00:00:00 Gestione degli inventari: Discussione sui livelli di servizio e sulle scorte di sicurezza.
00:00:22 Joannes mette in discussione le percezioni dei livelli di servizio e delle scorte di sicurezza.
00:02:10 Benefici delle decisioni concrete di gestione degli inventari.
00:03:07 Esplorazione delle complessità delle misurazioni dei livelli di servizio.
00:06:10 Joannes sui pro e i contro dell’analisi ABC XYZ.
00:10:31 Approfondimento sulle complessità dell’ottimizzazione degli inventari.
00:11:22 Complessità nella progettazione di un sistema verificabile.
00:12:15 Critica dell’ABC XYZ e delle sue radici psicologiche.
00:13:33 Analisi ABC XYZ, influenza della cognizione umana.
00:16:12 Approfondimento dell’ABC XYZ, valore di classificazione computazionale.
00:21:04 Discussione sulle sfumature della categorizzazione e della calibrazione degli inventari.
00:23:53 Introduzione della prospettiva del cestino, sfide nell’allocazione degli inventari.
00:24:54 Tracciamento della storia dei livelli di servizio nella gestione degli inventari.
00:26:55 Insidie, implicazioni fuorvianti delle metriche dei livelli di servizio.
00:28:51 Smontare il mito dei livelli di servizio e della soddisfazione del cliente.
00:32:34 Analogia dell’acqua per comprendere le supply chain.
00:34:25 Discussione sulla natura dinamica del volume delle vendite dei prodotti.
00:36:00 Qualità del servizio, aspettative dei clienti, disponibilità del prodotto.
00:38:20 Smontare la trappola matematica nell’assortimento dei prodotti.
00:41:16 Mito dei modelli matematici nella gestione degli inventari.
00:42:12 Difetto del modello ABC XYZ: Ignorare il comportamento del cliente.
00:43:41 Deficienze dell’ABC XYZ come meccanismo di prioritizzazione.
00:44:46 Tentativi falliti di correggere l’ABC XYZ.
00:47:35 Presupposti errati della supply chain, passaggio all’automazione.
00:51:01 Fallacia della discussione sulle vendite medie giornaliere.
00:52:49 Critica alla volatilità della categorizzazione dei prodotti.
00:54:07 Contestazione del valore della classificazione matematica.
00:56:11 Approcci deterministici vs probabilistici alla supply chain.
01:03:43 Utilità dell’IA nel colmare le lacune dibattuta.
01:07:56 Mettere in discussione i presupposti tradizionali della supply chain.
01:10:33 Tolleranza per l’ambiguità, coesistenza delle contraddizioni.
01:16:24 Realtà delle moderne e complesse supply chain.
Riassunto
Conor Doherty e Joannes Vermorel indagano sul popolare strumento di analisi delle scorte ABC XYZ Analysis, sostenendo che la sua eccessiva semplificazione porti alla perdita di informazioni. Vermorel mette in discussione le pratiche convenzionali di gestione dei livelli di servizio e delle scorte di sicurezza separatamente. Vermorel sostiene l’uso della tecnologia nel supply chain management, data la complessità di gestire grandi quantità di prodotti. Critica l’analisi ABC XYZ per la mancanza di dinamicità e per non considerare il punto di vista dei clienti. Vermorel predilige un approccio probabilistico alla gestione della supply chain, che può offrire una comprensione più sfumata dei rischi e aiutare nella presa di decisioni sugli inventari.
Riassunto esteso
In questa intervista, Conor Doherty, il conduttore, e Joannes Vermorel, il fondatore di Lokad, analizzano il popolare strumento di analisi delle scorte ABC XYZ Analysis. Questa metodologia categorizza i prodotti, in base al volume e alla varianza, in semplici sottogruppi. Vermorel suggerisce che questa metodologia sia difettosa a causa della sua eccessiva semplificazione delle caratteristiche dei prodotti, con conseguente perdita di informazioni preziose.
L’intervista affronta anche la complessità di stabilire obiettivi appropriati per i livelli di servizio e le scorte di sicurezza. Vermorel sottolinea la complessità intrinseca di questo compito, mettendo in discussione l’idea convenzionale di scomporre il problema in parti apparentemente più semplici come i livelli di servizio e le scorte di sicurezza.
Vermorel mette in discussione l’assunzione implicita che affrontare i livelli di servizio o le scorte di sicurezza separatamente semplifichi il problema. Suggerisce che le sfide che sorgono nel determinare la quantità appropriata da rifornire sono le stesse nel determinare il giusto livello di servizio. Le complessità coinvolte in entrambi i processi sono simili, rendendo uno non più semplice dell’altro.
Spiegando il suo punto di vista, Vermorel distingue tra le decisioni tangibili e dirette sulle quantità di inventario e il concetto astratto di livello di servizio. Sottolinea che le decisioni tangibili sulle quantità di inventario hanno conseguenze chiare e misurabili sulla supply chain, a differenza delle nozioni astratte di livello di servizio. Di conseguenza, sostiene che concentrarsi su azioni tangibili e misurabili anziché su concetti astratti potrebbe semplificare il problema.
Vermorel passa a criticare strumenti come l’analisi ABC XYZ, utilizzati per determinare le politiche di inventario. Descrive questi strumenti come “meccanismi di prioritizzazione dell’attenzione” volti ad aiutare gli esseri umani nelle decisioni di inventario. Sebbene questi strumenti possano essere utili nel prioritizzare quali prodotti richiedono attenzione in base al volume delle vendite, Vermorel suggerisce che non semplifichino fondamentalmente il problema iniziale.
In effetti, Vermorel sostiene che l’attenzione focalizzata nello sviluppo di strumenti per aiutare gli esseri umani a prioritizzare l’attenzione nelle decisioni ha allontanato dal problema iniziale. Questo cambiamento, che paragona al concetto di “Yak shaving” nel software, ha portato a cercare di risolvere un problema molto più complicato: come presentare al meglio le informazioni agli esseri umani per prendere decisioni.
Critica questo approccio, sottolineando che se i computer vengono utilizzati per risolvere il problema in primo luogo, non c’è bisogno di dare priorità all’attenzione degli esseri umani. Il computer dovrebbe essere autorizzato a risolvere il problema nella sua interezza, senza interferenze umane in ogni fase del processo.
Doherty spinge Vermorel sulla sua negazione della varianza della domanda come una “preoccupazione marginale”. Vermorel risponde ribadendo il suo argomento principale: il problema iniziale era prendere la decisione giusta sull’inventario. Tuttavia, se gli esseri umani fanno parte del processo, la loro capacità limitata di elaborare informazioni richiede una prioritizzazione. Strumenti come l’analisi ABC XYZ sono stati creati per facilitare questo processo di prioritizzazione, ma Vermorel suggerisce che ciò ci ha allontanato dalla soluzione del problema originale.
Invece, Vermorel propone che a ogni prodotto venga assegnato un rango in base al suo volume di vendite. Il sistema di classificazione, suggerisce, offre un modo più informativo di classificare i prodotti in quanto conserva più dati. Questo sistema si allinea alle capacità computazionali dei computer moderni, consentendo un’analisi più precisa rispetto alla mente umana.
Vermorel critica ulteriormente l’idea che la mente umana sia il principale decision-maker nella gestione della supply chain. Dato il grande numero di prodotti con cui un’azienda si occupa quotidianamente, suggerisce che ci sia un limite significativo alla capacità della mente umana di gestire gli inventari in modo efficace. Implicitamente, suggerisce che affidarsi alla tecnologia per gestire queste complessità sarebbe più efficace.
