00:00:00 Introduzione a Lokad e alla sua missione
00:00:59 Ruoli e obiettivi nel miglioramento della supply chain
00:02:59 Processo decisionale e automazione
00:05:42 Impatto delle decisioni della supply chain sul ciclo di vita del prodotto
00:08:10 Ruolo di un supply chain scientist
00:10:56 Costo dell’esaurimento delle scorte
00:13:30 Tradurre la comprensione aziendale in equazioni
00:15:50 Analogia della pit crew per l’ottimizzazione della supply chain
Sommario
In un’intervista, Conor Doherty di Lokad dialoga con Simon Schalit, COO, riguardo al ruolo cruciale di un Supply Chain Scientist in Lokad. Schalit spiega che questi scienziati non sono solo esperti di dati, ma anche specialisti in supply chain management, responsabili dell’ottimizzazione e dell’automazione delle decisioni relative all’inventario e ai prezzi. Essi costruiscono algoritmi per garantire un acquisto e una spedizione efficienti, mirando al massimo ritorno sull’investimento. A differenza dei tipici data scientist, i supply chain scientist si immergono nella comprensione dei processi aziendali e delle strategie, traducendoli in algoritmi di ottimizzazione. Questo ruolo implica l’analisi dei dati, l’interazione con il cliente e la sensibilità commerciale, risultando essenziale per guidare efficienza e redditività nelle imprese.
Trascrizione Completa
Conor Doherty: Benvenuti a Lokad. Quando le persone mi chiedono cosa faccia Lokad, rispondo in modo molto semplice: vi aiutiamo a prendere decisioni finanziarie migliori. Questo, ovviamente, porta alle seguenti domande: da dove provengono le decisioni e come vengono generate? L’ospite di oggi, Simon Schalit, è COO e responsabile della supply chain science in Lokad, e si è seduto e mi ha spiegato il ruolo critico che il supply chain scientist svolge nel generare le decisioni che i nostri clienti usano per ottimizzare le loro supply chains. Come sempre, se vi piace ciò che sentite, iscrivetevi al canale YouTube, mettete “mi piace” a questo video e seguiteci su LinkedIn. Ed ecco a voi la conversazione di oggi con Simon Schalit.
Simon Schalit: Sono il COO di Lokad, il che, in pratica, significa che guido il team di supply chain scientist. I supply chain scientist sono quelli responsabili di implementare e mantenere in produzione le nostre soluzioni per i clienti. Qualunque sia il settore o l’industria in cui operano, sono sia esperti di dati che specialisti in supply chain. Quindi, è un team di ingegneri che migliorano la vostra supply chain.
Conor Doherty: Bene, Simon, grazie. Quando dici “migliorare la vostra supply chain”, uno dei motivi per cui ti ho invitato è che sei molto bravo a spiegare in termini concreti. Quindi, quando affermi che i supply chain scientist migliorano la supply chain del cliente, in termini concreti, cosa significa? Cosa stiamo migliorando esattamente?
Simon Schalit: Beh, l’obiettivo delle decisioni nelle supply chains è garantire che tutto, sia l’inventario che i prezzi, sia impostato nel modo più ottimizzato possibile. Quindi, se si parla di acquistare articoli per una supply chain, per esempio, si desidera che gli articoli che si acquisteranno vengano acquistati nel posto giusto, al momento giusto, inviati al posto giusto, al momento giusto, per essere disponibili per il servizio nella forma necessaria, a seconda del settore.
Quindi, quando parliamo di migliorare le supply chains, parliamo di prendere decisioni migliori. Di solito, ciò comporta sia l’ottimizzazione di tali decisioni da una prospettiva finanziaria, sia l’automazione del processo decisionale, poiché il numero di decisioni che le supply chains delle grandi aziende devono prendere quotidianamente va ben oltre ciò che gli umani possono gestire. Anche se lo fossero, in pratica, non possono garantire che siano in alcun modo ottimizzate.
Conor Doherty: Per esempio, se si parla, diciamo, di un’azienda retail, potrebbero avere 15.000 prodotti nel catalogo e 200 negozi. Quotidianamente, il supply chain scientist di quell’account è responsabile di indicare ai clienti cosa?
Simon Schalit: Il supply chain scientist è colui che costruirà la logica per automatizzare quelle decisioni. Nel caso che hai appena presentato, quotidianamente l’azienda deve decidere quanti pezzi di ciascun prodotto acquistare e dove inviarli. In sostanza, si tratta di acquisti e spedizioni se prendiamo questo semplice esempio. In questo caso, il supply chain scientist elaborerà i dati, ovviamente non da solo, ma con gli algoritmi e gli strumenti, il computer che ha a disposizione.
Costruiranno la logica finanziaria che prenderà la decisione, assicurandosi che ogni volta che si acquista un’unità aggiuntiva da mettere in stock, il che in effetti significa scommettere, questa scommessa venga ottimizzata in modo che il ritorno sull’investimento sia il migliore possibile, considerando la quantità di informazioni disponibili. E, ultimo ma non meno importante, si assicurerà che la soluzione automatizzi questo processo decisionale, in modo che tali decisioni possano essere generate in modo coerente e stabile quotidianamente per l’azienda.
