00:00:04 Introduzione e panoramica del problema delle previsioni della supply chain.
00:01:28 Argomento per l’errore di previsione misurato in dollari.
00:02:31 Esaminata la preferenza per la misurazione dell’errore in percentuale.
00:04:15 Impatto tecnologico sul miglioramento dell’accuratezza delle previsioni.
00:05:49 Discussione sulle soluzioni per migliorare l’accuratezza delle previsioni.
00:08:01 Ruolo delle previsioni meteorologiche nelle previsioni probabilistiche.
00:09:33 Problemi con l’integrazione dei dati meteorologici nella supply chain.
00:11:29 Potenzialità e sfide delle previsioni basate sull’intelligenza umana.
00:13:14 Ottimizzazione del know-how degli esperti per ridurre gli errori di previsione.
00:14:24 Importanza della qualità dei dati e del loro miglioramento.
00:16:00 Difficoltà di previsione in settori imprevedibili come la moda.
00:17:33 Previsioni statistiche nel settore della moda e le sfide dei nuovi prodotti.
00:18:01 Proposta metodologica per la previsione dei nuovi prodotti.
00:19:02 Considerazioni finali.
Riepilogo
Joannes Vermorel, fondatore di Lokad, si confronta in una discussione con il conduttore Kieran Chandler sul forecasting della supply chain. Vermorel svela con ironia le contraddizioni del settore, rivelando affermazioni esagerate sulla riduzione degli errori e sostenendo un cambio di attenzione verso gli “errori in dollari” piuttosto che le percentuali. Egli osserva che machine learning ha rivoluzionato le previsioni, con un’enfasi che si è spostata verso previsioni più approfondite piuttosto che semplicemente accurate. I due esaminano anche i dati meteorologici, giudicandoli troppo complessi e inaffidabili per previsioni a lungo termine. Vermorel sottolinea l’importanza dell’intelligenza umana, ma suggerisce che non sia praticabile su larga scala, raccomandando invece un miglioramento della qualità dei dati. Nonostante le difficoltà, Vermorel afferma che il modello di Lokad dimostra la sua efficacia prevedendo in modo preciso anche i lanci di new product in settori volatili come la moda.
Riepilogo Esteso
Kieran Chandler, il conduttore, si confronta con Joannes Vermorel, fondatore di Lokad, riguardo all’accuratezza delle previsioni nella supply chain industry. Si osserva una discrepanza evidente tra i professionisti che si lamentano frequentemente dell’accuratezza delle previsioni e i software vendors che spesso sostengono di avere previsioni estremamente accurate.
Vermorel individua un’anomalia nel settore, osservando che negli ultimi vent’anni, almeno un software vendor ha sostenuto una riduzione annuale del 50% dell’errore di previsione in ogni grande fiera della supply chain. Seguendo tale logica, Vermorel suggerisce con ironia che teoricamente ora dovremmo avere zero errori di previsione, in contrasto con lo stato attuale della supply chain.
Continua sostenendo che l’ossessione per la riduzione in percentuale dell’errore di previsione è fuorviante e potrebbe addirittura essere l’approccio sbagliato. Invece, insiste Vermorel, l’impatto dell’errore risulta più significativo se misurato in termini di costo monetario per le aziende. Le imprese dovrebbero concentrarsi sugli “errori in dollari”, poiché le aziende esistono fondamentalmente per generare profitti, in linea con questo obiettivo.
Riguardo alla continua fissazione del settore sulle percentuali, Vermorel la definisce come una “dipendenza dal mean absolute percentage error”. Sostiene che questa preferenza deriva dal fatto che le percentuali sono più facili da comprendere e meno inclini a creare attriti all’interno di un’azienda, in quanto non implicano direttamente un budget o una persona specifica. Esprimere gli errori in dollari comporterebbe la necessità che qualcuno se ne assumesse la responsabilità, cosa che molti individui avversi al rischio in grandi organizzazioni preferirebbero evitare.
