Feedback Loops e Machine Learning nella Supply Chain

00:00:07 Introduzione all’argomento del machine learning nell’industria della supply chain.
00:00:46 Introduzione dell’ospite Alexander Backus, responsabile dei dati e dell’analisi presso IKEA.
00:02:20 Spiegazione del concetto di profezia che si autoavvera.
00:03:03 Discussione su come una profezia che si autoavvera influenzi la supply chain, come gli obiettivi aziendali e l’influenza della domanda e dell’offerta.
00:07:14 Spiegazione di come i feedback loops nella supply chain rendano il mondo più complesso e come un eccesso di un certo prodotto possa influenzarne le vendite.
00:08:53 Discussione sui feedback loops nelle supply chain e l’influenza del comportamento umano su di essi.
00:10:41 Utilizzo dei dati di vendita nella previsione della domanda e le potenziali conseguenze dell’utilizzo di un approccio ingenuo.
00:13:08 Problema di previsione zero nei sistemi di machine learning e l’effetto bullwhip.
00:15:17 Spiegazione del bias di stock-out e delle tecniche per affrontarlo.
00:17:22 Discussione sulla prevalenza degli stock-out e l’efficacia del metodo per affrontare il bias di stock-out.
00:18:15 Spiegazione di come la percezione del cliente su un prodotto possa influenzare la domanda e l’impatto dei livelli di stock sulle vendite.
00:20:17 Spiegazione del mascheramento delle perdite e del suo scopo.
00:20:26 Spiegazione di come fornire al modello accesso ai livelli di stock possa aiutarlo a comprendere l’effetto delle fluttuazioni dei livelli di stock sulle vendite.
00:22:14 Discussione dei limiti dell’utilizzo di un modello di machine learning per l’inferenza causale e gli effetti delle variabili di confondimento.
00:25:54 Spiegazione di come la previsione probabilistica possa contribuire a ridurre l’impatto della previsione zero riconoscendo la “fuzziness” delle informazioni disponibili.
00:27:04 Spiegazione dei vantaggi dell’utilizzo di un modello di previsione probabilistica.
00:28:44 Vantaggi dell’utilizzo di un modello di previsione probabilistica rispetto a una previsione puntiforme.
00:30:42 Feedback loops e come influenzano la previsione.
00:34:35 Come i prezzi possono influenzare la previsione.
00:36:32 Spiegazione dell’osservabilità parziale e della sfida nel creare un modello per la gestione della supply chain.
00:37:04 Confronto con il concetto di feedback bandit e la sua applicazione ben nota nei sistemi di raccomandazione dell’e-commerce.
00:37:17 Discussione sui limiti dell’apprendimento supervisionato nella previsione dell’impatto delle decisioni nella gestione della supply chain.
00:38:01 Spiegazione dell’algoritmo di apprendimento per rinforzo basato su politiche.
00:41:06 Discussione sulle sfide nell’applicazione dell’algoritmo di apprendimento per rinforzo alla gestione della supply chain del mondo reale e sulla soluzione di iniziare con l’apprendimento offline dai dati storici.
00:44:55 Discussione su come le abitudini e le pratiche passate influenzino le variazioni dei prezzi in un’azienda.
00:46:41 Spiegazione dello sfruttamento e dell’esplorazione nell’apprendimento per rinforzo.
00:50:57 La necessità di riconoscere i feedback loops nella previsione come un cambiamento di paradigma.
00:52:45 Le sfide tecniche e culturali nell’incorporare l’IA nei processi aziendali.
00:53:57 Discussione sulle sfide nella modellazione e nella presa di decisioni nell’industria della supply chain.
00:54:55 Riconoscimento dell’esistenza di feedback loops nel processo della supply chain.
00:55:06 Passare a un approccio basato sulle decisioni anziché su un approccio basato sulle previsioni.
00:57:27 La tendenza nell’industria della supply chain, specialmente tra le grandi aziende di e-commerce.
01:01:03 Quali qualità vengono cercate quando si inseriscono nuove persone per lavorare sulle sfide della supply chain presso IKEA.

Riassunto

In un’intervista moderata da Nicole Zint, Joannes Vermorel, fondatore di Lokad, e Alexander Backus, responsabile dei dati e dell’analisi presso IKEA, discutono l’applicazione di machine learning e AI nell’industria della supply chain. L’intervista mette in evidenza l’impatto delle profezie che si autoavverano e dei feedback loops sulla gestione della supply chain e sottolinea le sfide nell’utilizzo di modelli di machine learning nella previsione. L’intervista esplora anche approcci per evitare il problema della previsione zero, come l’utilizzo della previsione probabilistica, e l’importanza di riconoscere l’incertezza nella previsione della supply chain. I partecipanti sottolineano la necessità di abbracciare l’incertezza, passare a modelli di presa di decisioni e incorporare i cambiamenti in modo graduale per migliorare la gestione della supply chain.

Riassunto Esteso

In questa intervista, Nicole Zint modera una discussione tra Joannes Vermorel, fondatore di Lokad, e Alexander Backus, responsabile dei dati e dell’analisi presso IKEA, sull’applicazione di machine learning e AI nell’industria della supply chain. Discutono del concetto di profezia che si autoavvera e del suo potenziale impatto sulle supply chain, del ruolo dei feedback loops e delle sfide nell’utilizzo di modelli di machine learning nella previsione.

Una profezia che si autoavvera è una previsione che direttamente o indirettamente causa la sua stessa realizzazione a causa del feedback tra credenza e comportamento. Nella gestione della supply chain, le previsioni possono influenzare i processi decisionali e cambiare il futuro. Vermorel sottolinea che le profezie che si autoavverano non sono inherentemente buone o cattive; rendono semplicemente la situazione più complessa.

I feedback loops sono diffusi nelle supply chain, poiché gli esseri umani reagiscono alle previsioni, che possono poi influenzare le previsioni future. Vermorel evidenzia come questi loop possano manifestarsi in vari modi, come l’aggiustamento dei prezzi o la posizione dei prodotti in base ai livelli di stock. Sottolinea anche che i concorrenti possono modificare le loro strategie in risposta alle previsioni di un’azienda, creando ulteriori feedback loops.

Backus spiega che i dati sulle vendite sono un input chiave per i modelli di machine learning nella previsione, ma le vendite non sono la stessa cosa della domanda. I dati sulle vendite possono essere influenzati dall’offerta e da altri fattori, mentre la domanda è una quantità non osservata che deve essere inferita. Sottolinea l’importanza di distinguere tra le due e considerare la loro interazione nel processo di previsione.

I modelli di machine learning possono essere problematici nella previsione della supply chain se non sono progettati per tener conto dei feedback loops e delle profezie che si autoavverano. Backus menziona l’“effetto frusta”, in cui piccole deviazioni nella supply chain possono essere amplificate dal sistema. Ciò può portare a effetti dannosi, come vendite in picchiata o previsioni inaccurate. Confronta la previsione del tempo, che non è influenzata dal comportamento umano, con la previsione dei risultati aziendali, che sono soggetti a questi complessi feedback loops.

