Storie del Futuro: Una Discussione con Jonathon Karelse - Ep 136

00:00:00 Discutere l’importanza della previsione e dello scetticismo.
00:00:40 Presentazione degli ospiti Jonathon Karelse e Joannes Vermorel.
00:01:37 Ispirazione alla base della scrittura di “Storie del Futuro” e l’importanza di mettere in discussione i metodi di previsione.
00:05:49 Definizione della previsione e delle sue radici nei primi anni del XX secolo.
00:08:53 Discussione sulla sensatezza di estendere serie di misurazioni per prevedere il futuro.
00:09:40 Prospettiva classica di previsione del XXI secolo e il suo attaccamento alle serie temporali.
00:10:33 Ricalibrazione della misurazione del successo nella previsione e focalizzazione sul fare soldi in azienda.
00:13:25 Principi newtoniani e approccio deterministico nella previsione e la loro influenza sul pensiero economico.
00:16:55 Progressi europei in matematica e statistica e il loro impatto sui metodi di previsione nordamericani.
00:18:25 Adattarsi alle inevitabili imprecisioni della previsione e accettare l’idea che non sarà mai perfettamente accurata.
00:19:29 Il problema della previsione deterministica e l’adozione di approcci probabilistici.
00:20:36 I primi pensatori sull’IA e le loro previsioni sulle sue capacità.
00:21:55 L’influenza dell’economia comportamentale sulla previsione e l’approccio classico.
00:23:00 L’irrazionalità degli esseri umani e l’emergere dell’economia comportamentale.
00:26:34 Euristiche, i loro vantaggi evolutivi e il lato negativo nell’interpretazione dei dati.
00:28:55 Esaminare il comportamento umano nella presa di decisioni basate sui dati.
00:29:37 Come incorniciare i dati con una storia influisce sulla presa di decisioni.
00:31:13 L’impatto dei pregiudizi organizzativi sulla previsione.
00:33:00 Il problema dell’eccessivo ottimismo nella previsione delle promozioni.
00:36:23 Applicare la ragione oltre all’irrazionalità e il potenziale dell’ingegno umano.
00:38:53 Importanza di non fare affidamento eccessivo su modelli complessi per le strategie operative.
00:39:48 I pericoli delle “previsioni nude” e la necessità di connessioni tangibili con l’azienda.
00:42:34 Come i processi burocratici e le catene di fornitura sono vulnerabili ai problemi nella previsione.
00:45:31 Economia comportamentale e pregiudizi umani nel processo di previsione.
00:47:53 Massimizzare il valore del giudizio umano nella previsione comprendendo i pregiudizi.
00:48:39 Importanza di riconoscere i pregiudizi e il loro ruolo nella previsione.
00:50:40 Limitazioni della prospettiva delle serie temporali nella previsione.
00:52:00 Problemi umani nella previsione che vanno oltre i pregiudizi.
00:54:53 Il futuro dello sviluppo dell’IA e il suo ruolo nell’aiutare o sostituire i previsionisti umani.
00:57:01 L’importanza dell’ingegno umano e di fare le domande giuste.
00:58:47 Discussione sulle ricette numeriche e il ruolo umano nell’automazione.
01:01:58 Automazione futura nella gestione della catena di fornitura.
01:04:11 Possibili argomenti per una seconda edizione del libro.
01:05:22 Sfruttare l’economia comportamentale nelle riunioni di livello C.
01:08:46 Limitazioni delle previsioni nell’aviazione e nel settore al dettaglio.
01:09:30 Concentrarsi sulle decisioni e sulla strana natura della modellazione predittiva.
01:10:27 Confrontare la stranezza delle previsioni future con la meccanica quantistica.
01:11:12 Consigli di Jonathon per i professionisti della catena di fornitura.
01:11:56 Conclusioni e ringraziamenti agli ospiti.

Riassunto

In un’intervista, Joannes Vermorel, fondatore di Lokad, e Jonathon Karelse, CEO di NorthFind Management, discutono dell’importanza di comprendere e mettere in discussione lo scopo delle previsioni nelle aziende. Essi sostengono un approccio scettico, sottolineando che l’accuratezza non dovrebbe essere l’unico parametro di successo. Le previsioni dovrebbero essere considerate come una metrica diagnostica per identificare e affrontare gli errori al fine di migliorare continuamente. Entrambi gli esperti concordano sul fatto che i pregiudizi possono influenzare le previsioni e le aziende dovrebbero concentrarsi su tecniche che hanno impatti tangibili. Discutono anche il ruolo dell’IA nell’ottimizzazione della catena di fornitura, sottolineando che, sebbene l’IA possa essere d’aiuto, l’ingegno umano rimane essenziale.

Riassunto Esteso

In questa intervista, l’ospite Conor Doherty discute delle previsioni con Joannes Vermorel, fondatore di Lokad, e Jonathon Karelse, CEO di NorthFind Management. Karelse spiega che il suo approccio alle previsioni si basa sulla comprensione del loro impatto sulle aziende. Molte organizzazioni fanno previsioni perché “si suppone” che debbano farle, ma spesso non si chiedono perché fanno previsioni o se ci sono modi per migliorare il processo. Egli sottolinea l’importanza di avere uno scetticismo sano e di mettere costantemente in discussione le pratiche per migliorare le previsioni.

Karelse condivide l’ispirazione per il suo libro, “Storie del Futuro”, che nasce dal desiderio di esaminare il contesto storico delle previsioni e la validità di certi principi di previsione. Fa riferimento al lavoro di Bruno LaTour, che ha messo in discussione la certezza dei principi scientifici e ha sostenuto la comprensione del contesto storico in cui sono nati. Questo approccio ha ispirato Karelse ad applicare una lente simile al campo delle previsioni.

Quando gli viene chiesto di definire le previsioni, Karelse afferma che esse consistono essenzialmente nel fare una supposizione su come sarà il futuro. Sebbene la supposizione possa diventare più scientifica e guidata, è importante non perdere di vista il fatto che le previsioni si basano fondamentalmente sull’incertezza. Vermorel aggiunge che la prospettiva classica delle previsioni, che risale ai primi del XX secolo, si basa sulle serie temporali e sulla misurazione nel tempo. Tuttavia, egli ritiene che nel XXI secolo continueranno a emergere nuovi modi di guardare al futuro.

Karelse sottolinea che l’accuratezza delle previsioni non dovrebbe essere l’unico parametro di successo. Invece, l’accuratezza delle previsioni dovrebbe essere considerata come una metrica diagnostica che può aiutare a identificare le cause principali degli errori e delle sub-ottimalità, che possono poi essere utilizzate per ricalibrare e ottimizzare per il miglioramento continuo. L’obiettivo delle previsioni è fare soldi e comprendere le esigenze e le aspettative specifiche di un’azienda è fondamentale per utilizzare le previsioni in modo efficace.

Vermorel concorda sul fatto che le previsioni non siano sempre state affrontate con scetticismo. I primi sostenitori come Roger Babson credevano nel potere assoluto della scienza nel prevedere e modellare il futuro. Tuttavia, sia Karelse che Vermorel sostengono un approccio più scettico che metta in discussione il senso comune e cerchi di migliorare i metodi di previsione in modo che siano vantaggiosi per le aziende.

La discussione inizia con una breve storia delle previsioni, in particolare gli aspetti culturali e geografici che hanno avuto un ruolo nel suo sviluppo. La conversazione poi si concentra sull’approccio classico alle previsioni, che si basava su una filosofia deterministica che si affidava a principi matematici e scientifici per arrivare a conclusioni accurate. Vengono discusse le limitazioni di questo approccio, tra cui il fatto che gli esseri umani non sono sempre attori razionali e che i pregiudizi inconsci possono influenzare la presa di decisioni. Viene introdotto il concetto di euristica e vengono discusse le vantaggi e gli svantaggi di fare affidamento su di essa. Viene esplorata anche l’idea della sovrafiducia, che è un precursore di una discussione sull’economia comportamentale. La conversazione poi si sposta sull’importanza delle previsioni probabilistiche e su come possano aiutare le organizzazioni a comprendere meglio le limitazioni delle loro previsioni. La discussione si conclude con una breve menzione dell’intelligenza artificiale e del suo potenziale per aiutare nelle previsioni, ma anche con la necessità di accettare che ci sono limiti ultimi alla nostra capacità di comprendere tutto.

