LA CATENA LOGISTICA QUANTITATIVA IN BREVE (RIASSUNTO LEZIONE 1.2)

Sebbene la catena logistica quantitativa (QSC) e le iniziative tradizionali cerchino entrambe di generare le migliori decisioni aziendali (e rendimenti finanziari), la prima si discosta dalla seconda in diversi modi significativi. Queste caratteristiche distintive, come delineato nel Manifesto della Catena Logistica di Lokad, riassumono i principi fondamentali che guidano l’approccio di Lokad all’ottimizzazione della catena logistica. Oltre all’intervento software, la QSC promuove una ricalibrazione generale della mentalità, che riporta l’attenzione sulle forze più importanti, sebbene meno immediatamente visibili, che esercitano effettivamente la maggiore influenza sulla catena logistica.

Guarda la Lezione

Tutti i futuri possibili

Per definizione, un’iniziativa di catena logistica è un tentativo di identificare e soddisfare la domanda futura. Il problema è che il futuro (in tutti i contesti) è intrinsecamente e irriducibilmente incerto; esiste una straordinaria gamma di possibili risultati futuri, ognuno dei quali possiede la propria probabilità di verificarsi. Il punto cruciale è che non tutti i risultati sono ugualmente probabili. Lo stesso vale per le catene di approvvigionamento, tuttavia, le soluzioni tradizionali al problema dell’incertezza della domanda, come le previsioni a serie temporale, semplicemente ignorano l’incertezza. Invece, le soluzioni tradizionali si concentrano sulla produzione di un singolo valore di domanda futura, successivamente rinforzato con una formula predefinita di scorta di sicurezza.

Questo approccio ignora fondamentalmente la molteplicità di possibili valori di domanda futura, lasciando un’azienda completamente esposta se la domanda non soddisfa le aspettative. La QSC, tuttavia, accoglie l’incertezza e identifica tutti i possibili valori di domanda futura (con probabilità non nulla). Questa intuizione è il prodotto della previsione probabilistica della domanda, che è alla base della QSC, e fornisce un quadro molto più dettagliato della domanda futura rispetto alla classica serie temporale.

Tutte le decisioni fattibili

Fondamentalmente, un’azienda è la somma di una straordinaria serie di decisioni e vincoli. Per quanto riguarda le decisioni, un’azienda deve confrontarsi con scelte sia a livello macro che micro; ad esempio, spostare una fabbrica in un luogo vicino rappresenta una decisione significativa a livello macro, mentre scegliere di aumentare o diminuire la quantità di acquisto di una unità rappresenta una decisione di routine a livello micro. Ogni decisione comporta un proprio costo opportunità - non si può spendere lo stesso dollaro due volte - e conseguenze - come influisce sull’azienda, direttamente e indirettamente.

In generale, un professionista della supply chain si confronta con un maggior numero di decisioni a livello micro rispetto a quelle a livello macro. Queste decisioni a livello micro sono spesso le più banali, ma rappresentano uno strato di complessità preoccupante, ulteriormente complicato una volta che un’azienda considera i propri vincoli (senza contare quelli dei fornitori e dei clienti). Questi possono essere quantità minime d’ordine (MOQ), quantità economiche d’ordine (EOQ), lotti di produzione, spazio disponibile sugli scaffali, date di scadenza, ecc. In presenza di questi numerosi parametri e dello spettro dell’incertezza futura, il concetto di una decisione perfetta per la supply chain è al massimo fantasioso.

Al contrario, la QSC cerca di identificare tutte le decisioni fattibili. In questo contesto, una decisione è “fattibile” se è immediatamente attuabile, il che significa che è pienamente conforme ai vincoli aziendali. Classificare queste decisioni fattibili (alla ricerca di quella più ottimale) richiede non solo una comprensione sofisticata dei vincoli aziendali, ma anche una comprensione molto dettagliata dei suoi driver economici.

Driver economici

Nel complesso, la QSC dà priorità alla riduzione degli errori in termini di dollari rispetto all’aumento dell’accuratezza delle previsioni. Sebbene possa sembrare controintuitivo, una previsione più accurata non si traduce automaticamente in un maggiore profitto o in una migliore performance aziendale. Ad esempio, si potrebbe garantire un livello di servizio del 99,99% semplicemente ordinando molto più stock di quanto si potrebbe effettivamente vendere. Per quanto riguarda la soddisfazione del cliente, l’azienda avrebbe successo. Tuttavia, questa politica comporterebbe enormi svalutazioni, influenzando negativamente il bilancio dell’azienda.

Pertanto, in un certo senso, c’è un inevitabile compromesso tra un livello di servizio più elevato e un ritorno economico. La QSC non si concentra solo sulla riduzione degli errori in termini di dollari, ma adotta una visione economica ancora più dettagliata, tenendo conto sia dei driver di primo che di secondo ordine. I driver di primo ordine possono essere considerati quelli immediatamente evidenti e ordinari, comunemente presenti nei registri contabili e nei sistemi ERP tradizionali: costo dei materiali, margine lordo, costo di gestione del magazzino, ecc. I driver di secondo ordine sono più sfumati, meno immediati e del tutto assenti dai tradizionali software aziendali. Questi driver rappresentano gli effetti di secondo ordine delle proprie decisioni e costituiscono una classe di preoccupazioni più astratta.

