00:00:00 Introduzione all’intervista
00:01:46 L’impatto della precisione delle previsioni sul profitto
00:03:25 Definire la precisione nelle previsioni
00:07:36 Valutare con uno strumento quantitativo
00:09:35 Serie temporali come una misura
00:11:16 Domanda espressa a livello di basket
00:13:22 Analogia della previsione delle serie temporali
00:15:17 Limitazioni delle serie temporali nel contesto degli alimenti deperibili
00:18:51 Le serie temporali non riflettono il nucleo dell’azienda
00:21:41 Menzione del forecast value added
00:24:47 Discussione sulla precisione delle previsioni come KPI
00:27:55 L’attenzione dell’industria della moda nel generare desideri
00:30:35 Transizione alla discussione sull’industria aerospaziale
00:33:05 L’approccio probabilistico di Lokad
00:36:22 Esempio di vendita di zaini e decisioni future
00:39:34 La supply precede la domanda, esempio dell’iPhone
00:42:37 Differenza tra Lokad e le altre aziende
00:46:13 L’approccio di Lokad alla risoluzione dei problemi
00:49:11 Disaccordo con le prospettive comuni della supply chain
00:51:49 Transizione alle domande del pubblico
00:54:06 La pianificazione non riflette la comprensione dell’azienda
00:57:35 La definizione da manuale della precisione è irrilevante
01:00:01 Domanda sulla precisione delle previsioni e l’esecuzione
01:03:38 Domanda sulla comunicazione interdipartimentale e i silos
01:06:15 Esempio di un distributore B2B di apparecchiature elettriche
01:09:34 L’analisi a basket è più diffusa nel B2B
01:12:30 Misurare la precisione delle previsioni
01:15:02 Mettere in discussione il titolo del video
01:17:10 Analogia della rimozione di un cancro
01:20:32 I fogli di calcolo segreti dei manager
01:23:03 La risposta di Joannes alla domanda
01:25:00 Domanda sulla previsione delle serie temporali nella struttura delle previsioni
01:27:05 Domanda sull’insegnamento dei metodi tradizionali di previsione nelle università
01:30:54 Snop per l’allineamento aziendale
01:33:23 Esperimento durante i lockdown con l’assenza del reparto pianificazione
01:36:12 Discussione sulla trasformazione aziendale
01:39:10 Grande Illusione nella supply chain
01:42:13 La precisione esemplifica una mentalità decisamente sbagliata
01:42:49 Fine dell’intervista

Sommario

Joannes Vermorel, CEO di Lokad, critica la comprensione tradizionale della precisione delle previsioni nella supply chain management, sostenendo che non riflette il DNA fondamentale di un’azienda. Egli suggerisce che le previsioni basate sulle serie temporali, comunemente utilizzate, siano eccessivamente semplicistiche e non rappresentino accuratamente il futuro per la supply chain. Vermorel propone un approccio diverso, concentrandosi sull’essere quantitativamente fedele all’essenza di un’azienda. Critica l’attenzione posta sui miglioramenti incrementali e suggerisce che le aziende dovrebbero cercare soluzioni più semplici e migliori. Vermorel sottolinea l’importanza di comprendere l’essenza del problema e di produrre enunciati quantificabili che abbiano senso per l’azienda.

Riassunto Esteso

In una conversazione tra Joannes Vermorel, CEO di Lokad, e Conor Doherthy, è stato esplorato il tema della precisione delle previsioni e il suo ruolo nella pianificazione della domanda. Vermorel, un imprenditore francese nel campo del software, ha contestato la comprensione tradizionale della precisione delle previsioni nella supply chain management, un concetto profondamente radicato nell’industria sin dagli anni ’20. Ha sostenuto che, sebbene la precisione delle previsioni sia direttamente collegata al profitto nella speculazione sul mercato azionario, questo modello non si applica alla supply chain management poiché non esiste una traduzione diretta tra la precisione delle previsioni e la redditività.

Vermorel ha proposto due modi per definire la precisione: il metodo tradizionale e il metodo Lokad. La definizione tradizionale, ha spiegato, è una previsione basata sulle serie temporali, una previsione periodica con intervalli regolari. Tuttavia, Vermorel ha criticato questo approccio per aver fatto assunzioni significative, come la simmetria tra passato e futuro, la località delle misurazioni e l’agnosticismo rispetto all’ambiente computazionale o al software. Ha sostenuto che le serie temporali sono un modello eccessivamente semplicistico che non rappresenta fedelmente il futuro per la supply chain.

Utilizzando l’esempio di un supermercato, Vermorel ha illustrato come le previsioni basate sulle serie temporali ignorino relazioni importanti tra i prodotti. Ha sostenuto che queste previsioni siano sorde a dimensioni fondamentali e non riflettano la struttura del futuro. Ha suggerito che le previsioni basate sulle serie temporali possano essere sufficienti per le piccole imprese, ma non per le grandi aziende che operano in supply chain complesse.

Vermorel ha anche criticato l’enfasi data nei manuali di supply chain sulla precisione delle serie temporali, sostenendo che essa non riflette il DNA fondamentale di un’azienda. Ha sottolineato che i supermercati sono strutturati per vendere basket di prodotti, non prodotti singoli. Ha messo in discussione la logica di utilizzare strumenti predittivi che analizzano i prodotti isolatamente, quando i supermercati sono progettati affinché i clienti acquistino molti articoli insieme.

Vermorel ha anche discusso la complessità della domanda, utilizzando la deperibilità come esempio. Ha spiegato che se metà dello stock di un negozio scade il giorno successivo, in realtà non ci sono 50 unità in magazzino. Ha inoltre menzionato che i clienti potrebbero scegliere i prodotti con la durata di conservazione più lunga, il che può influire sull’urgenza di vendere determinati articoli.

Vermorel ha sostenuto che le serie temporali non possono rappresentare accuratamente pattern importanti come i basket e gli articoli perishable in un supermercato. Egli ritiene che la precisione delle serie temporali rifletta solo il proprio paradigma, motivo per cui Lokad si discosta da questo approccio.

Vermorel ha anche criticato le soluzioni matematiche che sono tecnicamente corrette ma impraticabili nel mondo reale. Ha riconosciuto che i critici potrebbero sostenere che gli strumenti basati sulle serie temporali funzionino nella pratica, nonostante le sue critiche. Vermorel ha osservato che i fornitori affermano da 45 anni che i loro strumenti funzionano, promettendo di automatizzare tutto ciò che riguarda la supply chain. Ha sostenuto che, nonostante tali affermazioni, tutto viene ancora gestito tramite fogli di calcolo.

Vermorel crede che il problema fondamentale sia che la prospettiva delle serie temporali sia errata e non si adatti alla struttura del problema. Ha criticato la visione unidimensionale del futuro offerta dalle serie temporali. Quando gli è stato chiesto cosa dovesse essere perseguito al posto della precisione delle previsioni come KPI, Vermorel ha suggerito che l’obiettivo dovrebbe essere quello di produrre enunciati quantitativi sul futuro che abbiano senso per l’azienda.

Vermorel ha concluso che le serie temporali sono quasi invariabilmente sbagliate per la maggior parte delle aziende. Ha paragonato il tentativo di adattare un modello matematico alla struttura sbagliata al tentativo di inserire una forma rotonda in uno spazio quadrato. Ha suggerito che esistano molti altri modi per affrontare il problema, a seconda dell’azienda.

Vermorel ha fornito esempi di diversi modelli di business, come i supermercati e le aziende della moda, e di come le serie temporali non abbiano senso per loro. Ha sostenuto che per pensare al futuro occorre considerare gli “aloni dei desideri”, che non corrispondono alla visione delle serie temporali.

Vermorel ha anche discusso l’industria aerospaziale, in cui il consumo delle parti è guidato dal ciclo di vita degli aeromobili. Ha concluso che l’uso delle serie temporali è un’approssimazione cruda per qualsiasi settore aziendale. Ha paragonato l’utilizzo delle serie temporali ad approssimare una mucca come una sfera, sostenendo che si tratta di un’approssimazione inadeguata per le situazioni reali.

Vermorel ha anche discusso le problematiche che egli riscontra nell’approccio tradizionale alla supply chain management, il quale presuppone che il passato sia uno specchio esatto del futuro. Ha sostenuto che non è così, specialmente nella supply chain in cui le decisioni future non sono ancora state prese e sono influenzate da vari fattori, incluse le decisioni dei concorrenti.

Vermorel ha usato l’esempio della vendita di zaini per illustrare il suo punto di vista. Ha spiegato che il numero di varianti introdotte da un’azienda può influenzare significativamente la domanda futura. Ha sostenuto che l’approccio tradizionale di decidere prima l’assortimento e poi effettuare la previsione è insensato, poiché la domanda non è scolpita nella pietra ed è influenzata dalle decisioni dell’azienda.

Vermorel ha ulteriormente spiegato che le aziende progettano la propria domanda introducendo prodotti sul mercato, il che genera poi una domanda per tali prodotti. Doherthy ha menzionato la pratica del forecast value added, in cui le intuizioni provenienti da vari dipartimenti vengono utilizzate per rivedere la previsione. Vermorel ha criticato questa pratica, sostenendo che spesso serve solo a supportare le intuizioni con dei numeri e non contribuisce al reale processo di decision-making.

Vermorel ha spiegato che Lokad utilizza ricette numeriche che sono più versatili e non limitate ai modelli basati sulle serie temporali. Ha discusso l’importanza di formulare un enunciato che sia fedele al futuro dell’azienda e in linea con ciò che l’azienda cerca di raggiungere. Vermorel ha sottolineato l’importanza di comprendere l’essenza dell’azienda e di progettare un modello basato su essa.

Vermorel ha criticato la prospettiva espressa nella maggior parte dei libri di supply chain che ignora le specificità dei diversi settori. Doherthy ha chiesto a Vermorel come risponde alle grandi aziende di successo che non sono d’accordo con le sue opinioni. Vermorel ha argomentato che le aziende non hanno opinioni, ma solo le persone che vi lavorano. Crede che molti dirigenti delle grandi aziende sarebbero d’accordo con le sue idee, poiché spesso si sentono frustrati dall’approccio tradizionale alla pianificazione.

