00:00:07 Introduzione e definizione di demand sensing.
00:01:02 Joannes critica il demand sensing come un concetto vago.
00:02:45 Domande sulla novità delle tecniche di demand sensing.
00:05:01 Critica dell’impatto dei dati in tempo reale sulla previsione nella supply chain.
00:07:49 Argomentazione secondo cui sono necessari più dati e metodi non tradizionali.
00:08:37 Differenze nei casi d’uso tra applicazioni in tempo reale e non in tempo reale.
00:09:47 Gadget di marketing nell’industria del software e il loro impatto.
00:11:25 Distinzione tra buzzword valide e buzzword superficiali.
00:14:24 Esempi di altri gadget nell’industria della supply chain.
00:16:02 Difficoltà nel memorizzare buzzword e la loro mancanza di sostanza.
00:16:33 Legge della conservazione dell’hype e verifica con Google Trends.
00:17:47 Identificazione di buzzword preziose con intuizioni fondamentali.
00:18:26 Esempio di previsione quantile e l’importanza di comprendere i fondamenti.
00:19:21 Cloud computing e il suo concetto base semplice.
Riassunto
Nell’intervista, Kieran Chandler e Joannes Vermorel discutono del demand sensing, un metodo di previsione che combina dati in tempo reale e tecniche matematiche avanzate. Vermorel esprime scetticismo sull’efficacia del demand sensing a causa della sua fondazione concettuale vaga e della mancanza di ricerche innovative sottoposte a peer review. Consiglia agli operatori della supply chain di diffidare dei gadget di marketing e di concentrarsi su concetti che affrontano questioni fondamentali con intuizioni sorprendentemente evidenti. Vermorel sottolinea l’importanza di comprendere la sostanza dietro le buzzword e di cercare innovazioni che offrano una solida comprensione e contribuiscano a miglioramenti significativi nell’ottimizzazione della supply chain.
Riassunto Esteso
In questa intervista, Kieran Chandler discute del demand sensing con Joannes Vermorel, il fondatore di Lokad, un’azienda software specializzata nell’ottimizzazione della supply chain. Il demand sensing è un metodo di previsione che combina tecniche matematiche avanzate con informazioni in tempo reale. La conversazione si concentra sull’efficacia del demand sensing e su come distinguere tra concetti preziosi e gadget di marketing.
Vermorel inizia ammettendo che è difficile valutare il demand sensing a causa della vaghezza dei documenti che ha esaminato sull’argomento. Egli ritiene che il demand sensing non sia vaporware, poiché il software esiste, ma bensì mootware—una cosa che non mantiene le sue promesse e, in definitiva, non ha importanza. Lo attribuisce al fatto che il concetto sia più un gadget di marketing che un’idea sostanziale.
Le caratteristiche principali pubblicizzate del demand sensing includono l’uso di dati in tempo reale, l’integrazione di dati oltre quelli tradizionali (come il passato movimento delle scorte e la domanda di vendita), e l’utilizzo del machine learning per ottenere una maggiore accuratezza. Vermorel riconosce che questi concetti individuali sembrano validi, ma mette in discussione la novità e la profondità dell’approccio complessivo.
Per valutare il demand sensing, Vermorel osserva l’affermazione principale dei suoi sostenitori: che può produrre previsioni più previsioni più accurate. Sottolinea che la previsione statistica è un campo di ricerca ben consolidato, con numerose competizioni online e una comunità vibrante che sfida e fa progredire il settore. Molte organizzazioni, comprese istituzioni di ricerca prestigiose e grandi aziende software, pubblicano articoli sul machine learning e l’apprendimento statistico, includendo quelli focalizzati sulla previsione della domanda futura.
Tuttavia, Vermorel non ha visto ricerche significative e innovative pubblicate sul demand sensing in riviste o conferenze di prestigio, il che solleva dubbi sulla legittimità del concetto. Nonostante l’abbondanza di articoli e materiali disponibili su internet riguardo al demand sensing, la mancanza di ricerche concrete sottoposte a peer review e di contributi dalla più ampia comunità di machine learning e previsione getta dubbi sul vero valore del demand sensing.
