Ricette Numeriche per Supply Chain

00:00:07 La scienza della supply chain e la creazione di ricette numeriche.
00:03:21 La differenza tra algoritmi e ricette numeriche.
00:05:21 Spiegazione di come le ricette numeriche siano più adatte a risolvere problemi torbidi nelle supply chain rispetto agli algoritmi.
00:06:00 Discussione su come gli algoritmi siano presenti nelle aziende software e sul pericolo di avere una visione distorta dei problemi reali.
00:07:48 Confronto tra l’ottimizzazione di una singola vite in una macchina e il grande problema delle supply chain.
00:08:02 Discussione sull’importanza delle ricette numeriche nel risolvere i problemi delle supply chain.
00:08:54 Confronto tra algoritmi e ricette numeriche in termini di oggettività.
00:09:44 Spiegazione di come la soggettività delle ricette numeriche renda cruciale l’expertise di un Supply Chain Scientist.
00:13:02 L’importanza di allineare la soluzione al problema e di minimizzare il potenziale di errori.
00:15:52 Discussione sulla necessità di processi e strumenti per prevenire errori e migliorare la qualità della soluzione.
00:17:16 Spiegazione dei problemi che possono sorgere con le ricette numeriche.
00:18:07 Discussione su come le aziende del settore supply chain operino attraverso ricette numeriche.
00:20:01 Critica agli strumenti inadeguati per risolvere i problemi della supply chain.
00:22:00 L’importanza delle ricette numeriche nell’essere approssimativamente corrette e agili nei problemi della supply chain.

Sommario

In un’intervista, Joannes Vermorel, il fondatore di Lokad, discute il concetto di ricette numeriche nell’ottimizzazione della supply chain. Sostiene che gli algoritmi e il machine learning possono dare una falsa impressione di oggettività e di confini ben definiti tra problemi e soluzioni, e che le ricette numeriche rappresentano un approccio migliore per gestire la natura complessa e in continua evoluzione dei problemi reali delle supply chain. Vermorel sottolinea l’importanza di avere allineamento, correttezza per design e buoni strumenti per prevenire errori e garantire il successo nell’ottimizzazione della supply chain. Egli ritiene che le ricette numeriche siano essenziali per avere successo nell’imprevedibile mondo delle supply chain.

Sommario Esteso

In questa intervista, Kieran Chandler e Joannes Vermorel, il fondatore di Lokad, discutono il concetto di ricette numeriche nell’ottimizzazione della supply chain. Vermorel spiega di aver preso in prestito il termine da un libro di successo intitolato “Numerical Recipes”, pubblicato negli anni ‘80, che offre una prospettiva unica sul problem solving.

Sottolinea che il problem solving nella gestione della supply chain non è semplice come avere un problema e una soluzione chiaramente definiti. Invece, il tipo di soluzione adottata può influenzare il problema, con dei trade-off e dei cicli di feedback che esistono tra loro. Vermorel ritiene che il termine “ricette numeriche” sia un descrittore migliore per gli approcci utilizzati nell’ottimizzazione della supply chain perché riconosce la complessità intrinseca e l’adattabilità di queste soluzioni.

Vermorel spiega che algoritmi, machine learning e altra terminologia possono dare una falsa impressione di oggettività e di confini ben definiti tra problemi e soluzioni. Tuttavia, nella pratica, le supply chain reali presentano situazioni più complesse e “torbide”. Egli contrappone la chiarezza degli algoritmi di ordinamento, che hanno enunciati di problemi ben definiti e proprietà matematiche, all’ambiguità dei problemi della supply chain, che spesso coinvolgono negoziazioni, condizioni variabili e altri fattori del mondo reale.

Ad esempio, le quantità minime d’ordine (MOQ) nelle supply chain non sono fisse come le leggi della fisica, ma sono il risultato di negoziazioni con i fornitori. Se un MOQ si rivela problematico, un’azienda potrebbe essere in grado di negoziare un accordo più favorevole. Una ricetta numerica intelligente catturerebbe queste opzioni del mondo reale, rendendola un approccio più adeguato per affrontare i problemi della supply chain rispetto agli algoritmi tradizionali.

