00:00:07 Introduzione di Warren Powell e del tema del giorno.
00:00:36 Il background di Warren e il suo lavoro a Princeton e Casa Labs.
00:02:00 L’argomento della discussione - l’incertezza nella gestione delle supply chain.
00:03:05 Confronto tra il trasporto su camion e la gestione delle supply chain.
00:06:00 Il concetto di decisione sequenziale nella gestione delle supply chain.
00:09:01 KPI, indicatori chiave di prestazione, e l’esecuzione di simulazioni in una supply chain.
00:10:00 La necessità di una regola decisionale per eseguire simulazioni e valutare la performance aziendale.
00:11:51 Utilizzare le simulazioni per determinare la decisione migliore per un’azienda.
00:13:03 La dualità tra la previsione probabilistica e un modello generativo.
00:15:17 La sfida di implementare queste idee sul campo, la difficoltà del reinforcement learning e il potenziale del deep learning.
00:18:00 Discussione sulla necessità di abbracciare la complessità e costruire algoritmi di machine learning in grado di prendere decisioni basate su policy.
00:18:26 Spiegazione di come anche gli esseri umani utilizzino policy per prendere decisioni.
00:19:37 Importanza delle simulazioni al computer per la gestione delle supply chain e il loro ruolo insostituibile.
00:22:17 Spiegazione delle quattro classi fondamentali di metodi per prendere decisioni.
00:24:00 Critica ai metodi di previsione attuali utilizzati dai grandi brand della moda e la necessità di considerare cannibalizzazione e sostituzione.
00:26:01 Discussione sull’impatto degli sconti e delle vendite sul comportamento dei consumatori e su come ciò influisca sulle aziende.
00:27:08 Confronto tra l’utilizzo di modelli matematici e l’istinto per prendere decisioni aziendali.
00:29:44 Spiegazione dell’importanza della fiducia nelle previsioni basate su policy.
00:30:32 Spiegazione della necessità di avere persone esperte per comprendere il problema e per esaminare le metriche corrette.
33:37 Riflessioni finali sul futuro della gestione delle supply chain e la necessità di strumenti e ingegneri della supply chain.
Riassunto
L’intervista tra Joannes Vermorel, fondatore di Lokad, e Warren Powell, professore alla Princeton University e co-fondatore di Optimal Dynamics, approfondisce le complessità e le incertezze della supply chain management e del decision-making. Gli esperti condividono le loro esperienze nel settore e offrono spunti su come affrontare queste complessità attraverso la modellazione matematica e le simulazioni. Sottolineano l’importanza delle policy e delle simulazioni per prendere decisioni strategiche, tattiche e operative nella gestione delle supply chain, evidenziando i limiti dei metodi tradizionali di forecasting. L’intervista si conclude con una discussione sul futuro dei metodi basati su policy nella gestione delle supply chain e sulla necessità di ingegneri della supply chain qualificati.
Riassunto Esteso
Nell’intervista, Kieran Chandler conduce una discussione tra Joannes Vermorel, fondatore di Lokad, e Warren Powell, professore alla Princeton University e co-fondatore di Optimal Dynamics. Affrontano le complessità e le incertezze legate alla gestione delle supply chain e al decision-making.
Warren Powell condivide la sua esperienza nel settore, avendo fondato Castle Labs, una collaborazione unica tra università e industria che affronta problemi reali. Discute di come il suo primo lavoro nel trasporto su camion trucking lo abbia esposto alle sfide della pianificazione in presenza di fattori incerti.
Joannes Vermorel approfondisce il problema centrale del decision-making sequenziale nelle supply chain, dove le decisioni attuali sono fortemente influenzate da quelle future. Egli paragona questo processo a una partita a scacchi, in cui ogni mossa deve essere considerata nel contesto delle mosse successive. Vermorel riconosce che la modellizzazione matematica di questi problemi può essere complessa e sconcertante.
Warren Powell spiega che misurare l’efficacia del decision-making nelle supply chain comporta l’utilizzo di indicatori chiave di prestazione (KPIs) per valutare l’impatto delle decisioni sui costi e sulla produttività. Suggerisce che le simulazioni possano aiutare a navigare nella natura incerta e disordinata della gestione delle supply chain, dato che i modelli deterministici potrebbero non fornire soluzioni accurate.
L’intervista esplora le sfide di gestire le incertezze e di prendere decisioni efficaci nelle supply chain, dove ogni decisione è interconnessa con quelle future. Gli esperti discutono le loro esperienze nel settore e offrono spunti su come affrontare queste complessità attraverso la modellazione matematica e le simulazioni.
La conversazione inizia con un confronto tra l’ottimizzazione della supply chain e una partita a scacchi contro un avversario imprevedibile, suggerendo che l’uso delle simulazioni possa aiutare a prendere decisioni migliori. Powell ha spiegato che le policy o regole decisionali possono essere utilizzate insieme alle simulazioni per valutare rapidamente la performance aziendale usando diverse metriche.
Vermorel ha concordato, sottolineando l’importanza della previsione probabilistica e dei modelli generativi, che possono entrambi essere utilizzati per l’ottimizzazione della supply chain. Ha discusso della dualità tra questi due approcci e ha evidenziato che la scelta tra essi dipende dal problema specifico da affrontare.