L’elemento importante è che il numero di decisioni è gigantesco e non dovrebbe limitarsi solo a ciò che si acquista. Include anche ciò che non si acquista. La decisione di non acquistare, in sé, è una decisione. Quindi, l’entità delle decisioni, il numero di decisioni che devono essere prese quotidianamente, può essere davvero enorme.
Conor Doherty: Grazie, ed è qualcosa che ricordo Joannes Vermorel, CEO, abbia descritto in precedenza. Anche dopo aver preso una decisione, per esempio, rendendola banalmente semplice: ho acquistato un’unità, la decisione non finisce lì perché, una volta in possesso dell’unità, si può scegliere di continuare a conservarla, allocarla, restituirla, liquidarla, scontarla o aggregarla con qualcos’altro. Tutto ciò rappresenta decisioni finanziarie, scelte riguardanti le risorse.
Simon Schalit: Assolutamente. Le decisioni della supply chain influenzeranno la vita del prodotto per tutto il suo ciclo di vita, dall’approvvigionamento da un determinato fornitore o dalla sua produzione fino alla distribuzione effettiva al cliente, se si tratta di un articolo destinato alla vendita, oppure al consumo o all’utilizzo se si parla di un’industria della manutenzione o della produzione.
Durante questo ciclo di vita, ci saranno numerose decisioni. Abbiamo parlato di approvvigionamento, acquisti, spedizioni, dell’utilizzo o meno del prodotto, allocazioni. Ci saranno decisioni sui prezzi, che non sono necessariamente considerate decisioni di supply chain in generale, ma dal nostro punto di vista rappresentano una decisione che influenzerà il ciclo delle scorte. Questo è sicuramente qualcosa che si vuole prendere in considerazione e ottimizzare nel contesto della supply chain.
Tutte quelle decisioni devono essere prese quotidianamente, in un numero elevato. Non si desidera che vengano prese in modo indipendente l’una dall’altra, perché avranno un impatto enorme l’una sull’altra. L’esempio più ovvio è che non si può spedire qualcosa che non si possiede, o non si può modificare il prezzo di qualcosa che non si ha.
Ma un legame più sottile può essere che, più acquisti, più aggressivo sei in termini di livello di servizio che desideri raggiungere effettuando grandi ordini, e maggiore è la probabilità che tu debba modificare i prezzi, potenzialmente alla fine della stagione, se parliamo dell’industria della moda, per liberarti delle scorte presenti e assicurarti assolutamente che non vi sia alcuna mancanza. Ma ovviamente, la conseguenza è che non eri assolutamente sicuro di vendere almeno al prezzo base.
Conor Doherty: Grazie. Prima di addentrarci nell’argomento principale di oggi, puoi, con le tue parole, distinguere per me la differenza tra un data scientist e un supply chain scientist? Perché, in contesti in cui presento Lokad a fiere o conferenze, a volte, quando descrivo un supply chain scientist, dicono: “Oh, è come un data scientist.” A tuo parere, come si differenziano i ruoli?
Simon Schalit: Beh, un supply chain scientist è, ovviamente, in parte un data scientist. Il termine data scientist solitamente si riferisce a uno specialista dei dati che utilizza la statistica per estrarre informazioni rilevanti dai dati. Il problema che tipicamente si presenta avendo un team di data scientist puri è che tendono a lavorare solo con i dati disponibili. Molto spesso, questo crea una sorta di effetto torre d’avorio, dove la realtà accessibile ai data scientist è solo quella rappresentata nei dati.
Nella nostra esperienza, se ti concentri solo sui dati disponibili e tali dati così come sono all’inizio del progetto, perderai una gran parte del quadro. Probabilmente ti sfuggirà gran parte della realtà dei processi quotidiani che di solito non sono documentati come dovrebbero essere. Perderai, molto probabilmente, parte del significato dei dati a cui hai accesso, perché i dati stessi non sono documentati come dovrebbero essere e probabilmente non da una prospettiva corretta. Possono essere documentati da una prospettiva IT, ma non necessariamente da quella aziendale.
E, ultimo ma non meno importante, ciò che ti sfugge è tutta la conoscenza che risiede nella mente delle persone. Sfortunatamente, questo è molto importante perché di solito è lì che risiede la strategia dell’azienda. Come abbiamo appena detto, abbiamo affermato che quando vogliamo ottimizzare, vogliamo farlo da una prospettiva finanziaria. L’ottimizzazione da una prospettiva finanziaria si basa pesantemente sulla comprensione della strategia aziendale.
Cercando di dire, “Voglio raggiungere un certo livello di servizio”, non esiste un livello di servizio ottimizzato. Non c’è un livello di servizio al quale potrei dire, “Oh, questa azienda deve avere un livello di servizio del 98%.” Ciò non esiste. La scelta di questo livello di servizio target deve basarsi su ciò che l’azienda ritiene che questo livello di servizio valga in termini finanziari.
