Il Futuro che modella il Passato nella Supply Chain (con Warren Powell)

00:00:07 Introduzione di Warren Powell e dell’argomento del giorno.
00:00:36 Background di Warren e il suo lavoro a Princeton e Casa Labs.
00:02:00 L’argomento della discussione - l’incertezza nella gestione della supply chain.
00:03:05 Confronto tra il trasporto su camion e la gestione della supply chain.
00:06:00 Il concetto di decisioni sequenziali nella gestione della supply chain.
00:09:01 KPI, indici di prestazione chiave, e simulazioni in una supply chain.
00:10:00 La necessità di una regola decisionale per eseguire simulazioni e valutare le prestazioni aziendali.
00:11:51 Utilizzo di simulazioni per determinare la migliore decisione per un’azienda.
00:13:03 La dualità tra previsioni probabilistiche e un modello generativo.
00:15:17 La sfida di implementare queste idee sul campo, la difficoltà dell’apprendimento per rinforzo 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 politiche.
00:18:26 Spiegazione di come anche gli esseri umani utilizzano le politiche per prendere decisioni.
00:19:37 Importanza delle simulazioni al computer per la gestione della supply chain e il loro ruolo insostituibile.
00:22:17 Spiegazione delle quattro classi fondamentali di metodi per prendere decisioni.
00:24:00 Critica dei metodi di previsione attuali utilizzati dai grandi marchi di moda e la necessità di tenere conto della cannibalizzazione e della sostituzione.
00:26:01 Discussione sull’impatto degli sconti e delle vendite sul comportamento dei consumatori e su come influiscono sulle imprese.
00:27:08 Confronto tra l’utilizzo di modelli matematici e l’intuito per prendere decisioni aziendali.
00:29:44 Spiegazione dell’importanza della fiducia nelle previsioni basate su politiche.
00:30:32 Spiegazione della necessità di persone competenti per comprendere il problema e guardare le metriche corrette.
33:37 Considerazioni finali sul futuro della gestione della 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 presso l’Università di Princeton e co-fondatore di Optimal Dynamics, approfondisce le complessità e le incertezze della gestione della supply chain e della presa di decisioni. Gli esperti condividono le loro esperienze sul campo e offrono spunti su come affrontare queste complessità attraverso la modellazione matematica e le simulazioni. Sottolineano l’importanza delle politiche e delle simulazioni per prendere decisioni strategiche, tattiche e operative nella gestione della supply chain, evidenziando le limitazioni dei metodi di previsione tradizionali. L’intervista si conclude con una discussione sul futuro dei metodi basati su politiche nella gestione della supply chain e sulla necessità di ingegneri della supply chain competenti.

Riassunto Esteso

Nell’intervista, Kieran Chandler ospita una discussione tra Joannes Vermorel, fondatore di Lokad, e Warren Powell, professore presso l’Università di Princeton e co-fondatore di Optimal Dynamics. Affrontano le complessità e le incertezze legate alla gestione della supply chain e alla presa di decisioni.

Warren Powell condivide la sua esperienza sul campo, avendo fondato Castle Labs, una collaborazione unica tra università e industria che affronta problemi del mondo reale. Discute di come il suo primo lavoro nel settore del trasporto su strada gli abbia fatto affrontare le sfide della pianificazione per fattori incerti.

Joannes Vermorel approfondisce la questione centrale della presa di decisioni sequenziali nelle supply chain, in cui le decisioni presenti sono fortemente influenzate dalle decisioni future. Confronta questo processo a giocare a scacchi, dove ogni mossa deve essere considerata nel contesto delle mosse successive. Vermorel riconosce che modellare matematicamente questi problemi può essere complesso e confuso.

Warren Powell spiega che misurare l’efficacia della presa di decisioni nelle supply chain comporta l’utilizzo di indicatori chiave di prestazione (KPI) per valutare l’impatto delle decisioni sui costi e sulla produttività. Suggerisce che le simulazioni possono aiutare a gestire la natura caotica e imprevedibile della gestione della supply chain, poiché i modelli deterministici potrebbero non fornire soluzioni accurate.

L’intervista esplora le sfide legate alla gestione delle incertezze e alla presa di decisioni efficaci nelle supply chain, dove ogni decisione è interconnessa con le decisioni future. Gli esperti discutono delle loro esperienze sul campo e offrono spunti su come affrontare queste complessità attraverso la modellazione matematica e le simulazioni.

La conversazione è iniziata con un confronto tra l’ottimizzazione della supply chain e il gioco degli scacchi contro un avversario imprevedibile, suggerendo che l’uso delle simulazioni può aiutare a prendere decisioni migliori. Powell ha spiegato che le politiche o le regole decisionali possono essere utilizzate insieme alle simulazioni per valutare rapidamente le prestazioni aziendali utilizzando una varietà di metriche.

