Precisione delle previsioni in dollari anziché in percentuale

00:00:08 Introduzione dell’argomento del miglioramento della precisione delle previsioni nell’industria della supply chain.
00:01:22 Spiegazione di cosa significa una previsione più accurata e dell’uso di metriche di previsione.
00:03:21 Discussione sulle limitazioni dell’utilizzo di metriche matematiche per misurare le prestazioni delle supply chain.
00:05:30 Enfasi sulla misurazione della precisione delle previsioni in dollari anziché in percentuale.
00:08:42 Spiegazione di come massimizzare la precisione in percentuale possa essere fuorviante per le prestazioni della supply chain.
00:09:04 Discussione sulle limitazioni dell’utilizzo di una metrica semplice per la previsione delle 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 solo opinioni informate sul futuro e del loro impatto sulla supply chain.
00:16:32 Discussione dei 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 un miglioramento delle prestazioni della supply chain.
00:21:41 Consapevolezza che la crescita e la redditività dell’azienda non significavano necessariamente un miglioramento delle supply chain dei clienti.
00:22:04 Spiegazione della differenza tra un modello di abbonamento mensile e piani pluriennali.
00:25:53 Spiegazione di come il prodotto 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 vantaggi dell’utilizzo di previsioni probabilistiche e metriche specifiche come l’entropia incrociata e il punteggio di probabilità di rango continuo.
00:27:54 Il cambiamento 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 dall’inizio alla fine per l’intera supply chain.
00:32:23 L’importanza di avere un processo di ottimizzazione monolitico nella gestione della supply chain.

Riassunto

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

Riassunto Esteso

L’argomento dell’intervista è l’accuratezza delle previsioni nell’industria della gestione della supply chain. L’host, Nicole Zint, osserva che nonostante decenni di sforzi per migliorare l’accuratezza delle previsioni, una maggiore accuratezza non ha portato a una migliore performance delle supply chain. Si chiede se l’industria stia guardando il problema nel modo sbagliato o se si stia concentrando sul problema sbagliato. Joannes Vermorel, il fondatore di Lokad, spiega che una previsione più accurata significa che un modello di previsione è più accurato di un altro secondo una metrica di previsione. Esistono diverse metriche di previsione, ma sono tutti 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 percentuale può essere fuorviante per la performance della supply chain. Osserva anche che ridurre l’errore di previsione attraverso l’ottimizzazione di metriche matematiche non genera una maggiore performance della supply chain. Tuttavia, aumentare l’errore di previsione non migliora necessariamente nemmeno la performance della supply chain. Vermorel ritiene che la supply chain non sia un problema unidimensionale e che ci sia una falsa dualità tra accuratezza e performance.

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

Zint chiede a Vermorel come misurare la performance della supply chain, a cui Vermorel risponde che le metriche utilizzate possono essere difficili da definire. La sfida consiste nel trovare una buona previsione, che dipende dalla situazione. Vermorel suggerisce di guardare a 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 stragrande maggioranza dei prodotti in un determinato giorno è zero vendite. Se le aziende ottimizzano una metrica che massimizza l’accuratezza delle previsioni in percentuale, finiranno con un modello che prevede semplicemente zero ogni giorno, il che sarebbe catastrofico per l’azienda. Ancora peggio, se un modello prevede zero, il negozio rifornirà zero, il che comporterà una perdita di ricavi e clienti.

In generale, Vermorel sostiene che la chiave per migliorare la performance della supply chain risiede nel collegare la qualità della previsione con la performance della supply chain mediante l’inserimento di un driver economico. Suggerisce di misurare l’accuratezza delle previsioni in dollari di errore e di tenere conto dei costi associati alla mancanza di inventario, anziché ottimizzare solo una metrica che massimizza l’accuratezza delle previsioni in percentuale. In questo modo, le aziende possono evitare di ottimizzare la previsione per l’esito sbagliato, 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 nell’utilizzo di una metrica di accuratezza delle previsioni simmetrica che attribuisce lo stesso peso alla sovrastima e all’eccesso di stock. Vermorel sostiene che questo sia un problema in quanto l’eccesso di stock è un problema significativo con conseguenze asimmetriche. Egli sostiene che, sebbene l’accuratezza delle previsioni sia importante, dovrebbe essere collegata al risultato finale, ovvero prendere la decisione corretta al momento giusto per ogni singolo prodotto ogni singolo giorno.

