Precisione delle previsioni in dollari invece che in percentuali

00:00:08 Introduzione all’argomento del miglioramento della precisione delle previsioni nell’industria della supply chain.
00:01:22 Spiegazione di cosa significhi una previsione più accurata e dell’uso di metriche di previsione.
00:03:21 Discussione sulle limitazioni dell’uso di metriche matematiche per misurare le prestazioni delle supply chain.
00:05:30 Enfasi sulla misurazione della precisione delle previsioni in dollari anziché in percentuali.
00:08:42 Spiegazione di come massimizzare la precisione in percentuali possa fuorviare le prestazioni della supply chain.
00:09:04 Discussione sulle limitazioni nell’utilizzo di una metrica semplice per prevedere le vendite.
00:10:20 Spiegazione di come l’utilizzo di un modello che prevede zero vendite porti a un esito disastroso per l’azienda.
00:11:23 Spiegazione del problema delle metriche simmetriche nel contesto della gestione della supply chain.
00:13:02 Spiegazione di come le previsioni siano semplicemente opinioni informate sul futuro e del loro impatto sulla supply chain.
00:16:32 Discussione sui pericoli di creare divisioni dedicate al miglioramento della precisione delle previsioni.
00:18:09 Discussione su come le previsioni miglioreranno nel tempo.
00:19:01 Spiegazione che metriche di previsione migliori non sempre si traducono in prestazioni migliori della supply chain.
00:21:41 Riflessione sul fatto che la crescita e la redditività dell’azienda non significano necessariamente che le supply chain dei clienti stiano migliorando.
00:22:04 Spiegazione della differenza tra un modello di abbonamento mensile e piani pluriennali.
00:25:53 Spiegazione di come il prodotto si sia evoluto da una semplice previsione a uno strumento che aiuta a scoprire metriche di precisione.
00:26:56 Discussioni sulle metriche utilizzate nella gestione della supply chain.
00:27:20 I benefici dell’utilizzo di previsioni probabilistiche e di metriche specifiche come cross-entropy e continuous rank probability score.
00:27:54 Il cambio di prospettiva dal miglioramento della precisione delle previsioni alla massimizzazione delle prestazioni della supply chain.
00:29:51 L’importanza di avere una persona responsabile end-to-end per l’intera supply chain.
00:32:23 L’importanza di avere un processo di ottimizzazione monolitico nella gestione della supply chain.

Riepilogo

Il fondatore di Lokad, Joannes Vermorel, ha parlato con la presentatrice Nicole Zint circa le limitazioni dell’utilizzo di supply chain performance. Vermorel ha sostenuto che le aziende spesso si concentrano troppo sul miglioramento della accuratezza delle previsioni senza considerare l’impatto sul risultato finale. Ha proposto che misurare la precisione delle previsioni in dollari di errore, anziché in percentuali, possa valutare meglio se un’azienda stia procedendo nella giusta direzione. Vermorel ha anche sottolineato l’importanza di individuare supply chain decisions chiave che massimizzino il profitto o le prestazioni, invece di concentrarsi esclusivamente sul miglioramento dell’accuratezza delle previsioni. Ha messo in guardia contro i pericoli di metriche fuorvianti che possono portare a decisioni insensate che danneggiano l’azienda.

Riepilogo Esteso

Il tema dell’intervista è la precisione delle previsioni nell’industria della supply chain. La presentatrice, Nicole Zint, osserva che nonostante decenni di sforzi per migliorare l’accuratezza delle previsioni, una maggiore precisione non ha portato a supply chain con migliori performance. Si chiede se l’industria stia affrontando il problema in modo sbagliato o se stia puntando addirittura sul problema sbagliato. Joannes Vermorel, il fondatore di Lokad, spiega che una previsione accurata significa che un modello di previsione è più accurato di un altro secondo una metrica di previsione. Esiste una varietà di metriche per le previsioni, ma sono tutte oggetti matematici che potrebbero non essere rilevanti per l’industria della supply chain. Vermorel osserva che l’aspettativa di poter semplicemente scegliere una metrica matematica da un libro di testo per adattarla a un problema è sbagliata. Aggiunge che massimizzare l’accuratezza in percentuali può essere fuorviante per le performance della supply chain. Nota inoltre che ridurre l’errore di previsione attraverso l’ottimizzazione di metriche matematiche non genera un miglioramento extra delle performance della supply chain. Tuttavia, aumentare l’errore di previsione non migliora necessariamente le performance della supply chain. Vermorel crede che la supply chain non sia un problema unidimensionale e che esista una falsa dualità tra accuratezza e performance.

Vermorel spiega che per migliorare le performance della supply chain, ridurre gli errori di previsione è fondamentale. Tuttavia, non è sempre semplice ridurre gli errori, poiché le supply chain sono multidimensionali. La chiave per migliorare le performance risiede nel collegare la qualità della previsione con le performance della supply chain attraverso l’iniezione di un economic driver. Vermorel propone di misurare l’accuratezza delle previsioni in dollari di errore, anziché in percentuali, per valutare se l’azienda stia procedendo nella giusta direzione. Nota che un errore di previsione espresso in percentuali non coincide sempre con l’accuratezza delle previsioni in dollari, che è il nocciolo del problema.