Discute la pratica di dividere i prodotti in categorie in base ai volumi di vendita, mettendo in discussione questo metodo poiché porta a una perdita di informazioni. Confronta questo metodo con l’approssimazione di un cerchio con un poligono: più spigoli si aggiungono, più si avvicina a un cerchio, ma non sarà mai una rappresentazione perfetta. Per Vermorel, la classificazione dei prodotti in poche categorie è un’approssimazione grezza della curva liscia e continua che rappresenta il rango di ciascun prodotto in base al volume delle vendite.
Passando all’argomento delle SKU (Stock Keeping Units), Vermorel si oppone al trattamento delle SKU in modo isolato, suggerendo che questo semplifichi il problema ma non lo risolva in modo efficace. Critica il metodo del livello di servizio, che coinvolge i livelli di servizio, poiché si basa su ipotesi sulla domanda futura e sul tempo di consegna, ma questi non sono normalmente distribuiti come suggerisce il metodo. Suggerisce che questo metodo può portare a situazioni problematiche, come tempi di consegna e vendite negativi.
Vermorel sostiene che il concetto di livello di servizio sia fondamentalmente errato. Sottolinea che potrebbe sembrare intuitivo che un livello di servizio più elevato indichi una maggiore soddisfazione del cliente. Tuttavia, il modello matematico alla base dei calcoli delle scorte di sicurezza non fornisce alcuna indicazione sulla soddisfazione del cliente.
Sottolinea l’importanza di trattare la gestione della supply chain come un problema multidimensionale, data la diversità e la quantità di prodotti con cui la maggior parte delle aziende si occupa. Vermorel suggerisce che per le supply chain con un vasto numero di SKU dovrebbe essere adottato un approccio diverso, poiché le proprietà complesse ed emergenti di un tale sistema differiscono fondamentalmente da quelle di un sistema più semplice e monoprodotto.
Vermorel discute quindi le complessità dell’ottimizzazione della supply chain. Proprio come la comprensione di una singola molecola non fornisce una conoscenza completa dell’acqua in tutte le sue forme, la comprensione di un singolo prodotto non significa comprendere l’intera supply chain. Ci sono immensa diversità e complessità nelle supply chain, con molti elementi non concepibili da una prospettiva di singolo prodotto.
Vermorel critica un approccio comune alla gestione della supply chain: l’analisi ABC XYZ. Osserva che i volumi di vendita non sono statici, ma dinamici, fluttuando ampiamente nel tempo. Anche un singolo prodotto può rientrare in diverse categorie nel corso del suo ciclo di vita, rendendo insufficiente il modello ABC XYZ, che percepisce il volume di vendite come statico.
Questa mancanza di dinamismo è problematica poiché le aspettative dei clienti sono in continuo cambiamento e le supply chain devono adattarsi di conseguenza. Se ci si aspetta che una panetteria abbia pane disponibile ogni giorno, qualsiasi mancanza di stock viola il “contratto sociale”, danneggiando la percezione del cliente sulla qualità del servizio. Questa percezione non è determinata dalla supply chain ma piuttosto dai clienti stessi.
Interessantemente, Vermorel menziona come il livello di servizio di un singolo prodotto non si traduca in un’esperienza soddisfacente per il cliente quando sono coinvolti più prodotti. Ad esempio, in un supermercato con un livello di servizio del 95% per ogni prodotto, un cliente che desidera 20 prodotti potrebbe non trovare tutto, riducendo il livello di servizio percepito a meno del 10%. Questa discrepanza illustra la significativa differenza tra i modelli matematici e le percezioni dei clienti.
Vermorel sottolinea che l’analisi ABC XYZ, nonostante il suo nome rassicurante (che implica sicurezza e controllo), manca di diversi fattori importanti. Non considera la varianza nel tempo, trascura la prospettiva del cliente e non riconosce l’importanza delle combinazioni di prodotti nel carrello della spesa del cliente.
L’ospite, Conor Doherty, aggiunge che se un cliente entra in un negozio con l’intenzione di acquistare un articolo specifico e non lo trova, potrebbe andarsene senza acquistare nulla, causando una perdita di vendite potenziali.
Vermorel critica l’analisi ABC XYZ come meccanismo di prioritizzazione dell’attenzione, affermando che non evidenzia gli elementi veramente rilevanti nella gestione della supply chain. Ammette che l’approccio Demand Driven Material Requirements Planning (DDMRP), che prioritizza i prodotti in base alla divergenza dai buffer target, è più ragionevole per la prioritizzazione dell’attenzione.
Vermorel sostiene che l’analisi ABC XYZ non è un approccio utile per conciliare le complessità delle supply chain. Afferma che si basa su una serie di premesse errate e che i tentativi di correggerla non farebbero altro che accumulare “nastro adesivo” su un metodo che si muove nella direzione sbagliata. Invece, sostiene un approccio che apprezzi le complessità e il dinamismo delle supply chain e l’importanza della prospettiva del cliente.
Vermorel approfondisce quindi il ruolo della tecnologia nella gestione della supply chain, sottolineando che solo di recente le macchine sono diventate sufficientemente capaci da automatizzare le decisioni sulla supply chain. Questa evoluzione, osserva, è relativamente lenta rispetto ai progressi tecnologici dell’era moderna. Illustra questo punto con un’analogia storica: la transizione dalle aziende che generano la propria elettricità all’acquisto dalla rete ha richiesto circa 40 anni, nonostante i benefici apparenti di quest’ultima.
La conversazione si concentra sugli approcci ABC e ABC XYZ ai modelli di domanda, entrambi dei quali Vermorel ritiene carenti. Critica la loro natura statica e astratta, sostenendo che non riescono a rappresentare accuratamente i fenomeni del mondo reale. Ad esempio, illustra che le categorie di prodotti possono essere instabili nel tempo e la loro classificazione può passare da una categoria all’altra nell’analisi ABC, senza risultati sostanziali per le aziende.
Continuando su questo tema, Vermorel critica la matrice ABC XYZ come una mera illusione di pattern, dando alle aziende una falsa sensazione di accuratezza scientifica quando la realtà è molto più caotica e sfumata. Sostiene che queste classificazioni possono essere arbitrarie, portando a una semplificazione eccessiva di uno spettro complesso e continuo di categorie di prodotti.
La discussione si sposta poi su un approccio probabilistico alla gestione della supply chain. Vermorel sottolinea il valore delle previsioni probabilistiche come strumento per catturare e elaborare una quantità significativa di informazioni, utili per valutare l’incertezza. Questo metodo, suggerisce, è particolarmente vantaggioso perché consente una comprensione più sfumata dei rischi, consentendo alle aziende di prendere decisioni più informate sulle quantità di inventario.
Vermorel approfondisce quindi il ruolo della tecnologia nella gestione della supply chain, sottolineando che solo di recente le macchine sono diventate sufficientemente capaci da automatizzare le decisioni sulla supply chain. Questa evoluzione, osserva, è relativamente lenta rispetto ai progressi tecnologici dell’era moderna. Illustra questo punto con un’analogia storica: la transizione dalle aziende che generano la propria elettricità all’acquisto dalla rete ha richiesto circa 40 anni, nonostante i benefici apparenti.
La conversazione si concentra sugli approcci ABC e ABC XYZ ai modelli di domanda, entrambi dei quali Vermorel ritiene carenti. Critica la loro natura statica e astratta, sostenendo che non riescono a rappresentare accuratamente i fenomeni del mondo reale. Ad esempio, illustra che le categorie di prodotti possono essere instabili nel tempo e la loro classificazione può passare da una categoria all’altra nell’analisi ABC, senza risultati sostanziali per le aziende.
Continuando su questo tema, Vermorel critica la matrice ABC XYZ come una mera illusione di pattern, dando alle aziende una falsa sensazione di accuratezza scientifica quando la realtà è molto più caotica e sfumata. Sostiene che queste classificazioni possono essere arbitrarie, portando a una semplificazione eccessiva di uno spettro complesso e continuo di categorie di prodotti.