Per mitigare le sfide poste dai feedback loops e dalle profezie che si autoavverano, Vermorel suggerisce che le aziende dovrebbero abbracciare la complessità dei sistemi di supply chain e riconoscere che le previsioni puntuali possono essere insufficienti. Invece, dovrebbero cercare di capire e anticipare gli impatti potenziali delle loro previsioni sul comportamento umano e sui processi decisionali.

In sintesi, l’intervista esplora le complessità dell’utilizzo del machine learning e dell’IA nella gestione della supply chain, evidenziando l’importanza di comprendere le profezie che si autoavverano e i feedback loops per migliorare l’accuratezza delle previsioni e la presa di decisioni.

Il problema della previsione zero si verifica quando un sistema ordina meno stock a causa di una percezione di calo della domanda, causando un ulteriore calo della domanda e portando a un continuo declino degli ordini. Per evitare questo problema, Vermorel suggerisce di rimuovere il bias delle rotture di stock cambiando la metrica utilizzata nel modello di previsione. Un approccio consiste nel azzerare le misurazioni nei giorni con rotture di stock. Questo metodo funziona bene quando le rotture di stock sono relativamente rare, ma è meno efficace in settori con elevate percentuali di rotture di stock.

Un altro approccio consiste nel fornire al modello di machine learning accesso ai dati storici e futuri sui livelli di stock, consentendogli di apprendere l’effetto delle fluttuazioni dei livelli di stock sulle vendite o sulla domanda future. Questo metodo richiede di inserire nel modello di previsione tutte le decisioni e i fattori che influenzano la domanda, come le promozioni, i prezzi, la capacità, i vincoli del magazzino e le forze di mercato.

Tuttavia, Backus avverte che l’utilizzo di un modello di machine learning standard senza tutte le informazioni necessarie può portare a errori, come confondere la causa e l’effetto delle variazioni dei livelli di stock e delle fluttuazioni della domanda. Per evitare questi problemi, suggerisce di utilizzare la previsione probabilistica, che riconosce la sfumatura delle informazioni disponibili e evita di convergere su una fiducia assoluta nella domanda pari a zero.

La previsione probabilistica distribuisce le probabilità su molti valori, rendendo più difficile convergere su una fiducia assoluta nella domanda pari a zero. Questo approccio evita il congelamento dell’inventario a zero stimando probabilità non nulle per la domanda futura. Considera anche l’asimmetria tra servire un cliente e tenere in magazzino un giorno in più, favorendo livelli di servizio più elevati.

Nonostante i suoi vantaggi, la previsione probabilistica non è una soluzione perfetta. Può comunque sottostimare la domanda futura in caso di ripetute rotture di stock. Tuttavia, fornisce un metodo più robusto per gestire l’inventario ed evitare il problema della previsione zero.

In conclusione, l’adozione di tecniche di machine learning e di previsione probabilistica può aiutare i professionisti della supply chain a prevedere meglio la domanda e a gestire i livelli di inventario. Considerando vari fattori che influenzano la domanda e tenendo conto delle incertezze dei dati disponibili, le aziende possono prendere decisioni più informate e migliorare le loro performance della supply chain.

Joannes Vermorel ha sottolineato l’importanza di riconoscere l’incertezza nella previsione della supply chain, poiché la modellazione perfetta degli eventi futuri è irrealistica. Ha discusso il concetto di previsione probabilistica, che riflette l’incertezza intrinseca degli eventi della supply chain, e come si differenzia dalle previsioni puntuali. Le previsioni probabilistiche, ha spiegato, coinvolgono distribuzioni di probabilità, rendendo il futuro molto diverso dal passato. Ha anche accennato ai cicli di feedback come una dimensione aggiuntiva per arricchire le previsioni rendendole dinamiche e condizionate al comportamento futuro.

Alexander Backus ha concordato con i punti di Vermorel ed ha approfondito come dare ai modelli accesso alle decisioni precedenti, come la determinazione dei prezzi, possa alleviare i problemi di previsione. Ha introdotto il concetto di osservabilità parziale, che consiste nell’osservare solo l’effetto di una decisione senza conoscere il controfattuale. Al fine di prevedere meglio l’impatto delle decisioni, Backus ha suggerito di riformulare i problemi di machine learning per ottenere decisioni ottimali anziché previsioni sul futuro. Questo approccio è chiamato apprendimento per rinforzo.

La conversazione ruota attorno alle sfide della previsione e della presa di decisioni nella gestione della supply chain a causa dei cicli di feedback, dei dati limitati e delle decisioni non casuali. Sottolineano la necessità di abbracciare questi cicli di feedback e di muoversi verso un modello che produca decisioni anziché previsioni. La tendenza tra le aziende orientate alla tecnologia come Amazon e Alibaba è quella di abbandonare l’idea di una previsione perfetta e concentrarsi sulla presa di decisioni. Nonostante le sfide esistenti, i partecipanti al panel concordano sul fatto che il settore dovrebbe lavorare per incorporare questi cambiamenti in modo graduale al fine di migliorare la gestione della supply chain.

Vermorel sottolinea l’importanza di abbracciare l’incertezza e la complessità irriducibile delle supply chain, che sono composte da persone, macchine e processi. Egli sostiene che sia meglio essere approssimativamente corretti che esattamente sbagliati. Backus sottolinea la necessità di un grande talento nel campo della scienza dei dati per affrontare le sfide all’interno di grandi aziende come IKEA, sottolineando il potenziale impatto globale e l’importanza di mettere in discussione lo status quo.

Trascrizione completa

Nicole Zint: Benvenuto Alexander Backus qui con noi oggi nei nostri uffici. Alexander è un esperto in questo campo ed è il responsabile dei dati e dell’analisi presso IKEA. Quindi, come sempre, vorremmo iniziare lasciando che i nostri ospiti si presentino. Alexander, se vuoi, hai la parola.

Alexander Backus: Grazie, Nicole. Grazie per avermi qui. È fantastico essere qui a Parigi con te. Mi chiamo Alexander Backus e sono responsabile dell’analisi dei dati nel dominio delle operazioni di inventario e logistica di IKEA Inka Group Digital. Gestisco un gruppo di data scientist, data engineer e data analyst che lavorano in team di prodotto interfunzionali con l’obiettivo di ottimizzare la pianificazione delle operazioni di logistica dell’inventario. Ho una formazione in scienza dei dati e ho lavorato come consulente per grandi aziende come KLM Airlines, Heineken, Vodafone Ziggo e ING Bank. Dopo aver conseguito un PGD in Neuroscienze Cognitive, penso che lavorare nella supply chain come data scientist sia un campo davvero entusiasmante perché combina molte condizioni favorevoli per la scienza dei dati. Ci sono molti dati, c’è un impatto sulla presa di decisioni nel mondo reale, quindi è qualcosa di tangibile, e non influenzi solo il risultato finale, ma aiuti anche a creare un mondo più sostenibile riducendo gli sprechi nella supply chain. Ecco come sono finito qui.

Nicole Zint: Prima di approfondire questi argomenti, spieghiamo prima il concetto che discuteremo. Iniziamo semplicemente: cos’è una profezia che si autoavvera?

