Deliverable di progetto

La catena logistica quantitativa si prefigge come obiettivo quello di offrire decisioni traducibili in azioni: un esempio tipico è quello delle quantità suggerite per gli ordini di acquisto. Qui di seguito chiariremo meglio la forma specifica e il meccanismo di elaborazione di tali decisioni. Fissare delle aspettative chiare per i deliverable è un passo importante nel percorso della logistica quantitativa, ma i dati numerici ottimizzati non sono l'unico risultato auspicato: i deliverable possono infatti essere estesi anche a monitoraggio dell'integrità dei dati e KPI di gestione, tra gli altri. Nella pratica, i deliverable di un'iniziativa legata alla catena logistica quantitativa dipendono dalla flessibilità del software utilizzato per supportare l'iniziativa; ciò nonostante, ogni progetto di questo tipo si definisce prima di tutto per il suo intento, indipendentemente dalla tecnologia utilizzata.

Script come deliverable

La catena logistica quantitativa promuove un'automazione completa nella gestione dei dati. Ciò non vuol dire che il software possa agire in maniera totalmente autonoma: soprattutto quando la catena logistica è di notevoli dimensioni, un livello elevato di supervisione è ovviamente necessario. La gestione dei dati deve essere invece automatizzata, nel senso che nessuna sua fase deve dipendere dall'intervento umano. Come abbiamo già spiegato nel nostro manifesto, ogni volta che l'elaborazione dei dati relativi alla logistica richiede un'attività manuale, vuol dire che la soluzione non riesce ad adattarsi alle complessità della vita pratica.

Come diretta conseguenza di ciò, i deliverable di un'iniziativa di catena logistica quantitativa sono, invariabilmente, intere parti di software. Questo non vuol dire che i dipendenti incaricati del progetto debbano reimplementare tutto: una soluzione software dedicata alla catena logistica quantitativa offre la possibilità di concentrarsi più attentamente sulle sfide reali della logistica, mentre le minuzie tecniche, come lo sfruttamento di risorse di calcolo distribuite e allocate automaticamente all'interno di una piattaforma di cloud computing, sono delegate opportunamente agli strumenti tecnologici.

I deliverable prendono la forma di script, solitamente redatti in un linguaggio di programmazione che sappia rispondere alle esigenze della catena logistica senza perdere in produttività. Il termine "script" è usato come sinonimo di "codice sorgente": "script" evoca una maggiore astrazione e si concentra principalmente sull'attività in sé, mentre "codice sorgente" fa riferimento a una prospettiva di più basso livello, che riflette meglio l'aspetto "fisico" dell'operazione. Per la catena logistica quantitativa, a contare di più è ovviamente la prospettiva logistica, non l'hardware utilizzato, che è invece un fattore tecnico secondario.

Nel corso dell'ultimo decennio, il successo delle interfacce utente di tipo WYSIWYG (what you see is what you get, ossia quello che vedi è quello che avrai), pensate per le applicazioni destinate a utenti finali, ha spinto molti sviluppatori di software per la logistica a tentare lo stesso approccio, con soluzioni analoghe per la pianificazione e l'ottimizzazione della logistica. Tuttavia, il fatto che tali tentativi abbiano tutti sistematicamente fallito ci ha insegnato che le catene logistiche sono complesse e non possono fare a meno di strumenti programmatici. Secondo la nostra esperienza, non possiamo aspettarci che uno strumento basato sul meccanismo "trascina e rilascia" sia in grado di riflettere adeguatamente la mancanza di linearità che ritroviamo ad esempio in quantitativi minimi di ordine sovrapposti. L'espressività programmatica è necessaria, poiché altrimenti lo strumento non sarebbe neanche in grado di esprimere la sfida logistica affrontata.

Ovviamente, dal punto di vista dell'utente finale, uno script non è esattamente quello che un esperto di logistica, abituato ad avere a che fare con KPI consolidati e tabelle che suggeriscono decisioni, si aspetta di trovare come deliverable di un progetto dedicato alla catena logistica. I KPI e le tabelle, però, vengono di solito presentati attraverso pannelli di controllo temporanei, che sono ottenuti semplicemente eseguendo degli script a partire dai dati sulla catena logistica. La distinzione potrebbe sembrare sottile, ma è importante non confondere lo script, ossia il vero deliverable del progetto, con la sua espressione numerica, che è di solito ciò che l'utente finale vede.

