00:00:03 Previsioni probabilistiche: introduzione e panoramica.
00:01:34 Incertezza e accuratezza nelle previsioni probabilistiche.
00:02:25 Previsioni probabilistiche: gestione delle asimmetrie nelle supply chains.
00:04:33 Limiti sfuggenti ed eventi improbabili nelle previsioni probabilistiche.
00:07:43 Il ruolo dei modelli matematici nelle previsioni probabilistiche.
00:09:15 Valutazione dell’accuratezza di una previsione probabilistica.
00:11:14 Svantaggi delle previsioni classiche rispetto a quelle probabilistiche.
00:13:07 La dipendenza delle industrie dalle previsioni classiche e i limiti di Excel.
00:15:23 Le migliori applicazioni della previsione probabilistica.
00:18:43 Industrie in cui la previsione probabilistica non è necessaria.
00:20:03 Previsione probabilistica: adozione e motivazioni.
00:22:34 Prospettive future della previsione probabilistica.
00:24:27 Metodi futuri: omettere il calcolo esplicito delle probabilità.
00:25:37 Analisi approfondita dei futuri rilevanti e delle richieste.
00:26:14 Incertezze nella tempistica della domanda di prodotto.
00:27:03 Scenari “what-if”: impatto delle variazioni di prezzo.
00:27:56 Importanza dell’esplorazione selettiva.
Riassunto
In questa discussione con Kieran Chandler, Joannes Vermorel, fondatore di Lokad, spiega la natura e i benefici delle previsioni probabilistiche. A differenza delle previsioni deterministiche, le previsioni probabilistiche offrono una gamma di esiti, ciascuno con una certa probabilità. Questo approccio è considerato un modo migliore per affrontare le asimmetrie delle supply chains, come le diverse implicazioni della sovrastima e della sottostima della domanda. Non si limita alle medie, ma valuta un continuum di scenari potenziali. Sebbene complesso, il potenziamento della capacità computazionale e il deep learning stanno rendendo la previsione probabilistica più accessibile. Vermorel prevede un futuro in cui le previsioni abbracciano l’incertezza e integrano una moltitudine di variabili, promettendo una rappresentazione più dettagliata e realistica dei futuri possibili.
Riassunto Esteso
In questo episodio di Lokad TV, Kieran Chandler avvia un dialogo con Joannes Vermorel, fondatore di Lokad, discutendo di previsioni probabilistiche, dei loro vantaggi, dell’implementazione e dell’utilizzo nelle imprese.
Vermorel spiega che le previsioni probabilistiche indicano un tipo di previsione in cui la conoscenza del futuro rimane imperfetta. A differenza delle previsioni deterministiche, che prevedono un singolo esito definitivo, le previsioni probabilistiche delineano uno spettro di esiti potenziali, ciascuno associato a una particolare probabilità. L’idea è di accogliere l’incertezza intrinseca agli eventi futuri. Questo metodo potrebbe non garantire una precisione assoluta, ma offre potenzialmente una maggiore rilevanza per il processo decisionale.
Secondo Vermorel, il principale vantaggio delle previsioni probabilistiche rispetto a quelle tradizionali risiede nella capacità di gestire le asimmetrie nelle supply chains. Egli sottolinea che la sovrastima e la sottostima della domanda possono portare a esiti asimmetrici. Ad esempio, nel settore aerospaziale, sovrastimare la domanda potrebbe generare un surplus di viti che costano 50 euro, mentre una sottostima potrebbe far sì che un aereo rimanga a terra, comportando centinaia di migliaia di euro in costi per il riorientamento dei passeggeri e ritardi.
Vermorel sottolinea che i metodi tradizionali di previsione spesso mirano a un esito medio. Tuttavia, egli evidenzia che nelle supply chains i costi sono generalmente influenzati maggiormente dagli eventi estremi. Illustra ulteriormente il problema con esempi tratti dai settori aerospaziale e della grande distribuzione alimentare, dove un eccesso di inventario può portare a scarti e perdite finanziarie.
Parlando degli estremi, Vermorel chiarisce che non esistono confini definiti, bensì un continuum di eventi poco frequenti. Per un prodotto tipico, potrebbe esserci una probabilità del 5% di osservare il doppio della domanda giornaliera, una probabilità dell'1% di osservare quattro volte la domanda giornaliera e una probabilità minima di osservare dieci volte la domanda giornaliera. La previsione probabilistica non si limita alle medie, ma esamina una gamma di esiti possibili.