La discussione si concentra quindi su un approccio probabilistico alla gestione della supply chain. Vermorel sottolinea il valore delle previsioni probabilistiche come strumento per catturare e elaborare una quantità significativa di informazioni, utili per valutare l’incertezza. Questo metodo, suggerisce, è particolarmente vantaggioso perché consente una comprensione più sfumata dei rischi, consentendo alle aziende di prendere decisioni più informate sulle quantità di inventario.
Vermorel evidenzia due vantaggi delle previsioni probabilistiche: forniscono informazioni più dettagliate sul sistema e consentono di collegare la visione finanziaria con l’anticipazione futura. A differenza delle previsioni puntuali, le previsioni probabilistiche si prestano a numerosi metodi che possono esprimere la qualità delle decisioni in termini di euro o dollari.
Vermorel sostiene che l’approccio di previsione ABC XYZ rappresenta un vicolo cieco a causa della sua incapacità di collegare i risultati metrici con i risultati finanziari in modo sensato. Critica i tentativi di colmare questa lacuna utilizzando l’intelligenza artificiale o il machine learning, che paragona all’attacco di un motore a reazione a una macchina lenta. Tali soluzioni, suggerisce, sono inutilmente complicate e trascurano problemi fondamentali che potrebbero essere affrontati in modo più semplice ed efficace.
Il fondatore di Lokad sottolinea anche l’importanza dell’ingegneria della qualità nella gestione della supply chain. Mette in guardia contro la complessità eccessiva dei sistemi di supply chain e incoraggia a concentrarsi sulla soluzione dei problemi di base. Ad esempio, cita lo scenario ipotetico di un supermercato che non ha in stock una marca popolare di pannolini, facendo allontanare i clienti, come un problema che non sarà risolto da metodi di previsione eccessivamente complicati.
Vermorel consiglia a coloro che sono incerti sulle previsioni probabilistiche di mettere in discussione le loro ipotesi e di interrogare il ragionamento sottostante del metodo ABC XYZ. Sostiene che, sebbene il metodo faccia ciò che è inteso a fare (cioè creare una matrice di prodotti aggregati in cluster lungo due dimensioni), la logica e la visione sottostanti del metodo sono difettose e probabilmente obsolete.
Doherty suggerisce che due cose apparentemente contraddittorie possano essere vere contemporaneamente: un metodo obsoleto può funzionare per un certo periodo di tempo pur non essendo la soluzione migliore. Vermorel approfondisce questo punto, implicando che le aziende spesso confondono “funzionare in generale” con “funzionare in modo ottimale”. Fornisce un’analogia di trasportare acqua in secchi: anche se funziona tecnicamente, esistono alternative migliori.
Sia Doherty che Vermorel concordano sull’importanza di riconoscere l’ambiguità intrinseca nella gestione della supply chain e sulla necessità di flessibilità. L’intervista si conclude con l’ammonimento di Vermorel di rivalutare e mettere in discussione continuamente le pratiche consolidate della supply chain.
Trascrizione completa
Conor Doherty: Bentornati a LokadTV. Stabilire obiettivi di livello di servizio e stock di sicurezza appropriati è complicato, con una serie di opzioni sul mercato e fornitori che cercano di vendervi risposte. Uno strumento del genere è l’analisi ABC XYZ, e qui per aiutarmi ad analizzarla è il fondatore di Lokad, Joannes Vermorel. Iniziamo proprio dall’inizio - livello di servizio, stock di sicurezza, tutte queste politiche di inventario. Perché sono così difficili da impostare?
Joannes Vermorel: Ci sono molte opzioni che cercano di rispondere a queste domande. Quello che percepiamo come sottoproblemi non sono realmente sottoproblemi. Ad esempio, parliamo dei livelli di servizio. C’è un’assunzione implicita che scegliere i livelli di servizio sia in qualche modo più semplice, come una parte più piccola del problema generale. Se riesci a gestire quello, allora gestirai anche altre cose. L’assunzione implicita è che abbiamo scomposto il problema. La sfida è scegliere la giusta quantità per l’inventario da produrre, tenere in magazzino o allocare. Quando dici “livello di servizio” o “stock di sicurezza”, stai implicitamente scomponendo il problema. Metto in discussione l’idea che questa scomposizione renda il problema più semplice rispetto a quello originale. Quando affronti il problema del livello di servizio, ti trovi di fronte a una sfida altrettanto difficile e variabile rispetto al punto di partenza. Pertanto, non sorprende se impostare un livello di servizio non è più facile che determinare direttamente la quantità effettiva da riordinare.
Conor Doherty: Quindi, se potessi riformulare il problema con le tue parole, come lo vedresti?
Joannes Vermorel: In un contesto di ottimizzazione dell’inventario, stiamo cercando di prendere una decisione. La decisione è tangibile. Riguarda quante unità allocare, produrre o acquistare. Questa decisione avrà conseguenze molto tangibili sulla tua supply chain. Al contrario, ad esempio, decidere di avere un livello di servizio del 97% in questo negozio. Questo è un concetto astratto. Non esiste un livello di servizio del 97%. È potenzialmente un artefatto utile, ma non è qualcosa che ha un corrispettivo tangibile nella tua supply chain. Quando dico che è un concetto astratto, intendo che il livello di servizio comporta un sacco di problemi aperti che non hai quando affronti una decisione. Se decido di allocare 10 unità a un negozio, non c’è ambiguità. Posso misurare dopo un po’ che ho deciso di allocare 10, e 10 unità sono state effettivamente spostate. Tuttavia, non è così nel caso di un livello di servizio. Se si presentano più clienti di quanto mi aspettassi, in realtà non otterrò un livello di servizio del 97%. Ecco perché lo considero un artefatto piuttosto che qualcosa di tangibile che riflette la realtà di base della tua supply chain.
Conor Doherty: E quanto di ciò che hai appena descritto viene effettivamente catturato utilizzando uno strumento come l’analisi ABC XYZ, o il suo predecessore, ABC?
Joannes Vermorel: I professionisti della supply chain vogliono arrivare a una decisione. Se guardi solo i numeri e stimi ciò di cui hai bisogno, è un modo molto semplice per farlo. Molti negozi ancora funzionano in questo modo. È tutto un’ipotesi, e funziona. Tuttavia, questo metodo sembra rudimentale, quindi le persone cercano di perfezionarlo. Poi si imbattono in un problema: hanno molti prodotti e si rendono conto che la persona che guarda l’elenco dei prodotti non rivedrà il caso per ogni singolo prodotto ogni giorno. Pertanto, abbiamo bisogno di un meccanismo di prioritizzazione dell’attenzione. Un modo è ordinare i prodotti dal volume di vendite più alto al più basso. Puoi iniziare dall’alto e lavorare verso il basso, decidendo di rivedere i primi 10 al giorno, metà dell’elenco settimanalmente e l’intero elenco solo una volta al mese. Questo è una cosa che potresti fare, ed è praticamente l’essenza dell’ABC. Ma la cosa interessante dell’ABC XYZ è che è fondamentalmente una variazione di questo. È un meccanismo di prioritizzazione dell’attenzione destinato agli esseri umani.
Ora, a questo punto, penso che dovremmo mettere in discussione quale problema stiamo cercando di risolvere. Abbiamo iniziato con il problema di voler scegliere la giusta quantità di inventario da allocare, produrre o acquistare. Questo è qualcosa di molto tangibile e diretto. Tuttavia, sembra che siamo passati da questo problema a un altro problema, che era un po’ scegliere il livello di servizio, scegliere anche le scorte di sicurezza.
