Mezzo secolo di scienza delle previsioni (con Spyros Makridakis)

00:00:08 Introduzione e background di Spyros Makridakis.
00:01:36 Scetticismo delle previsioni statistiche nei primi giorni.
00:04:44 L’evoluzione delle previsioni nel settore del commercio al dettaglio e dei beni di consumo.
00:05:44 Risultati dai 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 previsione.
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 Introduzione dei computer e il loro impatto sulle previsioni.
00:14:32 Scenario di test rispetto all’applicazione nel mondo reale e il bias metodologico.
00:16:00 Discussione sulle sfide delle previsioni di serie temporali erratiche.
00:17:20 Cambiamento nella percezione delle previsioni come scienza.
00:18:28 Il problema della sovrafiducia e delle aspettative irrealistiche nelle previsioni.
00:21:00 Affrontare l’incertezza e gli eventi a coda grassa nelle previsioni.
00:23:01 Inserire priorità strutturali per tener conto degli eventi estremi nei modelli di previsione.
00:24:00 Discussione sull’impatto degli eventi a coda sulle previsioni.
00:24:46 Inserire priorità strutturali per decisioni sulla supply chain più resilienti.
00:25:52 Raccomandazione del lavoro di Nassim Taleb per comprendere gli eventi cigno nero.
00:26:35 Realizzazioni delle competizioni M: semplicità, comprensione dell’incertezza e gestione del rischio.

Riassunto

In questa intervista, Kieran Chandler discute di previsioni con Joannes Vermorel, fondatore di Lokad, e Spyros Makridakis, professore presso l’Università di Nicosia. Esplorano l’impatto delle competizioni M, l’efficacia dei metodi semplici e il ruolo dell’incertezza nelle previsioni. Vermorel condivide la sua esperienza nella competizione M5, sottolineando il potere dei modelli semplici e l’importanza della comprensione dell’incertezza. Makridakis evidenzia l’importanza delle prove empiriche e la necessità di preparazione di fronte al rischio. Sottolineano le limitazioni delle previsioni e la sfida di comunicare l’accettazione dell’incertezza ai clienti.

Riassunto Esteso

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

Spyros Makridakis condivide la sua esperienza come insegnante e organizzatore delle competizioni M, che hanno influenzato le previsioni sia in ambito accademico che industriale. L’intervista approfondirà successivamente le competizioni M5.

Joannes Vermorel discute lo scetticismo che ha affrontato quando ha fondato Lokad nel 2007, con alcune persone che credevano che la previsione statistica fosse poco affidabile. Nel tempo, questa prospettiva è per lo più scomparsa dall’industria, e Vermorel attribuisce alle competizioni M di Makridakis il merito di aver contribuito a normalizzare il settore come un’impresa scientifica.

Makridakis sottolinea l’importanza delle previsioni menzionando la situazione attuale in Texas, dove i supermercati sono senza merci. Spiega che nella maggior parte dei casi i consumatori possono trovare ciò di cui hanno bisogno perché aziende come Walmart e Target fanno previsioni su milioni di articoli settimanalmente. Quando si verificano delle carenze, in realtà si evidenzia l’efficacia delle previsioni, poiché le persone se ne accorgono solo quando le cose vanno storte.

Makridakis riflette anche sulla sua carriera all’inizio, quando ha condotto il primo studio sull’accuratezza dei diversi metodi di previsione. I risultati, che hanno mostrato che i metodi semplici erano più accurati dei metodi sofisticati e che la combinazione dei metodi migliorava l’accuratezza, sono stati sorprendenti e inizialmente accolti con scetticismo. Tuttavia, queste scoperte sono state successivamente confermate 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 settore.

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 previsione migliore. Vermorel condivide la sua esperienza nella competizione M5, notando che Lokad si è classificata sesta su 909 squadre nel campo delle previsioni quantili. Sottolinea l’assenza dei loro principali concorrenti nei primi 100 e la discrepanza tra quota di mercato e prestazioni in tali competizioni.