Sul tema del progresso tecnologico e della sua influenza sulle previsioni, Vermorel riconosce che, nonostante le sfide menzionate, l’accuratezza delle previsioni è effettivamente migliorata nel tempo, in gran parte grazie ai progressi nell’apprendimento statistico, più comunemente conosciuto come machine learning. L’applicazione di queste tecniche alla pianificazione della domanda e alle previsioni ha portato notevoli miglioramenti nella supply chain.
Vermorel chiarisce inoltre che l’uncertainty è intrinseca quando si cerca di prevedere il futuro, ed è quindi fondamentale assegnare probabilità a tutti i possibili esiti. È interessante notare che propone come obiettivo non necessariamente avere previsioni più accurate, ma previsioni che forniscano maggiori informazioni sul futuro. Questa advanced forecasting può aiutare a creare migliori supply chain decisions, l’obiettivo finale, e la base per qualsiasi impatto fisico e misurabile. Ciò riflette i duplice aspetti su cui si concentra l’azienda di Vermorel: la previsione e l’effettivo impiego di tali previsioni nel processo decisionale della supply chain.
La conversazione prosegue, approfondendo l’influenza dei dati nelle previsioni probabilistiche. Vermorel concorda sul fatto che le previsioni siano guidate dai dati. Chandler solleva una domanda sull’integrazione di fattori esterni come le condizioni meteorologiche in queste previsioni, poiché spesso influenzano il comportamento dei consumatori.
In risposta, Vermorel indica che, sebbene i dati meteorologici possano essere una fonte, essi comportano due principali problematiche. In primo luogo, le previsioni meteorologiche stesse sono imperfette, e costruire previsioni basate su di esse potrebbe amplificare le imprecisioni. Inoltre, considerando le esigenze della supply chain, le previsioni devono spesso essere formulate con più di una settimana di anticipo, un lasso di tempo in cui l’accuratezza dei dati meteorologici diminuisce significativamente.
In secondo luogo, le previsioni meteorologiche generano enormi quantità di dati che potrebbero risultare difficili da gestire. Vermorel lo illustra osservando che, per il meteo, viene generato un dato ogni ora per chilometro quadro ogni 20 minuti. Ciò non riguarda solamente la temperatura, ma include anche umidità, velocità e direzione del vento, e luminosità, portando a terabyte di dati difficili da integrare nella supply chain.
La discussione si sposta dalle complessità dei dati meteorologici al potenziale dell’intelligenza umana nel migliorare le previsioni. Vermorel conferma l’enorme capacità del cervello umano, ma riconosce che non è una soluzione praticabile a causa dell’elevato costo. Per qualsiasi grande azienda della supply chain, infatti, è necessario prendere quotidianamente migliaia o milioni di decisioni, richiedendo un numero considerevole di persone intelligenti. Tuttavia, la maggior parte delle aziende non può permettersi di impiegare così tante persone, motivo per cui dipendono dalle società software. Vermorel accetta che mentre
l’input umano può migliorare notevolmente l’accuratezza delle previsioni, non è scalabile, e questo problema pratico rende necessarie soluzioni software.
Vermorel sottolinea la necessità di utilizzare l’intelligenza delle persone all’interno delle aziende in un senso capitalista. La loro conoscenza e intuizioni dovrebbero essere trattate come risorse preziose che si accumulano nel tempo, anziché come entità usa e getta. Questo approccio può portare a un miglioramento continuo dei sistemi della supply chain.
Vermorel suggerisce che uno dei modi per sfruttare l’intelligenza umana è migliorare la qualità dei dati immessi nel sistema di previsione. La qualità dei dati non è garantita; richiede manutenzione continua e sforzi di miglioramento. I dati transazionali, come sostiene Vermorel, giocano un ruolo critico nel migliorare l’accuratezza delle previsioni e hanno margine per ulteriori miglioramenti. Ad esempio, poche aziende monitorano accuratamente la cronologia degli stock-out. Tuttavia, per prevedere la domanda futura, è fondamentale determinare se la mancanza di vendite sia dovuta a una carenza di domanda o a una situazione di stock-out. Pertanto, Vermorel sostiene la corretta registrazione di tutti i dati rilevanti, inclusi stock-out, promotions, e i prezzi dei concorrenti, per migliorare l’accuratezza delle previsioni.