Sebbene Lokad utilizzi molti algoritmi nel suo stack software, Vermorel sostiene che affidarsi esclusivamente agli algoritmi possa portare a una comprensione distorta dei problemi reali della supply chain, specialmente per chi ha un’educazione formale in informatica o ingegneria del software. Questo perché gli algoritmi tradizionali sono spesso più adatti per problemi chiaramente definiti con output definiti, mentre le ricette numeriche sono più adattabili e migliori per la natura complessa e mutevole delle supply chain.

Vermorel crede che il concetto di ricette numeriche sia un modo più appropriato per descrivere i metodi utilizzati nell’ottimizzazione della supply chain grazie alla loro adattabilità e capacità di gestire la complessità e l’ambiguità insite nei problemi reali della supply chain. Questo approccio riconosce l’importanza dei trade-off e dei cicli di feedback tra problemi e soluzioni e permette una comprensione più sfumata della gestione della supply chain.

Hanno discusso delle sfide dell’ottimizzazione della supply chain e del ruolo dei Supply Chain Scientist nella creazione delle ricette numeriche. Vermorel spiega che, nonostante decenni di ricerca, gli algoritmi di ordinamento per l’ottimizzazione della supply chain presentano ancora pro e contro. Utilizza la metafora di una macchina complessa, in cui anche se un singolo componente viene ottimizzato, ciò non garantisce l’efficienza del sistema nel suo complesso.

Vermorel sottolinea che i problemi reali della supply chain richiedono spesso ricette numeriche anziché algoritmi rigidamente definiti. Queste ricette sono create dai Supply Chain Scientist, la cui esperienza gioca un ruolo significativo nell’elaborazione delle soluzioni. Sebbene gli algoritmi siano oggettivi e basati sulla matematica, Vermorel riconosce che la soggettività esiste anche nella matematica, con concetti come l’eleganza che influenzano la percezione degli algoritmi.

Quando si tratta di ricette numeriche, Vermorel sostiene che alcuni aspetti della realtà sono troppo complessi per essere inseriti in un quadro matematico. Sebbene metodi statistici avanzati possano estrarre schemi dai dati, ci sono situazioni in cui è necessario ricorrere al giudizio soggettivo. Ad esempio, i Supply Chain Scientist devono prendere decisioni basate su situazioni uniche, che potrebbero non avere esempi precedenti nella storia delle vendite. Vermorel paragona questo al mondo culinario, dove chef di vari livelli di competenza creano piatti che possono essere altamente soggettivi eppure considerati eccellenti o al di sotto degli standard.

Parlando della sfida di mantenere la qualità tra diversi clienti e settori, Vermorel riconosce che ci sono molteplici aspetti da considerare. Un aspetto chiave è assicurarsi che gli ingegneri non tradiscano l’azienda, poiché potrebbero essere tentati di creare formule che appaiono sofisticate ma che non affrontano il problema sottostante.

Vermorel discute l’importanza di avere un allineamento tra il problema da risolvere e la modellazione quantitativa applicata, nonché di strumenti che minimizzino gli errori quotidiani. Sottolinea che avere la correttezza per design è cruciale per prevenire errori terminali e garantire che, anche quando le persone sono troppo stanche per essere intelligenti, possano comunque prendere decisioni sagge. Vermorel aggiunge che metà del successo di Lokad deriva dalla capacità di implementare un’iniziativa quantitativa nella supply chain.

Vermorel sottolinea che le aziende del settore supply chain operano attraverso ricette numeriche, ma molte sono ancora bloccate nell’utilizzo di approcci basati su algoritmi classici. Nota che, mentre i fogli di calcolo incarnano la comprensione di come modellare la supply chain, essi non sono adatti ad affrontare l’incertezza o le supply chain multi-echelon. Vermorel critica gli strumenti, affermando che sono inadeguati e altamente soggettivi, e includono molte ricette numeriche ristrette. Ritiene che le aziende debbano sviluppare numerosi processi per prevenire problemi di stabilità numerica che possono bloccare una fabbrica o un magazzino.

