00:12 Introduzione
02:23 Falsificabilità
08:25 La storia finora
09:38 Approcci di modellazione: Ottimizzazione Matematica (MO)
11:25 Panoramica dell’Ottimizzazione Matematica
14:04 Teoria mainstream della catena di approvvigionamento (riepilogo)
19:56 Estensione della prospettiva dell’Ottimizzazione Matematica
23:29 Euristiche di rifiuto
30:54 Il giorno dopo
32:43 Qualità redentive?
36:13 Approcci di modellazione: Ottimizzazione Sperimentale (EO)
38:39 Panoramica dell’Ottimizzazione Sperimentale
42:54 Cause principali dell’insensatezza
51:28 Identificare decisioni insensate
58:51 Migliorare l’strumentazione
01:01:13 Migliorare e ripetere
01:04:40 La pratica dell’EO
01:11:16 Riepilogo
01:14:14 Conclusioni
01:16:39 Prossima lezione e domande del pubblico
Descrizione
Lontano dalla prospettiva cartesiana ingenua in cui l’ottimizzazione sarebbe solo una questione di implementazione di un ottimizzatore per una data funzione di punteggio, la catena di approvvigionamento richiede un processo molto più iterativo. Ogni iterazione viene utilizzata per identificare decisioni “insensate” che devono essere indagate. La causa principale è spesso l’errata valutazione degli incentivi economici, che devono essere rivalutati in relazione alle loro conseguenze indesiderate. Le iterazioni si fermano quando le ricette numeriche non producono più risultati insensati.
Trascrizione completa
Ciao a tutti, benvenuti a questa serie di lezioni sulla catena di approvvigionamento. Sono Joannes Vermorel e oggi presenterò “Ottimizzazione Sperimentale”, che dovrebbe essere intesa come l’ottimizzazione delle catene di approvvigionamento attraverso una serie di esperimenti. Per coloro che stanno guardando la lezione in diretta, potete fare domande in qualsiasi momento tramite la chat di YouTube. Tuttavia, non leggerò la chat durante la lezione; risponderò alle domande alla fine della lezione.
Il nostro obiettivo oggi è il miglioramento quantitativo delle catene di approvvigionamento e vogliamo essere in grado di raggiungerlo in modo controllato, affidabile e misurabile. Abbiamo bisogno di qualcosa simile a un metodo scientifico e una delle caratteristiche chiave della scienza moderna è che è profondamente radicata nella realtà o, più precisamente, nell’esperimento. In una lezione precedente, ho discusso brevemente l’idea degli esperimenti sulla catena di approvvigionamento e ho accennato al fatto che, a prima vista, sembrano lunghi e costosi. La durata e il costo potrebbero addirittura sconfiggere lo stesso scopo per cui stiamo facendo quegli esperimenti, al punto che potrebbe non valerne nemmeno la pena. Ma la sfida è che abbiamo bisogno di un modo migliore di affrontare l’esperimento, ed è esattamente di questo che si tratta l’ottimizzazione sperimentale.
L’ottimizzazione sperimentale è fondamentalmente una pratica che è emersa presso Lokad circa dieci anni fa. Fornisce un modo per fare esperimenti sulla catena di approvvigionamento in modo efficace, conveniente e redditizio, ed è proprio questo il tema specifico della lezione di oggi.
Ma prima, torniamo per un attimo su questa stessa nozione della natura della scienza e del suo rapporto con la realtà.
C’è un libro, “La logica della scoperta scientifica”, pubblicato nel 1934 con Karl Popper come autore, che è considerato un punto di riferimento assoluto nella storia della scienza. Propose un’idea completamente sorprendente, ovvero la falsificabilità. Per capire come questa idea di falsificabilità sia nata e di cosa si tratta, è molto interessante ripercorrere il percorso dello stesso Karl Popper.
Vedete, nella sua giovinezza, Popper era vicino a diversi circoli di intellettuali. Tra questi circoli, ce n’erano due di particolare interesse: uno era un circolo di economisti sociali, sostenitori tipici della teoria marxista dell’epoca, e l’altro era un circolo di fisici, che includeva soprattutto Albert Einstein. Popper osservò che gli economisti sociali avevano una teoria con l’intento di avere una teoria scientifica che potesse spiegare l’evoluzione della società e della sua economia. Questa teoria marxista faceva effettivamente previsioni su ciò che sarebbe successo. La teoria indicava che ci sarebbe stata una rivoluzione e che la rivoluzione sarebbe avvenuta nel paese più industrializzato e dove si trovava il maggior numero di operai.
Si è scoperto che la rivoluzione è avvenuta nel 1917; tuttavia, è avvenuta in Russia, che era il paese meno industrializzato d’Europa e quindi era completamente contrario a ciò che la teoria prevedeva. Dal punto di vista di Popper, c’era una teoria scientifica che faceva previsioni e poi sono accaduti eventi che contraddicevano la teoria. Quello che si aspettava era che la teoria fosse confutata e che le persone passassero a qualcos’altro. Invece, quello che ha visto è stato qualcosa di molto diverso. I sostenitori della teoria marxista hanno modificato la teoria per adattarla agli eventi come si sono svolti. Facendo ciò, hanno reso gradualmente la teoria immune alla realtà. Quello che era iniziato come una teoria scientifica è stato gradualmente modificato per diventare qualcosa di completamente immune e nulla di ciò che poteva accadere nel mondo reale sarebbe andato contro la teoria.
Questo era in netto contrasto con ciò che stava accadendo nei circoli dei fisici, dove Popper ha visto persone come Albert Einstein creare teorie e poi fare grandi sforzi per pensare a esperimenti che potessero confutare le proprie teorie. I fisici non stavano spendendo tutte le loro energie per dimostrare le teorie, ma piuttosto per confutarle. Popper ha considerato quale approccio fosse il modo migliore per fare scienza e ha sviluppato il concetto di falsificabilità.
Popper ha proposto che la falsificabilità sia un criterio per stabilire se una teoria può essere considerata scientifica. Ha detto che una teoria è scientifica se soddisfa due criteri. Il primo è che la teoria dovrebbe essere a rischio rispetto alla realtà. La teoria deve essere espressa in modo tale che sia possibile che la realtà contraddica ciò che viene detto. Se una teoria non può essere confutata, non è che sia vera o falsa; è oltre il punto, almeno dal punto di vista scientifico. Quindi, affinché una teoria sia considerata scientifica, dovrebbe comportare un certo grado di rischio rispetto alla realtà.
Il secondo criterio è che la quantità di credibilità o fiducia che possiamo riporre in una teoria dovrebbe essere, in qualche misura (e semplifico qui), proporzionale alla quantità di lavoro che gli stessi scienziati hanno investito nel cercare di confutare la teoria. La caratteristica scientifica di una teoria è che comporta un grande rischio e molte persone cercano di sfruttare queste debolezze per confutare la teoria. Se hanno fallito più volte, allora possiamo attribuire una certa credibilità alla teoria.
Questa prospettiva mostra che c’è una profonda asimmetria tra ciò che è vero e ciò che è falso. Le moderne teorie scientifiche non dovrebbero mai essere considerate come vere o provate, ma solo come in sospeso. Il fatto che molte persone abbiano cercato di confutarle senza successo aumenta la credibilità che possiamo attribuirgli. Questa intuizione è di fondamentale importanza per il mondo della supply chain e, in particolare, questa nozione di falsificabilità ha alimentato molti dei più sorprendenti sviluppi nella scienza, specialmente quando si è trattato di fisica moderna.
Finora, questa è la terza lezione del secondo capitolo di questa serie sulla supply chain. Nel primo capitolo del prologo, ho presentato le mie opinioni sulla supply chain sia come campo di studio che come pratica. Una delle intuizioni chiave è che la supply chain affronta un insieme di problemi complessi, a differenza dei problemi semplici. Questi problemi non si prestano, per loro natura, a soluzioni semplici. Pertanto, dobbiamo prestare molta attenzione alla metodologia che abbiamo sia per studiare che per praticare la supply chain. Questo secondo capitolo riguarda proprio queste metodologie.
Nella prima lezione del secondo capitolo, ho proposto un metodo qualitativo per portare conoscenza e successivamente miglioramento alla supply chain attraverso la nozione di personae della supply chain. Qui, in questa terza lezione, sto proponendo un metodo quantitativo: l’ottimizzazione sperimentale.
Quando si tratta di apportare miglioramenti quantitativi alle supply chain, abbiamo bisogno di un modello quantitativo, un modello numerico. Ci sono almeno due modi per affrontare questo problema: il modo tradizionale, l’ottimizzazione matematica, e un’altra prospettiva, l’ottimizzazione sperimentale.
L’approccio tradizionale per fornire miglioramenti quantitativi nella supply chain è l’ottimizzazione matematica. Questo approccio consiste essenzialmente nella costruzione di un lungo catalogo di coppie problema-soluzione. Tuttavia, ritengo che questo metodo non sia molto buono e abbiamo bisogno di un’altra prospettiva, che è ciò che riguarda l’ottimizzazione sperimentale. Dovrebbe essere intesa come l’ottimizzazione delle supply chain attraverso una serie di esperimenti.
