Dal punto di vista della logistica quantitativa, i fattori economici rappresentano la quantificazione, in termini finanziari, dei risultati positivi e negativi di una decisione logistica. Essi trasformano l'ottimizzazione della logistica in una serie di problemi di ottimizzazione più facili da affrontare, attraverso l'uso di indicatori finanziari: quantificarli, infatti, consente di
monetizzare gli errori derivanti da una decisione imperfetta, presa sulla base di dati imperfetti come possono essere le previsioni della domanda. I fattori economici fungono da contraltare ad altri indicatori, indipendenti dall'attività di un'azienda, che tuttavia sono ancora largamente utilizzati (come l'errore medio assoluto percentuale, o MAPE). Proprio perché non tengono conto dell'attività specifica dell'azienda, questi ultimi si rivelano spesso pericolosi, poiché considerano sì i problemi della logistica come problemi di ottimizzazione numerica, ma si basano su criteri di ottimizzazione molto arbitrari.
Perché usarli? Perché le statistiche sono miopi
Strumenti e metodi di previsione della domanda hanno un unico obiettivo:
produrre previsioni più accurate. Le previsioni vengono giudicate più o meno accurate in base a una serie di parametri noti e selezionati in base alle loro proprietà matematiche e statistiche. Questi parametri, però, benché eccellenti dal punto di vista matematico, sono piuttosto neutri e ignorano quindi tutti gli aspetti commerciali e i vincoli specifici di ogni settore industriale.
Sebbene questo possa sembrare controintuitivo,
le previsioni statistiche sono fondamentalmente guidate dal tipo di errore che scegliamo. Scegliere l'errore medio quadratico (o MSE, dall'inglese
Mean Squared Error) piuttosto che l'errore medio assoluto (o MAE, dall'inglese
Mean Absolute Error) può avere serie ripercussioni sull'accuratezza di un modello. A prima vista, si potrebbe pensare che la scelta dell'errore sia un elemento marginale: dopotutto, un modello previsionale produce la stessa previsione della domanda indipendentemente dal criterio usato per valutarne l'accuratezza. Tuttavia, ogni azienda che fa uso di previsioni statistiche si trova a dover compiere delle scelte, spesso implicite, sul modello previsionale da usare e, non appena inizia a misurare l'accuratezza delle previsioni, favorisce i modelli con i risultati migliori in base ai criteri di cui abbiamo parlato.
I criteri statistici generici (come MAPE, MAE, MSE, ecc.) non hanno nessuna affinità con un'attività commerciale. In parole semplici, questi parametri si concentrano sulle
percentuali di errore, non sul
costo in dollari (o euro) dell'errore. Ridurre le
percentuali di errore potrebbe essere una buona idea, ma, sfortunatamente, esistono fin troppi esempi che testimoniano il contrario. I criteri statistici non assicurano che una decisione presa sulla base delle previsioni della domanda avrà conseguenze ottimali, o quantomeno redditizie, sul piano finanziario. A volte
i fattori economici hanno solo una vaga correlazione con i criteri statistici generici, che, a dire il vero, capita per "puro caso" - e affidarsi al caso non è propriamente un metodo per ottimizzare la catena logistica. Nella pratica, poi, il problema viene amplificato dalla natura controintuitiva di molte situazioni, in cui i criteri puramente statistici divergono dalla realtà economica dell'azienda.
Esempio: Consideriamo un prodotto venduto in un punto vendita con solo 1 unità venduta in media a settimana, con un lead time di 1 giorno (rifornimento ogni giorno). Per questo prodotto, la migliore previsione mediana della domanda, per un giorno qualsiasi, è di zero unità. Una previsione media avrebbe indicato una quantità frazionaria di 1/7, ma la previsione mediana indica categoricamente zero unità. Se il primo giorno la domanda da coprire sarà probabilmente vicina a zero unità, le scorte reali da tenere a magazzino per servire i clienti correttamente saranno pari a una quantità molto superiore: avremo infatti bisogno di 2 o 3 unità a magazzino per non deludere le aspettative dei clienti in termini di qualità del servizio. In questo caso, il problema non è tanto che le previsioni non siano accurate (da un punto di vista puramente statistico, se la domanda è stazionaria e veramente irregolare, le previsioni che abbiamo ottenuto sono perfettamente accurate), quanto piuttosto che i fattori che guidano l'economia del settore sono stati ignorati.
Scindere la previsione dall'ottimizzazione logistica
I fattori economici rappresentano un'eccezione nell'ottimizzazione della catena logistica, dove, in linea di massima, gli aspetti legati allo specifico settore industriale (i fattori economici) vanno scissi dagli aspetti più generici (le previsioni puramente statistiche). In questa sezione vedremo i pro e i contro di questo approccio.
In termini di ottimizzazione numerica, il principio generale vuole che sia sempre preferibile ottimizzare il problema nella sua interezza, piuttosto che ottimizzare separatamente parti distinte del problema. Tuttavia, questo principio può essere valido solo se è tecnicamente fattibile affrontare la questione dell'ottimizzazione in un'ottica monolitica.
Gran parte della letteratura scientifica in materia, però, incluso questo libro, ci ha insegnato che la previsione della domanda è un'operazione complicata, che combina statistica, algoritmi, ingegneria del software ed eventualmente, se viene usata una piattaforma di cloud computing, calcolo distribuito. Quindi, isolare l'aspetto previsionale consente di produrre previsioni avanzate della domanda senza appesantire la tecnologia con migliaia e migliaia di considerazioni legate allo specifico settore industriale in cui opera l'azienda.
Allo stesso modo, si può ottenere lo stesso vantaggio isolando l'ottimizzazione della catena logistica dalla previsione della domanda: se infatti la prima non viene coinvolta nei tecnicismi della seconda, è più facile esaminare i fattori economici fin nei minimi dettagli (limiti allo spazio di magazzinaggio, rotture di prezzo, variazioni nei costi di rotture di stock, variazioni nei costi di obsolescenza, ecc.). Avere un quadro più dettagliato dei fattori economici consente di prendere decisioni più in linea con i rischi e le opportunità dell'azienda.
Esempio: Poniamo che un'azienda abbia due depositi e serva la stessa quantità di prodotti da entrambi i depositi. I depositi sono vicini, ma i clienti, per abitudine, tendono a servirsi sempre dallo stesso deposito. Quando un prodotto non è più disponibile in uno dei depositi, il personale contatta l'altro deposito per verificare che il prodotto sia disponibile. Se sì, il prodotto viene inviato al deposito in rottura di stock.
Usare la previsione probabilistica
Come abbiamo visto in precedenza, separare la previsione della domanda dall'ottimizzazione della catena logistica offre la possibilità di mettere a punto una strategia di ottimizzazione della logistica in grado di sfruttare sia l'analisi previsionale avanzata, sia una visione approfondita dell'attività commerciale. Dobbiamo però sottolineare che
quando produciamo previsioni della domanda, il motore di previsione non conosce affatto i fattori specifici del nostro business che potrebbero essere rilevanti per l'ottimizzazione dell'attività. Tuttavia, gli scenari più pericolosi dal punto di vista finanziario sono solitamente quelli più "estremi" (nel senso statistico del termine): per esempio, una rottura di stock è causata di solito da una domanda insolitamente elevata, mentre il write off delle scorte è di solito causato da una domanda insolitamente bassa.
Gli strumenti tradizionali di previsione sfruttano le previsioni medie o mediane, che non mettono a fuoco l'obiettivo da un punto di vista commerciale. Per quanto infatti possano essere accurate le previsioni, se lo scenario di interesse è in una posizione statistica estrema, lo strumento di previsione faticherà a elaborare la proiezione statistica utile a quantificare il risultato finanziario di quello scenario.
Al contrario, gli strumenti di previsione probabilistica stimano le probabilità che si verifichi ognuno dei possibili scenari futuri della domanda, consentendo così di valutare tutti i possibili scenari commerciali futuri.
Non deve sorprendere che la previsione probabilistica richieda risorse di calcolo molto più potenti rispetto alle previsioni tradizionali, perché
le previsioni probabilistiche prendono la questione di petto. Dal momento che non conosce i fattori economici da prendere in considerazione, il motore di previsione si limita a produrre una risposta statistica che includa approssimativamente tutti i possibili scenari. A livello pratico, le piattaforme di cloud computing, che offrono un'enorme potenza di calcolo a basso costo, sono perfettamente in grado di fornire le maggiori risorse informatiche necessarie all'elaborazione di previsioni probabilistiche, a patto che sia utilizzata la tecnologia adatta.