Alexander Backus: L’idea è che la previsione che fai per ottimizzare il tuo processo aziendale influenzi effettivamente un certo processo decisionale. Viene presa una decisione basata sulla tua previsione, almeno è quello che vuoi. Quando ciò accade, significa che la tua previsione stessa sta cambiando il futuro e sta anche cambiando i dati che vengono utilizzati per prevedere la prossima volta. Ciò può comportare alcune sfide. Fondamentalmente, una profezia che si autoavvera è quando una previsione si verifica perché è stata prevista. Quindi, influenzi il futuro perché pensavi che sarebbe stato in un certo modo. Non influenzi solo il futuro, ma crei anche una realtà in cui la previsione diventa verità, e ciò può accadere in vari modi. Ad esempio, se hai una previsione per la tua attività o le tue vendite, questa può diventare l’obiettivo per la tua attività.

Nicole Zint: Quindi, le persone del marketing prendono certe decisioni, dicono, ok, dovremmo raggiungere questo obiettivo perché siamo un po’ bassi ora, quindi dobbiamo vendere un po’ di più e dobbiamo fare delle promozioni. Quindi, la previsione che hai fatto è diventata l’obiettivo che ha portato a prendere decisioni lungo il percorso, che influenzano quale sarà il risultato finale delle vendite in questo esempio. E ciò può accadere in molti modi. Un altro esempio è quando hai una certa previsione che fa sì che tu assicuri una determinata capacità di consegna o capacità di prelievo nei tuoi magazzini, e ciò ha un impatto sul tempo di consegna. Quindi, quando un cliente guarda il tuo sito di e-commerce e vede che il tempo di consegna è molto alto o molto basso, può andare in entrambi i modi; ciò influisce effettivamente sulla domanda da parte dei clienti.

Alexander Backus: Esattamente, quindi la domanda influenza la tua offerta e l’offerta influenza la domanda. Va in entrambi i modi, ed è proprio questo effetto a cui stai alludendo, Joannes. Per quanto riguarda le previsioni che diventano obiettivi aziendali, come vedi che ciò influisce sull’azienda stessa? Quali sono gli svantaggi quando la previsione è qualcosa a cui le persone mirano anziché guardare effettivamente le prestazioni della loro supply chain?

Joannes Vermorel: Non ci sono svantaggi di per sé. È più una questione di questo è il modo in cui opera la supply chain. Sai, i cicli di feedback sono ovunque. Stiamo affrontando essenzialmente questioni umane in cui ciò che sorprende gli operatori è che in molte scuole di ingegneria e anche in molte aziende, le persone affrontano la previsione come l’approccio alla previsione del movimento dei pianeti, qualcosa in cui hai un quadro molto chiaro in cui hai osservazioni passate e puoi fare una dichiarazione sulla posizione futura del pianeta. Ma tu, essendo il previsionista, non hai alcun impatto su quegli elementi osservati, come i pianeti.

Nicole Zint: Quindi vuoi dire che una profezia che si autoavvera non è necessariamente né buona né cattiva, semplicemente è?

Joannes Vermorel: Sì, esattamente. Non puoi fingere che non abbia alcun effetto, ma certamente rende la situazione più complessa e complicata, in realtà un po’ di entrambe. E quindi, dove diventa un po’ confuso è che molte aziende hanno difficoltà a fare i conti con qualsiasi cosa che non sia una previsione puntiforme o una previsione puntiforme. Diciamo, hai un futuro; questo è tutto. Ed è essenzialmente qualcosa che è completamente simmetrico rispetto al passato. Hai le tue osservazioni passate e vorresti avere un futuro che sia altrettanto chiaro e ordinato come il passato, essenzialmente più dello stesso.

Nicole Zint: Sì, più dello stesso ma anche davvero della stessa natura. Quindi hai una visione perfettamente chiara del passato e una visione perfettamente chiara del futuro. E a proposito, nel caso del movimento dei pianeti, finché non guardi milioni di anni avanti, puoi avere una visione completamente perfetta per la posizione di quei pianeti tra un secolo.

Joannes Vermorel: Ora, dove diventa interessante è che nella supply chain, hai cicli di feedback ovunque. Ogni volta che ti impegni per un prodotto acquistando molto, crei aspettative e le persone sentono di dover vendere il prodotto, e faranno tutto il possibile affinché l’azienda non si trovi con un’eccessiva quantità di magazzino che non è riuscita a smaltire. Si organizzeranno in modo che questa massiccia fornitura si trasformi in massicce vendite, o almeno è quello che cercheranno di fare. Regolano il prezzo in base a quanto hanno in magazzino, o a volte cose ancora più banali. Se ci sono negozi, se tu

Nicole Zint: In una direzione leggermente diversa, solo per stabilire una differenziazione più ampia, vedi quei cicli di feedback, sono ovunque e non sono cattivi. Sono solo presenti, e di nuovo la ragione principale è perché nel mezzo ci sono esseri umani che possono pensare e agire in base a quelle migliorie sul futuro. Quindi ogni volta che ci sono esseri umani nel processo, ogni volta che fai una dichiarazione sul futuro, le persone reagiranno in base a quelle dichiarazioni. Le supply chain sono molto complesse, quindi queste reazioni possono assumere molte forme. Ma tutte le supply chain hanno in comune il fatto di avere molte persone, e a volte, ad esempio, il ciclo di feedback assume anche la forma dell’annuncio di una carenza di qualcosa. Allora le persone si affrettano a comprare questa cosa, e così puoi avere una carenza creata dall’uomo solo perché è un effetto psicologico.

Joannes Vermorel: Esattamente. E l’idea che se annunci una carenza, è molto probabile che provochi una carenza, non è nulla di nuovo. È relativamente prevedibile, ma comunque è difficile anticipare tutti quei segnali perché improvvisamente devi essere perfetto. Sì, e improvvisamente devi modellare, in un certo senso, la psiche delle persone che si trovano nel mezzo della supply chain.

Nicole Zint: Joannes, continui a menzionare questi cicli di feedback. Alexander, posso chiederti quali dati effettivi vengono restituiti a questi sistemi affinché i nostri spettatori possano capire? Quindi a che punto della supply chain restituiamo i dati?

Alexander Backus: Bella domanda. Credo che una fonte molto importante per fare qualsiasi tipo di previsione sia i dati sulle vendite, ed è anche il dato chiave che viene influenzato dagli effetti di cui abbiamo appena parlato. Quindi se torniamo a ciò che Joannes stava spiegando, l’approccio ingenuo alla previsione della domanda, o alla previsione aziendale in generale, è quello in cui prendi un modello di machine learning supervisionato e inizi a trattarlo come un problema di regressione di base. Quindi dici, “Okay, prevedrò questa quantità basandomi sui dati storici utilizzando un algoritmo di apprendimento supervisionato.” E poi se prendi quel modello che è addestrato per prevedere le future vendite e ora pensi agli esempi dei cicli di feedback che abbiamo discusso, puoi avere casi dannosi o degeneri qui. Quindi dove il tuo modello prevede una bassa domanda o basse vendite, cerchiamo di fare molta attenzione a non confondere le due cose, ma ignoriamo per un attimo che le vendite non sono domanda.