Vermorel fa poi notare che Lokad ha utilizzato un modello parametrico molto semplice, dimostrando la potenza dei metodi semplici nella previsione. Inoltre, sottolinea che l’accuratezza non è l’unico aspetto importante nella previsione; è cruciale anche comprendere la struttura dell’incertezza. Makridakis concorda, aggiungendo che i risultati della competizione M5 hanno mostrato che i metodi di machine learning semplici sono più accurati ed efficaci dei metodi sofisticati.

La conversazione si sposta sull’introduzione dei computer nella previsione, con Makridakis che spiega che la chiave del successo sta nella semplicità. Descrive l’importanza di separare i dati di previsione in parti di addestramento e di test per evitare l’overfitting del passato e tener conto dei cambiamenti tra passato e futuro. Vermorel concorda, sottolineando la sfida di prevedere con precisione dati che non sono ancora disponibili e l’importanza di non assumere che il futuro sarà esattamente come il passato.

Discutono dell’evoluzione delle previsioni, dell’importanza di non adattare eccessivamente 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 l’errore empirico, fornendo anche 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. Confronta ciò con scenari reali, in cui c’è la tentazione di adattare eccessivamente i dati per ottenere una perfetta adattabilità agli eventi passati, il che può portare a previsioni future meno accurate.

Vermorel condivide un esempio della sua esperienza presso Lokad, dove i clienti erano spesso sorpresi dalla previsione più regolare generata per serie temporali erratiche, come il consumo di alcol nei supermercati. I concorrenti spesso presentavano previsioni che imitavano da vicino la natura erratica dei dati storici, portando i clienti a essere scettici sulle previsioni più regolari di Lokad.

Makridakis discute il cambiamento di percezione delle previsioni come scienza, sottolineando l’importanza di separare il passato dal futuro e di non cercare di adattare eccessivamente i dati passati. Sottolinea l’importanza di considerare l’incertezza nelle previsioni e riconosce che, sebbene i clienti possano non apprezzare questo aspetto, è cruciale per una previsione realistica.

La discussione riguardava le aspettative delle previsioni. Vermorel osserva che alcuni concorrenti nel settore della vendita al dettaglio fanno affermazioni stravaganti sull’alta precisione, il che è impraticabile data la natura del comportamento dei consumatori. Ciò solleva la questione se le persone si aspettino troppo dalle previsioni e se le percepiamo come infallibili.

La conversazione ruota attorno alle previsioni, alle limitazioni e alle sfide nel campo 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 vendere troppo 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, soprattutto in settori come il commercio al dettaglio. Makridakis fa notare che non c’è solo l’incertezza normale, ma anche l’incertezza “fat tail”, che consiste in eventi rari ed estremi che possono causare significative interruzioni, come la pandemia di COVID-19.

Vermorel concorda sul problema dei consulenti che promettono troppo e condivide che la sfida nelle previsioni probabilistiche non è l’aspetto tecnico, ma piuttosto la comunicazione dell’accettazione dell’incertezza e dei limiti di controllo. Spiega che modelli di previsione semplici possono essere utili nell’inserire priorità strutturali per tener conto degli eventi di coda, anche se la quantificazione è vaga. In questo modo, le decisioni sulla supply chain possono essere orientate verso soluzioni più robuste e resilienti di fronte a eventi poco frequenti.

Makridakis sottolinea l’importanza delle evidenze empiriche nel determinare cosa funziona e cosa non funziona nelle previsioni. Attraverso le competizioni M, 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 preparati ad affrontarli.

L’intervista affronta le sfide e le limitazioni delle previsioni, il ruolo dell’incertezza nella presa di decisioni 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 ci siano tecniche collaudate che sono state testate per generazioni. Tuttavia, una persona che non ha avuto questa fortuna è il nostro ospite di oggi, Spyros Makridakis, che come uno dei padri fondatori del settore, ha effettivamente inventato molte delle tecniche che utilizziamo come standard. Oggi, impareremo un po’ di più sulla sua carriera e su cosa possiamo imparare da oltre 50 anni di esperienza nel settore. Quindi Spyros, grazie mille per esserti unito a noi in diretta da Cipro oggi. E come sempre, ci piace iniziare conoscendo un po’ meglio i nostri ospiti. Quindi forse potresti iniziare raccontandoci un po’ di più su di te.