In generale, Vermorel sottolinea l’importanza di avere un allineamento, la correttezza per design e buoni strumenti per prevenire errori e garantire il successo nell’ottimizzazione della supply chain. Evidenzia inoltre le limitazioni dei fogli di calcolo e la necessità di strumenti migliori per affrontare l’incertezza e le supply chain multi-echelon.

Afferma che le aziende odierne operano attraverso ricette numeriche ma spesso si trovano ad affrontare strumenti e processi inadeguati, come i silos. Vermorel crede che le ricette numeriche siano qui per restare e rappresentino la mentalità giusta da adottare quando si trattano problemi della supply chain. Spiega che le ricette numeriche sono formule che non possiedono una purezza assoluta e non sono come equazioni elettromagnetiche, che sono incredibilmente pure e precise. Le supply chain sono complesse e richiedono centinaia di condizioni e fattori semi-accidentali per avere senso. Vermorel sottolinea l’importanza di avere qualcosa che possa essere versatile come una ricetta e capace di adattarsi alle condizioni mutevoli. Le paragona ai top chef che sanno improvvisare e adattarsi alla mancanza di ingredienti, a scadenze ristrette e a vincoli variabili, pur mantenendo un metodo nel loro apparente caos. Vermorel spiega che a Lokad coltivano un metodo per affrontare il disordine delle supply chain. La conclusione principale dell’episodio è che le ricette numeriche sono essenziali perché incarnano il concetto che è meglio essere approssimativamente corretti che esattamente sbagliati, cosa cruciale nell’imprevedibile mondo delle supply chain. In conclusione, Vermorel sostiene che avere una ricetta numerica versatile, in grado di adattarsi alle condizioni e ai vincoli mutevoli, è la chiave del successo nell’industria della supply chain.

Trascrizione Completa

Kieran Chandler: Ehi, proprio come un top chef stellato Michelin, un Supply Chain Scientist deve creare ricette che si adattano ed evolvono in ogni scenario. Perciò, oggi indagheremo cosa serve per creare queste ricette e, in particolare, cosa caratterizza quelle che utilizziamo nelle nostre supply chain. Quindi, Joannes, abbiamo usato questo termine “ricette numeriche” un paio di volte. Perché hai ritenuto importante rivederlo?

Joannes Vermorel: Questo termine, l’ho rubato da persone negli anni ‘80 che hanno scritto un libro incredibilmente di successo intitolato “Numerical Recipes”. Esso enfatizzava un certo modo di guardare al problema. Vedi, c’è l’idea che solitamente hai un problema e una soluzione, ma la realtà non è così semplice. Il tipo di soluzione che adotti influenza letteralmente il problema, e c’è un continuo scambio tra i due. Hai un trade-off nel modo in cui vuoi affrontare il tuo problema, a seconda di come affronti la tua soluzione.

La vera idea è che vogliamo fornire risultati numerici per le aziende che gestiscono vere supply chain. Il problema con altra terminologia, come dire che utilizziamo algoritmi o machine learning, è che enfatizza qualcosa di completamente oggettivo e ben definito, dove hai il problema e la soluzione, e poi per lo stesso problema puoi avere soluzioni in competizione. Ma la realtà è che quando vuoi ottenere risultati per una supply chain reale, l’intera cosa è molto più torbida. È un processo molto accidentale con molti ostacoli lungo la strada. Quello che ottieni alla fine è una ricetta numerica, che descrive la catena di computazione numerica per ottenere i risultati.

Kieran Chandler: Perché qualcosa come un algoritmo non sarebbe appropriato per descrivere ciò? Voglio dire, cosa manca a un algoritmo?

Joannes Vermorel: Uso il termine “ricetta” proprio per dire che questa non è un algoritmo. Per chi ha un background in informatica o machine learning, avresti imparato degli algoritmi nei tuoi libri di testo e corsi. Prendiamo l’archetipo dell’algoritmo, l’algoritmo di ordinamento. Hai una collezione di oggetti con una relazione d’ordine, e puoi ordinarli usando una serie di passaggi ben definiti. Alla fine, la collezione risulta ordinata, e il tuo algoritmo ha proprietà come il consumo di memoria e la complessità.

