Principi quantitativi per la supply chain (Sommario della lezione 1.6)

Un’ottimizzazione significativa della supply chain consiste nel padroneggiare l’opzionalità che si incontra a causa della variabilità intrinseca al flusso dei beni, e questa padronanza è affine all’analisi quantitativa. I problemi della supply chain sono simili dal punto di vista quantitativo ma complessi e talvolta davvero strani, contrari all’analisi tradizionale. Adottare principi quantitativi sia nella fase di osservazione che nella fase di ottimizzazione può aiutare i professionisti a evitare molte insidie oscure ma comunque prevedibili della supply chain.

Guarda la lezione

Principi osservazionali

In generale, i tipi di decisioni e vincoli con cui i professionisti della supply chain si confrontano sono inevitabilmente quantitativi - come ad esempio i valori di riapprovvigionamento, gli obiettivi di livello di servizio, i MOQ, ecc. Tuttavia, le supply chain stesse sfidano l’osservazione diretta. Non è possibile scattare una foto dell’intera supply chain come si può fare con una macchina, nonostante entrambe siano, in un certo senso, CapEx, entrambe composte da molte parti fisiche osservabili e entrambe (in generale) producono un output fisico.

Nonostante questa limitazione, le supply chain non sono ostili all’analisi quantitativa. Al contrario, un’analisi quantitativa della supply chain rivela diverse osservazioni istruttive, sebbene discutibili.

I problemi della supply chain non seguono una distribuzione normale

Forse disperatamente, i problemi della supply chain non tendono a seguire distribuzioni normali, causando molte delle difficoltà organizzative che si incontrano nel tentativo di ottimizzarli. Con una distribuzione normale, un grande numero di piccoli fattori indipendenti può influenzare un valore in una delle due direzioni (ad esempio, più o meno, su o giù). In altre parole, una distribuzione normale deriva da molteplici piccoli cambiamenti casuali che possono aumentare o diminuire un valore¹.

Tuttavia, i problemi della supply chain spesso derivano da un piccolo numero di fattori sistemici più grandi anziché da una moltitudine di fattori piccoli e indipendenti. Questi fattori includono:

• Variabilità della domanda: La domanda di prodotti è spesso molto variabile e può essere influenzata da una vasta gamma di fattori come tendenze stagionali, condizioni economiche e campagne di marketing. Questa variabilità può portare a problemi come le rotture di stock o la sovrastock.

• Affidabilità del fornitore: Le prestazioni del fornitore possono influenzare significativamente una supply chain e la variabilità dell’affidabilità del fornitore può causare problemi come ritardi nelle consegne e problemi di qualità.

• Disruzioni logistiche: Problemi come ritardi nel trasporto, blocchi doganali o catastrofi naturali possono causare significative disruzioni in una supply chain.

I problemi sopra elencati non sono minacce banali alla continuità (e ottimizzazione) della supply chain. Piuttosto, sono problemi enormi e complessi che possono avere impatti enormemente sproporzionati.

Inoltre, i problemi della supply chain spesso mostrano un certo livello di asimmetria, il che significa che di solito ci sono pochi problemi principali che causano una grande proporzione dei problemi, piuttosto che una distribuzione simmetrica dei problemi intorno a una media prevedibile. In molti casi, questi problemi mostrano anche una “coda lunga” - cioè un gran numero di problemi diversi che si verificano raramente.

Le interdipendenze e i cicli di feedback intrinseci alle supply chain (ad esempio, come i livelli di stock influenzano le decisioni future di ordinazione) fanno sì che l’insorgenza dei problemi si discosti dalla normalità. Tali sistemi non lineari e complessi sono descritti in modo più accurato da altri modelli statistici (descritti dettagliatamente nella sezione seguente).

La relazione inversa tra frequenza e rango

Un modello quantitativo migliore per analizzare i problemi della supply chain (e i valori in generale) è la Legge di Zipf. In parole semplici, ci sono due elementi principali nella Legge di Zipf:

1. Alcuni valori in un insieme di dati si verificano molto frequentemente, mentre la maggior parte si verifica raramente.

2. La frequenza di un valore è inversamente proporzionale al suo rango.

Consideriamo la frequenza delle parole in un libro di testo. La parola più comune in un qualsiasi libro (se scritto in una lingua che utilizza un sistema di casi definiti/indefiniti) sarà probabilmente il. La seconda parola più frequente potrebbe essere di, e la sua frequenza sarà (approssimativamente) la metà di quella di il. Questa tendenza continuerà a scendere nelle classifiche².

Un esempio rilevante nel settore del commercio al dettaglio è la scoperta comune che un piccolo numero di articoli nel catalogo rappresenta una grande parte delle vendite, mentre una lunga coda di altri articoli viene venduta raramente. Questo modello - pochi “successi” e molti “fallimenti” - corrisponde alla distribuzione di Zipf. Questo è un concetto simile al Principio di Pareto, secondo il quale circa l'80% degli effetti proviene dal 20% delle cause. L’asimmetria descritta qui è, infatti, il principio guida di sistemi di gestione delle scorte come ABC e ABC-XYZ. Tuttavia, ci sono alcune differenze chiave tra la distribuzione di Pareto e quella di Zipf che vale la pena approfondire.

