00:00:07 Sfruttare i dati meteo per ottimizzare le decisioni di acquisto.
00:00:41 Prodotti sensibili al meteo e la loro correlazione con il meteo.
00:02:00 Contesto storico delle startup di dati meteo e il loro status di nicchia.
00:03:23 Fornitori di elettricità sfruttano in modo efficiente i dati meteo per la previsione dei consumi.
00:06:02 La complessità dei dati meteo rispetto ai dati della supply chain e le sfide tecniche.
00:08:00 L’impatto del meteo sui mercati IPO e la domanda di prodotti.
00:10:00 Il beneficio limitato delle previsioni meteo per le supply chain.
00:12:45 L’utilità dei dati meteo storici nel spiegare la domanda dei prodotti.
00:14:00 Utilizzare il cambiamento climatico per migliorare le previsioni stagionali e le sue limitazioni.
00:15:49 Confrontare le fluttuazioni giornaliere della temperatura con l’impatto del cambiamento climatico a lungo termine.
00:17:01 L’importanza di utilizzare i dati transazionali per le decisioni della supply chain.
00:18:04 Sfruttare i dati sul traffico web per una migliore comprensione della supply chain.
00:18:36 Utilizzare l’intelligence competitiva per le decisioni nella supply chain.
00:19:27 Conclusione: Dare priorità ad altre fonti di dati prima di esplorare i dati meteo.
Sintesi
Joannes Vermorel, fondatore di Lokad, discute con Kieran Chandler, il conduttore, il potenziale e i limiti dei dati meteo nell’ottimizzazione della supply chain. Vermorel evidenzia che i dati meteo possiedono una forte capacità esplicativa, ma potrebbero non essere molto utili per affinare le previsioni. La natura multidimensionale del meteo rende difficile incorporarlo efficacemente nelle previsioni. Vermorel sottolinea l’importanza di dare priorità ai dati transazionali e ai dati non transazionali, come il traffico web e l’intelligence competitiva, rispetto ai dati meteo e ai dati social. I dati meteo potrebbero essere più utili nell’analisi delle performance di vendita passate. Nonostante le sfide, con l’evoluzione della tecnologia delle previsioni meteo e della supply chain management, potrebbero aprirsi maggiori opportunità per le aziende di sfruttare i dati meteo per il decision-making strategico.
Sintesi Estesa
In questo episodio, Kieran Chandler, il conduttore, intervista Joannes Vermorel, fondatore di Lokad, un’azienda software specializzata nell’ottimizzazione della supply chain. Discutono il ruolo dei dati meteo nell’ottimizzazione delle decisioni di acquisto e le complicazioni che sorgono nel combinare diverse previsioni.
L’idea alla base dell’utilizzo dei dati meteo per l’ottimizzazione della supply chain è semplice: molti prodotti sono altamente sensibili al meteo, e la loro domanda è influenzata dalle condizioni meteo. Esempi includono la carne per barbecue e persino le automobili, poiché le persone in climi diversi potrebbero scegliere veicoli differenti. Molte pratiche della supply chain mirano a migliorare le previsioni incorporando i dati meteo.
Un decennio fa, si parlava molto dei dati meteo e delle startup focalizzate sul miglioramento delle previsioni. Tuttavia, nonostante l’interesse iniziale, l’utilizzo dei dati meteo per l’ottimizzazione della supply chain è rimasto un’area di nicchia. Lokad ha condotto diverse missioni per grandi aziende circa un decennio fa, ma questi sforzi si sono poi esauriti perché richiedevano troppo impegno rispetto ai benefici ottenuti.
Una delle intuizioni chiave dall’esperienza di Lokad è che i dati meteo sono incredibilmente complessi. Si tratta di un problema multidimensionale con un alto grado di diversità geografica. Le condizioni meteo possono variare notevolmente anche a soli 20 chilometri di distanza a causa di fattori come l’altitudine. Inoltre, il meteo non è uniforme durante tutto il giorno, rendendo le previsioni ancora più difficili.
Tuttavia, ci sono settori che hanno sfruttato con successo i dati meteo, come i fornitori di elettricità. Utilizzano questi dati per prevedere il consumo elettrico, consentendo loro di fornire esattamente la quantità di energia necessaria per soddisfare le esigenze della rete in ogni singolo minuto della giornata. Lo stoccaggio dell’elettricità è inefficiente e impraticabile, rendendo le previsioni precise essenziali per gestire l’approvvigionamento.