La questione del bias positivo nelle previsioni, in particolare nelle organizzazioni con pregiudizi culturali e basati sul business verso la crescita e gli esiti positivi. Anche senza pregiudizi evidenti, la ricerca mostra che le persone sono quattro volte più propense a fare aggiustamenti positivi a una previsione rispetto a quelli negativi. Questo bias è attribuito alle nostre tendenze evolutive verso l’avversione al rischio e la materializzazione delle possibilità positive.

Joannes Vermorel ha condiviso la sua esperienza con i clienti nel settore del commercio al dettaglio, dove il bias verso l’aumento positivo delle promozioni era diffuso, portando a previsioni senza senso. La sua soluzione è stata quella di affrontare le previsioni come una tecnica tra molte altre, piuttosto che come l’approccio principale. Ciò comporta l’utilizzo solo di tecniche numeriche che consentono un impatto tangibile sul business, come produrre qualcosa, spostare qualcosa dal luogo A al luogo B o utilizzare dati direttamente collegati a qualcosa di tangibile. Vermorel ha insistito sulla necessità di trattare le previsioni come una tra molte tecniche e di non avere previsioni isolate che non siano collegate a qualcosa di tangibile.

Jonathon Karelse ha contribuito alla discussione aggiungendo che tutti i modelli sono sbagliati, ma alcuni modelli sono utili, e l’obiettivo finale è puntare alla parsimonia e alla selezione del modello. Ha anche messo in guardia contro la microgestione delle previsioni, poiché spreca tempo quando l’accuratezza delle previsioni a un orizzonte di sette o otto mesi è già abissale. Ha suggerito che applicare una capacità infinita di ingegnosità in applicazioni specifiche in cui la probabilità di un upside è maggiore è la strada da seguire.

Hanno concluso affermando che le previsioni sono solo una tecnica tra molte e non l’unico modo per affrontare il futuro. Hanno concordato sul fatto che una maggiore comprensione dell’economia comportamentale all’interno di un’organizzazione può migliorare le previsioni. Riconoscendo i pregiudizi che possono influenzare le previsioni, le organizzazioni possono evitare di fare previsioni senza senso e concentrarsi su tecniche che consentono un impatto tangibile sul business.

La discussione ruota attorno all’uso di intelligenza artificiale e previsioni nella ottimizzazione della supply chain. Esplorano le fonti e i gradi di pregiudizio nel giudizio umano e come ciò influisce sul processo. Vermorel sostiene che l’attenzione dovrebbe essere rivolta all’ingegnerizzazione di ricette numeriche che operano su larga scala e generano decisioni ragionevoli. Afferma che tali ricette dovrebbero essere completamente automatizzate nell’esecuzione quotidiana, mentre gli esseri umani dovrebbero concentrarsi su decisioni a lungo termine che richiedono una maggiore capacità mentale. Karelse concorda sul fatto che l’IA possa aiutare le persone nelle previsioni ma non sostituirle, e che l’ingegnosità umana sia ancora essenziale nel porre domande interessanti e importanti che l’IA può risolvere. La discussione si conclude con la speranza di Karelse che le organizzazioni possano bilanciare il potenziale vantaggio delle intuizioni umane con la fragilità che affligge tutti a causa dell’imperfezione del funzionamento delle nostre menti.

Il futuro dell’ottimizzazione della supply chain. Vermorel ha espresso la sua convinzione che con strumenti e tecniche migliori, grandi team di persone nella gestione della supply chain potrebbero diventare superflui, e ha descritto la sua esperienza nel vedere le persone persistere nel fare cose che sono chiaramente irrazionali, nonostante le prove che dimostrano il contrario. Karelse ha concordato con Vermorel e ha aggiunto che utilizza l’economia comportamentale per aiutare i dirigenti di alto livello a capire perché i loro processi sono difettosi e come misurare il loro valore aziendale. Vermorel ritiene che concentrarsi sulla modellazione predittiva nella gestione della supply chain diventerà sempre più strano, e Karelse ha raccomandato che i professionisti non si accontentino mai di sapere semplicemente, ma che chiedano sempre il perché. L’intervista si è conclusa con Karelse che raccomanda il libro di Vermorel e entrambi gli ospiti ringraziano Doherty per il suo tempo.

Trascrizione completa

Conor Doherty: Benvenuti allo spettacolo. Sono il vostro conduttore, Conor. Oggi sono qui con Joannes Vermorel, co-fondatore di Lokad, e abbiamo un ospite speciale oggi, Jonathon Karelse, CEO e co-fondatore di NorthFind Management. È un ricercatore pubblicato nel campo dei pregiudizi inconsci e ha scritto questo bel libro, “Storie del Futuro”. Jonathan, grazie mille per essere qui con noi.

Jonathon Karelse: Grazie per avermi invitato.

Conor Doherty: Giusto, Jonathan, spero che tu sia pronto per un mare di lodi perché ho effettivamente letto il libro. Mi è piaciuto molto. Penso che potrei, infatti, essere il tuo pubblico di riferimento perché sono istruito, ma ho anche interesse per questi argomenti, sai, economia, business, economia comportamentale. Ma in realtà non ho quella formazione formale; il mio background, come abbiamo discusso prima, è musica e filosofia. Quindi, ho imparato parecchio attraverso la storia delle previsioni. Hai un tono molto bello, molto accessibile e leggibile, quindi grazie mille. Quindi, inizieremo dall’inizio, suppongo. Qual è stata esattamente l’ispirazione per scrivere un libro sugli ultimi 100 anni di previsioni?

Jonathon Karelse: Beh, il mio approccio alle previsioni e alla pratica è sempre stato capire cosa avrà un impatto sul business, e potrebbe sembrare ovvio. Ma in molte organizzazioni, le previsioni vengono fatte perché “si suppone”, e non viene necessariamente dato molto pensiero al motivo per cui facciamo previsioni. Di conseguenza, molte saggezze ricevute vengono tramandate di generazione in generazione nel business, e le persone semplicemente seguono il processo di previsione senza capire realmente quali sono gli elementi del processo che influiscono positivamente sul business. Ci sono cose che potremmo fare per migliorarlo e, cosa più importante, perché?

La domanda “perché” è qualcosa che forse non mi definirei un contrarian, ma penso che sia sempre buono avere un po’ di sana cinismo o scetticismo. Spesso mi sono chiesto perché, e un libro che mi ha davvero colpito quando ero uno studente di economia è stato scritto da Bruno LaTour. È della famiglia LaTour. È essenzialmente la pecora nera della famiglia perché non fa vino, ma Bruno LaTour ha un dottorato in epistemologia dalla Le Cole de Mine, che, per coloro che lo conoscono, sapranno che non è una cattiva università. Ha passato molto tempo a studiare le modalità di apprendimento e le modalità di conoscenza, e ha scritto un libro chiamato “Science in Action”.

Questo libro “Science in Action” analizza alcune delle fondamenta della scienza, come la struttura a doppia elica del DNA, e le riporta indietro prima che fossero fatti, prima che fossero messi in una scatola nera, e ci aiuta a capire il contesto storico in cui sono nati. In questo modo, illustra davvero che molte di queste certezze scientifiche sono molto meno certe di quanto pensiamo. È conveniente

Conor Doherty: Quindi, quando usi il termine previsione, cosa intendi esattamente?

Jonathon Karelse: È una grande domanda. Nella sua essenza, la previsione è un tentativo di immaginare come sarà il futuro. Questo tentativo può diventare più scientifico e guidato dai principi dell’incertezza, ma alla fine stiamo facendo una supposizione. È importante non perdere di vista questo fatto, poiché si basa sull’incertezza.

Conor Doherty: È un punto interessante. E Johannes, un principio fondamentale di Lokad è abbracciare l’incertezza, giusto?

Joannes Vermorel: Sì, ma per rispondere alla domanda sulla previsione, credo che ci sia una prospettiva classica sulla previsione che risale all’inizio del XX secolo, resa popolare da persone come Roger Babson e Irving Fisher. Questa prospettiva affronta la previsione attraverso le serie temporali. Hai misurazioni effettuate nel tempo, come la quantità di acciaio prodotta o il numero di patate raccolte. Alla fine ti ritrovi con una sequenza di misurazioni che puoi rappresentare come una serie temporale. La cosa ovvia da fare è estendere la curva e vedere dove va. Questa è l’essenza della prospettiva classica sulla previsione che è emersa all’inizio del XX secolo. Tuttavia, è solo un modo di guardarlo.

La vera domanda è se ha senso affrontare il futuro semplicemente estendendo una serie di misurazioni. Non è necessariamente sbagliato, ma è un modo opinabile di affrontare il futuro. Questo approccio è stato molto presente nel XX secolo, progredendo e affinando i metodi nel corso del secolo. Tuttavia, è probabile che nel XXI secolo emergeranno nuovi modi di guardare al futuro, alcuni dei quali potrebbero essere molto più strani dell’approccio classico.