Poi siamo entrati in un altro problema che è la prioritizzazione dell’attenzione. Il pattern che sto iniziando a vedere è qualcosa che, nel software, è noto come “Yak shaving”. Quindi stavi cercando di fare qualcosa di molto semplice come “Voglio aggiornare Windows 10 a Windows 11”. Ma poi finisci per fare qualcosa che sembra non correlato come aprire i computer, cambiare dadi e bulloni all’interno dei computer. Avevi un obiettivo molto semplice in mente, ma sei stato deviato nel fare qualcosa solo tangenzialmente collegato all’attività originale.
Ecco esattamente quello che stiamo facendo qui con il nostro problema di ottimizzazione dell’inventario. Abbiamo iniziato con un problema che era “Scegliamo la giusta quantità da allocare, produrre o acquistare”. E ora stiamo cercando di risolvere un problema molto più complicato: “Come dovrei organizzare effettivamente le informazioni da presentare a questa persona?”
Tuttavia, questo è un problema molto complicato. E non è assolutamente chiaro che risolvere questo problema sia il modo migliore per rispondere alla nostra domanda originale. Ad esempio, diciamo che abbiamo due numeri e vogliamo sommarli. Dovrei davvero pensare a progettare un sistema che possa presentare i passaggi intermedi a un essere umano per verificare che l’addizione sia corretta? Questo è molto più complicato che progettare un circuito per fare l’addizione.
La mia critica qui a questo approccio ABC XYZ è che siamo partiti da un problema che sembrava molto complicato. In realtà è abbastanza complicato. Abbiamo cercato di scomporre questo problema, ma siamo stati deviati. Ora stiamo cercando di capire un altro problema che è quasi come la psicologia empirica: come organizzare la giusta prioritizzazione dell’attenzione per gli esseri umani. Ma se stai usando un computer per risolvere questo problema in primo luogo, perché hai bisogno di dare priorità all’attenzione dell’essere umano? Fai semplicemente risolvere il problema al computer.
Conor Doherty: Se posso spingerti un po’ su questo, perché ho seguito, ma come sostituto del pubblico, ho capito che l’analisi ABC si basa generalmente sul volume di vendite o sul fatturato delle vendite. Scomponiamo i nostri SKU in tre categorie: A, B, C. XYZ è una seconda dimensione, generalmente la varianza della domanda. E se ho capito correttamente, hai essenzialmente respinto la quantificazione della varianza della domanda come una preoccupazione tangenziale. Potresti spiegare perché?
Joannes Vermorel: Abbiamo iniziato con un problema che era: vogliamo prendere la decisione giusta sull’inventario espressa come quantità. Ci siamo resi conto che se coinvolgiamo un essere umano nel processo, l’essere umano ha una capacità limitata di elaborare le informazioni. Quindi, dobbiamo dare priorità a ciò. Se facciamo semplicemente una prioritizzazione di base dal volume di vendite più alto al volume di vendite più basso, otteniamo ABC.
Una volta che abbiamo questo, dobbiamo supportare ulteriormente questo operatore umano aiutandolo a capire qual è la scorta di sicurezza e il livello di servizio appropriato per ciascuna di queste linee. Ma questo è solo scomporre il problema in un modo adatto alla mente umana per elaborarlo.
L’XYZ serve ad aggiungere un’altra dimensione che riguarda il grado di rumore o variazione tra questo elenco. Quindi prendiamo il primo, diciamo, dieci percento, dei venditori più alti dei nostri prodotti, e poi vogliamo suddividere questo elenco in segmenti che rappresentano il grado di rumore ambientale per ogni prodotto. Quindi invece di avere solo un elenco di segmenti, hai una matrice. Questo è ABC XYZ per te.
Ma questo è fondamentalmente qualcosa che è molto ingegnerizzato come un metodo per la mente umana. La domanda che dovresti farti è: se voglio che una macchina gestisca l’intero processo, c’è qualche vantaggio in questa segmentazione? Mi aiuta a risolvere il problema?
Per niente. I critici presumibilmente farebbero notare che creando, in generale, una matrice di nove categorie, puoi identificare la varianza e gli SKU che contribuiscono di più. Quindi puoi impostare livelli appropriati come quanto stock di sicurezza voglio per quello? Qual è il livello per ogni SKU? C’è una variazione tra AX e CZ, ad esempio. Supponiamo per un attimo che queste due dimensioni siano informative. Beh, dal punto di vista del computer, perché considerare segmenti discreti? Perché avere mezza dozzina di sottogruppi per il volume e un’altra mezza dozzina per la varianza? Potresti semplicemente usare i ranghi in modo da poter classificare i prodotti dal volume di vendite più alto al volume di vendite più basso. Puoi avere un numero che ti dà il rango esatto tra il tuo portafoglio per il volume. Poi puoi fare lo stesso per la varianza.
I ranghi ti danno informazioni strettamente superiori. Se guardi le tue classi nel senso di ABC o XYZ, la classe è solo un’approssimazione del rango. Questa approssimazione serve solo a un scopo: essere più comprensibile per la mente umana. Ma dal punto di vista del computer, mantieni solo il rango. Il rango ti fornisce informazioni strettamente superiori. La classe è una rappresentazione con perdita di informazioni; perdi molte informazioni. Non viene fuori nulla di buono da questa perdita di informazioni.
Se diciamo che queste due dimensioni sono rilevanti, non sto dicendo che siano irrilevanti. Sto solo dicendo che per quanto riguarda la decomposizione dimensionale del tuo problema, queste dimensioni sono arbitrarie. Non è molto chiaro che sia il modo migliore per affrontarlo. Se guardi solo queste due dimensioni e mantieni i ranghi, avrai qualcosa che, come indicatori, creerà una coppia di ranghi per ogni singolo prodotto. Questa coppia di ranghi è strettamente più informativa della tua coppia di classi.
Non è solo un metodo che riguarda il volume e la varianza di interesse; è molto ingegnerizzato fin dall’inizio per avere la mente umana come processore di queste informazioni. E qui è dove metto in discussione: perché vorresti questo in primo luogo? Abbiamo computer super potenti. Credi che ci sia qualcosa che richiede l’anima umana per prendere quelle decisioni sull’inventario?
Se guardiamo un negozio che ha 10.000 prodotti, tutte queste cose ruotano ogni giorno. Credi che ci sia qualcosa per la persona che spenderà, in media, circa quattro secondi per prodotto? Ci sarà qualcosa come una scintilla di genialità iniettata in tutto ciò?
Non sto mettendo in discussione che la mente umana possa fare cose incredibili quando le vengono dati tempo e risorse. Se prendi un Albert Einstein e gli dai mesi o anni, può fare cose incredibili, molto al di là di quello che possiamo fare con le macchine. Ma questo non è il contesto in cui operiamo nella supply chain. Le persone sono sotto una pressione immensa per semplicemente fare le cose.
E quindi, se guardiamo a quanti secondi di potenza cerebrale sarai in grado di allocare per SKU, di solito è molto poco. Per la maggior parte delle industrie, sarà una questione di secondi per SKU al giorno. Abbiamo discusso delle categorie, ma non abbiamo discusso come le categorie sono calibrate. Questo è il risultato di molte menti umane, per quanto ne capisco.
Ma se vedi che puoi avere i ranghi e ora puoi decidere con i percentile che avrai una divisione, puoi dire che la categoria A è fino al percentile 10. È la top 10 o il percentile A è il top due percento perché quando tracci tutti i prodotti dal più venduto al meno venduto, quello che ottieni è quasi invariabilmente una curva di Zipf, come ho accennato in una delle mie lezioni. Questa curva è continua, senza plateau o divisioni discrete, è completamente liscia.
È simile all’approssimazione di un cerchio nei vecchi videogiochi in cui dovevi approssimare il cerchio con un poligono. Se facevi un ottagono, otenevi un cerchio a bassa risoluzione. Aggiungendo più spigoli, ti avvicini visivamente a un cerchio. Se hai migliaia di spigoli, ottieni qualcosa che assomiglia molto a un cerchio.