Vermorel ha sostenuto che la definizione tradizionale, presente nei manuali di supply chain, della precisione delle previsioni è difettosa perché si basa su un paradigma di previsione mediante serie temporali, che egli ritiene errato. Ha suggerito che l’approccio di Lokad, che si concentra sull’essere quantitativamente fedele all’essenza di un’azienda, sia più prezioso.

Vermorel ha concordato con il punto di vista di un osservatore sull’importanza di abbracciare l’incertezza attraverso previsioni probabilistiche, ma ha anche sottolineato la necessità di andare oltre il pensiero unidimensionale e di considerare le decisioni future che non sono ancora state prese.

Vermorel ha spiegato che una previsione è solo un ingrediente e non ha valore in sé. Concorda con l’idea che il valore di una previsione possa essere valutato solo attraverso la sua esecuzione nella supply chain. Ha anche messo in guardia dal condividere troppi KPI tra i vari team, sostenendo che ciò non crea necessariamente valore per l’azienda.

Vermorel ha spiegato che la condivisione dei dati non dovrebbe prevedere un’elaborazione manuale da parte degli esseri umani. Invece, tutti dovrebbero avere accesso programmato a tutti i dati dell’azienda per ottimizzare le proprie decisioni. Ha avvertito di non creare burocrazia costringendo gli altri dipartimenti a leggere report.

Vermorel ha sostenuto che il concetto di basket è essenziale per le aziende B2B, utilizzando l’esempio di un distributore B2B di apparecchiature elettriche. Ha spiegato che la maggior parte del loro business è guidata dai cantieri, che richiedono ordini consistenti di attrezzature da consegnare in momenti specifici. Questo, secondo lui, rappresenta una forma di analisi a basket.

Vermorel ha sostenuto che l’alternativa alle previsioni basate sulle serie temporali non deve necessariamente essere un’IA complessa. Ha suggerito che esistono molti altri modelli matematici che non sono più complicati delle serie temporali, sono semplicemente diversi.

Vermorel ha spiegato che Lokad utilizza una prospettiva finanziaria per conciliare i numerosi obiettivi confliggenti della supply chain di una grande azienda. Ha suggerito che esprimere tutti gli obiettivi e le restrizioni in termini di dollari fornisce un linguaggio unificato per gestire questi conflitti. Ha sottolineato che non si tratta di pensare in termini di dollari, ma di praticità e scalabilità nelle aziende complesse.

Vermorel afferma che la precisione e le serie temporali sono la medesima cosa nel paradigma dominante della supply chain. Suggerisce che Lokad voglia separarle e, sebbene esista un modo per dare importanza alla precisione, esso è radicalmente diverso da quanto presentato nei manuali di supply chain.

Vermorel critica il FVA per aver sovraingegnerizzato un processo basato su un concetto difettoso di precisione delle serie temporali. Sostiene che esso spinga l’azienda nella direzione sbagliata, aggiungendo burocrazia inutile senza rendere la supply chain più competitiva.

Vermorel descrive come le grandi aziende si affidino spesso a fogli di calcolo non ufficiali piuttosto che alle previsioni ufficiali SNOP. Suggerisce che questi fogli di calcolo, più in linea con l’essenza dell’azienda, siano ciò che in realtà guida il business.

Vermorel sostiene che un miglioramento rispetto allo status quo non è necessariamente un miglioramento complessivo. Critica l’attenzione posta sui miglioramenti incrementali e suggerisce che le aziende dovrebbero cercare soluzioni più semplici e migliori.

Vermorel concorda sul fatto che le serie temporali possano essere un componente della struttura, ma mette in guardia dal fare affidamento esclusivamente su di esse. Suggerisce che le aziende debbano ampliare il loro vocabolario e orizzonte.

Vermorel paragona le serie temporali classiche e il machine learning rispettivamente alla televisione in bianco e nero e agli schermi LCD, affermando che, sebbene il machine learning presenti dei vantaggi, non rappresenta comunque un balzo quantico rispetto ai metodi classici.

Critica le università per non insegnare l’atteggiamento corretto nella previsione, sottolineando l’importanza di comprendere l’essenza del problema e di produrre enunciati quantificabili che abbiano senso per l’azienda.

Vermorel condivide che Lokad si è classificata al quinto posto nella competizione Walmart utilizzando un modello parametrico semplice, dimostrando che modelli complessi non sono sempre necessari per il successo.

Sostiene che esiste un continuum dai modelli classici ai modelli avanzati di machine learning, e la distinzione fra loro non è così netta come alcuni potrebbero pensare.

Vermorel ribadisce la sua critica alle università per non insegnare il giusto atteggiamento di previsione, sottolineando l’importanza della mentalità corretta nel gestire le problematiche future della supply chain.

Spiega che l’obiettivo del processo S&OP è creare un allineamento a livello aziendale, ma in pratica si trasforma spesso in riunioni infinite.

Vermorel sostiene che le informazioni fluiscono attraverso i sistemi IT e che l’allineamento non richiede una comunicazione costante tra le persone.

Suggerisce che le riunioni S&OP dovrebbero concentrarsi su ricette numeriche e chiarire l’intento strategico dell’azienda.

Vermorel sostiene che molte grandi aziende potrebbero funzionare perfettamente anche senza le loro previsioni basate su serie temporali.

Condivide un esempio di aziende che hanno operato al 80% della capacità durante i lockdown del 2020 e del 2021, nonostante i loro dipartimenti di pianificazione fossero inattivi.

Vermorel suggerisce che se un’azienda può operare senza una divisione per 14 mesi, quella divisione potrebbe non essere essenziale.

Condivide un esempio di un’azienda che ha subito una trasformazione massiccia durante i lockdown, passando da un e-commerce al 5% a due terzi di e-commerce.

Vermorel mette in discussione l’importanza di certe funzioni all’interno di un’azienda, considerando che alcune aziende sono state in grado di subire trasformazioni massicce e operare efficacemente.

Sostiene che l’accuratezza non è l’unico fattore importante nelle previsioni, citando l’esempio di aziende che hanno operato normalmente nonostante i loro dipartimenti di pianificazione siano stati inattivi per oltre un anno.

Vermorel critica il paradigma mainstream dell’accuratezza delle serie temporali per non porsi domande importanti sull’strumentalità delle previsioni.

Sottolinea l’importanza di collegare la decisione al modello matematico e di valutare gli impatti finanziari reali di tali decisioni.

Vermorel critica la pratica comune di valutare l’accuratezza di una previsione in isolamento, sostenendo che non riflette le condizioni del mondo reale.

Conclude che il problema dell’accuratezza è che spesso viene inquadrata in modo errato, e che un presentimento approssimativamente corretto è migliore di un modello di business sofisticato ma inadatto.

L’intervista si conclude con Conor Doherthy che ringrazia Vermorel per il suo tempo e promette di riservare le restanti domande per un’altra occasione.

Trascrizione Completa

Conor Doherthy: Bentornati a Lokad TV live. Oggi in studio ho con me il fondatore di Lokad, Joannes Vermorel. Oggi discutiamo di un argomento molto interessante: l’accuratezza delle previsioni, il suo ruolo nella pianificazione della domanda e se sia davvero importante o meno. Sentitevi liberi di inviare le vostre domande in qualsiasi momento durante questa chat, e a metà della conversazione le affronteremo. Se non siete d’accordo con qualcosa che sentite, risponderemo prima a quelle domande. Allora iniziamo. Joannes, credo sia sicuro dire che siamo un’azienda un po’ contraria. Questo potrebbe essere il punto di vista più contrarian che abbiamo. Quindi, prima di entrare nel merito della nostra posizione e spiegare perché riteniamo che l’accuratezza delle previsioni della domanda non sia importante, perché l’accuratezza delle previsioni è considerata da così tante aziende come il Sacro Graal della pianificazione della domanda?

Joannes Vermorel: Il “perché”, credo, sia relativamente semplice. È ciò che è scritto sui libri di testo di supply chain. È stato scritto negli ultimi forse 50-70 anni, forse anche prima che venisse chiamata supply chain, si parlava di ricerca operativa. Sospetto che potremmo addirittura andare oltre, fino agli anni ‘20, e trovare una premessa simile con l’emergere dei previsionisti economici professionisti. Se riporti questa idea di accuratezza delle previsioni alle sue radici – cioè ai previsionisti economici negli USA all’inizio del XX secolo – allora l’accuratezza ha una traduzione uno-a-uno nel tuo profitto se giochi al gioco della borsa. Quindi, letteralmente, se stai prevedendo il prezzo delle materie prime, se il prezzo del pig iron salirà o meno, allora se hai una accurate forecast, potresti battere il mercato e ottenere rendimenti fantastici. Ora, questo vale per la speculazione. Il problema è: hai un modello di previsione che possa battere il mercato? La risposta breve è no, almeno non un modello facilmente accessibile. Quindi non puoi più veramente battere il mercato. Ci sono alcune eccezioni, alcune aziende di arbitraggio stanno guadagnando facendo questo, ma questo è solo un punto. Per quanto riguarda la supply chain, il mio punto è che non esiste una traduzione diretta. Ma la mia critica non si allinea esattamente a questo. I problemi sono più profondi e fondamentali perché non si tratta semplicemente di ottenere un numero e, se hai il numero giusto, questo si traduce automaticamente in guadagno, proprio come quando giochi in borsa.

Conor Doherthy: Quindi, stai dicendo che non c’è correlazione tra un’accuratezza delle previsioni aumentata e la redditività netta?