Spyros Makridakis: Beh, come sapete, sono stato insegnante per molto tempo, ed è lì che ho iniziato a lavorare sulle previsioni. Poi ho lasciato questo lavoro e quando mi sono ritirato 15 anni fa, eccomi qui a Cipro, all’università, perché continuiamo. E so che le vostre aziende partecipano sia alle competizioni M4 che M5, qualcosa che ho organizzato negli ultimi 40 anni. Quindi sapete qual è il mio contributo e come le competizioni M, che stanno per competizioni Makridakis, hanno influenzato l’industria delle previsioni e le aziende e gli accademici che utilizzano i risultati.

Kieran Chandler: Fantastico! Quindi parleremo un po’ delle competizioni M5 più avanti. Forse nella prima parte, daremo uno sguardo agli ultimi 50 anni di scienza delle previsioni come la conosciamo e sembra che ci sia molto da coprire oggi. Joannes?

Joannes Vermorel: Sì, quello che è interessante è che quando ho fondato Lokad, quando stavo creando l’azienda nel 2007, c’erano ancora persone molto scettiche sull’idea stessa di previsione statistica di qualsiasi tipo. Era molto strano perché, all’epoca, mi chiedevo se avrei dovuto continuare il mio dottorato in machine learning, che avevo iniziato ma mai completato, o se avrei dovuto andare avanti con Lokad, questo progetto. E quando ho presentato la mia candidatura a un incubatore di startup, la prima volta che ho fatto domanda, la mia candidatura è stata respinta perché c’erano due persone nella giuria che avevano saldamente l’idea che la previsione statistica fosse solo una completa sciocchezza. Era letteralmente come dire: “No, non accettiamo startup il cui piano aziendale consiste fondamentalmente nel vendere divinazioni”. Voglio dire, non c’è dubbio che si possa fare soldi con la divinazione; le persone lo fanno da secoli. Ma, siamo d’accordo con l’idea che un’azienda del genere possa effettivamente entrare nell’incubatore? La risposta è stata un no categorico. Ma la cosa divertente è che era praticamente l’ultima generazione. Penso che durante il decennio circa in cui ho gestito Lokad, non ci sia praticamente più nessuno in questo settore che abbia questa convinzione. Quindi, è molto divertente; era letteralmente la scienza in azione.

Kieran Chandler: Joannes e Spyros, grazie per esservi uniti a noi oggi. Joannes, credo che i tuoi contributi e le competizioni M siano stati elementi chiave per normalizzare il campo delle previsioni. È diventato più simile a una scienza normale e non più una scienza di nicchia. Quello che sta accadendo in Texas in questo momento è interessante. I supermercati sono completamente privi di qualsiasi merce e le persone non riescono a trovare cibo o altri beni di prima necessità. Quando si parla di previsioni, dico loro di pensare a tutte le altre volte in cui vanno al supermercato e trovano ciò che vogliono. I supermercati hanno milioni di articoli e fanno previsioni per ognuno di essi. Aziende come Walmart e Target fanno previsioni per milioni di articoli settimanalmente, in modo che i consumatori possano trovare ciò che vogliono acquistare. Quando non c’è abbastanza offerta, come adesso in Texas, sorprende le persone, ma in realtà dimostra quanto siano buone le previsioni perché nella maggior parte dei casi, possono trovare ciò che vogliono.

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 accuratamente diversi metodi di previsione potessero prevedere. Quello 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 trovato questi risultati perché eravamo inesperti nelle previsioni. Abbiamo scoperto che i metodi molto semplici erano più accurati dei metodi sofisticati e se si combinavano più di un metodo, l’accuratezza migliorava. Entrambe queste scoperte erano anatema per gli statistici di quel tempo, che credevano che si potesse trovare il miglior metodo e che i metodi più sofisticati sarebbero stati più accurati. Ma ora, nuove tecniche che utilizzano l’apprendimento profondo prevedono 500 modelli diversi e poi ne prendono la mediana, che trovano essere la migliore previsione.