Parlando delle previsioni per prodotti ancora da lanciare, Vermorel riconosce la sfida intrinseca, specialmente in settori volatili come la tecnologia e la moda, dove i dati storici sono inesistenti o irregolari. Egli ribatte che l’obiettivo non è raggiungere un’accuratezza assoluta delle previsioni, ma piuttosto ottenere previsioni più accurate di quanto possano produrre i team con i limiti di tempo a disposizione.
In situazioni come quella della moda, dove i lanci di nuovi prodotti non dispongono di dati storici, Vermorel offre una soluzione. Egli suggerisce che, sebbene i singoli prodotti possano essere nuovi, essi derivano da un mercato che l’azienda ha osservato attraverso le proprie vendite. Pertanto, è possibile costruire una previsione statistica basata sui lanci storici di prodotti e sulle loro caratteristiche. Questo metodo può correlare, per esempio, una nuova camicia con camicie lanciate in precedenza per elaborare una previsione che, sebbene potrebbe non essere estremamente accurata a causa della natura volatile dell’industria della moda, possa essere sufficientemente precisa da risultare redditizia.
Vermorel conferma che Lokad utilizza questo approccio nel suo modello di previsione, consentendo previsioni efficaci anche in condizioni difficili, come i lanci di nuovi prodotti.
Trascrizione Completa
Kieran Chandler: Oggi parleremo di un argomento che ha diviso molte opinioni nell’industria della supply chain: l’accuratezza delle previsioni. Sono lieto di dire che oggi mi unisce il CEO e fondatore di Lokad, Joannes Vermorel, che mi darà una mano con la discussione di oggi. Quindi, Joannes, grazie per essere con noi oggi.
Joannes Vermorel: Grazie, Kieran.
Kieran Chandler: Joannes, se osservi l’industria della supply chain nel suo complesso, spesso vedi i professionisti lamentarsi molto dell’accuratezza delle loro previsioni. Tuttavia, se guardi ai software vendors, spesso sostengono di avere previsioni estremamente accurate. Non possono avere entrambi ragione. Qual è la tua opinione sulla situazione?
Joannes Vermorel: La situazione è davvero sconcertante. Negli ultimi due decenni, forse anche di più, in ogni grande fiera della supply chain c’è almeno un software vendor di alto livello che sostiene di aver ridotto l’errore di previsione del 50% o qualcosa di simile. Ovviamente, se si compone una riduzione del 50% dell’errore ogni anno per 20 anni, logicamente non dovremmo avere alcun errore di previsione, il che chiaramente non corrisponde allo stato attuale dell’industria della supply chain. Chiaramente, gli errori di previsione sono ancora molto presenti. Un altro modo di guardare la questione è che le percentuali sono fuorvianti. Pensare di poter ridurre l’errore di previsione di X percento è il modo sbagliato di affrontare la questione. Gli errori di previsione costano denaro alle aziende, esprimendosi in dollari, non in percentuale. Quello a cui dovremmo veramente prestare attenzione sono le quantità di dollari di errore per le aziende che gestiscono supply chain nel mondo reale.
Kieran Chandler: Ha molto senso, perché, fondamentalmente, le aziende esistono per fare soldi. È economia di base, vero? Le aziende vogliono massimizzare i loro profitti e ne traggono vantaggio. Come società, possiamo trarne profitto anche noi perché riceviamo una gamma migliore di prodotti a prezzi più bassi. Tuttavia, non è quello che stiamo realmente osservando nel settore. L’industria è ancora molto fissata sull’uso delle percentuali. Perché sono così attaccati a questo? Qual è la ragione di ciò?