Breve panoramica sui fattori economici più comuni
I fattori economici definiscono i risultati, positivi o negativi, di una decisione presa nell'ambito della logistica. Calcolare questi risultati richiede un'osservazione reale della domanda non ancora osservata; se però abbiamo a disposizione una previsione della domanda, allora potremo simularne anche i risultati. I fattori economici dovrebbero coprire tutti gli aspetti commerciali su cui influisce una decisione, non solo i risultati finanziari a breve termine. All'atto pratico, stabilire i fattori economici è un po' come tentare di indovinare i vari possibili scenari.
In ambito logistico, una delle decisioni più frequenti consiste nello scegliere se ordinare una unità in più di prodotto: se la domanda per l'unità ordinata è immediata, allora l'azienda venderà l'unità ricavandone un profitto (per cui la decisione di ordinare avrà generato un ritorno); se la domanda per l'unità ordinata non è immediata, allora l'azienda dovrà sostenere i
costi per il mantenimento a magazzino di quell'unità in più (e in questo caso la decisione avrà generato un costo). Stabilire i fattori economici per una decisione di questo tipo significa fare una lista dei possibili profitti e dei possibili costi che deriverebbero da questa decisione per un determinato scenario di domanda.
Al di là dei profitti e dei costi, esistono anche diversi vincoli che influiscono sull'accettabilità o meno di una decisione:
- capacità di magazzinaggio : punti vendita e depositi hanno una capacità massima, che impedisce di ordinare altra merce una volta raggiunto un certo livello di scorte;
- quantitativi minimi di ordine (MOQ) : i fornitori accettano solo ordini superiori a un certo quantitativo minimo (espresso, ad esempio, in numero di unità o quantità ordinate). I MOQ possono anche essere considerati e modellizzati come costi fissi relativi agli ordini di acquisto dai fornitori;
- costi del capitale : l'azienda ha una liquidità limitata, che la obbliga ad allocare il capitale entro certi limiti. Tentare di avere accesso a un capitale maggiore può portare via molto tempo ai vertici aziendali, oltre che non essere in linea con la visione strategica dell'impresa;
- capienza dei trasporti : quando le merci sono importate via mare, gli ordini devono essere calibrati in modo da corrispondere alla capacità esatta di un container, quindi senza eccedere il peso massimo e il volume massimo di un container. I container possono inoltre essere considerati come un costo fisso relativo agli ordini di acquisto.
I fattori economici devono tener conto anche di tutte queste condizioni (e anche di altre, per la verità): se infatti non considerassimo i vincoli di approvvigionamento, il sistema costituito da previsione della domanda e fattori economici ci suggerirebbe decisioni che molto difficilmente potremmo mettere in pratica, come tentare di riempire un deposito oltre la sua capacità effettiva.
Cosa propone Lokad
Lokad offre un motore di previsione in grado di produrre previsioni probabilistiche. A parte la qualificazione dati iniziale, il nostro motore di previsione consente di automatizzare l'intero processo di previsione statistica, senza nessuna configurazione manuale. Il motore di previsione di Lokad può eseguire previsioni per numerosi settori industriali (settore commerciale, manifatturiero, aeronautico...).
I fattori economici, però, sono estremamente vari. Per gestire questa incredibile varietà, Lokad ha creato Envision, un linguaggio di programmazione adattabile a qualsiasi settore e dedicato all'ottimizzazione della catena logistica. In pratica, Envision crea dei pannelli di controllo, la cui funzione primaria è quella di sfruttare degli script specifici per unire i fattori economici alle previsioni della domanda, allo scopo di suggerire decisioni ottimizzate (ad esempio, le quantità da riordinare oggi) da calcolare in automatico.
La giusta combinazione di fattori economici e previsioni probabilistiche richiede delle strategie che possano beneficiare dei dati ottenuti. Ad esempio, la strategia di riordino per priorità è adatta a fornire le quantità da ordinare per controbilanciare i rischi commerciali connessi al magazzino con le previsioni della domanda.
Rivedere e formalizzare i fattori economici, combinandoli alle previsioni probabilistiche, qualificare e ripulire i dati storici, generare decisioni ottimizzate che corrispondano ai vincoli commerciali esistenti, sono tutte operazioni che può eseguire direttamente il team Lokad, attraverso un abbonamento mensile al nostro servizio di ottimizzazione delle scorte.
Riferimenti
L'effetto lampione nelle previsioni (in inglese), Joannes Vermorel, Settembre 2015