Esiste una varietà di algoritmi di ordinamento con proprietà differenti. Alcuni sono deterministici, altri sono stocastici, e alcuni sono molto efficaci se i dati sono già parzialmente ordinati. Ma il punto è che, quando si tratta di ottimizzazione della supply chain, abbiamo bisogno di qualcosa di più adattabile e flessibile, come una ricetta numerica, piuttosto che di un algoritmo rigido.

Kieran Chandler: L’algoritmo di ordinamento è una situazione estremamente chiara in cui hai un enunciato del problema completamente non ambiguo. Quindi vuoi ordinare una collezione di elementi, data una relazione d’ordine, e ha una chiarezza matematica. Al contrario, quando pensi al tipo di problemi che devi risolvere in situazioni reali di supply chain, è tutto molto torbido. Voglio dire, hai i MOQs, ma i MOQs non sono come le leggi della fisica; sono più simili al risultato di una negoziazione con i tuoi fornitori. Quindi, se numericamente un MOQ dovesse rivelarsi davvero un problema, magari puoi effettivamente fare una telefonata con un fornitore e organizzare qualcosa di intermedio. Così vedi, forse una ricetta numerica intelligente catturerà questo tipo di opzione che esiste nel mondo reale, ma improvvisamente non avrà questo tipo di purezza cristallina.

Joannes Vermorel: Esattamente. Voglio dire, in Lokad, non fraintendetemi, usiamo una marea di algoritmi, come ogni azienda software seria o semi-seria là fuori. Lo stack di Lokad è letteralmente una lunga serie di algoritmi. Poiché abbiamo progettato Lokad attorno a un linguaggio di programmazione specifico per il dominio chiamato Envision, il nostro compilatore è come una serie infinita di algoritmi che trasformano lo script stesso in rappresentazioni astratte, fino alla serie di esecuzioni per il programma compilato che deve essere eseguito, ecc. Quindi, gli algoritmi sono ovunque.

Il pericolo qui è che, proprio come il riduzionismo ingenuo, non rappresenta un pericolo per il pubblico non istruito. Se hai avuto il privilegio di non aver mai completato un master in informatica, o se non sei un ingegnere del software, probabilmente questo non è il tipo di problema che affronterai. Ma il problema è che se sei molto colto in queste materie, ciò che ti hanno insegnato a lezione e ciò che leggi nella maggior parte dei libri di informatica ti danno una visione molto distorta di come appaiono realmente i problemi per le vere supply chain.

Gli algoritmi sono molto utili, ed è positivo che Lokad possa contare su una collezione di algoritmi di ordinamento che presentano pro e contro, e che sono completamente ben compresi grazie a decenni di ricerche che hanno tracciato una mappatura completa di tutte le varie dimensioni per questo piccolissimo problema. Ma è proprio così: è come se avessi una macchina molto complessa e raggiungessi la perfezione su un piccolo ingranaggio. Quindi sì, se guardi una vite e dici: “Qual è il metallo ottimale per la vite?” E poiché hai un problema così ben definito, così ristretto, potresti avere una risposta del tipo: devi usare esattamente questo tipo di acciaio per questa vite perché è completamente ottimale rispetto a tutti i vincoli.

Kieran Chandler: Quindi, Joannes, parliamo di ottimizzazione della supply chain. È davvero possibile trovare la soluzione ottimale per una supply chain?

Joannes Vermorel: È una buona domanda, Kieran. Puoi ottimizzare alcune parti della tua supply chain, ma avere la vite al posto giusto nella macchina, per esempio, non basta a risolvere il grande problema. Devi considerare ogni dettaglio della tua imponente configurazione e, quando metti tutto insieme, tutto ha davvero senso. Quando affronti nel mondo reale i problemi della supply chain, finisci per usare ricette numeriche piuttosto che algoritmi. L’enfasi e l’atteggiamento della persona che realizza il tutto non sono gli stessi.

Kieran Chandler: Capisco. Parliamo un po’ di più della persona che sta creando queste ricette numeriche. Quanto dipendi dalle sue competenze e dalla sua esperienza?