Vermorel ha concordato, sottolineando l’importanza delle previsioni probabilistiche 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 di essi dipende dal problema specifico affrontato.

Sia Vermorel che Powell hanno concordato sull’importanza di utilizzare politiche in combinazione con simulazioni per prendere decisioni sulla supply chain. Le politiche sono regole astratte che possono avere parametri che possono essere appresi e applicati. Vermorel ha sottolineato la difficoltà di applicare questi concetti in situazioni reali, poiché ci sono stati decenni di ricerca con successi limitati in termini di risultati numerici.

Vermorel ha anche sottolineato che i recenti progressi nell’apprendimento approfondito e nei metodi di ottimizzazione, come la discesa del gradiente stocastico, hanno migliorato l’applicabilità della presa di decisioni basata su politiche 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 del mondo reale.

Powell ha menzionato che anche gli esseri umani utilizzano politiche o metodi quando prendono decisioni e che ci sono quattro classi fondamentali di metodi per la presa di decisioni. Ha citato l’esempio di Google Maps come una politica di previsione, che potrebbe essere utile nel contesto delle lunghe supply chain.

Powell sottolinea la necessità di simulazioni per prendere decisioni strategiche, tattiche e operative nella gestione della supply chain. A causa dei lunghi tempi e della complessità delle supply chain, il metodo del tentativo ed errore non è un metodo praticabile per testare idee. Le simulazioni, sebbene imperfette, offrono un’alternativa migliore. Sottolinea l’importanza di comprendere le decisioni prese, le metriche di valutazione, le fonti di incertezza e il processo decisionale.

Vermorel, tuttavia, fa l’avvocato del diavolo sollevando preoccupazioni sulla credibilità dei metodi numerici. Concorda sul fatto che le simulazioni siano più efficaci delle riunioni infinite, ma fa notare che molti modelli matematici sofisticati possono essere ingenui dal punto di vista contestuale. Cita l’industria della moda come esempio, dove le previsioni punto per punto spesso ignorano fattori cruciali come la cannibalizzazione e la sostituzione. Sottolinea che l’intuito è di solito più accurato quando si tratta di modelli ingenui.

Vermorel sostiene inoltre che i manager dovrebbero adottare un approccio più empatico alla modellazione, considerando e abbracciando l’euristica del problema. Nel frattempo, Powell riconosce che la modellazione sottile è essenziale per il successo, poiché i modelli 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 cruciali per l’ottimizzazione della supply chain, è altrettanto importante avere una profonda comprensione del problema in questione e sviluppare modelli che riflettano accuratamente le complessità della supply chain del mondo reale.

La discussione ruota attorno alle limitazioni delle previsioni puntuali e ai vantaggi dei metodi di previsione basati su politiche.

I partecipanti sostengono che i metodi di previsione tradizionali, che si basano molto sull’intuito e non tengono conto della moltitudine di variabili, spesso portano 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 fare le giuste domande porterà a una migliore presa di decisione.

Viene anche discusso il problema di far sì che le persone si fidino e visualizzino i vantaggi delle previsioni basate su politiche. 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 sembrano 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 il miglior approccio sia utilizzare una moltitudine di metriche per individuare aree in cui le decisioni possono essere errate, costose o inefficienti. È importante concentrarsi sugli outlier, poiché spesso possono avere conseguenze significative.

Affrontano le limitazioni dei costi medi e delle previsioni puntuali, sottolineando la necessità di ingegneri della supply chain anziché scienziati dei dati o ingegneri del software. Credono che i metodi basati su politiche, che tengono conto dell’incertezza e del rischio, guideranno il futuro della gestione della supply chain, supportati da capacità informatiche sempre più avanzate.

L’intervista si conclude con una discussione sul futuro dei metodi basati su politiche nella gestione della supply chain. Powell ritiene che le previsioni puntuali diventeranno obsolete, poiché non rappresentano accuratamente il mondo reale. I progressi nella tecnologia informatica e la crescente capacità di gestire l’incertezza renderanno i metodi di previsione basati su politiche più efficaci e diffusi.

L’intervista mette in evidenza le limitazioni dei metodi di previsione tradizionali e sottolinea i vantaggi delle previsioni basate su politiche, sottolineando l’importanza di avere ingegneri della supply chain competenti e utilizzando una varietà di metriche per una presa di decisione 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 politiche e previsioni puntuali e come queste possono essere utilizzate per ottimizzare quelle decisioni di tipo catch-22. Quindi Warren, grazie mille per esserti unito a noi in diretta dagli Stati Uniti oggi, e come sempre, ci piace iniziare conoscendo un po’ i nostri ospiti. Quindi forse potresti iniziare dicendoci qualcosa su di te.

