La Legge della Piccola Numerosità nella Catena di Approvvigionamento

00:00:07 Introduzione e l’importanza dei piccoli numeri nelle prestazioni della catena di approvvigionamento.
00:01:00 Come i piccoli numeri influenzano le prestazioni e i costi di calcolo.
00:03:33 La storia e l’evoluzione della precisione numerica nelle finanze e nei sistemi di catena di approvvigionamento.
00:06:00 L’impatto delle dimensioni dei dati sulle prestazioni di calcolo e sui colli di bottiglia.
00:07:44 Ottenere un significativo aumento della velocità di calcolo riducendo le dimensioni dei dati.
00:08:47 L’importanza di prestare attenzione alla tecnologia e agli strumenti nell’ottimizzazione della catena di approvvigionamento.
00:10:17 Bilanciare il costo di calcolo e modelli matematici più potenti per ottenere migliori risultati nella catena di approvvigionamento.
00:12:50 Analizzare i dati storici e utilizzare software predittivi per prendere decisioni migliori nella catena di approvvigionamento.
00:15:04 Impatto dell’aggregazione dei dati sul guadagno di prestazioni percepito e sulla perdita di granularità.
00:16:00 Sfide della consolidazione delle decisioni sulla catena di approvvigionamento.
00:17:33 Rivedere le assunzioni statistiche di base e la simpatia meccanica.
00:20:01 Importanza della simpatia meccanica nella gestione della catena di approvvigionamento.
00:20:58 Passare dalla legge della piccola numerosità alla prospettiva dei big data.
00:23:20 Conclusione: meno dati possono essere più efficaci in determinate situazioni.

Riassunto

Joannes Vermorel, fondatore dell’azienda di software di ottimizzazione della catena di approvvigionamento Lokad, discute della legge della piccola numerosità e del suo impatto sulle prestazioni della catena di approvvigionamento con Kieran Chandler. Vermorel sottolinea l’importanza dei piccoli numeri nei dati della catena di approvvigionamento e l’importanza di scegliere i numeri giusti per ottimizzare la velocità di calcolo e le prestazioni. La discussione sottolinea la necessità di una maggiore simpatia di progettazione per ottenere guadagni di prestazioni, il compromesso tra efficienza di calcolo e l’esame di tutti i possibili futuri e decisioni, e la sfida nell’utilizzo di modelli statistici in ambienti di vendita complessi. L’intervista sottolinea l’importanza di bilanciare le risorse di calcolo e la modellazione sofisticata per ottimizzare le prestazioni della catena di approvvigionamento.

Riassunto Esteso

In questa intervista, Kieran Chandler parla con Joannes Vermorel, fondatore di Lokad, un’azienda di software specializzata nell’ottimizzazione della catena di approvvigionamento. Discutono della legge della piccola numerosità e del suo potenziale per migliorare le prestazioni della catena di approvvigionamento, dell’importanza dei piccoli numeri nei dati della catena di approvvigionamento e dell’impatto della scelta dei numeri giusti sulla velocità di calcolo e sulle prestazioni.

Vermorel spiega che i piccoli numeri, in particolare i numeri a una sola cifra, sono ubiqui nelle catene di approvvigionamento. Sebbene i codici a barre possano avere molte cifre, essi fungono da identificatori piuttosto che da quantità. Le quantità nelle catene di approvvigionamento tendono ad essere molto piccole, il che è sorprendente perché la maggior parte delle statistiche sono orientate alle leggi dei grandi numeri. Questa osservazione è importante perché evidenzia la necessità di una maggiore simpatia di progettazione al fine di ottenere guadagni di prestazioni, specialmente dato che il tasso di miglioramento della potenza di elaborazione sta diminuendo.

L’intervista si concentra poi sull’impatto dei piccoli numeri sul calcolo. Vermorel afferma che sebbene i computer possano gestire qualsiasi numero, possono eseguire calcoli molto più velocemente se vengono scelti i numeri giusti. Ad esempio, i computer possono essere 10-20 volte più veloci nell’eseguire operazioni banali con i numeri se vengono selezionati i numeri corretti. Questo può fare una differenza significativa nelle prestazioni complessive di un sistema di ottimizzazione della catena di approvvigionamento.

