00:00:07 L’importanza di prevedere le tendenze.
00:01:36 Le limitazioni dell’utilizzo dei dati dei social media per le previsioni della supply chain.
00:04:26 La disconnessione tra le tendenze dei social media e i dati della supply chain a livello di SKU.
00:06:37 Le difficoltà nel trovare segnali precoci nei dati dei social media.
00:07:20 L’utilizzo dei dati aziendali per previsioni migliori e l’importanza di modelli di previsione stabili.
00:10:07 La difficoltà di prevedere eventi estremi come il COVID-19 e l’importanza della previsione probabilistica.
00:13:42 Il processo lento e manuale di trasformare le previsioni in decisioni nella maggior parte dei settori.
00:15:00 La lentezza della supply chain e l’inefficienza di agire sui segnali precoci.
00:15:53 La necessità di robotizzare i data pipeline per generare decisioni in modo più efficiente.
00:17:07 Le limitazioni della tecnologia di previsione e l’importanza di abbracciare l’incertezza.
00:19:35 Il ruolo dei Supply Chain Scientist e dell’intuizione umana nel processo decisionale.
00:20:31 Valutare il potenziale risparmio di tempo offerto da una tecnologia di previsione migliore.
00:22:00 Dare priorità all’automazione nel processo decisionale rispetto alle previsioni avanzate.
Sommario
Kieran Chandler e Joannes Vermorel discutono le sfide e il potenziale dell’utilizzo di fonti di dati esterne come i social media per prevedere le tendenze della supply chain. Vermorel sostiene che, sebbene sui social media possa esistere informazione preziosa, è difficile associare i dati a prodotti specifici, e la qualità e il contesto dei dati sono spesso poco chiari. Invece, raccomanda di concentrarsi sui dati interni per ottenere visioni future più nitide e di adottare un approccio probabilistico per prepararsi a eventi estremi. Vermorel sottolinea la necessità per le aziende di automatizzare i loro processi di decision-making per migliorare la loro agilità e rispondere meglio alle fluttuazioni della domanda.
Sommario Esteso
La discussione tra Kieran Chandler e Joannes Vermorel ruota attorno al potenziale dell’utilizzo di grandi fonti di dati esterne, come i social media, per prevedere le tendenze e catturare segnali precoci per l’ottimizzazione della supply chain. Vermorel sostiene che, in pratica, questo approccio non funziona efficacemente per le supply chain a causa della difficoltà di estrarre dati rilevanti e distinguere tra informazioni reali e false. Anche gli inserzionisti faticano a differenziare il traffico reale da quello generato dai bot, rendendo difficile ottenere intuizioni preziose da queste fonti di dati. Vermorel suggerisce che prevedere le tendenze utilizzando i social media potrebbe funzionare in situazioni rare o estreme, ma la granularità delle informazioni necessaria per l’ottimizzazione della supply chain generalmente non è raggiungibile.
Hanno discusso delle sfide e del potenziale dell’utilizzo di dati esterni, come i social media, per prevedere le tendenze della supply chain. Vermorel spiega che, sebbene possano esserci informazioni preziose sui social media, è difficile associare direttamente questi dati a prodotti specifici o a SKUs. Inoltre, la qualità e il contesto dei dati sono spesso poco chiari, poiché le persone raramente menzionano dettagli del prodotto come i codici UPC nei loro post, e l’interpretazione del contenuto può essere altamente soggettiva.
Vermorel aggiunge che anche quando l’informazione sembra ovvia, come una celebrità che sponsorizza un prodotto, l’interpretazione può variare notevolmente. Le persone possono concentrarsi su diversi aspetti del prodotto, come il colore, la forma o il marchio. Questa confusione è elevata dal fatto che i post sui social media fanno spesso parte di una conversazione più ampia, con interazioni e risposte che aggiungono ulteriore ambiguità. L’analisi del sentiment può aiutare, ma rimane difficile estrarre informazioni chiare e azionabili dai dati dei social media.
Quando viene chiesto quali possano essere altri segnali precoci per le tendenze della supply chain, Vermorel suggerisce che le aziende dovrebbero concentrarsi sui propri dati interni. Si può ottenere una visione più nitida del futuro analizzando questi dati, ma rilevare segnali precoci per eventi fuori dall’ordinario rimane una sfida. Egli spiega che, anche con un buon modello di previsione, esistono limiti dovuti alla necessità di stabilità. Una supply chain richiede un piano costante da eseguire, e una reattività eccessiva può portare a falsi positivi costosi.