Ma quello che vedo qui è come se stessi cercando di approssimare un cerchio con un quadrato. Se hai quattro classi, stai approssimando il tuo segmento con un quadrato. Se ne hai cinque, avrai un pentagono e così via. Più classi aggiungi, migliore sarà la tua approssimazione. Ma se rimuovi completamente l’approssimazione, ti rimane il rango di ogni singolo prodotto.
Quindi, direi, non introdurre gruppi, mantieni i ranghi. Se assumi che il volume e la varianza siano dimensioni utili, cosa che metto in discussione, allora quei ranghi ti danno una versione più informativa di queste due dimensioni. Qualsiasi meccanismo di raggruppamento che introduci degraderà queste informazioni.
Conor Doherty: Questo passa molto agevolmente alla prospettiva del carrello, che è qualcosa che mi interessa molto, per risolvere questo problema. Tratta gli SKU in combinazione anziché in isolamento. Come si inserisce tutto ciò in questa conversazione?
Joannes Vermorel: Abbiamo iniziato con un problema semplice, almeno semplice nella sua espressione: scegliere la giusta quantità di inventario da allocare, produrre, acquistare o salvare. Siamo stati distratti da un metodo ampiamente utilizzato che coinvolge il livello di servizio e le scorte di sicurezza, ma metto davvero in discussione la validità di questi metodi.
La prospettiva del livello di servizio deriva da assunzioni storicamente semplicistiche sulla domanda futura, in cui prevediamo un errore distribuito normalmente sulla domanda, lo stesso per il tempo di consegna. Tuttavia, l’incertezza non è distribuita normalmente, ma questa è un’altra questione.
Una volta che abbiamo la nostra distribuzione normale, che è una gaussiana, scegliamo un parametro, il quantile che dà lo stesso effetto del livello di servizio. Questo mi darà una quantità obiettivo che dovrei mantenere per il mio inventario. Questa scorta di sicurezza è il risultato della differenza tra la media e il quantile quando si guarda a una distribuzione unidimensionale.
Ma a causa del fatto che è una distribuzione normale, va all’infinito in entrambe le direzioni. Il modello classico delle scorte di sicurezza ti dà alcuni risultati strani, come tempi di consegna negativi e vendite negative, che sono molto strani ma fanno parte del modello.
Ciò significa che puoi scegliere un valore di livello di servizio che può darti qualsiasi valore di stock obiettivo tra più infinito e meno infinito, a seconda di come scegli il tuo livello di servizio. Questo non è teorico, è letteralmente ciò che la matematica ti dice. Quindi, ogni volta che hai una gaussiana, scegli il tuo quantile e questo può andare a qualsiasi valore finale, tra meno infinito e più infinito.
Conor Doherty: Puoi spiegare il concetto di livello di servizio nella gestione della supply chain?
Joannes Vermorel: Quando si considerano i livelli di servizio, è fondamentale capire che l’intervallo può estendersi da meno infinito a più infinito. In effetti, il tuo livello di servizio è identico alla quantità che decidi di rifornire. Per qualsiasi quantità che decidi di rifornire, esiste un livello di servizio corrispondente inteso come una distribuzione normale. Non è solo un’analogia; è una equivalenza matematica. Per ogni quantità di cui sei a conoscenza, se hai un modello di scorta di sicurezza, ci sarà un livello di servizio corrispondente in questo contesto di distribuzione normale.
Ora, le persone potrebbero essere sotto l’illusione che perché il livello di servizio è espresso come percentuale, sia più semplice o più facile. Questo è un’illusione. L’unica cosa leggermente positiva è che aiuta a normalizzare la scala perché tutti i tuoi prodotti hanno volumi e vitalità variabili. Esprimere la quantità da allocare, acquistare o produrre come obiettivo di livello di servizio la rende indipendente dal volume e indipendente dal bias. Tuttavia, questo è un argomento debole.
Il termine “livello di servizio” può essere fuorviante perché le persone potrebbero pensare che un livello di servizio molto elevato sia sempre percepito positivamente dai clienti. Questo è un fraintendimento. La matematica del modello di scorta di sicurezza non dice nulla sulla soddisfazione del cliente. Le persone tendono a pensare che se mirano a un livello di servizio elevato, deve essere buono per i clienti. Ma questo è un non sequitur completo.
Conor Doherty: Puoi approfondire ulteriormente perché questa percezione del livello di servizio potrebbe essere un problema?
Joannes Vermorel: Il problema nasce dalla nozione ingenua di equiparare la qualità del servizio a un problema unidimensionale. Questo potrebbe essere stato vero nel XVIII secolo per una panetteria che vendeva un solo prodotto, come il pane. Questa prospettiva unidimensionale esiste ancora in alcuni mercati di commodity.
Ma la maggior parte delle moderne supply chain si occupa di migliaia, se non decine di migliaia di prodotti. Quando moltiplichiamo il numero di SKU per il numero di sedi, possiamo facilmente arrivare a decine di migliaia, centinaia di migliaia o addirittura milioni di SKU per le grandi aziende. Questo significativo numero di SKU mette alla prova l’analisi unidimensionale.
Una differenza di magnitudine può diventare una differenza di tipo. Le proprietà emergenti che si ottengono quando si hanno tonnellate di prodotti sono molto diverse da quelle che si avevano quando si aveva un solo prodotto.
Conor Doherty: Quando parli di proprietà emergenti, potresti fornire qualche approfondimento? Sembra un dettaglio importante.
Joannes Vermorel: Sì, certo. Un esempio di proprietà emergente è come una molecola di acqua si comporta in modo diverso a seconda del suo stato - che sia un gas, un liquido o un solido. Se volessi spiegare tutti i comportamenti che puoi osservare con l’acqua, ci vorrebbero settimane o mesi. Non è semplice come prendere una molecola e spiegarla in 30 minuti, cosa che potrebbe essere possibile con gli studenti delle scuole superiori. Lo stesso principio si applica quando si tratta di una moltitudine di SKU in una supply chain, anziché solo uno. Richiede un’analisi più complessa.
C’è un pericolo nel pensare che una volta che si capisce tutto su una molecola di acqua, si sappia tutto sull’acqua stessa. Non è del tutto corretto. Allo stesso modo, quando dici: “Ho un modello che spiega un prodotto e ora posso spiegare la mia supply chain che è fatta di molti prodotti”, ti consiglierei cautela. Ci sono molte cose impensabili nella tua configurazione di un solo prodotto. Questo è solo un esempio semplificato che non riflette le vere complessità della tua supply chain.
Anche se consideriamo solo un prodotto, ci sono variazioni nel tempo. Ad esempio, se consideriamo solo un prodotto in isolamento, il suo ranking fluttuerebbe ampiamente nel tempo. La maggior parte dei prodotti ha un ciclo di vita in cui iniziano lentamente, si sviluppano, si stabilizzano e poi declinano in qualche momento. Quindi, questo modello unidimensionale, che considera il volume delle vendite come se fosse statico, è errato. È dinamico, ed è un’altra dimensione spesso trascurata.
Parte della qualità del servizio è questo comportamento dinamico dipendente dal tempo. Se prendiamo ad esempio una panetteria, i clienti si aspettano di trovare il pane ogni giorno. Qualsiasi mancanza di scorte è una violazione di questo contratto sociale.
Al contrario, se sei una panetteria non affidabile che ha il pane solo un giorno su due, ma il tuo pane è molto più economico della concorrenza, i clienti potrebbero comunque essere contenti di te. Hanno un’aspettativa integrata del tuo servizio.
La qualità del servizio non è qualcosa che è nella tua supply chain - è fondamentalmente nella mente dei tuoi clienti. Non tutti saranno d’accordo su questo, quindi è incoerente. Se iniziamo ad aggregare queste aspettative, può essere fuorviante.