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

Vermorel sostiene che se i costi di calcolo grezzi vengono significativamente ridotti, ciò non significa che i costi dei computer scompariranno. Invece, le aziende sfrutteranno le loro nuove risorse per sviluppare modelli più complessi, aumentando così i costi di calcolo. Pertanto, è necessario prestare attenzione all’impatto dei piccoli numeri sui costi di calcolo al fine di ottimizzare le prestazioni della catena di approvvigionamento.

La discussione riguardava le origini delle esigenze di calcolo aritmetico nei sistemi aziendali, che provenivano principalmente dal mondo della finanza. I primi sistemi aziendali sono stati progettati tenendo conto dei calcoli finanziari, e questa storia ha implicazioni su come i piccoli numeri vengono utilizzati e compresi nel contesto dell’ottimizzazione della catena di approvvigionamento.

La legge dei piccoli numeri ha il potenziale per migliorare significativamente le prestazioni della catena di approvvigionamento se le aziende riescono a sfruttare con successo i numeri giusti nei loro sistemi di calcolo. Prestando attenzione all’equilibrio tra i costi di calcolo e le prestazioni della catena di approvvigionamento, le aziende possono sviluppare modelli più complessi e ottenere risultati di ottimizzazione migliori.

Vermorel spiega come le pratiche di catena di approvvigionamento adottate dalle industrie finanziarie e contabili negli anni ‘70 e ‘80 abbiano portato all’uso di una precisione numerica elevata nei sistemi di catena di approvvigionamento. La necessità di una precisione elevata in finanza e contabilità è nata da una serie di frodi nei primi anni ‘80, in cui gli errori di arrotondamento venivano sfruttati per sottrarre milioni di dollari.

Tuttavia, l’alta precisione utilizzata in finanza non è sempre necessaria nella gestione della catena di approvvigionamento. Vermorel osserva che nell'80% delle transazioni nei negozi, la quantità di un prodotto acquistato è solo uno. Ciò significa che in media sono necessari solo due bit di precisione per rappresentare le quantità in un negozio. Kieran pone la questione della dimensione dei dati nel contesto della gestione della catena di approvvigionamento, considerando la convenienza dei dispositivi di archiviazione con capacità di terabyte.

Vermorel precisa 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 anziché nelle capacità di elaborazione della CPU. Sottolinea che la riduzione della dimensione dei dati può portare a guadagni significativi e talvolta superlineari nella velocità di calcolo. Ad esempio, quando Lokad è riuscita a ridurre i dati di un fattore di 10, ha ottenuto un aumento di velocità di calcolo di 50 volte.

La sfida per la gestione della catena di approvvigionamento è differenziare tra i dati che richiedono alta precisione e i dati che possono essere rappresentati con meno precisione. Vermorel suggerisce che una piattaforma come Lokad possa gestire questo compito, sottolineando l’importanza che qualcuno presti attenzione alla pila tecnologica o agli strumenti utilizzati dal dipartimento IT. Ignorare l’ottimizzazione dei dati può portare a sistemi con hardware di calcolo massiccio ma prestazioni deludenti.

Vermorel affronta anche il compromesso tra efficienza computazionale e l’obiettivo di esaminare tutti i futuri possibili e le decisioni nell’ottimizzazione della catena di approvvigionamento. Rendendo i calcoli più veloci, diventa possibile analizzare più scenari senza aumentare significativamente i costi di calcolo.

Discutono dell’ottimizzazione della catena di approvvigionamento e delle sfide nell’utilizzo di modelli statistici. Egli sottolinea che l’utilizzo di medie mobili e altri modelli semplici non è sufficiente per ambienti di vendita complessi, come gli ipermercati, dove è necessario disporre di strumenti predittivi più sofisticati per gestire la stagionalità, le tendenze e altri fattori.

Vermorel sottolinea anche il problema della “legge dei piccoli numeri”, che si presenta quando si tratta di un grande numero di prodotti con poche transazioni giornaliere. Gli approcci statistici tradizionali, basati sulla legge dei grandi numeri, spesso sono inadeguati in queste situazioni. Per superare questo problema, molte aziende aggregano i loro dati, ad esempio consolidando le vendite settimanali o mensili. Tuttavia, questo approccio sacrifica la granularità e può portare a decisioni sbagliate, poiché le decisioni sulla catena di approvvigionamento vengono comunque prese quotidianamente.