Sia Vermorel che Powell hanno concordato sull’importanza di utilizzare policy in combinazione con le simulazioni per ottimizzare supply chain decisioni. Le policy sono regole astratte che possono avere parametri da apprendere e applicare. Vermorel ha osservato la difficoltà di applicare questi concetti in situazioni reali, poiché decenni di ricerca hanno portato a risultati numerici limitati.
Vermorel ha inoltre sottolineato che le recenti scoperte nel deep learning e nei metodi di ottimizzazione, come il gradient descent stocastico, hanno migliorato l’applicabilità del decision-making basato su policy in ambienti complessi. Queste tecniche funzionano bene in ambienti rumorosi e con un gran numero di variabili, rendendole adatte a problemi di ottimizzazione della supply chain nel mondo reale.
Powell ha menzionato che anche gli esseri umani utilizzano policy o metodi quando prendono decisioni e che esistono quattro classi fondamentali di metodi per il decision-making. Ha citato l’esempio di Google Maps come policy di previsione, che potrebbe essere utile nel contesto delle supply chain lunghe.
Powell sottolinea la necessità di simulazioni per prendere decisioni strategiche, tattiche e operative nella gestione delle supply chain. A causa dei lunghi periodi temporali e della complessità delle supply chain, il metodo di prova ed errore non è fattibile per testare le idee. Le simulazioni, pur imperfette, offrono un’alternativa migliore. Egli evidenzia l’importanza di comprendere le decisioni prese, le metriche di valutazione, le fonti di incertezza e il processo decisionale.
Vermorel, tuttavia, gioca al diavolo, sollevando preoccupazioni riguardo alla credibilità dei metodi numerici. Concorda sul fatto che le simulazioni siano più efficaci rispetto a interminabili riunioni, ma sottolinea che molti modelli matematici sofisticati possono risultare contestualmente ingenui. Cita l’industria della moda come esempio, dove le previsioni puntuali spesso ignorano fattori cruciali come la cannibalizzazione e la sostituzione. Sottolinea che l’istinto è di solito più accurato quando si affrontano modelli ingenui.
Vermorel sostiene inoltre che i manager dovrebbero adottare un approccio più empatico alla modellizzazione, considerando le euristiche e abbracciando il problema. Nel frattempo, Powell riconosce che una modellizzazione sottile è essenziale per il successo, poiché modelli troppo semplicistici possono trascurare fattori importanti, portando a errori potenzialmente significativi.
Sia Vermorel che Powell concordano sul fatto che, sebbene le simulazioni al computer e i modelli avanzati siano fondamentali per l’ottimizzazione della supply chain, è altrettanto importante avere una profonda comprensione del problema e sviluppare modelli che riflettano accuratamente le complessità della supply chain reale.
La discussione ruota attorno ai limiti delle previsioni puntuali e ai vantaggi dei metodi di previsione basati su policy.
I partecipanti sostengono che i metodi di previsione tradizionali, che si basano fortemente sull’istinto e non tengono conto della moltitudine di variabili, portano spesso a un eccesso o a una carenza di inventario. Le previsioni puntuali tendono a produrre inventari molto esigui, cosa che hanno imparato non essere ottimale. Invece, suggeriscono che essere realistici, intelligenti e porre le domande giuste porterà a decisioni migliori.
La sfida di far sì che le persone si fidino e visualizzino i benefici delle previsioni basate su policy viene anch’essa discussa. Nell’industria del trasporto merci, le previsioni probabilistiche vengono utilizzate per simulare vari scenari, che vengono poi valutati in base agli Indicatori Chiave di Prestazione (KPI) per determinare se sembrino ragionevoli. Questo processo aiuta a costruire fiducia nel metodo.
Sia Vermorel che Powell sottolineano l’importanza di avere ingegneri della supply chain che possiedano una conoscenza approfondita del problema e competenze di programmazione. Concordano sul fatto che l’approccio migliore sia utilizzare una moltitudine di metriche per identificare aree in cui le decisioni potrebbero essere errate, onerose o inefficaci. È importante concentrarsi sugli outlier, poiché spesso possono avere conseguenze significative.
Affrontano i limiti del costo medio e delle previsioni puntuali, evidenziando la necessità di ingegneri della supply chain anziché supply chain scientist o ingegneri del software. Credono che i metodi basati su policy, che tengono conto dell’incertezza e del rischio, guideranno il futuro della gestione delle supply chain, supportati da capacità informatiche sempre più avanzate.
L’intervista si conclude con una discussione sul futuro dei metodi basati su policy nella gestione delle supply chain. Powell è convinto che le previsioni puntuali diventeranno obsolete, poiché non rappresentano accuratamente la realtà. I progressi nella tecnologia informatica e la crescente capacità di gestire l’incertezza renderanno i metodi di previsione basati su policy più efficaci e diffusi.
L’intervista evidenzia i limiti dei metodi tradizionali di previsione e sottolinea i vantaggi delle previsioni basate su policy, pur ribadendo l’importanza di avere ingegneri della supply chain qualificati e di utilizzare una varietà di metriche per una presa decisionale efficace.
