00:00:04 Introduzione e panoramica del problema delle previsioni di supply chain.
00:01:28 Argomento per l’errore di previsione misurato in dollari.
00:02:31 Esame della preferenza per la misurazione dell’errore percentuale.
00:04:15 Impatto tecnologico sul miglioramento dell’accuratezza delle previsioni.
00:05:49 Soluzioni per migliorare l’accuratezza delle previsioni discusse.
00:08:01 Ruolo delle previsioni meteorologiche nelle previsioni probabilistiche.
00:09:33 Problemi nell’integrazione dei dati meteorologici nella supply chain.
00:11:29 Potenziale e sfide delle previsioni basate sull’intelligenza umana.
00:13:14 Ottimizzazione della conoscenza degli esperti per ridurre gli errori di previsione.
00:14:24 Importanza della qualità dei dati e del miglioramento.
00:16:00 Difficoltà di previsione in settori imprevedibili come la moda.
00:17:33 Previsioni statistiche nella moda e sfide dei nuovi prodotti.
00:18:01 Proposta di metodo per la previsione di nuovi prodotti.
00:19:02 Considerazioni finali.
Riassunto
Joannes Vermorel, fondatore di Lokad, si impegna in una discussione con l’host Kieran Chandler sulle previsioni di supply chain. Vermorel svela umoristicamente le contraddizioni dell’industria, rivelando affermazioni eccessive sulla riduzione degli errori e sostenendo un cambiamento di focus verso gli ’errori in dollari’ anziché in percentuale. Osserva che il machine learning ha rivoluzionato le previsioni, con un’attenzione che si sposta verso previsioni informative anziché semplicemente accurate. I due esaminano anche i dati meteorologici, ma li ritengono troppo complessi e non affidabili per previsioni a lungo termine. Vermorel sottolinea l’importanza dell’intelligenza umana, ma suggerisce che sia impraticabile 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 previsione accurata anche per il lancio di nuovi prodotti in settori volatili come la moda.
Riassunto Esteso
Kieran Chandler, l’host, sta conducendo una conversazione con Joannes Vermorel, il fondatore di Lokad, sull’accuratezza delle previsioni nell’industria della supply chain. Si osserva una discrepanza evidente tra i professionisti che si lamentano frequentemente dell’accuratezza delle previsioni e i fornitori di software che spesso affermano accuratamente previsioni molto elevate.
Vermorel identifica una anomalia dell’industria, notando che negli ultimi vent’anni, almeno un fornitore di software ha affermato una riduzione annuale del 50% dell’errore di previsione ad ogni importante fiera della supply chain. Seguendo questa logica, Vermorel suggerisce umoristicamente che teoricamente dovremmo avere un errore di previsione pari a zero ora, contraddicendo lo stato attuale dell’industria della supply chain.
Continua sostenendo che l’ossessione per la riduzione percentuale dell’errore di previsione è fuorviante e potrebbe persino essere un approccio sbagliato. Invece, Vermorel insiste sul fatto che l’impatto dell’errore è più significativo quando misurato in termini di costo monetario per le aziende. Le aziende dovrebbero concentrarsi sugli ’errori in dollari’, poiché le aziende esistono fondamentalmente per ottenere profitti, allineandosi meglio con questo obiettivo.
Affrontando il continuo focus dell’industria sulle percentuali, Vermorel lo caratterizza come una ‘dipendenza dall’errore percentuale medio assoluto’. Motiva questa preferenza affermando che le percentuali sono più facili da capire e meno suscettibili di causare attriti all’interno di un’azienda poiché non implicano direttamente un budget o una persona specifica. Esprimere gli errori in dollari richiederebbe che qualcuno ne assuma la responsabilità, qualcosa che molte persone avverse al rischio in grandi organizzazioni preferirebbero evitare.
Sul tema del progresso tecnologico e del suo influsso sulle previsioni, Vermorel riconosce che nonostante le sfide sopra menzionate, l’accuratezza delle previsioni è effettivamente migliorata nel tempo, in gran parte grazie ai progressi nell’apprendimento statistico o nell’apprendimento automatico. L’applicazione di queste tecniche alla pianificazione e alle previsioni della domanda ha portato miglioramenti significativi all’industria della supply chain.
Vermorel chiarisce ulteriormente che l’incertezza è intrinseca nella previsione del futuro e quindi è fondamentale assegnare probabilità a tutti i possibili risultati. In modo interessante, propone che le previsioni non abbiano bisogno di essere più accurate, ma dovrebbero fornire maggiori informazioni sul futuro. Queste previsioni avanzate possono aiutare a prendere decisioni migliori sulla supply chain, l’obiettivo finale e la base per qualsiasi impatto fisico e misurabile. Questo riflette gli aspetti duali su cui si concentra la società di Vermorel: la previsione e l’utilizzo effettivo di queste previsioni nella presa di decisioni sulla supply chain.
La conversazione continua approfondendo l’influenza dei dati sulle previsioni probabilistiche. Vermorel concorda sul fatto che le previsioni siano basate sui dati. Chandler solleva una questione sull’incorporazione 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, comportano due preoccupazioni principali. In primo luogo, le previsioni del tempo stesse sono imperfette e costruire previsioni su di esse potrebbe aggravare le inesattezze. Inoltre, considerando le preoccupazioni legate alla supply chain, le previsioni spesso devono essere più lunghe di una settimana, periodo in cui l’accuratezza delle previsioni meteorologiche diminuisce significativamente.
In secondo luogo, le previsioni del tempo generano grandi quantità di dati che potrebbero essere difficili da gestire. Vermorel illustra questo notando che viene generato un punto dati all’ora per chilometro quadrato ogni 20 minuti quando si considera il tempo. Questo non riguarda solo la temperatura, ma include anche umidità, velocità e direzione del vento e luce, portando a terabyte di dati difficili da incorporare nella supply chain.
La discussione si sposta dalle complessità dei dati meteorologici al potenziale dell’intelligenza umana nel migliorare le previsioni. Vermorel conferma la grande capacità del cervello umano, ma riconosce che non è una soluzione praticabile a causa del suo alto costo. Per qualsiasi grande azienda della supply chain, migliaia o milioni di decisioni sulla supply chain devono essere prese quotidianamente, richiedendo un numero considerevole di individui intelligenti. Tuttavia, la maggior parte delle aziende non può permettersi di assumere così tante persone, motivo per cui dipendono dalle aziende software. Vermorel accetta che sebbene il contributo umano possa migliorare notevolmente l’accuratezza delle previsioni, non è scalabile e questa problematica pratica richiede soluzioni software.
Vermorel sottolinea la necessità di utilizzare l’intelligenza delle persone all’interno delle aziende in senso capitalista. La loro conoscenza e intuizioni dovrebbero essere considerate risorse preziose che si accumulano nel tempo, piuttosto che entità usa e getta o consumabili. Questo approccio può portare a un miglioramento continuo dei sistemi di supply chain.
Vermorel suggerisce un modo per utilizzare l’intelligenza umana migliorando la qualità dei dati inseriti nel sistema di previsione. La qualità dei dati non è un dato di fatto; richiede sforzi continui di manutenzione e miglioramento. I dati transazionali, sostiene Vermorel, svolgono un ruolo critico nel migliorare l’accuratezza delle previsioni e hanno spazio per ulteriori miglioramenti. Ad esempio, poche aziende tengono traccia accuratamente della cronologia delle rotture di stock. Tuttavia, per prevedere la domanda futura, è fondamentale determinare se la mancanza di vendite è dovuta a una mancanza di domanda o a una situazione di stock-out. Pertanto, Vermorel sostiene la corretta registrazione di tutti i dati rilevanti, inclusi gli stock-out, le promozioni e i prezzi dei concorrenti, per migliorare l’accuratezza delle previsioni.
Vermorel sottolinea la necessità di utilizzare l’intelligenza delle persone all’interno delle aziende in senso capitalista. La loro conoscenza e intuizioni dovrebbero essere considerate risorse preziose che si accumulano nel tempo, piuttosto che entità usa e getta o consumabili. Questo approccio può portare a un miglioramento continuo dei sistemi di supply chain.
Quando si affronta la previsione 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 erratici. Egli sostiene che l’obiettivo non è l’accuratezza assoluta delle previsioni, ma piuttosto una previsione più accurata di quella che i team possono produrre date le loro limitazioni di tempo.
In situazioni come la moda, in cui i nuovi lanci di prodotti non hanno dati storici, Vermorel offre una soluzione. 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 di prodotti storici e sulle caratteristiche dei prodotti. Questo metodo può correlare una nuova camicia, ad esempio, con camicie precedentemente lanciate per costruire una previsione che, sebbene potrebbe non essere estremamente accurata a causa della natura volatile dell’industria della moda, può essere abbastanza accurata da essere redditizia.
Vermorel conferma che Lokad utilizza questo approccio nel suo modello di previsione, consentendo previsioni efficaci anche in condizioni difficili, come i nuovi lanci di prodotti.
Trascrizione completa
Kieran Chandler: Oggi parleremo di un argomento che ha diviso molto l’opinione nell’industria della supply chain: l’accuratezza delle previsioni. Sono lieto di dire che oggi sono qui con il CEO e fondatore di Lokad, Joannes Vermorel, che mi darà un po’ di aiuto per la discussione di oggi. Quindi Joannes, grazie per essere qui con noi oggi.
Joannes Vermorel: Grazie, Kieran.
Kieran Chandler: Joannes, se guardiamo all’industria della supply chain nel suo complesso, spesso vediamo che i professionisti si lamentano molto dell’accuratezza delle loro previsioni. Tuttavia, se guardiamo ai fornitori di software, spesso affermano di avere accuratezze molto elevate. Entrambi non possono avere ragione. Quale è la tua opinione sulla situazione?
Joannes Vermorel: La situazione è davvero sorprendente. Negli ultimi due decenni, forse anche di più, ad ogni grande fiera della supply chain c’è almeno un fornitore di software di alto livello che afferma di aver ridotto l’errore di previsione del 50% o qualcosa di simile. Ovviamente, se si compone una riduzione dell’errore del 50% all’anno per 20 anni, logicamente non dovremmo avere alcun errore di previsione, il che ovviamente non è lo stato 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 guardare la questione. Gli errori di previsione costano denaro alle aziende, espresso in dollari, non in percentuale. Quello a cui dovremmo veramente guardare sono le cifre in dollari degli errori per le aziende che gestiscono supply chain nel mondo reale.
Kieran Chandler: Ha molto senso perché, fondamentalmente, le aziende sono lì per fare soldi. Questo è l’economia di base, vero? Le aziende vogliono massimizzare i loro profitti e le imprese ne traggono profitto. Anche come società, possiamo trarne profitto perché otteniamo una migliore gamma di prodotti a prezzi più bassi. Tuttavia, non è quello che vediamo realmente nell’industria. L’industria è ancora molto concentrata sull’utilizzo delle percentuali. Perché sono così concentrati su questo? Qual è il motivo?
Joannes Vermorel: Il nucleo dell’ossessione per l’errore percentuale medio assoluto (MAPE) è radicato nel fatto che le percentuali sono facili. È facile ottenere una percentuale. Con una percentuale, nessuno si impegna davvero in nulla e non si influenzerà il budget di nessuno. Esprimere gli errori in dollari ha più senso, ma chiarisce le conseguenze e chi dovrebbe essere responsabile dell’errore. Le aziende che gestiscono grandi catene di approvvigionamento sono composte da molte persone. Queste persone, facendo parte di un’organizzazione di grandi dimensioni, tendono ad essere avverse al rischio. Non vogliono proporre qualcosa che possa antagonizzare il resto della propria organizzazione e l’espressione dell’errore di previsione in dollari fa esattamente questo. Individua le aree che sono veramente responsabili dei dollari di errore. Quindi, mentre le percentuali sono facili, i dollari sono la metrica corretta. Probabilmente è per questo che siamo ancora bloccati in questa situazione; la cosa facile è semplicemente più facile da fare.
Kieran Chandler: Ok, quindi se mettiamo da parte per ora i dollari di errore e prendiamo solo le percentuali di errore come esempio, c’è qualche processo tecnologico che può essere seguito per migliorare la percentuale di errore? Cosa possono fare le aziende di software a riguardo?
Joannes Vermorel: Nonostante il fatto che gli errori di previsione non siano migliorati del 50% all’anno negli ultimi vent’anni circa, l’accuratezza delle previsioni è migliorata. La maggior parte del miglioramento non è stato guidato dai progressi all’interno del mondo delle catene di approvvigionamento, ma piuttosto da un progresso tecnologico molto ampio proveniente da un settore noto come apprendimento statistico, più comunemente noto come machine learning. L’ultima versione di questo è in realtà il deep learning. Quindi, ci sono stati veri progressi tecnologici negli ultimi 20 anni.
Kieran Chandler: È noto che l’utilizzo di determinate tecniche per la pianificazione della domanda e la previsione nella catena di approvvigionamento può portare a un miglioramento significativo e misurabile delle previsioni. È un progresso che può essere visto in percentuali, ma anche in dollari. Quindi è molto tangibile. Ma ci deve essere un altro modo per migliorare l’accuratezza di queste previsioni. Le aziende e i fornitori di software, ad esempio, potrebbero cambiare l’accuratezza dei loro processi? Potrebbero addestrare meglio le loro squadre, ad esempio?
Joannes Vermorel: Ci sono effettivamente due cose che possono fare. In primo luogo, possono perfezionare la portata delle previsioni stesse. Quello che intendo è passare a previsioni probabilistiche. Il tipo tradizionale di previsione fa una sola affermazione, come “la mia domanda futura sarà esattamente questa”. Ora, le previsioni probabilistiche assumono una visione molto più olistica. Molte cose possono accadere, c’è un’incertezza irriducibile sul futuro e quindi assegniamo probabilità a tutti quei futuri potenziali. Questo è un modo in cui le aziende possono migliorare, adottando previsioni che raccontano di più sul futuro. Non deve necessariamente essere più accurato, deve solo fornire più informazioni sul futuro. Questa è l’essenza delle previsioni probabilistiche.
L’altro aspetto è pensare a cosa si può fare per consentire alle persone di sfruttare queste previsioni per prendere decisioni migliori nella catena di approvvigionamento. Previsioni migliori sono ottime, ma possiamo trasformarle in decisioni migliori per la catena di approvvigionamento? Alla fine, le decisioni migliori per la catena di approvvigionamento con un impatto misurabile sono ciò che conta veramente. Quindi questi sono i due aspetti che stiamo considerando.
Kieran Chandler: E queste previsioni probabilistiche sono guidate dai dati, giusto?
Joannes Vermorel: Sì, assolutamente.
Kieran Chandler: Riguardo all’aspetto dei dati, dove tracciamo la linea? Ad esempio, cose come il meteo sono piuttosto interessanti. In estate, le persone sono più propense a comprare gelati, mentre in inverno sono più propense a comprare cioccolate calde, sciarpe e guanti. Quindi, potremmo utilizzare cose come le previsioni del tempo nelle previsioni probabilistiche?
Joannes Vermorel: È una domanda molto ampia. Per migliorare l’accuratezza delle previsioni, è necessario incorporare informazioni e queste informazioni devono provenire da qualche parte. Il primo posto in cui puoi cercare queste informazioni è il dato storico dell’azienda stessa. Tuttavia, credo che la maggior parte delle aziende, diciamo il 99% di esse, non stia sfruttando appieno i dati transazionali di alta qualità che già possiedono.
Per quanto riguarda le fonti esterne, come le previsioni del tempo, sollevano almeno due diverse preoccupazioni. In primo luogo, le previsioni del tempo sono imperfette. Se si desidera costruire previsioni basate su altre previsioni, si incorre nel problema di accumulare inesattezze nelle previsioni. Questo è un problema difficile da risolvere nella pratica. Inoltre, se si pensa a problemi legati alla supply chain, di solito è necessario pensare a più di sette giorni in anticipo e l’accuratezza delle previsioni del tempo diventa piuttosto scarsa nella pratica. Quindi l’utilizzo delle previsioni del tempo è problematico.
E poi c’è un altro problema. Per chiunque abbia cercato di sfruttare queste fonti di dati esterne, si renderà conto che ci sono sfide coinvolte.
Kieran Chandler: Quindi per le previsioni del tempo, che sono piuttosto significative nelle previsioni statistiche, stiamo parlando di dati estesi. Non si tratta solo di un punto dati; è un punto dati ogni ora, per chilometro quadrato, ogni 20 minuti in avanti. Dobbiamo considerare fattori come temperatura, umidità, vento e direzione della luce. Quindi i dati che vorresti utilizzare per affinare le tue previsioni sulla supply chain sono immensi. Stiamo letteralmente parlando di portare terabyte di dati. Puoi discutere delle praticità di implementare una quantità così vasta di dati?
Joannes Vermorel: Sì, in effetti, le praticità di incorporare qualcosa come i dati meteorologici globali nella tua supply chain possono essere sconcertanti. È un compito difficile. Ci sono cose molto più facili da fare. Quindi nella pratica, il meteo probabilmente non è il miglior esempio da usare.
Kieran Chandler: Ok, consideriamo un altro punto di vista. Cosa ne dici del cervello umano? È uno strumento incredibilmente potente. C’è un modo in cui potremmo sfruttarlo per migliorare le nostre previsioni?
Joannes Vermorel: Assolutamente. Gli algoritmi che abbiamo attualmente non sono fondamentalmente sovrumani. 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 uno scienziato della supply chain perché richiede molto di più. Tuttavia, il problema dell’intelligenza umana non è la sua capacità ma il suo costo. Le grandi aziende di supply chain si occupano di migliaia, se non milioni, di supply chain ogni giorno. La domanda è quante persone intelligenti puoi permetterti di prendere quelle necessarie decisioni quotidiane? La risposta, come si vede con i nostri clienti, di solito non è abbastanza. Quindi sì, l’apporto umano può migliorare notevolmente l’accuratezza delle previsioni, ma non scala bene, rendendolo praticamente impegnativo. Ecco perché l’industria si affida a società di software come la nostra.
Kieran Chandler: Questo è un punto importante. Come suggerisci alle aziende di sfruttare al meglio i loro dipendenti intelligenti? Dovrebbero applicare la loro intuizione e conoscenza ai sistemi? Come dovrebbe avvenire questa integrazione?
Joannes Vermorel: La domanda chiave qui è come possiamo capitalizzare su queste persone per ridurre l’errore di previsione. Non si vuole semplicemente consumare e scartare le loro intuizioni; non è l’approccio giusto. È necessario capitalizzare sulla loro conoscenza nel tempo per un miglioramento continuo. Un passo pratico che possono compiere è migliorare la qualità dei dati inseriti nel sistema di previsione. Mantenere e migliorare la qualità dei dati richiede uno sforzo continuo. Ad esempio, poche aziende tengono traccia accurata della storia delle mancanze di magazzino. Ma se si desidera prevedere la domanda futura, è necessario distinguere tra nessuna vendita in un determinato periodo a causa di nessuna domanda e nessuna vendita a causa di una mancanza di magazzino.
Kieran Chandler: State registrando correttamente tutto questo? Ci sono molte cose come mancanze di magazzino, promozioni, i vostri prezzi e i prezzi dei vostri concorrenti che potete includere nel vostro set di dati. Questi sono molto azionabili e possono rendere la vostra previsione più accurata.
Joannes Vermorel: In effetti, ci sono numerosi fattori da considerare che possono contribuire a migliorare l’accuratezza delle previsioni.
Kieran Chandler: Parlando di accuratezza delle previsioni, come si fa a prevedere per un prodotto che non è ancora stato lanciato? In settori come la tecnologia e la moda, non ci sono dati storici e questi settori sono piuttosto erratici. C’è qualche speranza di ottenere previsioni accurate?
Joannes Vermorel: È una domanda molto complicata. 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 l’anno successivo, non farei una previsione statistica. Giocherei in borsa. La vera domanda è come produrre una previsione che sia più accurata di quella che il tuo team può produrre dato il loro tempo limitato. Non si tratta di accuratezza assoluta, ma di accuratezza relativa.
Kieran Chandler: Quindi, stai suggerendo che non c’è speranza per una previsione assolutamente accurata, soprattutto nella moda?
Joannes Vermorel: In senso assoluto, no, la moda è troppo erratica. Tuttavia, possiamo cercare qualcosa che sia comparabilmente più accurato. La sfida è: possiamo avere una previsione statistica che funzioni nella moda, dove i prodotti che si desidera prevedere non hanno dati storici? È un enigma perché la previsione statistica si basa sui dati. Ma ecco un punto di vista. Se sei un’azienda di moda, stai lanciando migliaia di prodotti ogni anno. Anche se sembra un prodotto completamente nuovo, non è del tutto nuovo. Emerge all’interno di un mercato che puoi osservare dalle tue 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 utilizzare dati passati per fare previsioni accurate?
Joannes Vermorel: Esattamente. Puoi correlare questa nuova camicia che stai lanciando ora con le camicie che hai lanciato in passato. Quello che rimane è la natura completamente erratica dell’industria della moda, che si rifletterà nell’inesattezza delle previsioni. Il punto è che sì, puoi affrontare questo problema e puoi produrre una previsione abbastanza accurata da essere redditizia anche per i lanci di prodotti.
Kieran Chandler: Sembra quello che stai 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 esitate a contattarci, inviarci una e-mail o 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 esservi uniti a noi oggi e ci vediamo molto presto.