Vermorel riconosce che possono essere apportati miglioramenti nel rilevare i segnali in anticipo, ma i progressi sono spesso marginali. Ad esempio, in Lokad, sono contenti quando riescono a rilevare una disruption qualche giorno prima rispetto a prima. Egli avverte che nella maggior parte dei casi, questi segnali precoci sono ancora reattivi, poiché si basano sui dati aziendali che riflettono i cambiamenti nelle vendite o altri fattori.
Affrontando l’idea di avere segnali precoci per eventi significativi, come il coronavirus, Vermorel mette in discussione la fattibilità di rilevare tali segnali in modo affidabile. Egli suggerisce che, sebbene possa essere vantaggioso disporre di sistemi di allarme precoce per disruzioni rare su larga scala, la praticità di sviluppare modelli di previsione accurati e affidabili per questi scenari rimane incerta.
Il fondatore ha discusso di eventi estremi come il COVID-19, delle sfide nel prevedere tali eventi e dell’importanza della previsione probabilistica. Egli sostiene che prevedere gli outlier è intrinsecamente difficile a causa della loro natura sorprendente e senza precedenti. Invece, raccomanda di adottare un approccio probabilistico che assegni una piccola probabilità agli eventi estremi e di prepararsi a lungo termine.
Vermorel sottolinea la necessità che le organizzazioni siano riflessive e adattive in risposta agli eventi mondiali. Egli osserva che molti settori sono lenti a reagire, anche quando vengono forniti segnali di allarme precoce, poiché mancano della capacità di trasformare le previsioni in decisioni operative in modo efficiente. Ciò è spesso dovuto alla natura manuale e dispendiosa in termini di tempo dei processi decisionali all’interno delle aziende.
Egli sottolinea l’importanza di disporre di un processo completamente automatizzato per trasformare le previsioni in decisioni senza intervento umano. Senza automazione, i benefici dei segnali di allarme precoce vengono spesso vanificati dall’inerzia delle persone nel cercare di trasformare le previsioni in azioni. Inoltre, evidenzia il problema della fiducia nei segnali precoci, poiché sono spesso rumorosi e incerti.
Vermorel suggerisce che la tecnologia potrebbe potenzialmente migliorare in futuro, ma la questione chiave rimane quella di trasformare le previsioni in decisioni. Egli ritiene che un approccio quantitative supply chain, che prevede la robotizzazione completa del data pipeline, sia essenziale per affrontare questo problema. Ciò consente alle aziende di essere più reattive e meglio preparate agli eventi imprevisti.
Ha discusso delle sfide nel prevedere e rispondere ai picchi di domanda, come durante una pandemia. Vermorel spiega che il futuro è intrinsecamente incerto, e la previsione probabilistica è il miglior approccio per abbracciare questa incertezza. Egli sottolinea che le aziende dovrebbero concentrarsi su come prendere decisioni migliori basate sulle probabilità, piuttosto che cercare di prevedere numeri esatti.
Vermorel ritiene che la chiave per rispondere con successo ai picchi di domanda sia l’agilità, e che le aziende possano ottenerla automatizzando i loro processi. Egli afferma che la tecnologia per il better forecasting potrebbe far risparmiare a un’azienda solo una o due settimane rispetto ai metodi tradizionali, ma il vero vantaggio deriva dall’eliminare il ritardo tra la previsione e il decision-making. Integrando questi processi, le aziende possono prendere decisioni più rapide ed efficaci.
Quando viene chiesto del ruolo dei professionisti della supply chain, Vermorel suggerisce che dovrebbero concentrarsi sull’automatizzazione dei loro processi e rispondere tempestivamente ai cambiamenti nella domanda. Egli osserva che le aziende spesso sprecano molto tempo, a volte fino a un quarto, per adeguarsi alle nuove realtà. Snellendo e automatizzando i processi, le aziende possono ridurre questo ritardo e migliorare la loro agilità.
Vermorel parla anche dei limiti dell’utilizzo dei dati dei social media per le previsioni. Anche se possono fornire alcune intuizioni, non rappresentano necessariamente informazioni azionabili per le aziende. Invece, le imprese dovrebbero dare priorità all’automatizzazione dei loro processi di decision-making e all’implementazione di metodi di previsione più avanzati per aumentare la loro agilità in risposta alle fluttuazioni della domanda.
