00:00:07 Scorte di sicurezza e i loro svantaggi.
00:00:39 Definizione e concetto di scorte di sicurezza.
00:02:05 Origini del concetto di scorte di sicurezza e perché rimane popolare.
00:04:10 Problemi delle scorte di sicurezza: ignorare la stagionalità e ipotizzare in maniera irrealistica una distribuzione normale.
00:07:15 Situazioni in cui le scorte di sicurezza non funzionano e la necessità di approcci alternativi.
00:09:06 Come le scorte di sicurezza sottostimano il rischio e portano a un eccesso di stock.
00:12:00 Il paradosso delle scorte di sicurezza e la loro inefficacia nell’affrontare le incertezze.
00:13:20 Decisioni operative e controllo nella gestione della supply chain.
00:15:00 Approcci alternativi tra le scorte di sicurezza e metodi probabilistici.
00:16:00 Raffinare i modelli parametrici nella supply chain.
00:18:54 Il problema degli sprechi nelle scorte di sicurezza e le loro conseguenze.
00:20:37 Il ruolo delle previsioni e il loro impatto sulle scorte di sicurezza.
00:22:29 Affrontare gli errori nella gestione della supply chain per apportare miglioramenti.
00:23:01 Messaggio chiave: Non fidatevi dei modelli matematici obsoleti nella supply chain.

Riassunto

In questa intervista, Kieran Chandler e il fondatore di Lokad, Joannes Vermorel, discutono gli svantaggi delle scorte di sicurezza nella supply chain management. Le scorte di sicurezza, ovvero l’inventario aggiuntivo per tamponare la variabilità della domanda, possono risultare eccessivamente conservative, portando a un eccesso di stock e sprechi. La loro popolarità è dovuta alla semplicità e al miglioramento storico rispetto ai calcoli manuali, ma non tiene conto delle incertezze complesse della supply chain. L’affidamento del modello su una distribuzione normale per la domanda e i lead times è irrealistico, e non si adatta a grandi deviazioni o eventi sorprendenti. Invece, Vermorel suggerisce un approccio probabilistico per un’ottimizzazione migliore e una gestione dell’inventario, affrontando al contempo le conseguenze dell’incertezza e migliorando i processi successivi alla previsione.

Riassunto Esteso

In questa intervista, il conduttore Kieran Chandler e il fondatore di Lokad, Joannes Vermorel, discutono il concetto di scorte di sicurezza e le sue carenze nella gestione della supply chain. Le scorte di sicurezza si riferiscono all’inventario aggiuntivo acquistato per proteggersi dalla variabilità della domanda e dei lead times. Nonostante la sua semplicità, questo metodo è spesso troppo conservativo, portando a un eccesso di stock e inventario sprecato. L’intervista esplora le origini delle scorte di sicurezza, le sue limitazioni e approcci alternativi per i professionisti della supply chain.

Le scorte di sicurezza sono emerse dall’idea che, data una previsione della domanda, un’azienda dovrebbe mantenere un inventario superiore alla quantità prevista per ridurre il rischio di rotture di stock. Questo inventario aggiuntivo, o “scorte di sicurezza”, funge da ammortizzatore per le potenziali fluttuazioni della domanda. Col tempo, il settore si è orientato verso un metodo specifico per calcolare le scorte di sicurezza: assumere che la domanda futura e i lead times siano distribuiti normalmente (gaussiani) e applicare questo modello per determinare l’ammortizzatore necessario.

Secondo Vermorel, la popolarità delle scorte di sicurezza può essere attribuita al loro nome rassicurante e al fatto che, storicamente, rappresentavano un miglioramento rispetto ai calcoli manuali. I primi computer degli anni ‘60 e ‘70 faticavano con calcoli più complessi, quindi il calcolo delle scorte di sicurezza costituiva una soluzione accettabile all’epoca. Tuttavia, molti operatori hanno continuato a fare affidamento sulle scorte di sicurezza anche con l’avanzare delle capacità computazionali, portandone così l’uso diffuso ancora oggi.

Il problema fondamentale delle scorte di sicurezza è l’assunzione che tutta l’incertezza possa essere ridotta a una distribuzione normale sia per la domanda che per i lead times. Questa assunzione è particolarmente problematica per i lead times. Affidandosi ai calcoli delle scorte di sicurezza, le aziende tendono a creare una frazione costante della domanda come ammortizzatore, ignorando fattori quali la stagionalità. Sebbene le previsioni della domanda spesso tengano conto delle variazioni stagionali, l’incertezza in queste previsioni non viene adeguatamente compensata.

