La prossima conferenza LIVE: 22 settembre, 15:00, CET (Parigi) - Seguila su YouTubeQuesta serie di conferenze presenta i concetti di base relativi alla gestione della supply chain, ma anche le problematiche, la metodologia e le tecnologie. L'obiettivo è quello di consentire alle aziende di ottenere una performance migliore e più realistica della loro supply chain. La visione presentata in queste conferenze si discosta dalla teoria classica della supply chain e viene da noi definita "Quantitative Supply Chain". Le conferenze sono tenute da Joannes Vermorel, CEO e fondatore di Lokad. Esse sono accompagnate da esempi provenienti da supply chains reali che Lokad gestisce per conto dei propri clienti.
A chi si rivolgono: Queste conferenze sono pensate per tutti coloro che hanno l'ambizione di migliorare le supply chains, siano essi dirigenti, giovani analisti o semplici studenti. Le confereze includono una serie di piccoli ‘corsi intensivi‘ per ridurre al minimo le conoscenze di base da avere.
1. Prologo
1.1 I fondamenti della supply chain
La supply chain può essere definita come la padronanza quantitativa dell'opzionalità di fronte alla variabilità e alle limitazioni legate al flusso di beni fisici. Essa comprende l'approvvigionamento, l'acquisto, la produzione, il trasporto, la distribuzione, la promozione… ma con un'attenzione particolare ai processi di approvvigionamento e di selezione, in contrapposizione alla gestione diretta delle operazioni sottostanti. Vedremo come la prospettiva "quantitativa" della supply chain, presentata in queste conferenze, si discosta profondamente da quella che è considerata la teoria tradizionale sulla supply chain.
Testi di riferimento:
- Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson
- Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen
1.2 La Quantitative Supply Chain in breve
Il manifesto della Quantitative Supply Chain comporta una breve serie di punti chiave utili a comprendere come questa teoria alternativa, proposta e introdotta da Lokad, si discosti dalla teoria tradizionale sulla supply chain. Essa si potrebbe riassumere con la seguente massima: ogni singola decisione viene valutata rispetto a tutti i possibili futuri ed in base ai fattori economici. Questa prospettiva è emersa gradualmente a Lokad come LA teoria di riferimento. La sua implementazione da parte di (quasi?) tutti i venditori di software, rimane una sfida.
1.3 Consegna orientata al prodotto
L'obiettivo di un'iniziativa di Quantitative Supply Chain è quello di fornire (o migliorare) un'applicazione software che automatizzi un insieme di decisioni di routine (ad esempio il rifornimento degli stock o l'aggiornamenti dei prezzi). L'applicazione è vista come un prodotto che deve essere progettato. Nonostante la teoria tradizionale della supply chain abbia avuto difficoltà ad affermarsi nelle grandi aziende, vi è uno strumento che ha avuto un notevole successo operativo (stiamo parlando di Microsoft Excel). Reimplementare le ricette numeriche della teoria della supply chain tramite fogli di calcolo è semplice ; tuttavia, questo non è ciò che è accaduto nella pratica, nonostante la diffusione della teoria. In questa conferenza dimostriamo che i fogli di calcolo hanno vinto adottando paradigmi di programmazione che si sono dimostrati più efficaci nel fornire risultati migliori per la supply chain.
Testi di riferimento :
- Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004
1.4 Paradigmi di programmazione per la supply chain
L'ottimizzazione predittiva delle supply chains richiede paradigmi di programmazione specifici. Infatti, mentre la prospettiva 'programmatica' non può essere evitata attraverso un prodotto software preconfezionato (si veda la conferenza precedente), gli approcci di programmazione tradizionale comportano livelli di complessità accidentali che sono gravemente dannosi per le iniziative della supply chain. In questa conferenza presentiamo una serie di paradigmi di programmazione che sono particolarmente adatti per le supply chains reali. Questa conferenza è illustrata mediante Envision, il DSL (linguaggio specifico di dominio) dedicato all'ottimizzazione delle supply chains, progettato da Lokad sulla base di questi paradigmi di programmazione.
Testi di riferimento (menzionato nel Q&A):
- Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015
1.5 Le tendenze del XXI secolo nel campo della supply chain
Alcune importanti tendenze hanno dominato l'evoluzione delle supply chains negli ultimi decenni, rimodellando in modo significativo il mix di problematiche che le aziende si trovano ad affrontare. Alcuni problemi sono in gran parte scomparsi, come i rischi fisici e i problemi di qualità. Altri sono aumentati, come la complessità generale e l'aggressività della concorrenza. Ed è degno di nota il fatto che anche i software stiano rimodellando profindamente le supply chains. Una rapida analisi di queste tendenze ci aiuta a capire su cosa dovrebbe concentrarsi una teoria della supply chain.
Testo di riferimento (articolo menzionato nel Q&A):
1.6 Principi quantitativi per le supply chains
Sebbene le supply chains non possano essere caratterizzate da leggi quantitative ben definitive (a differenza, per esempio, dell'elettromagnetismo) si possono tuttavia osservare dei principi quantitativi generali. Per "generali" si intende applicabili a (quasi) tutte le supply chains. Scoprire tali principi è di primario interesse perché possono essere usati per facilitare lo sviluppo di formule numeriche destinate all'ottimizzazione predittiva delle supply chains, ma possono anche essere usati per rendere tali formule più efficienti nel loro complesso. Nel corso di questa conferenza passeremo in rassegna due elenchi di principi, quelli di osservazione e quelli di ottimizzazione.
2. Metodologia
Lo studio e la pratica della supply chain devono essere ancorati alla scienza, ovvero sostenuti da metodi scientifici. Effettivamente, nel corso degli ultimi tre secoli, ogni singolo campo che è riuscito a elevarsi attraverso una pratica sperimentale adeguata ha conosciuto il fantastico progresso che riconosciamo come il segno distintivo della "scienza". Ma la supply chain non ha sperimentato tali progressi, almeno non ancora, e gran parte della colpa può essere attribuita a metodologie sperimentali improprie. La natura contorta della supply chain richiede metodi adeguati, che esploriamo in questo capitolo.
2.1 Personae della supply chain
Una "persona" della supply chain è un’azienda fittizia. Questa finzione è progettata per delineare ciò che merita attenzione dal punto di vista della supply chain. L’azienda non è idealizzata nel senso che semplifica le problematiche della supply chain. Al contrario, l'intento è quello di amplificare gli aspetti più complessi della situazione, quelli più resistenti a qualsiasi tentativo di modellazione quantitativa e di pilotaggio di un'iniziativa volta a migliorare la supply chain.
I casi di studio sulla supply chain – quando una o più parti vengono nominate – possono generare gravi conflitti di interesse. Le aziende, e i loro fornitori di supporto (software, consulenti), hanno un certo interesse a presentare il risultato sotto una luce positiva. Inoltre, le supply chain reali, in genere, soffrono o beneficiano di condizioni accidentali che non hanno nulla a che vedere con la qualità della loro esecuzione. Le nostre aziende fittizie sono quindi la risposta metodologica a questi problemi.
Testi di riferimento:
- An introduction to the study of Experimental Medicine (versione Inglese), (versione originale Francese), Claude Bernard, 1865
- The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, 2018
2.1.1 Parigi - un marchio di abbigliamento con una rete di vendita al dettaglio
La nostra azienda fittizia basata a Parigi è un marchio di abbigliamento che gestisce una rete di negozi al dettaglio sparsi per tutta l' Europa. Il marchio si rivolge al pubblico femminile e si posiziona come relativamente accessibile. Sebbene il design sia relativamente classico e sobrio, il principale motore del business è sempre stata la novità. Lanciano molte collezioni ogni anno. Promuovere il giusto prodotto, al momento giusto, al giusto prezzo e con la giusta quantità di stock è una delle loro sfide principali.
2.2 Ottimizzazione sperimentale
Lontano dall'ingenua prospettiva cartesiana in cui l'ottimizzazione si limiterebbe a lanciare un ottimizzatore per una data
score function, la supply chain richiede un processo fatto di iterazioni. Ogni iterazione serve a identificare le decisioni "assurde" che devono essere l'oggetto di un'indagine più approfondita. La causa principale è spesso costituita da driver economici impropri, che devono essere rivalutati per quanto riguarda le loro conseguenze indesiderate. La natura delle iterazioni cambia non appena le ricette numeriche non producono più risultati assurdi.
Testi di riferimento:
- The Logic of Scientific Discovery, Karl Popper, 1934
2.3 Conoscenza negativa
Gli antipattern sono degli stereotipi di soluzioni che
sembrano corrette ma
non funzionano nella pratica. Lo studio sistematico degli antipattern è stato pionieristico alla fine degli anni Novanta nel campo dell'ingegneria del software. Quando è possibile, gli antipattern sono superiori ai risultati negativi grezzi, in quanto sono più facili da memorizzare e da spiegare. La prospettiva degli antipattern è di primaria importanza per la supply chain, e dovrebbe essere considerata come uno dei pilastri per la sua conoscenza negativa.
Testi di riferimento:
2.4 Ricerca di mercato
Le moderne supply chains dipendono da una miriade di software. La scelta i giusti fornitori è quindi di vitale importanza. Tuttavia, poiché il numero di venditori è grande, le aziende hanno bisogno di un approccio sistematico in questa impresa. La pratica tradizionale della ricerca di mercato inizia con buone intenzioni ma finisce invariabilmente con cattivi risultati, poiché le aziende che fanno ricerca di mercato finiscono per agire come fronti di marketing per le aziende che dovrebbero analizzare. La speranza che la società di ricerca sia imparziale è fuori luogo. Tuttavia, la valutazione
vendor-on-vendor è una metodologia che permette anche ad un'azienda di ricerca di mercato di parte di produrre risultati imparziali.
Testi di riferimento:
- Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (testo)
- Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
- Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)
2.5 Scrivere per le supply chains
Le supply chains prevedono il coordinamento di grandi squadre. Quindi, il materiale scritto la fa da padrone. Le moderne supply chains non sono minimamente compatibili con la tradizione orale. Tuttavia, i professionisti della supply chain spesso non se la cavano bene per quanto riguarda le loro capacità di comunicazione scritta. In questa conferenza passeremo in rassegna ciò che gli studi di usabilità, e alcuni esperti degni di nota, hanno da dire su questi temi. Inoltre, le iniziative della supply chain, eseguite attraverso l'approccio di ottimizzazione sperimentale, devono essere accuratamente documentate. Le formule e il codice sorgente rispondono alle domande su "cosa" e "come", ma non rispondono al "perché". La documentazione deve assicurare che i Supply Chain Scientists comprendano il problema che stanno affrontando. Con il tempo, questa documentazione diventa la chiave per assicurare una transizione fluida da un Supply Chain Scientist all'altro.
Testi di riferimento:
- The Elements of Style (First Edition), William Strunk Jr, 1918
- F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (testo)
3. Personae
Una serie di "personaggi" della supply chain descritti seguendo la metodologia stabilita nel capitolo precedente.
3.1 Miami – una MRO
L'azienda fittizia basata a Miami è una MRO (dall'inglese
Maintenance, Repair & Overhaul o manutenzione, riparazione e revisione) che gestisce una grande flotta di aerei di linea. Nel mondo dell'aeronautica, la sicurezza è fondamentale. Parti e componenti devono essere regolarmente ispezionati e, se necessario, riparati. Miami si occupa di mantenere gli aerei in volo in ogni momento, evitando incidenti di tipo AOG (dall'inglese
Aircraft on Ground, o aereo al suolo), che si verificano ogni qual volta che manca una parte necessaria a condurre un'operazione di manutenzione.
3.2 Amsterdam – marche di latticini
L'azienda fittizia basata ad Amsterdam è un'azienda FMCG specializzata nella produzione di formaggi, crema e burro. Gestisce un ampio portafoglio di brand in più paesi. Molti obiettivi aziendali contrastanti devono essere attentamente bilanciati: qualità, prezzo, freschezza, sprechi, varietà, territorialità, ecc. Per definizione, la produzione di latte e le promozioni mettono l'azienda tra l'incudine e il martello in termini di domanda e offerta.
3.3 Santa Clara – un e-commerce di accessori
Programma in via di definizione.
3.4 Stoccarda - un distributore di pezzi di ricambio automobilistici
Programma in via di definizione.
3.5 Geneva – un produttore di orologi dell’hard-luxury
Programma in via di definizione.
4. Scienze ausiliarie
La conoscenza della supply chain è un insieme di conoscenze provenienti da diversi campi. La teoria della supply chain viene frequentemente presentata come un aspetto della matematica applicata. Tutto ciò è fuorviante. Le conferenze che seguono hanno lo scopo di fornire il background culturale necessario per una corretta pratica della supply chain, che non può e non deve essere ridotta ad una serie di “modelli”.
4.1 Computer moderni
Dire che le moderne supply chains dipendono dai computer è un eufemismo. Le moderne supply chains richiedono risorse informatiche per funzionare proprio come i nastri trasportatori necessitano di elettricità. Eppure, sistemi lenti per la gestione della supply chain sono ancora molto diffusi, nonostante la potenza di elaborazione dei computer sia aumentata più di 10.000 volte negli ultimi trent'anni. La mancanza di comprensione delle caratteristiche fondamentali delle moderne risorse di calcolo – anche anche tra chi lavora in ambiente informatico – è sufficiente a spiegare questa situazione. Il design del software alla base delle ricette numeriche non dovrebbe inimicarsi il substrato di calcolo sottostante.
4.2 Algoritmi moderni
L'ottimizzazione delle supply chains si basa sulla risoluzione di numerosi problemi di carattere numerico. Gli algoritmi sono ricette numeriche altamente codificate destinate a risolvere precisi problemi di calcolo. Algoritmi di qualità superiore permettono di ottenere migliori risultati, con meno risorse di calcolo. Concentrandosi sulle specificità della supply chain, le prestazioni degli algoritmi possono essere notevolmente migliorate. Gli algoritmi della supply chain devono inoltre abbracciare il design dei moderni computer, che si è evoluto significativamente negli ultimi decenni.
