La Supply Chain, globale o locale che sia, per funzionare ha bisogno di fondarsi su dati certi. Meglio, su dati i più certi possibili: poiché nessuno possiede capacità divinatorie e si è visto che anche i modelli di previsione possono fallire, soprattutto in ambiente VUCA – estremamente instabile – per agire in anticipo sulla domanda occorre abbandonare le previsioni cosiddette a numero singolo, basate su una sola fonte o prospettiva.

Come interpretare e leggere le fluttuazioni della domanda dei più svariati prodotti o trend merceologici è uno dei dilemmi essenziali con cui i manager logistici hanno a che fare: tra previsioni statistiche, input di tipo collaborativo e modelli matematici non è facile raccapezzarsi.

Serve una pianificazione della domanda o, meglio, una simulazione di più scenari futuri alternativi in contemporanea.

Leggi anche:
Volatility, Uncertainty, Complexity and Ambiguity: VUCA, il nuovo mondo della logistica

Pianificare la domanda

Per approvvigionarsi delle merci che effettivamente saranno richieste dal mercato e recapitarle a destinazione in tempi competitivi occorre una pianificazione della domanda.

La pianificazione riguarda l’analisi dei desideri dei clienti e delle loro effettive necessità, in modo da allineare le scorte disponibili e la gestione dell’inventario a quanto davvero sarà oggetto di ordine.

Per fare ciò serve un esame attento dei fattori interni ed esterni in grado di influenzare la domanda e, qui, il discorso si fa davvero ampio: non si tratta infatti solo di guardare agli interessi dei consumatori o delle aziende, ma anche agli eventi in corso, alle catastrofi naturali, ai cambiamenti dei modelli meteorologici, alle crisi politiche o all’ambito normativo.

Il gioco sta nel trovare l’equilibrio tra la disponibilità delle scorte necessarie a soddisfare la domanda e il rischio di rimanere a secco o, al contrario, con eccessi di inventario poi difficilissimi da smaltire.

Leggi anche:
Magazzino, una metrica per misurare offerta e domanda
Blockchain, il segreto per una supply chain che dialoghi con la domanda

 

I pericoli della pianificazione

Pianificare la domanda è tutt’altro che affare semplice: in passato il modello più seguito si affidava ad un approccio inside-out, ossia basato su dati storici interni all’azienda.

Questo metodo ha sempre mostrato un limite evidente nella previsione della domanda di medio-lungo periodo: l’estensione del periodo di tempo, da sola, non è sufficiente a mantenere valido lo schema previsionale e questo si è rivelato ancor più vero negli ultimi anni, attraversati da continui capovolgimenti di situazioni critiche a livello globale e regionale.

Di fatto, i mercati accelerano nei loro cambiamenti e i fattori esterni che li influenzano rischiano di rimanere tagliati fuori da queste stime, lasciando le aziende in una sorta di cecità previsionale o, se preferite, con un’orizzonte di osservazione involontariamente ristretto.

Leggi anche:
Il valore di fare rete e condividere dati: i Multi-Enterprise Suppply Chain Networks
AI e machine learning: per una supply chain predittiva

 

Modellare la domanda

Ad aggravare la situazione vi è la crescita esponenziale della disponibilità di dati abbinata ad una forte caoticità riguardo alla loro affidabilità e pulizia, mentre le difficoltà macroeconomiche e le crisi internazionali complicano la vita alle aziende nel gestire una clientela sempre più orientata all’omnicanalità ed all’esperienza di acquisto a tutto tondo.

I cambiamenti sono troppo veloci per fare sì che i soli dati storici possano aiutare a leggere il futuro: per questo le aziende necessitano di una vera e propria modellazione della domanda.

Per ‘modellare’ la domanda e dare input operativi e strategici validi al sistema logistico serve un modello di domanda che sia realistico ed implementabile da zero: la domanda deve essere vivisezionata nei suoi fattori interni ed esterni, compreso l’impatto che ciascuno di essi ha sulla domanda stessa.

Leggi anche:
Swarm Intelligence, dagli sciami alla logistica
Gestione, pianificazione previsione: AI e Machine Learning nella supply chain

Tecnologia e probabilità

Intelligenza Artificiale e Machine Learning giocano un ruolo importante in una modellazione della domanda adeguata ai tempi odierni: tempo, indici dei prezzi al consumo, tendenze demografiche e PIL sono tutti dati da incrociare per generare uno scenario verosimile nel quale muoversi; si tratta di informazioni in costante aggiornamento e soggette a forte incertezza: il gemello digitale della catena di approvvigionamento va alimentato proprio con le previsioni probabilistiche che derivano dagli scenari simulati.

Questi scenari servono ad identificare punti di forza e di debolezza del sistema logistico, con l’obiettivo di trovare opzioni alternative: le previsioni probabilistiche rappresentano i possibili e molteplici futuri nei quali la Supply Chain potrebbe trovarsi.

In un mondo ideale, privo di vincoli di fornitura, queste previsioni potrebbero rimanere senza effetto pratico, ma nella realtà servono ad allineare la domanda con l’offerta, soprattutto a lungo termine; con una modellazione accurata si possono identificare i anticipo delle lacune e riprogettare la catena di approvvigionamento – in termini di costi, servizi e ricavi – in modo da ovviare al problema prima che esso assuma dimensioni incontrollabili.