00:00:09 Introduzione e background di Nicolas Vandeput.
00:01:21 Il libro di Nicolas: Data Science For Supply Chain Forecast.
00:03:29 Progressi nei toolkit statistici open source.
00:05:36 Facilità di sperimentare con gli strumenti di previsione moderni.
00:06:17 Impatto ampio dell’open source software sull’industria.
00:08:03 L’uso di Python e R per la data science.
00:10:35 Impatto degli strumenti open source sui fornitori.
00:13:22 Ruolo dei fornitori nelle soluzioni di previsione.
00:14:26 Applicare la teoria negli ambienti di produzione.
00:15:38 Passare alla produzione: le sfide dei dati.
00:16:29 Gestire i problemi dei dati della supply chain.
00:18:05 Consolidamento dei dati per decisioni migliori.
00:19:56 Necessità di una cultura dei dati nella supply chain.
00:22:14 Educare per una migliore gestione della supply chain.
00:24:01 Regola di ottimizzazione e importanza della misurazione.
00:24:15 Svantaggi dell’open source nella supply chain.
00:25:37 Ruolo futuro di Lokad e il valore degli specialisti.
00:28:34 Sfide dell’evoluzione di Python e dell’open source.
00:31:37 Incoraggiare inizi semplici nella data science.
Riepilogo
Nicolas Vandeput e Joannes Vermorel discutono il ruolo trasformativo della data science nella previsione della supply chain. Vermorel sottolinea il focus di Lokad nel fornire un supporto analitico per il decision-making della supply chain, affrontando al contempo le sfide dei toolkit open source in rapida evoluzione. Vandeput rassicura che il suo libro semplifica le complessità della data science e del machine learning per la previsione della supply chain, incoraggiando i lettori a partire da modelli di base per poi aggiungere progressivamente complessità. Entrambi concordano sull’importanza dell’apprendimento continuo e dell’adattamento in questo campo in rapida evoluzione. Vandeput spera che il suo libro possa dare ai lettori la fiducia necessaria per applicare la data science nelle loro supply chain operations, inaugurando una nuova era di decisioni quantitative basate sui dati.
Riepilogo Esteso
Nell’intervista, Kieran Chandler, il conduttore, presenta Nicolas Vandeput, un supply chain scientist con un forte interesse per l’educazione, e Joannes Vermorel, il fondatore di Lokad. La discussione ruota principalmente attorno al nuovo libro di Vandeput, “Data Science For Supply Chain Forecast”.
Vandeput inizia evidenziando la sua passione per l’apprendimento e l’insegnamento, che lo ha portato a scrivere il suo libro. Esprime la sua fascinazione per il fiorente campo della data science e per le sue potenziali applicazioni alla gestione della supply chain, che egli identifica come un settore unico e complesso del business che può trarre grande beneficio dalle moderne tecniche basate sui dati. Afferma che il suo libro racchiude queste intuizioni, concentrandosi su come la data science possa essere utilizzata per migliorare le previsioni nel settore della supply chain.
Vandeput spiega che, tradizionalmente, la previsione della supply chain si basava principalmente su quelli che lui definisce metodi statistici “old school”. Tuttavia, con l’avvento e il progresso della data science, sono emersi nuovi modi di gestire e interpretare i dati. Il suo libro si propone di preparare i professionisti per questa nuova era, dando loro la possibilità di sfruttare la data science per migliorare le loro previsioni nella supply chain.
Vermorel aggiunge il suo punto di vista, sottolineando che ha trovato il libro di Vandeput estremamente prezioso, in particolare per i responsabili della supply chain che non hanno ancora sfruttato la data science. Suggerisce che i manager dovrebbero familiarizzare con il libro e incoraggiare i loro team a fare altrettanto.
Vermorel amplia la discussione osservando i significativi progressi nei toolkit statistici open source nell’ultimo decennio. Ricorda che, circa dieci anni fa, tali toolkit, pur essendo facilmente disponibili, erano progettati principalmente per i ricercatori e non erano adatti alla produzione a causa della loro complessità e della mancanza di una documentazione user-friendly.