Testi di riferimento:
- Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009
4.3 Ottimizzazione matematica
L'ottimizzazione matematica è il processo di minimizzazione di una funzione matematica. Quasi tutte le moderne tecniche di apprendimento statistico – vale a dire la previsione se adottiamo una prospettiva relativa alla supply chain – si basano sull'ottimizzazione matematica. Inoltre, una volta stabilite le previsioni, anche l'identificazione delle decisioni più redditizie si basa sull'ottimizzazione numerica. I problemi della supply chain coinvolgono spesso molte variabili e hanno frequentemente una natura di tipo stocastico. L'ottimizzazione matematica è la pietra miliare di una moderna pratica della supply chain.
Testi di riferimento:
- The Future of Operational Research Is Past, Russell L. Ackoff, February 1979
- LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , September 2011
- Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, last revised February 2018
4.4 Machine learning
Le previsioni sono un elemento imprescindibile nella supply chain, poiché ogni decisione (acquisto, produzione, stoccaggio, ecc.) rispecchia un'anticipazione di eventi futuri. L'apprendimento statistico e il machine learning hanno ampiamente superato il classico campo delle "previsioni", sia da un punto di vista teorico che pratico. Questo campo di studio ha subito notevoli progressi, che rimangono in gran parte incompresi dai circoli di "data scientists". Ci muoveremo in questo campo attraverso la risoluzione di tre paradossi. Il primo consiste nel fare affermazioni accurate su dati che non abbiamo. Il secondo consiste nell'affrontare problemi in cui il numero di variabili supera di gran lunga il numero di osservazioni. Il terzo indica abbiamo bisogno di lavorare con modelli in cui il numero di parametri supera ampiamente sia le variabili che le osservazioni. Cercheremo di capire cosa significa anticipare il futuro grazie ai dati, anche da una moderna prospettiva di ’apprendimento’.
4.5 Economia quantitativa
Le leggi dell’economia non sono così forti o unificate come le leggi della fisica, tuttavia, queste leggi caratterizzano profondamente il paesaggio in cui operano le supply chains. Esse forniscono una conoscenza preliminare che si rivela molto utile quando si modellano quantitativamente le supply chains. Esse fanno inoltre luce sul perché certi metodi, pur essendo matematicamente convincenti, non si rivelano validi per le supply chains.
4.6 Razionalità e scienza
I problemi malvagi meritano un'approfondita introspezione di ciò che possiamo "affrontare scientificamente". È necessaria una metodologia razionale positiva. Il rigoroso formalismo – dilagante negli ambienti accademici – non è altro che un razionalismo ingenuo. Una prospettiva "visionaria" – dilagante tra i venditori di "soluzioni" – rischia di non essere altro che "belle parole". Questi problemi sono esacerbati dalla natura delle supply chains, dove replicare i risultati si rivela molto difficile. Eppure, le supply chains non sono la prima disciplina ad affrontare questi problemi. In questa conferenza esamineremo come l'epistemologia sta facendo luce sul caso particolare della conoscenza della supply chain.
4.7 Ambienti programmabili e compilatori
La maggior parte delle supply chains è ancora gestita attraverso fogli di calcolo (ad esempio Excel), anche se dei sistemi aziendali hanno iniziato ad essere implementati già uno, due o talvolta tre decenni fa, presumibilmente per sostituirli. In effetti, i fogli di calcolo offrono un'espressività programmatica accessibile, chi questi sistemi in genere non hanno. Più in generale, a partire dagli anni Sessanta, c'è stato un costante co-sviluppo dell'industria del software nel suo complesso e dei suoi linguaggi di programmazione. È dimostrato che la prossima fase delle prestazioni della supply chain sarà in gran parte guidata dallo sviluppo e dall'adozione di linguaggi di programmazione, o meglio di ambienti programmabili.
4.8 Ingegneria del software
Il controllo della complessità e del caos è uno dei pilastri dell'ingegneria del software. Considerando che le supply chains sono sia complesse che caotiche, non dovrebbe sorprenderci il fatto che la maggior parte delle difficoltà dei software aziendali affrontate dalle supply chains si riduca ad una cattiva ingegneria del software. Le ricette numeriche utilizzate per ottimizzare la supply chain sono software, e quindi, soggette allo stesso identico problema. Questi problemi diventano più intensi man mano che aumenta la sofisticazione delle ricette numeriche stesse. Una corretta ingegneria del software è per le supply chains ciò che l'asepsi è per gli ospedali: da sola non fa nulla – non cura i pazienti – ma senza di essa, tutto il resto cade a pezzi.
4.9 Software aziendali
Il panorama applicativo delle aziende moderne modella in modo profondo, e spesso controintuitivo, i modi in cui i metodi quantitativi possono essere implementati, gestiti e mantenuti. L'idea che una teoria della supply chain possa in qualche modo essere isolata dalle contingenze delle forze economiche che guidano i mercati del software aziendale è sbagliata per due motivi. In primo luogo, da un punto di vista accademico, porta a sprecare tempo in attività di ricerca sulle supply chains, poiché i problemi non vengono affrontati correttamente. In secondo luogo, dal punto di vista aziendale, sia per l'acquirente che per il venditore di software, porta a tecnologie di supply chain con difetti di progettazione che non danno i risultati attesi.
4.10 Struttura aziendale e incentivi
Affinché una supply chain possa essere ottimizzata in modo soddisfacente, gli interessi dell'azienda devono prevalere sugli interessi dei numerosi soggetti e delle parti coinvolte nell'esecuzione della supply chain: dipendenti, dirigenti, consulenti, fornitori di software, fornitori di materiale informatico, ecc. L'organizzazione stessa condiziona in gran parte il grado di ottimizzazione che può essere raggiunto. Per contro, l'organizzazione può essere riprogettata per conseguire migliori prestazioni della supply chain. Ancora una volta, una corretta teoria della supply chain non può essere isolata dal substrato (umano) stesso in cui operano le supply chains.
4.11 Sicurezza informatica
La criminalità informatica è in aumento ed il business dei
ransomware è in piena espansione. A causa della loro natura fisicamente distribuita, le supply chains sono particolarmente esposte. Inoltre, la complessità del contesto è un terreno fertile per i problemi di sicurezza informatica, che è controintuitiva per design, l'angolo adottato dagli aggressori per trovare e sfruttare le falle. A seconda dei tipi di formule numeriche coinvolte nell'ottimizzazione della supply chain, il rischio può aumentare o diminuire.
4.12 La teoria dell’informazione
La previsione trasforma lo storico dei dati, un tipo di informazione, in previsioni, un altro tipo di informazione. La "quantità di informazioni" nelle previsioni non può superare la "quantità di informazioni" presente nei dati di partenza: la logica predittiva si limita a trasformare i dati. La teoria dell'informazione offre una profonda comprensione della natura dell'informazione stessa. In particolare, la teoria dell’informazione è uno strumento di primaria importanza per valutare la "profondità" dei dati che possono essere utilizzati ai fini dell'ottimizzazione della supply chain.
4.13 Psicologia
Programma in via di definizione.
4.21 Blockchains
Le criptovalute hanno attirato molta attenzione. Molta fortuna è stata creata, ma anche persa. Gli schemi piramidali erano dilaganti. Da un punto di vista corporate, la "blockchain" è l'eufemismo elegante impiegato per introdurre idee e tecnologie simili, stabilendo però una distanza con le criptovalute. I casi d'uso nella supply chain esistono per la blockchain, anche se le criticità non mancano.
Testi di riferimento:
- Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Oct 2008
- Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
- Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
- Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
- Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, May 2018
- Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, March 2018
- A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018
5. Modellazione predittiva
La corretta anticipazione quantitativa degli eventi futuri è al centro dell'ottimizzazione di ogni supply chain. La pratica della previsione delle serie temporali è emersa nel XX secolo e ha avuto un'enorme influenza sulla maggior parte delle grandi supply chains. La modellazione predittiva è sia la discendente della previsione delle serie temporali, ma anche un massiccio allontanamento da questa prospettiva. In primo luogo, essa affronta una serie molto più diversificata di problematiche. In secondo luogo, a causa della natura dei problemi della supply chain, è necessario un paradigma programmatico. Terzo, poiché l'incertezza è di solito inevitabile, sono necessarie anche previsioni probabilistiche.
5.1 La programmazione differenziabile
La programmazione differenziabile è un paradigma
generativo che consente di progettare una classe molto ampia di modelli statistici che si rivelano essere particolarmente adatti ad affrontare le problematiche della supply chain predittiva. Essa discende dal deep learning, ma si discosta da quest'ultimo per la sua profonda attenzione alla struttura dei problemi di apprendimento. La programmazione differenziabile sostituisce quasi tutta la letteratura sulle previsioni "classiche" basate su modelli parametrici. È anche superiore agli algoritmi "classici" di machine learning – almeno fino alla fine della prima decade del 2000 – in quasi tutte le dimensioni che contano per un uso pratico ai fini della supply chain, compresa la facilità di utilizzo da parte dei professionisti.
5.1.1 Previsione della domanda per l’azienda parigina (nessuna cannibalizzazione)
Costruiamo il nostro primo modello di previsione della domanda attraverso la programmazione differenziabile per l’azienda parigina, la rete di vendita al dettaglio di abbigliamento. Questa conferenza è illustrata attraverso l’utilizzo di codice scritto in Envision, il DSL (linguaggio specifico di dominio) sviluppato da Lokad per l'ottimizzazione predittiva delle supply chains. Poiché non abbiamo ancora formalmente introdotto la programmazione differenziabile, è probabile che alcuni aspetti di questa conferenza appaiano un po' complessi. Tali aspetti saranno riesaminati nella prossima conferenza, una volta che avremo trattato ciò che la programmazione differenziabile è.
5.1.2 Comprendere la programmazione differenziabile
La programmazione differenziabile è un paradigma di programmazione in cui il programma stesso diventa il modello di interesse, sia dal punto di vista dell'apprendimento che da quello dell'ottimizzazione. La programmazione differenziabile riunisce la differenziazione automatica e la discesa stocastica del gradiente. Sebbene essa possa spaventare, l'approccio è più semplice della maggior parte degli algoritmi di machine learning. La programmazione differenziabile incarna il profondo cambiamento che ha avuto luogo nel campo del machine learning in cui si è passati dal concetto di ‘programmi’ a quello di ‘paradigmi di programmazione’.
5.1.3 La programmazione differenziabile, un cittadino di prima classe in Envision
Nel corso degli ultimi cinque decenni, ogni paradigma di programmazione ha messo in discussione i linguaggi di programmazione esistenti in modi profondi: programmazione orientata agli oggetti, garbage collection, binding dinamico... La programmazione differenziabile presenta delle sfide ai linguaggi di programmazione esistenti. Envision, sviluppato da Lokad, accoglie la programmazione differenziabile come un cittadino di prima classe per sfruttarla al meglio. In questa conferenza chiariamo alcuni degli aspetti sintattici della programmazione differenziabile così come sono stati implementati in Envision.
5.1.4 Incorporare le conoscenze strutturali precedenti con la programmazione differenziabile
Fino alla fine degli anni Ottanta, un gruppo della comunità di machine learning ha cercato – non riuscendosi – di incorporare la conoscenza precedente nel software "intelligente" attraverso sistemi esperti, invece di estrarre la conoscenza direttamente dai dati. Tuttavia, tre decenni dopo, il deep learning ha raggiunto un notevole successo attraverso strati convoluzionali, che rappresentano un approccio di medio livello alla conoscenza pregressa: l'esperto fornisce la "struttura" di ciò che si deve imparare dai dati. Questo approccio si dimostra adatto alle supply chains, specialmente quando si tratta di efficienza dei dati e di whiteboxing.
5.1.5 Affinità cliente-prodotto per l’azienda parigina (verso la cannibalizzazione)
Lo storico delle transazioni che collega clienti e prodotti offre una prospettiva molto più ricca sulla domanda rispetto alla classica prospettiva delle serie temporali aggregate per giorni/settimane/mesi. Questo storico è meglio raffigurato come un grafico temporale bipartito tra clienti e prodotti. In particolare, questa prospettiva affronta la questione di lunga data della "fonte" della domanda con una prospettiva più soddisfacente. La programmazione differenziabile (quasi) banalizza le tecniche di apprendimento dei grafici come il filtraggio collaborativo, fornendo al contempo le basi per l’utilizzo di questi risultati per molti scopi relativi alla supply chain come la pianificazione, il pricing o l'ottimizzazione dell'assortimento.
5.2 Previsioni probabilistiche
Una previsione viene definita probabilistica (anziché deterministica), quando contiene un insieme di probabilità associate a tutti i possibili risultati futuri, piuttosto che individuare un particolare risultato come "la" previsione. Le previsioni probabilistiche sono importanti in quelle situazioni in cui l'incertezza è inevitabile, cosa che si verifica quasi sempre quando si ha a che fare con sistemi complessi. Per quanto riguarda le supply chains, le previsioni probabilistiche sono essenziali per produrre decisioni solide a fronte di condizioni future incerte.
5.2.1 Previsioni deterministiche vs. previsioni probabilistiche
L'ottimizzazione delle supply chains si basa sulla corretta anticipazione degli eventi futuri. Numericamente, questi eventi sono anticipati attraverso
previsioni, che comprendono una grande varietà di metodi matematici utilizzati per quantificare proprio questi eventi futuri. A partire dagli anni Settanta, la forma di previsione più utilizzata è stata la previsione deterministica delle serie temporali: una quantità misurata nel tempo – ad esempio la domanda (in unità) di un prodotto – viene proiettata nel futuro. Tuttavia, questa prospettiva elimina (quasi) del tutto la nozione di incertezza, mentre la prospettiva della previsione probabilistica la accetta e la include.
5.2.2 Accuratezza delle previsioni probabilistiche
Qualunque cosa accada, una previsione probabilistica ben concepita indica che vi era effettivamente una probabilità non nulla che questo risultato si verificasse. Questo concetto è interessante perché a prima vista può sembrare che le previsioni probabilistiche siano in qualche modo immuni dalla realtà, proprio come un indovino che fa affermazioni profetiche molto ambigue che non possono essere smentite, poiché l'indovino può sempre suggerire una spiegazione posteriore sul modo corretto di interpretare le profezie. In realtà, esistono molteplici modi per valutare quantitativamente la qualità di una previsione probabilistica.
5.2.3 Riparazioni non programmate per l’azienda di Miami
Le riparazioni non programmate dei componenti hanno un forte impatto sui costi di manutenzione degli aeromobili. Tuttavia, l'analisi semplicistica del problema è in gran parte compromessa dal pregiudizio di sopravvivenza: lo storico delle riparazioni dei componenti non contiene le riparazioni non programmate che non sono avvenute, ma solo quelle che sono avvenute. Attraverso la programmazione differenziabile, possiamo elaborare un modello a coda spessa per le riparazioni non programmate. In particolare, vedremo che l'idea MTBUR (dall'inglese Mean Time Between Unscheduled Removals ovvero il tempo medio che separa due riparazioni non programmate) è un'astrazione piuttosto lacunosa, poiché molte di queste distribuzioni non hanno nemmeno una media statistica ben definita.
5.2.4 Algebra di variabili casuali
L'incertezza richiede più di una semplice stima e le previsioni probabilistiche hanno bisogno di strumenti dedicati per essere utilizzate nella supply chain. Un'algebra di variabili casuali lavora generalmente su funzioni esplicite di densità di probabilità. L'algebra supporta le consuete operazioni aritmetiche (addizione, sottrazione, moltiplicazione, ecc.) ma le estrapola alle loro controparti probabilistiche, spesso trattando le variabili casuali come statisticamente indipendenti. Questa conferenza è illustrata con dati di tipo
ranvar in Envision, che forniscono un'efficace algebra a variabili casuali su misura per gli scopi della supply chain.
5.3 Programmazione probabilistica
Programma in via di definizione.
5.3.1 Previsione della domanda per il l’azienda di Miami
Programma in via di definizione.
5.3.2 Modelli Generativi
Programma in via di definizione.
5.3.3 Modelli nello spazio degli stati
Programma in via di definizione.
5.4 Interludio, ripensare le previsioni
Arrivati a questo punto, abbiamo già introdotto una breve serie di metodi di previsione, o meglio abbiamo introdotto un paradigma di programmazione – la programmazione differenziabile – per crearli a seconda delle necessità, adattandoli strutturalmente al contesto. È il momento di fare un passo indietro ed esplorare gli angoli della previsione al di là dei tecnicismi delle ricette numeriche stesse.
5.4.1 Whiteboxing
Al di là delle medie mobili, qualsiasi ricetta numerica non banale, dovrebbe essere opaca
per default, per i professionisti della supply chain. Tuttavia, di fronte all'opacità numerica, i professionisti della supply chain dovrebbero (e in pratica lo faranno), esprimere il loro giudizio su quei risultati su cui non si dovrebbe fare affidamento. Il
Whiteboxing, la risposta a questo problema, è fondamentalmente un processo che può, tuttavia, essere radicalmente semplificato se l'infrastruttura del software è progettata correttamente.
5.4.2 Cicli di feedback
Le previsioni non sono isolate, ma hanno conseguenze sulla supply chain. Spesso, queste conseguenze finiscono per influenzare proprio il fenomeno della catena di fornitura che le previsioni erano originariamente destinate a catturare. In pratica, questi cicli di feedback sono dappertutto, eppure, troppo spesso vengono ignorati. Alcuni di essi hanno conseguenze positive per l'azienda (ad esempio effetti autoprofetici sulle vendite) mentre altri no (ad esempio acquisti ritardati fino ai saldi). In ogni caso, il metodo di previsione dovrebbe cercare di tenere conto di questi effetti.
5.4.3 Fonti di dati oltre ai dati transazionali
Il corretto utilizzo dei dati transazionali che si trovano nei sistemi dell'azienda è (sorprendentemente) molto importante quando si tratta di ottimizzare la supply chain. Tuttavia, questi dati possono a volte essere integrati da fonti di dati "esterne", la più notevole delle quali è rappresentata dai dati di competitive intelligence. Alcune fonti di dati sono notoriamente difficili da sfruttare ai fini della supply chain. Esaminiamo i pro e i contro associati a queste fonti di dati.
5.4.4 Modifiche manuali delle previsioni (antipattern)
A causa del design difettoso dello stack del software, molte aziende hanno sviluppato la pratica di applicare regolarmente delle modifiche manuali alle loro previsioni. Questi modifiche danneggiano la supply chain perché non sono vantaggiose: tutto il tempo investito nell'identificazione delle correzioni necessarie e nella loro applicazione sarebbe meglio speso per correggere le ricette numeriche sottostanti. Quindi, per eliminare le modifiche manuali, dobbiamo innanzitutto eliminare le cause alla radice del problema.
6. Ottimizzazione finanziaria
Ogni giorno, migliaia di decisioni sulla supply chain (addirittura milioni nelle grandi aziende) devono essere prese nell'ambito della routine operativa quotidiana di un'azienda. Ogni decisione è accompagnata da alternative. L'obiettivo dell'ottimizzazione della supply chain è quello di scegliere le opzioni che si rivelano più redditizie, a fronte di condizioni future incerte. Questo processo presenta due sfide chiave che non abbiamo ancora affrontato: la prima è la valutazione quantitativa della redditività di qualsiasi decisione; la seconda è l’implementazione di formule di ottimizzazione numerica adeguate alle problematiche della supply chain.
6.1 Allocazione degli stock in negozio per l’azienda parigina
Costruiamo il nostro primo modello di ottimizzazione finanziaria per le operazioni di rifornimento degli stock a negozio per l’azienda parigina, la rete di vendita al dettaglio di abbigliamento. Questa conferenza è illustrata attraverso codice scritto in Envision, il DSL (linguaggio specifico di dominio) sviluppato da Lokad per l'ottimizzazione predittiva della supply chain. Durante la conferenza introdurremo lo schema di prioritizzazione economica e illustreremo come questo schema affronta, senza ulteriori sforzi, anche problemi a livello di magazzino.
6.2 Decisioni discrete univariate
Molte decisioni relative supply chain alla si presentano come problemi discreti e univariati, ad esempio quando si deve decidere quanto acquistare, spostare, trasformare, imballare, smaltire... per ogni SKU gestita dall'azienda. A causa della prevalenza e della diversità di queste decisioni, è interessante stabilire qualche strumento versatile per affrontare non una particolare istanza del problema, ma intere classi di problemi.
6.2.1 Zedfuncs
In Envision, i dati di tipo
zedfunc sono uno strumento algebrico che offre la possibilità di lavorare su 'tutte le decisioni possibili' in una sola volta. È la controparte dei dati di tipo
ranvar – introdotti nel capitolo precedente – che offrono la possibilità di lavorare su 'tutti i possibili futuri'. In combinazione con le tecniche di prioritizzazione, l'algebra
zedfunc pone le basi per una completa ottimizzazione finanziaria della supply chain.
6.2.2 La funzione stock reward
La funzione stock reward può essere vista come un piccolo quadro matematico per combinare una previsione probabilistica della domanda con tre driver economici dell'inventario (margine lordo, penalità di stock-out e costo di trasporto) al fine di valutare il risultato finanziario atteso di ogni posizione dello stock. La funzione stock reward è stata ideata da Lokad alcuni anni fa come un'alternativa agli inefficaci metodi di valutazione precedentemente in uso.
6.2.3 La funzione action reward
La funzione action reward è la discendente spirituale della funzione stock reward. Essa risponde a molti dei limiti originari della funzione stock reward quali: previsioni probabilistiche non stazionarie della domanda, lead times probabilistici, prospettiva no-regret, perdita irrecuperabile della domanda non soddisfatta, ecc. La funzione action reward è stata anche sperimentata da Lokad per beneficiare delle più recenti funzionalità offerte dai modelli predittivi di deep learning.
6.2.4 Quantitativi minimi d’ordine e altri vincoli
Nonostante la sua semplicità, lo schema di prioritizzazione economica, si dimostra in grado di far fronte a molti vincoli non lineari, diffusi tra le supply chains. A prima vista, questo non era qualcosa che ci saremmo aspettati da un avido processo algoritmico. In questa conferenza, illustriamo come alcuni vincoli relativi ai quantitativi minimi d'ordine possono essere affrontati senza troppe complicazioni. Questo getta anche una nuova luce sulla natura stessa del problema dell'ottimizzazione numerica nel campo della supply chain.
6.3 I fattori economici
Le prestazioni della supply chain dovrebbero essere valutate finanziariamente e non attraverso percentuali come viene comunemente fatto (tramite l'errore medio assoluto percentuale ed i livelli di servizio). L'ottimizzazione attraverso percentuali reca danni in due modi: il primo, attraverso l'illusione del progresso e il secondo, attraverso la burocrazia che inevitabilmente emerge a sostegno di questo. Al contrario, la valutazione finanziaria è progettata per essere allineata agli interessi strategici dell'azienda. In particolare, l'impatto finanziario di una decisione dovrebbe essere scomposto nei suoi fattori economici sottostanti.
6.4 Programmazione differenziabile (2° round)
La programmazione differenziabile rappresenta la convergenza tra gli ambiti dell'apprendimento statistico e dell'ottimizzazione numerica. Finora, questo paradigma di programmazione è stato applicato ai problemi di apprendimento statistico, e vedremo ora come può essere applicato ai problemi di ottimizzazione numerica come quelli presenti nelle supply chains.
6.4.1 Sconti di fine stagione per l’azienda parigina
In questa conferenza construiamo un modello di sconti attraverso la programmazione differenziabile per l'azienda parigina, la rete di vendita al dettaglio di abbigliamento. La conferenza è illustrata attraverso codice scritto in Envision. L'obiettivo è quello di sfruttare al meglio gli stock detenuti dall'azienda, regolando il livello degli sconti per garantire una tempestiva liquidazione entro fine stagione.
6.4.2 Prezzi competitivi per il l’azienda di Stoccarda
Costruiamo una strategia di prezzo competitiva attraverso la programmazione differenziabile per l’azienda di
Stoccarda, il distributore di ricambi auto. La conferenza è illustrata attraverso codice scritto in Envision. L'obiettivo è quello di implementare una strategia di picing ben concepita rispetto a quella della concorrenza, e che beneficia anche dei dati di competitive intelligence.
6.5 Interludio, ripensare l’ottimizzazione
Abbiamo introdotto una breve serie di tecniche di ottimizzazione in grado di affrontare situazioni relative a supply chains molto diverse tra loro. Proprio come il modo in cui ci siamo avvicinati alla modellazione predittiva, l'ottimizzazione viene affrontata attraverso paradigmi di programmazione piuttosto che attraverso specifiche ricette numeriche. Ancora una volta, è tempo di fare un passo indietro e di ampliare i nostri orizzonti sulla prospettiva dell'ottimizzazione.
6.5.1 Esecuzione automatizzata
Trattare gli esperti come co-processori umani di sistemi aziendali altrimenti disfunzionali è uno spreco. L'esercizio della supply chain dovrebbe fare in modo che il tempo degli esperti sia valorizzato, non sprecato. L’automatizzazione dell’intero processo decisionale è la chiave per ottenere un esercizio efficace della supply chain. Infatti, l’automatizzazione è la chiave per far sì che gli esperti si concentrino sul miglioramento continuo delle formule numeriche.
6.5.2 Coltivare le opzioni
Le opzioni – acquisto, produzione, ecc. – presentate alla ricetta dell'ottimizzazione numerica non sono cadute dal cielo, ma sono state originariamente progettate o negoziate. Pertanto, queste opzioni possono essere migliorate, indipendentemente dal processo di ottimizzazione che avrà luogo in seguito. Sebbene il miglioramento delle opzioni e il miglioramento dell'ottimizzazione numerica siano complementari, il primo tende ad essere trascurato.
6.5.3 Coltivare la conoscenza
Lo storico dei dati ottenuto dall'azienda è il risultato delle sue decisioni passate. Le decisioni plasmano ciò che può essere osservato e ciò che non lo sarà. Provare le opzioni "rischiose" è un meccanismo per conoscere meglio il mercato, ma ci deve essere un equilibrio nella quantità di rischio da assumere. Questo problema è noto come il compromesso tra l’esplorazione e lo sfruttamento, e si trova al centro del campo dell’apprendimento per rinforzo.
7. Infrastruttura del software
Le moderne supply chains vivono e muoiono per la qualità della loro infrastruttura software. Delegare all'IT la comprensione di ciò che rende buona un’infrastruttura software equivale all’assicurarsi infiniti problemi di produzione. L'introduzione di formule numeriche non banali, come discusso nelle conferenze precedenti, amplifica il problema a causa della loro complessità interna. L'infrastruttura software stessa deve essere progettata in modo da avere proprietà adatte all'ottimizzazione della supply chain.
7.1 La responsabilità delle formule numeriche
Le osservazioni casuali delle supply chains indicano che il successo operativo delle formule numeriche dipende fortemente dalla presenza di un piccolo gruppo di persone all'interno dell'organizzazione che è responsabile di tali formule. In pratica, si scopre che l'infrastruttura del software stesso detta se le formule numeriche possono avere o meno dei proprietari. Questa prospettiva fornisce una prima serie di intuizioni sulle proprietà desiderabili dell'infrastruttura software in vista dell'ottimizzazione della supply chain.
7.2 Correttezza per design
Nel XXI secolo, il design ben concepito è qualcosa che diamo per scontato per quasi tutti gli oggetti che abbiamo in casa. Eppure, quando si tratta di software, soprattutto di software "scientifici", utilizzati per implementare formule numeriche, la mancanza di design è stupefacente. La mentalità del "fallire velocemente e rompere le cose" potrebbe essere la mentalità giusta per lanciare un'applicazione di gaming, ma non è certamente la mentalità giusta per una supply chain dove ogni guasto ha costi enormi.
7.3 Mutualizzazione e miscibilità hardware
L'ottimizzazione della supply chain si differenzia notevolmente dalla gestione della supply chain per le sue esigenze estremamente variabili in termini di risorse informatiche. I paradigmi hardware e software pionieristici dei giganti del cloud computing si rivelano essere di primaria importanza ai fini della supply chain. La mutualizzazione dell'hardware enfatizza un'allocazione dinamica delle risorse. La miscibilità dell'hardware enfatizza invece una prospettiva in cui un tipo di risorse può essere scambiato con un altro tipo di risorse.
7.4 Stack integrato per realizzare applicazioni predittive
Il design profondamente stratificato è il killer silenzioso dei software moderni, in quanto è dannoso su quasi tutti i fronti importanti: l'affidabilità, le prestazioni di calcolo, la produttività e le prestazioni aziendali. Il problema è amplificato per la supply chain, a causa della complessità ambientale sia a livello hardware che software. Peggio ancora, maggiore è la sofisticazione delle ricette numeriche, maggiore è anche il numero di strati che si introducono. La rimozione degli strati tramite l'integrazione di stack si rivela essere la soluzione di cui le supply chains hanno bisogno.
7.5 L’approccio relazionale prima di tutto per preparare, imparare e ottimizzare
La quasi totalità dei dati della supply chain è costituita da dati altamente strutturati e relazionali. Quindi, non sorprende che una "buona" infrastruttura software sia quella che adotta una prospettiva relazionale dei dati. Il paradigma del data frame è un passo importante in questa direzione. Tuttavia, questo paradigma può e deve essere ulteriormente esteso al di là del caso della singola tabella per supportare la maggior parte delle situazioni relative alla supply chain. Inoltre, l'approccio relazionale-prima di tutto deve permeare anche l'apprendimento statistico e gli aspetti di ottimizzazione numerica dell'infrastruttura software.
7.6 Manutenibilità assoluta
La manutenibilità del software è una questione di sopravvivenza per le supply chains. Tuttavia, sia gli accademici che i consulenti hanno incentivi strutturali per ignorare completamente il problema. Anche i fornitori di software aziendali possono essere incentivati a trascurare il problema, a seconda di come vengono impostate le loro tariffe. Purtroppo, dal punto di vista della progettazione, la manutenibilità non può essere un ripensamento. Esistono una serie di principi di progettazione che possono migliorare notevolmente la manutenibilità dell'infrastruttura software.
7.7 Sicurezza elevata
I ransomware sono in aumento e, dopo aver esaminato le cause alla radice, non c'è motivo di credere che questo problema svanirà nei prossimi vent'anni. L'ottimizzazione della supply chain presenta alcune peculiarità a causa delle sue esigenze di espressività programmatica. In particolare, l'urgenza spesso associata alle correzioni di routine delle formule numeriche che si trovano nella supply chain non è compatibile con le pratiche abituali adottate dall'industria del software per garantire la sicurezza dei software. Ancora una volta, le soluzioni si trovano in una progettazione sicura dell'infrastruttura software stessa.
8. Esecuzione tattica
Un'iniziativa che intende migliorare le prestazioni della supply chain attraverso formule numeriche più avanzate può, in caso di successo, alterare profondamente la supply chain stessa. Questa prospettiva comporta due condizioni. le ricette numeriche devono essere concepite in modo da facilitare il processo, poiché coinvolgono più di quanto non sembri. In secondo luogo, il processo stesso di introduzione delle formule numeriche rimodella le ricette; il che, a prima vista, è abbastanza controintuitivo.
8.1 Stabilire un ambito di applicazione
L'ambito di applicazione di un'iniziativa deve essere collegato a una decisione di routine. Concentrarsi su artefatti numerici intermedi, come le previsioni, è frequente, ma fuorviante. Inoltre, la maledizione della supply chain è che le soluzioni locali spostano i problemi piuttosto che affrontarli. Ad ogni modo, anche gli approcci onnicomprensivi si rivelano essere dannosi. L'ambito deve essere ingegnerizzato prestando attenzione ai compromessi in gioco.
8.2 I partecipanti e i loro ruoli
Nonostante le aziende moderne siano incredibilmente eterogenee, esistono dei punti in comune organizzativi che sono quasi sempre onnipresenti, come la presenza di un dipartimento IT sotto una forma o l'altra. I ruoli caratteristici di un’iniziativa sono i seguenti: il coordinatore, il responsabile dei dati, il responsabile della supply chain e il Supply Chain Scientist.
8.3 Tempistica classica di un'iniziativa
Supponendo che sia disponibile un'infrastruttura software adeguata, la tempistica di un'iniziativa di Quantitative Supply Chain ha poco a che fare con la tecnologia: il fattore umano rappresenta il collo di bottiglia in ogni fase, ed è proprio cosi che dovrebbe essere. La quantità di cambiamenti che un'organizzazione complessa può affrontare in un breve periodo di tempo (tenendo tutto sotto controllo) è limitata. Un'infrastruttura software inadeguata di solito fa slittare la tempistica a causa dell'introduzione di una complessità accidentale.
8.4 Preparazione dei dati
Programma in via di definizione.
8.4.1 Impostazione della pipeline di dati
La freschezza dei dati ha un'importanza cruciale in quanto dati obsoleti scoraggiano gli operatori della supply chain. Pertanto è necessaria una pipeline di dati – non solo un'estrazione – indipendentemente da quanto modesta sia l'iniziativa. La pipeline di dati deve rispecchiare i dati di produzione (comprese le stranezze) e non tentare di "correggerli". Inoltre, è l'opportunità di fare un primo giro di qualificazione dei dati concentrandosi sulla loro semantica.
8.4.2 Salute dei dati
La nozione di
salute dei dati tenta di stabilire se i dati sono adatti ad essere sfruttati per scopi relativi all'ottimizzazione della supply chain. Questo approccio si discosta notevolmente dalla prospettiva tradizionalmente associata alla
pulizia e alla
preparazione dei dati. Un basso livello di qualità dei dati si concentra sul rilevamento di problemi di tipo informatico, generalmente causati da fenomeni che si verificano ai margini del sistema. I dati di alta qualità si concentrano sul rilevamento di problemi del business, in genere causati da un certo disallineamento tra la realtà del business e la sua controparte digitale nei sistemi.
8.4.3 Ispettori dei dati
Si dovrebbe stabilire una stretta corrispondenza tra ciò che si vede nei sistemi di gestione degli asset (gli ERP, i MRP, i WMS, ecc.) e ciò che si vede all'interno del sistema di ottimizzazione predittiva. Inoltre, le informazioni dovrebbero essere consolidate in unità significative – denominate "ispettori" – che forniscono una visione consolidata degli elementi cruciali all'interno della supply chain (ad esempio i prodotti, i luoghi, i clienti), etc.
8.5 Passaggio in produzione
La mentalità che dice "fallisci presto e rompi le cose" non è quella giusta per portare in produzione il sistema di ottimizzazione delle previsioni. Peggio ancora, i processi a cascata sono rischiosi nella pratica, anche se danno l'impressione che i rischi siano sotto controllo. Ridurre i rischi associati al passaggio in produzione è principalmente una questione relativa all’avere il giusto processo supportato dalla giusta attrezzatura.
8.6 La routine giornaliera
La routine di un "classico" demand and supply planner comprende per lo più compiti amministrativi che vengono completamente automatizzati attraverso un disegno intenzionale delle formule numeriche, come promosso dalla Quantitative Supply Chain. Tuttavia, nonostante l'automatizzazione avanzata riduca drasticamente il fabbisogno di manodopera necessaria alla gestione di una determinata supply chain, ci sono una serie di operazioni che rimarranno al di fuori dell'automatizzazione almeno per i prossimi decenni.
9. Esecuzione strategica
La supply chain, sia come pratica che come campo di studio, mira ad essere uno strumento e un vantaggio competitivo per l'azienda nel suo complesso. Dal punto di vista del top management, dominano due prospettive: rendere la supply chain un asset con una crescita graduale e sbloccare modalità migliori per la gestione del business. In pratica, i risultati si riducono per lo più alla scelta del giusto team.
