00:00:09 Programmazione differenziabile e il suo impatto sulle supply chain.
00:01:00 Inefficienze nelle supply chain e problemi irrisolti in varie industrie.
00:02:06 Sfide nell’industria della moda e domanda sensibile al prezzo.
00:04:20 Difficoltà a combinare i metodi esistenti per un’ottimizzazione congiunta.
00:05:51 Programmazione differenziabile come discendente del deep learning per l’ottimizzazione congiunta.
00:08:00 Apprendimento e ottimizzazione nella gestione della supply chain.
00:09:24 Programmazione differenziabile e problemi irrisolti in varie industrie.
00:10:27 Previsione della domanda e utilizzo dei dati dei clienti.
00:13:24 Problemi complessi e conseguenze di secondo ordine nelle promozioni.
00:15:52 Adattarsi alle esigenze e alle aspettative dei clienti.
00:17:03 Il ruolo del deep learning e dei progressi hardware nella risoluzione di problemi complessi.
00:19:20 Rendimenti decrescenti nel progresso dell’IA e la necessità di espressività.
00:21:12 La programmazione differenziabile permette di eliminare i silos nella gestione della supply chain.
00:23:23 Considerazioni finali.
Sommario
In questa intervista, il presentatore Kieran Chandler e Joannes Vermorel, fondatore di Lokad, discutono del potenziale della programmazione differenziabile per l’ottimizzazione della supply chain. Vermorel spiega che i metodi tradizionali per prendere decisioni di rifornimento, acquisto e pricing sono spesso disconnessi, portando a inefficienze. La programmazione differenziabile può ottimizzare queste decisioni considerando contemporaneamente molteplici fattori. Questo approccio, ancora relativamente nuovo, può affrontare problemi irrisolti in varie industrie, come la previsione della domanda nel retail e l’ottimizzazione in condizioni di incertezza. I progressi tecnologici hanno permesso modelli più complessi, che consentono di affrontare problemi su vasta scala. La programmazione differenziabile ha il potenziale per rivoluzionare l’ottimizzazione della supply chain, abbattendo i silos organizzativi e migliorando l’efficienza complessiva.
Sommario Esteso
In questa intervista, Kieran Chandler, il presentatore, discute della programmazione differenziabile e del suo impatto sull’ottimizzazione della supply chain con Joannes Vermorel, fondatore di Lokad, una società software specializzata nell’ottimizzazione della supply chain. Esplorano problemi irrisolti e come queste sfide sono state affrontate in varie industrie.
Vermorel spiega che un problema irrisolto non è necessariamente quello che non avrà mai una soluzione, ma piuttosto quello che non ha ancora una soluzione soddisfacente. Egli sottolinea che, sebbene le supply chain siano funzionanti, spesso operano con inefficienze significative. Queste inefficienze potrebbero non essere evidenti finché non vengono esaminate da vicino, e potrebbero esserci variabili che possono essere regolate per migliorare la supply chain che non sono tradizionalmente considerate dai supply chain manager, come il pricing e l’assortimento.
Chandler chiede quali siano le sfide specifiche che sono state difficili da risolvere nell’industria delle supply chain. Vermorel risponde che ogni settore ha il proprio insieme di problemi poco risolti, usando la moda come esempio. La fast fashion, estremamente sensibile al prezzo, dimostra che la domanda è fortemente influenzata dal pricing. Tuttavia, la maggior parte delle soluzioni per la pianificazione della domanda nella moda tratta la domanda come se il pricing non esistesse, creando così un enorme divario.
Vermorel spiega che esiste un problema irrisolto di ottimizzazione congiunta della domanda, del rifornimento e del pricing, poiché questi fattori sono spesso trattati come entità disconnesse. In risposta alla domanda di Chandler se i metodi esistenti possano essere combinati per risolvere questo problema, Vermorel afferma che, storicamente, la maggior parte delle soluzioni sviluppate non si prestava a essere integrata tra loro. L’approccio Sales and Operations Planning (S&OP) ha tentato di affrontare questo problema a livello umano facilitando la comunicazione tra i vari reparti, ma ciò non si traduce bene nell’automazione software.