Pannelli di controllo per l'integrità dei dati

Prima di pensare a ottimizzare le decisioni logistiche, dobbiamo assicurarci che i dati che offriamo al sistema, come punto di partenza per la nostra iniziativa di catena logistica quantitativa, siano corretti sia a livello numerico, sia a livello semantico. A questo scopo ci vengono in aiuto i pannelli di controllo per il monitoraggio dell'integrità dei dati, o semplicemente pannelli per l'integrità dei dati: l'obiettivo di questi pannelli è di garantire un grado elevato di correttezza dei dati, un requisito essenziale perché la soluzione ci offra risultati corretti, e supportare il reparto logistico nel migliorare la qualità dei dati esistenti.

Gli errori numerici non sono rari: se un file CSV esportato da un software ERP indica che per il prodotto ABC esistono 42 unità in stock, mentre la console web ERP riporta appena 13 unità, è evidente che siamo di fronte a dati divergenti, quando invece dovrebbero essere perfettamente corrispondenti. I pannelli per l'integrità dei dati gestiscono questi problemi relativamente ovvi semplicemente verificando che gli aggregati di dati rimangano all'interno di intervalli numerici predeterminati.

Gli errori semantici sono invece più "subdoli" e difficili da individuare. La preparazione dei dati consiste principalmente nell'identificare e risolvere gli errori semantici: ad esempio, il campo stockinv nel sistema ERP può essere documentato come scorte in magazzino. In questo caso, il reparto logistico dà per scontato che la quantità non potrà mai essere negativa, perché, ovviamente, se le scorte sono fisicamente presenti sullo scaffale non possono essere meno di zero. Eppure, la documentazione nell'ERP potrebbe essere ambigua: la quantità, infatti, avrebbe potuto essere definita più propriamente come scorte disponibili, perché, se si verifica una rottura di stock e il cliente invia un ordine arretrato, la quantità può diventare negativa, al fine di indicare che un certo numero di unità sono già dovute a un cliente. A questo punto, siamo di fronte a un errore semantico: il numero non è sbagliato in sé, è l'interpretazione che ne viene data a essere approssimativa. Nella pratica, le approssimazioni semantiche possono generare diversi comportamenti incoerenti, che a loro volta creano costi di frizione all'interno della catena logistica.

I pannelli per l'integrità dei dati consolidano numeri che consentono all'azienda di decidere sul momento se i dati sono abbastanza affidabili oppure no. Se la soluzione viene usata ogni giorno a scopi di produzione, è fondamentale che un serio problema legato ai dati sia identificato quasi a prima vista, altrimenti si rischia di far funzionare tutta la catena logistica per giorni, o addirittura per settimane, sulla base di dati fallaci. In questo senso, questi pannelli sono un po' come un semaforo: col verde si passa, col rosso ci si ferma.

Inoltre, se la catena logistica è di dimensioni notevoli, bisogna tenere in conto che una certa quantità di dati sarà sempre corrotta, o comunque non corretta. Questi dati derivano da voci inserite manualmente e in modo errato, oppure sono dovuti ad alcuni casi limite, peraltro rari, nel funzionamento dei sistemi aziendali. In questi casi, aspettarsi dati accurati al 100% è pura utopia; è molto più ragionevole, al contrario, assicurarsi che i dati siano abbastanza accurati da tenere i costi di frizione dovuti agli errori su livelli quasi impercettibili.

I pannelli per l'integrità dei dati servono inoltre a raccogliere informazioni sugli errori identificati, essenziali per stabilire se i dati sono affidabili oppure no. A tal fine, è spesso necessario l'intervento di un supply chain scientist, che possa stabilire soglie di allarme selezionate, solitamente associate a un blocco forzoso della soluzione. Nel determinare le soglie è fondamentale usare la massima cautela: se sono troppo basse, la soluzione non può funzionare, perché sarebbe bloccata troppo spesso da "problemi trovati nei dati"; se invece sono troppo alte, i costi di frizione causati da errori nei dati potrebbero diventare significativi e minare così i benefici apportati dall'iniziativa.