Warren Powell: Beh, innanzitutto, grazie per avermi invitato al programma. Mi è piaciuto molto fare 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 facendo molto lavoro con l’industria e ho iniziato nel settore dei trasporti merci. Ora, gli accademici ricevono molti soldi dai governi e simili, ma la nostra principale fonte di finanziamento proveniva dall’industria. Mi sono anche reso conto che uno dei punti deboli del finanziamento governativo è che non hanno dati; in realtà non hanno un problema. Quindi ho sviluppato questa collaborazione unica tra università e industria attraverso Castle Labs, lavorando con l’industria e affrontando i loro problemi. C’era questo interesse iniziale nell’utilizzo dei computer per aiutare a gestire le aziende in modo più efficiente, quindi il laboratorio è andato molto bene, è cresciuto rapidamente e sono stato fortunato ad avere un gran numero di studenti. Credo di aver laureato circa 60 laureati e dottorandi e li considero la principale fonte di, penso, abbiamo scritto circa 250 pubblicazioni. Questo è in gran parte il lavoro degli studenti. Ho fondato tre società di consulenza, l’ultima delle quali è Optimal Dynamics con cui sono ancora coinvolto. Infatti, mi sono ritirato l’anno scorso per dedicarmi più a tempo pieno a Optimal Dynamics. È un’opportunità molto eccitante.

Kieran Chandler: Suona molto bene e oggi il nostro argomento riguarda l’ottimizzazione delle decisioni che si prendono all’interno di una supply chain. Forse potresti iniziare dicendoci quali sono i tipi di incertezza che si possono osservare nella gestione della supply chain?

Warren Powell: Beh, devo dare un altro piccolo dettaglio, ovvero che i miei primissimi progetti riguardavano il trasporto su camion, e l’introduzione è arrivata da una grande azienda chiamata Schneider National. Avevano già modelli informatici che pianificavano nel futuro in modo deterministico e dicevano: “Guarda, il trasporto su camion non è deterministico. Non sappiamo cosa succederà domani. Non sappiamo cosa succederà oggi.” E ho scoperto che la comunità accademica non aveva imparato come modellare realmente questi problemi e risolverli sui computer. Quindi è iniziato un percorso di diversi decenni in cui mi sono semplicemente chiesto: “Ok, come affrontiamo anche solo questo problema?” perché la comunità accademica non aveva davvero risolto la questione.

Man mano che mi sono spostato dal trasporto su camion, che è grande e complicato, alla gestione della supply chain, ho scoperto che quest’ultima non è affatto così complicata come la supply chain. Quindi con i trasportatori su camion, la questione principale è se il mittente chiamerà per un carico o meno, quanti carichi devo spostare e poi ci sono alcune altre fonti di rumore come ad esempio se il conducente si presenta e se rimane bloccato nel traffico. Non è nemmeno lontanamente paragonabile alla scala delle supply chain. Quindi nelle supply chain, ci si immerge e nel trasporto su camion, si potrebbero prendere decisioni una settimana circa in anticipo.

Kieran Chandler: In futuro, la maggior parte delle volte tende ad essere di tre o quattro giorni. Le supply chain possono durare fino a 100 giorni, 150 giorni. Ordinare prodotti dalla Cina può richiedere diversi mesi. In quei mesi possono verificarsi eventi importanti, tempeste, problemi politici, problemi di lavoro e scarsità di materie prime. Molte di queste cose stanno accadendo oggi. Il fornitore ha molti problemi riguardo al tempo che ci vuole per il produttore in Cina per costruire effettivamente il prodotto che stai richiedendo. Potrebbe dover avviare una linea di produzione e organizzare i suoi pezzi e le sue forniture. Poi lo metti sulla nave da carico e la nave da carico può impiegare 30 giorni, ma potrebbe impiegarne 35 o 36 a seconda delle tempeste e del tempo. Ci possono essere ritardi nei porti. Quando il prodotto arriva effettivamente dalla nave, deve essere scaricato. Devi metterlo su un treno o su un camion. Poi, quando arriva finalmente, devi guardarlo e chiederti se la qualità è ok. Voglio dire, è solo una serie di diverse forme di incertezza.

Kieran Chandler: Sì, e Joannes, è di questo che parleremo in modo più dettagliato oggi. Quello di cui Warren stava parlando è la grande variazione nei tempi. Perché è interessante? Cosa significano queste differenze nei tempi da un punto di vista più tecnico?

Joannes Vermorel: Credo che il lavoro di Warren sia molto interessante, ma forse per un aspetto leggermente diverso, che è il processo decisionale sequenziale. Le incertezze sono un po’ una questione tecnica, ma il nucleo del problema è iniziare a pensare a quelle decisioni sequenziali che prendi in sequenza. Il trucco è che il futuro sta plasmando il passato, cosa che sembra un po’ sbagliata. La decisione che vuoi ottimizzare in questo momento dipende effettivamente dalla decisione che prenderai in seguito. Che la decisione che stai prendendo in questo momento sia buona o meno, dipende molto dalla decisione che verrà presa in seguito.