Sebbeno Vermorel riconosca la difficoltà di valutare infinite possibilità future, egli sostiene che le risorse computazionali moderne permettono di incorporare un’ampia gamma di rischi. Eventi estremi, come l’affondamento di una spedizione, sono improbabili, ma ritardi alla dogana o altri problemi logistici possono essere considerati, poiché potrebbero avere effetti simili sull’offerta.
Vermorel procede nello svelare la natura affascinante della previsione probabilistica. Egli introduce la necessità di metriche adeguate per valutare l’accuratezza delle previsioni probabilistiche, assegnando idealmente un peso maggiore agli eventi a cui il modello attribuisce probabilità più elevate.
Tracciando un parallelo con una previsione ipotetica sulla vittoria dell’Italia alla Coppa del Mondo, Vermorel dimostra che la precisione di un modello si riflette nella vicinanza tra le probabilità assegnate e gli eventi reali. Egli confronta la previsione probabilistica con quella tradizionale, affermando che, sebbene la prima potrebbe non essere intrinsecamente più accurata, essa fornisce informazioni più ricche considerando una gamma più ampia di esiti potenziali.
Vermorel continua spiegando che le previsioni probabilistiche possono essere “compattate” in previsioni classiche calcolando una media. Tuttavia, questo processo omette informazioni preziose sugli eventi estremi o “di coda” – quelli caratterizzati da una domanda sorprendentemente alta o bassa. Questi eventi spesso hanno un impatto finanziario maggiore nel contesto delle supply chains, dove deviazioni dalla media possono portare a conseguenze onerose, come rotture di stock o svalutazioni di inventario.
Nonostante questi vantaggi, Vermorel riconosce che molte industrie usano ancora tecniche di previsione classiche, spesso tramite Excel. Egli chiarisce che ciò è dovuto all’accessibilità e alla comodità di Excel nel creare previsioni semplici. La transizione verso la previsione probabilistica richiederebbe l’abbandono di Excel a causa della complessità e dell’intensità computazionale necessarie per considerare un gran numero di futuri potenziali.
Vermorel osserva che le industrie caratterizzate da alta incertezza, come la moda, la manutenzione aerospaziale, l’e-commerce e il retail a livello di negozio, sono particolarmente adatte alla previsione probabilistica. Queste industrie si confrontano con l’imprevedibilità, dalle tendenze capricciose della moda alle esigenze sporadiche di parti specifiche per aeromobili, e dalla lunga coda delle vendite online alle fluttuazioni delle vendite a livello di negozio in mercati di grandi dimensioni.
Vermorel identifica situazioni in cui la previsione probabilistica potrebbe essere meno adatta, come in industrie o in casi in cui gli esiti futuri possono essere previsti con precisione. Ad esempio, la produzione di cemento o alcune linee di produzione automobilistica, in cui contratti a lungo termine offrono una chiara visibilità sui requisiti futuri. In questi casi, i metodi di previsione tradizionali sono sufficienti. Il vero valore della previsione probabilistica, osserva Vermorel, emerge in situazioni di elevata incertezza, dove gli esiti futuri non possono essere anticipati con precisione.
La conversazione poi si sposta sul motivo per cui la previsione probabilistica sta diventando sempre più popolare, nonostante non sia un concetto nuovo. Vermorel individua due fattori principali: la diminuzione dei costi della potenza di elaborazione e l’emergere di metodi statistici come il deep learning. Un decennio fa, le risorse computazionali necessarie per i calcoli probabilistici erano esorbitantemente costose. Con la diminuzione dei costi, questi metodi sono diventati più accessibili. Inoltre, i progressi nel deep learning, un sottocampo dell’IA trainato dalla modellazione probabilistica, hanno ulteriormente favorito l’ascesa della previsione probabilistica.
Discutendo il futuro della previsione probabilistica, Vermorel afferma con sicurezza che non ci sarà un ritorno ai metodi classici. La previsione probabilistica offre maggiori intuizioni sul futuro, rendendo controproducente tornare a metodi che forniscono informazioni meno approfondite. Tuttavia, egli ammette le complessità coinvolte, specialmente quando gli scenari prevedono molteplici fattori o prodotti. Gli scenari da esplorare si espandono esponenzialmente con l’aggiunta di ogni elemento, rendendo quasi impossibile il calcolo esplicito delle probabilità. Questo, secondo Vermorel, porterà i metodi futuri verso calcoli che non mirano a esprimere tutte le probabilità, un approccio già impiegato dal deep learning.