Joannes Vermorel: Il nocciolo della dipendenza dal MAPE (Mean Absolute Percentage Error) risiede nel fatto che le percentuali sono facili. È semplice ottenere una percentuale. Con una percentuale, nessuno si impegna veramente e non si intacca il budget di nessuno. Esprimere gli errori in dollari ha più senso, poiché chiarisce le poste in gioco e chi dovrebbe essere ritenuto responsabile dell’errore. Le aziende che operano in grandi supply chain sono composte da molte persone. Queste, essendo parte di una grande organizzazione, tendono ad essere avverse al rischio. Non vogliono proporre qualcosa che possa antagonizzare il resto della loro organizzazione, e esprimere l’errore di previsione in dollari fa esattamente questo. Evidenzia le aree che sono veramente responsabili degli errori in dollari. Quindi, mentre le percentuali sono facili, i dollari sono il metro di misura corretto. Probabilmente è per questo che siamo ancora bloccati in questa situazione; ciò che è facile da fare rimane semplicemente più facile.
Kieran Chandler: Bene, se da un lato mettiamo da parte per ora gli errori in dollari e consideriamo solo le percentuali di errore come esempio, esiste un processo tecnologico che può essere seguito per migliorare la percentuale di errore? Cosa possono fare le società di software a questo proposito?
Joannes Vermorel: Nonostante il fatto che gli errori di previsione non siano migliorati del 50% all’anno negli ultimi vent’anni, l’accuratezza delle previsioni è effettivamente migliorata. La maggior parte del miglioramento non è stata trainata dal progresso interno al mondo della supply chain, ma piuttosto da un ampio progresso tecnologico in un ambito noto come apprendimento statistico, più comunemente conosciuto come machine learning. L’ultima novità in questo campo è in realtà il deep learning. Quindi, negli ultimi 20 anni c’è stato un vero progresso tecnologico.
Kieran Chandler: È noto che l’utilizzo di determinate tecniche per il demand planning e il forecasting nella supply chain può portare a un miglioramento significativo e misurabile delle previsioni. È un progresso che può essere visto sia in percentuali, che in dollari. Quindi è molto concreto. Ma ci deve essere un altro modo per migliorare l’accuratezza di queste previsioni. Ad esempio, le aziende e le società di software potrebbero modificare l’accuratezza dei loro processi? Potrebbero formare meglio i loro team, per esempio?
Joannes Vermorel: Ci sono effettivamente due cose che possono fare. Innanzitutto, possono affinare l’ambito delle previsioni stesse. Intendo dire la transizione verso previsioni probabilistiche. Il tipo tradizionale di previsione fornisce un’unica affermazione, come “la mia domanda futura sarà esattamente questa.” Ora, le previsioni probabilistiche offrono una visione molto più olistica. Molte cose possono accadere, esiste un’incertezza irriducibile sul futuro, e perciò assegniamo probabilità a tutti quei possibili scenari futuri. Questo è un modo in cui le aziende possono migliorare, adottando previsioni che forniscano maggiori informazioni sul futuro. Non devono necessariamente essere più accurate, devono semplicemente fornire più informazioni sul futuro. Questa è l’essenza delle previsioni probabilistiche.
L’altro aspetto è pensare a cosa si può fare per permettere alle persone di sfruttare queste previsioni per prendere decisioni migliori. Previsioni migliori sono ottime, ma possiamo trasformarle in decisioni migliori per la supply chain? Alla fine, ciò che conta davvero sono decisioni migliori per la supply chain con un impatto misurabile. Questi sono dunque i due aspetti che stiamo considerando.
Kieran Chandler: E queste previsioni probabilistiche sono guidate dai dati, giusto?
Joannes Vermorel: Sì, assolutamente.
Kieran Chandler: Riguardo l’aspetto dei dati, dove tracci la linea? Per esempio, aspetti come il meteo sono abbastanza interessanti. In estate, le persone sono più inclini a comprare gelato, mentre in inverno è più probabile che acquistino cioccolate calde, sciarpe e guanti. Quindi, potremmo utilizzare previsioni meteo nelle previsioni probabilistiche?
Joannes Vermorel: È una domanda davvero ampia. Per migliorare l’accuratezza delle previsioni, è necessario incorporare informazioni, e queste informazioni devono provenire da qualche parte. Il primo luogo in cui cercare queste informazioni è nei dati storici stessi dell’azienda. Tuttavia, credo che la maggior parte delle aziende, diciamo il 99% di esse, non sfrutti appieno i dati transazionali di alta qualità che già possiedono.
Per quanto riguarda le fonti esterne, come le previsioni meteo, sollevano almeno due diverse problematiche. Innanzitutto, le previsioni meteo non sono perfette. Se vuoi costruire previsioni basate su altre previsioni, ti imbatti nel problema del compounding delle imprecisioni nelle previsioni. Questo è un problema difficile da risolvere in pratica. Inoltre, se stai pensando a problemi di supply chain, di solito devi considerare un lasso di tempo superiore ai sette giorni, e l’accuratezza delle previsioni meteo diventa piuttosto scadente in pratica. Quindi, utilizzare le previsioni meteo risulta problematico.
E poi c’è un’altra questione. Chiunque abbia provato a sfruttare queste fonti di dati esterni, si sarà reso conto che ci sono delle sfide da affrontare.
Kieran Chandler: Quindi, per le previsioni meteo, che sono abbastanza significative nelle previsioni statistiche, parliamo di dati estesi. Non si tratta di un solo punto dati; è un punto dati ogni ora, per chilometro quadrato, ogni 20 minuti a futuri. Dobbiamo considerare fattori come temperatura, umidità, vento e direzione della luce. Quindi, i dati che vorresti utilizzare per affinare la tua previsione per la supply chain sono immensi. Parliamo letteralmente di portare terabyte di dati. Puoi discutere delle praticità di implementare una quantità così vasta di dati?
Joannes Vermorel: Sì, infatti, le praticità di incorporare dati meteorologici globali nella tua supply chain possono essere impressionanti. È un compito impegnativo. Ci sono cose molto più facili da fare. Quindi, in pratica, il meteo probabilmente non è il miglior esempio da utilizzare.
Kieran Chandler: D’accordo, consideriamo un altro aspetto. Che dire del cervello umano? È uno strumento incredibilmente potente. C’è un modo per sfruttarlo per migliorare le nostre previsioni?
Joannes Vermorel: Assolutamente. Gli algoritmi che abbiamo attualmente non sono fondamentalmente superumani. Eccellono in compiti specifici, come giocare a Go o a scacchi. Ma la gestione della supply chain è un problema molto aperto che richiede l’intera estensione dell’intelligenza umana. Un semplice computer non può superare un supply chain specialist perché serve molto di più. Tuttavia, il problema dell’intelligenza umana non è la sua capacità, ma il suo costo. Le grandi aziende di supply chain gestiscono quotidianamente migliaia, se non milioni, di supply chain. La domanda è: quanti individui intelligenti puoi permetterti per prendere quelle decisioni quotidiane necessarie? La risposta, come osservato con i nostri clienti, di solito non è sufficiente. Quindi sì, l’apporto umano può migliorare notevolmente l’accuratezza delle previsioni, ma non è scalabile, rendendolo praticamente impegnativo. Ecco perché l’industria si affida a società software come la nostra.
Kieran Chandler: È un punto importante. Come suggerisci che le aziende facciano il miglior uso dei loro dipendenti intelligenti? Dovrebbero applicare la loro intuizione e conoscenza ai sistemi? In che modo dovrebbe avvenire questa integrazione?