Vermorel evidenzia l’importanza di abbracciare l’incertezza e concentrarsi nel prendere decisioni migliori basate sulle probabilità. Automatizzando i processi ed eliminando il ritardo tra la previsione e il decision-making, le aziende possono migliorare la loro agilità e rispondere meglio ai picchi di domanda.
Trascrizione completa
Kieran Chandler: Oggi su Lokad TV discuteremo se, con l’ascesa dei social media, questo sia ora possibile e anche cosa possano fare le aziende per sfruttare questi segnali precoci. Allora, Joannes, oggi il nostro argomento riguarda tutte le previsioni di questi segnali precoci. Qual è l’idea alla base di ciò?
Joannes Vermorel: L’idea, come viene presentata da molti software vendors, è che sfruttando grandi fonti di dati che vanno oltre ciò che possiede l’azienda, si possa fondamentalmente conoscere il futuro un po’ prima, avere un’anticipazione di un futuro più distante. L’archetipo di questo segnale precoce sarebbe quello di rilevare che qualcosa sta diventando di tendenza su Instagram perché alcune celebrità stanno indossando un nuovo tipo di abbigliamento e poi, bam, si può utilizzare questo per anticipare di un mese l’arrivo di una tendenza o qualcosa del genere.
Kieran Chandler: Quindi, quando parliamo di queste fonti di dati, intendiamo forse fonti dai social media. Si tratta del tipo giusto di dati da considerare?
Joannes Vermorel: Almeno, questo è ciò che direbbero molti fornitori di supply chain optimization guidata dall’IA.
Kieran Chandler: E in pratica, quanto bene funziona realmente la previsione dei segnali precoci basata su fonti di dati esterne?
Joannes Vermorel: Al momento, praticamente non esiste nulla che funzioni, nemmeno lontanamente, per le supply chain. L’idea che si possa entrare nei social media e semplicemente estrarre dati rilevanti è solo un’illusione. Sono le persone a fingere di farlo, senza aver mai notato che la maggior parte del traffico su quei social media non è nemmeno generato da persone, ma da bot, insomma, robot. Quindi, è molto difficile capire cosa sia reale e cosa non lo sia. Anche gli inserzionisti, che pagano per le visualizzazioni, trovano estremamente difficile distinguere ciò che è reale da ciò che non lo è, e spendono un sacco di soldi per promuovere annunci su quelle piattaforme. Anche pagando per ogni singola impression ed essendo disperati nel fare in modo che siano effettivamente persone reali con veri occhi a guardare quegli annunci, risulta molto difficile. Quindi, immagina che se sei solo un fornitore che raccoglie terabyte di dati di traffico casuale, otterrai solo molta randomicità, tanto rumore. L’idea che si possano prevedere automaticamente le tendenze basandosi su ciò, forse in alcune situazioni estreme, sì, ma sono rare, quindi non molto interessanti. E il tipo di informazioni che otterresti non avrebbe nemmeno la granularità a cui sei interessato. Sì, se la tua granularità consiste nel prevedere chi sarà tra i 50 artisti più popolari negli Stati Uniti quest’anno, puoi avere un segnale precoce semplicemente osservando i social media. Questo ti darà un quadro chiaro in anticipo di chi, alla fine dell’anno, sarà l’artista più grande. Ma se provi davvero a ottenere informazioni come… per esempio, quante t-shirt di questa taglia, di questo colore, con questo motivo venderò in questa regione degli Stati Uniti? Questa è una sfida molto diversa.
Kieran Chandler: Va bene, e quindi qual è il problema in termini di qualità dei dati? Hai menzionato che ci sono molti robot e simili su queste piattaforme di social media, ma comunque vediamo quei post con il maggior numero di like salire in cima, diventando i più visibili. Quindi, in termini di dati, perché ciò non è interessante?
