Data Science per la previsione della supply chain (con Nicolas Vandeput)

00:00:09 Introduzione e background di Nicolas Vandeput.
00:01:21 Il libro di Nicolas: Data Science per la previsione della supply chain.
00:03:29 Progressi nei toolkit statistici open source.
00:05:36 Facilità di sperimentazione con strumenti di previsione moderni.
00:06:17 Ampio impatto dell’open source nel settore del software.
00:08:03 Utilizzo 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 Applicazione della teoria in ambienti di produzione.
00:15:38 Passaggio alla produzione: sfide dei dati.
00:16:29 Gestione dei 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 Educazione 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 valore degli specialisti.
00:28:34 Sfide dell’evoluzione di Python e dell’open source.
00:31:37 Incoraggiare inizi semplici nella data science.

Riassunto

Nicolas Vandeput e Joannes Vermorel discutono del ruolo trasformativo della data science nella previsione della supply chain. Vermorel sottolinea l’attenzione di Lokad nel fornire un sovrapposizione analitica per la presa di decisioni nella supply chain, affrontando nel contempo le sfide dei toolkit open source in rapida evoluzione. Vandeput assicura 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 e ad aggiungere progressivamente complessità. Entrambi concordano sull’importanza dell’apprendimento continuo e dell’adattamento in questo settore in rapida evoluzione. Vandeput spera che il suo libro permetta ai lettori di applicare con fiducia la data science nelle loro operazioni di supply chain, aprendo così una nuova era di decision making quantitativo basato sui dati.

Riassunto 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 libro appena pubblicato di Vandeput, “Data Science per la previsione della supply chain”.

Vandeput inizia sottolineando la sua passione per l’apprendimento e l’insegnamento, che lo ha portato a scrivere il suo libro. Esprime il suo fascino per il campo in rapida crescita della data science e le sue potenziali applicazioni nella gestione della supply chain, che identifica come un’area unica e complessa del business che può trarre grandi benefici dalle moderne tecniche basate sui dati. Afferma che il suo libro racchiude queste intuizioni, concentrandosi su come la data science può essere sfruttata per migliorare le previsioni nel settore della supply chain.

Vandeput spiega che, tradizionalmente, la previsione della supply chain si basava principalmente su quello che lui chiama “vecchi metodi” statistici. Tuttavia, con l’avvento e il progresso della data science, sono emersi nuovi modi di gestire e interpretare i dati. Il suo libro cerca di preparare i professionisti per questa nuova era, permettendo loro di sfruttare la data science per migliorare le loro previsioni della supply chain.

Vermorel aggiunge la sua prospettiva, sottolineando che ha trovato il libro di Vandeput molto prezioso, soprattutto per i responsabili della supply chain che devono ancora approfondire la data science. Suggerisce che i responsabili dovrebbero familiarizzare con il libro e incoraggiare anche i loro team a farlo.

Vermorel approfondisce la discussione notando i significativi progressi compiuti negli strumenti statistici open-source negli ultimi dieci anni. Ricorda che, circa dieci anni fa, tali strumenti, sebbene facilmente disponibili, erano principalmente progettati per i ricercatori e non erano di qualità professionale a causa della loro complessità e della mancanza di documentazione user-friendly.

Tuttavia, nota che con la crescita 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, assicurandosi che siano accessibili ai loro studenti. Ciò ha portato a un miglioramento della qualità della documentazione, alla coerenza della terminologia tra diversi pacchetti e a un focus su tecniche di largo impiego e ampiamente applicabili.

Vermorel conclude il suo punto riconoscendo gli sforzi della comunità open-source, con l’aiuto del mondo accademico, nella produzione di una serie di pacchetti statistici di alta qualità, accessibili e user-friendly che sono ora disponibili per i professionisti di vari settori, compresa la gestione della supply chain. Questo sottolinea l’importanza crescente della data science nelle pratiche aziendali contemporanee.

Vandeput ha osservato che il libro rende possibile per chiunque con un laptop e software gratuito iniziare a generare previsioni sofisticate. La disponibilità di strumenti open-source consente agli utenti di sperimentare e perfezionare i loro modelli di previsione per le loro esigenze specifiche, cosa che sarebbe stata molto più difficile in passato.