In sintesi, il concetto di scorte di sicurezza, pur essendo semplice e apparentemente rassicurante, è difettoso a causa della sua dipendenza dalle ipotesi di distribuzione normale per domanda e lead times. Questo approccio porta spesso a eccessi di stock e a invenduto, poiché non tiene conto della natura complessa dell’incertezza nella supply chain. Con il procedere della discussione, l’intervista mira a esplorare metodi alternativi per l’ottimizzazione della supply chain che vadano oltre i limiti dei tradizionali calcoli delle scorte di sicurezza.

La conversazione inizia con un’analisi del modello classico delle scorte di sicurezza, che Vermorel sostiene essere una scarsa approssimazione per gestire le incertezze della supply chain.

Vermorel spiega che l’assunzione del modello delle scorte di sicurezza, ovvero quella di una distribuzione normale sia per la domanda che per i lead times, è irrealistica. Ad esempio, i lead times potrebbero essere costantemente brevi, tranne nei casi di rottura di stock da parte del fornitore, che potrebbero portare a lead times molto più lunghi. Questo si traduce in una distribuzione che non è a forma di campana, ma piuttosto con un picco attorno al tempo nominale e una lunga coda per eventi rari.

Il modello delle scorte di sicurezza non tiene conto nemmeno delle grandi deviazioni o degli eventi sorprendenti che possono avere un impatto significativo sulle supply chain. Questi eventi, come l’influenza aviaria che incide sulle vendite di pollo, non sono considerati nel modello di distribuzione normale. In pratica, tali grandi deviazioni si verificano con una frequenza sufficiente da causare problemi.

Si potrebbe pensare che una sottostima del rischio porterebbe a maggiori rotture di stock, ma in pratica, i professionisti della supply chain si adattano e aumentano le loro scorte di sicurezza per compensare il rischio sottostimato. Lo fanno introducendo fattori di inflazione, sia in modo esplicito sia impostando obiettivi di service level più elevati. Ciò porta a un eccesso di stock, il che è controintuitivo per un modello progettato per garantire la sicurezza.

Il problema con questo approccio è che le scorte di sicurezza gonfiate vengono applicate in modo uniforme a tutti i prodotti, risultando in eccessi di stock e inefficienze. Ciò è aggravato dai professionisti che microgestiscono le loro previsioni per poi gonfiare le scorte di sicurezza, annullando sostanzialmente la precisione dei loro calcoli.

Vermorel suggerisce che un approccio probabilistico sia più adatto per gestire le incertezze della supply chain. Questo approccio riconosce che le scorte di sicurezza sono sia insicure sia inefficaci. In realtà, non esistono pile separate di stock operativo e scorte di sicurezza in warehouses; esiste un’unica pila di stock. La questione diventa se questo stock sia idoneo per servire i clienti.

Per comunicare questo messaggio ai clienti che sono fermamente convinti della necessità di un buffer di scorte di sicurezza, Vermorel sottolinea che le scorte di sicurezza sono insicure e inefficaci. Invece, un approccio probabilistico che modella accuratamente le incertezze nella supply chain può portare a una migliore ottimizzazione e gestione dell’inventario.

Vermorel spiega che le scorte di sicurezza possono distrarre le aziende dal concentrarsi sulle decisioni che possono prendere, come gli ordini di acquisto e gli ordini di produzione. Egli sostiene che gli approcci probabilistici siano più adatti per la gestione della supply chain, in quanto permettono un migliore controllo sulle decisioni che influenzano direttamente la supply chain.

Tuttavia, Chandler sottolinea che gli approcci probabilistici sono complessi, in quanto richiedono curve di domanda differenti per ogni articolo in un catalogo. Chiede se esista una soluzione intermedia per supply chain executives che sia meno complessa dell’approccio di Lokad ma più avanzata dei calcoli delle scorte di sicurezza. Vermorel ammette che, sebbene esista un paradosso nell’analisi statistica moderna, sia possibile utilizzare modelli parametrici più complessi. Tuttavia, questi modelli diventano rapidamente difficili da gestire e comprendere, spesso portando a una notazione matematica opaca. Di conseguenza, Vermorel suggerisce che potrebbe essere più semplice utilizzare tecniche di machine learning in grado di adattarsi a qualsiasi distribuzione, anche se mancano di formule esplicite.