Conor Doherty: Johannes, su questo punto riguardante l’approccio classico alla previsione, voglio rimandare la domanda a Jonathon. Qualcosa che permea tutto il tuo lavoro è una ricalibrazione di come le persone misurano il successo di una previsione. La tua tesi sembra essere che non si tratta solo di precisione della previsione in sé. Potresti approfondire questo concetto, per favore?

Jonathon Karelse: Spero che continueremo a esplorare l’idea dell’approccio classico rispetto a diverse filosofie di previsione in futuro. Ma nel frattempo, una delle cose che mi lascia perplesso è come le persone spesso parlano di sapere che la previsione sarà sempre sbagliata come se fosse una carta da gioco per uscirne indenni. Diranno: “Mi chiedi di fare una previsione. Farò del mio meglio, ma la previsione è sempre sbagliata, quindi non mi biasimare quando lo è.

Conor Doherty: …ma poi calibrano comunque le strategie operative e finanziarie nella speranza di una previsione altamente accurata. Quindi voglio essere molto chiaro perché ne ho parlato a un paio di conferenze ad Amsterdam la scorsa settimana e ho avuto alcune persone molto arrabbiate, in particolare fornitori di software in quelle sessioni, che dicevano: “Beh, di cosa stai parlando? La previsione non conta.” E voglio essere chiaro: la previsione conta assolutamente in particolari applicazioni perché ci sono alcuni settori in cui non conta dal punto di vista del ROI.

Jonathon Karelse: Se sei un sarto su misura e puoi fare tre abiti all’anno e i tuoi clienti sono disposti ad aspettare dieci anni, non hai bisogno di passare molto tempo a prevedere la domanda. Sei al massimo della capacità. Il ROI sarà minimo. Per tutti gli altri, probabilmente c’è un ROI, ma il punto è che la precisione della previsione per me non è la metrica di valutazione. La precisione della previsione non è l’obiettivo. La precisione della previsione è una metrica diagnostica che possiamo utilizzare per identificare le cause principali degli errori e delle sub-ottimalità che possiamo poi utilizzare per ricalibrare e ottimizzare per il miglioramento continuo. L’obiettivo della previsione è fare soldi perché l’obiettivo delle aziende è fare soldi, a meno che tu non sia in un’azienda che non lo fa. E la previsione è uno degli strumenti che abbiamo a disposizione per farlo. In alcuni casi, maneggiato correttamente, è il miglior strumento che abbiamo. In altri casi, è uno strumento di supporto e in altri casi probabilmente non darà molti benefici. Ma capire il tuo business per capire cosa dovresti aspettarti da una previsione, secondo me, conta molto.

Joannes Vermorel: La previsione è sempre sbagliata e ora le persone la usano come una carta da gioco per uscirne indenni. Mi piace molto questa espressione. La cosa interessante è che non è sempre stata la prospettiva prevalente. Sai, Roger Babson era un immenso fan del lavoro di Sir Isaac Newton e anche allora c’era questa incredibile convinzione nel potere assoluto della scienza, che si sarebbe in grado di catturare le cose e avere una sorta di modellazione numerica, proprio come si può prevedere fino all’ultimo secondo di arco la posizione di Marte tra tre secoli.

Jonathon Karelse: Entrambi credevano, come alla fine faccio io, che la matematica sottenda tutto e se avessimo la capacità e abbastanza dati, la matematica potrebbe spiegare tutto. Ma nella pratica, non siamo ancora lì. E direi che è qualcosa che non era molto compreso all’inizio del XX secolo. Ci sono ordini di grandezza di difficoltà che semplicemente non ci sono, quindi non è come se la formula definitiva fosse dietro l’angolo.

Joannes Vermorel: Credo che una delle scoperte chiave del XXI secolo sia rendersi conto di quanto, per tutte le cose legate alla conoscenza, ci siano interi campi di conoscenza che sfuggono alla nostra comprensione. Non si tratta solo di trovare qualcosa di equivalente alla legge di gravità, dove in una sola equazione si può spiegare una quantità enorme di cose. Questo era il tipo di pensiero che esisteva all’epoca.

Conor Doherty: Per il pubblico, stiamo parlando di statistici nordamericani descritti nel libro che sono emersi negli Stati Uniti a causa dell’emergere di una classe media…

Conor Doherty: Quindi, chi possiede azioni, non opzioni su azioni, mi scuso, azioni, e volevano avere una proiezione su cosa darà loro i migliori rendimenti. Erano molto interessati a tutti quei tipi di previsioni e quindi è qualcosa che è emerso davvero negli Stati Uniti e in Nord America. Il componente culturale o geoculturale è fondamentale.

Joannes Vermorel: Questo è molto importante perché non era particolarmente basato sulla statistica in Nord America. Come hai sottolineato, Babson amava Newton e tutto ciò che era newtoniano. Ha preso ciò che era una comprensione piuttosto superficiale dei principi newtoniani e ha cercato di applicarli senza il beneficio di una comprensione statistica per la previsione. Fondamentalmente, se qualcosa sale per un po’, scenderà per un po’ perché è quello che succede con la gravità.

Jonathon Karelse: Irving Fisher, che ha ottenuto il primo dottorato di ricerca in economia del Nord America, ha cercato di applicare la sua formazione matematica a ciò che fino a quel momento era stata una scienza sociale. Ha iniziato a unire alcune delle statistiche, che bisogna dire erano guidate principalmente in Europa piuttosto che in Nord America, al campo dell’economia nordamericana. Ma è davvero in Europa durante quel periodo che vediamo tutti i progressi che avvengono nella matematica che alla fine verrà utilizzata per la previsione.

Joannes Vermorel: C’era questo approccio deterministico in cui le persone credevano che si potesse modellare il futuro in modo meccanicistico. Questo modo di pensare è durato a lungo. Anche le opere di fantascienza degli anni ‘60, come la serie Fondazione di Isaac Asimov, hanno abbracciato l’idea di psicostoria, una scienza che può prevedere il futuro in modo molto meccanicistico.

Jonathon Karelse: È molto interessante perché questa è la prospettiva classica. Ma a causa del fatto che le persone hanno operato per decenni con previsioni piuttosto inaccurate, si sono rese conto che la previsione è sempre sbagliata. Tuttavia, non sono giunte a patti con la conseguenza che non sarà mai completamente corretta.

Joannes Vermorel: È un punto interessante. Le persone hanno accettato moralmente che la previsione sia sempre sbagliata e non licenziano le persone a causa di questo, il che è positivo. Ma dovremmo sfidare nuovamente in modo approfondito per abbracciare questo aspetto della previsione? Non proprio.

Jonathon Karelse: Quello che è molto interessante è che hai menzionato il determinismo un paio di volte, e penso che questo sia fondamentale. Molta della scienza che stava emergendo nel XIX e all’inizio del XX secolo a livello globale, non solo in Nord America, era essenzialmente nata dallo slancio che avevamo iniziato a guadagnare nel Rinascimento. Siamo usciti dal Medioevo e abbiamo iniziato a capire che applicando principi scientifici, possiamo iniziare a illuminare queste aree oscure.

Conor Doherty: Aree di conoscenza e davvero elevarci, e abbiamo iniziato a diventare, penso, un po’ arroganti riguardo all’estensione in cui potevamo farlo. Abbiamo iniziato a credere nel XIX e all’inizio del XX secolo che con abbastanza sforzo, non c’è davvero nulla che non possiamo imparare. E questo informa due temi molto importanti nella previsione. Il primo è che un approccio deterministico ha senso con quella filosofia perché significa che se lavoro abbastanza duramente e sono abbastanza intelligente, arriverò a quella conclusione accurata anziché accettare che è un’impresa folle. Sarò sempre sbagliato e gli approcci probabilistici, che incidentalmente…

Jonathon Karelse: …e qualsiasi altro. Beh, Joannes Komagarov stava facendo tutto il suo lavoro in statistica nello stesso periodo in cui questi primi approcci deterministici stavano nascendo. Quindi non è che abbiamo dovuto aspettare altri cento anni per la possibilità di approcci probabilistici. La matematica c’era. Il secondo punto è che credere che con abbastanza sforzo, con abbastanza concentrazione, potremmo capire qualsiasi cosa. Ci porta a ciò che oggi è un argomento molto caldo: l’IA. Ora, l’idea che l’IA possa risolvere attività non a valore aggiunto o attività di routine per gli esseri umani non è nuova. Infatti, c’è stata una conferenza negli anni ‘50 al Dartmouth College in cui un gruppo di pensatori precoci sull’IA ha elencato 10 cose che pensavano che l’IA potesse realizzare nei prossimi 10 anni. E 70 anni dopo non ne abbiamo fatto nessuna. Questo non ci ferma dal provare, e penso che il tentativo sia importante. Ma penso che alla fine, la lezione sia che dobbiamo accettare che ci sono limiti ultimi alla nostra capacità di capire tutto. E una volta che capiamo questo, diventiamo più aperti ad altri approcci come, ad esempio, la previsione probabilistica, che poi ci prepara alla realtà che diciamo di sapere che saremo sempre sbagliati. Ma ora, accettando questo, cerchiamo di capire come si traduce in termini di risultati aziendali concreti e calibriamo le nostre strategie sulla consapevolezza che saremo sbagliati anziché sulla speranza che in qualche modo avremo ragione.