Al di là della loro funzione di semaforo, i pannelli per l'integrità dei dati sono anche utili a far emergere prospettive importanti per il miglioramento dei dati: molti punti dati potrebbero infatti essere errati, ma non per questo avere conseguenze. Per esempio, non è importante se il prezzo di acquisto di un prodotto per cui non esiste più domanda da anni è errato, perché per quel prodotto non verranno eseguiti altri ordini di acquisto.

La catena logistica quantitativa sottolinea come una risoluzione mirata degli errori nei dati, che potrebbe comportare anche un carico ingente di lavoro manuale, debba valutare l'impatto finanziario previsto dell'errore, a fronte del costo della manodopera associata alla correzione. Infatti, a seconda della soluzione utilizzata, il costo associato alla correzione di un solo punto dato sbagliato può variare enormemente e deve essere considerato nell'ordine di priorità suggerito. Infine, se il costo delle correzioni supera i costi logistici generati dagli errori, il procedimento di miglioramento dei dati può essere concluso.

Pannelli di controllo per decisioni per priorità

Come abbiamo visto, solo le decisioni relative alla catena logistica possono essere realmente valutate in un'ottica quantitativa. Non c'è quindi da stupirsi se uno dei deliverable più importanti di un'iniziativa di catena logistica quantitativa sono pannelli di controllo che consolidano le decisioni ottenute in un risultato numerico finale per tutto il procedimento di gestione dei dati. Un pannello di questo tipo può essere una semplice tabella che elenca, per ogni prodotto, la quantità esatta di unità da riordinare subito. Se sono presenti quantitativi minimi di ordine o altri vincoli analoghi, le quantità suggerite potrebbero essere spesso pari a zero, finché non vengono raggiunte le soglie adeguate.

Per maggiore semplicità, diamo qui per scontato che i risultati numerici siano raccolti in un unico pannello di controllo, ossia in una particolare interfaccia utente. Il pannello in sé, in realtà, è solo un'opzione, che può essere o non essere rilevante. All'atto pratico, il software di cui ci si serve per l'iniziativa di catena logistica quantitativa deve essere molto flessibile (programmaticamente parlando) e offrire diversi modi per "impacchettare" i risultati ottenuti in vari formati di dati. Per esempio, i risultati numerici possono essere consolidati all'interno di file flat di testo, che possono poi essere importati automaticamente nell'ERP principale usato per gestire gli attivi dell'azienda.

Se il formato delle decisioni dipende soprattutto dall'operazione che si sta tentando di compiere, molte operazioni richiedono che tali decisioni siano ordinate per priorità. Ad esempio, il calcolo delle quantità suggerite per un ordine di acquisto può essere scomposto attraverso una lista di priorità delle unità da acquistare: l'unità più redditizia è classificata al primo posto; man mano che le scorte presentano un ritorno economico minore, la seconda unità acquisita per lo stesso prodotto tocca una frazione minore della domanda. La seconda unità di questo stesso prodotto potrebbe quindi non essere al secondo posto nella lista generale: al secondo posto potremmo trovare infatti un'unità di un altro prodotto. La lista di priorità delle unità da acquistare è teoricamente infinita, poiché è sempre possibile acquistare un'altra unità. Dato che, però, la domanda della clientela è finita, tutte le unità acquistate diventerebbero a un certo punto stock morto. Per trasformare la lista di priorità in lista definitiva di quantità da acquistare, basta introdurre un criterio di stop e sommare le quantità per prodotto. A livello pratico, i vincoli non lineari complicano ulteriormente la situazione, ma per il momento non affronteremo l'argomento.

Ordinare le decisioni per priorità è un'operazione del tutto naturale, da un punto di vista logistico. Dato che ogni decisione è associata a un risultato finanziario espresso in dollari, classificare le decisioni dalla più alla meno redditizia è semplice. Molti, se non tutti, i pannelli che compilano le decisioni logistiche suggerite hanno l'aspetto di liste di decisioni classificate per priorità: i pannelli contengono infatti elenchi di decisioni, quelle a più alto rendimento in testa e quelle a più basso rendimento in coda. In alternativa, è possibile troncare le liste quando le decisioni diventano poco redditizie: tuttavia, si possono trarre conclusioni illuminanti persino analizzando le decisioni non redditizie (anche se queste non verranno mai messe in pratica).

