Mezzo secolo di scienza delle previsioni (con Spyros Makridakis)

00:00:08 Introduzione e background di Spyros Makridakis.
00:01:36 Scetticismo verso le previsioni statistiche nei primi tempi.
00:04:44 L’evoluzione delle previsioni nel retail e nei beni di consumo.
00:05:44 Risultati dei primi studi di previsione di Spyros.
00:07:21 La competizione M5 e la sua importanza per l’industria delle previsioni.
00:08:01 La performance di Lokad in una competizione di previsioni.
00:09:01 Modelli semplici e la loro efficacia nella competizione.
00:10:20 Evoluzione delle tecniche di previsione nel corso degli anni.
00:11:46 L’introduzione dei computer e il loro impatto sulle previsioni.
00:14:32 Scenario di test versus applicazione reale e bias metodologico.
00:16:00 Discussione sulle sfide delle previsioni per serie temporali erratiche.
00:17:20 Cambiamento di percezione verso la previsione come scienza.
00:18:28 Il problema dell’eccessiva fiducia e delle aspettative irrealistiche nelle previsioni.
00:21:00 Gestire l’incertezza e gli eventi a coda pesante nelle previsioni.
00:23:01 Iniezione di priori strutturali per tenere conto di eventi estremi nei modelli di previsione.
00:24:00 Discussione sull’impatto degli eventi di coda sui modelli di previsione.
00:24:46 Iniezione di priori strutturali per decisioni più resilienti di supply chain.
00:25:52 Raccomandazione dei lavori di Nassim Taleb per comprendere gli eventi cigno nero.
00:26:35 Risultati delle competizioni M: semplicità, comprensione dell’incertezza e gestione del rischio.

Riassunto

In questa intervista, Kieran Chandler discute delle previsioni con Joannes Vermorel, fondatore di Lokad, e Spyros Makridakis, professore all’Università di Nicosia. Esplorano l’impatto delle M-Competitions, l’efficacia dei metodi semplici e il ruolo dell’incertezza nelle previsioni. Vermorel condivide la sua esperienza alla competizione M5, enfatizzando la potenza dei modelli semplici e l’importanza di comprendere l’incertezza. Makridakis mette in luce il significato delle evidenze empiriche e la necessità di essere preparati di fronte al rischio. Sottolineano le limitazioni delle previsioni e la sfida di trasmettere ai clienti l’accettazione dell’incertezza.

Riassunto Esteso

In questa intervista, il conduttore Kieran Chandler parla con gli ospiti Joannes Vermorel, fondatore di Lokad, e Spyros Makridakis, professore all’Università di Nicosia e organizzatore delle M-Competitions. La discussione ruota attorno alla scienza delle previsioni e all’impatto delle M-Competitions sull’industria.

Spyros Makridakis condivide il suo background come insegnante e organizzatore delle M-Competitions, che hanno influenzato le previsioni sia nel mondo accademico che nell’industria. L’intervista approfondirà successivamente le competizioni M5.

Joannes Vermorel discute dello scetticismo che ha affrontato quando ha fondato Lokad nel 2007, con alcune persone che credevano che le previsioni statistiche fossero inaffidabili. Col tempo, questa prospettiva è scomparsa in gran parte dall’industria, e Vermorel accredita le M-Competitions di Makridakis per aver contribuito a normalizzare il campo come un’impresa scientifica.

Makridakis sottolinea l’importanza delle previsioni menzionando la situazione attuale in Texas, dove i supermercati sono a corto di merce. Spiega che la maggior parte delle volte i consumatori trova ciò di cui hanno bisogno perché aziende come Walmart e Target prevedono milioni di articoli ogni settimana. Quando si verificano rotture di stock, ciò evidenzia l’efficacia delle previsioni, poiché le persone notano solo quando le cose vanno storte.

Makridakis riflette anche sulla sua prima carriera, quando ha condotto il primo studio sull’accuratezza di diversi metodi di previsione. I risultati, che hanno dimostrato che i metodi semplici erano più accurati di quelli sofisticati e che la combinazione dei metodi migliorava l’accuratezza, sono stati sorprendenti e inizialmente accolti con scetticismo. Tuttavia, questi risultati sono stati poi confermati e hanno avuto un grande impatto nel campo delle previsioni.

Discutono delle tecniche di previsione, della competizione M5 e di come la tecnologia abbia influenzato il campo.

