FAQ: Glossario

L’approccio di Lokad all’ottimizzazione delle decisioni della supply chain si avvale di diverse prospettive e strumenti provenienti da campi diversi, non solo dalla supply chain stessa. Questi includono, tra gli altri, l’apprendimento automatico (ML), l’intelligenza artificiale (AI), la previsione probabilistica, la filosofia e l’economia. Pertanto, la nostra terminologia è influenzata da una moltitudine di discipline. Questa pagina ha lo scopo di fornire una spiegazione su come (e perché) Lokad utilizza questi termini nel contesto dell’ottimizzazione della supply chain, nonché la sfumatura specifica che intendiamo trasmettere quando li utilizziamo.

Pubblico destinatario: Dipartimenti della supply chain e/o della pianificazione.
Ultima modifica: maggio 2024

Cosa significa “Supply Chain”?

Per Lokad, la supply chain è sia una pratica che un campo di studio che può essere definito come segue:

La supply chain è la padronanza dell’opzionalità in presenza di variabilità nella gestione del flusso di beni fisici.

Opzionalità si riferisce alla capacità di scegliere la “opzione” giusta tra molte alternative in competizione. Questa “opzione” selezionata diventa la “decisione”. Sono considerate tutte le decisioni che plasmano il flusso di beni fisici, come gli ordini di riassortimento, gli ordini di produzione e le variazioni di prezzo. Inoltre, l’opzionalità si riferisce alla creazione delle opzioni stesse. Ad esempio, investire risorse per identificare fornitori alternativi ha lo scopo di creare ulteriori opzioni per l’azienda.

Variabilità si riferisce all’incertezza irriducibile associata allo stato futuro del mercato, ovvero le condizioni possono cambiare significativamente da un momento all’altro. Questo perché le supply chain sono, per loro natura, esposte a forze che non possono essere completamente controllate dall’azienda. Queste forze includono la domanda dei clienti, i prezzi delle materie prime, i tempi di consegna dei fornitori, ecc. Pertanto, qualsiasi metodo o strumento utilizzato per scopi di supply chain deve affrontare frontalmente il problema della conoscenza imperfetta e del rischio, che sono intrinseci alle supply chain.

Infine, il flusso di beni fisici è fondamentale e differenzia la padronanza della supply chain, ad esempio, dal trading finanziario. Le supply chain sono, naturalmente, vincolate dalla loro natura fisica: gli stakeholder (ad esempio, clienti, fornitori, grossisti, trasportatori, produttori, ecc.) sono distribuiti geograficamente. Qualsiasi metodo o strumento utilizzato per collegare questi stakeholder deve affrontare direttamente (e adeguatamente) i numerosi vincoli che di solito si presentano. Esempi di questi vincoli sono la Quantità Minima d’Ordine (MOQ), il Valore Minimo d’Ordine (MOV), i carichi completi di camion, lo spazio limitato in magazzino e la capacità complessiva dell’azienda di gestire ordini in entrata/uscita, ecc.

Qual è la “prospettiva mainstream della supply chain”?

La prospettiva mainstream della supply chain (MSCP), o prospettiva classica della supply chain, si riferisce a diverse assunzioni e pratiche errate che si incontrano di solito, tra cui:

• La MSCP assume che il futuro sia perfettamente conoscibile. Metodi come la previsione classica delle serie temporali cercano di esprimere il futuro come un singolo valore (ad esempio, domanda, resi, tassi di scarto, tempi di consegna, ecc.). Questo è errato perché il futuro è naturalmente sconosciuto (ovvero, l’incertezza futura non può essere completamente eliminata con la previsione). Pertanto, identificare un solo valore futuro è subottimale dal punto di vista della gestione del rischio (poiché mancano le dimensioni della probabilità).

• La MSCP assume che la supply chain stessa non sia soggetta a comportamenti avversari. In nessun momento la MSCP considera che gli stakeholder (ad esempio, dipendenti, clienti, fornitori, partner, concorrenti, ecc.) possano avere agende proprie e che queste agende possano influire negativamente sulla loro supply chain.

• La MSCP assume l’osservabilità. La realtà è che ogni grande azienda opera attraverso un paesaggio applicativo (applicazioni software) irritantemente opaco, rendendo così estremamente difficile l’osservazione diretta della supply chain.

• La MSCP manca di falsificabilità. È immune alla realtà. Non importa quanto male le tecniche elencate nei libri di testo mainstream o nelle presentazioni dei fornitori siano in pratica, nessuna di queste tecniche può essere invalidata dal feedback del mondo reale.

A partire dal 2024, la maggior parte delle grandi aziende ha implementato diverse soluzioni di ottimizzazione della supply chain dagli anni ‘80, eppure molte (se non la maggior parte) di queste aziende continuano a utilizzare fogli di calcolo. Questo è un altro aspetto chiave della MSCP: i fornitori di software sono diventati maestri nel deviare la colpa e invariabilmente incolpano i praticanti della supply chain per non essere in grado di “seguire il processo” o “utilizzare parametri adeguati”.

Tuttavia, la realtà è più semplice: la teoria della MSCP stessa non funziona e i praticanti della supply chain tornano ai loro fogli di calcolo perché qualsiasi euristica grezza che abbiano, quelle euristiche (sebbene lontane dalla perfezione) superano i “metodi sofisticati” trovati nei libri di testo della MSCP.

Ecco perché Lokad ha intrapreso una rifondazione della supply chain nel 2011, sia come campo di studio che come pratica. Ci riferiamo a questa riforma come Supply Chain Quantitativa.

La MSCP è perfettamente rappresentata da una serie di libri di testo classici:

• Production and Operations Analysis, settima edizione, di Steven Nahmias e Tava Lennon Olsen, 2015
• Inventory and Production Management in Supply Chains, quarta edizione, di Edward A. Silver, David F. Pyke e Douglas J. Thomas, 2016
• Fundamentals of Supply Chain Theory, seconda edizione, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

Cosa significa “Pianificazione della domanda”?

Dal punto di vista della supply chain mainstream, la pianificazione della domanda è l’insieme di processi utilizzati da un’azienda per quantificare la domanda futura. L’idea implicita che sostiene la pianificazione della domanda è che una volta che la domanda futura è stata valutata con precisione, la gestione adeguata della supply chain è principalmente una questione di corretta e tempestiva allocazione delle risorse in modo che l’azienda fornisca “solo quanto basta” per il mercato.

I processi di pianificazione della domanda includono tecniche retrospettive, come l’analisi statistica delle vendite storiche e la previsione delle relative serie temporali. Include anche tecniche prospettiche, come la collaborazione con le vendite e il marketing per affinare i numeri in base agli obiettivi stabiliti dall’azienda stessa.

Tuttavia, dal punto di vista della Supply Chain Quantitativa (QSC) di Lokad, la pianificazione della domanda è un concetto antiquato che non ha posto nella supply chain moderna. Invece, la QSC afferma che l’esecuzione della supply chain dovrebbe essere robotizzata, guidata da ricette numeriche che di solito prevedono una fase di modellazione predittiva, seguita da una fase di ottimizzazione stocastica.

