L’impatto del fenomeno long tail sulla pianificazione della Supply Chain

L’analisi delle giacenze è uno strumento fondamentale, essa può essere un supporto nell’attività di previsione e può fornire una quantità incredibile di informazioni utili per le aziende appartenenti a ogni settore merceologico. Uno dei temi centrali dell’analisi delle giacenze è il monitoraggio degli articoli appartenenti alla long tail.

Per long tail (coda lunga in italiano) di un insieme di articoli/prodotti, si intende quel sottoinsieme estremamente popoloso ma la cui importanza complessiva per il business dell’azienda è limitata. In altre parole, se classificassimo gli articoli con un’analisi ABC, la long tail sarebbe costituita dagli articoli di classe B e C, o addirittura solamente dagli articoli di classe C.

Quando la crescita di un’azienda è guidata da un forte spirito di innovazione, la complessità gestionale cresce più rapidamente del fatturato. Tra le cause di questo aumento di complessità troviamo il fatto che, spesso, i nuovi prodotti entrano a far parte della long tail piuttosto che essere articoli di classe A o super A.
L’introduzione di questi nuovi prodotti non contribuisce solamente ad aumentare il numero di referenze da gestire, ma rende per l’azienda significativamente più difficile monitorarne e prevederne il comportamento.

Ma quanto è effettivamente più difficile controllare un articolo della long tail rispetto ad un articolo ad alta rotazione?

Da uno studio effettuato su aziende di vari settori emerge che gli articoli ad alta rotazione presentano un errore sulla previsione che è circa la metà rispetto agli articoli slow-moving. (27% contro il 50% degli articoli della long-tail)

L’aumento del numero di referenze da gestire e un mix di prodotti sempre più sbilanciato verso articoli a bassa rotazione spinge gli addetti alla pianificazione verso un bivio: dove dovrebbero concentrare le loro attività di forecasting? Sarebbe più appropriato concentrarsi su pochi ma importanti articoli di classe A o su centinaia o addirittura migliaia di articoli della long tail?

La risposta più pragmatica a questo dilemma sarebbe quella di dedicarsi principalmente agli articoli più importanti e i dati raccolti nel corso dello studio lo confermano totalmente: il valore aggiunto ottenuto tramite le attività di previsione arriva ad essere fino a quattro volte maggiore quando gli sforzi e le attività hanno come obiettivo principale il monitoraggio degli articoli ad alta rotazione.

Ma allora, se i planner devono concentrarsi sugli articoli di classe A, come è meglio comportarsi con gli articoli della long tail? L’approccio più semplice e diretto è quello di ridurne la quantità tramite un processo di razionalizzazione delle SKU, anche se questo spesso richiede uno sforzo concertato delle varie business unit aziendali.

La decisione di ridurre gli articoli gestiti si rivela la maggior parte delle volte più una scelta politica che operativa. Perciò si può ricorrere ad altre due soluzioni a minor impatto politico: il demand sensing e l’automazione delle previsioni statistiche.

Lo studio mostra che il demand sensing può portare a un valore aggiunto dell’attività di previsione fino a cinque volte maggiore per gli articoli della long tail. Il vantaggio è creato dall’applicazione di un algoritmo standardizzato per tutti gli articoli, che senza dubbio si rivela essere la scelta più adatta per gestire un elevatissimo numero di articoli a bassa importanza individuale.

Questo vantaggio si può ottenere anche tramite l’automazione del processo statistico: la scelta e l’affinamento dei modelli previsionali da utilizzare è senza dubbio un’attività dispendiosa che, per gli articoli a bassa rotazione, può essere automatizzata. In questo modo è anche possibile liberare risorse che possono essere assegnate ad attività a maggior valore aggiunto o di rilevanza strategica per l’azienda.