Makridakis spiega che le nuove tecniche di previsione che utilizzano il deep learning prevedono la generazione di un gran numero di modelli e la scelta della mediana come miglior previsione. Vermorel condivide la sua esperienza partecipando alla competizione M5, notando che Lokad si è classificata al sesto posto su 909 squadre nella parte di previsione quantile. Sottolinea l’assenza dei principali concorrenti nella top 100 e la disconnessione tra quota di mercato e prestazioni in tali competizioni.

Vermorel sottolinea poi che Lokad ha utilizzato un modello parametrico molto semplice, dimostrando il potere dei metodi semplici nelle previsioni. Inoltre, enfatizza che l’accuratezza non è l’unico aspetto importante nelle previsioni; comprendere la struttura dell’incertezza è altrettanto cruciale. Makridakis concorda, aggiungendo che i risultati della competizione M5 hanno mostrato che i semplici metodi di machine learning sono risultati più accurati ed efficaci rispetto a quelli sofisticati.

La conversazione si sposta sull’introduzione dei computer nelle previsioni, con Makridakis che spiega come la chiave del successo risieda nella semplicità. Descrive l’importanza di separare i dati delle previsioni in parti di addestramento e di test per evitare di overfitting il passato e per tenere conto dei cambiamenti tra il passato e il futuro. Vermorel è d’accordo, evidenziando la sfida di prevedere accuratamente dati non ancora disponibili e l’importanza di non presumere che il futuro sarà esattamente come il passato.

Discutono dell’evoluzione delle previsioni, dell’importanza di non overfittare i dati e del significato dell’incertezza nelle previsioni.

Vermorel spiega lo sviluppo della teoria delle previsioni alla fine del XX secolo, con il lavoro di Vapnik e Chervonenkis che ha contribuito al concetto di support vector machines. Queste macchine hanno evidenziato la necessità di minimizzare sia l’errore strutturale che quello empirico, fornendo al contempo un limite inferiore per l’errore reale.

Makridakis sottolinea l’importanza delle competizioni, in cui una parte dei dati viene trattenuta, come mezzo per stabilire una metodologia pulita per le previsioni. Contrappone questo agli scenari reali, dove esiste la tentazione di overfittare i dati per ottenere una perfetta aderenza agli eventi passati, il che può portare a previsioni future meno accurate.

Vermorel condivide un esempio dalla sua esperienza in Lokad, in cui i clienti erano spesso sorpresi dalla previsione più regolare generata per serie temporali, come il consumo di alcol negli ipermercati. I concorrenti spesso presentavano previsioni che imitavano da vicino la natura irregolare dei dati storici, portando i clienti a essere scettici verso le previsioni più regolari di Lokad.

Makridakis discute del cambiamento di percezione verso la previsione come scienza, enfatizzando l’importanza di separare il passato dal futuro e di non tentare di overfittare i dati passati. Sottolinea l’importanza di considerare l’incertezza nelle previsioni e riconosce che, sebbene i clienti possano non apprezzare questo aspetto, esso è fondamentale per previsioni realistiche.

La discussione verteva sulle aspettative dalle previsioni. Vermorel osserva che alcuni concorrenti nel settore retail fanno affermazioni esagerate di alta accuratezza, il che è impraticabile data la natura del comportamento dei consumatori. Ciò solleva la questione se oggi le persone si aspettino troppo dalle previsioni e se le considerino infallibili.

La conversazione ruota attorno alle previsioni, alle limitazioni e alle sfide del settore, e all’impatto dell’incertezza e degli eventi rari sull’ottimizzazione della supply chain.

I partecipanti discutono di come alcuni fornitori e consulenti tendano a esagerare l’idea di previsioni incredibilmente accurate, portando a aspettative irrealistiche da parte degli utenti. Sottolineano che le previsioni non sono perfette e che l’incertezza è intrinseca, specialmente in ambiti come il retail. Makridakis evidenzia che non esiste solo l’incertezza normale, ma anche quella a “coda pesante”, che consiste di eventi rari ed estremi in grado di causare interruzioni, come la pandemia di COVID-19.

Vermorel concorda sul problema dei consulenti che promettono troppo e sottolinea che la sfida nelle previsioni probabilistiche non è l’aspetto tecnico, bensì comunicare l’accettazione dell’incertezza e i limiti del controllo. Spiega che i modelli di previsione semplici possono essere utili per iniettare priori strutturali in grado di tenere conto degli eventi a coda, anche se la quantificazione è vaga. In questo modo, le decisioni di supply chain possono essere orientate verso soluzioni più robuste e resilienti di fronte a eventi poco frequenti.