Joannes Vermorel: Per chiarire questo tipo di situazione, diciamo che stai ordinando da un fornitore all’estero con una quantità minima d’ordine (MOQ) e ordini tonnellate di prodotti da questo fornitore e devi raggiungere un container completo. Ora, la cosa è che stai effettuando un ordine e il container può contenere centinaia di prodotti diversi. È un buon ordine? Beh, dipende. Dipende da quando effettivamente passerai l’ordine per i prossimi container. Vedi, la cosa è che se ti rimane un prodotto solo pochi giorni dopo aver ordinato il tuo container, potresti avere una rottura di stock per questo prodotto. Puoi effettivamente fare un altro ordine dal tuo fornitore? No, non proprio, perché questo prodotto da solo è solo una piccola frazione di un intero container. Quindi sei bloccato. Sei bloccato dal fatto che hai ordinato un intero container e devi aspettare fino a quando hai una capacità d’ordine che è conveniente, che è compatibile con l’ordinazione di un intero container di nuovo.

Kieran Chandler: E quindi, la decisione che stai per prendere, è quella giusta? Dipende da quando prenderai la tua prossima decisione. La realtà nella supply chain e nell’interazione in molte aree è che, quando inizi a pensare a cosa significa veramente prendere una buona decisione, deve essere una decisione che si adatta bene a una decisione che verrà presa in seguito. Proprio come quando giochi a scacchi, non si tratta di aver preso la mossa corretta in questo momento. Ha senso dire che questa è una buona mossa in relazione a tutte le altre mosse che verranno effettuate. Questo è ciò che significa. E poi la domanda è, improvvisamente il problema diventa molto difficile da affrontare anche matematicamente perché stai pensando, “Okay, ho una decisione e puoi pensare che ho diverse quantità che posso scegliere.” Ma poi hai una sorta di prospettiva ricorsiva in cui devi pensare a tutte le decisioni future che non sono state prese e ti stai chiedendo, “Voglio ottimizzare questa decisione che non ho ancora preso, la mia decisione, eppure devo considerare anche le decisioni future che non sono ancora state prese.” Vedi, quindi hai questo problema del pollo e dell’uovo e matematicamente è difficile e confuso. Credo che parte del processo del lavoro di Warren Powell sia stato quello di consolidare un corpus di quadro matematico e approcci in modo da poter iniziare a pensare numericamente a quei problemi in modo coerente. Mi piace molto quell’analogia che è un po’ simile agli scacchi e molto dipendente da ciò che l’altra persona sta forse facendo e da ciò che sta succedendo nel mondo.

Warren Powell: Beh, tutte le aziende hanno modi per misurare le prestazioni. Li chiamano KPI, gli indici chiave di prestazione. Quindi hanno tutte le loro metriche sui costi, la produttività. Le aziende hanno decine e decine, e a volte centinaia di queste metriche. Usiamo queste stesse metriche. Quello che tendiamo a fare è eseguire simulazioni. Sarebbe bello se avessimo un mondo deterministico. Immagina Google Maps, dove fingiamo di conoscere tutti i tempi di percorrenza, quindi vediamo tutto il percorso verso la destinazione. Le supply chain sono troppo disordinate. Va troppo lontano e ci sono troppe cose casuali che accadranno, quindi non è un solo percorso; sono molti. Quindi anziché guardare al futuro e pensare che saprai esattamente cosa succederà, l’analogia degli scacchi è buona. Ma se stai giocando contro un giocatore di scacchi esperto, tendono ad essere molto prevedibili. Immagina che stiano giocando contro un giocatore di scacchi meno esperto. Questo è un po’ più casuale perché si comportano in modo imprevedibile. Il problema diventa effettivamente molto più complicato. Ma per tenerlo semplice, immagina che il computer possa semplicemente eseguire simulazioni. Man mano che ci avviciniamo al futuro, devo avere una regola, o mi piace chiamarla una politica, un metodo per prendere una decisione che mi dirà quale decisione prenderò qualunque cosa accada. Quindi, posso eseguire queste simulazioni e ogni volta che arrivo a un punto, diciamo un mese dopo, e devo prendere una decisione, ho qualche regola. I computer possono eseguire queste simulazioni molto rapidamente. Possiamo eseguire 100 scenari diversi nel futuro in parallelo.

Kieran Chandler: Iniziamo con il modo in cui un’azienda può utilizzare le metriche per valutare le proprie prestazioni. Quando si tratta di prendere decisioni, come ad esempio se effettuare un ordine e quanto grande dovrebbe essere l’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 migliore decisione per il momento presente. Possiamo utilizzare una regola per prendere una decisione ora, ma abbiamo anche bisogno di utilizzare simulatori per perfezionare quella regola per assicurarci che funzioni al meglio, considerando non solo il presente ma anche il futuro. Per problemi più semplici, come la gestione delle scorte, una semplice politica di ordine fino a può funzionare molto bene. Tuttavia, per problemi più complessi, come quando effettuare un ordine per un carico dalla Cina che arriverà tra 90 giorni, la decisione deve tenere conto di fattori come gli ordini precedenti, eventi noti come gli uragani e altri fattori sconosciuti. Possiamo simulare questi scenari e valutare le scelte in base alle migliori metriche per il futuro. Fondamentalmente, si tratta di simulare e gestire la propria azienda nel modo normale e valutarla di conseguenza.