• Distribuzione di Pareto: Immaginiamo un’azienda di vendita al dettaglio online con un catalogo esteso. La divisione della supply chain potrebbe scoprire che l'80% del fatturato dell’azienda è generato solo dal 20% della sua offerta, suggerendo quindi che le risorse siano meglio indirizzate al mantenimento dei livelli di stock di questi articoli popolari. Sebbene possa essere una guida generale utile, manca del tipo di risoluzione di cui la divisione ha bisogno per analizzare correttamente i dati di vendita (oltre a una semplice identificazione degli SKU che hanno generato il maggior fatturato).

• Distribuzione di Zipf: Se la stessa divisione della supply chain utilizzasse una distribuzione di Zipf, verrebbe introdotto un ulteriore livello di dettaglio interessante nell’analisi. Indagando tutte le vendite e le loro frequenze, il team potrebbe individuare modelli che una distribuzione di Pareto non coglie. Ad esempio, potrebbero scoprire che mentre l’elettronica e gli elettrodomestici sono effettivamente i migliori performer, ci sono anche altre categorie di prodotti, come libri o abbigliamento, che contribuiscono complessivamente a una quantità sostanziale delle vendite totali, pur non essendo contribuenti significativi al margine se presi singolarmente. Una distribuzione di Zipf rivelerebbe anche potenziali relazioni interessanti tra il catalogo che potrebbero valere la pena esplorare, come ad esempio perché il terzo prodotto più popolare contribuisce approssimativamente a un terzo del fatturato del prodotto più popolare, nonostante sia intercambiabile e riceva livelli di pubblicità comparabili.

La tirannia dei numeri piccoli

Una distribuzione zipfiana è forse più evidente quando si tratta di quantificare problemi espliciti della supply chain, in particolare situazioni in cui un impatto negativo sproporzionato è attribuibile solo a poche cause.

Consideriamo l’impatto negativo di un’azienda B2B che perde il suo fornitore più grande, in particolare se quel fornitore contribuisce il doppio rispetto al secondo fornitore più grande del B2B. Allo stesso modo, perdere i due clienti più grandi comporterebbe una caduta straordinaria del fatturato, dato che il terzo cliente più grande acquista approssimativamente un terzo di quello del cliente più grande.

È importante sottolineare che se i problemi della supply chain fossero distribuiti normalmente, sarebbero più prevedibili e le strategie standard di mitigazione sarebbero sufficienti. Tuttavia, il fatto che pochi problemi significativi (come descritto qui) possano causare la maggior parte delle interruzioni significa che i professionisti devono concentrare le loro risorse nell’identificare e mitigare questi problemi ad alto impatto. Questo richiede un approccio alla gestione della supply chain più strategico, proattivo e olistico.

Principi di ottimizzazione

Dopo aver circumnavigato il terreno pieno di pregiudizi dell’osservazione umana, intraprendere la fase di ottimizzazione della supply chain è altrettanto soggetto a ostacoli. Le iniziative di ottimizzazione della supply chain sono spesso afflitte da bug, non solo a livello di software (pensate agli ERP), ma anche a livello di wetware (pensate alla saggezza ereditata).

I problemi di software, come gli Heisenbug, vengono comunemente risolti attraverso l’applicazione iterativa del programma. I bug del wetware, tuttavia, hanno la straordinaria caratteristica di essere in gran parte codificati a livello di programma, richiedendo quindi sforzi aggiuntivi di deprogrammazione.

Saggezza latente nelle supply chain invecchiate

Le supply chain che hanno resistito per qualche decennio hanno accumulato, almeno, un livello di saggezza di base. È difficile immaginare che un’azienda che funziona da 20 o più anni non abbia almeno accidentalmente scoperto alcune strategie utili o regole empiriche. Pertanto, tutte le pratiche esistenti e le norme operative incarnano una forma di quasi-ottimalità, nel senso che possono spingere l’azienda nella giusta direzione (profitto netto complessivo), ma con significative imperfezioni³.

Proprio come un fiume che si fa strada attraverso una catena montuosa, questa saggezza tende ad ancorarsi a una singola forza trainante. Allo stesso modo in cui la gravità trascina un fiume attraverso il sedimento, le supply chain invecchiate sono spesso trascinate nella ricerca di un’unica KPI, come ad esempio aumentare il livello di servizio o ridurre lo stock morto. Sebbene possano sembrare obiettivi sensati, riducono implicitamente la supply chain a un pacchetto discreto di elementi disconnessi che possono essere modificati in modo isolato.

Ciò comporta essenzialmente una mentalità booleana in cui l’ottimizzazione della supply chain viene espressa in termini ingenuamente binari. Considerate quanto segue:

• Se i livelli di servizio migliorano, la supply chain deve essere stata migliorata. Questo, naturalmente, trascura il fatto che un aumento del livello di servizio in generale comporta un aumento complessivo dei livelli di stock (ammesso un’ottimizzazione della supply chain non quantitativa). L’aumento dei livelli di stock, a sua volta, aumenta generalmente lo stock morto, con conseguente riduzione dei profitti netti.