E quindi ti troverai in una situazione in cui prevedi basse vendite, quindi fai anche una pianificazione della capacità bassa, e quindi vendi anche meno, e poi scenderai sempre di più fino a zero. Quindi il modello inizierà a imparare che la domanda sta diminuendo, ma sta diminuendo. E può anche andare al contrario, in realtà. Quindi può anche salire in modo simile.

Joannes Vermorel: Sì, ci sono questi effetti dannosi se si utilizza un modello di machine learning per imparare dalla storia per prevedere il futuro in questo modo più ingenuo che può andare completamente storto qui.

Nicole Zint: Sembra un po’ come l’effetto bullwhip, dove un errore nella supply chain o una deviazione dalla norma viene amplificato dal sistema. E hai anche menzionato il fatto che le vendite non sono necessariamente la domanda, perché potresti vendere 50 unità del tuo stock, ma se la domanda era di 100, verrà registrato solo che le tue vendite sono 50. Questa distinzione è in realtà legata al nucleo di questo problema.

Alexander Backus: Sì, la domanda stessa è, ovviamente, una quantità non osservata. Non puoi misurarla, quindi devi inferirla. E i dati sulle vendite sono quelli più vicini a quella, ma non è sicuramente tutto.

Nicole Zint: Quindi, stiamo discutendo dell’idea che le previsioni prodotte possano influenzare la domanda e le vendite, creando un ciclo di feedback. Alcuni hanno descritto la differenza tra prevedere il tempo e prevedere il business, dove prevedere il tempo non lo influisce, mentre prevedere il business può effettivamente influenzarlo. Alexander, potresti approfondire questo ciclo di feedback e come evitiamo il problema della previsione zero che hai menzionato?

Alexander Backus: Certamente. Quando un modello di machine learning impara dai propri dati di output, può amplificare le deviazioni dalla norma. Ad esempio, se la domanda diminuisce un po’ per qualsiasi motivo, il modello potrebbe dire al sistema di ordinare di meno. Di conseguenza, la domanda diminuisce ancora di più perché si ordina di meno, e il modello suggerisce quindi di ordinare ancora meno, portando a un problema di previsione zero. Questo problema è particolarmente comune nelle previsioni delle serie temporali. Joannes, come evitiamo questo problema con i sistemi di machine learning?

Joannes Vermorel: La previsione zero è qualcosa che si ottiene quando non si rimuove il bias della mancanza di stock, che può essere piuttosto forte. Se rimani senza stock, osservi vendite zero, ma ciò non significa che non ci sia domanda. Abbiamo almeno tre tecniche in produzione presso Lokad per gestire il bias della mancanza di stock. Un approccio prevede di cambiare la metrica che stai ottimizzando con il tuo modello di previsione. Invece di applicare uniformemente la metrica nel tempo, annulli le misurazioni nei giorni in cui hai mancanze di stock. È un approccio grezzo, ma può funzionare.

Nicole Zint: Quale metrica viene tipicamente utilizzata inizialmente che suggerisci di cambiare?

Joannes Vermorel: Ci sono migliaia di metriche, ma le più semplici sono L1, L2 o anche MAPE. La domanda è se si applica uniformemente la metrica nel tempo. La risposta è tipicamente no, non si vuole applicarla uniformemente. Si vuole annullare le misurazioni nei giorni in cui si hanno mancanze di stock.

Nicole Zint: Quindi, annullare significa rimuovere il contributo di un giorno in cui c’è stata una mancanza di stock?

Joannes Vermorel: Sì, si rimuove il contributo di un giorno quando si sa che il segnale è fortemente distorto. Funziona bene eliminare quel segnale, ma è un approccio piuttosto grezzo.

Nicole Zint: Non se le mancanze di stock sono molto diffuse. Per molte aziende, le mancanze di stock sono statisticamente relativamente rare. Hanno un livello di servizio superiore al 95%, quindi questo tipo di metodo funziona bene se le mancanze di stock sono piuttosto eccezionali, come una sorta di disastro naturale che accade abbastanza raramente.

Joannes Vermorel: No, intendo proprio come, diciamo, un negozio di articoli vari, tipo un supermercato. Hanno un livello di servizio superiore al 95% tutti i giorni, va bene così. Dove non funzionerebbe sarebbe, ad esempio, per un negozio di lusso. In questo caso, un negozio di lusso, solo per darti un’idea, avrebbe tipicamente, diciamo, 500 articoli su un catalogo di 5.000. Quindi, per definizione, hai una mancanza di stock superiore al 90% tutto il tempo. In questo caso, non ha molto senso. Vedi, dipende davvero dall’industria. Ci sono settori come, ad esempio, il settore alimentare, in cui ci si aspetta livelli di servizio molto elevati. La tua gamma di prodotti è orientata verso cose che si suppone tu abbia. Ad esempio, se il tuo supermercato vende di solito un pacco di bottiglie di soda, dovresti essere in grado di entrare nel negozio con la certezza di trovare quelle unità. A volte non le troverai, ma quegli eventi saranno rari. Quindi, ancora una volta, dipende dai settori che stai considerando.

Nicole Zint: Ok, e fondamentalmente, le vendite possono inviare un segnale errato sulla domanda, come hai spiegato. Se le vendite sono zero, si può erroneamente assumere che significhi domanda zero, ma in realtà potrebbe essere perché non hai quel prodotto in stock. Infatti, c’è molta domanda per quello. E viceversa, se hai una mancanza di stock per un altro prodotto che si rivela essere un buon sostituto, allora puoi vedere le vendite di un articolo aumentare mentre in realtà riflettono il fatto che stai esaurendo lo stock di qualcosa che è un sostituto meno adatto. Tuttavia, la percezione del cliente potrebbe essere che si tratta di un cattivo servizio.

Joannes Vermorel: Sì, perché i clienti potrebbero essere comunque disposti ad accettare il sostituto, ma potrebbero comunque pensare che sia un’opzione inferiore. Quindi, ancora una volta, ciò che è interessante è considerare l’agente, i clienti, e ciò che pensano, e cercare di adattare la modellizzazione della domanda per catturare il tipo di pensiero di base che andrà a influenzare la tua base di clienti.

Nicole Zint: Come evitiamo questo problema di previsione zero in modo che le vendite zero non siano considerate come domanda zero?

Alexander Backus: Jiran ha appena menzionato di non tenere in considerazione quel segnale, di evitare semplicemente quei giorni. In termini tecnici, questo è chiamato mascheramento delle perdite.

Joannes Vermorel: Sì, fondamentalmente si rimuove il contributo di quel punto dati. Un’altra tecnica semplice è dare al modello accesso ai livelli di stock storicamente e forse a qualche proiezione futura, in modo da poter capire come queste vendite sono influenzate dai livelli di stock.

Alexander Backus: Il modello può quindi imparare quale è l’effetto delle fluttuazioni dei livelli di stock sulle vendite o sulla domanda futura se lo modelli. Fondamentalmente, l’effetto delle decisioni.

Joannes Vermorel: Sì, è lì che tutti vogliono arrivare, dove si prendono tutte le decisioni che sono state prese in base alle previsioni precedenti e si alimentano come input al modello di previsione.

