Migliori dati per previsioni migliori

00:00:06 Importanza dei dati per i progetti di ottimizzazione e confutazione dei miti sui dati.
00:01:50 Raccolta accidentale dei dati e le sfide nell’utilizzo di dati provenienti da diversi sistemi.
00:03:39 Limitazioni dei dati di serie temporali e importanza della granularità delle transazioni.
00:06:18 La necessità di dati migliori e più rilevanti per le previsioni.
00:07:26 Esempio pratico: ottimizzazione delle scorte in una catena di vendita al dettaglio e importanza dei dati di transazione.
00:10:01 Il ruolo dei livelli transazionali e dell’archiviazione dei dati nella raccolta di dati storici.
00:11:38 Transizioni dei sistemi ERP e la necessità di processi di previsione migliorati.
00:13:37 Svantaggi della pulizia dei dati e importanza dei dati a spettro completo.
00:15:20 Utilizzo dei sistemi informatici per le operazioni della supply chain e accuratezza dei dati.
00:17:31 Importanza di considerare i livelli di stock e i resi nelle previsioni.
00:19:24 Adattamento dell’approccio di previsione in base a una prospettiva specifica del settore.
00:21:46 Comprendere l’importanza di dati migliori ed espandere l’orizzonte dei dati rilevanti.
00:24:48 Avere una chiara comprensione della generazione dei dati e ottenere previsioni migliori.

Riassunto

Kieran Chandler intervista Joannes Vermorel, fondatore di Lokad, sull’importanza della raccolta dati nell’ottimizzazione della supply chain. Vermorel suggerisce che le aziende spesso raccolgono dati incidentalmente anziché intenzionalmente per scopi di ottimizzazione, ma questi dati possono comunque essere utili per le previsioni e i processi di ottimizzazione. Egli sottolinea l’importanza dei dati granulari, poiché l’aggregazione dei 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 i problemi della supply chain con una prospettiva specifica del settore. La conversazione tocca anche l’importanza di considerare fattori come i prezzi, i resi, gli ordini arretrati e i movimenti delle scorte nei processi di previsione.

Riassunto Esteso

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

Vermorel fa notare che la maggior parte delle aziende raccoglie dati accidentalmente, come sottoprodotto dei loro sistemi transazionali, anziché intenzionalmente per scopi di ottimizzazione. Sistemi come gli ERP e i dispositivi punto vendita sono stati inizialmente progettati per ottimizzare operazioni banali, non per raccogliere un’ampia storia transazionale. Tuttavia, questa raccolta accidentale di dati può ancora servire come base per i processi di previsione e ottimizzazione.

Chandler si chiede se ci siano tesori di dati inutilizzati all’interno delle aziende. Vermorel spiega che i dati generati dai sistemi aziendali sono spesso complessi e difficili da interpretare perché riflettono più da vicino il funzionamento interno del sistema IT che la realtà del processo. Quando le aziende cercano di implementare processi di previsione, spesso estraggono una versione semplificata di questi dati, come le vendite giornaliere o settimanali. Tuttavia, questa semplificazione 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 sufficienti informazioni per una previsione e un’ottimizzazione efficaci. Vermorel sostiene che quando le aziende trasformano i loro dati grezzi in versioni semplificate, perdono enormi quantità di informazioni che potrebbero essere preziose per l’ottimizzazione della catena di approvvigionamento.

L’intervista discute dell’importanza della raccolta dati nell’ottimizzazione della catena di approvvigionamento e sottolinea le sfide che le aziende affrontano nell’utilizzo dei dati che raccolgono, spesso accidentalmente. La conversazione sottolinea che i dati perfetti non sono un prerequisito per una previsione e un’ottimizzazione efficaci, ma riconosce che c’è un ampio margine di miglioramento nel modo in cui le aziende raccolgono, elaborano e analizzano i loro dati.

Discutono delle sfide e dell’importanza di lavorare con dati granulari per migliorare i processi di ottimizzazione della catena di approvvigionamento.

Vermorel spiega che molte aziende aggregano i loro dati in serie temporali, semplificando i dati in un singolo numero al giorno. Sebbene questo metodo sia facile da utilizzare, potrebbe non essere pertinente o utile per prendere decisioni aziendali informate. Egli afferma che una migliore previsione e un’ottimizzazione della catena di approvvigionamento possono essere raggiunte lavorando con i dati a livello di transazione, poiché forniscono maggior contesto e approfondimento sulle effettive operazioni aziendali.