Joannes Vermorel: Il problema qui è che c’è un inganno nei termini stessi. Quindi inizierò forse chiarendo come definiamo l’accuratezza. Esistono almeno due modi: un modo mainstream di definire l’accuratezza e uno che sarebbe il modo Lokad di definirla. Comincio con il modo Lokad, che non è mainstream, su come affrontiamo l’accuratezza. L’idea alla base dell’accuratezza è che io sto facendo un’affermazione quantitativa sul futuro. L’accuratezza è una qualificazione in termini di qualità, quanto è buona, quanto è fedele questa affermazione. Quindi hai un’affermazione sul futuro, che dovrebbe essere così, e questa non è un’affermazione qualitativa, bensì quantitativa. E poi, sopra a questa affermazione quantitativa sul futuro, vuoi valutare quanto è buona, quanto è fedele, come effettivamente rappresenta il futuro, e vuoi che questa valutazione sia essa stessa quantitativa. Ed è così che dovrebbe essere definita l’accuratezza. Se definiamo l’accuratezza come la definisco io, direi bene, sono d’accordo. Questa definizione è molto rilevante, porta a qualcosa che è significativo e potenzialmente profittevole per la tua azienda. Ora, questa non è assolutamente la definizione che troverai nei libri di testo di supply chain, nemmeno lontanamente. La definizione mainstream di accuratezza è quella della previsione basata su serie temporali. Quindi, quando la gente parla di accuratezza, implicitamente si riferisce a previsioni basate su serie temporali, e non a qualsiasi tipo di previsione basata su serie temporali, ma a previsioni puntuali, con intervalli equidistanti. Cosa significa equidistante? È una previsione periodica per giorno, per settimana, per mese, per trimestre, potenzialmente per anno, potenzialmente per ora, a intervalli uguali. Quindi si tratta di una previsione periodica. Non è una qualunque previsione, si possono immaginare molte altre previsioni alternative: è una serie temporale, unidimensionale e periodica, con periodi tutti uguali. Inoltre, parliamo di una previsione puntuale in cui ogni periodo riceve un solo valore, questa è la previsione basata su serie temporali. La mia definizione è molto diversa. Quella che ho dato era molto più ampia e non specifica riguardo al tipo di affermazione quantitativa che faccio sul futuro. Sto dicendo che la mia definizione è completamente agnostica, semplicemente afferma che stiamo cercando di qualificare un’affermazione sul futuro e che questa affermazione dovrebbe essere quantitativa. Quindi non sto contestando qualcosa come “Credo che quest’anno sarà buono”, perché quella non è un’affermazione quantitativa sul futuro, ma qualcosa di qualitativo. Sto semplicemente dicendo che l’accuratezza si applica alle affermazioni quantitative sul futuro e che vogliamo valutarla con uno strumento quantitativo. L’approccio mainstream è molto più diretto e fa assunzioni molto significative. Le assunzioni sono: serie temporali, unidimensionali, periodiche o a intervalli equidistanti, e previsioni puntuali. Queste sono sostanzialmente le assunzioni di base. Ci sono alcune assunzioni più fondamentali che la gente potrebbe non notare, come la simmetria tra il passato e il futuro, la località delle misurazioni e l’agnosticismo nei confronti dell’ambiente computazionale o software.

Conor Doherty: Grazie. E ancora, per ribattere un po’, quando hai descritto la differenza tra l’approccio Lokad e quello mainstream, per alcune persone potrebbe non essere chiaro. Qual è il problema con la prospettiva delle serie temporali? Dici che è unidimensionale, va bene, in che senso e perché è un problema?

Joannes Vermorel: Quando decidi di descrivere il futuro con affermazioni quantitative, siamo così abituati – e nei libri di testo, letteralmente nei libri di testo di supply chain, ma anche in altri libri di business – da non riconoscere nemmeno la possibilità che ci sia un altro modo di guardare al futuro oltre alle serie temporali. La gente, intendo dire, dà l’impressione che l’unico modo per osservare il futuro in maniera quantitativa sia tramite le serie temporali, e io dico che certamente non è così. Inoltre, le serie temporali sono un modello incredibilmente semplice. È come una misurazione con un solo tick nel tempo per ogni periodo. È il più semplice dei modelli matematici che abbiamo. È una rappresentazione fedele del futuro? Rifletti: riflette in modo sensato qualcosa che sai del futuro? E la mia proposta è che, per scopi di supply chain, no, e nemmeno lontanamente. Se prendiamo qualche esempio, osserviamo, per esempio, la domanda che un supermercato osserverà. La prospettiva delle serie temporali dice che puoi prendere qualsiasi prodotto venduto nel supermercato e assegnargli una serie temporale, una per ogni prodotto. È il modo corretto per pensare alla domanda futura? No, perché le persone non entrano in un supermercato per acquistare un prodotto in isolamento. Quello che vogliono è un carrello, o almeno la stragrande maggioranza; occasionalmente può capitare che qualcuno entri per comprare un solo prodotto, ma la maggior parte delle vendite è guidata da persone che vanno in supermercato, diciamo, una volta a settimana e acquistano un intero carrello di prodotti. Quindi ciò che conta in termini di domanda si esprime a livello di carrello. Questo è ciò che le persone osserveranno e percepiranno, e in termini di qualità del servizio verrà valutato a livello di carrello. In sostanza, la domanda è: “Ho tutti gli articoli di cui avevo bisogno per la mia lista della spesa?” E questa percezione, che opera a livello di carrello, non ha nulla a che fare con quelle serie temporali prese isolatamente, poiché queste ignorano completamente tutte le relazioni esistenti tra i prodotti, inclusi sostituti e cannibalizzazioni che possono verificarsi. Quindi, a volte, sono completamente cieche a questi effetti.

Questa dimensione unica, che è al centro delle serie temporali, ignora le dimensioni superiori che possono essere estremamente importanti. E la mia proposta è che non sia un caso. Prendi l’esempio di un supermercato, o di qualsiasi azienda, e rifletti davvero su cosa significhi il futuro, su cosa stiamo osservando. Ti renderai conto che, in sostanza, non stiamo guardando alle serie temporali. Stiamo osservando entità che hanno una struttura, ma non necessariamente – e di solito non – una struttura da serie temporali. Potrebbero esserci alcune attività incredibilmente semplici, negozi di quartiere, in cui le serie temporali sono sufficienti, ma quei casi sono l’eccezione, non la norma, specialmente nel mondo di oggi, con grandi aziende che gestiscono vaste supply chain caratterizzate da una notevole complessità ambientale. Ogni serie temporale tratterebbe ogni articolo, o ogni SKU, in modo indipendente da ogni altro SKU in un catalogo. Pertanto, se esistono interrelazioni, se ci sono bundles o sostituzioni, la serie temporale resterà agnostica o cieca a tali connessioni. E questo, in definitiva, rende l’accuratezza per qualsiasi articolo individuale non errata, ma fuorviante. Se voglio fare un’analogia, immagina di avere una televisione in bianco e nero. Quella sarebbe la tua previsione basata su serie temporali. Ti manca qualcosa. Puoi aggiungere pixel, il che aggiungerebbe accuratezza, ma rimarrai comunque con il bianco e nero. E se pensi, “Oh, ma se aggiungo tanti pixel…” Sì, ma rimarrai sempre in bianco e nero. Non importa se rendi la televisione più grande o aumenti il tasso di refresh; non avrai mai i colori, solo il bianco e nero.

Quindi, prendo questo come esempio in cui non importa cosa tu faccia: se ti mancano delle dimensioni, non puoi salvare la situazione. E ci sono così tante dimensioni mancanti. Rivisitiamo questo esempio del supermercato con i prodotti deperibili. Prodotti deperibili: supponiamo che tu abbia prodotti sugli scaffali, ma ogni unità ha una propria durata di conservazione. Ciò che molti acquirenti fanno quando visitano il negozio è controllare la data di scadenza, e il loro giudizio sul prodotto varia a seconda se ne rimanga solo un giorno di vita oppure tre settimane – quest’ultimo indica che il prodotto è ancora molto fresco. Ma se osserviamo i dati da una prospettiva di serie temporali, questo aspetto è assente. Non puoi, attraverso una rappresentazione a serie temporali delle vendite o della domanda – ad esempio, per un pacco di yogurt – rappresentare la freschezza. È assente. Sarebbe come, se tornassi all’analogia della televisione, dire: “Bene, ho solo il bianco e nero, ma sai una cosa? Posso comprare tre TV e dire che la prima mostrerà il blu, la seconda il verde e la terza il rosso. E tecnicamente, avrò tutti i colori. Mi basterà ricombinarli visivamente in qualche modo.” Io risponderei: “Sì, ma quella è una soluzione estremamente complicata al problema. Non è una buona soluzione.” Dal punto di vista dell’esperienza utente pratica, è una totale schifezza.

E questo sarebbe lo stesso se, ad esempio, dovessimo fare come il supermercato per dire che ci occuperemo della deperibilità semplicemente aggiungendo più time series. Sì, in un senso molto tecnico, potresti potenzialmente farlo, ma sarà una soluzione molto impraticabile. Non sarà una buona soluzione. E vedi, qui di nuovo, la deperibilità, il problema è che la domanda non è una cosa unidimensionale. Hai un’altra dimensione, quella della freschezza, e conta. Impatta la domanda e incide anche sul tuo stock. Se pensi di avere 50 unità in magazzino ma la metà di esse scade domani, allora non hai veramente 50 unità in magazzino. E questo solo se il cliente non ha un comportamento avverso nel scegliere le unità con la durata di conservazione più lunga.

I clienti che scelgono i prodotti dallo scaffale di un supermercato potrebbero addirittura optare per i prodotti che hanno la durata di conservazione più lunga e, di conseguenza, potrebbero effettivamente selezionare in maniera avversa i prodotti meno urgenti da vendere. Quindi, tornando al caso iniziale, le time series non possono – e abbiamo appena menzionato un esempio, il supermercato – e abbiamo già due esempi di pattern super importanti come i cestini e gli articoli deperibili. Sono molto importanti, sono fondamentali, e non rientrano nel paradigma delle time series. E poi l’accuratezza, quella da textbook, riflette solo il paradigma delle time series. Si adatta soltanto in modo implicito ed è per questo che dico che Lokad diverge. Il supply chain textbook, quando si tratta di accuratezza, riguarda solo le time series. E il mio punto è che, sì, hai uno strumento che misura qualcosa di irrilevante e non rispecchia il DNA core dell’azienda, ciò che fa muovere l’azienda, quei cestini, quegli articoli deperibili. Sembra che si parli di constraints. Ci sono molti constraints, e molta altra, non tanto constraints, ma struttura. La struttura di base del problema, nel senso che in un supermercato non si tratta di vendere unità, prodotti uno alla volta. Si tratta di vendere cestini. Questo è ciò che fa funzionare il supermercato. Questa è l’essenza del supermercato. Il supermercato è stato letteralmente progettato dal pavimento al soffitto per vendere cestini.