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 molto divertente. È una delle poche 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 tutti all’intervista di oggi. Oggi abbiamo Joannes Vermorel, fondatore di Lokad, e Spyros Makridakis, professore presso l’Università di Nicosia, direttore dell’Istituto per il Futuro e professore emerito di Scienze Decisionali presso l’INSEAD. Joannes, hai partecipato alle M-Competitions, puoi dirci di più al riguardo?

Joannes Vermorel: Sì, le M-Competitions sono eventi riconosciuti a livello globale in cui le persone competono in base alle loro competenze, a differenza delle fiere commerciali che si concentrano principalmente sul marketing. La cosa interessante è che nelle prime 100 aziende, nessuno dei nostri più grandi concorrenti era presente, indipendentemente dal fatto che si guardasse da un lato della competizione o dall’altro. Questo è sorprendente perché ciò che vendono sono le previsioni. Quindi, c’è un’enorme discrepanza tra ciò che accade durante un test effettivo e le quote di mercato tipiche osservate in questo mercato. Un’altra cosa su cui mi piacerebbe commentare è la semplicità del nostro modello. Lokad è arrivato sesto su 909 squadre nel lato quantile 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 utilizzato ESSM e ottenuto risultati con un’accuratezza entro l'1% del miglior modello, che utilizzava alberi di potenziamento del gradiente e un massiccio schema di aumento dei dati. La cosa interessante è che abbiamo utilizzato solo lo 0,001 della complessità. Credo che questo dimostri che i metodi molto semplici possono essere molto potenti. 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 dell’incertezza stessa, sono importanti. Di questo si tratta la previsione probabilistica e noi di Lokad ci stiamo lavorando duramente da quasi un decennio.

Spyros Makridakis: Hai ragione, Joannes. Nella prima M-Competition, i metodi statistici semplici erano più accurati dei metodi sofisticati. Nella competizione M5, abbiamo scoperto che i metodi di apprendimento automatico semplici erano più accurati dei metodi di apprendimento automatico sofisticati, come l’apprendimento profondo. I migliori concorrenti sia nella sfida dell’accuratezza che nella sfida dell’incertezza hanno utilizzato metodi di apprendimento automatico semplici ed erano i più accurati ed efficaci nella previsione dei dati di Walmart. Uno degli aspetti interessanti della competizione M5 è che tutti utilizzano tecniche di previsione basate su computer.

Kieran Chandler: E questo è ora lo standard del settore, ma se guardiamo indietro quando hai iniziato, Spyro, quando eri un professore, è stato un po’ prima dell’alba dei computer. Quindi come ha cambiato l’introduzione dei computer il modo in cui facevi le cose? Che opportunità ti ha dato?

Spyros Makridakis: Beh, le opportunità sono che ha reso le cose più semplici. Nella previsione, ci sono due parti: una è adattarsi a ciò che è successo in passato, che è la cosa facile. Prima di iniziare la competizione, le persone facevano l’overfitting del passato, pensando che il futuro sarebbe stato esattamente come il passato. Non c’era l’idea di separare i dati di previsione in una parte di addestramento e una parte di test. Quindi cerchiamo di prevedere il più accuratamente possibile, non la parte di addestramento, ma la parte di test - il futuro, in altre parole. Perché il futuro non è esattamente come il passato, cambia, e l’idea ora è che non vogliamo fare l’overfitting del passato perché ci saranno dei cambiamenti tra il passato e il futuro. Quindi cerchiamo di capire come avverranno questi cambiamenti e li usiamo per prevedere in modo più accurato il futuro. Questa è una differenza molto grande perché in passato non lo stavano considerando; pensavano che il futuro sarebbe stato esattamente come il passato, ma sappiamo molto bene che non succede mai.