Tuttavia, osserva che con l’ascesa della data science negli ultimi cinque-dieci anni, si è verificata una trasformazione. Molti professori universitari hanno iniziato a prestare attenzione all’usabilità di questi pacchetti statistici, garantendo che siano accessibili ai loro studenti. Ciò ha portato a un miglioramento della qualità della documentazione, a una maggiore coerenza nella terminologia tra i vari pacchetti e a un focus su tecniche mainstream, ampiamente applicabili.
Vermorel conclude il suo intervento riconoscendo gli sforzi della comunità open source, con l’aiuto del mondo accademico, nel produrre una serie di pacchetti statistici di alta qualità, accessibili e user-friendly, ora disponibili per i professionisti in vari settori, inclusa la gestione della supply chain. Ciò sottolinea l’importanza crescente della data science nelle pratiche aziendali contemporanee.
Il libro, ha osservato Vandeput, rende possibile per chiunque, munito di un laptop e di software gratuito, iniziare a generare previsioni sofisticate. La facile disponibilità di strumenti open source permette agli utenti di sperimentare e affinare i loro modelli di previsione in base alle loro esigenze specifiche, qualcosa che in passato sarebbe stato molto più difficile.
La conversazione si è poi spostata sull’impatto più ampio del software open source. Vermorel ha evidenziato che quasi tutto il software moderno è influenzato dalla programmazione open source, con i fornitori di cloud computing che fanno un pesante affidamento su piattaforme open source come Linux. Lo stesso Lokad, ha rivelato, utilizza il 90% di software open source nelle sue operazioni. L’aspetto rivoluzionario del software open source moderno non è solo la sua accessibilità, ma anche la qualità del packaging e della documentazione.
Vandeput ha sottolineato che oggi è più facile programmare in Python o R che in framework più vecchi come VBA o macro di Excel. Questo facile accesso e usabilità, ha detto, sono messaggi centrali del suo libro. Quando gli è stato chiesto se questo spostamento verso il software open source lo facesse sentire nervoso, Vermorel ha risposto che, sebbene rappresenti una sfida per i fornitori nel dimostrare il loro valore, funge anche da facilitante.
Vermorel ha osservato che se il valore esclusivo di un fornitore fosse implementare un modello di previsione semi-complicato, avrebbe difficoltà a competere con l’ecosistema open source. Il vero valore aggiunto, ha suggerito, risiede nel fornire soluzioni su larga scala, adatte alla produzione, per le sfide della supply chain, che coinvolgono più di semplici previsioni accurate.
Kieran Chandler, il conduttore, poi pone una domanda a Joannes Vermorel sul passaggio a una produzione concreta e sulle possibili sfide che potrebbero sorgere. Vermorel inizia sottolineando l’importanza della qualità dei dati, suggerendo che senza di essa, qualsiasi processo basato sui dati potrebbe produrre risultati di scarsa qualità (‘garbage in, garbage out’). Questa preoccupazione per la qualità dei dati si estende ad aree spesso trascurate nelle supply chain, come i dati sulle promozioni e sui stock outs. Sostiene che comprendere i modelli che sfruttano questi dati può aiutare i professionisti della supply chain a essere più consapevoli di queste aree trascurate.
Tuttavia, Vermorel riconosce anche che l’obiettivo principale di una supply chain non è compilare un database storico accurato; questo è un obiettivo secondario. Lokad aiuta i clienti ad accelerare la transizione verso un consolidamento di dati di qualità, potenzialmente attraverso più siti e sistemi. È importante comprendere come questi dati possano essere sfruttati. Inoltre, Lokad supporta la trasformazione di queste previsioni in decisioni per la supply chain, estendendo l’utilità delle previsioni all’azione.
La conversazione poi si sposta sulla mancanza di una cultura dei dati e della comprensione del machine learning nel settore della supply chain. Vandeput suggerisce che questo rappresenti un ostacolo significativo per molte aziende. Spesso, i progetti nella supply chain vengono ritardati a causa di dati insufficienti o di una mancata comprensione di ciò che il machine learning può realizzare. Ciò porta a discutere della necessità di cambiare questa cultura e di attribuire maggiore importanza alla disponibilità di dati corretti.
Vermorel suggerisce che l’educazione rappresenti un percorso da seguire, sottolineando gli sforzi suoi e di Vandeput per evangelizzare il mercato attraverso i rispettivi libri e altri materiali pubblicati. Sperando di vedere una nuova ondata di professionisti della supply chain avvicinarsi al settore con una mentalità quantitativa e ingegneristica.
Joannes Vermorel sottolinea la visione dell’azienda di fornire un supporto analitico al decision-making nella supply chain, piuttosto che agire come un repository per ERP o per il movimento dell’inventario. Discute anche dei rischi del rapido evolversi dell’ecosistema Python, incluso il problema di mantenere toolkit all’avanguardia. Nicolas Vandeput, a sua volta, assicura che la data science e il machine learning nella previsione della supply chain non siano eccessivamente complessi. Il suo libro punta a guidare i lettori a partire da modelli semplici per aggiungere gradualmente complessità. Entrambi gli oratori sottolineano la necessità di un apprendimento continuo e di un adattamento costante, con Vandeput che esprime la speranza che i lettori acquisiscano fiducia nella loro capacità di applicare la data science nei contesti della supply chain.
Trascrizione Completa
Kieran Chandler: Ciao, questa settimana su Lokad TV siamo in compagnia di Nicolas Vandeput, un supply chain scientist specializzato nella previsione della domanda. Oltre ad avere una solida esperienza tecnica nella gestione di una supply chain multinazionale, Nicolas ha anche un forte interesse per l’educazione. Ha insegnato all’Università di Bruxelles ed ha appena pubblicato il suo libro intitolato “Data Science for Supply Chain Forecasts.” Quindi, Nicolas, grazie mille per essere qui oggi. Come sempre, è davvero bello conoscere un po’ i nostri ospiti. Forse potresti iniziare spiegandoci un po’ di te stesso e raccontandoci come sei entrato nel mondo delle supply chain.
Nicolas Vandeput: Sì, come hai detto, sono molto interessato all’educazione e all’apprendimento. Mi piace passare il tempo leggendo libri, articoli e consultando blog online. Ho avuto l’opportunità di imparare molto, e ora sono estremamente felice di poter applicare quella conoscenza. A un certo punto ho sentito il bisogno di condividere ciò che avevo imparato, così ho scritto un libro per riassumere questo nuovo campo della data science. Penso che sia qualcosa di davvero nuovo, ed è anche unico applicarlo alla supply chain, che è un argomento specifico. Le persone usano la data science per il marketing online, ma la supply chain è un argomento diverso, perciò ho dedicato del tempo a unirli.
Kieran Chandler: Ok, quindi il libro si intitola “Data Science for Supply Chain Forecasts.” È un po’ prolisso, ma di cosa tratta?
Nicolas Vandeput: Esattamente come dice il titolo: riguarda la supply chain e come applicare la data science per ottenere previsioni all’interno della supply chain. In passato, le persone utilizzavano quella che mi piace definire “statistiche old school”, che comportavano molte domande differenti. Ora che siamo entrati in un nuovo mondo della data science, alcune domande rimangono, ma ne sorgono anche di nuove. Dobbiamo trovare nuovi modi di gestire i dati, e questo libro serve a preparare le persone per questa nuova era.
Kieran Chandler: Come sempre, siamo in compagnia di Joannes Vermorel, il fondatore di Lokad. Joannes, hai dato un’occhiata al libro. Qual è la tua prospettiva a riguardo?
Joannes Vermorel: Sì, ho dato un’occhiata e ho avuto l’opportunità di rivedere il manoscritto. È molto buono. Raccomando ai responsabili della supply chain, che non hanno in team qualcuno con competenze in data science, di procurarsi una copia e leggere almeno i primi capitoli. Successivamente, fate leggere anche gli altri capitoli ai membri del vostro team e, magari, mettete in pratica quanto appreso. Ciò che è davvero interessante è il fantastico progresso dei toolkit statistici open source. Fino a 10 anni fa, venivano usati principalmente dai ricercatori per dimostrare concetti ad altri ricercatori. Il codice esisteva, ma era disordinato, di livello di ricerca, non adatto alla produzione, e la documentazione era spesso inesistente.
Kieran Chandler: Joannes, puoi parlarci di più del nuovo libro di Nicolas, “Data Science for Supply Chain Forecast”?
Joannes Vermorel: In questo libro, Nicolas prende le parti migliori di Python e i pacchetti più rilevanti per dimostrare come si possano ottenere previsioni quasi allo stato dell’arte con un minimo sforzo, il che è davvero impressionante.
Kieran Chandler: Nicolas, cosa è cambiato nella comunità open source che ha migliorato la qualità di ciò che era disponibile?
Nicolas Vandeput: Penso che la questione ruoti attorno a quanto sia facile creare una previsione. Dieci anni fa, sarebbe stato un caos, e questo libro non sarebbe stato possibile. Sarebbe stato rivolto a professionisti estremamente motivati. Ma oggi, qualsiasi professionista con un pizzico di curiosità e passione può farlo. È piuttosto semplice; hai solo bisogno del tuo laptop con software gratuito, e puoi iniziare con un linguaggio davvero facile. Qualche anno fa, ciò non sarebbe stato possibile. Sarebbe stato molto più complesso. Quindi ora, hai la possibilità di testare qualcosa da solo gratuitamente, e da lì, hai la possibilità di sperimentare. Poiché è facile sperimentare, puoi fare più esperimenti e poi perfezionare la previsione, il codice e la data science in base al tuo caso specifico. In passato, ciò non sarebbe stato possibile.
Kieran Chandler: Joannes, non è solo il mondo delle previsioni ad avvantaggiarsi del software open-source. Hai degli esempi di altri settori che hanno realmente beneficiato dall’avere toolkit open-source disponibili?
Joannes Vermorel: Il movimento open-source è incredibilmente vasto, quindi praticamente tutto il mondo del software oggi è influenzato dall’open-source. Tutti i principali fornitori di cloud computing gestiscono i loro cloud basati su Linux, e anche da Lokad, il 90% del software che utilizziamo è open-source. Anche Microsoft, che per caso usiamo, utilizza molto Linux su Azure. Lo stesso .NET framework è open-source, e il deep learning toolkit che usiamo, il CNTK, è anche un prodotto open-source di Microsoft. Da Lokad, rilasciamo anche parecchi componenti come open-source. Questo movimento è in atto da decenni.
Ciò che è interessante, e rilevante per le previsioni e la supply chain, non è solo il fatto che il software sia open-source, ma che esistono componenti open-source ben confezionate e ben documentate. Questo cambia completamente le regole del gioco. Significa la differenza tra iniziare con qualcosa di semplice, come una regressione lineare, in 20 righe di codice dirette, rispetto a dover scrivere 200 righe di codice e spendere un mese per mettere insieme tutti i pezzi del software solo per avere qualcosa che compili. Prima si aveva codice incompatibile che andava in crash quando veniva combinato, e bastava un mese di integrazione per far funzionare qualcosa pubblicato da qualcun altro. Ora, configurare l’intero ambiente Python per la data science richiede solo un paio di pagine nel libro. Basta installare Anaconda, ed è fatto.
Kieran Chandler: Joannes, potresti parlarci del sottosistema Linux su Windows e di come influisca sulla facilità di accesso a questi strumenti?
Joannes Vermorel: Il sottosistema Linux su Windows consente a questi strumenti di funzionare praticamente su qualsiasi distribuzione Linux, e anche su sistemi Windows. Il libro dimostra la facilità di accesso a questi strumenti, che è cambiata significativamente grazie all’open source e ai pacchetti di livello produttivo.
Nicolas Vandeput: Vorrei aggiungere che nel libro discuto di professionisti che facevano affidamento su VBA e macro in Excel. Mi sembrava sempre complesso e pieno di bug. Quando suggerisci di usare Python o un altro linguaggio, la gente spesso pensa che sia troppo complesso. Tuttavia, il mio messaggio nel libro è che in realtà è molto più semplice utilizzare framework open come Python o R, rispetto a VBA o alle macro di Excel.
Kieran Chandler: Joannes, con tutti questi strumenti di forecasting open-source facili da usare, ti mette in ansia come fornitore di software aziendale come Lokad?
Joannes Vermorel: Come fornitore di software aziendale, facciamo parte dell’ecosistema e siamo anche un facilitatore. Anche noi usiamo questi strumenti open-source, quindi non dobbiamo ricostruire tutto da zero. La sfida è trovare il nostro valore aggiunto. Se il tuo valore aggiunto consiste solo nell’implementare modelli di forecasting semi-complicati, allora non offri un vero valore aggiunto rispetto all’ecosistema. Il libro evidenzia che i fornitori che vendono un toolkit con alcuni modelli di previsioni non offrono molto valore rispetto alle popolari librerie Python. Tuttavia, c’è ancora potenziale nel fornire soluzioni di livello produttivo e nel gestire le sfide della supply chain su larga scala, obiettivo a cui Lokad aspira.
Nicolas Vandeput: Sono d’accordo con Joannes. Molti professionisti e studenti nel mondo della supply chain vedono ancora il machine learning come una parola d’ordine o qualcosa che non durerà. In realtà, è qui per restare. Se leggi il mio libro e ti prendi il tempo per impararne di più, vedrai quanto può essere utile e accessibile per l’ottimizzazione della supply chain.
Kieran Chandler: Quindi, leggendo il libro, sei molto più preparato per ottenere una soluzione come quella di Lokad che può fare un ulteriore passo in avanti. Come hai detto, può far funzionare l’intera soluzione end-to-end. Naturalmente, per eseguire una previsione in un ambiente super-agent, serve anche un processo completo di revisione con persone, eccetera. Quindi, il popolamento dei numeri nella previsione è solo un passaggio nell’intero processo. Puoi parlarci di come le idee del libro possano essere implementate?
Nicolas Vandeput: L’obiettivo del libro è semplicemente discutere quel passaggio specifico. Non è perché hai letto il libro che devi farlo da solo. Puoi anche rivolgerti ad altri fornitori come Lokad per capire: “Ho letto questo nel libro, come funziona per voi? Come possiamo implementarlo? Ho quest’idea, funzionerebbe? Possiamo testarla?” E così, inizi a comprendere cosa stanno realmente facendo fornitori di software come Lokad.
Kieran Chandler: Molte di queste idee sono state sviluppate da una prospettiva teorica. Possono essere applicate in modo produttivo?
Nicolas Vandeput: Sì, assolutamente. Queste nuove tecniche di previsione esistono da molto tempo. Voglio dire, la teoria delle reti neurali è stata introdotta per la prima volta negli anni ‘60, e anche il primo metodo descritto nel libro risale a quel periodo. Le utilizziamo oggi in un ambiente di previsione solo perché è diventato più semplice eseguirle. Forse dieci anni fa non era così, e ora la gente ne è più consapevole. Sicuramente puoi farne uso. Ciò che è veramente interessante nella data science, ed è uno degli scopi principali del libro, è che essa è veramente scienza. Puoi testarla, fare esperimenti e ripetere i test con i dati. Ecco perché si chiama data science. Puoi verificare tu stesso: “Funziona? Sì o no?” Potrebbe non funzionare, ma poi puoi pensare: “Progetterò un nuovo esperimento, includerò nuovi elementi o rimuoverò ciò che non serve, per vedere se funziona meglio.” Quindi, è davvero una scienza in cui puoi dimostrare che la tua previsione migliorerà, e usarla solo dopo averlo verificato.
Kieran Chandler: Quindi, può essere usata come un ulteriore proof of concept prima di avvicinarti a qualcuno come Lokad e dire: “Joannes, quando parliamo di passare a una modalità di produzione e di utilizzo quotidiano, quali sono le sfide che le persone potrebbero incontrare? E in cosa può veramente aiutare Lokad nell’intero processo?”
Joannes Vermorel: Prima di tutto, bisogna ottenere dati di qualità. Se non hai dati sufficientemente qualificati, otterrai come output spazzatura. La cosa interessante di questo libro è che offre agli operatori della supply chain un assaggio di ciò che fanno i modelli, dei tipi di elementi che possono sfruttare, e questo li aiuta a capire meglio perché è necessario iniziare a prestare attenzione ora a una serie di aree grigie nelle supply chain, come ad esempio le promozioni. Di norma, i dati relativi alle promozioni sono un vero disastro. Lo stesso vale per le esaurienze di scorte. Spesso non esistono dati storici adeguati che riflettano tutte le esaurienze, quindi non sai se hai registrato zero vendite perché non c’era domanda oppure perché il prodotto era esaurito.
Quindi, conoscere meglio il tipo di modello che può sfruttare i dati può renderti più incline a valutare se il tuo processo esistente è adeguato. L’obiettivo primario di una supply chain è mantenere in movimento il flusso delle merci.
Kieran Chandler: Quindi, l’obiettivo primario di una supply chain è compilare un database storico accurato. Questo è il primo obiettivo. Il secondo obiettivo è servire tutti, mantenere la produzione in funzione e garantire la soddisfazione del cliente. Tuttavia, l’esecuzione del secondo obiettivo non è spesso della stessa qualità del primo. Per accelerare questa transizione e raggiungere la consolidazione dei dati su larga scala in più sedi, dobbiamo ampliare i nostri orizzonti. Joannes, potresti approfondire questo aspetto?
Joannes Vermorel: Quando iniziamo a lavorare con i clienti, incontriamo spesso la sfida della consolidazione dei dati e dell’esecuzione. Molti clienti non sono consapevoli che si possano applicare ricette numeriche avanzate alle previsioni per generare decisioni migliori. Leggere il libro sulla data science può ampliare i tuoi orizzonti e offrire spunti su come eseguire la supply chain in modo più efficiente. Ti aiuta a vedere il quadro generale sia prima che dopo la previsione, dalla produzione allo sfruttamento delle previsioni per prendere decisioni più intelligenti.
Nicolas Vandeput: I responsabili della supply chain mancano di due elementi cruciali per estrarre insight azionabili dalla data science e dal machine learning. Il primo è una cultura dei dati, che manca in circa il 99% delle aziende nel mondo. Molte aziende sono ancora a caccia di soluzioni d’emergenza con fogli di calcolo disordinati e non si rendono conto dell’importanza di dati adeguati. Questo libro mira a dimostrare che, con dati corretti, si può ottenere una scienza valida, previsioni accurate ed esperimenti efficaci. Senza dati, molti progetti subiscono ritardi, e i giornalisti possono confermarlo. Il secondo elemento è la carenza di talento e di comprensione del machine learning e della data science nella gestione della supply chain. Dobbiamo cambiare questa cultura e sensibilizzare sul valore dei dati.
Kieran Chandler: Assolutamente, avere dati corretti è fondamentale. Dovrebbe essere come un comandamento: “Pulisci i tuoi dati.” Ma come possiamo portare questo cambiamento culturale? Come possiamo evangelizzare il mercato e sottolineare l’importanza di avere i dati giusti?
Joannes Vermorel: Beh, scherzando, potremmo creare un culto in cui dati migliori siano obbligatori, quasi come un comandamento sacro. Ma seriamente, credo che dobbiamo promuovere la comprensione e la consapevolezza. Possiamo educare il mercato e dare maggiore importanza al valore dei dati puliti e accurati. Facendo così, possiamo creare un cambiamento culturale e assicurarci che avere i dati corretti diventi una priorità assoluta per la gestione della supply chain.
Kieran Chandler: Quando manca la consapevolezza di ciò che si può fare con il deep learning e non si ha esperienza in merito, è davvero difficile coglierne il senso, vero?
Joannes Vermorel: Infatti, è una sfida. Penso che un buon punto di partenza sia immergersi nell’analisi dei dati senza perdersi completamente nei dettagli tecnici. Non dovrebbe servire un team IT solo per configurare gli ambienti. È molto importante capire cosa fa scattare il funzionamento di questi metodi, cosa li rende efficaci. Non è magia.
Demistificare tutto ciò è importante. Da Lokad, abbiamo cercato di evangelizzare il mercato. L’educazione è la via da seguire. Nicolas sta pubblicando un libro, il che è eccellente. Anche noi abbiamo pubblicato un libro e parecchie altre cose, inclusa un’ampia base di conoscenza sul sito web di Lokad. Ma sì, in definitiva, tutto si riduce all’educazione.