La fase di modellazione predittiva comprende tutti gli aspetti della “previsione”, non solo per la domanda futura, ma anche per tutte le altre fonti di incertezza (ad esempio, i tempi di consegna futuri, i prezzi delle materie prime future, i resi dei clienti futuri, ecc.). La fase di ottimizzazione stocastica comprende tutte le parti “decisionali” (ad esempio, la scelta delle quantità da riordinare, l’allocazione delle scorte disponibili attraverso la rete di vendita, la rideterminazione dei prezzi) - qualcosa che tradizionalmente viene tenuto separato dalla pianificazione della domanda.

La pianificazione della domanda è obsoleta per diverse ragioni.

Innanzitutto, si presume che le persone debbano essere coinvolte nell’esecuzione della “valutazione quantitativa del futuro”. Questo è uno spreco completo di tempo ed energia. Le persone dovrebbero certamente essere coinvolte nella creazione delle ricette numeriche che supportano i modelli predittivi (come è il ruolo degli Scienziati della Supply Chain di Lokad). Tuttavia, i modelli predittivi dovrebbero funzionare completamente senza intervento umano, poiché non c’è semplicemente alcun valore aggiunto nel permettere alle persone di interferire manualmente con un processo che tipicamente genera migliaia - se non milioni - di numeri quotidianamente.

In secondo luogo, poiché la “pianificazione della domanda manuale” è già lenta e costosa, le aziende di solito non hanno risorse sufficienti per affrontare tutte le altre fonti di incertezza (ad esempio, tempi di consegna, resi, qualità, ecc.). Sebbene valutare la domanda futura sia fondamentale, non è l’unica fonte di incertezza. Tempi di consegna futuri, prezzi delle materie prime futuri, prezzi dei concorrenti futuri, resi dei clienti futuri, ecc., sono altre fonti chiave di incertezza che devono essere valutate quantitativamente.

In conclusione, la pianificazione della domanda è una prospettiva obsoleta su come orchestrare le supply chain. Questa prospettiva è emersa prima dell’avvento dei computer ed è sopravvissuta qualche decennio in più di quanto avrebbe dovuto. A questo punto, dovrebbe essere sostituita da approcci più adatti, come la prospettiva QSC di Lokad.

Cosa significa “Qualità del servizio”?

Nel contesto dell’ottimizzazione della supply chain, “qualità del servizio” (QoS) si riferisce alla capacità dell’azienda di servire il cliente soddisfacendo le sue aspettative implicite. La QoS non è una metrica o qualcosa di tangibile: riflette l’intento dell’azienda di servire adeguatamente i propri clienti. La QoS è quindi direzionale ma vaga.

Cercare di scoprire le aspettative implicite dei clienti è un problema ampio e complesso. Sondare i clienti è pieno di problemi. I clienti possono dire cortesemente di essere pienamente soddisfatti del servizio e comunque visitare la concorrenza. Al contrario, i clienti possono lamentarsi ad alta voce pur rimanendo fedelmente leali.

Inoltre, la QoS non è mai un problema unidimensionale. La cannibalizzazione e la sostituzione, insieme alle differenze di prezzo, di solito oscurano il vero significato di “disponibilità” per i clienti. Spesso devono essere considerate anche preoccupazioni specifiche del settore. Ad esempio, se ci sono molti yogurt rimasti sullo scaffale, i clienti potrebbero trovarli inaccettabili se scadono tutti tra tre giorni.

Nella pratica, le metriche che approssimano ragionevolmente la QoS possono essere scoperte solo attraverso un esame attento e intelligente del business. Richiede un pensiero approfondito e un’empatia con i clienti. Certe metodologie sono molto utili per identificare metriche prossime di alta qualità, come l’ottimizzazione sperimentale - un approccio sviluppato da Lokad.

Uno degli errori più grandi della prospettiva mainstream della supply chain è presentare i livelli di servizio - la probabilità di non avere un articolo fuori stock - come se i livelli di servizio fossero un proxy ragionevole della QoS. Questo è quasi sempre sbagliato. I livelli di servizio ignorano completamente tutta la cannibalizzazione e la sostituzione che sono ubiqui nella maggior parte dei settori. Ignorano anche completamente la domanda a grumi, che è quando il cliente ha bisogno che molti articoli siano disponibili contemporaneamente per essere soddisfatto (ad esempio, un professore che acquista libri per un’intera classe di studenti, interruttori della luce identici necessari per un progetto di ristrutturazione di una casa). I livelli di servizio ignorano anche la volontà del cliente di pagare di più per essere servito più velocemente, o viceversa di poter pagare di meno se il servizio viene ritardato.

In conclusione, la QoS è una prospettiva aspirazionale. Riflette ciò che l’azienda vuole ottimizzare, anche se i criteri di ottimizzazione rimangono sfuggenti poiché l’azienda si trova di fronte a un problema complesso. La QoS è il principio direzionale che guiderà la ricerca di metriche che siano credibili proxy di questa aspirazione. I livelli di servizio e altre metriche naive non devono essere confuse con un proxy ragionevole della QoS.

Cosa significa “AI Pilot”?

Questo si riferisce all’automazione generale dell’orchestrazione di una supply chain utilizzando l’AI. L’AI Pilot include i processi decisionali (ad esempio, quanto devo produrre?) così come i processi di supporto banali (ad esempio, ottenere MOQ aggiornati per un determinato fornitore). Lokad ha coniato questo termine all’inizio del 2024. L’AI Pilot, come pezzo di software, è realizzato dai Supply Chain Scientist di Lokad. Realizziamo un pilota per ogni azienda cliente, anche se ci sono molte somiglianze tra le nostre implementazioni. L’AI Pilot viene eseguito sulla piattaforma di Lokad, che offre grandi capacità di big data e machine learning. L’AI Pilot è un servizio fornito da Lokad e di solito viene fatturato mensilmente.

Per saperne di più su come funzionano gli AI Pilot, consulta il nostro podcast in formato lungo sull’argomento.

Cosa significa “Quantitative Supply Chain”?

La “Quantitative Supply Chain” (QSC) è un insieme di metodologie e tecnologie sviluppate da Lokad durante gli anni 2010. Include una serie di tecniche come previsione probabilistica, ottimizzazione stocastica e programmazione differenziabile, che sono assenti nella prospettiva mainstream della supply chain. Include anche una serie di metodologie come ottimizzazione sperimentale, personae della supply chain, ricerca di mercato avversariale che sono anche assenti nella prospettiva mainstream della supply chain.

Il termine “Quantitative Supply Chain” è stato coniato nel 2017 nel libro di Joannes Vermorel, fondatore di Lokad, The Quantitative Supply Chain. Il manifesto della QSC può essere riassunto come segue:

1. Devono essere considerati tutti i futuri possibili; una probabilità per ogni possibilità
2. Devono essere considerate tutte le decisioni fattibili; possibilità vs probabilità
3. Devono essere utilizzati driver economici per dare priorità alle decisioni fattibili
4. Essere in controllo richiede l’automazione di ogni compito banale
5. Un Supply Chain Scientist deve prendere in carico i risultati numerici

La Quantitative Supply Chain può essere vista come il campo di studio che raccoglie tutti i materiali necessari per l’implementazione pratica di un AI Pilot per una determinata supply chain.

Cosa significa “Supply Chain as a Service”?

Da lontano, Lokad può essere descritta come un’azienda di software enterprise. Tuttavia, da vicino, Lokad è molto diversa da ciò che le persone potrebbero aspettarsi da un fornitore di software. Lokad non solo fornisce decisioni robotizzate per la supply chain, ma si assume anche la responsabilità delle prestazioni della supply chain che derivano da tali decisioni. I nostri Supply Chain Scientist sono lì per monitorare e perfezionare continuamente l’automazione che abbiamo messo in atto per ciascuno dei nostri clienti. Pertanto, una sottoscrizione a Lokad garantisce ai nostri clienti un’esecuzione più redditizia della loro supply chain.