Trascrizione Completa
Kieran Chandler: Oggi su Lokad TV, siamo lieti di avere con noi Warren Powell, che discuterà con noi la differenza tra previsioni basate su policy e previsioni puntuali e come queste possano essere utilizzate per ottimizzare quelle decisioni paradossali. Quindi Warren, grazie mille per essere con noi in diretta dagli Stati Uniti oggi, e come sempre, ci piace iniziare imparando qualcosa in più sui nostri ospiti. Quindi forse potresti iniziare raccontandoci qualcosa su di te.
Warren Powell: Beh, innanzitutto, grazie per avermi invitato in programma. Mi sono veramente divertito in quello che faccio e apprezzo l’opportunità di parlarne. Ho insegnato a Princeton per 39 anni, e circa 30 anni fa, ho fondato questo laboratorio chiamato Castle Labs. Stavo svolgendo molto lavoro con l’industria e ho iniziato nel trasporto merci. Ora, gli accademici ricevono molti soldi dai governi e così via, ma la nostra principale fonte di finanziamento proveniva dall’industria. Ho inoltre notato che una delle debolezze dei finanziamenti governativi era che non avevano dati; in realtà non avevano un problema. Così ho sviluppato questa collaborazione unica tra università e industria attraverso Castle Labs, lavorando con l’industria e affrontando i loro problemi. C’era un interesse iniziale nell’utilizzare i computer per aiutare a gestire le aziende in modo più efficiente, per cui il laboratorio ha avuto molto successo, è cresciuto rapidamente, e sono stato fortunato a ottenere un gran numero di studenti. Credo di aver fatto diplomare circa 60 laureati e post-dottorandi, e li indico come la principale fonte, credo, abbiamo scritto circa 250 pubblicazioni. Questo è in gran parte il lavoro degli studenti. Ho avviato tre società di consulenza, l’ultima è Optimal Dynamics con cui sono ancora coinvolto. In effetti, mi sono ritirato lo scorso anno per dedicarmi a tempo pieno a Optimal Dynamics. È un’opportunità molto entusiasmante.
Kieran Chandler: Suona alla grande, e oggi il nostro argomento riguarda l’ottimizzazione di quelle decisioni che prendi all’interno di una supply chain. Forse potresti iniziare raccontandoci quali sono le tipologie di incertezza che si possono osservare nella gestione delle supply chain?
Warren Powell: Beh, devo aggiungere un altro pezzo di contesto, ovvero che i miei primissimi progetti riguardavano il trasporto merci su camion, e l’introduzione in questo campo è venuta da una grande azienda chiamata Schneider National. Avevano già modelli computerizzati che pianificavano in maniera deterministica il futuro, e dicevano: “Guardate, il trasporto merci su camion non è deterministico. Non sappiamo cosa succederà domani. Non sappiamo cosa succederà oggi.” E ho constatato che la comunità accademica non aveva ancora appreso come modellare davvero questi problemi e risolverli con i computer. Così sono passato a chiedermi: “Ok, come possiamo anche solo pensare a questo problema?” perché la comunità accademica non lo aveva veramente risolto.
Poiché sono passato dal trasporto su camion a carico completo, che è grande e complicato, alla gestione della supply chain, ho scoperto che quest’ultima non è per niente così complicata come la supply chain. Con i vettori di trasporto a carico completo, il problema principale è se il mittente chiamerà per un carico o meno, quanti carichi devo muovere, e poi ci sono alcune altre fonti di incertezza, come se l’autista si presenti e se rimanga bloccato nel traffico. Non è minimamente allo stesso livello della supply chain. Quindi, nella supply chain, ci si immerge, mentre nel trasporto su camion a carico completo potresti prendere decisioni con circa una settimana di anticipo.
Kieran Chandler: A due giorni nel futuro, nella maggior parte dei casi tendono ad essere tre o quattro giorni. Le supply chain possono estendersi per 100, 150 giorni. Ordinare prodotti dalla Cina può richiedere diversi mesi. In quei mesi possono verificarsi eventi importanti, forti tempeste, problemi politici, difficoltà lavorative e scarsità di commodity. Gran parte di ciò sta realmente accadendo a noi oggi. Il fornitore affronta molta incertezza in termini di quanto tempo impiega il produttore in Cina per realizzare il prodotto richiesto. Potrebbe dover avviare una linea di produzione e organizzare i propri pezzi e forniture. Poi, lo carichi sulla nave cargo, e la nave cargo può impiegare 30 giorni, ma potrebbe impiegare 35 o 36 a seconda delle tempeste e del tempo. Possono verificarsi ritardi portuali. Quando il prodotto viene sbarcato, ci sono le operazioni di scarico. Devi caricarlo su una ferrovia o su un camion. Poi, quando finalmente arriva, devi controllarlo e verificare se la qualità è buona. Insomma, è solo una serie di diverse forme di incertezza.
Kieran Chandler: Sì, e Joannes, è proprio di questo che parleremo con un po’ più di dettaglio oggi. Quello di cui Warren stava parlando è l’ampia variazione nelle tempistiche. Perché è interessante? Cosa significano quelle differenze nelle tempistiche da un punto di vista, magari, più tecnico?
Joannes Vermorel: Credo che il lavoro di Warren sia molto interessante, ma forse per un aspetto leggermente diverso, cioè il processo decisionale sequenziale. Le incertezze sono in parte una questione tecnica, ma il nocciolo del problema è iniziare a pensare a quelle decisioni sequenziali che prendi una dopo l’altra. Il trucco è che il futuro sta plasmando il passato, cosa che sembra un po’ sbagliata. La decisione che vuoi ottimizzare ora dipende, in realtà, da quella che prenderai più tardi. Se la decisione che stai prendendo in questo momento è buona o meno, dipende in gran parte dalla decisione che verrà presa in seguito.
Joannes Vermorel: Per chiarire questo tipo di situazione, supponiamo che tu stia ordinando da un fornitore estero con una quantità minima d’ordine (MOQ) e ordini tonnellate di prodotti da questo fornitore, finendo per raggiungere un container completo. Ora, il punto è che stai effettuando un ordine, e il container potrebbe contenere centinaia di prodotti diversi. È un buon ordine? Beh, dipende. Dipende da quando effettivamente passerai l’ordine per i container successivi. Vedi, se esaurisci un prodotto pochi giorni dopo aver ordinato il container, potresti avere un esaurimento delle scorte per quel prodotto. Puoi effettivamente effettuare un altro ordine dal tuo fornitore? No, non proprio, perché quel prodotto da solo rappresenta solo una piccola frazione dell’intero container. Quindi sei bloccato. Sei costretto ad accettare il fatto di aver ordinato un intero container e devi aspettare fino a quando non avrai una capacità d’ordine che sia conveniente, compatibile con l’ordinare nuovamente un container completo.
Kieran Chandler: E così, la decisione che stai per prendere, è quella giusta? Dipende da quando prenderai la tua prossima decisione. La realtà nella supply chain e in molti altri ambiti è che, quando inizi a riflettere su cosa significhi davvero prendere una buona decisione, essa deve essere in armonia con quella che verrà presa in seguito. Proprio come nel gioco degli scacchi, non si tratta di aver fatto la mossa corretta in quel preciso istante. Ha senso dire che questa è una buona mossa solo in relazione a tutte le altre mosse che seguiranno. Ed ecco che la questione diventa improvvisamente molto difficile da affrontare matematicamente, perché pensi: “Ok, ho una decisione, e posso considerare che ho diverse quantità tra cui scegliere.” Ma poi si instaura una sorta di prospettiva ricorsiva in cui devi considerare tutte le decisioni future ancora da prendere, e ti chiedi: “Voglio ottimizzare questa decisione che non ho ancora preso, la mia decisione, eppure devo tener conto anche delle decisioni future che non sono ancora state prese.” Vedi, si crea un problema del tipo “pollo e uovo”, e matematicamente diventa difficile e sconcertante. Penso che parte del lavoro di Warren Powell sia stata quella di consolidare un corpus di framework matematici e approcci, in modo da poter iniziare a pensare numericamente a quei problemi in maniera coerente. Mi piace davvero quell’analogia, paragonandola agli scacchi, fortemente dipendente da ciò che l’altra parte potrebbe fare e da cos’altro succede nel mondo.
Warren Powell: Beh, tutte le aziende hanno dei modi per misurare le prestazioni. Li chiamano KPI, gli indici chiave di prestazione. Quindi hanno tutte le loro metriche riguardanti i costi, la produttività. Le aziende hanno dozzine e dozzine, a volte centinaia, di queste metriche. Usi queste stesse metriche. Quello che tendiamo a fare è eseguire simulazioni. Sarebbe bello se avessimo un mondo deterministico. Immagina Google Maps, dove, in un certo senso, fingiamo di conoscere tutti i tempi di percorrenza, così da vedere l’intero percorso verso la destinazione. Le supply chain sono troppo disordinate. Si estendono troppo e ci sono troppe variabili casuali in gioco, quindi non esiste un percorso unico; ce ne sono molti. Quindi, anziché guardare al futuro e pensare di sapere esattamente cosa succederà, l’analogia con gli scacchi è valida. Ma se stai giocando contro un esperto di scacchi, tende ad essere molto prevedibile. Immagina che stia giocando contro un giocatore meno esperto. È un po’ più casuale perché il comportamento è imprevedibile. Il problema diventa in realtà molto più complicato. Ma per semplificare, immagina che il computer possa semplicemente eseguire simulazioni. Man mano che ci proiettiamo nel futuro, ho bisogno di avere una regola, o come mi piace chiamarla, una policy, un metodo per prendere una decisione che mi indichi quale scelta farò indipendentemente da ciò che accade. Così posso eseguire queste simulazioni, e ogni volta che arrivo a un punto, ad esempio a un mese di distanza, e devo prendere una decisione, dispongo di una regola. I computer possono eseguire queste simulazioni molto rapidamente. Possiamo lanciare 100 scenari differenti del futuro in parallelo.
Kieran Chandler: Iniziamo con come un’azienda possa utilizzare le metriche per valutare le proprie prestazioni. Quando si tratta di prendere decisioni, come ad esempio se effettuare un ordine e di quanto debba essere quest’ordine, come possono le aziende simulare queste decisioni e i loro potenziali risultati?
Warren Powell: Per prendere queste decisioni, le aziende possono utilizzare simulatori per analizzare le metriche e determinare la scelta migliore per il momento presente. Possiamo usare una regola per prendere una decisione adesso, ma dobbiamo anche utilizzare simulatori per affinare quella regola e assicurarci che funzioni al meglio, considerando non solo il presente ma anche il futuro. Per problemi più semplici, come il controllo delle scorte, una semplice policy di ordinazione fino a un certo livello può funzionare abbastanza bene. Tuttavia, per problemi più complessi, come quando ordinare un carico dalla Cina che arriverà tra 90 giorni, la decisione deve tener conto di fattori come gli ordini precedenti, eventi noti come gli uragani e altri fattori sconosciuti. Possiamo simulare questi scenari e valutare le scelte sulla base delle migliori metriche per il futuro. Fondamentalmente, si tratta di simulare e gestire la tua azienda nel modo in cui normalmente faresti, e valutarla di conseguenza.
Kieran Chandler: Johannes, quali sono le tue opinioni su questo approccio basato sulle policy? La simulazione funziona davvero ai tuoi occhi?
Joannes Vermorel: Sì, concordo pienamente che la simulazione funzioni. Quando si tratta di previsioni, l’approccio moderno è quello di pensare alle previsioni probabilistiche. Esiste una dualità tra le previsioni probabilistiche e i modelli generativi. Le previsioni probabilistiche ti forniscono le probabilità di certi futuri, che possono essere campionate per ottenere esempi di possibili scenari futuri. I modelli generativi, invece, generano futuri che, mediati, ti danno le probabilità del tuo modello olistico. Fondamentalmente, questi modelli rappresentano due modi differenti di osservare la stessa cosa. La scelta tra i due è più una questione di tecnicismi e di ciò che è più appropriato per la risoluzione numerica del tuo problema.
Warren Powell: Esatto, e l’essenza fondamentale del trucco matematico per ottimizzare le decisioni sequenziali è disaccoppiare le decisioni di oggi da quelle di domani. Invece di concentrarci sulla decisione in sé, dobbiamo imparare il meccanismo decisionale. Questo meccanismo può avere molti parametri che possono essere ottimizzati.
Kieran Chandler: Joannes, potresti spiegare come le policy possano essere affinate e qual è il loro ruolo nell’ottimizzazione della supply chain?
Joannes Vermorel: Una policy è fondamentalmente una regola astratta con parametri che possono essere appresi in un modo o nell’altro. L’idea è quella di confrontare le policy che generano le decisioni. Per fare ciò, serve un modello generativo, tipicamente derivato da una previsione probabilistica o altri metodi.
Kieran Chandler: In che modo considerare la simulazione come una previsione probabilistica aiuta a valutare l’accuratezza di una policy?
Joannes Vermorel: È interessante considerare la simulazione come una previsione probabilistica perché ti permette di valutare l’accuratezza. Quando la gente dice che fa simulazioni, la grande domanda è se la simulazione fornisca una rappresentazione accurata del futuro. Per rispondere a questa domanda, è necessario adottare la prospettiva delle previsioni probabilistiche, in modo da poter verificare se il tuo simulatore offre una rappresentazione accurata dei possibili futuri per la tua azienda.
Kieran Chandler: Puoi approfondire le sfide legate all’implementazione di queste policy sul campo e i progressi compiuti nell’informatica per superare tali difficoltà?
Joannes Vermorel: Il problema diventa soprattutto una questione di praticità quando si tratta di implementare queste idee sul campo. L’apprendimento delle policy è stato un problema estremamente difficile da affrontare da un punto di vista numerico. Le tecniche tradizionali di reinforcement learning hanno avuto successo solo in contesti sperimentali, ma hanno incontrato difficoltà con problemi che coinvolgono migliaia o milioni di variabili.
Uno degli effetti collaterali della svolta del deep learning è stato lo sviluppo di metodi di ottimizzazione matematica migliori, come la discesa del gradiente stocastica, che funziona bene in ambienti rumorosi con variabili di trasferimento. Questi metodi non sono stati specificamente progettati per i processi decisionali basati sulle policy, ma i progressi nell’informatica li hanno resi altamente applicabili all’ottimizzazione delle policy in contesti reali e complessi. Ciò include situazioni in cui le simulazioni coinvolgono migliaia o addirittura centinaia di migliaia di unità di mantenimento delle scorte (SKU) e si estendono per centinaia di giorni.
Kieran Chandler: Abbiamo mezza dozzina di incertezze intrecciate: l’incertezza della domanda, il lead time, il prezzo delle commodity, la cannibalizzazione, le mosse dei concorrenti. Non sono molto complesse, ma sono tutte intrecciate. Quindi, devi essere in grado di abbracciare questo tipo di complessità ambientale affinché il tuo simulatore non sia troppo ingenuo riguardo ai possibili futuri. Warren, saresti d’accordo? Voglio dire, come procederesti per costruire quegli algoritmi di machine learning per prendere decisioni basate su policy?
Warren Powell: Beh, prima di tutto, ricordiamoci che anche gli esseri umani usano policy. Ogni volta che si prende una decisione, si utilizza un metodo. Chiamiamolo policy, ma è un metodo. Tutti usano un metodo, quindi non è nulla di nuovo. Quello che ho fatto è dire che esistono quattro classi fondamentali di metodi. L’ordinazione fino a un certo livello è una delle quattro classi; si chiama valutazione della funzione di policy.
Prendiamo Google Maps come esempio; quella è una policy di previsione. Nella pianificazione dell’inventario, le persone tendono a utilizzare questa semplice valutazione della funzione di policy: quando l’ordine scende al di sotto di un certo livello, si ordina fino a un determinato livello. Quando hai queste supply chain lunghe, devi davvero pensare al futuro. Quella è una previsione diretta, quindi ora abbiamo coperto due delle quattro classi.
Queste quattro classi articolano semplicemente ciò che stiamo già facendo. Ora, per capire qual è la classe migliore, devi simulare e vedere come funziona nel tempo. In una compagnia di trasporti su camion, potrei avere un’idea, testarla per qualche settimana e vedere se funziona. Non puoi fare lo stesso con le supply chain; ci vuole quasi un anno per capire se qualcosa funzionerà. I tempi sono semplicemente troppo lunghi, ed è per questo che le simulazioni al computer sono quasi insostituibili.
Senze un computer, saresti solo un gruppo di persone sedute attorno a un tavolo a discutere e a dire, “Oh, beh, penso che questo sia meglio,” mentre qualcun altro sostiene che questo sia migliore. Questo è ciò che si vede oggi nel mondo della supply chain – tante persone che chiacchierano e si confrontano, ma nessuno ha alcuna prova. Ho trascorso la mia carriera a Castle Labs costruendo simulatori per la pianificazione strategica, la pianificazione tattica e simulatori per guardare al futuro, per aiutarmi a decidere se ho preso la decisione giusta in questo momento.
Senza simulazioni, cos’altro faresti? Potrei provare un’idea, aspettare tre mesi, provare un’idea diversa, aspettare altri tre mesi, ma ovviamente i successivi tre mesi non hanno nulla a che fare con i primi tre mesi. Non vedo alcun modo per evitare di ricorrere a un computer che dica, “Ecco un metodo per prendere decisioni, ecco un modo molto diverso o leggermente diverso, un altro metodo per prendere decisioni. Quale sembra funzionare?” Esegui le tue simulazioni. Le simulazioni non sono mai perfette, ma cos’altro potrebbe essere migliore? Fammi un esempio di qualcosa di migliore.
Il processo è in realtà molto semplice da comprendere. Una delle cose più difficili che riscontro nella supply chain è chiedere a un professionista della supply chain quali decisioni stia prendendo. Non posso credere a quante persone ti guardino con uno sguardo vuoto e dicano, “Beh, non ci avevo mai pensato in quel modo.” La supply chain non riguarda solo l’ordinazione dell’inventario; ci sono molte altre decisioni coinvolte.
Kieran Chandler: Allora, quali sono le tue metriche? Non si tratta di una sola; ce ne sono un sacco. E quali sono le tue fonti di incertezza? Possiamo avere una lunga discussione a riguardo, ma non le elencherai tutte. Mi dispiace, queste grandi supply chains di cui parli implicano incertezze globali. Chi avrebbe potuto anticipare che una nave si sarebbe incagliata nel Canale di Suez o la pandemia di COVID? Ma ci sono molte cose rumorose che puoi prevedere, e dobbiamo essere consapevoli del fatto che queste cose accadono. Quindi, una volta che hai le decisioni da prendere, il modo in cui vieni valutato e le incertezze, ora rimane solo il come prendere la decisione. E indovinate un po’, ci sono quattro classi di politiche, che vanno dall’ordine più semplice fino alla più complicata previsione completa. Puoi guardare avanti in modo deterministico, come Google Maps, oppure con incertezza.
Warren Powell: Quando parlo con le persone nel mondo degli affari e usano la parola “forecast”, ho la sensazione che ogni volta che la sentano, intendano una previsione puntuale. Ciò che mi è piaciuto di questo show è che non devo avere quella discussione con voi; comprendete perfettamente la necessità di pensare in modo stocastico. Devi considerare l’incertezza della tua previsione, il che significa che devi pensare a regole per prendere decisioni piuttosto che alla decisione stessa. E tutto è molto semplice. Sì, abbiamo bisogno del computer. Se non intendi usarne uno, dimmi cosa hai intenzione di fare. Se hai un’idea migliore, non riesco a capirla.
Kieran Chandler: Johannes, quanta fiducia possiamo avere in questi approcci basati su politiche? Quanto sono solide queste modellizzazioni matematiche?
Joannes Vermorel: Innanzitutto, sarei d’accordo che l’alternativa di avere riunioni infinite di S&OP non sia molto produttiva. Tuttavia, uno dei problemi, e credo sia una critica valida nei confronti dei metodi numerici, è che, come disse Russell Ackoff quasi 40 anni fa, abbiamo metodi che possono essere matematicamente molto sofisticati ma contestualmente incredibilmente ingenui. Quindi, il problema è che dobbiamo iniziare a riflettere su quanta credibilità possiamo avere in quelle proiezioni del futuro. La realtà è che ci sono molti metodi popolari ancora ampiamente usati nelle grandi supply chains che sono una completa spazzatura. Capisco la posizione di un manager che guarda a una simulazione al computer sofisticata che potrebbe essere molto elaborata, ma che perde completamente il punto e si basa su congetture. Per fare un esempio più concreto, direi che probabilmente quasi ogni grande marchio di moda al giorno d’oggi fa previsioni, per lo più previsioni puntuali. Quindi, prendi i tuoi prodotti e cerchi di avere previsioni settimanali della domanda. Tuttavia, stimo che circa lo 0% di quei marchi di moda tenga effettivamente in considerazione la cannibalizzazione e la sostituzione.
Kieran Chandler: Benvenuti a tutti alla nostra intervista di oggi. Abbiamo con noi due ospiti, Joannes Vermorel, il fondatore di Lokad, una software company specializzata in supply chain optimization, e Warren Powell, Professore alla Princeton University, cofondatore e Chief Analytics Officer di Optimal Dynamics. Grazie a entrambi per essere qui. Iniziamo la discussione.
Joannes Vermorel: Quando si tratta di scegliere un prodotto da acquistare, spesso ci si affida semplicemente a un presentimento e si sceglie quello che soddisfa i propri gusti o l’istinto. Si può notare che sono in gioco effetti massicci di sostituzione e cannibalizzazione. Ad esempio, quando entro in un negozio di moda e vedo 20 camicie bianche differenti, per me sembrano tutte più o meno uguali. Finisco per preferirne una rispetto all’altra, ma non è che avessi un’idea assoluta su quale codice a barre volevo prendere appena entrato.
Se hai un modello di previsione che ignora qualcosa di così massiccio come la sostituzione, quanta fiducia puoi avere nel modello matematico? Penso che ci sia stato tanto scetticismo giustificato perché i manager guardano a quei metodi sofisticati e chiedono, “Ti occupi di qualcosa di tanto basilare come la sostituzione?” Se la risposta è no, come puoi fidarti del modello?
Devi anche considerare l’impatto degli sconti. Se iniziamo a offrire grandi sconti alla fine della stagione, le persone si abitueranno al fatto che il nostro marchio concede molti sconti e aspettareranno la stagione dei saldi della prossima collezione per beneficiarne. Le persone sono intelligenti e si adattano.
Quindi, confrontando un modello ingenuo con l’istinto, quest’ultimo di solito risulta più corretto. È meglio essere approssimativamente corretti che esattamente sbagliati. Con la giusta cura e comprensione, è possibile migliorare il modello, ma ciò richiede una simpatia meccanica e l’impegno di abbracciare il problema per essere approssimativamente corretti.
Warren Powell: Sono d’accordo con il tuo esempio, Joannes. Ci sono due questioni qui: la casualità nel scegliere una camicia, che i modelli matematici possono gestire abbastanza bene, e la modellizzazione più sottile degli sconti e di come il mercato reagisca ad essi. Un modello ingenuo potrebbe facilmente trascurare quest’ultimo e suggerire di abbassare i prezzi, ignorando il fatto che se abbassi il prezzo, il mercato si abitua a questa nuova condizione. È un errore significativo.
Le persone si fidano del proprio istinto, e i modelli più sofisticati dovrebbero essere in grado di gestire queste sottigliezze. Ma un modello semplice non lo farà. Ho passato anni in laboratorio a costruire modelli finanziati dalle aziende, e abbiamo visto che errori di questo tipo si verificano quando i modelli trascurano aspetti cruciali del problema.
Kieran Chandler: Ti dispiace discutere di come costruisci la fiducia nei tuoi modelli, soprattutto quando lavori nel trasporto merci?
Warren Powell: Ci sono voluti sei o otto anni per ottenere un modello di cui Norfolk Southern diceva di fidarsi. È stato un lavoro enorme. Non si può ignorare la sottigliezza del fatto che il mercato si abitua a qualcosa, è un errore così facile da commettere. Bisogna calibrare i modelli, avere buone statistiche e persone competenti che pongano le domande giuste. Tuttavia, estrarre continuamente elementi dal nulla sarà difficile. Penso che ci siano troppe variabili da considerare per un essere umano, quindi un modo per coprirle è ordinare più inventario e nasconderlo, il che è costoso. Se usi previsioni puntuali, tendi a mantenere inventari molto ridotti. Stiamo imparando che nemmeno questo è il giusto approccio.
Kieran Chandler: Warren, torniamo all’idea di fiducia. Quando costruisci queste previsioni basate su politiche, come fai a far sì che le persone riescano davvero a visualizzare e abbracciare quella visione? Perché uno dei veri problemi che abbiamo avuto a Lokad è stato proprio far sì che le persone comprendessero cosa stessimo facendo con le previsioni probabilistiche.
Warren Powell: Nel trasporto merci, realizziamo previsioni probabilistiche su quello che gli spedizionieri possono fare. Eseguiamo simulazioni e osserviamo cosa fanno effettivamente i camion per verificare se il tutto sembra ragionevole. Raccogliamo metriche su quante volte copriamo i carichi o facciamo tornare a casa gli autisti, e osserviamo gli standard KPI che qualsiasi azienda userebbe. Puoi fare la tua previsione probabilistica, eseguire mille simulazioni, raccogliere i tuoi KPI e poi chiederti se sembra ragionevole. È necessario un certo grado di tentativi ed errori e il coinvolgimento di persone intelligenti che comprendano il problema. Devono osservare i KPI e le metriche giuste per determinare se il sistema si comporta correttamente.
Kieran Chandler: Johannes, come confronteresti il tuo percorso con quello di Warren? Sembra che abbiate avuto esperienze piuttosto simili.
Joannes Vermorel: Sì, esattamente. In Lokad, le persone che possiedono competenze di programmazione e una conoscenza approfondita del problema della supply chain stessa sono chiamate Supply Chain Scientists. È vero che non si può affrontare il problema da una prospettiva monolitica a metrica singola, poiché questo risulta solitamente molto ingannevole. Facendo così, si finisce per ottenere qualcosa di molto simile a Kaggle, e non in senso positivo, in cui si micro-ottimizza una metrica per poi manipolarla completamente.
Kieran Chandler: Superato il punto di irrilevanza, l’approccio è tipicamente quello di avere molte metriche che ti aiutino a strumentare il tuo sistema in modo da identificare le aree in cui stai facendo qualcosa di molto sbagliato. Joannes, potresti approfondire questo?
Joannes Vermorel: In Lokad, lo definiamo ottimizzazione sperimentale. L’idea è identificare la situazione in cui il tuo modello numerico che genera la tua politica produrrà decisioni molto pessime. Questo è tipicamente il punto di partenza per diagnosticare cosa non va. Il modo per individuare quelle decisioni anomale che mancano di qualcosa, come trascurare un elefante, è osservare il problema da diverse angolazioni. Queste decisioni errate possono essere molto costose, ma sono anche rare. Se guardi solo le medie, potresti non notarle perché stai considerando metriche probabilistiche, che tipicamente si basano su medie di molte situazioni. Il problema delle medie è che possono nascondere qualcosa che accade solo una volta ogni mille, ma moltiplica il tuo costo per un fattore di 10. Per questo cerchiamo di strumentare questo aspetto.
La chiave è avere persone che siano supply chain engineers prima di tutto, piuttosto che data scientists o software engineers. Questo mi porta alla conclusione che serve una qualche tipologia di strumento per operare con un livello decente di produttività, ma quello è un problema completamente diverso.
Kieran Chandler: Grazie, Joannes. Warren, lasceremo a te l’ultima parola. Quali sono le tue speranze per il futuro? Riesci a immaginare un giorno in cui tutti utilizzeranno questi metodi basati su politiche?
Warren Powell: Prima di tutto, dato che oggi tutti usano metodi basati su politiche, penso che questa sia la strada da seguire. Il Google Maps delle previsioni puntuali, mi dispiace, semplicemente non sopravviverà. Devi capire che era l’inizio della mia carriera nel 1981.
Kieran Chandler: Benvenuti a Schneider National, all’epoca il nostro maggiore vettore di truckload negli Stati Uniti e uno dei pionieri dell’analisi. Nel 1981 avevano già modelli al computer in funzione, ma hanno proceduto con le previsioni puntuali. Sono stati loro a venirmi a dire: “Warren, il mondo è stocastico. Quindi ora passiamo al mondo della supply chain management. Le previsioni puntuali semplicemente non funzioneranno. Voglio dire, forse qualcuno nella loro mente pensa che sia il mondo reale, ma non lo è.” Questo concetto di approccio basato su politiche descrive come le persone prendono decisioni.
Warren Powell: Puoi avere politiche semplici come “order up to” oppure politiche di look-ahead. Ora, quando le persone dicono “look ahead”, tendono a pensare in modo deterministico. È in questo ambito che le cose devono essere nuove. Devi pensare al “look ahead” con incertezza, ma i computer ora ci sono. Negli anni ‘80 i computer erano una vergogna. Ora operiamo nel cloud ed eseguiamo 50 scenari in parallelo, e invece delle medie valutiamo quante volte si verifica un evento negativo per misurare il rischio.
Tutti gli altri problemi sollevati da Joannes sono ancora validi. Devi ancora modellare il problema in modo appropriato, ma a un certo punto arriverà quel momento in cui ciò che fa il computer sarà molto migliore di quanto potrebbe fare qualsiasi essere umano. Penso che sia estremamente emozionante che il momento sia giusto. Stiamo già facendo questo nell’industria dei truckload. Ho scritto simulatori per la supply chain, ma principalmente solo come simulatori. Penso che spostare il simulatore sul campo, in modo da dire “Ok, ora penserò a ciò che potrebbe accadere in futuro per aiutarmi a prendere una decisione ora”, sia ormai vicino.
Kieran Chandler: Ok, brillante. Devo concludere qui, ma signori, grazie ad entrambi per il vostro tempo. Quindi, questo è tutto per questa settimana. Grazie mille per averci seguito, e arrivederci per ora.