Vermorel esprime scetticismo sull’efficacia del demand sensing come metodo di previsione, a causa della sua fondazione concettuale vaga e della mancanza di ricerche innovative sottoposte a peer review sull’argomento. Suggerisce che potrebbe essere più un gadget di marketing che un approccio veramente innovativo all’ottimizzazione della supply chain.
La conversazione ruota attorno al concetto di dati in tempo reale, alla loro rilevanza per la previsione nella supply chain e ai gadget di marketing che li circondano.
Vermorel spiega che i dati in tempo reale, intesi come dati con una latenza inferiore alla percezione umana (circa 100 millisecondi), sono diventati popolari per il loro fascino. Tuttavia, è scettico sul fatto che avere dati in tempo reale comporti un miglioramento significativo nell’accuratezza delle previsioni. Cita una dimostrazione software tipica in cui un prodotto con una storia di tre anni viene usato per previsioni a sei mesi nel futuro. Vermorel sostiene che avere dati aggiornati di 100 millisecondi fa, rispetto a dati di 24 ore fa, non farà molta differenza in questo contesto.
Un’altra affermazione spesso fatta dai sostenitori dei dati in tempo reale è l’uso di tecniche di machine learning superiori. Vermorel rimane scettico, paragonando la situazione a un produttore di automobili che afferma di avere auto migliori grazie a una fisica superiore. Tuttavia, concorda sul fatto che l’integrazione di più dati rispetto alla tradizionale previsione a serie temporali possa portare a miglioramenti sostanziali.
Vermorel afferma che l’informazione in tempo reale negli scenari della supply chain è generalmente eccessiva, poiché il livello di granularità che fornisce è superfluo per la maggior parte dei casi d’uso. Tuttavia, osserva che i dati in tempo reale potrebbero essere utili per controllare robot veloci in magazzini automatizzati magazzini. Sfida l’idea che i dati in tempo reale possano fare una differenza significativa nella pianificazione della supply chain, dove le previsioni vanno solitamente da tre settimane a un anno avanti.
Secondo Vermorel, la promozione dei dati in tempo reale nella previsione della supply chain è spesso un gadget di marketing utilizzato dai software vendors che mancano di nuove idee, competenze o tecnologie. Egli suggerisce che questo approccio rifletta una certa indifferenza verso i problemi dei clienti e l’arrogante presunzione che i clienti possano essere facilmente ingannati. Per identificare concetti di valore rispetto alle mere buzzword, consiglia di osservare se persone di diversi settori discutono il concetto. Se solo i venditori lo promuovono, è più probabile che si tratti di un gadget di marketing.
Come esempio positivo, Vermorel cita la previsione probabilistica, argomento discusso da numerose comunità, incluse quelle che studiano il clima. La ricerca climatica all’avanguardia è guidata da modelli probabilistici, il che indica che questo approccio si fonda su sostanza genuina, a differenza del concetto guidato dal marketing dei dati in tempo reale nella previsione della supply chain.
Vermorel inizia spiegando il concetto di appello all’autorità, che ritiene essere un forte indicatore di una buzzword. Utilizza l’esempio del demand sensing, in cui i promotori presentano i nomi e i titoli degli esperti coinvolti, anziché illustrare l’algoritmo o la matematica sottostante.
Quando gli viene chiesto altri esempi di gadget nell’industria della supply chain, Vermorel osserva che ce ne sono stati molti nel corso della storia. Cita lo slancio di IBM verso il computing autonomo di dieci anni fa, che si è rivelato privo di sostanza, e la popolarità del data mining di vent’anni fa, ormai sbiadita. Vermorel ritiene che queste buzzword tendano a cadere in secondo piano per mancanza di sostanza, richiamandosi alla sua “legge della conservazione dell’hype”, che spiega come la massa totale di hype rimanga costante e cambi solo quando una nuova buzzword entra nel mercato.
Vermorel suggerisce che gli operatori della supply chain debbano fare attenzione alle buzzword che sembrano affrontare una questione fondamentale con un’intuizione sorprendentemente ovvia. Fornisce l’esempio delle previsioni quantili, che si concentrano sui rischi presenti agli estremi piuttosto che al centro. Vermorel crede che tali idee, pur essendo semplici e fondamentali, una volta comprese siano difficili da disimparare e possano condurre a innovazioni significative.
Continua affermando che gli operatori dovrebbero diffidare delle buzzword che non offrono una comprensione chiara e concisa dei concetti sottostanti. Ad esempio, il cloud computing può sembrare complicato, ma il suo concetto fondamentale è la disponibilità on-demand di risorse hardware. Vermorel consiglia che, se una buzzword non riesce a fornire in pochi minuti una comprensione solida, probabilmente le manca di sostanza e andrebbe ignorata.
Vermorel sottolinea l’importanza di riconoscere e comprendere la sostanza dietro le buzzword nell’industria della supply chain. Incoraggia gli operatori a concentrarsi su intuizioni fondamentali che possano offrire una comprensione solida e contribuire a innovazioni significative nelle loro attività.
Trascrizione Completa
Kieran Chandler: Oggi discuteremo di quanto bene questa buzzword effettivamente funzioni e anche se riesci a distinguere la differenza tra una buona buzzword e ciò che in realtà è un sacco di fandonie di marketing. Quindi, Joannes, demand sensing, qual è la tua prima impressione di un concetto come questo?
Joannes Vermorel: In realtà è una domanda difficile, perché ho esaminato molti documenti sul demand sensing, e l’unica cosa positiva che posso dire su quei documenti è che sono estremamente vaghi. Quindi, è molto difficile attribuire qualità o difetti specifici a un concetto così vago. Ma fondamentalmente, direi che per me il demand sensing è una chiara illustrazione di quello che potremmo definire non vaporware, poiché esiste il software che dovrebbe essere in grado di fornire il demand sensing per ottimizzare la tua supply chain. Quindi, non è vaporware, ma direi che è mootware, cioè cose che in realtà non hanno importanza perché non mantengono le loro promesse.
Kieran Chandler: Hai detto che le idee alla base sono un po’ vaghe, quindi qual è il concetto di base?
Joannes Vermorel: I concetti pubblicizzati, e lo sottolineo perché sono più simili a un gadget di marketing che a qualcosa di profondo, includono l’uso di dati in tempo reale, dati che vanno oltre i tuoi dati principali tradizionali, come i movimenti di inventario passati o la domanda di vendita passata, e l’uso del machine learning, che in questo contesto risulta piuttosto indefinito, per realizzare innovazioni atte a ottenere maggiore accuratezza.
Kieran Chandler: Quindi, una delle cose che indica che è un gadget di marketing è il fatto che tutti questi concetti sembrano stare in piedi da soli. Quali sono, dunque, i problemi?
Joannes Vermorel: La questione è quanta novità ci sia in termini di profondità. Cominciamo esaminando l’affermazione principale dei venditori che spingono le tecnologie di demand sensing. L’affermazione è che possono ottenere previsioni più accurate. È un’affermazione molto ragionevole; dici: “ho una tecnica innovativa che può produrre previsioni statistiche più accurate.” Eppure, la supply chain non esiste in un vuoto. Esiste un intero campo di ricerca sulla previsione statistica, con innumerevoli competizioni online in cui le persone testano modelli e competono. Il vasto campo del machine learning e dell’apprendimento statistico è estremamente vivace, con sfide e risultati pubblici presentati in conferenze, riviste e articoli da varie fonti, inclusi laboratori privati come le grandi aziende software. Quello che sto dicendo è che, nonostante i numerosi progressi del machine learning in compiti specifici come la previsione della domanda futura, non ho visto nulla che possa qualificarsi come articoli innovativi di qualità o conferenze di alto livello pubblicate con quelle parole chiave, come il demand sensing.
Kieran Chandler: Parliamo del contenuto stesso. Su internet ci sono molte informazioni sul demand sensing, con numerosi articoli e materiali che appaiono abbastanza legittimi. Allora, come si interpreta tutto ciò? Qual è il problema, se esaminiamo ciò che viene presentato? Quello che viene mostrato è prima di tutto questa idea di avere dati in tempo reale. Perché no? Tuttavia, dati in tempo reale, per chiarire bene cosa si intende con “in tempo reale” – dato che suona bene – dal mio punto di vista sono quei dati la cui latenza scende al di sotto della percezione umana. In sostanza, se vogliamo essere chiari, parliamo di 100 millisecondi. È a quel punto che si avvicina a ciò che la gente definirebbe in tempo reale.
Joannes Vermorel: Ok, parliamo di un problema di supply chain: il fatto che tu abbia dati accessibili, o che disponga di un’intera pipeline in grado di elaborare i tuoi dati in meno di 100 millisecondi per definirli in tempo reale. Possiamo aspettarci, grazie a ciò, un miglioramento dell’ordine del 50% nell’accuratezza delle previsioni? E qui sono molto scettico. Soprattutto quando le persone iniziano a fare dimostrazioni del software che esegue il demand sensing e produce previsioni. Nella demo osservano un prodotto con una storia di tre anni e realizzano una previsione a sei mesi nel futuro.
Kieran Chandler: Quindi, se prevedi la domanda a sei mesi, il fatto che tu abbia dati aggiornati degli ultimi 100 millisecondi oppure degli ultimi 24 ore, ossia dati con un ritardo di appena un giorno, a dire il vero, non farà molta differenza. Non sono nemmeno sicuro che avere dati vecchi di due giorni invece che di uno apporti anche solo una differenza dell’un percento a sei mesi nel futuro. Ed è per questo che dico che la parte dei dati in tempo reale mi sembra estremamente superficiale.
Poi, esaminiamo l’altra parte degli argomenti: sostengono di possedere tecniche di machine learning superiori. Ma tecniche di machine learning superiori – dato che il machine learning è un campo estremamente vasto – sarebbe come se un produttore di auto dicesse, “Oh, abbiamo l’auto migliore perché abbiamo una fisica migliore.” Avere una fisica migliore aiuta, ma è un’affermazione audace. Serve una svolta a livello delle leggi fisiche. Quindi, ancora una volta, sono scettico quando si fanno affermazioni di questo tipo.
Quindi, fondamentalmente, ciò che hanno è, se mi riferisco all’altro insieme di argomenti, dicono che bisogna avere una previsione che utilizzi più dati dei metodi tradizionali. Direi di sì, assolutamente. Voglio dire, abbiamo discusso in questo show molte volte del fatto che la previsione ingenua delle serie temporali ti restituisce un sacco di spazzatura. La spiegazione più semplice è che se guardi solo le tue vendite storiche, non prendi in considerazione stockouts. Ad esempio, se non hai osservato alcuna vendita perché hai avuto uno stockout, non vuoi prevedere zero semplicemente perché hai osservato zero. Le tue vendite storiche non sono la domanda storica. Quindi sì, devi includere più dati, assolutamente, e questo può portare a miglioramenti molto sostanziali.
Kieran Chandler: Quindi, quello che stai dicendo è che l’uso di queste informazioni in tempo reale è praticamente eccessivo in un contesto di supply chain perché, in realtà, non hai bisogno di quel livello di informazione così rapidamente. Di che livello di granularità abbiamo davvero bisogno?
Joannes Vermorel: Ma, ancora, se stai sperimentando robot di picking in tempo reale in un magazzino, allora 100 millisecondi potrebbero effettivamente essere troppo lenti. Quindi, dipende davvero dal tipo di problema. Ma, le persone che spingono per il demand sensing non stanno discutendo del caso d’uso del controllo in tempo reale di robot super veloci in magazzini automatizzati. Questo non è
Kieran Chandler: Quello che mostrano nelle loro demo è roba che assomiglia molto al vecchio modo di fare supply chain planning, dove inizi a guardare le tue vendite, la tua domanda da tre settimane a nove mesi o anche un anno in anticipo. Ed è qui che metto in dubbio il fatto che avere dati in tempo reale per questo tipo di situazione faccia davvero la differenza. È proprio questo che metto in discussione. Allora, a chi sta davvero beneficiando? Diresti che è puramente un espediente di marketing per vendere altri software?
