Blackboxing e Whiteboxing

00:00:07 Il problema della black box nella gestione della supply chain.
00:02:20 L’aumento dell’IA e delle ricette numeriche complesse che aggravano il problema della black box.
00:03:59 Differenze tra i vecchi sistemi ERP e quelli moderni e la loro relazione con il problema della black box.
00:06:10 Esempi concreti del problema della black box e dei suoi effetti sulle aziende.
00:07:36 Come le aziende stanno superando il problema della black box utilizzando fogli di Excel.
00:09:06 Il concetto di white boxing per la trasparenza e la comprensione.
00:11:27 Importanza di creare pochi numeri ben progettati per spiegare le decisioni.
00:14:17 I vantaggi dell’utilizzo di driver economici per la presa di decisioni.
00:15:28 Limitazioni di Excel nella gestione di dati complessi e la necessità di strumenti migliori.
00:17:36 L’importanza di una documentazione accurata degli input di sistema per evitare output errati.
00:18:47 Esplorazione della necessità di strati di calcolo dati agili che supportino calcoli intermedi.
00:20:08 Importanza di creare driver economici indipendenti per evitare risultati fuorvianti.
00:21:09 Perché la white boxing è cruciale e le conseguenze di non avere un processo trasparente.

Riassunto

In questa intervista, Kieran Chandler e Joannes Vermorel discutono dell’importanza della “white boxing” nell’ottimizzazione della supply chain. Le catene di approvvigionamento sono sistemi complessi e l’incorporazione di software o tecniche basate sull’IA può renderle più opache. Vermorel sostiene che i tradizionali sistemi ERP, spesso progettati senza intelligenza, contribuiscono a questa opacità. L’approccio della white boxing di Lokad mira a ricreare la trasparenza concentrandosi su pochi numeri attentamente elaborati e utilizzando metriche aziendali come i driver economici. Con Envision, il loro linguaggio di programmazione, Lokad aiuta a mantenere la trasparenza nel processo di ottimizzazione della supply chain. Abbracciare la white boxing può creare fiducia nei sistemi di supply chain e migliorare l’efficienza complessiva.

Riassunto Esteso

In questa intervista, Kieran Chandler, il conduttore, discute del concetto di “white boxing” con Joannes Vermorel, il fondatore di Lokad, un’azienda di software specializzata nell’ottimizzazione della supply chain. La conversazione inizia con una spiegazione del problema della “black box” nell’informatica, che si riferisce a sistemi in cui gli input e gli output possono essere osservati senza comprendere il loro funzionamento interno. Questo può essere problematico, soprattutto con la crescente diffusione dell’intelligenza artificiale in vari settori.

Vermorel spiega che le catene di approvvigionamento sono sistemi intrinsecamente complessi che coinvolgono numerose persone, prodotti e luoghi. Questa complessità porta a un’opacità che rende difficile per coloro che sono coinvolti comprendere appieno il funzionamento della supply chain. L’aggiunta di software, anche software di base che non è particolarmente “intelligente”, può ulteriormente aggravare questa opacità. Questo problema si amplifica ulteriormente quando vengono introdotte ricette numeriche avanzate o tecniche basate sull’IA, che rendono sempre più difficile per coloro che fanno parte dell’organizzazione comprendere il significato dei numeri e dei risultati prodotti da questi sistemi.

L’opacità, come la definisce Vermorel, è la difficoltà nel determinare l’origine e il significato dei risultati o delle misurazioni prodotte da un sistema. Nel contesto delle catene di approvvigionamento, ciò significa che può essere difficile capire perché sono stati prodotti determinati valori o risultati e quali fattori hanno contribuito ad essi.

Secondo Vermorel, il problema della “scatola nera” è diffuso nell’industria delle catene di approvvigionamento. I sistemi tradizionali di pianificazione delle risorse aziendali (ERP) e altre tecnologie più vecchie erano spesso opachi per vari motivi, come le difficoltà nel progettare schemi relazionali efficaci per i database o l’esistenza di sistemi multipli non ben integrati. Questi sistemi possono essere relativamente semplici da soli, ma quando combinati possono creare una notevole confusione e complessità. Le integrazioni ad hoc tra sistemi non ben documentate contribuiscono ulteriormente all’opacità.