Consideriamo gli effetti a valle di un evento di esaurimento delle scorte. In un contesto B2B, un’azienda può subire penalità contrattuali per queste situazioni, che rappresentano un chiaro incentivo finanziario per evitare di mancare gli obiettivi di livello di servizio. In un contesto B2C, questi incentivi sono molto meno chiari. Non esiste un accordo esplicito sul livello di servizio tra un’azienda (ad esempio, un supermercato) e i suoi clienti, quindi non esiste un meccanismo tradizionale per misurare l’impatto di un evento di esaurimento delle scorte. Ciò potrebbe portare alcuni professionisti a sottovalutare - o addirittura a ignorare completamente - le conseguenze negative di non avere abbastanza latte sugli scaffali.

QSC, tuttavia, sostiene che gli eventi di esaurimento delle scorte per alcuni SKU comportano impatti finanziari inaspettatamente elevati, e questi sono sproporzionatamente elevati rispetto ai loro contributi diretti al margine. In altre parole, alcuni articoli, come i frigoriferi, vengono tipicamente acquistati in modo isolato. Altri, come il latte e il pane, vengono tipicamente acquistati in cestini, cioè in combinazione con altri beni. Pertanto, la non disponibilità di determinati SKU può influenzare le decisioni di acquisto complessive di un cliente.

Ad esempio, una persona potrebbe essere perfettamente felice di aspettare che il suo modello di frigorifero preferito sia disponibile, ma la mancanza di latte in un negozio potrebbe indurre la stessa persona a lasciare e completare la spesa altrove. Questi ultimi SKU, sebbene forse non siano driver di margine significativi in senso diretto, hanno un valore di inventario significativo dato il loro valore indiretto: facilitano la vendita di altri beni. Pertanto, in questo esempio, la penalità per l’esaurimento delle scorte del latte non si limita al latte stesso; include la perdita di tutti gli altri articoli nel cestino.

In QSC, questo valore meno ovvio è espresso come copertura dell’esaurimento delle scorte (un driver di ricompensa) e viene considerato nelle politiche di inventario prioritizzate¹.

Il controllo richiede l’automazione

Una volta che un’azienda ha identificato tutti i possibili valori futuri della domanda, ha considerato le decisioni fattibili e le ha classificate rispetto a tutti i loro driver economici, il passo successivo in QSC è automatizzare completamente il processo decisionale della supply chain (o, almeno, generare automaticamente le decisioni consigliate). Questa automazione va in netto contrasto con la pratica comune, ovvero i dipartimenti di impiegati con fogli di calcolo.

In realtà, una supply chain è un sistema di attori (ad esempio, grossisti, fornitori, clienti), vincoli (ad esempio, tempi di consegna, budget, livelli di servizio) e forze esterne (ad esempio, stagionalità , disastri naturali, prezzi dei concorrenti). Aspettarsi che una mente umana (o anche un team di menti) si confronti con tutte queste variabili anche solo per un singolo SKU è semplicemente irragionevole, figuriamoci per un catalogo di migliaia di SKU per più negozi.

Inoltre, qualsiasi tentativo di innovazione all’interno di tale framework è destinato alla burocrazia e alla costosa riqualificazione, entrambe produrranno ritardi e inefficienze. Dall’altro lato di questo spettro, QSC cerca di implementare una ricetta numerica end-to-end che genera tutte le decisioni banali e mondane della supply chain per la gestione operativa. Queste sono le decisioni che consumano troppi dollari di attenzione e deviano la banda da preoccupazioni molto più urgenti.

QSC, come tale, tratta la supply chain come un asset anziché come una spesa; è un processo che dovrebbe essere ottimizzato (e automatizzato) al fine di ottenere il suo valore massimo².

Lo scienziato della supply chain

Un software di supply chain, per quanto impressionante, non può autogovernarsi, tanto meno assumersi la responsabilità dei risultati che genera. L’efficacia di una ricetta numerica è, infatti, limitata dall’esperienza dello scienziato dei dati che la implementa e la monitora. Presso Lokad, questo ruolo è svolto dallo scienziato della supply chain (SCS).

Uno SCS è responsabile, tra le altre cose, di elaborare i dati per l’iniziativa QSC e di assumersi la responsabilità dell’implementazione di successo della ricetta numerica. Stabilire una semantica valida dei dati (cosa significano effettivamente i dati) richiede notevole competenza, poiché il successo del QSC si basa non solo sull’elaborazione dei dati, ma anche sulla comprensione dei dati in primo luogo. Nonostante i progressi dell’IA, questo è ancora un processo guidato dall’uomo.

Ad esempio, analizzare semplici dati storici sulle vendite può sembrare relativamente semplice, ma questo dataset può essere fuorviante a causa di numerosi fattori nascosti. I dati possono contenere involontariamente promozioni, quindi non riflettono la vera domanda di beni a prezzo pieno. In alternativa, la cronologia potrebbe contenere resi, dando un’altra falsa impressione della domanda. Il termine quantità al giorno è soggetto a numerose interpretazioni; potrebbe riflettere il giorno in cui è stata effettuata una vendita, o il momento in cui è stata accettata una prenotazione, o quando è stato ricevuto il pagamento del cliente. Questo non tiene conto della complessità aggiuntiva che un ERP aziendale potrebbe introdurre nel processo.

Tutto ciò per dire che comprendere i dati è complicato e richiede un esperto scienziato della supply chain per prendere in mano il processo e supervisionare il funzionamento quotidiano della ricetta numerica³.

Note