Kieran Chandler: Siete d’accordo, Joannes? Voglio dire, come avete visto evolvere le tecniche di previsione nel corso dei decenni se guardiamo indietro?

Joannes Vermorel: Penso che quello che Spyros Makridakis sta sottolineando sia fondamentale. C’è questa apparente contraddizione che vuoi essere accurato sui dati che non hai. Questo è qualcosa di molto confuso quando ci si pensa perché, naturalmente, ovviamente, quando si vuole misurare l’accuratezza, per definizione, si misura l’accuratezza rispetto ai dati che si hanno, ma questo non è quello che si vuole 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 macchine a vettori di supporto, che sono molto complesse. Hanno iniziato a formalizzare l’idea che hai l’errore empirico e l’errore strutturale. L’errore strutturale è, e fondamentalmente, l’idea è che si vuole minimizzare l’errore reale, l’errore reale essendo definito come l’errore che stai per commettere su dati che non hai. Devi minimizzare sia l’errore strutturale che l’errore empirico, ed è di questo che si tratta con le macchine a vettori di supporto. Le macchine a vettori di supporto hanno una prospettiva molto teorica. Sono state implementate e hanno ottenuto grandi successi come tecnica di apprendimento automatico in un paio di campi. Penso che il loro contributo più importante sia stato quello di chiarire, da una prospettiva più teorica, cosa stava succedendo. E poi, quando si vogliono ottenere risultati concreti, penso che ricorrere a quelle competizioni in cui si tiene effettivamente una parte dei dati per davvero sia probabilmente il modo migliore per ottenere previsioni accurate.

Kieran Chandler: Per avere, direi, una metodologia molto pulita, in che modo l’approccio che si adotta in uno scenario di test, che è molto basato sulla competizione, differisce da quello che si farebbe nel mondo reale? Voglio dire, nel mondo reale si ha accesso a tutti i dati tutto il tempo, e questo ti dà questo forte pregiudizio metodologico che il professor Makridakis ha sottolineato. È incredibilmente tentante avere qualcosa che si adatta ai dati, sai.

Spyros Makridakis: Questo è quello che facevano in passato. La famosa metodologia di Box-Jenkins era adattarsi il meglio possibile al passato, ed è per questo che perdeva rispetto a tutti i metodi semplici che non si adattavano molto bene al passato ma prevedevano in modo più accurato il futuro. Se fai l’overfitting, perdi l’essenza della previsione. Il futuro non è mai esattamente come il passato.

Joannes Vermorel: Esattamente. E uno degli esempi sorprendenti è stato quando ho avviato Lokad. I clienti erano solitamente molto sorpresi quando guardavano una serie temporale incredibilmente erratico, ad esempio, il consumo di alcol nei supermercati, un prodotto molto erratico con picchi. Quando facevamo previsioni classiche durante i primi anni di Lokad, in cui non facevamo ancora previsioni probabilistiche, facevamo previsioni classiche. Per quelle serie temporali super erratiche, mostravo una previsione molto più regolare rispetto alla serie temporale originale. La maggior parte dei miei concorrenti era in grado di mostrare serie temporali di previsione altrettanto erratiche, esattamente come la serie temporale originale. I clienti erano, e ho avuto molti grandi dibattiti con i miei potenziali clienti che non erano ancora clienti, che semplicemente non credevano che questa previsione super regolare potesse essere corretta perché era così diversa dalla serie temporale storica che era super erratica e irregolare. Mentre i miei concorrenti mostravano previsioni molto irregolari, erano in grado di mostrare e mettere in mostra previsioni molto irregolari che assomigliavano esattamente ai dati storici.

Kieran Chandler: Quindi, Spyros, una delle cose che mi incuriosisce molto è come la percezione nei confronti delle previsioni sia cambiata nel corso della tua carriera. Quando è avvenuto questo cambiamento verso la previsione vista come una scienza, e quando è diventata più accettata nel mainstream?