Quello che osservo è una nuova ondata di professionisti della supply chain che entrano nel settore con un mindset più ingegneristico, più quantitativo. Vuoi avere numeri e elementi replicabili. La leadership è essenziale nella supply chain, poiché coinvolge molte persone, paesi e sedi. Ma se hai una leadership senza alcun tipo di mentalità ingegneristica o quantitativa, è difficile ottimizzare qualcosa. Appena inizi a usare la parola “ottimizzare”, la regola fondamentale è che non puoi ottimizzare ciò che non misuri. E questo porta alla domanda: come misuri? E allora hai bisogno dei dati.
Kieran Chandler: Nicolas, abbiamo parlato molto dei benefici derivanti dall’utilizzo di questi toolkit open-source. Che mi dici invece degli svantaggi? Dove vedi delle criticità nell’utilizzo di questi strumenti?
Nicolas Vandeput: Come abbiamo discusso, e penso che questo sia davvero importante, il mondo della supply chain riguarda molte interazioni tra prodotti, persone, diversi team e così via. Il processo di forecasting è molto lungo e coinvolge numerosi stakeholder. Il mio libro sostiene che, negli ultimi decenni, abbiamo utilizzato le stesse tecniche. Se guardi agli anni ‘80 e ‘90, troverai lo stesso motore di previsione di oggi. Quindi, in sostanza, nulla è cambiato.
Sto suggerendo che possiamo cambiare questo aspetto molto specifico, ma ovviamente ciò non basta. L’intero processo deve evolversi. Usare solo Python non risolverà un processo che non funziona: migliorerà solo i numeri della previsione, ma occorre ancora considerare l’intero processo.
Kieran Chandler: Joannes, sembri molto fiducioso che ci sarà sempre spazio per Lokad. Guardando al futuro, dove pensi che si posizioni realmente nel mercato?
Joannes Vermorel: Prima di tutto, credo che anche parlando di previsioni pure, abbiamo ancora margine per ottenere previsioni migliori. Ma “migliore” è più complicato che mai. È una cosa dire di avere una previsione migliore in termini di errore medio assoluto, ma non appena entri nel mondo probabilistico, è un altro gioco.
Se inizi a dire: “Voglio prevedere la domanda, ma non per domani, bensì su un orizzonte probabilistico che corrisponde al momento in cui arriverà il mio container”, allora diventa una domanda che inizia in un punto temporale incerto del futuro e termina in un altro punto altrettanto incerto. Le cose possono diventare molto complicate con più dimensioni. Inoltre, se includi fattori come la probabilità che il mio concorrente abbassi il prezzo, il che influenzerebbe in modo specifico la forma della domanda, capisci che l’accuratezza della previsione non è un concetto unidimensionale. Essa comporta una complessità da affrontare a 360°.
Kieran Chandler: Improvvisamente, i tuoi modelli diventano complessi, anche se disponi di ottimi toolkit open-source. Integrare tutto questo in modo privo di bug, a livello produttivo e scalabile, richiede ancora moltissime altre attenzioni.
Joannes Vermorel: Sì, se consideriamo l’angolo puramente delle previsioni, credo che sia un approccio. Ma, da Lokad, la nostra visione è quella di avere uno strato analitico end-to-end più profondo per generare decisioni intelligenti per una determinata supply chain. Non gestiamo sistemi di supply chain, non siamo un ERP. Non vogliamo essere il repository di tutti i movimenti di inventario. Abbiamo una copia di questi dati, ma siamo lo strato analitico intelligente.
Questa è la visione. E ancora, anche se Lokad fosse interamente costruito con strumenti open-source, c’è comunque valore nel mettere tutto insieme. Ad esempio, le piattaforme di cloud computing attualmente disponibili sono un gigantesco mix di componenti open-source, ma la gente preferisce optare per Amazon perché potresti farlo da solo. Potresti avere il tuo cloud privato, ma richiede uno sforzo così enorme per integrare tutto che, a un certo punto, conviene affidarsi a specialisti che lo facciano per te.
Un aspetto negativo che vedo in questo ecosistema di Python e open source, in modo molto specifico, è che si evolve così velocemente. Se lo fai da solo, c’è un pericolo: scegli una variante di Python e un toolkit, e poi, dopo due anni, c’è qualcosa di notevolmente migliorato. All’improvviso, eri all’avanguardia e ora non lo sei più, semplicemente perché il mondo ha continuato a muoversi e un laboratorio ha appena prodotto un nuovo toolkit.
Ad esempio, Scikit dominava praticamente in tutto fino a un paio d’anni fa, ma ora PyTorch sta completamente mettendo in discussione l’intero concetto introducendo il deep learning e programmazione differenziabile nella mischia. Quindi sorge una domanda: chi è responsabile di rivedere ciò che hai implementato due anni fa e di rinnovarlo con la variante del momento? Un buon fornitore si occuperebbe di assicurarsi che la tua soluzione di data science venga rivista di routine e probabilmente riscritta regolarmente per rimanere all’avanguardia.
Non so quanto durerà questa età d’oro dei progressi nella data science, ma non mi sorprenderebbe se, per qualcosa come il prossimo decennio, ogni due anni vedessimo dei progressi fantastici in cui la nuova variante è di gran lunga migliore della precedente. Potrebbero esserci categorie di problemi che sembrano estremamente difficili da affrontare ma che diventano accessibili.
Nicolas Vandeput: Se posso aggiungere qualcosa, penso sia davvero interessante che Joannes abbia menzionato la complessità che Lokad è in grado di gestire. Ho lavorato personalmente con il team di Lokad, quindi so di cosa sono capaci. Uno dei messaggi del mio libro, e questo per me è davvero importante, è far capire alle persone che ce la possono fare.
Alcune persone potrebbero aver sentito quello che dice Joannes e pensare: “Wow, la data science e il machine learning sembrano davvero complessi, forse non fa per me.” Desidero davvero rassicurare le persone dicendo: “No, non è così complesso. Puoi iniziare con un modello semplice.” E in realtà, come dimostra il libro, puoi iniziare abbastanza facilmente con un modello molto semplice che è già estremamente valido così com’è. Da lì, puoi poi aggiungere livelli, magari modificare un po’ il sistema, i dati, magari introdurre un altro modello, e così via.
Quindi, puoi davvero iniziare in modo semplice con qualcosa che già funziona molto bene, e da lì poi passare a questioni più complesse. Questo è davvero il messaggio che desidero trasmettere nel libro: puoi iniziare in modo semplice e poi progredire.
Kieran Chandler: Puoi aiutarci a capire come determinare se un modello sta funzionando? Possiamo testarlo? Possiamo replicarlo? Questi principi sembrano applicarsi ai modelli semplici, ma una volta afferrati per un modello di base, possono essere compresi anche in modelli molto più complessi?
Nicolas Vandeput: Assolutamente, consiglio fortemente alle persone di iniziare in modo semplice. Una volta che hai preso confidenza con le basi, puoi poi passare a qualcosa di molto più complesso.
Kieran Chandler: Questo mi porta abbastanza direttamente alla mia ultima domanda. Quali sono le tue speranze per i lettori del tuo libro e per l’uso dei toolkit open source in futuro?
Nicolas Vandeput: La mia visione, e in effetti la mia speranza, è che le persone leggano questo libro e acquisiscano fiducia nelle proprie capacità. Alla fine del libro, voglio che possano dire a se stessi: “Sì, ce la posso fare davvero. Non sembra poi così complesso.” Forse due settimane fa non sapevano programmare, ma alla fine, voglio che tutto appaia molto semplice per loro. Desidero che queste persone inizino a sperimentare da sole, a vivere veramente la data science e a provare nuovi modelli. Spero che diventino i nuovi leader nella gestione della supply chain. Questo è anche uno dei messaggi di Lokad. Siamo già in un mondo quantitativo della supply chain dove puoi sperimentare e implementare soluzioni che funzionano costantemente. Per fare ciò, hai bisogno della data science. Quindi, spero davvero che il libro dia alle persone la possibilità di fare tutto ciò da soli.
Kieran Chandler: Dovremo concludere, ma grazie per il tuo tempo oggi, Nicolas.
Nicolas Vandeput: Grazie.
Kieran Chandler: Il libro, “Data Science for Supply Chain Forecast”, è ora disponibile. Assicurati di dargli un’occhiata su Amazon. Qui a Lokad TV, torneremo presto con un altro episodio. Ma fino ad allora, grazie per averci seguito.
Joannes Vermorel: Grazie.