Per quanto riguarda l’automazione software, Vermorel sottolinea le difficoltà che emergono nel tentativo di integrare sistemi separati, come il demand-driven material requirements planning (DDMRP), i sistemi di gestione del warehouse (WMS) e i componenti aggiuntivi per il product information management (PIM) per il pricing. Questi sistemi spesso prendono decisioni indipendenti, portando a un approccio disgiunto e a potenziali inefficienze.
Vermorel spiega che i metodi tradizionali per prendere decisioni su rifornimento, acquisto e pricing sono spesso disconnessi, il che può portare a risultati subottimali. Egli suggerisce che la programmazione differenziabile può aiutare a ottimizzare queste decisioni considerando simultaneamente molteplici fattori.
La programmazione differenziabile è concettualmente simile al deep learning, ma si concentra su una combinazione di apprendimento e ottimizzazione anziché esclusivamente sul riconoscimento di pattern. Vermorel sottolinea che il deep learning ha fatto significativi progressi nel riconoscimento delle immagini, ma ha anche portato a innovazioni nell’ottimizzazione numerica. Questi progressi hanno permesso lo sviluppo di modelli più complessi con milioni di parametri, migliorando così il processo di ottimizzazione.
Nel contesto della gestione della supply chain, la programmazione differenziabile può essere applicata sia all’apprendimento della domanda futura sia a prendere decisioni ottimizzate in condizioni di incertezza. Ad esempio, può aiutare a determinare quante unità acquistare da un fornitore o quando scontare un prodotto specifico. Vermorel osserva che i clienti sono spesso influenzati dall’assortimento complessivo dei prodotti, il che significa che ottimizzare le decisioni per singoli prodotti potrebbe non essere sufficiente.
Sebbene la programmazione differenziabile sia un approccio relativamente nuovo, Vermorel crede che possa essere applicata a una vasta gamma di problemi irrisolti in varie industrie. Egli fa l’esempio della previsione della domanda nel retail, dove i programmi di loyalty e i dati dei clienti possono offrire preziose informazioni sui modelli di acquisto. Attualmente, esistono poche soluzioni sul mercato che sfruttano questi dati, e la programmazione differenziabile può potenzialmente aiutare a sfruttare tali informazioni per una migliore decision-making.
Un’altra sfida che la programmazione differenziabile può affrontare è l’ottimizzazione in condizioni di incertezza. I metodi tradizionali di ottimizzazione spesso faticano con condizioni stocastiche, o casuali, il che ha portato all’adozione di approcci semplificati, come l’MRP (Material Requirements Planning) e il DDMRP (Demand Driven MRP). Vermorel sostiene che questi metodi sono spesso insufficienti e che la programmazione differenziabile può offrire un modo più efficace per affrontare tali problemi.
L’intervista con Joannes Vermorel evidenzia il potenziale della programmazione differenziabile nell’affrontare le diverse sfide nell’ottimizzazione della supply chain. Combinando apprendimento e ottimizzazione, questo approccio può aiutare le aziende a prendere decisioni più informate che tengano conto di molteplici fattori e incertezze. Sebbene la programmazione differenziabile sia ancora un campo relativamente nuovo, Vermorel crede che offra una promessa significativa per migliorare la gestione della supply chain e la previsione della domanda attraverso diverse industrie.
Discutono del ruolo della programmazione differenziabile nell’affrontare le sfide della supply chain e del potenziale per risolvere problemi complessi, precedentemente irrisolvibili.
Vermorel spiega che la programmazione differenziabile è uno strumento potente per affrontare le sfide complesse della supply chain. I progressi tecnologici hanno permesso di ottimizzare modelli con milioni di parametri, mentre in passato ne erano possibili solo qualche centinaio. Questo salto in capacità ha reso possibile affrontare problemi su larga scala, il che è particolarmente rilevante per le aziende con numerosi prodotti e negozi.