Conor Doherty: Sembra che tu abbia lasciato cadere due spunti molto interessanti, uno che è essenzialmente un precursore di una discussione sull’economia comportamentale, penso che tu stia facendo riferimento all’eccessiva fiducia in se stessi, e il secondo sull’IA. Immagino che nel Capitolo 6, penso cinque o sei, affronteremo questi argomenti se non ti dispiace. Prima, per quanto riguarda l’economia comportamentale, so che è molto il tuo mestiere. Se potessi approfondire un po’ su come l’economia comportamentale influisce effettivamente o interagisce con la previsione.

Jonathon Karelse: Certamente. Quindi Joannes, all’inizio della conversazione, ha menzionato diverse volte l’approccio classico alla previsione. E direi che l’approccio classico alla previsione è di per sé un po’ un sottoprodotto dell’economia classica o, più precisamente, neoclassica del modo di fare impresa in generale. E questo deriva ancora da un punto di vista molto del XIX e XVIII secolo che se lavoriamo duramente e applichiamo principi matematici e scientifici a questo, possiamo capire. E Adam Smith nel 1776 ha scritto l’opera fondamentale, La ricchezza delle nazioni, e uno dei suoi punti chiave è che fondamentalmente tutto il commercio può essere compreso dal principio di base che gli esseri umani sono attori razionali che, quando vengono date scelte chiare basate sul valore, si orienteranno naturalmente verso quella con la maggiore utilità. E questo non significa necessariamente il maggior denaro, ma quello da cui traggono il maggior beneficio di qualche tipo. E intuitivamente, sembra corretto. Il problema è che, per chiunque abbia studiato economia, saprà, specialmente econometria

Conor Doherty: Anche se certamente, nell’applicazione ci sono principi di economia neoclassica che si applicano, dobbiamo capire in senso più ampio come questi sistemi di domanda e offerta, determinazione dei prezzi e, in definitiva, di decisione sono influenzati da fattori inconsci, driver psicologici inconsci che in alcuni casi sono ambientali, in alcuni casi sono cablati a livello evolutivo, ma in tutti i casi esistono. Non importa quanto si pensi di essere liberi da pregiudizi, non importa quanto si pensi di essere oggettivi, si è comunque soggetti a questi pregiudizi inconsci che creano una lente attraverso la quale si interpretano i dati.

Conor Doherty: In realtà, scusa, hai detto nel libro che una persona media prende circa 30.000 decisioni al giorno, e ovviamente non siamo consapevoli di tutte queste. Non potremmo mai esserlo.

Jonathon Karelse: No, e questo è il vantaggio di questi processi euristici che abbiamo. Spesso vediamo gli euristici come qualcosa di negativo, come una scorciatoia. Quando Joannes ha menzionato negli anni ‘70 e ‘80 quando sono emerse alcune di queste approcci scientifiche o statistiche più complesse alla previsione, i loro sostenitori come George Box e Willem Jenkins, che molti dei tuoi ascoltatori conosceranno come coautori del metodo ARIMA, hanno un po’ disprezzato i metodi più semplici come la semplice media esponenziale o la tripla media esponenziale di Holt Winters, definendoli troppo semplici e solo euristici, una scorciatoia.

Jonathon Karelse: Ma quello che hanno dimostrato le prime quattro competizioni M è che, in molti casi nella pratica, essere un euristico non è necessariamente negativo. E ora, dal punto di vista psicologico, c’è un enorme vantaggio nel poter prendere decisioni molto rapidamente dal punto di vista evolutivo. Se sono consapevole di una tigre nel mio campo visivo periferico che mi sta inseguendo nel bosco, se mi fermo e considero tutte le mie possibilità e penso a tutte le varie cose che la tigre può fare e a tutte le varie opzioni che posso avere e poi cerco di valutare la più appropriata per me, probabilmente vengo mangiato dalla tigre. E questo significa che non procreo, e questo significa che il mio DNA cessa di esistere. Quindi nel tempo abbiamo imparato che ci sono diversi processi euristici che ci giovano dal punto di vista evolutivo.

Jonathon Karelse: Uno di questi è l’euristica della rappresentatività, che è “questo assomiglia a qualcosa che ho già visto, l’ultima volta che ho affrontato questa situazione e ho ottenuto un risultato positivo. Farò la stessa cosa di nuovo.” Quindi non dobbiamo insegnare ai bambini a ritirarsi da cose che assomigliano a serpenti; è innato. Non dobbiamo fermarci a pensare a cosa fare quando vediamo un autobus che viene verso di noi; ci tiriamo indietro. E le 30.000 decisioni che dobbiamo prendere al giorno, la maggior parte di esse sono navigate da qualche tipo di euristica. Se dovessimo pensarci in modo oggettivo per tutte, saremmo paralizzati.

Jonathon Karelse: Il lato negativo delle euristiche è che ciò che pensiamo assomigli a qualcosa che abbiamo già visto non rappresenta sempre effettivamente quella cosa. E soprattutto quando si tratta di interpretare i dati, siamo spesso soggetti a qualcosa chiamato illusione del cluster. Quindi quando paghiamo le persone per interpretare i dati e fare una previsione, sentono il bisogno di aggiungere valore. Li paghiamo per trovare modelli, e trovano modelli anche quando i modelli non esistono effettivamente. È naturale che ciò accada; non si può biasimarli. Ma ci sono una serie di pregiudizi che influenzano la nostra capacità di interpretare i dati in modo razionale e oggettivo.

Conor Doherty: Jonathan, su questo punto, hai effettivamente un esempio nel libro da una ricerca che hai pubblicato altrove. Hai presentato dati casuali completamente sanitizzati a un gruppo di persone e gli hai chiesto di indovinare se la linea sarebbe salita, scesa, rimasta statica o se non lo sapevano. Puoi spiegare questo e il significato di questa scoperta?

Jonathon Karelse: Certamente. Il quadro di scelta che abbiamo presentato è una spoiler per chiunque alla fine farà il nostro test sui pregiudizi. Gran parte dei dati presentati sono stocastici. Ci sono stati dati diversi set di dati stocastici e volevamo assicurarci che non avessimo involontariamente una tendenza o una stagionalità in nessuno di essi. Questi sono i dati più stocastici che si possano avere; non c’è possibilità che qualsiasi pacchetto statistico trovi una tendenza, una stagionalità o qualsiasi altro modello in questi set di dati.

Quando abbiamo presentato il set di dati non modificato e non incorniciato e abbiamo chiesto alle persone dove pensavano che la domanda sarebbe andata, abbiamo avuto una divisione abbastanza equa tra aumento, diminuzione e invariato. Non abbiamo avuto molte persone che dicevano di non saperlo, che sarebbe una risposta completamente appropriata perché rappresenterebbe il fatto che non sanno nulla di cosa significano i dati. Non hanno nemmeno il vantaggio di poter eseguire uno strumento statistico su di esso per vedere se c’è una tendenza o una stagionalità, e tra l’altro, non si può comunque prevedere il futuro. Questa sarebbe la risposta corretta, ma pochissime persone effettivamente la dicono.

Abbiamo poi presentato lo stesso set di dati più tardi nel test con una serie di altre domande in mezzo, ma questa volta è stato accompagnato da una piccola storia. I dati sono gli stessi e la storia contiene informazioni che potrebbero sembrare utili ma che in realtà non hanno alcuna relazione con i dati. Quello che abbiamo scoperto è che circa il 70 percento delle persone diventa più certa della decisione che prenderanno. Chiunque fosse un “non lo so” di solito esce da quel gruppo, e la maggior parte delle persone che erano “invariate” passano nella categoria “sopra” o “sotto”.