Kieran Chandler: Johannes, cosa ne pensi di questo approccio basato su politiche? La simulazione funziona davvero secondo te?

Joannes Vermorel: Sì, sono molto d’accordo che la simulazione funzioni. Quando si tratta di previsioni, l’approccio moderno consiste nel pensare alle previsioni probabilistiche. C’è una dualità tra le previsioni probabilistiche e i modelli generativi. Le previsioni probabilistiche ti danno le probabilità di determinati futuri, che possono essere campionate per ottenere esempi di futuri possibili. I modelli generativi, d’altra parte, generano futuri che, quando vengono mediati, ti danno le probabilità del tuo modello olistico. Fondamentalmente, questi modelli sono due modi diversi di guardare la stessa cosa. La scelta tra di essi dipende più da questioni tecniche e da ciò che è più appropriato per la risoluzione numerica del tuo problema.

Warren Powell: Esatto, e l’essenza chiave del trucco matematico per ottimizzare le decisioni sequenziali è separare le decisioni di oggi e di domani. Invece di concentrarsi sulla decisione stessa, dobbiamo imparare il meccanismo decisionale. Questo meccanismo può avere molti parametri che possono essere ottimizzati.

Kieran Chandler: Joannes, potresti spiegare come le politiche possono essere tarate e il loro ruolo nell’ottimizzazione della supply chain?

Joannes Vermorel: Una politica è fondamentalmente una regola astratta con parametri che possono essere appresi in un modo o nell’altro. L’idea è confrontare le tue politiche che generano decisioni. Per fare ciò, hai bisogno di un modello generativo, tipicamente derivato da una previsione probabilistica o da altri metodi.

Kieran Chandler: In che modo pensare alla simulazione come a una previsione probabilistica aiuta a valutare l’accuratezza di una politica?

Joannes Vermorel: È interessante considerare la simulazione come una previsione probabilistica perché ti consente di valutare l’accuratezza. Quando le persone dicono che fanno simulazione, la grande domanda è se la simulazione fornisce una rappresentazione accurata del futuro. Per rispondere a questa domanda, è necessario adottare la prospettiva delle previsioni probabilistiche, in modo da poter valutare se il tuo simulatore fornisce una rappresentazione accurata dei futuri possibili per la tua azienda.

Kieran Chandler: Puoi approfondire le sfide legate all’implementazione di queste politiche sul campo e i progressi compiuti nell’informatica per superare queste sfide?

Joannes Vermorel: Il problema diventa molto una questione di praticità quando si tratta di implementare queste idee sul campo. L’apprendimento delle politiche è stato un problema estremamente difficile dal punto di vista numerico. Le tecniche tradizionali di apprendimento per rinforzo spesso avevano successo solo in configurazioni di prova, ma avevano difficoltà con problemi che coinvolgevano migliaia o milioni di variabili.

Uno degli effetti collaterali della svolta nel deep learning è stato lo sviluppo di migliori metodi di ottimizzazione matematica, come la discesa del gradiente stocastico, che funziona bene in ambienti rumorosi con variabili di trasferimento. Questi metodi non sono stati progettati specificamente per i processi decisionali, ma i progressi compiuti nell’informatica li hanno resi altamente applicabili all’ottimizzazione delle politiche in contesti complessi del mondo reale. Questo 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 in avanti.

Kieran Chandler: Abbiamo una mezza dozzina di incertezze intrecciate: incertezza della domanda, tempo di consegna, prezzo delle materie prime, cannibalizzazione, mosse dei concorrenti. Non sono molto complesse, ma sono tutte intrecciate. Quindi devi essere in grado di abbracciare questo tipo di complessità ambientale in modo che il tuo simulatore non sia troppo ingenuo riguardo ai futuri possibili. Warren, saresti d’accordo con questo? Voglio dire, come costruiresti quegli algoritmi di apprendimento automatico per prendere quelle decisioni basate sulle politiche?

Warren Powell: Beh, innanzitutto, ricordiamoci che anche gli esseri umani utilizzano politiche. Ogni volta che viene presa una decisione, si sta utilizzando un metodo. Chiamiamolo politica, ma è un metodo. Tutti stanno usando un metodo, quindi questo non è effettivamente nuovo. Quello che ho fatto è dire che ci sono quattro classi fondamentali di metodi. L’ordine fino a è una delle quattro classi; si chiama valutazione della funzione di politica.