Una delle principali sfide che la programmazione differenziabile aiuta a risolvere è il “wicked problem.” Questi problemi sorgono quando vi sono conseguenze di secondo ordine delle azioni, come quando le promozioni in un marchio di moda portano i clienti a fare acquisti solo durante i saldi. Attualmente, nessun algoritmo è in grado di affrontare questi wicked problems, ma Vermorel crede che l’IA a livello umano potrebbe eventualmente essere in grado di risolverli.
Il recente successo della programmazione differenziabile può essere attribuito a una combinazione di progressi hardware e software. Il rapido progresso della potenza di calcolo, insieme a innovazioni nell’efficienza algoritmica, ha permesso di ottimizzare modelli con centinaia di milioni di parametri. Vermorel crede che abbiamo raggiunto un punto di rendimenti decrescenti nella potenza di calcolo, e la sfida principale ora risiede nel migliorare l’espressività e nell’adattare problemi complessi in un quadro ottimizzabile.
Per i professionisti della supply chain, la programmazione differenziabile offre il potenziale per abbattere i silos e ottimizzare congiuntamente problemi precedentemente isolati. Ciò potrebbe portare a un enorme balzo in avanti in termini di efficienza, richiedendo alle aziende di ripensare le proprie strutture organizzative. Man mano che le aziende iniziano ad adottare la programmazione differenziabile, possono seguire l’esempio dato da Amazon nell’abbattere questi silos e ottimizzare attraverso diversi ambiti.
La programmazione differenziabile ha il potenziale per rivoluzionare l’ottimizzazione della supply chain affrontando problemi precedentemente irrisolvibili e abbattendo i silos organizzativi. Con i progressi hardware e software, questo approccio offre ai professionisti della supply chain nuove opportunità per affrontare sfide complesse e migliorare l’efficienza complessiva.
Trascrizione Completa
Kieran Chandler: Ehi, oggi su Lokad TV, affronteremo il tema relativamente nuovo della programmazione differenziabile. Questo entusiasmante sviluppo è l’ultimo discendente del deep learning e ha sbloccato una serie di sfide che in precedenza si ritenevano irrisolvibili. Oggi impareremo qualcosa in più su questo processo e capiremo come ciò ha portato a rapidi progressi nel mondo delle supply chain. Quindi Joannes, oggi parliamo di problemi irrisolvibili, il che sembra abbastanza impegnativo. Cosa intendiamo per problema irrisolvibile?
Joannes Vermorel: Quello che intendo è un problema che potrebbe non avere mai una soluzione, ma piuttosto problemi che non hanno ancora una soluzione soddisfacente. È interessante perché, nelle supply chain, tutti i problemi sono in qualche modo risolti, sai, in un certo senso. Ovviamente, le fabbriche stanno producendo e le persone possono godere di ciò che possono acquistare nei negozi, quindi la supply chain funziona. Ma potrebbe funzionare con inefficienze significative, e finché non ci si immerge davvero, potresti non notare quanto sia inefficiente a più livelli. Specialmente quando inizi a considerare variabili di aggiustamento che magari puoi utilizzare e che non sono tradizionalmente impiegate, direi, dai supply chain manager in generale, come il pricing, l’assortimento, e ogni sorta di modi per piegare e modificare la domanda del mercato in modo da avvicinarla a ciò che offri.
Kieran Chandler: Okay, quindi quali sono le sfide con cui abbiamo lottato per qualche anno ormai?
