Prevedere il cambiamento climatico come un Supply Chain Planner

Joannes Vermorel

Trascrizione del discorso tenuto da Joannes Vermorel all’Ecole polytechnique a Palaiseau (Francia) venerdì, 3 giugno, per il simposio Artificial Intelligence, Digital and Climate Change. Il simposio è stato organizzato da Sylvain Le Corff, professore presso Telecom Sud Paris ed Eric Moulines, professore all’Ecole polytechnique ed eletto membro dell’Académie des sciences.

La mia competenza risiede nella supply chain science e nell’analisi predittiva della supply chain. La supply chain è, in linea di massima, il collante tra produzione e consumo: le materie prime devono essere acquistate, trasportate, trasformate e distribuite. Questo è l’oggetto della supply chain. Confesso subito che la supply chain science difficilmente rappresenterà il futuro della climatologia.

Tuttavia, le modern supply chains stanno già sfruttando su larga scala tecniche di previsione automatizzata. È esattamente questo che la mia azienda, Lokad, fa da oltre un decennio.

Durante questo decennio, ho appreso una serie di lezioni fondamentali sull’uso delle tecniche predittive, tipicamente algoritmi di machine learning, in contesti reali. La lezione più importante è che è meglio essere approssimativamente corretti anziché esattamente sbagliati. Tuttavia, quando guardo intorno, vedo tonnellate di sforzi di scienza dei dati profondamente fraintesi.

L’aspetto più insidioso del crunching dei dati è che gli algoritmi – o la tecnologia – possono dare un’illusione di razionalità, un’illusione di scienza. Eppure, troppo spesso, quegli sforzi mal indirizzati nell’analisi dei dati portano a conclusioni non migliori dell’astrologia. Nessun algoritmo ti salverà se affronti un problema nel modo sbagliato.

Per comprendere come il predictive modeling per la supply chain possa offrirci preziose lezioni per la previsione del cambiamento climatico, permettetemi di sottolineare che il clima e i mercati globali hanno molto in comune. In entrambi i casi, il nostro stile di vita è in gioco. In entrambi i casi, abbiamo sistemi complessi che non sono pienamente compresi. In entrambi i casi, ogni partecipante ha un impatto sul sistema, seppur minimo. Nell’insieme, una serie di piccoli impatti può generare un grande effetto. Eppure, i partecipanti hanno i propri incentivi, e perciò nulla è mai semplice.

Pertanto, valuterò, in stile supply chain, l’evoluzione del clima dalla prospettiva della Francia metropolitana, proprio come un’azienda utilizza le proprie quote di mercato per valutare il mercato.

Le supply chains mi hanno insegnato che il costo risiede sempre negli estremi. Piccoli eccessi di produzione e lievi carenze sono solitamente facili da sistemare; sono quelli grandi a decretare la rovina delle aziende. Pertanto, quando si prevede il cambiamento climatico, come pianificatore supply chain, non sono le piccole variazioni a interessarmi. La Francia ha un clima mite; e ricordate che qui adotto una prospettiva centrata sulla Francia.

La Francia avrebbe pochi o nessun problema ad accogliere, in media, temperature superiori o inferiori di due gradi. Allo stesso modo, potremmo avere il 10% in più di vento, o meno vento, o il 10% in più di pioggia, o meno pioggia, senza che ciò faccia quasi alcuna differenza. Permettetemi di chiarire subito che non sto dicendo che non ci sarebbero impatti. Sto semplicemente sottolineando che altri paesi – come la Danimarca o l’Italia – non hanno problemi a lungo termine associati a climi più freddi o più caldi, pur mantenendo uno stile di vita che, per tutti gli effetti, è quasi identico a quello che godiamo in Francia. Con il cambiamento del clima, si verificheranno aggiustamenti in una serie di ambiti che vanno dalla scelta delle colture per l’agricoltura allo spessore degli strati isolanti negli edifici. Tuttavia, tali evoluzioni sono modeste rispetto ad altre fonti di cambiamento che impattano la Francia.