Prendiamo Google Maps come esempio; quella è una politica di previsione. Nella pianificazione delle scorte, le persone hanno la tendenza a utilizzare questa semplice valutazione della funzione di politica: quando l’ordine scende al di sotto di qualcosa, ordina fino a qualcosa. Quando hai queste lunghe catene di approvvigionamento, devi davvero pensare al futuro. Questa è una previsione diretta, quindi ora abbiamo coperto due delle quattro classi.

Queste quattro classi stanno solo articolando ciò che stiamo facendo comunque. Ora, per scoprire quale è la migliore classe, devi simulare e vedere come funziona nel tempo. In una società di trasporti, potrei avere un’idea, testarla per qualche settimana e vedere se funziona. Non puoi farlo con le catene di approvvigionamento; ci vuole forse quasi un anno per vedere se qualcosa funziona. I tempi sono semplicemente troppo lunghi, ed è per questo che le simulazioni al computer sono quasi insostituibili.

Senza un computer, sei solo un gruppo di persone intorno a un tavolo che discutono e dicono: “Oh, beh, penso che questo sia meglio”, e qualcun altro pensa che questo sia meglio. Questo è ciò che si vede nel mondo delle catene di approvvigionamento oggi: molte persone che chiacchierano e parlano l’una con l’altra, ma nessuno ha prove. Ho trascorso la mia carriera presso Castle Labs costruendo simulatori per la pianificazione strategica, la pianificazione tattica e i simulatori per vedere nel futuro per aiutarmi a decidere se ho preso la decisione giusta in questo momento.

Senza simulazioni, cosa altro puoi fare? 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 avere un computer che dica: “Ecco un metodo per prendere decisioni, ecco un modo molto diverso o leggermente diverso, un altro modo di prendere decisioni. Quale sembra funzionare?” Esegui le tue simulazioni. Le simulazioni non sono mai perfette, ma cosa c’è di meglio? Dimmi qualcosa di meglio.

Il processo è in realtà molto semplice da capire. Una delle cose più difficili che trovo nelle catene di approvvigionamento è chiedere a un professionista delle catene di approvvigionamento quali decisioni sta prendendo. Non riesco a credere a quante persone ti guarderanno in modo vuoto e diranno: “Beh, non ci ho mai pensato in quel modo.” C’è di più nelle catene di approvvigionamento che semplicemente ordinare scorte; ci sono molte altre decisioni coinvolte.

Kieran Chandler: Quindi, quali sono le tue metriche? Non è solo una; ce ne sono molte. E quali sono le tue fonti di incertezza? Possiamo avere una lunga discussione su questo, ma non le elencherai tutte. Mi dispiace, queste grandi catene di approvvigionamento di cui stai parlando coinvolgono incertezze globali. Chi avrebbe potuto prevedere che la nave si sarebbe bloccata nel Canale di Suez o la pandemia di COVID? Ma ci sono molte cose rumorose che puoi prevedere, e dobbiamo essere consapevoli che queste cose accadono. Quindi, una volta che hai le decisioni che stai prendendo, come vieni valutato e le incertezze, ora devi capire come prendere la decisione. E indovina un po’, ci sono quattro classi di politiche, tutte dalla più semplice all’analisi completa del futuro. Puoi guardare avanti in modo deterministico, come Google Maps, o puoi guardare avanti con incertezza.

Warren Powell: Quando parlo con persone in affari e usano la parola “previsione”, ho la sensazione che ogni volta che sento la parola “previsione”, intendano una previsione puntuale. Quello che mi piace di questo spettacolo è che non devo avere questa discussione con voi ragazzi; capite perfettamente la necessità di pensare in modo stocastico. Dovete pensare all’incertezza della vostra previsione, il che significa che dovete pensare alle regole per prendere decisioni anziché alla decisione stessa. Ed è tutto molto semplice. Sì, abbiamo bisogno del computer. Se non stai usando un computer, fammi sapere cosa farai. Se hai un’idea migliore, non riesco a capirla.

Kieran Chandler: Johannes, quanto possiamo fidarci di questi approcci basati su politiche? Quanto sono solide queste modellizzazioni matematiche?

Joannes Vermorel: Innanzitutto, concordo sul fatto che il contro punto di avere riunioni infinite di S&OP non sia molto produttivo. Tuttavia, uno dei problemi, e credo che sia una critica valida ai metodi numerici, è che, come ha detto 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 pensare a quanto credito possiamo dare a quelle proiezioni del futuro. La realtà è che ci sono molti metodi popolari ancora ampiamente utilizzati nelle grandi catene di approvvigionamento che sono spazzatura completa. Capisco la posizione di un manager che guarda una simulazione al computer di fantasia che potrebbe essere molto sofisticata ma che perde completamente il punto e si basa su congetture. Per darti un esempio più concreto, direi che probabilmente quasi tutti i grandi marchi di moda fanno previsioni al giorno d’oggi, la maggior parte di loro fa previsioni puntuali. Quindi, prendi i tuoi prodotti e cerchi di avere previsioni di domanda settimanali. Tuttavia, stimerei che circa lo 0% di quei marchi di moda sta effettivamente tenendo conto della cannibalizzazione e della sostituzione.

Kieran Chandler: Benvenuti tutti al nostro intervista di oggi. Abbiamo due ospiti con noi, Joannes Vermorel, fondatore di Lokad, un’azienda di software specializzata nell’ottimizzazione delle catene di approvvigionamento, e Warren Powell, professore presso l’Università di Princeton, co-fondatore e Chief Analytics Officer di Optimal Dynamics. Grazie a entrambi per esservi uniti a noi. Approfondiamo la discussione.

Joannes Vermorel: Quando si tratta di scegliere un prodotto da acquistare, spesso si ha solo una sensazione e si sceglie quello che si adatta al proprio gusto o istinto. Si può vedere che ci sono enormi effetti di sostituzione e cannibalizzazione in gioco. Ad esempio, quando entro in un negozio di moda e vedo 20 diverse camicie bianche, tutte sembrano più o meno uguali per me. Alla fine ne preferisco una rispetto all’altra, ma non è che avevo un’idea assoluta di quale codice a barre volevo prendere quando sono entrato nel negozio.

Se si dispone di un modello di previsione che ignora qualcosa di così massiccio come la sostituzione, quanto fiducia si può avere nel modello matematico? Penso che ci sia stato molto scetticismo giustificato perché i manager guardano quei metodi sofisticati e chiedono: “Ti occupi di qualcosa di così basilare come la sostituzione?” Se la risposta è no, come si può fidarsi del modello?

È anche necessario considerare l’impatto degli sconti. Se iniziamo a fare grandi sconti alla fine della stagione, le persone si abitueranno al fatto che il nostro marchio offre molti sconti e aspetteranno la stagione dei saldi della prossima collezione per beneficiare degli sconti. Le persone sono intelligenti e si adattano.

Quindi, confrontando un modello ingenuo con l’istinto, l’istinto è di solito più corretto. È meglio essere approssimativamente corretti che esattamente sbagliati. Con la giusta cura e comprensione, è possibile migliorare il modello, ma richiede una simpatia meccanica e l’accettazione del problema per essere approssimativamente corretti.

Warren Powell: Concordo con il tuo esempio, Joannes. Ci sono due questioni qui: la casualità nella scelta di una camicia, che i modelli matematici possono gestire abbastanza bene, e la modellazione più sottile degli sconti e di come il mercato reagisce ad essi. Un modello ingenuo potrebbe facilmente trascurare quest’ultimo e suggerire di abbassare i prezzi, ignorando il fatto che se si abbassa il prezzo, il mercato si abitua ad esso. Questo è un errore significativo.

Le persone hanno un istinto, e 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 che le aziende finanziavano, e abbiamo visto questi tipi di errori verificarsi quando i modelli trascurano aspetti cruciali del problema.

Kieran Chandler: Ti dispiacerebbe discutere di come costruisci fiducia nei tuoi modelli, specialmente quando lavori nel trasporto merci?

Warren Powell: Ci sono voluti sei o otto anni per ottenere un modello che Norfolk Southern ha detto di fidarsi. È stato molto lavoro. Non puoi ignorare la sottigliezza del fatto che il mercato si abitua a qualcosa, è un errore così facile da commettere. Devi calibrare i modelli, avere buone statistiche e persone competenti che faranno le domande giuste. Tuttavia, tirare costantemente fuori cose 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 si utilizzano previsioni puntuali, si tende ad avere inventari molto ridotti. Stiamo imparando che anche questo non è corretto.

Kieran Chandler: Warren, torniamo all’idea della fiducia. Quando stai costruendo queste previsioni basate su politiche, come fai a far visualizzare alle persone e ad acquistare quella visione? Perché uno dei veri problemi che abbiamo avuto a Lokad era far visualizzare alle persone ciò che stavamo facendo con le previsioni probabilistiche.

Warren Powell: Nel trasporto merci, facciamo previsioni probabilistiche su cosa possono fare i trasportatori. Eseguiamo simulazioni e osserviamo cosa stanno effettivamente facendo i camion per vedere se sembra ragionevole. Mettiamo insieme metriche su quante volte copriamo i carichi o facciamo tornare a casa i conducenti, e guardiamo gli indicatori chiave di prestazione standard che qualsiasi azienda utilizzerebbe. Puoi fare la tua previsione probabilistica, eseguire mille simulazioni, mettere insieme le tue metriche chiave di prestazione e poi chiederti se sembra ragionevole. Devi fare un certo numero di prove ed errori, e persone intelligenti che capiscono il problema devono essere coinvolte. Devono guardare gli indicatori chiave di prestazione e le metriche corrette per determinare se si sta comportando correttamente.

Kieran Chandler: Johannes, come confronti il tuo percorso con quello di Warren? Sembra che tu abbia avuto esperienze abbastanza simili.

Joannes Vermorel: Sì, esattamente. A Lokad, le persone che hanno competenze di programmazione e una conoscenza approfondita del problema della supply chain sono chiamate supply chain scientists. È vero che non può essere affrontato da una prospettiva monolitica di un singolo indicatore, poiché questo è solitamente molto ingannevole. Quando fai così, finisci con qualcosa che assomiglia molto a Kaggle, ma non nel senso positivo, dove ottimizzi microscopicamente un indicatore ma poi lo manipoli completamente.

Kieran Chandler: Oltre il punto di irrilevanza, l’approccio tipico è quello di avere molti indicatori che ti aiutano a strumentare la tua configurazione in modo da poter identificare le aree in cui stai facendo qualcosa di molto sbagliato. Joannes, potresti approfondire questo argomento?

Joannes Vermorel: A Lokad, lo chiamiamo ottimizzazione sperimentale. L’idea è che vuoi identificare la situazione in cui il tuo modello numerico che genera la tua politica sta per generare decisioni molto scadenti. Questo è tipicamente il punto di ingresso per diagnosticare cosa non va. Il modo per identificare quelle decisioni anomale che mancano di qualcosa, come mancare un elefante, è guardare il problema da molti punti di vista. Queste decisioni errate possono essere molto costose, ma sono anche poco frequenti. Se guardi solo le medie, potresti non accorgertene perché stai guardando metriche probabilistiche, che coinvolgono tipicamente medie su molte situazioni. Il problema delle medie è che possono nascondere qualcosa che accade solo una volta su mille ma moltiplica il tuo costo per un fattore di 10. Ecco perché cerchiamo di strumentare tutto ciò.

La chiave è avere persone che sono prima di tutto ingegneri della supply chain, piuttosto che essere data scientist o software engineer. Questo mi porta alla conclusione che hai bisogno di qualche tipo di strumento per operare con un livello di produttività decente, ma questo è un problema completamente diverso.

Kieran Chandler: Grazie, Joannes. Warren, lasciamo l’ultima parola a te. Quali sono le tue speranze per il futuro? Puoi immaginare che un giorno tutti utilizzeranno questi metodi basati su politiche?

Warren Powell: Prima di tutto, perché oggi tutti utilizzano metodi basati su politiche, penso che questa sia la strada da seguire. Le previsioni puntuali di Google Maps, mi dispiace, ma non sopravviveranno. Devi capire, è stato l’inizio della mia carriera nel 1981.

Kieran Chandler: Benvenuti in Schneider National all’epoca, il nostro più grande vettore di carichi completi negli Stati Uniti e un pioniere precoce dell’analisi. Nel 1981, avevano già modelli informatici in esecuzione, ma hanno proseguito con le previsioni puntuali. Sono stati loro a venire da me e a dire: “Warren, il mondo è stocastico. Quindi ora passiamo al mondo della gestione della supply chain. Le previsioni puntuali semplicemente non funzionano. Voglio dire, forse qualcuno nella sua mente pensa che sia il mondo reale, ma non lo è.” Questa nozione di un approccio basato su politiche descrive come le persone prendono decisioni.

Warren Powell: Puoi avere politiche semplici come “ordinare fino a” o puoi avere politiche di previsione. Ora, quando le persone dicono “previsione”, tendono a pensare in modo deterministico. Qui è dove le cose devono essere nuove. Devi pensare a “previsione” con incertezza, ma i computer sono ora qui. Negli anni ‘80, i computer erano un’imbarazzo. Ora ci sediamo sul cloud e eseguiamo 50 scenari in parallelo, e invece di medie, valutiamo quanto spesso si è verificato un evento negativo per valutare il rischio.

Tutte le altre questioni sollevate da Joannes sono ancora valide. Devi ancora modellare correttamente il problema, ma ad un certo punto, arriverai a quel punto di svolta in cui ciò che il computer sta facendo è ancora molto meglio di ciò che qualsiasi essere umano potrebbe fare. Penso che sia tremendamente eccitante che il momento sia giusto. Stiamo già facendo questo nell’industria dei carichi completi. Ho scritto simulatori di supply chain, ma principalmente solo come simulatori. Penso che spostare il simulatore sul campo, che dice: “Okay, ora sto pensando a cosa potrebbe succedere in futuro per aiutarmi a prendere una decisione ora”, si stia avvicinando.

Kieran Chandler: Okay, fantastico. Devo concludere qui, ma signori, grazie a entrambi per il vostro tempo. Quindi è tutto per questa settimana. Grazie mille per averci seguito e arrivederci per ora.