Joannes Vermorel: Dipende, poiché ogni settore ha il proprio insieme di problemi difficili e poco risolti. Prendiamo ad esempio la moda. Nella fast fashion o fashion accessibile, la domanda è molto sensibile al prezzo. Ecco perché le persone si precipitano verso gli sconti, perché è il momento in cui si possono ottenere prezzi super aggressivi. Ovviamente, a causa della enorme popolarità degli sconti, molte persone ritengono che valga la pena aspettare ore e andare in negozi super affollati per beneficiare di quei prezzi. Quindi, le persone desiderano abiti e cose che gradiscono, ma li vogliono a un prezzo accessibile. Tuttavia, praticamente ogni soluzione di demand planning che conosco per la moda, tranne Lokad, tratta la domanda come se il pricing non esistesse, come se fosse un prezzo da catalogo e basta. Mentre chiaramente, quando spingi un prodotto sul mercato, è in atto un’intera strategia di pricing. Se il prodotto non vende abbastanza, attiverai vendite e sconti per liquidare il magazzino e fare spazio per la prossima collezione. Quindi, ovviamente, se hai qualcosa che, in termini di organizzazione dei processi e della tecnologia software a supporto di tutto ciò, tratta la domanda del cliente e il pricing come entità completamente disconnesse, esiste ovviamente un enorme divario. Ed è chiaramente un problema irrisolto che consiste nell’ottimizzazione congiunta della domanda, del rifornimento e del pricing allo stesso tempo.
Kieran Chandler: Quindi, come vengono affrontati questi problemi con i metodi esistenti? Voglio dire, possiamo combinare i metodi attuali per ottenere qualcosa di soddisfacente?
Joannes Vermorel: No, la maggior parte delle soluzioni che sono state inventate storicamente non si prestavano a essere integrate tra loro. È un po’ ciò che S&OP ha cercato di fare a livello umano: far conversare le persone. Con gli umani, può funzionare perché possono comunicare e allinearsi semanticamente. Ma quando si parla di automazioni software, dove il DDMRP prende decisioni, WMS prende decisioni di rifornimento, e poi c’è un componente aggiuntivo sul tuo PIM (product information management) che controlla il prezzo, tutti quei sistemi non si integrano.
Kieran Chandler: Sai, non hanno nulla che li connetta in modo nativo, e anche se lo avessero, non sarebbe per nulla chiaro. Considerando i tipi di metodi che vengono usati per generare la decisione, come la decisione di rifornimento o acquisto da una parte e la decisione di pricing dall’altra, esiste qualcosa che si possa semplicemente costruire nel mezzo per riconciliare le decisioni e ottimizzarle congiuntamente?
Joannes Vermorel: Alla base, questi sistemi sono progettati con una logica di divide et impera, in cui ciò che non rientra nell’ambito viene completamente ignorato. È così che si possono avere ricette anche molto più semplici. La programmazione differenziabile riguarda un’ottimizzazione doppia che tiene conto di molti problemi differenti e li unisce in uno solo.
Differentiable programming è concettualmente legata al deep learning, ma non si concentra tanto su accuracy per le previsioni. È più una prospettiva diversa sulle cose. I recenti progressi nel deep learning hanno interessato soprattutto l’aspetto dell’apprendimento, con enormi progressi nel riconoscimento dei pattern nelle immagini e nell’identificazione di oggetti o persone. È davvero notevole, e i progressi sono stati significativi.
Tuttavia, esisteva anche un altro aspetto nel quale il deep learning ha sbloccato un sacco di ottimi risultati, ovvero l’ottimizzazione numerica. La ragione per cui siamo riusciti a riconoscere modelli complessi nelle immagini con maggiore accuratezza è che avevamo dei modelli molto più complessi, con moltissimi più parametri, nell’ordine delle decine di milioni. Per addestrare questi modelli e costruire un modello matematico efficiente sui tuoi dati, serve una ricetta di ottimizzazione numerica che funzioni su larga scala, perché stiamo parlando di milioni di parametri da ottimizzare.
Il deep learning e la tecnologia AI hanno portato una serie di scoperte nell’ottimizzazione su larga scala, che hanno reso possibili molti dei progressi nell’ambito dell’apprendimento. La programmazione differenziabile proviene da una prospettiva diversa. Ciò che interessa è sia l’aspetto dell’apprendimento sia gli strumenti numerici per fare ottimizzazione su larga scala. A volte, ciò che vuoi è un mix di apprendimento e ottimizzazione.
Nella supply chain, non si tratta tanto di apprendere quale sarà la domanda futura, ma di prendere la decisione giusta ottimizzata in condizioni di incertezza sul futuro, come ad esempio quante unità acquistare se il fornitore offre un certo prezzo. Una volta acquisite le unità, quando dovresti decidere di scontare un prodotto specifico? Si tratta sia di apprendere la domanda futura sia di ottimizzare variabili su cui hai molta libertà.
Nel caso della moda, per un solo prodotto, un solo prezzo e un solo stock, la realtà è che i clienti non si presentano in un negozio per un solo prodotto. Hanno bisogni, desideri e aspirazioni, e alla fine guardano all’assortimento. Se inizi a pensare alle decisioni per un prodotto alla volta, perdi di vista l’insieme. Ecco perché tutti quei marchi hanno bisogno di collezioni, perché serve un assortimento ampio affinché abbia senso per i clienti.
Kieran Chandler: Dove funziona davvero bene questo approccio nel mondo reale? Quali sono le sfide classiche che riesce a risolvere in modo eccellente?
Joannes Vermorel: Lo stack tecnologico è piuttosto nuovo, e con la programmazione differenziabile non direi che esista una routine ben consolidata in cui funziona perfettamente. Quello che dico è che ci sono tantissime opportunità da esplorare in questo ambito.
Kieran Chandler: Molti tipi di problematiche si riscontrano in diverse industrie. In una discussione precedente, abbiamo parlato delle limitazioni dell’MRP e di come il DDMRP stia fondamentalmente riparando con del nastro adesivo sistemi MRP piuttosto difettosi. Ma qual è il problema irrisolto in questo settore?
Joannes Vermorel: Il problema irrisolto è l’ottimizzazione in condizioni di incertezza. Quando esegui un’ottimizzazione come la risoluzione di un puzzle con un futuro statico e applichi tutti i tuoi vincoli, queste tipologie di problemi sono state risolte dagli anni ‘80. Tuttavia, quando introduci un elevato grado di casualità, si tratta di un problema completamente diverso. Tutti gli ottimizzatori numerici a nostra disposizione cedono, ed è per questo che si ricorre a ricette super semplificate con punti di disaccoppiamento e articoli disaccoppiati. L’MRP è una conseguenza della mancanza di strumenti adeguati per affrontare il problema.
Kieran Chandler: Puoi fornirci un altro esempio in cui le industrie perdono il vero punto della questione?
Joannes Vermorel: Certo. Quando si parla di previsione della domanda, ogni singola unità venduta è collegata a un cliente. Oggi, grazie ai programmi di fidelizzazione, quasi tutte le catene di vendita al dettaglio e le piattaforme ecommerce possono identificare i propri clienti e sapere esattamente chi ha acquistato cosa, in quale momento, in quali condizioni e quali prodotti erano presenti. Sanno che la scelta di un cliente era limitata a ciò che era disponibile in quel momento. C’è una grande quantità di informazioni, come l’assortimento al momento della decisione d’acquisto e l’identità dei clienti che hanno una storia d’acquisto. Tuttavia, vedo che ci sono quasi nessuna soluzione sul mercato che utilizza questi dati. È una chiara disconnessione e un enorme potenziale che non viene affatto sfruttato.
Kieran Chandler: Quali sono le vere sfide nelle supply chain che la programmazione differenziabile non riesce nemmeno a sfiorare?
Joannes Vermorel: Esistono problemi complessi che probabilmente non saranno risolti prima dell’avvento di una IA forte, o di un’intelligenza a livello umano. Questi problemi intricati implicano di considerare le conseguenze di secondo ordine delle tue azioni. Ad esempio, quando fai promozioni per un marchio di moda, stai facendo due cose: liquidare il tuo stock, cosa positiva e che può essere ottimizzata con la programmazione differenziabile; ma devi anche pensare alle conseguenze delle tue azioni fin dall’inizio, quando effettui un ordine.
