00:00:08 Analisi degli scenari e confronto con la previsione probabilistica.
00:01:02 La pianificazione degli scenari e la sua semplicità.
00:02:56 Limitazioni della pianificazione degli scenari con il software e la gestione dell’incertezza.
00:05:57 L’alternativa: la 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 Confronto tra previsione probabilistica e imaging ad alta risoluzione.
00:13:22 Illusione di semplicità nella pianificazione degli scenari e sfide decisionali.
00:15:00 Esempio che illustra l’inadeguatezza della media delle decisioni tra gli scenari.
00:16:01 Le limitazioni della tradizionale pianificazione degli scenari.
00:17:27 Sfide nell’implementazione della previsione probabilistica.
00:19:00 I vantaggi della pianificazione degli scenari e il suo futuro.
00:20:58 Conciliazione automatica tra futuri possibili.
00:23:19 L’importanza di strumenti adeguati per la presa di decisioni probabilistiche.
Riassunto
Kieran Chandler intervista Joannes Vermorel, fondatore dell’azienda di software di ottimizzazione della supply chain Lokad, discutendo dell’efficacia dell’analisi degli scenari e del suo confronto con la previsione probabilistica. Vermorel ritiene che, sebbene la pianificazione degli scenari abbia delle limitazioni, come richiedere molto tempo e un notevole input, la previsione probabilistica sia un approccio più efficiente ed efficace per affrontare l’incertezza nella supply chain. Egli sottolinea che è essenziale esplorare gli strumenti insoliti necessari per operare su tutti i futuri contemporaneamente, e Lokad ha sviluppato un’algebra delle variabili casuali, uno strumento matematico e statistico per gestire i futuri probabilistici. L’imprevedibilità recente delle supply chain sottolinea la necessità di strumenti migliori per affrontare scenari imprevisti.
Riassunto Esteso
In questa intervista, l’ospite Kieran Chandler e Joannes Vermorel, fondatore di Lokad, un’azienda di software di ottimizzazione della supply chain, discutono dell’efficacia dell’analisi degli scenari e del suo confronto con la previsione probabilistica. L’analisi degli scenari è stata sviluppata per la prima volta da Shell negli anni ‘70 ed è un esperimento mentale in cui vengono fatte e esplorate ipotesi sul futuro per vedere come si sviluppano le cose, in particolare per quanto riguarda le questioni legate alla supply chain. Lo scopo della pianificazione degli scenari è esplorare diversi futuri alternativi per prendere decisioni migliori e creare una performance più robusta di fronte a variazioni imprevedibili. Sebbene le supply chain siano complesse, 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. Affronta le probabilità statistiche e l’incertezza del futuro. Sebbene entrambi i metodi si occupino di futuri incerti, differiscono nel loro approccio, con l’analisi degli scenari che è un approccio più elegante e diretto, e la previsione probabilistica che si basa maggiormente sulle probabilità statistiche.
La discussione si concentra sulla pianificazione degli scenari e sulla previsione 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 adattare le loro strategie di conseguenza. Tuttavia, la pianificazione degli scenari ha anche delle limitazioni. Ad esempio, può richiedere molto tempo e richiede un notevole input manuale da parte degli esperti.
Vermorel suggerisce che un approccio più efficiente ed efficace sia quello di utilizzare la previsione probabilistica, che si basa su metodi computazionali anziché sull’esperienza umana. Questo approccio è particolarmente utile in situazioni in cui ci sono molte variabili da considerare e il numero di scenari possibili è schiacciante.
Vermorel osserva che, sebbene ci siano molti consulenti e fornitori che sostengono la pianificazione basata sugli scenari, è raro vedere questi scenari utilizzati nella produzione. Suggerisce che ciò accade perché la pianificazione degli scenari richiede un investimento significativo di tempo e risorse e potrebbe non sempre essere praticabile per le aziende da implementare.
Nel complesso, Vermorel sottolinea l’importanza di considerare diversi scenari e pianificare l’incertezza nella gestione della supply chain. Sebbene ci siano limitazioni alla pianificazione tradizionale degli scenari, la previsione probabilistica offre un approccio più efficiente ed efficace a questa sfida.
La conversazione si è concentrata sul ruolo degli scenari nella supply chain. Vermorel ritiene che gli scenari svolgano un ruolo significativo nelle attività quotidiane del team della supply chain, ma siano troppo costosi. Egli ritiene che l’idea di base di affrontare futuri incerti sia corretta, ma la prospettiva classica della supply chain di fare una previsione sia profondamente sbagliata. Vermorel sostiene che le aziende utilizzano gli scenari perché non hanno alternative migliori per affrontare futuri incerti.
La previsione probabilistica è una nuova alternativa per affrontare futuri incerti. Vermorel spiega che la previsione probabilistica è diversa dagli scenari perché adotta una prospettiva completamente diversa sfruttando grandi quantità di potenza di elaborazione disponibili a basso costo oggigiorno. L’idea chiave alla base della previsione probabilistica è quella di considerare tutti i futuri possibili, anche se vi è una probabilità molto bassa che si verifichino. Vermorel ritiene che la previsione probabilistica sia un’alternativa migliore per affrontare futuri incerti rispetto agli scenari perché sfrutta le grandi quantità di potenza di elaborazione disponibili oggi.
Vermorel ha spiegato il concetto di previsione probabilistica, che è un modo meccanico di attribuire probabilità a eventi futuri possibili. Con questo, Vermorel ritiene che non sia più necessario utilizzare gli scenari poiché tutti i futuri possibili possono essere analizzati. Ha usato l’analogia di avere un’immagine ad alta risoluzione dell’intero futuro anziché una a bassa risoluzione con solo pochi pixel.
Chandler ha chiesto a Vermorel delle differenze nella prospettiva dell’utente finale tra la pianificazione degli scenari e la previsione probabilistica. Vermorel ha osservato che la pianificazione degli scenari fornisce un’illusione di semplicità, ma può essere problematica quando si prendono decisioni per scenari multipli che possono essere incoerenti. Vermorel ha dato l’esempio di un negozio che vende libri in cui la maggior parte dei clienti sono genitori che vogliono solo una copia di un libro, ma occasionalmente entra un’insegnante che vuole 30 copie dello stesso libro.
Vermorel ha sottolineato l’importanza della previsione probabilistica come strumento per l’ottimizzazione della supply chain e la presa di decisioni, in quanto fornisce un’immagine ad alta risoluzione di tutti i futuri possibili anziché solo alcuni scenari.
La discussione si concentra sulle sfide dell’ottimizzazione della supply chain. Vermorel è il fondatore di Lokad, un’azienda di software specializzata in questo settore. La conversazione inizia con una discussione sull’importo appropriato di stock da tenere in un negozio per un determinato libro. Vermorel sostiene che fare una media dell’importo di stock necessario non ha senso e che l’approccio tradizionale di dedicare più personale al problema aggrava la situazione. Spiega che la pianificazione degli scenari offre una soluzione potenziale consentendo la gestione di futuri multipli, ma richiede più di una semplice copia e incolla della logica. Implementare un approccio di previsione probabilistica è molto più sfidante, ma per i fornitori di software per la supply chain come Lokad, offre un’importante opportunità per migliorare i loro sistemi. Vermorel conclude osservando che conciliare i risultati che emergono dalla pianificazione degli scenari è una sfida critica che deve essere affrontata.
Discutono dell’analisi degli scenari e dei suoi limiti nella gestione della supply chain. Vermorel spiega che le aziende spesso non si rendono conto di avere un problema fino a quando non implementano un sistema e si trovano di fronte a casi limite che lo rendono non sostenibile. Nonostante ciò, i fornitori sono incentivati a vendere funzionalità che sembrano interessanti e funzionano durante le demo, e finché le persone non riescono a immaginare un’alternativa, l’analisi degli scenari sembra essere la migliore opzione. 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 conciliazione tra tutti i futuri possibili. Per risolvere questo problema, 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 su tutti i futuri contemporaneamente è essenziale per l’adozione, poiché non è sufficiente rendersi conto che è possibile guardare tutti i futuri possibili con le probabilità. Infine, discutono degli eventi recenti che hanno mostrato l’imprevedibilità delle supply chain e la necessità di strumenti migliori per gestire scenari anomali.
Trascrizione completa
Kieran Chandler: Oggi su Lokad TV, parleremo della sua efficacia e se può essere sostituita da metodi alternativi come la previsione probabilistica.
Joannes Vermorel: Quindi, questi due metodi sono simili nel senso che si desidera affrontare futuri incerti. Poiché non si sa con certezza quale sarà il futuro, si desidera esplorare le opzioni. Tuttavia, il modo in cui si effettua questa esplorazione è molto diverso.
Kieran Chandler: Oggi, analizzeremo in dettaglio la pianificazione degli scenari. Forse un buon punto di partenza è spiegare come funziona e cosa è.
Joannes Vermorel: La pianificazione degli scenari è concettualmente molto semplice. Stai solo facendo un esperimento mentale del tipo “cosa succederebbe se”. Diciamo che il futuro sarà esattamente così, e in base a questa ipotesi iniziale, vediamo come si sviluppano le cose in termini di prospettive della supply chain se questo futuro dovesse essere quello reale. In un certo senso, è molto elegante e semplice, e puoi ripetere l’esercizio. L’idea alla base della pianificazione degli scenari è che invece di avere una sola previsione vera, andremo a esplorare diverse alternative. Esplorando diverse alternative, puoi rendere le tue decisioni e le tue prestazioni più robuste contro variazioni che non puoi prevedere, ma che ti aspetti.
Kieran Chandler: È interessante perché sappiamo che nella supply chain, la domanda potrebbe essere una variazione, ma potrebbero esserci anche altre variazioni correlate, come il lead time. Questo metodo può combinare queste variazioni multiple?
Joannes Vermorel: L’idea chiave della pianificazione degli scenari è che semplifica le cose attenendosi mentalmente a qualcosa di molto simile al passato. Sta letteralmente dicendo che la domanda sarà numericamente questa e quella. A causa di questa semplicità, si scopre che dal punto di vista del software, sono necessari strumenti per supportare queste linee di pensiero, specialmente quando si tratta della complessità di migliaia di prodotti, tonnellate di posizioni, ecc. La cosa interessante è che, dal punto di vista del software, la pianificazione degli scenari è come un esercizio di taglia e incolla con la tua configurazione e logica che si occupa della previsione classica.
Kieran Chandler: Puoi spiegare cos’è l’analisi degli scenari e come viene utilizzata nell’ottimizzazione della supply chain?
Joannes Vermorel: Certamente, l’analisi degli scenari si basa sulla previsione di numeri che rappresentano possibili scenari futuri. Sulla base di queste previsioni, è possibile dedurre decisioni. Se si desidera avere uno scenario alternativo, è semplicemente una previsione diversa con forse un bias. Ad esempio, una tendenza al ribasso. È quindi possibile dedurre tutte le decisioni e confrontarle con il primo insieme di decisioni prese per lo scenario mediano, che rappresenta la previsione classica usuale.
Il fatto che sia molto facile implementare questo tipo di processo con il software, in cui è possibile moltiplicare semplicemente gli scenari, non significa necessariamente che farà tutto ciò che si desidera. In particolare, si dipende dagli esperti e dagli aggiustamenti manuali per adattare gli scenari. Si tende ad adattare gli scenari in base a variabili semplicistiche come l’aumento o la diminuzione della domanda futura. Ma ci sono molte altre aree che sono anche incerte, come i tempi di consegna.
Il problema con l’aggiustamento degli scenari è che ci sono tonnellate di combinazioni e diventa schiacciante. Fondamentalmente, la scelta degli scenari è una questione molto umana. Gli esseri umani sono supposti selezionare attentamente quegli scenari.
L’approccio alternativo è adottare un approccio più computazionale, ed è qui che si inserisce la previsione probabilistica.
Kieran Chandler: Quindi, è per questo che è meglio lasciarlo a una macchina piuttosto che a un essere umano?
Joannes Vermorel: Sì, l’analisi degli scenari è un modo interessante per affrontare il fatto che non si conosce perfettamente il futuro, ma soffre del problema che si selezionano solo alcuni scenari. La realtà è che l’approccio classico per la previsione e la pianificazione della supply chain è già molto dispendioso in termini di tempo, anche solo per lo scenario primario. Per le grandi aziende, richiede già intere squadre di pianificatori e previsionisti per completare il lavoro. Se si desidera aggiungere più scenari, ci si trova di fronte a una situazione in cui è necessario un aumento quasi lineare della manodopera per alimentare il processo. Ecco perché, secondo la mia esperienza, anche se ci sono tonnellate di consulenti e fornitori che sostengono la pianificazione basata sugli scenari, ho visto molto raramente quegli scenari realmente utilizzati in produzione. È più un’eccezione che una norma. Se guardiamo alle operazioni quotidiane, è effettivamente piuttosto raro che vengano utilizzate.
Kieran Chandler: È raro vedere aziende in cui gli scenari svolgono un ruolo significativo nel compito quotidiano del team della supply chain, e credo che il motivo sia che è semplicemente troppo costoso. Ma questa è una tecnica che esiste dagli anni ‘70. Quindi perché i consulenti e i fornitori continuano a spingerla, e perché è qualcosa che le aziende evidentemente continuano a utilizzare?
Joannes Vermorel: Innanzitutto, credo che l’idea centrale, ovvero la necessità di affrontare futuri incerti, sia profondamente corretta. Quindi, in effetti, la prospettiva classica della supply chain, in cui si fa semplicemente una previsione e si dice “questo è, questo è il futuro”, come la prossima settimana venderemo 155 unità di questo prodotto, è fondamentalmente sbagliata. Intuitivamente, si vede che c’è qualcosa di profondamente sbagliato in questo approccio; è necessario affrontare il fatto che il futuro non è noto. Gli scenari sono una risposta, seppur povera, a questo problema, e in assenza di alternative migliori, è molto tentante utilizzarli. C’è questo motto che quando tutto ciò che hai in mano è un martello, tutto il resto è un chiodo. Quindi, se non hai strumenti migliori, userai quello che hai, che è un martello, anche se in realtà stai cercando di affrontare una vite.
Ora, sono emerse alternative che si basano su cose che non esistevano quattro o cinque decenni fa, come grandi quantità di potenza di elaborazione economica. Questa è l’essenza della previsione probabilistica. Fondamentalmente, si adotta una prospettiva completamente diversa del problema sfruttando le grandi quantità di potenza di elaborazione disponibili al giorno d’oggi.
Kieran Chandler: Quindi perché la previsione probabilistica potrebbe essere così diversa? Perché stai ancora guardando un futuro alternativo. Immagino che con la previsione probabilistica stai assegnando una probabilità che possa accadere, ma in superficie non sembrano effettivamente così diverse perché stai solo guardando possibili alternative.
Joannes Vermorel: L’idea chiave della previsione probabilistica è che avrai futuri generati da macchine. Guarderai tutti i futuri possibili, o almeno tutti i futuri numericamente rilevanti. Anche se hai immense risorse di calcolo a tua disposizione, non ha senso valutare le conseguenze di qualcosa che ha solo una possibilità su un trilione di accadere. Non è un buon investimento della potenza di elaborazione che hai. Ma se consideriamo solo le cose che hanno almeno una possibilità di accadere, diciamo almeno una possibilità su un milione ogni anno, è comunque molto improbabile, ma non è improbabile che svanisca. Quindi c’è molta potenza di elaborazione grezza per gestire questo tipo di eventi attraverso i computer moderni.
Kieran Chandler: Decenni da ora, con i computer banali che hai a casa o persino sul tuo smartphone, la previsione probabilistica è letteralmente solo un modo meccanico per mettere probabilità su tonnellate di possibili eventi futuri. Appena hai questo, ti rendi conto che non hai più bisogno di scenari. Puoi sostituire tutti quegli scenari che sono stati selezionati tra tutti i futuri possibili con qualcosa che analizza brutalmente tutti i futuri possibili. È come passare da una videocamera con solo quattro pixel nella tua immagine, a un’immagine ad alta risoluzione completa dell’intero futuro in cui vedi tutti i pixel.
Joannes Vermorel: Che differenza fa? Chiediti solo, se hai un paesaggio e hai solo cinque pixel, è molto difficile capire come sia. Se ci metti molto impegno, potresti avere 20 pixel nella tua immagine, e sarà molto noioso. Ma quando passi da 20 pixel a 4 milioni, passi da qualcosa che ha poco senso a un’immagine di alta qualità che ha completamente senso. In pratica, anche se è un processo graduale in teoria, è completamente diverso.
Kieran Chandler: Parliamo delle cose dal punto di vista dell’utente finale. Con la pianificazione degli scenari, forse con solo i tuoi quattro pixel, hai un’idea di cosa sta succedendo all’inizio e alla fine, ed è molto logico. Ma questa idea di guardare una previsione probabilistica e tutti i futuri possibili è molto meno logica e più difficile da capire. È più facile per l’utente finale?
Joannes Vermorel: Con la pianificazione degli scenari, hai un’illusione di semplicità. Scegli uno scenario e hai un insieme di decisioni che hanno senso per quel particolare scenario. È relativamente semplice. Ma il problema è che guardi un altro scenario e ottieni un altro insieme di decisioni. Se guardi un terzo scenario, ottieni ancora un altro insieme di decisioni. Cosa farai con tutte quelle decisioni che possono essere e sono, in pratica, completamente inconsistenti? La risposta ingenua sarebbe fare una sorta di media, ma perché la media sarebbe rilevante?
Solo per darti un esempio, immagina di avere un negozio che vende libri per le scuole. La maggior parte dei tuoi clienti sono genitori che hanno un figlio e vogliono solo una copia del libro. Nello stesso negozio, di tanto in tanto, entra un’insegnante e vuole 30 copie del libro.
Kieran Chandler: La domanda è, ha senso avere un magazzino di cinque copie di un libro in un negozio?
Joannes Vermorel: Se vuoi servire solo i genitori che di tanto in tanto vengono al negozio, allora sì, cinque copie potrebbero essere sufficienti. Tuttavia, se vuoi servire gli insegnanti, allora probabilmente hai bisogno di 35 copie del libro. Avrai bisogno di 30 per servire gli insegnanti e poi altre cinque per servire i genitori. Ma se fai una media e dici: “Oh, 25 dovrebbero essere sufficienti”, no, 25 è un po’ sbagliato perché è molto più di quello che serve per i genitori e non è ancora sufficiente per l’insegnante. Quindi, vedi, fare una media di solito non ha molto senso. E se hai non linearità come i quantitativi minimi di ordine (MOQ), non funziona. Quindi, in sostanza, hai un’apparenza di semplicità quando guardi quegli scenari in cui scegli uno scenario e dici: “Beh, qui c’è una soluzione semplice”. Scegli un altro scenario e 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 è semplicemente quello di dedicare ancora più personale al problema. Quindi, vedi, avevi già qualcosa di estremamente intensivo in termini di personale. Ogni singolo scenario richiede più pianificatori, più previsionisti. Ma poi stai creando un altro problema, che è, sai, ora hai bisogno di un’altra squadra solo per conciliare tutte le cose. Quindi, vedi, è ancora peggio di avere un aumento lineare della quantità di personale che hai. È come un aumento iper-lineare della quantità di cose che devi gestire con un gran numero di scenari. E questo è molto, molto brutto.
Kieran Chandler: Penso che forse uno dei vantaggi della pianificazione degli scenari sia solo una questione di copiare e incollare un po’ di logica e dal punto di vista dell’implementazione, si tratta solo di dedicare più risorse. Significa che l’implementazione di un approccio di previsione probabilistica è molto più impegnativa e per questo le aziende non sono così interessate?
Joannes Vermorel: Voglio dire, per un fornitore di software, assolutamente sì. Immagina letteralmente di essere un fornitore di software per la supply chain e ciò che fai è progettare un sistema di previsione e pianificazione della supply chain. Significa che almeno dal punto di vista classico, il tuo sistema è in grado di gestire una previsione classica. Quindi, è in grado di assegnare una quantità giornaliera, settimanale o mensile per un periodo X in avanti per ogni singolo SKU o prodotto. Questo è ciò che appare un prodotto di previsione classico. Hai tutto il necessario per gestire un futuro e dire: “Questo è tutto. Così accadranno le cose”. Ora, se vuoi passare alla pianificazione degli scenari, devi solo dire: “Beh, sto solo gestendo una seconda istanza di questo futuro e mi riferirò a quella come un secondo scenario”. In termini di logica, in termini di codice, è letteralmente lo stesso codice in cui devi solo aggiungere una dimensione in più, che è la dimensione dello scenario, e poi è tutto qui. Hai già il tuo sistema di pianificazione degli scenari in atto. Ma c’è un problema. Il problema è che non hai fatto nulla per conciliare i risultati che emergono da quelli.
Kieran Chandler: Gli scenari, ma la realtà è che le aziende di solito non si rendono conto, sai, che effettivamente si trovano di fronte a questo problema fino a quando non implementano il sistema e si scontrano con tutti i tipi di casi limite in cui non puoi fare una media dei risultati dati da vari scenari, dove è effettivamente insensato fare una media dei risultati.
Joannes Vermorel: Se fai come tre esempi e il fornitore sarà abbastanza bravo, sai, voglio dire, innanzitutto, l’interesse del fornitore è molto economico da implementare, quindi perché non implementare una funzionalità che è economica e sembra cool durante le demo? Inoltre, quando fai solo un pilota molto semplice, è probabile che non ti imbatterai nei casi limite che ho appena descritto, e quindi fare una media degli scenari probabilmente funzionerà per te. Ma non appena ti trovi in una situazione più complessa, ti renderai conto di avere infiniti casi limite che emergono, e quindi rendono l’intera cosa non fattibile. Ma a questo punto, il fornitore è già felice perché il fornitore è già stato pagato. Sai, ci sono tutti gli incentivi sbagliati su come paghi il tuo fornitore di software per la supply chain, di cui abbiamo discusso nell’episodio precedente. Inoltre, ancora una volta, finché le persone non riescono a immaginare un’alternativa, sembra ancora la cosa migliore che ci sia per mancanza di qualcosa di meglio.
Kieran Chandler: Ok, quindi iniziamo a mettere insieme un po’ le cose. Dici che le persone non riescono a immaginare un’alternativa, e ora siamo un po’ in una posizione in cui c’è un’alternativa con la potenza di calcolo che abbiamo. C’è un metodo alternativo, quindi puoi immaginare che l’analisi degli scenari finisca in qualche momento?
Joannes Vermorel: Sì, voglio dire, anche se sinceramente, c’è ancora molta strada da fare per Lokad per evangelizzare letteralmente il resto del mondo su questo. Il problema non è la previsione probabilistica di per sé perché l’idea che avrai molti scenari con probabilità è relativamente semplice, e sembra una naturale estensione dell’approccio degli scenari, proprio con molti scenari, proprio come aggiungere pixel a un’immagine, dove la quantità sarebbe la probabilità.
Kieran Chandler: Quindi invece del colore, potresti pensare a questo come il mio scenario, e a questo scenario viene assegnata una probabilità. Ma il problema è che una volta che hai tutti quei futuri possibili, devi pensare a modi per automatizzare completamente la conciliazione tra tutti quei futuri possibili. Ed è lì che le cose iniziano a diventare davvero complicate e bizzarre dal punto di vista di Lokad.
Joannes Vermorel: Sai, la soluzione che abbiamo progettato si chiama algebra delle variabili casuali. Quindi, hai bisogno di qualche tipo di strumento matematico statistico molto specifico per gestire quei tipi di concetti, non solo sul lato delle previsioni, ma anche sul lato delle decisioni. In realtà, se guardi più da vicino la stack tecnologica di Lokad, vedrai che le previsioni sono solo una piccola parte relativamente dell’immagine al giorno d’oggi. La maggior parte della complessità, delle tecniche, degli strumenti, delle pratiche, degli algoritmi e il resto risiede nel modo in cui ottimizzi effettivamente le tue decisioni di fronte a tutti quei futuri incerti e probabilistici.
E questo è il problema, credo, per favorire ulteriormente l’adozione. Le persone non solo devono rendersi conto che è possibile guardare a tutti quei futuri possibili con probabilità, ma devono anche esplorare cose che sono, direi, molto insolite - il tipo di strumenti di cui hai bisogno per operare su tutti i futuri contemporaneamente. Perché senza quegli strumenti, sei fondamentalmente al punto di partenza, dove ci vuole un’enorme quantità di tempo per le persone per risolvere tutte quelle possibilità. Il trucco è che, da Lokad, non risolviamo tutte quelle possibilità; manteniamo tutte quelle possibilità durante l’intero processo. Quindi, non è esattamente facile, ma è effettivamente abbastanza semplice se hai gli strumenti adeguati.
Kieran Chandler: Ok, dobbiamo concludere qui. Ma suppongo che, in base agli eventi recenti, sappiamo che ci sono così tanti scenari anomali che possono verificarsi che gli esseri umani probabilmente non potrebbero mai prevedere. Quindi è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo di nuovo nel prossimo episodio. Grazie per la visione.