Makridakis sottolinea l’importanza delle evidenze empiriche per capire cosa funziona e cosa non funziona nelle previsioni. Attraverso le M-Competitions hanno scoperto che la semplicità funziona meglio, riconoscendo la casualità e l’imprevedibilità del passato. Sottolinea l’importanza di riconoscere l’incertezza e il rischio associati alle previsioni, e la necessità di essere pronti ad affrontarli.

L’intervista affronta le sfide e le limitazioni delle previsioni, il ruolo dell’incertezza nel processo decisionale e l’importanza di incorporare eventi rari nell’ottimizzazione della supply chain.

Trascrizione Completa

Kieran Chandler: Quando si tratta di previsioni, spesso diamo per scontato che esistano tecniche collaudate che sono state testate per generazioni. Tuttavia, una persona che non ha avuto questo lusso è il nostro ospite di oggi, Spyros Makridakis, che come uno dei padri fondatori dell’industria ha effettivamente inventato molte delle tecniche che oggi usiamo come standard. Oggi impareremo qualcosa in più sulla sua carriera e su cosa possiamo apprendere da oltre 50 anni di esperienza nel settore. Quindi, Spyros, grazie mille per essere qui in diretta da Cipro. E come sempre, ci piace iniziare conoscendo un po’ di più i nostri ospiti. Forse potresti iniziare raccontandoci qualcosa in più su di te.

Spyros Makridakis: Beh, come sapete, sono stato a lungo insegnante ed è lì che ho iniziato a lavorare sulle previsioni. Successivamente ho lasciato quell’attività e, quando sono andato in pensione 15 anni fa, eccomi qui a Cipro, all’università, perché continuiamo. So che le vostre aziende partecipano sia alle competizioni M4 che M5, qualcosa che organizzo da 40 anni. Quindi sapete qual è il mio contributo e come le competizioni M, che rappresentano le competizioni Makridakis, abbiano influenzato l’industria delle previsioni, le aziende e gli accademici che utilizzano i risultati.

Kieran Chandler: Brillante! Parleremo delle competizioni M5 più avanti. Forse nella prima parte faremo un salto indietro negli ultimi 50 anni di scienza delle previsioni, dato che oggi c’è davvero molto da trattare. Joannes?

Joannes Vermorel: Sì, ciò che è interessante è che quando ho fondato Lokad, nel 2007, all’epoca c’erano ancora persone estremamente scettiche riguardo all’idea stessa di previsioni statistiche. Era molto strano perché, a quel tempo, mi chiedevo se continuare il mio dottorato in machine learning, che avevo iniziato ma non completato, oppure se procedere con Lokad, questo progetto. Quando ho presentato la domanda a un incubatore di startup, la mia prima candidatura fu respinta perché due membri della giuria ritenevano fermamente che le previsioni statistiche fossero pura assurdità. Era come dire: “No, non accettiamo startup il cui business plan consiste fondamentalmente nel vendere divinazioni.” Non c’è dubbio che si possa fare soldi con la divinazione; la gente lo fa da secoli. Ma siamo a posto con l’idea che una tale azienda entri effettivamente nell’incubatore? La risposta fu decisamente no. La cosa divertente è che, praticamente, quella generazione è scomparsa. Penso che nel decennio in cui gestisco Lokad, ormai non rimanga quasi nessuno in questo settore con quella convinzione. È davvero curioso; era letteralmente la scienza in azione.

Kieran Chandler: Joannes e Spyros, grazie per essere qui con noi oggi. Joannes, credo che i tuoi contributi e le competizioni M abbiano rappresentato elementi chiave per normalizzare il campo delle previsioni. È diventato una scienza comune e non più marginale. Ciò che sta accadendo in Texas in questo momento è interessante. I supermercati sono completamente privi di merci e le persone non riescono a trovare cibo o altri beni essenziali. Quando si parla di previsioni, dico loro di pensare a tutte le altre volte in cui vanno al supermercato e trovano ciò che desiderano. I supermercati hanno milioni di articoli e realizzano previsioni per ciascuno di essi. Aziende come Walmart e Target prevedono milioni di articoli ogni settimana, così i consumatori possono trovare ciò che vogliono acquistare. Quando la fornitura non è sufficiente, come ora in Texas, le persone rimangono sorprese, ma ciò dimostra in realtà quanto siano buone le previsioni, poiché la maggior parte delle volte riescono a trovare ciò che desiderano.

