Driver Economici

Dal punto di vista della Supply Chain Quantitativa, i driver economici rappresentano la quantificazione finanziaria degli esiti positivi e negativi delle decisioni della supply chain. I driver economici plasmano le sfide dell’ottimizzazione della supply chain in problemi di ottimizzazione gestibili; dove la metrica di ottimizzazione è di natura finanziaria. Attraverso la quantificazione dei driver economici, diventa possibile valutare i dollari di errore associati a decisioni imperfette, originariamente basate su dati imperfetti come le previsioni di domanda. Questi driver economici vengono introdotti come punto di contrasto rispetto alle metriche aziendali agnostiche che rimangono ampiamente utilizzate, come ad esempio il MAPE (errore percentuale medio assoluto). Queste metriche aziendali agnostiche sono spesso dannose, perché “vestono” i problemi della supply chain come problemi di ottimizzazione numerica, pur basandosi su criteri di ottimizzazione in gran parte arbitrari.

Le previsioni statistiche sono monodimensionali

Gli strumenti e i metodi di previsione della domanda hanno un obiettivo chiaro: calcolare previsioni più accurate. Le previsioni sono considerate accurate in base a vari indicatori noti e selezionati per le loro proprietà matematiche e statistiche. Sebbene tali indicatori possano essere eccellenti dal punto di vista matematico, sono fondamentalmente agnostici al dominio e ignorano, per design, i driver o i vincoli specifici del settore.

Sebbene possa sembrare controintuitivo, le previsioni statistiche sono fondamentalmente guidate dalla metrica di errore scelta. Scegliere il MSE (errore quadratico medio) anziché il MAE (errore medio assoluto) ha conseguenze drastiche sull’accuratezza di un determinato modello. A prima vista, potrebbe sembrare che la metrica di errore abbia poco impatto. Dopotutto, un modello di previsione produce la stessa previsione di domanda indipendentemente dalla metrica utilizzata successivamente per valutare il risultato. Tuttavia, qualsiasi azienda che si affida alle previsioni statistiche è destinata a fare scelte - spesso scelte implicite - su quali modelli di previsione vengono utilizzati; e non appena vengono introdotte misurazioni di accuratezza, l’azienda inizia a favorire i modelli che si comportano meglio rispetto alle metriche sopra citate.

Le metriche statistiche generiche (ad esempio MAPE, MAE, MSE, ecc.) non hanno alcuna affinità aziendale. In poche parole, queste metriche mettono l’accento sulle percentuali di errore anziché sui dollari di errore. Sebbene minimizzare le percentuali di errore possa essere una cosa positiva, purtroppo ci sono troppi controesempi a questo. Le metriche statistiche non forniscono alcuna garanzia che l’esito finanziario di una decisione derivata da una previsione sarà ottimale, o addirittura redditizio. A volte, i driver economici sono solo debolmente correlati alle metriche statistiche generiche, ma ciò avviene per “caso”, e fare affidamento sul caso non è una metodologia adeguata per l’ottimizzazione della supply chain. Nella pratica, questo problema è tipicamente amplificato dalla natura controintuitiva della maggior parte delle situazioni in cui le metriche puramente statistiche divergono dalle metriche di performance aziendale.

Esempio: Consideriamo un prodotto venduto in un negozio con una media di 1 unità venduta a settimana, con un tempo di approvvigionamento di 1 giorno (riapprovvigionamento quotidiano). La migliore previsione di domanda mediana per questo prodotto per un determinato giorno è zero unità. Una previsione media potrebbe aver prodotto una quantità frazionaria di 1/7, ma la previsione mediana indica semplicemente zero. Sebbene la domanda da coprire per un giorno sia molto vicina allo zero, lo stock effettivo che deve essere mantenuto per servire correttamente i clienti è probabilmente molto più grande; probabilmente saranno necessarie 2 o 3 unità per soddisfare le aspettative dei clienti in termini di qualità del servizio. Il problema qui non è che la previsione sia inaccurata, perché se la domanda è stazionaria e veramente casuale, le previsioni appena menzionate sono perfettamente accurate, dal punto di vista statistico. Il problema è che i driver specifici del settore sono stati ignorati.

Decoupling previsione dalla ottimizzazione della supply chain

I driver economici rappresentano una specifica suddivisione delle sfide di ottimizzazione della supply chain, in cui gli aspetti specifici del settore - cioè i driver economici - sono separati dagli aspetti agnostici del settore - cioè le previsioni puramente statistiche. In questa sezione, esamineremo brevemente i vantaggi di questa suddivisione e le sue limitazioni.