Nicole Zint: Quando lo addestri, non sono solo le decisioni sugli stock che influenzano i livelli di stock, ma possono essere anche decisioni di marketing, come ad esempio un obiettivo stabilito dalla direzione aziendale. Dicono: “Ecco quanto vogliamo vendere”. Anche quella è una decisione perché abbiamo tutte queste forze di mercato.

Alexander Backus: Sì, forze di mercato. Metti tutto questo nella previsione come input, come promozioni, dati sui prezzi e dati sulla capacità. Anche la capacità può influenzare la domanda. Se i tempi di consegna aumentano vertiginosamente, le persone vanno a cercare alternative. Fondamentalmente, tutti i vincoli dell’azienda, dei magazzini e tutto ciò che può influenzare la domanda servono come segnali di input per il tuo modello. Quindi il modello può imparare dalla storia quale è l’effetto di questi segnali sulla domanda e quindi correggerlo.

Questo è una sorta di secondo passo nella tua modellazione perché ci sono molte cose di cui devi essere cauto qui. Un interessante passaggio laterale è che gli utenti aziendali vogliono utilizzare il tuo modello per fare ciò che viene chiamato, in termini tecnici, inferenza causale. Vogliono modificare cose come: “Cosa succede se facciamo questa promozione o se riduciamo i livelli di stock? Cosa succede alla domanda?” È un po’ come una simulazione.

Per far funzionare questo, devi prestare molta più attenzione alla modellazione. Se lo fai nel modo in cui l’ho spiegato, il tuo modello può facilmente imparare effetti come quando lo stock è basso, la domanda è alta, solo perché una campagna di marketing, che è la causa effettiva, ha fatto diminuire lo stock e aumentare la domanda. Confonde il concetto. Questo viene chiamato confonditore o causalità inversa. Un modello di machine learning standard, se non gli viene fornita tutte le informazioni di cui ha bisogno, commetterà questo tipo di errore.

Un esempio classico è quando si cerca di prevedere se farà caldo. Puoi prevederlo in base al numero di vendite di gelati. Beh, ovviamente, questo è un tipico esempio di causalità inversa. Ma forse hanno abbassato il prezzo o hanno avuto una carenza di stock, e quella era la vera ragione. Ci sono molte cose possibili.

Ma devi fare attenzione. Questo è un modo per iniziare a fornire al tuo modello più informazioni sulle decisioni prese su di esso e assicurarti che impari come relazionarsi. Tuttavia, questo sarà ancora abbastanza impegnativo per il modello stesso imparare queste relazioni, soprattutto se ci sono molti passaggi intermedi di cui non hai dati. Se dai una previsione, non è scontato che qualcuno in azienda la prenda e prenda decisioni su di essa. Ci saranno informazioni aggiunte, modifiche apportate dai pianificatori aziendali e quindi sarai cieco a questo in qualche misura. Diventa di nuovo problematico e complesso.

Prima di addentrarci in come affrontiamo effettivamente queste nuove sfide create dalla creazione di una…

Nicole Zint: Il machine learning è un modello più intelligente che produce decisioni e impara. Alexander, come ogni decisione influisce sull’azienda e come possiamo confrontarle per capire quali decisioni dovremmo prendere? Non vogliamo solo fare previsioni, ma anche capire i passaggi intermedi. Ma prima di addentrarci in questo, Joannes, abbiamo accennato un po’ prima a questo modello di previsione zero, che è un concetto importante in questo modello di machine learning. Qual è la differenza tra gli approcci di previsione che adottiamo in Lokad? Le previsioni probabilistiche aiutano a risolvere il problema della previsione zero e amplificano, come abbiamo discusso, questi scostamenti dalla norma che diventano solo errori più grandi? Come cambia la previsione probabilistica in tutto ciò?

Joannes Vermorel: La previsione probabilistica è molto interessante da questo punto di vista e più in generale per il ciclo di feedback. Ci sono due ragioni completamente diverse per questo. La prima è l’idea che introduciamo una nozione di sfumatura, quindi cerchiamo di essere almeno approssimativamente corretti anziché esattamente sbagliati.

Quando si tratta di situazioni con previsioni zero, ad esempio, ciò che accade è che quando si hanno previsioni probabilistiche, si riconosce che la qualità delle informazioni che si hanno tende ad essere piuttosto sfumata. Non si ha una visione perfetta di ciò che sta accadendo e quindi sarà molto più difficile, numericamente parlando, convergere verso una fiducia assoluta che la domanda sia davvero zero. Quindi non è che il modello di previsione probabilistica sia molto migliore, è solo che sarà distribuito e eviterà di bloccarsi su questa posizione zero. Considera tutte le probabilità tra molti valori e quando aggiungi al mix il fatto che di solito ci sono forti asimmetrie tra essere in grado di servire o semplicemente essere in grado di servire un’unità da tenere in magazzino per un giorno in più, tipicamente in molte situazioni, si è molto favorevoli a tenere un’unità in più per un giorno piuttosto che correre il rischio di affrontare una carenza di magazzino. Il trade-off è molto orientato verso livelli di servizio più elevati.

Quindi, ciò che si ottiene dalle previsioni probabilistiche è una situazione in cui si hanno probabilità distribuite. Non si ha una previsione, che è una dichiarazione numerica sul futuro, che collassa rapidamente verso uno stato degenere, che è dire che la domanda futura sarà zero. Ci saranno problemi, quindi se si hanno ripetute carenze di magazzino, la previsione probabilistica non è magia. Molto probabilmente si sottovaluterà la domanda futura effettiva. Tuttavia, molto probabilmente si eviterà che l’inventario si blocchi a zero semplicemente perché si stima ancora che ci sia una probabilità non zero di avere una o due o tre unità di domanda. Questo è il primo argomento; evita di amplificare in una direzione.

Alexander Backus: Sì, è anche importante considerare che, specialmente quando si hanno cicli di feedback, le situazioni sono molto difficili da controllare completamente. È meglio avere qualcosa che non amplifichi in una direzione, come ha detto Joannes.

Nicole Zint: Fingere di avere il completo controllo su tutto. Di nuovo, non stiamo parlando del movimento dei pianeti. Fenomeni in cui un’incertezza del 30-60 percento non è niente, sai, non è niente di troppo sorprendente.

Joannes Vermorel: Quindi stiamo parlando di un grado di inesattezza nella sorta di dichiarazione numerica che facciamo sul futuro che è molto alto. La previsione probabilistica almeno fornisce qualcosa che riflette questa enorme incertezza ambientale che abbiamo. Di nuovo, stiamo cercando di modellare gli esseri umani, sai, persone che possono reagire. È molto, molto difficile e la prima cosa da riconoscere è che non si ha il controllo. Voglio dire, quelle persone - quei clienti, quei fornitori, quei concorrenti - sono intelligenti, stanno giocando il loro gioco, sai, stanno facendo un sacco di cose. Sarebbe, direi, un po’ di presunzione affermare che si può modellare perfettamente tutto ciò che accadrà. Questa sarebbe la base del romanzo di fantascienza di Asimov, in cui si può avere una perfetta modellazione statistica del futuro delle grandi civiltà. È estremamente difficile e molto probabilmente irrealistico.