Joannes Vermorel: Il problema è che, ancora una volta, nelle supply chain, le vostre produzioni sono organizzate per SKUs. State producendo SKUs di qualcosa, e poi vendete quei prodotti magari tramite un bundle per canali di marketing complessi, ecc. Non importa quali tweet vengano retwittati un milione di volte o quale foto su Instagram venga visualizzata un bazillion di volte, non c’è una corrispondenza diretta con nessuno degli SKUs che producete o distribuite. Le persone raramente includono il codice UPC nei loro tweet, dicendo che questo prodotto con questo codice a barre è davvero d’eccellenza. Quindi, di solito, è molto vago. Anche quando sembra ovvio, anche se avete una superstar che twitta, “Questo nuovo paio di scarpe è super cool,” alcune persone potrebbero guardare le scarpe e interpretare solo il colore, altre potrebbero pensare alla forma, altri ancora al marchio, e alcuni potrebbero interpretare che si tratti di qualsiasi cosa che assomigli a quello. Può essere molto vago, e quando si somma al fatto che c’è molta interazione, non è come se si potesse guardare un solo post e dire, “Questo è tutto.” È una serie; c’è interazione. L’importanza della risposta è fondamentale, perché se qualcuno posta qualcosa che ha un bazillion di retweet, ma tali retweet sono estremamente critici o sarcastici, si può avere l’analisi del sentiment, ma si entra in un ambito in cui è molto difficile.
Kieran Chandler: Ok, quindi sicuramente sembra una sfida dal punto di vista dei social media, ma ci sono altri segnali precoci che potremmo considerare? Ne abbiamo parlato in un episodio precedente, ad esempio sul meteo, quindi cos’altro potremmo osservare?
Joannes Vermorel: Sì, insomma, di solito, se guardi solo i dati delle aziende stesse, ce n’è molta, e puoi cercare di avere una visione più nitida del futuro osservando i dati che le aziende già possiedono. Tipicamente questo è l’approccio che adotta Lokad. Poi, quando si tratta di avere un vero segnale precoce per qualcosa che è, direi, un evento di coda o qualcosa di un po’ fuori dall’ordinario, è molto difficile. Sì, se hai un modello di previsione molto buono, puoi avere un segnale che arriva un po’ prima, ma ci sono forti limiti a ciò. Soltanto perché un modello di previsione migliore di solito significa che…
Kieran Chandler: Quindi, dalla tua esperienza, la stabilità è importante quando si tratta di modelli di previsione, siano essi classici o probabilistici. Le supply chains hanno bisogno di un piano relativamente stabile da eseguire, e non vuoi che solo un po’ di rumore sul mercato faccia cambiare marcia, interrompendo la produzione e la distribuzione. Come gestisci i forecasting engines che diventano eccessivamente reattivi e portano a falsi positivi?
Joannes Vermorel: Una buona tecnologia di previsione non impazzirà solo per un giorno in più nell’anno. Nella maggior parte delle situazioni, tutto procede come al solito con una minima inflezione di rotta. Se hai un forecasting engine che diventa troppo reattivo, finiscono per verificarsi falsi positivi. Potresti pensare di avere un segnale precoce per cambiare drasticamente rotta, ma due settimane dopo ti rendi conto che era solo un artefatto o un’oscillazione, il che può essere molto costoso. Abbiamo fatto progressi in Lokad nell’ultimo decennio, ma sono molto marginali. Siamo contenti quando riusciamo a rilevare un’interruzione qualche giorno prima, ma tagliare via solo pochi giorni è il meglio che possiamo fare.
Kieran Chandler: E che dire quando c’è un grande scossone, come quello che è successo con il coronavirus? Sicuramente è utile avere un segnale precoce per questo tipo di scenari, e cosa si può fare se se ne ha uno? Non è vantaggioso?
Joannes Vermorel: Metto in dubbio l’idea che si possa avere un segnale precoce per eventi estremi di coda come il COVID-19. La maggior parte della gente è rimasta perplessa dal modo in cui si sono susseguiti gli eventi, poiché è stato tutto molto casuale e incoerente tra paesi o addirittura tra regioni. Gli outlier, per definizione, sono molto difficili da prevedere. Metto anche in discussione l’idea che una previsione, anche con un anticipo di due settimane, avrebbe davvero aiutato a gestire il COVID-19.
Kieran Chandler: La visione probabilistica riguardo agli eventi di coda implica che non puoi davvero prevederli. È quasi per design, perché è molto difficile, dato che sarà qualcosa di nuovo e sorprendente. Ma quello che puoi fare è avere la tua previsione, la tua previsione probabilistica, che assegna sempre una certa probabilità a cose che sono davvero fuori dall’ordinario. Non è come se avessi potuto anticipare il COVID-19, ma è come dire: beh, il prossimo trimestre c’è circa una probabilità dell’uno per cento che il business sia la metà di quello che è ora o la metà di quello che era l’anno scorso. Perché? Non lo so, non lo so. È solo una possibilità. Potrebbe essere una guerra, potrebbe essere una pandemia, potrebbe essere un richiamo massiccio, magari una campagna diffamatoria online contro il marchio, o altro. È ragionevole dire che per la maggior parte delle aziende c’è circa una probabilità dell’uno per cento ogni trimestre che le vendite si dimezzino nel trimestre successivo?