Spyros Makridakis: Assolutamente, Kieran. Le previsioni sono state plasmate in molti modi dal lavoro che ho svolto. Quando ho iniziato come giovane professore, il panorama era molto diverso. Abbiamo condotto il primo studio su quanto i diversi metodi di previsione potessero prevedere con accuratezza. Ciò che abbiamo scoperto ha sorpreso gli statistici dell’epoca. Ho presentato i risultati a Londra alla Royal Statistical Society, e tutti mi attaccavano, dicendo che avevamo ottenuto questi risultati perché eravamo inesperti nelle previsioni. Abbiamo scoperto che metodi molto semplici erano più accurati di quelli sofisticati, e che combinandone più di uno l’accuratezza migliorava. Entrambe queste scoperte erano inaccettabili per gli statistici dell’epoca, che credevano di poter trovare il metodo migliore e che i metodi più sofisticati fossero più accurati. Ma ora, nuove tecniche che utilizzano il deep learning prevedono 500 modelli differenti e poi ne calcolano la mediana, che trovano essere la previsione migliore.

Kieran Chandler: Joannes, la competizione M5 è una a cui hai partecipato non molto tempo fa. Dal punto di vista di un fornitore, cosa significa per te la competizione M5?

Joannes Vermorel: La competizione M5 è davvero divertente. È una di quelle rare opportunità in cui possiamo mostrare le nostre capacità di previsione e collaborare con altri nel settore. Ci aiuta a migliorare i nostri metodi e mantiene il campo competitivo, stimolando l’innovazione e il progresso.

Kieran Chandler: Benvenuti a tutti all’intervista di oggi. Oggi abbiamo Joannes Vermorel, il fondatore di Lokad, e Spyros Makridakis, professore all’Università di Nicosia, Direttore dell’Institute for the Future ed Emeritus Professor of Decision Sciences all’INSEAD. Joannes, hai partecipato alle M-Competitions, puoi raccontarci di più?

Joannes Vermorel: Sì, le M-Competitions sono eventi riconosciuti a livello globale in cui le persone competono in base alla loro abilità, a differenza delle fiere che si concentrano principalmente sul marketing. La cosa interessante è che tra le prime 100 aziende, nessuno dei nostri maggiori concorrenti era presente, indipendentemente dal lato della competizione che si osservava. Questo è sorprendente perché ciò che vendono è previsione. Quindi, c’è un enorme divario tra quanto accade durante un test reale e le quote di mercato tipiche di questo settore. Un’altra cosa su cui vorrei commentare è la semplicità del nostro modello. Lokad si è classificata sesta su 909 team nella parte dei quantili della competizione utilizzando un modello parametrico molto semplice con solo tre semplicità: giorno della settimana, inizio e fine del mese, e settimana dell’anno. Abbiamo usato ESSM e ottenuto risultati entro l'1% di accuratezza rispetto al miglior modello, che utilizzava gradient booster trees e un massiccio schema di data augmentation. La cosa interessante è che abbiamo usato solo lo 0,001 della complessità. Credo che questo dimostri come metodi molto semplici possano essere potentissimi. La competizione ha anche mostrato che l’accuratezza, nel senso classico, non è l’unico elemento che conta. Altre dimensioni della previsione, come avere una migliore comprensione della struttura stessa dell’incertezza, sono altrettanto importanti. Questo è ciò di cui parlano le previsioni probabilistiche, e noi di Lokad ci stiamo dedicando a questo da quasi un decennio.

Spyros Makridakis: Hai ragione, Joannes. Nella prima M-Competition, i metodi statistici semplici erano più accurati di quelli sofisticati. Nella competizione M5, abbiamo scoperto che i metodi di machine learning semplici erano più accurati di quelli sofisticati, come il deep learning. I migliori concorrenti sia nella sfida sull’accuratezza sia in quella sull’incertezza hanno utilizzato metodi di machine learning semplici, risultando i più accurati ed efficaci nel prevedere i dati di Walmart. Uno degli aspetti interessanti della competizione M5 è che tutti utilizzano tecniche di previsione computerizzata.