Joannes Vermorel: In realtà, parecchio. È qualcosa che non va trascurato. Quando osservi un algoritmo, diresti che è completamente oggettivo, un framework matematico con prove e ben definito. Gli algoritmi sono un ramo della matematica, il culmine dell’oggettività. Ma la soggettività esiste molto, persino in matematica. Se passiamo alle ricette numeriche, l’idea è di oggettivare tutto, ma credo che sia un altro pessimo esempio di razionalismo ingenuo. La realtà è troppo complessa per inserirsi in qualsiasi framework matematico conosciuto.

Kieran Chandler: Capisco cosa intendi. Quindi, ci sono situazioni in cui devi fare scelte basate sul giudizio?

Joannes Vermorel: Sì, ci sono moltissime situazioni in cui devi prendere decisioni di giudizio. Ad esempio, come affronti una situazione rilevata da un punto di vista della supply chain quando non hai esempi precedenti nella cronologia delle vendite? A un certo punto, devi prendere una decisione che tenga conto di questa situazione bizzarra. Non c’è alternativa se non avere uno smart Supply Chain Scientist che comprenda bene cosa stia realmente accadendo nella supply chain e che prenda queste decisioni.

Kieran Chandler: Quindi, penso che ci sia una decisione di giudizio su come quegli aspetti debbano essere rappresentati numericamente nel sistema. Ed è proprio come, sai, quella metafora dello chef: a un certo punto, non è perché la scelta del modo in cui realizzi esattamente la tua ricetta, che è estremamente soggettiva, che alla fine non ti ritrovi con uno chef scadente da un lato e, direi, uno chef incredibilmente talentuoso dall’altro. Sai, anche se non puoi definire regole nette che ti permettano di distinguere quali sono i buoni e quali sono i cattivi, chiaramente esistono comunque degli estremi. E le persone che sono, sai, in una certa misura istruite possono giudicare su chi sia un grande chef e chi uno chef scadente. E gli estremi sono abbastanza evidenti. E se vuoi cogliere tutte le sfumature intermedie, probabilmente dovrai avere tu stesso maggiori competenze ed essere esperto nell’arte culinaria e nella cucina. Ma, vedi, non è affatto irrazionale procedere in questo modo. Ok, restiamo dunque nella cucina low-carb.

Joannes Vermorel: Ehm, intendo dire che ci sono così tante sfaccettature nella discussione. E innanzitutto, devi assicurarti di non tradire l’azienda. Il pericolo maggiore quando metti, sai, un ingegnere brillante di fronte a un problema è che l’ingegnere, per via della sua formazione, verrà sempre con una formula che sembra molto profonda e molto scientifica. Quindi, e ancora, credo ci sia un detto che recita che esiste un percorso libero verso la rovina. Il percorso più piacevole sono le donne, il modo più veloce per rovinarsi è il gioco d’azzardo, ma il modo più sicuro, il modo certo per rovinarsi è assumere più ingegneri. Quindi, prima di tutto, devi assicurarti che ci sia un allineamento in termini di visione tra il problema da risolvere e tutta la sofisticazione, sai, nella modellazione quantitativa che viene applicata. Questa è la prima cosa. E, a proposito, è anche per questo che da Lokad coltiviamo il possedere moltissimi materiali sul nostro sito web, su YouTube e in molti altri luoghi, perché dobbiamo coltivare questa comprensione dei problemi stessi. Quindi, la prima cosa è l’allineamento, sai, tra la tecnica e il business. La seconda cosa è che devi avere strumenti che, per loro natura, minimizzino la quantità di incidenti quotidiani – il classico foot-gunning – inteso come avere una pistola in mano e spararsi al piede. E, letteralmente, queste cose tendono a ripetersi continuamente, specialmente quando inizi a trattare, direi, ricette numeriche sofisticate. Cosa intendo per sofisticate? Voglio dire, ci sono molte aziende che dicono: “Oh, usiamo TensorFlow.” Sì, eccellente. Quindi, ora, hai appena acquisito 100 ulteriori modi per spararti un proiettile nei piedi.

Kieran Chandler: Ok, interverrò su questo, Joannes, perché è un punto molto valido quello che hai sollevato. Come minimizzi la quantità di incidenti quotidiani di foot-gunning, dato che sembra che molte aziende stiano comprando un sacco di pistole per spararsi nei piedi?