Joannes Vermorel: Direi che per la maggior parte delle aziende, sì. Significa che quattro volte per secolo si verifica un disastro massiccio. Penso sia giusto. Se guardiamo al ventesimo secolo, è stato anche di più. Quindi, hai bisogno di previsioni probabilistiche, dove assegni una bassa probabilità fissa agli eventi estremi, e poi ti prepari ad affrontarli, sapendo che ciò può accadere in qualsiasi momento e, quando accadrà, assumerai che non avrai alcun preavviso. Ma la buona notizia è che se mantieni questa probabilità in atto per anni, significa che hai fatto piccoli aggiustamenti che, se ciò accadesse, ti renderebbero in qualche modo preparato. Ma ci sono voluti anni di preparazione, sfruttando al meglio le tue risorse.
Kieran Chandler: Parliamo sempre di questa idea di essere riflessivi rispetto a ciò che accade nel mondo. Ci sono settori che hai visto che sono classicamente lenti nelle loro reazioni e che potrebbero beneficiare, magari, di un approccio con segnale precoce?
Joannes Vermorel: Il fatto è che nella maggior parte dei settori che ho osservato, anche se si fornisce un segnale precoce, non farebbero nulla con esso. La ragione è che, fino a quando non si raggiunge un certo punto – e questo riporta alla visione quantitativa della supply chain, in cui il punto numero quattro riguarda l’avere una robotizzazione completa della pipeline dei dati per poter generare le decisioni – vedi, ciò che accade nella maggior parte delle aziende è che l’elemento della previsione è solo uno degli step del processo che porta, in ultima analisi, all’assunzione di decisioni, come ad esempio: dovremmo acquistare di più dai fornitori, dovremmo produrre di più, o dovremmo effettivamente aumentare o diminuire il prezzo? Ma la realtà è che per la maggior parte delle aziende il processo di trasformazione delle previsioni in decisioni effettive è molto manuale e, a mio parere, molto lento. Quindi, immagina di aver investito molto in tecnologia per ottenere un segnale precoce, magari una settimana prima, due settimane prima se sei molto bravo. Questo è il tipo di cosa che puoi ottenere con la tecnologia così com’è ora.
Kieran Chandler: Ora, potrebbero esserci casi limite in cui puoi vedere qualcosa in anticipo, ma dubito che in questo caso si tratti di una previsione statistica. È più probabile che si tratti di un insight di alto livello sull’evoluzione del mercato, guidato da numeri e statistiche. In questo tipo di situazione, hai il tuo segnale precoce, ma agirai su di esso?
Joannes Vermorel: Di solito, se la conseguenza di avere un segnale precoce è semplicemente inviare un’email a qualcuno nella tua azienda o aspettare che quella persona apra un’app per controllare gli avvisi, nel breve termine non succede nulla. Sarà lento. Le supply chains sono complesse e distribuite, coinvolgendo molte persone, sistemi e macchine in diverse località. Se vuoi avere una buona risposta della supply chain, hai bisogno di coordinazione. A meno che non ci sia un altissimo grado di automazione, tale coordinazione comporterà persone reali che fanno telefonate frenetiche, e ci vorrà tempo, tipicamente settimane.
In definitiva, se hai un segnale precoce ma non disponi di un processo completamente automatizzato che trasformi le previsioni in decisioni automaticamente, senza intervento umano, la stragrande maggioranza del potenziale guadagno dal segnale precoce andrà persa nell’inerzia delle persone che cercano di trasformare quelle previsioni in azioni.
Kieran Chandler: Suppongo che uno dei problemi con questi segnali precoci sia il grado di fiducia che effettivamente si può avere nei risultati. Come hai detto, sono spesso piuttosto rumorosi. Pensi che in futuro potremmo arrivare ad una fase in cui la tecnologia permetta di avere maggiore fiducia nei risultati?