Dipende da come lo inquadreremo. Se abbiamo un quadro positivo, vediamo molte persone gravitare in quella direzione. Questo è un insight molto importante dal punto di vista pratico della previsione perché i dati non sono cambiati. Nell’esempio precedente, l’esito è probabilmente il più vicino a quello che ci si potrebbe aspettare da un essere umano. Un computer l’avrebbe fatto immediatamente. Ma una volta che accompagniamo tutto ciò con una storia, improvvisamente tutta la logica e la razionalità vanno fuori dalla finestra, e finiamo con una visione estremamente distorta dei dati.

Il problema è che, nella pratica, non è così diverso. Chiediamo alle persone di creare piani di domanda, ma lo fanno all’interno del contesto più ampio di un’organizzazione che ha i suoi pregiudizi culturali e i suoi pregiudizi basati sul business verso la crescita e gli esiti positivi. Non è davvero sorprendente, quindi, che quando misuriamo l’effetto dell’intervento umano sulle previsioni basate su computer, vediamo più spesso un bias positivo. In alcuni casi, c’è addirittura una pressione esplicita per avere un bias positivo nelle organizzazioni, una pressione per fare previsioni, pianificare e raggiungere determinati obiettivi. Fondamentalmente, alle persone viene detto di cambiare.

Conor Doherty: La previsione, ma anche a parte quei pregiudizi espliciti, alcune ricerche di Len Tashman e, uh, oh, mi dimenticherò tutti i loro nomi, Spheros Mocker Docus, um, Paul Goodwin. Le loro ricerche a lungo termine mostrano che siamo probabilmente quattro volte più propensi a fare aggiustamenti positivi a una previsione che aggiustamenti negativi, il che non ha senso se partiamo da una previsione basata su dati statistici. Il residuo dovrebbe essere distribuito normalmente su entrambi i lati di quella previsione. Se richiedesse un aggiustamento umano nel tempo, dovremmo bilanciarci. Ma a causa di questo pregiudizio inconscio, in cui siamo molto più avversi al rischio che alla ricerca di ricompense, e ancora una volta ci sono ragioni evolutive per questo, ci piace realizzare possibilità di crescita molto più di quanto ci piaccia realizzare rischi al ribasso, e finiamo con le impronte digitali delle persone su un bias positivo nelle previsioni. Trovi che sia il caso quando fai previsioni?

Joannes Vermorel: Sì, voglio dire, dieci anni fa, quando Lokad faceva ancora, direi, previsioni classiche, abbiamo iniziato come fornitori di software facendo previsioni classiche. Adesso, direi che abbiamo un elemento di modellazione predittiva nel nostro toolkit, ma il modo in cui operiamo, possiamo discuterne. È molto, molto strano e al di fuori del contesto di ciò che sarebbe considerato rilevante riguardo a questi alberi del tuo futuro, a meno che non si inizi a parlare della storia del futuro per il XXI secolo. Ma tornando a quelle esperienze, è molto interessante perché abbiamo avuto, um, esperienze molto simili, soprattutto con i nostri clienti. Abbiamo avuto una serie di clienti, uh, che abbiamo ancora nel settore del commercio al dettaglio, e quando si trattava di prevedere le promozioni, una delle cose che ottenevamo frequentemente era che l’aumento delle vendite dovuto alla promozione era limitato. Sai, sì, avrai come, diciamo, un ordine di grandezza, un ipermercato, sì, forse, sai, migliorerà aumentando le vendite del 30-50%. È molto, ma molto al di sotto del tipo di “faremo 10 volte di più per questo prodotto” che le persone si aspettavano.

E la cosa interessante era che, per quelle promozioni, abbiamo fatto una serie di benchmark con squadre che in realtà facevano solo, sai, modellazione di un aumento molto semplice per la promozione rispetto a persone che facevano micro ottimizzazioni, dicendo, “Ah, conosco esattamente questo marchio di cioccolato”, ecc. E guarda cosa viene fuori in termini di accuratezza con, um, modelli ridicolmente semplici, sai, il tipo di cose che erano dell’ordine della complessità di una media mobile esponenziale, ma solo per l’aumento di una promozione, che è solo un fattore costante più 50, e sei a posto. E in realtà, era meglio, ma molto meglio delle persone che facevano micro ottimizzazioni. E infatti, il pregiudizio era molto positivo, dove dicevano, “Ma ti rendi conto che questo marchio, è la prima volta negli ultimi 10 anni che viene promosso; faranno 10 volte di più!” E noi pensiamo, “Sì, probabilmente no. Probabilmente sarà più un aumento del 50%. So che rimarrai deluso.”

Ma poi ti ritrovi con cose super strane dove, ad esempio, hai una previsione completamente insensata, come dire che farai 10 volte di più, e non fai 10 volte di più, ma acquistare 10 volte di più è effettivamente la mossa giusta perché il fornitore offre al rivenditore uno sconto enorme. Quindi, in pratica, è una speculazione sul valore dell’inventario. E se il tuo fornitore ti dà un 25%

Conor Doherty: Venderai nel tempo, potrebbe rivelarsi una decisione intelligente, ma vedi che c’era qualcosa di molto bizzarro in termini di pensiero. Cioè, inizio facendo una previsione molto insensata come facevo prima, e poi a causa del fatto che di solito con le promozioni compro le scorte con uno sconto enorme dal fornitore come modo per poter applicare un grande sconto sul prezzo dei prodotti, finisco per fare un’operazione vantaggiosa nel tempo.

Joannes Vermorel: Ma vedi, la decostruzione è che c’è un elemento di razionalità. Alla fine hai ragione per le ragioni sbagliate.

Jonathon Karelse: Esattamente, ed è molto interessante. Sai, sono cose di questo tipo, non è, e ancora una volta, il fatto che le persone possano essere irrazionali non significa che non si possa applicare la ragione su tutto ciò per modellare questa irrazionalità. Assolutamente, è irrazionale, ma non è, ed è per questo che direi, la mia prospettiva personale sarebbe che non ci sono limiti all’ingegno umano. Sai, apparentemente questa è la mia convinzione, non è un elemento di scienza. La mia convinzione di base è che non ci sono limiti alla quantità di ingegno umano, ma non sbagliarti, alcune cose che devono essere affrontate richiedono un ingegno umano assolutamente immenso e probabilmente, sai, cose che richiedono secoli di lavoro. Quindi, dobbiamo essere molto modesti in questo grande viaggio della scienza che è iniziato alcuni secoli fa. Questo è solo l’inizio e ci sono probabilmente intere classi di conoscenza di cui non abbiamo nemmeno il sospetto che possano esistere.

Joannes Vermorel: Quindi sì, sono pienamente d’accordo con te, Jonathon. È una convinzione fondamentale anche per me.

Jonathon Karelse: Credo che sia stato Pascal a dire: “Se esiste, può essere quantificato”. E ovviamente, ci sono limiti alla nostra capacità di farlo, ma credo che alla fine, con una capacità sufficiente, tutto può essere quantificato e compreso. Ma ovviamente, il problema è che siamo così lontani da quella capacità che, nella pratica, iniziare qualsiasi tipo di percorso basato sul business con quella filosofia è folle perché siamo troppo lontani dall’obiettivo. Ma è un importante seguito dell’idea che la previsione sia sempre sbagliata e del punto che Joannes ha fatto riguardo alla gestione dettagliata delle previsioni. Quando George Box ha detto: “Tutti i modelli sono sbagliati, ma alcuni modelli sono utili”, è da lì che deriva l’idea che la previsione sia sempre sbagliata. Ci sono altre due cose che ha detto che la maggior parte delle persone ignora. La prima era: “Poiché tutti i modelli sono sbagliati, ma alcuni sono utili, puntate alla parsimonia nella selezione del modello”. Quindi, in altre parole, sbaglierai comunque, quindi soprattutto gli economisti che costruiscono un modello complicato finiranno comunque con un certo grado di errore. Quindi non basare la necessità di un modello complesso che ti darà precisione perché sarai comunque sbagliato. Ma la seconda, e questa è, per me, la più importante nella pratica, è “Non preoccuparti dei topi quando ci sono tigri intorno”. Il numero di volte in cui lavoriamo con organizzazioni che dicono di sapere che la previsione è sempre sbagliata, la loro precisione delle previsioni nella pratica è abissale, ma passiamo ore a discutere dell’uno o due percento a un orizzonte di sette o otto mesi su un SKU è folle. La precisione delle tue previsioni a quell’orizzonte a livello di SKU è, ad esempio, del 30 percento.

