A metà degli anni '90 i responsabili logistici di Procter & Gamble guardavano i dati dei Pampers, i pannolini. Il consumo era quasi piatto: i bambini usano più o meno lo stesso numero di pannolini ogni settimana. Eppure gli ordini dei negozi ai distributori oscillavano parecchio, quelli dei distributori a P&G ancora di più, e quelli di P&G ai propri fornitori di materie prime più di tutti.

Nessuna crisi, nessun evento strano. Solo una domanda tranquilla che, risalendo la catena, si trasformava in un'onda. Lee, Padmanabhan e Whang gli hanno dato il nome che usiamo ancora oggi: bullwhip effect, l'effetto frusta — un piccolo movimento del polso, un colpo violento in punta.

Quattro linee una sotto l'altra: la domanda del cliente oscilla poco, gli ordini del negozio di più, quelli del distributore ancora di più, gli ordini alla fabbrica moltissimo.
// fig. 01 Stessa domanda di partenza, ampiezze crescenti: è la firma del bullwhip effect. Schema illustrativo.

1. Il fenomeno

La definizione è semplice: la variabilità degli ordini cresce man mano che si risale la supply chain, dal cliente verso la fabbrica e i fornitori. E non è un caso isolato: gli autori lo ritrovano in settori diversissimi, dalle stampanti di Hewlett-Packard alla grande distribuzione. È anche quello che succede nel Beer Game, il gioco di simulazione nato al MIT negli anni '60: studenti e manager, messi in fila in una catena, creano onde enormi a partire da una domanda quasi costante.

Il costo è concreto: scorte in eccesso in un punto e rotture di stock in un altro, capacità produttiva dimensionata sui picchi e poi inutilizzata, trasporti pianificati male, previsioni sempre sbagliate. Tutti pagano l'oscillazione, anche se nessuno l'ha voluta.

2. Le quattro cause

La parte più forte del paper è mostrare che il bullwhip non nasce dall'irrazionalità di qualcuno. Nasce da comportamenti ragionevoli, presi uno per uno.

Quattro riquadri: 01 previsioni a catena, 02 ordini a lotti, 03 prezzi che oscillano, 04 gioco del razionamento. Sotto: nessuno è irrazionale, è il sistema che amplifica.
// fig. 02 Le quattro cause individuate da Lee, Padmanabhan & Whang (1997).
  1. Previsioni a catena (demand signal processing). Ogni anello prevede la domanda guardando gli ordini che riceve, non il consumo vero. Un piccolo aumento viene letto come una tendenza, si aggiunge una scorta di sicurezza, e l'anello successivo vede un aumento ancora più grande. Più è lungo il tempo di consegna, più l'errore si moltiplica.
  2. Ordini a lotti (order batching). Per risparmiare su trasporti e gestione si ordina a blocchi: un camion pieno, una volta al mese. Il fornitore non vede una domanda continua, vede picchi e silenzi.
  3. Prezzi che oscillano (price variations). Promozioni e sconti a volume spingono a comprare molto quando costa poco e niente quando il prezzo torna normale. Gli acquisti non seguono più il consumo, seguono il listino.
  4. Gioco del razionamento (rationing and shortage gaming). Quando la merce scarseggia e il fornitore la distribuisce in proporzione agli ordini, tutti gonfiano gli ordini per riceverne abbastanza. Finita la scarsità, gli ordini spariscono — e lasciano il fornitore con dati senza senso.

3. Toccalo con mano

Qui sotto una catena di quattro anelli. Ognuno usa una regola semplice e prudente: prevede la domanda con la media degli ultimi periodi e ordina abbastanza da coprire il tempo di consegna. Prova ad allungare il lead time, a usare meno periodi per prevedere (reagire più in fretta), e poi a condividere i dati di vendita.

// prova tu Ogni anello prevede la domanda con una media degli ultimi periodi e ordina per coprire il tempo di consegna. Il numero accanto a ogni anello dice di quanto la variabilità dei suoi ordini supera quella della domanda vera. Con dati condivisi tutti prevedono sulla domanda del cliente, e l'effetto si attenua.

Il modello è volutamente semplice, ma riproduce il risultato chiave studiato anche in seguito (Chen e coautori, 2000): con previsioni a media mobile su p periodi e un tempo di consegna L, ogni anello amplifica la variabilità di almeno 1 + 2L/p + 2L²/p² volte. Tempi lunghi e previsioni nervose sono benzina sul fuoco.

4. I rimedi

Se le cause sono informative e organizzative, anche i rimedi lo sono:

  • Condividere i dati di vendita reali (dati POS, EDI): se tutti vedono la domanda del cliente, nessuno deve indovinarla dagli ordini. Fino al Vendor Managed Inventory, dove è il fornitore a gestire le scorte del cliente.
  • Accorciare i tempi di consegna: meno tempo da coprire, meno scorta da aggiungere a ogni previsione.
  • Lotti più piccoli e più frequenti: camion misti, ordini elettronici a basso costo, logistica condivisa.
  • Prezzi stabili (everyday low price) al posto delle promozioni a singhiozzo.
  • In caso di scarsità, assegnare in base alle vendite passate, non agli ordini del momento: così gonfiare gli ordini non serve più.

5. Cosa porto via

  • Le decisioni locali razionali possono produrre un risultato globale irrazionale. È una delle idee più utili di tutta l'ingegneria gestionale, e il bullwhip ne è l'esempio più pulito.
  • Prima di ottimizzare, guarda quale informazione circola. Molti problemi di scorte sono in realtà problemi di dati: chi vede cosa, e quando.
  • Il paper ha quasi trent'anni ed è attualissimo. Pandemia e crisi dei semiconduttori hanno mostrato esattamente il gioco del razionamento descritto nel 1997: ordini gonfiati, scarsità percepita, poi magazzini pieni.