L’ottimizzazione sperimentale non è stata inventata da Lokad. È emersa come pratica prima a Lokad e successivamente è stata concettualizzata come tale anni dopo. Quello che sto presentando oggi non è il modo in cui è gradualmente emersa a Lokad. È stato un processo molto più graduale e confuso. Ho rivisitato questa pratica emergente anni dopo per solidificarla sotto forma di una teoria che posso presentare con il titolo di ottimizzazione sperimentale.
Prima di tutto, dobbiamo chiarire il termine “ottimizzazione matematica”. Abbiamo due cose diverse che dobbiamo differenziare: l’ottimizzazione matematica come campo di ricerca indipendente e l’ottimizzazione matematica come prospettiva per il miglioramento quantitativo della supply chain, che è l’argomento di interesse oggi. Mettiamo da parte la seconda prospettiva per un attimo e chiarire cosa riguarda l’ottimizzazione matematica come campo di ricerca autonomo.
È un campo di ricerca interessato alla classe di problemi matematici che si presentano come descritti sullo schermo. Fondamentalmente, si parte da una funzione che va da un insieme arbitrario (A maiuscola) a un numero reale. Questa funzione, spesso indicata come funzione di perdita, è indicata con f. Cerchiamo la soluzione ottimale, che sarà un punto x che appartiene all’insieme A, e non può essere migliorato. Ovviamente, questo è un campo di ricerca molto ampio con tonnellate di tecnicità coinvolte. Alcune funzioni potrebbero non avere alcun minimo, mentre altre potrebbero avere molti minimi distinti. Come campo di ricerca, l’ottimizzazione matematica è stata prolifico e di successo. Sono state ideate numerose tecniche e introdotti concetti che sono stati utilizzati con grande successo in molti altri campi. Tuttavia, non ne parlerò oggi, poiché non è il punto di questa lezione.
Il punto che vorrei sottolineare è che l’ottimizzazione matematica, come scienza ausiliaria riguardante la supply chain, ha goduto di un notevole successo di per sé. A sua volta, ciò ha plasmato profondamente lo studio quantitativo delle supply chain, che è ciò che riguarda l’ottimizzazione matematica della prospettiva della supply chain.
Torniamo a due libri che ho presentato nella mia prima lezione sulla supply chain. Questi due libri rappresentano, a mio parere, la teoria quantitativa dominante della supply chain, incarnando gli ultimi cinque decenni di pubblicazioni scientifiche e produzione di software. Non si tratta solo di articoli pubblicati, ma anche di software che è stato introdotto sul mercato. Per quanto riguarda l’ottimizzazione quantitativa delle supply chain, tutto è fatto ed è stato fatto da molto tempo tramite strumenti software.
Se guardi questi libri, ogni singolo capitolo può essere visto come un’applicazione della prospettiva dell’ottimizzazione matematica. Si riduce sempre a una formulazione del problema con vari insiemi di ipotesi, seguita dalla presentazione di una soluzione. La correttezza e talvolta l’ottimalità della soluzione vengono quindi dimostrate rispetto alla formulazione del problema. Questi libri sono essenzialmente cataloghi di coppie problema-soluzione, che si presentano come problemi di ottimizzazione matematica.
Ad esempio, la previsione può essere vista come un problema in cui hai una funzione di perdita, che sarà il tuo errore di previsione, e un modello con parametri che desideri regolare. Quindi vuoi imparare il processo di ottimizzazione, numericamente parlando, che ti fornisce i parametri ottimali. Lo stesso approccio si applica a una politica di inventario, in cui puoi fare ipotesi sulla domanda e poi dimostrare di avere una soluzione che risulta essere ottimale rispetto alle ipotesi appena fatte.
Come ho già spiegato nella prima lezione, ho grandi preoccupazioni riguardo a questa teoria dominante della supply chain. I libri che ho menzionato non sono selezioni casuali; credo che riflettano accuratamente gli ultimi decenni di ricerca sulla supply chain. Ora, guardando le idee sulla falsificabilità introdotte da Karl Popper, possiamo vedere più chiaramente qual è il problema: nessuno di questi libri è effettivamente scienza, poiché la realtà non può confutare ciò che viene presentato. Quei libri sono essenzialmente completamente immuni alle supply chain del mondo reale. Quando hai un libro che è essenzialmente una raccolta di coppie problema-soluzione, non c’è nulla da confutare. Si tratta di una costruzione puramente matematica. Il fatto che una supply chain stia facendo questo o quello non ha alcuna incidenza né sulla prova né sulla confutazione di ciò che viene presentato in quei libri. Questa è probabilmente la mia più grande preoccupazione riguardo a queste teorie.
Questo non riguarda solo la ricerca che viene discussa qui. Se guardiamo ciò che esiste in termini di software aziendale per servire le supply chain, il software che esiste oggi sul mercato riflette molto le pubblicazioni scientifiche. Questo software non è stato inventato separatamente da quelle pubblicazioni scientifiche; di solito, vanno di pari passo. La maggior parte dei software aziendali presenti sul mercato per affrontare i problemi di ottimizzazione della supply chain riflettono una certa serie di articoli o libri, talvolta scritti dalle stesse persone che hanno prodotto il software e i libri.
Il fatto che la realtà non abbia alcuna incidenza sulle teorie presentate qui è, secondo me, una spiegazione molto plausibile del motivo per cui c’è così poco delle teorie presentate in questi libri che è effettivamente utile nelle supply chain del mondo reale. Questa è una dichiarazione piuttosto soggettiva che sto facendo, ma nella mia carriera ho avuto l’opportunità di discutere con diverse centinaia di direttori della supply chain. Sono a conoscenza di queste teorie e, se non ne hanno una conoscenza approfondita, hanno persone nel loro team che ne hanno. Molto spesso, il software utilizzato dall’azienda implementa già una serie di soluzioni presentate in questi libri, eppure non vengono utilizzate. Le persone ricorrono per vari motivi ai loro fogli di calcolo Excel spreadsheets.
Quindi, questo non è ignoranza. Abbiamo questo problema molto reale e credo che la causa principale sia letteralmente che non è scienza. Non puoi confutare nulla di ciò che viene presentato. Non è che queste teorie siano sbagliate - sono corrette dal punto di vista matematico - ma non sono scientifiche nel senso che non si qualificano nemmeno come scienza.
Ora, la domanda sarebbe: qual è l’entità del problema? Perché ho scelto due libri, ma qual è l’effettiva portata di questa prospettiva di ottimizzazione matematica nella supply chain? Direi che l’entità di questa prospettiva è assolutamente enorme. Come prova aneddotica per dimostrarlo, di recente ho utilizzato Google Scholar, un motore di ricerca specializzato fornito da Google che fornisce solo risultati per pubblicazioni scientifiche. Se cerchi “inventario ottimale” solo per l’anno 2020, otterrai più di 30.000 risultati.
Questo numero va preso con le pinze. Ovviamente, probabilmente ci sono numerosi duplicati in questa lista e molto probabilmente ci saranno falsi positivi - articoli in cui compaiono sia le parole “inventario” che “ottimale” nel titolo e nell’abstract, ma il paper non riguarda affatto la supply chain. È solo un caso accidentale. Tuttavia, un’ispezione sommaria dei risultati fa pensare molto fortemente che si stia parlando di diverse migliaia di articoli pubblicati ogni anno in questo settore. Come punto di riferimento, questo numero è molto grande, anche rispetto a campi che sono assolutamente enormi, come il deep learning. Il deep learning è probabilmente una delle teorie dell’informatica che gode del maggior successo negli ultimi due o tre decenni. Quindi, il fatto che la semplice query “inventario ottimale” restituisca qualcosa che è dell’ordine di un quinto di ciò che si ottiene per il deep learning è davvero sorprendente. L’inventario ottimale è ovviamente solo una frazione di ciò che riguarda gli studi quantitativi sulla supply chain.
Questa semplice query mostra che la prospettiva di ottimizzazione matematica è davvero enorme e io sostengo, anche se è un po’ soggettivo, che per quanto riguarda gli studi quantitativi sulla supply chain, domina davvero. Se abbiamo diverse migliaia di articoli che forniscono politiche di inventario ottimali e modelli di gestione dell’inventario ottimali per gestire le aziende, prodotti su base annuale, sicuramente la maggior parte delle grandi aziende dovrebbe basarsi su questi metodi. Non stiamo parlando solo di pochi articoli; stiamo parlando di una quantità assolutamente enorme di pubblicazioni.
Nella mia esperienza, con qualche centinaio di punti dati sulla supply chain di cui sono a conoscenza, questo non è affatto il caso. Questi metodi sono quasi invisibili. Abbiamo una disconnessione assolutamente sorprendente tra lo stato del settore per quanto riguarda gli articoli che vengono pubblicati - e, a proposito, il software, perché ancora una volta, il software è praticamente un riflesso di ciò che viene pubblicato come articoli scientifici - e il modo in cui le supply chain operano effettivamente.
La domanda che mi sono posto è: con migliaia di articoli, c’è qualcosa di buono da trovare? Ho avuto il piacere di leggere centinaia di articoli quantitativi sulla supply chain e posso darvi una serie di euristiche che vi daranno la quasi certezza che l’articolo non presenta alcun valore aggiunto nel mondo reale. Queste euristiche non sono assolutamente vere, ma sono molto accurate, qualcosa che sarebbe accurato al 99%+. Non è perfettamente accurato, ma è quasi perfettamente accurato.