Quando aggiungiamo più prodotti al mix, entra in gioco un’altra dimensione. Se i clienti vogliono più prodotti, dobbiamo valutare se possono trovare una combinazione che abbia senso per loro. Un errore comune è supporre che se tutti i miei prodotti hanno un livello di servizio del 100%, allora tutte le combinazioni di prodotti avranno anche un livello di servizio del 100%. Questo è vero solo se non ti rimani mai senza scorte, cosa che è quasi impossibile.
Quando inizi a esaminare la probabilità di disponibilità o indisponibilità di combinazioni di prodotti, ottieni una prospettiva molto diversa da quella che può darti un semplice modello di scorta di sicurezza/livello di servizio.
Solo per illustrare questo, prendiamo ad esempio un supermercato che ha un livello di servizio del 95% per tutti i suoi prodotti, il che è abbastanza buono. In Europa, c’è una media del 7% di mancanza di scorte sugli scaffali, quindi un livello di servizio del 95% è abbastanza buono. Se hai un cliente che vuole 20 prodotti, che non è nemmeno un grande carrello di solito, la probabilità che almeno uno di quei prodotti manchi è probabilmente alta. Dovrei fare i calcoli, ma assumendo la disponibilità indipendente, probabilmente hai meno del 10% di probabilità di trovare tutto.
Quindi partiamo da ciò che sembra molto buono da un punto di vista della scorta di sicurezza e della domanda, dando l’impressione di un livello di servizio superiore al 95%. Ma dal punto di vista del cliente, probabilmente meno del 10% dei clienti che entrano nel negozio troveranno esattamente ciò che stavano cercando. Queste due cose possono essere vere allo stesso tempo. Puoi avere un livello di servizio superiore al 95% e tuttavia avere meno del 10% dei tuoi clienti che escono dal negozio soddisfatti.
Cosa succede ai prodotti che i tuoi clienti si aspettano che non facciano parte del tuo assortimento? Il livello di servizio è cieco in questo senso. Se c’è un prodotto molto richiesto, ma tu non lo hai, non verrà considerato come una mancanza di scorte o un livello di servizio del 0% - semplicemente non viene contato affatto.
Ad esempio, se vado all’estremo e immagino un negozio pieno di prodotti che nessuno vuole, questo negozio ha, per definizione, un livello di servizio del 100%. Nessuno vuole questi prodotti, ma sono in esposizione, quindi hai un livello di servizio perfetto. Più prodotti hai che nessuno vuole, migliore è il tuo livello di servizio. Questo è un problema completamente meccanico, un problema con questi modelli matematici.
Dobbiamo essere molto cauti, soprattutto quando questi modelli hanno nomi che suonano positivi come ‘Safety Stock’. C’è una transizione non sequitur in cui le persone assumono che perché è un modello matematico che ha un buon nome, deve essere buono per i clienti, ma questo è un salto ingiustificato.
Conor Doherty: Per riassumere ciò che hai detto, è fondamentale capire la nostra critica di ABC XYZ da una prospettiva del carrello. I clienti tendono a non comprare in modo isolato. Non avere accesso a un certo SKU può far sì che lascino il negozio senza acquistare nulla, nemmeno gli altri articoli di alta qualità. Questo significa che il negozio perde tutte le vendite potenziali, non solo l’SKU individuale.
Joannes Vermorel: Sì, e se torniamo all’intento originale, ABC XYZ dovrebbe essere un meccanismo di decisione prioritario per l’attenzione umana. Ma è un buon meccanismo per prioritizzare l’attenzione? Direi assolutamente no. Come meccanismo di prioritizzazione, è scadente: non evidenzia nulla di veramente rilevante.
E sebbene non sia un grande fan di DDMRP, ammetto che come meccanismo di prioritizzazione dell’attenzione, il modo in cui DDMRP definisce i buffer e prioritizza i prodotti rispetto alla divergenza dai buffer di destinazione ha più senso rispetto ad ABC XYZ. Almeno è abbastanza decente in questo senso. ABC XYZ no.
Conor Doherty: C’è un modo per conciliare ABC XYZ come strumento di prioritizzazione dell’attenzione con queste preoccupazioni che abbiamo appena descritto, in particolare la prospettiva del carrello?
Joannes Vermorel: No, non c’è. Si parte da una serie di premesse sbagliate. Prima di tutto, si dice di voler avere un umano nel processo decisionale, cosa che metto in discussione. Poi si commette un secondo errore con un modello mono-prodotto, mono-SKU con un’assunzione di distribuzione normale incorporata. Questo è molto sbagliato. Porta a risultati catastrofici. Poi, se si fa un’altra assunzione errata di avere una discretizzazione dello spazio, non aggiunge alcuna informazione, anzi perde informazioni. Siamo stati deviati con tensioni che diventano sempre peggiori.
Ora ci rendiamo conto che abbiamo accumulato molti difetti. Stiamo cercando di riparare con quello che potrebbe essere paragonato al nastro adesivo, riaggiungendo variabili che ci danno ABC XYZ. Potremmo cercare altre soluzioni per correggere il metodo, ma in realtà stiamo andando nella direzione sbagliata. Ogni passo aggiuntivo che fai aggiunge solo più nastro adesivo. Non è una buona ingegneria.
Il processo che stai creando semplicemente non è molto buono. Aggiungere più patch non lo renderà migliore. L’unica soluzione è tornare indietro e rivedere le premesse che sono state fatte. Sono davvero valide? Se no, dovresti riconsiderare completamente l’approccio che stai adottando.
Se torniamo al nostro punto di partenza, abbiamo iniziato con un problema tangibile: prendere decisioni per l’inventario. Ma lungo il nostro percorso nell’affrontare il problema, abbiamo fatto molte supposizioni e ora stiamo affrontando le conseguenze di quegli errori. Una volta che hai commesso molti errori, non puoi semplicemente fare una seconda prova per risolvere il tuo problema.
Questo è simile a quando chiedi a un matematico se una seconda prova può correggere una sbagliata. La risposta è no. Non puoi risolvere il tuo problema con una seconda prova. L’unico modo è scartare la tua prova errata, rifare il lavoro e poi puoi avere un percorso corretto. È lo stesso con il software. Se hai supposizioni errate, non puoi correggerle dopo. Devi tornare al punto in cui hai commesso un errore, correggerlo e poi continuare il tuo percorso.
Molte aziende hanno costruito intere pratiche su supposizioni errate. A causa del fatto che le catene di approvvigionamento sono molto opache e complesse, le persone possono operare per decenni senza rendersi conto di nulla di meglio.
Sono passati solo 20 anni da quando abbiamo avuto macchine informatiche sufficientemente capaci da automatizzare a basso costo le decisioni sulla catena di approvvigionamento. I computer moderni, sufficientemente capaci da gestire la complessità di una catena di approvvigionamento moderna, non sono esistiti per sempre. Sono stati presenti per un periodo relativamente lungo, ma non per secoli. Per molte grandi aziende che gestiscono catene di approvvigionamento, questa automazione è diventata una possibilità solo 20 anni fa.
Per darti un punto di confronto, ci sono voluti circa 40 anni negli Stati Uniti e in Europa per passare dalle aziende che producevano la propria elettricità all’acquisto di elettricità dalla rete. L’adozione di una tecnologia può essere un processo lento. Alla fine del XIX secolo e all’inizio del XX, sia in Europa che negli Stati Uniti, ci sono voluti circa 40 anni per passare dalla generazione di elettricità internamente all’acquisto dalla rete.
Quindi, in termini di scala temporale, lo sviluppo di macchine capaci di eseguire tutti questi calcoli senza coinvolgimento umano ad ogni passo del processo è ancora relativamente recente.
Conor Doherty: Torniamo un po’ indietro. Hai parlato dell’approccio statico di ABC e, per estensione, di ABC XYZ. Puoi approfondire un po’ entrambi gli approcci, o eventuali approcci alternativi, ai modelli di domanda?
Joannes Vermorel: Bene, stiamo classificando i nostri prodotti secondo due dimensioni: la media, o il volume delle vendite, e la varianza. Ma queste sono ancora astrazioni. Non sono reali. Non esiste un volume di vendite istantaneo. Questo non esiste. Questa è la differenza tra decisioni tangibili, come spostare 10 unità, e dire: “Questi prodotti, in media, vendono 0,5 unità al giorno”. Questo non esiste. L’unica cosa che puoi dire è che nelle ultime due settimane hai venduto circa sette unità, che si avvicina a 0,5 unità al giorno.
Conor Doherty: Come valuti questo volume in termini di gestione della catena di approvvigionamento?
Joannes Vermorel: Questo volume e varianza sono indicatori statistici. La domanda è quanto stabili siano nel tempo. Abbiamo effettuato numerosi test presso Lokad e abbiamo visto che per la maggior parte delle aziende, anche quando consideriamo solo l’analisi ABC, una parte significativa dei prodotti cambierà categoria da un trimestre all’altro. Se passiamo a qualcosa di più preciso, come al mese, il numero di prodotti che cambierebbero categoria aumenterebbe significativamente.
Conor Doherty: Quindi ci sono problemi con questo metodo di classificazione?
Joannes Vermorel: Sì, il problema della classificazione, specialmente quando ci addentriamo nell’analisi ABC o XYZ, è che moltiplichiamo il numero di cambi di categoria dei prodotti. Se raddoppi il numero di categorie, vedrai tra l'80 e il 90 percento dei prodotti saltare di categoria da un trimestre all’altro. Questo non fornisce informazioni utili sulla tua attività; è solo rumore.
Questi indicatori erano una sorta di spazzatura perché creavano un’illusione di pattern. Potrebbe sembrare scientifico, ma in realtà è solo la vendita di un’illusione. Organizzare i prodotti su una matrice può sembrare matematico, ma sono solo classificazioni arbitrarie determinate da un comitato.
Ad esempio, quando classifichi le persone come ricche, medie, classe media e povere, stai affrontando uno spettro continuo. I tuoi limiti sono completamente arbitrari. Lo stesso problema si presenta quando classifichi i tuoi prodotti.
Conor Doherty: Quindi, qual è la tua prospettiva su un approccio probabilistico?
Joannes Vermorel: L’approccio probabilistico è difficile da confrontare perché è un cambiamento di paradigma completo. La prima differenza principale riguarda se abbiamo bisogno o meno di persone coinvolte. La catena di approvvigionamento quantitativa dice di no. Vogliamo avere il meglio che l’hardware e il software di calcolo moderni possono offrire per la catena di approvvigionamento. Che coinvolga o meno persone è relativamente accidentale.
Quindi, che la catena di approvvigionamento coinvolga o meno persone è in qualche modo incidentale. Le previsioni probabilistiche sono molto interessanti in questo senso perché forniscono una quantità enorme di informazioni. Siamo passati dalle classi, che perdono molte informazioni, ai ranghi, che danno una misurazione specifica. Ma le previsioni probabilistiche offrono un diverso tipo di precisione. Invece di un indicatore singolo, abbracciamo l’incertezza, rappresentando l’incertezza ambientale che abbiamo sul sistema. Perché è importante? I computer non hanno i limiti della mente umana e possono elaborare enormi quantità di informazioni. Questo metodo aiuta a raccogliere molte più informazioni sul tuo sistema, sulla tua catena di approvvigionamento, sui tuoi prodotti e altro ancora, rispetto agli indicatori puntuali.
Sì, è un modo per guardarlo da una prospettiva informativa, ciò che hai raccolto in termini di informazioni puramente sulla tua situazione. Un altro punto di vista per guardare alle previsioni probabilistiche è da una prospettiva di gestione del rischio. Alla fine dobbiamo collegare la nostra decisione a una sorta di analisi del rischio. Stiamo facendo tutta questa ottimizzazione dell’inventario per decidere le quantità di inventario che vogliamo allocare, produrre e acquistare. La logica dietro queste decisioni dovrebbe essere espressa in termini di errori e ricompense in euro o dollari.
Ricorda, la missione di un’azienda è essere redditizia. Sì, ci sono molte altre cose per cui un’azienda dovrebbe lottare, ma senza profitto, l’azienda cesserà di esistere. Per le aziende che gestiscono catene di approvvigionamento, i margini sono ridotti e la sopravvivenza non è garantita. Molte grandi aziende falliscono ogni anno. Pertanto, dobbiamo valutare le decisioni in termini di euro e dollari.
Quindi, le previsioni probabilistiche forniscono più informazioni sul sistema, ma aprono anche la strada a meccanismi che ti consentono di collegare la tua visione finanziaria con la tua anticipazione del futuro. Consentono un insieme più ricco di informazioni e forniscono metodi adatti a esprimere la qualità delle tue decisioni in euro e dollari.
D’altra parte, metodi come ABC XYZ sono in qualche modo un vicolo cieco. Non forniscono un modo efficace per colmare il divario tra queste metriche e l’obiettivo finanziario desiderato. Puoi sempre creare soluzioni complesse, ma questi metodi sarebbero meglio sostituiti da qualcosa che bypassa completamente la matrice ABC XYZ.
Conor Doherty: Alcune persone sostengono che potresti sfruttare l’IA o il machine learning per colmare il divario che hai appena descritto. Suggeriscono che l’IA potrebbe applicare in modo efficace un “grande pezzo di nastro adesivo” alle metriche ABC XYZ per ottenere ciò che stai dicendo.
Joannes Vermorel: Stai implicando che abbiamo un metodo che genera una matrice inadatta allo scopo, con un input di scarsa qualità. Cerchiamo quindi di collegare questo con il nostro vero obiettivo. Tuttavia, il segnale di input è così difettoso che avremmo bisogno di una soluzione alternativa incredibilmente sofisticata per colmare questo divario. Questo non è efficiente né efficace. Spesso, le persone si riferiscono a questo come un approccio “nastro adesivo su steroidi” in cui l’obiettivo è collegare qualcosa di subottimale a un output e colmare questo divario utilizzando analisi avanzate. È simile a dire: “La mia macchina è troppo lenta, ingegnerizziamo un motore per aerei sopra la mia macchina perché la mia macchina è troppo lenta”. Anche se potrebbe rendere la tua macchina più veloce, non è la soluzione giusta. È un’ingegneria troppo complicata.
Se la tua macchina non è abbastanza veloce, forse dovresti considerare se il motore che ha è abbastanza potente o forse c’è troppo peso nella macchina a causa delle cose che hai messo. La soluzione non dovrebbe sempre essere aggiuntiva. Ad esempio, fissare un motore per aerei sopra una macchina per renderla più veloce non è un’ingegneria sensata.
Gli esseri umani hanno enormi difficoltà a collegare il valore di queste metriche ai costi associati. Ciò porta spesso all’invocazione di superpoteri analitici come l’IA o il machine learning. Questi sono spesso visti come magia, come se invocassimo un semidio dell’analisi dei dati per fare qualcosa di quasi magico per noi.
Sebbene ci siano casi in cui questi metodi avanzati possono funzionare, io sostengo che sia una complessità non necessaria. È come creare un marchingegno troppo complicato per il proprio bene. L’ingegneria di qualità consiste nel creare cose semplici e manutenibili, non complicate quanto possibile.
Se introduci una complessità eccessiva, potresti passare più tempo a debuggare un algoritmo di machine learning super avanzato che a concentrarti su problemi di base. Ad esempio, il tuo supermercato potrebbe non vendere il marchio di pannolini che i genitori desiderano. I nuovi genitori potrebbero allontanarsi dal tuo negozio perché non vedono il marchio che si aspettano, e la tua analisi del livello di servizio o il sistema di intelligenza artificiale non te lo diranno.
