00:00:07 Previsioni nude e il background di Lokad.
00:01:42 Alta richiesta per la previsione delle serie temporali.
00:03:14 Mancato successo delle previsioni nude nonostante l’accuratezza statistica.
00:05:03 L’esperienza di Lokad in un benchmark con un grande rivenditore europeo.
00:07:19 Problemi delle previsioni nude e il loro impatto sulle aziende.
00:09:25 I problemi delle previsioni nude nell’esecuzione della supply chain.
00:12:38 L’importanza degli scenari estremi e il ruolo delle previsioni quantile.
00:14:47 Le sfide dell’utilizzo di previsioni accurate nei processi S&OP delle grandi corporation.
00:15:37 Divergenza dalla previsione e la necessità di considerare futuri alternativi.
00:17:12 Le sfide di rappresentare dati probabilistici in grandi quantità.
00:18:57 Le limitazioni di Excel nella gestione delle distribuzioni di probabilità.
00:20:25 L’importanza di ottimizzare le decisioni basate sulle previsioni.
00:21:48 La necessità dell’ottimizzazione predittiva e il suo stretto legame con le previsioni.
Sommario
Nell’intervista, Kieran Chandler e Joannes Vermorel discutono delle limitazioni dei tradizionali metodi di previsione nell’ottimizzazione della supply chain. Vermorel sottolinea la necessità di previsioni quantile che considerino scenari estremi, in quanto questi hanno l’impatto più significativo sulla gestione della supply chain. Spiega che le previsioni probabilistiche possono offrire una gamma di esiti possibili, ma la gestione delle enormi quantità di dati richiesti da questo approccio crea una sfida di “big data”. Strumenti tradizionali come Excel non sono progettati per lavorare con dati probabilistici, quindi sono necessari strumenti specializzati. Vermorel conclude che l’ottimizzazione predittiva, che combina previsione e ottimizzazione, è un approccio più efficace per gestire le incertezze della supply chain.
Sommario Esteso
In questa intervista, Kieran Chandler, il conduttore, discute con Joannes Vermorel, il fondatore di Lokad, un’azienda software specializzata nell’ottimizzazione della supply chain. Approfondiscono il concetto di previsioni nude e la loro efficacia nel migliorare il processo decisionale nella supply chain.
Quando Lokad è stata fondata nel 2008, l’azienda si è concentrata sul fornire “forecasting as a service”, sfruttando metodi statistici per la previsione delle serie temporali. L’idea era quella di utilizzare dati storici, come le vendite passate, per prevedere la domanda futura, che assume anch’essa la forma di una serie temporale. Questo approccio ha suscitato interesse in molte aziende, che cercavano previsioni di serie temporali accurate per migliorare le loro decisioni sulla supply chain.
C’era un notevole appetito per la previsione delle serie temporali, con molte aziende che chiedevano a Lokad previsioni più accurate basate sui loro dati storici. Curiosamente, nonostante venissero fornite previsioni altamente accurate con bassi tassi di errore, queste previsioni migliorate non sembravano tradursi in decisioni o risultati migliori nella supply chain.
Vermorel trovò questo risultato sconcertante, poiché ci si potrebbe aspettare che previsioni migliori con tassi d’errore inferiori portassero a un processo decisionale migliorato e, in definitiva, a una migliore performance della supply chain. Gli ci vollero alcuni anni per comprendere il problema sottostante a questi risultati controintuitivi.
Il problema non era di natura statistica; le previsioni fornite da Lokad erano estremamente accurate, con minimi problemi come overfitting. Vermorel era convinto che le previsioni fossero statisticamente solide, eppure sembravano causare scompiglio sul lato del cliente.
Vermorel racconta una storia del 2011 in cui Lokad partecipò a un benchmark per prevedere la domanda di 10 minimarket, con 5.000 prodotti per minimarket. Lokad vinse il benchmark ottenendo un’accuratezza superiore del 20% rispetto al secondo classificato. Tuttavia, abbiamo ottenuto questo risultato utilizzando un “zero forecaster” che prevedeva una domanda pari a zero per tutti i prodotti. Questo metodo evidenziò i problemi delle previsioni tradizionali e le percentuali di accuratezza. Vermorel sostiene che vi è poca correlazione tra la riduzione delle percentuali di errore e i benefici aziendali effettivi, e che concentrarsi sulle percentuali di accuratezza può essere fuorviante.