Joannes Vermorel: La domanda chiave qui è come possiamo valorizzare questi individui per ridurre l’errore nelle previsioni. Non vuoi semplicemente consumare e scartare i loro insight; questo non è il giusto approccio. Devi capitalizzare sulla loro conoscenza nel tempo per un miglioramento continuo. Un passo pratico che possono intraprendere è migliorare la qualità dei dati immessi nel sistema di previsione. Mantenere e migliorare la qualità dei dati richiede uno sforzo continuo. Per esempio, pochissime aziende registrano in modo accurato la storia dei stock-out. Ma se vuoi prevedere la domanda futura, devi distinguere tra l’assenza di vendite in un certo periodo per mancanza di domanda e l’assenza di vendite dovuta a un stock-out.
Kieran Chandler: Stai registrando correttamente tutto ciò? Ci sono molte cose come stock out, promozioni, i tuoi prezzi e quelli dei tuoi concorrenti che puoi includere nel tuo set di dati. Questi sono molto azionabili e possono rendere la tua previsione più accurata.
Joannes Vermorel: Infatti, ci sono numerosi fattori da considerare che possono aiutare a migliorare l’accuratezza delle previsioni.
Kieran Chandler: Parlando di accuratezza delle previsioni, come si prevede per un prodotto che non è mai stato lanciato? In industrie come la tecnologia e la moda, non ci sono dati storici e questi settori sono abbastanza irregolari. C’è qualche speranza di ottenere previsioni accurate?
Joannes Vermorel: È una domanda molto difficile. Non si tratta di ottenere una previsione accurata in senso assoluto. Se si trattasse di prevedere il prossimo prodotto di tendenza nel mercato della moda per il prossimo anno, non farei una previsione statistica. Giocherei al mercato azionario. La vera domanda è come produrre una previsione più accurata di quella che il tuo team può produrre data la loro limitata disponibilità di tempo. Non si tratta di accuratezza assoluta, ma piuttosto di accuratezza relativa.
Kieran Chandler: Quindi, stai suggerendo che non c’è speranza per una previsione assolutamente accurata, specialmente nella moda?
Joannes Vermorel: In senso assoluto, no, la moda è troppo irregolare. Tuttavia, possiamo mirare a qualcosa di comparativamente più accurato. La sfida è: possiamo avere una previsione statistica che funzioni affatto nella moda, dove i prodotti che vuoi prevedere non hanno dati storici? È sconcertante perché la previsione statistica si basa sui dati. Ma ecco un aspetto. Se sei una compagnia di moda, lanci migliaia di prodotti ogni anno. Anche se sembra un prodotto completamente nuovo, non lo è del tutto. Si sviluppa all’interno di un mercato che puoi osservare dalle tue stesse vendite. Quindi, se vuoi costruire una previsione statistica, devi sfruttare tutti i tuoi lanci storici passati e le caratteristiche del prodotto.
Kieran Chandler: Quindi, stai dicendo che possiamo ancora usare i dati passati per fare previsioni accurate?
Joannes Vermorel: Esattamente. Puoi correlare questa nuova maglietta che lanci adesso con le magliette che hai lanciato in passato. Ciò che rimane è la natura completamente irregolare dell’industria della moda, che si rifletterà nell’imprecisione delle previsioni. Il punto è che sì, puoi affrontare questo problema, e puoi produrre una previsione sufficientemente accurata da essere redditizia anche per i lanci di nuovi prodotti.
Kieran Chandler: Sembra proprio quello che state facendo a Lokad?
Joannes Vermorel: Infatti, è esattamente quello che stiamo facendo a Lokad.
Kieran Chandler: Grazie per il tuo tempo e per questa discussione. Speriamo che i nostri ascoltatori l’abbiano trovata piacevole. Se qualcuno ha domande, non esiti a mettersi in contatto, a inviarci un’email o a lasciare un commento qui sotto. Potremmo essere in grado di discutere alcune delle domande più interessanti nelle prossime settimane. Fino ad allora, grazie mille per essere stati con noi oggi e ci vediamo di nuovo molto presto.