Kieran Chandler: E ora questo è lo standard in tutto il settore, ma se torni indietro a quando hai iniziato, Spyros, all’inizio della tua carriera da professore, era quasi prima dell’alba dei computer. Quindi, come ha cambiato l’introduzione dei computer il modo in cui facevi le cose? Che tipo di opportunità ti ha offerto?

Spyros Makridakis: Beh, le opportunità sono state che tutto si è semplificato. Nella previsione ci sono due parti: una è adattare al passato, che è la parte facile. Prima di iniziare la competizione, la gente faceva overfitting del passato, pensando che il futuro sarebbe stato esattamente come il passato. Non esisteva l’idea di separare i dati di previsione in una parte di training e una di testing. Quindi, cerchiamo di prevedere il futuro – la parte di test – con la massima accuratezza possibile, e non il training. Perché il futuro non è esattamente come il passato, cambia, ed è per questo che ora cerchiamo di non fare overfitting sul passato, visto che ci saranno dei cambiamenti tra il passato e il futuro. Cerchiamo quindi di capire come tali cambiamenti si realizzeranno e li usiamo per prevedere il futuro con maggiore accuratezza. Questa è una differenza molto importante, perché in passato non lo consideravano; pensavano che il futuro sarebbe stato esattamente come il passato, ma sappiamo benissimo che ciò non accade mai.

Kieran Chandler: Saresti d’accordo, Joannes? Intendo, come hai visto evolversi le tecniche di previsione nel corso dei decenni, se guardi indietro?

Joannes Vermorel: Penso che ciò che Spyros Makridakis sta sottolineando sia fondamentale. Esiste questo apparente paradosso in cui vuoi essere accurato sui dati che non hai. È qualcosa di molto sconcertante, perché, naturalmente, ogni volta che vuoi misurare l’accuratezza, per definizione, la misuri rispetto ai dati che possiedi, ma questo non è ciò che desideri fare. Questo problema è stato in parte affrontato alla fine del XX secolo con la teoria di Vapnik e Chervonenkis. È una teoria molto astratta che ha dato origine alle support vector machines, che sono molto complesse. Hanno iniziato a formalizzare l’idea che esiste sia l’errore empirico sia l’errore strutturale. L’errore strutturale è, fondamentalmente, l’idea che devi minimizzare l’errore reale, definito come l’errore che stai per commettere su dati che non possiedi. Devi minimizzare sia l’errore strutturale che quello empirico, ed è proprio di questo che parlano le support vector machines. Le support vector machines hanno una prospettiva molto teorica. Sono state implementate e hanno ottenuto grandi successi come tecnica di machine learning in vari campi. Penso che il loro contributo più importante sia stato quello di chiarire, da una prospettiva più teorica, cosa stesse accadendo. E poi, quando vuoi ottenere risultati concreti, ricorrere a quelle competizioni, dove riservi realmente una parte dei dati, è probabilmente la strada giusta per ottenere previsioni accurate.

Kieran Chandler: Per avere, direi, una metodologia molto pulita, in che modo l’approccio che adotti in uno scenario di test, molto basato sulla competizione, si differenzia da quello che faresti nel mondo reale? Nel mondo reale hai accesso a tutti i dati in ogni momento, e questo ti conferisce un forte bias metodologico di cui parlava il Professor Makridakis. È incredibilmente allettante avere qualcosa che si adatti perfettamente ai dati, sai.

Spyros Makridakis: Questo è ciò che facevano in passato. La famosa metodologia Box-Jenkins consisteva nell’adattarsi al meglio al passato, ed è per questo che perdeva contro tutti quei metodi semplici che, pur non adattandosi perfettamente al passato, prevedevano il futuro con maggiore accuratezza. Se fai overfitting, perdi l’essenza della previsione. Il futuro non è mai esattamente come il passato.

Joannes Vermorel: Esattamente. E uno degli esempi più sconcertanti è stato quando ho iniziato Lokad. I clienti erano solitamente estremamente sorpresi osservando una serie temporale incredibilmente erratica, per esempio il consumo di alcol negli ipermercati, un prodotto molto erratico con picchi. Nei primi anni di Lokad, quando realizzavamo previsioni classiche – prima ancora di adottare le previsioni probabilistiche – per quelle serie temporali estremamente erratiche mostravo una previsione molto più regolare rispetto alla serie originale. La maggior parte dei miei concorrenti era in grado di esporre serie previste altrettanto erratiche, esattamente come quella storica. I clienti rimanevano perplessi, e ho avuto numerosi dibattiti con potenziali clienti che non credevano affatto che quella previsione così regolare potesse essere corretta, perché così diversa dalla serie storica, estremamente erratica e a picchi. Mentre i miei concorrenti mostravano previsioni molto a picchi, riuscivano a esporre serie previste che sembravano esattamente riprodurre i dati storici.

