Segnali precoci e previsioni

00:00:07 L’importanza delle previsioni delle tendenze.
00:01:36 I limiti dell’utilizzo dei dati dei social media per la previsione della supply chain.
00:04:26 La discrepanza tra le tendenze dei social media e i dati della supply chain a livello di SKU.
00:06:37 Sfide nel trovare segnali precoci nei dati dei social media.
00:07:20 Utilizzare i dati aziendali per una migliore previsione 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 delle industrie.
00:15:00 La natura lenta delle supply chain e l’inefficienza nell’agire sui segnali precoci.
00:15:53 La necessità di robotizzare le pipeline dei dati per generare decisioni in modo più efficiente.
00:17:07 I limiti della tecnologia di previsione e l’accettazione dell’incertezza.
00:19:35 Il ruolo degli scienziati della supply chain e dell’analisi umana nella presa di decisioni.
00:20:31 Valutare il potenziale risparmio di tempo di una migliore tecnologia di previsione.
00:22:00 Dare priorità all’automazione nella presa di decisioni rispetto alle previsioni avanzate.

Riassunto

Kieran Chandler e Joannes Vermorel discutono delle sfide e del potenziale dell’utilizzo di fonti di dati esterne come i social media per prevedere le tendenze della supply chain. Vermorel sostiene che, sebbene possano esistere informazioni preziose sui social media, è difficile abbinare i dati a prodotti specifici e la qualità e il contesto dei dati spesso non sono chiari. Invece, consiglia di concentrarsi sui dati interni per ottenere una visione futura più precisa e di adottare un approccio probabilistico per prepararsi a eventi estremi. Vermorel sottolinea la necessità per le aziende di automatizzare i loro processi di presa di decisioni per migliorare la loro agilità e rispondere meglio alle fluttuazioni della domanda.

Riassunto 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 individuare segnali precoci per l’ottimizzazione della supply chain. Vermorel sostiene che, nella pratica, questo approccio non funziona in modo efficace per le supply chain a causa della difficoltà nell’estrazione di dati rilevanti e nella distinzione tra informazioni reali e false. Anche gli inserzionisti faticano a differenziare tra traffico reale e generato da bot, rendendo difficile ottenere informazioni 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 necessarie per l’ottimizzazione della supply chain non è generalmente 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 abbinare direttamente questi dati a prodotti specifici o SKU. Inoltre, la qualità e il contesto dei dati spesso non sono chiari, poiché le persone raramente menzionano dettagli del prodotto come i codici UPC nei loro post e l’interpretazione dei contenuti può essere molto soggettiva.

Vermorel aggiunge che anche quando le informazioni sembrano ovvie, come ad esempio una celebrità che sponsorizza un prodotto, l’interpretazione può variare significativamente. Le persone possono concentrarsi su diversi aspetti del prodotto, come il colore, la forma o il marchio. Questa ambiguità è amplificata 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 operative dai dati dei social media.

Quando gli viene chiesto quali altri segnali precoci per le tendenze della supply chain, Vermorel suggerisce alle aziende di concentrarsi sui propri dati interni. È possibile ottenere una visione più chiara del futuro analizzando questi dati, ma rilevare segnali precoci per eventi fuori dall’ordinario rimane una sfida. Spiega che anche con un buon modello di previsione, ci sono limitazioni legate alla necessità di stabilità. Una supply chain richiede un piano stabile da eseguire e troppa reattività può portare a costosi falsi positivi.

Vermorel riconosce che è possibile migliorare la rilevazione dei segnali in modo più tempestivo, ma i progressi sono spesso marginali. Ad esempio, presso Lokad, sono soddisfatti quando riescono a rilevare una disruzione qualche giorno prima rispetto al passato. Tuttavia, avverte che nella maggior parte dei casi, questi segnali precoci sono ancora reattivi, in quanto si basano su dati aziendali che riflettono cambiamenti nelle vendite o in altri fattori.

