Dati migliori per previsioni migliori

00:00:06 Importanza dei dati per i progetti di ottimizzazione e sfatare i miti sui dati.
00:01:50 Raccolta accidentale dei dati e le sfide dell’utilizzo dei dati provenienti da sistemi differenti.
00:03:39 Le limitazioni dei dati in serie temporali e l’importanza della granularità delle transazioni.
00:06:18 La necessità di dati migliori e più rilevanti per le previsioni.
00:07:26 Esempio pratico: ottimizzare le scorte in una catena al dettaglio e l’importanza dei dati transazionali.
00:10:01 Il ruolo dei livelli transazionali e dello stoccaggio dei dati nella raccolta dei dati storici.
00:11:38 Transizioni dei sistemi ERP e la necessità di processi di previsione migliorati.
00:13:37 Gli svantaggi della pulizia dei dati e l’importanza dei dati a spettro completo.
00:15:20 L’utilizzo dei sistemi informatici nelle operazioni di supply chain e l’accuratezza dei dati.
00:17:31 Importanza di considerare i livelli di scorte e i resi nelle previsioni.
00:19:24 Adattare l’approccio di previsione basandosi su una prospettiva specifica del settore.
00:21:46 Comprendere l’importanza di dati migliori e ampliare l’orizzonte dei dati rilevanti.
00:24:48 Avere una chiara comprensione della generazione dei dati e ottenere previsioni migliori.

Sommario

Kieran Chandler intervista Joannes Vermorel, fondatore di Lokad, sull’importanza della raccolta dei dati nell"ottimizzazione supply chain. Vermorel suggerisce che le aziende spesso raccolgono i dati in maniera accidentale anziché intenzionale per scopi di ottimizzazione, ma tali dati possono comunque essere utili per i processi di previsione e ottimizzazione. Sottolinea l’importanza dei dati granulari, poiché aggregare i dati in “serie temporali” può comportare la perdita di informazioni preziose. Vermorel consiglia alle aziende di lavorare con i dati grezzi e transazionali e di affrontare le problematiche della supply chain da una prospettiva settoriale. La conversazione tocca anche l’importanza di considerare fattori come il pricing, i resi, i “backorders” e i movimenti di scorte nei processi di previsione.

Sommario Esteso

In questa intervista, Kieran Chandler, il conduttore, discute con Joannes Vermorel, fondatore di Lokad, l’importanza della raccolta dei dati e il suo ruolo nell’ottimizzazione della supply chain. Affrontano il mito secondo cui i dati debbano essere perfetti affinché le macchine possano elaborarli ed esplorano come le aziende possano migliorare i loro processi di raccolta dei dati.

Vermorel osserva che la maggior parte delle aziende raccoglie dati accidentalmente, come sottoprodotto dei loro sistemi transazionali, anziché intenzionalmente per scopi di ottimizzazione. Sistemi come gli ERPs e i dispositivi point-of-sale sono stati inizialmente progettati per semplificare le operazioni quotidiane, non per raccogliere una cronologia transazionale completa. Questa raccolta accidentale di dati può comunque costituire una base per i processi di previsione e ottimizzazione.

Chandler si chiede se esistano tesori di dati inutilizzati all’interno delle aziende. Vermorel spiega che i dati generati dai sistemi aziendali sono spesso complessi e difficili da interpretare, poiché riflettono più da vicino il funzionamento interno del sistema informatico che la realtà del processo. Quando le aziende tentano di implementare processi di previsione, spesso estraggono una versione semplificata di questi dati, come le vendite giornaliere o settimanali. Questa semplificazione, tuttavia, può comportare la perdita di informazioni critiche sul business e sulle sue operazioni.

La granularità dei dati è una preoccupazione significativa, poiché i dati aggregati potrebbero non fornire informazioni sufficienti per previsioni e ottimizzazioni efficaci. Vermorel sostiene che quando le aziende trasformano i loro dati grezzi in versioni semplificate, perdono un’enorme quantità di informazioni che potrebbero essere preziose per l’ottimizzazione della supply chain.

L’intervista discute l’importanza della raccolta dei dati nell’ottimizzazione della supply chain e mette in evidenza le sfide che le aziende affrontano nell’utilizzare i dati raccolti, spesso in modo accidentale. La conversazione sottolinea che dati perfetti non sono un prerequisito per previsioni e ottimizzazioni efficaci, ma riconosce che c’è un margine significativo di miglioramento nel modo in cui le aziende raccolgono, elaborano e analizzano i loro dati.

Discutono le sfide e l’importanza di lavorare con dati granulari per ottimizzare supply chain nei processi.

Vermorel spiega che molte aziende aggregano i loro dati in serie temporali, semplificando i dati in un unico numero per giorno. Sebbene questo metodo sia facile da utilizzare, potrebbe non essere rilevante o utile per prendere decisioni aziendali informate. Egli afferma che si possono ottenere previsioni migliori e ottimizzazione della supply chain lavorando con dati a livello transazionale, poiché questi offrono più contesto e una maggiore comprensione delle reali operazioni aziendali.

L’intervista evidenzia alcuni degli insidiosi rischi del lavorare con dati aggregati, poiché possono fuorviare e portare le aziende a trascurare importanti scenari. Ad esempio, in uno scenario di retail chain, Vermorel spiega come l’aggregazione dei dati possa portare a un’errata interpretazione della domanda a livello del centro di distribuzione. Elaborando i dati in serie temporali, le aziende eliminano l’ambiguità, il che può essere sia vantaggioso che svantaggioso, poiché potrebbero involontariamente formulare ipotesi errate sulle loro operazioni aziendali.

La conversazione tocca anche il tema dei dati storici e di come molte aziende perdano informazioni preziose durante le transizioni tra diversi sistemi ERP. In passato, preservare i dati non era una priorità, poiché lo scopo dei sistemi ERP era quello di aiutare le aziende a operare in modo più fluido. Inoltre, l’archiviazione dei dati era costosa, il che portava all’implementazione di euristiche per eliminare i dati in vari modi. Tuttavia, al giorno d’oggi, l’archiviazione dei dati è relativamente economica, rendendo più fattibile la loro conservazione.

Vermorel sottolinea che quando Lokad collabora con le aziende, spesso constata che i processi di previsione esistenti non sono un punto di partenza adeguato per l’ottimizzazione della supply chain. Ciò è dovuto al fatto che molte delle informazioni rilevanti sono state perse a causa della proiezione crude dei dati transazionali in serie temporali. Invece, suggerisce che le aziende dovrebbero concentrarsi sul lavorare con i dati grezzi e transazionali per ottimizzare i loro processi di supply chain.

In conclusione, l’intervista tocca il tema della pulizia dei dati. Vermorel afferma che i dati transazionali grezzi sono già sufficientemente puliti per i loro scopi, e che il concetto di “data cleansing” spesso si riferisce alla semplificazione eccessiva dei dati in serie temporali, cosa che potrebbe non essere d’aiuto per comprendere la vera natura delle operazioni aziendali.

Vermorel inizia spiegando che se le aziende osservano i loro dati in maniera limitata, come considerando solo sfumature di verde, la loro comprensione del mondo sarà ristretta. Sottolinea che i dati dovrebbero essere visti nel loro intero spettro di colori per ottenere un quadro più accurato. Sottolinea inoltre che i dati non sono intrinsecamente errati, ma piuttosto un riflesso dei processi aziendali. Le aziende devono riconoscere i loro dati per quello che sono e utilizzarli per fare previsioni migliori.

Vermorel continua affermando che le aziende dovrebbero riconoscere che i loro sistemi non sono stati inizialmente progettati per produrre dati, ma per operare la supply chain. Il fatto che le aziende dispongano di fatture, pagamenti e altra documentazione è la prova che i loro dati sono per lo più corretti. Tuttavia, quando si tratta di previsioni, le aziende trascurano spesso fattori cruciali come il pricing, i resi e i livelli di scorte.

Il pricing ha un impatto significativo sulla domanda e sulla supply chain. Quando le aziende esaminano i loro processi di previsione, di solito constata che il pricing è assente. Questo è solo la punta dell’iceberg, poiché fattori come i resi e i livelli di scorte risultano anch’essi spesso mancanti. Vermorel spiega che comprendere i livelli di scorte è essenziale perché se non c’è scorta, non ci saranno vendite. Allo stesso modo, i backorders rappresentano un tipo unico di domanda che non dovrebbe essere trattato allo stesso modo della domanda regolare.

Vermorel consiglia alle aziende di affrontare le problematiche della supply chain da una prospettiva specifica del settore. Dovrebbero considerare quali fattori sono più rilevanti per il loro settore e concentrarsi su quelli. Ad esempio, nell’aerospaziale, l’obiettivo potrebbe essere ridurre al minimo gli incidenti di aerei a terra (AOG) ottimizzando gli investimenti, mentre nel retail di generi alimentari freschi, l’attenzione dovrebbe essere rivolta a massimizzare la fedeltà a lungo termine dei clienti, garantendo la disponibilità e la freschezza dei prodotti.

Hanno discusso che, invece di concentrarsi sul perfezionamento e l’aggregazione dei dati storici, Vermorel suggerisce di ampliare gli orizzonti dei dati rilevanti considerando aspetti ordinari come i prezzi, i resi, i backorders e i movimenti di scorte. Sottolinea l’importanza di comprendere come vengono generati i dati per evitare situazioni di “garbage in, garbage out”. Vermorel sostiene inoltre che previsioni migliori dovrebbero essere misurate in termini di dollari e legate a una migliore decision-making, piuttosto che basarsi su metriche in percentuale.

Trascrizione Completa

Kieran Chandler: Quindi oggi discuteremo se, nel caso in cui un’azienda raccolga già dati, cosa può fare per migliorare e sfatare il mito secondo cui i dati debbano essere perfetti affinché le macchine possano elaborarli. Quindi Joannes, se un’azienda sta già raccogliendo dati, può fare davvero molto di più?

Joannes Vermorel: Sì, la prima cosa da capire è che la maggior parte delle aziende raccoglie dati in modo completamente accidentale. Non era mai nell’intento raccogliere dati; l’obiettivo era semplicemente operare. Ad esempio, un ERP non è progettato per raccogliere dati, ma per permettere che tutte le operazioni banali che si svolgono costantemente in azienda possano avvenire con il supporto di un sistema informatico centralizzato. Proprio come al punto vendita in un negozio, la cassa elettronica è lì semplicemente per velocizzare il pagamento. Il sistema non è stato effettivamente progettato o implementato con lo scopo di raccogliere una cronologia transazionale completa di tutte le ricevute. Poiché questi sistemi raccoglievano dati da secoli, le aziende finiscono per avere molti dati, ma non sono concepiti naturalmente per l’ottimizzazione. Quindi c’è una grande quantità di dati in circolazione, e di solito, nel corso degli ultimi decenni, emerge qualche tipo di processo di previsione o ottimizzazione. Ma ciò non significa che non ci sia un margine enorme di miglioramento.

Kieran Chandler: Se le aziende non avevano l’intenzione di raccogliere dati quando hanno iniziato, significa che esiste un intero tesoro di dati che è semplicemente rimasto in archivio e non è mai stato veramente considerato?

Joannes Vermorel: Il problema è che, di solito, i dati non vengono realmente raccolti intenzionalmente. Sono semplicemente un artefatto, un sottoprodotto dei sistemi transazionali. Non sono esattamente disordinati; è solo che, quando si osservano i dati così come vengono generati nei tipici sistemi aziendali, risultano essere qualcosa di molto alieno. Non imitano il mondo reale; di solito hanno più a che fare con il funzionamento interno del sistema informatico che con la realtà del processo. Di conseguenza, quando le persone in una grande organizzazione avviano un nuovo processo, diciamo un processo ERP, e vogliono implementare una qualche forma di previsione, finiscono per ottenere dati che sono molto strani e alieni, e che presentano numerose complessità accidentali che non hanno nulla a che fare con la sfida della previsione. Tipicamente, quello che fanno le aziende è estrarre una versione molto semplificata di questi dati, ottenendo così le vendite giornaliere o settimanali, e poi costruiscono le loro previsioni su quella base. È qui che sorgono una serie di problemi: il fatto che questi dati, una volta estratti come vendite giornaliere o settimanali, perdono molte informazioni critiche su ciò che sta accadendo nell’azienda.

Kieran Chandler: Ma quanto granulari devono essere quei dati? Perché se stiamo parlando di un’azienda che raccoglie dati da circa 20 anni, aggregare quei dati rende sicuramente le cose molto più gestibili? Con “gestire” intendo che, aggregando i dati, li riformatti in modo tale che si adattino perfettamente a qualcosa che tipicamente lavora con le serie temporali. E sì, le serie temporali sono davvero ottime, sai, un numero per giorno, è proprio così. Quindi hai una serie, un numero per giorno, e poi vuoi proiettarla nel futuro. È molto semplice. Esistono molti modelli davvero validi che possono operare su questo tipo di dati, a partire dalle medie mobili, fino ad approcci un po’ più sofisticati. Ma il problema è che non è perché sia facile che sia effettivamente rilevante. E questo è il punto: è molto facile farlo in quel modo, ma ciò non significa che sia effettivamente rilevante per l’azienda.

Joannes Vermorel: Questo è il pericolo. Il problema è che le persone pensano: “Oh, ho bisogno di dati più disaggregati, quindi devo passare da dati mensili a settimanali o da settimanali a giornalieri.” Ma si tratta solo di cambiare l’intervallo di aggregazione. Direbbero: “Oh, se lo facciamo meglio, passeremmo ai dati orari.” Ma questo non è affatto il problema. Il problema è che, pensando in termini di serie temporali, stai già inquadrando il problema in modo completamente diverso da come i dati esistono realmente nei tuoi sistemi. Nei tuoi sistemi, non esiste nulla come le serie temporali. Ciò che conta è avere dati a granularità transazionale, perché possono fornire molte più informazioni. Se vuoi previsioni migliori con dati migliori, significa, secondo la nostra esperienza, avvicinarsi molto al modo in cui le cose sono nel tuo sistema informatico, anziché avere una versione eccessivamente semplificata in cui tutte le informazioni rilevanti sono già state perse.

Kieran Chandler: Quindi l’informazione rilevante viene persa, e fondamentalmente, i dati che osservi potrebbero essere leggermente fuorvianti. Quali sono i tipi di scenari che potresti trascurare?

Joannes Vermorel: Di solito, sono cose così banali che le persone addirittura se ne dimenticano. Per esempio, guardiamo una catena retail, come quella dei supermercati. Immagina di avere una serie di centri di distribuzione, e ogni centro di distribuzione serve, non so, 20 supermercati o qualcosa del genere. Come appare, sai, questo genere di cose? Prendi il compito di ottimizzare, diciamo, il magazzino nel centro di distribuzione. Quindi, quello che succede è che ogni singolo giorno, i negozi effettuano ordini al centro di distribuzione. E quando ordini, non so, 100 unità di qualcosa per il supermercato, al centro di distribuzione possono accadere due cose: o soddisfano l’ordine, spedendo tipicamente 100 unità il giorno successivo, oppure non lo soddisfano. Quindi il negozio effettua un ordine di 100 unità e poi il centro di distribuzione non invia nulla. E il giorno successivo, lo stesso negozio effettua un altro ordine di 150 unità.

Ora la domanda è: se vuoi riconoscere la domanda a livello di centro di distribuzione per quei due giorni, qual è la domanda? È 100 unità più 150 unità? Ma ciò sembra sbagliato perché, vedi, il motivo per cui nel secondo giorno il negozio effettua un ordine di 150 unità è che l’ordine del giorno precedente per 100 unità non è stato soddisfatto. Quindi, fondamentalmente, hanno dovuto coprire sia la domanda per il giorno non soddisfatto sia per un altro giorno. Così finisci per ordinare di più, ma è un errore pensare che la domanda sia di 250 unità. Forse la domanda totale dovrebbe essere in realtà di sole 150 unità, perché dovresti scartare del tutto le iniziali 100 unità. Ma la realtà può essere caotica.

Kieran Chandler: Iniziare a produrre una serie temporale, sai, questa informazione viene persa e c’è tutta quell’ambiguità che esiste, perché ci sono molte ambiguità. Tutte quelle ambiguità vengono eliminate, e potresti dire che è una cosa positiva. Improvvisamente, posso far lavorare i miei data scientists su dati non ambigui. Ma sì e no, perché rimuovendo l’ambiguità, il problema è che hai già fatto una dichiarazione su come opera la tua azienda, e questa dichiarazione può essere estremamente errata.

Joannes Vermorel: Uno dei motivi per cui le aziende aggregano i loro vecchi dati è perché potrebbero essere in procinto di passare da un sistema ERP a qualcosa di più recente. Quindi, è davvero utile avere tutte quelle informazioni storiche magari re-importate nel nuovo sistema ERP? Inizialmente, quando parlavamo di ciò che oggi chiamiamo “yuppies”, strati transazionali di sistemi che gestiscono solo le operazioni di routine, il loro obiettivo non era raccogliere dati storici. Quando tutto ebbe inizio, diciamo, alla fine degli anni ‘70 o ‘80, preservare i dati non era l’obiettivo, ed all’epoca serviva fondamentalmente a far operare l’azienda in modo più fluido.

Grazie al fatto che all’epoca lhardware informatico era molto costoso, rispetto ad oggi, e soprattutto che anche l’archiviazione dei dati era molto costosa, molti software vendors hanno fatto la cosa giusta all’epoca. Hanno implementato strumenti euristici per eliminare i dati in vari modi. Non sto parlando dei giorni nostri, intendo che la maggior parte di quelle euristiche o di quei sistemi ormai non ha più senso, semplicemente perché l’archiviazione dei dati è ormai super economica.

Kieran Chandler: Quindi, c’è un punto in cui queste aziende dovrebbero effettuare una sorta di pulizia dei dati? O stai dicendo che dovrebbero semplicemente prendere i dati grezzi e lasciarli così come sono?

Joannes Vermorel: I dati sono già puliti. Il problema è, quando dici pulizia dei dati, cosa significa? Se ti dico che il problema è che vuoi avere un quadro accurato del mondo, e per qualche motivo decidi che il modo in cui guardi il mondo è solo osservare cose in una certa sfumatura di verde. Così hai un’immagine che cattura solo le sfumature di verde, e tutto ciò che non è verde risulterà semplicemente nero. Non lo vedrai affatto. Poi, le cose che sono più o meno verdi, avrai delle sfumature di verde, e quello è il tuo quadro del mondo.

Ovviamente, diresti, “Penso di dover fare una pulizia dei dati; questa immagine non è molto accurata. Devo forse migliorarla.” Ma hai bisogno di uno spettro completo di colori. Il problema non è la sfumatura di verde; non c’è pulizia. La tua immagine è semplicemente quella che è. Il problema è che se vuoi avere un quadro migliore del mondo, hai bisogno dello spettro completo dei colori.

Kieran Chandler: Quindi, previsioni migliori, la prima cosa è semplicemente iniziare a guardare l’azienda com’è. I dati non sono errati, sono semplicemente dove sono, sai. Quello che dico è che produrre dati non è mai stato l’obiettivo primario di tutti i tuoi sistemi. I tuoi sistemi sono stati messi in atto affinché la supply chain possa operare, affinché sia possibile produrre, spostare le cose e venderle. Quindi, tutti gli strati che hai sono solo una riflessione di tutti quei processi, il che va benissimo. Il fatto che funzioni e che tu abbia cose come fatture, pagamenti, e così via, dimostra che questi dati sono in gran parte corretti. Non sono perfettamente corretti; altrimenti, non sapresti cosa fatturare, non sapresti quanto pagare i tuoi fornitori, e così via.

Quindi, penso che di solito, per la maggior parte delle aziende al giorno d’oggi, almeno per quelle che utilizzano sistemi informatici da decenni, esse sono situate in Europa, Nord America e, in realtà, nella maggior parte dell’Asia al momento, tutto è in atto, è già solido. Il problema è che quando pensi in termini di previsioni in maniera semplicistica, non si tratta solo di vendite. Può riguardare i resi, può anche essere, per esempio, una delle cose super basilari a cui la gente pensa: come possiamo migliorare le nostre previsioni?

Joannes Vermorel: Di solito, quando iniziamo a guardare quelle serie temporali, diciamo, sai cosa, non conosci nemmeno il prezzo. Quando iniziamo a lavorare con le aziende e loro vogliono migliorare la loro previsione, guardiamo semplicemente il loro data pipeline che genera la previsione, e vediamo che il pricing è assente. Ovviamente, i prezzi hanno un impatto enorme sulla supply chain. Se improvvisamente sconti tutti i tuoi prodotti del 50%, la domanda esploderà, forse la tua redditività svanirà, ma comunque, i prezzi di solito hanno un impatto enorme sulla domanda e sulla tua supply chain. La maggior parte delle volte, quando osserviamo quei processi di S&OP e di previsione, il pricing è assente, ma di solito è solo la punta dell’iceberg.

Kieran Chandler: Ne abbiamo già accennato prima, e le persone si concentrano sulla domanda, e il pricing è ovviamente una cosa che possono esaminare, ma forse vale la pena ribadire: quali sono le altre cose che potrebbero essere di interesse?

Joannes Vermorel: Di solito, i resi sono assenti, i livelli di stock sono assenti. Potresti pensare: perché hai bisogno dei livelli di stock? La risposta è, beh, perché innanzitutto, se hai un stock out, allora non venderai nulla semplicemente perché non c’è nulla da vendere. Forse riceverai ordini arretrati, ma ancora, è un modello molto specifico. Quindi, puoi veramente contare un ordine arretrato come una vendita regolare? Voglio dire, richiede un impegno. Un ordine arretrato è fondamentalmente quando il prodotto non è disponibile, quindi chiederò al fornitore di mettere qualcosa in arretrato per essere spedito in seguito, e come cliente, sono disposto a subire un lungo ritardo. Quindi, di nuovo, questa è domanda, ma non è esattamente della stessa natura rispetto alla domanda regolare. Quindi se dici che un’unità di ordine arretrato è esattamente la stessa di una vendita, non è proprio così, non proprio.

Specialmente per farti un esempio, se per qualche motivo accade che una larga parte della domanda che hai, magari in B2B, sia costituita da clienti a cui va bene un ordine arretrato e lunghi ritardi di evasione se possono ottenere un prezzo migliore. Allora, improvvisamente, da una prospettiva di previsione, è molto vantaggioso, perché improvvisamente non devi prevedere nulla.

Kieran Chandler: Puoi parlare della domanda e degli ordini arretrati?

Joannes Vermorel: Qualcosa in merito all’ordine arretrato da spedire in seguito, come cliente, sono disposto ad accettare forse un lungo ritardo. Quindi, di nuovo, questa è domanda, ma non è esattamente della stessa natura rispetto alla domanda regolare. Quindi, se dici che un’unità di ordine arretrato è esattamente la stessa, beh, non proprio, non proprio. Specialmente, specialmente per farti un esempio, se per qualche motivo una grande parte della domanda che hai, magari in B2B, è costituita da clienti a cui va bene avere ordini arretrati e lunghi ritardi di evasione se possono ottenere un prezzo migliore, allora improvvisamente, da una prospettiva di previsione, è molto, molto vantaggioso perché non devi prevedere nulla. Vedi semplicemente gli ordini arretrati, e orchestri le tue supply chains affinché, al momento della consegna prevista, tu abbia la merce pronta. Ma non è necessariamente necessario prevedere questa domanda perché, sai, questa domanda è già nota in anticipo in quanto è già stata ordinata.

Kieran Chandler: Se vuoi sfruttare al massimo i dati che hai attualmente, qual è il tuo consiglio per le aziende?

Joannes Vermorel: La prima cosa è che devi affrontare il problema, direi, da una prospettiva molto specifica del settore. Sai, devi chiederti: “Ho una supply chain. Cosa conta davvero?” E la risposta è: “Dipende.” Dipende davvero dal tipo di supply chain che gestisci. Se operi nel settore aerospaziale, la domanda si riduce a: “Per ogni dollaro che investo nella mia supply chain, come posso evitare il massimo numero di incidenti AOG (aircraft on ground) perché manca qualcosa, e hai un aereo bloccato a terra?” Quindi, di solito, la domanda è: “Come posso ottenere il massimo numero di incidenti AOG per dollaro investito?” Questa sarebbe la prospettiva per l’aerospazio. Per il cibo fresco, invece, il problema sarà completamente diverso. Sarebbe: “Okay, come posso davvero massimizzare la fedeltà a lungo termine dei miei clienti, dato che il cibo riguarda fondamentalmente il ripetersi degli acquisti?” Quindi, quello che desideri non è il service level di un singolo prodotto, che è in qualche modo inutile. Non ti interessa veramente, perché ci sono così tanti sostituti. Quello che vuoi assicurarti è che i tuoi clienti fedeli, che vengono nel tuo negozio per comprare non un solo prodotto, ma un intero cesto, abbiano un’esperienza molto buona. E così, se manca qualcosa, c’è sempre un sostituto, e possono lasciare il tuo negozio molto soddisfatti non solo della disponibilità complessiva, ma anche della freschezza complessiva di ciò che acquistano. Quindi, questo farà parte dell’esperienza globale, e ancora, la domanda sarà: per ogni dollaro investito, come puoi ottimizzare ciò? La domanda è davvero specifica del settore. Quali sono le idee più rilevanti a cui devi davvero prestare attenzione? Beh, è solo la tua competenza nel settore che ti permette di giudicare se qualcosa è bello da avere o completamente critico per evitare decisioni estremamente sbagliate.

Kieran Chandler: Qual è il messaggio principale di oggi?

Joannes Vermorel: Quindi, se prendiamo l’obiettivo di questo episodio, sai, è come posso avere previsioni migliori con una coda migliore. Sarebbe qualcosa che vogliamo avere, e i dati migliori non sono generalmente ciò che ti aspetti.

Kieran Chandler: Voglio dire, sì, puoi avere dati molto migliori per la tua attività di previsione, ma il problema è: cosa intendo per migliore? Di solito, l’esperienza locale è che intendiamo cose molto specifiche che assolutamente non sono ciò che la maggior parte delle persone si aspetta. Prima di tutto, dati migliori significano avere un quadro completo di tutte le cose che dovresti considerare, e di solito non si tratta di Instagram o dei tuoi social network o delle previsioni meteo. Si tratta di qualcosa di molto più banale, cose che esistono già nel sistema. È qualcosa in cui molte persone, forse quelle di prima di te, hanno già deciso che non vale nemmeno la pena guardare.

Joannes Vermorel: Beh, il nostro messaggio è che quei dati meritano davvero di essere analizzati. Sto parlando di prezzi, resi, ordini arretrati, movimenti di stock, tutto questo. Contano, e la buona notizia è che sono già presenti da qualche parte nei tuoi sistemi. Quindi, innanzitutto, amplia i tuoi orizzonti su ciò che consideri rilevante in termini di dati. La seconda cosa sarebbe dimenticare questa idea della preparazione dei dati. Devi capire come vengono generati i dati, perché? Perché altrimenti finirai con una situazione di garbage in, garbage out. Comprendere i dati è complicato perché riguarda due aspetti: comprendere il software e anche il processo seguito dalle persone che operano sopra il software.

Di solito, la semantica dei dati ha due parti: è per metà nella testa della persona che opera il software e per metà nella testa dell’ingegnere del software che ha progettato per primo il software aziendale. Quando dico la persona, purtroppo, di solito sono molte, molte persone, e il peggiore dei casi è quando quelle persone hanno interpretazioni contrastanti. È qui che puoi avere una situazione molto caotica. Quindi vedi, amplia il tuo orizzonte in termini di dati rilevanti, niente di troppo sofisticato, semplicemente cose banali per la tua azienda, ma non solo le vendite. Poi, devi avere una comprensione di questi dati.

Infine, se vuoi avere previsioni migliori, tutto si riduce a cosa significa una previsione migliore. Arriviamo al punto in cui la gente direbbe, “Oh, è un miglior mean absolute percentage error o un miglior mean absolute error,” o meglio, sai, ogni sorta di metrica. E di nuovo, direi, se viene espresso in percentuali, non va bene. Deve essere espresso in dollari. E proprio come abbiamo discusso in uno degli episodi precedenti su decision-first, in definitiva, una previsione può essere considerata migliore solo se ti porta a decisioni migliori.

Purtroppo, il modo in cui puoi giudicare se una previsione è migliore o meno è attraverso il prisma della decisione finale che prendi. È difficile, ma è questo il modo in cui lo fai. Se dici semplicemente, “Oh, ho un MAPE migliore, e la previsione è migliore,” è molto sbagliato, e non finirai nemmeno per prendere decisioni che, direi, sono errori di nazionalismo, errori di qualche tipo.

Kieran Chandler: Sì, va bene, dovrò convivere con questo, ma immagino che probabilmente ci saranno alcuni IT manager che ci ringrazieranno per questo, perché ora dovranno setacciare gli archivi. Va bene, questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Ciao per ora.