Joannes Vermorel: La previsione probabilistica è anche di grande interesse per una ragione completamente diversa. La seconda ragione è che, a differenza della previsione puntiforme in cui c’è una completa simmetria tra il passato e il futuro - con la previsione puntiforme, hai essenzialmente una misurazione al giorno per SKU, che potrebbero essere le tue vendite, ad esempio, o la tua domanda - e quando proietti nel futuro, finisci con una misurazione al giorno per SKU. Quindi la previsione è molto simmetrica rispetto alle tue osservazioni passate. Tuttavia, quando entri nel campo della previsione probabilistica, improvvisamente, ciò a cui stai guardando è una distribuzione di probabilità o una serie di distribuzioni di probabilità. E quindi, hai questa forte asimmetria tra il passato e il futuro. Improvvisamente, il futuro è completamente diverso dal passato. Nel passato, hai osservazioni, sono uniche, non c’è incertezza o se c’è, è solo l’incertezza della misurazione stessa. Voglio dire, potrebbe esserci un errore di trascrizione nei tuoi registri di vendita, ma in termini di ordine di grandezza, questo è molto, molto piccolo. Questo può essere quasi sempre approssimato nella supply chain come nessuna incertezza rispetto al futuro, dove l’incertezza è vasta e sono queste le tue distribuzioni di probabilità.

Joannes Vermorel: E quindi, ciò che è molto interessante, e che mi porta al ciclo di feedback, è che il ciclo di feedback è un’altra dimensione aggiuntiva. È un modo per arricchire la previsione per renderla più robusta, ma in un modo molto diverso perché se la previsione probabilistica riguardava l’introduzione di probabilità, il ciclo di feedback riguarda la trasformazione della previsione in una funzione di ordine superiore. Fondamentalmente, la tua previsione non è più un risultato, nemmeno una distribuzione di probabilità, è un meccanismo in cui puoi inserire una politica, una sorta di reazione, e otterrai un risultato diverso. Quindi vedi, diventa in qualche modo qualcosa in cui sai solo che se qualcuno agisce - e questo qualcuno può anche essere te stesso in un certo senso - avrai comunque un impatto sulla previsione.

Nicole Zint: Quindi la situazione diventa più dinamica e olistica quando entri nel campo dei cicli di feedback. Puoi spiegare come questo influisce sulla previsione e come diventa più sfuggente?

Joannes Vermorel: Quando entri nel campo dei cicli di feedback, stai affrontando qualcosa di dinamico che ha bisogno di un ingrediente funzionale al suo nucleo, come una politica. Questa politica detta come reagire in termini di scorte, prezzo e diversi fattori che rappresentano la tua previsione. La previsione diventa più sfuggente perché non è più un semplice oggetto. È influenzata da questi cicli di feedback e quando le persone dicono “previsione”, di solito pensano a una previsione puntiforme. Quando entriamo nel campo delle previsioni di politica, stiamo già allungando ciò che le persone possono pensare. Quando diciamo che saranno distribuzioni di probabilità, diventa molto più difficile da visualizzare.

Ad esempio, il fatto che i tuoi prezzi evolveranno per aiutare a mantenere il flusso di merci nella tua supply chain. Se un’azienda sta per subire una grave carenza, la risposta più naturale è aumentare gradualmente il prezzo in modo che la carenza sia meno grave. Al contrario, se stai per subire una grave situazione di sovrastock, la risposta naturale è abbassare il prezzo per aumentare la domanda e liquidare lo stock in eccesso. La previsione che hai sul futuro dipende dalla tua politica di prezzi in questi esempi. Quando inizi a pensare ai cicli di feedback, la tua previsione diventa condizionale, tenendo conto di una politica che è in parte sotto il tuo controllo.

Nicole Zint: Alexander, sei d’accordo con i punti di forza e le differenze che Joannes ha appena delineato con l’approccio di previsione probabilistica rispetto a una serie temporale?

Alexander Backus: Sì, dare al tuo modello accesso alle decisioni precedenti come i prezzi può alleviare questo problema. Joannes ha parlato di serie temporali e previsioni probabilistiche in questo senso. Tuttavia, non abbiamo solo l’effetto della tua previsione che influisce sulle decisioni future e sui dati di addestramento; abbiamo anche ciò che viene chiamato osservabilità parziale. Ciò significa che osservi solo l’effetto della decisione presa e non sai cosa sarebbe successo se avessi avuto più capacità o più scorte. Questo è un controfattuale. La sfida è creare un modello abbastanza buono da prevedere accuratamente l’impatto di tutte le decisioni.

Questo fenomeno è molto noto nei sistemi di raccomandazione dell’e-commerce ed è probabilmente meno noto nella supply chain. Si chiama feedback del bandito. Il termine deriva dai banditi a braccio, un’installazione di slot machine in un casinò in cui osservi solo la ricompensa che ottieni dalla slot machine o quale braccio hai tirato.

Nicole Zint: E poi è lo stesso effetto, e il sistema di raccomandazione è simile a quello perché se mostri una certa pubblicità, non sai cosa sarebbe successo se ne avessi mostrata un’altra al cliente. Ci sono stati approcci di modellizzazione specifici che sono adatti a questo, e l’impostazione di apprendimento supervisionato ingenuo di cui ho parlato all’inizio è effettivamente carente in questo. Quindi, non è in grado di prevedere l’effetto dell’azione. Piuttosto, ciò che si vuole fare è riformulare il problema di apprendimento automatico, in modo che il modello non produca una previsione sul futuro; dovrebbe produrre una decisione ottimale. E questo è ciò a cui penso si riferisse anche Joannes, si chiama una politica. Quindi, si impara un modello che dice cosa si dovrebbe fare. Questa è la pubblicità che si dovrebbe mostrare, o in un contesto di supply chain, questa è la merce che si dovrebbe spostare da A a B, questa è la quantità di capacità che si dovrebbe riservare. Quindi, le cose effettive che influiscono direttamente sulla tua supply chain anziché una previsione di per sé, da cui prendi le decisioni da solo che la macchina non sa quali decisioni hai preso. In teoria, potresti addirittura saltare completamente tutta la previsione e dire semplicemente cosa dovresti fare.

Alexander Backus: Ci sono algoritmi specifici di apprendimento automatico, e la classe più ampia è chiamata apprendimento per rinforzo. È lì che si prende un’azione nel mondo reale, si osserva l’effetto di quella, e si dovrebbe inquadrarla in termini di ricompense, ricompense finanziarie. Ed è lì che si ottiene il feedback e quindi si aggiorna il modello in base a quel feedback. Hai menzionato le ricompense finanziarie, quindi è un esempio se, diciamo, prendi la decisione di ordinare questa quantità di merce, e poi osservi come si comporta la supply chain, quanta denaro è entrato nel conto, e poi ciò viene restituito al sistema in modo che capisca, beh, quando abbiamo preso queste decisioni, questo è stato l’output, e quindi continua da lì.

Joannes Vermorel: Sì, questo tipo di rinforzo finanziario o obiettivo finanziario può essere più complesso, tenendo conto dei costi di stoccaggio, delle opportunità mancate e così via. C’è molto su cui si può elaborare, o possiamo lasciarlo così. Quindi è quello che ottimizzi con questo algoritmo di apprendimento per rinforzo. In questo modo, si impara direttamente la politica, le decisioni che si dovrebbero produrre. Quindi, in un certo senso, si abbraccia questa profezia che si autoavvera anziché evitarla, di cui abbiamo iniziato a parlare all’inizio della nostra discussione. Quindi, non è né buono né cattivo; semplicemente non può essere ignorato. Ed è un modo per aggirare questo problema, avere questo modello che tiene conto delle decisioni e impara dall’impatto delle decisioni precedenti per creare decisioni sempre migliori.

Alexander Backus: Dovremmo riflettere un po’ sulle implicazioni di ciò perché ciò significa che dovresti anche essere in grado di sperimentare. E questo è, ovviamente, molto sfidante in questa configurazione se il modello deve imparare e vedere cosa succede se fa A o B.

Nicole Zint: Quindi perché questo non è stato applicato in modo essenziale prima, o non è applicato ovunque?

Alexander Backus: Beh, questo è uno dei motivi. E inoltre, gli algoritmi tipici di apprendimento per rinforzo imparano in modo online, cioè prendono un’azione e poi imparano dal feedback di ricompensa che ottengono da essa. Questo è problematico in contesti reali in cui c’è molto rischio coinvolto e in cui non hai

Nicole Zint: Non hai qualcosa con cui avviare questo algoritmo, per farlo produrre cose sensate in primo luogo. Parte casualmente inizializzato. Oppure devi avere un ambiente di simulazione molto buono, che è ciò che spesso si vede in altre impostazioni di apprendimento per rinforzo come AlphaZero che impara a giocare a scacchi da Google DeepMind. Hanno una simulazione, quindi hanno una simulazione al computer in cui questo algoritmo di apprendimento per rinforzo può sperimentare. Quindi, in sostanza, non sacrificano la catena di approvvigionamento di qualcun altro.

Alexander Backus: Esattamente, non vuoi conigli da laboratorio. Ma questo è un problema del tipo uovo o gallina nel nostro caso qui perché allora hai bisogno di un modello molto accurato della realtà. E se hai quello, hai già risolto il problema. Quindi, hai bisogno di una catena di approvvigionamento in primo luogo per farlo, e non vuoi farlo. Hai bisogno di un modello della tua catena di approvvigionamento. Se hai quello, non dovresti aver bisogno di addestrare e dovresti già essere in grado di individuare l’opportunità. Torniamo a dove abbiamo iniziato.

Sì, ma c’è una direzione promettente al giorno d’oggi in cui si impara dai dati storici. Si chiama apprendimento per rinforzo offline, in cui si impara fondamentalmente dalle decisioni storiche prese. Anche se non sono distribuite in modo così uniforme come avresti voluto, è comunque possibile addestrare algoritmi basati su dati del mondo reale che sono stati raccolti in precedenza.

Nicole Zint: Come un punto di partenza?

Alexander Backus: Sì, come un punto di partenza. E da lì, puoi poi passare a impostazioni più online senza sacrificare le tue forniture, o puoi addestrarlo offline prima di rilasciarlo a lotti. Ci sono diverse opzioni, ma ciò comporta anche le sue sfide. Joannes, qual è il tuo parere su ciò che Alexander ha appena descritto: iniziare offline, imparare dai dati precedenti e, in sostanza, la macchina aggira questo problema del tipo uovo o gallina, diventa abbastanza brava da poter essere applicata a una vera catena di approvvigionamento, quindi ha più dati reali con cui lavorare e procedere da lì? Qual è il tuo parere in merito?

Joannes Vermorel: L’efficienza dei dati è quasi sempre una preoccupazione per qualsiasi tipo di algoritmo di apprendimento automatico nella catena di approvvigionamento perché non si ha mai il lusso di avere una quantità gigantesca di dati, almeno non alla granularità con cui devono essere prese le decisioni. Nelle decisioni della catena di approvvigionamento, devono essere prese tipicamente a livello di SKU. E a causa del fatto che avviene il batching, anche se stiamo guardando l’SKU in un negozio, non sarà di milioni di unità al giorno. E se stiamo guardando l’SKU in una fabbrica, allora ci saranno grandi lotti e sarà a lotti di, diciamo, 10.000 unità. E ancora una volta, non sarà di milioni di lotti al giorno. Quindi, la quantità di osservazioni rilevanti è ancora relativamente limitata.

Questo è un aspetto che è sempre una sfida per il reinforcement learning perché non abbiamo così tanti dati. Un simulatore è di grande interesse, ma è anche un punto su cui ho accennato brevemente in una delle mie lezioni. Fondamentalmente, c’è una dualità tra una previsione probabilistica e un simulatore. Se hai una previsione probabilistica, puoi sempre campionare osservazioni e ottenere così il tuo simulatore dalla tua previsione probabilistica. E se hai un simulatore, puoi semplicemente eseguire molte simulazioni e calcolare le rispettive probabilità, e torni alla tua previsione probabilistica. Quindi, c’è una dualità molto forte.

Sì, è interessante, ma si basa sull’avere una previsione probabilistica molto accurata, il che è molto impegnativo.

Nicole Zint: L’osservabilità parziale è un problema particolarmente difficile da risolvere perché quando si prende un set di dati, diciamo, ad esempio, si vuole indagare sui movimenti dei prezzi. L’azienda potrebbe aver operato in un modo specifico negli ultimi dieci anni in cui non faceva movimenti di prezzo a caso; aveva abitudini molto forti. Ad esempio, a volte le abitudini sono così forti che creano problemi quando si tratta di differenziare effettivamente quale sia la causa effettiva di qualcosa.

Joannes Vermorel: Cosa succede se l’azienda, ogni singolo anno alla fine di gennaio, decide di avere i primi saldi dell’anno? Hanno una pratica in cui aggiungono grandi sconti su una vasta varietà di prodotti alla fine di gennaio, che si osserverà come un picco di domanda alla fine del mese. Ma qual è l’effetto della stagionalità? Osserverebbero un picco di domanda alla fine del mese anche senza gli sconti? E qual è la proporzione dell’impatto che deriva solo dagli sconti?

Alexander Backus: Questo è il problema, infatti. Le decisioni non sono state prese a caso, quindi ciò che si osserva riflette abbastanza ampiamente le pratiche usuali. Un modo nel reinforcement learning per affrontare questo problema è introdurre una combinazione di esplorazione e sfruttamento. Lo sfruttamento consiste nel fare del meglio da ciò che hai osservato in base a ciò che hai osservato, e l’esplorazione consiste nel provare qualcosa di nuovo, ma con l’aspettativa che, essendo parzialmente casuale, sarà inferiore.

Joannes Vermorel: Quindi perché mai proveresti qualcosa che sai molto probabilmente che sarà inferiore? La risposta è, beh, perché è l’unico modo in cui alla fine puoi scoprire qualcosa che si rivela essere superiore. Questa è l’idea di sacrificio, essenzialmente è un investimento per la ricerca e lo sviluppo. E potrebbe essere qualcosa che in realtà può assumere forme molto banali. Potrebbe essere, ad esempio, che diciamo che sei in un negozio, stai vendendo candele.

Alexander Backus: E ti rendi conto, e se cercassi di vendere le stesse candele ma a un prezzo che fosse quattro volte più alto o quattro volte più basso? Entrambe le opzioni potrebbero essere valide. Forse se fai un ordine molto grande da uno dei tuoi fornitori e aumenti notevolmente la quantità, potresti potenzialmente abbassare notevolmente il prezzo di un prodotto di base. Sto prendendo una candela apposta, quindi potresti avere un prezzo molto più basso, e forse moltiplicheresti per 10 la domanda che hai osservato.

Joannes Vermorel: Sarebbe un compromesso valido. Oppure segui un’altra strada completamente diversa e dici: “Andrò per qualcosa di molto più premium, aggiungerò sapore o profumo e qualcos’altro, un packaging migliore e moltiplicherò il prezzo per quattro.” Invece di avere un decimo della domanda che avevo prima, ho ancora la metà della domanda ma per un prodotto che ha un prezzo molto più alto.

Alexander Backus: Tuttavia, se guardiamo alla storia, molto probabilmente, le variazioni che abbiamo osservato erano solo piccole variazioni rispetto alla base. La nostra storia non comprende questi scenari più folli, se vogliamo.

Joannes Vermorel: Sì, e ancora, potrebbe trattarsi di cosa succede se prendi un prodotto e dici: “Introduco cinque varianti di cinque colori diversi.”

Nicole Zint: Sai, qual è il grado di cannibalizzazione che osserverò, o sto effettivamente toccando nuovi mercati? Di nuovo, se prendo le candele e dico che sto introducendo più colori per le candele, in che misura quelle candele di diversi colori si cannibalizzeranno tra loro e in che misura soddisferò effettivamente una domanda completamente nuova?

Joannes Vermorel: Non lo so, e forse questo registratore potrebbe darmi un’idea di questo. Ma in larga misura, di solito quello che vediamo è che, finché le aziende iniziano a introdurre una sorta di casualità guidata dalla macchina, c’è pochissima casualità. È molto più una questione di abitudini. E ancora, dipende anche dal modo in cui queste aziende operano. Quando, ad esempio, c’è una decisione di prezzo, di solito non è solo una persona che ha avuto l’idea. C’è un metodo dietro, e le persone sono state addestrate a dire: “In questa situazione, dovresti scontare il prodotto perché è la pratica usuale e ha senso.” Va bene, ma significa anche che la maggior parte delle variazioni di prezzo che osservi nei dati storici segue sempre un piccolo numero di modelli che sono appunto i metodi in atto.

Alexander Backus: Ma sicuramente, è comunque un buon punto di partenza. Quando, come hai detto, cosa fai altrimenti? O sacrifici una catena di approvvigionamento o crei una grande simulazione, ma ciò si basa anche sull’idea che hai dei buoni dati su cui basarti. Ma, come ho detto, se lo facciamo in modo offline, se guardiamo la nostra storia delle vendite esistenti o i dati che abbiamo, anche se può esserci questo inconveniente che potremmo non vedere questa grande deviazione dalla norma per osservare le diverse conseguenze di ciò, è comunque il punto di partenza giusto, secondo te?

Joannes Vermorel: Credo che il punto di partenza giusto sia leggermente diverso. Il punto di partenza giusto è prima di tutto riconoscere che ogni volta che abbiamo cicli di feedback, questo è fondamentale. Se riconosciamo che quei cicli di feedback sono reali e vogliamo affrontarli, è un cambiamento di paradigma nel modo in cui affrontiamo la previsione stessa. Vedi, questo è un vero punto di partenza. Il resto sono tecnicismi. Ci sono molti modelli. I modelli di apprendimento per rinforzo più semplici, come i banditi, possono essere incredibilmente semplici. Alcuni sono incredibilmente complessi, ma quelli sono tecnicismi. Quello che ho osservato nelle catene di approvvigionamento del mondo reale è che la sfida più grande per iniziare effettivamente ad abbracciare qualcosa di semplice come quei cicli di feedback è riconoscere che avranno effetti profondi sulle previsioni stesse. Le previsioni non saranno mai le stesse, e non dico quantitativamente. Dico in termini di paradigma, non puoi più guardare quelle previsioni allo stesso modo. Questo non è nemmeno più lo stesso oggetto. Questo è qualcosa di natura diversa, ed è molto difficile perché di solito, la domanda che mi viene posta è: “La mia previsione sarà più accurata?” Una delle sfide è che, non appena iniziamo a guardare quei cicli di feedback, come misuri anche l’accuratezza quando hai cicli di feedback? Questa è una questione a sé stante. È una domanda difficile.

Alexander Backus: Sì, se posso collegarmi a questo, penso che abbiamo discusso delle sfide tecniche e delle sfide legate alla disponibilità dei dati. Ma sono completamente d’accordo con Joannes sul fatto che il motivo principale per cui non è stato applicato o adottato in contesti aziendali è anche che ha un impatto profondo sul processo aziendale. Quindi, in questo tipo di contesto teorico…

Nicole Zint: Quindi, chi pensi siano i giocatori più orientati alla tecnologia nell’industria dell’e-commerce?

Joannes Vermorel: La tendenza è, credo, se guardo i giocatori molto aggressivi orientati alla tecnologia, sarebbero dd.com, Amazon.com, Alibaba.com. Sai, quelle aziende di e-commerce che sono avanti nel loro gioco. Sì, sono davvero al top del loro gioco. Sono molto, molto efficaci.

Alexander Backus: Sono d’accordo con questo. Queste aziende sono sicuramente leader nel settore quando si tratta di tecnologia e innovazione.

Nicole Zint: Quindi, il mondo è cambiato molto nel corso degli anni. Cosa ne pensi, Joannes, del mondo in cui viviamo oggi?

Joannes Vermorel: Beh, non è così semplice come un tempo. Il mondo sta ancora progredendo, ma abbiamo avuto molte sorprese negli ultimi anni. È chiaro che non siamo alla fine della storia in cui tutto è prevedibile. Il mondo è caotico e dobbiamo abbracciare l’incertezza e la complessità degli esseri umani, delle macchine e dei processi nelle catene di approvvigionamento. Non possiamo avere un controllo completo, quindi il mio approccio è essere approssimativamente corretti per catturare tutto anziché essere esattamente sbagliati.

Nicole Zint: È un punto di vista molto interessante. E tu, Alexander, che tipo di talento cerchi quando inserisci nuove persone nel tuo team?

Alexander Backus: Da IKEA, cerchiamo sempre talenti di data science per risolvere sfide in una grande azienda. Abbiamo molti dati e un potenziale di impatto su scala globale, quindi dobbiamo mettere in discussione lo status quo.

Nicole Zint: Grazie a entrambi per le vostre opinioni. È stato un piacere avervi con noi oggi.

Joannes Vermorel: Sì, grazie.

Alexander Backus: Grazie per avermi ospitato.