00:00:07 Previsioni isolate e background di Lokad.
00:01:42 Elevata domanda di previsioni di serie temporali.
00:03:14 Mancato successo delle previsioni isolate nonostante l’accuratezza statistica.
00:05:03 Esperienza di Lokad con un benchmark di un grande rivenditore europeo.
00:07:19 Problemi delle previsioni isolate e il loro impatto sulle aziende.
00:09:25 I problemi delle previsioni isolate nell’esecuzione della supply chain.
00:12:38 L’importanza degli scenari estremi e il ruolo delle previsioni quantili.
00:14:47 Sfide nell’utilizzo di buone previsioni nei processi S&OP delle grandi aziende.
00:15:37 Divergenza dalla previsione e la necessità di considerazioni future alternative.
00:17:12 Sfide nella rappresentazione di dati probabilistici in grandi quantità.
00:18:57 Limitazioni di Excel nella gestione di distribuzioni di probabilità.
00:20:25 Importanza dell’ottimizzazione delle decisioni basate sulle previsioni.
00:21:48 La necessità di ottimizzazione predittiva e la sua stretta relazione con la previsione.
Riassunto
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 quantili che tengano conto di scenari estremi, poiché questi hanno il maggior impatto sulla gestione della supply chain. Spiega che le previsioni probabilistiche possono offrire una serie di possibili risultati, ma la gestione delle enormi quantità di dati richiesti per questo approccio crea una sfida di “big data”. Gli strumenti tradizionali come Excel non sono progettati per lavorare con dati probabilistici, quindi sono necessari strumenti specializzati. Vermorel conclude che l’ottimizzazione predittiva, combinando previsione e ottimizzazione, è un approccio più efficace per gestire le incertezze della supply chain.
Riassunto Esteso
In questa intervista, Kieran Chandler, il conduttore, discute con Joannes Vermorel, il fondatore di Lokad, un’azienda specializzata nell’ottimizzazione della supply chain. Approfondiscono il concetto di previsioni isolate e la loro efficacia nel migliorare le decisioni relative alla supply chain.
Quando Lokad è stata fondata nel 2008, l’azienda si è concentrata sulla fornitura di “previsioni come servizio”, sfruttando metodi statistici per la previsione di 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 tra molte aziende, che cercavano previsioni accurate di serie temporali per migliorare le loro decisioni sulla supply chain.
C’era una grande richiesta di previsioni di serie temporali, con molte aziende che chiedevano a Lokad previsioni più accurate basate sui loro dati storici. Curiosamente, nonostante fornisse previsioni altamente accurate con bassi tassi di errore, queste previsioni migliorate sembravano non portare a decisioni o risultati migliori per la supply chain.
Vermorel trovò questo risultato perplesso, poiché ci si aspetterebbe che previsioni migliori con tassi di errore più bassi portino a un miglior processo decisionale e, in definitiva, a una migliore performance della supply chain. Ci volle qualche anno per capire il problema sottostante dietro ai risultati controintuitivi.
Il problema non era di natura statistica; le previsioni fornite da Lokad erano altamente accurate, con minimi problemi come l’overfitting. Vermorel era convinto che le previsioni fossero statisticamente valide, ma sembravano causare problemi sul lato del cliente.
Vermorel condivide una storia del 2011, quando Lokad ha partecipato a un benchmark per la previsione della domanda di 10 mini mercati, con 5.000 prodotti per mini mercato. Lokad ha vinto il benchmark ottenendo una precisione del 20% superiore al secondo miglior concorrente. Tuttavia, ciò è stato fatto utilizzando un “previsionista zero” che prevedeva solo una domanda zero per tutti i prodotti. Questo metodo ha evidenziato i problemi con le previsioni tradizionali e le percentuali di accuratezza. Vermorel sostiene che c’è poca correlazione tra la riduzione delle percentuali di errore e i reali benefici aziendali, e che concentrarsi sulle percentuali di accuratezza può essere fuorviante.
Il conduttore si chiede perché le aziende continuino a richiedere previsioni tradizionali nonostante questi problemi. Vermorel suggerisce che il pensiero illusorio 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 molto 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 portare a conseguenze e problemi non voluti. Vermorel considera questo un “anti-pattern”, ossia una soluzione intenzionale che fallisce in modo prevedibile.
Vermorel discute quindi di come Lokad abbia cambiato approccio per concentrarsi sul rafforzamento del piano della supply chain basato sulle previsioni. Utilizza l’esempio di mini mercati che vendono cibo fresco, dove i margini elevati giustificano l’avere molte scorte, anche se ruotano lentamente. In questi casi, è più importante che i clienti trovino ciò che cercano che per il negozio ottimizzare l’inventario. Le previsioni tradizionali si concentrano sulla domanda media, mentre i costi e i benefici si trovano effettivamente negli estremi.
La conversazione si sposta quindi sull’idea di produrre previsioni che considerino scenari estremi, che è ciò che Lokad ha fatto passando dalle previsioni classiche alle previsioni quantili. La previsione quantile aggiunge un bias alla previsione, concentrandosi sugli estremi dove si trovano i costi e i benefici effettivi. Questo approccio, suggerisce Vermorel, è più efficace dei metodi tradizionali per ottimizzare la gestione della supply chain.
Discutono delle sfide delle previsioni 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. Suggerisce invece di utilizzare previsioni quantili, che hanno appositamente un bias per tener conto di scenari estremi, come una domanda alta o bassa. Sottolinea l’importanza di comprendere queste situazioni estreme poiché sono quelle che di solito hanno il maggiore impatto sulla gestione della supply chain.
Chandler poi chiede del ruolo dei team interni di pianificazione delle vendite e delle operazioni delle grandi aziende nella collaborazione con le previsioni. Vermorel risponde che anche con buone previsioni, i team di pianificazione delle vendite e delle operazioni non possono ottenere il risultato giusto perché le informazioni necessarie sui futuri alternativi non sono disponibili. Sostiene che le previsioni possono fornire solo un possibile futuro, mentre i risultati effettivi saranno sempre diversi dai valori previsti.
Vermorel suggerisce che fornire previsioni probabilistiche, che offrono una gamma di possibili risultati, potrebbe essere una soluzione potenziale. Tuttavia, questo approccio presenta una nuova serie di sfide. Innanzitutto, la quantità di dati necessari per rappresentare queste probabilità è enorme, soprattutto quando si considerano migliaia di prodotti. Questo crea un problema di “big data”, che richiede strumenti capaci di gestire grandi volumi di dati.
Inoltre, gli strumenti tradizionali come Excel non sono progettati per lavorare con dati probabilistici. Vermorel fa notare che non c’è modo di rappresentare 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 su variabili di probabilità per sfruttare appieno le previsioni probabilistiche.
Vermorel conclude che avere una buona previsione che considera vari scenari è solo metà dell’immagine. L’altra metà riguarda l’utilizzo efficace delle previsioni per prendere decisioni informate. Sottolinea l’importanza di mantenere i processi che generano previsioni e ottimizzano decisioni strettamente collegati per evitare problemi legati alla scalabilità e all’elaborazione dei dati.
La discussione mette in evidenza la necessità di ripensare i metodi tradizionali di previsione nella gestione della supply chain. Vermorel sostiene l’ottimizzazione predittiva, che combina previsione e ottimizzazione, come un approccio più efficace per gestire le incertezze e le complessità intrinseche alle supply chain.
Trascrizione completa
Kieran Chandler: Oggi su Lokad TV, parleremo del motivo per cui 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 una cosa che potresti trovare forse nel deep dark web. Quindi prima che ci vengano rimossi da YouTube, forse potresti spiegarci un po’ cosa intendi qui.
Joannes Vermorel: Quando ho creato Lokad nel 2008, lo slogan dell’azienda era “previsione come servizio”. Ero appena uscito dall’università e stavo guardando aree in cui la statistica potesse applicarsi alle imprese. C’era questa idea di avere solo previsioni di serie temporali. Concettualmente, è qualcosa di molto semplice: hai serie temporali di input che rappresentano il tuo passato, tipicamente le tue vendite storiche, e poi stai solo facendo una previsione del futuro, che assume anche la forma di una serie temporale. Per un software, è un problema molto ben definito e abbastanza interessante, ed è per questo che Lokad ha avuto successo. Ci sono molte persone che erano, e sono ancora, interessate a risolvere i loro problemi semplicemente avendo queste previsioni di serie temporali.
Kieran Chandler: C’è effettivamente una richiesta di una soluzione di questo tipo? Voglio dire, funziona davvero?
Joannes Vermorel: C’è un’enorme richiesta di previsioni di serie temporali. Ci viene chiesto continuamente. Quando ho avviato Lokad, uno degli elementi chiave di una start-up di successo è fare qualcosa che le persone vogliono. Da questo punto di vista, le previsioni nude di serie temporali avevano un appetito molto significativo. Le aziende chiedevano: “Ecco i nostri dati storici rappresentati come serie temporali, per favore forniscici previsioni migliori”. Ma il problema era che non funzionava. Non era un problema statistico; eravamo già molto bravi in termini di precisione delle previsioni un decennio fa. Il problema non era che le metriche erano sbagliate.
Kieran Chandler: Sembra molto sorprendente perché si potrebbe sempre pensare che se si ottengono risultati migliori da una previsione con un errore inferiore, si finirà per prendere decisioni migliori sulla supply chain e agire in modo migliore. Quindi perché non ha funzionato?
Joannes Vermorel: Questo era il mio pensiero iniziale: come posso essere sbagliato? Tutte le metriche mi dicono che ho 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 controllato. Il problema era che una previsione statisticamente più precisa poteva comunque creare caos sul lato del cliente. Mi ci sono voluti alcuni anni per capirlo. Ad un certo punto, abbiamo avuto un grande rivenditore europeo che ha organizzato un benchmark tra mezza dozzina di fornitori di software per le previsioni.
Kieran Chandler: Quindi, stavamo discutendo delle soluzioni e del problema di prevedere la domanda per 10 mini mercati, ognuno con 5.000 prodotti. Questo risale al 2011, e l’obiettivo era prevedere la domanda tre o quattro giorni prima, poiché ogni mini mercato viene rifornito due volte a settimana. Come si è comportata Lokad in questo benchmark?
Joannes Vermorel: Lokad ha orgogliosamente vinto il benchmark, superando il secondo classificato del 20% in termini di precisione. La metrica di qualità per la previsione era la differenza assoluta tra la previsione e la realtà. Tuttavia, abbiamo ottenuto questo risultato con il previsionista zero, che restituiva solo zeri per tutta la domanda e le vendite. Curiosamente, prevedere una domanda zero avrebbe comportato un magazzino zero e quindi le vendite convergerebbero rapidamente a zero. Questo renderebbe la previsione non solo più accurata, ma accurata al 100%. Ma, ovviamente, questo è un completo non senso e non ha alcun senso.
Kieran Chandler: Quindi, stai dicendo che c’è una discrepanza tra avere una previsione più accurata espressa in percentuali e ottenere effettivi vantaggi commerciali. Perché le aziende continuano a richiedere 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 lo zero percento di errore, zero dollari di errore e zero euro di errore. Una previsione perfetta risolverebbe tutti i problemi e la gestione della supply chain diventerebbe un problema puramente di ottimizzazione e pianificazione. Ma non è così, e ciò che le persone non capiscono è che una previsione nuda, in cui si prevede solo un futuro, finisce per essere un piano di battaglia che non sopravvive al primo contatto con il mercato. C’è un detto militare che dice che nessun piano di battaglia sopravvive al primo contatto con il nemico, e l’equivalente nella supply chain è che non c’è letteralmente nessuna previsione che sopravviva al suo incontro con il mercato.
Kieran Chandler: Sì, primo contatto con il mercato, e quindi, cosa succede quando si ha questa previsione più accurata?
Joannes Vermorel: Più in generale, quello che succede è che perché la tua previsione è più accurata, crei un piano che è effettivamente più fragile rispetto alla previsione, e quindi rendi più vulnerabile l’esecuzione della tua supply chain. È un modo molto astratto di guardarlo. Il punto principale è fondamentalmente che hai la previsione, ma non sai come questa previsione verrà utilizzata, e altre persone nella tua azienda la useranno in modi che tu non ti aspetti, e questo causerà problemi. Ecco perché queste previsioni nude sono fondamentalmente una cosa sbagliata. Vengono utilizzate in modi in cui non dovrebbero essere utilizzate, e poiché succede tutto il tempo, è un anti-pattern al giorno d’oggi. È qualcosa che è come una soluzione intenzionale che esplode sempre in un modo completamente prevedibile.
Kieran Chandler: Quindi, ti sei mosso verso il rafforzamento del piano che stavate costruendo su una previsione una volta che hai fatto questa realizzazione?
Joannes Vermorel: Esattamente, e poi ti rendi conto che la previsione non è nemmeno la cosa giusta. Se torno alla storia di quei mini mercati, ti rendi conto che se vendi cibo fresco in un mini market, hai margini molto ampi. Puoi permetterti di avere molto stock perché ciò che vuoi è che quando un cliente entra, trovi quello che sta cercando. Hai così tanto margine che vale la pena investire molto stock, anche stock che ruoterà lentamente. Non ti interessa la domanda media. Se c’è solo un cliente che si presenta ogni dieci giorni e stai vendendo yogurt, puoi comunque ottenere un profitto molto sano se stai effettivamente vendendo i tuoi prodotti con un margine lordo del 70% e i tuoi yogurt hanno una durata di un mese. Quindi, in definitiva, non è la media che interessa; sono gli estremi. I costi sono agli estremi.
Kieran Chandler: Ok, quindi perché non puoi semplicemente produrre una previsione che consideri questi scenari estremi?