Per quanto riguarda l’ottimizzazione numerica, esiste un principio generale che afferma che è sempre preferibile ottimizzare il problema nel suo complesso, piuttosto che ottimizzare parti del problema in modo isolato. Tuttavia, questo punto rimane vero solo finché affrontare la sfida di ottimizzazione da una prospettiva monolitica rimane tecnicamente fattibile. Tuttavia, la maggior parte della letteratura sulla supply chain - incluso questo libro - tende a concordare sul fatto che la previsione della domanda è un’impresa complicata che combina statistica, algoritmi, ingegneria del software e, eventualmente, elaborazione distribuita quando è coinvolta una piattaforma di cloud computing. Pertanto, isolare l’aspetto della previsione della domanda della sfida offre la possibilità di fornire previsioni avanzate della domanda, senza gravare la tecnologia con una miriade di considerazioni specifiche del settore.

Allo stesso modo, un vantaggio simile si ottiene isolando la logica di ottimizzazione della supply chain dalla logica di previsione della domanda, poiché l’ottimizzazione della supply chain rimane “protetta” dalle tecniche coinvolte nella previsione della domanda. Ciò consente di approfondire molto di più i dettagli più fini dei driver economici: limiti dello spazio di archiviazione, sconti di prezzo, costi variabili di stock-out, costi variabili di obsolescenza, ecc. Avere una comprensione più dettagliata dei driver economici genera decisioni migliori, che sono più strettamente allineate con i rischi e le opportunità di un’azienda.

Esempio: Consideriamo un’azienda che ha due magazzini e serve esattamente le stesse parti da entrambi i magazzini. I due magazzini sono situati nelle vicinanze, ma per abitudine, tutti i clienti tendono sempre a ordinare le parti di cui hanno bisogno dallo stesso magazzino. Quando una parte non è più disponibile in questo magazzino specifico, il personale del magazzino chiama l’altro magazzino per verificare la disponibilità della parte lì e, se la parte è disponibile, viene quindi spedita al magazzino che si trova a corto di scorte.

Un caso per la previsione probabilistica

Come abbiamo visto nella sezione precedente, separare la previsione della domanda dall’ottimizzazione aziendale offre la possibilità di eseguire una strategia di ottimizzazione della supply chain che sfrutta sia l’analisi avanzata delle previsioni che una visione dettagliata del business stesso. Tuttavia, va notato che quando si producono previsioni di domanda, il motore di previsione non sa nulla dei fattori specifici del settore che sono rilevanti dal punto di vista dell’ottimizzazione della supply chain. Tuttavia, gli scenari aziendali che hanno il maggior impatto finanziario sono di solito gli scenari estremi - “estremi” dal punto di vista statistico. Ad esempio, è la domanda inaspettatamente alta che di solito causa le rotture di stock, mentre è la domanda inaspettatamente bassa che di solito causa la cancellazione dell’inventario.

Gli strumenti classici di previsione pongono grande enfasi sulle previsioni medie o mediane; questo non tiene affatto conto dal punto di vista aziendale. Non importa quanto accurata possa essere questo tipo di previsione, se lo scenario aziendale di interesse si trova all’estremo statistico, lo strumento di previsione non riuscirà a fornire la proiezione statistica rilevante per valutare quantitativamente l’output finanziario probabile dello scenario aziendale. Al contrario, gli strumenti di previsione probabilistica valutano le rispettive probabilità per tutti i possibili livelli di domanda, il che a sua volta offre la possibilità di valutare tutti i possibili scenari aziendali.

Non sorprende che le previsioni probabilistiche richiedano molte più risorse di calcolo rispetto ai loro controparti classiche a valore singolo, perché in un certo senso, le previsioni probabilistiche stanno “forzando” la sfida della previsione. Poiché il motore di previsione non conosce gli scenari aziendali rilevanti da prendere in considerazione, produce semplicemente una risposta statistica estesa che copre (approssimativamente) tutti gli scenari possibili. In pratica, grazie alla possibilità di accedere a vaste risorse di calcolo a prezzi molto bassi tramite piattaforme di cloud computing, i requisiti di calcolo aumentati necessari per generare previsioni probabilistiche sono per lo più irrilevanti, a condizione che la tecnologia giusta sia disponibile.

Una breve panoramica dei comuni driver economici

I driver economici definiscono gli esiti positivi e negativi di una decisione della supply chain. Il calcolo di questi esiti richiede l’osservazione effettiva della domanda ancora da osservare, ma se è disponibile una previsione della domanda, gli esiti possono essere simulati a loro volta. I driver economici sono destinati a coprire tutte le implicazioni aziendali che derivano da una decisione, e non solo i risultati finanziari a breve termine. In pratica, stabilire i driver economici è spesso simile a effettuare calcoli approssimativi che tengono conto di vari scenari aziendali.

Una delle decisioni più comuni della supply chain consiste nell’ordinare un’unità in più per un articolo. Se c’è una domanda immediata per l’unità ordinata, l’azienda fornirà il servizio dell’unità a un profitto. Questo rappresenta il guadagno associato alla decisione di ordinazione. Se non c’è una domanda immediata per l’articolo, l’azienda dovrà sostenere i costi di gestione per immagazzinare questa unità extra. Questo rappresenta il costo associato alla decisione di ordinazione. Stabilire i driver economici per una decisione di ordinazione consiste nel scrivere sia i guadagni che i costi risultanti della decisione per uno scenario di domanda specifico.

Oltre ai guadagni e ai costi, i vincoli plasmano anche la gamma di decisioni accettabili della supply chain:

Capacità di stoccaggio: I negozi e i magazzini hanno capacità massime, impedendo qualsiasi ordinazione aggiuntiva che vada oltre una certa quantità di stock.
MOQs: I fornitori accettano solo ordini che superano le quantità minime di ordine - espresse, ad esempio, in numero di unità o importo ordinato. Questi MOQs possono anche essere interpretati e modellati come costi fissi sugli ordini di acquisto dei fornitori.
Costi di capitale: L’azienda ha un accesso limitato alla liquidità e quindi deve limitare l’allocazione del capitale dell’inventario. Ottenere accesso a più capitale può richiedere molto tempo per la direzione aziendale e potrebbe non essere allineato nemmeno alle sue orientazioni strategiche.
Capacità di trasporto: Quando si importano merci dall’estero, gli ordini devono essere dimensionati correttamente in modo che possano adattarsi esattamente a un contenitore. I contenitori hanno sia un peso massimo che un volume massimo. I contenitori possono anche essere interpretati come una forma di costo fisso sugli ordini di acquisto.

I driver economici devono tener conto di tutti i vincoli sopra menzionati e molti altri nella pratica. Se i vincoli non vengono considerati, il sistema che combina le previsioni di domanda con i driver economici suggerirebbe molto probabilmente decisioni che non potrebbero essere effettivamente eseguite nella realtà, come ad esempio cercare di riempire un magazzino oltre la sua capacità di stoccaggio.

La prospettiva di Lokad sui driver economici

Lokad fornisce un motore di previsione probabilistica. Sebbene i dati debbano essere adeguatamente qualificati e sanificati prima di essere inseriti nel motore di previsione, il nostro motore di previsione consentirà quindi di automatizzare l’intera operazione di previsione statistica senza alcuna configurazione statistica. Il motore di previsione di Lokad funziona immediatamente per numerosi settori verticali (commercio, manifatturiero, aerospaziale…).

I driver economici sono estremamente diversi. Per gestire tale diversità, Lokad ha introdotto Envision, un linguaggio di programmazione specifico del dominio dedicato all’ottimizzazione della supply chain. L’output visibile di Envision consiste nella produzione di dashboard, tuttavia, la funzione principale di Envision è quella di incorporare i driver economici nelle previsioni attraverso script in modo che le decisioni ottimizzate - ad esempio, le quantità da riordinare oggi - possano essere calcolate automaticamente.

La corretta combinazione di driver economici e previsioni probabilistiche richiede politiche che possano sfruttare questi dati. Ad esempio, la politica di ordinazione prioritaria è particolarmente adeguata per fornire quantità da ordinare che bilanciano completamente i rischi dell’inventario aziendale con le previsioni di domanda.

Nella pratica, la revisione e la formalizzazione dei driver economici, la combinazione di questi driver con previsioni probabilistiche, la qualificazione e la sanificazione dei dati storici, la generazione di decisioni ottimizzate che corrispondono all’insieme esatto di vincoli aziendali applicabili; tutte queste attività sono svolte dal team di Lokad attraverso una sottoscrizione mensile a un servizio di ottimizzazione dell’inventario.