Joannes Vermorel: Questo è un caso in cui pensavo a questo termine “moot”, dove, sai, il software di cui non dovresti preoccuparti è irrilevante. È letteralmente un espediente di marketing per i fornitori che mancano di nuove idee, tecnologie e probabilmente anche di competenza. Beh, decidono semplicemente di percorrere la strada dell’espediente di marketing perché non c’è sostanza alcuna. E so che è relativamente duro, ma onestamente non vedo una spiegazione migliore perché i problemi che affrontiamo sono così sfidanti. Ci sono così tanti aspetti che possono essere discussi e migliorati che non dobbiamo inventare i nostri buzzword. Ci sono così tanti aspetti che devono essere raffinati per presentare qualcosa di nuovo. Se devi ricorrere a un buzzword completamente inventato che si rivela essere solo un superficiale espediente di marketing, non mette in una luce buona i team dietro quelle aziende. Voglio dire, mostra una certa indifferenza verso i problemi affrontati dai clienti, e mostra anche un certo grado di arroganza nel senso che pensano che il cliente sia semplicemente un idiota e che puoi letteralmente spingergli qualsiasi cosa. A un certo punto, è un po’ un insulto all’intelligenza di chi ti sta comprando.
Kieran Chandler: Allora, come li differenziamo? Perché ci sono così tanti di questi buzzword in circolazione, c’è così tanta ricerca diversa da fare. Come puoi differenziare tra quello che è veramente un buon buzzword e quello che non lo è?
Joannes Vermorel: Innanzitutto, direi che un modo è dare uno sguardo ampio a chi sta parlando di questo buzzword. È solo il tuo fornitore, oppure ci sono molte persone provenienti da campi diversi, persone che non hanno interessi convergenti, persone che non hanno motivo di copiare l’un l’altro? La cosa del demand sensing è che fondamentalmente, era un solo fornitore a spingerlo, e gli altri fornitori hanno semplicemente copiato il superficiale espediente di marketing. Quindi inizi con qualcosa che è solo un espediente di marketing, e finisce per essere replicato da altri attori sul versante del marketing. Non c’è sostanza, quindi è relativamente facile da replicare. Quando hai una tecnologia reale, è più difficile da replicare. Se l’unica cosa che devi replicare è un sito web elegante, è molto più facile. Ma sto divagando.
Per identificare dei buoni buzzword, cerca persone diverse che ne parlano. Ad esempio, qualcosa di cui discutiamo ampiamente a Lokad è il probabilistic forecasting. Se cerchi online chi discute del probabilistic forecasting, troverai che ci sono in realtà un sacco di altre comunità, per esempio persone che studiano il clima, che utilizzano pesantemente modelli probabilistici. Quando pensi al clima, la ricerca all’avanguardia è chiaramente guidata da modelli probabilistici. Non ha nulla a che fare direttamente con la supply chain, ma comunque dimostra che i concetti sono attraenti e utili per gruppi diversi. Credo che sia un segnale molto importante.
Un altro indicatore è l’appello all’autorità. Quando le persone spingono per qualcosa come il demand sensing come un nuovo modo straordinario di fare previsioni e fanno affermazioni audaci, ma invece di dettagliare l’algoritmo e la matematica che usano, mettono in avanti il nome, il titolo e il curriculum.
Kieran Chandler: Di tutte le cose terribili, abbiamo tutti il Dr. X PhD, perché farlo con 20 anni di esperienza qua e là, ed è in sostanza quando metti in giro il curriculum delle persone fin da subito, è letteralmente un appello all’autorità. Quindi solitamente significa che, sai, le tue idee mancano di sostanza. Altrimenti, non c’è bisogno di avere il curriculum nei documenti scientifici, basta avere il nome dei ricercatori e l’istituzione, non il curriculum. Ok, quindi se il demand sensing è un esempio di magari un po’ di espediente di marketing, ci sono molti altri esempi nel settore della supply chain di espedienti che storicamente hanno funzionato?
Joannes Vermorel: Sì, intendo, non solo la supply chain. Penso che sia uno di quei casi tipici di mercati dominati da grandi fornitori aziendali che giocano molto a questi giochi, ma non è l’unica area. Ci sono stati parecchi buzzword superficiali. Ad esempio, IBM, dieci anni fa, fece una grande spinta verso il loro autonomous computing, che si è rivelato essere un grosso mucchio di niente. Molte persone hanno iniziato a spingere per cose come, prima che la gente impazzisse per il data science, impazzivano per il data mining. Era una grande cosa 20 anni fa. C’era l’idea di estrarre pepite di dati. Non sono nemmeno sicuro che la gente ricordi cosa si doveva intendere. Quindi, c’è stata una lunga serie di buzzword superficiali, e in realtà è abbastanza difficile ricordarle perché, precisamente, c’è pochissima sostanza.
Preparare questo episodio sul demand sensing è stato in realtà piuttosto difficile per me perché leggevo decine di pagine al riguardo e trascorrevo mezz’ora cercando di riassumere quello che avevo imparato. E mi sono trovato a non aver imparato nulla. Quindi, è persino difficile memorizzare questo genere di cose.
Kieran Chandler: Quindi, qual è normalmente l’esito? Questi buzzword semplicemente cadono nel dimenticatoio perché non c’è sostanza dietro di essi, e l’industria passa al successivo?
Joannes Vermorel: Sì, questa è la mia convinzione personale. La chiamo la legge della preservazione dell’hype. In fisica abbiamo la legge della conservazione della massa, e per quanto riguarda il marketing dei fornitori aziendali, esiste questa legge della preservazione dell’hype. C’è una massa totale di hype, e se un buzzword entra nel mucchio, qualcos’altro esce dal mucchio. Puoi effettivamente verificare empiricamente la mia legge della conservazione dell’hype guardando Google Trends, questo strumento fornito da Google. Se prendi molti buzzword come AI, cloud computing, big data, machine learning e simili, vedrai che nel tempo è una specie di costante, anche se ogni buzzword ha un picco e poi svanisce. Quindi, chiaramente, esistono questi schemi.
Kieran Chandler: Ok, iniziamo a riassumere un po’. Per i praticanti della supply chain che cercano il prossimo grande buzzword in futuro, a cosa dovrebbero stare attenti?
Joannes Vermorel: Penso che dovrebbero fare attenzione a cose che affrontano fondamentalmente qualcosa di piuttosto essenziale con un’intuizione che, guardando indietro, è completamente ovvia. La cosa sorprendente della scienza è che quando hai cose che sono profondamente vere ed efficienti, le guardi indietro e ti chiedi come hai potuto essere così ignorante prima. Per esempio, nella supply chain, prima di renderci conto che quando volevamo guardare la domanda, dovevamo guardarla con uno scopo, come il supporto. Quella è stata la nascita delle previsioni quantili. Quell’idea che i rischi
Kieran Chandler: È ovvio che ottimizzare lo stock e ridurre i costi siano importanti quando l’inventario ruota. È qualcosa di così importante che non puoi nemmeno disimpararlo. Una volta capito un concetto fondamentale, diventa molto importante. Direi che quando vedi una parola chiave e ti colpisce, è solitamente perché hai compreso qualcosa di davvero fondamentale. Non è qualcosa di incredibilmente difficile. Al cuore di una grande innovazione, solitamente c’è qualcosa di fondamentalmente semplice.
Joannes Vermorel: Se ti parlo di cloud computing, potresti pensare che sia super complicato. Ma poi, se ti dico che sono semplicemente risorse hardware su richiesta, e con “su richiesta” intendo che puoi semplicemente dire, “Dammi una macchina di calcolo nel prossimo minuto,” ed ecco fatto. Hai fornitori su larga scala che possono venderti potenza di elaborazione disponibile su richiesta. Una volta capito questo, in un certo senso capisci molte cose sul cloud computing.
Kieran Chandler: Quindi queste parole chiave tipicamente rappresentano i concetti fondamentali, e il diavolo sta nei dettagli. Ma l’intuizione chiave, se non riesci a comprenderla in pochi minuti, potrebbe non essere così preziosa. Dovrebbe davvero colpirti come una solida comprensione extra per il tuo business di cui puoi approfittare. Forse, per sfruttare questo ulteriore intuizione, avrai bisogno di strumenti aggiuntivi. Ma se non c’è una comprensione fondamentale, allora molto probabilmente ciò che stai vedendo non ha alcuna sostanza ed è solo un grosso mucchio di niente.
Joannes Vermorel: Esatto.
Kieran Chandler: Ottimo, dobbiamo concludere qui. Grazie per il tuo tempo. Questo è tutto per oggi. Se sei d’accordo o meno, assicurati di lasciarci un commento qui sotto, e questo è tutto per questa settimana. Ci vediamo la prossima volta.