Pertanto, come pianificatore supply chain, sono gli estremi climatici a catturare il mio interesse. Per valutare cosa ci si possa aspettare, dobbiamo esaminare gli estremi storici. Infatti, gli estremi futuri dovrebbero sempre essere stimati come maggiori rispetto a quelli passati. Questo è vero per i mercati ed è molto probabilmente vero anche per il clima. Quindi, diamo un’occhiata a ciò che la storia della Francia ci racconta.

Estate 1636¹, l’anno in cui Corneille scrisse Le Cid, ma anche l’anno di un’estate terribilmente calda. Le temperature a Parigi raggiunsero i 39°C per settimane. In un’estate si registrarono 500.000 decessi, per lo più neonati e bambini. La causa principale dei decessi fu l’acqua contaminata e malattie come la dissenteria. Il bilancio dei decessi, in relazione alla popolazione francese dell’epoca, è paragonabile a quello della Prima Guerra Mondiale, che durò poco più di 4 anni.

Pertanto, un prolungato 39°C per tutta l’estate, per l’intera Francia, dovrebbe costituire il riferimento per ciò a cui dobbiamo prepararci. Non è coinvolta quasi alcuna modellizzazione climatica in questa proposizione: si tratta di una lettura diretta della recente storia climatica francese. Se ciò è avvenuto quattro secoli fa, la mia ipotesi è semplicemente che potrebbe ripetersi la prossima estate.

Naturalmente, negli ultimi 2 secoli, la scienza medica e l’igiene hanno praticamente eliminato la dissenteria in Francia. Tuttavia, ciò significa che possiamo affrontare estati calde senza alcun problema? Se giudichiamo dagli eventi recenti dell’estate del 2003 in Francia, le estati calde presentano ancora rischi seri. L’ondata di caldo del 2003 durò appena 2 settimane, raggiungendo i 39°C a Parigi, e causò 15.000 decessi in Francia², prevalentemente tra gli anziani. Tuttavia, negli anni successivi, la diffusione dei sistemi di aria condizionata nelle abitazioni in Francia passò dal 4% nel 2005³ al 25% nel 2020⁴.

Qui stiamo affrontando un aspetto critico della previsione degli affari umani: le persone osservano, e le persone si adattano. Questo non influisce sempre negativamente sull’accuratezza delle previsioni - sebbene spesso lo faccia - ma l’ingegno umano contribuisce quasi sempre a rendere le previsioni a lungo termine irrilevanti. In effetti, tenete a mente che una previsione, qualsiasi previsione, è prima di tutto una scelta di modello. Il modello definisce il campo di battaglia: ciò che sarà previsto. Una previsione può essere molto accurata eppure completamente irrilevante. Questo è un pericolo che ogni azienda che gestisce una supply chain deve affrontare: i mercati stanno cambiando per natura, non solo crescendo o restringendosi.

Tornando agli estremi climatici, diamo ora un’occhiata al grande inverno del 1709. Nel mese di gennaio 1709⁵, le temperature a Parigi scesero a -20°C; questo è simile a un inverno rigido come quello di Québec. La Senna è ghiacciata solida come gli altri grandi fiumi della Francia. In 11 giorni, la Francia perse 100.000 persone a causa dell’ondata di freddo. In totale, l’inverno ha colpito 600.000 persone, per lo più famiglie povere. Ancora una volta, tali perdite sono paragonabili all’impatto totale della Prima Guerra Mondiale in Francia, tranne che, ancora una volta, il disastro si verifica in poche settimane, anziché in anni. Questo inverno faceva parte di un periodo noto come il Piccola Era Glaciale in Europa, che durò dalla metà del XIII secolo fino alla metà del XIX secolo.

Sebbene il fatto che la Senna a Parigi sia ghiacciata solida possa sorprendere questo pubblico, vale la pena notare che la latitudine nord di Parigi è 49° mentre quella di Québec è solo 47°. Quindi, geograficamente, Parigi si trova più a nord di Québec.