L’introduzione di ricette numeriche avanzate o tecniche basate sull’IA in questi sistemi può far aumentare l’opacità. Ciò rende ancora più difficile per coloro che sono coinvolti nella catena di approvvigionamento verificare se i numeri prodotti sono accurati. In passato, ad esempio, potrebbe essere stato possibile verificare manualmente i valori di magazzino in diversi sistemi. Tuttavia, con l’aggiunta di ricette numeriche complesse, questa convalida diventa sempre più difficile.

Vermorel spiega che i sistemi tradizionali di pianificazione delle risorse aziendali (ERP) sono più incentrati sulla gestione che sulla pianificazione e spesso sono progettati senza intelligenza. Le ricette numeriche avanzate che alcuni fornitori potrebbero chiamare IA sono di solito sovrapposte al sistema ERP, rendendo l’intero processo più opaco.

Negli esempi reali, Vermorel ha osservato che anche calcoli semplici, come il livello di sicurezza, possono causare effetti di scatola nera. Ad esempio, un’azienda potrebbe inserire un livello di servizio del 99,9% ma raggiungere solo un livello di servizio del 97%. Questa discrepanza tra input e output porta a una mancanza di comprensione del funzionamento interno del sistema. Le aziende di solito ricorrono all’uso di fogli Excel per superare questo problema, estraendo dati fondamentali dal sistema ERP e creando le proprie ricette numeriche per mantenere il controllo sui calcoli.

L’approccio della “scatola bianca”, come lo descrive Vermorel, riconosce che anche modelli semplici possono diventare opachi quando applicati a complessi scenario di catena di approvvigionamento. L’obiettivo della scatola bianca è ricreare trasparenza e comprensione all’interno di questi modelli. Sviluppando un processo finalizzato a ricreare la trasparenza, le aziende possono generare fiducia e alla fine abbandonare la dipendenza dai fogli Excel.

Una sfida dell’approccio della scatola bianca è evitare un sovraccarico di metriche e indicatori. Spesso le aziende richiedono più KPI e indicatori quando si confrontano con un modello di scatola nera, ma ciò può portare a una maggiore complessità e opacità. Vermorel suggerisce di concentrarsi su pochi numeri attentamente elaborati per spiegare le decisioni prese dal modello.

L’approccio della scatola bianca mira a fornire spiegazioni per i risultati finali delle decisioni con impatti fisici sulla catena di approvvigionamento, come produzione, acquisti o spostamenti di inventario. Per raggiungere questo obiettivo, il processo considera un pugno di cifre che spiegano queste decisioni, misurate in dollari o euro, poiché queste unità hanno più senso a livello aziendale. Concentrandosi sull’obiettivo finale e spiegando le decisioni in termini di metriche aziendali, l’approccio della scatola bianca può contribuire a creare comprensione e trasparenza nell’ottimizzazione della catena di approvvigionamento.

Vermorel spiega che il rischio di stockout può essere molto più alto del valore degli articoli acquistati se porta a interruzioni delle linee di produzione. Per affrontare questo problema, Lokad applica driver economici per prendere decisioni. Questi driver sono utili perché consentono un confronto tra l’azienda, garantendo che le decisioni vengano prese utilizzando metriche comparabili.

Una delle sfide delle tecniche tradizionali di ottimizzazione della catena di approvvigionamento è la natura della scatola nera di molti sistemi analitici. Al contrario, l’approccio di Lokad supporta la scatola bianca, consentendo agli utenti di comprendere il funzionamento interno del sistema e convalidare i suoi risultati. Vermorel fa notare che Excel è uno strumento efficace per la scatola bianca su piccola scala, ma fatica quando si tratta di grandi set di dati o calcoli complessi.

Per affrontare questa limitazione, Lokad ha sviluppato un linguaggio di programmazione chiamato Envision, che consente agli utenti di rimanere vicini ai dati, eseguire convalidhe e generare dashboard. Questo aiuta a mantenere la trasparenza nel processo di ottimizzazione della catena di approvvigionamento.

Per le aziende che utilizzano soluzioni software di scatola nera, Vermorel consiglia di iniziare con una documentazione approfondita degli input di sistema. Spesso, le aziende hanno una documentazione scadente dei loro input di dati, il che porta a una situazione di “spazzatura dentro, spazzatura fuori”. Il passo successivo è assicurarsi che il livello analitico del sistema consenta l’agilità, simile a Excel, in modo che gli utenti possano aggiungere colonne e risolvere facilmente la loro logica.