Ecco perché hai quei punti vendita dove puoi scaricare tutta la tua merce e far avanzare l’intero assortimento. Ecco perché hai un carrello. Voglio dire, tutto è stato progettato nel supermercato affinché le persone possano comprare molte cose contemporaneamente. Se vuoi solo comprare una tazza di caffè in più, non ha senso andare in un supermercato. Quindi il mio punto è che, poiché tutto è stato progettato – incluso il parcheggio di fronte al supermercato – per comprare un intero cestino, ha senso che il tuo strumento predittivo consideri il caso di un prodotto alla volta, tutto in isolamento? E la mia risposta è no, non ha senso. Quindi, non c’è modo di adattare la prospettiva delle time series per riflettere gli sconosciuti o gli intangibili che stai descrivendo. Un matematico direbbe che se accumuli abbastanza time series, puoi farlo. Perché vedi, potremmo sempre dire che possiamo aggiungere più time series. E questo è esattamente come dire che abbiamo una televisione in bianco e nero: puoi avere più televisori, e poi ne avrai uno per ogni colore, e tecnicamente avrai i colori. Quindi, vedi, dobbiamo stare attenti qui. Se dici che per le time series è consentito semplicemente introdurne sempre di più, allora sì, tecnicamente puoi gestire qualsiasi numero di dimensioni perché aumenti la dimensionalità del tuo strumento semplicemente aggiungendo time series. Ma non è una soluzione pratica. Proprio come se vuoi avere i colori sulla tua televisione, avere molte TV non è una buona soluzione. In matematica, ci sono molte soluzioni che sono ampiamente impraticabili. I matematici sono molto bravi a inventare soluzioni folli che sono tecnicamente corrette, ma sono corrette solo in senso matematico.

Nel mondo reale, è pazzesco. Non è il modo in cui approcceresti il problema. Non ti darà una buona soluzione. Ti fornirà una soluzione molto teorica. Ok, ma i critici potrebbero poi dire che ci sono molti strumenti basati sull’approccio delle time series che, in pratica, funzionano davvero. Prendi per esempio il forecast value added. Ora, quello che hai appena descritto, presumo, non rientra in questo. Ma chi lo sostiene direbbe: in realtà, funziona al contrario di tutto quello che hai appena detto. Quindi, sì, le persone hanno sostenuto che i loro strumenti funzionano praticamente dagli anni ‘70. Così, negli ultimi circa 45 anni, i vendor hanno affermato di avere software automatizzati avanzati che possono letteralmente automatizzare tutto ciò che è supply chain related. I vendor hanno affermato di avere software automatizzati avanzati che possono letteralmente automatizzare tutto ciò che è supply chain related. E quando le persone dicono che abbiamo enterprise software per fare management, oggi quando qualcuno dice di avere un CRM, customer relationship management, si tratta solo dei registri clericali, delle immatricolazioni dei dati. Ma se torni agli anni ‘70, quando parlavano di management, pensavano anche alle decisioni, a tutta l’intelligenza. Quindi, la mia proposta è che, in teoria, da oltre quattro decenni abbiamo software che dovrebbero robotizzare completamente tutte quelle decisioni: inventory, replenishment, production, scheduling, inventory allocation, price optimization. Tutto ciò è, secondo i vendor, completamente automatizzato, al 100% automatizzato, da quattro decenni. E la maggior parte dei vendor, se guardi a come comunicavano negli anni ‘80, dicevano che questo sarebbe stato fatto interamente dalla macchina. Una volta era un impiegato a farlo, ma non è più così. Negli ultimi dieci anni, ho incontrato oltre 200 direttori della supply chain e, invariabilmente, c’è del software in uso. Sono state implementate una serie di soluzioni software, ma tutto viene ancora fatto tramite fogli di Excel.

Abbiamo diverse generazioni di enterprise software focalizzati sulla previsione tramite time series che supponevano di automatizzare tutto. Lo hanno fatto per decenni, ma la realtà è che è ancora tutto gestito in Excel. Cosa è andato storto? Credo che il problema fondamentale sia che la prospettiva delle time series è scorretta. Non si adatta alla struttura del problema. Ci sono altre questioni, ma la più importante è che non si adatta. Questa visione unidimensionale del futuro è troppo semplicistica e da lì tutto crolla. Se non dovremmo perseguire l’accuratezza della previsione come KPI, allora cosa dovremmo perseguire invece? Per prima cosa, dobbiamo ripensare ciò che stiamo cercando di risolvere. Stiamo cercando di produrre enunciati quantitativi sul futuro che abbiano senso per l’azienda. Un enunciato sul futuro è in gran parte specifico del dominio, il che è l’esatto opposto di quanto affermato nei supply chain textbooks. I supply chain textbooks sostengono che le time series sono tutto ciò di cui hai bisogno. La mia conclusione, dopo aver osservato centinaia di aziende, è che questo è quasi invariabilmente sbagliato. Se ci sono aziende che possono essere modellate adeguatamente tramite le time series, sono l’eccezione, non la regola. La struttura non è allineata con una time series. Se provi a proiettare un modello matematico e questo non ha la struttura giusta, non riuscirai a modellare correttamente le realtà che stai tentando di rappresentare. È come cercare di inserire una forma rotonda in un buco quadrato. Se hai visto solo forme rotonde, potresti pensare che sia tutto ciò che esiste. Ma ci sono molti altri modi per farlo, e questi modi dipendono dall’azienda. Se sei un supermercato, il tuo DNA sono i cestini. Se sei nel settore della moda, sarà completamente diverso. Se sei un’azienda di moda, vuoi generare desideri, e le time series non hanno davvero senso per questo. Supponiamo che tu abbia un nuovo modello che diventa di tendenza. Puoi generare molti prodotti che giocano su questo, ma puoi averne più o meno.

La maggior parte dei tuoi clienti si colloca nel mezzo. Se opti per colori molto estremi, potresti non avere abbastanza domanda per giustificare così tante varianti. Se vuoi pensare al futuro, devi considerare quelle aure di desideri, e non è qualcosa che si abbina alla tua visione delle time series. Se stai vendendo merchandising per action figures, allora la situazione diventa ancora più strana. L’intera attività è strutturata attorno a quegli eroi. Batman ha un potere molto maggiore in termini di merchandising rispetto a Green Lantern, e questo è stato costante negli ultimi due decenni. Se ci addentriamo nel settore aerospaziale, sarebbe un’altra cosa. Il consumo di pezzi è determinato dal fatto che hai una flotta di aeromobili. Ogni aeromobile ha un ciclo di vita che dura qualcosa come tre o quattro decenni. Il consumo di pezzi seguirà una certa curva durante questo ciclo. La struttura appropriata, se vuoi supportare un grande MRO che serve flotte di aeromobili, è pensare a quali flotte di aeromobili stai supportando e come stanno crescendo e decrescendo. La realtà è che, ogni volta che scegli un verticale, se applichi una time series, è un’approssimazione molto grezza. Non è nemmeno lontanamente una rappresentazione fedele della struttura del problema. Se consideriamo la struttura e torniamo a un esercizio che faceva il mio insegnante di fisica, diremmo: “Ok, questa è una mucca e approssimeremo la mucca come una sfera.” È valido per un esercizio giocattolo, ma nella realtà la mucca non è una sfera e nemmeno lontanamente. Quindi, questa è un’approssimazione molto stramba. Va bene per un esercizio, ma non è utile per nulla di reale. Se devi trattare con mucche vere, non consiglierei di approssimare le tue mucche come sfere. Non finirà bene. Questa non è un’approssimazione valida.

Conor Doherty: Ancora una volta, quando dici che una time series è un’approssimazione molto semplicistica del futuro, noi di Lokad descriviamo di routine il nostro approccio, che è probabilistico, come “meglio essere approssimativamente giusti che esattamente sbagliati”. È solo una questione di termini?

Joannes Vermorel: Come ho detto, prima abbiamo la struttura. E, a proposito, è proprio in questo che Lokad diverge. Stiamo utilizzando l’approccio probabilistico come stendardo, ma la realtà è che il mio problema riguarda innanzitutto la struttura. Il secondo problema che vedo è un altro. È l’approccio classico da textbook della supply chain che chiede semplicemente accuratezza e assume che il passato sia l’esatta simmetria del futuro. Questo non è il caso. Questo vale in un certo senso se stai osservando, diciamo, il movimento dei pianeti. Quindi, in quei casi in cui sei semplicemente un osservatore – l’umanità osserva e non può cambiare nulla – se vuoi prevedere il movimento dei pianeti, ad esempio il pianeta Marte, allora sì, assumere che il passato sia semplicemente una simmetria del futuro va bene, perché non abbiamo alcun impatto tangibile e misurabile sul movimento di Marte. Ma per la supply chain non è valido, perché tutto il tuo futuro è condizionato da decisioni che non sono ancora state prese. Il tuo futuro è condizionato dalla tua decisione futura e non solo da quest’ultima, ma anche da quelle future che saranno prese da altre persone, come i tuoi concorrenti. Quindi, c’è questa radicale asimmetria tra il passato e il futuro e la classica prospettiva delle time series, caratterizzata dall’accuratezza, è semplicemente del tutto disinvolta rispetto a questo aspetto. Non viene nemmeno menzionata. Non esiste, e non viene nemmeno valutata in questo tipo di metriche di accuratezza. Se vuoi fare un’affermazione fedele sul futuro, qualunque essa sia, deve incorporare il fatto che il futuro dipende ancora dalle decisioni. Vuoi fare un’affermazione che sia comunque utile, nonostante il fatto che le decisioni non siano ancora state prese.

Conor Doherty: Molte persone tendono a pensare di trovarsi su entrambi i lati della domanda, limitandosi a osservarla, come hai detto, come semplici osservatori. Ma stai dicendo che, ok, non controlliamo il futuro, ma possiamo co-scriverlo con le scelte che vengono fatte. Quali sono dunque queste scelte per chi non ne è a conoscenza?

Joannes Vermorel: Supponiamo che tu venda zaini. Quanto ne venderai? Dipende innanzitutto da quante varianti intendi introdurre. Se hai solo, per esempio, uno zaino nero e lo metti ovunque sul tuo e-commerce e in tutti i tuoi negozi, allora forse venderai molto. Ma se hai più varianti, altri zaini che sono un po’ simili, magari un po’ più grandi, e poi introduci mezza dozzina di colori, ogni volta che aggiungi una variante in più, raddoppierai le vendite? No, ovviamente ci sarà canibalizzazione. La domanda futura non è scritta, non è scolpita nella pietra. Dipende molto da quante varianti introduci. Quella è una scelta che devi ancora prendere. E se dividi il problema, dicendo: “No, voglio prima decidere l’assortimento degli zaini e poi fare la previsione”, direi che è insensato. Perché, ovviamente, se decidi prima il tuo assortimento e poi prevedi, se ti rendi conto che alcuni prodotti non hanno sufficiente domanda, li rimuoverai. Letteralmente, stiamo ingegnerizzando la domanda ed è ciò che fanno le aziende. È anche la legge di Jean-Baptiste Say, l’economista: l’offerta precede la domanda. Devi spingere il prodotto sul mercato per creare la domanda. Prima che Apple introducesse l’iPhone, la domanda per l’iPhone sul mercato era esattamente zero. Devi portare il prodotto sul mercato prima, e solo allora genererai la domanda per quel prodotto.

Conor Doherty: Ma operando all’interno del paradigma che stai criticando, ci sono pratiche come il forecast value added in cui hai la domanda e vai al marketing e alle vendite per raccogliere le loro intuizioni. Stiamo per introdurre un certo numero di varianti, e c’è la consapevolezza che le nostre decisioni daranno forma al futuro e le revisioni saranno apportate in senso decrescente o crescente.

Joannes Vermorel: Ma direi ancora, dopo aver osservato le aziende per oltre un decennio, quasi un decennio e mezzo, che sono solo burocrazie. Quando guardi a come le cose accadono davvero, c’è qualcuno nell’azienda da qualche parte che dice: “Oh, abbiamo un’opportunità, lo faremo.” E poi pensano che se lo fanno semplicemente così, sembra antiscientifico. Quindi, vogliono supportare il loro presentimento con dei numeri e alcune persone aggiungeranno numeri sopra, e poi diranno: “Ok, abbiamo dei numeri, ora è scientifico, lo facciamo.” Ma no, era un presentimento molto valido sul mercato, era un ragionamento di alto livello molto valido su qualcosa e poi c’era quel rapido calcolo per dimensionare l’iniziativa nel modo giusto. E tutto il resto era solo burocrazia per convalidare l’iniziativa, ma non contribuiva alla cosa. Non è stata la scintilla iniziale, non è stato l’impulso, non è nemmeno stata la vera padronanza scientifica di qualcosa a renderla possibile. Era solo la burocrazia che si è verificata dopo la battaglia. Hai appena descritto quello che fa Lokad con i suoi clienti. Comunichiamo, loro ci danno informazioni sui loro piani futuri, e noi le incorporiamo nella ricetta numerica. La differenza funzionale è che, fondamentalmente, abbiamo ricette numeriche molto più versatili. Non siamo bloccati alle serie temporali e usiamo raramente modelli di serie temporali nella pratica. Se vuoi mostrare una curva sullo schermo, deve essere una serie temporale. Questo perché gli schermi sono bidimensionali e abbiamo una dimensione che è il tempo.

Sotto il cofano, il modello non è unidimensionale. La maggior parte dei nostri modelli predittivi non opera come modelli di previsione per serie temporali. Abbiamo delle metriche di accuratezza che si allineano con la visione che delinea la fedeltà di un’affermazione quantitativa sul futuro. Ma ha ben poco a che fare con le metriche dell’errore percentuale assoluto medio. Ci poniamo una domanda: stiamo facendo un’affermazione che sia veramente significativa, fedele, in linea con ciò che stiamo davvero cercando di fare? Ad esempio, nell’industria dell’aviazione, abbiamo qualcosa che abbraccia davvero questa idea, cioè che stiamo servendo una flotta e che la flotta ha alcuni parametri che possiamo controllare? Un aeromobile ha una vita che va forse dai tre ai cinque decenni. Questo è ben vincolato, quindi possiamo letteralmente incorporare queste cose nei nostri modelli. Quando operiamo con i clienti, abbiamo modelli in cui facciamo semplicemente cose elementari. Ci prendiamo il tempo per capire cosa stanno cercando di risolvere e quali affermazioni avrebbero senso per essere fedeli al futuro del loro business. È molto diverso. Se abbiamo una metrica di accuratezza, partiamo dall’essenza del business, cerchiamo di catturare la struttura e poi costruiamo qualcosa sopra. Non si tratta nemmeno di catturare le peculiarità di un settore verticale, ma il suo DNA. Ad esempio, nell’aviazione, devi tenere conto che quello che stai conservando come pezzi di ricambio sono aeroplani. Nell’abbigliamento, ci sono certe mode e tendenze che vanno e vengono. Nell’aviazione, le flotte vanno e vengono. Ad esempio, il Boeing 747 sta uscendo di scena, mentre l’Airbus 350 sta entrando. Se vuoi fare moda e dici che ignorerai la novità, la mia risposta a ciò è che non finirà bene. Sono fortemente in disaccordo con la prospettiva espressa nella maggior parte dei libri di supply chain secondo cui queste cose sono solo dettagli. Non lo sono. Non puoi affrontare un settore verticale essendo completamente indifferente a ciò che lo rende specifico. Non puoi fare merchandising per squadre sportive ignorando il fatto che ci sono tornei e che ogni anno la struttura del tuo problema prevede che ci sia una sola squadra vincente. Ad esempio, torniamo a questa azienda che vende accessori per squadre di baseball. Come inserisci il fatto che c’è sempre una sola squadra vincente in una serie temporale? Stai ingegnerizzando la tua accuratezza. Stai ingegnerizzando qualcosa sopra un modello, questo modello di servizio, che non ha senso. Otterrai dei numeri, ma…

Conor Doherty: Beh, tengo presente che vorrei iniziare a concludere e dare un’occhiata ad alcune domande del pubblico. Siamo un’azienda guidata dal risultato finanziario da una prospettiva puramente finanziaria. C’è una semplice critica che potrebbe essere già stata posta, non lo so, ma te la pongo ora. Ci sono aziende multi-miliardarie che non sono affatto d’accordo con praticamente tutto quello che hai appena detto. Aziende multi-miliardarie che operano da un secolo o più. Come rispondi a coloro che dicono: “Guarda il nostro saldo bancario, Joannes, non siamo d’accordo con te”?

Joannes Vermorel: Su vari livelli, innanzitutto, le aziende non sono d’accordo o in disaccordo su nulla. Le aziende sono semplicemente grandi raccolte di esseri umani; non hanno un’opinione in sé. Solo le persone che vi lavorano la possiedono. Quindi, le aziende fanno molte cose, molte cose, soprattutto nelle grandi aziende, che sono semplicemente accidentali. Non sono state progettate in quel modo, è semplicemente successo così. Quindi, questi sono gli incidenti. Quando dico che non sono d’accordo con le serie temporali, la mia esperienza è che, quando discuto con i dirigenti di grandi aziende, è molto frequente trovare accordo su quei principi fondamentali che ho appena menzionato. Quando parlo con il CEO di una grande azienda della moda, di solito lui è estremamente perplesso dal motivo per cui i team di pianificazione vogliono adattare tutto alle serie temporali, cosa che è in completo contrasto con la sua visione. Quindi, sono davvero in disaccordo? Non credo. La mia esperienza, quando mi interfaccio con dirigenti che hanno trascorso decenni in un settore verticale, è che di solito sono molto frustrati dal modo in cui viene fatta la pianificazione, perché semplicemente non riflette la loro percezione e comprensione essenziale del loro business. Alla fine della giornata, mi fido del mio presentimento più dei numeri provenienti dal team di pianificazione. Il fatto che quei dirigenti lo dicano e che l’azienda abbia successo dimostra che stanno facendo qualcosa di giusto. Hanno un team di pianificazione perché non riescono a scalare il loro presentimento. Quindi, ti servono più numeri, ti serve questo team di pianificazione e ti servono quegli strumenti, ma in realtà non sono super efficaci. Divergo significativamente da quanto scritto nei manuali, ma non sono sicuro di divergere così tanto dal presentimento della maggior parte dei dirigenti con cui ho avuto l’opportunità di parlare.

Conor Doherty: Puoi dare un riassunto della tua posizione sul motivo per cui l’accuratezza delle previsioni non è importante e poi passeremo ad altro?

Joannes Vermorel: Non è importante perché, se prendo la definizione da manuale di supply chain, è tutta sbagliata. È costruita su un paradigma difettoso, ossia un paradigma di previsione basato sulle serie temporali, che è del tutto errato. Ecco perché dico che c’è un completo mismatch paradigmatico. Non corrisponde al problema che tenta di risolvere e, pertanto, è solo una soluzione matematica o statistica sofisticata per il problema sbagliato. Quindi, in questo senso, non importa. Tuttavia, se parliamo secondo il metodo Lokad, ossia se abbiamo qualcosa che è quantitativamente fedele all’essenza dell’azienda, allora importa molto.

Conor Doherty: Grazie a tutti per le vostre domande. Non sono sicuro che riusciremo a rispondere a tutte nell’ordine in cui sono state inviate dietro le quinte. Quindi, sto leggendo ciò che mi è stato presentato e alcune di queste sono affermazioni a cui, immagino, risponderai. Quindi, da un tizio chiamato Dustin: “L’accuratezza delle previsioni è importante, tuttavia il metodo attuale per quantificarla misurando l’accuratezza di una previsione puntuale è limitato. L’obiettivo finale dovrebbe essere quello di misurare l’accuratezza di una distribuzione di probabilità. Sei d’accordo?”

Joannes Vermorel: Ancora una volta, Lokad, ci stiamo muovendo nella giusta direzione con la previsione probabilistica. La previsione probabilistica ti permette di abbracciare l’incertezza. Ma comunque, non è sufficiente. Ecco perché dico sì, abbracciare l’incertezza è certamente necessario, Lokad, siamo tutti favorevoli. Ma ancora, se resti in una visione unidimensionale, non va bene. E se tratti ancora il passato come simmetrico del futuro, stai ignorando completamente il potenziale delle decisioni che non sono ancora state prese.

Conor Doherty: Stai suggerendo che l’accuratezza delle previsioni riguarda più l’accuratezza dell’esecuzione, che comprende intuizioni sia da cambiamenti interni che esterni? Dal punto di vista della previsione, l’attenzione dovrebbe essere sulla quantità e sul valore? Paulo crede che i KPI abbiano la massima importanza quando sono condivisi tra diverse funzioni, specialmente commerciale, marketing e finanza. Secondo te, gli scenari di rialzo e ribasso sono utili? Ci sono molte piccole domande, lascio a te la scelta.

Joannes Vermorel: Questo è qualcosa di molto interessante. Innanzitutto, una previsione è un ingrediente, un artefatto in sé. Non fa nulla per un’azienda. Se produci un’affermazione quantitativa sul futuro, il software è solo un artefatto. Non ha valore intrinseco. Penso che Paulo abbia ragione nel dire che qualunque sia la tua valutazione non può essere qualcosa di intrinseco alla previsione. È solo attraverso l’esecuzione della supply chain che puoi valutare se questo strumento, questo artefatto numerico, fosse adatto o meno. Produci il tuo artefatto numerico, la tua previsione, e poi puoi giudicare solo in base alle sue conseguenze, alle conseguenze a lungo termine, se si è trattato di una buona o cattiva previsione. È un approccio molto consequenziale che ho nei confronti della previsione.

Per quanto riguarda i KPI nella condivisione con i diversi dipartimenti, direi di fare attenzione. Le aziende non guadagnano facendo leggere numeri alle persone. Avere numeri condivisi tra i team va bene, ma crea valore per l’azienda? Non proprio. E quando si parla di KPI, si intende che siano chiave, come i key performance indicators, presumibilmente pochi. Ma la mia osservazione è che le aziende hanno decine, centinaia, a volte migliaia di KPI. Quindi non sono KPI, sono indicatori di performance, un vero carico di indicatori di performance. Il mio punto è: sì, in una certa misura, ma attenzione. Le aziende stanno già pagando troppe persone per passare il tempo a osservare metriche mentre, successivamente, fanno ben poco.

Conor Doherty: Potrei solo seguire rapidamente su questo, perché correggimi se sbaglio, stai dicendo che una comunicazione interdipartimentale eccessiva può essere negativa. Ma non è l’opposto dei silos, di cui so che non sei un fan particolarmente?

Joannes Vermorel: Cosa faranno le persone con quei numeri? La mia opinione è che se vuoi condividere dati, non dovrebbero passare attraverso gli occhi e il cervello degli esseri umani. Stiamo parlando di un tipico cliente per noi che ha più di un terabyte di dati di transazioni. È un sacco. Quindi, realisticamente, se consideri quanti numeri puoi leggere al secondo con i tuoi occhi (tipo cinque cifre al secondo), ci vorrebbe un’intera vita per far passare questi dati attraverso il cervello umano. Ovviamente, quando diciamo che vogliamo condividere dati, non intendiamo che debbano passare attraverso le persone. Rompere i silos non significa assicurarsi che Bob dell’altro dipartimento debba elaborare tutti i dati che produci, generi, e tutti i report, ecc. Significa solo garantire che tutti abbiano accesso programmatico a tutti i dati presenti in azienda, in modo che possano ottimizzare le proprie decisioni. E se devono coordinarsi, si tratta di allineare le stesse ricette numeriche che guidano le varie decisioni. Non significa che le persone debbano impiegare il proprio tempo e la propria capacità, il tempo umano e la banda umana, per elaborare manualmente questi dati. Rompere i silos non significa creare lavoro per l’altro dipartimento, creando un report che ti aspetti venga letto dalle persone dell’altro dipartimento. Qui, stai solo creando burocrazia. Crei semplicemente un compito burocratico che imposti a un altro dipartimento. E la mia intuizione è che la maggior parte delle volte, quando fai ciò, non si tradurrà in qualcosa di redditizio per l’azienda. Potrebbe, ma non è scontato e nella maggior parte dei casi non succederà.

Conor Doherty: Grazie per questo. Sono consapevole che abbiamo tempo limitato, quindi questa domanda è di Sashin o Sain. Quanto è applicabile il concetto di basket o la prospettiva del basket per le aziende B2B rispetto ai soli beni di consumo?

Joannes Vermorel: È essenziale. Prendiamo un esempio. Uno dei nostri clienti di Lokad è un distributore B2B di apparecchiature elettriche. È una compagnia molto grande. Quando vendi apparecchiature elettriche, i tuoi clienti sono grandi imprese e la maggior parte del tuo business è guidata dai cantieri. Quindi sì, c’è l’occasione in cui un’azienda ordinerà una lampadina o un interruttore solo per fare una piccola riparazione, ma la maggior parte del business viene trainata dai cantieri. C’è una nuova torre e fra 6 mesi hai bisogno di 4.000 interruttori, tutti dello stesso modello, allo stesso tempo, e hai bisogno di 200 km di cavo, letteralmente. E così abbiamo – e questo non è un caso isolato – una situazione molto classica se si guarda all’edilizia civile. Quando un edificio viene costruito, ci saranno aziende che passeranno grandi ordini per dire che hanno bisogno di tutto l’impianto elettrico per quell’edificio. E quindi, diciamo, 6 mesi in anticipo, non si aspetteranno che questo distributore elettrico abbia tutto in stock. Nessuno ha una tale quantità di scorte immediatamente disponibile, quindi l’azienda che si occupa dell’installazione dell’edificio lo sa. Dunque, mesi prima passeranno un grande ordine, sapendo che non sarà disponibile, e lo faranno in anticipo. Ma dicono: vi diamo molto tempo, ma a questa data, l’anno prossimo, fine marzo, vogliamo avere tutto pronto perché poi procederemo con il dispiegamento nell’edificio e abbiamo bisogno di ogni singola cosa. Quindi abbiamo un grande ordine, mille referenze, per ogni referenza ci sono centinaia di unità e abbiamo bisogno che ogni singola unità sia perfettamente disponibile a quella data. E non ti stiamo prendendo in giro, ti diamo molti mesi per far avvenire tutto ciò. E questo è il punto: vedi, in questo caso, la cosa interessante è che ci discostiamo ancora dalle serie storiche. Abbiamo una domanda, ma se consideri la domanda come una serie storica, perdi di vista l’essenza. L’essenza è che hai due date: la data dell’ordine e la data prevista di disponibilità della merce. Quindi si tratta di un basket anch’esso, questo è B2B, e comporta una complessità extra rispetto al supermercato, dove qualunque cosa ti serva viene annunciata in anticipo. Ora, è perfettamente noto? Non lo è, perché possono verificarsi piccole deviazioni nei programmi di costruzione e il cliente potrebbe poi tornare a dire: abbiamo bisogno di quelle cose una settimana prima o una settimana dopo. Quindi vedi, c’è ancora una certa variabilità e man mano che il cantiere procede, potrebbero essere apportati aggiustamenti marginali al loro basket. Ma hai comunque la maggior parte delle informazioni a disposizione con un largo anticipo. Quindi, ancora una volta, anche se stiamo parlando di B2B, abbiamo questo genere di fenomeni. Anzi, direi che il B2B è tutto questione di business ripetuto con partner ben identificati. Quindi, questo tipo di analisi del basket è ancora più prevalente nel B2B rispetto al retail B2C.

Conor Doherty: Da Stefan, o Stefane, il francese, credo che Stefan abbia un commento. Dice: “Si può potenzialmente fornire una quantità enorme di dati, strutturati o meno, a un’AI avanzata per ottenere una previsione. Tuttavia, c’è uno svantaggio in questo, vero?” È una domanda. Forse lo sai?

Joannes Vermorel: Sì, voglio dire, la gente pensa che l’alternativa a una serie storica sia una specie di AI in stile Skynet. La mia risposta è: perché la pensi così? Se tutto ciò che hai visto in vita sono forme rotonde e non hai mai visto una forma quadrata, potresti pensare che l’alternativa a una forma rotonda sia una forma incredibilmente complicata. Non è questo che sto dicendo. Non sto dicendo che l’alternativa a una forma rotonda sia qualcosa di impossibilmente complicato. Potrebbe essere semplicemente una forma quadrata. Non sto dicendo che l’alternativa alle serie storiche sia un’AI a livello Skynet o simili. La maggior parte dei modelli che Lokad usa è molto semplice, semplicemente non sono basati sulle serie storiche. C’è un vero e proprio culto del “deve essere una serie storica”. Io dico: perché no? La matematica è vasta, ci sono un sacco di alternative che puoi adottare che non sono più complicate delle serie storiche. Sono differenti. Le serie storiche, essendo la forma più semplice delle forme semplici, sì, sono leggermente più complicate – solo un po’ – perché non c’è quasi nulla di più semplice delle serie storiche. Le serie storiche sono letteralmente una quantità con una dimensione temporale, quindi è difficile renderle ancora più semplici perché sono già super semplicistiche. Ma ciò non significa che l’alternativa alle serie storiche sia un’AI a livello Skynet. Quelli sono ancora modelli parametrici, molto semplici, e si tratta semplicemente di abbracciare la struttura del problema che stai cercando di risolvere. Quando descrivo la struttura dei problemi, come ad esempio una serie di partite di baseball con un vincitore ogni anno e le altre squadre che perdono, non stiamo parlando di strutture impossibilmente complicate. Quelle cose non sono così complesse, possono essere descritte in pochi minuti, e anche i modelli che Lokad tipicamente usa possono essere descritti in pochi minuti. Le serie storiche possono essere descritte in secondi, quindi siamo più nel tipo di cose che richiedono minuti per essere spiegate.

Conor Doherty: Bene, in termini della differenza tra le forme, e ci soffermerò brevemente su questo, quando la gente parla di misurare quanto una previsione sia stata buona o fedele, guarda all’accuratezza. Noi non la consideriamo. L’altra forma che usiamo è l’impatto finanziario. È questa l’altra forma alternativa?

Joannes Vermorel: Questo fa parte del nostro arsenale. La prospettiva finanziaria non è una questione su cui siamo inflessibili. È solo che, secondo la mia esperienza, quando si tratta di gestire una grande azienda con una vast supply chain, ci troviamo ad affrontare il problema della riconciliazione di decine di obiettivi in conflitto. Hai così tanti obiettivi. Sei una grande azienda: vuoi evitare gli sprechi, vuoi un servizio di alta qualità, desideri la massima utilizzazione del tuo warehouse e dei tuoi asset, hai vincoli come lo spazio massimo di stoccaggio e la shelf life. Quindi, hai vincoli e obiettivi ovunque. Ci serve un linguaggio per unificare tutto ciò. È una questione molto pratica. Queste cose, in un certo senso, si scontrano. Il livello di servizio è in conflitto con lo spreco. Se dici “voglio avere un super alto service level”, allora se parliamo di prodotti deperibili, avere un servizio molto elevato significa che a volte ti ritrovi con inventario che scade e che devi buttare via, quindi crei sprechi. C’è tensione. Non puoi dire “ho zero sprechi e un livello di servizio molto alto”. Se hai un alto livello di servizio, avrai qualche spreco, e se elimini completamente lo spreco, significa che molto spesso finirai per avere dei stockouts. È inevitabile. È semplicemente il disegno stesso del problema. Hai quegli obiettivi in conflitto. Quindi, ingrandiamo questo concetto. Abbiamo una grande azienda, dobbiamo unificare tutto, e la mia proposta – che fa parte del bag of tricks che Lokad utilizza – è che se esprimiamo tutto in dollari, abbiamo la lingua franca. Abbiamo il modo di unificare. È semplicemente un bag of tricks. Non è che io voglia pensare esclusivamente in termini di dollari, è solo la mia esperienza. È l’unica cosa che scala quando consideri aziende complesse. È semplicemente una questione di praticità su larga scala.

Conor Doherty: Grazie. Quindi, questo video dovrebbe essere intitolato “Does Time Series Matter?” Credete che quantificare l’incertezza e l’accuratezza delle previsioni sia vitale, ma non siete d’accordo con i metodi attuali, giusto?

Joannes Vermorel: Ancora una volta, accuratezza e serie storiche sono la stessa cosa. Se guardi i manuali della supply chain, non ho mai visto alcun manuale in cui l’accuratezza non sia immediatamente associata a una serie storica. La maggior parte dei manuali della supply chain non si preoccupa nemmeno di dare la definizione matematica di una serie storica. Saltano direttamente alla definizione di accuratezza, che di per sé definisce la serie storica. Quindi, vedi, queste cose sono co-sostanziali nel paradigma mainstream della supply chain. Sono la medesima cosa. E Lokad sostiene che vogliamo disgiungerle. In effetti, esiste un modo per far in modo che l’accuratezza conti, ma è qualcosa di così radicalmente diverso da quanto presentato nei manuali della supply chain che sono molto titubante. Sono sul filo del rasoio nel chiamarla accuratezza. Accuratezza è un buon termine, è valido, ed è ciò che facciamo in linea morale. Ma quello che stiamo facendo rappresenta una rottura così radicale rispetto a quanto si trova nei manuali della supply chain che crea confusione quando usiamo lo stesso termine.

Conor Doherty: Grazie. Credo che ne abbiamo toccato l’argomento nelle ultime due domande. Questo viene da Constantine. Alcuni sostengono la FVA, la tua preferita, come mezzo per determinare se gli sforzi per migliorare l’accuratezza valgono la pena. Hai recentemente pubblicato una recensione che critica la FVA. Cosa suggerisci come alternativa?

Joannes Vermorel: Quindi, qui darò una risposta. Non viene da me, ma in realtà da TOA. Quando un chirurgo rimuove un cancro dal tuo corpo, con cosa sostituisce il cancro? Quindi, per quanto riguarda la FVA, la mia opinione è che l’accuratezza ottenuta con il paradigma mainstream sia un’idea fasulla. Non regge al vaglio quando si vuole osservare l’essenza del business. Questo strumento matematico, una linea, ha senso ad un livello elevato per il mio business? E la mia proposta è che, osservando con un minimo di attenzione, non ha senso. Quindi, ora, la FVA è semplicemente un’eccessiva ingegnerizzazione di un processo costruito su un paradigma fasullo, uno strumento fasullo. Quindi, stai solo peggiorando la situazione. La FVA sta spingendo l’azienda ulteriormente nella direzione sbagliata. Avevi un concetto fasullo, quell’accuratezza delle serie storiche, e ora vuoi ingegnerizzare un processo su di esso per creare una sorta di mini burocrazia in azienda. Quindi, la mia opinione è che non sia la prima, né l’ultima, burocrazia inutile che verrà introdotta nell’azienda. Le grandi aziende hanno dozzine di burocrazie inutili in circolazione. Alla fine, non è la rovina dell’azienda avere un’altra burocrazia inutile in circolazione. Ma renderà la supply chain dell’azienda più competitiva? No, nemmeno lontanamente. Farà l’esatto contrario. Anche se non rovinerà l’azienda. È il tipo di cosa che aggiunge solo dei costi e l’azienda si adatterà.

Conor Doherty: Ok, insisterò un po’ su questo perché a entrambi piace l’analogia di Thomaso. Quando un chirurgo rimuove un cancro, cosa mette al suo posto? Se applichi questo concetto a questo contesto, è quasi come dire: beh, abbiamo rimosso questo, stai con le mani in mano, non mettere niente al suo posto. Cosa riempirà quel vuoto?

Joannes Vermorel: Lasciami descrivere la realtà di ciò che l’accuratezza significa veramente in una grande azienda. Esiste questo processo SNOP con un bureau CES che produce previsioni, e poi le persone valutano quelle previsioni. Vengono usate? No, non lo sono. Tutte le grandi aziende con cui sono stato in contatto nell’ultimo decennio, oltre 200 grandi aziende, quando le ispeziono e le audito, mi rendo conto che l’intera azienda funziona grazie a fogli di calcolo shadow IT. Tutti quei numeri che emergono dal processo SNOP non vengono usati. I venditori, la produzione, le persone della supply chain, chi si occupa della logistica, della capacità di trasporto, non utilizzano quei numeri. È come un villaggio di Potemkin. Esiste quest’illusione di razionalità, in cui le persone producono queste grandi previsioni con il SNOP e le rivedono una volta per trimestre. Ma poi ogni singolo manager ha il proprio foglio di calcolo segreto a lato che utilizza, ed è questo che fa girare il business. La cosa interessante è che ogni manager pensa di essere l’unico ad avere questo foglio di calcolo nascosto. Mi è capitato più volte che un VP della supply chain mi abbia detto: “ho un foglio di calcolo segreto perché i numeri che mi danno sono spazzatura”. Eppure, per i loro subordinati, viene richiesto di attenersi al processo ufficiale SNOP. Nell’ambito dell’audit, intervisto i subordinati e mi dicono di avere un foglio di calcolo segreto. Non si fidano dei numeri, quindi lo fanno in modo diverso. E tutti pensano di essere l’unico ad avere questo foglio di calcolo segreto. Ho visto questa situazione ripetersi più e più volte. Hai numeri fasulli nel piano SNOP, eppure le decisioni finali risultano corrette. Come è possibile? La risposta è invariabilmente che da qualche parte c’è un foglio di calcolo realizzato in maniera molto più in linea con l’essenza del business. Le persone nascondono quel foglio di calcolo perché non è la politica ufficiale, ma comunque è ciò che fa funzionare l’azienda, non il grandioso villaggio di Potemkin di quei numeri pomposi.

Conor Doherty: Grazie. Abbiamo ancora qualche domanda da affrontare, quindi dovrò chiedere di essere breve d’ora in poi. Questo viene da Sean. Scrive: “L’accuratezza delle previsioni è un elemento nella supply chain. Potrebbe non essere il vincolo principale in un determinato business. Capitalizzare una previsione migliorata di solito richiede altri cambiamenti nella supply chain. Sei d’accordo?”

Joannes Vermorel: Capitalizzare su una macchina fax migliorata importa? Vedi, questo è ciò che sto cercando di trasmettere. Quando le persone mi dicono che abbiamo un’accuratezza migliore nel senso classico, è come dire che hai una macchina fax migliore. Non è perché è un miglioramento rispetto allo status quo che rappresenta un miglioramento complessivo. Questo è il rovescio dell’incrementalismo nella supply chain. Le persone vedono il miglioramento soltanto attraverso la lente del “sì, è solo un po’ migliore rispetto a ciò che abbiamo”. Se puoi pensare solo a macchine fax migliori, non sei in una buona posizione. Quando le persone dicono: “Oh, stai parlando di AI, Skynet”, io dico, per esempio, che l’email è fondamentalmente più semplice di una macchina fax. Una macchina fax è più sofisticata, più esigente in termini di tecnologia, eppure è una soluzione ben peggiore rispetto all’alternativa. Questo è il mio punto. Quando le persone dicono: “Oh, abbiamo questo miglioramento”, io dico: “Sì, hai solo una macchina fax migliore. Congratulazioni. Ma ti stai perdendo il punto. Stai perdendo l’opportunità di fare qualcosa di più semplice, migliore, più allineato, più veloce e più snello su tutti i fronti.”

Conor Doherty: Grazie. Andando avanti, da Philippe, “Quando si discute della struttura nelle previsioni, una previsione basata su serie storiche può essere un componente di quella struttura, nella misura in cui è applicabile?”

Joannes Vermorel: Può esserci. Le serie temporali sono una struttura così fondamentale. È molto difficile quando si crea qualcosa, cercando di non far emergere serie temporali accidentalmente anche come componente del tuo ingrediente predittivo. Il mio messaggio non è che le serie temporali non debbano essere usate. Questo non è l’essenza. Sto solo dicendo che se tutto ciò che possiedi sono serie temporali, diventa molto semplicistico. Devi ampliare il tuo vocabolario, il tuo orizzonte. Ci sono altre cose e, in quelle altre cose, sì, puoi avere serie temporali. Succede occasionalmente.

Conor Doherty: Successivamente, da Manuel, “Le università continuano a insegnare i metodi e formule per le previsioni con excel tradizionali e ne enfatizzano l’accuratezza. Con la recente introduzione di modelli di machine learning che considerano molti fattori aggiuntivi, questo ha cambiato il punto di vista presentato oggi?”

Joannes Vermorel: La differenza tra avere una televisione in bianco e nero, che sarebbe uno schermo classico, e una luce che proietta immagini, che sarebbe il grande schermo piatto, corrisponde alle vecchie serie temporali. Il machine learning ti offre soltanto lo schermo LCD in bianco e nero. Rimane in bianco e nero; uno ha qualità migliori, è più snello, ha il suo posto. Il mio problema con le università non riguarda il modello numerico migliore. Il mio problema non è che le università non insegnino il giusto algoritmo di previsione, ma che non si impegnino ad insegnare il giusto atteggiamento verso la previsione. Stai osservando l’essenza del problema? Stai cercando di produrre un’affermazione quantificata che abbia senso per il business? È quello che stai facendo? Ha senso? Consideri il fatto che il futuro non è il simmetrico del passato? Ancora, l’atteggiamento. E poi ci sono le tecnicismi. Per me, tra le serie temporali classiche e il machine learning, esiste un continuum globale. Se guardiamo alla competizione Walmart in cui abbiamo conquistato il quinto posto, il trucco è stato utilizzare un modello parametrico super semplicistico con cinque parametri. Quindi, si può considerare classico? Ci siamo classificati su una migliaia di squadre concorrenti, siamo arrivati quinto e persino abbiamo ottenuto il primo posto a livello di SKU, sopra tutti, con un modello super semplicistico. La cosa interessante è che si tratta di un modello molto semplicistico, con circa cinque parametri. In un certo senso, è un modello old school, ma il modo in cui abbiamo appreso quei parametri è stato attraverso una programmazione differenziabile più elaborata. Quindi, è machine learning? È old school? Per me, esiste un continuum che va dai modelli autoregressivi super classici ai modelli di deep learning super sofisticati. Non c’è alcun balzo quantico, tutto è lì. Il mio problema non è che le università non insegnino correttamente quegli algoritmi di previsione, ma che non insegnino correttamente l’atteggiamento necessario per le previsioni, il mindset di cui hai bisogno quando affronti il futuro per scopi supply chain. Questo è il problema. L’obiettivo del processo S&OP è creare un allineamento a livello aziendale. Questo sarebbe l’obiettivo, affinché le persone nel fronte produttivo producano ciò che verrà venduto dal team di vendita e affinché i venditori producano ciò che si può realizzare. Si tratta letteralmente di allineamento aziendale. Ma in pratica, le pratiche S&OP sono una serie infinita di riunioni. Ed è proprio così.

La mia opinione è che l’informazione fluisce attraverso i sistemi IT, il panorama applicativo. Abbiamo paradigmi in competizione. Non siamo nemmeno sulla stessa lunghezza d’onda. Dico che l’informazione scorre e, se c’è coordinamento, non riguarderà tanto l’informazione stessa. L’informazione fluisce attraverso il panorama applicativo. Non è necessario che le persone parlino tra loro per creare allineamento. Si tratta delle ricette numeriche e di chiarire l’intento strategico dell’azienda, che assolutamente non è ciò che accade nelle riunioni S&OP. Molte grandi aziende ottengono risultati decenti, ma quelle previsioni delle serie temporali sono solo parte delle burocrazie che non contribuiscono affatto a nulla. Le potresti rimuovere e funzionerebbero perfettamente. Durante i lockdown del 2020 e del 2021, alcune aziende in certi paesi hanno avuto parti della loro forza lavoro impiegatizia messe in cassa integrazione tecnica per 14 mesi. L’azienda operava ancora all'80% della capacità. Era ridotta, ma non pari a zero. A causa di quei lockdown, tutto il personale impiegatizio, specialmente nel settore della pianificazione, è stato letteralmente invitato a restare a casa e a non toccare mai i computer aziendali. Abbiamo avuto un grande esperimento in cui l’intero dipartimento di pianificazione è sparito per 14 mesi e tutto ha funzionato bene. Quindi, se un’azienda può operare senza una divisione per 14 mesi con tutte le persone di quella divisione assenti, cosa dice questo della divisione? Probabilmente che non è esattamente mission critical. Abbiamo persino avuto il caso in cui una grande azienda, un produttore, è essenzialmente diventata un e-commerce durante il periodo di lockdown. Il segmento e-commerce rappresentava il 5% del loro business prima dei lockdown. Alla fine del 2021, l’e-commerce costituiva due terzi delle loro vendite. Quindi, l’azienda ha subito una trasformazione massiccia, passando dal 5% di e-commerce a essere di fatto un’azienda e-commerce. Se la tua azienda può subire trasformazioni massicce e rapide ed eseguirle bene, cosa dice di quelle funzioni? Sto mettendo in discussione questo concetto. Non sto dicendo che l’accuratezza non conta, soprattutto nel senso specifico che ha Lokad. Ma se osserviamo come viene generalmente praticato, ho notato ripetutamente che abbiamo avuto lockdown, abbiamo persino avuto il grande esperimento di chiudere la divisione responsabile di quelle metriche di accuratezza per oltre un anno, 14 mesi per essere precisi. E qual è stato l’impatto sul business? Niente, il business è continuato come sempre. Alcune di quelle aziende sono addirittura fiorite dopo quell’esperimento. Questo mi ha aperto gli occhi. È un esperimento che non avrebbe dovuto accadere, ma è successo.

Conor Doherty: Grazie. E l’ultima domanda, anch’essa da Nicholas, forse diversa, non lo so. Spesso vedo reparti che cercano di sovrastare i dati statistici con sensazioni intuitive. Come definisci l’impatto dell’accuratezza delle previsioni sul miglioramento dell’inventario e dell’esperienza del cliente in tempo reale?

Joannes Vermorel: Ecco il punto: questa è una domanda che non viene mai posta come parte del paradigma principale sull’accuratezza delle serie temporali. Non è una domanda che si trova nei manuali di supply chain. Questo elemento è assente. Ma non è l’unica preoccupazione. Esiste un intero ambito che non abbiamo toccato, ovvero l’instrumentalità della previsione. Quanto bene devono essere effettivamente utilizzate in azienda? E queste considerazioni mancano. Quindi sì, questo è molto importante. E collegare tutti i punti, dalla decisione al modello matematico che produce quelle asserzioni, è fondamentale. Ma ciò significa che sono necessarie ricette numeriche che vadano dall’inizio alla fine, dalla generazione predittiva di quelle affermazioni quantitative sul futuro fino alla decisione che prendi, e che abbiano conseguenze reali con impatti finanziari sulla tua azienda. E così valuterai se il tuo modello predittivo è fedele o meno. Uso il termine “fedele” perché non voglio usare la parola “accurato”. E parte del bagaglio di trucchi è questo punto di vista finanziario, perché facilita l’operazione. Ma, nel modo in cui viene solitamente praticato, si ferma a metà percorso. Esiste questa grande illusione, sostenuta dai manuali di supply chain e dalla maggior parte dei software di supply chain, secondo cui si può tagliare il problema alla fase della previsione e dire: in isolamento, valuteremo quanto siamo bravi o quanto siamo meno bravi, isolatamente dal resto. E questo è del tutto insensato. Non esiste una valutazione isolata dell’adeguatezza o dell’accuratezza di una previsione. Si tratta semplicemente di confrontare modelli matematici. È utile, ma non è la vita reale. È come se volessi individuare il vincitore in un campo di tiro. Potresti avere un campione olimpico di tiro, ma quando si tratta di un’esercitazione militare reale, le persone non sparano con armi vere in una guerra reale come in un ambiente controllato. È completamente diverso. Il punto conclusivo è che parte del problema dell’accuratezza è che il problema stesso è inquadrato in modo errato. Non è che l’accuratezza sia falsa nel senso matematico. Non è questo che sto dicendo. Non sto dicendo che, per esempio, il valore aggiunto della previsione sia incorretto in senso statistico. Quello non è ciò che intendo. Sto dicendo che l’ambiente paradigmatico che circonda quei concetti è inadeguato. Se devi scegliere tra un istinto che abbraccia veramente il business e un approccio super sofisticato ma completamente inadeguato all’azienda, “approssimativamente corretto” supera “esattamente sbagliato” ogni singolo giorno. Questo è il punto. E l’accuratezza esemplifica il modo tradizionale in cui funziona questa mentalità di essere esattamente sbagliati.

Conor Doherty: Joannes, non ho altre domande. Voglio dire, ne avrei, ma le riserverò per un altro giorno. Grazie mille per il tuo tempo. E a tutti voi che siete rimasti con noi così a lungo, grazie mille per il vostro tempo. Ci vediamo alla prossima.