Spyros Makridakis: Beh, ci è voluto del tempo. All’inizio, gli statistici classici facevano la stessa cosa che facevano a te quando ti dicevano che ciò che è importante è seguire le fluttuazioni della serie. Ma non è così che si fa una previsione. Ci è voluto del tempo per capire che non puoi prevedere il caso, e ciò che le Competizioni M hanno dimostrato senza ombra di dubbio è che ciò che è importante è separare il passato dal futuro e che non devi cercare di adattarti troppo al passato, ma cercare di avere un modello che si adatti ai cambiamenti dal passato al futuro. E questo è il cambiamento principale. E ora è accettato che oltre a guardare le previsioni, dobbiamo guardare l’incertezza delle nostre previsioni. A molte persone non piace affatto perché, psicologicamente, non è una cosa molto buona parlare di incertezza, dire che farò una previsione ma sono incerto.

Kieran Chandler: Joannes, quanto inaccurate diresti che sono le tue previsioni? I clienti mi dicono spesso che affermi di concentrarti ma ammetti anche che non puoi fare previsioni a causa di molta incertezza nel futuro.

Spyros Makridakis: Questa è la realtà, non puoi evitare di essere realistico. Introduce questa sorta di idea di un livello di confidenza nella tua previsione. Joannes, diresti che la percezione si è spostata così tanto che le persone si aspettano troppo dalle previsioni e si aspettano che siano infallibili?

Joannes Vermorel: È una domanda interessante. Sono stato al National Retail Federation trade show a New York diverse volte, e quello che ho visto è che la maggior parte dei miei concorrenti faceva molto spesso affermazioni completamente stravaganti di avere un’accuratezza del 99% nel settore del retail. Onestamente, non so nemmeno cosa significhi un’accuratezza del 99% nei supermercati, dove la maggior parte dei prodotti viene venduta in piccole quantità giornaliere. È ridicolo pensare che tu possa sapere, fino all’ultima unità, se qualcuno prenderà un prodotto, mentre questa persona potrebbe non saperlo nemmeno. Ho visto molti fornitori cercare di vendere l’idea che si possono avere previsioni incredibilmente accurate ovunque, il che non è assolutamente vero. Utilizzano l’aura di scienza che la previsione statistica ha acquisito in altre aree, come la demografia, il consumo di elettricità e il consumo di acqua, dove la quantità di incertezza è relativamente molto bassa, per sostenere che possono raggiungere lo stesso livello di precisione nei supermercati, che non è proprio la stessa cosa. Puoi fare molto, ma non è lo stesso ordine di grandezza in termini di accuratezza.

Spyros Makridakis: Uno dei più grandi problemi degli utenti delle previsioni è che le loro aspettative sono troppo alte perché i consulenti cercano di vendergli previsioni in cui sono troppo fiduciosi, e questo è uno dei problemi più grandi. Quindi parte di ciò che dobbiamo fare sul campo è dire: “Guarda, non possiamo essere profeti. I nostri dati, in particolare quelli del settore della vendita al dettaglio, ci dicono che l’incertezza è molto grande, e dobbiamo fare qualcosa a riguardo.” Non parliamo solo dell’incertezza normale; abbiamo anche un’incertezza che è fatale, come gli eventi dei cigni neri famosi di Nassim Taleb che distruggono molte delle nostre previsioni e creano problemi come la pandemia. Dobbiamo tenere conto anche di questo; non puoi evitare l’incertezza.

Kieran Chandler: Joannes, sei d’accordo con questo? Abbiamo parlato un po’ in passato dei consulenti che arrivano e promettono un po’ troppo dalle previsioni.

Joannes Vermorel: Sì, sono d’accordo. Quello che era effettivamente difficile delle previsioni probabilistiche non era la tecnicalità della loro produzione, ma gestire le aspettative che erano state impostate troppo alte dai consulenti che avevano promesso troppo.

Kieran Chandler: Quindi Joannes, hai parlato dell’importanza delle previsioni probabilistiche e dell’iniezione di priorità strutturali. Puoi spiegare un po’ di più a riguardo?