• Se i livelli di stock morto diminuiscono, la supply chain deve essere stata migliorata. Allo stesso modo, questa visione ristretta dell’ottimizzazione ignora l’impatto che la riduzione dei livelli di inventario avrà probabilmente sugli obiettivi di servizio e soddisfazione del cliente, influenzando negativamente gli acquisti (e spesso la fedeltà del cliente).

Le supply chain invecchiate di questo tipo possiedono una quasi-ottimalità unidirezionale che, come una conoscenza limitata, può essere una cosa terribilmente pericolosa. Il fatto che le supply chain tendano per default nella direzione del quasi-successo è ciò che probabilmente le aiuta a resistere e a consolidare pratiche subottimali.

Un miglioramento unidirezionale e significativo nelle supply chain invecchiate tende ad essere intimamente legato al fallimento, non per mancanza di sforzi sinceri, ma piuttosto per mancanza di considerazione per la vasta complessità sistemica e interconnessa presente nelle moderne supply chain.

La fallacia dell’ottimizzazione locale

Fondamentale per ottimizzare un sistema esteso e interdipendente come la supply chain è la comprensione che l’ottimizzazione locale non risolve i problemi, ma li sposta semplicemente. Come illustrato nella sezione precedente, l’ottimizzazione di un problema locale della supply chain (qui inteso come “in modo isolato”) solitamente sconvolge l’equilibrio e produce un effetto collaterale indesiderato in qualche altro punto della supply chain.

Proprio come installare un Solid State Drive (SSD) in un computer di 30 anni fa non migliora la memoria (o le prestazioni) complessive del sistema⁴, ottimizzare una rete di supply chain (o un sistema di supply chain) è un processo che coinvolge l’intero sistema.

Questo concetto è chiaramente evidente nel settore del commercio al dettaglio. In una rete di vendita al dettaglio composta da numerosi negozi, l’intuizione potrebbe essere quella di ottimizzare i livelli di stock in ogni negozio (magari anche manualmente). Si potrebbe persino allocare preferenzialmente le risorse alla posizione di vendita migliore nella rete.

Tuttavia, un approccio del genere non tiene conto della più ampia rete di centri di distribuzione che servono questi negozi, così come delle conseguenze a valle di una politica che alloca lo stock senza considerare l’impatto sugli altri negozi. Scegliere di concentrarsi esclusivamente su un negozio potrebbe migliorarne le prestazioni, ma potrebbe essere dannoso per gli altri.

Inoltre, si perde di vista il problema principale di una missione di allocazione dello stock nel settore del commercio al dettaglio, ovvero l’individuazione del luogo in cui un determinato unità/SKU è più necessaria per ottimizzare le prestazioni complessive del sistema.

Pertanto, l’ottimizzazione dell’allocazione dello stock nel commercio al dettaglio è un problema che ha senso solo a livello di sistema, sottolineando l’importanza di una prospettiva olistica e sistemica⁵.

Ridefinire i problemi per ottenere risultati superiori

L’istruzione classica (e le presentazioni dei fornitori) presentano i problemi come risolvibili al meglio attraverso una soluzione superiore. A prima vista, sembra perfettamente ragionevole, dato che la distanza più breve tra due punti è effettivamente una linea retta. Tuttavia, questo approccio piacevolmente lineare tende a semplificare eccessivamente i problemi e, in sostanza, assume che si dovrebbe cercare di unire questi due punti in primo luogo.

Date le varie spese sostenute nel tentativo di ottimizzare una supply chain, questa non è un’osservazione filosofica banale. Sia nella teoria che nella pratica, una migliore comprensione dei propri problemi prevale (nel lungo termine) su una grande soluzione a un problema scarsamente compreso (nel breve termine).

Un esempio classico è il problema della previsione della domanda. I fornitori di supply chain e gli accademici potrebbero proporre un avanzato strumento di previsione delle serie temporali come soluzione ideale per quantificare la domanda (e quindi impostare i livelli di inventario). Sulla superficie, ciò sembra intuitivo: se un’azienda non può prevedere con precisione la domanda, allora un miglior software di previsione della domanda è appropriato, e i due punti distanti sono uniti da una linea retta (più o meno)⁶.

Questa è una mentalità eccessivamente lineare e molto probabilmente ortogonale al problema di supply chain di interesse: la scoperta di ciò che sta effettivamente causando la difficoltà nella previsione della domanda. È del tutto concepibile che altre questioni sottostanti, come inefficienze logistiche, fornitori non affidabili o politiche di allocazione dello stock nel commercio al dettaglio errate, possano essere le forze del cambiamento.

Ridefinire i propri problemi, anziché correre verso un semaforo rosso della supply chain, può orientare correttamente le ottimizzazioni della supply chain e ridirigere la larghezza di banda (e le risorse) dai rimedi temporanei a breve termine.

Note