L’intervista evidenzia alcuni dei rischi di lavorare con dati aggregati, poiché possono essere fuorvianti e portare le aziende a perdere importanti scenari. Ad esempio, in uno scenario di catena di vendita al dettaglio, Vermorel spiega come l’aggregazione dei dati possa portare a interpretare erroneamente la domanda a livello di centro di distribuzione. Trasformando i dati in serie temporali, le aziende eliminano l’ambiguità, che può essere vantaggiosa o svantaggiosa, poiché potrebbero fare erroneamente delle supposizioni sulle loro operazioni aziendali.

La conversazione tocca anche il tema dei dati storici e di come molte aziende perdano informazioni preziose durante la transizione tra diversi sistemi ERP. In passato, conservare i dati non era una priorità, poiché l’obiettivo dei sistemi ERP era aiutare le aziende a operare in modo più fluido. Inoltre, lo storage dei dati era costoso, il che ha portato all’implementazione di euristiche per eliminare i dati in vari modi. Tuttavia, oggigiorno lo storage dei dati è relativamente economico, quindi conservare i dati è più fattibile.

Vermorel sottolinea che quando Lokad lavora con le aziende, spesso scoprono che i processi di previsione esistenti non sono un punto di partenza adatto per l’ottimizzazione della catena di approvvigionamento. Questo perché molte delle informazioni rilevanti sono state perse a causa della proiezione approssimativa dei dati transazionali in serie temporali. Invece, suggerisce che le aziende dovrebbero concentrarsi sul lavoro con i dati grezzi e transazionali per ottimizzare i loro processi di catena di approvvigionamento.

Infine, l’intervista affronta 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 “pulizia dei dati” si riferisce spesso alla semplificazione eccessiva dei dati in serie temporali, che potrebbe non essere utile per comprendere la vera natura delle operazioni di un’azienda.

Vermorel inizia spiegando che se le aziende guardano solo ai loro dati in modo limitato, ad esempio considerando solo sfumature di verde, la loro comprensione del mondo sarà limitata. Sottolinea che i dati dovrebbero essere visti in tutto il loro spettro di colori per ottenere un’immagine più accurata. 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 dicendo che le aziende dovrebbero riconoscere che i loro sistemi non sono stati inizialmente progettati per produrre dati, ma per gestire la supply chain. Il fatto che le aziende abbiano fatture, pagamenti e altre documentazioni è la prova che i loro dati sono in gran parte corretti. Tuttavia, quando si tratta di previsioni, le aziende spesso trascurano fattori cruciali come i prezzi, i resi e i livelli di scorte.

I prezzi hanno un impatto significativo sulla domanda e sulla supply chain. Quando le aziende analizzano i loro processi di previsione, di solito scoprono che i prezzi sono assenti. Questo è solo la punta dell’iceberg, poiché spesso mancano anche fattori come i resi e i livelli di scorte. Vermorel spiega che capire i livelli di scorte è essenziale perché se non ci sono scorte, non ci saranno vendite. Allo stesso modo, gli ordini in attesa rappresentano un tipo unico di domanda che non dovrebbe essere trattato allo stesso modo della domanda regolare.

Vermorel consiglia alle aziende di affrontare i loro problemi di supply chain con una prospettiva specifica del settore. Dovrebbero considerare quali fattori sono più rilevanti per la loro industria e concentrarsi su quelli. Ad esempio, nel settore aerospaziale, l’obiettivo potrebbe essere quello di ridurre al minimo gli incidenti degli aeromobili a terra (AOG) ottimizzando gli investimenti, mentre nel settore della vendita al dettaglio di prodotti alimentari freschi, l’attenzione dovrebbe essere incentrata sulla massimizzazione della fedeltà a lungo termine dei clienti garantendo la disponibilità e la freschezza dei prodotti.

Invece di concentrarsi sulla perfezione e l’aggregazione dei dati storici, hanno discusso di come Vermorel suggerisce di ampliare gli orizzonti dei dati rilevanti considerando aspetti banali come i prezzi, i resi, gli ordini in attesa e i movimenti delle scorte. Sottolinea l’importanza di capire come vengono generati i dati per evitare situazioni di “spazzatura dentro, spazzatura fuori”. Vermorel sostiene anche che le previsioni migliori dovrebbero essere misurate in dollari e legate a una migliore presa di decisioni, anziché basarsi su metriche basate su percentuali.