La conversazione si sposta poi sul problema del denaro sprecato a causa delle scorte di sicurezza. Vermorel ritiene che l’attenzione posta sulle scorte di sicurezza e sulla previsione della domanda sia fuorviata, in quanto non affronta altre fonti di incertezza, come i lead times. Egli osserva inoltre che l’idea di una previsione perfetta è un’illusione, poiché le previsioni saranno sempre imperfette. Invece, i professionisti della supply chain dovrebbero concentrarsi sulle conseguenze dell’incertezza e lavorare per migliorare i loro processi dopo la previsione.

In molte situazioni, è difficile migliorare significativamente una media mobile ben tarata per la previsione della domanda. Vermorel spiega che incolpare le previsioni per le discrepanze è spesso inutile, poiché i veri problemi risiedono spesso nelle fasi successive. Incoraggia i professionisti della supply chain a concentrarsi sul miglioramento di queste aree, in quanto spesso rappresentano una soluzione a basso costo per guadagni sostanziali.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV spiegheremo perché questo metodo non funziona e discuteremo anche quali sono le alternative a disposizione dei professionisti della supply chain. Allora Joannes, prima di entrare nei problemi delle scorte di sicurezza, forse dovremmo iniziare spiegando un po’ di più di cosa si tratta. Come definiresti le scorte di sicurezza?

Joannes Vermorel: Le scorte di sicurezza sono nate dall’idea che, una volta ottenuta una previsione, se si dispone di una quantità di stock pari alla previsione e se la previsione è bilanciata, allora c’è il 50% di probabilità di esaurire le scorte. Questa è praticamente la definizione di previsione della domanda bilanciata. Quindi, di conseguenza, è necessario avere in magazzino più di quanto previsto. Questa differenza tra ciò che si prevede e ciò di cui si ha effettivamente bisogno per coprire ragionevolmente la domanda futura è quella che viene definita scorte di sicurezza. Il concetto generale consiste nell’aggiungere un buffer extra sopra la tua previsione media.

Tuttavia, al giorno d’oggi le scorte di sicurezza hanno una definizione molto più ristretta. L’industria si è orientata verso un unico modo di calcolare le scorte di sicurezza, che consiste fondamentalmente nell’assumere che la domanda futura e i lead times siano distribuiti normalmente. E per “normalmente” intendo “gaussiano”. Quindi, questo modello specifico viene applicato per calcolare quanto aggiungere a queste scorte di sicurezza.

Kieran Chandler: Quando sono nate queste idee e perché il mercato ci tiene così tanto?

Joannes Vermorel: Credo che scorte di sicurezza sia un buon nome. Suona rassicurante e non si dovrebbe mai sottovalutare il potere di un buon marchio. Le scorte di sicurezza danno una sensazione di sicurezza. Sembra una mossa saggia dire: “Stiamo giocando sul sicuro, abbiamo quelle scorte di sicurezza.” Se devi scegliere tra un metodo sicuro e uno insicuro, naturalmente opteresti per quello sicuro.

Quindi, penso che avere un nome accattivante sia stata una parte del successo di questo approccio molto specifico. D’altronde, per molto tempo i computer erano estremamente deboli. Siamo passati dal calcolo manuale, dove una distribuzione normale era il massimo che si potesse fare, cosa che era meglio che non avere alcuna ricetta numerica del tutto. Poi, nell’era dei primi computer, alla fine degli anni ‘60 e all’inizio degli anni ‘70, era abbastanza buono. Penso che molti operatori si siano semplicemente addormentati e tutto questo sia rimasto tale e quale.

However, il concetto chiave dell’avere quell’idea di un buffer extra ha ancora senso al giorno d’oggi. Ciò che non ha senso è affermare che tutta l’incertezza possa essere ridotta in una distribuzione normale, sia per la domanda che per i lead times. Questo è particolarmente assurdo per quanto riguarda i lead times.

Kieran Chandler: Questa idea di essere insicuro potrebbe sembrare un po’ estrema per alcune persone. Perché pensiamo che sia un po’ insicuro? Da dove derivano queste difficoltà chiave legate alle scorte di sicurezza?

Joannes Vermorel: Le scorte di sicurezza, per darti un’idea di come funzionano, partono dalla domanda. Ciò che risulta è la creazione di uno stock che rappresenta una certa frazione della domanda. Quindi, se prevedi 100 unità, potresti aggiungerne 80, che corrispondono all'80% della domanda originale, e quello è il tuo stock di sicurezza. È una conseguenza diretta della scelta di un determinato service level con l’assunzione di una distribuzione normale sulla domanda.

Il problema è che facendo ciò si ignora completamente la stagionalità. La tua previsione della domanda è spesso stagionale, e questo è del tutto prevedibile. Ma la realtà è che l’incertezza è anch’essa stagionale.

Kieran Chandler: Stai suggerendo che il modello classico di stock ignori completamente tutti i modelli che impattano l’incertezza. Menzioni anche che applicare una distribuzione normale alla domanda è un’asserzione alquanto audace. Puoi approfondire?

Joannes Vermorel: Certo. Applicare una distribuzione normale, in particolare ai lead times, può essere fuorviante. Ad esempio, considera un fornitore che in genere ti consegna entro due giorni. In Europa, solitamente la spedizione richiede solo un giorno, quindi il tuo lead time è tipicamente di due giorni. Tuttavia, se il fornitore subisce una rottura di stock, il ritardo potrebbe arrivare fino a tre mesi.

Kieran Chandler: Quindi, non si tratta di una curva a campana, vero?

Joannes Vermorel: Assolutamente no. È un modello completamente diverso. Si osserva un picco significativo attorno al tuo lead time nominale, seguito dalla possibilità di ritardi estesi. Questo si verifica se affronti un evento specifico come una rottura di stock del fornitore. Quindi, modellare il tutto come una distribuzione normale è un’approssimazione sbagliata - è come cercare di adattare un quadrato in un cerchio.

Kieran Chandler: Ciò implica che qualsiasi piccola variabilità o incertezza sconosciuta comprometta l’efficacia delle scorte di sicurezza?

Joannes Vermorel: In effetti. Qualsiasi elemento che possa disturbare lo status quo, che possa innescare una situazione in cui la domanda di un prodotto evapora, rende il modello delle scorte di sicurezza inadeguato. Ad esempio, se vendi pollo e viene segnalato un focolaio di influenza aviaria, le persone potrebbero smettere di mangiare pollo per sei mesi. Questa è una deviazione significativa dalla norma, e non è considerata in una distribuzione normale.

Kieran Chandler: Quindi, grandi deviazioni sono comuni nelle vere supply chain?

Joannes Vermorel: Sorprendentemente, sì. Anche se non si verificano costantemente per tutti i prodotti, ogni grande azienda avrà almeno un paio di grandi sorprese ogni trimestre. Tuttavia, i modelli delle scorte di sicurezza suggeriscono che tali grandi deviazioni non esistono. Quando ottimizzi la tua supply chain assumendo questa ipotesi, e poi si verificano tali deviazioni, il costo può diventare davvero elevato.

Kieran Chandler: Considerando questi ostacoli e sorprese, un approccio probabilistico sarebbe migliore? Quali sono i benefici chiave di questo approccio rispetto alle scorte di sicurezza?

Joannes Vermorel: Quando hai un modello che sottostima significativamente il tuo rischio, ciò può portare a livelli di scorte inadeguati. In teoria, le scorte di sicurezza dovrebbero contrastare questo fenomeno, ammortizzando una domanda inaspettata. Tuttavia, nella pratica, gli operatori della supply chain si adattano in maniera tale da esacerbare il problema. Usano modelli di scorte di sicurezza che sottostimano il rischio, puntando a un alto livello di servizio, tipo il 98%. Ma poiché il rischio è sottostimato, il livello di servizio effettivo risulta inferiore.

Kieran Chandler: In termini di eventi estremi sia nel tempo che nella domanda, è probabile che si ottenga, diciamo, un livello di servizio dell'85%. Questo è molto lontano dal tuo obiettivo del 98% per il livello di servizio. Allora, cosa fai?

Joannes Vermorel: Usi il colpo di grazia, ovvero un parametro moltiplicativo extra per il tuo safety stock. Inizi con il tuo modello basato sull’assunzione di distribuzione normale, poi, poiché letteralmente tutti coloro che hanno utilizzato il safety stock si sono resi conto che abbiamo questi problemi, dobbiamo gonfiare le nostre scorte di sicurezza. Le aziende introdurranno questi fattori di inflazione in due modi. O inserisci esplicitamente un fattore, oppure nel software indichi che vuoi un livello di servizio del 98%, ma inserisci 99,9, perché è il modo empirico per ottenere quel 98%.

Quello che accade è che, poiché il tuo modello sottostima il rischio, gonfi le scorte di sicurezza in modo abbastanza uniforme. Questo crea un problema significativo generando eccessi di stock sostanziali. Il paradosso è che, avendo un modello che sottostima il rischio, aumenti le scorte di sicurezza ovunque e, alla fine, generi molti eccessi di stock. È curioso, perché inizi con qualcosa che chiami safety stock, ma è intrinsecamente insicuro a causa di questo processo.

Kieran Chandler: Quindi, quello che dici è che stai sempre perfezionando per uno scenario peggiore. Tutti perfezionano per il giorno in cui hanno veramente bisogno dello stock, e poi, se lo stock o la domanda cambiano, hanno comunque quel fattore di sicurezza aggiuntivo in atto.

Joannes Vermorel: Sì, e avrai questo safety stock aggiuntivo ovunque. Le persone gestiranno i loro forecast in maniera estremamente dettagliata, impiegando molto tempo per ottimizzarli. Calcoleranno tutto fino all’ultimo grammo per essere super precisi e poi, grazie a questo safety stock, arrotondano tutto alla tonnellata successiva, semplicemente perché hanno questo fattore di inflazione applicato uniformemente su tutti i prodotti. Sto un po’ generalizzando, ma è un’approssimazione libera di ciò che sta effettivamente accadendo, o di ciò che ho visto succedere molte volte.

Kieran Chandler: Allora, come gestisci quei clienti che sono convinti di aver bisogno di quel valore extra di sicurezza, di quel safety stock, di quel buffer? Qual è il messaggio chiave che devi trasmettere loro?

Joannes Vermorel: Il messaggio chiave è, innanzitutto, che le scorte di sicurezza non sono sicure e sono anche inefficaci. Sono una finzione. Nel tuo magazzino, non hai due tipi di stock; lo stock operativo che serve la domanda e le scorte di sicurezza che servono l’incertezza. Hai un’unica quantità di stock. La domanda è se questa quantità sia adeguata a servire i tuoi clienti. In realtà, non hai così tanto controllo sul livello delle scorte, perché non controlli la domanda dei clienti. Ciò che controlli sono gli ordini di acquisto o gli ordini di produzione che effettui.

Il problema delle scorte di sicurezza è che ti distraggono dalle decisioni che puoi prendere, quelle che sono nelle tue mani e che hanno un impatto fisico reale sulle supply chain, come quegli ordini di acquisto, ordini di fornitura o ordini di produzione. Il messaggio chiave sarebbe concentrarsi sulla decisione che stai prendendo, e non sui parametri relativamente arbitrari del tuo ERP.

Kieran Chandler: Il problema di un approccio probabilistico è che è relativamente complesso. Hai una curva della domanda diversa per ogni singolo articolo nel tuo catalogo, mentre la cosa bella delle scorte di sicurezza è che sono relativamente semplici. Stai semplicemente aggiungendo un certo buffer per ogni articolo. Esiste qualcosa di intermedio che i dirigenti della supply chain possano utilizzare? Qualcosa non così complesso come l’approccio probabilistico di Lokad, ma un po’ migliore e più avanzato rispetto a un approccio basato sulle scorte di sicurezza?

Joannes Vermorel: Credo che stiamo toccando un piccolo paradosso dell’analisi statistica moderna. Il safety stock è un approccio parametrico in statistica, dove hai un modello con parametri come la media e la varianza, e utilizzi questo modello per ottimizzare i parametri. Tuttavia, ci si può rendere conto rapidamente che questo modello parametrico non si adatta affatto alla situazione, come un quadrato è una pessima approssimazione di un cerchio. Puoi cercare di aggiungere maggiore complessità al modello, ma ben presto diventa criptico e difficile da comprendere per gli operatori della supply chain.

Si potrebbero utilizzare modelli espliciti più complessi, ma questi diventano molto difficili in termini di notazione matematica. In realtà, è più semplice usare tecniche di machine learning, che sono un po’ più opache ma possono adattarsi a qualsiasi tipo di distribuzione. La realtà è che, se vuoi combinare adeguatamente l’incertezza dei tempi di consegna con la domanda, non puoi aspettarti una formula semplice e chiusa. Sarà complicato, comunque, ed è anche necessario tenere conto delle interazioni sottili tra i tempi di consegna e la domanda.

Kieran Chandler: Abbiamo parlato molto dello spreco nelle scorte di sicurezza e del fatto che rappresentano denaro sprecato. Perché è qualcosa su cui le persone non hanno cercato di migliorare, e perché non è stato al centro dell’attenzione?

Joannes Vermorel: Penso che sia perché il safety stock è ben compreso da molti operatori della supply chain. Tendono a sottovalutare il fatto che avere una buona comprensione della domanda futura è solo l’inizio. La domanda futura non è l’unica fonte di incertezza; i tempi di consegna futuri sono un’altra fonte, e ci sono anche altri problemi. Gli operatori possono distrarsi concentrandosi esclusivamente sul forecast della domanda, e c’è anche questa illusione che, se riuscissero a risolvere il problema delle previsioni una volta per tutte, tutti gli altri problemi sarebbero risolti.

Kieran Chandler: Sembra che ci sia la convinzione che avere una previsione perfetta elimini tutti gli altri problemi. Tuttavia, stai suggerendo che si tratta di un’illusione, e che ciò che dobbiamo fare è abbracciare l’approccio probabilistico, riconoscendo che la previsione sarà sempre imperfetta. Puoi approfondire questo concetto?

Joannes Vermorel: Assolutamente. L’approccio probabilistico riguarda il rinunciare al sogno di una previsione perfetta. Consiste nell’accettare che le previsioni saranno sempre imperfette e nel gestire le conseguenze di questa imperfezione. Ad esempio, una delle conseguenze è la necessità di iniziare a considerare l’impatto delle incertezze, come le safety stock, che rappresentano un modo molto ruvido per modellare le conseguenze di questa incertezza.

Kieran Chandler: Quindi, stai suggerendo che la previsione venga spesso incolpata ingiustamente?

Joannes Vermorel: Sì, esattamente quello che sto dicendo. Con le safety stock, le persone tendono a incolpare la previsione quando, in realtà, la previsione era buona quanto poteva esserlo. È difficile fare molto meglio di una media mobile ben tarata. Certo, puoi migliorarla un po’ considerando fattori come la stagionalità, ma anche così è difficile ridurre l’errore di più di un terzo. Quindi, incolpare la previsione è inutile. Molto spesso, i veri errori vengono commessi in seguito, e sono quelle le aree in cui possiamo apportare significativi miglioramenti.

Kieran Chandler: Mentre concludiamo, qual è il messaggio chiave per i dirigenti della supply chain? Dovrebbero iniziare a scartare i loro calcoli delle safety stock e abbracciare gli stock out, oppure comprendere meglio le loro previsioni?

Joannes Vermorel: Il messaggio chiave è di non fidarsi dei modelli matematici che sono stati inventati principalmente per il calcolo manuale. Non è ragionevole gestire la tua supply chain basandoti su un metodo che non richiede computer. Proprio come non avrebbe senso tenere un gran numero di zaini nel caso in cui i camion smettessero di funzionare. Il problema delle safety stock è che persistono grazie a un buon branding e a quella che sembra essere una tecnica oscura dell’ottimizzazione della supply chain. Suggerirei di mettere in discussione le tue ipotesi quando si tratta dell’ottimizzazione numerica della tua supply chain. Non è necessario essere un matematico per fare ciò. Basta verificare se queste ipotesi corrispondono alla realtà della tua supply chain.

Kieran Chandler: Capisco, quindi, potremmo assistere a un passaggio dal riferirsi alle “safety stock” a “unsafety stock” in futuro?

Joannes Vermorel: Chissà? Potrebbe benissimo essere così.

Kieran Chandler: Grazie, Joannes. Questo è tutto per questa settimana. Grazie ai nostri ascoltatori per averci seguito, e ci vediamo la prossima volta. Arrivederci per ora.