Questo approccio è molto diverso, ad esempio, da un’offerta SaaS (software as a service) in cui l’azienda cliente rimane ultimamente responsabile di tutto ciò che conta. Con SaaS, il dipartimento IT è sollevato dalla gestione di un’altra app, ma questo è tutto. Se qualcosa va storto, come una domanda erratica, forniture caotiche, dati incompleti, ecc., spetta interamente alle squadre della supply chain risolvere il problema. D’altra parte, con SCaaS, è compito di Lokad risolvere il problema. Naturalmente, nella pratica, si tratta di uno sforzo collaborativo tra Lokad e il suo cliente. Tuttavia, Lokad si impegna a ottenere risultati, non solo a mantenere i server attivi.

Cosa significa “ricetta numerica”?

Lokad automatizza i processi decisionali della supply chain e comunemente ci riferiamo ai pezzi di software che effettivamente eseguono l’automazione come le nostre “ricette numeriche”. Queste ricette numeriche sono tipicamente piuttosto complesse, poiché riflettono le complessità intrinseche delle stesse supply chain. Le ricette sono una combinazione di una miriade di passaggi di preparazione dei dati banali intercalati con sofisticati passaggi analitici - tipicamente algoritmi di machine learning o ottimizzazione matematica.

Utilizziamo il termine “ricetta” anziché “algoritmo” poiché queste ricette non sono “pure” come ci si aspetterebbe da un algoritmo secondo la maggior parte degli ingegneri del software. Inoltre, mentre ci si aspetta che un algoritmo affronti un problema ben definito, questo non è tipicamente il caso delle nostre ricette. Alla fine, le prestazioni end-to-end della supply chain sono in gioco e si tratta di un problema aperto e mal definito. Pertanto, la valutazione della ricetta è complessa, se non di più, della creazione della ricetta stessa.

Cosa sono le “decisioni (banali) della supply chain”?

Una decisione della supply chain è una decisione che ha conseguenze reali per il flusso di merci. Ad esempio, il rifornimento di inventario, gli ordini di produzione e le variazioni di prezzo sono decisioni che influenzano profondamente il flusso di merci.

Le supply chain moderne comportano tipicamente decine di migliaia, e talvolta milioni, di decisioni al giorno. Come regola generale, ogni singola SKU (unità di conservazione) comprende circa una mezza dozzina di decisioni, compresa l’opzione di non fare nulla, che è comunque una decisione (seppur banale).

Queste decisioni (quotidiane) sono spesso definite “banali” perché possono essere completamente automatizzate. In questo senso, “banale” non significa “inconsistente”.

Le decisioni sono opposte agli “artefatti numerici” (cose che sembrano importanti ma non hanno alcun impatto sostanziale sulla supply chain in questione). Infatti, con un maggiore utilizzo di analytics, c’è spesso molta confusione tra i due concetti. Ad esempio, una previsione della domanda, una classe ABC, una scorta di sicurezza, un livello di servizio possono essere considerati artefatti numerici. Questi elementi possono certamente essere strumentali nel calcolo delle decisioni effettive, ma di per sé sono completamente insignificanti. Non importa se la previsione è errata, purché il rifornimento di inventario sia adeguato, tuttavia il contrario ovviamente non è vero.

Lokad si concentra sulle “decisioni” invece che sugli “artefatti numerici”, poiché troppe aziende non riescono a vedere l’insieme a causa degli alberi. Al contrario, hanno così tanti indicatori di performance (artefatti) che non riescono nemmeno più a capire cosa sta realmente accadendo con le decisioni che prendono. Il nostro focus sulle “decisioni” è ciò che garantisce che Lokad perseguirà ciò che conta effettivamente per i nostri clienti (miglioramento delle prestazioni della supply chain) anziché inseguire indicatori arbitrari (artefatti numerici).

Cosa significa “artefatto numerico”?

Un artefatto numerico si riferisce a un numero che viene percepito come importante, anche se questo numero non ha alcuna conseguenza diretta/tangibile per la supply chain dell’azienda. Ad esempio, i livelli di servizio sono artefatti numerici. Gli artefatti numerici non sono reali, ma sono astrazioni - spesso selezionate arbitrariamente da un professionista.

Ad esempio, un livello di servizio del 98% potrebbe nascondere il fatto che numerosi clienti hanno già smesso di ordinare del tutto a causa di un passato scarso livello di servizio. Inoltre, gli artefatti numerici non possono essere controllati direttamente. Un’azienda può effettuare più ordini di rifornimento, ma non può decidere unilateralmente che i livelli di servizio saranno al 98%, poiché sono i clienti a decidere quanto di un determinato prodotto consumare.

Gli artefatti numerici sono definitivamente opposti alle “decisioni”, che hanno conseguenze reali per l’azienda. Le decisioni sono anche interamente a discrezione dell’azienda. Le tipiche decisioni della supply chain includono ordini di rifornimento, ordini di produzione, variazioni di prezzo, ecc. A differenza degli artefatti numerici, ogni singola cattiva decisione rappresenta una perdita irrevocabile per l’azienda. Ad esempio, la classe ABC (artefatto numerico) di un articolo può essere completamente errata/inaccurata, ma finché non ci sono eccessi di stock e mancanze di stock, non importa. D’altra parte, un singolo ordine di acquisto eccessivamente grande (decisione) può trasformare un articolo ben fornito in una perdita enorme.

Nel corso degli anni, Lokad ha imparato a sue spese che gli indicatori numerici sono per lo più illusori e fuorvianti. Molto spesso, l’accuratezza delle previsioni e i livelli di servizio caratterizzano completamente in modo errato il problema di interesse (ovvero, anticipare e soddisfare la domanda in modo redditizio per un’azienda). Dobbiamo concentrarci sui “dollari di errore” per una determinata decisione, non sui “percentuali di errore” per un artefatto numerico.

Cosa significa “robotizzato”?

Lokad robotizza (“automatizza”) le decisioni della supply chain ripetitive rendendole banali. Ciò significa che tutte le decisioni quotidiane affidate a Lokad (ad esempio, ordini di produzione, variazioni di prezzo, allocazioni di stock) vengono generate in modo completamente non assistito. Come regola generale, la maggior parte dei nostri clienti può operare per settimane senza alcun intervento diretto da parte di Lokad, a condizione che le condizioni di mercato non cambino troppo drasticamente. I nostri Supply Chain Scientists migliorano continuamente le ricette numeriche che abbiamo messo in atto, ma non è necessario un Supply Chain Scientist per generare le decisioni della supply chain di un determinato giorno: le nostre ricette numeriche sono progettate per funzionare in modo non assistito.

Questo approccio è radicalmente diverso da quello dei nostri concorrenti (altri fornitori di software aziendale). Nel loro caso, i praticanti della supply chain vengono trattati come “coprocessori umani” del loro sistema. Non appena i praticanti smettono di lavorare con un software, non succede più nulla nell’azienda poiché il loro tempo viene consumato per produrre decisioni della supply chain.

