00:00:08 Panoramica di forecast value added come tecnica gestionale.
00:01:29 Spiegazione del processo di forecast value added e del motivo della sua nascita.
00:02:06 Importanza delle metriche per determinare l’accuratezza del processo di previsione.
00:03:37 Discussioni sul perché le previsioni a più fasi da parte di più team non funzionano.
00:07:55 L’idea che più team lavorino insieme per migliorare l’accuratezza è allettante ma non supportata dalla scienza.
00:08:01 Svantaggi di lasciare che il pubblico voti la prossima mossa di un campione di scacchi.
00:10:31 L’inefficacia del forecast value added nella supply chain.
00:12:17 L’inefficacia dell’intervento manuale nel migliorare l’accuratezza delle previsioni.
00:14:50 La difficoltà di fidarsi della scienza rispetto al giudizio umano nella previsione.
00:15:55 Granularità della comprensione e analisi dei clienti da parte di un venditore.
00:16:00 Critica all’idea che una previsione debba essere un impegno collaborativo.
00:17:02 La recente rinascita della popolarità della metodologia di valutazione delle previsioni.
00:17:23 Il potenziale guadagno finanziario derivante dalla produzione di metriche e dalla tariffazione degli upgrade.
00:19:10 L’importanza di determinare se un consulente fornisce un valore reale per l’azienda o solo lavoro inutile.
00:23:36 La necessità di identificare l’incompetenza radicale e di utilizzare il forecast value added come banco di prova.
Sommario
Forecast value added (FVA) è un approccio difettoso alla previsione della supply chain che prevede la collaborazione tra vari team all’interno di un’organizzazione per migliorare accuracy. Joannes Vermorel, fondatore di Lokad, sostiene che il FVA aggiunga un ulteriore livello di complessità alla supply chain management senza alcun beneficio chiaro per l’azienda, e che non sia supportato dalla ricerca scientifica. Vermorel suggerisce che le imprese si concentrino sulla ricerca di soluzioni più semplici ed efficaci per le loro sfide della supply chain e che si affidino a specialisti in vari settori. Le aziende dovrebbero utilizzare il FVA come banco di prova per rilevare l’incompetenza radicale in fornitori o agenzie di consulenza che promuovono previsioni collaborative.
Sommario Esteso
In questa intervista, il conduttore Kieran Chandler e Joannes Vermorel, fondatore di Lokad, discutono del concetto di forecast value added (FVA) e della sua efficacia nell’ottimizzazione della supply chain. Il FVA è emerso all’inizio degli anni 2000 come tecnica per migliorare l’accuratezza delle previsioni, identificando quali fasi del processo di previsione contribuiscono in modo positivo o negativo al prodotto finale. Questo approccio prevede tipicamente la collaborazione di vari team all’interno di un’organizzazione, come il marketing, le vendite e la produzione.
L’idea alla base del FVA è che, misurando l’accuratezza di ogni fase del processo, sia possibile identificare i team che contribuiscono in maniera positiva o negativa all’accuratezza della previsione. Ciò viene fatto mediante il backtesting, confrontando l’accuratezza della previsione di base con quella delle previsioni arricchite da input aggiuntivi provenienti da diversi team.
Tuttavia, Vermorel sottolinea che questo approccio non funziona in pratica e non è supportato dalla ricerca scientifica. La letteratura sulla previsione statistica non promuove un processo a fasi multiple in cui le previsioni passano da una divisione all’altra all’interno di un’azienda. Infatti, le competizioni di previsione hanno costantemente dimostrato che i vincitori non si affidano a tali tecniche.
Nonostante le sue carenze, il FVA ha guadagnato terreno perché rappresenta una soluzione allettante che permette a tutti di contribuire e sentirsi parte del processo. Vermorel paragona questo all’idea di un gruppo di persone che cerca di aiutare un campione di scacchi a fare la mossa successiva, il che probabilmente porterebbe più a una distrazione che a un miglioramento delle prestazioni.