La conversazione suggerisce che software avanzati per la catena di approvvigionamento, come Lokad, possono fornire una migliore guida analizzando i dati storici e considerando i cicli di vita dei prodotti. È fondamentale che tali strumenti siano progettati in base alla realtà dei piccoli numeri, poiché spesso devono essere rilevanti per una parte significativa della vita di un prodotto. In definitiva, l’intervista sottolinea l’importanza di bilanciare le risorse di calcolo e la modellazione sofisticata per ottimizzare le prestazioni della catena di approvvigionamento.

Il fondatore discute dell’importanza di mettere in discussione le assunzioni di base e di utilizzare strumenti statistici appropriati nell’ottimizzazione della catena di approvvigionamento. Egli sottolinea che molti metodi statistici attuali sono orientati verso grandi numeri, che potrebbero non essere adatti per decisioni sulla catena di approvvigionamento su piccola scala. Vermorel suggerisce anche che i professionisti dovrebbero sviluppare una “simpatia meccanica” per i loro sistemi di catena di approvvigionamento, come fanno i piloti di Formula 1 per le loro auto, per massimizzare le prestazioni. Nonostante l’aumento della raccolta dati, Vermorel sostiene che i dati rilevanti per la catena di approvvigionamento spesso rimangono limitati, il che può essere fuorviante quando si applicano prospettive di big data.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV, parleremo della legge dei piccoli numeri e di come può essere sfruttata per migliorare le prestazioni della catena di approvvigionamento. Quindi Joannes, come azienda specializzata in big data, è probabilmente sorprendente che oggi stiamo parlando di piccoli numeri. Qual è l’idea dietro questo?

Joannes Vermorel: L’idea è che i piccoli numeri, non i grandi numeri, sono onnipresenti nella catena di approvvigionamento. Quando dico piccoli numeri, mi riferisco specificamente a tutte le scelte e le quantità numeriche che contano davvero. Sì, puoi avere un codice a barre con 13 o 14 cifre, ma quello è più un identificatore, non una quantità. Quindi quando guardi le cose che sono come quantità, ciò che è molto sorprendente è che si tratta sempre di numeri molto piccoli tutto il tempo. Quando dico numeri molto piccoli, intendo numeri piccoli a una sola cifra, come super piccoli. È intrigante perché la maggior parte delle statistiche è orientata verso le leggi dei grandi numeri. In termini di calcolo, potresti pensare che non importi, ma si scopre che importa, parecchio.

Kieran Chandler: Puoi spiegare un po’ meglio come influisce sul calcolo?

Joannes Vermorel: Per un computer, un numero è un numero, giusto? Non importa. Tuttavia, si scopre che se scegli correttamente i tuoi numeri, il tuo computer può non solo essere veloce nel fare quelle addizioni o operazioni banali con i numeri, ma può essere qualcosa come 10 o 20 volte più veloce. Quindi, fa una grande differenza alla fine. Non è solo una piccola differenza.

Kieran Chandler: Ok, quindi per le persone che potrebbero non essere consapevoli di cosa succede quando i computer inviano informazioni, cosa intendi con l’invio di un numero? Come può essere diverso tra un sistema e un altro?

Joannes Vermorel: Qui, stiamo entrando nei dettagli della realtà fisica dell’hardware di calcolo che abbiamo. È importante perché, se vuoi ottimizzare la supply chain o l’ottimizzazione quantitativa della supply chain, dovrai elaborare e analizzare molti dati, il che costa denaro. Anche se i computer sono diventati molto più economici rispetto a prima, c’è sempre un equilibrio tra il costo di calcolo e le prestazioni della supply chain che puoi ottenere. Se il costo di calcolo grezzo viene ridotto notevolmente, potresti dire che i costi del computer scompariranno. Tuttavia, non è vero perché utilizzerai le tue nuove risorse per avere un modello più complesso, che a sua volta ti offre la prossima fase di accuratezza delle previsioni o delle prestazioni in termini di ottimizzazione della supply chain.