Joannes Vermorel: Questa è la cosa interessante, giusto? Ed è quello che abbiamo fatto. Nella storia di Lokad, siamo passati dalla previsione classica nel 2008 con Lokad Forecasting as a Service, e ci siamo spostati verso le previsioni quantili. Quindi, la previsione quantile era un’idea che, all’epoca nel 2012, sembrava molto bizzarra. Si trattava di fare previsioni con un bias. La maggior parte dei miei clienti diceva che una buona previsione è una previsione che non ha un bias. Questo era l’opposto della comprensione comune nel campo della gestione della supply chain.
Se torniamo al caso del mini market, non ti interessa la domanda media. È la domanda estremamente alta, che non è mai molto alta, ma è quella situazione estremamente alta che interessa. La domanda è, qual è una situazione estremamente alta? È una su 30? Forse a volte quattro. Questo è il tuo estremamente alto. A proposito, è una statistica. Queste previsioni con un bias appositamente, vengono chiamate previsioni quantili. Puoi avere una previsione che ha, ad esempio, una previsione quantile del 99%, che dice: “Ti do un numero, e c’è il 99% di probabilità che la domanda sia appena al di sotto di questo numero e l'1% di probabilità che sia al di sopra”. Quindi, controlli il bias, ed è stato l’inizio di avere previsioni più diverse.
Kieran Chandler: In realtà, parliamo di situazioni con rischio agli estremi, come scenari estremi, in cui stai affrontando una situazione di esaurimento delle scorte o di sovrastock. Non capisco perché le grandi aziende con i loro processi interni di S&OP non possano lavorare con una buona previsione per ottenere il risultato giusto alla fine della giornata. Qual è la vera sfida lì?
Joannes Vermorel: È un pensiero illusorio. Non puoi ottenere il risultato giusto da una previsione, anche se è buona, perché le informazioni di cui hai bisogno non sono nemmeno lì. Quando dici, “Ecco il futuro”, stai mostrando solo una possibilità, ma non dici nulla sulle alternative. La realtà è che il futuro sarà un’alternativa. Ci sarà sempre una divergenza dalla tua previsione. Il problema è che pensi di poter trasformare la tua conoscenza limitata di futuri alternativi in decisioni come quanto acquistare, produrre o spostare le scorte da una posizione all’altra, senza che ciò influisca negativamente sulla qualità delle tue decisioni. È come magia.
Kieran Chandler: Ma se fornissimo loro una previsione probabilistica, dando loro una serie di fattori possibili con cui lavorare?
Joannes Vermorel: È un’idea interessante. Concettualmente, potrebbe funzionare. Tuttavia, ti trovi di fronte a un altro problema, che è molto banale. Una previsione deterministica è concisa: per un prodotto, un anno in anticipo e una previsione a livello settimanale, hai 52 numeri. È un piccolo set di dati che può essere facilmente inserito in un foglio di 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, sarà un altro istogramma di probabilità.
Possiamo fornirti questi dati, ma improvvisamente diventa un problema di big data perché hai migliaia di prodotti e decine di gigabyte di probabilità. Hai bisogno di strumenti in grado di elaborare così tanti dati.
Kieran Chandler: Da un punto di vista tecnico, quanto sarebbe facile manipolare questi strumenti e pezzi di dati? Quindi, uno dei problemi con Excel è che non è progettato per gestire calcoli probabilistici. È ottimo per organizzare dati tabulari, ma non ha un modo per rappresentare distribuzioni di probabilità.
Joannes Vermorel: Sì, esattamente. Se vuoi manipolare dati che arrivano come una distribuzione di probabilità, non hai un’entrata in una cella di Excel che rappresenta una distribuzione di probabilità. Excel non è progettato per gestire questo tipo di cose, e ti trovi con molti problemi quando vuoi sfruttare e sfruttare una previsione probabilistica sul tuo futuro.
Kieran Chandler: Giusto, quindi hai bisogno di strumenti che ti offrano tutte le operazioni per le variabili di probabilità. Operazioni di base come l’aggiunta, la moltiplicazione o la divisione di variabili casuali sono essenziali. Se non hai questi strumenti di base, non puoi lavorare correttamente con previsioni probabilistiche.
Joannes Vermorel: Sì, e avere una buona previsione che tenga conto di tutti gli scenari possibili è solo metà dell’immagine. Ciò che fai con quelle previsioni è molto più importante. Quando vuoi ottimizzare quelle decisioni, il processo che genera le previsioni 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 essere un problema di scalabilità. Sembra che tu debba tenere tutto molto vicino per farlo funzionare in modo pratico.
Joannes Vermorel: Esattamente. Per avere una soluzione pratica, devi tenere 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. Beh, dobbiamo concludere qui. Grazie per essere stato con noi oggi, Joannes. È stato davvero bello parlare con te dell’ottimizzazione della supply chain.
Joannes Vermorel: Grazie per avermi ospitato, Kieran. È stato un piacere.