Kieran Chandler: Fornisci le tue prime unità, ok, bene. Ma poi, quali sono le conseguenze di secondo ordine? Il fatto che quando fai promozioni, quando fai saldi, stai in realtà insegnando alla tua clientela ad acquistare dal tuo negozio, dalle tue supply chain o dal tuo ecommerce solo quando c’è una promozione. E potrebbe verificarsi una deriva che dura da oltre un decennio, passando da clienti soliti comprare felicemente tutto il tempo a una maggioranza che ora acquista solo in saldo.
Joannes Vermorel: È come una profezia che si autoavvera, e chiaramente lo è in questo momento. Ecco perché si parla di “wicked problem”. Puoi consultare la pagina Wikipedia. Fondamentalmente, il punto è che non stiamo trattando con automi. I tuoi clienti non sono automatizzati; sono intelligenti e si adattano. In sostanza, devi considerare il fatto che, quando fai qualcosa, le persone penseranno e si adatteranno a quello che stai facendo. Questo è ciò che chiamo conseguenze di secondo ordine.
Quando le persone sanno che farai qualcosa, hanno delle aspettative e basano le loro azioni su ciò che pensano di te. È una ricorsione, ed è qualcosa di molto umano, per cui gli esseri umani sono in realtà abbastanza bravi a farlo. Sono tutte quelle conseguenze complesse.
Ad esempio, supponiamo che tu sia un produttore d’auto. Migliori la supply chain per la distribuzione dei pezzi di ricambio e per la tua rete di officine. La tua officina diventa così efficiente da alienare i tuoi partner storici sul mercato. Quindi ottimizzi da un lato e dall’altro finisci per offendere partner importanti che erano tuoi collaboratori storici. Dovresti rinunciare a ottimizzare la tua supply chain solo per mantenere felici i tuoi partner? Forse, forse no. Ancora una volta, questo è un tipo di wicked problem che va completamente al di là delle capacità di qualsiasi algoritmo di cui sono a conoscenza, anche le tecnologie AI più sofisticate di cui si legge sulla stampa sono lontane dall’affrontare questo genere di problema.
Kieran Chandler: Sembra che questi wicked problem siano probabilmente una sfida per la programmazione differenziabile di domani e per Skynet, non per i Terminator. Quindi, perché adesso è il momento di ripercorrere alcuni di questi problemi irrisolvibili? Cosa è cambiato nel mondo della tecnologia che ha reso possibile questo progresso nella programmazione differenziabile?
Joannes Vermorel: Quello che è cambiato è che siamo passati da una tecnologia in cui potevamo ottimizzare modelli con letteralmente poche centinaia di parametri a modelli che possono avere cento milioni di parametri. È quello che si ottiene con le moderne tecniche di deep learning, specialmente per scopi di ottimizzazione in contesti di deep e differentiable programming. Questo cambia le regole del gioco, perché la sfida per molti dei clienti di cui parliamo è che, a meno che non siano aziende veramente piccole, hanno problemi di scala. Anche se non sono Walmart, basta avere circa 50 negozi per dover risolvere problemi su larga scala. Se hai 10.000 prodotti per negozio, stiamo parlando di mezzo milione di SKU, ovvero circa mezzo milione di variabili per decisioni su prezzi e stock ogni giorno.
Ciò che è cambiato è stato il passaggio dalla capacità di ottimizzare problemi con poche centinaia di variabili a problemi con milioni. All’improvviso, la risoluzione di una miriade di problemi che prima erano invisibili è diventata visibile. È interessante notare che, con il deep learning, ciò è avvenuto grazie a una combinazione di progressi hardware e software. L’IA sta ancora progredendo rapidamente, e CPU migliori con più core e maggiore potenza grezza continuano a migliorare abbastanza velocemente. Ma oltre a ciò, ciò che è ancora più rapido è una serie di scoperte in cui l’hardware forniva 10 volte la potenza di calcolo rispetto a due anni fa.