Conor Doherty: Regolare di uno o due punti percentuali è irrilevante. Sarai sbagliato, e sarai così sbagliato che il tempo impiegato per apportare quell’aggiustamento di uno o due punti percentuali è un completo spreco di tempo. Dovresti solo cercare di applicare quella capacità di ingegno infinita che credo anche gli esseri umani abbiano in applicazioni specifiche in cui la probabilità di un vantaggio è maggiore. E questo succede quando A) capisci qualcosa con certezza sul futuro che non è riflesso nella storia, B) il valore della cosa che stai toccando è sufficientemente prezioso da giustificare l’intervento, e infine C) la portata di quell’intervento è sufficientemente grande da giustificarlo perché altrimenti, finisci comunque all’interno dei margini di errore e hai delle scorte di sicurezza o qualche altro meccanismo che se ne occupa comunque.

Joannes Vermorel: È molto intrigante perché riflette molto il percorso che Lokad ha fatto. Oggi, il modo di affrontare questo è prima di tutto avvicinarsi solo all’anticipazione del futuro per le sue conseguenze. Ecco perché ora è quasi come una parte dogmatica del dogma di Lokad dire che le previsioni nude non sono consentite. Quindi, non ti è permesso farlo, e questo viene rafforzato. Sono in grado di far rispettare questa regola a Lokad, ovviamente, essendo il CEO. L’idea è che quando fai una previsione nuda, sei, per definizione, isolato dalle conseguenze del mondo reale. La previsione di per sé è un’astrazione di una misurazione per il futuro. Non dice nulla sul fatto che la tua attività sia buona o cattiva. Sì, puoi modificare i numeri, ma alla fine non è nemmeno realmente collegato alla realtà. È una cosa molto astratta.

E ancora una volta, le persone sono disposte a fare questo tipo di esercizio solo perché la previsione classica è stata praticamente rarificata. Ci sono persone che hanno la previsione nel loro curriculum, tipo “Sono certificato per fare previsioni”. C’è la previsione, e il pianificatore della domanda è una cosa. Hanno posizioni e processi. Quindi, vedi queste cose che sono molto astratte, che erano un modo per affrontare il futuro, sono state reificate attraverso posizioni lavorative, componenti software. Paghi soldi per le licenze per ottenerle, quindi vedi, è un modo per renderlo reale. Se paghi qualcosa, sicuramente esiste.

E quindi, l’approccio, se torno a questa idea di previsione nuda, la risposta che Lokad ha dato è che no, dobbiamo trattare la previsione come una tecnica tra molte altre, tecniche numeriche che ci permettono solo di prendere decisioni. Ci sono tonnellate di cose che hanno un impatto tangibile sul business. L’idea è che se non hai una connessione diretta con qualcosa di molto tangibile, come produrre qualcosa, spostare qualcosa dal punto A al punto B, o produrre qualcosa in modo da liberarti di alcuni materiali e ottenere un risultato, allora non ti è permesso avere modelli predittivi. Questa è la cosa che è molto allettante; non appena hai una serie temporale o qualsiasi tipo di dati, puoi sempre creare un modello.

Conor Doherty: Joannes, puoi fornire qualche spunto sulle sfide nell’utilizzo delle proiezioni nell’ottimizzazione della supply chain?

Joannes Vermorel: La bellezza delle proiezioni è che sono fattibili, che siano rilevanti o sagge. Tuttavia, il problema è che quando hai un martello in mano, tutto sembra un chiodo. Se hai una certificazione nelle tecniche di previsione, puoi prendere qualsiasi set di dati e iniziare ad applicare i tuoi modelli. La nostra politica a Lokad è “nessuna previsione nuda” perché sono troppo pericolose. Se non colleghi la previsione a qualcosa di molto reale, sarai soggetto a un’intensa distorsione o addirittura a problemi burocratici. Quando crei una metrica, puoi avere tutte le cose possibili all’interno dell’organizzazione per ottimizzare questa metrica inventata. Considerando che le supply chain sono burocratiche per natura, allineare l’offerta e la domanda è un esercizio molto burocratico. Si tratta di sincronizzare molte persone, processi e software. Se aggiungi benzina al fuoco, puoi finire con qualcosa che assume rapidamente proporzioni enormi. Le supply chain sono costruzioni umane composte da molte persone, software e processi, e questo crea un terreno fertile per i problemi, specialmente con le previsioni.

Conor Doherty: Jonathan, in che modo una maggiore comprensione dell’economia comportamentale all’interno dell’organizzazione migliora il processo di previsione in termini concreti?

Jonathon Karelse: Direi che ci sono due modi principali in cui migliora il processo. In primo luogo, molte organizzazioni credono che gli esseri umani non influenzino il processo di previsione, quindi cercano di tenere il giudizio umano il più lontano possibile dal processo di previsione. Credono che, di conseguenza, siano più immuni da pregiudizi e giochi che si verificano in quello che Joannes ha giustamente definito un processo molto burocratico. Tuttavia, sostengo che anche in situazioni in cui pensiamo di aver tenuto gli esseri umani lontani dal processo, ci sono comunque tracce umane ovunque. C’è influenza umana nella selezione dei dati, nella scelta del software e, soprattutto, nelle azioni che intraprendiamo a seguito del processo di previsione.

La previsione stessa è solo un’idea, un potenziale insieme di istruzioni o una mappa. Dobbiamo ancora decidere cosa fare dopo e ciò richiede che gli esseri umani nella supply chain agiscano. Comprendere in che misura e in che modo siamo influenzati dai pregiudizi ci aiuta a capire le possibili insidie nel nostro processo. Lavorare all’indietro dalle possibili conseguenze al processo, anziché presumere che il processo ci porterà a un risultato specifico, consente una migliore comprensione delle fonti e dei gradi di pregiudizio delle persone coinvolte.

Conor Doherty: La supply chain e la pianificazione ci aiutano a capire con ancora maggiori dettagli quali potrebbero essere questi risultati. È più probabile che un’organizzazione abbia un processo di previsione o pianificazione della domanda che abbia un certo grado di automazione ed elementi guidati dal computer, ma anche, per design, l’integrazione del giudizio umano. Credo che, soggetto a linee guida specifiche, ci sia valore nel tempo nell’integrazione del giudizio, soggetto a criteri specifici. Ma aiuti a massimizzare il potenziale di valore aggiunto del giudizio umano se, ancora una volta, comprendi in che misura le persone che forniscono quel giudizio hanno pregiudizi. È nelle organizzazioni che o attivamente non vogliono credere di avere pregiudizi o sono ignare del fatto di avere pregiudizi che è più probabile che si trasmettano pregiudizi nel processo di pianificazione della domanda, sia attraverso l’integrazione attiva di giudizi o con queste tracce umane che esistono ovunque. Quando inizi a guardare i pregiudizi presenti nella tua organizzazione, puoi iniziare a fornire delle linee guida che mitigano il loro impatto. Saranno sempre presenti. Voglio dire, il giudizio umano sarà sempre fallace, ma si tratta di bilanciare il potenziale vantaggio delle intuizioni umane in casi particolari rispetto alla certezza che con quelle intuizioni verrà la fragilità che affligge tutti noi a causa dell’imperfezione del funzionamento delle nostre menti.

Joannes Vermorel: Concordo con l’idea, che è anche la mia esperienza, che se nemmeno riconosci il fatto di poter avere pregiudizi, è una ricetta molto collaudata per massimizzare la quantità di pregiudizi che hai. Per le organizzazioni, questa è molto la mia esperienza personale. Le cose di cui parlerei, e se devo destrutturare ulteriormente questa idea di avvicinarsi al futuro, quando le persone pensano a questi pregiudizi, hanno ancora in mente una prospettiva di serie temporali. Ed è molto difficile pensare a cosa sto facendo di sbagliato nella mia attività di previsione senza avere in mente il tipo di soluzione o meccanismo con cui lo sto facendo. Il pregiudizio si riferisce al fatto che hai cose troppo alte o troppo basse, ed è una prospettiva molto unidimensionale con l’idea che stai operando con una serie temporale.

Il tipo di problemi che ho visto, e che è stata l’evoluzione tecnologica di Lokad, è che se vuoi comunicare informazioni sul futuro, ci sono intere classi di cose che non possono essere espresse con le serie temporali. Non significa che non possano essere espresse con numeri; semplicemente non possono essere espresse con le serie temporali. Le serie temporali sono un modo molto semplicistico, è letteralmente una sequenza di misurazioni che si estende nel futuro. Solo per fare un esempio, se guardo le mie vendite di un prodotto, potrei prevedere i volumi di vendita, ma i volumi di vendita dipendono dal prezzo che pratico, e il prezzo non è qualcosa di dato, è una decisione per me. Quindi anche se fossi in grado di avere una previsione molto accurata, sarebbe comunque incompleta.