Al contrario, Lokad trasforma ogni singolo minuto dei praticanti della supply chain in un investimento per il miglioramento della ricetta numerica che consente la robotizzazione delle decisioni. Se i praticanti della supply chain smettono di lavorare, ciò non ha alcun impatto sull’esecuzione robotizzata della ricetta numerica. La ricetta numerica smette semplicemente di migliorare. Se ciò dovesse continuare per un po’ di tempo, ciò comporterebbe il decadimento inevitabile della qualità delle decisioni poiché la ricetta numerica perderebbe la sua rilevanza (a causa dei cambiamenti nelle condizioni di mercato).

Tuttavia, Lokad ha implementato una serie di meccanismi di auto-attenzione per la rilevazione precoce di tale decadimento della qualità e può quindi innescare l’ispezione umana della ricetta numerica (prima da parte di un Supply Chain Scientist e poi da parte di un praticante dell’azienda cliente).

Cosa significa “iniziativa della supply chain”?

Questo si riferisce specificamente a un progetto della supply chain guidato dalla prospettiva di “Quantitative Supply Chain” (QSC) di Lokad. L’obiettivo di tale iniziativa è robotizzare una determinata classe di decisioni della supply chain e raggiungere una performance superiore a quella umana nel processo. L’obiettivo di tale iniziativa non è solo migliorare un problema specifico all’interno della supply chain del cliente, ma fornire un miglioramento sistemico a livello aziendale.

Le iniziative della supply chain di Lokad affrontano tipicamente ordini di acquisto, ordini di produzione, allocazioni di inventario, variazioni di prezzo, programmi di produzione dettagliati, ecc. In sostanza, affrontiamo tutte le decisioni banali e ripetitive necessarie per mantenere in funzione la supply chain del cliente.

L’iniziativa della supply chain è destinata ad essere guidata dai Supply Chain Scientists (SCS) di Lokad. Un SCS è lì per creare tutte le ricette numeriche necessarie per automatizzare le decisioni della supply chain di interesse. Inoltre, lo SCS è responsabile della visualizzazione (ad esempio, attraverso report e dashboard) delle ricette numeriche in modo che i clienti (in particolare la dirigenza) possano capire sia come sia perché l’automazione offre una performance superiore a quella umana.

Il risultato di un’iniziativa della supply chain di Lokad è mettere in produzione la/e ricetta/e numerica/e che l’SCS ha creato per il cliente. Questo risultato automatizza le decisioni e converte efficacemente la supply chain in un asset produttivo per il cliente (nello stesso modo in cui un pezzo di attrezzatura automatizza la produzione di beni fisici).

Cosa significa “ottimizzazione sperimentale”?

L’ottimizzazione sperimentale è una metodologia, utilizzata da Lokad, per affrontare problemi in cui la stessa nozione di “miglioramento” non è chiara all’inizio del processo di ottimizzazione. Questa mancanza di chiarezza è dovuta al fatto che i criteri di ottimizzazione (metriche) e i loro livelli favorevoli non sono noti, o, anche se precedentemente fissati a determinati livelli, non possono essere immediatamente giustificati in termini finanziari (ad esempio, redditività, ROI, ecc.). Lo scopo dell’“ottimizzazione sperimentale” è stabilire un metodo rigoroso (alcuni direbbero “scientifico”) per quantificare cosa significa “miglioramento” per una supply chain dal punto di vista finanziario.

Ad esempio, consideriamo un negozio di moda che vuole migliorare la qualità del servizio. Uno dei principali problemi è che identificare cosa significhi realmente “qualità del servizio” per il cliente medio è difficile data la diversa natura delle abitudini di acquisto maschili rispetto a quelle femminili, così come l’influenza delle sostituzioni. Le sostituzioni, per loro natura, rendono difficile identificare come i clienti percepiscono la vostra offerta, anche se hanno effettuato un acquisto - ad esempio, acquistando una maglietta nera semplice invece di una bianca semplice che è esaurita. Sulla carta, è stato effettuato un acquisto, ma l’assenza della maglietta bianca semplice può segnare la fine della fedeltà del cliente, soprattutto se è un evento frequente. Inoltre, gli uomini sono meno propensi a dedicare tempo a sfogliare più articoli rispetto alle donne, quindi non avere l’articolo esatto che desiderano (o una sostituzione adeguata) può essere decisivo quando si tratta di effettuare un acquisto. Di conseguenza, ciò che la dirigenza pensa di sapere sul proprio business (e sui clienti) potrebbe essere estremamente fuorviante, il che a sua volta può orientare le loro strategie di stoccaggio nella direzione sbagliata.

A tal fine, l’ottimizzazione sperimentale consiste nel condurre una serie di esperimenti che mettono in discussione i criteri di ottimizzazione stessi - lo strumento stesso che quantifica se la supply chain è migliore o peggiore (ad esempio, “qualità del servizio”). La sostanza del metodo consiste nel selezionare un criterio, eseguire un’ottimizzazione matematica (o più specificamente un’ottimizzazione stocastica) rispetto a questo criterio e valutare le decisioni della supply chain risultanti. Questa valutazione non è aggregata, ma in confronto alle decisioni più folli che semplicemente non possono essere corrette. Il criterio deve quindi essere modificato al fine di eliminare gradualmente quelle decisioni folli, fino a quando non ne rimangono più.

Il criterio risultante è quindi stato ottenuto attraverso una serie di esperimenti. A differenza della prospettiva classica di ottimizzazione che assume che i criteri siano noti in anticipo, mai sfidati dal mondo reale; l’ottimizzazione sperimentale scopre i criteri confrontando ripetutamente i criteri con le impostazioni del mondo reale.

Per tornare all’esempio precedente della moda, un’ottimizzazione sperimentale potrebbe indicare che ridistribuire le scorte esistenti tra i negozi è la soluzione ottimale, o forse che semplicemente riorganizzare gli allestimenti in ogni negozio è sufficiente per stimolare un maggiore traffico e una maggiore percezione della qualità del servizio. Queste conclusioni sono scopribili solo dopo aver sperimentato ripetutamente (“aggiustando”) la ricetta numerica che genera la raccomandazione(i) di ottimizzazione.

La supply chain, come qualsiasi altro sistema, è più della somma delle sue parti. In effetti, la maledizione della supply chain è che la maggior parte delle presunte migliorie semplicemente sposta i problemi anziché risolverli, poiché i problemi vengono trattati come questioni locali anziché come espressioni di problemi a livello di sistema. Ad esempio, aumentare i livelli di servizio di solito comporta anche un aumento degli scarti di inventario. Pertanto, non è possibile spingere o aggiustare un elemento isolato all’interno di un sistema senza influenzare il resto del sistema. Di conseguenza, è sempre difficile quantificare se qualcosa sta migliorando o peggiorando il sistema (la supply chain).

Inoltre, nel caso specifico delle supply chain, questa difficoltà è aggravata dal fatto che di solito ci vuole molto tempo perché gli eventi si sviluppino. Nel caso del negozio di moda di prima, gli uomini possono essere incredibilmente fedeli a un negozio che ha costantemente gli articoli che desiderano, spinti dalla semplice comodità di non dover trascorrere troppo tempo a fare shopping. Di conseguenza, sperimentare eventi di esaurimento delle scorte può essere devastante per la fedeltà dei clienti e richiedere molto tempo per manifestarsi (poiché gli uomini possono fare acquisti solo poche volte all’anno, ma acquistano molti articoli ad ogni visita per massimizzare il valore di ogni viaggio). Queste considerazioni e contingenze confondono tutti gli approcci ingenui alla quantificazione delle prestazioni della supply chain, quindi Lokad propone una soluzione basata sull’ottimizzazione sperimentale.