Il forecast value added è un approccio popolare ma difettoso alla previsione della supply chain. Prevede la collaborazione tra vari team all’interno di un’organizzazione, con l’intento di migliorare l’accuratezza. Tuttavia, questo metodo non è supportato dalla ricerca scientifica, e evidenze empiriche suggeriscono che non porta a previsioni migliori. L’attrattiva del FVA potrebbe derivare dal desiderio di partecipazione collettiva e dalla soddisfazione di far parte del processo di decision-making.
Hanno discusso il concetto di forecast value added e le sue criticità. Vermorel ritiene che si tratti di un’idea burocratica che aggiunge un ulteriore livello di complessità alla supply chain management, rallentando i processi e complicando le operazioni, senza un beneficio chiaro per l’azienda.
Vermorel sostiene che l’idea che la previsione debba essere uno sforzo collaborativo sia errata, poiché la scienza e le competizioni di previsione passate non supportano tale nozione. Egli sottolinea che la mente umana non è ben attrezzata per gestire il rumore statistico, e che gli interventi manuali tendono a ridurre l’accuratezza delle previsioni. Propone che sia più efficiente concentrarsi sul miglioramento della ricetta numerica sottostante la previsione, invece di regolare manualmente le previsioni.
Mettere in dubbio la capacità dei non specialisti di eseguire compiti numerici complessi meglio degli esperti, che hanno impiegato anni per sviluppare ricette numeriche ragionevoli. Vermorel osserva che, ad esempio, i team di vendita operano di solito con una granularità molto maggiore rispetto a quella richiesta per prevedere la domanda di singoli SKU. Invece, le loro intuizioni dovrebbero essere utilizzate per rivedere la ricetta numerica, portando a previsioni più accurate.
Nonostante le preoccupazioni di Vermorel, egli osserva che il forecast value added ha sperimentato una ripresa di popolarità negli ultimi anni, con molti consulenti e software vendors che promuovono la metodologia. Tuttavia, resta critico nei confronti di questo approccio e ritiene che non sia il modo più efficace per migliorare l’accuratezza delle previsioni nella supply chain management.
Vermorel esprime le sue preoccupazioni riguardo ai software vendors che guadagnano offrendo soluzioni complesse a problemi della supply chain che potrebbero non fornire un reale valore. Egli suggerisce che molti vendor usino distrazioni per vendere i loro prodotti e servizi, rendendo difficile per i clienti identificare il vero valore.
Vermorel sottolinea l’importanza di evitare la complessità fine a se stessa. Egli evidenzia che aggiungere dimensioni non necessarie a un processo può effettivamente rendere il problema quadraticamente più complesso, il che potrebbe non essere vantaggioso per l’azienda. Inoltre, ritiene che i vendor spesso facciano pagare di più per queste soluzioni complesse, inclusi gli upgrade e le tariffe di consulenza.
Per differenziare tra consulenti di valore e quelli che si limitano a produrre metriche, Vermorel suggerisce che le aziende dovrebbero chiedersi se il servizio o la soluzione offerti aggiunga effettivamente valore o se si tratti solo di lavoro inutile. Sottolinea l’importanza di concentrarsi su soluzioni orientate all’esterno piuttosto che all’interno, poiché aggiungere ulteriori strati di complessità in un processo potrebbe non portare a risultati migliori.
Nel contesto della supply chain management, Vermorel si oppone all’idea che le previsioni debbano essere uno sforzo collaborativo. Lo paragona all’avere energia elettrica in un edificio, che non è considerato un lavoro di squadra. Egli afferma che non vi è alcuna ragione per cui le previsioni debbano essere un processo collaborativo, e che le aziende dovrebbero concentrarsi sulla ricerca di soluzioni più semplici ed efficaci per le loro sfide della supply chain.
Vermorel sottolinea l’importanza di fidarsi degli specialisti in vari campi, come gli impianti elettrici o la previsione della supply chain. Egli evidenzia che i metodi di forecasting collaborativo sono spesso controproducenti, citando una serie di studi che dimostrano che l’intervento manuale nelle previsioni può essere dannoso. Ciò è dovuto alla scarsa percezione della casualità da parte degli esseri umani; mentre essi eccellono nell’identificare schemi, faticano a comprendere la casualità.