Conor Doherty: Qualcosa di strano dovrebbe essere matematicamente una funzione che dice se faccio questo per il prezzo, allora questo sarebbe il risultato. Quindi, qui stiamo toccando improvvisamente il fatto che anche se stiamo guardando da questa prospettiva molto deterministica di avere solo pregiudizi e simili, sto solo sottolineando che ci sono elementi in cui questa prospettiva delle serie temporali è molto debole nel considerare cose molto grandi. Non si tratta solo di avere qualcosa che è troppo alto o troppo basso, è quasi una dimensione diversa che semplicemente non viene considerata. Quindi, qui sto solo dando l’idea di poter letteralmente plasmare il risultato con altre azioni. Non si tratta solo di osservare il movimento dei pianeti; posso agire e modificare il futuro del risultato. Ma anche se rimaniamo con un osservatore puramente passivo, ci sono situazioni in cui le serie temporali sono ancora insufficienti.

Joannes Vermorel: Ad esempio, se mi occupo della manutenzione aeronautica, voglio mantenere le mie linee di aeromobili. Posso prevedere la domanda di parti, ma il fatto è che quando riparo un aeromobile, c’è un elenco di parti che devo riparare. Quindi, sto semplificando lo schema, un aeromobile entra nell’hangar per la manutenzione, le persone fanno una diagnosi, c’è un elenco di parti che devono cambiare, e finché ogni singola di quelle parti non è stata cambiata, l’aeromobile non può volare di nuovo. È a terra. Il fatto che posso prevedere tutte le parti in modo indipendente non mi dice nulla sulla disponibilità congiunta di tutte le parti. In teoria, se tutte le mie previsioni fossero assolutamente perfette per tutte le parti, allora sì, anche la conoscenza congiunta sarebbe perfetta. Ma non appena hai anche una minima incertezza su ogni parte, sapendo che per il pubblico, un aeromobile è composto da circa 300.000 parti distinte, anche una minima incertezza sul tipo di necessità che hai per ogni singola parte significa che l’incertezza che hai sulla disponibilità congiunta di tutte le parti necessarie per riparare l’aeromobile è assolutamente gigantesca.

Joannes Vermorel: Ed è un esempio in cui la prospettiva classica delle serie temporali semplicemente matematicamente non è abbastanza espressiva. Quindi, questa è un’altra classe di problemi in cui il tipo di problemi che abbiamo, se torniamo ai pregiudizi, è che hai il tipo di pregiudizio come prevedere troppo alto o troppo basso, ma hai anche altre classi di problemi molto umani che semplicemente non stanno nemmeno guardando nella giusta direzione o nemmeno guardando con il tipo di struttura che ti darebbe una risposta rilevante. E questi sono, direi, il modo di guardare molto il 21 ° secolo, e sono molto più puzzolenti.

Jonathon Karelse: Sono assolutamente d’accordo.

Conor Doherty: Bene, questo ci porta, penso, a discutere del futuro, o dei prossimi cento anni, del futuro del futuro, del futuro dei futuri. Quindi, Jonathon, in termini di sviluppo dell’IA e della tecnologia, vedi che aiuta le persone nelle previsioni o alla fine le sostituisce?

Jonathon Karelse: Quando a Daniel Kahneman viene chiesto se l’IA sostituirà le persone, da un lato è speranzoso che lo sia

Conor Doherty: Siamo così bravi a prendere giudizi oggettivi, ma d’altra parte, certi che non accadrà mai. E ancora una volta, questo è, per me, l’importanza di dividere il teorico o il filosofico dal pratico. Sul lato teorico, dovrebbe accadere ad un certo punto in futuro, in un momento in cui la nostra capacità di elaborare dati, la nostra capacità di comprendere a un livello molto più sfumato e granulare come funziona il pensiero umano e cosa sia effettivamente l’intelligenza, ci permetterà di dare origine a sistemi complessi come quelli a cui miravano i ragazzi alla conferenza di Dartmouth negli anni ‘50 quando pensavano di poter replicare il cervello umano in un paio di decenni. Questo è sul lato teorico.

Nella vita reale, nella mia vita, nella tua vita, non credo che accadrà. E posso dirlo con una certa certezza solo guardando la traiettoria di ciò che abbiamo visto negli ultimi 70 anni di intelligenza artificiale. Certamente, oggi stiamo imparando molto. La potenza di elaborazione dei computer sta crescendo in modo esponenziale, così come la quantità di dati disponibili, ma ciò non ha ancora prodotto nulla di simile alla svolta nell’IA in pratica che sostituirà gli esseri umani. Può aiutarci? Certamente. Oggi ci sono tutti i tipi di esempi in cui l’applicazione nascente dell’IA sta avendo un beneficio in molti settori diversi, ma il divario tra sostituire le persone e aiutare le persone oggi rimane un abisso spalancato.

Tornando a qualcosa che Joannes ha detto all’inizio con cui sono molto d’accordo, è che la capacità umana di ingegnosità è quella parte che penso non corriamo il rischio di far sostituire dai computer o dall’IA. Penso che il valore dell’umanità non risieda nella capacità di rispondere a domande complesse perché possiamo mettere correttamente i computer al servizio di risolvere domande complesse. Penso che dove siamo più preziosi è nel porre domande interessanti e importanti in primo luogo. È solo ponendo quelle domande che possiamo mettere in campo la somma totale della tecnologia di oggi per arrivare alla risposta, ma è ponendo quelle domande di fantasia che rende gli esseri umani ancora una parte critica del processo.

Vuoi aggiungere qualcosa, Joannes? Te lo passo.

Joannes Vermorel: La mia opinione è che ciò che le persone vedono come previsione come attività umana, nel senso classico, come avere un esercito di impiegati o aziende che hanno i loro processi S&OP supportati da centinaia di persone che elaborano fogli di calcolo e generano numeri, sono molto fiducioso che entro la mia vita vedrò scomparire. Il tipo di pratica che abbiamo in Lokad mi rende molto fiducioso perché, per i clienti che serviamo, l’abbiamo praticamente eliminato.

Ma il modo in cui l’abbiamo fatto, e questo è il tipo di prodotto, non è eliminando le persone o avendo una sorta di intelligenza artificiale. Il modo in cui l’abbiamo fatto è concentrarci su quelle decisioni e far sì che ingegneri intelligenti progettino ricette numeriche. Questo è il termine tipico che uso perché alcune potrebbero essere euristiche, altre potrebbero essere ancora più banali, solo filtri e così via. Anche quello non è nemmeno un euristico, è qualcosa di ancora più basilare.

Conor Doherty: Quindi ingegnerizzare ricette numeriche che operano solo su larga scala per quelle aziende, le cose quotidiane banali, e che possono essere completamente automatizzate ora. Significa che abbiamo rimosso gli esseri umani dall’immagine?

Joannes Vermorel: Non proprio, perché innanzitutto le ricette numeriche sono molto un prodotto umano. Ci vuole un ingegnere umano davvero intelligente per crearle e la manutenzione è anche interamente guidata dall’uomo. Le ricette numeriche sono solo una sorta di know-how su quali processi numerici funzionano su larga scala per generare decisioni ragionevoli. C’è intelligenza nelle ricette numeriche? Assolutamente no. La ricetta numerica è una questione molto meccanica. Sì, potrebbero esserci elementi di apprendimento automatico, ma sono comunque estremamente meccanici per natura.

Conor Doherty: Quindi dove è molto interessante?

Joannes Vermorel: Se si parte da questa prospettiva, ci si ritrova comunque con un processo che automatizza qualcosa che tiene occupate centinaia di persone in grandi aziende. Tuttavia, alla fine della giornata, si ha comunque un team di persone che sono molto responsabili di quelle ricette numeriche che non operano da sole. La chiave è che gli esseri umani abbiano la capacità mentale di pensare e se sono completamente sommersi nei dettagli minuti di cose super complesse nella supply chain, diventa difficile.