Per ottenere questo tipo di pannelli, il software che supporta l'iniziativa deve esplorare numericamente notevoli quantità di possibili decisioni. Ad esempio, la soluzione deve essere in grado di considerare l'impatto finale dell'acquistare ogni singola unità, unità per unità, per ogni singolo prodotto in ogni singola posizione. Non sorprende, quindi, che questa operazione richieda risorse di calcolo poderose. Fortunatamente, i moderni mezzi a nostra disposizione possono gestire anche le catene logistiche più vaste del mondo. Se la soluzione software utilizzata dispone di un'architettura adeguata per la gestione logistica quantitativa, allora l'elaborazione dei dati dovrebbe disporre di ampia scalabilità.

Spiegare i risultati numerici

In logistica e non solo, vengono ironicamente definiti black box (scatole nere) quei sistemi che generano risultati così complessi da non poter essere spiegati neanche dagli esperti che lavorano con quegli stessi sistemi. La catena logistica quantitativa, ponendo l'accento su una gestione dei dati automatizzata, non è immune dal rischio "black box": tenendo a mente che le implicazioni finanziarie delle decisioni logistiche sono cruciali per un'azienda, bisogna ammettere che un nuovo sistema può sì migliorare la situazione, ma può anche potenzialmente creare disastri. Se è vero che l'automazione è auspicabile, è anche vero che il personale addetto alla logistica deve comunque avere una profonda conoscenza delle tematiche che si affrontano.

Il termine whiteboxing fa riferimento al lavoro necessario per rendere la soluzione totalmente trasparente, a beneficio degli addetti alla logistica. Questo approccio sottolinea come nessuna tecnologia sia trasparente di per sé: la trasparenza è il risultato finale di uno sforzo specifico, parte dell'iniziativa stessa. Nella pratica, anche una semplice regressione lineare può generare risultati bizzarri. A parte qualche rara eccezione, la maggior parte delle persone non riesce a cogliere intuitivamente quale dovrebbe essere il risultato "atteso" del modello lineare in presenza di 4 o più dimensioni. I problemi logistici, però, implicano spesso decine, se non centinaia, di variabili. Anche i modelli statistici più elementari, quindi, sono di fatto delle scatole nere per i professionisti del settore. Ovviamente, utilizzare degli algoritmi di machine learning, come raccomanda la logistica quantitativa, li lascia ancora di più all'oscuro.

Certo, l'effetto black box è un problema reale, ma ricorrere a calcoli che risultino immediatamente comprensibili alla mente umana non è la strada giusta da seguire. Anzi, semplificare l'elaborazione dei dati fino a questo punto sarebbe una soluzione estremamente inefficiente, che annullerebbe tutti i vantaggi dell'usare le moderne risorse di calcolo per affrontare le sfide complesse delle catene logistiche odierne. Il punto non è tanto semplificare, quanto chiarire.

Anche i suggerimenti più complessi per la catena logistica possono essere resi più trasparenti dagli addetti ai lavori, semplicemente scomponendo i calcoli interni in una serie di indicatori finanziari selezionati, che rappresentano i fattori economici a supporto dei suggerimenti stessi. Ad esempio, invece di una semplice tabella a due colonne, una per il prodotto e una per la quantità corrispondente suggerita per l'ordine di acquisto, sarebbe meglio avere una tabella con qualche colonna in più che aiuti a prendere le decisioni giuste: le colonne aggiuntive potrebbero includere le scorte disponibili, la domanda totale nel corso dell'ultimo mese, il lead time atteso, il costo finanziario atteso per una rottura di stock (se non venisse inviato nessun ordine di acquisto), il costo finanziario atteso per un eccesso di scorte (rischio associato all'ordine suggerito), e così via. Le colonne dovrebbero inoltre essere strutturate in modo che il reparto logistico dell'azienda possa stabilire rapidamente se le quantità suggerite sono sensate oppure no: in questo modo, sarebbe possibile valutare l'affidabilità dei risultati ottenuti e individuare eventuali punti deboli da migliorare nel sistema.