Vermorel sostiene che, finché un approccio di forecasting collaborativo non potrà essere dimostrato come superiore, non dovrebbe essere considerato affidabile. Osserva che i principali ricercatori nel campo, come quelli che partecipano alle competizioni di previsione, non usano metodi collaborativi. Vermorel suggerisce che le aziende dovrebbero essere più scettiche nei confronti dei vendor e delle agenzie di consulenza che promuovono tali metodi di forecasting collaborativo, poiché potrebbero non possedere la competenza necessaria in questo ambito.
Il messaggio centrale dell’intervista è che le aziende dovrebbero concentrarsi sull’identificare aree di incompetenza radicale nella supply chain management, piuttosto che tentare di migliorare le previsioni tramite la collaborazione. Vermorel raccomanda di utilizzare il forecast value added come banco di prova per rilevare l’incompetenza radicale nei vendor o nelle agenzie di consulenza che promuovono il forecasting collaborativo. Egli paragona questo al rilevare vendor che spingono metodi basati sull’astrologia o sull’artificial intelligence senza comprenderne le vere implicazioni.
Vermorel consiglia alle aziende di essere caute nel rapportarsi con vendor e agenzie di consulenza nel campo dell’ottimizzazione della supply chain, utilizzando il forecast value added come strumento per identificare l’incompetenza. Affidarsi a specialisti ed evitare metodi di forecasting collaborativo può portare a una gestione della supply chain più efficace.
Trascrizione Completa
Kieran Chandler: Oggi discuteremo di quanto bene funzioni questo approccio e del motivo per cui scomporre una previsione possa effettivamente portare a decisioni più difficili. Allora, Joannes, qual è l’idea alla base del forecast value added?
Joannes Vermorel: Il forecast value added è un processo emerso all’inizio degli anni 2000, forse già negli anni ‘90. Non ho trovato pubblicazioni precedenti, ma dato che non è un’idea molto complicata, sospetto che fosse già praticato negli anni ‘90, probabilmente con vari nomi e forme. Essenzialmente, si tratta di un processo che mira a migliorare quantitativamente l’accuratezza della previsione identificando se determinate fasi, adottate durante la composizione del prodotto finale, ossia la previsione, migliorano effettivamente l’accuratezza.
Per fare un esempio, abbiamo un team di previsione che produce la previsione di base. Successivamente, il team di marketing interviene e aggiusta questa base in base alle loro ulteriori intuizioni di marketing, ad esempio in merito alle campagne che intendono realizzare. Poi, il team di vendita interviene e aggiunge il proprio livello di correzione grazie alle ulteriori informazioni sulle vendite di cui dispongono. Successivamente, interviene la produzione, e così via. Si torna poi al team di previsione che conclude con il piano, e questo è sostanzialmente il tipo di operazioni che vengono effettuate come parte del processo SNLP. Il processo di forecast value added consiste nell’istituire metriche per il delta introdotto da ogni singola fase del processo di previsione, in termini di se si migliora o si peggiora l’accuratezza, e implicitamente, l’idea è quella di rimuovere i contributi che alla fine finiscono per degradare l’accuratezza della previsione.
Kieran Chandler: Allora, perché è nata questa idea? Perché coinvolgere così tanti stakeholder diversi può sicuramente complicare le cose.
Joannes Vermorel: Sì, in effetti, almeno i primi studi degli anni 2000 indicano che produrre previsioni con molte mani alla fine tende a fare l’opposto dell’intento, ossia peggiorare l’accuratezza della previsione. La loro conclusione è che attenersi alla previsione di base naïf, che spesso consiste in una media mobile più stagionalità, si rivela più accurato di quanto si ottenga lasciando che molte persone modifichino quelle previsioni. Ma la logica suggerisce che dovremmo cercare di filtrare i contributi negativi per mantenere quelli positivi, in modo da avere il meglio di entrambi i mondi: l’accuratezza iniziale ulteriormente migliorata grazie ai contributi extra, ma accuratamente filtrata attraverso il processo di forecast value added.
