Demand Sensing, un Esempio di Mootware

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 sulle previsioni della supply chain.
00:07:49 Argomento che più dati e metodi non tradizionali sono necessari.
00:08:37 Differenze nell’utilizzo tra applicazioni in tempo reale e non in tempo reale.
00:09:47 Trucchi di marketing nell’industria del software e il loro impatto.
00:11:25 Differenziare tra buzzwords valide e buzzwords superficiali.
00:14:24 Esempi di altri trucchi nell’industria della supply chain.
00:16:02 Difficoltà di memorizzare buzzwords e la loro mancanza di sostanza.
00:16:33 Legge della conservazione dell’entusiasmo e verifica di Google Trends.
00:17:47 Identificare buzzwords di valore 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 di 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 nuove e sottoposte a revisione tra pari. Consiglia agli operatori della supply chain di diffidare dei trucchi di marketing e di concentrarsi su concetti che affrontano questioni fondamentali con intuizioni sorprendentemente ovvie. Vermorel sottolinea l’importanza di comprendere la sostanza dietro le buzzwords 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, fondatore di Lokad, un’azienda di 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 di valore e trucchi di marketing.

Vermorel inizia ammettendo che è difficile valutare il demand sensing a causa della vaghezza dei documenti che ha esaminato sull’argomento. Crede che il demand sensing non sia vaporware, poiché il software esiste, ma piuttosto mootware, qualcosa che non mantiene le promesse e che alla fine non ha importanza. Questo lo attribuisce al fatto che il concetto è più un trucco di marketing che un’idea sostanziale.

Le principali caratteristiche pubblicizzate del demand sensing includono l’utilizzo di dati in tempo reale, l’incorporazione di dati al di là dei dati centrali 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 singoli concetti sembrano validi, ma mette in dubbio la novità e la profondità dell’approccio complessivo.

Per valutare il demand sensing, Vermorel analizza la principale affermazione fatta dai suoi sostenitori: che può produrre previsioni più accurate. Sottolinea che la previsione statistica è un campo di ricerca consolidato, con numerose competizioni online e una comunità vivace che sfida e sviluppa costantemente il settore. Molte organizzazioni, tra cui prestigiose istituzioni di ricerca e grandi aziende di software, pubblicano articoli su machine learning e apprendimento statistico, compresi quelli incentrati sulla previsione della domanda futura.

Tuttavia, Vermorel non ha visto alcuna ricerca significativa e innovativa pubblicata sul demand sensing in riviste o conferenze autorevoli, 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 ricerca concreta e sottoposta a revisione paritaria e il contributo della più ampia comunità di machine learning e previsione mettono in dubbio il vero valore del demand sensing.

Vermorel esprime scetticismo sull’efficacia del demand sensing come metodo di previsione, a causa della sua vaga base concettuale e della mancanza di ricerca innovativa e sottoposta a revisione paritaria sull’argomento. Suggerisce che potrebbe essere più un trucco di marketing che un approccio veramente innovativo all’ottimizzazione della supply chain.

La conversazione ruota attorno al concetto di dati in tempo reale, alla sua rilevanza per la previsione della supply chain e ai trucchi di marketing che lo circondano.

Vermorel spiega che i dati in tempo reale, che si riferiscono a dati con una latenza inferiore alla percezione umana (circa 100 millisecondi), sono diventati popolari grazie alla loro natura allettante. Tuttavia, è scettico sul fatto che avere dati in tempo reale offra un miglioramento significativo dell’accuratezza delle previsioni. Cita una tipica dimostrazione di software in cui viene utilizzato un prodotto con tre anni di storia per la previsione dei sei mesi successivi. Vermorel sostiene che avere dati di 100 millisecondi fa, rispetto a 24 ore fa, non farà molta differenza in questo contesto.

Un’altra affermazione spesso fatta dai sostenitori dei dati in tempo reale è l’utilizzo di tecniche di machine learning superiori. Vermorel rimane scettico, paragonandolo a un produttore di automobili che afferma di avere automobili migliori grazie a una migliore fisica. Tuttavia, concorda sul fatto che l’incorporazione di più dati rispetto alla previsione tradizionale delle serie temporali può portare a miglioramenti sostanziali.

Vermorel afferma che le informazioni in tempo reale negli scenari di supply chain sono generalmente eccessive, poiché il livello di dettaglio che forniscono 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. Mette in discussione l’idea che i dati in tempo reale possano fare una differenza significativa nella pianificazione della supply chain, in cui le previsioni di solito vanno da tre settimane a un anno nel futuro.

Secondo Vermorel, la promozione dei dati in tempo reale nella previsione della supply chain è spesso un trucco di marketing utilizzato da fornitori di software che non hanno nuove idee, competenze o tecnologie. Suggerisce che questo approccio rifletta una certa indifferenza ai problemi dei clienti e un’arrogante supposizione che i clienti possano essere facilmente ingannati. Per identificare concetti validi da mere parole di moda, consiglia di osservare se diverse persone provenienti da campi diversi discutono del concetto. Se solo i fornitori lo promuovono, è più probabile che si tratti di un trucco di marketing.

Come esempio positivo, Vermorel cita la previsione probabilistica, che viene discussa da numerose comunità, comprese quelle che studiano il clima. La ricerca climatica all’avanguardia è guidata da modelli probabilistici, il che indica che questo approccio si basa su una sostanza genuina, a differenza del concetto di dati in tempo reale nella previsione della supply chain guidato dal marketing.

Vermorel inizia spiegando il concetto di appello all’autorità, che ritiene essere un forte indicatore di una parola di moda. Utilizza l’esempio del demand sensing, in cui i sostenitori presentano i nomi e i titoli degli esperti coinvolti, anziché dettagliare l’algoritmo o la matematica alla base.

Quando gli viene chiesto altri esempi di trucchi nell’industria della supply chain, Vermorel fa notare che ce ne sono stati molti nel corso della storia. Cita la spinta di IBM per il calcolo autonomo dieci anni fa, che si è rivelato inconsistente, e la popolarità del data mining venti anni fa, che è poi svanita. Vermorel ritiene che queste parole di moda spesso cadano nel dimenticatoio a causa di una mancanza di sostanza, e fa riferimento alla sua “legge della conservazione dell’entusiasmo”, che spiega come una massa totale costante di entusiasmo cambi solo quando una nuova parola di moda entra nel mercato.

Vermorel suggerisce che i professionisti della supply chain dovrebbero prestare attenzione alle parole di moda che sembrano affrontare un problema fondamentale con una scoperta sorprendentemente ovvia. Fornisce l’esempio delle previsioni quantili, che si concentrano sui rischi concentrati agli estremi anziché al centro. Vermorel ritiene che idee semplici e fondamentali come queste, una volta comprese, siano difficili da dimenticare e possano portare a significative innovazioni.

Prosegue affermando che i professionisti dovrebbero diffidare delle parole di moda che non forniscono una comprensione chiara e concisa dei loro concetti sottostanti. Ad esempio, il cloud computing può sembrare complicato, ma il suo concetto principale è la disponibilità di risorse hardware su richiesta. Vermorel consiglia che se una parola di moda non può fornire una comprensione solida in pochi minuti, probabilmente manca di sostanza e dovrebbe essere ignorata.

Vermorel sottolinea l’importanza di riconoscere e comprendere la sostanza dietro le parole di moda nell’industria della supply chain. Incoraggia i professionisti a concentrarsi su intuizioni fondamentali che possono fornire una comprensione solida e contribuire a innovazioni significative nelle loro attività.

Trascrizione completa

Kieran Chandler: Oggi parleremo di quanto bene questa parola di moda funzioni effettivamente e anche se si può distinguere la differenza tra ciò che è una buona parola di moda e ciò che è solo un sacco di sciocchezze di marketing. Quindi, Joannes, demand sensing, qual è la tua visione iniziale di un concetto del genere?

Joannes Vermorel: È una domanda difficile, in realtà, perché ho esaminato molti documenti sul demand sensing, e la cosa migliore che posso dire di 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 un chiaro esempio di ciò che potremmo definire non come vaporware, perché il software esiste ed è supposto di essere in grado di fornire il demand sensing per ottimizzare la supply chain. Quindi, non è vaporware, ma direi che è mootware, come cose che non hanno davvero importanza perché non forniranno ciò che promettono.

Kieran Chandler: Hai detto che le idee che ci sono dietro sono un po’ vaghe, quindi qual è il concetto di base?

Joannes Vermorel: I concetti che vengono pubblicizzati, e ripeto, dico pubblicizzati perché è qualcosa più simile a un trucco di marketing che a qualcosa di profondo, includono l’uso di dati in tempo reale, dati al di là dei tuoi tradizionali dati di base, come i movimenti passati dell’inventario o la domanda di vendita passata, e l’uso di machine learning, che è abbastanza indefinito in questo contesto, per fare alcune cose nuove per ottenere una maggiore precisione.

Kieran Chandler: Quindi una delle cose che indica che è un po’ un trucco di marketing è che tutti quei concetti sembrano reggersi da soli. Quindi quali sono i problemi qui?

Joannes Vermorel: La domanda è quanto di nuovo c’è in termini di profondità. Cominciamo guardando la principale affermazione dei fornitori che stanno spingendo per le tecnologie di rilevamento della domanda. La principale affermazione è che possono ottenere previsioni più accurate. È una richiesta molto ragionevole; diciamo che ho una tecnica nuova che può produrre previsioni statistiche più accurate. Beh, si scopre che la supply chain non esiste in un vuoto. C’è un intero campo di ricerca sulla previsione statistica, con tonnellate di competizioni online in cui le persone provano modelli e competono. Il vasto campo dell’apprendimento automatico e dell’apprendimento statistico è molto vibrante, con sfide e risultati pubblici pubblicati in conferenze, riviste e articoli da varie fonti, compresi laboratori privati come grandi aziende di software. Quello che sto dicendo è che, anche se ci sono tonnellate di progressi nell’apprendimento automatico per compiti specifici come la previsione della domanda futura, non ho visto nulla che possa essere considerato come buoni articoli nuovi o conferenze di alto livello pubblicate attraverso quelle parole chiave, come il rilevamento della domanda.

Kieran Chandler: Parliamo del contenuto stesso. C’è un sacco di roba là fuori su Internet se stai facendo qualche ricerca riguardo al rilevamento della domanda, con molti articoli e cose che sembrano essere abbastanza legittime. Quindi, come ci si fa capire? Qual è il problema, se facciamo una revisione di ciò che viene presentato? Quindi, ciò che viene presentato è prima di tutto questa idea di avere dati in tempo reale. Perché no? Eppure, i dati in tempo reale, prima di tutto cerchiamo di qualificare un po’ cosa intendiamo per dati in tempo reale perché suona figo. La mia prospettiva è che i dati in tempo reale siano fondamentalmente quando la latenza scende al di sotto della percezione umana. Quindi, come regola generale, se vogliamo chiarire di cosa stiamo parlando, sono 100 millisecondi. È quando inizia a diventare molto vicino a ciò che le persone considererebbero come tempo reale.

Joannes Vermorel: Ok, discutiamo in una supply chain o in un problema di supply chain, il fatto che hai dati accessibili, o che hai un intero flusso di dati che può elaborare i tuoi dati in meno di 100 millisecondi per essere in tempo reale. Abbiamo qualche possibilità di avere, grazie a questo, qualcosa che potrebbe essere dell’ordine di grandezza di un miglioramento del 50% nella precisione delle previsioni? E qui, sono molto scettico. Soprattutto quando le persone iniziano a fare dimostrazioni sul software che fa il rilevamento della domanda e fa previsioni. Nella demo, guardano un prodotto con tre anni di storia e fanno una previsione a sei mesi.

Quindi, se stai facendo previsioni sulla domanda a sei mesi, il fatto che tu abbia dati freschi degli ultimi 100 millisecondi o freschi delle ultime 24 ore, quindi hai dati che sono solo un giorno indietro, francamente, non farà molta differenza. Non sono nemmeno sicuro che avere dati che sono vecchi di due giorni invece di uno solo farà anche una differenza dell’uno percento a sei mesi di distanza. Quindi, è qui che dico che la parte in tempo reale dell’argomento mi sembra estremamente superficiale.

Poi, guardiamo l’altra parte degli argomenti: affermano di avere tecniche di machine learning superiori. Ma tecniche di machine learning superiori - dato che l’apprendimento automatico è un campo molto ampio - sarebbe come se un produttore di automobili dicesse: “Oh, abbiamo l’auto migliore perché abbiamo una fisica migliore”. Avere una fisica migliore aiuta, ma è una richiesta audace. Hai bisogno di una svolta a livello delle leggi fisiche. Quindi, di nuovo, sono scettico quando fai questo tipo di affermazione.

Quindi, fondamentalmente, quello che hanno è, se torno all’altro insieme di argomenti, dicono che è necessario avere una previsione che utilizzi più dati rispetto ai metodi tradizionali. Direi di sì, assolutamente. Voglio dire, abbiamo discusso in questo spettacolo molte volte il fatto che la previsione ingenua delle serie temporali ti dà un sacco di spazzatura. La spiegazione più semplice è che se guardi solo le tue vendite storiche, non consideri le rotture di stock. Ad esempio, se non hai osservato alcuna vendita perché hai avuto una rottura di stock, non vuoi prevedere zero perché hai osservato zero. Le tue vendite storiche non sono la domanda storica. Quindi sì, è necessario includere più dati oltre a quelli, assolutamente, e questo può portare a miglioramenti molto significativi.

Kieran Chandler: Quindi, quello che stai dicendo è che l’uso di queste informazioni in tempo reale è praticamente eccessivo in uno scenario di supply chain perché, in realtà, non hai bisogno di quel livello di informazioni così velocemente. Di quale livello di granularità abbiamo effettivamente bisogno?

Joannes Vermorel: Ma, di nuovo, se stai pilotando robot di prelievo in tempo reale in un magazzino, allora 100 millisecondi potrebbero essere anche troppo lenti. Quindi, dipende davvero dal tipo di problema. Ma le persone che spingono per la percezione della domanda 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 qualcosa che assomiglia molto al vecchio modo di pianificare la supply chain, 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 davvero in discussione il fatto che avere il tempo reale per questo tipo di situazione farà qualche differenza. Questo è ciò che metto davvero in discussione. Quindi, a chi sta davvero beneficiando? Diresti che è solo un trucco di marketing per vendere altri pezzi di software?

Joannes Vermorel: Questo è un caso in cui stavo pensando a questo termine di “moot” in cui sai, il software di cui non dovresti preoccuparti è irrilevante. È letteralmente un trucco di marketing per i fornitori che sono carenti di nuove idee, tecnologie e probabilmente competenze. Beh, decidono semplicemente di prendere la strada del trucco di marketing perché non c’è alcuna sostanza. E so che è relativamente duro, ma francamente, non vedo una spiegazione migliore perché i problemi che stiamo affrontando sono così impegnativi. Ci sono così tanti aspetti che possono essere discussi e migliorati che non abbiamo bisogno di inventare i nostri buzzword. Ci sono così tanti aspetti che devono essere affinati per presentare qualcosa di nuovo. Se devi ricorrere a un buzzword completamente inventato che si rivela essere solo un trucco di marketing superficiale, non mette in buona luce le squadre dietro quelle aziende. Voglio dire, mostra una certa indifferenza ai problemi affrontati dai clienti e mostra anche un certo grado di arroganza nel senso che pensano che il cliente sia solo un idiota e che tu possa letteralmente spingere loro qualsiasi cosa. Ad un certo punto, è un insulto all’intelligenza di chi stai vendendo.

Kieran Chandler: Quindi come li differenziamo? Perché ci sono così tanti di questi buzzword là fuori, c’è così tanto diverso ricerca che dovremmo fare. Come puoi differenziare tra ciò che è effettivamente un buon buzzword e ciò 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, o ci sono molte persone provenienti da campi diversi, persone che non hanno interessi convergenti, persone che non hanno motivo di copiarsi a vicenda? La cosa del demand sensing è che in sostanza, è stato un fornitore a spingerlo, e gli altri fornitori hanno solo copiato il trucco di marketing superficiale. Quindi inizi con qualcosa che è solo un trucco di marketing, e finisce per essere replicato a livello di marketing da altri attori. Non c’è sostanza, quindi è relativamente facile replicarlo. Quando hai una tecnologia effettiva, è più difficile replicarla. Se l’unica cosa che devi replicare è un sito web di fantasia, è molto più facile. Ma divago.

Per identificare buoni buzzword, cerca persone diverse che ne parlano. Ad esempio, qualcosa di cui discutiamo ampiamente a Lokad è la previsione probabilistica. Se cerchi online chi sta discutendo di previsione probabilistica, scoprirai che ci sono effettivamente tonnellate di altre comunità, ad 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 in alcun modo, ma dimostra comunque che i concetti sono interessanti e utili per gruppi diversi. Questo, penso, è un segnale molto importante.

Un altro indicatore è l’appello all’autorità. Quando le persone stanno solo spingendo qualcosa come il demand sensing come un nuovo modo tremendo di fare previsioni e fanno affermazioni audaci, ma invece di dettagliare l’algoritmo e la matematica su come lo fanno, mettono in primo piano il nome, il titolo e il pedigree.

Kieran Chandler: Dei terribili delle cose, tutti abbiamo il dott. X PhD, perché farlo con 20 anni di esperienza qui e là, e questo è fondamentalmente quando metti in primo piano il curriculum delle persone, è letteralmente un appello all’autorità. Quindi di solito significa che le tue idee mancano di sostanza. Altrimenti, non hai bisogno di avere il tuo curriculum nei documenti scientifici, hai solo il nome dei ricercatori e dell’istituzione, non il curriculum. Ok, quindi se il demand sensing è un esempio di forse un po’ di trucco di marketing, ci sono molti altri esempi là fuori nell’industria della supply chain di trucchi che hanno avuto un certo peso storicamente?

Joannes Vermorel: Sì, intendo, non solo nella 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’unico settore. Ci sono stati parecchi buzzword superficiali. Ad esempio, IBM, 10 anni fa, ha fatto una grande spinta per il loro computing autonomo, che si è rivelato essere un grande nulla. C’erano molte persone che hanno iniziato a spingere per cose come, prima le persone erano pazze di data science, erano pazze di data mining. Era una grande cosa 20 anni fa. C’era l’idea di estrarre pepite di dati. Non sono nemmeno sicuro se le persone ricordino cosa si supponeva che fosse. Quindi, c’è stata una lunga serie di buzzword superficiali, ed è effettivamente abbastanza difficile persino ricordarle perché appunto c’è molto poco sostanza.

Preparare questo episodio sul demand sensing è stato effettivamente abbastanza difficile per me perché stavo leggendo decine di pagine a riguardo e passando mezz’ora cercando di riassumere ciò che ho imparato. E mi sono ritrovato a non aver imparato nulla. Quindi, è persino difficile memorizzare questo tipo di cose.

Kieran Chandler: Quindi, qual è di solito l’esito? Questi buzzword vengono semplicemente abbandonati perché non c’è sostanza dietro di loro, e l’industria passa al prossimo?

Joannes Vermorel: Sì, questa è la mia convinzione personale. Lo chiamo la legge della conservazione dell’hype. In fisica, abbiamo la legge della conservazione della massa, e per quanto riguarda il marketing dei fornitori aziendali, c’è questa legge della conservazione dell’hype. C’è una massa totale di hype, e se hai una buzzword che 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 molte buzzword come AI, cloud computing, big data, machine learning e così via, vedrai che nel tempo è una sorta di costante, anche se ogni buzzword ha un picco e poi svanisce. Quindi, chiaramente, ci sono questi schemi.

Kieran Chandler: Ok, quindi iniziamo a riassumere un po’. Per i professionisti della supply chain che cercano la prossima grande buzzword nel futuro, su cosa dovrebbero stare attenti?

Joannes Vermorel: Penso che dovrebbero stare attenti a qualcosa che affronta fondamentalmente qualcosa di molto essenziale con una comprensione che, guardando indietro, è completamente ovvia. La cosa sorprendente della scienza è che quando hai cose che sono profondamente vere ed efficienti, guardi indietro e ti chiedi come hai potuto essere così ignorante prima. Ad esempio, nella supply chain, prima di capire che quando volevamo guardare la domanda, dovevamo guardare la domanda con uno scopo, come il supporto. Questa è stata la nascita delle previsioni quantili. Questa era l’idea che i rischi

Kieran Chandler: È ovvio che ottimizzare le scorte e ridurre i costi sia importante quando l’inventario ruota. È qualcosa di così importante che non puoi nemmeno dimenticarlo. Una volta compreso un concetto fondamentale, diventa molto importante. Direi che quando vedi una parola chiave e fa clic, di solito è perché hai capito qualcosa di molto fondamentale. Non è qualcosa di incredibilmente difficile. Al centro di un’innovazione massiccia, di solito 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 solo risorse hardware su richiesta, e per su richiesta intendo che puoi semplicemente dire: “Dammi una macchina da calcolo nel prossimo minuto”, e eccola lì. Hai fornitori su larga scala che possono venderti potenza di elaborazione disponibile su richiesta. Una volta capito questo, capisci molte cose sul cloud computing.

Kieran Chandler: Quindi queste parole chiave rappresentano tipicamente i concetti fondamentali, e il diavolo sta nei dettagli. Ma l’idea chiave, se non riesci a comprenderla in pochi minuti, potrebbe non essere così preziosa. Dovrebbe colpirti davvero come una comprensione extra solida per la tua attività di cui puoi approfittare. Forse per sfruttare questa comprensione extra avrai bisogno di strumenti aggiuntivi. Ma se non c’è una comprensione di base, molto probabilmente ciò che stai guardando non ha alcuna sostanza ed è solo un 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 in disaccordo, assicurati di lasciarci un commento qui sotto, e questo è tutto per questa settimana. Ci vediamo la prossima volta.