Estendere i pannelli a scopo di whiteboxing è quasi un'arte: generare milioni di numeri è facile, anche solo con le risorse di calcolo di uno smartphone; il difficile è generare 10 numeri soltanto, che però valga davvero la pena leggere ogni giorno. La vera sfida consiste quindi nell'identificare una decina di KPI (o anche meno) che siano sufficienti a fare luce sulle decisioni suggerite. Stabilire i KPI richiede di solito molto lavoro, poiché non possono limitarsi a essere definizioni ingenue, che in ambito logistico si rivelano spesso controproducenti: ad esempio, persino una colonna denominata "prezzo unitario di acquisto" potrebbe risultare ambigua se il fornitore offre sconti per grandi quantitativi (se, cioè, il prezzo di acquisto dipende dalla quantità acquistata).

Pannelli di controllo strategici

Uno dei pochi approcci che consente di valutare le performance in termini quantitativi è focalizzarsi sulle decisioni su piccola scala. Tuttavia, in campo logistico è talvolta necessario pensare in grande, se si vuole che la catena compia un salto di qualità. Acquistare più unità selezionate di scorte potrà anche migliorare leggermente il livello di servizio, ma, a un certo punto, il magazzino sarà pieno e non sarà più possibile acquistare altra merce. In questo caso, potremmo considerare l'idea di passare a un magazzino più grande: per valutare quanto questo limite può influire sulle nostre decisioni future, possiamo allora eliminare dai nostri calcoli il vincolo costituito dalla capacità del magazzino e stabilire il vantaggio totale, in termini finanziari, dell'avere a disposizione un magazzino più grande. I responsabili della logistica potranno poi tenere d'occhio l'indicatore finanziario associato ai costi di frizione imposti dalla capacità del magazzino e decidere se può valere la pena aumentarne le dimensioni.

Solitamente, le catene logistiche operano sulla base di numerosi vincoli che non possono essere rivisti ogni giorno: facciamo riferimento a capitale operativo, capacità di magazzinaggio, ritardi nelle consegne, volumi di produzione, ecc. Ogni vincolo è associato a un costo opportunità implicito per la catena logistica, che generalmente si traduce in altre scorte, altri ritardi, o altre rotture di stock. Questi costi opportunità possono essere valutati attraverso il miglioramento delle prestazioni che otterremmo se rimuovessimo o riducessimo il vincolo corrispondente. Si tratta quindi di condurre una simulazione, che in alcuni casi può essere difficile da implementare, ma che quasi sempre non è più complicata che ottimizzare una decisione di routine, come stabilire le quantità da acquistare.

La catena logistica quantitativa fa sì che i costi opportunità associati a tali vincoli siano parte dei dati prodotti e che possano essere visualizzati attraverso pannelli di controllo specifici, con l'obiettivo precipuo di aiutare i responsabili della logistica a capire quando è il momento di apportare grandi cambiamenti alla catena logistica. Questi pannelli sono definiti strategici. A differenza di quanto avviene con la logistica tradizionale, che promuove iniziative ad hoc solo quando la catena di distribuzione si appresta a raggiungere un limite operativo, i KPI segnalati dai pannelli strategici sono aggiornati quotidianamente (o anche più spesso, se necessario), proprio come tutti gli altri dati. Non occorre, quindi, imbastire una soluzione di emergenza all'ultimo minuto, perché i dati sono già pronti a sfruttare tutte le informazioni raccolte nel corso di un'intera iniziativa.

I pannelli strategici supportano il processo decisionale dei responsabili della logistica: essendo parte integrante dei dati utilizzati, ogni volta che il mercato inizia a evolvere a ritmi più veloci del solito, i KPI restano comunque al passo con la situazione attuale dell'azienda. Un approccio di questo tipo permette di evitare le insidie che di solito accompagnano interventi ad hoc, che invariabilmente aggiungono ulteriori ritardi a problemi ancora insoluti, e di mitigare anche il problema alternativo, causato da decisioni prese in fretta e furia e che si rivelano poi errate dal punto di vista finanziario, creando una situazione di stallo che si sarebbe potuta evitare fin dall'inizio.

Pannelli di ispezione

Le catene logistiche sono complesse, ma anche irregolari, il che rende la gestione dei dati una vera e propria impresa. Eppure, la gestione dei dati è la spina dorsale di qualsiasi iniziativa di catena logistica quantitativa. Gli errori o le imprecisioni sono sempre in agguato. Peggio, il tipo di problema più comune non è la formula sbagliata, ma la semantica ambigua. Ad esempio, all'inizio della fase di preparazione dei dati, la variabile stockinv può fare riferimento alle scorte disponibili (dove sono possibili valori negativi), mentre più tardi la stessa variabile può essere definita come scorte in magazzino (dove i valori devono essere positivi). Un'interpretazione ambigua della variabile stockinv può generare numerosi comportamenti sbagliati, dai blocchi del sistema (che, essendo ovvi, risultano solo moderatamente dannosi) a una corruzione più silenziosa e pervasiva delle decisioni logistiche.

Poiché le catene logistiche sono quasi sempre costruite intorno a una serie di soluzioni software accumulate nel corso degli anni, non c'è speranza di avere accesso a una soluzione "testata" che sia priva di errori. Molti dei problemi si verificano alle "estremità" del sistema, quando occorre armonizzare dati originati da diversi sistemi o anche da diversi moduli di uno stesso sistema. Dunque, non importa quanto sia collaudata: la soluzione software deve comunque essere in grado di supportare agevolmente il processo di debugging, poiché problemi di questo tipo accadono.

Lo scopo dei pannelli di ispezione è quello di fornire una visione dettagliata per ispezionare, appunto, con attenzione i set di dati relativi alla catena logistica. Questi pannelli non sono però dei semplici mezzi drill-down per passare al vaglio le tabelle con i dati di input: approcci di questo tipo rischierebbero infatti di non cogliere il punto. Le catene logistiche sono un flusso continuo, di materiali, di pagamenti, ecc. Alcuni dei problemi più seri legati ai dati si verificano quando la continuità di questi flussi si interrompe logicamente, per così dire. Per esempio, se si spostano delle merci dal magazzino A al magazzino B, i database del magazzino B potrebbero mancare di qualche voce e generare così corruzioni di dati non evidenti, poiché le unità che provengono dal magazzino A vengono ricevute nel magazzino B senza essere associate correttamente al prodotto corrispondente. Quando i risultati numerici appaiono bizzarri, i pannelli di ispezione sono l'opzione perfetta perché il supply chain scientist possa controllare velocemente un campione di dati.

Nella pratica, un pannello di ispezione fornisce un punto di ingresso di basso livello, come un codice prodotto o una SKU, e consolida tutti i dati associati a questo punto di ingresso in una singola visione d'insieme. Quando le merci si spostano tra varie posizioni, come capita ad esempio nel settore aeronautico, i pannelli di ispezione tentano solitamente di ricostruire la traiettoria delle merci, che possono aver transitato non solo per molte posizioni fisiche, ma anche per diversi sistemi. Raccogliendo tutti questi dati in un solo posto, il supply chain scientist è in grado di valutare se i dati hanno senso: è possibile risalire alla fonte delle merci che vengono spedite?, i movimenti delle scorte sono allineati con le strategie logistiche ufficiali?, e così via. I pannelli di ispezione sono uno strumento di debugging, poiché sono pensati per riunire dati strettamente connessi non a livello di informatica, ma a livello di logistica.


I pannelli di ispezione sono la controparte di più basso livello dei pannelli per l'integrità dei dati: i primi si concentrano su dati completamente disaggregati, mentre i secondi solitamente analizzano i dati da una prospettiva più ampia. I pannelli di ispezione sono anche parte integrante del lavoro di whiteboxing: di fronte a quello che sembra un suggerimento campato per aria, i professionisti della logistica devono analizzare meglio la SKU o il prodotto in questione, per valutare se il suggerimento è sensato o meno. I pannelli di ispezione sono generalmente regolati proprio a questo scopo, poiché includono molti risultati intermedi che possono concorrere al calcolo del suggerimento finale.