La discussione si conclude con Vermorel che descrive come le previsioni future potrebbero accogliere l’incertezza e integrare variabili complesse. Considerando tutti i futuri potenziali, comprese le variazioni nella domanda di prodotto, le tempistiche di fornitura e gli adeguamenti dei prezzi, le possibilità diventano virtualmente illimitate. Tuttavia, Vermorel sottolinea che l’obiettivo non dovrebbe essere esaminare ogni futuro potenziale singolarmente, ma impiegare tecniche matematiche che consentano di esplorare numerosi scenari possibili senza elencarli esplicitamente. Pur presentando numerose sfide, questo approccio apre nuove opportunità di esplorazione nel campo delle previsioni.
Trascrizione Completa
Kieran Chandler: Oggi su Lokad TV discuteremo esattamente di cosa sono le previsioni probabilistiche, perché possono essere vantaggiose e di come possono essere implementate nelle aziende per migliorare il loro funzionamento. Quindi Joannes, in questo momento, con così tanti appassionati di sport e scommettitori che cercano di capire chi vincerà esattamente la Coppa del Mondo, forse il punto di partenza migliore è: cosa sono le previsioni probabilistiche?
Joannes Vermorel: Le previsioni probabilistiche rappresentano una classe di previsioni in cui l’informazione sul futuro è imperfetta. Si ha una percezione dei futuri probabili, di quelli che hanno una possibilità di verificarsi, rispetto a quelli che non ce l’hanno. Tipicamente, quando si pensa alle previsioni, esse vengono considerate definitive, per esempio, “Questa squadra vincerà”. Ma il punto è che non si sa con certezza; è solo una certa probabilità che questa squadra vincerà. Una previsione più accurata consiste nell’avere una rosa ristretta di squadre molto forti che, collettivamente, hanno una probabilità molto alta di vittoria. Non è soddisfacente come conoscere il vincitore, ma nessuno potrà mai saperlo a causa dell’incertezza in gioco. La previsione probabilistica consiste nell’esprimere un’affermazione sul futuro che coinvolge probabilità. Essa abbraccia l’idea stessa che non si sa tutto sul futuro e non si finge di saperlo.
Kieran Chandler: Allora, qual è il principale vantaggio di questo rispetto alle tecniche di previsione più tradizionali?
Joannes Vermorel: Il principale vantaggio è che le previsioni probabilistiche offrono un approccio per affrontare tutte le asimmetrie presenti nelle supply chains. Quello che intendo per asimmetrie è il fatto che il costo della sovrastima o della sottostima della domanda non è simmetrico. Ad esempio, prendiamo il settore aerospaziale. Se sovrastimi la domanda, potresti ritrovarti con una vite in eccesso in magazzino che non utilizzi mai. Ma se sottostimi la necessità di viti, potresti far rimanere a terra un aereo, con conseguenti costi di centinaia di migliaia di euro per il riorientamento dei passeggeri e ritardi.
Kieran Chandler: Quindi, se parliamo di questi estremi, fondamentalmente sono dei limiti, vero? Allora, come possiamo stabilire dove si trovano questi limiti?
I limiti possono essere sfuggenti; è una questione di probabilità. Ad esempio, se solitamente in un negozio la domanda per un determinato prodotto è di, poniamo, cinque unità al giorno, potresti avere una probabilità del 5% di osservare dieci unità richieste in un giorno, una probabilità dell'1% di avere 20 unità richieste e una probabilità quasi nulla di avere, diciamo, 50 unità richieste in un singolo giorno. Quindi, non esiste un limite definitivo, ma un continuum di eventi che diventano via via più rari, e si possono valutare le relative probabilità. Tuttavia, in questo continuum, stai dicendo di prevedere ogni singola possibilità? Certamente, bisogna porre un limite. Non si può sapere esattamente cosa accadrà domani. Ad esempio, se hai in consegna dei prodotti, esiste la probabilità che la nave su cui stanno arrivando affondi. Puoi davvero considerare ogni futuro possibile?