La conversazione si è poi spostata sull’impatto più ampio del software open-source. Vermorel ha sottolineato che quasi tutto il software moderno è influenzato dalla programmazione open-source, con i fornitori di servizi di cloud computing che si affidano pesantemente a piattaforme open-source come Linux. Lokad stessa, ha rivelato, utilizza il 90% di software open-source nelle sue operazioni. L’aspetto chiave che cambia il gioco del moderno software open-source non è solo la sua accessibilità, ma la qualità del suo packaging e della sua documentazione.

Vandeput ha sottolineato che ora è più facile programmare in Python o R rispetto a framework più vecchi come VBA o Excel macros. Questo facile accesso e usabilità, ha detto, sono i messaggi centrali del suo libro. Alla domanda se questo passaggio verso il software open-source lo rendesse nervoso, Vermorel ha risposto che sebbene rappresenti una sfida per i fornitori nel dimostrare il loro valore, agisce anche come un facilitatore.

Vermorel ha osservato che se il valore unico di un fornitore è l’implementazione di un modello di previsione semi-complicato, avrebbe difficoltà a competere con l’ecosistema open-source. Il vero valore aggiunto, ha suggerito, consiste nel fornire soluzioni su larga scala e di qualità professionale per le sfide della supply chain, che coinvolgono più di semplici previsioni accurate.

Kieran Chandler, il conduttore, pone quindi una domanda a Joannes Vermorel sulla transizione verso una base di produzione e le sfide che potrebbero sorgere. Vermorel inizia sottolineando l’importanza dei dati di qualità, suggerendo che senza di essi, qualsiasi processo basato sui dati potrebbe produrre “spazzatura dentro, spazzatura fuori”. Questa preoccupazione per la qualità dei dati si estende ad aree spesso trascurate nelle supply chain, come i dati sulle promozioni e le rotture di stock. 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 la consolidazione dei dati di qualità, potenzialmente su più siti e sistemi. Comprendere come questi dati possono essere sfruttati è importante. Inoltre, Lokad aiuta a trasformare queste previsioni in decisioni sulla supply chain, estendendo l’utilità delle previsioni in azione.

La conversazione si sposta quindi sulla mancanza di cultura dei dati e comprensione del machine learning nel settore della supply chain. Vandeput suggerisce che questo è un ostacolo significativo per molte aziende. Spesso, i progetti di supply chain vengono ritardati a causa di dati insufficienti o di una comprensione limitata di ciò che il machine learning può realizzare. Ciò porta a una discussione sulla necessità di cambiare questa cultura e aumentare l’importanza attribuita all’aver dati corretti.

Vermorel suggerisce che l’educazione sia una strada da percorrere, facendo riferimento ai suoi e agli sforzi di Vandeput nel evangelizzare il mercato attraverso i rispettivi libri e altri materiali pubblicati. Spera di vedere una nuova ondata di professionisti della supply chain che si avvicinano al campo con una mentalità quantitativa e ingegneristica.

Joannes Vermorel sottolinea la visione dell’azienda di fornire un sovrapposizione analitica alle decisioni sulla supply chain, anziché agire come un ERP o un repository di movimento delle scorte. Discute anche dei rischi dell’ecosistema Python in rapida evoluzione, compresa la sfida di mantenere toolkit all’avanguardia. Nicolas Vandeput, a sua volta, assicura che la scienza dei dati e il machine learning nella previsione della supply chain non siano eccessivamente complessi. Il suo libro mira a guidare i lettori a partire da modelli semplici e ad aggiungere gradualmente complessità. Entrambi gli speaker sottolineano la necessità di un apprendimento e un adattamento continui, con Vandeput che esprime la speranza che i lettori acquisiscano fiducia nella loro capacità di applicare la scienza dei dati nei contesti della supply chain.

Trascrizione completa

Kieran Chandler: Ciao, questa settimana su Lokad TV, siamo qui con Nicolas Vandeput, un supply chain scientist specializzato nella previsione della domanda. Oltre ad avere una solida formazione tecnica nella gestione di una supply chain multinazionale, Nicolas ha anche un forte interesse per l’educazione. Ha trascorso del tempo come docente presso l’Università di Bruxelles e ha appena pubblicato il suo libro dal titolo “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 spiegando un po’ di te stesso e raccontandoci come sei entrato nel mondo delle supply chain.

Nicolas Vandeput: Sì, come hai detto, sono una persona molto interessata all’educazione e all’apprendimento. Mi piace passare il mio tempo a leggere libri, articoli e a controllare blog online. Ho avuto l’opportunità di imparare molto e ora sono estremamente felice di poter applicare quelle conoscenze. Ad un certo punto ho sentito il bisogno di condividere ciò che avevo imparato, quindi ho scritto un libro per riassumere questo nuovo campo della scienza dei dati. Penso che sia qualcosa di davvero nuovo ed è anche unico applicarlo alla supply chain, che è un argomento specifico. Le persone utilizzano la scienza dei dati per il marketing online, ma la supply chain è un argomento diverso, quindi ho dedicato del tempo per unirli.

Kieran Chandler: Ok, quindi il libro si intitola “Data Science for Supply Chain Forecasts”. È un po’ lungo, ma di cosa tratta?

Nicolas Vandeput: È esattamente come dice il titolo: tratta della supply chain e di come applicare la scienza dei dati per ottenere previsioni all’interno della supply chain. In passato, le persone utilizzavano quello che mi piace chiamare “statistica vecchia scuola”, che comportava molte domande diverse. Ora che siamo entrati in un nuovo mondo della scienza dei dati, alcune domande rimangono, ma ne sorgono anche di nuove. Abbiamo bisogno di trovare nuovi modi per gestire i dati e questo libro si occupa di preparare le persone per questa nuova era.

Kieran Chandler: Come sempre, siamo accompagnati da Joannes Vermorel, il fondatore di Lokad. Joannes, hai avuto un’anteprima del libro. Qual è la tua opinione al riguardo?

Joannes Vermorel: Sì, ho avuto un’anteprima e ho avuto la possibilità di revisionare il manoscritto. È molto buono. Raccomando ai responsabili della supply chain, che non hanno un esperto di scienza dei dati nel loro team, di procurarsi una copia e di leggere almeno i primi capitoli. Poi, fai leggere agli altri membri del tuo team gli altri capitoli e magari agisci di conseguenza. Quello che è molto interessante è il fantastico progresso degli strumenti statistici open source. Fino a 10 anni fa, venivano utilizzati principalmente dai ricercatori per dimostrare cose ad altri ricercatori. Il codice era lì, ma era disordinato, di livello di ricerca, non di produzione, e la documentazione spesso era inesistente.

Quello che è davvero cambiato negli ultimi cinque-dieci anni è che con l’emergere della scienza dei dati, molti professori universitari hanno iniziato a prestare attenzione alla qualità dei pacchetti statistici. Hanno cercato di renderli accessibili ai loro studenti, garantendo una documentazione impeccabile, una terminologia coerente tra i pacchetti e concentrandosi su metodi mainstream che funzionano in una grande varietà di situazioni. La comunità open source, con l’aiuto degli accademici, ha prodotto una serie di pacchetti open source che sono stati guidati dalle esigenze degli utenti.

Kieran Chandler: Joannes, puoi dirci di più sul 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 possono ottenere previsioni quasi all’avanguardia con un minimo sforzo, il che è molto 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 sia una questione di quanto sia facile creare una previsione. Dieci anni fa, sarebbe stato un disastro e questo libro non sarebbe stato possibile. Sarebbe stato rivolto a professionisti estremamente motivati. Ma oggi, qualsiasi professionista con un po’ di curiosità e passione può farlo. È piuttosto facile; hai solo bisogno del tuo laptop con software gratuito e puoi iniziare con un linguaggio davvero semplice. Alcuni anni fa, questo non sarebbe stato possibile. Sarebbe stato più complesso. Quindi ora hai la possibilità di testare facilmente qualcosa da solo gratuitamente e da lì hai la possibilità di sperimentare. Poiché è facile sperimentare, puoi fare più esperimenti e quindi perfezionare la previsione, il codice e la scienza dei dati solo per il tuo caso specifico. In passato, questo non sarebbe stato possibile.

Kieran Chandler: Joannes, non è solo il mondo delle previsioni che beneficia del software open source. Hai degli esempi di altre industrie che hanno davvero tratto vantaggio dall’avere toolkit open source a disposizione?

