00:00:00 Introduzione all’intervista
00:01:46 Impatto dell’accuratezza delle previsioni sul profitto
00:03:25 Definizione dell’accuratezza nelle previsioni
00:07:36 Valutazione con uno strumento quantitativo
00:09:35 Le serie temporali come una misura
00:11:16 La domanda espressa a livello di cestino
00:13:22 Analogia delle previsioni basate su serie temporali
00:15:17 Limitazioni delle serie temporali nel contesto del cibo deperibile
00:18:51 Le serie temporali non riflettono l’essenza del business
00:21:41 Menzione del valore aggiunto delle previsioni
00:24:47 Discussione sull’accuratezza 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 L’offerta precede la domanda, esempio di iPhone
00:42:37 Differenza tra Lokad e altre aziende
00:46:13 L’approccio di Lokad alla risoluzione dei problemi
00:49:11 Disaccordo con le comuni prospettive della supply chain
00:51:49 Transizione alle domande del pubblico
00:54:06 La pianificazione non riflette la comprensione del business
00:57:35 La definizione di accuratezza dei manuali scolastici è irrilevante
01:00:01 Domanda sull’accuratezza delle previsioni e sull’esecuzione
01:03:38 Domanda sulla comunicazione interdipartimentale e sui silos
01:06:15 Esempio di distributore B2B di apparecchiature elettriche
01:09:34 L’analisi del cestino è più diffusa nel settore B2B
01:12:30 Misurare l’accuratezza 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 Risposta di Joannes alla domanda
01:25:00 Domanda sull’utilizzo delle previsioni basate su serie temporali nella struttura delle previsioni
01:27:05 Domanda sulle università che insegnano metodi di previsione tradizionali
01:30:54 Snop per l’allineamento aziendale
01:33:23 Esperimento durante i lockdown con l’assenza del dipartimento di pianificazione
01:36:12 Discussione sulla trasformazione aziendale
01:39:10 La grande illusione nella supply chain
01:42:13 L’accuratezza che esemplifica un atteggiamento completamente sbagliato
01:42:49 Fine dell’intervista
Riassunto
Joannes Vermorel, CEO di Lokad, critica la tradizionale comprensione dell’“accuratezza delle previsioni” nella gestione della supply chain, sostenendo che non rifletta l’essenza stessa di un’azienda. Egli suggerisce che le previsioni basate su serie temporali, comunemente utilizzate, siano eccessivamente semplicistiche e non rappresentino accuratamente il futuro per scopi legati alla supply chain. Vermorel propone un approccio diverso, focalizzato sulla fedeltà quantitativa all’essenza di un’azienda. Critica l’attenzione rivolta ai 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 affermazioni 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 dell’accuratezza delle previsioni e del suo ruolo nella pianificazione della domanda. Vermorel, imprenditore francese nel settore del software, ha messo in discussione la tradizionale comprensione dell’accuratezza delle previsioni nella gestione della supply chain, un concetto radicato nell’industria fin dagli anni ‘20. Ha sostenuto che mentre l’accuratezza delle previsioni è direttamente legata al profitto nella speculazione di borsa, questo modello non si applica alla gestione della supply chain in quanto non esiste una traduzione diretta tra accuratezza delle previsioni e redditività.
Vermorel ha proposto due modi per definire l’accuratezza: il modo tradizionale e il modo Lokad. Ha spiegato che la definizione tradizionale è una previsione basata su serie temporali, una previsione periodica con intervalli uguali. Tuttavia, Vermorel ha criticato questo approccio per le significative assunzioni che comporta, come la simmetria tra passato e futuro, la località delle misurazioni e l’agnosticismo rispetto all’ambiente computazionale o software. Ha sostenuto che le serie temporali sono un modello eccessivamente semplicistico che non rappresenta fedelmente il futuro per scopi legati alla supply chain.