Un esempio di una cosa super complessa nella supply chain sarebbe avere 50 milioni di SKU che hanno bisogno di una sorta di micromanagement, dove devo scegliere se avere un’unità in magazzino, due, tre, cinque, ecc. E ho 50 milioni di quei livelli di magazzino da gestire in modo dettagliato ogni giorno. La mia speranza è che le previsioni minute necessarie per alimentare questo tipo di decisione siano completamente automatizzate nel senso dell’esecuzione quotidiana. Ma per un orizzonte più lungo, come da un anno all’altro, dove l’azienda stessa evolve, dove il suo mercato evolve, dove le domande giuste da rispondere evolvono, non penso che vedremo risposte attraverso le macchine nella mia vita.

Conor Doherty: Quindi cosa significa questo per le aziende nella pratica?

Joannes Vermorel: Credo che questa automazione sostituirà strati dell’ecosistema in cui le persone stanno facendo cose che hanno un valore aggiunto molto limitato, specialmente nell’ambito di S&OP. Alcune persone potrebbero sostenere che non è forse il vero S&OP o il buon S&OP, ma questa non è la mia discussione. Il mio punto è che ho osservato, nell’industria della supply chain, che ci sono molte grandi aziende con squadre di persone straordinariamente grandi che si limitano a spingere numeri su e giù e sospetto che questo possa scomparire. Non perché abbiamo qualche tipo di strumento fantastico che eliminerebbe la necessità di esseri umani, ma perché con strumenti migliori possiamo migliorare l’efficienza della gestione della supply chain.

Jonathon Karelse: Sono d’accordo con Joannes. Man mano che continuiamo a sviluppare strumenti e tecnologie migliori, vedremo un cambiamento nei ruoli che gli esseri umani svolgono nella gestione della supply chain. Sebbene l’automazione possa gestire molte delle attività noiose e ripetitive, l’esperienza umana sarà comunque fondamentale per la strategia, l’innovazione e l’adattamento alle condizioni di mercato in evoluzione.

Conor Doherty: E con migliori tecniche, possiamo avere poche persone intelligenti che possono ingegnerizzare cose che operano su una scala molto ampia. Beh, se ti rimando la palla, Jonathan, hai qualcosa da rispondere a riguardo? Perché voglio darti l’ultima parola su questo.

Jonathon Karelse: Posso avere l’ultima parola, ma concordo ampiamente con tutto ciò che sta dicendo, di sicuro. E non sarò coinvolto nel dibattito su “S&OP” neanche io.

Conor Doherty: Andiamo avanti un po’ allora. Riguardo al futuro, se dovessi scrivere una seconda edizione di “Storie del futuro della storia del futuro Parte due del XXI secolo”, ci sono idee specifiche su cui ti concentreresti?

Jonathon Karelse: No, il mio secondo libro non sarà un sequel di questo libro. Il mio secondo libro dovrà essere dopo il mio pensionamento, perché racconterà tutte le cose folli che ho visto le persone fare nella supply chain nel corso della mia carriera. Persone che, nonostante le montagne di prove su quanto sarebbe folle farlo, continuano a farlo comunque. Ma ovviamente, tutti voi clienti attuali là fuori, non preoccupatevi, voi non ci sarete. Ma no, voglio dire, siamo solo pochi mesi dopo aver pubblicato questo libro, quindi non penso che ci siano di queste nuove, come ha detto Joannes, sistemi di conoscenza ancora da scoprire o tipi di scienza di cui devo iniziare a pensare.

Conor Doherty: Beh, su questo argomento, e è qualcosa che non ho avuto la possibilità di chiedere prima, Joannes, te lo chiedo anche a te. Nella tua esperienza presso NorthFind, quando ti trovi in una stanza con dirigenti di alto livello e stai cercando di vendergli queste idee di cui stiamo parlando e incontri quel livello di resistenza di cui abbiamo parlato prima attraverso pregiudizi inconsci, come sfrutti l’economia comportamentale per superare questo ostacolo, per cercare di evitare gli esempi folli a cui ti riferivi poco fa?

Jonathon Karelse: Sto parzialmente rifiutando la premessa della tua domanda. Non penso che cerchi particolarmente di utilizzare l’economia comportamentale come modo per arrivare a una conclusione desiderata in queste discussioni. Penso che sia forse più facile per me navigare in quel terreno rispetto, ad esempio, a un fornitore di software. Perché per me, il successo aziendale non consiste nel vendere un pezzo di software. E per essere chiari, non sto dicendo che il software non sia importante; lo è assolutamente, è un abilitatore fondamentale. Ma poiché siamo nel settore di valutazione dei processi e dei problemi e, in definitiva, di progettazione di soluzioni, non mi trovo spesso nella posizione di cercare di spingere i dirigenti di alto livello in una certa direzione. È più una comprensione, data la cultura della loro azienda, le risorse disponibili - siano esse dati, strumenti o persone - quale è il primo passo più probabile o più ottimale nel percorso verso la trasformazione dei processi? E se sono fortemente contrari all’idea di rinunciare al loro controllo su una previsione e vogliono davvero far sì che 300 venditori passino del tempo ogni mese ad aggiustare una previsione, non è necessariamente una battaglia su cui morire. Voglio dire, va bene così. Se questa continua ad essere la nostra realtà, facciamolo parte del processo, ma soprattutto, misuriamo il valore commerciale di quell’attività. E spesso arriveranno alla conclusione da soli. Il motivo per cui esistono molte di queste attività folli è perché

Conor Doherty: L’eredità in queste organizzazioni è una sorta di misurazione che consente loro di persistere. È una misurazione che non rende ovvia la follia dell’attività. Le misure stesse sono spesso folli perché richiede una misura folle per giustificare un processo folle. Quando vai in un’organizzazione e vedi l’accuratezza della misurazione al livello superiore del valore in dollari e mediata su tre mesi, sai che è il risultato del fatto che non vogliono sapere quanto sia cattivo il processo di previsione. Perché se lo stessero usando per il suo scopo previsto, che è diagnostico piuttosto che un punteggio, non aggregheresti mai più mesi e non aggregheresti così in alto in una gerarchia. Sto divagando un po’, ma la conclusione è che non sto cercando di spingerli a una conclusione se sono davvero bloccati su un processo folle. Li aiutiamo semplicemente a capire misurando il beneficio aziendale di quel processo folle, che decidano o meno di continuare a farlo e spesso arriveranno da soli a una conclusione.

Joannes Vermorel: Ovviamente, essendo nella posizione di un modello software, il mio approccio di solito è molto diverso. Il mio approccio di solito consiste nel delineare esempi il più semplici possibile, in cui il tipo di previsione semplicemente non può fornire ciò che stanno cercando. A volte, ci sono situazioni molto semplici. Nell’aviazione, se fai le cose a livello di parte, ciò non ti fornisce alcuna informazione su se riparerai l’aereo. Se vai nel settore del commercio al dettaglio e dici che il negozio ha tonnellate di prodotti che sono ottimi sostituti l’uno dell’altro, hai un’altra classe di problemi. Non mi darà un buon indicatore affatto. Sono molto di successo con questo tipo di organizzazione? Non lo so. Forse il tuo approccio, che consiste nel farli fare il loro percorso, potrebbe essere più efficiente. È un percorso difficile. Uno dei punti che rendono interessante l’esperienza di Lokad, non necessariamente più facile, ma interessante, è che concentrandosi sulle decisioni, il tipo di cose che stiamo facendo in termini di modellazione predittiva sono semplicemente molto strane, positivamente. C’è questo percorso che vedo in cui le previsioni più utili diventano sempre più strane. Sospetto che le storie del futuro del XXI secolo saranno molto strane, un po’ come la stranezza che si manifesta con la meccanica quantistica. È un insieme di idee che sono assolutamente non intuitive. Vengono con una matematica semplicemente bizzarra. Quando si applica ciò, si finisce con cose ancora più bizzarre di quanto ci si aspettasse.

Jonathon Karelse: Bene, signori, penso che potrei concludere qui. Ma prima di andare, Jonathan, se avessi un consiglio da dare a tutti nel campo della gestione della supply chain o a qualsiasi professionista della supply chain là fuori, quale sarebbe?

Jonathon Karelse: Comprate il libro, disponibile nei negozi. Questo è un consiglio che forse darebbe il mio commercialista. Se è un solo consiglio, è quello di chiedere perché. Non accontentarti mai di sapere; cerca di capire perché. In realtà abbiamo una citazione molto bella, e non so se l’hai scritta tu, ma era “un cattivo previsionista con dati è come un ubriaco con un lampione: lo usa per appoggiarsi anziché per illuminare”. Quindi cerca sempre la luce.

Conor Doherty: Grazie mille. Beh, Jonathan, grazie mille per il tuo tempo. Joannes, grazie anche a te. E grazie a tutti voi per aver guardato. Ci vediamo la prossima volta.