I risultati del servizio logistico: la corretta interpretazione delle informazioni campionarie

di Massimiliano Manca

Quante volte, da logistici quali siamo, ci siamo irritati quando arrivavano “a gamba tesa” feed back sulle attività eseguite del tipo: “La consegna dell’ordine arriva sempre in ritardo!”, e così “La produttività degli operatori di Magazzino è praticamente sempre bassissima!”; potremmo continuare all’infinito.

Quello che infastidisce è la generalizzazione senza fondamento di effetti legati ad ipotetiche cause che, guarda caso, sono sempre imputabili alla Logistica.

La tendenza a generalizzare formalmente non sarebbe neanche sbagliata (è di fatto un processo naturale che descriverò nel successivo capoverso) ciò che invece non può funzionare è la limitatezza della casistica utilizzata dal “nostro accusatore seriale”!

Quando si parla di limitatezza non si sta intendendo solo la numerosità dei casi ma il fatto che quei casi non rappresentino correttamente la cosiddetta popolazione del fenomeno analizzato.

Per essere più espliciti: si può arrivare ad asserire che quel particolare servizio logistico sia carente, in valore assoluto, se abbiamo un numero e una tipologia di casi pratici, di ritardi, di errori sulla preparazione degli ordini e, in genere di criticità nel funzionamento del servizio, tali per cui, con una probabilità pari a “X” succede appunto che il servizio non sia adeguato alle esigenze del Cliente.

E si proprio così, ogni volta che viene fatta un’affermazione molto forte sarebbe più corretto accompagnarla dalla percentuale di errore che si commette nel generalizzare il fenomeno stesso.

Va da sé che avere tutti i casi (universo statistico) da analizzare per comprendere un fenomeno che dobbiamo governare non è semplice, anzi direi che alcune volte è costosissimo e ridondante.

L’apporto quindi ad un campione di casistiche, se scelto opportunamente, ci permette di analizzare e monitorare le attività che meritano una nostra attenzione e soprattutto di arrivare a delle conclusioni opportune sul funzionamento del Processo logistico stesso.

Partiamo dal metodo: l’inferenza statistica consta di quelle tecniche che permettono di trarre conclusioni su una popolazione utilizzando le informazioni contenute in un campione. Essa si divide in due aree:

1. Stima dei parametri

2. Test Statistico o Test delle Ipotesi.

Il punto di partenza è quindi quello di avvalersi di un campione Si chiama "campione" perché rappresenta solo una parte del totale dei casi di cui si desidera conoscere l’andamento e deve essere quello giusto; deve essere significativo e rappresentativo.

Potremmo mai concentrarci sui casi del Servizio logistico avvenuto sempre il sabato sera?  Oppure, potremmo considerare esclusivamente i lead time di consegna ad un particolare cliente per valutare la qualità delle tempistiche di consegna? Certo che no.

La significatività riguarda La dimensione del campione e corrisponde al numero di casistiche a disposizione per l’analisi.  

Ecco tre termini chiave da conoscere per calcolare la dimensione del campione e inserirla in un contesto di analisi.

• Dimensione della popolazione: cioè il numero totale degli eventi (per esempio quante consegne in totale in un anno);
• Margine di errore: percentuale che indica con quanta probabilità i risultati dell'indagine sul campione rifletteranno la realtà dei fatti.  Minore è il margine di errore, maggiore sarà la probabilità di “inferire” correttamente sulla realtà dei fatti con un determinato livello di confidenza.
• Livello di confidenza del campione: percentuale che rivela quanto si possa essere sicuri che la il comportamento medio dell’intera popolazione di eventi sia prossimo al dato medio dedotto dal campione. Ad esempio, un livello di confidenza del 95% significa che si può essere certi al 95% che il ritardo delle consegne “totali”, sia compreso in uno specifico intorno del ritardo medio studiato mediante il campione.

In sintesi: l’applicazione di una formula statistica che mette dentro i tre parametri, permette di estrarre il numero corretto, quindi significativo, di casi che dobbiamo analizzare per capire quale sia il reale funzionamento di quel processo logistico oggetto della nostra analisi.

La regola generale è che più grande è la dimensione del campione, maggiore sarà la sua valenza statistica, ovvero minore la probabilità che i risultati siano stati ottenuti per pura coincidenza; attenzione però che i campioni eccessivamente numerosi costano tanta fatica nel processo di estrazione e di analisi!

Verrebbe da chiedersi se sia solo una questione di numerosità di casi da analizzare; ovviamente no: il campione oltre che significativo deve essere anche rappresentativo.

Per campione rappresentativo si intende un sottoinsieme di dati che può riprodurre caratteristiche simili a quelle di un fenomeno (popolazione) più ampio. Il campionamento rappresentativo aiuta ad analizzare grandi porzioni di casistiche in quanto i dati generati contengono versioni ridotte, quindi meglio gestibili, delle caratteristiche del gruppo più ampio.

Lo dicevamo prima: dobbiamo analizzare i casi del servizio logistico che abbiano la capacità di rappresentare l’intero fenomeno nel tempo. Se estraessi solo casi per i quali le consegne sono andate lunghe, quasi certamente dedurrei (inferenza) che il servizio logistico è sempre in ritardo e magari in alcune zone specifiche; ma questo non rappresenta correttamente il servizio in genere dato.

Grazie al campionamento rappresentativo è possibile risparmiare tempo e denaro. L'analisi statistica e la revisione dei dati consentono infatti di definire una rappresentazione accurata di una casistica più ampia.

Per ottenere risultati accurati e credibili è necessaria un'ottima conoscenza dei vantaggi e dei potenziali rischi dell'uso dei campioni rappresentativi.

Ipotizziamo per esempio che su un totale di 1000 consegne, 250 vengano effettuate nell’area metropolitana, 250 fino ad un raggio di 50 km, 250 tra i 50 km ed i 100 km e le restanti 250 oltre i 100 km.

Ebbene un campione rappresentativo potrebbe essere composto da 20 casi, 5 relativi ad ognuna delle zone.

Anche l’inferenza statistica quindi diventa uno strumento in mano ai manager della logistica per arrivare ad analisi più efficaci dei processi da governare e con un esborso di risorse decisamente minore.