La legge dei piccoli numeri nella Supply Chain

00:00:07 Introduzione e l’importanza dei piccoli numeri nelle prestazioni della supply chain.
00:01:00 Come i piccoli numeri influenzano le prestazioni informatiche e i costi.
00:03:33 La storia e l’evoluzione della precisione numerica nella finanza e nei sistemi di supply chain.
00:06:00 L’impatto della dimensione dei dati sulle prestazioni computazionali e sui colli di bottiglia.
00:07:44 Raggiungere un notevole incremento di velocità computazionale riducendo la dimensione dei dati.
00:08:47 L’importanza di prestare attenzione al technological stack e agli strumenti nell’ottimizzazione della supply chain.
00:10:17 Bilanciare il costo computazionale e modelli matematici più potenti per ottenere migliori risultati nella supply chain.
00:12:50 Analizzare dati storici e utilizzare software predittivo per la supply chain per prendere decisioni migliori.
00:15:04 Impatto dell’aggregazione dei dati sul guadagno di performance percepito e sulla perdita di granularità.
00:16:00 Le sfide del consolidamento delle decisioni nella supply chain.
00:17:33 Riconsiderare le ipotesi statistiche di base e la simpatia meccanica.
00:20:01 L’importanza della simpatia meccanica nella gestione della supply chain.
00:20:58 Passare dalla legge dei piccoli numeri a una prospettiva di big data.
00:23:20 Conclusione: in certe situazioni, meno dati possono significare di più.

Sommario

Joannes Vermorel, il fondatore della società di software supply chain optimization Lokad, discute della legge dei piccoli numeri e del suo impatto sulle supply chain performance con Kieran Chandler. Vermorel evidenzia l’importanza dei piccoli numeri nei dati della supply chain e la necessità di scegliere i numeri giusti per ottimizzare la velocità di calcolo e le prestazioni. La discussione sottolinea la necessità di una maggiore simpatia progettuale nel raggiungere miglioramenti nelle prestazioni, il compromesso tra efficienza computazionale e l’esame di tutti i possibili futuri e decisioni, e la sfida di usare modelli statistici in ambienti retail complessi. L’intervista evidenzia l’importanza di bilanciare le risorse computazionali e una modellizzazione sofisticata per ottimizzare la supply chain performance.

Sommario Esteso

In questa intervista, Kieran Chandler parla con Joannes Vermorel, fondatore di Lokad, una società software specializzata in supply chain optimization. Discutono della legge dei piccoli numeri e del suo potenziale per migliorare le supply chain performance, l’importanza dei piccoli numeri nei dati della supply chain e l’impatto della scelta dei numeri giusti sulla velocità di calcolo e le prestazioni.

Vermorel spiega che i piccoli numeri, in particolare i numeri a una cifra, sono onnipresenti nelle supply chains. Sebbene i codici a barre possano avere molte cifre, essi fungono da identificatori piuttosto che da quantità. Le quantità nelle supply chains tendono a essere molto piccole, il che sorprende poiché la maggior parte delle statistiche è orientata verso la legge dei grandi numeri. Questa osservazione è importante perché evidenzia la necessità di una maggiore simpatia progettuale per ottenere miglioramenti nelle prestazioni, soprattutto dato il rallentamento del tasso di miglioramento della potenza di elaborazione.

L’intervista poi si concentra sull’impatto dei piccoli numeri sull’informatica. Vermorel afferma che, sebbene i computer possano gestire qualsiasi numero, essi possono eseguire i calcoli molto più velocemente se si scelgono i numeri giusti. Ad esempio, i computer possono essere da 10 a 20 volte più veloci nell’eseguire operazioni banali con i numeri se vengono selezionati i numeri corretti. Ciò può fare una differenza significativa nelle prestazioni complessive di un sistema di supply chain optimization.

Kieran chiede a Vermorel di spiegare la differenza nell’invio dei numeri tra i sistemi e la realtà fisica dell’hardware informatico. Vermorel sottolinea che il costo dell’elaborazione e dell’analisi dei dati è importante per l’ottimizzazione della supply chain. I computer sono diventati più economici in termini di potenza di elaborazione, il che consente algoritmi più potenti per migliorare l’accuratezza delle previsioni e le performance della supply chain. Tuttavia, l’equilibrio tra il costo computazionale e le performance della supply chain è cruciale.

Vermorel sostiene che se i costi computazionali grezzi vengono notevolmente ridotti, ciò non significa che i costi dei computer scompariranno. Invece, le aziende sfrutteranno le risorse risparmiate per sviluppare modelli più complessi, aumentando così i costi computazionali. Pertanto, è necessario prestare attenzione all’impatto dei piccoli numeri sui costi informatici per ottimizzare le performance della supply chain.

La discussione verteva sulle origini della necessità di calcoli aritmetici nei sistemi aziendali, che provenivano principalmente dal mondo della finanza. I primi sistemi aziendali furono progettati tenendo a mente i calcoli finanziari, e questa storia ha implicazioni su come i piccoli numeri vengono utilizzati e compresi nel contesto dell’ottimizzazione della supply chain.

La legge dei piccoli numeri ha il potenziale per migliorare significativamente le performance della supply chain se le aziende riescono a sfruttare correttamente i numeri giusti nei loro sistemi informatici. Prestando attenzione all’equilibrio tra costi computazionali e performance della supply chain, le aziende possono sviluppare modelli più complessi e ottenere risultati di ottimizzazione superiori.

Vermorel spiega come le pratiche di supply chain adottate dalle industrie finanziaria e contabile negli anni ‘70 e ‘80 abbiano portato all’uso di un’elevata precisione numerica nei sistemi di supply chain. La necessità di un’elevata precisione nella finanza e nella contabilità nacque da una serie di frodi nei primi anni ‘80, in cui errori di arrotondamento venivano sfruttati per sottrarre milioni di dollari.

Tuttavia, l’elevata precisione usata in finanza non è sempre necessaria nella gestione della supply chain. Vermorel osserva che nell'80% delle transazioni al punto vendita, la quantità di un prodotto acquistato è pari a uno. Ciò significa che in media sono necessari solo due bit di precisione per rappresentare le quantità in un negozio. Kieran mette in discussione l’importanza della dimensione dei dati nel contesto della gestione della supply chain, considerando l’accessibilità di dispositivi di memoria con capacità in terabyte.

Vermorel chiarisce che le prestazioni della maggior parte dei calcoli sono determinate dalla dimensione dei dati, poiché il collo di bottiglia risiede nel caricamento e scaricamento dei dati piuttosto che nelle capacità di elaborazione della CPU. Sottolinea che ridurre la dimensione dei dati può portare a guadagni significativi e talvolta super-lineari in velocità computazionale. Ad esempio, quando Lokad riuscì a ridurre i dati di un fattore 10, si è assistito a un’accelerazione della computazione di 50 volte.

La sfida per la gestione della supply chain è differenziare tra i dati che richiedono un’elevata precisione e quelli che possono essere rappresentati con una precisione minore. Vermorel suggerisce che una piattaforma come Lokad può occuparsi di questo compito, sottolineando l’importanza che qualcuno presti attenzione al technological stack o agli strumenti utilizzati dal dipartimento IT. Ignorare l’ottimizzazione dei dati può portare a sistemi con hardware informatico massiccio ma con prestazioni deludenti.

Vermorel affronta anche il compromesso tra l’efficienza computazionale e l’obiettivo di esaminare tutti i possibili futuri e decisioni nell’ottimizzazione della supply chain. Accelerando i calcoli, diventa possibile analizzare più scenari senza aumentare significativamente i costi computazionali.

Si discute dell’ottimizzazione della supply chain e delle sfide legate all’uso di modelli statistici. Egli sottolinea che l’utilizzo di medie mobili e altri modelli semplici non è sufficiente per ambienti retail complessi, come gli ipermercati, dove è necessaria l’adozione di strumenti predittivi più sofisticati per gestire la stagionalità, le tendenze e altri fattori.

Vermorel evidenzia inoltre il problema della “legge dei piccoli numeri”, che si manifesta quando si ha a che fare con un gran numero di prodotti con poche transazioni giornaliere. Gli approcci statistici tradizionali, basati sulla legge dei grandi numeri, risultano spesso inadeguati in queste situazioni. Per superare questo problema, molte aziende aggregano i propri dati, ad esempio consolidando le vendite per settimana o per mese. Tuttavia, questo approccio sacrifica la granularità e può portare a decisioni insoddisfacenti, poiché le decisioni di supply chain vengono comunque prese quotidianamente.

La conversazione suggerisce che software avanzati di supply chain, come Lokad, possono fornire una guida migliore analizzando i dati storici e considerando i cicli di vita del prodotto. È cruciale che tali strumenti siano progettati attorno alla realtà dei piccoli numeri, in quanto spesso devono essere rilevanti per una parte significativa del ciclo di vita di un prodotto. In definitiva, l’intervista evidenzia l’importanza di bilanciare le risorse computazionali e una modellizzazione sofisticata per ottimizzare le performance della supply chain.

Il fondatore discute l’importanza di mettere in discussione le assunzioni di base e di utilizzare strumenti statistici appropriati nell’ottimizzazione della supply chain. Sottolinea che molti dei metodi statistici attuali sono orientati verso grandi numeri, che potrebbero non essere adatti per decisioni di supply chain su scala ridotta. Vermorel suggerisce inoltre che i professionisti dovrebbero sviluppare una “simpatia meccanica” per i loro sistemi di supply chain, come fanno i piloti di Formula One per le loro auto, per massimizzare le prestazioni. Nonostante l’aumento nella raccolta dei dati, Vermorel sostiene che i dati rilevanti per la supply chain rimangono spesso limitati, il che può fuorviare se si applicano prospettive di big data.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV discuteremo della legge dei piccoli numeri e di come essa possa essere sfruttata per migliorare le performance della supply chain. Quindi Joannes, come azienda specializzata in big data, probabilmente sorprende che oggi si parli di piccoli numeri. Qual è l’idea alla base di tutto ciò?

Joannes Vermorel: L’idea è che i piccoli numeri, e non i grandi numeri, sono onnipresenti nella supply chain. Quando dico piccoli numeri, mi riferisco specificamente a tutte le scelte numeriche e alle quantità che contano davvero. Sì, può esserci un codice a barre con 13 o 14 cifre, ma si tratta più di un identificatore che di una quantità. Quindi, quando si considerano le quantità, è sorprendente notare che si tratta sempre di numeri molto piccoli. Quando dico numeri molto piccoli, intendo numeri a una cifra, veramente piccoli. È intrigante perché la maggior parte delle statistiche è orientata verso la legge dei grandi numeri. In termini di informatica, si potrebbe pensare che non importi, ma in realtà importa, e parecchio.

Kieran Chandler: Puoi spiegare un po’ meglio in che modo ciò è importante per l’informatica?

Joannes Vermorel: Per un computer, un numero è un numero, giusto? Non importa. Tuttavia, si scopre che se si scelgono correttamente i numeri, il computer non solo esegue le addizioni o operazioni banali con i numeri in modo rapido, ma può essere anche da 10 a 20 volte più veloce. Quindi, alla fine, fa una grande differenza. Non si tratta solo di una piccola differenza.

Kieran Chandler: Okay, quindi per chi potrebbe non sapere cosa succede quando i computer inviano informazioni, cosa intendi con l’invio di un numero? Come può esserci una differenza da un sistema all’altro?

Joannes Vermorel: Qui entriamo nei dettagli della realtà fisica dell’hardware informatico che possediamo. È importante perché, se vuoi fare supply chain optimization o quantitative supply chain optimization, dovrai eseguire un sacco di elaborazione e analisi dei dati, che costa denaro. Anche se i computer sono diventati notevolmente più economici di una volta, c’è sempre un equilibrio tra il costo computazionale e le performance della supply chain che si possono ottenere. Se il costo computazionale grezzo viene abbassato notevolmente, si potrebbe pensare che i costi dei computer scompariranno. Tuttavia, non è così, perché sfrutterai le risorse così risparmiate per avere un modello più complesso, che a sua volta ti garantirà il prossimo livello di accuratezza nelle previsioni o di performance in termini di supply chain optimization.

Kieran Chandler: Ciò può portare a un miglioramento e quindi, sai, aumenterà di conseguenza. Ehm, il costo computazionale, quindi è necessario prestare un po’ di attenzione a questo. Ora torniamo a quei numeri e ai piccoli numeri nei computer. Ehm, più specificamente nei sistemi aziendali. Gran parte della necessità di calcoli, calcoli aritmetici ha avuto origine, direi, dal mondo della finanza. I primi sistemi aziendali erano tutti orientati, sai, verso la contabilità, la finanza, la supply chain. Questo è emerso negli anni ‘70. La supply chain è arrivata un po’ più tardi, negli anni ‘80, e, ehm, molte delle pratiche già consolidate all’epoca, soprattutto per quanto riguarda i numeri ad alta precisione, sono state importate nella supply chain. Quindi, perché è necessaria una precisione numerica elevatissima per il denaro?

Joannes Vermorel: Bene, si è scoperto che, all’inizio degli anni ‘80, c’erano molte frodi relativamente spettacolari in cui le persone sfruttavano il fatto che, arrotondando i centesimi, si poteva veramente creare magia. Si poteva rubare denaro se si arrotondavano pochi centesimi in ogni singola transazione che la tua azienda effettuava. Ed era completamente invisibile al sistema perché veniva arrotondato via, ma in realtà si trattava di denaro vero. E la gente, quando c’erano come miliardi di transazioni, alcune persone riuscivano letteralmente a estrarre milioni di dollari dal sistema semplicemente prelevando una frazione di centesimo e reindirizzandoli sui propri conti. Così il mondo della finanza e della contabilità è passato a numeri ad altissima precisione, dove quei problemi non si presentano. Il problema è che, direi, anche la supply chain, sai, ma di conseguenza hai numeri che sono, per impostazione predefinita, super, super ad alta precisione in praticamente tutti i sistemi. E devi chiederti: qual è la quantità abituale che verrà acquistata da un cliente in un negozio? E la nostra risposta a Lokad, perché osserviamo i dati, è che l’80% delle transazioni nel negozio prevede come quantità soltanto uno per prodotto. Quindi, letteralmente, la domanda è: hai un numero, di quanti bit di precisione hai bisogno? Beh, la risposta è che, in media, servono qualcosa come due bit di precisione per rappresentare, sai, un numero in un negozio, per esempio, la quantità acquistata.

Kieran Chandler: Ma perché dovremmo davvero preoccuparci di quanti bit vengono usati per inviare dati? Perché, voglio dire, se consideriamo l’intera supply chain, insomma, ha davvero tanta importanza?

Joannes Vermorel: Quindi, nel grande schema delle cose, penseresti che al giorno d’oggi si possano comprare hard disk da terabyte letteralmente nei supermercati vicini per qualcosa come 200 euro o qualcosa del genere. Quindi, penseresti che siano super economici. Perché mi dovrei preoccupare di ciò? Beh, si è scoperto che la performance della maggior parte dei calcoli è letteralmente determinata dalla dimensione dei dati. Se i dati sono più grandi, i calcoli andranno più lentamente. Perché? Perché il collo di bottiglia non è la CPU. È semplicemente il caricamento e lo scaricamento dei dati. Sì, puoi comprare un hard disk da un terabyte, ma se provi effettivamente a riempirlo di dati, probabilmente ci vorrà uno o anche due giorni, solo perché il disco è lento. E così, semplicemente scrivere dati sul disco o leggerlo completamente richiede un tempo molto lungo. Quindi, se riesci a minimizzare i dati, puoi letteralmente accelerare.

Kieran Chandler: Quindi, Joannes, puoi dirci di più su come la dimensione dei dati influisce sulla velocità dei calcoli nell’ottimizzazione della supply chain?

Joannes Vermorel: In modo significativo, il calcolo – e quando dico significativamente, di solito si ottengono guadagni super lineari – significa che se dividi per due la dimensione dei dati, non acceleri il calcolo di due volte, bensì di più di due volte. Abbiamo visto che a Lokad, in molte situazioni, se siamo riusciti a ridurre i dati di un fattore 10, abbiamo letteralmente ottenuto un’accelerazione di circa 50 volte. E, ancora, se torniamo ai nostri numeri, diciamo: avevamo un numero in doppia precisione, cioè 64. Tra l’altro, quello che in informatica chiamiamo bit è semplicemente uno zero o un uno. E quindi, se hai un numero rappresentato con 64 bit, rispetto a un numero rappresentato con soli due bit, beh, hai letteralmente 32 volte tanto. Sai, un numero occupa letteralmente 32 volte più spazio. Quindi, se riesci a compattare enormemente quei numeri e trasformare questi big data in dati molto più piccoli, puoi ottenere un’elaborazione molto più veloce. E, sì, le supply chain stanno ancora gestendo quel tipo di grandi dati finanziari anche per alcune delle transazioni che devono effettuare.

Kieran Chandler: Quindi, come distingui tra ciò che deve essere trattato come dati piccoli e ciò che dovrebbe essere considerato dati grandi?

Joannes Vermorel: Quindi, letteralmente, vuoi che il tuo supply chain specialist presti attenzione a questo. Vuoi davvero avere una piattaforma come Lokad, sai, autoinserzione senza vergogna, che faccia questo per te. Ma il mio messaggio, sai, il messaggio più ampio è che qualcuno deve prestare attenzione. Può essere il tuo fornitore se è molto attento al proprio stack tecnologico. Può essere il tuo dipartimento IT se è molto attento agli strumenti che sceglie. Ma, in fin dei conti, qualcuno deve prestare attenzione. Se nessuno presta attenzione, quello che ottieni sono sistemi in cui hai una quantità massiccia di hardware di calcolo e delle performance che di solito risultano completamente deludenti. Dove letteralmente ci vogliono secondi per ottenere un risultato, e anche calcoli apparentemente semi banali richiedono un bel po’ di tempo. L’idea di avere una supply chain che analizzi tutti i futuri possibili, le probabilità, confrontandoli con tutte le decisioni possibili, o quest’idea, rimane un sogno lontano solo perché il sistema è già così lento nel gestire un singolo scenario. Quindi, un futuro possibile in cui l’idea è che il sistema gestisca milioni di futuri possibili è una completa follia.

Kieran Chandler: Ma, se consideriamo tutti i futuri possibili, tutte le decisioni possibili, sicuramente questo va contro l’intero obiettivo di ridurre il costo computazionale. Ma se stai considerando tutti i futuri possibili, sicuramente questo moltiplicherà di gran lunga quel costo computazionale?

Joannes Vermorel: Sì, ma questo è il compromesso di cui stavo parlando. Se rendi i tuoi calcoli molto più veloci, non vuoi semplicemente avere un computer super, super economico per gestire l’intera supply chain. Sai, se usassimo ancora le tecniche degli anni ‘80 in termini di ottimizzazione della supply chain, potremmo, su uno smartphone, gestire un Walmart. Potremmo letteralmente gestire Walmart su uno smartphone. Non ha molto senso farlo, ma se sei pronto a raccogliere la sfida di dimostrare il punto che come…

Kieran Chandler: Quindi, Joannes, stavi parlando di come l’idea sia che, quando il calcolo diventa più economico, si adotta un modello matematico o statistico più potente, giusto?

Joannes Vermorel: Sì, esatto. Quando il calcolo diventa più economico, puoi adottare un modello più potente che offre risultati migliori per la supply chain, a scapito del consumo di più risorse di calcolo. È un compromesso.

Kieran Chandler: E anche se diciamo di considerare tutti i futuri possibili, l’intera idea delle leggi dei numeri piccoli si applica ancora, vero?

Joannes Vermorel: Esatto. Anche se consideriamo tutti i futuri possibili, non dobbiamo esaminare la probabilità di vendere un milione di bottiglie di qualsiasi cosa in un singolo negozio in un giorno, perché la probabilità è semplicemente zero. La realtà è che, anche per un prodotto di punta, è molto raro vendere più di 100 unità in un determinato giorno, e per la stragrande maggioranza dei prodotti, si guarda solo a zero unità vendute. Questo rappresenta in realtà la maggior parte dei prodotti. Tipo, l’80% dei prodotti in un ipermercato non viene nemmeno venduto una volta al giorno, e per il 95% dei prodotti la domanda sarà soltanto: vendo questo prodotto in quantità di zero, uno, due o tre unità in un qualsiasi giorno? E la probabilità di arrivare anche a 10 unità è già trascurabile. Quindi, si tratta tutto delle leggi dei numeri piccoli.

Kieran Chandler: Okay, quindi in quell’esempio di ipermercato, dove si gestiscono migliaia di transazioni al giorno e hai enormi giacenze di magazzino, come fai a stabilire i limiti per ciascuno degli articoli individuali?

Joannes Vermorel: È qui che ti servono strumenti adeguati che analizzino i dati storici. Sei guidato nella tua analisi perché, quando guardi ai dati registrati, sai già certe cose; inoltre, un buon software per la supply chain, specialmente un software predittivo come Lokad, ti permette di conoscere alcune variabili a priori. Sai che non lo stai scoprendo per la prima volta in un ipermercato. E sì, hai molte transazioni e tanti prodotti venduti, ma se guardi ogni singolo prodotto, non hai tante transazioni. Voglio dire, se consideri il fatto che un prodotto avrà un ciclo di vita sul mercato di forse tre anni, per poi essere sostituito da un altro prodotto, e se prendi in considerazione il fatto che il prodotto non viene venduto ogni singolo giorno, significa che, per raggiungere un punto in cui hai 100 unità vendute nell’intera storia di quel prodotto – che sarebbe forse il minimo da considerare – il numero è comunque elevato. Dire che 100 è un numero elevato è davvero un’esagerazione, specialmente da un…

Kieran Chandler: Quindi, da un punto di vista statistico, sai, sarebbe come stabilire un limite basso. Potrebbe effettivamente volerci più di un anno. Quindi, questo significa che se possiedi uno strumento statistico progettato intorno a quest’idea, cioè che ti permetterà di sfruttare un gran numero di dati, potrebbe volerci più di un anno prima che il tuo strumento inizi a diventare rilevante. E ricorda che stiamo parlando di un prodotto che avrà solo un ciclo di vita di circa tre anni, il che significa che per un terzo della sua vita utile, troppi strumenti statistici non saranno nemmeno rilevanti.

Joannes Vermorel: Bene, molte aziende consolida le loro vendite per settimana o per mese, e quanto funziona questo se stai cercando di ottenere una performance percepita? Quanto è efficace questo approccio rispetto al compromesso di perdere un po’ di granularità nei dati? È molto interessante, perché ho detto che i problemi legati alle leggi dei numeri piccoli sono ubiqui, e il problema è che tutti gli strumenti, almeno quelli classici, certamente non li considerano. Ma gli strumenti classici sono certamente orientati verso le leggi dei numeri grandi. Quindi, cosa fai? Beh, aggreghi.

Kieran Chandler: E perché si aggrega? Non perché sia la cosa giusta, ma semplicemente perché è un modo per ottenere risultati che non siano completamente disfunzionali. Non lo fai perché sia qualcosa di intelligente e rilevante per la tua supply chain, lo fai semplicemente perché, altrimenti, la logica basata sulle medie crollerebbe, dato che, implicitamente, ciò che cerchi di sfruttare sono le leggi dei numeri grandi.

Joannes Vermorel: Quindi, effettivamente, consolidi, ma il punto è che quando, per esempio, consolidi le decisioni ad un livello di aggregazione mensile per ottenere numeri più grandi, il problema è che le decisioni della supply chain vengono comunque prese su base giornaliera. Quindi, sì, ottieni un’analisi mensile migliore semplicemente perché hai consolidato tutti i dati, ma stai comunque prendendo decisioni giornaliere, e risulta che l’analisi mensile non ti dice nulla su ciò che accade all’interno del mese. Quindi, sai che in un mese vengono consumate in media 100 unità. Ma oggi, dovrei inviare zero, una o tre unità al negozio? E decisioni simili esistono anche quando si aggrega non per tempo ma per categoria.

Kieran Chandler: Quindi, se per esempio dici, “Okay, oggi per quanto riguarda le bibite ho venduto 500 unità”, sì, ma sono state distribuite su 100 referenze di prodotto, quindi non aiuta davvero, perché alla fine, nella supply chain, non prendi decisioni a livello di categoria, per esempio nel segmento degli alimenti freschi. Non prendi decisioni a livello del segmento degli alimenti freschi del tuo ipermercato. Prendi una decisione su quella specifica referenza di prodotto e su cosa dovrebbe succedere con essa. Okay, iniziamo a riassumere per chi sta seguendo questo, e cosa dovrebbe cercare di sfruttare per introdurre quella sinfonia progettuale e fare il miglior uso della potenza di elaborazione che ha a portata di mano?

Joannes Vermorel: Dovrebbero davvero cominciare a esaminare, sai, a rivedere. Per prima cosa, direi che dal lato statistico suggerisco vivamente di rivedere tutte le ipotesi fondamentali. Voglio dire, ogni volta che qualcuno ti dice: “Oh, abbiamo scorte di sicurezza”, sì, supponendo distribuzioni normali, te lo devi davvero chiedere.

Kieran Chandler: Sto analizzando il problema utilizzando strumenti statistici adatti alle leggi dei numeri piccoli che sto affrontando? E la maggior parte della statistica del XIX secolo che la gente usa oggi è chiaramente orientata verso le leggi dei numeri grandi. Quindi, il mio suggerimento è di essere consapevoli che gli strumenti che stai usando non sono progettati per il tipo di situazione che stai affrontando. E, ancora, torniamo alla pseudoscienza e al falso razionalismo. Non è perché stai usando uno strumento matematico che questo lo rende razionale. Forse il tuo framework statistico si basa su ipotesi fondamentali che vengono semplicemente violate dal tuo settore. Quindi, direi: rivedi le basi, assicurati di non tralasciare qualcosa di importante.

Joannes Vermorel: Sì, esatto. E poi, in termini di mechanical sympathy, il mio messaggio è che è proprio come i grandi campioni di Formula Uno. Quando vedi le interviste dei campioni, sanno molto sulle loro auto. Non sanno come costruire una Formula Uno, ma conoscono la meccanica. Hanno quella che si chiama mechanical sympathy. Sanno molto su come funziona l’auto, in modo da poter davvero ottenere il massimo dalla macchina che hanno. E letteralmente sanno molto sulla combustione, sulla risonanza, sulla temperatura ideale per i pneumatici, come per avere la massima aderenza al suolo. Voglio dire, conoscono a fondo le tecnicalità e la fisica del loro motore. E così possono diventare piloti veramente eccezionali. Non basta essere bravi alla guida, è fondamentale conoscere lo strumento che stai usando. E io credo che la supply chain sia un po’ così. Non stai gestendo una supply chain a muscoli nudi. Oggi, hai computer a supporto. Ma se vuoi davvero essere molto bravo, non devi diventare un ingegnere capace di produrre una Formula Uno. Quel pilota non è l’ingegnere meccanico in grado di progettare la prossima generazione di motori. Ma sa come ottenere il massimo da essa. Quindi, il mio suggerimento è di acquisire una sufficiente mechanical sympathy su tutti quei sistemi informatici che supportano la tua supply chain, così da sapere intuitivamente cosa fa funzionare quelle cose e come puoi veramente massimizzare le prestazioni a tua disposizione.

Kieran Chandler: È davvero una buona analogia. Quindi, quello che stiamo vedendo attualmente anche nell’industria è…

Kieran Chandler: Quindi, più dati e più persone stanno raccogliendo più dati per prendere decisioni di ogni tipo. Diresti che questo tipo di prospettiva si sta davvero allontanando dalla legge dei piccoli numeri e che le persone si stanno orientando verso una prospettiva di big data?

Joannes Vermorel: Ancora, il problema con questo è che i dati più importanti sono sempre in numero ridotto. Sì, puoi raccogliere una quantità enorme di dati sul tuo sito web per il traffico, ma se osservi il traffico di un prodotto di nicchia, sfortunatamente, i prodotti di nicchia rappresentano circa l'80% di ciò che le aziende vendono in media. Sai, è ovvio quel particolare, e poi ti renderai conto che hai solo una manciata di visitatori web al giorno. Quindi non è che, sì, potresti avere milioni di clic, ma quando li riduci alla scala temporale che conta, che solitamente è il giorno o anche su base sub-giornaliera, perché le tue decisioni di supply chain vengono prese quotidianamente o anche più volte al giorno. Se osservi la granularità che conta, ovvero il prodotto, il riferimento al livello più basso, cioè la taglia esatta, il colore esatto, la forma esatta, sai, la variante esatta, non il prodotto generico, perché in supply chain non decidi di produrre una t-shirt generica. Produci una t-shirt di questo colore, di questa taglia, di questa forma. Quindi, quando inizi a guardare a quel livello più basso, che è quello che conta, torni a dati che sono limitati. Quindi sì, le persone dicono di fare big data, ma la realtà è che quando guardi la supply chain attraverso gli occhi di ciò che è rilevante, in realtà non è così grande. E sarebbe il massimo, e mi piacerebbe che lo fosse, perché da un punto di vista statistico sarebbe molto più semplice, sai, ma non è questo il caso. Quindi, non farti illusioni. Credo che questo big data fuorvii le persone, sai, è estremamente ingannevole perché possono pensare: “Oh, va bene. Ho milioni di punti dati.” No, ancora, se osservi una fabbrica, anche quelle che producono milioni di unità, la domanda è quante serie stai producendo, e forse, in termini di serie, ne hai qualcosa come un numero a una cifra. E la fabbrica ha operato in questa modalità solo negli ultimi due anni. Quindi stiamo parlando di poche centinaia di serie, ed è tutto qui. Non è un grosso problema, anche se raccogli una grande quantità di aria.

Kieran Chandler: Ok, lo lasceremo lì con la bomba che, in termini di dati, meno è forse di più. Quindi questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Grazie per aver guardato, voi.