Trascrizione completa

Kieran Chandler: Quindi oggi parleremo di cosa può fare un’azienda per migliorare e affrontare il mito secondo cui i dati devono essere perfetti affinché le macchine possano lavorarci. Quindi Joannes, se un’azienda sta già raccogliendo dati, c’è molto altro che può fare effettivamente?

Joannes Vermorel: Sì, la prima cosa da capire è che la maggior parte delle aziende raccoglie dati, ma in modo completamente accidentale. Non è mai stato l’intento raccogliere dati; l’intento era solo quello di operare. Ad esempio, un ERP non è progettato per raccogliere dati, è progettato in modo che tutte le operazioni molto banali che avvengono tutto il tempo nell’azienda possano avvenire con il supporto di un sistema IT centralizzato. Proprio come quando sei al punto vendita in un negozio, il registratore di cassa elettronico è lì solo per ottenere il tuo pagamento più velocemente. Il sistema non è stato effettivamente progettato o messo in atto allo scopo di raccogliere un’intera storia transazionale di tutte le ricevute. Poiché quei sistemi raccolgono dati da anni, le aziende finiscono per avere molti dati, ma non sono naturalmente progettati per l’ottimizzazione. Quindi ci sono molti dati che fluttuano e di solito, negli ultimi decenni, emerge qualche tipo di processo di previsione o ottimizzazione su tutto ciò. Ma ciò non significa che non ci sia un’enorme margine di miglioramento.

Kieran Chandler: Se le aziende non avevano intenzione di raccogliere dati quando hanno iniziato, significa che c’è un intero tesoro di dati che è solo lasciato da qualche parte in archivio e che non è stato realmente preso in considerazione?

Joannes Vermorel: Il problema è che di solito i dati non vengono raccolti intenzionalmente. Sono solo un artefatto, un sottoprodotto dei tuoi sistemi transazionali. Non è esattamente disordinato; è solo che quando guardi i dati come vengono generati nei tipici sistemi aziendali, è qualcosa di molto alieno. Non sta imitando il mondo reale; di solito ha più a che fare con la semplice infrastruttura del sistema IT che con la realtà del processo. Di conseguenza, quando le persone in un’organizzazione di grandi dimensioni avviano un nuovo processo, diciamo un processo ERP, e vogliono avere una qualche forma di previsione, si ritrovano con dati molto strani e alieni e con tonnellate di complessità accidentali che non hanno nulla a che fare con la sfida della previsione. Tipicamente, ciò che fanno le aziende è estrarre una versione molto semplificata di questi dati, quindi si ritrovano con vendite giornaliere o vendite settimanali, e poi costruiscono le loro previsioni su questo. Ecco dove ci sono una serie di problemi: il fatto che questi dati, una volta estratti come vendite giornaliere o settimanali, perdono molte informazioni molto critiche. È una trasformazione molto perdente che sembra semplice e ragionevole, ma in realtà hai perso una quantità enorme di informazioni su ciò che sta accadendo nel business quando fai così.

Kieran Chandler: Ma quanto granulare deve essere quel dato? Perché se stiamo guardando un’azienda che raccoglie dati da oltre 20 anni, sicuramente aggregare quei dati rende le cose molto più gestibili? Per gestire, intendo che quando si aggregano i dati, si uniscono in modo che si riformattino in qualcosa che funziona tipicamente con le serie temporali. E sì, le serie temporali sono molto belle, sai, un numero al giorno, è così. Quindi hai una serie, un numero al giorno, e poi vuoi trascinarla nel futuro. È molto semplice. Ci sono molti modelli molto belli che possono operare su questo tipo di dati, a partire dalle medie mobili, possiamo avere qualcosa di un po’ più fantasioso. Ma il problema è che non è perché è facile che sia effettivamente rilevante. E questo è il problema: 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 dai dati mensili ai dati settimanali o dai dati settimanali ai dati giornalieri”. Questo è solo un cambiamento del periodo di aggregazione. Direbbero: “Oh, se lo facessimo meglio, passeremmo ai dati orari”. Questo non è assolutamente il problema. Il problema è che quando si pensa ai dati delle serie temporali, si sta già inquadrando il problema in un modo completamente diverso da come i dati esistono effettivamente nei sistemi. Nei tuoi sistemi, non esiste una cosa del genere come le serie temporali. Quello che conta è avere dati con una granularità di transazione perché possono dirti molto di più. Se vuoi previsioni migliori con dati migliori, significa, secondo la nostra esperienza, avvicinarsi molto al modo in cui le cose sono nel tuo sistema IT, invece di avere una versione super semplificata in cui tutte le informazioni rilevanti sono già state perse.