Kieran Chandler: Quindi, Spyros, una delle cose che mi incuriosisce davvero è come la percezione delle previsioni sia cambiata nel corso della tua carriera. Quando è avvenuto quel passaggio in cui le previsioni sono state viste come una scienza, e quando sono diventate più accettate nel mainstream?

Spyros Makridakis: Beh, ci è voluto del tempo. All’inizio, gli statistici classici facevano ciò che facevano quando ti dicevano che l’importante era seguire le fluttuazioni della serie. Ma così non si prevede. Ci è voluto tempo per rendersi conto che non si può prevedere il caso, e le M Competitions hanno dimostrato senza ombra di dubbio che è fondamentale separare il passato dal futuro e non cercare di fare overfitting sul passato, bensì adottare un modello che si adatti ai cambiamenti dal passato al futuro. Ed è questo il cambiamento principale. Ora è accettato che, oltre a analizzare le previsioni, dobbiamo esaminare anche l’incertezza nelle nostre predizioni. Molti non lo gradiscono affatto perché, psicologicamente, non è bello parlare di incertezza, ammettere che prevedi ma sei incerto.

Kieran Chandler: Joannes, quanto diresti siano imprecise le tue previsioni? I clienti mi dicono spesso che affermi di concentrarti, ma ammessi anche che non puoi prevedere a causa della grande incertezza del futuro.

Spyros Makridakis: Questa è la realtà, non puoi fare a meno di essere realistico. Introduce questo concetto di livello di confidenza nella tua previsione. Joannes, diresti che la percezione si è quasi spostata al punto che le persone si aspettano troppo dalle previsioni e le considerano infallibili?

Joannes Vermorel: È una domanda interessante. Sono stato alla fiera della National Retail Federation a New York diverse volte, e quello che ho visto è che la maggior parte dei miei concorrenti faceva affermazioni del tutto esagerate, sostenendo un’accuratezza del 99% nel retail. Francamente, non so nemmeno cosa significhi un’accuratezza del 99% negli ipermercati, dove la maggior parte dei prodotti viene venduta in piccole quantità ogni giorno. È ridicolo pensare di poter sapere, all’ultima unità, se qualcuno prenderà un prodotto, quando quella persona magari ne è incerta. Ho visto molti venditori cercare di esagerare l’idea che si possano avere previsioni incredibilmente accurate ovunque, cosa che non è affatto così. Utilizzano l’aura scientifica che la previsione statistica ha acquisito in altri ambiti, come la demografia, il consumo di elettricità e d’acqua, dove l’incertezza è relativamente molto bassa, per affermare di poter raggiungere lo stesso livello di accuratezza negli ipermercati, cosa che non equivale affatto. Si può fare molto, ma non nello stesso ordine di grandezza in termini di accuratezza.

Spyros Makridakis: Uno dei problemi più grandi per chi utilizza le previsioni è che le aspettative sono troppo alte, perché i consulenti cercano di vendere previsioni su cui sono eccessivamente sicuri, e questo rappresenta uno dei maggiori problemi. Quindi, parte di ciò che dobbiamo fare sul campo è dire: “Guardate, non possiamo essere profeti. I nostri dati, in particolare quelli del retail, ci dicono che l’incertezza è molto grande e dobbiamo fare qualcosa a riguardo.” Non parliamo solo dell’incertezza normale; esiste anche quell’incertezza fatale, come i famosi eventi cigno nero di Nassim Taleb che mandano in pezzi molte delle nostre previsioni e creano problemi, come ha fatto la pandemia. Dobbiamo tenerne conto; non si può evitare l’incertezza.

Kieran Chandler: Joannes, saresti d’accordo? Abbiamo parlato in passato di consulenti che entrano e promettono un po’ troppo dalle previsioni.

Joannes Vermorel: Sì, sono d’accordo. Quello che è stato veramente difficile nella previsione probabilistica non è stato l’aspetto tecnico della sua produzione, ma gestire le aspettative che erano state fissate troppo alte dai consulenti che promettevano troppo.

Kieran Chandler: Quindi Joannes, hai parlato dell’importanza della previsione probabilistica e dell’iniezione di structural priors. Puoi spiegarci un po’ meglio a riguardo?

Joannes Vermorel: Certamente. Le probabilità non sono così difficili da comprendere. Quello che è stato difficile è stato far accettare il fatto che, sì, Lokad optava per le previsioni probabilistiche. Non perché le nostre previsioni fossero pessime. Penso che, pur non essendo inizialmente le migliori in quelle competizioni, certamente non eravamo, sai, ai vertici. Il problema non era avere previsioni pessime, ma far accettare che esistono elementi al di fuori del nostro controllo. E la cosa interessante di quegli eventi estremi è che, improvvisamente, ti trovi in una situazione in cui è davvero difficile fidarsi del tuo DR. Ed è qui, ancora una volta, che questo suscita in me un alto livello di interesse. In sostanza, mantenendo il modello di previsione – che definirei non-tail, ovvero semplice – hai la possibilità, sebbene con un certo grado di soggettività, di iniettare structural priors per aggiungere una dose di eventi super rari e super estremi.

Kieran Chandler: Capisco, e come aiuta nell’ottimizzazione della supply chain?

Joannes Vermorel: Quello è fondamentalmente ciò che facciamo da Lokad. Ad esempio, per cose come le pandemie, non possiamo prevedere le pandemie. Ma ciò che possiamo fare, e non è nemmeno super complicato, è dire: “beh, possiamo, posso iniettare un prior per affermare che esiste una possibilità, diciamo una probabilità annua del due percento che si verifichi una flessione del 50 percento che impatti l’azienda.” Non so perché, so solo che è un presupposto ragionevole. È soggettivo, sai, perché due percento, perché due percento su una flessione del cinquanta per cento? Tutto ciò è molto soggettivo, ma la cosa interessante è che se inietti una dose di eventi estremi nei tuoi modelli di previsione, anche se la quantificazione è piuttosto imprecisa, ciò che accade è che quando costruisci l’ottimizzazione della supply chain in cima, orienti la decisione verso soluzioni molto più robuste contro tali eventi estremi senza investire troppo denaro. Quindi, la cosa interessante, e questo è il genere di cose che facciamo, è che manteniamo quei modelli di previsione semplici in modo da poter iniettare quei priors strutturali che sono, direi, per lo più inventati, sebbene ragionevoli. Non sono precisi, ma la conseguenza è che alla fine puoi ottenere decisioni della supply chain che risultano molto più resilienti rispetto a eventi che accadono raramente. E il processo è abbastanza semplice, ma in pratica ci vuole molta persuasione per far capire alle persone quei cigni neri. Infatti, ricorro spesso a “Per favore, leggete il lavoro di Nassim Taleb,” ma è difficile da vendere quando vuoi convincere un potenziale cliente a leggere, sai, un libro di 600 pagine scritto da un altro grande pensatore greco come Nassim Taleb.

Spyros Makridakis: Joannes, posso fare una domanda? Perché mi sembra che tu stia iniettando priors strutturali, che potrebbero essere visti come un bias nei tuoi modelli di previsione. Pensi che questo bias possa essere detrimentale per l’accuratezza delle previsioni dei tuoi modelli?

Joannes Vermorel: Sì, è una domanda molto valida, Spyros. Ci sono due aspetti in merito. In primo luogo

Kieran Chandler: Spyros, hai avuto mezzo secolo di coinvolgimento nell’industria. Di cosa sei più orgoglioso quando guardi indietro alla tua carriera?

Spyros Makridakis: Beh, sono più orgoglioso del fatto che forniamo evidenze empiriche su ciò che funziona nelle previsioni e su ciò che non funziona. Non si tratta solo di parole, ma abbiamo condotto esperimenti tramite le M-Competitions. Da questi esperimenti possiamo dirti quali metodi funzionano e quali no. Quello che possiamo affermare è che la semplicità funziona. Ci rendiamo conto che c’è molta casualità negli eventi passati e non possiamo prevedere tutto con precisione. Poiché le nostre previsioni sono incerte, esiste il rischio, e dobbiamo fare qualcosa per anticipare tale rischio ed essere preparati ad affrontarlo.

Kieran Chandler: Grazie a entrambi per il vostro tempo oggi.

Joannes Vermorel: Molte grazie.

Spyros Makridakis: Grazie per avermi intervistato.

Kieran Chandler: Questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio.