Valore Aggiunto delle Previsioni

00:00:08 Panoramica del valore aggiunto delle previsioni come tecnica di gestione.
00:01:29 Spiegazione del processo del valore aggiunto delle previsioni e del motivo per cui è emerso.
00:02:06 Importanza delle metriche per determinare l’accuratezza del processo di previsione.
00:03:37 Discussione sul motivo per cui le previsioni a più stadi da parte di più team non funzionano.
00:07:55 L’idea di più team che lavorano insieme per migliorare l’accuratezza è allettante ma non supportata dalla scienza.
00:08:01 Svantaggi di far votare il pubblico sulla prossima mossa di un campione di scacchi.
00:10:31 L’inefficacia del valore aggiunto delle previsioni nella supply chain.
00:12:17 L’inefficacia dell’intervento manuale nel migliorare l’accuratezza delle previsioni.
00:14:50 Difficoltà nel fidarsi della scienza rispetto al giudizio umano nelle previsioni.
00:15:55 La granularità della comprensione e analisi di un venditore nei confronti dei propri clienti.
00:16:00 Critica all’idea che una previsione debba essere un’azione collaborativa.
00:17:02 Il recente ritorno di popolarità della metodologia di valutazione delle previsioni.
00:17:23 Il potenziale guadagno finanziario derivante dalla produzione di metriche e dalla tariffazione degli aggiornamenti.
00:19:10 L’importanza di determinare se un consulente fornisce un valore reale all’azienda o solo lavoro inutile.
00:23:36 La necessità di identificare l’incompetenza radicale e di utilizzare il valore aggiunto delle previsioni come test diagnostico.

Riassunto

Il valore aggiunto delle previsioni (FVA) è un approccio fallace alla previsione della supply chain che prevede la collaborazione tra vari team all’interno di un’organizzazione per migliorare l’accuratezza. Joannes Vermorel, fondatore di Lokad, sostiene che il FVA aggiunge un ulteriore livello di complessità alla gestione della supply chain senza un chiaro beneficio per l’azienda e non è supportato dalla ricerca scientifica. Vermorel suggerisce che le aziende dovrebbero concentrarsi nel trovare soluzioni più semplici ed efficaci alle sfide della supply chain e fidarsi di specialisti in vari settori. Le aziende dovrebbero utilizzare il FVA come test diagnostico per individuare l’incompetenza radicale in fornitori o agenzie di consulenza che promuovono la previsione collaborativa.

Riassunto Esteso

In questa intervista, l’ospite Kieran Chandler e Joannes Vermorel, fondatore di Lokad, discutono del concetto di valore aggiunto delle previsioni (FVA) e della sua efficacia nell’ottimizzazione della supply chain. Il FVA è emerso nei primi anni 2000 come tecnica per migliorare l’accuratezza delle previsioni identificando quali passaggi nel processo di previsione contribuiscono positivamente o negativamente al prodotto finale. Questo approccio coinvolge tipicamente vari team all’interno di un’organizzazione che collaborano alla previsione, come marketing, vendite e produzione.

L’idea alla base del FVA è che misurando l’accuratezza di ogni passaggio nel processo, si possono identificare i team che contribuiscono positivamente o negativamente all’accuratezza della previsione. Ciò avviene attraverso il backtesting, confrontando l’accuratezza della previsione di base con l’accuratezza delle previsioni con input aggiuntivi da diversi team.

Tuttavia, Vermorel fa notare che questo approccio non funziona nella pratica e non è supportato dalla ricerca scientifica. La letteratura sulla previsione statistica non sostiene un processo a più stadi in cui le previsioni passano da divisione a divisione all’interno di un’azienda. Infatti, le competizioni di previsione hanno costantemente dimostrato che i vincitori non si basano su tali tecniche.

Nonostante le sue limitazioni, il FVA ha guadagnato consensi perché è una soluzione allettante che permette a tutti di contribuire e sentirsi inclusi nel processo. Vermorel paragona questo concetto all’idea di un gruppo di persone che cerca di aiutare un campione di scacchi a fare la prossima mossa, il che probabilmente porterebbe a una distrazione anziché a un miglioramento delle prestazioni.

Il valore aggiunto della previsione è un approccio popolare ma fallace alla previsione della supply chain. Coinvolge 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 le prove empiriche suggeriscono che non porti a previsioni migliori. L’attrattiva del FVA potrebbe derivare dal desiderio di partecipazione collettiva e dalla soddisfazione derivante dal far parte del processo decisionale.

Hanno discusso del concetto di valore aggiunto della previsione e dei suoi difetti. Egli ritiene che si tratti di un’idea burocratica che aggiunge un ulteriore livello di complessità alla gestione della supply chain, rallentando i processi e complicando le operazioni, senza un chiaro beneficio per l’azienda.

Vermorel sostiene che la premessa secondo cui la previsione è uno sforzo collaborativo è errata, poiché la scienza e le competizioni di previsione passate non supportano questa idea. Egli sottolinea che la mente umana non è ben equipaggiata per gestire il rumore statistico e le interventi manuali tendono a diminuire l’accuratezza delle previsioni. Suggerisce che sia più efficiente concentrarsi sul miglioramento della ricetta numerica alla base della previsione, piuttosto che regolare manualmente le previsioni.

Mette in dubbio la capacità dei non specialisti di svolgere compiti numerici complessi meglio degli esperti che hanno trascorso anni nello sviluppo di ricette numeriche ragionevoli. Vermorel fa notare che i team di vendita, ad esempio, di solito operano a una granularità molto più ampia di quella richiesta per la previsione della domanda individuale di 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 valore aggiunto della previsione ha conosciuto una rinascita di popolarità negli ultimi anni, con molti consulenti e fornitori di software che promuovono la metodologia. Tuttavia, egli rimane critico nei confronti di questo approccio e ritiene che non sia il modo più efficace per migliorare l’accuratezza delle previsioni nella gestione della supply chain.

Vermorel esprime le sue preoccupazioni riguardo ai fornitori di software che guadagnano offrendo soluzioni complesse ai problemi della supply chain che potrebbero non necessariamente fornire valore. Suggerisce che molti fornitori utilizzano 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 per la complessità stessa. Fa notare che l’aggiunta di dimensioni superflue a un processo può effettivamente rendere il problema quadraticamente più complesso, il che potrebbe non essere vantaggioso per l’azienda. Inoltre, egli ritiene che i fornitori spesso addebitino di più per queste soluzioni complesse, compresi gli aggiornamenti e le tariffe di consulenza.

Per differenziare tra consulenti di valore e coloro che producono semplicemente metriche, Vermorel suggerisce che le aziende dovrebbero chiedersi se il servizio o la soluzione fornita sta effettivamente aggiungendo valore o sta solo creando lavoro inutile. Sottolinea l’importanza di concentrarsi su soluzioni rivolte all’esterno anziché all’interno, poiché l’aggiunta di ulteriori livelli di complessità all’interno di un processo potrebbe non portare a risultati migliori.

Nel contesto della gestione della supply chain, Vermorel si oppone all’idea che la previsione dovrebbe essere uno sforzo collaborativo. Confronta questo con l’avere energia elettrica in un edificio, che non viene considerato un lavoro di squadra. Afferma che non c’è motivo per cui la previsione debba essere un processo collaborativo e che le aziende dovrebbero concentrarsi nel trovare soluzioni più semplici ed efficaci alle sfide della supply chain.

Vermorel sottolinea l’importanza di fidarsi di specialisti in vari settori, come l’installazione elettrica o la previsione della supply chain. Fa notare che i metodi di previsione collaborativa sono spesso controproducenti, citando una serie di articoli che dimostrano che l’intervento manuale nelle previsioni può essere dannoso. Questo è dovuto alla scarsa percezione dell’aleatorietà da parte degli esseri umani; mentre gli esseri umani eccellono nell’individuare i pattern, faticano a comprendere l’aleatorietà.

Vermorel sostiene che finché un approccio di previsione collaborativa non può essere dimostrato superiore, non dovrebbe essere fidato. Sottolinea che i ricercatori di punta nel campo, come quelli che partecipano a competizioni di previsione, non utilizzano metodi collaborativi. Vermorel suggerisce che le aziende dovrebbero essere più scettiche nei confronti dei fornitori e delle agenzie di consulenza che promuovono tali metodi di previsione collaborativa, in quanto potrebbero mancare di competenza in questo settore.

Il messaggio principale dell’intervista è che le aziende dovrebbero concentrarsi nell’individuare aree di incompetenza radicale nella gestione della loro supply chain, anziché cercare di migliorare le previsioni attraverso la collaborazione. Vermorel consiglia di utilizzare il valore aggiunto delle previsioni come test per individuare l’incompetenza radicale nei fornitori o nelle agenzie di consulenza che promuovono la previsione collaborativa. Confronta questo con l’individuazione di fornitori che spingono per metodi basati sull’astrologia o sull’intelligenza artificiale senza comprenderne le vere implicazioni.

Vermorel consiglia alle aziende di essere caute quando si tratta di fornitori e agenzie di consulenza nel campo dell’ottimizzazione della supply chain, utilizzando il valore aggiunto delle previsioni come strumento per individuare l’incompetenza. Fidarsi di specialisti e evitare i metodi di previsione collaborativa può portare a una gestione della supply chain più efficace.

Trascrizione completa

Kieran Chandler: Oggi parleremo di quanto bene funziona questo e perché scomporre una previsione può effettivamente portare a decisioni più difficili. Quindi, Joannes, qual è l’idea dietro il valore aggiunto delle previsioni?

Joannes Vermorel: Il valore aggiunto delle previsioni è un processo che è emerso nei primi anni 2000, forse negli anni ‘90. Non ho trovato pubblicazioni precedenti, ma poiché non è un’idea molto complicata, sospetto che fosse già praticata negli anni ‘90, probabilmente con vari nomi e forme. Fondamentalmente, è un processo che mira a migliorare quantitativamente l’accuratezza della previsione identificando se determinati passaggi effettuati durante la composizione del prodotto finale, cioè la previsione, migliorano effettivamente l’accuratezza.

Per illustrare, abbiamo un team di previsione che produce la previsione di base. Poi, il team di marketing interviene e aggiusta questa previsione di base in base alle loro conoscenze di marketing aggiuntive, ad esempio, ciò che intendono fare in termini di campagne. Poi, il team di vendite interviene e aggiunge il proprio livello di correzione a causa delle informazioni aggiuntive sulle vendite che hanno. Poi interviene la produzione, e così via. Torniamo al team di previsione che conclude infine con il piano, ed è fondamentalmente il tipo di cose che vengono fatte come parte del processo SNLP. Il processo del valore aggiunto delle previsioni consiste nel stabilire metriche per il delta introdotto da ogni singolo passaggio del processo di previsione in termini di miglioramento o peggioramento dell’accuratezza e implicitamente, l’idea è rimuovere i contributi che alla fine degradano l’accuratezza delle previsioni.

Kieran Chandler: Quindi perché è sorta questa idea? Perché coinvolgere così tanti attori diversi può sicuramente complicare le cose.

Joannes Vermorel: Sì, in effetti, almeno i primi articoli degli anni 2000 indicano che produrre previsioni con molte persone alla fine fa l’opposto di quanto si intende, ovvero degrada semplicemente l’accuratezza delle previsioni. La loro conclusione è che attenersi alla previsione di base ingenua, che molto spesso è qualcosa come la media mobile più stagionalità, risulta più accurato rispetto a ciò che si ottiene quando si lascia che molte persone diverse modifichino queste previsioni in alto e in basso. Ma la logica dice che dovremmo cercare di filtrare i contributi negativi per mantenere quelli positivi, in modo da poter avere il meglio dei due mondi: l’accuratezza iniziale che viene ulteriormente migliorata grazie ai contributi extra, ma attentamente filtrata attraverso il processo del valore aggiunto delle previsioni.

Kieran Chandler: Quindi come si determina quali team producono i buoni contributi e quali sono i team che producono i cattivi?

Joannes Vermorel: Molto semplicemente, facendo un backtest.

Kieran Chandler: Qual è stata l’accuratezza della previsione di base per l’ultimo trimestre? Qual è stata l’accuratezza della previsione di base più il contributo del team di vendite? E poi abbiamo due diverse previsioni di configurazione: quelle di base e quelle con il primo livello di correzione. Possiamo vedere se abbiamo migliorato l’accuratezza delle previsioni o meno. E poi possiamo ripetere questo esperimento per ogni singolo stadio per confrontarlo con l’accuratezza di ciò che è successo appena prima. Quindi possiamo isolare i risultati essenzialmente.

Joannes Vermorel: È molto simile a un processo di backtest, tranne che aggiungi un livello extra di granularità nell’analisi. Vuoi analizzare e confrontare l’accuratezza rispettiva prima e dopo i cambiamenti, guardando le fasi chiave del processo di previsione. E quando dico fasi chiave, intendo fasi dal punto di vista dell’organizzazione, in cui una previsione viene passata a un team, il team applica correzioni e poi la passa a un altro team. Tutto questo circola all’interno dell’azienda fino a quando non ritorna al team di previsione originale responsabile dell’intero processo di previsione.

Kieran Chandler: Ha un senso logico; stai ottenendo l’esperienza di sempre più persone, quindi probabilmente finirà per essere più accurato. Quindi 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 a guardare la letteratura statistica sulle previsioni, nessun ricercatore scientifico sta effettivamente lavorando con questo tipo di tecniche. Anche se hanno modelli di previsione con più fasi, tutte quelle fasi finiscono per essere integrate in un’unica impostazione algoritmica, quindi un solo software. L’idea che si possa perfezionare una previsione statistica facendola passare da divisione a divisione all’interno dell’azienda è per lo più follia. Se guardiamo alle competizioni di previsione che si svolgono da molto tempo, come quelle organizzate dal professor Makridakis, le persone che hanno vinto quelle competizioni non hanno fatto ricorso a un processo di previsione a più fasi in cui la previsione sarebbe passata da specialista a specialista. Secondo me, è il tipo di cosa che è molto allettante perché rende tutti felici; tutti possono contribuire e crea un senso di emozione positiva.

Joannes Vermorel: In questo processo, sì, ma non è così che funziona. È il tipo di cosa che immagina di avere un campione di scacchi e dire: “Ok, ora cerchiamo di aiutare questo campione facendo votare molte persone per aiutarlo a fare la sua prossima mossa”. La risposta è no, non migliorerà questo campione. È probabile che sia solo una distrazione completa. Se vuoi avere il meglio del meglio, lascialo giocare la partita esattamente come i campioni ritengono opportuno, e basta.

Kieran Chandler: Quindi perché questa idea ha avuto così tanto successo? È perché è qualcosa che rende felici molte persone, quindi si sentono come se stessero contribuendo? Voglio dire, perché le persone hanno sentito parlare del valore aggiunto delle previsioni?

Joannes Vermorel: Credo che sia una sorta di idea molto burocratica che tende ad avere molta attrattiva perché è molto introspettiva. Appena inizi a affrontare i problemi reali, come la gestione del rischio che ti costringe a migliorare la tua pratica verso la previsione probabilistica, diventa super complicato. Il valore aggiunto delle previsioni è banale. Il livello di matematica coinvolto è quello delle scuole medie. È il tipo di cosa che sembra buona e nessuno sarà sfidato intellettualmente dal valore aggiunto delle previsioni. È letteralmente estremamente semplice.

Joannes Vermorel: È molto tentante aggiungere un altro livello di burocrazia nella tua supply chain per permettere alle persone di occuparsi di questo processo che sembra buono e ragionevole. Tutto il mondo sarà impegnato e sarai abbastanza bravo in questo. Come potresti fallire in qualcosa di così semplice e diretto come il valore aggiunto delle previsioni? La realtà è che fallirai nel senso che aggiungerai un ulteriore livello di complessità che molto probabilmente rallenterà tutto, complicherà tutto e confonderà tutto. Ma i tuoi KPI a breve termine saranno un po’ migliori e nessuno ha idea se porteranno qualche dollaro all’azienda. Dal punto di vista super ristretto dei tuoi KPI a breve termine, potrebbe migliorare un po’.

Kieran Chandler: Non c’è un po’ di verità in tutto ciò, però, che se ci concentriamo su aree specifiche principali, potremmo vedere miglioramenti significativi?

Joannes Vermorel: La prima cosa che dobbiamo smontare è che la premessa di questa proposta è completamente sbagliata. La premessa è che la previsione dovrebbe essere uno sforzo collaborativo. Questo non è il caso. La scienza non supporta assolutamente questa proposta e nemmeno tutte le competizioni di previsione che si sono svolte negli ultimi decenni. Gli articoli che sto leggendo non supportano nemmeno questa proposta. Quindi letteralmente abbiamo una premessa completamente sbagliata. La previsione non è migliore quando viene fatta come uno sforzo collaborativo. Pertanto, l’idea di avere tutti a bordo e tutti che contribuiscono è semplicemente sbagliata.

Kieran Chandler: E fondamentalmente, da Lokad, abbiamo effettivamente valutato il contributo delle modifiche manuali sulla previsione e, fondamentalmente, erano sempre sbagliate. Riducevano sempre l’accuratezza della previsione. Tuttavia, per ottenere questo, è necessario avere innanzitutto una mentalità in cui, quando qualcuno vede una previsione statistica profondamente sbagliata, non si desidera regolare manualmente la previsione; si desidera correggere la ricetta numerica sottostante. Suppongo che stiamo parlando di una ricetta numerica ragionevole per la previsione che è stata testata sul campo. Quindi, se ci sono cose ovvie che non sono state correttamente considerate nella previsione, questi problemi sono stati affrontati. Ad esempio, se non si tiene conto delle rotture di stock, si confonderanno le vendite nulle con la mancanza di domanda, il che è completamente sbagliato.

Joannes Vermorel: Sì, è necessario rendere la ricetta numerica consapevole delle rotture di stock. Suppongo che una volta risolti tutti quei problemi che sono più di natura di debug e una volta che il modello è stato testato sul campo e debuggato, abbiamo, da Lokad, su richiesta di molti clienti, effettuato molti benchmark in cui abbiamo analizzato l’accuratezza delle previsioni prima e dopo l’intervento manuale. E ogni singola volta, le modifiche manuali degradavano l’accuratezza della previsione. Si scopre che la mente umana non è molto brava a gestire il rumore statistico. Il rumore statistico non è qualcosa che percepiamo; vediamo modelli ovunque. È effettivamente molto difficile vedere il rumore statistico per quello che è, e quindi, anche metodi statistici semplicistici come la media mobile tendono a superare il giudizio umano, anche se è appena migliore della media mobile, ed è già meglio.

Kieran Chandler: Quindi, ciò che stai sostenendo è questo tipo di campione unico che produrrebbe una previsione. E perché, secondo te, le persone trovano così difficile fidarsi della scienza? Perché è un salto di fede così grande?

Joannes Vermorel: Non è un salto di fede; è il genere di cose che la scienza non ti chiede di credere effettivamente. Si tratta di capire cosa sta succedendo. La domanda è: perché le persone che non sono affatto specialiste dovrebbero essere in grado di affrontare un insieme di dati considerevole e svolgere un compito numerico complesso nella loro testa o con fogli di calcolo casuali meglio delle persone che trascorrono anni cercando di identificare ricette numeriche ragionevoli appositamente per fare questo? Che tipo di magia sarebbe coinvolta? E se le persone dicono di avere intuizioni sul mercato, sì, ma a quale livello di dettaglio? Immaginiamo per un’azienda tipica, hai circa 20.000 SKU, e poi chiedi alle persone del team di vendita - diciamo che ci sono cinque persone - dai loro un foglio di calcolo con 20.000 SKU e chiedi loro di fornire le loro intuizioni.

Kieran Chandler: I tuoi input su se quelle code dovrebbero salire o scendere, quindi il team di vendita non lo sa. Voglio dire, se fai parte del team di vendita, stai gestendo forse mezza dozzina di importanti clienti VIP se sei 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 è che il tuo cliente è un’organizzazione e in questa organizzazione conosci una serie di persone. Questa è la tua granularità in termini di pensiero e analisi. E so che questa organizzazione ha trazione e le persone potrebbero effettivamente essere inclini ad avvicinarsi all’offerta che sto promuovendo o, al contrario, a tirarsi indietro. Ma il dettaglio delle oltre 20.000 SKU, voglio dire, letteralmente non lo sanno, quindi stanno solo indovinando qualcosa e fingendo che il lavoro sia fatto.

Joannes Vermorel: Questa è l’illusione. Il problema è che se hai intuizioni importanti, perché non rivedere esplicitamente la ricetta numerica in modo che possa utilizzare quegli elementi extra come input? Il lavoro verrà fatto con molto meno sforzo e molta più precisione.

Kieran Chandler: Quindi diresti che questo è un problema che ancora esiste o diresti che le persone stanno arrivando a questa idea che non è solo una singola persona responsabile della previsione?

Joannes Vermorel: La valutazione delle previsioni ha avuto una rinascita di popolarità negli ultimi anni. Molti consulenti e persino alcuni fornitori di software piuttosto fuorvianti stanno ora spingendo per questa metodologia. Ad essere onesti, per fornitori come Lokad, ci sono tonnellate di soldi da guadagnare. È il tipo di cosa che sarà una distrazione completa. 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 evidente che potrebbe accadere. Quindi, non puoi mai fallire. Questo è molto buono. La distrazione è una missione in cui non puoi fallire.

Puoi passare settimane o mesi generando un’intera parete di metriche da tutto ciò, che ti dà un’altra dimensione, in modo che tutto ciò che facevi prima, puoi aggiungere una dimensione extra, che è come ogni singola cosa che stai già facendo beneficia o viene danneggiata da ogni singola fase del processo. Voglio dire, stai rendendo il problema quadraticamente più complesso, non più complicato perché è molto semplice, è solo una dimensione extra, ma lo stai rendendo molto più complesso. Se hai un’azienda grande con dieci diverse fasi, hai letteralmente dieci volte più metriche per ogni singola cosa che stavi misurando prima. E quindi, puoi addebitare di conseguenza. Puoi addebitare per gli aggiornamenti, le tariffe di consulenza, qualsiasi cosa.

Kieran Chandler: Quindi come puoi differenziare tra i consulenti che stanno effettivamente fornendo valore e quei consulenti che stanno solo producendo 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 stai solo facendo lavoro inutile e mantenendo occupata la burocrazia?

Joannes Vermorel: Come test di verifica, ho menzionato in precedenza quando si discuteva del nucleo burocratico della supply chain, se stai guardando verso l’interno o verso l’esterno. In questo caso, è molto l’archetipo di guardare verso l’interno. Se prendi un processo di previsione esistente, decomponi le parti interne e aggiungi un’altra dimensione di complessità al suo interno per migliorarlo, non funziona così nel mondo reale. Non ottieni qualcosa di migliore in termini di organizzazione guardando verso l’interno e aggiungendo strati extra di artefatti. Non c’è alcun valore aggiunto ottenuto con questa astrazione. L’idea semplice dovrebbe essere quella di rimuovere la premessa che la previsione dovrebbe essere uno sforzo collaborativo; non c’è motivo per cui debba esserlo.

Ci sono molte cose, come avere energia elettrica nel tuo edificio, che non sono un’attività di squadra. Non penseresti che tutti debbano essere d’accordo per avere energia elettrica nell’edificio. È ovvio che se vuoi un’impianto elettrico decente, ti fidi di specialisti che faranno il lavoro e si assicureranno che il tuo edificio non bruci a causa di un’impianto elettrico non sicuro. L’idea che si possa avere un’impianto elettrico migliore con uno sforzo di squadra è assurda e si scopre che la stessa cosa è vera per la previsione.

Quando dico “credere nella scienza”, intendo che ci sono una serie di studi che dimostrano che l’intervento manuale sulle previsioni è dannoso. Questi studi risalgono a circa 20 anni fa e i loro risultati non sono sorprendenti perché esiste un intero campo della psicologia che testa gli esseri umani per la loro percezione della casualità. Si scopre che la mente umana è terribile nel comprendere la casualità. Siamo molto bravi nel individuare schemi, ma non nel comprendere la casualità stessa.

Kieran Chandler: Quindi, credo che abbiamo una buona ragione per dire che, finché non puoi dimostrare che una previsione collaborativa è superiore, non dovremmo fidarci di te. E quando vediamo che abbiamo una competizione in cui tutti coloro che vincono, sai, arrivano alla top 100, non utilizzano alcun tipo di metodo collaborativo e che i principali ricercatori in questo campo come Foreman non lo utilizzano nemmeno, e puoi leggere il loro libro da cima a fondo, non troverai nulla che assomigli a quello. È abbastanza ragionevole presumere che sia una completa sciocchezza. Ci sono molte cose che sembrano molto buone, sembrano molto ragionevoli, ma che sono completamente sbagliate, e proprio come, sai, se guardi intorno, la Terra è piatta.

Joannes Vermorel: Se riassumiamo oggi, il messaggio principale è molto più radicale. Devi identificare, se vuoi migliorare la tua supply chain, i punti di incompetenza radicale, persone che non hanno assolutamente idea di cosa stanno facendo, letteralmente Bozo il Clown. In ambito aziendale, queste persone possono avere, sai, un’aria di serietà e così via. Il valore aggiunto delle previsioni dovrebbe essere considerato come un test diagnostico per individuare l’incompetenza radicale. Quindi, se un fornitore di previsioni sta spingendo questo sul suo sito web, scarta completamente questo fornitore come incompetente. Se un’agenzia di consulenza sta spingendo per questo, puoi scartarla come completamente incompetente. Questo è il tipo di cosa che è buona perché è un po’ come la blockchain o l’intelligenza artificiale, sai, è lo stesso tipo di test in cui se stanno spingendo per l’intelligenza artificiale, ok, non hanno assolutamente idea di cosa stanno facendo. Possiamo scartarli, passare al prossimo. Immagina solo se un fornitore stesse effettivamente spingendo per un metodo che si basa sull’astrologia, diresti, ok, queste persone non sono credibili, sei fuori. Non voglio nemmeno sentire le tue ragioni. So che c’è una probabilità del 99,9% che tu sia una completa truffa. Beh, è una cosa buona. Il valore aggiunto delle previsioni ti dà un test diagnostico per scartare un’azienda o consulenze che si sono dimostrate completamente incompetenti. Quindi sii grato e usalo come filtro.

Kieran Chandler: Ok, devo concludere qui, ma ci sono alcune aziende da scartare dalla lista. Quindi è tutto per questa settimana. Grazie mille per averci seguito e ci vediamo nella prossima puntata. Grazie per la visione.