Joannes Vermorel: Il movimento open source è incredibilmente vasto, quindi praticamente tutto il mondo del software al giorno d’oggi è influenzato dall’open source. Tutti i principali fornitori di cloud computing gestiscono i propri cloud basati su Linux e anche presso Lokad, il 90% del software che utilizziamo è open source. Anche Microsoft, che per caso utilizziamo, utilizza molto Linux su Azure. Il framework .NET stesso è open source e il toolkit di deep learning che utilizziamo, il CNTK, è anche un prodotto open source di Microsoft. Presso Lokad, rilasciamo anche parecchi pezzi come open source. Questo movimento è stato forte per diverse decadi.

Quello che è interessante e rilevante per la previsione e la supply chain non è solo il fatto che il software sia open source, ma che hai componenti open source ben confezionati e ben documentati. Questo cambia completamente il gioco. Significa la differenza tra iniziare con qualcosa di semplice, come una regressione lineare, in 20 righe di codice semplici, rispetto a aver bisogno di 200 righe di codice e un mese per mettere insieme tutti i tuoi pezzi di software solo per avere qualcosa che funzioni anche solo in fase di compilazione. Una volta avevi codice incompatibile che si bloccava quando veniva combinato e avevi bisogno di un mese di idraulica solo per far funzionare qualcosa pubblicato da qualcun altro. Ora, configurare l’intero ambiente Python per la scienza dei dati richiede solo un paio di pagine nel libro. Basta installare Anaconda e sei a posto.

Kieran Chandler: Joannes, potresti parlarci del sottosistema Linux su Windows e di come influisce sulla facilità di accesso a questi strumenti?

Joannes Vermorel: Il sottosistema Linux su Windows consente a questi strumenti di funzionare su praticamente qualsiasi versione di Linux e persino 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 produzione.

Nicolas Vandeput: Vorrei aggiungere che nel libro parlo di professionisti che si affidavano a VBA e macro in Excel. Mi sembrava sempre complesso e pieno di bug. Quando suggerisci di utilizzare Python o un altro linguaggio, le persone pensano spesso che sia troppo complesso. Tuttavia, il mio messaggio nel libro è che è in realtà molto più facile utilizzare framework open come Python o R rispetto a VBA o le macro di Excel.

Kieran Chandler: Joannes, con tutti questi strumenti di previsione open source facili da usare, ti rende nervoso come fornitore di software aziendale come Lokad?

Joannes Vermorel: Come fornitore di software aziendale, fa parte dell’ecosistema ed è anche un facilitatore. Anche noi utilizziamo questi strumenti open source, quindi non dobbiamo ricostruire tutto. La sfida è trovare il nostro valore aggiunto. Se il tuo valore aggiunto consiste solo nell’implementazione di modelli di previsione semi-complicati, allora non hai alcun vero valore aggiunto rispetto all’ecosistema. Il libro evidenzia che i fornitori che vendono un toolkit con alcuni modelli di previsione non forniscono molto valore rispetto alle popolari librerie Python. Tuttavia, c’è ancora potenziale nel fornire soluzioni di produzione di alta qualità e affrontare le sfide della supply chain su larga scala, cosa che Lokad si propone di fare.

Nicolas Vandeput: Sono d’accordo con Joannes. Molti professionisti e studenti nel mondo della supply chain considerano ancora l’apprendimento automatico come una parola di moda o qualcosa che non durerà. In realtà, è qui per restare. Se leggi il mio libro e ti prendi il tempo per imparare, vedrai quanto utile e accessibile possa essere per l’ottimizzazione della supply chain.

Kieran Chandler: Quindi, leggendo il libro, sarai molto più preparato per ottenere una soluzione come Lokad che può andare un passo oltre. Come hai detto, può far funzionare l’intera soluzione end-to-end. Ovviamente, per eseguire una previsione in un ambiente super-agente, è necessario anche un processo completo di revisione con le persone e così via. Quindi, la popolazione dei numeri nella previsione è solo un passo nell’intero processo. Puoi parlare di come le idee nel libro possono essere implementate?

Nicolas Vandeput: L’obiettivo del libro è solo discutere di quel passo specifico. Non è perché hai appena 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 te? Come possiamo implementarlo? Ho questa idea, funzionerebbe? Possiamo testarlo?” Quindi, inizi a capire cosa stanno realmente facendo i fornitori di software come Lokad.

Kieran Chandler: Molte di queste idee sono state sviluppate da un punto di vista teorico. Possono essere applicate in modo produttivo?

Nicolas Vandeput: Sì, assolutamente. Queste nuove previsioni sono state in giro per molto tempo. Voglio dire, la teoria delle reti neurali è stata rilasciata per la prima volta negli anni ‘60 e il primo metodo nel libro proviene anche dagli anni ‘60. Abbiamo iniziato a usarli solo oggi in un ambiente di previsione perché è diventato più facile eseguirli. Forse dieci anni fa non lo era e le persone ne sono ora più consapevoli. Sicuramente puoi usarlo. Quello che è davvero interessante nella scienza dei dati, ed è uno dei grandi scopi del libro, è che è davvero una scienza. Puoi testarlo, fare esperimenti e testarlo più volte utilizzando i dati. Ecco perché si chiama scienza dei dati. Puoi dimostrare a te stesso: “Funziona? Sì o no?” Potrebbe non funzionare, ma poi puoi pensare: “Sto progettando un nuovo esperimento, prendo in considerazione nuove cose o rimuovo cose di cui non ho bisogno per vedere se funzionerà meglio.” Quindi, è davvero una scienza in cui puoi dimostrare il tuo punto di vista che la tua previsione sarà migliore e iniziare a usarla solo dopo.

Kieran Chandler: Quindi, può essere utilizzato come un’altra prova di concetto prima di avvicinarsi a qualcuno come Lokad e dire: “Joannes, quando parliamo di passare a una base di produzione e usarla quotidianamente, quali sono le sfide che le persone potrebbero incontrare? E in cosa può davvero aiutare Lokad in termini di tutto il processo?”

Joannes Vermorel: Prima di tutto, è necessario ottenere buoni dati. Se non si dispone di dati molto qualificati, si finisce con spazzatura in entrata, spazzatura in uscita. La cosa interessante di questo libro è che darebbe alle persone della supply chain un’idea di cosa stanno facendo i modelli, che tipo di cose possono sfruttare e che darebbe loro una migliore comprensione del motivo per cui devono iniziare a prestare attenzione ora a una serie di aree grigie nell’ambito delle supply chain, come le promozioni. Tipicamente, i dati sulle promozioni sono un completo disastro. Lo stesso vale per le mancanze di magazzino. Spesso non ci sono dati storici adeguati per riflettere tutte le mancanze di magazzino, quindi non si sa se si sono avute vendite zero perché non c’era domanda zero o se si sono avute vendite zero perché era esaurito.

Quindi, essere più familiari con il tipo di modello che può sfruttare i dati può renderti più suscettibile a vedere se il tuo processo esistente è adeguato. L’obiettivo principale di una supply chain è mantenere il flusso di merci in movimento.

Kieran Chandler: Quindi l’obiettivo principale 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 corso e garantire la soddisfazione del cliente. Tuttavia, l’esecuzione del secondo obiettivo spesso non è di alta qualità come il primo obiettivo. Per accelerare questa transizione e ottenere la consolidazione dei dati su larga scala con più sedi, dobbiamo ampliare i nostri orizzonti. Joannes, potresti approfondire questo argomento?

Joannes Vermorel: Quando iniziamo a lavorare con i clienti, spesso ci troviamo di fronte alla sfida della consolidazione e dell’esecuzione dei dati. Molti clienti non sono consapevoli che ricette numeriche avanzate possono essere applicate alle previsioni per generare decisioni migliori. Leggere il libro sulla scienza dei dati può ampliare i tuoi orizzonti e fornire spunti su come eseguire in modo più efficiente la supply chain. Ti aiuta a vedere il quadro generale prima e dopo la previsione, dalla produzione allo sfruttamento delle previsioni per decisioni più intelligenti.

Nicolas Vandeput: I leader della supply chain si stanno perdendo due elementi cruciali per estrarre informazioni utili dalla scienza dei dati e dall’apprendimento automatico. Il primo è una cultura dei dati, che manca in circa il 99% delle aziende in tutto il mondo. Molte aziende stanno ancora combattendo con fogli di calcolo disordinati e non si rendono conto dell’importanza dei dati corretti. Questo libro mira a dimostrare che con dati corretti è possibile ottenere una scienza corretta, previsioni accurate ed esperimenti efficaci. Senza dati, molti progetti vengono ritardati, e i giornalisti possono confermarlo. Il secondo elemento è la mancanza di talento e comprensione dell’apprendimento automatico e della scienza dei dati nella gestione della supply chain. Dobbiamo cambiare questa cultura e sensibilizzare sul valore dei dati.

Kieran Chandler: Assolutamente, avere i dati corretti è cruciale. 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 corretti?

Joannes Vermorel: Beh, scherzando, potremmo fondare una setta in cui i dati migliori sono obbligatori, come un comandamento sacro. Ma seriamente, credo che abbiamo bisogno di favorire la comprensione e la consapevolezza. Possiamo educare il mercato e dare maggiore importanza al valore dei dati puliti e accurati. In questo modo, possiamo creare un cambiamento culturale e garantire che avere i dati corretti diventi una priorità assoluta per la gestione della supply chain.

Kieran Chandler: Quando non si è consapevoli di cosa si possa fare con il deep learning e non si ha esperienza al riguardo, è molto difficile persino capire il punto, vero?

Joannes Vermorel: Infatti, è una sfida. Penso che un buon punto di partenza sia sporcare le mani con l’elaborazione dei dati e non essere completamente seppelliti dalla pura tecnicalità del compito. Non dovrebbe essere necessaria una squadra IT solo per configurare gli ambienti. È molto importante capire cosa fa funzionare questi metodi, cosa li rende efficaci. Non è magia.

Demistificarlo è importante. Da Lokad, abbiamo cercato di evangelizzare il mercato. L’educazione è una strada da percorrere. Nicolas sta pubblicando un libro, che è eccellente. Abbiamo anche pubblicato un libro e molte altre cose, tra cui una vasta base di conoscenze sul sito web di Lokad. Ma sì, la cosa più importante è l’educazione.

Ciò che vedo è una nuova ondata di professionisti della supply chain che si avvicinano al settore con una mentalità più ingegneristica, che è più quantitativa. Si desidera avere numeri e cose che possono essere ripetute. La leadership è essenziale nella supply chain, poiché coinvolge molte persone, paesi e siti. Ma se si ha una leadership senza alcuna mentalità ingegneristica o quantitativa, è difficile ottimizzare qualsiasi cosa. Appena si inizia a usare la parola “ottimizzare”, la regola cardinale dell’ottimizzazione è che non si può ottimizzare qualcosa che non si misura. Questo porta alla domanda: come si misura? E quindi hai bisogno di dati.

Kieran Chandler: Nicolas, abbiamo parlato molto dei vantaggi nell’utilizzo di questi toolkit open-source. Quali sono invece gli svantaggi? Dove vedi degli aspetti negativi 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 previsione è un processo molto lungo con molti stakeholder coinvolti. Nel mio libro dico 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 nulla è cambiato.

Suggerisco che possiamo cambiare questo pezzo molto specifico, ma ovviamente non è sufficiente. L’intero processo deve vivere ed evolversi. Usare solo Python non risolverà un processo che non funziona. Migliorerà solo i numeri delle previsioni, ma è comunque necessario guardare l’intero processo.

Kieran Chandler: Joannes, sembri molto sicuro che ci sarà sempre un posto per Lokad. Guardando avanti, dove vedi che questo posto nel mercato si trova effettivamente?

Joannes Vermorel: Innanzitutto, credo che anche parlando di previsioni pure, abbiamo ancora carte da giocare 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 appena si entra nel mondo probabilistico, è un altro gioco.

Se inizi a dire: “Voglio prevedere la domanda, ma non domani, bensì su un orizzonte probabilistico che è quando arriverà il mio container”, allora diventa una domanda che inizia in un punto incerto nel futuro e termina in un altro punto incerto. Le cose possono diventare molto complicate con più dimensioni. Poi, se inizi a includere fattori come la probabilità che il mio concorrente abbassi il prezzo, il che avrebbe un impatto molto specifico sulla forma della domanda, si vede che l’accuratezza della previsione non è una cosa unidimensionale. Ha tutta questa complessità da affrontare.

Kieran Chandler: Improvvisamente, i tuoi modelli diventano complessi, anche se hai toolkit open-source molto buoni. Mettere insieme tutte queste cose in modo privo di bug, di qualità di produzione e scalabile, ci sono ancora molte altre cose da fare.