Sebbene il concetto di utilizzare i dati meteo per l’ottimizzazione della supply chain sembri logico, si è dimostrato complesso e rimasto un’area di nicchia. La natura altamente variabile e multidimensionale del meteo rende difficile incorporarlo efficacemente nelle previsioni. Tuttavia, alcuni settori, come i fornitori di elettricità, hanno avuto successo nell’utilizzare i dati meteo per le loro esigenze specifiche.
Vermorel spiega che i dati meteo sono altamente complessi a causa della loro specificità geografica e dei vari fattori che devono essere considerati, come pioggia, vento, umidità e luce solare. Questa complessità rende i dati meteo significativamente più voluminosi e difficili da gestire rispetto ai tradizionali dati della supply chain.
Sebbene ottenere i dati meteo sia diventato più semplice grazie ai provider cloud, elaborare e correlare questi dati con i modelli di vendita rimane una sfida. Vermorel sottolinea che il meteo può avere effetti fortemente localizzati sulle vendite e che le aziende devono gestire diverse euristiche per tener conto di queste sfumature.
In risposta al suggerimento di utilizzare trigger più semplici e reattivi basati sulla temperatura, Vermorel riconosce che la temperatura può essere un fattore importante, ma sottolinea che non è l’unico. Ad esempio, un weekend caldo, piovoso e ventoso potrebbe non portare a un aumento della domanda di prodotti per barbecue. Inoltre, Vermorel osserva che i clienti monitorano le previsioni meteo proprio come le aziende, portando a potenziali cambiamenti nei modelli di acquisto basati sulle aspettative riguardo al meteo.
Considerando l’accuratezza a breve termine delle previsioni meteo, Vermorel spiega che le previsioni oltre i dieci giorni di solito non sono molto utili per ottimizzare le decisioni della supply chain. Durante eventi come le ondate di calore, la previsione conta veramente solo all’inizio e alla fine dell’evento, risultando in una finestra di utilità limitata.
Discutendo il futuro delle supply chain e delle previsioni meteo, Vermorel riconosce il potenziale di previsioni più accurate per avere un impatto maggiore. Tuttavia, sottolinea che l’uso più interessante dei dati meteo potrebbe essere effettivamente l’analisi delle performance di vendita passate. Ad esempio, capire se il successo di una campagna di vendita di gelati è stato dovuto a un marketing efficace o semplicemente a un’ondata di calore a Parigi può fornire preziose intuizioni per le aziende.
Incorporare i dati meteo nell’ottimizzazione della supply chain è un compito complesso e impegnativo, con benefici potenziali nell’analisi delle performance di vendita passate e applicazioni limitate per le previsioni a breve termine. Con l’evoluzione della tecnologia delle previsioni meteo e della supply chain management, potrebbero aprirsi maggiori opportunità per le aziende di sfruttare i dati meteo per il decision-making strategico.
Vermorel condivide le sue intuizioni sull’importanza dei dati meteo, l’impatto del cambiamento climatico e i tipi di dati su cui le aziende dovrebbero concentrarsi per un’ottimizzazione migliore della supply chain.
Vermorel spiega che, sebbene i dati meteo abbiano una forte capacità esplicativa, potrebbero non essere altrettanto utili per affinare le previsioni. Molti operatori della supply chain li trovano utili per comprendere il passato, ma non necessariamente per formulare previsioni future.
Quando gli viene chiesto dell’impatto del cambiamento climatico sulle previsioni stagionali, Vermorel sottolinea che, pur essendo una questione globale significativa, il suo effetto sull’ottimizzazione della supply chain è minimo a causa della differenza nelle tempistiche. Le previsioni sul cambiamento climatico si estendono per secoli, mentre le decisioni nella supply chain si concentrano su mesi o pochi anni. Di conseguenza, l’effetto del cambiamento climatico sull’ottimizzazione della supply chain è relativamente ridotto.
Vermorel evidenzia l’importanza dei dati transazionali per l’ottimizzazione della supply chain. Sottolinea che molte aziende non utilizzano efficacemente questi dati, poiché spesso non quantificano il loro stock e i costi di stockout in termini finanziari. Sfruttando al meglio i dati transazionali, le aziende possono ottimizzare le loro decisioni nella supply chain.
Inoltre, Vermorel suggerisce di concentrarsi sui dati non transazionali, facili da raccogliere e altamente rilevanti per la supply chain di un’azienda. I dati sul traffico web, ad esempio, possono fornire preziose informazioni sul comportamento dei clienti e sulle performance dei prodotti. L’intelligence competitiva, come la determinazione dei prezzi dei concorrenti, è un’altra fonte di dati preziosa, anche se può essere più difficile da raccogliere.
I dati meteo e i dati social possono essere utili, ma Vermorel raccomanda che le aziende diano priorità ai dati transazionali, ai dati sul traffico web e ai dati di intelligence competitiva. I dati meteo e i dati social dovrebbero essere considerati quando un’azienda ha già sfruttato al massimo le altre fonti di dati e dispone di un grande team di data science.
I dati meteo possono essere utili e interessanti per comprendere le performance della supply chain passate, ma esistono altre fonti di dati più importanti per l’ottimizzazione. Le aziende dovrebbero dare priorità ai dati transazionali, ai dati sul traffico web e ai dati di intelligence competitiva prima di esplorare i dati meteo o i dati social per l’ottimizzazione della supply chain.
Trascrizione Completa
Kieran Chandler: Oggi discuteremo di dove possano insorgere alcune complicazioni nel combinare diverse previsioni e capire se questi dati possano essere sfruttati per fornirci informazioni preziose.
Joannes Vermorel: L’idea è semplice: esistono una miriade di prodotti che sono altamente sensibili al meteo in termini di domanda. Si può pensare, per esempio, alla carne per barbecue che si intende acquistare per il prossimo weekend in caso di sole, e probabilmente si organizzerà un barbecue. Ma, in generale, ci sono intere classi di prodotti molto sensibili al meteo, e, in un certo senso, praticamente tutto è in qualche misura influenzato dal meteo. Voglio dire, anche la tua auto; se ti trovi in una regione molto fredda, potresti non scegliere la stessa auto che sceglieresti se vivessi in una regione molto calda o dove piove molto, per esempio. Quindi è interessante disporre di questi dati, e ovviamente, poiché si tratta di un fattore evidente, molte pratiche della supply chain pensano di migliorare la previsione cercando di includere questi dati meteo, in particolare attraverso l’analisi delle previsioni meteo.
Kieran Chandler: Sicuramente, più informazioni si hanno, migliore sarà la base per prendere decisioni riguardanti il futuro. Quindi, come funziona nella pratica?
Joannes Vermorel: È interessante, soprattutto la parte riguardante il funzionamento nella pratica. Quando ho creato Lokad dieci anni fa, i dati meteo e le startup nel settore meteo erano all’ordine del giorno. Al tempo, probabilmente in Francia, c’erano tre startup interamente dedicate al miglioramento delle previsioni con i dati meteo, e probabilmente qualcosa come venti negli Stati Uniti. È interessante perché era un decennio fa, ed era quasi un termine di moda, avere tutto ciò che era abilitato o alimentato dal meteo in termini di analisi. Ma ciò che è interessante è che, nella pratica, è rimasto incredibilmente di nicchia. Anche in Lokad, abbiamo realizzato diverse missioni per grandi aziende circa un decennio fa, e poi questo sforzo è svanito. In breve, richiede troppo impegno rispetto al valore che offre.
Kieran Chandler: Quindi, cosa abbiamo imparato mettendolo in pratica tutti quegli anni fa?
Joannes Vermorel: Abbiamo imparato moltissimo. Abbiamo avuto missioni con un grande fornitore europeo di elettricità, che credo sia esattamente il tipo di azienda che oggigiorno sfrutta i dati meteo in modo molto efficiente. I fornitori di elettricità utilizzano i dati meteo per prevedere il consumo elettrico, in modo da fornire esattamente la quantità necessaria per soddisfare le esigenze della rete in ogni singolo minuto della giornata. A proposito, non puoi immagazzinare elettricità, o in realtà esistono modi, ma è molto inefficiente, molto lento e impraticabile nella pratica. Quindi sono necessarie previsioni molto precise. Tornando ai dati meteo, le intuizioni chiave erano molte. Una è che il meteo è semplicemente incredibilmente complicato. La gente non si rende conto che si tratta di un problema così multidimensionale. Hai la griglia geografica, e una cosa sul meteo è che è una cosa estremamente locale. Sono rimasto un po’ sorpreso dal constatare quanto la temperatura possa essere diversa a soli 20 chilometri di distanza. Puoi letteralmente avere una differenza di 15 gradi a 20 chilometri l’uno dall’altro perché un luogo si trova a un chilometro in più di altitudine rispetto all’altro. Quindi c’è una diversità straordinaria in termini di geografia, ma anche il meteo non riguarda un’unica parte della giornata. Guardando la TV, noterai che ci sono, per esempio, cinque episodi di pioggia, dieci minuti ciascuno, distribuiti durante la giornata. Quindi è una cosa molto precisa che cambia letteralmente minuto per minuto. Quindi, ok, c’è la geografia, poi c’è il tempo con una granularità estremamente sottile. Ovviamente, fa molta differenza se piove durante la notte o durante il giorno, queste cose. Ma poi il meteo in sé non riguarda solo la temperatura e se piove o meno. Ci sono una mezza dozzina di metriche, come vento, umidità, luce, velocità e direzione del vento, e se soffierà in modo continuativo o meno. Quindi è un aspetto molto multidimensionale e, di conseguenza, direi che è un piccolo mondo a sé stante. Voglio dire, già gestisci tutti i tuoi dati della supply chain, che sono già di per sé molto complicati, e poi scopri che esiste questo set di dati meteo che si affianca ai tuoi dati della supply chain, ed è qualcosa che è letteralmente almeno dieci volte più complicato di tutti i tuoi dati della supply chain messi insieme.
Kieran Chandler: Sì, quindi ci sono ovviamente queste complicazioni, ma sono complicazioni che vengono gestite. Sono raccolte in maniera approfondita, quindi quali tipi di sfide tecniche introduce questo, visto che sono cose che iniziamo a conoscere ora?
Joannes Vermorel: Sì, voglio dire, innanzitutto, ti si presenta un volume di dati meteorologici che è letteralmente da 10 a 100 volte più grande dei tuoi supply chain data. Quindi, è semplicemente che, in termini di ingegneria del software, ti ritrovi con qualcosa che era stato progettato per gestire la supply chain e la sua scala, e poi ti rendi conto che se vuoi gestire i dati meteorologici, devi trattare letteralmente 100 volte più dati. C’è molta difficoltà in questo. Voglio dire, ovviamente, un decennio fa era già di per sé un problema riuscire ad accedere ai dati meteorologici. Questo problema oggi, con molti provider cloud che ti vendono direttamente i dati sul cloud, è diventato molto più facile. Ma elaborare quei dati rimane molto complicato, soprattutto perché, ancora, non si tratta di elaborare i dati meteorologici per fare simulazioni del tempo. Si tratta di elaborare i dati meteorologici per fare qualcosa che è ancora molto di nicchia, ovvero cercare di correlare questi dati con i modelli di vendita. E, ancora, ricorda: il tempo è estremamente locale. Ad esempio, se hai un mercato che attrae persone da un’area ampia, come 30 o anche 50 chilometri di raggio, non hai un solo dato meteorologico da considerare. Potresti dover consolidare dati su un’area geografica più vasta, ma dovrai definire da solo tutte le euristiche necessarie.
Kieran Chandler: Ma qui le cose stanno diventando molto complicate, guardando a diverse altitudini e diverse granularità. Non c’è qualcosa di un po’ più semplice che potremmo introdurre, magari qualcosa di più reattivo, come invece di un min/max, potresti avere un ordine di acquisto automatizzato non appena la temperatura raggiunge un certo numero di gradi? Non è qualcosa di interessante?
Joannes Vermorel: Voglio dire, è davvero interessante. Con la temperatura, hai la prima misura di interesse, assolutamente. E infatti, puoi iniziare concentrandoti solo sulla temperatura e sulla temperatura media durante il giorno. Tuttavia, è molto lontano dal riflettere tutto ciò che devi sapere. Se torniamo all’esempio di un picco di domanda per la carne perché le persone si aspettano di fare un barbecue se il prossimo weekend è molto caldo, ma anche molto piovoso e ventoso, potresti non registrare un picco così marcato per i tuoi prodotti da barbecue. Quindi, di nuovo, sì, la temperatura è importante; le previsioni del tempo rendono chiaro che questo weekend o il successivo, con alta probabilità, sarà un weekend molto piacevole. Poi tutti lo sanno, e così avrai clienti che inizieranno ad acquistare i prodotti sensibili al tempo. Se analizzi i dati con un ritardo di solo uno o due giorni, avrai anche informazioni sul tempo. Ricorda che le previsioni del tempo non sono molto accurate oltre circa dieci giorni da oggi, quindi non puoi ottimizzare con decisioni basate sulle previsioni che vanno oltre i dieci giorni. Dopo dieci giorni, praticamente torni alla media stagionale come se non sapessi nulla. È comunque qualcosa di interessante, ma è anche molto a breve termine. Considera solo che quando, per esempio, entri in un’ondata di calore come a Parigi, l’ondata di calore può durare un paio di settimane. Il periodo in cui la previsione ha realmente importanza non sono le tre settimane dell’ondata di calore, ma piuttosto i tre giorni in cui entri nell’ondata di calore e poi magari i due o tre giorni in cui ne esci. Quindi, è un lasso di tempo molto ristretto durante l’anno in cui hai davvero un vantaggio.
Kieran Chandler: Ok, quindi la finestra è molto piccola, e raccogliere tutti questi dati non ci dà davvero un grande vantaggio. Se guardiamo in avanti ad alcune delle supply chain del futuro e immaginiamo che un giorno avremo previsioni meteorologiche future incredibilmente accurate, capaci di guardare più lontano nel tempo, e avremo un controllo maggiore delle nostre supply chain nel loro complesso, riesci a immaginare quel giorno in cui una previsione del tempo sarebbe più utile per cercare di sfruttare i dati meteorologici per fare previsioni migliori?
Joannes Vermorel: È possibile. Ci sono aziende, come i fornitori di elettricità, che lo fanno con altissima efficienza. Per loro, i dati meteorologici sono un input molto prezioso e aiutano a raffinare la loro accuratezza con un margine significativo. Ma la cosa interessante è che l’applicazione più utile dei dati meteorologici non è guardare al futuro; in realtà, si tratta di guardare al passato. Ad esempio, se stai vendendo gelati e lanci una nuova campagna pubblicitaria per i tuoi prodotti che vende davvero bene, vende bene perché la campagna era buona o semplicemente perché c’era un’ondata di calore a Parigi e praticamente tutti i venditori di gelati hanno avuto un buon periodo in quella parte dell’estate? Guardare indietro ai dati del tempo può essere molto utile per spiegare la domanda dei tuoi prodotti. Qui, non devi preoccuparti delle complessità della granularità. Puoi aggregare i dati su periodi più lunghi o in aree geografiche estese, e otterrai qualcosa che possiede un forte potere esplicativo.
Kieran Chandler: Probabilmente è per questo che le persone, compresi molti professionisti della supply chain, sono così entusiaste dell’idea di utilizzare i dati meteorologici per perfezionare le previsioni. Anche se quella parte non funziona così bene, è perché i dati meteorologici sono molto utili per spiegare il passato. Che dire, invece, di cose come il cambiamento climatico? Abbiamo la consapevolezza che il mondo si sta gradualmente riscaldando, e questo influenzerà le nostre previsioni stagionali in futuro. Possiamo sfruttare questa intuizione? C’è qualcosa di utile?
Joannes Vermorel: Sfortunatamente, ci sono ordini di grandezza in gioco. Anche le previsioni sul cambiamento climatico più pessimistiche considerano qualcosa che, nel corso di molti anni, è ancora relativamente piccolo rispetto alle fluttuazioni giornaliere che osserviamo nel tempo.
Kieran Chandler: Certo, durante il 21° secolo si parla di un paio di gradi di differenza. A proposito, se si pensa in termini di tempo geologico, si tratta di un’evoluzione molto ripida del clima. Se la Terra si riscalda o si raffredda globalmente di due gradi in un secolo, è tanto. È molto significativo. Tuttavia, stiamo parlando di un paio di gradi in un secolo. Anche in un clima molto mite come Parigi, la temperatura tipicamente oscilla tra il punto più alto del giorno e il punto più basso per circa 20 gradi. Abbiamo un clima molto mite. Ci sono molte regioni nel mondo dove le temperature oscillano di 40 gradi tra il punto più alto durante il giorno e il punto più basso durante la notte.
Joannes Vermorel: In definitiva, avere un cambiamento climatico di forse due gradi nel corso di un secolo – quando pensi a quanto cambierà da una stagione all’altra – è letteralmente trascurabile. La maggior parte dei prodotti di consumo entra sul mercato, passa da zero al picco in qualcosa come dodici mesi, e poi scompare due o tre anni dopo. Ti rendi conto che l’impatto del clima medio è molto ridotto per l’ottimizzazione della supply chain, semplicemente perché non stiamo parlando dello stesso arco temporale. La supply chain riguarda l’ottimizzazione delle decisioni per i prossimi un paio di mesi, forse l’anno prossimo, o i prossimi due anni se hai piani davvero ambiziosi. Ma, non credo che molte aziende pensino a secoli avanti, tranne che per essere più snelle, consumare meno energia o produrre meno rifiuti, il che è un vantaggio per il futuro. Tuttavia, non è qualcosa che pianifichi realmente con una previsione.
Kieran Chandler: Quindi, a che tipo di altri dati dovremmo guardare? Cosa è più importante dei dati meteorologici in questo momento?
Joannes Vermorel: Abbiamo raggiunto un punto in cui la maggior parte delle aziende non utilizza nemmeno correttamente i propri dati transazionali. La maggior parte delle aziende con cui parliamo, quando iniziamo a lavorare con loro, non ha neanche quantificato i costi di stock-out in euro o dollari. Lo stock è un trade-off tra il costo dello stock e il costo dello stock-out. Se semplifico, fondamentalmente, devi bilanciare due rischi, e non li stai nemmeno valutando.
Kieran Chandler: Dal punto di vista finanziario, uno di quei due rischi rende molto difficile ottimizzare qualsiasi cosa. Quindi, la prima fase consiste nel far uso della maggior parte dei tuoi dati transazionali, che sono super affidabili e hanno esattamente la granularità che conta per le decisioni della tua supply chain. La seconda fase è utilizzare tutti i dati non transazionali, ma che sono facili da raccogliere e comunque molto rilevanti per la tua supply chain. Ad esempio, si tratterebbe dei dati sul traffico web se sei un marchio. Puoi vedere quante visite riceve ogni singola pagina che pubblichi sul tuo sito web e, in particolare, se hai pagine dedicate ai tuoi prodotti, puoi osservare il traffico web. E ancora, quando il traffico web evolve, otterrai queste informazioni che sono strettamente collegate ai tuoi prodotti, e sono qualcosa che puoi utilizzare.
Joannes Vermorel: Forse un terzo livello di dati potrebbe essere l’intelligence competitiva, sai, ciò che fanno i tuoi concorrenti, i loro prezzi, ecc. Sono dati che sono più complicati da raccogliere, ma comunque intimamente connessi alla tua attività di supply chain. E poi oltre a questo, ci sono cose come i dati meteorologici e i dati sociali che sono possibili. Abbiamo esempi di aziende che fanno uso dei dati sociali, ma tendono a essere aziende fortemente orientate alla tecnologia che hanno già superato tutte le fasi precedenti di sfruttamento al massimo dei loro dati transazionali, dei dati sul traffico web e dei dati di intelligence competitiva. E poi puoi avventurarti nei dati meteorologici e magari in quelli sociali, che sono una sorta di fonti esterne.
Kieran Chandler: Ok, quindi per concludere oggi, forse i dati meteorologici sono utili e possono essere in qualche modo interessanti, in particolare guardando al passato. Ma la conclusione principale è fondamentalmente che ci sono altre cose che sono più importanti.
Joannes Vermorel: Sì, e se non hai già un team di data science molto grande, voglio dire, non sei pronto. Questo sarebbe il mio messaggio: saprai di essere pronto quando assumerai il tuo 24° data scientist, e non saprai esattamente quali nuove cose esplorare. Allora sarà il momento giusto per iniziare a guardare in quella direzione.
Kieran Chandler: Ok, concludiamo qui per oggi. Grazie, Joannes. Ok, questo è tutto per Lokad TV questa settimana. Torneremo di nuovo la prossima volta con un altro episodio, a patto di sopravvivere a questa ondata di calore. Ci vediamo alla prossima. Ciao per ora.
