per ciò che puoi fare con essa in un modo molto pratico per la supply chain. Ci sono alcuni ingredienti tecnologici per fare previsioni probabilistiche, ma è un gioco
Conor Doherty: Previsioni migliori possono portare a una supply chain migliorata. Le aziende che eccellono nell’approccio classico possono avere una migliore ottimizzazione degli ordini e dei rifornimenti. Tuttavia, è importante notare che la logica di rifornimento e come estrapoliamo le previsioni nelle decisioni della supply chain è altrettanto importante.
Sim Taylor: Le persone sono spesso sorprese nel sapere che in alcuni casi una semplice media mobile potrebbe fornire risultati simili a una previsione puntuale scadente. Cerco di concentrare la conversazione più sulla presa di decisioni basate su ciò che porterà al miglior risultato, e su come valutiamo la variabilità della domanda e la variabilità dei tempi di consegna. Dobbiamo dimostrare il successo finanziario di questo approccio in modo semplice e tangibile per le aziende.
Conor Doherty: Sim e Joannes, avete esempi di aziende o clienti in cui potete mostrare realmente il miglioramento finanziario dopo aver implementato questo approccio?
Sim Taylor: Non ho un esempio specifico dal punto di vista delle previsioni probabilistiche, ma dal punto di vista dei quantili, ho visto successo. Abbiamo implementato questo approccio con le aziende, concentrandoci su metriche aziendali chiave come la disponibilità in magazzino e le settimane di fornitura. Siamo riusciti a ottenere una maggiore disponibilità in magazzino mantenendo gli stessi livelli di inventario o addirittura riducendoli. Questo approccio ha contribuito a creare fiducia e ha dimostrato che l’applicazione intelligente di questi concetti 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 previsione puntuale per la gestione delle scorte, che ha portato a un miglioramento della disponibilità in magazzino senza aumentare l’inventario. Quando ci siamo spostati verso la previsione dei quantili, abbiamo visto una crescita significativa nel raggiungimento di una maggiore disponibilità in magazzino mantenendo gli stessi livelli di inventario o addirittura riducendoli. Questo ha mostrato chiaramente le tendenze e le differenze nei fattori di performance aziendale, costruendo fiducia in questo approccio. Sono un appassionato che vuole fare il prossimo passo e utilizzare l’approccio di previsione probabilistica per migliorare ulteriormente questi risultati.
Conor Doherty: La previsione dei quantili non risolve completamente, beh, grazie, Sim, su questo punto. Passo la parola a te, Joannes, hai qualche aneddoto come Sim?
Joannes Vermorel: Sì, voglio dire, è un dettaglio, ma penso che se confronto ciò che Lokad stava facendo un decennio e mezzo fa quando è iniziato, e ora ciò che sta facendo con approcci abilitati alla previsione probabilistica per la supply chain, la quantità di casi limite è molto interessante. Quando abbiamo iniziato, c’era come ogni volta che cercavamo di affrontare un problema di supply chain, una foresta di casi limite. Con casi limite intendo qualcosa in cui la logica usuale falliva così tanto che era necessario intervenire e correggere manualmente la cosa perché il risultato era insensato. Questo è il motivo per cui i fornitori come Lokad di solito hanno avvisi ed eccezioni per gestire tutte quelle situazioni che sono così palesemente insensate. Puoi anche avere una regola per rilevarla e dire: “Ok, qualcuno deve intervenire perché il sistema sta producendo un output che ha così poco senso”.
E siamo passati da averne un sacco a averne molto pochi. Quindi è interessante perché, per me, questa è stata l’eliminazione dei casi limite, il tipo di cose che richiedono attenzione specifica, regole specifiche. Alla fine, credo che questa eliminazione dimostri che tutto ciò era solo la conseguenza di avere un metodo che, nel suo nucleo, ignorava l’incertezza. Pertanto, ogni volta che c’era incertezza o rischio in gioco, e a proposito, quando abbiamo vincoli, ad esempio con un emoji, e qualunque cosa significhi prendere una decisione consapevole del rischio, predominantemente siamo riusciti a semplificarli.
Anche se è un elemento molto anecdotal, l’eliminazione dei casi limite, ho scoperto che era l’indicatore più affidabile della maturità e della qualità della tua tecnologia. È se puoi operare con una quantità molto limitata di casi limite e situazioni di nicchia che richiedono l’intervento umano e la micromanagement della soluzione software. Al contrario, se devi micromanage la soluzione software che gestisce la tua supply chain, molto probabilmente significa che a livello fondamentale c’è qualcosa che non stai facendo correttamente. Hai una discrepanza di impedenza nel modo in cui affronti il problema e nel modo in cui il tuo software opera, e quindi finisci per avere questa micromanagement come un modo per sistemare la tua supply chain.
Per me, la domanda sarà, possiamo passare dalle previsioni puntuali alle previsioni dei quantili alle previsioni probabilistiche? Quindi la domanda aperta sarà, cosa viene dopo? Sono abbastanza sicuro che ci sarà una prossima fase di tecnologia in questo settore, ma per ora, la battaglia rimane ancora quella di far accettare alle maggior parte delle aziende l’idea di accettare semplicemente l’incertezza.
Sim Taylor: E Joannes, solo per aggiungere, sai, parli della riduzione del lavoro come un grande vantaggio che hai riscontrato. Penso che il rovescio della medaglia sia che, se parliamo di alcuni di quei casi limite di nicchia, che in realtà non sono così rari, spuntano tutto il tempo nella supply chain, come abbiamo detto, è un mondo pieno di vincoli. O richiede più lavoro, o quello che vedo nelle aziende precedenti, molto più spesso, si prende una decisione sbagliata. Forse non è un lavoro extra, ma semplicemente si prende una
Conor Doherty: La semplificazione della presa di decisioni porta spesso a risultati sub-ottimali. L’obiettivo è utilizzare informazioni aggiuntive per prendere una decisione più ottimale che richieda meno sforzo.
Sim Taylor: Esatto. Ad esempio, abbiamo solo bisogno di acquistare 50 carichi di camion da un fornitore, ma il nostro contratto stabilisce che dobbiamo ordinare carichi completi o soddisfare una quantità minima d’ordine. È finanziariamente conveniente ordinare ora e acquistare ulteriori prodotti di cui non abbiamo bisogno, occupando capacità con un eccesso di inventario, oppure non ordiniamo affatto e rischiamo di rimanere senza scorte su determinati prodotti? Idealmente, dovremmo prendere una decisione basata sul ROI su quando dovremmo ordinare, il che renderebbe le decisioni dei casi limite più efficaci.
Conor Doherty: Signori, non ho altre domande. Sim, in quanto cliente, ti do l’ultima parola. C’è qualcosa che vorresti aggiungere o qualche domanda di follow-up che vorresti rivolgere ai direttori della supply chain che non hanno ancora abbracciato le previsioni probabilistiche?
Sim Taylor: Il mio appello alla comunità della supply chain è quello di valutare questi concetti, abbracciarli e fare il salto per testare e iterare per 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 pensare a questo approccio e lo incorporiamo nelle aziende per ottenere successo da esso. Condividendo esempi del valore, aiuterà ad accelerare la conversazione e ci spingerà collettivamente verso uno scenario di ordinazione e rifornimento più ottimale.
Conor Doherty: Grazie per questo, Sim. Non posso prendere tutto il merito. Joannes aiuta molto.
Joannes Vermorel: Grazie, Conor. Lo apprezzo.
Conor Doherty: Su questa nota, signori, concludiamo. Joannes, grazie mille per il tuo tempo. Sim, grazie mille per il tuo. Ci vediamo la prossima volta.