Joannes Vermorel: Esiste un limite a ciò che possiamo valutare a causa delle risorse computazionali. Sì, abbiamo computer con molta memoria e potenza di elaborazione, ma dobbiamo limitare il numero di caratteristiche che possiamo valutare a un numero finito. Tuttavia, i computer dispongono di risorse di calcolo enormi. Quindi, anche se il numero di futuri che possono essere valutati è finito, può essere comunque estremamente elevato. Ad esempio, per un prodotto che solitamente vende solo poche unità al giorno, è ancora possibile valutare in maniera economica la probabilità di vendere mille unità, anche se si tratta di una possibilità esile, una su un milione. Allo stesso modo, per il rischio che una nave affondi, potrebbe trattarsi di una possibilità su un milione, ma un computer è in grado di eseguire miliardi di calcoli al secondo.
Pur non considerando il rischio che una nave affondi, possiamo valutare il rischio che una nave venga trattenuta indefinitamente alla dogana. Questo può accadere e potrebbe causare un ritardo di tre mesi a causa di problemi con il processo doganale. Un tale ritardo sarebbe quasi equivalente a un affondamento, per quanto riguarda la tua spedizione. Ad esempio, se aspetti dei costumi da bagno, la stagione sarà finita per quando li riceverai. Sarà inverno e il tuo prodotto risulterà inutile.
Kieran Chandler: Sì, una nave sul fondo dell’oceano è davvero un esempio estremo. Parliamo dei modelli matematici che hai menzionato. Come facciamo a sapere quale sia il migliore da utilizzare? Per quanto ho capito, ci sono diverse previsioni e diverse tecniche di previsione a seconda del modello matematico che usiamo.
Joannes Vermorel: Innanzitutto, hai bisogno di un modello matematico che generi distribuzioni di probabilità, cosa molto diversa dai modelli che potresti usare in Excel. Quando la gente pensa alle previsioni, normalmente immagina una sorta di media mobile. Considerano quale sia stata la domanda la scorsa settimana o lo scorso anno, calcolano la media del periodo rilevante, e così ottengono una previsione. Non è un metodo male, ma produce una stima puntuale unica.
Quando vuoi passare al mondo probabilistico, hai bisogno di qualcosa che generi una distribuzione di probabilità. Hai a disposizione una varietà di modelli matematici. Il più famoso è il modello di Poisson, oppure, se vuoi essere davvero raffinato, puoi dare un’occhiata ai modelli binomiali negativi. Queste sono diverse classi di modelli parametrici, ma esistono anche modelli non parametrici.
Kieran Chandler: Capisco che l’uso di un modello matematico più sofisticato possa generare probabilità che aiutino a prevedere la domanda. Tuttavia, questo non sembra essere la fine del processo. Qualunque cosa accada, il tuo modello può sempre dire “te l’avevo detto”. Se prevede 10 unità di domanda e osserviamo 10 unità, il modello ha ragione. Se osserviamo 100 unità, il modello dice comunque che c’era una probabilità che ciò accadesse. Quindi, come facciamo a sapere se un modello è buono o no?
Joannes Vermorel: Hai ragione. Ecco perché abbiamo bisogno di metriche migliori, metriche adatte alle previsioni probabilistiche. Se il tuo modello assegna un’alta probabilità a un evento che effettivamente si verifica, allora sta funzionando bene. Ad esempio, se predico che l’Italia ha l'80% di probabilità di vincere la Coppa del Mondo e non vincono, il modello è stato impreciso. Tuttavia, se dico che l’Italia ha il 5% di probabilità e non vincono, il modello è stato ragionevolmente accurato. Queste metriche misurano quanto peso, in termini di probabilità, assegni agli eventi che effettivamente si realizzano.
Kieran Chandler: È interessante che menzioni l’accuratezza. Come si confronta l’accuratezza di una previsione probabilistica con quella di una previsione tradizionale? Sembrano infatti misurare cose molto diverse.
Joannes Vermorel: Infatti, lo sono. Una previsione probabilistica non è, per sua natura, più accurata di una previsione classica. Tuttavia, una distribuzione di probabilità può essere ridotta a una previsione classica prendendo la media. Il problema è che si perde ogni informazione sulle code – quegli eventi in cui la domanda potrebbe essere sorprendentemente alta o bassa. Puoi misurare l’accuratezza di una previsione probabilistica con una metrica tradizionale come l’errore percentuale assoluto medio, ma non ha molto senso. L’obiettivo è catturare più informazioni sugli eventi inaspettati. Vuoi che la tua previsione sia accurata dove conta davvero dal punto di vista finanziario. In supply chain management, questa non è sempre la situazione media.