Una volta soddisfatti questi prerequisiti, le aziende dovrebbero concentrarsi sulla creazione di buoni driver economici che siano il più possibile indipendenti l’uno dall’altro. Ciò evita il rischio di doppio conteggio o di trascurare fattori importanti nel processo decisionale.

La scatola bianca è fondamentale nell’ottimizzazione della catena di approvvigionamento perché garantisce la validità dei risultati del sistema. Se le persone non si fidano del sistema, torneranno alle loro tabelle Excel, che Vermorel descrive come una difesa necessaria contro la “pazzia del sistema”. Abbracciando la scatola bianca, le aziende possono costruire fiducia nei loro processi di ottimizzazione della catena di approvvigionamento e migliorare la loro efficienza complessiva.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV, parleremo della soluzione, qualcosa che è conosciuto come scatola bianca. Quindi, Joannes, prima di parlare di scatola bianca, forse dovremmo iniziare con il problema della scatola nera. Di cosa si tratta la scatola nera e qual è il problema qui?

Joannes Vermorel: Le catene di approvvigionamento sono sistemi complessi con molte persone coinvolte, molti prodotti e potenzialmente numerose sedi. Fin dall’inizio, è un dato di fatto che si tratta di un problema molto complesso e quindi di un problema che ha già la sua opacità proprio a causa della sua complessità. È molto difficile comprendere l’intera situazione. Poi, quando si aggiungono strati di software nel mezzo, il problema diventa ancora più complicato. Sto parlando solo di software relativamente semplici che si limitano a spostare le parti di approvvigionamento IT, niente di intelligente. Ma anche questo crea un altro livello di opacità. Ora quello che sta accadendo è che alcuni fornitori stanno pubblicizzando l’IA, ma preferisco pensare a ricette numeriche intelligenti e avanzate per la catena di approvvigionamento. Non appena si aggiungono ricette numeriche non banali nel mezzo del software che in realtà guida la catena di approvvigionamento, si crea un nuovo livello di opacità.

Kieran Chandler: Hai menzionato una parola chiave, che è opacità. Potresti spiegare meglio cosa intendi per opacità?

Joannes Vermorel: Con opacità intendo che per le persone nell’organizzazione che lavorano nella catena di approvvigionamento o che organizzano la catena di approvvigionamento, è molto difficile capire esattamente cosa significhi un numero, da dove provenga e perché sia impostato su questo valore e non su un altro valore. L’opacità è il riflesso di quanto sia difficile arrivare alla radice delle cose quando si vuole indagare sulla propria catena di approvvigionamento.

Kieran Chandler: Quindi stiamo essenzialmente parlando di un problema di scatola nera in cui i risultati provengono da un sistema e non siamo troppo sicuri da dove provengano quei risultati. Quanto diffuso è questo problema? È qualcosa che vediamo spesso nell’industria della catena di approvvigionamento?

Joannes Vermorel: Sì, direi che i vecchi sistemi ERP e IT erano molto opachi per varie ragioni. All’epoca, era molto più difficile progettare buoni schemi relazionali per i database, quindi la configurazione interna può essere un po’ disordinata. Puoi avere molti sistemi che non sono ben integrati in una complessa catena di approvvigionamento, quindi quando li metti insieme, c’è un disordine significativo e molte integrazioni ad hoc tra i sistemi che non sono così ben documentate. Questo crea un’opacità emergente da sistemi che sono individualmente relativamente semplici. E poi, quando metti in gioco ricette numeriche, l’opacità aumenta vertiginosamente perché improvvisamente diventa molto difficile convalidare se i numeri sono corretti.

Kieran Chandler: Non si tratta di controllare il sistema centrale per il valore di stock che dovrei avere in una posizione remota e poi controllare nel sistema della posizione remota stessa che il valore di stock corrisponda. Questo, sai, a volte poteva essere complicato fare questo tipo di controlli. Ma finché non è coinvolta una ricetta numerica, potevi farlo. Appena hai un modello di regressione lineare in mezzo, diventa un inferno replicare qualsiasi cosa o anche capire cosa sta succedendo. Quindi, suppongo che questo sia ciò che è cambiato tra questi vecchi sistemi ERP e quelli più moderni. Ora stiamo usando ricette numeriche più complesse. È questo il grande cambiamento? È per questo che si sta verificando questo approccio di scatola nera?