Joannes Vermorel: Certamente. Le probabilità, non è così difficile. Quello che era difficile era effettivamente trasmettere l’accettazione che sì, Lokad stava andando verso previsioni probabilistiche. Non perché le nostre previsioni fossero scadenti. Penso che anche se non siamo inizialmente i migliori in quelle competizioni, non siamo certamente, sai, classificati molto in alto. Il problema non era che avevamo previsioni scadenti, ed era quello di avere l’accettazione che ci sono cose che sono al di là del nostro controllo. E la cosa interessante di questi eventi di coda è che improvvisamente hai qualcosa in cui è molto, molto difficile fidarsi del tuo DR. Ed è lì che, ancora una volta, è qualcosa che mi interessa molto. È che mantenendo il tuo modello di previsione non di coda, direi semplice, è che hai qualcosa in cui puoi, con una certa dose di soggettività, ma se hai un modello di previsione semplice, relativamente semplice e gestibile, puoi iniettare priorità strutturali per iniettare fondamentalmente questa dose di eventi super rari e super estremi.

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

Joannes Vermorel: Quindi è fondamentalmente quello che stiamo facendo in Lokad. Ad esempio, cose come le pandemie, non possiamo prevedere le pandemie. Ma quello che possiamo fare, e nemmeno è super complicato da fare, è dire, “beh, possiamo, posso iniettare una priorità per dire che c’è una possibilità, una probabilità annuale del due percento diciamo che ci sarà una riduzione del 50 percento che colpisce l’azienda.” Non so perché, so solo che è un’ipotesi ragionevole. È soggettivo, sai, perché due percento, perché due percento di una riduzione del cinquanta percento? Tutto questo è molto soggettivo, ma la cosa interessante è che se inietti una dose di eventi di coda nei tuoi modelli di previsione, anche se è abbastanza inaccurato, sai, in termini di quantificazione è molto vago. Quello che succede è che quando costruisci la tua ottimizzazione della supply chain sopra, orienti la decisione verso cose che sono molto più robuste contro quegli eventi di coda senza investire troppi soldi. Quindi la cosa interessante è che e questo è il tipo di cose che facciamo è che manteniamo quei modelli di previsione semplici in modo da poter iniettare quelle priorità strutturali che sono, direi, molto inventate, anche se sono ragionevoli. Non sono precise, ma la conseguenza di ciò è che puoi avere alla fine decisioni sulla supply chain che finiscono per avere molta più resilienza rispetto alle cose che accadono raramente. E il processo è abbastanza semplice, ma nella pratica, ci vuole molto convincimento per far capire alle persone questi cigni neri. Infatti, ricorro spesso a “Per favore, leggi il lavoro di Nassim Taleb”, ma è difficile convincere un potenziale cliente che vuoi regalargli, sai, un libro di 600 pagine scritto da un altro grande pensatore greco di Nassim Taleb.

Spyros Makridakis: Joannes, posso fare una domanda? Perché mi sembra che tu stia iniettando priorità strutturali, che potrebbero essere viste come un pregiudizio nei tuoi modelli di previsione. Credi che questo pregiudizio possa essere dannoso per l’accuratezza delle previsioni dei tuoi modelli?

Joannes Vermorel: Sì, è una domanda molto interessante, Spyros. Ci sono due cose a riguardo. Prima di tutto

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

Spyros Makridakis: Beh, sono molto orgoglioso del fatto che forniamo prove empiriche su ciò che funziona nella previsione e su ciò che non funziona. Non è solo chiacchiere, ma abbiamo condotto esperimenti attraverso le M-Competitions. Da questi esperimenti, possiamo dirti quali metodi funzionano e quali no. Quello che possiamo dirti 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, c’è rischio e dobbiamo fare qualcosa per anticipare questo rischio e essere pronti ad affrontarlo.

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

Joannes Vermorel: Grazie mille.

Spyros Makridakis: Grazie per l’intervista.

Kieran Chandler: Questo è tutto per questa settimana. Grazie mille per averci seguito e ci vediamo nella prossima puntata.