Kieran Chandler: Ciò può migliorare e quindi, sai, aumenterà di conseguenza. Ehm, il costo di calcolo, quindi devi prestare un po’ di attenzione a questo. Ora torniamo a quei numeri e ai numeri più piccoli nei computer. Ehm, soprattutto nei sistemi aziendali. La maggior parte delle esigenze relative ai calcoli aritmetici, direi, proviene dal mondo della finanza. I primi sistemi aziendali erano tutti orientati verso, sai, contabilità, finanza, supply chain. Questo è ciò che è emerso negli anni ‘70. La supply chain è arrivata un po’ più tardi negli anni ‘80 e molte delle pratiche che erano già state stabilite all’epoca, soprattutto per quanto riguarda i numeri ad alta precisione, sono state importate nella supply chain. Quindi perché hai bisogno di una precisione numerica super alta per i soldi?

Joannes Vermorel: Beh, si è scoperto che, all’inizio degli anni ‘80, c’erano molti truffatori relativamente spettacolari che avevano semplicemente sfruttato il fatto che, quando arrotondi i centesimi, puoi creare magia. Puoi rubare soldi se arrotondi solo pochi centesimi in ogni singola transazione che la tua azienda sta effettuando. Ed è completamente invisibile per il sistema perché è stato arrotondato, ma in realtà era denaro reale. E alcune persone, quando avevi miliardi di transazioni, riuscivano a estrarre letteralmente milioni di dollari dal sistema prendendo solo la frazione di un centesimo e indirizzandoli ai propri conti. Quindi il mondo della finanza e della contabilità si è aggiornato a numeri ad alta precisione in cui questi problemi non si presentano. Il problema è che, direi, anche la supply chain, ma di conseguenza hai numeri che sono di super alta precisione di default in praticamente tutti i sistemi. E devi chiederti, qual è la quantità solita 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 ha una quantità pari a uno per il prodotto. Quindi, letteralmente, la domanda è, hai un numero, di quante cifre di precisione hai bisogno? Beh, la risposta è che hai bisogno di circa due cifre di precisione in media per rappresentare, sai, un numero in un negozio, ad esempio per la quantità acquistata.

Kieran Chandler: Ma perché dovremmo preoccuparci davvero di quante cifre vengono utilizzate per inviare i dati? Perché, voglio dire, se guardiamo a tutta la supply chain, voglio dire, fa davvero così tanta differenza?

Joannes Vermorel: Quindi, nel grande schema delle cose, si potrebbe pensare che oggi si possano acquistare hard disk da terabyte nei supermercati vicini per soli 200 euro o qualcosa del genere. Quindi, si potrebbe pensare che sia molto economico. Perché dovrei preoccuparmene? Beh, si è scoperto che le prestazioni della maggior parte dei calcoli sono letteralmente determinate dalle dimensioni dei dati. Se i dati sono più grandi, saranno più lenti. Perché? Perché il collo di bottiglia non è la CPU. È solo il caricamento e lo scaricamento dei dati. Sì, puoi comprare un hard disk da un terabyte, ma se provi effettivamente a riempire questo hard disk con dati, probabilmente ti ci vorrà uno o addirittura due giorni, solo perché il disco è lento. E quindi, scrivere letteralmente i dati sul disco o leggere l’intero disco richiede molto tempo. Quindi, di nuovo, se puoi ridurre al minimo i dati, puoi letteralmente accelerare.

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

Joannes Vermorel: In modo significativo il calcolo e quando dico significativo, di solito si hanno anche guadagni super lineari. Quindi, se dividi le dimensioni del disco per due, non velocizzi il calcolo di due volte, ma lo velocizzi di più di due volte. Abbiamo visto che da Lokad, ci sono molte situazioni in cui se riuscivamo a ridurre i dati di un fattore di 10, avevamo letteralmente un aumento di velocità di 50 volte. E, di nuovo, se torniamo ai nostri numeri, torniamo, sai, avevamo un numero a doppia precisione quindi 64. A proposito, quello che viene chiamato bit in informatica è solo uno zero uno. E, quindi, se hai un numero rappresentato con 64 bit, rispetto a un numero rappresentato solo con due bit, hai letteralmente 32 volte di più. Sai, un numero richiede letteralmente 32 volte più spazio. Quindi, se puoi comprimere notevolmente quei numeri e trasformare questi big data in dati molto più piccoli, puoi avere una competizione molto più veloce. E, sì, le supply chain stanno ancora affrontando tutti questi grandi dati finanziari anche in termini di alcune delle transazioni che devono effettuare.

Kieran Chandler: Quindi, come fai a distinguere tra ciò che deve essere un dato più piccolo e ciò che dovrebbe essere un dato più grande?