Il conduttore si chiede perché le aziende richiedano ancora previsioni tradizionali nonostante questi problemi. Vermorel suggerisce che il pensiero desideroso giochi un ruolo significativo. Le persone credono che se avessero previsioni perfette, i problemi della supply chain sarebbero risolti, trasformando il processo in un semplice problema di pianificazione e ottimizzazione. Tuttavia, Vermorel sottolinea che nessuna previsione può sopravvivere al contatto con il mercato, poiché la realtà è ben più complessa.
Le previsioni tradizionali possono portare a un’esecuzione fragile della supply chain, poiché l’accuratezza di una previsione dipende spesso da come viene utilizzata all’interno di un’azienda. Ciò può condurre a conseguenze e problemi non previsti. Vermorel considera questo un “anti-pattern”, ovvero una soluzione prevista che fallisce costantemente in modo prevedibile.
Vermorel discute quindi di come Lokad abbia cambiato approccio per concentrarsi sul rafforzamento del piano della supply chain basato sulle previsioni. Usa l’esempio dei minimarket che vendono prodotti freschi, in cui alti margini giustificano la presenza di un gran quantitativo di scorte, anche se queste ruotano lentamente. In questi casi, è più importante che i clienti trovino ciò che cercano piuttosto che che il negozio ottimizzi l’inventario. Le previsioni tradizionali si concentrano sulla domanda media, mentre i costi e i benefici si riscontrano negli estremi.
La conversazione poi si concentra sull’idea di produrre previsioni che considerino scenari estremi, ed è così che Lokad è passato dalle previsioni classiche alle previsioni quantile. La previsione quantile introduce un bias nella previsione, focalizzandosi sugli estremi dove si trovano i costi e i benefici reali. Questo approccio, secondo Vermorel, è più efficace dei metodi tradizionali per ottimizzare la gestione della supply chain.
Discutono delle sfide della previsione e dell’importanza di considerare vari scenari futuri nella gestione della supply chain.
Vermorel inizia spiegando che le previsioni tradizionali, che si concentrano sulla domanda media, non sono sufficienti per una gestione efficace della supply chain. Invece, suggerisce di utilizzare le previsioni quantile, che volontariamente presentano un bias per considerare scenari estremi, come una domanda elevata o bassa. Sottolinea l’importanza di comprendere queste situazioni estreme, essendo esse quelle che hanno solitamente l’impatto più significativo sulla gestione della supply chain.
Chandler chiede quindi del ruolo dei team interni di sales and operations planning (S&OP) delle grandi corporation nell’utilizzo delle previsioni. Vermorel risponde che anche con previsioni accurate, i team S&OP non possono ottenere il risultato giusto perché l’informazione necessaria su futuri alternativi non è disponibile. Sostiene che le previsioni possono fornire solo un futuro possibile, mentre i risultati effettivi saranno sempre diversi dai valori previsti.
Vermorel suggerisce che fornire previsioni probabilistiche, che offrono una gamma di possibili esiti, potrebbe essere una soluzione potenziale. Tuttavia, questo approccio presenta una nuova serie di sfide. Per di più, la quantità di dati necessaria per rappresentare queste probabilità è enorme, specialmente considerando migliaia di prodotti. Ciò crea un problema di “big data”, che richiede strumenti capaci di gestire grandi volumi di dati.
Inoltre, strumenti tradizionali come Excel non sono progettati per lavorare con dati probabilistici. Vermorel sottolinea che non esiste modo di rappresentare le distribuzioni di probabilità all’interno di una cella di Excel, rendendo difficile manipolare e analizzare tali dati. Di conseguenza, sono necessari strumenti specializzati in grado di eseguire operazioni di base sulle variabili di probabilità per sfruttare appieno le previsioni probabilistiche.
Vermorel conclude che avere una buona previsione che consideri vari scenari rappresenta solo metà del quadro. L’altra metà consiste nell’utilizzare le previsioni in modo efficace per prendere decisioni informate. Sottolinea l’importanza di mantenere i processi che generano le previsioni e quelli che ottimizzano le decisioni strettamente collegati, per evitare problemi legati alla scalabilità e all’elaborazione dei dati.
La discussione evidenzia la necessità di ripensare i metodi tradizionali di previsione nella gestione della supply chain. Vermorel sostiene l’adozione dell’ottimizzazione predittiva, che combina previsione e ottimizzazione, come un approccio più efficace per gestire le incertezze e le complessità intrinseche nelle supply chain.
Trascrizione Completa
Kieran Chandler: Oggi su Lokad TV discuteremo del perché queste previsioni nude in realtà non migliorano le risorse e possono introdurre una serie di problemi diversi. Quindi Joannes, con un argomento come le previsioni nude, sembra qualcosa che potresti trovare nel deep dark web. Quindi, prima che YouTube ci levi, forse potresti spiegarci un po’ cosa intendi qui.
Joannes Vermorel: Quando ho creato Lokad nel 2008, lo slogan dell’azienda era forecasting as a service. Ero appena uscito dall’università e cercavo aree in cui la statistica potesse applicarsi alle aziende. C’era l’idea di avere semplicemente la previsione delle serie temporali. Concettualmente, è qualcosa di molto semplice: hai serie temporali in ingresso che rappresentano il tuo passato, tipicamente le tue vendite storiche, e poi prevedi il futuro, che assume anch’esso la forma di una serie temporale. Per un software, è un problema ben definito e abbastanza interessante, ed è per questo che Lokad ha riscosso consensi. C’è molta gente che era, e ancora è, interessata a risolvere i propri problemi basandosi semplicemente su quelle previsioni delle serie temporali.
Kieran Chandler: Esiste davvero un appetito per una soluzione di questo tipo? Voglio dire, funziona davvero?
Joannes Vermorel: C’è un enorme appetito per la previsione delle serie temporali. Ci viene chiesto ripetutamente. Quando ho iniziato Lokad, uno degli elementi chiave di una start-up di successo è fare qualcosa che la gente desidera. Da questo punto di vista, la previsione naked delle serie temporali aveva un appetito molto significativo. Le aziende chiedevano: “Ecco i nostri dati storici rappresentati come serie temporali, per favore forniteci previsioni migliori.” Ma il problema era che non funzionava. Non era un problema statistico; eravamo già molto bravi in termini di accuratezza delle previsioni già un decennio fa. Il problema non era che le metriche fossero sbagliate.
Kieran Chandler: Sembra molto sorprendente perché si penserebbe che se si ottengono risultati migliori da una previsione con errori inferiori, alla fine si otterrebbero decisioni migliori sulla supply chain e, in definitiva, si agirebbe in modo migliore. Quindi, perché non ha funzionato?
Joannes Vermorel: Quello era il mio pensiero iniziale: come posso eventualmente sbagliarmi? Tutte le metriche indicavano che avevo una previsione migliore. Fornisco ai miei clienti una previsione migliore, cosa potrebbe andare storto? La previsione era molto buona, e non sto parlando di problemi come l’overfitting. Era ben sotto controllo. Il problema era che una previsione statisticamente più precisa poteva comunque causare scompiglio sul lato del cliente. Mi ci vollero alcuni anni per capirlo. A un certo punto, abbiamo avuto un grande rivenditore europeo che organizzò un benchmark tra mezzo dozzina di venditori di software per le previsioni.
Kieran Chandler: Quindi, stavamo discutendo delle soluzioni e del problema di prevedere la domanda per 10 minimarket, ciascuno con 5.000 prodotti. Questo risale al 2011, e l’obiettivo era prevedere la domanda con tre o quattro giorni di anticipo, poiché ogni minimarket viene rifornito due volte a settimana. Come ha performato Lokad in questo benchmark?
Joannes Vermorel: Lokad ha vinto con orgoglio il benchmark, superando il secondo classificato del 20% in accuratezza. La metrica di qualità della previsione era la differenza assoluta tra la previsione e la realtà. Tuttavia, abbiamo ottenuto questo risultato utilizzando il zero forecaster, che restituiva zero per tutta la domanda e le vendite. Curiosamente, prevedere una domanda pari a zero porterebbe a uno stock pari a zero, e di conseguenza, le vendite convergerebbero rapidamente a zero. Questo renderebbe la previsione non solo più accurata ma al 100% accurata. Ma, naturalmente, questo è un completo nonsenso e non ha alcun senso.
Kieran Chandler: Quindi, stai dicendo che esiste una disconnessione tra avere una previsione più accurata espressa in percentuali e ottenere benefici aziendali reali. Perché le aziende richiedono ancora tali previsioni se possono essere così fuorvianti?
Joannes Vermorel: La mia spiegazione di base è che il pensiero desideroso è molto potente. Se le previsioni fossero perfette, avrebbero zero percento di errore, zero dollari d’errore e zero euro d’errore. Una previsione perfetta risolverebbe tutti i problemi, e la gestione della supply chain diventerebbe un puro problema di ottimizzazione e pianificazione. Ma non è così, e ciò che le persone non comprendono è che una previsione naked, dove si prevede un solo futuro, finisce per essere un piano di battaglia che non sopravvive al primo giorno di contatto con il mercato. C’è un detto militare secondo cui nessun piano di battaglia sopravvive al primo contatto con il nemico, e l’equivalente nella supply chain è che non esiste letteralmente nessuna previsione che sopravviva al suo incontro con il mercato.
Kieran Chandler: Ora, al primo contatto con il mercato, e dunque, cosa succede quando si ha questa previsione più accurata?
Joannes Vermorel: Più in generale, ciò che accade è che, poiché il tuo forecast è più accurato, crei un piano che in realtà è più fragile contro la divergenza rispetto al forecast, e quindi rendi l’esecuzione della tua supply chain più vulnerabile. È un modo molto astratto di vederla. In sostanza, hai il forecast, ma non sai come questo forecast verrà utilizzato, e altre persone nella tua azienda useranno questo forecast in modi che non ti aspetti, e che faranno precipitare la situazione. È per questo che quei forecast nudi sono fondamentalmente una cattiva cosa. Vengono utilizzati in modi in cui non dovrebbero essere usati, e poiché ciò accade continuamente, è un anti-pattern al giorno d’oggi. È qualcosa come una soluzione intenzionata che fallisce sempre in modo completamente prevedibile.
Kieran Chandler: Quindi, ti sei orientato a rafforzare il piano che stavi costruendo su un forecast una volta compresa questa realtà?
Joannes Vermorel: Esatto, e poi ti rendi conto che il forecasting non è nemmeno la cosa giusta. Se torno alla storia di quei mini market, capisci che, se stai vendendo cibo fresco in un mini market, hai margini molto elevati. Puoi permetterti di avere un grande stock perché desideri che, quando un cliente entra, trovi ciò che cerca. Hai così tanto margine che vale l’investimento mantenere molto stock, anche se questo ruota lentamente. Non ti interessa la domanda media. Se appare solo un cliente ogni dieci giorni e stai vendendo yogurt, puoi comunque ottenere un profitto molto sano se vendi i tuoi prodotti con un gross margin del 70%, e i tuoi yogurt hanno una durata di un mese. Quindi, in definitiva, non è la media a interessare; sono gli estremi. I costi si concentrano agli estremi.
Kieran Chandler: Ok, allora perché non puoi semplicemente produrre un forecast che analizzi quegli scenari estremi?
Joannes Vermorel: Questa è la questione centrale, giusto? Ed è quello che abbiamo fatto. Nella storia di Lokad, siamo passati dal forecast classico nel 2008 con Lokad Forecasting as a Service, e ci siamo orientati verso i quantile forecasts. Quindi, il quantile forecasting era un’idea che, all’epoca nel 2012, suonava molto strana. Era un forecasting con un bias. La maggior parte dei miei clienti sosteneva che un buon forecast è un forecast senza bias. Questo era l’esatto opposto del senso comune nel supply chain management.
Se torni al caso dei mini market, non ti interessa la domanda media. È la domanda estremamente alta, che in realtà non si presenta mai, ma è quella situazione estrema a cui si fa riferimento. La domanda è: che cos’è una situazione estremamente alta? È una su 30? Forse a volte quattro. Quella è la tua situazione estrema. Tra l’altro, è una statistica. Quei forecast con un bias intenzionale si chiamano quantile forecasts. Puoi avere un forecast che presenta, ad esempio, un quantile forecast al 99%, il quale afferma: “Ti do un numero, e la domanda ha il 99% di probabilità di essere appena sotto quel numero e l'1% di superarlo.” In questo modo, controlli il bias, ed è stato l’inizio di forecast più diversificati.
Kieran Chandler: In realtà, parliamo di situazioni con rischio alle code, come scenari estremi, nei quali ti trovi a dover affrontare una situazione di stock out o di overstock. Non capisco perché le grandi aziende, con i propri processi interni S&OP, non possano lavorare con un buon forecast per ottenere il risultato giusto a fine giornata. Qual è la vera sfida in questo caso?
Joannes Vermorel: È un pensiero illusorio. Non puoi ottenere il risultato giusto da un forecast, anche se è buono, perché l’informazione di cui hai bisogno non c’è nemmeno. Quando dici “Ecco il futuro”, stai mostrando una sola possibilità, senza fornire informazioni sulle alternative. La realtà è che il futuro sarà una tra tante alternative. Ci sarà sempre una divergenza dal tuo forecast. Il problema è che pensi di poter trasformare la tua conoscenza limitata dei futuri alternativi in decisioni su quanto acquistare, produrre o spostare stock da una località all’altra, senza che ciò impatti negativamente sulla qualità delle tue decisioni. È come magia.
Kieran Chandler: Ma che succede se li forniamo con un forecast probabilistico, offrendogli una gamma di possibili fattori con cui lavorare?
Joannes Vermorel: È un’idea interessante. Concettualmente, potrebbe funzionare. Tuttavia, ti trovi ad affrontare un altro problema, molto banale. Un forecast deterministico è conciso: per un prodotto, per un anno in avanti, e con analisi settimanale, hai 52 numeri. È un piccolo set di dati che si adatta perfettamente in un foglio Excel. Ma con un approccio probabilistico, hai un enorme istogramma di probabilità per ogni singola settimana. Queste probabilità non sono additive, quindi se vuoi conoscere la domanda dalla settimana 5 alla settimana 10, otterrai un ulteriore istogramma di probabilità.
Possiamo fornirti questi dati, ma diventa improvvisamente un problema di big data, perché hai migliaia di prodotti e decine di gigabyte di probabilità. Hai bisogno di strumenti capaci di elaborare una quantità così elevata di dati.
Kieran Chandler: Dal punto di vista tecnico, quanto sarebbe facile manipolare questi strumenti e quei dati? Quindi, uno dei problemi con Excel è che non è progettato per gestire calcoli probabilistici. È ottimo per organizzare dati tabellari, ma non ha alcun modo di rappresentare le distribuzioni di probabilità.
Joannes Vermorel: Sì, esattamente. Se vuoi manipolare dati che si presentano come una distribuzione di probabilità, non hai in Excel una cella che rappresenti una distribuzione di probabilità. Excel non è progettato per gestire questo tipo di dati, e finisci per incontrare molti problemi quando vuoi sfruttare e utilizzare un forecast probabilistico sul tuo futuro.
Kieran Chandler: Esatto, quindi hai bisogno di strumenti che offrano ogni tipo di operazione per le variabili di probabilità. Operazioni di base come sommare, moltiplicare o dividere le variabili casuali sono essenziali. Se non disponi di questi strumenti fondamentali, non puoi lavorare correttamente con i forecast probabilistici.
Joannes Vermorel: Sì, e avere un buon forecast che tenga conto di tutti gli scenari possibili è solo metà del quadro. Quello che fai con quei forecast è molto più importante. Quando vuoi ottimizzare quelle decisioni, il processo che genera i forecast e il processo che ottimizza la decisione devono essere completamente intrecciati.
Kieran Chandler: Capisco. Quindi, l’elaborazione dei dati per questo tipo di grandi matrici di probabilità può rappresentare un problema di scalabilità. Sembra che tu debba mantenere tutto molto vicino per far sì che funzioni praticamente.
Joannes Vermorel: Esatto. Per avere una soluzione pratica, è necessario mantenere queste cose molto vicine. Dovresti iniziare a pensare all’ottimizzazione predittiva. Le due cose, previsione e ottimizzazione, vanno insieme e non possono essere separate.
Kieran Chandler: Ok, ha senso. Bene, dobbiamo concludere qui. Grazie per essere stato con noi oggi, Joannes. È stato davvero piacevole parlare con te dell’ottimizzazione della supply chain.
Joannes Vermorel: Grazie per avermi ospitato, Kieran. È stato un piacere.