Kieran Chandler: Quindi, in sostanza, il vantaggio delle previsioni probabilistiche è che ti permettono di avere una visione più ampia e di produrre previsioni più ricche?
Joannes Vermorel: Sì, esatto. Ti offrono più dimensioni, più profondità per comprendere il futuro.
Kieran Chandler: Ma nonostante ciò, molti nell’industria usano ancora tecniche di previsione tradizionali. Perché la gente si accontenta ancora di questi metodi?
Joannes Vermorel: Non direi necessariamente che siano contenti di usare queste tecniche. La realtà è che la maggior parte delle supply chain si basa ancora pesantemente su strumenti come Excel, che non sono progettati in modo ottimale per produrre previsioni probabilistiche.
Kieran Chandler: Previsioni, intendo, è possibile produrre qualche previsione poetica, ma non è affatto altrettanto comodo. Realizzare una previsione classica significa semplicemente costruire una sorta di ricetta della media mobile e il gioco è fatto. Tuttavia, quando vuoi passare al mondo probabilistico, devi rinunciare a Excel. Non solo devi smettere di generare la previsione in Excel, ma devi anche rinunciare a prendere decisioni in Excel. Perché?
Joannes Vermorel: Le tue decisioni saranno un’esplorazione di tutti i futuri possibili. Valuterai tutte le decisioni possibili e confronterai queste decisioni con tutti i futuri possibili per valutare l’esito economico di ciascuna scelta. In questo modo, puoi selezionare direttamente la decisione migliore in base a tutti gli esiti possibili. All’improvviso, vedi che hai un gran numero di variabili da considerare e un gran numero di decisioni da valutare contro futuri ancora maggiori. Diventa molto più intensivo dal punto di vista computazionale e fondamentalmente incompatibile con Excel.
Kieran Chandler: Quindi, se ho capito correttamente, il motivo per cui la gente non fa ciò è principalmente perché non dispone degli strumenti necessari. Passano a Excel non perché lo preferiscano, ma perché ERP non è riuscito a fornire quel tipo di analisi sofisticata del rischio di cui hanno bisogno per prendere le decisioni giuste per la loro supply chain. Quindi, se parliamo di quei settori, in quali industrie funziona meglio la previsione probabilistica? Dove stai vedendo i migliori risultati per una previsione probabilistica?
Joannes Vermorel: Le previsioni probabilistiche brillano davvero quando c’è incertezza. Ad esempio, se vuoi produrre previsioni sul consumo elettrico a livello nazionale, puoi farlo con un alto grado di precisione. Puoi avere una previsione con un’accuratezza dello 0,5% se vuoi prevedere il consumo elettrico della Francia per ogni fascia oraria, probabilmente fino a 48 ore in anticipo. Questa è una situazione in cui conosci quasi perfettamente il futuro. La stessa cosa vale se vuoi prevedere quanto traffico ci sarà sulle strade: puoi ottenere previsioni molto accurate, poiché è altamente prevedibile. Ma se ti sposti in ambiti in cui l’incertezza è maggiore, è lì che le previsioni probabilistiche diventano più preziose.
Kieran Chandler: Puoi fare qualche esempio di questi settori?
Joannes Vermorel: Assolutamente. Settori come la moda, dove le tendenze sono altamente erratiche, sono un buon esempio. La moda ha molta incertezza irriducibile. Anche l’aerospazio e la manutenzione in generale presentano un grande grado di incertezza, non perché gli aerei stessi siano incerti, ma perché ci sono molte parti che vengono richieste raramente. Non sai quando avrai bisogno di un pezzo, e hai così tanti pezzi di ricambio e aeromobili che non è come vendere bottiglie di latte in un mercato aperto dove vendi centinaia di unità ogni giorno. È molto più erratico.
Ecommerce in generale è un altro esempio. La coda lunga dei prodotti è veramente molto lunga e la maggior parte delle vendite proviene da prodotti che hanno vendite intermittenti ed erratiche. E non dimentichiamo tutto ciò che accade al punto vendita e a livello del negozio. Anche se osservi cosa succede in un negozio, anche in un ipermercato che può avere fino a centomila referenze, in Europa ad esempio hai solo circa 2.000 prodotti nei quali venderai cinque unità o più ogni giorno. Tutti gli altri prodotti venderanno meno di cinque unità al giorno. Quindi, si tratta di numeri ridotti, e la natura erratica è notevole. Le previsioni probabilistiche brillano qui perché ti offrono una visione dei rischi che affronti nelle decisioni relative all’inventario.