Kieran Chandler: Quindi le informazioni rilevanti vengono perse e fondamentalmente i dati che stai guardando potrebbero essere leggermente fuorvianti. Quali sono gli scenari in cui potresti perderti?

Joannes Vermorel: Di solito sono cose così banali che le persone le dimenticano persino. Ad esempio, guardiamo una catena di vendita al dettaglio, come i generi alimentari. 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, queste cose? Prendi la posizione di ottimizzare, diciamo, lo stock nel centro di distribuzione. Quindi sembra che ogni singolo giorno, i negozi effettuino 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, quindi spediranno 100 unità di solito il giorno successivo, o non soddisfano l’ordine. Quindi il negozio effettua un ordine di 100 unità e poi il centro di distribuzione non invia nulla. E poi 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? Sono 100 unità più 150 unità? Ma questo sembra sbagliato perché vedi, il motivo per cui il 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 dovevano coprire sia la domanda per il giorno che non è stata soddisfatta che un altro giorno. Quindi finisci per ordinare di più, ma è un errore pensare che la domanda sia di 250 unità. Forse in realtà la domanda totale dovrebbe essere solo di 150 unità perché dovresti scartare completamente le prime 100 unità. Ma la realtà può essere complicata.

Kieran Chandler: Inizia a produrre una serie temporale, sai che queste informazioni sono perse e tutta l’ambiguità che esiste perché ci sono molte ambiguità. Tutte queste ambiguità vengono eliminate, e si potrebbe dire che è una cosa positiva. Improvvisamente, i miei scienziati dei dati possono lavorare su dati non ambigui. Ma sì e no, perché rimuovendo l’ambiguità, il problema è che hai già fatto una dichiarazione su come funziona la tua attività, e questa dichiarazione può essere completamente sbagliata.

Joannes Vermorel: Una delle ragioni per cui le aziende aggregano i loro vecchi dati è perché potrebbero passare da un sistema ERP a qualcosa di più recente. Quindi, è davvero utile avere tutte quelle informazioni storiche forse reimportate nel nuovo sistema ERP? Inizialmente, quando parlavamo di quello che oggi chiamiamo “yuppies”, livelli transazionali di sistemi che gestiscono solo operazioni di routine, il loro obiettivo non era raccogliere dati storici. Quando tutto è iniziato, diciamo alla fine degli anni ‘70 o negli anni ‘80, conservare i dati non era l’obiettivo, e all’epoca si trattava solo di far funzionare l’azienda in modo più fluido.

A causa del fatto che all’epoca l’hardware di calcolo era molto costoso, rispetto al presente, e soprattutto che lo storage dei dati era anche molto costoso, molti fornitori di software hanno fatto la cosa giusta all’epoca. Hanno implementato strumenti euristiche per eliminare i dati in molti modi. Non sto parlando di oggi, intendo dire che la maggior parte di quelle euristiche o la maggior parte di quei sistemi semplicemente non hanno più senso, solo perché lo storage dei dati è già molto economico.

Kieran Chandler: Quindi, ci sono casi in cui queste aziende dovrebbero fare una sorta di pulizia dei dati? O stai dicendo che dovrebbero 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’immagine buona e accurata del mondo, e per qualche motivo decidi che il modo in cui stai guardando il mondo è solo guardare le cose in qualche tonalità di verde. Quindi hai un’immagine che prende solo tonalità di verde, e tutto ciò che non è verde sarà semplicemente nero. Non lo vedrai affatto. Quindi, le cose che sono più o meno verdi, avrai tonalità di verde, e questa è la tua immagine del mondo.

Ovviamente, diresti: “Penso che devo fare un po’ di pulizia dei dati; questa immagine non è molto accurata. Devo forse migliorarla un po’.” Ma hai bisogno di uno spettro completo di colori. Il problema non è la tonalità di verde; non c’è pulizia da fare. La tua immagine è semplicemente ciò che è. Il problema è solo se vuoi avere un’immagine migliore del mondo, hai bisogno dello spettro completo di colori.