Per questa specifica questione, che affrontiamo quotidianamente con i nostri clienti, l’elemento chiave diventa: qual è il costo dell’esaurimento delle scorte? Se parli, per esempio, di un’azienda aeronautica MRO che ripara aerei, il costo dell’esaurimento delle scorte è gigantesco perché può letteralmente significare avere un aereo bloccato a terra, il che costa centinaia di migliaia di dollari al giorno.
Conor Doherty: E il supply chain scientist indaga su tutto ciò e lo trasmette al cliente?
Simon Schalit: Sì, è assolutamente necessario indagare su questo, perché è l’elemento che garantirà che il sistema, l’algoritmo, penalizzi il potenziale esaurimento delle scorte nel modo corretto e con la giusta magnitudine, in modo da prendere decisioni, le scommesse sul fatto se si desidera avere una specifica unità in stock o meno, nel modo corretto. Per l’attività MRO, il livello di servizio che si vuole raggiungere è estremamente alto, perché nel caso improbabile in cui non si abbia il pezzo necessario, il costo sarà gigantesco.
D’altra parte, ci sono attività in cui l’esaurimento delle scorte è molto meno problematico perché i clienti potrebbero aspettarsi che tu sia out of stock, ad esempio, alla fine della giornata per i prodotti di frutta fresca.
Conor Doherty: Per esempio, i prodotti di frutta fresca possono essere sostituiti con qualcos’altro che hai in esposizione.
Simon Schalit: Esattamente, possono esserci sostituti, equivalenti, oppure il fatto che non sia sempre un problema essere fuori stock. Non perderai necessariamente i clienti immediatamente per essere out of stock. Le esternalità non sono così enormi.
Quindi, il problema principale con un team tradizionale di data scientist è che potrebbero non essere consapevoli di questo tipo di aspetto. Per garantire che il nostro team a Lokad, il team dei Supply Chain Scientists, non cada in questa trappola, li abbiamo volutamente chiamati Supply Chain Scientists. Questo assicura pienamente che tutti, incluso loro stessi, comprendano che parte del loro lavoro, e in effetti una parte molto significativa, è quella di comprendere i processi, l’azienda, la strategia finanziaria, e tradurre tutto questo in equazioni.
Stavo per dire parole, perché bisogna documentarle, ma in definitiva, equazioni nel manuale di procedura congiunta. Sicuramente, è necessario documentare ciò per il nostro bene, per quello di Lokad, ma anche per il bene del cliente. Quindi, documenti tutto ciò e, alla fine, lo traduci in termini matematici affinché entri direttamente nelle equazioni che verranno utilizzate dai computer per l’ottimizzazione.
Conor Doherty: Grazie. Se dovessi riassumere, il ruolo del Supply Chain Scientist è multifacetico. Non si tratta solo di elaborare numeri, elaborare dati, usare computer. Come hai detto, c’è un elemento interattivo faccia a faccia in cui il cliente e i Supply Chain Scientists sono in contatto regolare per discutere delle complessità, strategie, obiettivi, desideri e vincoli.
Raccolgono tutte queste informazioni, che potrebbero o meno essere riflesse nei dati, in modo tale da trasformarle nel prodotto finale, che, in termini molto semplici, se ho capito bene, sono decisioni finanziarie migliori.
Simon Schalit: Sì, esattamente. A mio parere, è ciò che rende interessante il ruolo del Supply Chain Scientist, perché comporta questo aspetto dei dati multifacetico, insieme agli aspetti umani e aziendali, nonché, ovviamente, agli aspetti statistici del problema.
Conor Doherty: Questo è uno dei motivi per cui sono felice di averti con noi, perché è proprio così che vedo anche Lokad. È come se usassimo l’analogia delle scommesse. Per me, quando la gente mi chiede in un evento supply chain cosa faccia Lokad, parlo di decisioni. Come lo fanno? Non parlo di matematica, computer, internet e algoritmi. Parlo del Supply Chain Scientist che è l’esperto. È come se stessi comprando un’auto e avessi a disposizione un meccanico di livello mondiale che ti aiuterà. L’auto rappresenta le decisioni o l’algoritmo che le genera, e il Supply Chain Scientist è il tuo meccanico personale in grado di risolvere i problemi se qualcosa va storto.
Simon Schalit: Mi piace questa immagine. Andrei persino oltre. Direi che è l’intera squadra dei box se parlassimo in termini di Formula 1. Possono essere più persone, ma va ben oltre il semplice riparare la tua auto. Quando si parla di un meccanico, la gente pensa che si tratti di qualcosa in più.
Arriva al punto in cui sceglieranno il tipo di auto di cui hai bisogno, il tipo di motore che ti occorrerà, come questo motore debba essere messo a punto, quali freni ti serviranno e il tipo di pneumatici necessari per l’ambiente in cui ti troverai.
Quindi, se vuoi riassumere, il Supply Chain Scientist è l’intera squadra dei box. Penso che si possa vederlo in questo modo, e in questo modo capirai quanto questa squadra sia importante per poter affrontare qualunque ambiente tu debba fronteggiare al volante della tua auto.