Kieran Chandler: In sostanza, le previsioni probabilistiche brillano in aree dove c’è un alto livello di incertezza?
Joannes Vermorel: Esatto.
Kieran Chandler: Qualunque cosa: se c’è molta incertezza e devi ottimizzare le tue decisioni considerando sia scenari di domanda sorprendentemente bassa sia scenari di domanda sorprendentemente alta. Ok, abbiamo parlato molto dei benefici delle previsioni probabilistiche. Abbiamo discusso di dove funzionano bene. Ma per quei settori in cui non è così appropriato usarle? Esistono industrie in cui una previsione classica è sufficiente?
Joannes Vermorel: Sì, per esempio, se stai producendo cemento e hai clienti che ti forniscono un backlog di ordini per i prossimi tre anni, allora non hai bisogno di previsioni. Se conosci il futuro, può accadere anche per alcune linee di produzione nell’industria automobilistica. Quando sai già con 12 mesi di anticipo esattamente cosa produrrai, perché è un grande produttore di automobili che ti fornisce una roadmap molto precisa e che può deviare al massimo del cinque percento, e se non rimane alcuna incertezza residua sui tuoi piani, limitandosi alla pura esecuzione, allora, in effetti, la previsione probabilistica non ti sarà d’aiuto. Essa è utile solo se esiste una certa erraticità. Se non puoi conoscere il futuro perfettamente, se hai già la tua roadmap congelata per i prossimi 12 mesi, allora sostanzialmente non ti interessa la previsione probabilistica.
Kieran Chandler: Ok, e perché le aziende stanno iniziando a utilizzare le previsioni probabilistiche ora? Voglio dire, non è una tecnologia particolarmente nuova, vero? Quindi perché adesso si vede un uso più comune di essa nell’industria?
Joannes Vermorel: Probabilmente ci sono diverse ragioni. Innanzitutto, è molto più intensivo dal punto di vista computazionale, quindi finisci per avere modelli statistici che consumano da 100 a 1.000 volte più potenza di calcolo. La buona notizia è che la potenza di elaborazione non è mai stata così economica, quindi raramente è il collo di bottiglia. Ma questo significa comunque che un decennio fa la maggior parte di questi calcoli probabilistici risultava estremamente costosa. È molto diverso poter gestire la tua supply chain con un budget di 2.000 euro al mese per la potenza di calcolo, o due milioni di euro al mese. In pratica fa una grande differenza. Questo è ciò che significano tre ordini di grandezza in termini di costo. Quindi, chiaramente, il fatto che la potenza di calcolo sia molto più economica ha contribuito notevolmente a rendere questi metodi molto più pratici. La seconda cosa è che esiste un’intera classe di metodi statistici noti come deep learning, da cui deriva questo buzzword artificial intelligence . Si tratta tutto di deep learning e il deep learning riguarda fondamentalmente la previsione probabilistica. Potresti non interessarti o non capire i tecnicismi, potresti semplicemente apprezzare il fatto di avere un piece of software che esegue il riconoscimento vocale per te, ma in realtà è guidato da calcoli probabilistici sotto il cofano. Prima abbiamo avuto più potenza di calcolo, poi sono arrivate teorie matematiche come il deep learning che hanno prevalso nei benchmark dell’IA. Ad esempio, quando l’IA è riuscita a sconfiggere giocatori come il campione del mondo a Go, è stato utilizzato un metodo probabilistico, non uno combinatorio.
Kieran Chandler: Ok, quindi sembra che le previsioni probabilistiche siano molto attuali, ma che dire del futuro? Voglio dire, come vedi i prossimi passi per le previsioni probabilistiche? Pensi che dureranno a lungo, o come le vedi?
Joannes Vermorel: Sì, intendo dire, penso che il gatto sia uscito dal sacco e non tornerà indietro. Probabilmente non torneremo mai più alla previsione classica. Una volta che hai una previsione probabilistica, sai molto di più sul futuro, quindi sarebbe davvero strano tornare a un approccio che fondamentalmente ti fornisce molte meno informazioni.
Kieran Chandler: Meno informazioni sul futuro, anche se diciamo che vogliamo esplorare tutti i futuri possibili. In pratica, non esploriamo tutte le possibilità. Ad esempio, possiamo dire di avere una probabilità di vendere zero, una, due o tre unità di questo prodotto e fare un’analisi simile per un altro prodotto. Ma che dire della probabilità congiunta per quei due prodotti insieme?
Joannes Vermorel: Infatti. All’improvviso, devo stimare magari cento scenari per considerare tutta la domanda per il mio prodotto A. Devo valutare cento scenari per tutta la domanda del prodotto B. Ma che dire di esaminare tutti gli scenari per il prodotto A e B insieme? Sarebbero circa diecimila scenari da considerare. E se aggiungo un terzo prodotto con cento scenari, diventerebbero un milione di scenari da valutare. La situazione si complica rapidamente se vuoi esprimere tutte le probabilità esplicitamente. Penso che vedremo sempre più metodi in futuro che non cercano nemmeno di esprimere quelle probabilità. Non tenterai nemmeno di calcolare tutte le possibilità per tutto ciò che può accadere. Esistono metodi che eseguono quei calcoli senza dichiarare esplicitamente le probabilità. Questo è ciò di cui parlano le tecniche di deep learning e IA. Calcolano probabilità, ma non esprimendo tutto come una probabilità. Il grande vantaggio è che puoi esplorare scenari sul futuro che sono estremamente complicati, e ben oltre la capacità di qualsiasi computer ragionevole, o anche di una flotta di computer.
Puoi comunque esplorare tutte quelle caratteristiche con astuti trucchi matematici. L’essenza del deep learning è che non esplorerai il futuro in maniera casuale. Vuoi concentrarti sui futuri che hanno maggiori probabilità di essere rilevanti per la previsione. Quindi, devi focalizzarti sulle zone relativamente dense, dove c’è una maggiore probabilità che si verifichi un futuro di interesse, invece di cercare casualmente di esplorare tutto.
Questo approccio sbloccherà una marea di scenari. Ad esempio, una delle cose che cercheremo di esplorare probabilmente quest’anno sarà non solo esaminare tutti i possibili livelli di domanda per i prodotti, ma anche considerare tutti gli orizzonti temporali possibili. Vuoi una previsione della domanda che possa iniziare in qualsiasi momento e terminare in qualsiasi momento, entrambi in maniera casuale.
Questo è un modo, per esempio, per riflettere uno scenario in cui hai una spedizione in arrivo tramite una nave e c’è incertezza. Non sai esattamente quando il prodotto smetterà di essere disponibile per la vendita nel tuo negozio, online o offline, e vuoi tener conto di questa incertezza quando pianifichi il tuo inventario.
Devi considerare il fatto che c’è incertezza su quando la merce sarà ricevuta e quando effettivamente inizierà e terminerà la domanda. Se vuoi guardare ancora più avanti, sarebbe molto interessante iniziare a esplorare scenari ipotetici.
Nell’ambito della nostra roadmap a lungo termine, intendiamo perfino iniziare ad esplorare quali sono tutti i futuri possibili se si considerano tutte le regolazioni dei prezzi che è possibile applicare sui propri prodotti. Vuoi vedere quali sono tutti i futuri possibili per la domanda se lasci i tuoi prezzi così come sono e cosa accade se inizi ad esplorare tutte le possibilità per tutte le regolazioni dei prezzi che puoi effettuare in aggiunta.
Quando inizi a pensare a tutti quei futuri possibili, i numeri diventano estremamente elevati. Il trucco è che non vuoi cercare di iterare individualmente su tutti quei futuri. Vuoi disporre di qualche tipo di tecnica matematica che ti permetta di esplorarne molti senza doverli enumerare.
Kieran Chandler: Beh, sembra che ci siano così tante possibilità. Sono contento che questo compito sia affidato ai computer, altrimenti probabilmente il mio cervello esploderebbe. Ma per oggi dobbiamo lasciar perdere. Grazie per averci dedicato del tempo per parlarci della previsione probabilistica. È stato davvero interessante. Grazie. Questo è tutto per l’episodio di oggi. Torneremo di nuovo la prossima settimana, ma fino ad allora, assicurati di essere iscritto ai nostri video e ci vediamo presto. Ciao per ora.