Utilizzando l’esempio di un supermercato, Vermorel ha illustrato che le previsioni basate su serie temporali ignorano importanti relazioni tra i prodotti. Ha sostenuto che le previsioni basate su serie temporali sono cieche rispetto a importanti dimensioni e non riflettono la struttura del futuro. Ha suggerito che le previsioni basate su serie temporali possano essere sufficienti per le piccole imprese, ma non per le grandi aziende che gestiscono complesse supply chain.
Vermorel ha anche criticato il focus dei manuali di supply chain sulle serie temporali per l’accuratezza, sostenendo che non rifletta l’essenza stessa di un’azienda. Ha sottolineato che i supermercati sono strutturati per vendere ceste di prodotti, non singoli prodotti. Ha messo in discussione la logica dell’utilizzo di strumenti predittivi che analizzano i prodotti in modo isolato quando i supermercati sono progettati affinché i clienti acquistino molti articoli contemporaneamente.
Vermorel ha anche discusso della complessità della domanda, utilizzando come esempio la deperibilità. Ha spiegato che se la metà delle scorte di un negozio scade il giorno successivo, non ha effettivamente 50 unità in magazzino. Ha anche menzionato che i clienti possono scegliere i prodotti con la durata di conservazione più lunga, il che può influire sull’urgenza di vendere determinati prodotti.
Vermorel ha sostenuto che le serie temporali non possono riflettere accuratamente importanti modelli come le ceste e i prodotti deperibili in un supermercato. Crede che l’accuratezza 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 funzionano nella pratica, nonostante le sue critiche. Vermorel ha osservato che i fornitori sostengono da 45 anni che i loro strumenti automatizzano tutto ciò che riguarda la supply chain. Ha sostenuto che nonostante queste affermazioni, tutto viene ancora fatto tramite fogli di calcolo.
Vermorel ritiene che il problema principale sia che la prospettiva delle serie temporali è errata e non si adatta alla struttura del problema. Ha criticato la visione unidimensionale del futuro offerta dalle serie temporali. Quando gli è stato chiesto cosa dovrebbe essere perseguito invece dell’accuratezza delle previsioni come KPI, Vermorel ha suggerito che l’obiettivo dovrebbe essere quello di produrre affermazioni quantitative 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 con la struttura sbagliata a cercare di inserire una forma rotonda in un buco quadrato. Ha suggerito che ci sono molti altri modi per affrontare il problema, a seconda dell’azienda.
Vermorel ha fornito esempi di diversi modelli di business, come supermercati e aziende di moda, e come le serie temporali non abbiano senso per loro. Ha sostenuto che per pensare al futuro è necessario considerare i “halos of wants”, che non corrispondono alla visione delle serie temporali.
Vermorel ha anche discusso del settore aerospaziale, dove il consumo di parti è guidato dal ciclo di vita degli aeromobili. Ha concluso che l’utilizzo delle serie temporali è un’approssimazione grezza per qualsiasi settore aziendale. Ha paragonato l’utilizzo delle serie temporali all’approssimazione di una mucca come una sfera, sostenendo che è una pessima approssimazione per situazioni reali.
Vermorel ha anche discusso dei problemi che vede nell’approccio tradizionale alla gestione della supply chain, che assume che il passato sia un riflesso esatto del futuro. Ha sostenuto che questo non è il caso, soprattutto nella supply chain in cui le decisioni future non sono ancora state prese e sono influenzate da vari fattori, tra cui le decisioni dei concorrenti.
Vermorel ha utilizzato l’esempio della vendita di zaini per illustrare il suo punto di vista. Ha spiegato che il numero di varianti che un’azienda introduce può influire significativamente sulla domanda futura. Ha sostenuto che l’approccio tradizionale di decidere prima l’assortimento e poi fare previsioni è insensato, poiché la domanda non è definita e viene influenzata dalle decisioni dell’azienda.
Vermorel ha spiegato ulteriormente che le aziende progettano la loro domanda introducendo prodotti sul mercato, che generano poi domanda per quei prodotti. Doherthy ha menzionato la pratica del valore aggiunto delle previsioni, in cui le informazioni provenienti da diversi dipartimenti vengono utilizzate per apportare modifiche alle previsioni. Vermorel ha criticato questa pratica, sostenendo che spesso è solo un modo per supportare le sensazioni istintive con numeri e non contribuisce al processo effettivo di presa delle decisioni.
Vermorel ha spiegato che Lokad utilizza ricette numeriche più versatili e non limitate ai modelli di serie temporali. Ha discusso dell’importanza di fare una dichiarazione fedele al futuro dell’azienda e in linea con ciò che l’azienda sta cercando di raggiungere. Vermorel ha sottolineato l’importanza di comprendere l’essenza del business e di progettare un modello su di essa.
Vermorel ha criticato la prospettiva espressa nella maggior parte dei libri sulla supply chain che trascura 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, solo le persone che lavorano per loro. Crede che molti dirigenti delle grandi aziende sarebbero d’accordo con le sue opinioni, poiché spesso si sentono frustrati dall’approccio tradizionale alla pianificazione.
Vermorel ha sostenuto che la definizione tradizionale di precisione delle previsioni nei manuali di supply chain è errata perché si basa su un paradigma di previsione di serie temporali, che lui ritiene essere sbagliato. Ha suggerito che l’approccio di Lokad, che si concentra sulla fedeltà quantitativa all’essenza di un’azienda, è più prezioso.
Vermorel ha concordato con un punto sollevato da uno spettatore riguardo all’accettazione dell’incertezza attraverso previsioni probabilistiche, ma ha anche sottolineato la necessità di andare oltre il pensiero unidimensionale e considerare le decisioni future che non sono ancora state prese.
Vermorel ha spiegato che una previsione è solo un ingrediente e non ha valore di per sé. È d’accordo con l’idea che il valore di una previsione può essere valutato solo attraverso la sua esecuzione nella supply chain. Ha anche messo in guardia dal condividere troppi KPI tra i team, sostenendo che ciò non crea necessariamente valore per l’azienda.
Vermorel ha spiegato che la condivisione dei dati non dovrebbe comportare un’elaborazione manuale da parte degli esseri umani. Invece, tutti dovrebbero avere accesso programmabile a tutti i dati dell’azienda per ottimizzare le proprie decisioni. Ha messo in guardia dal creare burocrazia obbligando gli altri dipartimenti a leggere report.
Vermorel ha sostenuto che il concetto di cestino è essenziale per le aziende B2B, utilizzando l’esempio di un distributore B2B di attrezzature elettriche. Ha spiegato che la maggior parte del loro business è guidata dai cantieri edili, che richiedono grandi ordini di attrezzature da consegnare in tempi specifici. Questo, afferma, è una forma di analisi del cestino.
Vermorel ha sostenuto che l’alternativa alla previsione delle serie temporali non deve essere un’intelligenza artificiale complessa. Ha suggerito che ci sono molti altri modelli matematici che non sono più complicati delle serie temporali, sono solo diversi.
Vermorel ha spiegato che Lokad utilizza una prospettiva finanziaria per conciliare i molteplici obiettivi contrastanti della supply chain di una grande azienda. Ha suggerito che esprimere tutti gli obiettivi e i vincoli in 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 in aziende complesse.
Vermorel afferma che precisione e serie temporali sono la stessa cosa nel paradigma mainstream della supply chain. Suggerisce che Lokad vuole separarle e che, sebbene ci sia un modo per far sì che la precisione conti, è radicalmente diverso da quanto presentato nei manuali di supply chain.
Vermorel critica il valore aggiunto delle previsioni come un processo di ingegnerizzazione basato su un concetto errato di precisione delle serie temporali. Sostiene che sposta l’azienda nella direzione sbagliata, aggiungendo una burocrazia superflua senza rendere la supply chain più competitiva.
Vermorel descrive come le grandi aziende spesso si affidano a fogli di calcolo non ufficiali anziché a previsioni ufficiali SNOP. Suggerisce che questi fogli di calcolo, che sono più allineati all’essenza del business, sono ciò che effettivamente guida l’azienda.
Vermorel sostiene che un miglioramento rispetto allo status quo non è necessariamente un miglioramento complessivo. Critica il focus sugli miglioramenti incrementali e suggerisce che le aziende dovrebbero cercare soluzioni più semplici e migliori.
Vermorel concorda sul fatto che le serie temporali possono essere un componente della struttura, ma mette in guardia dal fare affidamento esclusivamente sulle serie temporali. Suggerisce che le aziende devono ampliare il loro vocabolario e orizzonte.
Vermorel confronta le serie temporali classiche e il machine learning con la televisione in bianco e nero e gli schermi LCD rispettivamente, affermando che sebbene il machine learning abbia i suoi vantaggi, non è ancora un salto quantico rispetto ai metodi classici.
Critica le università per non insegnare l’atteggiamento corretto verso le previsioni, sottolineando l’importanza di comprendere l’essenza del problema e produrre dichiarazioni quantificabili che abbiano senso per il business.
Vermorel condivide che Lokad si è classificata al quinto posto nella competizione di Walmart utilizzando un modello parametrico semplicistico, dimostrando che modelli complessi non sono sempre necessari per avere successo.
Sostiene che esiste un continuum tra modelli classici e modelli avanzati di machine learning e la distinzione tra di essi non è così netta come alcuni potrebbero pensare.
Vermorel ribadisce la sua critica alle università per non insegnare l’atteggiamento corretto verso le previsioni, sottolineando l’importanza della giusta mentalità nel affrontare le future problematiche della supply chain.
Spiega che l’obiettivo del processo di S&OP è creare un allineamento aziendale, ma nella pratica spesso degenera in riunioni infinite.
Vermorel sostiene che le informazioni fluiscono attraverso i sistemi informatici e che l’allineamento non richiede una comunicazione costante tra le persone.
Suggerisce che le riunioni di S&OP dovrebbero concentrarsi su ricette numeriche e sulla chiara definizione dell’intento strategico dell’azienda.
Vermorel sostiene che molte grandi aziende potrebbero funzionare tranquillamente 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 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 fondamentale per la missione.
Condivide un esempio di un’azienda che ha subito una trasformazione massiccia durante i lockdown, passando dal 5% di e-commerce a due terzi di e-commerce.
Vermorel mette in discussione l’importanza di alcune funzioni all’interno di un’azienda, considerando che alcune aziende sono state in grado di subire trasformazioni massicce e continuare a 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 fossero inattivi per oltre un anno.
Vermorel critica il paradigma dell’accuratezza delle serie temporali mainstream per non porre domande importanti sull’strumentalità delle previsioni.
Sottolinea l’importanza di collegare i punti dalla decisione al modello matematico e valutare gli impatti finanziari reali di tali decisioni nel mondo reale.
Vermorel critica la pratica comune di valutare l’accuratezza di una previsione in modo isolato, sostenendo che non riflette le condizioni del mondo reale.
Conclude che il problema dell’accuratezza è spesso formulato in modo errato e che un’intuizione approssimativamente corretta è migliore di un modello di business sofisticato ma non corrispondente.
L’intervista si conclude con Conor Doherthy che ringrazia Vermorel per il suo tempo e promette di risparmiare le sue domande rimanenti per un altro giorno.
Trascrizione completa
Conor Doherthy: Bentornati a Lokad TV live. Oggi in studio con me c’è il fondatore di Lokad, Joannes Vermorel. Oggi stiamo discutendo 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 le affronteremo nella seconda metà della conversazione. Se non siete d’accordo con qualcosa che sentite, risponderemo prima a quelle domande. Quindi cominciamo. Joannes, possiamo dire che siamo, credo sia sicuro dirlo, un’azienda un po’ controcorrente. Questa potrebbe essere la nostra posizione più controcorrente. Quindi prima di entrare nella nostra posizione e nel motivo per cui pensiamo che l’accuratezza delle previsioni della domanda non sia importante, perché l’accuratezza delle previsioni è considerata da così tante aziende il Santo Graal della pianificazione della domanda?
Joannes Vermorel: Il “perché”, credo, è relativamente semplice. È ciò che è scritto nei manuali di supply chain. È stato scritto negli ultimi 50-70 anni, forse anche prima che fosse chiamato supply chain, era chiamato ricerca operativa. Sospetto che potremmo persino andare oltre, fino agli anni ‘20, e troveremmo la sorta di premessa con l’emergere dei previsionisti economici professionisti. Se prendiamo questa idea di accuratezza delle previsioni alle sue radici, che sono i previsionisti economici negli Stati Uniti all’inizio del XX secolo, allora l’accuratezza ha una traduzione uno a uno con il tuo profitto se giochi al gioco della borsa. Quindi letteralmente, se stai facendo previsioni sul prezzo delle materie prime, se il prezzo del ferro di maiale aumenterà o meno, allora se hai una previsione accurata, potresti battere il mercato e ottenere rendimenti fantastici. Ora, questo è vero per la speculazione. Il problema è se hai un modello di previsione che può battere il mercato. La risposta breve è no, almeno non un modello facilmente accessibile. Quindi non puoi davvero battere il mercato. Ci sono alcune eccezioni a questo, 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 c’è una traduzione diretta. Ma la mia critica non è esattamente allineata a questo. I problemi sono più profondi e più fondamentali perché non si tratta solo di ottenere un numero e se hai il numero giusto, si tradurrà automaticamente in guadagni, proprio come quando giochi in borsa.
Conor Doherthy: Quindi, stai dicendo che non c’è correlazione tra un aumento dell’accuratezza delle previsioni e la redditività del bilancio?
Joannes Vermorel: Il problema qui è che c’è una confusione riguardo ai termini stessi. Quindi forse inizierò con la definizione di accuratezza. Ci sono almeno due modi: uno è il modo tradizionale di definire l’accuratezza e l’altro è il modo di Lokad di definire l’accuratezza. Iniziamo con il modo di Lokad, che non è tradizionale, su come affrontiamo l’accuratezza. L’intera idea dell’accuratezza è che sto facendo una dichiarazione quantitativa sul futuro. L’accuratezza è una qualificazione in termini di qualità, quanto è buona, quanto è fedele, riguardo a questa dichiarazione. Quindi hai una dichiarazione sul futuro, il futuro dovrebbe essere così, e questa non è una dichiarazione qualitativa ma quantitativa. E poi, oltre a questa dichiarazione quantitativa sul futuro, vuoi qualificarla per dire quanto è buona, quanto è fedele, quanto rappresenta realmente il futuro, e vuoi che questa valutazione sia quantitativa di per sé. Ed è questo che dovrebbe essere l’accuratezza. Se definiamo l’accuratezza nel modo in cui faccio io, direi bene, sono d’accordo. Questo è molto rilevante, questa definizione porta a qualcosa che è significativo e potenzialmente redditizio per la tua azienda. Ora, questa non è assolutamente la definizione che troverai nei manuali di supply chain, nemmeno lontanamente. La definizione tradizionale di accuratezza è una previsione di serie temporale. Quindi, quando le persone parlano di accuratezza, implicitamente si riferiscono a una previsione di serie temporale e non a qualsiasi tipo di previsione di serie temporale, ma a una previsione di serie temporale equispaziata. Cosa significa equispaziata? È una previsione periodica al giorno, alla settimana, al mese, al trimestre, potenzialmente all’anno, potenzialmente all’ora, intervalli uguali. Quindi è una previsione periodica. Quindi non è qualsiasi tipo di previsione, puoi immaginare molte altre previsioni alternative, è una serie temporale, unidimensionale e periodica, tutti i periodi sono uguali. Inoltre, stiamo parlando di una previsione a punto in cui ogni periodo ottiene un valore, quella è la previsione di serie temporale. La mia definizione è molto diversa. Quella che ho dato era molto più ampia e non specifica su quale tipo di dichiarazione