Kieran Chandler: Potremmo avere, forse, 20 unità o magari saranno 3 anni da ora, ok, si tratta di un bel progresso esponenziale nell’arco, diciamo, di tre anni o giù di lì. Ma se ogni sei mesi ci sono scoperte software o matematiche che raddoppiano l’efficienza dell’algoritmo che possiedi, allora il progresso diventa drasticamente più veloce. Esattamente questo è ciò che sta accadendo con il deep learning. C’è stato un progresso costante dell’hardware, ma è stato completamente amplificato da una serie di scoperte che riguardano soprattutto l’algoritmico e il matematico, dove letteralmente si otteneva il doppio della potenza d’elaborazione dallo stesso hardware. L’accelerazione si è verificata nell’ultimo decennio, e il risultato è che siamo passati da modelli con poche centinaia di variabili a centinaia di milioni in un decennio. Voglio dire, non esattamente, ma questo ti dà un’idea. Quindi, questo è ciò che è cambiato; direi che una larga parte è stata la capacità di operare su scala in modo agile e a basso costo. Questa crescita continuerà o crescerà davvero quanto necessario?
Joannes Vermorel: A questo punto, penso che abbiamo raggiunto il punto dei rendimenti decrescenti. La maggior parte dei problemi che affrontiamo ora non è dovuta a una carenza di potenza di calcolo; abbiamo un surplus di potenza di calcolo. Non ci sono situazioni in cui pensiamo: se la potenza di calcolo costasse dieci volte meno, potremmo farlo. È molto raro, e quando abbiamo metodi per cui potremmo investire molta più potenza per ottenere un piccolo incremento, il guadagno è estremamente marginale. Puoi ottenere un extra dello 0,2% in termini di accuratezza investendo dieci volte più CPU, ma non ne vale la pena. È meglio ripensare l’intero sistema. Credo che la sfida principale ora risieda nel tipo di espressività, in come far aderire questi problemi a un framework. La programmazione differenziabile non è l’opposto; essa mira a ottenere la massima espressività, in modo che tante cose che finora erano problemi irrisolti possano entrare nell’ambito di ciò che è possibile fare con la programmazione differenziabile.
Kieran Chandler: Iniziamo allora a mettere insieme le cose: in termini di programmazione differenziabile, cosa significa per il professionista della supply chain? Quali sono i benefici che probabilmente osserverà, e come cambierà il suo approccio attuale?
Joannes Vermorel: La programmazione differenziabile rappresenterà un enorme passo avanti nell’eliminare i compartimenti stagni. Abbiamo realizzato un episodio, credo siano 20 episodi fa, dedicato a tutti quei silos, sia verticali che orizzontali. La realtà è che dicevo che dovremmo semplicemente eliminarli, ma la realtà è che forse qualcuno potrebbe opporsi. Sì, ha senso, perché ovviamente ci sono inefficienze non sfruttate che potrebbero essere eliminate e ottimizzate se fossimo in grado di farlo, ma la tecnologia non è ancora arrivata. Quindi, per ora, siamo bloccati con i nostri silos solo per mancanza di alternative. Credo che la programmazione differenziabile apra concretamente la porta a pensare insieme a pricing e assortment, oppure al processing dell’assortment, oppure al pricing dell’assortment, o ancora a purchasing plus pricing. Si possono vedere ogni tipo di problema che abbiamo risolto isolatamente, e ora si può dire: oh, li risolveremo insieme. Questo comporterà anche il dover reinventare il modo in cui quelle aziende sono organizzate, perché quei vecchi compartimenti stagni non sopravviveranno in questo nuovo mondo, quando le aziende inizieranno ad adottare il modello Amazon di abbattere questi silos e ottimizzare in maniera incrociata i vari ambiti.
Kieran Chandler: Brillante, grazie per il tuo tempo oggi. È qualcosa da portare con noi per questa settimana. Grazie mille per averci seguito,