Quindi, come rileviamo gli articoli che aggiungono valore nel mondo reale, o viceversa, come rifiutiamo gli articoli che non apportano alcun valore? Ho elencato una breve serie di euristiche. La prima è semplicemente se l’articolo fa qualsiasi affermazione su qualsiasi tipo di ottimalità, allora potete stare certi che l’articolo non apporta alcun valore alle supply chain del mondo reale. Prima di tutto, perché riflette il fatto che gli autori non capiscono nemmeno, o hanno la minima comprensione del fatto che le supply chain sono essenzialmente un problema complesso. Il fatto che si dica di avere una soluzione ottimale - quindi, torniamo alla definizione di una soluzione ottimale: una soluzione che è ottimale se non può essere migliorata. Dire di avere una soluzione ottimale per la supply chain è molto simile a dire che esiste un limite rigido all’ingegno umano. Non credo a questo nemmeno per un momento. Credo che sia una proposta completamente irragionevole. Vediamo che c’è un problema molto grande nel modo in cui viene affrontata la supply chain.
Un altro problema è che ogni volta che c’è una pretesa di ottimalità, ciò che segue è che inevitabilmente si ha una soluzione che si basa molto fortemente su assunzioni. Si può avere una soluzione che è dimostrata essere ottimale secondo un certo insieme di assunzioni, ma cosa succede se quelle assunzioni vengono violate? La soluzione rimarrà comunque valida? Al contrario, credo che se si ha una soluzione di cui si può dimostrare l’ottimalità, si ha una soluzione che dipende incredibilmente dalle assunzioni fatte per essere anche solo remotamente corretta. Se si violano le assunzioni, la soluzione risultante è molto probabilmente assolutamente terribile, perché non è mai stata progettata per essere robusta contro nulla. Le pretese di ottimalità possono essere scartate fin dall’inizio.
La seconda cosa sono le distribuzioni normali. Ogni volta che si vede un articolo o un pezzo di software che afferma di utilizzare distribuzioni normali, si può stare certi che ciò che viene proposto non funziona nelle supply chain reali. In una precedente lezione, in cui ho presentato principi quantitativi per la supply chain, ho mostrato che tutte le popolazioni di interesse nelle supply chain sono distribuite secondo la legge di Zipf, non secondo la distribuzione normale. Le distribuzioni normali non si trovano da nessuna parte nelle supply chain e sono assolutamente convinto che questo risultato sia noto da decenni. Se si trovano articoli o pezzi di software che si basano su questa assunzione, è quasi certo che si ha una soluzione che è stata progettata per comodità, in modo che sia più facile scrivere la dimostrazione matematica o il software, non perché ci fosse alcun desiderio di avere prestazioni nel mondo reale. La presenza di distribuzioni normali è solo pigrizia o, al massimo, un segno di profonda incomprensione di ciò che riguarda le supply chain. Questo può essere usato per respingere quegli articoli.
Poi, la stazionarietà - non esiste. È un’assunzione che sembra essere accettabile: le cose sono stazionarie, più dello stesso. Ma non è così; è un’assunzione molto forte. Fondamentalmente dice che hai una sorta di processo che è iniziato all’inizio del tempo e continuerà fino alla fine dei tempi. Questa è una prospettiva molto irragionevole per le supply chain del mondo reale. Nelle supply chain reali, ogni prodotto è stato introdotto in un determinato momento e ogni prodotto sarà gradualmente eliminato dal mercato in un determinato momento. Anche se si considerano prodotti con una durata ragionevolmente lunga, come quelli dell’industria automobilistica, questi processi non sono stazionari. Dureranno al massimo una decade. La durata di interesse, l’intervallo di tempo di interesse, è finito, quindi la prospettiva stazionaria è semplicemente sbagliata.
Un altro elemento per identificare uno studio quantitativo che non funzionerà è l’assenza della stessa nozione di sostituzione. Nelle supply chain del mondo reale, le sostituzioni sono ovunque. Se torniamo all’esempio di supply chain che ho presentato due settimane fa in una lezione precedente, si possono vedere almeno mezza dozzina di situazioni in cui sono state effettuate sostituzioni - sul lato dell’offerta, sul lato della trasformazione e sul lato della domanda. Se si ha un modello in cui concettualmente la sostituzione non esiste nemmeno, allora si ha qualcosa che è davvero in contrasto con le supply chain del mondo reale.
Allo stesso modo, la mancanza di globalità o la mancanza di una prospettiva olistica sulla supply chain è anche un segno evidente che qualcosa non va. Se torno alla lezione precedente in cui ho presentato i principi quantitativi per la supply chain, ho affermato che se si ha qualcosa simile a un processo di ottimizzazione locale, non si ottimizzerà nulla; si sposteranno solo i problemi all’interno della supply chain. La supply chain è un sistema, una rete, quindi non si può applicare una sorta di ottimizzazione locale e sperare che sia davvero per il bene della supply chain nel suo complesso. Questo non è proprio il caso.
Con queste euristiche, penso che si possa eliminare quasi completamente la maggior parte della letteratura quantitativa sulla supply chain, il che è abbastanza sorprendente di per sé.
La cosa è che se dovessi convincere ogni singolo comitato editoriale di ogni conferenza e rivista sulla supply chain che dovrebbero utilizzare queste euristiche per filtrare le contribuzioni di bassa qualità, non funzionerebbe. Gli autori si adatterebbero e aggirerebbero il processo, anche se aggiungessimo queste linee guida per la pubblicazione nelle riviste sulla supply chain. Se gli analisti di mercato le aggiungessero alla loro checklist, ciò che accadrebbe è che gli autori, sia di articoli che di software, si adatterebbero. Oscurerebbero il problema, facendo assumere ipotesi più complesse in cui non si può più vedere che si riduce a una distribuzione normale o a un’assunzione stazionaria. È solo che è formulato in modo molto opaco.
Queste euristiche sono utili per identificare contributi di bassa qualità, sia articoli che software, ma non possiamo usarle solo per filtrare ciò che è buono. Abbiamo bisogno di un cambiamento più profondo; dobbiamo rivedere l’intero paradigma. A questo punto, manca ancora la falsificabilità. La realtà non ha modo di reagire e smentire ciò che viene presentato.
Come ultimo elemento per concludere questa parte della lezione sulla prospettiva dell’ottimizzazione matematica, c’è qualche qualità redentrice da trovare in questa enorme produzione di articoli e software? La mia risposta molto soggettiva a questa domanda è assolutamente no. Questi articoli, e ne ho letti molti sulla supply chain quantitativa, non sono interessanti. Anzi, sono estremamente noiosi, anche i migliori di essi. Quando guardiamo alle scienze ausiliarie, non ci sono pepite di cose veramente interessanti da trovare. Puoi guardare tutti quegli articoli, e ne ho elencati migliaia. Dal punto di vista matematico, è molto noioso. Non vengono presentate grandi idee matematiche. Dal punto di vista algoritmico, è solo un’applicazione diretta di ciò che è stato conosciuto da molto tempo nel campo degli algoritmi. Lo stesso si può dire della modellazione statistica e della metodologia, che è estremamente scadente. In termini di metodologia, tutto si riduce alla prospettiva dell’ottimizzazione matematica, in cui si presenta un modello, si ottimizza qualcosa, si fornisce la soluzione e si dimostra che questa soluzione ha alcune caratteristiche matematiche riguardo alla formulazione del problema.
Abbiamo davvero bisogno di cambiare più di superficialmente. Non sto criticando l’approccio. Ci sono precedenti storici per questo. Potrebbe sembrare completamente sorprendente che io affermi che abbiamo decine di migliaia di articoli completamente sterili, ma storicamente è successo. Se guardi la vita di Isaac Newton, uno dei padri della fisica moderna, vedrai che ha trascorso circa la metà del suo tempo lavorando sulla fisica, con un enorme lascito, e l’altra metà lavorando sull’alchimia. Era un brillante fisico e un pessimo alchimista. I documenti storici tendono a mostrare che Isaac Newton era altrettanto brillante, dedicato e serio nel suo lavoro sull’alchimia quanto lo era nel suo lavoro sulla fisica. A causa del fatto che la prospettiva alchemica era semplicemente mal concepita, tutto il lavoro e l’intelligenza che Newton ha investito in questa area si è rivelato completamente sterile, senza alcun lascito degno di nota. La mia critica non è che abbiamo migliaia di persone che pubblicano cose idiote. La maggior parte di quegli autori è molto intelligente. Il problema è che il quadro stesso è sterile. Questo è il punto che voglio fare.
Ora passiamo al secondo approccio di modellazione che voglio presentare oggi. Nei primi anni, la metodologia di Lokad era profondamente radicata nella prospettiva dell’ottimizzazione matematica. Eravamo molto tradizionali in questo senso, e funzionava molto male per noi. Una cosa molto specifica di Lokad, che era quasi accidentale, è che in un certo momento ho deciso che Lokad non avrebbe venduto software aziendale, ma avrebbe venduto direttamente decisioni finali sulla supply chain. Intendo proprio le quantità esatte che una certa azienda deve acquistare, le quantità che un’azienda deve produrre e quante unità devono essere spostate dal luogo A al luogo B - se un singolo prezzo dovrebbe scendere - Lokad era nel business di vendere decisioni finali sulla supply chain. A causa di questa decisione semi-accidentale, siamo stati brutalmente confrontati con le nostre stesse inadeguatezze. Siamo stati messi alla prova, e c’è stato un controllo della realtà molto brutale. Se producessimo decisioni sulla supply chain che si rivelavano sbagliate, i clienti erano subito addosso a me, urlando come ossessi perché Lokad non stava fornendo qualcosa di soddisfacente.
In un certo senso, l’ottimizzazione sperimentale è emersa in Lokad. Non è stata inventata in Lokad; è stata una pratica emergente che è stata solo una risposta al fatto che eravamo sotto una pressione immensa dalla nostra base di clienti per fare qualcosa riguardo a quei difetti che erano ovunque all’inizio. Abbiamo dovuto trovare qualche tipo di meccanismo di sopravvivenza, e abbiamo provato molte cose, a volte praticamente a caso. Quello che è emerso è ciò che viene definito come ottimizzazione sperimentale.
L’ottimizzazione sperimentale è un metodo molto semplice. L’obiettivo è produrre decisioni sulla supply chain scrivendo una ricetta, guidata dal software, che genera decisioni sulla supply chain. Il metodo inizia come segue: passo zero, scrivi semplicemente ricette che generano decisioni. Ci sono molte conoscenze, tecnologie e strumenti di interesse qui. Questo non è l’argomento di questa lezione; verrà trattato in dettaglio nelle lezioni successive. Quindi, passo uno, scrivi semplicemente una ricetta, e molto probabilmente non sarà molto buona.
Poi entri in una pratica di iterazione indefinita, dove prima eseguirai la ricetta. Con “eseguire”, intendo che la ricetta dovrebbe essere in grado di funzionare in un ambiente di produzione. Non si tratta solo di avere un algoritmo nel laboratorio di data science che puoi eseguire. Si tratta di avere una ricetta che abbia tutte le qualità, in modo che se decidi che quelle decisioni sono abbastanza buone da essere messe in produzione, puoi farlo con un solo clic. Tutto l’ambiente deve essere di qualità da produzione; di questo si tratta l’esecuzione della ricetta.
La cosa successiva è identificare le decisioni folli, che è stata trattata in una delle mie lezioni precedenti sulla consegna orientata al prodotto per la supply chain. Per coloro che non hanno partecipato a questa lezione, in poche parole, vogliamo che gli investimenti nella supply chain siano capitalistici, accrescenti, e per raggiungere questo obiettivo, dobbiamo assicurarci che le persone che lavorano in questa divisione della supply chain non stiano solo spegnendo incendi. La situazione predefinita nella stragrande maggioranza delle aziende al momento attuale è che le decisioni sulla supply chain sono generate da software - la maggior parte delle aziende moderne sta già utilizzando ampiamente pezzi di software aziendale per gestire la loro supply chain, e tutte le decisioni sono già generate tramite software. Tuttavia, una grande parte di quelle decisioni è completamente folle. Quello che la maggior parte dei team della supply chain fa è rivedere manualmente tutte quelle decisioni folli e impegnarsi in sforzi continui per eliminarle. Così, tutti gli sforzi finiscono per essere consumati dall’operazione dell’azienda. Pulisci tutte le tue eccezioni un giorno, e poi torni il giorno successivo con un nuovo insieme di eccezioni da gestire, e il ciclo si ripete. Non puoi capitalizzare; consumi solo il tempo dei tuoi esperti di supply chain. Quindi l’idea di Lokad è che dobbiamo trattare quelle decisioni folli come difetti del software ed eliminarle completamente, in modo da poter avere un processo e una pratica capitalista della supply chain stessa.
Una volta che abbiamo fatto questo, dobbiamo migliorare l’strumentazione e, a sua volta, migliorare la ricetta numerica stessa. Tutto questo lavoro è svolto dallo scienziato della supply chain, una nozione che ho introdotto nella mia seconda lezione del primo capitolo, “La prospettiva quantitativa della supply chain”, come vista da Lokad. L’strumentazione è di grande interesse perché è attraverso una migliore strumentazione che puoi capire meglio cosa sta succedendo nella tua supply chain, cosa sta succedendo nella tua ricetta e come puoi migliorarla ulteriormente per affrontare quelle decisioni folli che continuano a sorgere.
Approfondiamo per un momento le cause profonde dell’insanità che spiegano quelle decisioni folli. Spesso, quando chiedo ai direttori della supply chain perché pensano che i loro sistemi software aziendali che governano le operazioni della supply chain continuino a prendere decisioni folli, una risposta molto comune ma sbagliata che ricevo è: “Oh, è solo perché abbiamo previsioni sbagliate”. Credo che questa risposta sia sbagliata almeno su due fronti. Primo, se passi dall’accuratezza che puoi ottenere da un modello di media mobile molto semplice a un modello di machine learning all’avanguardia, puoi ottenere forse un 20% di accuratezza in più. Quindi sì, è significativo, ma non può fare la differenza tra una decisione molto buona e una decisione completamente folle. Secondo, il problema più grande delle previsioni è che non vedono tutte le alternative; non sono probabilistiche. Ma mi sto dilungando; questo sarebbe argomento per un’altra lezione.
Se torniamo alla causa profonda dell’insanità, credo che, sebbene gli errori di previsione siano una preoccupazione, non siano assolutamente una preoccupazione principale. Dalla mia esperienza decennale presso Lokad, posso dire che questa è una preoccupazione secondaria al massimo. La preoccupazione principale, il problema più grande che genera decisioni folli, è la semantica dei dati. Ricorda che non puoi osservare direttamente una supply chain; non è possibile. Puoi osservare solo una supply chain come riflesso tramite i record elettronici che raccogli attraverso pezzi di software aziendale. L’osservazione che stai facendo sulla tua supply chain è un processo molto indiretto attraverso il prisma del software.
Qui stiamo parlando di centinaia di tabelle relazionali e migliaia di campi, e la semantica di ognuno di quei campi conta davvero. Ma come sai di avere la comprensione e la mentalità corrette? L’unico modo per essere sicuri di capire veramente cosa significa una colonna specifica è metterla alla prova dell’esperimento. Nell’ottimizzazione sperimentale, il test sperimentale è la generazione di decisioni. Assumi che questa colonna significhi qualcosa; quella è la tua teoria scientifica in un certo senso. Poi generi una decisione basata su questa comprensione e, se la decisione è buona, allora la tua comprensione è corretta. Fondamentalmente, l’unica cosa che puoi osservare è se la tua comprensione porta a decisioni folli o meno. Qui la realtà colpisce.
Questo non è un piccolo problema; è un problema molto grande. Il software aziendale è complesso, per non dire altro, e ci sono bug. Il problema della prospettiva dell’ottimizzazione matematica è che guarda il problema come se fosse una serie semplice di ipotesi, e poi puoi sviluppare una soluzione relativamente semplice ed elegante dal punto di vista matematico. Ma la realtà è che abbiamo strati di software aziendale su strati e i problemi possono verificarsi ovunque. Alcuni di questi problemi sono molto banali, come la copia errata, il collegamento errato tra variabili o sistemi che dovrebbero essere sincronizzati che si desincronizzano. Potrebbero esserci aggiornamenti delle versioni del software che creano bug, e così via. Questi bug sono ovunque, e l’unico modo per sapere se hai bug o meno è, di nuovo, guardare le decisioni. Se le decisioni sono corrette, allora non ci sono bug o i bug presenti sono insignificanti e non ci interessano.
Riguardo ai driver economici, un altro approccio errato che si presenta spesso durante le discussioni con i direttori della supply chain è chiedermi di dimostrare che ci sarà un certo ritorno economico per la loro azienda. La mia risposta a ciò è che non conosciamo ancora i driver economici. La mia esperienza presso Lokad mi ha insegnato che l’unico modo per sapere con certezza quali sono i driver economici - e questi driver vengono utilizzati per costruire la funzione di perdita che, a sua volta, viene utilizzata per eseguire l’ottimizzazione effettiva nella ricetta numerica stessa - è metterli alla prova, ancora una volta, attraverso l’esperienza di generare decisioni e osservare se quelle decisioni sono folli o meno. Questi driver economici devono essere scoperti e convalidati in base all’esperienza. Al massimo, puoi solo avere un’intuizione di ciò che è corretto, ma solo l’esperienza e gli esperimenti possono dirti se la tua comprensione è effettivamente corretta.
Poi, ci sono anche tutte le impraticabilità. Hai una ricetta numerica che genera decisioni e quelle decisioni sembrano essere conformi a tutte le regole che hai stabilito. Ad esempio, se ci sono quantità minime d’ordine (MOQ), generi ordini di acquisto conformi ai tuoi MOQ. Ma cosa succede se un fornitore ti dice che il MOQ è diverso? Attraverso questo processo, potresti scoprire molte impraticabilità e decisioni apparentemente fattibili che, quando cerchi di metterle alla prova nel mondo reale, si rivelano irrealizzabili. Scopri tutti i tipi di casi limite e limitazioni, a volte anche quelli a cui non hai nemmeno pensato, dove il mondo reagisce e devi risolvere anche quelli.