Joannes Vermorel: Tipicamente, queste ricette numeriche avanzate non risiedono nell’ERP. Voglio dire, l’ERP, nonostante il suo nome, Enterprise Resource Planning, ha ben poco a che fare con la pianificazione - quasi niente affatto. Riguarda tutto la gestione. Quindi hai Enterprise Resource Management, che di solito è implementato con zero intelligenza per design. Vuoi solo tenere traccia dei tuoi asset e hai livelli di analisi in cima. Ma poi, hai ragione, all’interno di quei livelli di analisi, hai ricette avanzate che alcuni fornitori potrebbero chiamare AI, e diventa molto più opaco.

Kieran Chandler: Che ne dici di un esempio concreto di come questi problemi di scatola nera stanno influenzando le aziende?

Joannes Vermorel: Nel mondo reale, ciò che sorprende è che non hai bisogno di AI per ottenere un effetto di scatola nera. Cose molto più semplici stanno già causando effetti di scatola nera diffusi. Ho visto molte aziende in cui anche qualcosa di semplice come il calcolo del stock di sicurezza, che è semplicemente quanto stock devi mantenere se si assume che la tua domanda sia distribuita normalmente oltre la tua previsione e la stessa cosa per il tempo di consegna, finiscono con effetti di scatola nera. Dicono: “Beh, sto inserendo un livello di servizio del 99,9 percento, ma poi la misurazione mostra in realtà che sto ottenendo solo un livello di servizio del 97 percento”. Quindi, ti ritrovi con una strana discrepanza tra l’impostazione che inserisci nel sistema, come 99,9, e ciò che ottieni nella realtà, che è 97. Questo è il tipo di situazione in cui hai una scatola nera e non capisci davvero cosa sta succedendo. Chiaramente, l’output del sistema non corrisponde a quello che ti aspettavi dal sistema, quindi ti trovi di fronte a questo effetto di scatola nera.

Kieran Chandler: Se questo è così diffuso, come le aziende stanno superando questi problemi?

Joannes Vermorel: Tipicamente, lo superano con carichi di fogli Excel. Cosa succede quando hai numeri che non puoi fidarti del sistema? Le persone estraggono semplicemente dati dall’ERP, dati fondamentali che possono fidarsi, come i livelli di stock , le vendite storiche, gli ordini di acquisto storici - questo tipo di cose. Possono verificare che il foglio Excel sia allineato con il sistema, quindi nessun effetto di scatola nera. Verificano anche che ciò che è nel foglio Excel sia effettivamente allineato con ciò che hanno sugli scaffali nel magazzino, solo per essere sicuri. E poi iniziano a creare le proprie ricette numeriche nel foglio Excel stesso, dove il professionista della supply chain ha il controllo del calcolo ad ogni singolo passaggio ed è molto visivo. In questo modo cercano di evitare un effetto di scatola nera. Anche se, quando un foglio Excel viene passato da un professionista della supply chain a un altro nel corso degli anni, si può finire con un certo grado di opacità ed effetto di scatola nera in quei fogli Excel stessi. Excel non è una soluzione miracolosa; aiuta solo.

Kieran Chandler: Parliamo della soluzione. L’approccio della scatola bianca, intendo che la scatola bianca è nella pratica, dalla nostra osservazione, anche alcune ricette numeriche banali, come una semplice formula di stock di sicurezza o qualsiasi cosa sia leggermente più complicata della media mobile, è una scatola nera. Non serve l’AI per ottenere una scatola nera. Voglio dire, anche un modello lineare con tre variabili, la maggior parte delle persone non è in grado di calcolarlo mentalmente. Quindi anche un modello semplice come un modello lineare con tre variabili diventa molto rapidamente relativamente opaco per le persone che effettivamente utilizzano i risultati di questo modello.

Joannes Vermorel: Appena ti avvicini a qualcosa di più intelligente, specialmente qualcosa che catturerebbe le non linearità che hai nelle supply chain, diventa opaco praticamente per design. Quello di cui hai bisogno è un processo, quello che chiamiamo scatola bianca, che sia completamente orientato all’idea che ricreerai trasparenza e intuizioni sapendo che per impostazione predefinita ciò che ottieni è praticamente l’opposto. Non c’è alternativa. Se anche un modello così semplice e troppo semplificato come lo stock di sicurezza è già opaco, non puoi sperare che un modello migliore e più realistico, come uno basato su previsioni probabilistiche e valutazione probabilistica del rischio per il tuo inventario, sia meno opaco. Anzi, sarà più opaco, molto più accurato. Pertanto, abbiamo bisogno di questo processo di scatola bianca per creare comprensione, generare fiducia e alla fine far sì che le persone rinuncino, per buone ragioni, ai fogli Excel.

Kieran Chandler: Quindi, come funziona effettivamente nella pratica? Come fai a verificare i risultati che ti vengono dati e ad avere un vero approccio di scatola bianca?

Joannes Vermorel: Un aspetto complicato è che è molto facile che le persone si affoghino in un mare di metriche. Generare numeri, quando le persone si trovano di fronte a una scatola nera, la reazione principale è dire: “Dammi più indicatori, crea più KPI, voglio vedere sempre di più”. Ma quando fai così, ti ritrovi con tabelle gigantesche con dozzine di colonne che sono ancora completamente opache e incredibilmente complesse. Il punto di partenza è dire che abbiamo bisogno di avere pochi numeri che siano estremamente ben realizzati quando vogliamo spiegare decisioni.

Prima di tutto, un’idea è che non si vuole cercare di spiegare tutto, soprattutto gli artefatti numerici. Non ti interessa davvero come avvengono alcuni passaggi intermedi del calcolo. Quello che ti interessa è il risultato finale, la decisione che ha un impatto fisico sulla tua supply chain. Decidi di produrre, decidi di acquistare di più o decidi di spostare l’inventario da un luogo all’altro. Questo è l’obiettivo finale e questa è la decisione che ti preoccupa.

La scatola bianca consiste nel avere, per ogni singola decisione, forse una mezza dozzina di cifre che spiegano queste decisioni, misurate in dollari o euro. La seconda idea è quella di utilizzare dollari ed euro perché è la cosa che avrà più senso in tutta l’azienda. Se sai perché stai acquistando altre 100 unità di un prodotto e hai una variabile che dice: “Beh, il rischio di esaurimento delle scorte è di 50 mila euro perché se rimaniamo senza questa cosa, la linea di produzione si fermerà”, allora il costo dell’esaurimento delle scorte può essere molto più alto del valore di ciò che stai acquistando se stai mettendo a rischio una linea di produzione. Questi sono gli insight che le persone otterranno.

Kieran Chandler: Quindi, ci sono questi driver economici che applichi. Cosa c’è di speciale in questi? I driver economici sono estremamente utili perché sono comparabili in tutta l’azienda. Il punto è che hai una decisione in cui hai una mezza dozzina di driver economici e hai un altro tipo di decisione con altri tipi di driver economici e vuoi che tutte le tue misurazioni siano compatibili in modo da poter confrontare mele con mele e arance con arance. Se hai mele e arance, allora sei un po’ perso. Questo è tipicamente ciò che accade con tutti quei percentuali di errore. Quindi, oltre ai driver economici, cosa c’è nell’approccio di Lokad che rende possibile la scatola bianca? In che modo si differenzia dalle altre tecniche?

Joannes Vermorel: Hai bisogno di strumenti per farlo e la maggior parte dei sistemi analitici non fa un buon lavoro nel supportare la scatola bianca. Excel è in realtà abbastanza buono perché rimani molto vicino ai dati, ma cade a pezzi quando aumenta la complessità e il volume dei dati. Excel è eccellente finché si lavora con meno di dieci colonne e mille righe. Se si inizia a elaborare milioni di righe e dozzine di colonne, diventa rapidamente come una gigantesca base di codice spaghetti all’interno del foglio di calcolo di Excel. Excel è molto buono a una scala limitata, ma cade a pezzi di fronte alla complessità.

Molti sistemi analitici non riescono a conservare alcuna proprietà di Excel e i dati si allontanano molto dall’utente. Da Lokad, abbiamo sviluppato Envision, che ha il termine “visione” nel nome di questo linguaggio di programmazione, derivante dall’idea che dovevamo rimanere molto vicini ai dati in modo da poter fare tutte quelle validazioni simili a Excel tutto il tempo. Envision rende molto facile, quando si creano formule, tracciare, in un cruscotto, tutti i numeri in modo da poterli controllare proprio come si farebbe in Excel, solo per scopi di convalida.

L’idea è che possiamo generare cruscotti altamente compositi in cui i tuoi principali driver saranno visualizzati in modo prominente, ma puoi avere molti piccoli riquadri che contengono tutti i tuoi controlli, proprio come faresti in Excel, in modo da poter verificare che i tuoi calcoli siano corretti e che i tuoi passaggi intermedi non siano completamente fuori controllo.

Kieran Chandler: Se sono un’azienda e sto utilizzando un software che presenta molte di queste caratteristiche di scatola nera, cosa dovrei fare? Qual è il primo passo che dovrei compiere per migliorare la mia comprensione di ciò che sta accadendo?

Joannes Vermorel: Prima di tutto, devi avere una documentazione approfondita di ciò che viene inserito nel sistema. Di solito, la documentazione non esiste. Solo per chiarire, stiamo parlando di avere una tabella che richiede circa una pagina di documentazione, non documentazione IT, ma documentazione orientata alla supply chain e al business.

Kieran Chandler: Sai, lavorando con i clienti, se ogni campo ha una riga di documentazione, siamo felici. Di solito, ci sono come 20 tabelle, ognuna con 20 campi, e abbiamo a malapena una riga di documentazione per tabella. Dovremmo avere una pagina di documentazione per campo. Quindi questo è probabilmente il punto di partenza per la maggior parte delle aziende, documentare completamente ciò che hai come input del sistema; altrimenti, finisci con spazzatura in entrata, spazzatura in uscita.

Joannes Vermorel: La seconda cosa da fare è verificare che i tuoi strati di elaborazione dati, i tuoi strati analitici, ti diano fondamentalmente la stessa agilità che hai con Excel. In modo che tu possa, con poche istruzioni o alcune righe di codice, aggiungere tutte quelle colonne di report facili di cui hai bisogno per debuggare la tua logica. Purtroppo, non puoi evitare l’aspetto della programmazione perché, proprio come Excel, si tratta di formule e simili, quindi è programmazione. Ma con poche righe di codice, puoi avere tutte quelle colonne. Se non hai un sistema che supporta un processo così agile, in cui puoi semplicemente creare colonne come in Excel per verificare i calcoli intermedi, allora è praticamente game over. Non arriverai mai alla radice della tua scatola nera.

Quindi, probabilmente a questo punto, devi cambiare lo strato analitico se non hai uno strato che ti offre una certa agilità. Quindi, il passo successivo è iniziare a creare driver economici molto validi. E con molto validi, intendo che ogni singolo driver deve essere il più indipendente possibile dagli altri driver. Vuoi avere cose che sono molto ortogonali. Il pericolo è che se non riesci a creare una serie di indicatori che riflettono cose che sono letteralmente ortogonali, potresti guardare la stessa cosa più volte e essere fuorviato.

Questa è la parte complicata, ma l’idea è che quando guardi un indicatore economico che ti dice €100 di costo o ricompensa, vuoi assicurarti che sia il più indipendente possibile da un altro driver che afferma anche di portare €100 di ricompensa o costo.

Kieran Chandler: Quindi i punti chiave sono davvero capire i tuoi input e output e definire anche quei driver economici. Come ultima parola oggi, perché il white-boxing è così importante?

Joannes Vermorel: Il white-boxing è così importante perché, altrimenti, tutti i tuoi sforzi per ottimizzare la tua supply chain andranno sprecati. Le persone, per buoni motivi, torneranno alle loro tabelle Excel perché se non hai un processo di white-boxing in atto che dia a tutti la certezza che i risultati che escono da quei sistemi siano sani, allora le probabilità sono schiaccianti che i tuoi risultati siano insani. Le persone fanno la cosa giusta, che è non fidarsi di quei risultati e tornare alle loro tabelle Excel. Le tabelle Excel sono, sfortunatamente, la soluzione necessaria contro la follia del sistema. Il white-boxing è richiesto; altrimenti, non aspettarti che i tuoi team di professionisti della supply chain rinuncino alle loro tabelle Excel a breve termine. Non lo faranno, e non facendolo, stanno proteggendo la tua azienda perché fidarsi di un sistema insano è molto peggio che sprecare tempo sulle tabelle Excel.

Kieran Chandler: E chi sapeva che molti analisti pensassero probabilmente che Excel ti rende pazzo, ma ecco fatto. Quindi è tutto per questa settimana. Grazie mille per il vostro tempo e ci vediamo di nuovo la prossima settimana. Grazie per aver guardato.