Joannes Vermorel: Quindi, letteralmente vuoi che il tuo esperto di supply chain presti attenzione a questo. Vuoi davvero avere una piattaforma come Lokad, sai, un po’ di pubblicità sfacciata, che lo faccia per te. Ma, il mio messaggio, sai, il mio messaggio più ampio è che qualcuno deve prestare attenzione. Può essere il tuo fornitore se sono molto attenti alla loro infrastruttura tecnologica. Può essere il tuo dipartimento IT se sono molto attenti agli strumenti che scelgono. Ma, alla fine qualcuno deve prestare attenzione. Se nessuno presta attenzione, ciò che ottieni sono sistemi in cui hai enormi quantità di hardware di calcolo e prestazioni che di solito sono completamente deludenti. Dove ci vogliono letteralmente secondi per ottenere un risultato e anche calcoli apparentemente semi-triviali richiedono molto tempo. L’idea di avere la supply chain che guarda a tutti i futuri possibili, le probabilità, confrontandole con tutte le decisioni possibili o questa idea rimane solo un sogno lontano solo perché il sistema è già così lento da far fronte a uno scenario. Quindi, un possibile futuro in cui l’idea che il sistema si occupi di milioni di futuri possibili è come una completa follia.

Kieran Chandler: Ma, se guardiamo a tutti i futuri possibili, a tutte le decisioni possibili, sicuramente questo va contro l’intero obiettivo che è quello di ridurre i costi di calcolo. Ma se stai guardando a tutti i futuri possibili, sicuramente questo moltiplicherà di molto i costi di calcolo?

Joannes Vermorel: Sì, ma questo è il compromesso che stavo descrivendo. Se rendi i tuoi calcoli molto più veloci, non vuoi solo avere un computer super super economico per gestire l’intera supply chain. Sai, se stessimo ancora usando le tecniche utilizzate negli 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 senso farlo, ma se sei solo alla sfida di dimostrare il punto che come…

Kieran Chandler: Quindi, Joannes, stavi parlando del fatto che l’idea è 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 fornisce migliori risultati nella supply chain a discapito del consumo di risorse di calcolo. È un compromesso.

Kieran Chandler: E anche se diciamo che guardiamo a tutti i futuri possibili, l’intera idea delle leggi dei piccoli numeri si applica comunque, giusto?

Joannes Vermorel: È corretto. Anche se guardiamo a tutti i futuri possibili, non è necessario guardare alla probabilità di vendere un milione di bottiglie di qualsiasi cosa in un singolo negozio in un singolo giorno perché la probabilità è semplicemente zero. La realtà è che anche per un prodotto di punta, è molto raro che si vendano più di 100 unità in un giorno qualsiasi, e per la grande maggioranza dei prodotti, si guarda solo a zero unità che verranno vendute. Questo è effettivamente la maggior parte dei prodotti. Circa l'80% dei prodotti nell’ipermercato non viene venduto nemmeno una volta al giorno, e per il 95% dei prodotti, la domanda sarà solo: vendo questo prodotto zero, uno, due o tre unità ogni giorno? E la probabilità che si possano raggiungere anche 10 unità è già estremamente bassa. Quindi, si tratta delle leggi dei piccoli numeri.

Kieran Chandler: Ok, quindi in quel tipo di esempio di ipermercato, si gestiscono migliaia di transazioni al giorno e si hanno grandi quantità di stock. Come si sa dove tracciare i limiti per ciascuno dei singoli articoli?

Joannes Vermorel: È qui che hai bisogno di strumenti adeguati che analizzino i dati storici. Sei guidato nella tua analisi perché quando guardi i dati registrati, lo sai, ma anche un buon software per la supply chain, specialmente un software predittivo come Lokad, ci sono cose che sai in anticipo. Sai che non stai scoprendo tutto questo in un ipermercato per la prima volta. E sì, hai molte transazioni e molti prodotti venduti, ma quando guardi ogni singolo prodotto, non hai così tante transazioni. Voglio dire, se consideri il fatto che un prodotto avrà un ciclo di vita sul mercato di forse tre anni, poi sarà sostituito da un altro prodotto. Se consideri il fatto che il prodotto non viene nemmeno venduto ogni singolo giorno, significa che forse per raggiungere un punto in cui hai venduto 100 unità in tutta la tua storia per questo prodotto, che sarebbe forse il livello più basso che devi considerare, hai un gran numero. Voglio dire, dire che 100 è un gran numero è un po’ esagerato, soprattutto da un…