Kieran Chandler: Pertanto, per ottenere una previsione migliore, la prima cosa da fare è iniziare a guardare l’azienda così com’è. I dati non sono errati, sono solo dove sono, sai. Quello che dico è che la produzione dei dati non è mai stata il primo obiettivo di tutti i tuoi sistemi. I tuoi sistemi sono stati messi in atto affinché la supply chain possa funzionare, affinché sia possibile produrre, spostare le cose e venderle. Quindi, tutti i livelli che hai sono solo un riflesso 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 molto corretti; altrimenti, non sapresti cosa fatturare, non sapresti quanto pagare ai tuoi fornitori e così via.

Quindi, penso che di solito per la maggior parte delle aziende al giorno d’oggi, almeno per le aziende che utilizzano sistemi informatici da decenni, è una posizione in Europa, Nord America e in realtà, nella maggior parte dell’Asia al momento attuale, è tutto a posto, è già solido. Il problema è che quando si pensa in termini di previsione in termini semplicistici, non riguarda solo le vendite. Può riguardare i resi, può riguardare anche, ad esempio, una delle cose super basilari che le persone pensano, come possiamo migliorare le nostre previsioni?

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

Kieran Chandler: Ne abbiamo già parlato in precedenza, e le persone si concentrano sulla domanda, ed è ovvio che il prezzo è una cosa a cui possono guardare, 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 prima di tutto, se hai una rottura di stock, allora non venderai nulla solo perché non c’è niente da vendere. Forse avrai ordini in sospeso, ma di nuovo, è un modello molto specifico. Quindi puoi davvero considerare un ordine in sospeso come una vendita regolare? Voglio dire, richiede impegno. Un ordine in sospeso è fondamentalmente quando il prodotto non è disponibile, quindi chiedo al fornitore di mettere qualcosa in ordine in sospeso per farlo spedire in seguito, e come cliente, sono disposto ad accettare un ritardo considerevole. Quindi, di nuovo, questa è domanda, ma è una domanda che non è esattamente della stessa natura rispetto a una domanda regolare. Quindi, se dici semplicemente che un’unità di ordine in sospeso è esattamente la stessa cosa di quando viene venduta, non proprio, non proprio.

Soprattutto per darti un esempio, se per qualche motivo succede che una grande parte della domanda che hai, magari nel settore B2B, sono clienti che accettano ordini in sospeso e lunghi ritardi di evasione se possono ottenere un prezzo migliore. Allora improvvisamente, dal punto di vista delle previsioni, è molto bello perché improvvisamente non devi prevedere nulla.

Kieran Chandler: Puoi parlare di domanda e ordini in sospeso?

Joannes Vermorel: Metto qualcosa in ordine in sospeso per spedirlo in seguito, come cliente, sono disposto ad accettare un ritardo considerevole. Quindi, di nuovo, questa è domanda, ma è una domanda che non è esattamente della stessa natura rispetto a una domanda regolare. Quindi, se dici semplicemente che un’unità di ordine in sospeso è esattamente la stessa cosa, quando viene venduta, no, non proprio. Soprattutto, soprattutto per darti un esempio, se per qualche motivo, una grande parte della domanda che hai magari è che accade nel B2B che sono clienti che accettano ordini in sospeso e lunghi ritardi di evasione se possono ottenere un prezzo migliore, allora improvvisamente dal punto di vista delle previsioni, è molto, molto bello perché improvvisamente non devi prevedere nulla. Vedi solo gli ordini in sospeso e organizzi le tue catene di fornitura in modo che quando arriva il momento della consegna prevista, tu abbia le cose pronte. Ma non è necessario prevedere questa domanda perché questa domanda la conosci in anticipo perché 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, solo da una prospettiva molto specifica del settore. Sai, devi chiederti: “Ho una catena di fornitura. Cosa conta davvero?” E la risposta è: “Dipende.” Dipende davvero dal tipo di catena di fornitura che gestisci. Se sei nel settore aerospaziale, la domanda si riduce davvero a: “Per ogni dollaro che investo nella mia catena di fornitura, come posso evitare il numero massimo di incidenti AOG (aeromobile a terra) perché manca qualcosa e hai un aeromobile 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 il settore aerospaziale. Per il cibo fresco, sarà un problema completamente diverso. Sarà: “Ok, come posso massimizzare la fedeltà a lungo termine dei miei clienti perché il cibo è completamente incentrato sul business ripetuto?” Quindi, ciò che vuoi non è il livello di servizio di un singolo prodotto che è un po’ inutile. Non ti interessa davvero 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 carrello abbiano un’esperienza molto buona. E quindi, se manca qualcosa, c’è sempre un sostituto e possono allontanarsi dai tuoi negozi molto soddisfatti non solo della disponibilità complessiva ma anche della freschezza complessiva di ciò che stanno acquistando. Quindi, farà parte dell’esperienza globale e ancora una volta, la domanda sarà per dollaro investito, come puoi ottimizzare tutto ciò? La domanda è davvero specifica del settore. Quali sono le idee più rilevanti su cui devi prestare attenzione? Beh, è solo la tua competenza nel settore che ti permette di giudicare questo, e di solito, non richiede competenze avanzate di data science. È solo una comprensione diretta del settore che ti permette di capire se qualcosa è bello da avere o completamente critico da evitare per non prendere decisioni stupide.

