00:00:08 Analisi degli scenari e confronto con la previsione probabilistica.
00:01:02 Pianificazione degli scenari e la sua semplicità.
00:02:56 Limitazioni della pianificazione degli scenari con il software e gestione dell’incertezza.
00:05:57 L’alternativa: previsione probabilistica e i suoi vantaggi.
00:06:48 Difficoltà nell’implementazione di scenari multipli nella pianificazione della supply chain.
00:08:00 Le limitazioni della pianificazione degli scenari nella gestione della supply chain.
00:09:52 La previsione probabilistica come alternativa alla pianificazione degli scenari.
00:10:38 Confrontare la previsione probabilistica con l’imaging ad alta risoluzione.
00:13:22 L’illusione della semplicità nella pianificazione degli scenari e le sfide nel processo decisionale.
00:15:00 Esempio che illustra l’inadeguatezza di mediare le decisioni tra diversi scenari.
00:16:01 Le limitazioni della pianificazione degli scenari tradizionale.
00:17:27 Le sfide nell’implementazione della previsione probabilistica.
00:19:00 I vantaggi della pianificazione degli scenari e il suo futuro.
00:20:58 Automatizzare la riconciliazione tra i futuri possibili.
00:23:19 L’importanza degli strumenti adeguati per un processo decisionale probabilistico.

Sommario

Kieran Chandler intervista Joannes Vermorel, fondatore della società di software supply chain optimization Lokad, discutendo l’efficacia dell’analisi degli scenari e il suo confronto con la previsione probabilistica. Vermorel ritiene che, pur avendo limitazioni, come il fatto di richiedere molto tempo e un notevole contributo, la pianificazione degli scenari sia meno efficace rispetto alla previsione probabilistica, un approccio più efficiente ed efficace per affrontare l’incertezza nella supply chain. Egli osserva che esplorare gli strumenti insoliti necessari per operare su tutti i futuri contemporaneamente è essenziale per l’adozione, e Lokad ha sviluppato un’algebra delle variabili casuali, uno strumento matematico e statistico per gestire futuri probabilistici. L’imprevedibilità recente della supply chain evidenzia la necessità di strumenti migliori per affrontare scenari ribelli.

Sommario Esteso

In questa intervista, l’host Kieran Chandler e Joannes Vermorel, fondatore di Lokad, una società di software per l’ottimizzazione della supply chain, discutono l’efficacia dell’analisi degli scenari e il suo confronto con la previsione probabilistica. L’analisi degli scenari fu sviluppata per la prima volta da Shell negli anni ‘70 ed è un esperimento mentale in cui si fanno ipotesi sul futuro per vedere come evolvono le cose, in particolare per quanto riguarda questioni legate alla supply chain. Lo scopo della pianificazione degli scenari è esplorare diverse ipotesi future per prendere decisioni migliori e creare una performance più robusta contro variazioni imprevedibili. Sebbene la supply chain sia complessa, la pianificazione degli scenari può semplificare il processo e può essere supportata da strumenti software. D’altra parte, la previsione probabilistica è diversa nel suo approccio e non si basa su ipotesi, bensì su probabilità statistiche e sull’incertezza del futuro. Pur affrontando entrambi futuri incerti, i due metodi differiscono: l’analisi degli scenari risulta più elegante e diretta, mentre la previsione probabilistica si fonda maggiormente sulle probabilità statistiche.

La discussione si concentra sulla pianificazione degli scenari e le previsioni nella gestione della supply chain.

Vermorel spiega che la pianificazione degli scenari prevede la previsione di diversi scenari basati su vari input e ipotesi. Questi scenari possono aiutare i decisori a pianificare futuri alternativi e ad adeguare le loro strategie di conseguenza. Tuttavia, la pianificazione degli scenari presenta anche delle limitazioni. Ad esempio, può essere molto dispendiosa in termini di tempo e richiedere un notevole contributo manuale da parte degli esperti.

Vermorel suggerisce che un approccio più efficiente ed efficace consiste nell’utilizzare la previsione probabilistica, che si basa su metodi computazionali anziché sull’expertise umana. Questo approccio è particolarmente utile in situazioni in cui vi sono molte variabili da considerare e il numero di scenari possibili è travolgente.

Vermorel osserva che, sebbene vi siano molti consulenti e fornitori che promuovono la pianificazione basata sugli scenari, è raro vedere tali scenari impiegati in produzione. Egli suggerisce che ciò avvenga perché la pianificazione degli scenari richiede un notevole investimento di tempo e risorse, e potrebbe non essere sempre pratico per le aziende implementarla.

In generale, Vermorel sottolinea l’importanza di considerare scenari differenti e di pianificare per l’incertezza nella gestione della supply chain. Pur avendo delle limitazioni, la pianificazione degli scenari tradizionale lascia spazio a un approccio più efficiente ed efficace offerto dalla previsione probabilistica.

La conversazione si è concentrata sul ruolo degli scenari nella supply chain. Vermorel crede che gli scenari giochino un ruolo significativo nelle attività quotidiane del team della supply chain, ma che siano troppo costosi. Egli ritiene che l’intuizione fondamentale di dover gestire futuri incerti sia corretta, ma che la prospettiva classica della supply chain di fare una previsione sia profondamente errata. Vermorel sostiene che le aziende ricorrano agli scenari perché mancano alternative migliori per affrontare futuri incerti.

La previsione probabilistica rappresenta una nuova alternativa per gestire futuri incerti. Vermorel spiega che essa è diversa dagli scenari perché adotta una prospettiva completamente differente, sfruttando l’elevata potenza di calcolo attualmente disponibile a basso costo. L’idea chiave è quella di considerare tutti i futuri possibili, anche se la probabilità che si verifichino è molto bassa. Vermorel crede che la previsione probabilistica sia un’alternativa migliore rispetto agli scenari per affrontare futuri incerti, grazie al vantaggio offerto dalle elevate potenze di calcolo odierne.

Vermorel ha spiegato il concetto di previsione probabilistica, un modo meccanico di attribuire probabilità agli eventi futuri possibili. Con ciò, ritiene che non sia più necessario ricorrere agli scenari, poiché tutti i futuri possibili possono essere analizzati. Ha utilizzato l’analogia di avere un’immagine ad alta risoluzione dell’intero futuro, piuttosto che una a bassa risoluzione con pochi pixel.

Chandler ha chiesto a Vermorel quali fossero le differenze di prospettiva per l’utente finale tra la pianificazione degli scenari e la previsione probabilistica. Vermorel ha osservato che la pianificazione degli scenari offre un’illusione di semplicità, ma può risultare problematica quando si devono prendere decisioni per scenari multipli incoerenti. Ha esemplificato la situazione raccontando di un negozio che vende libri, dove la maggior parte dei clienti sono genitori interessati a una sola copia di un libro, mentre occasionalmente entra un insegnante che richiede 30 copie dello stesso libro.

Vermorel ha sottolineato l’importanza della previsione probabilistica come strumento per l’ottimizzazione della supply chain e per il decision-making, poiché offre un’immagine ad alta risoluzione di tutti i futuri possibili anziché di pochi scenari.

La discussione si concentra sulle sfide dell’ottimizzazione della supply chain. Vermorel è il fondatore di Lokad, una società di software specializzata in questo settore. La conversazione inizia discutendo sulla quantità appropriata di scorte da tenere in un negozio per un determinato libro. Vermorel sostiene che fare una media della quantità di scorte necessarie non ha senso e che l’approccio tradizionale, basato sul rinforzo del personale, aggrava il problema. Spiega che la pianificazione degli scenari offre una soluzione potenziale consentendo la gestione di futuri multipli, ma richiede più del semplice copiare e incollare la logica. L’implementazione di un approccio basato sulla previsione probabilistica è molto più impegnativa, ma per i software vendors della supply chain, come Lokad, rappresenta un’opportunità significativa per migliorare i loro sistemi. Vermorel conclude osservando che riconciliare i risultati che emergono dalla pianificazione degli scenari è una sfida critica da affrontare.

Discutono l’analisi degli scenari e le sue limitazioni nella gestione della supply chain. Vermorel spiega che le aziende spesso non si rendono conto di avere un problema finché non implementano un sistema e si trovano a dover gestire casi limite che lo rendono non praticabile. Nonostante ciò, i fornitori sono incentivati a vendere funzionalità che appaiono interessanti e funzionano durante le demo e, finché non si riesce a immaginare un’alternativa, l’analisi degli scenari sembra la scelta migliore. Vermorel ritiene che la previsione probabilistica, che assegna probabilità agli scenari, sia un’estensione naturale dell’analisi degli scenari, ma il vero problema risiede nell’automatizzare completamente la riconciliazione tra tutti i futuri possibili. Per affrontare questa sfida, Lokad ha sviluppato un’algebra delle variabili casuali, uno strumento matematico e statistico specifico per gestire i futuri probabilistici. Vermorel sottolinea che esplorare gli strumenti insoliti necessari per operare con tutti i futuri simultaneamente è essenziale per l’adozione, poiché non basta rendersi conto che è possibile esaminare ogni futuro con le relative probabilità. Infine, discutono di eventi recenti che hanno dimostrato l’imprevedibilità della supply chain e la necessità di strumenti migliori per gestire scenari ribelli.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV discuteremo della sua efficacia e se possa essere sostituita da metodi alternativi come la previsione probabilistica.

Joannes Vermorel: Quindi, questi due metodi sono simili nel senso che si vuole affrontare futuri incerti. Poiché non si sa con certezza come sarà il futuro, si desidera esplorare le opzioni. Tuttavia, il modo in cui si realizza questa esplorazione è molto diverso.

Kieran Chandler: Oggi esamineremo più in dettaglio la pianificazione degli scenari. Forse un buon punto di partenza è spiegare come funziona e di cosa si tratta.

Joannes Vermorel: La pianificazione degli scenari è concettualmente molto semplice. Si tratta semplicemente di un esperimento mentale “e se…”, in cui si ipotizza che il futuro sarà in questo modo. Supponiamo che il futuro sia esattamente così e, basandoci su questa ipotesi iniziale, osserviamo come si evolvono le cose in termini di prospettive per la supply chain, se tale ipotesi si realizza. In un certo senso, è molto elegante e semplice, e l’esercizio può essere ripetuto. L’idea alla base della pianificazione degli scenari è che, invece di disporre di un’unica previsione definitiva, esploriamo diverse alternative. Esaminando più alternative, è possibile rendere le decisioni e la performance più robuste contro variazioni che non si possono prevedere, ma che ci si aspetta.

Kieran Chandler: È interessante perché sappiamo che nella supply chain la domanda può essere una variazione, ma potrebbero esserci anche altre variazioni correlate, come il lead time. Questo metodo può combinare tali variazioni multiple?

Joannes Vermorel: L’idea chiave della pianificazione degli scenari è rendere le cose molto semplici, aggrappandosi mentalmente a qualcosa di molto simile al passato. In pratica, si ipotizza che la domanda sia numericamente così e così. Grazie a questa semplicità, dal punto di vista del software sono necessari strumenti che supportino questo tipo di ragionamento, specialmente quando si tratta della complessità di migliaia di prodotti, numerose sedi, ecc. La cosa interessante è che, dal punto di vista del software, la pianificazione degli scenari assomiglia a un esercizio di taglia e incolla nel setup e nella logica che gestiscono la previsione classica.

Kieran Chandler: Puoi spiegare che cos’è l’analisi degli scenari e come viene utilizzata per l’ottimizzazione della supply chain?

Joannes Vermorel: Certo, l’analisi degli scenari si basa sulla previsione di numeri che rappresentano possibili scenari futuri. Sulla base di tali previsioni, si possono dedurre decisioni. Se desideri avere uno scenario alternativo, è semplicemente una previsione diversa, eventualmente con una tendenza al ribasso. Dopodiché, è possibile dedurre tutte le decisioni e confrontarle con il primo insieme di decisioni prese per lo scenario mediano, che rappresenta la tua previsione classica abituale.

Il fatto che sia molto semplice implementare questo tipo di processo con il software, dove è possibile moltiplicare gli scenari, non significa necessariamente che esso realizzi tutto ciò che si desidera. In particolare, ci si affida agli esperti e ad aggiustamenti manuali per adattare gli scenari. Tendenzialmente, si modificano gli scenari in base a variabili semplicistiche, come l’aumento o la diminuzione della domanda futura. Tuttavia, esistono numerosi altri ambiti altrettanto incerti, come i lead times.

Il problema nell’adattare gli scenari è che si generano innumerevoli combinazioni, fino a diventare opprimenti. Fondamentalmente, la scelta degli scenari è un processo guidato dall’uomo, in cui gli esseri umani dovrebbero selezionare con cura le opzioni.

L’approccio alternativo consiste nel ricorrere a metodi più computazionali, ed è qui che entra in gioco la previsione probabilistica.

Kieran Chandler: Quindi, è per questo che è meglio lasciare la questione a una macchina piuttosto che a un essere umano?

Joannes Vermorel: Sì, l’analisi degli scenari è un modo interessante per affrontare il fatto di non conoscere perfettamente il futuro, ma soffre del problema di selezionare solo pochi scenari. La realtà è che l’approccio classico per le previsioni e la pianificazione della supply chain richiede già molto tempo, anche solo per lo scenario primario. Per le grandi aziende, è necessario un intero team di pianificatori e previsori per portare a termine il lavoro. Se si desidera aggiungere ulteriori scenari, ci si trova di fronte a un incremento quasi lineare del personale necessario per alimentare il processo. È per questo che, secondo la mia esperienza, sebbene vi siano molti consulenti e fornitori che sostengono la pianificazione basata sugli scenari, ho raramente visto questi scenari essere effettivamente usati in produzione. È più l’eccezione che la regola. Se si osservano le operazioni quotidiane, è in realtà piuttosto raro vederli applicati.

Kieran Chandler: È raro vedere aziende in cui gli scenari giochino un ruolo significativo nelle attività quotidiane del team della supply chain, e credo che ciò sia dovuto al fatto che risulta semplicemente troppo costoso. Ma questa è una tecnica che esiste dagli anni ‘70. Quindi, perché i consulenti e i fornitori la continuano a promuovere, e perché le aziende la usano evidentemente ancora?

Joannes Vermorel: Prima di tutto, ritengo che l’intuizione fondamentale, ovvero la necessità di affrontare futuri incerti, sia profondamente corretta. Quindi, infatti, la prospettiva classica della supply chain, dove si effettua semplicemente una previsione e si dice “è così, questo è il futuro” come ad esempio, la prossima settimana venderemo 155 unità di questo prodotto, è fondamentalmente difettosa. In modo intuitivo, capisci che c’è qualcosa di profondamente sbagliato in questo approccio; bisogna affrontare il fatto che il futuro è sconosciuto. Gli scenari rappresentano una risposta, seppur debole, a questo problema, e in assenza di alternative migliori, è molto allettante usarli. C’è il motto che quando tutto ciò che hai in mano è un martello, tutto il resto è un chiodo. Quindi, se non hai uno strumento migliore, userai ciò che hai, ovvero un martello, anche se in realtà stai cercando di affrontare una vite.

Ora, sono emerse alternative che si basano su elementi inesistenti quattro o cinque decadi fa, come ingenti quantità di potenza di calcolo economica. Questa è l’essenza della previsione probabilistica. In sostanza, si tratta di adottare una prospettiva completamente diversa sul problema sfruttando le ingenti quantità di potenza di calcolo disponibili oggi.

Kieran Chandler: Allora, perché la previsione probabilistica potrebbe essere così diversa? Perché in realtà stai ancora osservando un futuro alternativo. Suppongo che con la previsione probabilistica tu assegni una probabilità che esso possa verificarsi, ma in apparenza, non sembrano essere poi così differenti, visto che stai semplicemente osservando possibili alternative.

Joannes Vermorel: L’idea chiave della previsione probabilistica è che avrai futuri generati dalle macchine. Considererai tutti i possibili futuri, o almeno tutti quelli numericamente rilevanti. Anche se disponi di risorse di calcolo immense, non ha senso valutare le conseguenze di qualcosa che ha solo una probabilità su un trilione di accadere. Non è semplicemente un buon investimento della potenza di calcolo che possiedi. Ma se consideriamo solo ciò che ha almeno una possibilità di verificarsi, diciamo almeno una possibilità su un milione ogni anno, è comunque molto improbabile, ma non così inverosimile da essere trascurabile. Poi c’è abbondante potenza di calcolo grezza per affrontare questo tipo di eventi grazie ai computer moderni.

Kieran Chandler: Fra decenni, con i comuni computer che hai a casa o anche nel tuo smartphone, la previsione probabilistica è letteralmente un modo meccanico per attribuire probabilità a tonnellate di possibili eventi futuri. Non appena disponi di ciò, ti rendi conto che non hai più bisogno degli scenari. Puoi sostituire tutti quegli scenari selezionati tra tutti i possibili futuri con qualcosa che analizzi brutalmente tutti i possibili futuri. È come passare da una videocamera con solo quattro pixel nella tua immagine a un’immagine completa ad alta risoluzione dell’intero futuro in cui vedi tutti i pixel.

Joannes Vermorel: Che differenza fa? Basta chiedersi: se hai un paesaggio e disponi di soli cinque pixel, è molto difficile capire come sia realmente. Se ti impegni parecchio, potresti arrivare a 20 pixel, e ciò diventa molto tedioso. Ma quando passi da 20 pixel a 4 milioni, passi da qualcosa che difficilmente ha senso a un’immagine di alta qualità che ha perfettamente senso. In pratica, anche se in teoria è un processo graduale, è completamente diverso.

Kieran Chandler: Parliamo dal punto di vista dell’utente finale. Con la pianificazione degli scenari, magari con i tuoi quattro pixel, hai un’idea di ciò che accade all’inizio e alla fine, ed è molto logico. Ma questa idea di esaminare una previsione probabilistica e tutti i possibili futuri è molto meno logica e più difficile da comprendere. È più facile per l’utente finale?

Joannes Vermorel: Con la pianificazione degli scenari, hai un’illusione di semplicità. Selezioni uno scenario, e ottieni un insieme di decisioni che ha senso per quello scenario particolare. È relativamente semplice. Ma il problema è che se guardi un altro scenario ottieni un altro insieme di decisioni. Se osservi un terzo scenario, ottieni ancora un diverso insieme di decisioni. Cosa farai con tutte quelle decisioni che possono essere e risultano, in pratica, completamente incoerenti? La risposta ingenua sarebbe fare qualche tipo di media, ma perché la media dovrebbe essere rilevante?

Solo per farti un esempio, immagina di avere un negozio che vende libri per scuole. La maggior parte dei tuoi clienti sono genitori che hanno un figlio e desiderano solo una copia del libro. Sempre nello stesso negozio, di tanto in tanto, entra un insegnante che desidera 30 copie del libro.

Kieran Chandler: La domanda è: ha senso avere uno stock di cinque copie di un libro in un negozio?

Joannes Vermorel: Se vuoi servire solo i genitori che di tanto in tanto vengono in negozio, allora sì, cinque copie potrebbero essere sufficienti. Tuttavia, se vuoi servire anche gli insegnanti, allora probabilmente hai bisogno di 35 copie del libro. Ti serviranno 30 copie per gli insegnanti e poi cinque in più per i genitori. Ma se fai una media e dici: “Oh, 25 dovrebbero bastare”, no, 25 non è buono perché è molto più di quanto serve per i genitori e non è comunque sufficiente per l’insegnante. Quindi, vedi, fare la media di solito non ha senso. E se hai non-linearità come MOQs, minimal order quantity, non funziona. Fondamentalmente, si ha un’apparenza di semplicità quando si osservano quegli scenari in cui si sceglie uno scenario e si dice: “Beh, qui c’è una soluzione semplice.” Se scegli un altro scenario, hai un’altra soluzione semplice. Ma poi ti ritrovi con il problema di come conciliare tutti quegli scenari. La realtà è che l’approccio tradizionale consiste semplicemente nel dedicare ancora più risorse umane al problema. Quindi, vedi, avevi già qualcosa di estremamente intensivo in termini di manodopera. Per ogni singolo scenario, hai bisogno di più pianificatori, più previsori. Ma stai creando un altro problema, ovvero, sai, ora hai bisogno di un altro team solo per riconciliare tutto il materiale. Quindi, vedi, è addirittura peggio rispetto ad un aumento lineare del personale a disposizione. È come un aumento iper-lineare della quantità di elementi che devi gestire per affrontare un gran numero di scenari. E questo è molto, molto negativo.

Kieran Chandler: Penso che forse uno dei vantaggi della pianificazione degli scenari sia semplicemente un caso di copia-incolla di un po’ di logica e, dal punto di vista dell’implementazione, si tratta semplicemente di buttare più risorse a disposizione. Significa ciò che l’implementazione di un approccio di previsione probabilistica sia molto più impegnativa, ed è per questo che le aziende non sono così interessate?

Joannes Vermorel: Voglio dire, come software vendor, assolutamente sì. Immagina letteralmente di essere un fornitore di software per la supply chain, e che tu abbia sviluppato una specie di sistema di previsione e pianificazione per la supply chain. Significa che, quantomeno dal punto di vista classico, il tuo sistema è in grado di gestire una previsione classica. Quindi, si tratta di assegnare una quantità giornaliera, settimanale o mensile per un periodo X anticipato per ogni singolo SKU o prodotto. Questo è ciò che caratterizza un prodotto di previsione classico. Hai tutto ciò che serve per gestire un unico futuro e dire: “Questo è tutto. È così che le cose accadranno.” Ora, se vuoi passare alla pianificazione degli scenari, devi fondamentalmente dire: “Bene, gestirò una seconda istanza di questo futuro, e la chiamerò semplicemente un secondo scenario.” In termini di logica, in termini di codice, è letteralmente lo stesso codice, dove devi solo aggiungere una dimensione in più, ovvero la dimensione dello scenario, ed ecco fatto. Hai già in atto il tuo sistema di pianificazione degli scenari. Ma c’è un aspetto critico. Il problema è che non hai fatto nulla per riconciliare i risultati che emergono da essi.

Kieran Chandler: Scenari, ma la realtà è che le aziende di solito non si rendono conto, sai, che si trovano di fronte a questo problema finché non implementano il sistema e si imbattono in tutti quei casi limite in cui non è possibile fare la media dei risultati forniti dai vari scenari, dove in realtà fare la media non ha senso.

Joannes Vermorel: Se fai, per esempio, tre casi e il fornitore sarà abbastanza bravo, sai, intendo che innanzitutto l’interesse del fornitore è implementare qualcosa di molto economico, quindi perché non implementare una funzionalità che sia economica e appaia interessante durante le demo? Inoltre, quando esegui un pilot molto semplice, è probabile che non ti imbatterai nei casi limite che ho appena descritto, e quindi fare la media degli scenari potrebbe funzionare per te. Ma appena ti ritrovi in una situazione più complessa, ti renderai conto che emergono infiniti casi limite, rendendo l’intero sistema non sostenibile. A quel punto, il fornitore è già soddisfatto perché ha già ricevuto il pagamento. Sai, ci sono tutti gli incentivi sbagliati nel modo in cui paghi il tuo fornitore di software per la supply chain, come abbiamo discusso nell’episodio precedente. Inoltre, ancora una volta, finché le persone non riescono a immaginare un’alternativa, continua a sembrare la soluzione migliore in mancanza di qualcosa di meglio.

Kieran Chandler: Bene, iniziamo a mettere insieme le cose. Dici che le persone non riescono a immaginare un’alternativa, e ora ci troviamo in una situazione in cui esiste un’alternativa grazie alla potenza computazionale di cui disponiamo. Esiste un metodo alternativo, quindi pensi che qualcosa come l’analisi degli scenari possa in qualche modo scomparire a un certo punto?

Joannes Vermorel: Sì, intendo, anche se, francamente, c’è ancora molta strada da fare affinché Lokad possa evangelizzare, in senso letterale, il resto del mondo su questo. Il problema non è la previsione probabilistica in sé, perché l’idea di avere molti scenari con probabilità è relativamente semplice, e sembra un’estensione molto naturale dell’approccio scenaristico, solo che con molti scenari, proprio come aggiungere pixel a un’immagine, dove la quantità rappresenta la probabilità.

Kieran Chandler: Quindi, invece del colore, potresti considerare questo come il mio scenario, e a questo scenario è assegnata una probabilità. Ma il problema è che, una volta che hai tutti quei possibili futuri, devi trovare modi per automatizzare completamente la riconciliazione tra tutti quei possibili futuri. Ed è qui che le cose iniziano a diventare davvero complicate e bizzarre dal punto di vista di Lokad.

Joannes Vermorel: Sai, la soluzione che abbiamo sviluppato si chiama un’algebra delle variabili casuali. Quindi, serve un tipo di strumenti matematico-statistici molto specifici per affrontare questo genere di concetti, non solo sul lato della previsione, ma anche su quello decisionale. In realtà, se dai un’occhiata più approfondita allo stack tecnologico di Lokad, vedrai che oggi la previsione è solo una piccola parte del quadro. La maggior parte della complessità, delle tecniche, degli strumenti, delle pratiche, degli algoritmi e del resto risiede nel modo in cui si ottimizzano effettivamente le decisioni di fronte a tutti quei futuri incerti e probabilistici.

E questo è il problema, credo, per favorire ulteriormente l’adozione. Le persone devono non solo rendersi conto che è possibile esaminare tutti quei possibili futuri con le loro probabilità, ma devono anche esplorare strumenti che sono, direi, molto insoliti - quei tipi di strumenti necessari per operare su tutti i futuri contemporaneamente. Perché senza tali strumenti, si torna fondamentalmente al punto di partenza, dove occorre un’enorme quantità di tempo per smistare tutte quelle possibilità. Il trucco è che, da Lokad, non smistiamo tutte quelle possibilità; le manteniamo durante l’intero processo. Quindi, non è esattamente facile, ma è in realtà abbastanza semplice se si dispone degli strumenti adeguati.

Kieran Chandler: Bene, dobbiamo concludere qui. Ma immagino che, basandoci sugli eventi recenti, sappiamo che ci sono così tanti scenari ribelli che possono verificarsi e che gli esseri umani probabilmente non potrebbero mai prevedere. Quindi questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Grazie per aver guardato.