Kieran Chandler: Quindi, da un punto di vista statistico, ma sai che sarebbe come una misura molto bassa per quello. Potrebbe effettivamente richiedere più di un anno. Quindi, significa che se hai uno strumento statistico progettato attorno a questa idea che sarai in grado di sfruttare molti grandi numeri, potrebbe richiedere più di un anno affinché il tuo strumento diventi persino rilevante. E ricorda che stiamo parlando di un prodotto che avrà solo un ciclo di vita di circa tre anni, quindi significa che per un terzo della sua durata, tu, con i tuoi molti molti strumenti statistici, non sarai nemmeno rilevante.

Joannes Vermorel: Ok, molte aziende consolidano le loro vendite settimanalmente o mensilmente, e quanto bene funziona se stai cercando di ottenere un certo tipo di prestazione percepita. Quanto funziona rispetto al compromesso di perdere un po’ di dettaglio nei tuoi dati? Quindi, è molto interessante perché ho detto, sai che hai questi problemi delle leggi dei piccoli numeri che sono ubiqui, e il problema è che tutti gli strumenti, almeno gli strumenti classici, sicuramente non li considerano. Ma gli strumenti classici sono sicuramente orientati alle leggi dei grandi numeri. Quindi, cosa fai? Beh, aggrega le cose.

Kieran Chandler: E perché aggregare, non perché è la cosa giusta, ma solo perché è un modo per ottenere risultati che non siano completamente disfunzionali, ma non lo stai facendo perché è qualcosa di intelligente e rilevante per la tua supply chain. Lo stai facendo solo perché altrimenti la tua logica basata sulle medie crollerebbe perché, ancora una volta, implicitamente stai cercando di sfruttare la legge dei grandi numeri.

Joannes Vermorel: Quindi, effettivamente consolidi, ma il punto è che quando, ad esempio, consolidi le decisioni fino a una aggregazione mensile in modo da avere numeri più grandi, il problema è che le decisioni sulla tua supply chain vengono comunque prese su base giornaliera. Quindi, sì, hai un’analisi mensile migliore solo perché hai consolidato tutti i dati, ma stai ancora prendendo decisioni su base giornaliera, ed è emerso che la tua analisi mensile non ti dice nulla su ciò che sta accadendo all’interno del mese. Quindi, sì, sai che in un mese hai in media 100 unità che vengono consumate. Ora oggi, dovrei spingere zero, uno o tre unità nel negozio? E decisioni simili esistono anche quando si aggrega non in base al tempo, ma in base alla categoria.

Kieran Chandler: Quindi, se, ad esempio, diciamo, oggi in termini di bibite, ho venduto 500 unità, sì, ma è stato distribuito su 100 referenze di prodotto, quindi non aiuta davvero perché alla fine, nella supply chain, non stai prendendo una decisione a livello di categoria, ad esempio nel segmento dei prodotti freschi. Non prendi una decisione a livello del segmento dei prodotti freschi del tuo ipermercato. Prendi una decisione su questa specifica referenza di prodotto e su cosa dovrebbe accadere ad essa. Ok, iniziamo a concludere quindi per qualcuno che sta guardando questo, cosa dovrebbero cercare di sfruttare per introdurre quella sinfonia di design e fare il miglior uso della potenza di elaborazione che hanno a portata di mano?

Joannes Vermorel: Dovrebbero davvero iniziare a guardare, sai, rivedere. Prima di tutto, direi sul lato statistico, suggerisco davvero di rivedere tutte le assunzioni di base. Voglio dire, ogni volta che le persone ti dicono, “Oh, abbiamo scorte di sicurezza”, sì, sono distribuzioni normali. Di nuovo, dovresti davvero chiederti questo.

Kieran Chandler: Sto guardando il problema con gli strumenti statistici che sono rilevanti per le leggi dei piccoli numeri che sto affrontando? E la maggior parte delle statistiche del XIX secolo che le persone stanno usando al giorno d’oggi sono chiaramente orientate alle leggi dei grandi numeri. 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 una volta, stiamo tornando alla pseudoscienza e al falso razionalismo. Non è perché stai usando uno strumento matematico che lo rende razionale. Forse il tuo quadro statistico è accompagnato da assunzioni di base che vengono violate dal tuo settore. Quindi, direi, rivedi le basi, assicurati di non perdere qualcosa di importante.

Joannes Vermorel: Sì, esatto. E poi, in termini di simpatia meccanica, il mio messaggio è, è proprio come i grandi campioni di Formula 1. Quando vedi interviste ai campioni, sanno molto sulle loro auto. Non sanno come costruire una Formula 1, ma conoscono la meccanica. Hanno quello che si chiama simpatia meccanica. Sanno molto su come funziona l’auto in modo da poter ottenere il massimo dalla macchina che hanno. E sanno molto sulla combustione, sulla risonanza, sulla temperatura giusta per le gomme che hanno, come aderenza massima al suolo. Voglio dire, sanno molto sulle tecniche e sulla fisica del loro motore. Ed è così che possono diventare veramente grandi piloti. Non si tratta solo di guidare bene, ma di conoscere lo strumento che stai usando. E credo che la supply chain sia un po’ così. Non stai guidando una supply chain solo con la pura forza muscolare. Oggi hai i computer per supportarti. Ma se vuoi davvero essere molto bravo, non devi diventare un ingegnere capace di produrre una Formula 1. Quello non è un pilota. Un pilota non è l’ingegnere meccanico capace di progettare la prossima generazione del motore. Ma sanno molto per ottenere il massimo da esso. Quindi, il mio suggerimento è di ottenere abbastanza simpatia meccanica su tutti quei sistemi informatici che supportano la tua supply chain in modo da sapere intuitivamente cosa fa funzionare quelle cose e come puoi davvero massimizzare le prestazioni che hai.

Kieran Chandler: È un’ottima analogia. Quindi, quello che stiamo vedendo attualmente anche nell’industria è…

Kieran Chandler: Quindi, sempre più dati e le persone stanno raccogliendo sempre più dati per prendere tutte le loro decisioni. Diresti che questa prospettiva si sta allontanando sempre di più da quella legge dei piccoli numeri e le persone si stanno avvicinando sempre di più a una prospettiva di big data?

Joannes Vermorel: Di nuovo, il problema è che i dati più importanti sono sempre in piccoli numeri. Sì, puoi raccogliere una quantità enorme di dati sul tuo sito web per il traffico, ma se guardi il traffico per un prodotto oscuro, purtroppo, i prodotti oscuri rappresentano circa l'80% di ciò che le aziende vendono in media. Sai, è ovviamente quel dettaglio, e poi ti renderai conto che hai solo una manciata di visitatori web al giorno. Quindi, sì, potresti avere milioni di clic, ma quando lo riduci alla scala temporale che conta, che di solito è il giorno o entro il giorno perché le decisioni sulla supply chain vengono prese su base giornaliera o addirittura sub-giornaliera. Se guardi la granularità che conta, che è il prodotto, il riferimento al livello più basso, quindi la dimensione esatta, il colore esatto, la forma esatta, sai, la variante esatta, non il prodotto generico perché nella supply chain non decidi di produrre una maglietta generica. Produci una maglietta di questo colore, di questa dimensione, di questa forma. Quindi, quando inizi a guardarlo al livello più basso, che è quello che conta, torni a dati 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, non è così grande in realtà. E il più grande, e vorrei che lo fosse perché dal punto di vista statistico sarebbe molto più facile, sai, ma non è così. Quindi non confonderti. Credo che questo big data dia alle persone, sai, sia molto fuorviante perché possono pensare: “Oh, va bene. Ho milioni di punti dati.” No, di nuovo, se stai guardando una fabbrica, anche le fabbriche che producono milioni di unità, la domanda è quante partite stai producendo, e forse in termini di partite hai qualcosa come un numero a due cifre di partite. E hai avuto solo la fabbrica che opera con questa modalità negli ultimi due anni. Quindi stiamo parlando di qualche centinaio di partite, e basta. Non è un grosso problema, anche se raccogli una grande quantità di dati.

Kieran Chandler: Ok, dobbiamo lasciarlo qui con la bomba che, in termini di dati, meno è forse di più. Quindi è tutto per questa settimana. Grazie mille per averci seguito e ci vediamo nel prossimo episodio. Grazie per la visione, a voi.