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. Questo è qualcosa che vogliamo avere, e i dati migliori di solito non sono quelli che ti aspetti.

Kieran Chandler: Voglio dire, sì, puoi avere dati molto migliori per le tue previsioni, ma il problema è, cosa intendo per “migliori”? Di solito, l’esperienza locale è che intendiamo cose molto specifiche che non sono assolutamente ciò che la maggior parte delle persone si aspetta. Prima di tutto, dati migliori significano avere una visione completa di tutte le cose a cui dovresti prestare attenzione, e di solito non si tratta di Instagram o dei tuoi social network o delle previsioni del tempo. Si tratta di qualcosa di molto più banale, cose che già esistono nel sistema. È qualcosa in cui molte persone, forse persone prima di te, hanno già deciso che non valeva nemmeno la pena guardarle.

Joannes Vermorel: Beh, il nostro messaggio è che quei dati sono molto importanti. Sto parlando di prezzi, resi, ordini in sospeso, movimenti di magazzino, tutto questo conta, e la buona notizia è che sono già presenti da qualche parte nei tuoi sistemi. Quindi, innanzitutto, amplia il tuo orizzonte su ciò che consideri dati rilevanti. La seconda cosa sarebbe dimenticare questa idea di preparazione dei dati. Devi capire come vengono generati i dati, perché? Perché altrimenti finirai in una situazione di “spazzatura dentro, spazzatura fuori”. Comprendere i dati è complicato perché sono due cose: comprendere il software e comprendere anche il processo seguito dalle persone che operano sopra il software.

Di solito, la semantica dei dati ha due parti: è metà nella testa della persona che opera il software e metà nella testa dell’ingegnere del software che ha progettato il software aziendale in primo luogo. Quando dico la persona, sfortunatamente di solito sono molte, molte persone, e il caso peggiore è quando queste persone hanno interpretazioni contrastanti. È lì che puoi avere una situazione molto confusa. Quindi vedi, amplia il tuo orizzonte in termini di dati rilevanti, niente di molto stravagante, solo cose banali di base per la tua attività, ma non solo le vendite. Poi, devi capire questi dati.

Infine, se vuoi avere previsioni migliori, si riduce a cosa significa, una previsione migliore? Poi arriviamo al punto in cui le persone direbbero: “Oh, è meglio l’errore percentuale medio assoluto o meglio l’errore medio assoluto,” o meglio, sai, tutte le metriche possibili. E ancora una volta, direi che se è espresso in percentuale, non va bene. Deve essere espresso in dollari. E proprio come abbiamo discusso in uno degli episodi precedenti riguardo alla decisione prima di tutto, alla fine 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 così che si fa. Se dici solo: “Oh, ho un MAPE migliore, e la previsione è migliore,” è molto sbagliato, e non sarai nemmeno sulla strada che ti porta a fare cose che sono errori di nazionalismo, errori di sorta.

Kieran Chandler: Sì, va bene, dovrò conviverci, ma immagino che ci siano probabilmente alcuni responsabili IT che ci ringrazieranno per questo perché ora staranno cercando tra gli archivi. Ok, questo è tutto per questa settimana. Grazie mille per averci seguito, ci vediamo nel prossimo episodio. Ciao per ora.