Zint chiede a Vermorel come misurare le performance della supply chain, a cui Vermorel risponde che le metriche utilizzate possono essere difficili da definire. La sfida sta nel trovare una buona previsione, che dipende dalla situazione. Vermorel suggerisce di considerare un esempio specifico, come un supermercato, per capire come ottimizzare le previsioni. Spiega che a livello di negozio la stragrande maggioranza dei prodotti ha una domanda media molto inferiore a un’unità a settimana, il che significa che l’esito più probabile per la maggior parte dei prodotti in un dato giorno è zero vendite. Se le aziende ottimizzano secondo una metrica che massimizza l’accuratezza delle previsioni in percentuali, finiranno per avere un modello che prevede semplicemente zero ogni giorno, il che sarebbe catastrofico per l’azienda. Ancora peggio, se un modello prevede zero, il negozio riapprovigionerà zero, con conseguenti perdite di fatturato e clienti.

In generale, Vermorel sostiene che la chiave per migliorare le performance della supply chain risiede nel collegare la qualità della previsione con le performance della supply chain attraverso l’iniezione di un economic driver. Suggerisce di misurare l’accuratezza delle previsioni in dollari di errore e di tenere in conto i costi associati alla carenza di inventario, anziché ottimizzare solo secondo una metrica che massimizza l’accuratezza delle previsioni in percentuali. In questo modo, le aziende possono evitare di ottimizzare la loro previsione per un risultato errato, come zero vendite ogni giorno, e invece raggiungere un migliore equilibrio tra offerta e domanda.

Vermorel discute il problema dell’accuratezza delle previsioni nella gestione della supply chain, evidenziando il problema dell’utilizzo di una metrica simmetrica che assegna lo stesso peso all’over-forecasting e all’eccesso di scorte. Vermorel sostiene che questo è un problema poiché l’eccesso di scorte comporta conseguenze asimmetriche significative. Afferma che, sebbene l’accuratezza delle previsioni sia importante, essa dovrebbe essere collegata al risultato finale, ovvero prendere la decisione giusta al momento giusto per ogni singolo prodotto ogni giorno.

Vermorel sostiene che l’introduzione di artefatti numerici, come safety stocks, ABC classes, e service levels, può creare la tentazione di formare un sottogruppo di specialisti all’interno di un’azienda, esperti nel gestire questi artefatti numerici. Tuttavia, Vermorel afferma che tali artefatti non sono reali e che creare un team di specialisti che lavori esclusivamente per migliorare la qualità della previsione è una causa radice del problema. Crede che un tale team operi in una bolla a sé, producendo previsioni secondo il proprio obiettivo e metrica, senza tenere conto dei risultati finali.

Secondo Vermorel, le grandi aziende faticano a distribuire il carico di lavoro, e l’introduzione di un artefatto numerico non significa necessariamente che debba essere creato un team per ottimizzarlo. Piuttosto, Vermorel sostiene che i responsabili della supply chain dovrebbero concentrarsi sui risultati finali e prendere le decisioni giuste al momento giusto per ogni singolo prodotto ogni giorno. Sebbene l’accuratezza delle previsioni sia importante, essa dovrebbe essere collegata al risultato finale, e i manager della supply chain dovrebbero fare attenzione a non concentrarsi esclusivamente sul miglioramento dell’accuratezza delle previsioni senza considerare le conseguenze delle loro decisioni.

Hanno discusso delle limitazioni dell’uso di metriche di accuratezza per migliorare le performance della supply chain. Vermorel ritiene che le aziende siano troppo concentrate sul miglioramento dell’accuratezza delle previsioni senza considerare l’impatto sul profitto netto. Tracciando un parallelo con i cargo cult delle isole del Pacifico durante la Seconda Guerra Mondiale, Vermorel osserva che i team di previsione ottimizzano le metriche senza considerare l’impatto più profondo sulla supply chain. Concentrandosi sull’impatto più profondo dei loro forecasting methods, Vermorel crede che Lokad possa aiutare i clienti a ottenere una supply chain con migliori performance attraverso un modello di abbonamento mensile che dà priorità ai risultati positivi.

Vermorel discute di come il ciclo di feedback nell’ottimizzazione della supply chain sia più stretto, il che significa che l’azienda deve essere più reattiva ai cambiamenti del mercato. Nota anche che non basta ottimizzare secondo una metrica specifica, poiché questo può creare numerosi problemi. Invece, le aziende devono scoprire le metriche di accuratezza che sono specifiche per il loro business, il che può essere una sfida data la moltitudine di casi limite e fattori unici per ogni settore.

Vermorel sottolinea l’importanza di individuare decisioni chiave per la supply chain che massimizzino il profitto o le performance, anziché concentrarsi esclusivamente sul miglioramento dell’accuratezza delle previsioni. Sostiene che le aziende devono avere una persona responsabile del processo decisionale end-to-end e che la frammentazione può portare a decisioni insensate che danneggiano l’azienda. Vermorel mette in guardia contro i pericoli delle metriche fuorvianti che possono sembrare razionali ma che in definitiva sono profondamente irrazionali, come concentrarsi esclusivamente sulla sopravvivenza di un singolo pezzo degli scacchi anziché vincere la partita. Conclude consigliando alle aziende di adottare un processo di ottimizzazione monolitico invece di segmentare il processo, il quale è per sua natura difettoso e controproducente.

Trascrizione Completa

Nicole Zint: L’intera industria della supply chain ha, per decenni, cercato di migliorare l’accuratezza delle proprie previsioni. Ogni grande azienda ha persino una divisione dedicata esclusivamente a questo problema. Ma, nonostante ciò, il risultato di questo sforzo, forse controintuitivo, ha mostrato che una maggiore accuratezza e previsione non ha portato a supply chain con migliori performance. Stiamo affrontando il problema in modo sbagliato o, addirittura, stiamo puntando sul problema sbagliato fin dall’inizio? E cosa cambia se misuriamo l’accuratezza in dollari anziché in percentuali? Questo è l’argomento dell’episodio di oggi, quindi iniziamo con Jonas. Cosa significa che una previsione è più accurata?

Joannes Vermorel: Una previsione più accurata significa che, secondo una determinata metrica di previsione, hai un modello che è più accurato rispetto a un altro. Più specificamente, quando diciamo di avere una previsione più accurata, si tratta un po’ di un abuso di linguaggio. In realtà, quello che stiamo davvero dicendo è che abbiamo un modello di previsione che è più accurato di un altro modello di previsione, e in base a cosa? In base a una certa metrica di previsione, che è solo una metrica, una misurazione che quantifica l’errore di previsione che si ha sui due modelli. Quindi, in effetti, l’accuratezza delle previsioni dipende direttamente dalla metrica che si utilizza, assolutamente. Esiste una vasta gamma di metriche per le previsioni che sono note, direi, nella letteratura. Le più diffuse sono probabilmente l’errore quadratico medio, l’errore assoluto, il mappy mean absolute percentage general, il weighted mapping, e un bestiario mondiale di funzioni che ti permettono di misurare l’errore delle previsioni. E tutte queste metriche hanno in comune il fatto che, se i risultati sono perfetti, ti dicono semplicemente che l’errore è zero. Quindi, abbiamo a disposizione una vasta gamma di metriche diverse da utilizzare. Qual è la migliore? Come si fa a saperlo?

Nicole Zint: Per quanto riguarda la supply chain, questa è una questione molto delicata perché la realtà è che tutte le metriche che ho elencato sono in realtà oggetti matematici. Le troverete nei libri di testo perché offrono un sacco di, direi, interessanti proprietà matematiche. Ma non è perché qualcosa sia matematicamente interessante che probabilmente sia rilevante per un determinato ambito. Sapete, ci sono un sacco di cose che possono essere molto interessanti dal punto di vista matematico, e ciò non significa che avranno rilevanza dal punto di vista della supply chain. E credo che qui risieda il nocciolo del problema. Le persone si aspettano, e credo sia l’aspettativa sbagliata, di poter semplicemente consultare un libro di testo di matematica, esaminare le decine di metriche e sceglierne una dicendo: “questa è quella adatta per un certo caso”. Semplicemente non funziona così. Quindi, in effetti, se guardiamo al problema di massimizzare la nostra accuratezza in percentuali, questo può essere piuttosto fuorviante per le performance della supply chain.

Joannes Vermorel: Sì, intendo dire, ancora una volta, la nostra conclusione non è che dobbiamo massimizzare l’errore di previsione. Non è questo ciò di cui sto discutendo. Vedi, il risultato era più sconcertante di così. Il risultato è stato che se riduci semplicemente il tuo errore di previsione attraverso l’ottimizzazione di metriche matematiche, non genera prestazioni aggiuntive nella supply chain. Ma il contrario non è semplice. Non è semplicemente perché aumenti il tuo errore di previsione che in realtà migliori le prestazioni della supply chain. Vedi, qui diventa molto sconcertante perché c’è una sorta di falsa dualità in cui si dice: beh, è una cosa o l’altra. Sì, sarebbe così se supply chain fosse un problema unidimensionale dove, sai…

Nicole Zint: Quindi, riducendo l’errore di previsione, migliori le prestazioni della supply chain, e se fai il percorso inverso, degradarebbe le prestazioni della supply chain. Se vivessimo in un mondo unidimensionale, sì, sarebbe così, ma le supply chain sono in molte, molte dimensioni, quindi non funziona affatto così. Ed è qui che direi che l’intuizione di base può portare a errori molto, molto gravi. Quindi, lascia che ti chieda: hai menzionato le prestazioni della supply chain. Come misuri le prestazioni della supply chain?

Joannes Vermorel: Il nocciolo del problema, in realtà, è che, vedi, quelle metriche della supply chain, le persone faticano davvero a comprendere cosa dovrebbe essere una buona previsione. Così, ti inventi una metrica che prendi da un manuale e dici: “Questa è quella giusta”, ma ti rendi conto molto rapidamente che non è perché sia stata trovata in un manuale, o perché si trovi in un manuale matematico, che essa abbia rilevanza per il problema della tua supply chain. E così, se vuoi ottenere qualcosa, la domanda è: cos’altro? Sai, questa sembra una domanda molto aperta, e in effetti lo è davvero, davvero, e la pratica che abbiamo introdotto consiste nel pensare in termini sostanzialmente di dollari di errore. Cosa stai cercando di ottimizzare? E beh, per collegare la qualità e le prestazioni della tua previsione con le prestazioni della tua supply chain, devi iniettare una dose di leva economica, una dose abbastanza consistente, ed è allora che inizi a misurare le cose in dollari di errore. Poi, puoi iniziare a valutare se in realtà stai muovendo l’ago nella direzione che ha senso per la tua supply chain. Quindi, in effetti, le prestazioni della supply chain: migliori sono, sicuramente maggiore è il denaro che l’azienda genera, maggiori sono le riduzioni di costo nella nostra supply chain, e di conseguenza aumentano i ricavi. Quindi, è piuttosto interessante perché ciò significa che, se guardiamo all’accuratezza delle previsioni espressa in percentuali, questa non coincide necessariamente con l’accuratezza espressa in dollari, che è in qualche modo il nocciolo di questo problema di cui stiamo discutendo in questo momento.

Nicole Zint: Sì, ed è molto concentrato. Ancora una volta, penso che questa affermazione sarà controversa, ma ridurre l’errore di previsione espresso in percentuali non migliora le prestazioni della supply chain. A volte può addirittura avere l’effetto opposto. Quindi, se guardiamo a un esempio, diciamo un supermercato. Un supermercato è un problema piuttosto interessante perché il comportamento umano può essere piuttosto imprevedibile. Quindi, se gestisco un supermercato e voglio sapere: oggi venderò zero bottiglie di shampoo oppure cinque, e ho una previsione, e Joannes, qual è la differenza nell’accuratezza di questa previsione nel mio scenario adesso, se la guardo in termini di percentuali rispetto ai dollari?

Joannes Vermorel: Quindi, iniziamo chiarendo una cosa. Il fatto che ci sia un certo grado di incertezza – o ben poca incertezza – definirà semplicemente la magnitudine dell’errore di previsione che osserverai. Quindi, va bene. Vedi, questo è completamente dipendente dalla situazione. Se guardi, diciamo, il consumo nazionale di elettricità, la variazione da un giorno all’altro è molto, molto ridotta. C’è una sorta di andamento giornaliero, ma altrimenti il consumo è molto, molto stabile, quindi osserverai variazioni ben piccole. E se guardi qualcosa di estremamente disaggregato, come una bottiglia di shampoo in un supermercato, osserverai in percentuale una variazione molto più elevata. Questo

Nicole Zint: Esaminiamo questo specifico esempio del supermercato. Questo è un aneddoto che ho già raccontato in un altro episodio. Anni fa, abbiamo effettuato un benchmark di previsione in questo contesto, e ci siamo resi conto che la stragrande maggioranza dei prodotti, quando operi a livello di negozio, ha una domanda media molto inferiore a uno. Sai, vendi una unità, ma in media ne serve una a settimana per prodotto, o anche meno. È più probabile vendere zero che una unità. Assolutamente, quindi l’esito più probabile per la stragrande maggioranza dei prodotti in un giorno qualsiasi è vendere zero. Come si comporta la previsione che punta a massimizzare l’accuratezza in percentuali?

Joannes Vermorel: Se prendi una metrica, diciamo il valore assoluto della tua previsione meno la realtà, e poi la dividi per le vendite annuali o altro, normalizzandola, otterrai una metrica che, se cerchi di ottimizzarla – cioè se cerchi il modello di previsione che ti darà i migliori risultati secondo questa metrica – finirai per ottenere un modello che prevede semplicemente zero ogni singolo giorno. E perché? Perché le vendite zero sono, di gran lunga, l’esito più probabile in un dato giorno. Il modello che risulterà essere il più accurato, secondo questa metrica molto, molto semplice e diretta che ti ho fornito, ovvero il valore assoluto di realtà meno previsione, se lo ottimizzi, darà una previsione pari a zero. E, ancor più strano e dannoso per la supply chain, è che se hai un modello che prevede zero, allora otterrai zero, e molto rapidamente il tuo negozio non avrà nulla sugli scaffali, e di conseguenza molto rapidamente la tua previsione risulterà accurata al 100% perché prevedi zero e vendi zero. Tutto sembrà a posto, tranne il fatto che non lo è. È una catastrofe per l’azienda.

Nicole Zint: Sì, è piuttosto interessante. Anche quando otteniamo il 100% di accuratezza nelle nostre previsioni, otteniamo zero ricavi. E, peggio ancora, abbiamo comunque zero ricavi, ma tutti i costi ci sono. Continuiamo a gestire un negozio. Dobbiamo pagare il personale, il locale, tutto. Quindi, vedi, è ancora peggio. E poi perdiamo clienti perché non trovano ciò che cercano e non tornano.

Joannes Vermorel: Esattamente. E qui vediamo che si tratta di una sorta di assurdità. Non è così evidente quando osserviamo time series più aggregate, ma il problema è esattamente lo stesso. Fondamentalmente, il problema in questo esempio dell’ipermercato è che abbiamo enormi asimmetrie. Il costo di avere una scorta o di essere in difetto di una unità non è affatto lo stesso rispetto al costo di avere una unità invenduta per un giorno in più. Questo è estremamente asimmetrico. E quindi, vedi, il problema con la metrica di accuratezza delle previsioni che ho appena illustrato, ovvero il valore assoluto di previsione meno realtà, è che è completamente simmetrica. Quindi, attribuisce sostanzialmente lo stesso peso al sovraprevisione e all’eccesso di stock. E qui vediamo che, trattandosi di un problema molto, molto semplice in cui abbiamo un’enorme asimmetria, la metrica di previsione non ne cattura nemmeno l’essenza. E perché, da un punto di vista matematico, le metriche che si considerano sono tipicamente simmetriche? Questo è da un punto di vista matematico. Perché dovresti voler avere una metrica altamente asimmetrica? Di solito non lo è…

Nicole Zint: Quindi, vorrei parlare un po’ dell’accuratezza delle previsioni e del suo ruolo nell’ottimizzazione della supply chain. Dal punto di vista matematico, è estremamente interessante e questo è solo l’inizio. Stiamo esaminando un problema minuscolo, ma questo piccolo problema è già abbastanza grande da annullare completamente tutti i benefici intesi che deriverebbero da un processo che ottimizza le previsioni secondo una metrica simmetrica. Quindi, mi sembra che non solo forse stiamo affrontando questo problema nel modo sbagliato, ma che potremmo addirittura star affrontando il problema sbagliato fin dall’inizio. Siamo così concentrati sull’indovinare quale sarà la domanda che non pensiamo al costo dell’eccesso o della carenza di stock. E ce ne allontaniamo dai profitti effettivi che possiamo ottenere, concentrandoci soltanto sull’indovinare la domanda esatta.

Joannes Vermorel: Sì, intendo dire, più fondamentalmente, una previsione è solo un’opinione. Idealmente, è un’opinione informata sul futuro, che in parte è corretta. Tuttavia, alla fine, una previsione è proprio questo: un’opinione informata sul futuro. Non fa nulla per la tua supply chain. L’unica cosa che incide sulla tua supply chain è ciò che effettivamente fai. Le decisioni che prendi – ad esempio, se aggiungere un’unità in più in questo ipermercato o meno per ogni prodotto in ogni singolo giorno – sono queste che contano. Quindi, la domanda diventa: quando pensi in termini di accuratezza delle previsioni, come contribuisce il miglioramento del tuo modello di previsione al tuo obiettivo finale, che è prendere la decisione giusta al momento giusto per ogni singolo prodotto, ogni singolo giorno? Questo è un anello mancante ed è ciò che tipicamente manca completamente in quelle metriche di accuratezza. Ed è per questo che, quando vedo discussioni nelle community della supply chain in cui la gente dice: “Sai una cosa? Esistono 20 metriche diverse che possiamo usare per la supply chain. In questa situazione, puoi usare questa; in quella, puoi usare quella”, eccetera, eccetera, di solito tutte queste discussioni perdono completamente il senso. Non iniziano nemmeno a collegare quelle previsioni – che sono, di nuovo, solo un’opinione – con i risultati finali, ovvero le decisioni che vengono prese sulla base di quelle previsioni. Quindi, stiamo spostando la nostra attenzione dalle conseguenze di ciascuna di quelle decisioni.

Nicole Zint: Assolutamente. Ma queste grandi aziende hanno ancora divisioni dedicate specificamente al miglioramento dell’accuratezza di queste previsioni. Dovrebbe esserci una divisione del genere in primo luogo?

Joannes Vermorel: Questo è un argomento che abbiamo accennato brevemente in uno degli episodi precedenti della chain, che parlava di silos e divisioni all’interno delle grandi aziende. Vedi, il problema è che quando inizi a introdurre artefatti numerici – e gli artefatti numerici possono essere di qualsiasi tipo, come le classi ABC, i safety stocks, le previsioni, e così via – tutto ciò sono artefatti numerici. Non esiste un vero safety stock nel tuo magazzino. Non hai due scorte, quella operativa e il safety stock. Ora hai solo una scorta. Quello che hai, e quando introduci quegli artefatti numerici, è la tentazione di creare un sottogruppo di specialisti all’interno dell’azienda che diventino esperti nel gestire questo artefatto numerico. Il problema è che non è reale. Solo perché lo fai, o perché metà dell’industria lo fa, puoi farti l’idea che in qualche modo sia reale, ma non lo è, letteralmente. E ci sono un sacco di cose del genere che semplicemente non sono reali. I safety stocks non sono reali, i livelli di servizio non sono reali, le previsioni – non importa come le gestisci…

Nicole Zint: Quindi, Joannes, quando parliamo di artefatti numerici, cosa intendiamo esattamente?

Joannes Vermorel: Beh, non sono reali; sono artefatti numerici che produci per ottenere un certo tipo di operatività e per prendere determinate decisioni. E dunque, se torniamo a quelle grandi aziende, esse faticano sempre a distribuire il carico di lavoro. Solo perché hai introdotto un artefatto numerico non significa che dovresti creare un team. Questo è, al contrario, una delle cause principali di quei, direi, mali che in primo luogo minano le prestazioni della supply chain.

Nicole Zint: E perché è così?

Joannes Vermorel: Beh, se inizi a creare un team di specialisti che lavorano solo per migliorare la qualità della previsione, cosa succederà? La realtà è che sceglieranno una metrica. Perché? Beh, perché se non hanno una metrica, non possono operare. Quindi, sceglieranno una metrica. Abbiamo bisogno di qualcosa da misurare, sì. E poiché hanno una metrica, tutto sembra estremamente razionale, sai. Sì, stiamo ottimizzando la previsione, ovvero il valore assoluto di previsione meno realtà. Ovviamente, se producessimo previsioni perfettamente accurate, il nostro errore di previsione sarebbe zero. E così, tutti sarebbero d’accordo. Sì, sembra ragionevole, sembra razionale. Tranne che, come abbiamo visto nell’esempio dell’ipermercato, non è assolutamente reale e né razionale. Si possono fare cose completamente insensate con questo approccio. Tuttavia, se sei una grande azienda, forse non te ne rendi conto. Il diavolo sta nei dettagli, e probabilmente le persone non si rendono nemmeno conto che, in primo luogo, è del tutto falso e insensato. Tuttavia, hai un team, e poi il team incaricato delle previsioni opera nella propria bolla, sai. Quindi, non sono loro a prendere le decisioni effettive che portano i risultati; sono loro che producono la previsione.

Nicole Zint: E perché questo è un problema?

Joannes Vermorel: Secondo il loro obiettivo e la loro metrica, stanno migliorando. Produrranno una serie di modelli e, col tempo, diventeranno più bravi. Considereranno la stagionalità; considereranno le festività religiose. Considereranno un’infinità di fattori, e miglioreranno. E così, secondo la metrica, la previsione migliorerà. E potenzialmente introdurranno software migliori, ogni sorta di cose col tempo. Migliorerà secondo la metrica, che non coincide con l’interesse dell’azienda espresso in dollari. Quindi, la supply chain performance non migliora con la previsione migliorata. Sì, e ancora, la gente direbbe, “Ma perché? Abbiamo previsioni migliori, quindi perché dovrebbe migliorare?” Quella gente non sta facendo nulla per migliorare effettivamente in base ai dollari di errore che cercano di azzerare nelle metriche di accuratezza. Vedi, questo è l’astuzia. Non è perché fai qualcosa che assomiglia a qualcos’altro che otterrai il risultato che otterresti facendo un’altra cosa. Sai, è letteralmente… c’era, beh, sto divagando un po’, ma c’è un aneddoto per l’estero, e lo si poteva cercare su Wikipedia riguardo ai cargo cults, sai, quello accaduto durante la Seconda Guerra Mondiale, quando aerei statunitensi sorvolavano isole del Pacifico e lasciavano cadere cargo – cibo, munizioni, vari beni – affinché i soldati che arrivavano sulle isole avessero già

Nicole Zint: Quando in realtà le persone hanno realizzato di essere state addirittura testimoni della nascita di nuove religioni, in cui la gente cercava in qualche modo di innescare l’apparizione di un velivolo che avrebbe consegnato ulteriore cargo. Come vedi, questo è ciò che succede quando provi semplicemente a imitare superficialmente qualcosa che ti è stato utile in passato, ma ora manca la sostanza fondamentale, e questi sono quei cargo cults che sono emersi cercando letteralmente di reinizializzare la consegna di un cargo sull’isola riproducendo semplicemente qualche elemento di ciò che è realmente accaduto. Credo che questo sia ciò che sta accadendo, direi, nella maggior parte dei team di forecasting che cercano di generare una migliore supply chain performance semplicemente ottimizzando quelle metriche. Sai, ha una sua logica, ma se guardi al quadro generale, non è assolutamente razionale. Questo è solo una patina di razionalità, e prendi semplicemente le forme: hai numeri, hai persone intelligenti, hai processi, ma non è detto che spuntando tutte le caselle l’intero sistema abbia effettivamente senso. Quindi, devo chiederti, Joannes, inizialmente abbiamo cominciato a fare previsioni concentrandoci nel renderle sempre più accurate, e tu, lungo questo percorso di Lokad, come hai capito che, in effetti, ciò non generava una migliore o non risultava in una supply chain più performante per i nostri clienti?

Joannes Vermorel: Perché non funzionava, semplice e chiaro. Quindi, come hai capito che stavamo affrontando il problema sbagliato? Voglio dire, mi sono chiesto innanzitutto: come ho capito che non funzionava? Perché è una domanda insidiosa—infatti, anche quando non funzionava, Lokad acquisiva clienti senza problemi, crescendo e risultando profittevole, in un certo senso, sai, semplicemente bene. Quindi, se stai crescendo, se sei profittevole e sei un’azienda di software, suona bene, suona bene, sì, sì. Ma non funzionava per i clienti, capisci? E quando ho fatto un passo indietro, mi sono chiesto, sai, la domanda brutalmente onesta: “Ho davvero migliorato la situazione per i clienti?” Sai, se mi fermo, se dimentico le metriche, se ignoro le metriche, e cerco semplicemente di percepire istintivamente la situazione, sta davvero migliorando? E stavo cominciando a rendermi conto che non lo era, capisci, non lo era. Eppure, secondo tutte le matrici, lo era. Ma se mi distaccavo per un attimo da queste matrici, se cercavo di valutare freddamente se ciò che stiamo facendo stava veramente apportando un cambiamento positivo, in un senso più profondo, qualcosa che dicesse “sì”, allora non lo faceva. Ma la gente diceva, “Oh, ma secondo tutte le metriche, siamo a posto, stiamo raggiungendo gli obiettivi.” Ma non stiamo portando valore, e il problema è che se scegli una metrica e la ottimizzi, allora sì, otterrai qualcosa di migliore secondo quella metrica. Questo è letteralmente ciò che l’ottimizzazione matematica e machine learning faranno per te. Scegli una metrica, esegui una sorta di ottimizzazione numerica e otterrai qualcosa di migliore secondo quella metrica. Quindi, vedi, era una sorta di tautologia. Scegli una metrica, facciamo meglio secondo quella metrica, cosa ti aspettavi, sai? A meno che gli algoritmi non siano realizzati in modo errato, dovremmo davvero ottenere quel risultato. Ma ciò non significa che, a un livello più profondo, stiamo

Nicole Zint: Puoi spiegare perché credi nell’annullamento anticipato dei piani?

Joannes Vermorel: L’annullamento anticipato, perché vedi, la maggior parte dei nostri concorrenti adotta piani pluriennali. Non si rendono mai conto che c’è qualcosa che non va, perché fondamentalmente passano attraverso un ERP, vendono i loro prodotti, poi intraprendono un percorso quinquennale. Che funzioni o meno, il cliente ha investito così tanto sforzo in questo da non poter cambiare, rimanendo così bloccato. Sai, sono come auto affondate con cui giocare. C’è una trappola psicologica nel continuare su quella strada, dato che hai già investito così tanto. Ti ci sei abituato, hai investito così tanto, e quindi, dopo cinque anni, sei esausto nell’implementare una soluzione super complessa, per cui non cambi, non vuoi cambiare subito. E poi, quando finalmente decidi che vuoi cambiare, sai, dopo 8 o 10 anni, ti ritrovi a dover partecipare a un altro RFP. Quindi, se perdi il cliente a questo punto, dici semplicemente: “Beh, non è che stavamo facendo qualcosa di sbagliato con la previsione, è solo che la tecnologia, sai, è evoluta, e parte della nostra concorrenza ha preso il largo su quel cliente specifico, e così non abbiamo più vinto il cliente al secondo RFP.” Ma non si fa automaticamente la connessione che il legame tra ciò che stai facendo e il valore per il cliente è molto debole. Se, per un mese, il direttore della supply chain si rende conto, avendo lo stesso presentimento istintivo, che non porta valore sul tavolo, indipendentemente da ciò che dicono i KPI, allora sei fuori. E così, il ciclo di feedback è, direi, molto più stretto.

Nicole Zint: Puoi dirmi come un prodotto si è evoluto così com’è oggi rispetto a una semplice previsione da sola?

Joannes Vermorel: Abbiamo capito che, in termini di accuratezza delle previsioni, il problema non è ottimizzare secondo una data accuratezza delle previsioni, ovvero una metrica specifica. Ne sceglierai una, e riscontrerai una miriade di problemi. Questo non è il nucleo del problema. E se il tuo strumento è adeguato, scegli una metrica e la ottimizzi, ed ecco fatto. È molto semplice. Potrebbe essere reso ancora più semplice, ma è davvero molto semplice. Stiamo ottimizzando adesso? La sintonia? Ecco il punto. Lo strumento è ottimizzato per la metrica, ma il fatto è che lo strumento che abbiamo sviluppato è ciò che serve per individuare le metriche, le metriche di accuratezza di cui la tua azienda ha bisogno. Vedi, il percorso è iniziato con l’idea che potessimo avere un insieme preconcetto di metriche e semplicemente ottimizzare su quelle, e andrebbe tutto bene. Non è così, ed è molto peggio di quanto pensassi inizialmente. Non si tratta di identificare metriche migliori. Sì, ci sono alcune metriche che sono lievemente migliori. Per esempio, se torniamo a quella situazione dell’ipermercato, se prendi, diciamo, la pinball loss function, che è altamente asimmetrica, una loss function che può essere resa arbitrariamente asimmetrica. Puoi ottenere risultati marginalmente migliori se opti per il forecasting probabilistico. Puoi anche scegliere metriche specifiche per le previsioni probabilistiche, cross-entropy, continuous rank probability score, e altre. Quindi, ci sono metriche marginalmente migliori, ma è tutto qui. Sono solo marginalmente migliori. Il problema è che quando affronti una situazione reale-

Nicole Zint: Joannes, puoi parlare del cambiamento di paradigma nell’ottimizzazione della supply chain che è avvenuto nell’ultimo decennio?

Joannes Vermorel: Sì, certo. Vedi, questo è il tipo di cambiamento di paradigma che abbiamo dovuto affrontare nell’ultimo decennio. Gli strumenti che abbiamo oggi rispondono letteralmente alla domanda su cosa serve perché i supply chain scientists possano scoprirlo. Analizziamo i dati e discutiamo con l’esperto di supply chain in azienda su come dovrebbe essere la metrica di accuratezza. E ti renderai conto che non possiede quell’eleganza numerica tipica delle metriche matematiche, perché ci sono un’infinità di fattori, casi limite e aspetti molto specifici del tipo di business in cui operi. Se lavori nel lusso esclusivo, è completamente diverso rispetto, diciamo, al food fresco o all’aerospaziale. Quindi ci sono un sacco di casi limite e situazioni particolari che hanno senso solo perché stai considerando una realtà aziendale molto specifica. Eppure, quei casi limite sono assolutamente fondamentali se vuoi ottenere, alla fine, risultati e decisioni che non siano del tutto insensati. Quello a cui aspiriamo veramente sono proprio quelle decisioni di supply chain. Sì, quello sarebbe l’obiettivo finale. Sarebbe il modo per misurare se stai facendo qualcosa di buono, e ciò è valido per tutti gli artefatti numerici intermedi che produci.

Nicole Zint: Puoi spiegare cosa intendi per artefatti numerici?

Joannes Vermorel: Sì, certo. Le previsioni misurate con la loro propria matrice di accuratezza sono solo un tipo di artefatto numerico. Tipicamente, ce ne sono una dozzina di altri lungo il processo. Quindi siamo passati dal concentrarci sul miglioramento dell’accuratezza delle previsioni al trovare quelle decisioni chiave della supply chain che massimizzano il profitto o la performance massima della supply chain, il che rappresenta un cambiamento di prospettiva piuttosto interessante.

Nicole Zint: Quindi, qual è il tuo consiglio alle aziende che vogliono ottimizzare la loro supply chain?

Joannes Vermorel: Il mio consiglio è che, se non c’è una sola persona responsabile di tutto, dalla comprensione dei dati presenti nell’ERP fino alla generazione finale degli ordini di produzione, ordini di riapprovvigionamento, ordini di acquisto, movimenti di stock, variazioni di prezzo, allora non hai nemmeno iniziato a ottimizzare la tua supply chain. Se non hai una persona che sia responsabile end-to-end per questa intera catena, allora tutto l’impegno che hai messo in previsioni migliori o altro è solo un’illusione. Se gli incentivi non sono allineati, quelle persone faranno cose che non hanno senso per l’azienda. Pensa, ad esempio, a una partita a scacchi, in cui dico che tu sei il cavallo e il tuo obiettivo è semplicemente fare in modo che il cavallo sopravviva fino alla fine della partita. La domanda è: pensi davvero che, giocando da cavallo, stai giocando come la torre, mentre io gioco come la regina?

Nicole Zint: E il tuo obiettivo è sopravvivere. Il tuo obiettivo è sopravvivere. Pensi davvero che, facendo ciò, giocheremo una partita complessivamente con qualche possibilità di vincere contro l’avversario?

Joannes Vermorel: No, non lo farà. Sai, è fuorviante. L’obiettivo che stiamo cercando di comunicare è, sì, e la gente dice: “Oh, nel 99% delle partite che abbiamo giocato, io recitavo il ruolo del cavallo, e il cavallo era ancora sulla scacchiera alla fine della partita.” Sì, ma abbiamo perso ogni singola partita.

Nicole Zint: Questo è buono, ma questa partita…

Joannes Vermorel: Questo è il problema delle metriche fuorvianti: possono sembrare e apparire super razionali, ma in realtà, nel profondo, sono profondamente irrazionali. E credo che questo tipo di pratiche di forecasting e le divisioni di forecasting che molte grandi aziende hanno siano completamente irrazionali. So che è molto difficile, perché quelle divisioni sono piene di ingegneri che vogliono fare bene. Non sono stupidi, e nemmeno i loro capi o le persone sopra di loro lo sono, e vogliono fare bene. Quindi, vedi, non è una questione di avere persone che dovrebbero essere licenziate, no, no, è il peggior assetto possibile. È semplicemente un controsenso produttivo.

Nicole Zint: Esattamente, non può. È difettoso per progetto. Non otterrà risultati.

Joannes Vermorel: Quindi il mio consiglio è: assicurati di avere questa persona unica. Questa persona può avere tanti pari quante vuoi, sai, per avere un collegamento che unisca ogni elemento alla decisione finale, e ciò dovrebbe tradursi in un’ottimizzazione monolitica. Non dovresti segmentare questo processo.

Nicole Zint: Joannes, ti ringrazio moltissimo per questo argomento di oggi. Davvero stimolante. Grazie per averci seguito, e alla prossima.

Joannes Vermorel: Grazie.