Joannes Vermorel: Sì, assolutamente. E, sai, la cosa è che credo ci siano diversi tipi di strumenti per affrontare questo problema. Ma, una cosa che è molto importante è…

Kieran Chandler: Alcuni di questi approcci possono essere estremamente creativi e pieni di sorprese. Quindi, prima l’allineamento con il business, e poi devi avere strumenti che, per loro natura, ti garantiscano un alto grado di correttezza. La correttezza per design è un concetto molto diffuso nel modo di pensare da Lokad.

Joannes Vermorel: Anche se credo fermamente nell’istruzione, ritengo sia meglio che, per design, alle persone sia permesso di commettere errori. Assumiamo persone intelligenti, ma anche quelle intelligentissime hanno giornate storte o, di tanto in tanto, non dormono bene. Quindi, vuoi avere strumenti che ti impediscano di compiere errori terminali estremamente stupidi, sostenendoti nell’essere più intelligente anche quando sei troppo stanco per esserlo.

Kieran Chandler: E poi forse l’idea numero tre è che devi strutturare innumerevoli processi.

Joannes Vermorel: Sì, per esempio, da Lokad, direi che metà riguarda davvero il know-how su come lanciare un’iniziativa quantitativa per la supply chain. Quando dici “lanciare un’iniziativa quantitativa per la supply chain”, intendi, ad esempio, come arrivare a ricette numeriche che non abbiano problemi terminali. Quando dico terminale, intendo qualcosa che potrebbe semplicemente far saltare l’iniziativa perché il problema è così grande che le persone decidono, giustamente, che eliminarla è la scelta migliore.

Kieran Chandler: Quindi, che tipo di problemi potresti avere?

Joannes Vermorel: Le ricette numeriche possono essere difettose in molti modi. Possono essere problematiche in termini di varianza dei tempi di calcolo, risultando troppo instabili. A volte esegui la procedura e ci vuole un’ora, altre volte otto, e le persone non riescono a capire bene il perché. Questo è un grande problema. Può anche essere problematica perché risulta piuttosto opaca. Questo effetto black box rende molto difficile avere qualcosa che sia al contempo numericamente intelligente e non immediatamente una scatola nera, anche per il supply chain scientist stesso. Puoi anche avere problemi di stabilità numerica in cui, in media, la tua ricetta è eccellente, ma in lo 0,1% delle situazioni risulta del tutto folle. Questo crea molti problemi operativi per le aziende, perché i costi della supply chain tendono a concentrarsi sugli estremi. Se sei approssimativamente corretto, va bene, ma se esageri, potresti letteralmente avere un enorme problema operativo che chiude una fabbrica o un magazzino.

Kieran Chandler: Parliamo un po’ di più dell’industria della supply chain stessa. Quanto hai visto che le aziende in questo settore implementino le ricette numeriche da sole, o diresti che la maggior parte delle persone e delle aziende è ancora bloccata in quell’approccio classico basato sugli algoritmi?

Joannes Vermorel: La cosa divertente è che la stragrande maggioranza delle aziende opera, insomma, letteralmente tutte, attraverso ricette. Questo modo di pensare in termini algoritmici è una ricetta per una specie di disastro nella data science, quindi in realtà c’è molto clamore, ma praticamente nulla in produzione. In pratica, tutti operano attraverso ricette numeriche, e oltre il 90% della quota di mercato è costituito da Excel, anche se la gente li disdegna.

Kieran Chandler: I fogli Excel, dire che è solo Excel, no, non è solo Excel. Essi sono l’incarnazione della comprensione di come dovresti effettivamente modellare quantitativamente la tua supply chain. Quindi, quei fogli Excel sono letteralmente le ricette numeriche, e sono la versione raffinata di quelle ricette. In questo senso, è abbastanza positivo. Dove invece non va bene è che, in generale, i fogli di calcolo — che siano su un desktop o su un’app web, offline o online — non sono esattamente adatti a risolvere i problemi della supply chain.