9.1 Assumere un direttore della supply chain
Il responsabile della supply chain ha un solo compito: rendere la catena di fornitura il più efficiente possibile per l'intera azienda. In primo luogo, questa persona deve porre fine alle pratiche che impediscono miglioramenti capitalistici. In secondo luogo, questa persona deve essere in grado di reclutare una grande squadra, ed essere in grado di guidarla.
9.2 Assumere e formare un team
L'intelligenza e la capacità di fare le cose dovrebbero essere le due caratteristiche chive per i dipartimenti supply chain che stanno assumendo. La supply chain è in competizione con il mercato per attrarre questi profili. Le società di consulenza e le aziende di software hanno un'esperienza pluridecennale di competizione con il resto del mercato per quanto riguarda questi profili. Questo dovrebbe farvi diffidare da persone molto "intelligenti" (dottori di ricerca, data scientists) ma ancora disponibili e che si candidano per le vostre posizioni aperte.
9.3 Cooperazione tra l'IT e la supply chain
La supply chain deve riprendere in considerazione le proprie pratiche relative ai software. Questo approccio (ri)definisce profondamente la relazione tra IT e supply chain. L'IT rimane presente per supportare l'infrastruttura software di base e fornire tutto il coaching necessario ogni volta che è richiesta una competenza a livello di sistema.
9.4 Oltre l’S&OP
L'S&OP pone correttamente l’enfasi sull'allineamento aziendale end-to-end per servire adeguatamente il mercato. Tuttavia, le sue pratiche – generalmente orientate all’incontro – sono obsolete. Le capacità dei software moderni permettono di ripensare in profondità il modo in cui la sincronizzazione può essere ottenuta in modo più redditizio. Un semplice aggiornamento dell'S&OP tramite strumenti software porta solo una frazione dei benefici che si possono ottenere attraverso una più radicale riprogettazione della pratica.
9. Conoscenza negativa
Come regola generale, la conoscenza negativa – le cose che non funzionano – è più stabile della conoscenza positiva. Se finora non ha funzionato, le probabilità che continui a non funzionare sono altissime. La conoscenza negativa è molto preziosa per la supply chain, proprio perché è molto più affidabile della sua controparte positiva.
10.1 Cattiva esecuzione
Molte iniziative riguardanti la supply chain falliscono a causa di aspetti abbastanza banali nella loro esecuzione quotidiana. In queste situazioni di
morte lenta e dolorosa, il personale e la direzione passano la maggior parte del loro tempo e delle loro energie a spegnere gli incendi, senza alcuna conoscenza delle cause alla radice.
10.1.1 Approcci tradizionali tossici
I livelli di servizio, le scorte di sicurezza, l'analisi ABC, la formula EOQ – accanto a molti altri classici – sono diffusi e largamente disfunzionali in un contesto reale. Questi approcci tradizionali hanno tutti in comune l'idea di essere fondati su supply chains idealizzate, che in realtà hanno poca somiglianza con le supply chains reali.
10.1.2 Dark UX e flussi di lavoro oscuri
Gli allarmi e le eccezioni sono onnipresenti nei software che si occupano della supply chain, eppure, questi modelli UX (dall’inglese
user experience, esperienza utilizzatore) portano sistematicamente a una scarsa produttività e alla quasi impossibilità di miglioramenti continui. Più in generale, molti flussi di lavoro danno l'impressione di essere "razionali" perché sono completamente "specificati", eppure non sono altro che burocrazie reificate.
10.1.3 Software di porcellana
Ogni volta che un software ha un bug da qualche parte della supply chain, le operazioni si interrompono, i team smettono di lavorare al miglioramento continuo per passare alla modalità antincendio. L'eliminazione di questi problemi dovrebbe essere una priorità assoluta, eppure, gli approcci più comuni sono sbagliati e finiscono per ottenere il risultato opposto.
10.2 Pessima leadership
Come quasi tutti i problemi aziendali, la causa alla base del problema deriva, in ultima analisi, da una cattiva gestione da parte dei vertici. Eppure, il motto "lavora in modo più intelligente, lavora di più" è meno che utile nella pratica. Ciononostante, un certo insieme di cattive pratiche è diventato estremamente popolare, soprattutto perché gioca sulla paura, l'incertezza e i dubbi che affliggono coloro che si trovano ai vertici della gerarchia.
10.2.1 Dall'indecisione e dall'ignoranza alla RFP e ai prototipi
I dirigenti della supply chain possono non avere una visione approfondita di ciò che dovrebbe essere la loro stessa supply chain. La profondità di solito manca su due fronti: tecnico e commerciale. Sul lato tecnico, la mancanza di accordo meccanico porta a problemi relative al software. Sul lato commerciale, la mancanza di acume porta ad una supply chain ingabbiata in un ruolo di supporto, nella migliore delle ipotesi. L'indecisione e l'ignoranza si manifestano attraverso RFP e prototipi mal strutturati.
10.2.2 Giudizio di Salomone invertito
Il giudizio di Salomone si riferisce, tra le altre cose, al mantenere insieme ciò che non era destinato ad essere diviso. Eppure, l'approccio "divide et impera" è ampiamente utilizzato dalle grandi aziende per frammentare le decisioni tra molti silos. Questa frammentazione è alimentata da un'errata comprensione dei benefici della specializzazione, e genera anche degli incentivi non funzionanti.
10.2.3 Offerte sacrificali agli dei della previsione
Per centinaia di anni, gli antichi generali romani hanno scandagliato il futuro attraverso gli Auguri e gli Aruspici. In tempi più recenti, i politici si sono orientati verso la lettura delle carte, che viene eseguita più comodamente al chiuso. Tuttavia la lettura delle carte mancava ancora di precisione, e così alcuni dirigenti aziendali hanno modernizzato l'intera faccenda, che ora viene definita S&OP.
10.3 Pseudo-scienza
La pseudo-scienza è un fenomeno che si diffonde nei circoli della supply chain. Infatti, le persone che si trovano ad affrontare problemi complicati sono relativamente più facili prede dei ciarlatani, perché è più difficile smascherarli.
10.3.1 Teorie semplicistiche mascherate da sofisticate
I problemi della supply chain sono sia incredibilmente diversificati che tecnici. Di conseguenza, circa ogni dieci anni emerge una teoria che propone una semplificazione radicale. Queste teorie devono essere solo " sufficientemente complesse" in modo che non siano palesemente semplicistiche, ma abbastanza semplicistiche da essere facilmente comprensibili, in quanto richiedono solo un minimo sforzo da parte dei professionisti della supply chain. In questa conferenza discuteremo del DDMRP e del flowcasting.
10.3.2 Teorie oscure per farvi sentire degli iniziati
Al contrario, circa ogni dieci anni emerge una teoria o una tendenza della supply chain che va nella direzione esattamente opposta a quella indicata nella conferenza precedente. Poiché i problemi della supply chain appaiono opachi, non è del tutto irragionevole aspettarsi che anche la soluzione possa essere opaca. Giocando la potente carta della "paura di perdersi", gli attori ottengono una spinta tra i circoli della supply chain promettendo un'iniziazione. Tre esempi recenti degni di nota sono l'IA, la
blockchain e il
demand sensing.