Affrontando l’idea di avere segnali precoci per eventi significativi, come il coronavirus, Vermorel mette in dubbio la fattibilità di rilevare tali segnali in modo affidabile. Suggerisce che, sebbene possa essere vantaggioso avere sistemi di allarme precoce per interruzioni 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. Sostiene che prevedere gli outlier sia intrinsecamente difficile a causa della loro natura sorprendente e senza precedenti. Invece, raccomanda di adottare un approccio probabilistico che assegna una piccola probabilità agli eventi estremi e di prepararsi ad essi nel tempo.

Vermorel sottolinea la necessità che le organizzazioni siano riflessive e adattive di fronte agli eventi mondiali. Sottolinea che molte industrie sono lente a reagire, anche quando vengono forniti segnali di allarme precoci, poiché mancano della capacità di trasformare efficientemente le previsioni in decisioni operative. Questo è spesso dovuto alla natura manuale e lenta dei processi decisionali all’interno delle aziende.

Sottolinea l’importanza di avere un processo completamente automatizzato per trasformare le previsioni in decisioni senza intervento umano. Senza automazione, i vantaggi dei segnali di allarme precoci vengono spesso persi a causa dell’inerzia delle persone nel cercare di trasformare le previsioni in azioni. Inoltre, evidenzia il problema della fiducia nei segnali precoci, poiché spesso sono rumorosi e incerti.

Vermorel suggerisce che la tecnologia potrebbe migliorare potenzialmente in futuro, ma il problema chiave rimane nel trasformare le previsioni in decisioni operative. Crede che un approccio quantitativo alla supply chain, che coinvolga la completa robotizzazione della pipeline dei dati, sia essenziale per affrontare questo problema. Ciò consente alle aziende di essere più reattive e meglio preparate per eventi imprevisti.

Ha discusso delle sfide nel prevedere e rispondere a 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 ambiguità. Sottolinea che le aziende dovrebbero concentrarsi su come prendere decisioni migliori basate sulle probabilità, piuttosto che cercare di prevedere i numeri esatti.

Vermorel ritiene che la chiave per rispondere con successo ai picchi di domanda sia l’agilità e le aziende possono raggiungerla automatizzando i loro processi. Afferma che una tecnologia di previsione migliore può solo risparmiare a un’azienda una settimana o due rispetto ai metodi tradizionali, ma il vero vantaggio deriva dall’eliminazione del ritardo tra la previsione e la presa di decisione. Integrando questi processi, le aziende possono prendere decisioni più rapide ed efficaci.

Quando gli viene chiesto del ruolo degli esperti di supply chain, Vermorel suggerisce che dovrebbero concentrarsi sull’automatizzazione dei loro processi e sulla risposta ai cambiamenti della domanda in modo tempestivo. Sottolinea che le aziende spesso sprecano molto tempo, talvolta fino a un quarto, per adattarsi alle nuove realtà. Ottimizzando e automatizzando i processi, le aziende possono ridurre questo ritardo e migliorare la loro agilità.

Vermorel parla anche dei limiti nell’utilizzo dei dati dei social media per le previsioni. Sebbene possano fornire alcuni spunti, non sono necessariamente informazioni operative per le aziende. Invece, le aziende dovrebbero dare priorità all’automatizzazione dei processi decisionali e all’implementazione di metodi di previsione più avanzati per aumentare la loro agilità di fronte alle fluttuazioni della domanda.

Vermorel sottolinea l’importanza di abbracciare l’incertezza e concentrarsi sulla presa di decisioni migliori basate sulle probabilità. Automatizzando i processi ed eliminando il ritardo tra la previsione e la presa di decisione, le aziende possono migliorare la loro agilità e rispondere meglio ai picchi di domanda.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV, parleremo di come, con la crescita dei social media, ciò sia ora possibile e di cosa possono fare le aziende per sfruttare questi segnali precoci. Quindi, Joannes, oggi il nostro argomento riguarda proprio la previsione di questi segnali precoci. Qual è l’idea dietro questo?

Joannes Vermorel: L’idea, come viene presentata da molti fornitori di software, è che sfruttando grandi fonti di dati che vanno oltre ciò che l’azienda ha, è possibile conoscere il futuro un po’ prima per avere un’idea di un futuro più lontano un po’ prima. L’archetipo di questa idea di segnale precoce sarebbe rilevare che qualcosa sta diventando di tendenza su Instagram perché ci sono alcune celebrità che indossano un nuovo tipo di indumento e poi, bam, puoi usarlo per anticipare un mese prima che ci sia una tendenza imminente o qualcosa del genere.

Kieran Chandler: Quindi quando parliamo di queste fonti di dati, stiamo parlando forse di fonti di social media. È questo il tipo di dati giusto da analizzare?

Joannes Vermorel: Almeno è quello che direbbero molti fornitori di ottimizzazione della supply chain basati sull’IA.

Kieran Chandler: E nella pratica, quanto bene funziona effettivamente questo, previsione di segnali precoci basata su fonti di dati esterne?

Joannes Vermorel: Al momento, non c’è praticamente nulla che funzioni anche solo lontanamente per le supply chain, nemmeno lontanamente. L’idea che tu possa andare sui social media ed estrarre dati rilevanti è solo un’illusione. Sono persone che fingono di farlo, non hanno mai visto il fatto che la maggior parte del traffico su quei social media non è nemmeno generato da persone ma da bot, sai, robot. Quindi, è molto difficile capire cosa è reale e cosa non è reale. Anche gli inserzionisti, che pagano per le pubblicità, hanno molta difficoltà a distinguere cosa è reale da cosa non è reale, e stanno pagando un sacco di soldi per pubblicare annunci su quelle piattaforme. Anche quando paghi per ogni singola impressione e sei disperato nel fare in modo che siano persone reali con occhi veri a guardare quegli annunci, è molto difficile. Quindi, immagina se sei solo un fornitore che sta raccogliendo terabyte di dati di traffico casuale, quello che ottieni è solo un sacco di casualità, un sacco di rumore. L’idea che tu possa prevedere automaticamente le tendenze basate su questo, forse in alcune situazioni estreme, sì, ma sono rare, quindi non sono molto interessanti. E il tipo di informazioni che otterresti non avrebbe nemmeno la granularità che ti interessa. Sì, se la tua granularità è prevedere chi sarà tra i 50 artisti più popolari negli Stati Uniti quest’anno, puoi avere un segnale precoce semplicemente guardando i social media. Questo ti darà un quadro chiaro in anticipo di chi, alla fine dell’anno, sarà l’artista più grande. Ma se cerchi di ottenere informazioni come… Quanti t-shirt di questa taglia, di questo colore, di questo motivo venderò in questa regione degli Stati Uniti? Questa è una sfida molto diversa. Qui, direi che nella maggior parte dei casi non avrai informazioni che sono lontane dalla qualità delle informazioni necessarie per tradurre ciò che ottieni da queste fonti di dati esterne in qualcosa che abbia senso per la supply chain per produrre beni e distribuirli.

Kieran Chandler: Ok, quindi qual è il problema in termini di qualità dei dati? Hai accennato che ci sono molti robot e cose del genere su queste piattaforme di social media, ma comunque vedremo quei post con più mi piace salire in cima, diventando i più visibili. Quindi, in termini di dati, perché non è interessante?

Joannes Vermorel: Il problema è che, ancora una volta, nelle supply chain, le tue produzioni sono organizzate per SKU. Stai producendo SKU di qualcosa, e poi stai vendendo quei prodotti magari attraverso un bundle per canali di marketing complessi, ecc. Non importa quali tweet vengano ritwittati un milione di volte o quale foto su Instagram venga guardata un miliardo di volte, non c’è una corrispondenza diretta tra questo e gli SKU che produci o distribuisci. Le persone includono molto raramente il codice UPC nel loro tweet, dicendo che questo prodotto con questo codice a barre è davvero di alta qualità. Quindi di solito è molto confuso. Anche quando sembra ovvio, anche se hai una superstar che twitta, “Questo nuovo paio di scarpe è super cool”, alcune persone potrebbero guardare solo il colore delle scarpe e interpretarlo, altre potrebbero pensare alla forma, altre ancora penserebbero al marchio, e alcune potrebbero interpretare che è qualsiasi cosa che assomiglia a quello. Può essere molto confuso, e quando si somma il fatto che c’è molta interazione, quindi non è come se potessi guardare solo un post e dire, “Questo è tutto”. È una serie; c’è interazione. È destinato agli esseri umani. La qualità della risposta conta perché cosa succede se qualcuno pubblica qualcosa che ha un milione di retweet, ma i retweet sono molto critici o sarcastici? Puoi fare un’analisi del sentiment, ma stai entrando in un campo in cui è molto difficile.

Kieran Chandler: Ok, quindi sembra sicuramente una sfida dal punto di vista dei social media, ma ci sono altri segnali precoci a cui potremmo guardare? Abbiamo parlato del meteo in un episodio precedente, quindi cos’altro potremmo guardare?

Joannes Vermorel: Sì, voglio dire, di solito, se guardi solo i dati delle stesse aziende, ci sono molti dati lì, e puoi provare a guardare i dati che le aziende hanno già per avere una visione più precisa del futuro. Questo è tipicamente l’approccio che Lokad fa. Poi, quando si tratta di avere un vero segnale precoce per qualcosa che è, direi, un evento raro o qualcosa che è 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 questo. Solo 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, che siano classici o probabilistici. Le supply chain hanno bisogno di un piano relativamente stabile da eseguire, e non si vuole che un po’ di rumore nel mercato cambi le marce, il che potrebbe interrompere la produzione e la distribuzione. Come affronti i motori di previsione che diventano eccessivamente reattivi e producono falsi positivi?

Joannes Vermorel: Una buona tecnologia di previsione non impazzirà solo a causa di un giorno aggiuntivo dell’anno. Per la maggior parte delle situazioni, è solo business as usual con una minima inflessione del corso. Se hai un motore di previsione che diventa troppo reattivo, finisci per avere 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 picco, il che può essere molto costoso. Abbiamo fatto progressi in Lokad nell’ultimo decennio, ma è molto marginale. Siamo felici quando riusciamo a rilevare una perturbazione qualche giorno prima, ma togliere solo qualche giorno è il massimo che possiamo fare.

Kieran Chandler: E cosa succede quando c’è un grande picco, come è successo con il coronavirus? Sicuramente è utile avere un segnale precoce per questo tipo di scenari, e cosa puoi fare se hai uno di quei segnali precoci? Non è vantaggioso?

Joannes Vermorel: Metto in discussione l’idea che si possa avere un segnale precoce per eventi estremi come il COVID-19. La maggior parte delle persone era perplessa dal modo in cui gli eventi si sono svolti, poiché era molto casuale e inconsistente tra paesi o addirittura 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 estremi è l’idea che non puoi prevederli realmente. È praticamente per design, poiché è molto difficile perché sarà nuovo e sorprendente. Ma ciò che puoi fare è avere la tua previsione, la tua previsione probabilistica, che mette sempre una certa probabilità su cose che sono semplicemente selvagge. Non è come se potessi prevedere il COVID-19, ma è come se dicessi, beh, il prossimo trimestre c’è come un uno percento di probabilità che il business sarà la metà di quello che è adesso 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, forse una campagna diffamatoria online contro il marchio, o qualsiasi altra cosa. È ragionevole dire che per la maggior parte delle aziende hai come un uno percento di probabilità per 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 accade una catastrofe di proporzioni enormi. Penso che sia giusto. Se guardiamo al XX secolo, è stato più di così. Quindi, hai bisogno di una previsione probabilistica, in cui metti una probabilità fissa e bassa sugli eventi estremi, e poi ti prepari contro questo, sapendo che può accadere in qualsiasi momento, e quando accadrà, assumerai che non avrai avvertimenti. Ma la buona notizia è che se hai questa probabilità in atto da anni, significa che hai fatto piccoli aggiustamenti che, se questa cosa accadesse, sei un po’ preparato. Ma ci sono voluti anni di preparazione, facendo buon uso delle tue risorse.

Kieran Chandler: Parliamo sempre di questa idea di essere riflessivi su ciò che sta accadendo nel mondo. Ci sono settori che hai visto che sono classici nel reagire lentamente e che potrebbero trarre vantaggio dall’avere un approccio di segnale precoce?

Joannes Vermorel: La cosa è che la maggior parte delle industrie che ho osservato, anche se gli dai un segnale precoce, non farebbero nulla. Il motivo è che fino a quando non hai raggiunto un punto, e questo riporta la domanda a questa visione quantitativa della supply chain, in cui il punto numero quattro riguarda la piena robotizzazione del tuo flusso di dati in modo da poter generare le tue decisioni. Vedi, quello che succede nella maggior parte delle aziende è che l’elemento di previsione è solo un passaggio del processo che alla fine porta alla presa di decisioni, la decisione che riguarda cose come, dovremmo acquistare di più dai fornitori, dovremmo produrre di più, o dovremmo effettivamente spostare il prezzo verso l’alto o verso il basso? Ma la realtà è che per la maggior parte delle aziende, il processo di trasformare le previsioni in decisioni effettive è molto manuale e, secondo me, 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 adesso.

Kieran Chandler: Ora, potrebbero esserci casi particolari in cui puoi vedere qualcosa in anticipo, ma dubito che in questo caso sia una previsione statistica. È più probabile che sia un’idea di alto livello sull’evoluzione del mercato, guidata da numeri e statistiche. In questo tipo di situazione, hai la tua previsione precoce, ma agirai di conseguenza?

Joannes Vermorel: Di solito, se la conseguenza di avere un segnale precoce è solo inviare una e-mail a qualcuno nella tua azienda o aspettarsi che quella persona vada su un’app per guardare gli avvisi, non succederà nulla nel breve periodo. Sarà lento. Le supply chain sono complesse e distribuite, coinvolgono molte persone, sistemi e macchine in molte località. Se vuoi avere una buona risposta della supply chain, hai bisogno di coordinazione. A meno che non ci sia un grado di automazione molto elevato in atto, quella coordinazione coinvolgerà persone reali che fanno telefonate frenetiche, e ci vorrà tempo, tipicamente settimane.

In definitiva, se hai un segnale precoce ma non hai un processo completamente automatizzato che trasforma la tua previsione in decisioni automaticamente, senza intervento umano, la maggior parte del potenziale guadagno dal segnale precoce andrà perso nell’inerzia delle persone che cercano di trasformare quelle previsioni in azioni.

Kieran Chandler: Immagino che uno dei problemi di questi segnali precoci sia la quantità di fiducia che puoi effettivamente avere nei risultati. Come hai detto, spesso sono abbastanza rumorosi. Pensi che in futuro potremmo arrivare a una fase in cui la tecnologia è in grado di fornire risultati più affidabili?

Joannes Vermorel: No, e il motivo è che il futuro è incerto, e questa incertezza è irriducibile. Negli ultimi dieci anni ci siamo concentrati sulla previsione probabilistica, che tiene conto del fatto che il futuro è incerto. Se ti aspetti un sistema informatico magico che ti darà il numero vincente della lotteria con il 100% di certezza, non funziona così. Al massimo, puoi avere un sistema che ti fornisce delle probabilità.

Ad esempio, potresti trovarsi di fronte a una situazione che inizia con una probabilità del 1% di essere un evento estremo. Poi, magari inizi a notare qualcosa di strano, e il giorno successivo, la stima aumenta al 1,5%. Dovresti fare qualcosa? Forse no. Il giorno successivo, aumenta al 3%, che è una crescita esponenziale, ma comunque molto lenta. Poi diventa il 6%. Dovresti impazzire perché c’è il 6% di probabilità?

Kieran Chandler: Per accadere, sai, stiamo parlando di qualcosa che si supponeva dovesse accadere solo una volta ogni 25 anni, e invece eccoci qui, qualcosa che potrebbe accadere forse una volta ogni cinque anni circa. Ma è, di nuovo, è solo un piccolo cambiamento, e l’idea è che le priorità sono molto incerte, e se il tuo sistema decisionale è ben progettato, le cose che trasformano quelle priorità in decisioni rifletteranno gradualmente il fatto che il rischio che era dell'1% ora è del 6%. Quindi guiderà un po’, ma solo un po’, le decisioni in una direzione che renda più protettiva per la tua azienda, senza impazzire di nuovo. Non vuoi avere qualcosa che renda la tua supply chain pazza facendo mosse folli e cambiamenti, e magari il giorno successivo le cose torneranno al 3% di stima, sai, da sei a tre perché in realtà potrebbe essere stato un falso positivo o potrebbe continuare ad aumentare. Ma vedi, questa è una sorta di buona risposta che puoi ottenere da un flusso di dati completamente automatizzato. E poi, se hai scienziati della supply chain in cima, e stanno vedendo le notizie, hanno una comprensione a livello elevato, e vedono che sta arrivando qualcosa come una grande ondata, come un coronavirus, allora puoi effettivamente avere persone che, oltre a ciò, modificheranno un po’ la ricetta numerica stessa in modo che richieda un po’ di intuizione umana extra per guidare il sistema in una direzione migliore.

Joannes Vermorel: Quindi, se sei un professionista della supply chain che sta guardando questo, il tuo focus principale dovrebbe essere automatizzare completamente i tuoi processi anziché preoccuparti di cosa succede magari all’inizio del processo? Dovresti guardare magari come rispondere ad esso nel momento in cui si presenta.

Kieran Chandler: Esattamente. Voglio dire, devi valutare quanti giorni di agilità puoi guadagnare. Per la maggior parte delle aziende, direi che con una migliore tecnologia di previsione, magari come quella di Lokad, diciamo, quanto puoi risparmiare? Forse una settimana, forse due, rispetto a una media mobile. Forse hai previsioni migliori, quindi potrebbe contare un po’ di più, sai, forse quattro settimane se la tua azienda era molto scarsa nel gestire la stagionalità o qualcosa del genere. Ma, voglio dire, se non avevi un processo disfunzionale in atto, probabilmente stiamo solo parlando di poche settimane. Ma quando si tratta di decisioni, osservo frequentemente che le aziende possono perdere fino a un quarto di tempo per mettere a punto le cose e accettare una nuova realtà. Quindi è molto lento, e anche in settori reattivi come la moda veloce, dove ci volevano sei settimane per trasformare la previsione in una decisione, e sto parlando di una decisione e poi devi ancora produrre, trasportare e distribuire. Ci vuole comunque tempo. Quindi, davvero, penso che in media, per la grande maggioranza delle aziende, sia una scommessa molto più sicura dire che stiamo solo eliminando il ritardo che c’è tra le decisioni, tra la previsione e le decisioni, mettendo tutte queste cose insieme in un processo automatizzato e poi capire come possono avere previsioni super avanzate dove possono guadagnare qualche giorno o settimana in più se hanno fortuna. Ok, ottimo, dobbiamo lasciarlo qui. Ma suppongo che ora possiamo usare i social media senza sapere che le aziende stanno monitorando tutto ciò che facciamo.

Joannes Vermorel: Oh, stanno monitorando. È solo bello, quindi rende felici alcuni analisti, ma non lo trasformano in nulla di concreto.

Kieran Chandler: Ottimo, quindi è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo di nuovo nel prossimo episodio.