Joannes Vermorel: La mia grande critica è che gli strumenti sono inadeguati. Non si riesce a gestire l’incertezza, la cannibalizzazione, né una supply chain multi-echelon. Ci sono così tanti problemi che letteralmente non entrano in un foglio di calcolo, indipendentemente da come lo confezioni. La mia critica non è che il problema dei fogli Excel sia che essi siano ricette numeriche altamente soggettive e con una visione ristretta. Questo non è parte del problema; è letteralmente parte della soluzione. La mia critica è che questi strumenti sono solitamente inadeguati. Le aziende di oggi operano tramite ricette numeriche, ma non riconoscono che questo è un aspetto positivo, e questa realtà non sparirà. Questa è letteralmente una proposta molto ragionevole per affrontare i problemi della supply chain. Ma il problema che affrontano è proprio l’inadeguatezza degli strumenti e, spesso, dei processi, come ad esempio il problema del divide and conquer che abbiamo discusso in riferimento ai silos, dove le persone cercano di gestire da un lato il pricing e dall’altro la pianificazione, pur essendo letteralmente le due facce della stessa medaglia, come discusso nell’ultimo episodio. Le ricette numeriche sono qui per restare, e la mia posizione è che rappresentano letteralmente il giusto modo di pensare ogni volta che si affrontano problemi della supply chain.

Kieran Chandler: Concludiamo allora. Qual è la principale conclusione dell’episodio di oggi? Perché le ricette numeriche sono così importanti, e perché è così fondamentale cambiare questo modo di pensare?

Joannes Vermorel: Credo sia perché le ricette numeriche sono l’incarnazione di un’altra linea di pensiero, quella che recita: “È meglio essere approssimativamente corretti che esattamente sbagliati”. Finirai per avere formule che non godono di una purezza assoluta. Non sono come le equazioni elettromagnetiche, dove hai quelle equazioni super ben definite in grado di descrivere tutto ciò che accade in termini di elettromagnetismo. Quelle sono incredibilmente pure e compatte, ma le supply chain non sono così. Le ricette numeriche per la supply chain consisteranno in centinaia di condizioni semi-accidentali, fattori e intoppi, in modo che l’insieme abbia senso, cioè sia approssimativamente corretto e non faccia nulla di completamente folle. Dovrebbero essere altamente prevedibili, così da evitare troppe sorprese – idealmente pochissime – negli output numerici delle tue ricette. E dovrebbero anche essere versatili, proprio come la ricetta di un grande chef.

Kieran Chandler: Ehm, vuoi fare un dessert, sai cosa, oggi non ti permetterò di usare lo zucchero.

Joannes Vermorel: Accidenti, voglio fare un dessert. Come farò un dessert senza zucchero? È proprio il tipo di situazione per cui devi essere super agile. Così, se manca qualcosa, solo perché le condizioni sono strane, come durante una pandemia, non rimani bloccato. Trovi una via d’uscita. E, a proposito, è molto interessante perché quei programmi dei top chef ti presentano sfide in cui o sei a corto di tempo – per esempio, hai solo 30 minuti per preparare qualcosa che normalmente richiederebbe quattro ore – o sei a corto di ingredienti, di strumenti, o semplicemente carente in generale. Eppure, devi trovare una soluzione. Di nuovo, credo sia così che appaiono quelle ricette. Voglio dire, hai vincoli strani che cambiano nel tempo. È una situazione che comporta un certo grado di sorpresa.

Il vero chef è colui che sa improvvisare letteralmente. Ma se osservi attentamente, quegli show rivelano che c’è un metodo, ed è proprio questo che distingue un grande chef. Un grande chef non è qualcuno che fa cose a caso quando manca un ingrediente o quando il tempo stringe. Si percepisce letteralmente un decennio di esperienza nel sapersi destreggiare in mezzo a questo caos. C’è un metodo, ed è esattamente il tipo di approccio che coltiviamo da Lokad.

Kieran Chandler: Ok, dobbiamo concludere qui, ma penso che quella analogia del top chef sia davvero potente e sicuramente qualcosa a cui possiamo relazionarci in questo ufficio. Abbiamo molti fan qui. Quindi, questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Grazie per aver guardato.