In ogni caso, nei secoli passati, la Senna si è ghiacciata solida molte volte. È una questione di storia, senza alcuna modellizzazione climatica coinvolta. Se un tale inverno è avvenuto tre secoli fa, la mia ipotesi rimane che potrebbe ripetersi il prossimo inverno.

Pertanto, consideriamo il tipo di problemi che sorgerebbero in Francia, se dovessimo subire un inverno canadese come quello accaduto in passato.

Il primo problema che mi viene in mente è: l’acqua. In Francia, le tubazioni dell’acqua sono solitamente interrate a 80 cm di profondità, mentre a Québec si trovano a 130 cm, e per buone ragioni. A 80 cm, le tubazioni si congelano e si rompono a Québec. Pertanto, un’ondata di freddo intensa in Francia distruggerebbe molto probabilmente una parte consistente della nostra infrastruttura di distribuzione dell’acqua.

Inoltre, i trasporti sarebbero gravemente colpiti. I truck canadesi utilizzano i riscaldatori di blocco perché il diesel si congela a -10°C. Non ho statistiche sulla diffusione dei riscaldatori di blocco sui camion in Francia, ma il tasso di equipaggiamento sembra essere molto limitato. Considerando che oltre il 98% dei veicoli professionali in Francia utilizza il diesel, è ragionevole supporre che quasi tutti tali veicoli diventino inoperativi durante un’ondata di freddo intensa.

Infine, anche la rete elettrica probabilmente subirebbe gravi blackout. Nel 2012⁶, un inverno particolarmente freddo, la Francia importava fino al 9% della sua elettricità dalla Germania. La porzione di energia che può essere spenta a volontà, principalmente dalle grandi aziende industriali, comporta una riduzione energetica di circa l'1%. Un brown-out controllato comporta una riduzione energetica aggiuntiva di circa il 3%. Oltre questo punto, l’unica opzione rimasta per la rete elettrica è tagliare alcune porzioni della stessa.

Tali problemi non sono teorici. Risulta che, quando ho discusso del caso dei grandi inverni con mio padre, questi problemi sono esattamente ciò che accadde a Saint Etienne nel 1956.

Il 1956 fu l’inverno più freddo del XX secolo in Francia. A Saint Etienne, la rete elettrica crollò. Le tubazioni dell’acqua scoppiarono. I veicoli smisero di funzionare. Al sud, persino il porto di Marsiglia si ghiacciò solido.

Le famiglie rimasero senza acqua, cibo o riscaldamento per giorni. Un’ispezione sommaria delle statistiche sui decessi dell’INSEE per febbraio 1956⁷ indica circa 15.000 decessi in più rispetto agli anni precedenti.

Questo rigido inverno del 1956 si verificò in una società del dopoguerra che faceva ancora poco affidamento sugli elettrodomestici elettrici. Inoltre, quella società usava ancora ampiamente il riscaldamento a legna, che non dipende dalla rete elettrica. Non ho dubbi che lo stesso inverno, oggi in Europa, avrebbe conseguenze molto più gravi.

Tornando alla nostra discussione sulla previsione climatica, è chiaro, a questo punto, che non sono le temperature future a contare veramente, ma le conseguenze di tali temperature. Lo stesso si può dire per tutte le altre variabili climatiche: vento, pioggia, ecc.

Se il primo errore di previsione nella “data science” è concentrarsi sulle medie anziché sugli estremi, il secondo errore è confondere artefatti numerici con conseguenze reali. Nella supply chain, questo concetto si riassume in le percentuali di errore di previsione sono irrilevanti, contano solo i dollari dell’errore.

In effetti, le previsioni sono artefatti numerici ingegnerizzati per supportare le decisioni. La qualità di tali previsioni dipende in larga misura dalla loro capacità di portare, in ultima analisi, a decisioni migliori.

Valutare la qualità delle previsioni basandosi solamente su indicatori statistici arbitrari indicatori come l’errore medio assoluto (MAE), l’errore quadratico medio (MSE) o l’errore percentuale medio assoluto (MAPE), che sono tutti completamente scollegati dalle conseguenze reali, è probabilmente uno degli errori più comuni che osservo tra i miei colleghi data scientist.

Personalmente mi riferisco a quelle previsioni come a previsioni isolate. Le previsioni isolate sono l’opposto delle profezie mitiche. Esse ricevono molta più attenzione di quanta ne meritino e, quando le persone prestano attenzione a tali previsioni, peggiorano soltanto la situazione.

Per capire perché le previsioni isolate sono sbagliate, bisogna rendersi conto che, nella supply chain – e sospetto anche nel clima – è semplice generare previsioni che siano allo stesso tempo estremamente accurate ed estremamente stupide.

Infatti, consideriamo un minimarket con riapprovvigionamenti giornalieri replenishments. Per quasi tutti i prodotti del minimarket, la previsione di vendita giornaliera più accurata è zero unità. In effetti, la maggior parte dei prodotti in un minimarket non viene nemmeno venduta una volta al giorno in media. Pertanto, una previsione di zero vendite è solitamente la più accurata, considerando l’errore medio assoluto.

Poi, se una previsione di zero vendite viene presa come input, il negozio non riapprovvigionerà nulla. In effetti, vendite previste pari a zero significano zero unità da riapprovvigionare. In poco tempo, tutti gli scaffali del minimarket saranno vuoti e, di conseguenza, avremo effettivamente zero vendite, rendendo questo modello di previsione a zero vendite al 100% accurato. Nel frattempo, il minimarket fallisce.

Questa situazione si verifica nella vita reale (con soluzioni di enterprise software che competono con Lokad). Si parla di un problema di congelamento degli stock. Per risolverlo, il modello deve prevedere la domanda invece di prevedere le vendite; tuttavia, questo è difficile, poiché le vendite sono osservate mentre la domanda non lo è.

In generale, le metriche statistiche di previsione danno l’illusione della scienza: ho progettato un modello di previsione che è dell'1% più accurato, dunque, il mio modello è dimostrabilmente migliore. Tuttavia, di solito non è così, e non sto nemmeno parlando di overfitting. Il problema che evidenzio è che inseguire una metrica statistica rende invariabilmente il modello peggiore. Il modello di previsione diventa esattamente sbagliato, mentre prima era approssimativamente corretto.

Non sono un esperto di clima, ma dal mio punto di vista in ambito supply chain, nei media – la stampa ma anche i social network – vedo un’abbondanza di previsioni climatiche isolate: previsioni che non sono collegate a nessun processo pratico di decision-making. Non metto in discussione l’accuratezza di tali previsioni; questo è un dibattito per i climatologi. Tuttavia, la mia esperienza nella supply chain mi dice che cercare di dedurre qualsiasi tipo di decisione reale basandosi su quelle previsioni isolate è una ricetta per conseguenze indesiderate, che tipicamente comporta lo spreco di tonnellate di risorse e spesso produce l’esatto opposto dell’intento originale.

Una buona previsione inizia con un problema da affrontare. Una volta che il problema è stato adeguatamente caratterizzato, procediamo all’indietro individuando i dati e le ricette numeriche adatte a supportare la decisione in questione.

Al contrario, una cattiva previsione inizia con un dataset fortuitamente disponibile e con un data scientist desideroso di testare l’ultimo articolo di machine learning su proprio questo dataset, possibilmente un articolo scritto dallo stesso data scientist.

Quindi, la mia conclusione, che vale sia per la supply chain sia per il clima, è che se vuoi distinguere le buone previsioni da quelle cattive, inizia rifiutando immediatamente le previsioni nude. Nulla di buono deriva mai da quelle previsioni. Poi, assicurati che le previsioni siano approssimativamente corrette, anziché essere esattamente sbagliate. E infine, cerca la vicinanza di quelle previsioni alle decisioni nel mondo reale. Se le persone che formulano le previsioni non devono subire le conseguenze di tali previsioni, allora la tua posizione predefinita dovrebbe essere di profondo scetticismo.