Previsioni nude (Antipattern della supply chain)

Nessuno avrebbe lasciato intendere che non vedeva nulla, perché ciò avrebbe dimostrato che non era adatto al suo ufficio o era molto stupido. Nessun abito dell’Imperatore aveva mai avuto tanto successo come questi. (I vestiti nuovi dell’Imperatore, di Hans Christian Andersen, 1909)

Alias: Gosplan (pianificazione sovietica)

Categoria: organizzazione

Problema: un’azienda si trova di fronte a rotture di stock ricorrenti e a un eccesso di inventario. Questi problemi sono molto costosi. I clienti stanno passando ai concorrenti a causa delle rotture di stock, ma l’eccesso di inventario finisce sempre per essere costoso da liquidare. Mentre le macro-previsioni, a livello di rete o per categorie di prodotti, sono relativamente accurate e imparziali, vengono commessi molti errori a livello di SKU, prevedendo sia troppo che troppo poco. L’azienda ha già effettuato diverse iterazioni con i fornitori di software, eppure, anche se ogni fornitore sostiene di aver migliorato l’accuratezza delle previsioni rispetto al sistema precedente, l’eccesso di inventario e le rotture di stock rimangono più diffusi che mai.

Evidenza aneddotica: le previsioni sono sempre sbagliate, tutti lo sanno, ma le persone responsabili della pianificazione sembrano avere una serie infinita di scuse per far fronte alla situazione.

Contesto: l’azienda ha diversi team per orchestrare la sua supply chain, in particolare: il team di pianificazione, il team di acquisti, il team di produzione, il team di riapprovvigionamento e il team di pricing. Il team di pianificazione produce la previsione primaria della domanda per ogni singolo prodotto da lanciare e vendere dall’azienda. Poiché la previsione deve coprire una parte considerevole del ciclo di vita del prodotto, l’orizzonte di previsione è lungo - almeno 3 mesi e spesso oltre 1 anno. La previsione primaria della domanda, il “piano”, viene prima trasformata in quantità acquistate, poi in quantità prodotte, poi in allocazioni di stock, ecc. Infine, a seconda che i livelli di stock fluttuino al di sopra o al di sotto dei livelli stabiliti dal piano, i prezzi vengono regolati, talvolta al rialzo, ma soprattutto al ribasso.

Soluzione presunta: il “piano” - ovvero la previsione prodotta dal team di pianificazione - ha problemi di accuratezza poiché i prodotti vengono venduti più velocemente o più lentamente rispetto alle previsioni originali. Tuttavia, i metodi di previsione utilizzati dall’azienda sono piuttosto rudimentali, in parte realizzati con fogli di calcolo, e sicuramente devono esistere modi più accurati per produrre quelle previsioni. La direzione decide che qualcosa deve essere fatto riguardo a quelle previsioni e avvia un’iniziativa per migliorare l’accuratezza delle previsioni. A questo punto, di solito viene coinvolto un fornitore esterno - poiché le statistiche avanzate non sono esattamente una competenza di base dell’azienda - sia per fornire un software, sia per fornire una formazione al personale di pianificazione.

Contesto risultante: vengono investiti molti sforzi per migliorare le previsioni. Secondo alcune metriche, le previsioni stanno migliorando. D’altra parte, tutte le altre squadre, al di fuori della pianificazione, erano abituate ai difetti dei vecchi metodi di previsione e avevano già sviluppato i loro modi per far fronte alle limitazioni. Poiché il team di pianificazione cambia la sua ricetta, tutte le altre squadre devono imparare a far fronte ai nuovi difetti della nuova ricetta di previsione. Ciò causa molta frizione per un po’ di tempo. Successivamente, mentre la revisione di tutti i processi della supply chain guidati dalle previsioni produce alcuni frutti facili da cogliere - completamente non correlati alle previsioni in sé - la direzione non vede alcun risultato misurabile dall’iniziativa. Gli eccessi di magazzino sono ancora un problema, le mancanze di magazzino sono ancora frequenti come sempre. Mettendo da parte le metriche matematiche fantasiose, la percezione generale all’interno dell’azienda rimane che le previsioni siano ancora tanto scadenti quanto prima. Alcuni dipendenti chiave coinvolti nell’iniziativa di previsione si sono ora trasferiti in campi più verdi, spesso in altre aziende. Nessuno possiede realmente i risultati delle iniziative di previsione fallite, ma ne rimangono tracce sia nei processi che negli strumenti software utilizzati dall’azienda.

Forze seducenti: una previsione più accurata sembra essere una soluzione miracolosa. Tutti, dal team degli acquisti al team di merchandising del negozio, concordano sul fatto che risolverebbe quasi tutti i problemi dell’azienda: spingere solo i prodotti più venduti sul mercato, mantenere solo la capacità sufficiente per soddisfare la domanda ma non di più, smettere di offrire sconti, … È anche un problema unidimensionale: ridurre l’errore di previsione. È facile comunicare l’intento dell’iniziativa a tutte le parti interessate e sembra un modo razionale - addirittura scientifico - per migliorare l’azienda. Inoltre, fondamentalmente non tocca lo status quo in alcun modo significativo. Nessuno vede minacciata la propria posizione dall’avvento potenziale di previsioni più accurate, nessuno ha la possibilità di ripensare al proprio scopo all’interno dell’azienda. Per quanto riguarda la trasformazione digitale, ci si aspetta che sia semplice come passare da uno schermo del computer a uno più grande.

Modelli positivi per affrontare il problema: l’unico modo per risolvere il problema delle “previsioni nude” è vestirle; più specificamente, le decisioni della supply chain collegate alle previsioni dovrebbero essere trattate come intrinsecamente intrecciate con le previsioni sottostanti. L’accuratezza delle previsioni dovrebbe essere considerata un artefatto di “debugging” - che aiuta a individuare i problemi di modellazione - ma non come un KPI da ottimizzare. Le uniche metriche che contano sono misurate in dollari o euro e sono associate alle decisioni banali come “quanto acquistare?”, “quanto spingere nel negozio?”, “quanto scontare?”, ecc.

Esempio: Contoso, un grande marchio di moda che gestisce la propria rete di vendita al dettaglio, si trova ad affrontare un eccesso di inventario alla fine di ogni stagione, il che comporta l’offerta di sconti consistenti ai clienti per liquidare l’eccesso durante i saldi. Peggio ancora, nel corso degli anni, il tasso medio di sconto è aumentato costantemente e una parte crescente della base clienti sta ora ritardando i propri acquisti fino al periodo dei saldi. Mentre le macro-previsioni sono soddisfacenti, vengono commessi molti errori ogni stagione per molti prodotti, previsioni sia troppo elevate che troppo basse. Contoso ha già effettuato diverse iterazioni interne per migliorare le previsioni. Queste iniziative sembravano la continuazione naturale dell’iniziativa di personalizzazione dell’ERP che si è svolta alcuni anni fa.

Il lancio di una nuova collezione segue un processo ben consolidato. Innanzitutto, il team di pianificazione definisce la gamma e la profondità della collezione, con quantità obiettivo per ogni prodotto. Segue il team degli acquisti, che applica ulteriori aggiustamenti: le MOQ (quantità minime d’ordine) devono essere soddisfatte e devono ventilare le quantità tra le taglie, poiché le previsioni originali sono a livello di prodotto. Successivamente, il team di merchandising e i team di allocazione dei negozi stabiliscono le quantità iniziali da spingere all’inizio della stagione in ogni negozio. Man mano che la stagione avanza, il team di rifornimento guida il rifornimento, cercando di mantenere l’allineamento con la previsione. Infine, alla fine della stagione, e talvolta anche prima, il team dei prezzi coordina gli sconti, al fine di ristabilire l’allineamento con il piano ovunque l’inventario eccessivo sia completamente fuori sincronia con la previsione originale.