Kieran Chandler: Allora, come si determina quali team producano i buoni contributi e quali, invece, producano quelli negativi?
Joannes Vermorel: Molto semplicemente, attraverso un backtest.
Kieran Chandler: Qual era l’accuratezza della previsione di base nell’ultimo trimestre? Qual era l’accuratezza della previsione di base più il contributo del team di vendita? E poi abbiamo due setup di previsioni: la base e quella con il primo livello di correzione. Possiamo vedere se abbiamo migliorato l’accuratezza della previsione o meno. E poi possiamo ripetere questo esperimento per ogni fase singola per confrontarlo con l’accuratezza di quanto preceduto, in modo da isolare sostanzialmente i risultati.
Joannes Vermorel: È molto simile a un processo di backtest, tranne per il fatto che si aggiunge un ulteriore livello di granularità nell’analisi. Si vuole analizzare e confrontare l’accuratezza rispettiva prima e dopo le modifiche, esaminando le fasi chiave del processo di previsione. E quando dico fasi chiave, intendo fasi definite dal punto di vista dell’organizzazione, dove una previsione viene passata a un team, il team applica delle correzioni, e poi la trasmette a un altro team. Tutto il processo circola all’interno dell’azienda finché non ritorna al team di previsione originale responsabile dell’intero processo di previsione.
Kieran Chandler: Ha senso, da un punto di vista logico; si acquisisce sempre più l’esperienza di diverse persone, quindi probabilmente finirà per essere più accurato. Kieran Chandler: Allora, qual è il grande problema? Joannes Vermorel: Il problema è che semplicemente non funziona, e non è supportato da alcuna evidenza scientifica. È il tipo di cosa che sembra intuitiva e suona bene, ma se iniziamo ad esaminare la letteratura sulle previsioni statistiche, nessun ricercatore scientifico sta effettivamente lavorando con questo genere di tecniche. Anche se dispongono di modelli di previsione con più fasi, tutte queste fasi risultano integrate in un unico contesto algoritmico, ovvero in un solo piece of software. L’idea che si possa perfezionare una previsione statistica facendola saltare da una divisione all’altra all’interno dell’azienda è per lo più una follia. Se osserviamo le competizioni di previsione che si tengono da molto tempo, come quelle organizzate dal Professor Makridakis, le persone che hanno vinto tali competizioni non hanno ricorso a un processo di previsione a più fasi in cui la previsione saltava da uno specialista all’altro. A mio parere, è il tipo di approccio che risulta molto attraente perché rende tutti felici; ognuno può contribuire e si crea un senso di emozione positiva.
Joannes Vermorel: In questo processo, sì, ma non funziona così. È come immaginare di avere un campione di scacchi e dire: “Va bene, ora proviamo ad aiutare questo campione facendo votare un gran numero di persone per aiutarlo a fare la sua prossima mossa.” La risposta è no, non renderà questo campione migliore. È molto probabile che si tratti semplicemente di una completa distrazione. Se vuoi avere il meglio del meglio, lascia che giochi o che giochi esattamente nel modo in cui i campioni ritengono opportuno, e basta.
Kieran Chandler: Allora, perché questo tipo di idea ha guadagnato così tanto seguito? È perché è qualcosa che rende felice molta gente, facendo sentire le persone come se stessero contribuendo? Voglio dire, perché la gente ha sentito parlare di forecast value added?
Joannes Vermorel: Ritengo che si tratti di una sorta di idea molto burocratica che tende a esercitare un forte richiamo perché è fortemente introspettiva. Non appena inizi ad affrontare i problemi reali, come la gestione del rischio che ti costringe ad aggiornare la tua pratica verso il probabilistic forecasting, tutto diventa estremamente complicato. Il forecast value added è banale. Il livello di matematica richiesto è quello della scuola media. È quel tipo di cosa che sembra buono, e nessuno si troverà intellettualmente messo alla prova dal forecast value added. È letteralmente estremamente semplice.
Joannes Vermorel: È molto allettante aggiungere un ulteriore strato di burocrazia nella tua supply chain per far sì che le persone si occupino di questo processo che sembra buono e suona ragionevole. Renderà tutti occupati, e tu diventerai piuttosto abile in questo. Come potresti fallire in qualcosa di semplice e diretto come il forecast value added? La realtà è che fallirai nel senso che aggiungerai un ulteriore strato di complessità che probabilmente rallenterà tutto, complicerà e confonderà ogni cosa. Ma i tuoi KPI a breve termine miglioreranno appena un poco, e nessuno saprà se questo porterà qualche dollaro all’azienda. Dal punto di vista estremamente limitato dei tuoi KPI a breve termine, potrebbe migliorare lievemente.
Kieran Chandler: Non c’è forse un elemento di verità in tutto ciò, che se ci concentrassimo su specifiche aree core, potremmo ottenere miglioramenti enormi?
Joannes Vermorel: La prima cosa da smantellare è che la premessa di questa proposizione è completamente errata. La premessa sostiene che le previsioni debbano essere frutto di uno sforzo collaborativo. Non è così. La scienza non supporta affatto questa proposizione, e nemmeno le competizioni di previsione tenutesi negli ultimi decenni l’hanno supportata. Nemmeno gli articoli che sto leggendo la supportano. Quindi, letteralmente, abbiamo una premessa completamente sbagliata. Le previsioni non migliorano se realizzate in modo collaborativo. Pertanto, l’idea di avere tutti coinvolti e che ognuno contribuisca è semplicemente errata.
Kieran Chandler: E fondamentalmente, in Lokad, abbiamo valutato il contributo delle modifiche manuali sulla previsione e, sostanzialmente, erano invariabilmente errate. Invariabilmente diminuivano l’accuratezza della previsione. Tuttavia, per ottenere ciò, devi prima adottare una mentalità in cui, quando qualcuno osserva una previsione statistica profondamente sbagliata, non si intende regolare manualmente la previsione; si intende correggere la ricetta numerica sottostante. Presumo che stiamo parlando di una ragionevole ricetta numerica per la previsione, che sia stata messa alla prova in situazioni reali. Quindi, se ci sono aspetti evidenti che non sono stati correttamente considerati nella previsione, quei problemi sono stati risolti. Per esempio, se non prendi in considerazione i tuoi stockouts, confonderai le vendite a zero con una domanda a zero, il che è completamente sbagliato.
Joannes Vermorel: Sì, devi rendere la tua ricetta numerica consapevole degli stockouts. Presumo che, una volta risolti tutti quei problemi di natura più orientata al debugging, e una volta che il modello sia stato messo alla prova e corretto, in Lokad, su richiesta di molti clienti, abbiamo effettuato numerosi benchmark in cui esaminavamo l’accuratezza della previsione prima e dopo l’intervento manuale. E ogni singola volta, gli interventi manuali peggioravano l’accuratezza della previsione. Si è scoperto che la mente umana non è molto brava a gestire il rumore statistico. Il rumore statistico non è qualcosa che percepiamo; vediamo schemi ovunque. È in realtà molto difficile riconoscere il rumore statistico per quello che è, e pertanto, anche metodi statistici semplici come la media mobile tendono a superare il giudizio umano, anche se il miglioramento rispetto alla media mobile è minimo, ma comunque presente.
Kieran Chandler: Quindi, quello che stai proponendo è questo tipo di campione unico che produrrebbe una previsione. E perché, secondo te, le persone trovano così difficile riporre fiducia nella scienza? Perché si tratta di un salto di fede?
Joannes Vermorel: Non è un salto di fede; è il tipo di cosa che la scienza non ti chiede realmente di credere. Si tratta di comprendere cosa sta succedendo. La domanda è: perché le persone che non sono per nulla specializzate sarebbero in grado di analizzare un ampio dataset ed eseguire un compito numerico complesso nella loro testa o con fogli di calcolo casuali meglio di chi, invece, trascorre anni cercando di identificare ricette numeriche ragionevoli proprio per questo scopo? Che tipo di magia potrebbe esserci in gioco? E se le persone dicono di avere intuizioni sul mercato, sì, ma a quale livello di granularità? Immagina che per un’azienda tipica, ci siano circa 20.000 SKU, e poi chiedi alle persone del team di vendita – supponiamo siano cinque – di fornire le loro intuizioni compilando un foglio di calcolo con 20.000 SKU.
Kieran Chandler: I tuoi input su se quelle code dovrebbero salire o scendere, così il team di vendita non ne è al corrente. Voglio dire, se fai parte del team di vendita, gestisci forse mezza dozzina di clienti VIP importanti in un’azienda B2B. Questi clienti ordinano migliaia di prodotti per trimestre in quantità variabili. Questa non è la granularità con cui operi se sei un venditore. La tua granularità consiste nel considerare il cliente come un’organizzazione, e in quest’organizzazione conosci diverse persone. Questa è la tua granularità in termini di pensiero e analisi. E so che quest’organizzazione ha una certa trazione, e le persone potrebbero essere effettivamente inclini ad avvicinarsi al tipo di offerta che sto proponendo oppure, al contrario, a prendere le distanze. Ma il dettaglio dei oltre 20.000 SKU, letteralmente, non lo conoscono: si limiteranno a fare delle ipotesi e a fingere che il lavoro sia stato svolto.
Joannes Vermorel: Quella è l’illusione. Il problema è che, se possiedi intuizioni importanti, perché non rivedere esplicitamente la ricetta numerica in modo che possa utilizzare quegli elementi extra come input? Il lavoro verrebbe svolto con molto meno sforzo e con una precisione notevolmente maggiore.
Kieran Chandler: Quindi, diresti che questo è un problema che esiste ancora o che la gente sta iniziando ad accettare l’idea che non sia responsabilità di una sola persona elaborare la previsione?
Joannes Vermorel: La valutazione delle previsioni ha ripreso popolarità negli ultimi anni. Molti consulenti, e persino alcuni fornitori di software alquanto fraintesi, ora spingono per questa metodologia. Ad essere sincero, per fornitori come Lokad, ci sono tonnellate di soldi da guadagnare. È il tipo di cosa che diventerà una completa distrazione. La cosa positiva per un fornitore con una distrazione completa è che non puoi mai fallire. Non c’era alcun guadagno da ottenere in primo luogo, ma, al contrario, non c’è alcuna perdita ovvia che possa verificarsi. Quindi, non puoi mai fallire. Questo è molto buono. La distrazione è una missione in cui non si può fallire.
Puoi passare settimane o mesi a generare un’intera parete di metriche, aggiungendovi un ulteriore livello di dimensione, in modo che tutto ciò che facevi prima acquisisca un’ulteriore dimensione, ossia che ogni singola cosa che già facevi ne tragga beneficio o ne risenta ad ogni fase del processo. Voglio dire, stai rendendo il problema quadraticamente più complesso, non perché sia più complicato – dato che è molto semplice, è solo una dimensione in più – ma perché lo stai rendendo immensamente più complesso. Se hai una grande azienda con dieci fasi differenti, hai letteralmente dieci volte più metriche per ogni cosa che misuravi prima. E quindi, puoi addebitare di conseguenza. Puoi far pagare per aggiornamenti, tariffe di consulenza, o qualsiasi altra cosa.
Kieran Chandler: Quindi, come puoi differenziare tra quei consulenti che offrono realmente valore e quelli che si limitano a produrre queste metriche per il gusto di farlo?
Joannes Vermorel: Credo che tu debba semplicemente chiederti: stai facendo qualcosa di reale? Stai facendo qualcosa che ha un impatto effettivo?
Kieran Chandler: Quindi, pensi che questo approccio collaborativo alla previsione abbia un valore intrinseco per l’azienda, o stia solo generando lavoro inutile e mantenendo occupata la burocrazia?
Joannes Vermorel: Come test decisivo, ho menzionato in precedenza, parlando del nucleo burocratico della supply chain, se si guarda all’interno oppure all’esterno. In questo caso, è proprio l’archetipo del guardare dentro. Se prendi un processo di previsione esistente, ne decomponi le parti interne e vi aggiungi un ulteriore livello di complessità per renderlo migliore, non funziona così nel mondo reale. Non ottieni una migliore organizzazione guardando all’interno e aggiungendo ulteriori strati di artefatti. Non si ottiene alcun valore aggiunto con questa astrazione. L’idea semplice dovrebbe essere quella di eliminare la premessa secondo cui la previsione debba essere uno sforzo collaborativo; non c’è motivo che lo sia.
Ci sono molte cose, come avere l’energia elettrica nel tuo edificio, che non sono il risultato di un lavoro di squadra. Non penseresti che sia necessario coinvolgere tutti affinché l’edificio abbia energia elettrica. È abbastanza ovvio che, se desideri un impianto elettrico decente, ti fidi di specialisti che faranno il lavoro e garantiranno che il tuo edificio non prenda fuoco a causa di un impianto non sicuro. L’idea che un impianto elettrico migliore possa nascere da uno sforzo di squadra è una sciocchezza, e si scopre che lo stesso vale per le previsioni.
Quando dico “credi alla scienza”, intendo che esiste una serie di studi che dimostrano come l’intervento manuale sulle previsioni sia dannoso. Questi studi hanno circa 20 anni, e i loro risultati non sorprendono, poiché esiste un intero campo della psicologia che esamina la percezione del caso da parte degli esseri umani. Si scopre che la mente umana è pessima nel comprendere il caso. Siamo molto bravi a riconoscere schemi, ma non a comprendere il caso stesso.
Kieran Chandler: Quindi, ritengo che abbiamo motivo di affermare: finché non dimostrerai che una previsione collaborativa è superiore, non dobbiamo fidarci di te. E quando vedremo che, nella competizione, tutti coloro che vincono – sai, quelli che arrivano nella top 100 – non utilizzano alcun tipo di metodo collaborativo, e perfino i principali ricercatori in questo campo, come Foreman, non lo fanno (basta leggere il loro libro dalla prima all’ultima pagina, dove non troverai nulla del genere), è ragionevole supporre che si tratti di pura sciocchezza. Ci sono molte cose che appaiono ottime e ragionevoli, ma che in realtà sono completamente sbagliate, proprio come, guarda in giro, la Terra è piatta.
Joannes Vermorel: Se riassumiamo oggi, il messaggio centrale è molto più radicale. Devi individuare, se vuoi migliorare la tua supply chain, i punti di incompetenza radicale, quelle persone che non hanno alcuna idea di quello che stanno facendo, letteralmente dei Bozo il Clown. Nel mondo degli affari, queste persone possono avere un’apparenza di serietà. Il forecast value added dovrebbe essere considerato un test decisivo per rilevare l’incompetenza radicale. Quindi, se un fornitore di previsioni propone questo approccio sul proprio sito web, cancellalo come totalmente incompetente. Se un’agenzia di consulenza lo promuove, puoi respingerla come completamente incompetente. È quel tipo di cosa buono perché è un po’ come la blockchain o l’intelligenza artificiale: lo stesso tipo di test in cui, se qualcuno promuove l’intelligenza artificiale, beh, non ha la minima idea di cosa stia facendo. Possiamo scartare e passare al prossimo. Immagina solo che, se un fornitore proponesse un metodo basato sull’astrologia, diresti: “Va bene, quelle persone non sono credibili, state fuori.” Non vorrei nemmeno sentire le loro argomentazioni. So che c’è una probabilità del 99,9% che tu sia una frode completa. Ebbene, questo è positivo. Il forecast value added ti fornisce un test decisivo per scartare un’azienda o consulenze che si dimostrano completamente incompetenti. Quindi, sii grato e usalo semplicemente come filtro.
Kieran Chandler: Ok, devo lasciarci qui, ma ci sono alcune aziende da eliminare dalla lista. Questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Grazie per aver guardato.
