Perché si dovrebbe scegliere l'incertezza nella previsione della domanda – Parte 2
Leggi la Parte 1
Abbiamo detto che la maggior parte delle aziende ha già intrapreso il percorso verso un modello probabilistico della supply chain.
L'evoluzione avviene in maniera naturale, mentre il modello di business globale diventa sempre più interconnesso e complesso, con gli effetti del marketing multicanale, la profilazione della domanda e internet. Probabilmente avete già riconosciuto i limiti della pianificazione deterministica se la vostra azienda ha recentemente lanciato (o rilanciato) un’iniziativa S&OP, o avete iniziato a migrare da piattaforme tradizionali, come SAP APO a strumenti avanzati di analisi della domanda, o avete richiesto ai vostri pianificatori di migliorare le performance della supply chain.
Ora avete la possibilità di concentrarvi su questo aspetto in un prossimo futuro: allontanarvi dalla previsione della domanda top-down.
Nonostante la maggiore complessità della catena distributiva di oggi, i tradizionali sistemi SCP come SAP APO in genere adottano il tradizionale approccio "top-down" per prevedere la domanda sulla base di dati aggregati. Questo approccio aggrega la domanda per smorzare la variabilità, e in questo modo è più facile generare una previsione di alto livello, a discapito però della previsione a livello di item/location perché i dettagli del segnale della domanda sono smorzati insieme con il "rumore". Quindi, la pianificazione aggregata con la successiva applicazione di “regole di spartizione” funziona solo per business semplici e altamente prevedibili, con pochi articoli ad alta movimentazione e una distribuzione a singolo canale. Quando si ha a che fare con articoli a coda lunga, le metriche di previsione come WMAPE perdono quasi significato e diventano addirittura fuorvianti. Quando si deve gestire la domanda intermittente, non riescono assolutamente a misurare l’incertezza insita in essa.
L'incertezza è gestita al meglio adottando una nuova generazione di strumenti di pianificazione basati su algoritmi probabilistici adattivi. Trattano volatilità e tempi di risposta stringenti, soprattutto per i mercati multicanale e online. Questi strumenti utilizzano tecniche di modellazione adattive che consentono di gestire la supply chain in maniera statistica e con un alto livello di automazione. Non sono più necessari aggiustamenti. I pianificatori intervengono solo per le eccezioni che non rientrano nei limiti dell’incertezza statistica.
Lora Cecere, fondatrice di Supply Chain Insights, ha più volte consigliato di considerare questi strumenti “best-of-breed” di ultima generazione per ridurre i rischi e preparare la supply chain per il futuro. Il suo articolo “Three Reasons Why SAP Supply Chain Planning Is a Risk to Your Business” è soltanto un esempio. Da Gartner e Nucleus Research arrivano raccomandazioni simili.
Un ulteriore vantaggio
Un altro vantaggio derivante da questo approccio è il miglioramento dello stato d’animo del pianificatore. L’approccio corrente alla previsione della domanda non solo non può fare di più, in quanto ha raggiunto il limite dei rendimenti decrescenti, ma non può neppure superare l’incapacità di far fronte alla maggiore complessità del business. I sistemi deterministici top-down magari funzionavano in tempi più semplici, ma con la crescita dell’azienda, nuove linee di prodotto, nuove acquisizioni o la scelta di un mercato multicanale, quei sistemi richiederebbero uno sforzo incredibile, pianificatori esausti e giornate di lavoro senza fine.
I sistemi di pianificazione che ammettono l’incertezza inevitabilmente modificano l’ambiente di lavoro per i pianificatori. Dal momento che il sistema capisce ed è in grado di gestire la maggior parte dell’incertezza intrinseca, i pianificatori non sono costretti a trattare le centinaia di casi critici che mettono in difficoltà un sistema deterministico. Possono quindi concentrarsi su attività che aggiungono valore al processo S&OP e occuparsi soltanto di quei pochi eventi veramente insoliti.
Quando i pianificatori sanno gestire l’incertezza con approccio probabilistico sono molto più sicuri: sanno che nel tempo le variabili note garantiscono un livello di certezza, e per il resto possono mettere in pratica procedure controllabili. In questo modo è scongiurata la sensazione di non essere mai in grado di raggiungere gli obiettivi. Un nostro cliente nel settore Automotive recentemente ci ha detto: “Non c’è nulla che determini il morale del team più della nostra capacità di soddisfare gli obiettivi di servizio”.
Pianificatori contenti portano un secondo vantaggio all’azienda. Nella maggior parte dei paesi mancano pianificatori capaci. Così, adottando una metodologia che migliora la produttività dei pianificatori si riduce la necessità di pianificatori aggiuntivi, e una migliore qualità del lavoro migliora la fedeltà dei dipendenti.