Joannes Vermorel: No, e la ragione è che il futuro è sfocato, e questa incertezza è irreducibile. Negli ultimi dieci anni ci siamo concentrati sulla previsione probabilistica, che abbraccia il fatto che il futuro è incerto. Se ti aspetti un sistema informatico magico che ti dia il numero vincente della lotteria con certezza del 100%, non funziona così. Al massimo, puoi avere un sistema che ti fornisce delle probabilità.
Ad esempio, potresti trovarti di fronte a una situazione che inizia con una probabilità dell'1% di essere un evento estremo. Poi, magari, inizi a notare qualcosa di strano e, il giorno dopo, la stima aumenta all'1,5%. Dovresti fare qualcosa? Forse no. Il giorno seguente, aumenta ad una probabilità del 3%, che rappresenta una crescita esponenziale, ma ancora molto lenta. Poi arriva al 6%. Dovresti iniziare a impazzire perché c’è una probabilità del 6%?
Kieran Chandler: Insomma, stiamo parlando di qualcosa che si supponeva accadesse una volta ogni 25 anni, e invece eccoci qui, qualcosa che accadrebbe forse una volta ogni cinque anni circa. Ma è, di nuovo, solo un’oscillazione, e l’idea è che quelle priorità sono molto sfocate, e se il tuo sistema decisionale è ben progettato, gli elementi che trasformano quelle priorità in decisioni rifletteranno gradualmente che il rischio che era all’uno per cento è ora al sei per cento. Quindi, orienterà un po’, ma solo un po’, le decisioni in una direzione che renda la tua azienda più protetta, senza però esagerare. Non vuoi avere qualcosa che faccia impazzire la tua supply chain con mosse troppo estreme, e magari il giorno dopo le cose torneranno a una stima del tre per cento, passando da sei a tre perché in realtà potrebbe essere stato un falso positivo o perché la tendenza potrebbe continuare a variare. Ma vedi, questa è una buona risposta che puoi ottenere da una pipeline di dati completamente automatizzata. E poi, se ci sono supply chain scientists in cima, e loro stanno seguendo le notizie, possiedono una comprensione ad alto livello e vedono che sta arrivando qualcosa come una grande ondata, tipo un coronavirus, allora in realtà puoi contare su persone che, in aggiunta, modifichino in qualche modo la ricetta numerica in modo che ci voglia un po’ di ulteriore intuito umano per indirizzare il sistema in una direzione migliore.
Joannes Vermorel: Quindi, se sei un practitioner della supply chain che sta guardando questo, dovresti concentrare principalmente i tuoi sforzi sulla piena automazione dei processi invece di preoccuparti di ciò che accade magari prima nel processo? Dovresti focalizzarti su come reagire nel momento stesso.
Kieran Chandler: Esattamente. Voglio dire, devi valutare quanti giorni di agilità riuscirai a guadagnare. Per la maggior parte delle aziende, direi che con una migliore tecnologia di previsione, magari come quella di Lokad, quanta differenza puoi fare? Forse una settimana, forse due, rispetto a una media mobile. Magari hai previsioni migliori, e questo potrebbe tradursi in un vantaggio, sai, magari quattro settimane se la tua azienda era particolarmente carente nel gestire la seasonality o qualcosa del genere. Ma, voglio dire, se non avessi un processo disfunzionale in atto, probabilmente si tratterebbe solo di poche settimane. Tuttavia, quando si tratta di decisioni, osservo frequentemente che le aziende possono impiegare fino a un quarto del tempo per riorganizzarsi e accettare una nuova realtà. Quindi è molto lento, e anche in aziende super reattive come la fast fashion, dove ci volevano sei settimane per trasformare la previsione in una decisione – e parlo di una decisione, poi devi ancora produrre, trasportare e distribuire – ci vuole comunque tempo. Quindi, in realtà, penso che in media, per la stragrande maggioranza delle aziende, sia una scommessa molto più sicura dire che prima elimineremo il ritardo che intercorre tra le decisioni, tra la previsione e le decisioni, mettendo insieme tutte quelle cose in un processo automatizzato, e poi capiremo come ottenere previsioni super avanzate che permettano di guadagnare qualche giorno o settimana in più, se si è fortunati. Okay, fantastico, dobbiamo lasciarci qui. Ma suppongo che ora possiamo usare i social media senza preoccuparci che le aziende stiano osservando tutto ciò che facciamo.
Joannes Vermorel: Oh, stanno guardando. È solo una bella cosa, rende alcuni analisti felici, ma non lo trasforma in qualcosa di operativo.
Kieran Chandler: Perfetto, questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio.