Previsione oltre la domanda

Trascrizione completa

Conor Doherty: Questo è Supply Chain Breakdown, e oggi esamineremo perché dovresti prevedere più della sola domanda. Mi chiamo Conor; sono il Direttore della Comunicazione qui a Lokad. E alla mia sinistra in studio, come sempre, il fondatore di Lokad, Joannes Vermorel.

Prima di iniziare, due domande. Prima, da dove ci stai guardando? Siamo a Parigi. E seconda—la domanda chiave che inquadra l’intera discussione—sei d’accordo sul fatto che sia importante prevedere regolarmente più della sola domanda? Una domanda chiave che influenzerà l’intera discussione. A questo punto, unisciti a noi. So che il tempo è prezioso oggi, quindi entriamo subito nel vivo della questione.

Questa conversazione è stata ispirata da una delle lezioni che ho rivisto—la previsione dei tempi di consegna, lezione 5.3. In essa hai sostenuto, e cito, “Tutto ciò che non è noto con un grado ragionevole di certezza merita una previsione.” Ora, ti conosco un po’ meglio degli altri; so che non consideri certo nulla se non la morte e, in Francia, le tasse senza dubbio. Quindi, per dare il via: quali sono gli sconosciuti noti—le cose che sappiamo di non sapere—nella supply chain?

Joannes Vermorel: Se osservi la letteratura sulla supply chain, si parla esclusivamente di previsioni di vendita. Voglio dire, in termini letterali è una carta su mille quando si tratta di prevedere la domanda—il che significa la previsione delle serie temporali per le vendite in pratica—rispetto alla previsione di qualsiasi altra cosa.

Al tempo in cui esaminavo la letteratura, il rapporto che ho riscontrato era: per mille articoli che discutono la previsione delle vendite, ce n’era uno che parlava della previsione dei tempi di consegna. Ovviamente, il tempo di consegna è molto importante. È sempre, direi, un conosciuto sconosciuto, perché se vuoi garantire la qualità del servizio devi dire, “Servirò questa quantità di clienti per quanto tempo?” Perché, ovviamente, a seconda dei tuoi tempi di consegna, se ci vogliono sei mesi perché la merce arrivi, devi coprire sei mesi di domanda. Se il fornitore può consegnare in 48 ore, il periodo è molto più breve.

La realtà è che in quasi tutti i settori i fornitori non sono perfettamente affidabili. E questo è solo il primo punto—il tempo di consegna è molto evidente. Poi ci sono i prezzi. Hai i prezzi dei tuoi fornitori; questi possono aumentare o diminuire i loro prezzi a seconda delle fluttuazioni del mercato. Hai anche i prezzi dei tuoi concorrenti che possono costringerti: un concorrente può abbassare il proprio prezzo, obbligandoti a fare lo stesso, oppure—al contrario, se sei fortunato—quando un concorrente fallisce puoi improvvisamente alzare i tuoi prezzi perché c’è una fonte di stress in meno sul mercato.

Queste cose accadono continuamente, e quello che sto dicendo è che se non prendi in considerazione anche queste fonti di incertezza, che hanno conseguenze rilevanti, allora le decisioni nella supply chain—l’allocazione di risorse scarse—saranno molto distaccate dalla realtà. È come una cattiva gestione del rischio. Se decretassi che una certa tipologia di rischio non esiste mentre in realtà esiste, allora qualsiasi calcolo effettuato sarà errato, e ciò significherà costi generali più elevati rispetto a quanto dovrebbe essere.

Conor Doherty: Grazie, e voglio ancora una volta inquadrare molto attentamente la discussione. Hai sottolineato che mentre preparavi la tua lezione, hai esaminato il panorama accademico e hai trovato un’enorme disparità tra ciò che veniva scritto sulla domanda e, ad esempio, sui tempi di consegna. Va bene, quello è il mondo accademico; in termini di pianificazione operativa nella supply chain, la situazione è addirittura peggiore. Quanto è comune che le persone prevedano i tempi di consegna, i prezzi, i resi, i tassi di scarto—in realtà, non in ambito accademico?

Joannes Vermorel: In realtà, anche meno dello 0,1%. Scegli qualsiasi ERP di fascia media e troverai un modulo per la previsione della domanda—anche se si tratta di uno elementare. Per quanto ne so, praticamente nessuno di essi dispone di alcuna possibilità di previsione dei tempi di consegna. Analisi della volatilità dei prezzi—ancora, per quanto ne so—nessuna.

Se ti avvicini al panorama applicativo, il fatto che queste capacità siano completamente assenti riflette letteralmente il fatto che anche nei documenti accademici sono praticamente assenti. Nel software aziendale, la maggior parte dei fornitori sta letteralmente copiando ciò che si trova nei manuali accademici. Non sono necessariamente dei super inventivi in ambito tecnologico; tendono semplicemente a implementare la ricetta numerica presente nei grandi manuali.

Conor Doherty: Non li abbiamo qui—mi sono dimenticato di portarli, mea culpa—ma abbiamo effettivamente esaminato alcuni dei manuali nel tuo ufficio ieri, e ancora, effettuando una rapida scansione dell’indice per cercare dove viene menzionata la previsione dei tempi di consegna, potevi trovare solo un paragrafo.

Joannes Vermorel: Non menzionano nemmeno la previsione dei tempi di consegna. Al massimo, i professionisti della supply chain riconoscono al meglio che i tempi di consegna variano. La cosa più che ho trovato nella letteratura—parlo di manuali pratici, non di un qualsiasi documento casuale su arXiv—è l’assunzione che i tempi di consegna siano distribuiti normalmente, il che è molto strano e bizzarro, perché significa che stai attribuendo una probabilità diversa da zero al fatto che un ordine emesso oggi arrivi ieri. Hai probabilità positive da meno infinito a più infinito.

Ad essere onesti, è una visione molto strana dei tempi di consegna, ma questo rappresenta lo stato dell’arte di quanto possiamo trovare in letteratura. Ancora una volta, nel panorama applicativo all’interno delle aziende, questa cosa è completamente assente. Di solito si ha solo un valore hard-coded per il tempo di consegna, e se sei fortunato viene rivisto una volta all’anno; se non lo sei, non viene mai rivisto.

Conor Doherty: Di nuovo, in teoria—diciamo, per polemica—che nelle maggior parte delle aziende la pianificazione si basa esclusivamente sulla previsione della domanda. Qual è il problema di ciò? Se devi focalizzarti su una fonte di incertezza, non sarebbe la domanda quella su cui vorresti concentrare tutti i tuoi sforzi, o almeno la quasi totalità?

Joannes Vermorel: Pensa a qualsiasi altro settore. Le supply chain sono molto opache, il che può renderle complicate, ma immagina di vendere assicurazioni. Sì, devi considerare, ad esempio per l’assicurazione contro gli incendi domestici, la probabilità che la casa prenda fuoco, ma devi anche tenere conto della probabilità che il cliente rimanga, in modo da poter ottenere effettivamente un profitto.

Devi considerare tutte queste incertezze. Se non lo fai, sei nel buio. Quali sono le probabilità che, ignorando qualcosa di molto rilevante, il tuo calcolo economico risulti corretto? Non sto parlando di un pattern sottile ed elusivo; sto parlando di qualcosa di evidente, con un impatto enorme, come i tempi di consegna o il prezzo al quale vendi.

Per esempio, se vendo prodotti con un margine lordo del 90% perché si tratta di un accessorio—i clienti non se ne curano—posso essere molto più generoso con le eccedenze, dato che la vendita di un’unità copre il costo di dieci altre. Se, invece, sono un grossista che vende con un margine lordo del 2%, allora le eccedenze diventano assolutamente letali e devo stare molto attento.

Qui stiamo facendo proiezioni sul margine lordo previsto, ma ancora una volta dipende dal prezzo. Se non fai attenzione al prezzo, puoi avere fluttuazioni massicce nella redditività; di conseguenza, ciò ha conseguenze drammatiche sul fatto che qualcosa sia redditizio da produrre, acquistare o mantenere in magazzino.

Conor Doherty: È importante sottolineare qui che stiamo fondamentalmente facendo un discorso di gestione del rischio o economico sull’importanza di riconoscere l’insieme delle incertezze.

Joannes Vermorel: Esatto. Qui stiamo parlando di guardare al futuro per dire: cosa devo sapere, cosa devo valutare quantitativamente, per avere una decisione basata su evidenze che sia razionale per l’azienda?

La classica teoria mainstream assume semplicemente le serie temporali delle vendite e il gioco è fatto, e avranno idee incredibilmente semplicistiche, al massimo, per quanto riguarda la fissazione dei tempi di consegna—ed è tutto. A seconda dei settori, ci sono molte altre incertezze. Per l’e-commerce, possono esserci resi. Se operi nel settore tessile—fast fashion—hai il controllo qualità, e parte della tua produzione proveniente, ad esempio, dal Bangladesh potrebbe non superare il controllo qualità. Quindi hai ordinato mille unità; alla fine te ne restano solo seicento perché quattrocento non hanno superato il controllo qualità.

Questi sono gli sconosciuti noti. Chi lavora in questi settori lo sa. Ciò che diventa folle è che il modo tipico per tenere conto di queste incertezze, che non hanno nulla a che fare con la domanda, è quello di retroingegnerizzare la previsione della domanda in modo che tenga indirettamente conto di quest’altra incertezza.

Per esempio, se pensi che il tuo tempo di consegna abbia molta variabilità, le persone alzeranno la previsione delle vendite in modo che ordini di più prima, coprendo così il rischio dei tempi di consegna. Ma è un modo molto indiretto di affrontare la questione, e improvvisamente si crea una situazione super strana in cui peggiorare la previsione delle vendite rende la tua azienda più redditizia. Questo è molto incoerente. Operativamente, posso capire perché le persone finiscano per fare così, ma esiste un approccio molto più ragionato per affrontare queste altre incertezze e cercare di prevederle separatamente.

Conor Doherty: Voglio offrire un piccolo controargomento, perché quando ho iniziato a pubblicizzare questo, alcune persone hanno fatto notare—e questi sono amici del canale; sono persone che abbiamo intervistato—un saluto a Jonathan Karrel di Northland e a Meinolf Sellmann di Inside Opt. Hanno osservato che ciò di cui stiamo parlando oggi—sto parafrasando—ciò che stai suggerendo non è una novità. L’idea di prevedere, ad esempio, i tempi di consegna, i tassi di scarto, i resi, ecc., fa parte della letteratura da decenni ed è, in effetti, una prassi standard in alcuni contesti o in alcuni settori. Come rispondi a questo controargomento?

Joannes Vermorel: Il fatto che ciò fosse presente in letteratura—assolutamente, sono abbastanza sicuro che possiamo trovare articoli risalenti all’era della ricerca operativa negli anni ’50 che ne parlano. Come ho detto, il rapporto degli articoli è di mille a uno; è estremamente superficiale. La maggior parte di ciò che si trova sono solo riferimenti di passaggio.

La mia osservazione, dopo aver parlato per una decina e mezzo d’anni con centinaia di direttori della supply chain, è che queste cose sono assenti nel 99% delle aziende. Se dovessi dire che in pratica è circa lo 0% delle aziende a farlo, sarebbe solo un’approssimazione molto modesta. Su un milione di aziende in tutto il mondo che possiedono una supply chain in qualche forma, sì, probabilmente ce ne sono a dozzine ad occuparsene; ma ancora una volta, questo è trascurabilmente piccolo in termini relativi.

Conor Doherty: Sottolineando il punto della differenza tra la consapevolezza accademica e la realtà sul campo. Ma per dare il beneficio del dubbio, supponiamo che la stragrande maggioranza delle aziende sia consapevole delle fonti di incertezza che hai descritto. Allora, perché le aziende si concentrano sulla domanda e trascurano o svalutano in gran parte le altre fonti?

Joannes Vermorel: In questo paradigma mainstream, la previsione della domanda non è davvero una previsione, ma un impegno. L’azienda si impegna a servire questa quantità di domanda. Dietro le quinte, tra le divisioni dell’azienda, si contende il territorio—i feudi—per determinare chi riceve quella quantità di denaro per sostenere il proprio feudo. Queste sono le battaglie che si svolgono nell’S&OP: marketing contro vendite contro operazioni, ecc. Tutti vogliono una fetta più grande.

Dietro la domanda, il ragionamento è che non si tratta esattamente di una previsione statistica; è anche un impegno e una dichiarazione profetica. L’azienda afferma, “Prevediamo questo”, e con un effetto auto-profetico allocano la giusta quantità di risorse per farlo accadere.

Quando consideri altre fonti di incertezza, non hai questo. La previsione dei tempi di consegna: non c’è alcuna lotta per il feudo riguardo la natura della previsione. Di conseguenza, queste cose vengono completamente messe da parte mentre le persone si impegnano nella grande mischia per la previsione master S&OP che definisce quanto denaro ogni divisione, ogni gamma di prodotti, riceverà.

Queste altre fonti di incertezza hanno conseguenze estremamente rilevanti per la decisione, ma non lo sono allo stesso modo per la politica interna dell’azienda. Ecco perché ritengo che generalmente vengano completamente messe da parte. Non si tratta del fatto che le persone preferiscano modelli statistici per la previsione della domanda; in realtà, la proiezione della domanda è il fulcro delle battaglie interne che si verificano nell’S&OP tra le divisioni che competono per le risorse interne dell’azienda.

Conor Doherty: Ascoltandoti ora, stiamo parlando della vasta gamma di incertezze. Eppure, ogni volta che dici “altre incertezze”, il tuo esempio preferito sono i tempi di consegna. In quella lezione che ho citato prima—lezione 5.3; Alex, per favore condividi questo nella chat dal vivo—hai detto che, tra tutte le fonti di incertezza, i tempi di consegna sono tra i più importanti, se non il più importante, e sono “incredibilmente sottovalutati”. Hai sottolineato “incredibilmente”. Cosa c’è nei tempi di consegna che li rende così importanti, e perché sono così sottovalutati?

Joannes Vermorel: Perché sottovalutati? Abbiamo appena coperto questo—non c’è lotta di feudi in merito—quindi si tratta davvero di una questione di pura gestione del rischio. Il risultato di questo modello non definirà quanti soldi effettivamente riceveranno marketing, vendite e produzione, ma è comunque estremamente rilevante per la redditività dell’azienda.

Perché è molto importante? Perché i lead times non sono distribuzioni “gradevoli”. Non è come dire, “ho un fornitore che consegna sempre in 21 giorni.” Da Lokad abbiamo lavorato con centinaia di aziende e dataset aziendali relativi ai lead times. I lead times sono, direi, quasi sempre di natura bimodale. C’è un picco netto che rappresenta la consegna quando le stelle sono allineate e tutto procede secondo i piani. Questo può verificarsi, se si ha molta fortuna in alcuni settori, diciamo il 95% delle volte; in altri settori, dove non è così affidabile, diciamo l'80% delle volte. È in quei momenti che si ha un allineamento perfetto e la consegna avviene entro il termine specificato.

Poi c’è quando i pianeti non sono allineati. Il caso tipico è quando il tuo fornitore ha, al momento, un stock-out, quindi non ha la merce a disposizione e non può spedirti nulla. Ci sono situazioni in cui il trasportatore ha un problema, oppure il magazzino di un intermediario è pieno, o si verifica un problema alla dogana con qualche ispezione ritardata. In questa situazione—la seconda modalità—che si verifica dal 5% al 20% o addirittura al 30% del tempo a seconda del settore, i ritardi diventano estremamente lunghi. Nel peggiore dei casi, letteralmente, la merce non arriva mai.

Se consideri il tempo medio di consegna atteso—seguendo la definizione matematica—spesso otterrai valori infiniti proprio perché certe cose non arrivano mai. Il tempo medio di consegna, mediando, sta mediando l’infinito. Ovviamente è un po’ insensato, ma serve a far notare che queste situazioni—il termine tecnico è fat tails—significano che quando le cose non vanno secondo i piani, possono andare molto storte, e richiedere tempi decisamente più lunghi. È qualcosa che, ad esempio, le distribuzioni normali non riescono mai a catturare. Non riescono a mostrare che qualcosa che ci si aspetta arrivi in tre giorni impiega un anno, eppure succede frequentemente.

Conor Doherty: Questo si collega a qualcosa—rileggerò una citazione dalla stessa lezione. Parlando di lead times, hai detto che le persone generalmente li trattano come una “variabilità”, e la variabilità non è qualcosa che può essere controllata tramite il rispetto della conformità. Di solito non la considerano come una fonte di incertezza su cui intervenire tecnologicamente; è qualcosa che va affrontato con un intervento faccia a faccia o manuale—tipo, “prendo il telefono, chiamo il mio fornitore.” Potresti approfondire?

Joannes Vermorel: Questa è principalmente la visione mainstream sulle supply chains, dove la domanda futura non è esattamente una previsione con incertezza; è un impegno. Una volta preso questo impegno, tutto ruota intorno alla conformità: si punta a una deviazione minima rispetto al piano. Qualsiasi deviazione viene vista come una mancanza di conformità. Le persone pensano all’eccellenza dei processi e a cose simili; perciò questa incertezza non viene veramente affrontata, perché c’è una mentalità in cui questa variabilità è considerata solo un difetto—qualcosa che l’anno prossimo, quando avremo finalmente perfezionato il processo, sparirà.

Perché dovresti prevedere qualcosa che l’anno prossimo scomparirà perché avremo finalmente sistemato il processo? Purtroppo, quello che sto descrivendo—questa incertezza—è irriducibile. Perché? Perché non dipende da te. Sono decisioni prese da altre persone. Il tuo fornitore potrebbe avere l’inventario, ma potrebbe decidere di servire prima un altro cliente, e non te. Peccato. Non è un fornitore molto affidabile, ma è il fornitore che hai; è una decisione presa a tuo svantaggio.

Lo stesso vale per i prezzi dei tuoi concorrenti. Sarebbe bello se tutti i tuoi concorrenti potessero aumentare i loro prezzi in modo che anche tu potessi alzarli. Ma indovina un po’? Qualcuno abbasserà il prezzo. Ancora, non dipende da te.

Se mettiamo da parte cose come il tempo, gli tsunami, i terremoti—tutti gli eventi naturali che causeranno interruzioni—in ultima analisi, quelle fonti di incertezza sono irriducibili perché si riducono a decisioni che non sono state ancora prese e saranno prese in futuro da altre persone. Fondamentalmente, stai cercando di indovinare le decisioni che saranno prese in futuro da altri. È esattamente ciò che accade quando prevedi la domanda: stai letteralmente prevedendo la decisione che quelle persone acquisteranno il tuo prodotto in futuro—possono cambiare idea. Quando prevedi il lead time, presumi che il tuo fornitore manterrà lo stesso livello di investimento per poterti servire tempestivamente e che non interromperà la produzione dei suoi prodotti. Tutto ciò è pura ipotesi; ed è per questo che finisci per aver bisogno di quelle previsioni.

Conor Doherty: Citandoti da più fonti riguardo la variabilità insita in certe classi di incertezza—hai detto che non dipende da te; in precedenza hai affermato che la variabilità non è qualcosa che può essere controllata con la conformità. Se non puoi controllare queste fonti di variabilità con la conformità—cioè con interventi manuali—quali opzioni hanno le persone per farvi fronte? Una è ignorarla; ne abbiamo parlato. Cos’altro c’è?

Joannes Vermorel: Molto spesso, le persone retroingegnerizzano la previsione principale. Quando dico previsione principale, intendo la previsione della domanda, perché, ancora una volta, nelle aziende, quando si parla di “forecasting”—sebbene abbiamo visto che le previsioni dovrebbero essere applicate a tutte le fonti di incertezza: domanda, lead time, prezzi, resi, problemi di qualità, rese produttive, ecc.—in pratica il “forecasting” riguarda solo la domanda.

Quello che faranno è retroingegnerizzare la previsione della domanda, spostandola verso l’alto o verso il basso per riaggiustare indirettamente l’impegno, perché dietro la previsione principale ci sono tutti quegli impegni assunti dall’azienda—l’allocazione delle risorse—andranno retroingegnerizzati in modo che tali impegni abbiano un senso più coerente rispetto a quei rischi. È quello che accade in pratica. Poiché è un metodo molto contorto, è estremamente inefficiente; è un modo incredibilmente indiretto per guidare l’azienda.

Conor Doherty: Sono consapevole del tempo, quindi andrò avanti, ma vorrei porre una domanda che è arrivata da un altro amico del canale, Jeff Baker—se stai guardando da MIT, ciao. Ha sottolineato che in molte grandi aziende, certamente nel settore manifatturiero, gli approcci che stiamo descrivendo oggi sono comuni. Le persone sono consapevoli di questa molteplicità di incertezze; le prevedono attivamente, ma ha fatto notare che spesso mancano gli strumenti di pianificazione per utilizzare il tipo di informazioni che vengono previste. Cosa ne pensi e perché esistono aziende molto grandi e molto redditizie che sono consapevoli delle incertezze e le prevedono attivamente e regolarmente, eppure non le integrano nel processo decisionale?

Joannes Vermorel: Innanzitutto, metto in dubbio il fatto che “le stiano prevedendo.” Hanno un team di scienza dei dati data science da qualche parte che sta prevedendo centinaia di cose e nessuno fa caso a quello che stanno facendo. Toccheremo il tema della scienza dei dati—nel prossimo episodio. Questo è il mio punto di vista: quando le persone dicono, “Oh, sì, sì,” c’è un team di scienza dei dati completamente isolato; a nessuno importa di quello che fanno quei tipi. Direi: irrilevante.

Inoltre, il fatto che disponiate di strumenti di pianificazione—ancora una volta, tali strumenti riflettono semplicemente ciò che si trova nella letteratura accademica, che non è affatto molto. Gli strumenti di pianificazione riflettono per lo più il paradigma dominante, ovvero “la previsione delle vendite è sovrana,” e basta. Quando le persone dicono “non abbiamo gli strumenti,”, ancora, quando vendi software come fornitore di soluzioni aziendali, è davvero guidato dal cliente, specialmente nel segmento enterprise. Le aziende elencano le loro esigenze e i fornitori si limitano a conformarsi, fornendo tutto ciò che i clienti richiedono. Se tali capacità non sono presenti, è principalmente perché le aziende clienti stesse non se ne sono preoccupate e non le hanno richieste.

Conor Doherty: Voglio proseguire perché ci sono alcune domande private e alcuni commenti pubblici. Ultima domanda, poi passeremo al pubblico. Abbiamo coperto molto oggi. Che consiglio finale offri alle aziende che condividono il tuo punto di vista ma potrebbero non disporre degli strumenti di pianificazione o del software per implementarlo realmente? Tecnologia e atteggiamento—quali sono le tue opinioni su questi due aspetti per fare la differenza?

Joannes Vermorel: Il primo passo è davvero: fare un calcolo approssimativo per valutare, in euro e dollari, quanto costa. Queste cose—perché non vengono mai valutate—le persone le considerano come il costo normale degli affari, e basta. È una questione minore per un’azienda o qualcosa di veramente importante? Varia. Secondo me, per la maggior parte delle aziende su larga scala, si tratta di una somma considerevole.

Fai il calcolo approssimativo, poi suggerirei di consultare il livello C, gli esecutivi, e cercare di ottenere un accordo sulla portata del problema. Il resto—le questioni tecniche—potremmo discuterle nel dettaglio, ecc. Credo che il problema principale, nella maggior parte dei casi, sia che il problema stesso non venga riconosciuto. Nessuno ha mai veramente cercato di attribuirgli un valore economico. Sì, alcuni ce l’hanno fatta, ma pochissimi. Di conseguenza non c’è consapevolezza, e il top management non riesce a capire se si tratti di qualcosa di veramente importante o solo di un gadget.

Immagina di essere un dirigente di alto livello in un’azienda molto grande. Hai così tante persone che bussano alla tua porta dicendo, “Hai questa tecnologia che non puoi ignorare,” e ogni giorno sono venti le persone che bussano con quella richiesta. Il mio suggerimento è: costruisci un business case molto chiaro—semplice. Mi riferisco a soluzioni non super avanzate, non super tecniche—giusto per avere una convinzione precisa della giusta dimensione del problema. Presenta questo a chi di dovere, e il resto verrà da sé. Le persone non diventano dirigenti influenti in grandi aziende perché sono degli idioti—è molto raro. Le grandi aziende sono in realtà piuttosto brave a filtrare le persone che arrivano molto in alto nella gerarchia; è così che sopravvivono. Una volta che c’è consapevolezza, le cose seguiranno il corso in base al modus operandi favorito dall’azienda.

Conor Doherty: Grazie. Sono consapevole del tempo perché so che hai un impegno inderogabile, quindi darò priorità ai commenti pubblici e il resto delle domande inviate privatamente le risponderemo domani su LinkedIn.

Questo è un commento e una domanda da Murthy—spero di pronunciarlo correttamente. “Joannes, una delle sfide chiave che affrontano le aziende CPG e i rivenditori è la congestione nei loro centri di distribuzione e fulfillment a causa dei cambiamenti stagionali della domanda. Possiamo organizzare una sessione per esplorare le migliori pratiche per prevedere la congestione e sviluppare strategie efficaci di decongestionamento?”

Joannes Vermorel: La risposta breve è: assolutamente sì. La risposta più lunga: questo è tipicamente un problema che si manifesta per progettazione con previsioni puntuali deterministiche. Proietti la domanda media—o il flusso medio se parliamo di FMCG—e il flusso medio è appena superiore, o leggermente inferiore, alla capacità, e poi le persone dicono che va abbastanza bene.

Ma la realtà è che—soprattutto in FMCG/CPG—è molto a picchi. In teoria, a livello settimanale, sei appena sotto il 100% di utilizzo, ma con le fluttuazioni superi regolarmente questo livello. Sì, esistono molte tecniche per farlo. Dovremmo discutere di una tecnica chiamata “shadow valuations,” in cui l’idea è quella di livellare le cose nel tempo, introducendo una nozione di costo opportunità che rifletta il rischio di saturazione del tuo DC, della tua unità produttiva, del tuo trasportatore, o qualunque sia effettivamente il collo di bottiglia.

Questo è leggermente diverso dal tema delle varie fonti di incertezza.

Conor Doherty: A proposito, se ci sono determinate sessioni che vi piacerebbe vederci trattare, commentate qui sotto o contattateci privatamente su LinkedIn e suggerite, se non volete farlo pubblicamente.

Possiamo continuare. Perdona se la pronuncia è scorretta. Kaizen—scusami. “Nel mio mercato, che è quello dei prodotti di lusso, la domanda è intermittente e di quantità molto ridotte. Qual è il tuo miglior consiglio per migliorare l’accuratezza? Nota: noi già prevediamo a livello aggregato.”

Joannes Vermorel: Abbiamo solo pochi minuti, quindi è assurdo fingere che le serie temporali possano adattarsi. La verità è che la serie temporale è rotta—è semplicemente rotta. Quello che fanno le persone quando si trovano di fronte a una situazione che non calza con le serie temporali è cercare di modificare il problema affinché si adatti alle serie temporali. Qui, si parla di “aggregare tutto per trimestre, per regione,” e poi torni a quelle serie temporali consistenti, che hanno sostanza e che possono essere previste.

Risposta breve: devi rinunciare alle serie temporali. Non sono affatto appropriate per il lusso. Abbiamo clienti di lusso; le serie temporali non sono affatto adatte. Funziona, per esempio, per Unilever, ma non per una domanda rarefatta e intermittente. Non funzionerà per il retail; non funzionerà per aviation; non funzionerà per il settore oil and gas; non funzionerà per il lusso e la moda in generale.

Questa è la risposta breve: rinuncia alle serie temporali. Esistono approcci alternativi, ma—

Conor Doherty: Non avevo intenzione di fare una pubblicità a buon mercato di noi stessi; volevo dire che in realtà abbiamo ulteriori risorse a riguardo. Alexey, se ci senti, per favore condividi nella chat alcune risorse didattiche sul forecasting per i mercati del lusso. Molto utili.

Abbiamo tempo per un ultimo commento, relativo—anche al tema dei prodotti di lusso: “Noi già prevediamo la domanda come distribuzioni. Qual è il metodo più rapido e meno dirompente per integrare le distribuzioni dei lead times nella nostra logica d’acquisto?” È una domanda molto importante, capisco.

Joannes Vermorel: Dipende davvero dal tuo setup—da dove parte la tua attuale ricetta numerica, dall’algoritmo/motore decisionale. Puoi sistemarlo con Excel; abbiamo persino un foglio di calcolo Excel in cui mostriamo che, anche con Excel, si possono gestire contesti probabilistici. È un po’ brutto, ma se hai pazienza, è fattibile.

Se sei davvero di fretta, devi trovare delle euristiche—calcoli numerici arbitrari—che in qualche modo facciano ciò che desideri. Direi: trova semplicemente un’euristica migliore del retroingegnerizzare la domanda stessa. Fai un passo in più—è ancora una soluzione d’emergenza—ma è un passo migliore rispetto a modificare la domanda. Poi puoi dare un’occhiata a come facciamo il forecasting probabilistico in Excel, se non hai altro a disposizione.

Se vogliamo andare oltre, specialisti come Lokad riescono a fare queste cose in pochi mesi. Non è un grande progetto, ma ciò significa rinnovare l’intera pipeline in modo da avere una vera e propria ricetta numerica adeguata. A un certo punto non puoi sfuggire al fatto che devi adottare una ricetta numerica programmatica per la tua supply chain—but that’s a different topic.

Conor Doherty: Mi è stato detto di farti uscire entro quaranta minuti, quindi abbiamo tempo per un pensiero finale molto conciso. Basandomi su tutto ciò di cui abbiamo discusso—soli trenta secondi—qual è la tua proposta alle persone quando si tratta di previsioni al di là della domanda?

Joannes Vermorel: Pensalo come gestione del rischio. Prendere decisioni nella supply chain è gestione del rischio. Se prevedi solo la domanda, dici che l’unico rischio che hai sono i clienti che si presentano o meno, e ignori tutti gli altri rischi. Non va bene; non è una corretta gestione del rischio.

Il mio pensiero conclusivo finale sarebbe: valuta quanti soldi vengono lasciati sul tavolo esaminando quegli altri rischi. Guarda quanto la tua azienda sta sprecando, e porta questo alla tua capa. Sono abbastanza sicuro che le persone reagiranno e cercheranno soluzioni una volta che riconosceranno la portata del problema.

Conor Doherty: Grazie. Abbiamo esaurito le domande e il tempo sta per scadere. Come sempre, grazie per essere stati con me—e a tutti gli altri, grazie per aver partecipato e per le vostre domande. Come ho detto prima, non dimenticate di connettervi con Joannes e con me su LinkedIn se volete discutere privatamente di questi temi. Ci vediamo la prossima settimana per il prossimo episodio di Supply Chain Breakdown.

E su questa nota, a tutti voi dico: tornate al lavoro.