Conor Doherty: Per concludere, cosa diresti alle persone che sono ancora sostenitori di ABC XYZ ma sono aperte a essere spinte verso il passo successivo?
Joannes Vermorel: Consiglierei loro di rivedere le loro supposizioni e mettere in discussione le loro visioni che stanno alla base dei loro requisiti. Non lasciarti ingannare dall’argomento della tradizione. Solo perché qualcosa è stato fatto per decenni non significa che sia ancora rilevante. Due secoli fa, il lavoro numero uno a Parigi era portare l’acqua in secchi. Ovviamente, oggi non è più così.
Quando qualcosa è stato fatto per sempre, probabilmente aveva un certo valore in determinate condizioni. Non dovrebbe essere scartato senza una considerazione attenta. Ma le supposizioni alla base del metodo devono essere rivisitate. Quando parlo con persone che promuovono ABC XYZ, li incoraggio a mettere in discussione le supposizioni alla base del metodo. Non sto dicendo che il metodo sia sbagliato, ma piuttosto che il ragionamento e la visione che sottendono il metodo potrebbero essere difettosi o obsoleti. Su questo dovresti concentrarti.
Conor Doherty: Beh, se posso aggiungere un piccolo pensiero alla fine, direi personalmente che in termini di tolleranza all’ambiguità, due cose apparentemente contraddittorie possono essere vere contemporaneamente. Ad esempio, forse hai usato ABC o ABC XYZ per decenni e ti ha funzionato. Questo può essere vero, ma questo non dice nulla sulla dichiarazione che ci sono metodi migliori. In realtà, non parla affatto della correttezza del metodo. Quindi, due cose possono essere vere contemporaneamente e per alcune persone questo può essere difficile da comprendere.
Joannes Vermorel: Capisco. È una confusione di fattori e questo è ovunque. Perché la realtà è che quando dici che ABC o ABC XYZ ti ha funzionato, metto in discussione questo. ABC XYZ non ti fornisce le quantità finali di riordino. Il problema è che ci sono altri passaggi successivi per arrivare a quelle quantità e potrebbero esserci tonnellate di giudizi umani coinvolti. Abbiamo iniziato con l’idea di avere solo il responsabile del negozio che guarda un singolo foglio di calcolo, il mio volume di vendite e cosa scelgo per i miei prodotti. Poi inseriamo nel mezzo di questa matrice. Ma se il tuo processo consiste nel creare una matrice fantasiosa, fingere di essere uno scienziato, sembrare intelligente davanti ai tuoi colleghi, quindi scartare la matrice e tornare ai vecchi metodi, potresti finire per dire che ti è andato molto bene.
Potrebbe dare al tuo collega una giustificazione, potrebbe darti una sorta di illusione, una delusione tua su se questa parte del tuo lavoro stesse effettivamente contribuendo a qualcosa. Alla fine, stavamo facendo qualcosa di completamente diverso per arrivare all’unica decisione che conta, che è la decisione finale di inventario. Dato che le catene di approvvigionamento sono molto complesse e opache, puoi fare molte cose tra queste che non servono a nulla e che apparentemente servono a un grande scopo.
Se guardi intorno nel mondo, ci sono molte tribù primitive che hanno rituali per invocare la pioggia. Non penso che ci siano molte persone al giorno d’oggi che direbbero che ballare per la pioggia influenzerà il tempo e migliorerà il rendimento dei tuoi raccolti. Ma le persone direbbero: “Abbiamo ballato per il tempo per migliaia di anni, e poi c’è stata la pioggia, e poi abbiamo avuto un buon raccolto”.
Sì, è vero, ma forse c’erano passaggi in ciò che stavate facendo che erano completamente inutili. Alla fine, è questo che devi valutare veramente. Questo passaggio contribuisce davvero tanto quanto pensi alla qualità dell’output finale, che è una decisione tangibile, non gli artefatti che crei lungo il percorso? Ci sono metodi alternativi che sarebbero migliori? Perché alla fine, se hai qualcosa che funziona per te nel senso che funziona del tutto, siamo tornati a trasportare l’acqua in secchi. Certamente funziona, ma ci sono alternative che sono enormemente migliori.
Conor Doherty: Beh, è esattamente quello a cui stavo arrivando. Le due cose possono essere vere contemporaneamente. Puoi trasportare l’acqua in un secchio, ma allo stesso tempo puoi anche trasferirla in una barca o in qualsiasi cosa significativamente più grande, è quello che sto dicendo. Ma ancora una volta, due cose possono essere vere contemporaneamente e riconoscere che spesso c’è ambiguità tra i concetti o la sfumatura di cui parli spesso può essere difficile per le persone.
Joannes Vermorel: Sì, ed è esattamente quello che devi cambiare. Quando le persone dicono: “Mi ha funzionato”, su queste pratiche che vedo nella supply chain, devi davvero mettere in discussione cosa intendono per “mi ha funzionato”. Cosa significa? Non è una falsa affermazione di per sé, ma se tutto ciò che hai da dire è “era più o meno giusto”, non è sufficiente.
In una supply chain moderna e distribuita, in cui la percezione umana è molto limitata, si potrebbe dire che la validità di questa affermazione “mi ha funzionato” non è assolutamente la stessa se si sta gestendo un piccolo sistema da un lato, o una supply chain super complessa che non si può osservare nella sua interezza. Di nuovo, se c’è un responsabile di un negozio che gestisce uno scaffale e dice: “Sai cosa, sembra buono per me. Guardo questo scaffale e dico che è esattamente ciò che vogliono i miei clienti”, mi fiderò del tuo giudizio. Questo perché è qualcosa che hai di fronte a te, hai un senso del sistema. Puoi metterti nei panni dei tuoi clienti. Usi la tua empatia, guardi quello. Hai tutte le informazioni rilevanti proprio di fronte a te. Puoi fare un giudizio di valore e questo giudizio è molto probabilmente ragionevole, assumendo che la persona sia in buona fede e così via. Ora, è questa la situazione che affronti nelle supply chain?
Direi che di solito per niente. La situazione tipica nella supply chain è che sei un impiegato in un ufficio a mille chilometri dal luogo in cui le merci devono essere spedite e consumate. Non stai guardando lo scaffale, stai guardando un foglio di calcolo Excel. Hai decine di prodotti di cui hai solo visto i codici. La maggior parte delle volte, non hai mai visto i prodotti dal vivo. E anche se ne hai visti alcuni, sicuramente non li hai visti tutti. Stai servendo clienti che non hai mai visto e i dati ti vengono presentati da un sistema super complesso che a malapena capisci, come il tuo ERP e così via. La tua razionalità è che stai cercando di usare la tua razionalità umana per far fronte a qualcosa che è solo una piccolissima parte del quadro generale.
Metto molto in discussione quanto puoi dire che ha funzionato. Potrei usare il mio giudizio per dirti che ha funzionato. Sai, se è qualcosa di molto localizzato, in cui vedi l’intera situazione, direi: “Sì, forse non puoi spiegarmi perché funziona, ma mi fido del tuo giudizio”. Se stai guardando qualcosa che non rappresenta nemmeno l’uno percento del totale e mi dici che ha funzionato, io dico di no. Non lo vedi, è solo che fa ciò che sei abituato a vedere in questo uno percento. È quando dici che ha funzionato. Stai solo dicendo che ciò che hai davanti agli occhi non si discosta rispetto a ciò a cui sei abituato a vedere per questo uno percento del puzzle che stai guardando.
Conor Doherty: Joannes, penso che oggi abbiamo coperto una quantità enorme di argomenti e non ho altre domande. Grazie mille per il tuo tempo e grazie mille per averci seguito. Ci vediamo la prossima volta.