Joannes Vermorel: Sì, se prendiamo l’angolo della previsione pura, credo che sia un approccio. Ma, da Lokad, la nostra visione è davvero quella di avere un sovrapposizione analitica più profonda e completa per generare decisioni intelligenti per una determinata supply chain. Non gestiamo sistemi di supply chain, non siamo un ERP. Non vogliamo essere il deposito di tutti gli spostamenti di inventario. Abbiamo una copia di questi dati, ma siamo il sovrapposizione analitica intelligente.

Questa è la visione. E ancora una volta, anche se Lokad è interamente costruito con strumenti open-source, c’è ancora valore nel mettere tutto insieme. Ad esempio, le piattaforme di cloud computing disponibili oggi sono un enorme mix di cose open-source, ma le persone preferiscono Amazon perché potresti farlo da solo. Potresti avere il tuo cloud privato, ma è un enorme sforzo mettere insieme tutte queste cose che, ad un certo punto, c’è valore nel farlo fare a specialisti.

Un inconveniente che vedo in questo ecosistema di Python e open-source in generale è che sta evolvendo così velocemente. Se lo fai da solo, c’è un pericolo: scegli una versione di Python e un toolkit, e poi due anni dopo c’è qualcosa di drasticamente migliorato. Improvvisamente, eri all’avanguardia e ora non lo sei più, solo perché il mondo ha continuato a muoversi e un laboratorio ha appena prodotto un nuovo toolkit.

Ad esempio, Scikit era leader in praticamente tutto fino a un paio di anni fa, ma ora PyTorch sta mettendo completamente in discussione tutto ciò introducendo l’apprendimento profondo e la programmazione differenziabile nell’immagine. Quindi sorge una domanda: chi è responsabile di rivedere ciò che hai implementato due anni fa e aggiornarlo con il gusto del giorno? Un buon fornitore si preoccuperebbe di assicurarsi che la tua soluzione di data science venga periodicamente rivista e probabilmente riscritta per rimanere all’avanguardia.

Non so quanto durerà questa età dell’oro del progresso nella data science, ma non mi sorprenderebbe se, per qualcosa come il prossimo decennio, ogni due anni vedessimo dei progressi fantastici in cui il nuovo gusto è molto migliore del precedente. Potrebbero esserci categorie di problemi che sembrano molto difficili da affrontare ma diventano accessibili.

Nicolas Vandeput: Se posso aggiungere qualcosa, penso che sia davvero interessante che Joannes abbia menzionato la complessità con cui 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 è davvero importante per me, è dire alle persone che possono farlo.

Alcune persone potrebbero aver sentito quello che Joannes sta dicendo e pensare: “Wow, la data science e il machine learning sembrano davvero complessi, forse non è per me.” Voglio davvero rassicurare le persone dicendo: “No, non è così complesso. Puoi iniziare con un modello semplice.” E in realtà, come mostra il libro, puoi iniziare abbastanza facilmente con un modello molto semplice che è già estremamente potente così com’è. Poi, da lì, puoi 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 funzionerà già molto bene e da lì, passare a questioni più complesse. Questo è davvero il messaggio che voglio trasmettere nel libro: puoi iniziare in modo semplice e poi progredire verso qualcosa di più complesso.

Kieran Chandler: Puoi aiutarci a capire come possiamo determinare se un modello funziona? Possiamo testarlo? Possiamo replicarlo? Questi principi sembrano applicarsi per modelli semplici, ma una volta che li hai compresi per un modello di base, puoi anche capirli per modelli molto più complessi?

Nicolas Vandeput: Assolutamente, consiglio vivamente alle persone di iniziare in modo semplice. Una volta che hai padronanza delle basi, puoi passare a qualcosa di molto più complesso.

Kieran Chandler: Questo mi porta abbastanza naturalmente all’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 siano in grado di dire a se stessi: “Sì, posso davvero farlo. Non sembra così complesso.” Forse due settimane fa non sapevano programmare, ma alla fine voglio che sembri loro molto semplice. Voglio che queste persone inizino a sperimentare da sole, a vivere davvero la scienza dei dati 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 in cui puoi sperimentare e implementare soluzioni che funzionano in modo coerente. Per farlo, hai bisogno della scienza dei dati. Quindi, spero davvero che il libro dia alle persone il potere di farlo da sole.

Kieran Chandler: Dobbiamo 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 controllarlo su Amazon. Qui a Lokad TV, torneremo presto con un altro episodio. Ma fino ad allora, grazie per aver guardato.

Joannes Vermorel: Grazie.