Poi c’è anche la tua strategia. Potresti pensare di avere una strategia generale a livello di supply chain, ma è corretta? Solo per darti un’idea, prendiamo Amazon come esempio. Potresti dire che vuoi essere orientato al cliente. Quindi, ad esempio, se i clienti acquistano qualcosa online e non gli piace, dovrebbero poterlo restituire molto facilmente. Vuoi essere molto generoso quando si tratta di resi. Ma cosa succede se hai avversari o cattivi clienti che sfruttano il sistema? Potrebbero ordinare uno smartphone costoso da $500 online, riceverlo, sostituire lo smartphone genuino con uno contraffatto del valore di soli $50 e poi restituirlo. Amazon si ritrova con contraffazioni nel loro inventario senza nemmeno accorgersene. Questo è un problema molto reale che è stato discusso online molte volte.
Potresti avere una strategia che dice che vuoi essere orientato al cliente, ma forse la tua strategia dovrebbe essere orientata al cliente solo per i clienti onesti. Quindi, non si tratta solo di tutti i clienti; è una sottosezione di clienti. Anche se la tua strategia è approssimativamente corretta, il diavolo sta nei dettagli. Di nuovo, l’unico modo per vedere se i dettagli della tua strategia sono corretti è attraverso l’esperimento, dove puoi guardare i dettagli.
Ora, discutiamo come identifichiamo le decisioni folli. Come facciamo a distinguere tra decisioni sane e decisioni folli? Con “decisione folle” intendo una decisione che non è sana per la tua azienda. Questo è un tipo di problema che richiede davvero un’intelligenza umana generale. Non c’è assolutamente speranza che tu possa risolvere questo problema attraverso un algoritmo. Potrebbe sembrare un paradosso, ma questo è il tipo di problema che richiede un’intelligenza umana di livello umano, ma non necessariamente un umano molto intelligente.
Ci sono molti altri problemi simili a questo nel mondo reale. Ad esempio, un’analogia sono gli errori nei film. Se chiedessi agli studi di Hollywood un algoritmo che possa identificare tutti gli errori in qualsiasi film, probabilmente direbbero di non avere idea di come concepire un tale algoritmo, poiché sembra essere un compito che richiede intelligenza umana. Tuttavia, se trasformi il problema in uno in cui vuoi solo avere persone che possono essere addestrate a essere molto brave nell’identificare gli errori nei film, il compito diventa molto più semplice. È molto semplice concepire che puoi consolidare un manuale di tutti i trucchi per identificare gli errori nei film. Non è necessario avere persone eccezionalmente intelligenti per fare questo lavoro; hai solo bisogno di persone ragionevolmente intelligenti e dedite. Ecco di cosa si tratta.
Quindi, come appare la situazione da una prospettiva di supply chain? Se vogliamo esaminare concretamente il problema, fondamentalmente, cercheremo gli outlier. Dobbiamo solo iniziare con un angolo. Diciamo, ad esempio, torniamo alla persona di Parigi che ho presentato due settimane fa. Questa è un’azienda di moda che gestisce una grande rete di negozi di moda. Diciamo, ad esempio, che ci preoccupiamo della qualità del servizio.
Iniziamo con le rotture di stock. Se facciamo una query su tutti i prodotti e tutti i negozi, vedremo che abbiamo migliaia di rotture di stock in tutta la rete. Quindi, non aiuta davvero; ne abbiamo migliaia e la risposta è “e quindi?”. Forse non sono solo le rotture di stock; ciò che interessa veramente sono le rotture di stock nei negozi di punta, i negozi che vendono molto. È lì che conta, e non le rotture di stock per qualsiasi prodotto ma per i prodotti più venduti. Ristrettiamo la nostra ricerca alle rotture di stock che avvengono nei negozi di punta per i prodotti più venduti.
Quindi, possiamo esaminare un SKU in cui lo stock si trova a zero. Ma osservando più da vicino, vedremo che forse all’inizio della giornata lo stock era effettivamente di tre unità e l’ultima unità è stata venduta solo 30 minuti prima della chiusura del negozio. Se prestiamo maggiore attenzione, vedremo che tre unità saranno rifornite il giorno successivo. Quindi qui abbiamo una situazione in cui vediamo che abbiamo una rottura di stock, ma è davvero importante? Beh, si scopre che non lo è davvero, perché l’ultima unità è stata venduta poco prima della chiusura del negozio la sera e la quantità deve essere rifornita. Inoltre, se guardiamo più attentamente, vedremo che forse non c’è abbastanza spazio nel negozio per mettere più di tre unità, quindi siamo vincolati qui.
Quindi, questo non è esattamente un problema significativo. Forse dovremmo restringere la ricerca alle rotture di stock in cui abbiamo avuto l’opportunità di rifornire - negozio di punta, prodotto di punta - ma non l’abbiamo fatto. Troviamo un esempio di tale SKU e poi vediamo che non c’è più stock nel centro di distribuzione. Quindi, in questo caso, è davvero un problema? Potremmo dire di no, ma aspetta un attimo. Non abbiamo stock nel centro di distribuzione, ma per lo stesso prodotto, diamo un’occhiata alla rete nel complesso. Abbiamo ancora stock da qualche parte?
Diciamo che, per questo prodotto - prodotto di punta, negozio di punta - abbiamo molti negozi deboli che hanno ancora molto inventario per lo stesso prodotto, ma semplicemente non lo fanno ruotare. Qui vediamo che abbiamo effettivamente un problema. Il problema non era che non c’era abbastanza stock allocato al negozio di punta; il problema era che c’era troppo stock allocato, probabilmente durante l’allocazione iniziale verso i negozi per la nuova collezione, per negozi molto deboli. Quindi, procediamo passo dopo passo per identificare la causa radice del problema. Possiamo risalire a un problema di qualità del servizio causato non dall’invio di troppo poco stock ma, al contrario, dall’invio di troppo, che finisce per avere un impatto a livello di sistema sulla qualità del servizio per quei negozi di punta.
Quello che ho fatto qui è molto diverso dalle statistiche, ed è qualcosa di importante quando cerchiamo decisioni “folli”. Non vuoi aggregare i dati; al contrario, vuoi lavorare su dati completamente disaggregati in modo che tutti i problemi si manifestino. Appena inizi a aggregare i dati, di solito quei comportamenti sottili scompaiono. Il trucco di solito è iniziare dal livello più disaggregato e attraversare la rete per capire esattamente cosa sta succedendo, non a livello statistico ma a un livello molto elementare e di base in cui puoi capire.
Questo metodo si presta anche molto bene alla prospettiva che ho introdotto nella supply chain quantitativa, dove dico che è necessario avere driver economici. Si tratta di tutti i futuri possibili, tutte le decisioni possibili, e poi si valutano tutte le decisioni in base ai driver economici. Risulta che quei driver economici sono molto utili quando si tratta di ordinare tutti quegli SKU, decisioni ed eventi che si verificano nella supply chain. È possibile ordinarli in base all’impatto decrescente in dollari, ed è un meccanismo molto potente, anche se i driver economici sono parzialmente errati o incompleti. Risulta essere un metodo molto efficace per indagare e diagnosticare con alta produttività ciò che sta accadendo in una determinata supply chain.
Mentre si indagano decisioni “folli” nel corso delle iniziative in cui si implementa questo metodo di ottimizzazione sperimentale, si assiste a un graduale passaggio da decisioni veramente folli e disfunzionali a decisioni semplicemente cattive. Non distruggeranno la tua azienda, ma semplicemente non sono molto buone.
Qui abbiamo una profonda divergenza dalla prospettiva dell’ottimizzazione matematica per la supply chain.
Con l’ottimizzazione sperimentale, la funzione di perdita stessa, perché l’ottimizzazione sperimentale utilizza internamente strumenti di ottimizzazione matematica, di solito al centro delle ricette numeriche che generano la decisione, ha un componente di ottimizzazione matematica. Ma è solo un mezzo, non un fine, che supporta il tuo processo. Invece di seguire la prospettiva dell’ottimizzazione matematica in cui si definisce il problema e poi si ottimizza, qui si sfida ripetutamente ciò che si comprende del problema stesso e si modifica la funzione di perdita stessa.
Per guadagnare in termini di comprensione, è necessario strumentare praticamente tutto. È necessario strumentare il proprio processo di ottimizzazione, la propria ricetta numerica e tutte le caratteristiche dei dati con cui si sta lavorando. È molto interessante perché, da un punto di vista storico, quando si guarda a molti dei più grandi sviluppi scientifici in cui c’erano importanti scoperte da fare, di solito qualche decennio prima di queste scoperte c’era una svolta in termini di strumentazione. Quando si tratta di scoprire conoscenze, di solito si scopre prima un nuovo modo di osservare l’universo, si fa una svolta a livello di strumentazione e poi si può effettivamente fare la propria scoperta su ciò che interessa nel mondo. Questo è davvero ciò che sta succedendo qui. A proposito, Galileo ha fatto la maggior parte delle sue scoperte perché è stato il primo a avere un telescopio di sua fabbricazione a disposizione, ed è così che ha scoperto le lune di Giove, ad esempio. Tutte queste metriche sono strumenti che guidano davvero il tuo percorso.
Ora, la sfida è che, come ho detto, l’ottimizzazione sperimentale è un processo iterativo. La domanda molto importante qui è se stiamo sostituendo una burocrazia con un’altra. Una delle mie critiche più grandi alla gestione della supply chain tradizionale è che finiamo con una burocrazia di persone che si limitano a spegnere incendi, a lottare contro tutte quelle eccezioni quotidianamente, e il loro lavoro non è capitalista. Ho presentato la prospettiva contrastante dello scienziato della supply chain, dove il loro lavoro dovrebbe essere accrescitivo dal punto di vista capitalistico. Tuttavia, tutto si riduce a quale tipo di produttività può essere raggiunta con gli scienziati della supply chain, e queste persone devono essere molto produttive.
Qui ti sto dando un breve elenco di KPI per ciò che questa produttività comporta. Innanzitutto, si desidera davvero essere in grado di attraversare le pipeline dei dati in meno di un’ora, dall’inizio alla fine. Come ho detto, una delle cause principali della follia è la semantica dei dati. Quando ti rendi conto di avere un problema a livello semantico, vuoi metterlo alla prova e devi rieseguire l’intera pipeline dei dati. Il tuo team di supply chain o lo scienziato della supply chain deve essere in grado di farlo più volte al giorno.
Per quanto riguarda la ricetta numerica che effettua l’ottimizzazione stessa, a questo punto, i dati sono già preparati e consolidati, quindi è un sottoinsieme dell’intera pipeline dei dati. Avrai bisogno di un numero molto elevato di iterazioni, quindi devi essere in grado di fare decine di iterazioni ogni singolo giorno. Il tempo reale sarebbe fantastico, ma la realtà è che l’ottimizzazione locale nella supply chain sposta solo i problemi. Devi avere una prospettiva olistica, e il problema con modelli ingenui o banali sulla tua supply chain è che non saranno molto buoni in termini di capacità di abbracciare tutte le complessità presenti nelle supply chain. Hai un compromesso tra l’espressività e la capacità della ricetta numerica e il tempo necessario per aggiornarla. Tipicamente, l’equilibrio è buono finché mantieni il calcolo entro pochi minuti.
Infine, e questo punto è stato anche affrontato nella lezione sulla consegna del software orientata al prodotto per la supply chain, devi davvero essere in grado di mettere in produzione una nuova ricetta ogni singolo giorno. Non è esattamente che raccomando di farlo, ma piuttosto, devi essere in grado di farlo perché eventi imprevisti accadranno. Potrebbe essere una pandemia, o a volte non è così stravagante. C’è sempre la possibilità che un magazzino possa allagarsi, potresti avere un incidente di produzione o potresti avere una grande sorpresa con una promozione da parte di un concorrente. Possono accadere tutte le cose e interrompere la tua operazione, quindi devi essere in grado di applicare misure correttive molto rapidamente. Ciò significa che devi avere un ambiente in cui sia possibile andare in produzione con una nuova iterazione della tua ricetta di supply chain ogni singolo giorno.
Ora, la pratica dell’ottimizzazione sperimentale è interessante. L’approccio di Lokad è stato una pratica emergente ed è gradualmente entrato a far parte della pratica quotidiana da un decennio. Durante gli anni precedenti, avevamo qualcosa del genere come un processo di ottimizzazione sperimentale proto in atto. La differenza principale era che stavamo ancora iterando, ma stavamo utilizzando modelli matematici della supply chain ottenuti dalla letteratura sulla supply chain. Si è scoperto che quei modelli sono solitamente monolitici e non si prestano al processo molto iterativo che sto descrivendo con l’ottimizzazione sperimentale. Di conseguenza, stavamo iterando, ma eravamo lontani dall’essere in grado di mettere in produzione una nuova ricetta ogni singolo giorno. Era più come se ci volessero diversi mesi per creare una nuova ricetta. Se guardi il sito web di Lokad sul percorso che abbiamo intrapreso, le iterazioni successive che abbiamo avuto sul nostro motore di previsione erano un riflesso di questo approccio. In pratica, ci volevano circa 18 mesi per passare da un motore di previsione all’altro, con una breve serie di forse una grande iterazione per trimestre o qualcosa del genere.
Questo è ciò che è successo prima, e dove il gioco è davvero cambiato è stato con l’introduzione dei paradigmi di programmazione. C’è una lezione precedente nel mio prologo in cui ho introdotto i paradigmi di programmazione per la supply chain. Ora, con questa lezione, dovrebbe diventare più chiaro perché ci preoccupiamo così tanto di quei paradigmi di programmazione. Sono ciò che alimenta questo metodo di ottimizzazione sperimentale. Sono i paradigmi di cui hai bisogno per costruire una ricetta numerica, in cui puoi iterare efficientemente ogni singolo giorno per eliminare tutte quelle decisioni folli e orientarti verso qualcosa che crea davvero molto valore per la supply chain.
Ora, l’ottimizzazione sperimentale nel mondo reale, beh, la mia convinzione è che sia qualcosa che è emerso. Non è stato davvero inventato da Lokad; è più come se fosse emerso lì, solo perché ci siamo confrontati ancora e ancora con le nostre stesse inadeguatezze quando si trattava di decisioni effettive sulla supply chain. Sospetto fortemente che altre aziende, soggette alle stesse forze, abbiano sviluppato i propri processi di ottimizzazione sperimentale che sono solo una sorta di variante di ciò che ho presentato oggi.
Qui, se guardi i giganti della tecnologia come GAFA, ho contatti lì che, senza rivelare segreti commerciali, sembrano suggerire che questo tipo di pratica abbia nomi diversi ma è già molto presente in quei giganti della tecnologia. Puoi persino vederlo come un osservatore esterno dal fatto che molti degli strumenti open-source che pubblicano sono strumenti che hanno davvero senso quando inizi a pensare al tipo di strumenti che vorresti avere se dovessi condurre iniziative seguendo questo metodo di ottimizzazione sperimentale. Ad esempio, PyTorch non è un modello; è una meta-soluzione, un paradigma di programmazione per fare machine learning, quindi si inserisce in questo framework.
Poi, potresti chiederti perché, se è così efficace, non è più riconosciuto come tale. Quando si tratta di riconoscere l’ottimizzazione sperimentale nel mondo reale, è complicato. Se fai uno snapshot di un’azienda in un determinato momento, sembra esattamente la prospettiva dell’ottimizzazione matematica. Ad esempio, se Lokad fa uno snapshot di una qualsiasi delle aziende che serviamo, abbiamo una dichiarazione del problema in quel momento e una soluzione che proponiamo. Quindi, in quel momento, la situazione sembra esattamente la prospettiva dell’ottimizzazione matematica. Tuttavia, questa è solo la prospettiva statica. Appena inizi a guardare la dimensione temporale e la dinamica, è radicalmente diverso.
Inoltre, è importante notare che, anche se è un processo iterativo, non è un processo convergente. Questo può essere un po’ disturbante. L’idea che si possa avere un processo iterativo che converge verso qualcosa di ottimale è come dire che c’è un limite rigido all’ingegno umano. Credo che questa sia una proposta stravagante. I problemi della supply chain sono malvagi, quindi non c’è convergenza solo perché ci sono sempre cose che possono cambiare radicalmente il gioco. Non è un problema definito in modo stretto in cui si può avere la speranza di trovare la soluzione ottimale. Inoltre, un altro motivo per cui non c’è convergenza nella pratica è che il mondo continua a cambiare. La tua supply chain non opera in un vuoto; i tuoi fornitori, clienti e panorama stanno cambiando. Qualsiasi ricetta numerica che avevi in un determinato momento può iniziare a produrre decisioni folli solo perché le condizioni di mercato sono cambiate, e ciò che era ragionevole in passato non è più ragionevole. Devi adattarti alla situazione attuale. Guarda cosa è successo nel 2020 con la pandemia; ovviamente, c’è stato così tanto cambiamento che qualcosa di sano prima della pandemia non poteva rimanere sano durante di essa. La stessa cosa accadrà di nuovo.
Per riassumere, abbiamo due prospettive diverse: la prospettiva dell’ottimizzazione matematica, in cui affrontiamo problemi ben definiti, e la prospettiva dell’ottimizzazione sperimentale, in cui il problema è malvagio. Non puoi nemmeno definire il problema; puoi solo avvicinarti al problema. Come conseguenza di avere un problema ben definito all’interno della prospettiva dell’ottimizzazione matematica, puoi avere un algoritmo chiaro come soluzione che fornisci, e puoi confezionarlo in un pezzo di software, dimostrandone correttezza e optimalità. Nel mondo dell’ottimizzazione sperimentale, tuttavia, non puoi confezionare tutto poiché è troppo complesso. Ciò che puoi avere sono paradigmi di programmazione, strumenti, infrastrutture, e poi è una questione di intelligenza umana tutto il tempo. Si tratta di pensare due volte, misurare tre volte e fare un passo avanti. Non c’è nulla che possa essere automatizzato al riguardo; tutto si riduce all’intelligenza umana dello scienziato della supply chain.
In termini di falsificabilità, la mia principale proposta è che la prospettiva dell’ottimizzazione matematica non è una scienza perché non puoi falsificare nulla di ciò che produce. Così, alla fine, ti ritrovi con una corsa verso la sofisticazione: vuoi modelli sempre più complessi, ma non è perché sono più sofisticati che sono più scientifici o creano più valore per l’azienda. In netto contrasto, l’ottimizzazione sperimentale è guidata dalla falsificazione. Tutte le iterazioni sono guidate dal fatto che stai mettendo le tue ricette numeriche alla prova del mondo reale, generando decisioni e identificando le decisioni corrette. Questo test sperimentale può essere fatto più volte al giorno per mettere alla prova la tua teoria e dimostrarla sbagliata più e più volte, iterando da lì e sperando di fornire molto valore nel processo.
È interessante perché, in termini di obiettivo finale, l’ottimizzazione sperimentale non è una corsa verso la sofisticazione; è una corsa verso i fondamenti. Si tratta di capire cosa fa funzionare la tua supply chain, gli elementi fondamentali che governano la supply chain e esattamente come dovresti capire cosa sta succedendo all’interno delle tue ricette numeriche in modo che non continuino a produrre quelle decisioni folli che danneggiano la tua supply chain. Alla fine, vuoi produrre qualcosa di molto buono per la tua supply chain.
Questa è stata una lunga lezione, ma il punto principale dovrebbe essere che l’ottimizzazione matematica è un’illusione. È un’illusione seducente, sofisticata e attraente, ma comunque un’illusione. L’ottimizzazione sperimentale, per quanto mi riguarda, è il mondo reale. Lo abbiamo usato per quasi un decennio per supportare il processo delle vere aziende. Lokad è solo un punto di dati, ma dal mio punto di vista, è un punto di dati molto convincente. Si tratta davvero di avere un assaggio del mondo reale. A proposito, questo approccio è estremamente difficile perché quando vai nel mondo reale, la realtà ti colpisce. Avevi delle belle teorie su quale tipo di ricetta numerica dovrebbe funzionare per governare e ottimizzare la supply chain, e poi la realtà ti colpisce. A volte può essere incredibilmente frustrante perché la realtà trova sempre modi per annullare tutte le cose intelligenti a cui potevi pensare. Questo processo è molto più frustrante, ma credo che questa sia la dose di realtà di cui abbiamo bisogno per fornire effettivamente rendimenti reali e redditizi per le tue supply chain. La mia opinione è che, in futuro, ci sarà un punto in cui l’ottimizzazione sperimentale, o forse un discendente di questo metodo, supererà completamente la prospettiva dell’ottimizzazione matematica quando si tratta di studi e pratiche sulla supply chain.
Nelle prossime lezioni, esamineremo i metodi effettivi, i metodi numerici e gli strumenti numerici che possiamo utilizzare per supportare questa pratica. La lezione di oggi si è occupata solo del metodo; in seguito, ci occuperemo delle competenze e delle tattiche necessarie per farlo funzionare. La prossima lezione sarà tra due settimane, lo stesso giorno e all’orario solito, e tratterà la conoscenza negativa nella supply chain.
Ora, diamo un’occhiata alle domande.
Domanda: Se gli articoli sulla supply chain non hanno alcuna possibilità di essere collegati alla realtà, nemmeno lontanamente, e qualsiasi caso reale sarebbe sotto NDA, cosa suggeriresti a coloro che vogliono fare studi sulla supply chain e pubblicare le loro scoperte?
Il mio suggerimento è che devi mettere in discussione il metodo. I metodi che abbiamo non sono adatti per studiare la supply chain. Ho presentato due modi in questa serie di lezioni: il personale della supply chain e l’ottimizzazione sperimentale. C’è molto da fare basandosi su quelle metodologie. Quelle sono solo due metodologie; sono abbastanza sicuro che ce ne siano molte altre ancora da scoprire o inventare. Il mio suggerimento sarebbe di mettere in discussione ciò che rende una disciplina una vera scienza.
Domanda: Se l’ottimizzazione matematica non è la migliore rappresentazione di come dovrebbe funzionare la supply chain nel mondo reale, perché il metodo del deep learning sarebbe migliore? Il deep learning non prende decisioni basate su decisioni ottimali precedenti?
In questa lezione, ho fatto una chiara distinzione tra l’ottimizzazione matematica come campo di ricerca indipendente e il deep learning come campo di ricerca indipendente, e l’ottimizzazione matematica come prospettiva applicata alla supply chain. Non sto criticando il fatto che l’ottimizzazione matematica come campo di ricerca sia invalida; anzi. In questo metodo di ottimizzazione sperimentale di cui sto discutendo, al centro della ricetta numerica avrai di solito un algoritmo di ottimizzazione matematica di qualche tipo. Il punto è l’ottimizzazione matematica come prospettiva; è questo che sto mettendo in discussione qui. So che è sottile, ma questa è una differenza critica che sto facendo. Il deep learning è una scienza ausiliaria. Il deep learning è un campo di ricerca separato, proprio come l’ottimizzazione matematica è un campo di ricerca separato. Sono entrambi grandi campi di ricerca, ma sono completamente indipendenti e distinti dagli studi sulla supply chain. Quello che ci preoccupa oggi è il miglioramento quantitativo delle supply chain. Di questo si tratta: metodi per fornire miglioramenti quantitativi nella supply chain in modo controllato, affidabile e misurabile. Questo è ciò che è in gioco qui.
Domanda: Può il reinforcement learning essere l’approccio giusto alla gestione della supply chain?
Innanzitutto, direi che è probabilmente l’approccio giusto per l’ottimizzazione della supply chain. È una distinzione che ho fatto in una delle mie lezioni precedenti: dal punto di vista del software, hai il lato della gestione con l’Enterprise Resource Management, e poi hai il lato dell’ottimizzazione. Il reinforcement learning è un altro campo di ricerca che può sfruttare anche elementi del deep learning e dell’ottimizzazione matematica. È il tipo di ingrediente che puoi utilizzare in questo metodo di ottimizzazione sperimentale. La parte critica sarà se hai i paradigmi di programmazione che possono importare quelle tecniche di reinforcement learning in modo da poter operare in modo molto fluido e iterativo. Questa è una grande sfida. Vuoi essere in grado di iterare, e se hai qualcosa che è un modello di reinforcement learning complesso e monolitico, allora avrai difficoltà, proprio come Lokad ha avuto nei primi anni quando cercavamo di utilizzare questi tipi di modelli monolitici in cui le nostre iterazioni erano molto lente. Sono stati necessari una serie di progressi tecnici per rendere l’iterazione un processo molto più fluido.
Domanda: L’ottimizzazione matematica è un elemento integrale del reinforcement learning?
Sì, il reinforcement learning è un sottoinsieme del machine learning, e il machine learning può essere visto come, in un certo senso, un sottoinsieme dell’ottimizzazione matematica. Tuttavia, la cosa è che quando fai questo, tutto è dentro tutto, e ciò che realmente differenzia tutti questi campi è che non adottano la stessa prospettiva sul problema. Tutti questi campi sono collegati, ma di solito ciò che li differenzia davvero è l’intento che hai.
Domanda: Come definisci una decisione insana nel contesto dei metodi di deep learning che spesso pensano a molte decisioni future?
Una decisione insana dipende dalle decisioni future. È esattamente ciò che ho dimostrato nell’esempio quando ho detto: “Avere una carenza di magazzino è un problema?” Beh, non è un problema se vedi che la prossima decisione che sta per essere presa è un riapprovvigionamento. Quindi, se ho qualificato questa situazione come insana o meno, dipendeva effettivamente da una decisione che stava per essere presa. Questo complica l’indagine, ma è esattamente di questo che si tratta quando dico che devi avere una strumentazione molto buona. Ad esempio, significa che quando indaghi su una situazione di mancanza di magazzino, devi essere in grado di proiettare le decisioni future che stai per prendere, in modo da poter vedere non solo i dati che hai, ma anche le decisioni che proietti di prendere in base alla tua ricetta numerica attuale. Vedi, è una questione di avere una strumentazione adeguata, e ancora una volta, non è un compito facile. Richiede un’intelligenza di livello umano; non puoi semplicemente automatizzare tutto ciò.
Domanda: Come funziona l’ottimizzazione sperimentale, l’individuazione dell’insanità e la ricerca di soluzioni nella pratica? Non posso aspettare che l’insanità si verifichi nella realtà, giusto?
Assolutamente corretto. Se torno all’inizio di questa lezione, ho menzionato due gruppi di persone: i fisici moderni e i marxisti. Il gruppo di fisici, quando ho detto che stavano facendo una scienza corretta, non era passivo, aspettando che le loro teorie fossero falsificate. Si stavano impegnando al massimo per progettare esperimenti incredibilmente intelligenti che avrebbero avuto la possibilità di confutare le loro teorie. Era un meccanismo molto proattivo.
Se guardi a cosa ha fatto Albert Einstein per la maggior parte della sua vita, era trovare modi intelligenti per mettere alla prova gli esperimenti le teorie di fisica che aveva inventato, almeno in parte. Quindi sì, non aspetti che la decisione insana accada. Ecco perché devi essere in grado di eseguire la tua ricetta ancora e ancora e investire tempo nella ricerca della decisione insana. Ovviamente, ci sono alcune decisioni, come quella con impraticabilità, in cui non c’è speranza: devi farlo in produzione, e poi il mondo reagirà. Ma per la grande maggioranza, le decisioni insane possono essere identificate semplicemente facendo esperimenti giorno dopo giorno. Ma hai bisogno di dati e devi avere il processo reale che genera le decisioni reali che potrebbero essere messe in produzione.
Domanda: Se una ricetta potrebbe essere interrotta a causa di un metodo matematico e/o di una prospettiva, e se non conosci questa altra prospettiva, come puoi scoprire di avere un problema di prospettiva, non un problema di metodo, e spingerti a scoprire un’altra prospettiva migliore per adattarsi al problema?
Questo è un grande problema. Come puoi vedere qualcosa che non c’è? Se torno all’esempio del personale della supply chain di Parigi, un’azienda di moda che opera negozi al dettaglio, immaginiamo per un attimo che tu abbia dimenticato di pensare all’effetto a lungo termine che hai avuto sulle abitudini dei tuoi clienti dando sconti di fine stagione. Non ti rendi conto che stai creando un’abitudine nella tua base di clienti. Come puoi mai rendertene conto? Questo è un problema di intelligenza generale. Non esiste una soluzione magica.
Devi fare una sessione di brainstorming, e tra l’altro, la risposta molto concreta di Lokad è che l’azienda ha sede a Parigi. Serviamo clienti in una ventina di paesi lontani, tra cui Australia, Russia, Stati Uniti e Canada. Perché ho messo tutti i miei team di scienziati della supply chain in un unico luogo anziché esternalizzarli ovunque? La risposta è perché avevo bisogno che queste persone fossero nello stesso luogo in modo che potessero parlare, fare brainstorming e proporre nuove idee. Di nuovo, questa è una soluzione molto low-tech, ma non posso promettere di meglio. Quando c’è qualcosa che non puoi vedere, come ad esempio la necessità di pensare alle implicazioni a lungo termine, e l’hai semplicemente dimenticato o non ci hai mai pensato, questo problema può essere molto ovvio e mancante. In una delle mie lezioni precedenti, ho dato l’esempio della valigia. Ci sono voluti 5.000 anni per arrivare all’invenzione che sarebbe stata una buona idea mettere le ruote sulle valigie. Le ruote sono state inventate migliaia di anni fa, e la versione migliore della valigia è stata inventata decenni dopo aver messo le persone sulla luna. Questo è il tipo di cosa in cui potrebbe esserci qualcosa di ovvio che non vedi. Non c’è una ricetta per quello; è solo intelligenza umana. Fai semplicemente ciò che hai.
Domanda: Le condizioni in continua evoluzione renderanno costantemente obsoleta la soluzione ottimale per la tua supply chain, giusto?
Sì e no. Dal punto di vista dell’ottimizzazione sperimentale, non esiste una soluzione ottimale. Hai soluzioni ottimizzate, ma la distinzione fa tutta la differenza. Le soluzioni ottimizzate sono lontane dall’essere ottimali. Ottimale è come dire, e mi ripeto, che esiste un limite invalicabile all’ingegno umano. Quindi, non c’è nulla di ottimale; è solo ottimizzato. E sì, man mano che passa ogni singolo giorno, il mercato si discosta da tutti gli esperimenti che hai fatto finora. L’evoluzione stessa del mondo degrada l’ottimizzazione che hai prodotto. Questo è solo il modo in cui è il mondo. Ci sono giorni, ad esempio, in cui si verifica una pandemia e la divergenza accelera enormemente. Di nuovo, questo è solo il modo in cui è il mondo. Il mondo sta cambiando e quindi la tua ricetta numerica deve cambiare insieme ad esso. Questa è una forza esterna, quindi sì, non c’è scampo; la soluzione dovrà essere rivisitata continuamente.
Questo è uno dei motivi per cui Lokad vende un abbonamento e diciamo ai nostri clienti: “No, non possiamo vendervi un supply chain scientist solo per la fase di implementazione. Questo è assurdo. Il mondo continuerà a cambiare; questo supply chain scientist che ha ideato la ricetta numerica dovrà essere presente fino alla fine dei tempi o finché non vi stancherete di noi.” Quindi, questa persona sarà in grado di adattare la ricetta numerica. Non c’è scampo; questo è solo il mondo esterno che continua a cambiare.
Domanda: Il percorso verso il problema, sebbene corretto, fa impazzire i dirigenti senior. Non riescono proprio a capire; pensano: ‘Come puoi rivedere il problema più volte durante la vita del progetto?’ Quali analogie conosciute della vita suggeriresti per portare avanti quelle conversazioni per dimostrare che si tratta di un problema ampiamente esistente?
Prima di tutto, è esattamente ciò che ho detto nell’ultima diapositiva in cui ho messo lo screenshot di The Matrix. Ad un certo punto, devi decidere se vuoi vivere in una fantasia o nel mondo reale. La gestione, sperabilmente, se la tua alta dirigenza aziendale è solo un gruppo di idioti, il mio unico suggerimento è che è meglio che tu vada in un’altra azienda perché non sono sicuro che questa azienda durerà a lungo. Ma la realtà è che penso che i manager non siano stupidi. Non vogliono occuparsi di problemi inventati. Se sei un manager in una grande azienda, hai persone che vengono da te dieci volte al giorno con un “problema importante”, che non è un vero problema. La risposta della dirigenza, che è una reazione corretta, è “Non c’è alcun problema, continua a fare quello che hai fatto. Mi dispiace, non ho tempo di rifare il mondo con te. Questo non è il modo giusto di affrontare il problema.” Hanno ragione a farlo perché, attraverso decenni di esperienza, riescono a risolverlo. Hanno euristiche migliori di quelle dei livelli inferiori della gerarchia.
Ma a volte c’è una preoccupazione molto reale. Ad esempio, la tua domanda è: come convincere la dirigenza superiore due decenni fa che l’e-commerce diventerà una forza dominante da considerare due decenni dopo? Ad un certo punto, devi semplicemente scegliere saggiamente le tue battaglie. Se la tua alta dirigenza non è stupida e arrivi a una riunione ben preparato, dicendo: “Ehi capo, ho questo problema. Non è uno scherzo. È una preoccupazione molto importante con milioni di dollari in gioco. Non sto scherzando. Questi sono un sacco di soldi che stiamo lasciando sul tavolo. Peggio ancora, sospetto che la maggior parte dei nostri concorrenti ci mangerà il pranzo se non facciamo nulla. Questo non è un punto secondario; si tratta di un problema molto reale. Ho bisogno che tu dedichi 20 minuti della tua attenzione.” Di nuovo, è raro che nelle grandi aziende la dirigenza superiore sia un gruppo di completi idioti. Possono essere occupati, ma non sono idioti.
Domanda: Quali sarebbero gli strumenti appropriati per le aziende manifatturiere: ottimizzazione sperimentale come Lokad, più ERP, più visualizzazione? Qual è il ruolo dei sistemi di pianificazione simultanea online?
La grande maggioranza dei nostri concorrenti si allinea alla prospettiva dell’ottimizzazione matematica sulle supply chain. Hanno definito il problema e implementato software per risolverlo. Quello che sto dicendo è che quando mettono il software alla prova e finisce inevitabilmente per produrre tonnellate di decisioni folli, dicono: “Oh, è perché non hai configurato correttamente il software.” Questo rende il prodotto software immune alla prova della realtà. Trovano modi per deviare le critiche anziché affrontarle.
Alla Lokad, questo metodo è emerso solo perché eravamo molto diversi dai nostri concorrenti. Non avevamo il lusso di avere una scusa. Come dice il detto, “Puoi avere scuse o risultati, ma non entrambi.” Alla Lokad, non avevamo l’opzione di fare scuse. Stavamo prendendo decisioni e non c’era nulla da configurare o regolare dal lato del cliente. La Lokad si confrontava frontalmente con le proprie inadeguatezze. Per quanto ne so, tutti i nostri concorrenti sono saldamente ancorati alla prospettiva dell’ottimizzazione matematica e soffrono di problemi che li rendono in qualche modo immuni alla realtà. Ad essere onesti, non sono completamente immuni alla realtà, ma finiscono per avere un ritmo di iterazione molto lento, come quello che ho descritto per la Lokad durante gli anni precedenti. Non sono completamente immuni alla realtà, ma il loro processo di miglioramento è estremamente lento e il mondo continua a cambiare.
Quello che inevitabilmente accade è che il software aziendale non cambia quasi quanto basta per stare al passo con il mondo in generale, quindi ti ritrovi con un software che sta solo invecchiando. Non sta davvero migliorando perché, ogni anno che passa, il software migliora, ma il mondo diventa sempre più strano e diverso. Il software aziendale si sta solo allontanando sempre di più da un mondo che è sempre più distante da dove è nato.
Domanda: Quali sarebbero gli strumenti appropriati per le aziende manifatturiere?
Il panorama adeguato è costituito da strumenti di gestione delle risorse aziendali che possono gestire tutti gli aspetti transazionali. Oltre a ciò, ciò che è davvero importante è avere una soluzione molto integrata per quanto riguarda la tua ricetta numerica. Non vuoi avere una pila tecnologica per la visualizzazione, un’altra per l’ottimizzazione, un’altra per l’indagine e un’altra ancora per la preparazione dei dati. Se finisci con mezza dozzina di pile tecnologiche per tutte queste cose diverse, avrai bisogno di un esercito di ingegneri del software per collegarle tutte insieme e finirai con qualcosa che è l’opposto dell’agilità.
È richiesta una competenza ingegneristica del software così elevata che non c’è spazio per la competenza effettiva nella supply chain. Ricorda, questo era il punto della mia terza lezione sulla consegna del software orientata al prodotto. Hai bisogno di qualcosa che un esperto di supply chain, non un ingegnere del software, possa gestire.
Questo è tutto. Ci vediamo tra due settimane, lo stesso giorno e alla stessa ora, per “Conoscenza negativa nella supply chain”.
Riferimenti
- La logica della scoperta scientifica, Karl Popper, 1934