Vermorel sostiene che l’introduzione di artefatti numerici, come le scorte di sicurezza, le classi ABC e i livelli di servizio, può creare la tentazione di creare un sottogruppo di specialisti all’interno di un’azienda che sono esperti nel gestire questi artefatti numerici. Tuttavia, Vermorel sostiene che questi artefatti non sono reali e che la creazione di un team di specialisti che lavora solo per migliorare la qualità delle previsioni è una causa radice del problema. Egli ritiene che tale team operi in una propria bolla, producendo previsioni in base ai propri obiettivi e metriche, 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. Invece, Vermorel sostiene che i responsabili della supply chain dovrebbero concentrarsi sui risultati finali e prendere le decisioni corrette al momento giusto per ogni singolo prodotto ogni singolo giorno. Sebbene l’accuratezza delle previsioni sia importante, dovrebbe essere collegata al risultato finale e i responsabili della supply chain dovrebbero fare attenzione a non concentrarsi esclusivamente sul miglioramento dell’accuratezza delle previsioni senza tenere conto delle conseguenze delle loro decisioni.

Hanno discusso delle limitazioni dell’utilizzo delle metriche di accuratezza per migliorare la performance della supply chain. Vermorel ritiene che le aziende siano troppo concentrate sul miglioramento dell’accuratezza delle previsioni senza considerare l’impatto sul risultato finale. Facendo un parallelo con i culti della merce 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 metodi di previsione, Vermorel ritiene che Lokad possa aiutare i clienti a ottenere una supply chain più performante attraverso un modello di abbonamento mensile che privilegia i risultati positivi.

Vermorel discute 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. Osserva anche che non è sufficiente ottimizzare in base a una metrica data, poiché ciò può creare numerosi problemi. Invece, le aziende devono scoprire le metriche di accuratezza specifiche per il loro business, il che può essere sfidante data la molteplicità di casi limite e fattori unici a ciascun settore.

Vermorel sottolinea l’importanza di individuare decisioni chiave nella supply chain che massimizzino il profitto o la performance, anziché concentrarsi esclusivamente sul miglioramento dell’accuratezza delle previsioni. Egli sostiene che le aziende devono avere una persona responsabile della presa di decisioni end-to-end e che la frammentazione può portare a decisioni senza senso che danneggiano l’azienda. Vermorel mette in guardia dai pericoli delle metriche fuorvianti che sembrano razionali ma che sono in ultima analisi profondamente irrazionali, come concentrarsi esclusivamente sulla sopravvivenza di un singolo pezzo degli scacchi anziché vincere la partita. Conclude consigliando alle aziende di avere un processo di ottimizzazione monolitico anziché scomporre il processo, che è difettoso per progettazione e controproducente.

Trascrizione completa

Nicole Zint: L’intera industria della supply chain ha cercato per decenni di migliorare l’accuratezza delle previsioni. Ogni grande azienda ha persino una propria divisione dedicata a questo problema. Ma tuttavia, l’esito di questo sforzo, forse controintuitivo, ha dimostrato che una maggiore accuratezza e previsione non si traducono in una supply chain più performante. Stiamo forse guardando il problema nel modo sbagliato o forse addirittura il problema sbagliato per cominciare? E cosa cambia se misuriamo l’accuratezza in dollari anziché in percentuale? 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 all’altro. Quindi, più specificamente, quando diciamo che abbiamo una previsione più accurata, è un po’ un abuso di linguaggio. In realtà, stiamo dicendo che abbiamo un modello di previsione che è più accurato di un altro modello di previsione, e secondo cosa? Secondo una certa metrica di previsione, che è solo una metrica, solo una misura che quantifica l’errore di previsione che hai sui due modelli di previsione. Quindi, in realtà, l’accuratezza delle previsioni dipende direttamente dalla metrica che si utilizza, assolutamente. E ci sono una vasta varietà di metriche di previsione che sono conosciute, direi, nella letteratura. Le più diffuse sono probabilmente l’errore quadratico medio, l’errore assoluto, la media percentuale assoluta generalizzata, la mappa ponderata, hai un bestiario mondiale di funzioni che ti permettono di misurare l’errore di previsione. E tutte queste metriche di previsione hanno in comune il fatto che se hai risultati perfetti, ti dicono semplicemente che il tuo errore è zero. Quindi abbiamo una vasta gamma di diverse metriche da utilizzare. Quale è la migliore? Come si fa a saperlo?

Nicole Zint: Per quanto riguarda la supply chain, questa è una domanda molto complicata perché la realtà è che tutte le metriche che ho elencato sono in realtà oggetti matematici. Le troverai nei libri di testo perché ti forniscono tonnellate di proprietà matematiche interessanti, direi. Ma non è perché qualcosa è interessante dal punto di vista matematico che è probabilmente rilevante per un dominio di interesse. Sai, ci sono tonnellate di cose che possono essere molto interessanti dal punto di vista matematico, e questo non significa che saranno rilevanti dal punto di vista della supply chain. E credo che qui risieda il nocciolo del problema. Le persone si aspettano, e questa è a mio parere la sorta di aspettativa sbagliata, che possano semplicemente andare in un libro di testo matematico, esaminare le decine di metriche e sceglierne una e dire, questa è quella che va bene per un primo. Non funziona proprio così. Quindi, in realtà, se guardiamo al problema di massimizzare la nostra accuratezza in percentuale, questo può essere molto fuorviante per le prestazioni della supply chain.

Joannes Vermorel: Sì, voglio dire, di nuovo, la nostra conclusione non è che dovremmo massimizzare l’errore di previsione. Non è di questo che sto discutendo. Vedi, la scoperta era più sorprendente di così. La scoperta era che se riduci semplicemente l’errore di previsione attraverso l’ottimizzazione di metriche matematiche, non genera prestazioni extra della supply chain. Ma il contrario non è semplice. Non è solo perché aumenti l’errore di previsione che migliorerai effettivamente le prestazioni della supply chain. Vedi, qui diventa molto sorprendente perché c’è questa sorta di falsa dualità in cui dici, beh, è una cosa o l’altra. Sì, sarebbe così se la supply chain fosse un problema unidimensionale in cui se, sai…

Nicole Zint: Quindi, riduci l’errore di previsione, migliorerai le prestazioni della supply chain, e se vai semplicemente nella direzione opposta, degraderai le prestazioni della supply chain. Se vivessimo in un mondo unidimensionale, sì, sarebbe così, ma le supply chain sono multidimensionali, quindi non funziona affatto così. Ed è qui che direi che l’intuizione di base può sbagliare molto, molto. Quindi, permettimi di farti questa domanda. Hai menzionato le prestazioni della supply chain. Come si misurano le prestazioni della supply chain?

Joannes Vermorel: Questo è il nocciolo del problema, in realtà, è che vedi, queste metriche della supply chain, le persone hanno davvero difficoltà a capire cosa dovrebbe essere una buona previsione. Quindi, si arriva a una metrica che si prende da un libro di testo e si dice: “È questa”, ma molto rapidamente ci si rende conto che non è così perché è stato trovato in un libro di testo, ma perché è stato in un libro di testo matematico che ha una qualche rilevanza per il problema della tua supply chain. E quindi, se vuoi ottenere qualcosa di concreto, la domanda è: cosa altro? Sai, sembra una domanda molto aperta, ed effettivamente lo è, ed è una pratica che abbiamo introdotto che consiste nel pensare in termini di errori in termini di dollari. 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 introdurre una dose di driver economici, una dose piuttosto grande, ed è lì che inizi a misurare le cose in termini di errori in dollari. Poi, puoi valutare se stai effettivamente spostando l’ago nella direzione che ha senso per la tua supply chain. Quindi, in effetti, migliori sono le prestazioni della supply chain, più soldi l’azienda genera, più stiamo tagliando i costi nella nostra supply chain e quindi aumenta il nostro fatturato. Quindi, è piuttosto interessante perché ciò significa che se guardiamo all’accuratezza delle previsioni in percentuale, ciò non coincide necessariamente con l’accuratezza delle previsioni in dollari, che è il nucleo di questo problema che stiamo discutendo in questo momento.

Nicole Zint: Sì, ed è molto concentrato. Di nuovo, penso che sarà una dichiarazione controversa, ma ridurre l’errore di previsione espresso in percentuale di errore non migliora le prestazioni della supply chain. A volte può addirittura fare esattamente il contrario. Quindi, se prendiamo ad esempio 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 se oggi venderò zero bottiglie di shampoo o cinque, e ho una previsione, e Joannes, qual è la differenza di accuratezza di questa previsione nel mio scenario in questo momento se la guardo in termini di percentuali rispetto ai dollari?

Joannes Vermorel: Quindi, innanzitutto, iniziamo con chiarire una cosa. Il fatto che ci sia un pensiero di incertezza o molto poco di incertezza sta solo a definire il tipo di magnitudine dell’errore di previsione che osserverai. Quindi, va bene. Vedi, questo dipende completamente dalla situazione. Se stai guardando, diciamo, il consumo nazionale di elettricità, la variazione da un giorno all’altro è molto, molto piccola. C’è un pattern giornaliero, ma per il resto, il consumo è molto, molto stabile, quindi osserverai variazioni molto, molto piccole. E se stai guardando qualcosa che è estremamente disaggregato, come le bottiglie di shampoo in un supermercato, osserverai variazioni in percentuale molto più elevate. Questo

Nicole Zint: Diamo un’occhiata a questo esempio specifico del supermercato. Questo è un aneddoto che ho già raccontato in un altro episodio. Anni fa, abbiamo fatto un benchmark di previsione in questa situazione e ciò che abbiamo capito è che la stragrande maggioranza dei prodotti, quando operi a livello di negozio, ha una domanda media molto inferiore a uno. Sai, stai vendendo uno, ne hai bisogno a settimana in media per prodotto, o qualcosa a volte anche inferiore. È più probabile che tu venda zero che una unità di questo. Assolutamente, quindi l’esito più probabile per la stragrande maggioranza dei prodotti in un determinato giorno è vendere zero. Come si comporta la previsione che cerca di massimizzare l’accuratezza in percentuale?

Joannes Vermorel: Se prendi una metrica, diciamo il valore assoluto della tua previsione meno la realtà, e poi puoi dividere per le vendite annuali o altro, e normalizzarlo. Ciò che otterrai è una metrica che, se cerchi di ottimizzare rispetto a questa metrica, il che significa se cerchi di trovare quale è il modello di previsione che ti darà i migliori risultati secondo questa metrica, finirai con un modello che prevede zero ogni singolo giorno. E perché? Perché le vendite zero sono di gran lunga l’esito più probabile in un determinato giorno. Il modello che sarà il più accurato, secondo questa metrica molto semplice e diretta che ti ho dato, anche se è il valore assoluto della realtà meno la previsione, se ottimizzi solo quello, avrai una previsione che produrrà zero. E ancora più strano e ancora più dannoso per la supply chain, è che se hai un modello che prevede zero, allora venderai zero, e molto rapidamente il tuo negozio non avrà nulla sugli scaffali, e quindi molto rapidamente la tua previsione sarà accurata al 100% perché prevedi zero, vendi zero. Tutto va bene, tranne che non lo è. È una catastrofe per l’azienda.

Nicole Zint: Sì, è molto interessante. Anche quando otteniamo un’accuratezza del 100% sulle nostre previsioni, otteniamo zero ricavi. E ancora peggio di così, abbiamo comunque zero ricavi, ma abbiamo tutti i costi. Stiamo ancora gestendo un negozio. Dobbiamo pagare le persone, pagare l’edificio, tutto. Quindi, vedi, è ancora peggio di così. E poi stiamo perdendo clienti perché non trovano quello che cercano e non tornano.

Joannes Vermorel: Esattamente. E qui vediamo che è una sorta di assurdità. Non è così ovvio quando guardiamo serie temporali più aggregate, ma il problema è esattamente lo stesso. Fondamentalmente, il problema qui in questo esempio di ipermercato è che abbiamo asimmetrie massive. Il costo di avere o essere carenti di una unità non è assolutamente lo stesso rispetto al costo di avere una unità invenduta per un giorno in più. Questo è molto, molto asimmetrico. E quindi, vedi, il problema con la metrica di accuratezza delle previsioni che ho appena delineato inizialmente, valore assoluto della previsione meno la realtà, è che è completamente simmetrica. Quindi, mette essenzialmente lo stesso peso sulla sovrastima e sulla sovrastock. E qui vediamo che essendo un problema molto, molto semplice in cui abbiamo una asimmetria massiccia, la metrica di previsione non cattura nemmeno questo. E perché dovrebbe essere dalla prospettiva matematica o dalle metriche che stai considerando, sono tipicamente simmetriche? Questo è da una prospettiva matematica. Perché vorresti avere una metrica altamente asimmetrica? Di solito non ha…

Nicole Zint: Quindi, voglio parlare un po’ dell’accuratezza delle previsioni e del suo ruolo nell’ottimizzazione della supply chain. Da un punto di vista matematico, è molto interessante e questo è solo l’inizio. Stiamo solo guardando un piccolo problema, ma questo piccolo problema è già sufficientemente grande da annullare completamente tutti i benefici previsti che deriverebbero da un processo che ottimizzerebbe le previsioni secondo una metrica simmetrica. Quindi, mi sembra che non solo stiamo forse guardando questo problema nel modo sbagliato, ma potremmo persino stare guardando il problema sbagliato per cominciare. Siamo così concentrati nel cercare di indovinare quale sarà la domanda che non stiamo pensando al costo di avere un eccesso o una carenza di stock. E ci allontaniamo dai veri profitti che possiamo ottenere e ci concentriamo solo sull’indovinare la domanda esatta.

Joannes Vermorel: Sì, voglio dire, più fondamentalmente, una previsione è solo un’opinione. Idealmente, è un’opinione informata sul futuro, che è corretta. Tuttavia, alla fine, una previsione è solo questo, un’opinione informata sul futuro. Non fa nulla per la tua supply chain. L’unica cosa che fa qualcosa per la tua supply chain è ciò che fai effettivamente. Le decisioni che prendi, metto un’unità in più in questo ipermercato o no, per un determinato prodotto in un determinato giorno, quelle sono le decisioni. Quindi, la domanda diventa, quando vuoi pensare in termini di accuratezza delle previsioni, come il miglioramento del tuo modello di previsione contribuisce al tuo obiettivo finale, che è prendere la decisione giusta al momento giusto per ogni singolo prodotto ogni singolo giorno. Questo è un collegamento mancante, ed è tipicamente ciò che è completamente assente da quelle metriche di accuratezza. Ed è per questo che quando vedo discussioni nelle comunità di supply chain in cui le persone dicono: “Sai cosa? Ci sono 20 diverse metriche che possiamo usare per la supply chain. In questa situazione, puoi usare questa. In questa situazione, puoi usare quella”, eccetera, eccetera, di solito tutte quelle discussioni mancano completamente il punto. Non iniziano nemmeno a collegare quelle previsioni, che sono di nuovo solo un’opinione, con i risultati finali, che sono le decisioni che vengono prese in base a quelle previsioni. Quindi, stiamo un po’ allontanando la nostra attenzione dalle conseguenze di ciascuna di quelle decisioni.

Nicole Zint: Assolutamente. Ma queste grandi aziende, abbiamo 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 affrontato brevemente in uno degli episodi precedenti della catena, che era 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, possono essere classi ABC, possono essere scorte di sicurezza, possono essere previsioni, di nuovo, sto dicendo che tutto ciò sono artefatti numerici. Non esiste una cosa del genere come una scorta di sicurezza nel tuo magazzino. Non hai due scorte, la scorta di lavoro e la scorta di sicurezza. Ora c’è solo una scorta. Quello che hai, e quando introduci quegli artefatti numerici, c’è la tentazione di creare un sottogruppo di specialisti all’interno dell’azienda che saranno esperti nel gestire questo artefatto numerico. Il problema è che non è reale. Solo perché lo fai, o metà dell’industria lo fa, puoi essere indotto a pensare che sia una sorta di reale, ma non lo è, letteralmente. E ci sono tonnellate di cose del genere che non sono semplicemente reali. Le scorte di sicurezza non sono reali, i livelli di servizio non sono reali, le previsioni non importa come le fai

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 operazione e prendere certi tipi di decisioni. E quindi, se torniamo a quelle grandi aziende, hanno sempre difficoltà a distribuire il carico di lavoro. Solo perché hai introdotto un artefatto numerico non significa che dovresti introdurre una squadra. Questo è, al contrario, una delle cause principali di quei, direi, mali che minano davvero le prestazioni della supply chain in primo luogo.

Nicole Zint: E perché è così?

Joannes Vermorel: Beh, se inizi a creare una squadra di specialisti che lavoreranno solo per migliorare la qualità delle previsioni, 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 perché hanno una metrica, sembra molto razionale, sai. Sì, stiamo ottimizzando la previsione, valore assoluto della previsione meno realtà. Ovviamente, se producessimo previsioni perfettamente accurate, il nostro errore di previsione sarebbe zero. E quindi, tutti sono d’accordo. Sì, sembra ragionevole, sembra razionale. Tranne che abbiamo visto nell’esempio dell’ipermercato che non è affatto reale e non ha senso. Puoi fare cose completamente folli con quello. Tuttavia, se sei un’azienda grande, forse non te ne accorgerai. Il diavolo sta nei dettagli e probabilmente le persone non si accorgeranno nemmeno che è completamente falso e senza senso in primo luogo. Tuttavia, hai una squadra e poi la squadra che si occupa delle previsioni opera nella sua bolla, sai. Quindi, non sono loro a prendere le decisioni effettive che li coinvolgono; sono loro a produrre la previsione.

Nicole Zint: E perché è un problema?

Joannes Vermorel: In base al loro obiettivo e alla loro metrica, stanno migliorando. Produrranno una serie di modelli e nel tempo miglioreranno. Considereranno la stagionalità; considereranno le festività religiose. Considereranno tonnellate di fattori e miglioreranno. E quindi, secondo la metrica, la previsione migliorerà. E potenzialmente, introdurranno un software migliore, ogni sorta di cose nel tempo. Migliorerà secondo la metrica, che non coincide con l’interesse dell’azienda espresso in dollari. Quindi, le prestazioni della supply chain non migliorano con la previsione migliorata. Sì, e ancora una volta, la gente direbbe: “Ma perché? Abbiamo previsioni migliori, quindi perché dovrebbe migliorare?” Queste persone non stanno facendo nulla per migliorare effettivamente in base ai dollari di errore che stanno cercando di raggiungere le metriche di precisione. Vedi, questo è il trucco. Non è perché fai qualcosa che è un po’ come qualcos’altro che otterrai il risultato che otterresti se stessi facendo qualcos’altro. Sai, è letteralmente c’era una cosa molto, sto divagando un po’, ma c’è un aneddoto per stranieri, e possono cercarlo su Wikipedia riguardo ai culti del carico, sai, che era durante la Seconda Guerra Mondiale dove c’erano aerei statunitensi che volavano sopra isole nel Pacifico e lasciavano cadere carichi - cibo, munizioni, vari beni - in modo che i soldati appena arrivati ​​sulle isole li avrebbero già avuti.

Nicole Zint: Quando le persone si resero conto che erano anche testimoni della nascita di nuove religioni, in cui le persone cercavano di provocare l’apparizione di un aeromobile che avrebbe consegnato più merci. Come puoi vedere, questo è ciò che succede quando si cerca semplicemente di imitare superficialmente qualcosa che è stato vantaggioso in passato, ma ora non c’è più la sostanza principale, e sono proprio quelle curve di carico che sono emerse cercando letteralmente di reinserire la consegna di un carico sull’isola riproducendo solo una sorta di cose che sono accadute. Credo che questo sia ciò che sta accadendo con la maggior parte dei team di previsione che cercano di generare una migliore performance della supply chain semplicemente ottimizzando quelle metriche. Sai, ha una sua razionalità, ma se guardi l’immagine del mondo, non ha assolutamente senso. Questo è solo un velo di razionalità, e prendi solo una sorta di forme, quindi hai numeri, hai persone intelligenti, hai processi, ma non è perché hai spuntato tutte le caselle che l’intera cosa ha davvero senso. Quindi, devo chiedere, Joannes, inizialmente abbiamo iniziato a fare previsioni e ci siamo concentrati nel rendere una previsione sempre più accurata, e Joannes durante questo viaggio di Lokad, come hai capito che, in realtà, questo non generava una supply chain migliore o non risultava in una supply chain migliore per i nostri clienti?

Joannes Vermorel: Perché non funzionava, semplice e chiaro. Quindi, come hai capito che stavamo guardando il problema sbagliato? Voglio dire, ho capito, prima di tutto, come ho capito che non funzionava? Perché è una domanda complicata perché, anche quando non funzionava, Lokad stava acquisendo clienti tranquillamente e stava crescendo tranquillamente e in modo redditizio, insomma, tutto bene. Quindi, se stai crescendo, se sei redditizio e sei un’azienda di software, sembra buono, sembra buono, sì, sì. Ma, non funzionava per i clienti, capisci? E quando mi sono tirato indietro e ho pensato, mi sono chiesto, con una domanda brutalmente onesta, “Ho davvero migliorato la situazione per i clienti?” Sai, se mi tiro indietro, se dimentico le metriche, sai, dimentico le metriche, cerco solo di avere, come dire, una percezione istintiva della situazione, sta davvero migliorando? E ho iniziato a capire che no, sai, non migliorava. E questo era, ma secondo tutte le metriche, sì. Ma, se mi tiravo fuori dalle metriche per un secondo, se cercavo di valutare freddamente se ciò che stavamo facendo stava davvero apportando un cambiamento positivo, sai, in un senso più profondo, qualcosa che avrebbe, e non lo faceva. Ma la gente diceva, “Oh, ma secondo tutte le metriche, siamo bravi, quindi stiamo raggiungendo le metriche.” Ma non stiamo portando, ma il problema è che se scegli una metrica e la ottimizzi in base a questa metrica, allora sì, sarai migliore secondo questa metrica. Questo è ciò che faranno per te l’ottimizzazione matematica e il machine learning. Scegli una metrica e fai una sorta di ottimizzazione numerica, e otterrai qualcosa di migliore secondo questa metrica. Quindi, vedi, questo aveva una natura un po’ tautologica. Scegliamo una metrica, facciamo meglio secondo questa metrica, cosa ti aspettavi, sai? A meno che gli algoritmi non siano fatti male, dovremmo fare proprio questo. Ma non significa che a un livello più profondo stiamo

Nicole Zint: Puoi spiegare perché credi nella cancellazione anticipata dei piani?

Joannes Vermorel: Cancellazione anticipata perché si nota che la maggior parte dei nostri concorrenti opta per piani pluriennali. Non si rendono mai conto che qualcosa non va perché fondamentalmente passano attraverso un ERP, vendono le loro cose, poi intraprendono un viaggio quinquennale. Che funzioni o meno, il cliente ha investito così tanto sforzo in questo che non può cambiare, quindi è bloccato. Sai, sono macchine affondate con cui giocare. C’è una trappola psicologica nel rimanere fedeli a ciò a cui hai già investito così tanto. Ti manca così tanto e quindi, dopo cinque anni, sei esausto nel lanciare la soluzione super complessa, quindi non cambi, non vuoi cambiare subito. E poi, quando finalmente decidi che vuoi cambiare, sai che hai 8 o 10 anni, poi passi attraverso un’altra RFP. Quindi, se perdi il cliente in questo momento, dici semplicemente: “Beh, non è che stavamo facendo qualcosa di sbagliato con la previsione, è solo che la tecnologia, sai, si è evoluta, alcuni dei nostri concorrenti si sono avvantaggiati su questo cliente specifico, e quindi non abbiamo vinto il cliente di nuovo nella seconda RFP”. Ma non fai naturalmente il collegamento che il collegamento è molto labile su se stai facendo qualcosa di buono e se le tue previsioni stanno effettivamente facendo qualcosa di valore per il cliente. Se compri il mese, improvvisamente sai quando il direttore della supply chain si rende conto che ha la stessa sorta di sensazione viscerale che non sta portando valore sul tavolo, indipendentemente da ciò che dicono i KPI, allora sei fuori. E quindi, il ciclo di feedback è molto, direi, molto più stretto.

Nicole Zint: Puoi dirmi come un prodotto si è evoluto rispetto a una semplice previsione?

Joannes Vermorel: Abbiamo capito che in termini di accuratezza delle previsioni, il problema non è ottimizzare in base a una determinata accuratezza delle previsioni, a una determinata metrica. Ne sceglierai una, avrà tonnellate di problemi. Questo non è il problema. E se il tuo strumento è corretto, scegli una metrica e ottimizzi in base a questa metrica, e questo è tutto. Questo è molto semplice. Potrebbe essere reso ancora più semplice, ma questo è molto semplice. Stiamo ottimizzando ora? La melodia? Ecco la cosa. Lo strumento è ottimizzato nella metrica, ma la cosa è che lo strumento che abbiamo sviluppato è ciò che serve per scoprire le metriche di accuratezza di cui hai bisogno per la tua azienda. Vedi, è così che il percorso è stato: abbiamo iniziato con l’idea che possiamo avere un insieme preconcetto di metriche e ottimizzare solo quelle e sarà buono. Questo non è il caso, ed è molto peggiore di quanto pensassi inizialmente. Non si tratta di identificare metriche migliori. Sì, ci sono alcune metriche che sono leggermente migliori. Ad esempio, se torniamo a questa situazione di ipermercato, se prendi, diciamo, la funzione di perdita pinball, quella è una funzione di perdita altamente asimmetrica che può essere resa arbitrariamente asimmetrica. Puoi ottenere risultati marginalmente migliori se opti per previsioni probabilistiche. Puoi persino optare per le tue metriche specifiche per le previsioni probabilistiche, entropia incrociata, punteggio di probabilità di rango continuo, ce ne sono altre. Quindi, ci sono metriche che sono marginalmente migliori, ma questo è tutto. 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 durante l’ultimo decennio. Gli strumenti che abbiamo oggi rispondono letteralmente alla domanda su cosa sia necessario per i supply chain scientist scoprire. Analizziamo i dati e discutiamo con l’esperto di supply chain dell’azienda su come dovrebbe essere l’indicatore di precisione. E ti renderai conto che è qualcosa che non ha la stessa eleganza numerica di quelle metriche matematiche perché ci sono tonnellate di fattori, casi limite e cose molto specifiche del tipo di attività che gestisci. Se stai facendo lusso di alta gamma, è completamente diverso, ad esempio, dal cibo fresco o dall’aerospaziale. Quindi ci sono tonnellate di casi limite e situazioni particolari che hanno senso solo perché stai guardando un’azienda molto specifica. Ma nonostante ciò, quei casi limite sono completamente critici se si vogliono produrre risultati e decisioni che non siano completamente folli. Quindi quello che cerchiamo davvero sono quelle decisioni esatte sulla supply chain. Sì, sarebbe il fine ultimo. Sarebbe il modo per misurare se stai facendo del bene, ed è vero 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 propria matrice di accuratezza delle previsioni sono solo un tipo di artefatto numerico. Ci sono di solito decine di altri artefatti numerici che si trovano nel mezzo del processo. Quindi siamo passati dal concentrarci sull’aumento dell’accuratezza delle previsioni a trovare quelle decisioni chiave sulla supply chain che massimizzano il profitto o le prestazioni della supply chain, il che è un cambiamento di prospettiva molto interessante.

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

Joannes Vermorel: Il mio consiglio è che se non c’è una persona responsabile di tutto, dal dare un senso ai dati presenti nell’ERP alla generazione finale degli ordini di produzione, ordine di riapprovvigionamento, ordine di acquisto, movimenti di magazzino, variazioni di prezzo, allora non hai nemmeno iniziato ad ottimizzare la tua supply chain. Se non hai l’uno percento di responsabilità end-to-end per tutta questa catena, allora tutti gli sforzi che hai fatto per migliorare le previsioni o qualsiasi altra cosa sono solo un’illusione. Se gli incentivi non sono allineati, queste persone faranno cose che non hanno senso per l’azienda. Pensaci come se stessi giocando a scacchi e io dico che tu sei il cavallo e il tuo obiettivo è solo quello di assicurarti che il cavallo sopravviva fino alla fine della partita. La domanda è, pensi che se dici che stai giocando il cavallo, stai giocando la torre e io sto giocando la regina?

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

Joannes Vermorel: No, non lo fa. Sai, è fuorviante. L’obiettivo che stiamo cercando di dire, sì, e le persone dicono: “Oh, nel 99% delle partite che abbiamo giocato, io giocavo il 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, può sembrare e può sembrare super razionale, ma in realtà, nel profondo, è profondamente irrazionale. E credo che questo tipo di pratiche di previsione e divisioni di previsione che molte grandi aziende hanno siano completamente irrazionali. E so che è molto difficile perché queste divisioni sono piene di ingegneri che vogliono fare del bene. Non sono idioti, e i loro capi e le persone al di sopra di loro, non sono idioti neanche loro, e vogliono fare del bene. Quindi, vedi, questo non è un problema di avere persone che dovrebbero essere licenziate o qualsiasi altra cosa, no, no, è la peggiore configurazione. È solo produttivo controproducente.

Nicole Zint: Esattamente, non può. È difettoso per progettazione. Non raggiungerà.

Joannes Vermorel: Quindi il mio consiglio sarebbe, assicurati di avere questa persona. Questa persona può avere quanti colleghi vuoi, sai, per avere pacchetti da un’estremità all’altra che collegano la fila in cui si trovano alla decisione finale, e questo dovrebbe essere, sai, un’ottimizzazione monolitica. Non dovresti scomporre questo processo.

Nicole Zint: Joannes, grazie mille per questo argomento oggi. Davvero stimolante. Grazie per averci seguito e ci vediamo la prossima volta.

Joannes Vermorel: Grazie.