Per una prospettiva più dettagliata, c’è una lezione completa su Ottimizzazione Sperimentale per la Supply Chain.

Cosa significa “previsione probabilistica”?

La previsione probabilistica è il processo di identificare tutti i possibili valori/futuri/outcome/scenari (ad esempio, la domanda per un determinato SKU) e assegnare una probabilità a ciascun valore. La probabilità rappresenta quanto è probabile che quel valore diventi “reale” (ad esempio, si potrebbe avere una probabilità del 3% di vendere 4 unità; una probabilità del 4% di vendere 5 unità; una probabilità del 2% di vendere 6 unità; ecc.). Numericamente, quando sommati insieme, questa distribuzione di probabilità (chiamata anche “previsione probabilistica”) copre il 100% dei valori potenziali (ad esempio, la domanda).

Una previsione è definita “probabilistica” se il valore previsto è una distribuzione di probabilità anziché un singolo punto. Le previsioni probabilistiche sono l’opposto delle tradizionali previsioni puntuali che dominano la teoria mainstream della supply chain. Il principale vantaggio delle previsioni probabilistiche è che abbracciano l’incertezza irriducibile del futuro, invece di fingere che la “previsione perfetta” sia dietro l’angolo se solo fosse possibile scoprire un modello leggermente più accurato. Le previsioni probabilistiche quantificano l’incertezza, e questa quantificazione è fondamentale per produrre successivamente decisioni di supply chain corrette dal punto di vista del rischio. Senza previsioni probabilistiche, le decisioni sono fragili in quanto ignorano completamente le variazioni banali (ad esempio, la domanda, il tempo di consegna) che si prevede accadano anche considerando le normali condizioni di mercato.

Vale la pena notare che qualsiasi previsione di serie temporale puntiforme può essere “matematicamente” trasformata in una distribuzione di probabilità. Questo è esattamente ciò che viene fatto con le scorte di sicurezza, poiché sia la domanda che il tempo di consegna possono essere accoppiati con distribuzioni normali (gaussiane). Tuttavia, mentre tali tecniche generano nominalmente distribuzioni di probabilità, tali tecniche mancano completamente il punto. La questione centrale da affrontare con una previsione probabilistica è quella di produrre una previsione più ricca - una previsione che contenga più informazioni rispetto a una previsione puntiforme. Questa previsione probabilistica non è necessariamente più accurata, proprio come una fotografia a colori non ha necessariamente una migliore risoluzione rispetto a una in bianco e nero. Tuttavia, per costruzione, una previsione puntiforme manca di questa dimensione aggiuntiva. Anche se un trucco matematico può essere utilizzato per aggiungere probabilità, tali probabilità saranno quasi interamente inventate, proprio come la colorazione di un’immagine può essere altamente plausibile pur essendo factualmente errata.

In breve, le previsioni probabilistiche rappresentano una delle fasi fondamentali di elaborazione dei dati necessarie per l’ottimizzazione predittiva di una supply chain.

Cosa si intende per “previsione generale”?

Una tecnica di previsione è definita “generale” se supporta dati che non si presentano come serie temporali. Infatti, sebbene le previsioni di serie temporali siano molto utili per scopi di visualizzazione, sono in definitiva un modello semplicistico e unidimensionale che non riesce a riflettere gli eventi come si svolgono in una supply chain del mondo reale.

Anche la considerazione di più serie temporali non risolve il problema.

Ad esempio:

• acquisti ripetuti da parte degli stessi clienti non possono essere modellati con serie temporali poiché una serie temporale di domanda appiattisce completamente l’origine di ogni unità acquistata.
• cannibalizzazione o sostituzione non possono essere rappresentate come serie temporali poiché le dipendenze tra gli elementi vengono perse.
• concorrenti che competono sui prezzi, sconti per quantità, livelli di servizio, ecc., non possono essere catturati da una serie temporale poiché non può riflettere questi fattori causali.

Nella teoria mainstream della supply chain, le previsioni di serie temporali sono l’alfa e l’omega. Tuttavia, un’attenta esame delle situazioni del mondo reale dovrebbe dimostrare che le previsioni di serie temporali sono invariabilmente una semplificazione gravemente fuorviante della situazione - vedere gli esempi elencati sopra. Nella teoria di Quantitative Supply Chain (QSC) di Lokad, è meglio essere approssimativamente corretti piuttosto che esattamente sbagliati. Fingere che un problema del mondo reale (ad esempio, le sostituzioni) non esista non fa scomparire il problema.

Per questo motivo, fin dai primi anni 2010 Lokad ha sviluppato e introdotto una serie di tecnologie di previsione superiori che forniscono forme di previsione più generali (oltre a quelle di base delle serie temporali). Secondo la nostra QSC, ogni singola fonte di incertezza richiede una previsione probabilistica propria. Queste “previsioni generali” non sono fornite da “modelli di previsione”, ma attraverso paradigmi di machine learning programmabili, come la programmazione differenziabile.

Cosa si intende per “previsione classica”?

Con “previsione classica” intendiamo la previsione puntiforme di serie temporali. Le previsioni puntiformi di serie temporali sono così onnipresenti nella teoria mainstream della supply chain che molte persone, compresi molti professionisti della supply chain, non si rendono conto che le previsioni puntiformi di serie temporali sono semplicemente una forma di previsioni statistiche. In realtà, esistono una serie di alternative alle previsioni statistiche, con le previsioni puntiformi di serie temporali che rappresentano una delle forme più semplicistiche.

Nota: Una previsione semplicistica non è necessariamente una cosa negativa. In effetti, Lokad ritiene che il software di previsione non debba essere più complicato di quanto necessario per svolgere il proprio compito. Detto questo, le previsioni puntiformi di serie temporali sono eccessivamente semplicistiche, come dimostrato in “Cos’è la “previsione generale”?”.

Le previsioni puntiformi di serie temporali hanno guadagnato popolarità all’inizio del XX secolo, mezzo secolo prima dell’avvento dei computer aziendali. Fino a quando i computer potenti sono diventati ampiamente accessibili, le previsioni puntiformi di serie temporali erano l’unico tipo di previsioni statistiche che potevano essere prodotte. Nonostante la loro estrema semplicità, produrre previsioni di serie temporali richiedeva già troppo lavoro per essere davvero valsa l’investimento, considerando che venivano effettuate senza la potenza di elaborazione dei computer aziendali. Di conseguenza, la maggior parte delle aziende utilizzava ogni sorta di trucchi per eliminare completamente la necessità di effettuare previsioni statistiche in primo luogo.

Ci sono due strade distinte e complementari per andare oltre le previsioni classiche. La prima strada consiste nel sostituire l’approccio delle “previsioni puntiformi” con quello delle “previsioni probabilistiche”.

Le previsioni probabilistiche, a differenza delle loro controparti “puntiformi”, forniscono densità di probabilità complete. Le previsioni probabilistiche abbracciano l’incertezza irriducibile del futuro e quantificano frontalmente questa incertezza. Dal punto di vista della supply chain, le previsioni probabilistiche sono nettamente superiori alle previsioni puntiformi perché si prestano al calcolo successivo delle decisioni di supply chain corrette in base al rischio. Al contrario, le previsioni puntiformi ignorano tutte le fonti di incertezza e le decisioni derivate da queste previsioni sono fragili per definizione.

La seconda strada consiste nel sostituire l’approccio delle “serie temporali” con un’alternativa di dimensione superiore. Le serie temporali sono unidimensionali per definizione. Questa limitazione intrinseca significa che le previsioni di serie temporali sono semplicemente incapaci di catturare anche le interdipendenze più basilari che possono essere osservate nel flusso dei beni della supply chain.

Ad esempio, le previsioni di serie temporali non possono comprendere la cannibalizzazione e la sostituzione. Non possono comprendere il rischio di avere un volume di vendite costante che dipende interamente da un singolo grande cliente (ad esempio, in situazioni B2B). Non possono comprendere la prospettiva del carrello di un cliente che fa acquisti in un ipermercato e ha bisogno di tutti gli ingredienti necessari per completare una ricetta (cioè, non avere un singolo articolo significa non acquistare nulla). Lokad utilizza la programmazione differenziabile per creare modelli predittivi che vanno oltre la prospettiva unidimensionale delle serie temporali e catturano le vere informazioni di interesse.

In conclusione, la previsione classica è una prospettiva statistica antiquata che non ha posto in una supply chain moderna. Fidarsi delle previsioni classiche - alias previsioni puntiformi di serie temporali - è una ricetta per il fallimento, poiché tali previsioni portano a decisioni fragili nel migliore dei casi e decisioni completamente errate nel peggiore dei casi. Invece, consigliamo di utilizzare previsioni probabilistiche generali, sfruttando tipicamente un paradigma di machine learning programmabile come la programmazione differenziabile.

Cosa si intende per “la prospettiva del carrello”?

La prospettiva del carrello è una preoccupazione di primaria importanza per tutti i settori in cui ci si aspetta che i clienti acquistino molti articoli contemporaneamente (come una singola transazione), anziché un singolo articolo. Si riferisce al valore percepito di avere gli acquisti effettuati in combinazione anziché in modo isolato. In altre parole, il valore di tutti gli articoli disponibili come un tutto potrebbe essere maggiore della somma dei valori separati degli articoli acquistati singolarmente. Questa prospettiva è fondamentale per molti settori, come ad esempio il commercio al dettaglio di articoli generici. Riconoscere questa interdipendenza nella domanda porta a decisioni superiori sulla supply chain rispetto alle metodologie tradizionali che trattano ogni acquisto di SKU come un evento isolato.

Ad esempio, consideriamo un cliente che entra in un supermercato per acquistare più articoli. Questi articoli rappresentano una miscela di generi di prima necessità (ad esempio, latte, pane e uova) e acquisti facoltativi (ad esempio, gelato e cioccolato). Se il supermercato ha una carenza di scorte per un articolo facoltativo (ad esempio, cioccolato), è probabile che il cliente acquisti comunque gli altri articoli (latte, pane, uova e gelato). Tuttavia, se c’è una carenza di scorte per un articolo di prima necessità (ad esempio, latte), il cliente potrebbe andarsene senza comprare nulla e recarsi da un concorrente per completare i propri acquisti. Pertanto, la penalità finanziaria della carenza di scorte per l’articolo essenziale si estende oltre l’articolo stesso, influenzando l’intero carrello delle vendite.

Fondamentalmente, ci sono relazioni tra i prodotti e l’assenza di alcuni prodotti influisce sulla probabilità che i clienti acquistino altri prodotti. Lokad incorpora questo fenomeno sottile ma significativo nelle sue raccomandazioni decisionali sulla supply chain per ottimizzare l’inventario e ridurre le carenze di scorte (classificate da quelle che farebbero più male a quelle che farebbero meno male), migliorando così le vendite complessive, i profitti dei clienti e la soddisfazione dei clienti.

Cosa si intende per “scienziato della supply chain”?

Uno scienziato della supply chain (SCS) è la persona che guida una delle iniziative di Supply Chain Quantitativa (QSC) di Lokad con un cliente, ad esempio la fornitura di ordini di acquisto corretti in base al rischio, liste di allocazione delle scorte, prezzi, ecc. Il termine “scienziato della supply chain” è stato coniato da Joannes Vermorel, CEO e fondatore di Lokad, nel 2017. L’impegno principale dello SCS è la generazione, la manutenzione e la proprietà delle ricette numeriche responsabili delle decisioni in una determinata iniziativa di supply chain.

A differenza di un data scientist, la cui responsabilità principale consiste nella produzione di modelli per supportare il processo decisionale, lo SCS si assume la responsabilità personale della qualità delle raccomandazioni decisionali generate dalle ricette numeriche. Inoltre, lo SCS si assume anche la responsabilità diretta della creazione di tutti gli strumenti di strumentazione (ad esempio, cruscotti, report) che spiegano la logica e l’adeguatezza delle decisioni generate. Potrebbe sembrare un po’ paradossale, ma mentre Lokad enfatizza la robotizzazione dei processi decisionali noiosi, mettiamo anche la responsabilità personale al centro. Una QSC non è un “sistema” responsabile delle prestazioni della supply chain, ma è una persona che guida la QSC.

Tuttavia, sebbene uno SCS abbia una responsabilità personale, non è solo nella sua missione. Lokad è interamente dedicata a garantire che ogni SCS riceva il massimo supporto possibile. Ciò implica fornire allo SCS tutti gli strumenti software necessari, strumenti matematici, metodologie, formazione e monitoraggio da parte di SCS senior.

Una descrizione più dettagliata di ciò che fa uno SCS può essere trovata nel nostro articolo dedicato Lo Scienziato della Supply Chain.

Cosa si intende per “praticante della supply chain”?

Il termine “praticante della supply chain” si riferisce generalmente a tutte le persone che sono tradizionalmente coinvolte o responsabili delle decisioni della supply chain necessarie per il funzionamento dell’azienda. Poiché non esiste una terminologia unificata, il titolo varia a seconda dei settori e da un’azienda all’altra. Alcune variazioni comuni di “praticante della supply chain” includono pianificatore di offerta e domanda, analista di inventario, previsionista di domanda, responsabile di categoria, responsabile di inventario, responsabile di produzione, responsabile degli acquisti, responsabile dei prezzi, ecc.

La Supply Chain Quantitativa (QSC) offre una visione modernizzata del ruolo del praticante della supply chain. Mentre il praticante tradizionale della supply chain è direttamente responsabile del supporto manuale al processo decisionale, la QSC consiglia di meccanizzare completamente tutte le attività ripetitive. Attraverso questa robotizzazione, i praticanti della supply chain possono concentrarsi su compiti che apportano maggior valore aggiunto all’azienda. In particolare, i praticanti della supply chain sono all’avanguardia nel mettere in discussione le ricette numeriche (i componenti software che supportano la robotizzazione della supply chain) raccogliendo feedback e informazioni di alto livello da clienti e fornitori.

Cosa significa “esecutivo della supply chain”?

Per Lokad, questo termine si riferisce specificamente a una persona che è in grado di arbitrare proposte contrastanti all’interno dell’azienda riguardanti i processi decisionali robotizzati che orchestrano la supply chain.

Questo ruolo è fondamentale in un’iniziativa di Supply Chain Quantitativa (QSC), che unifica i processi decisionali della supply chain attraverso valutazioni finanziarie esplicite eseguite con logica software. La QSC mette in luce tutte le contraddizioni e ambiguità che tipicamente preesistono nell’azienda. Di conseguenza, per assicurarsi che un’iniziativa di supply chain non si blocchi per pura indecisione, è necessario nominare un esecutivo della supply chain con il potere di arbitrare proposte contrastanti da una prospettiva strategica (ad esempio, raggiungere il livello di servizio previsto a ogni costo rispetto a trovare un insieme ottimizzato di decisioni all’interno di un budget limitato).

Nota: La QSC non assume che l’esecutivo della supply chain abbia una capacità innata di essere “giusto” tutto il tempo. Separare ciò che funziona da ciò che non funziona è il ruolo della metodologia di ottimizzazione sperimentale che Lokad impiega, non dell’esecutivo della supply chain.

Cosa si intende per “decisione adattata al rischio”?

Nel contesto dell’ottimizzazione della supply chain, una decisione è definita adattata al rischio se bilancia attentamente i costi economici associati allo stato futuro incerto del mercato e della supply chain stessa. Una decisione adattata al rischio è “migliore” nel senso che, considerando tutti i futuri possibili e le relative probabilità, l’outcome finanziario medio associato a questa decisione si rivelerà superiore rispetto alle alternative.

Inoltre, le decisioni adattate al rischio tendono ad essere decisioni anti-fragili (a differenza delle decisioni fragili). Ciò significa che i loro guadagni economici attesi rimangono relativamente buoni (o appena accettabili) per una vasta gamma di variazioni future. Questa proprietà è ottenuta grazie all’inclusione di tutti i vincoli e i costi non lineari (ad esempio, la deperibilità).

L’assunzione implicita alla base dell’idea stessa delle decisioni adattate al rischio è che i seri costi economici si trovino agli estremi: è la “domanda inaspettatamente alta” che causa le scorte esaurite e la “domanda inaspettatamente bassa” che causa le scorte eccessive. Nel frattempo, tutto procede più o meno secondo i piani e qualsiasi miglioramento apportato al caso “secondo i piani” è per lo più trascurabile per l’azienda.

Al contrario, la maggior parte dei processi decisionali raccomandati dalla teoria dominante della supply chain non generano decisioni adattate al rischio. Infatti, le decisioni sono tipicamente fragili. Sono fragili (vedi spiegazione completa di seguito) perché mancano dell’unico ingrediente critico per generare una decisione adattata al rischio in primo luogo: una previsione probabilistica. Infatti, se l’unica previsione disponibile è una previsione di serie temporale a punto, allora il processo decisionale sta implicitamente andando “all in” su un singolo valore futuro (ad esempio, la domanda) che si presume essere perfettamente noto. Questo approccio porta inevitabilmente a decisioni fragili in quanto diventano immediatamente inadeguate nel momento in cui si presenta un’eccezione o un rischio imprevisto - qualcosa che è troppo comune nella supply chain e troppo facile da prevedere con una previsione probabilistica.

Un’illustrazione più dettagliata (sebbene più tecnica) di come vengono derivate le decisioni adattate al rischio nella pratica può essere trovata nel nostro tutorial Riapprovvigionamento inventario prioritizzato in Excel con previsioni probabilistiche e nella nostra lezione QSC Allocare le scorte al dettaglio con previsioni probabilistiche.

Cosa si intende per “decisione fragile”?

Nel contesto dell’ottimizzazione della supply chain, una decisione è fragile se piccole variazioni delle condizioni di mercato o dello stato della supply chain stessa compromettono i guadagni economici che erano originariamente previsti da questa decisione. I processi decisionali promossi dalla teoria dominante della supply chain producono inevitabilmente decisioni fragili - anche considerando condizioni di mercato lievi in cui non succede nulla di rilevante.

Secondo la nostra opinione, le decisioni devono essere adattate al rischio. Questo è l’approccio raccomandato dalla filosofia di Lokad sulla Supply Chain Quantitativa (QSC). Nella pratica, produrre una decisione adattata al rischio richiede due ingredienti importanti: prima di tutto, previsioni probabilistiche, e in secondo luogo, ottimizzazione stocastica.

Le previsioni probabilistiche quantificano l’incertezza futura sotto forma di una distribuzione di probabilità. L’ottimizzazione stocastica calcola la decisione che si rivelerà “la migliore” in media considerando tutti i futuri possibili e le rispettive probabilità. Lo fa combinando i driver economici, i vincoli e le previsioni probabilistiche.

Cosa si intende per corruzione epistemica?

La corruzione epistemica si verifica quando un corpo di conoscenza perde la sua integrità e smette di essere di valore per le persone o l’organizzazione che si basa su questa conoscenza per il miglioramento della propria attività.

La supply chain, come campo di studio, ha purtroppo subito un grave caso di corruzione epistemica dalla fine della Seconda Guerra Mondiale. Ci sono due cause principali per questa situazione attuale:

Innanzitutto, l’accademia, per lo più involontariamente, ha abbandonato il campo decenni fa. Mentre ogni anno vengono pubblicati decine di migliaia di articoli, praticamente nessuno di questi può essere riprodotto o falsificato (nel senso popperiano di falsificazione*). A differenza di altri campi che non soffrono di una diffusa corruzione epistemica (ad esempio lo studio degli algoritmi), gli articoli sulla supply chain vengono quasi mai utilizzati in contesti reali e certamente non per molto tempo quando lo sono.

In secondo luogo, gli analisti di mercato, i fornitori di software e i consulenti agiscono da avversari da decenni. Infatti, ci sono profitti da ottenere nel prolungare anziché affrontare i problemi. Metodi antiquati che sarebbero scomparsi da molto tempo sono stati messi in vita da attori che erano troppo desiderosi di mantenere lo status quo. Stranamente, lo status quo è durato così a lungo che la maggior parte di queste persone può sinceramente affermare che, dal loro punto di vista, i metodi sono “sempre” esistiti - perché, tecnicamente, i problemi li precedono effettivamente.

La soluzione ai diffusi casi di corruzione epistemica sono metodologie e metodi più efficaci che consentano alle aziende di separare più velocemente (e meglio) il grano dalla pula. A tal fine, Lokad sta conducendo uno sforzo di rifondazione della supply chain dal 2011. Questo nuovo approccio è chiamato “Supply Chain Quantitativa” (QSC). Include tecniche e metodologie alternative, come le previsioni probabilistiche e l’ottimizzazione sperimentale.

*Il concetto di “falsificazione nel senso popperiano” si riferisce qui alla filosofia della scienza sviluppata da Karl Popper. Secondo Popper, affinché una teoria sia considerata scientifica, deve essere falsificabile, ovvero deve essere possibile concepire un’osservazione o un esperimento che potrebbe dimostrare che la teoria è sbagliata. In altre parole, le teorie scientifiche dovrebbero fare previsioni che possono essere testate e potenzialmente confutate. Questo concetto è fondamentale per distinguere le teorie scientifiche da quelle non scientifiche. La ricerca sulla supply chain (tipicamente) manca di falsificabilità poiché le teorie non possono essere testate e potenzialmente confutate, il che mina il loro valore scientifico e contribuisce alla corruzione epistemica del campo.

Cosa si intende per “correttezza progettuale”?

La correttezza progettuale è un principio che enfatizza l’importanza di garantire che il design di un sistema impedisca intrinsecamente determinati tipi di errori o guasti. Questo approccio è in contrasto con la pratica più comune di fare affidamento su test approfonditi e controllo di qualità per individuare e correggere problemi dopo che si sono verificati. L’obiettivo della correttezza progettuale è ridurre al minimo la necessità di manutenzione continua e ridurre il rischio di guasti catastrofici che possono derivare da sistemi complessi. Nel contesto dell’ottimizzazione della supply chain, la correttezza progettuale è particolarmente rilevante perché il livello analitico (il livello responsabile dei processi decisionali) non deve aumentare il caos endemico alla supply chain - un ambiente già caotico, va ammesso.

Le ricette numeriche - destinate a supportare i processi decisionali della supply chain - sono spesso implementate con strumenti generici che non offrono correttezza progettuale. Di conseguenza, tali ricette numeriche falliscono tipicamente a causa di mille tagli. La produzione fallisce a causa di errori di indice fuori intervallo, errori di memoria esaurita, condizioni di gara, sovraccarichi o sottocarichi numerici, ecc. “Muoversi velocemente e rompere le cose” è una filosofia ingegneristica accettabile per un’app di stile di vita, non per un sistema aziendale critico.

A tal fine, Lokad ha sviluppato Envision, il suo DSL (linguaggio di programmazione specifico del dominio) dedicato all’ottimizzazione predittiva delle supply chain con la correttezza progettuale in mente. Lokad non ha iniziato con Envision quando è stata fondata nel 2008. Per anni, ci siamo affidati a linguaggi di uso generale come Python. Ci sono voluti anni per capire che i nostri tentativi fallivano più spesso che no a causa di Python.

Ancora più sorprendente, la situazione era esattamente la stessa per i team di data science dei nostri stessi clienti. La storia si svolgeva quasi sempre allo stesso modo: entro tre settimane, il team di data science aveva creato quello che sembrava essere un prototipo molto promettente. Tuttavia, dopo un anno di intensi sforzi per assicurarsi che funzionasse nelle reali condizioni di produzione, il progetto veniva scartato perché non aveva mai raggiunto la necessaria “maturità produttiva”.

Così, dopo anni di dolore e sofferenza, abbiamo concluso nel 2012 che il linguaggio di programmazione stesso era il problema principale da affrontare. In altre parole, Python non era la soluzione, ma il problema. Così, senza alternative migliori, il team di ingegneria di Lokad ha avviato un impegno di ingegneria decennale per creare un DSL dedicato alle supply chain che affrontasse “per progettazione” tutti questi problemi nel modo più completo possibile. Ecco come è nato Envision.

A distanza di oltre un decennio, ora abbiamo diversi miliardi di inventario (USD ed EUR) sotto il controllo diretto delle estese ricette numeriche scritte in Envision. Envision ha migliorato notevolmente non solo la produttività degli scienziati della supply chain di Lokad, ma ha anche ridotto enormemente la frequenza degli errori “stupidi” e molto costosi.

In conclusione, la correttezza progettuale è un requisito fondamentale per qualsiasi linguaggio di programmazione destinato a guidare le supply chain del mondo reale. Molti fornitori di software, per pura negligenza o incompetenza, non affrontano frontalmente questo problema, causando invariabilmente danni immensi ai loro clienti.

Cosa si intende per “manutenibilità”?

La manutenibilità, nel contesto del software per la supply chain, si riferisce alla capacità dell’azienda e dei suoi fornitori di software di supporto di mantenere il proprio panorama applicativo in funzionamento.

Per quanto riguarda la “gestione” della supply chain, la “manutenibilità” è una questione relativamente semplice. Ci sono una serie di patch di sicurezza e compatibilità per mantenere il software funzionante in condizioni mutevoli (ad esempio, cambiamenti di sistemi operativi, browser, versioni di database, ecc.). A meno che l’azienda non desideri apportare modifiche funzionali alle sue app di “gestione”, la manutenibilità è in gran parte garantita se il fornitore è anche solo modestamente competente.

Tuttavia, l’ottimizzazione della supply chain è un problema molto diverso. Le ricette numeriche che automatizzano i processi decisionali perdono inevitabilmente la loro rilevanza nel tempo. La causa del decadimento non è tanto il crescere e il diminuire del mercato, quanto piuttosto la capacità di adattarsi numericamente a questo tipo di variazione come parte delle ricette numeriche statiche (ad esempio, una media mobile fa questo, sebbene in modo approssimativo).

Piuttosto, la causa del decadimento è l’evoluzione dei problemi da risolvere. Le condizioni di mercato in evoluzione non richiedono semplicemente risposte che sono quantitativamente diverse, ma risposte completamente diverse. Ad esempio, le aziende di vendita per corrispondenza non hanno mai dovuto affrontare il problema di indirizzare i loro investimenti in SEM (search engine marketing) per supportare la liquidazione dell’eccesso di inventario - una situazione che le aziende di e-commerce affrontano regolarmente.

Il software di ottimizzazione della supply chain è molto più suscettibile alle condizioni di mercato in evoluzione rispetto al software di gestione della supply chain. Nel 2024, non è raro incontrare aziende che ancora utilizzano un sistema di gestione degli stock che è stato implementato negli anni ‘90 (che potrebbe sembrare ancora funzionare bene), dato che i compiti di gestione degli stock amministrativi sono rimasti praticamente invariati negli ultimi 30 anni. Tuttavia, una logica di ottimizzazione della supply chain che può rimanere rilevante anche per 3 anni è estremamente rara.

La maggior parte dei fornitori di ottimizzazione della supply chain non riconosce questo problema fondamentale. Di conseguenza, gli investimenti tendono ad essere fortemente concentrati all’inizio, quando l’azienda cliente viene integrata dai fornitori. Durante i primi mesi, mentre il fornitore è ancora fortemente coinvolto in una configurazione in evoluzione, la soluzione dà l’illusione di essere soddisfacente. Tuttavia, dopo 18 mesi dalla fine della fase di integrazione da parte del fornitore di software, le ricette numeriche si sono deteriorate fino a diventare irrilevanti. Invariabilmente, gli operatori della supply chain tornano ai loro fogli di calcolo che, nonostante siano rudimentali, possono essere mantenuti in modo da rimanere in qualche modo rilevanti.

Il problema della manutenibilità è una delle principali ragioni che hanno portato Lokad nel 2012 a creare Envision - un DSL (linguaggio di programmazione specifico del dominio) dedicato all’ottimizzazione predittiva delle supply chain. Infatti, durante i primi anni di Lokad (fondata nel 2008), ci siamo resi conto che qualsiasi ricetta numerica potessimo creare, più spesso che no, e non importa quanto fosse buona la nostra implementazione iniziale, quelle ricette avrebbero dovuto essere riscritte in modo estensivo ogni 18 mesi circa. Questo era il prezzo da pagare per mantenere l’automazione strettamente allineata con la strategia e le priorità in continua evoluzione dei nostri clienti. Pertanto, Envision è stato appositamente progettato per soddisfare la necessità di riscrittura costante al fine di evitare l’irrilevanza.

In conclusione, la manutenibilità, per quanto riguarda l’ottimizzazione della supply chain, è in gran parte definita dalla capacità dell’azienda di riscrivere routine le ricette numeriche che governano l’esecuzione della propria supply chain. Sebbene questa capacità dipenda dalla dimensione del team di Supply Chain Scientist che può essere allocato per il compito, dipende anche molto dalla qualità del linguaggio di programmazione utilizzato per implementare le ricette numeriche in primo luogo.