I dirigenti di Contoso si rendono conto che l’iniziativa interna per migliorare l’accuratezza delle previsioni non ha prodotto i benefici previsti. Il team di pianificazione sta ancora lottando per ottenere la corretta stagionalità. Il CEO di Contoso viene avvicinato dal CEO di Genialys, una startup californiana fortemente finanziata che ha sviluppato la prossima generazione di previsioni. La loro tecnologia è in grado non solo di elaborare tutti i dati di vendita di Contoso in tempo reale, ma integra anche dati meteorologici e dati dei social media in tempo reale. Alcune chiamate di riferimento dimostrano che hanno già convalidato la tecnologia con alcuni nomi molto importanti. Tutto ciò è molto impressionante.

Così, con il supporto diretto del CEO, emerge la grande iniziativa con Genialys, con l’obiettivo di migliorare drasticamente l’accuratezza delle previsioni. Le prime settimane vanno bene, ma dopo due mesi, sembra che i team IT di Contoso stiano davvero faticando ad estrarre tutti i dati rilevanti. Molti problemi apparentemente piccoli si rivelano complicati. Ad esempio, il team di Genialys non è troppo sicuro su come gestire le promozioni “compra uno, prendi uno gratis” che Contoso esegue abitualmente. Dopo 6 mesi di lotta relativamente intensa da entrambe le parti, Genialys sta ora fornendo le sue previsioni. Tuttavia, il team di pianificazione non si fida davvero di quei numeri. Semplici revisioni manuali dei numeri prodotti da Genialys mostrano che i numeri a volte sono completamente errati. I team di Genialys continuano a segnalare problemi con i dati, che sembrano spiegare quei problemi di previsione, ma nel complesso la situazione è confusa.

Non sapendo a chi fidarsi, la gestione della supply chain di Contoso decide di stabilire KPI per valutare quantitativamente le rispettive accuratezze di Genialys e del “vecchio” sistema di previsione. L’idea sembra abbastanza semplice: facciamo un backtesting, chiarirà chi è il più accurato. Purtroppo, 3 mesi dopo, decine di riunioni e centinaia di ore di sforzo dopo, la situazione è ancora confusa. Si scopre che il processo di previsione storica utilizzato da Contoso è impossibile da backtestare perché il team di pianificazione ha regolato manualmente molte delle previsioni. Pertanto, non possono realmente “riprodurre” le loro previsioni storiche, è semplicemente troppo dispendioso. D’altra parte, Genialys ha effettuato molti backtest, ma non è chiaro quanti di quei numeri siano reali. Sebbene le metriche di accuratezza di Genialys sembrino essere OK in generale, il team di pianificazione continua a scoprire insensatezze nei numeri prodotti routine da Genialys.

18 mesi dopo, Genialys viene ora utilizzato in produzione per alcune linee di prodotto stabili - come la biancheria intima maschile - che in realtà non sono mai state molto difficili da prevedere in primo luogo. Categorie difficili come le scarpe da donna o i completi da uomo sono ancora gestite manualmente dal team di pianificazione con il vecchio processo. L’ambizione originale di sfruttare i dati meteorologici e sociali appartiene ormai a un passato remoto. La soluzione di Genialys è appena in grado di far fronte alle categorie più semplici. Il piano rimane quello di aumentare la portata delle categorie coperte da Genialys, ma i team sono un po’ esausti. Alcune persone se ne sono già andate. I risultati dal punto di vista aziendale sono mitigati. La disponibilità della biancheria intima maschile è aumentata del 2% e gli sconti sono stati ridotti dell'1%, tuttavia poiché il numero di riferimenti è stato ridotto in questa categoria, non è chiaro se l’accuratezza delle previsioni extra (mai misurata) abbia qualcosa a che fare con questa evoluzione favorevole. Ufficialmente, l’iniziativa di previsione sta ancora procedendo, ma la alta dirigenza non si aspetta più nulla da essa.