quantitativa sto facendo sul futuro. Sto dicendo che la mia definizione è completamente agnostica, sto solo dicendo che stiamo cercando di qualificare una dichiarazione sul futuro e sto solo dicendo che questa dichiarazione dovrebbe essere quantitativa. Quindi non sto mettendo in discussione qualcosa come “Credo che quest’anno sarà un buon anno”, no, quella non è una dichiarazione quantitativa sul futuro, è solo qualcosa di qualitativo. Quindi sto solo dicendo che l’accuratezza si applica a dichiarazioni quantitative sul futuro e che vogliamo valutarla nuovamente con uno strumento quantitativo. L’approccio tradizionale è molto più diretto e fa assunzioni molto significative. Le assunzioni sono serie temporali, unidimensionali, periodiche o equispaziate e previsioni a punto. Quindi sono praticamente le assunzioni fondamentali. Ci sono alcune assunzioni più fondamentali che le persone potrebbero non vedere nemmeno, come la simmetria tra passato e futuro, la località delle misurazioni e l’agnosticismo all’ambiente computazionale o software.
Conor Doherty: Grazie. E ancora, per contestare un po’, quando hai descritto la differenza tra Lokad e l’approccio tradizionale, potrebbe non essere chiaro per alcune persone. Qual è il problema prospettiva delle serie temporali? Dici che è unidimensionale, ok, 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, sono letteralmente libri di testo sulla supply chain ma anche altri libri di economia, non riconoscono nemmeno che potrebbe esserci un altro modo di guardare al futuro diverso dalle serie temporali. Le persone, voglio dire, e penso che il più grande errore sia che dà l’impressione come se l’unico modo di guardare al futuro in modo quantitativo fossero le serie temporali. E io dico, certamente no. E più di così, le serie temporali sono un modello incredibilmente semplicistico. È come una misurazione con un solo tick nel tempo ad ogni periodo. È il più semplice dei modelli matematici che abbiamo. È una rappresentazione fedele del futuro? Riflette in modo sensato qualcosa che sai del futuro? E la mia proposta è che per scopi di supply chain, no, e nemmeno lontanamente. E se partiamo con alcuni esempi, diamo un’occhiata, ad esempio, alla domanda che un supermercato osserverà. La prospettiva delle serie temporali dice che puoi prendere qualsiasi prodotto che viene venduto nel supermercato e avere una serie temporale, una per ogni prodotto venduto dal supermercato. È il modo corretto di pensare alla domanda futura? No, perché le persone non entrano in un supermercato per comprare un solo prodotto isolato. Quello che vogliono è un carrello, o almeno la grande maggioranza, occasionalmente potresti avere alcune persone che entrano nel supermercato per comprare un solo prodotto, ma la grande maggioranza delle vendite è guidata da persone che vanno al supermercato una volta alla settimana e comprano un intero carrello di prodotti. Quindi ciò che conta in termini di domanda è espresso a livello di carrello. Questo è ciò che le persone osserveranno, ciò che sentiranno, e se pensano che ci sia, e se dobbiamo pensare in termini di qualità del servizio, sarà percepito in termini di carrelli. Quindi, ho tutte le cose di cui avevo bisogno per la mia lista della spesa? Quindi, questa percezione che è a livello di carrello non ha nulla a che fare con quelle serie temporali isolate e quelle serie temporali isolate, ignorano completamente tutte le relazioni che ci sono tra i prodotti e tutti i sostituti e cannibalizzazione che possono accadere. Quindi a volte è cieco a quegli effetti. Quindi abbiamo un problema di cecità, che questa dimensione che è al centro delle serie temporali, ignora le dimensioni superiori che possono essere estremamente importanti. Ignorano completamente tutte le relazioni che esistono tra i prodotti e tutti i sostituti e cannibalizzazione che possono accadere. Quindi, a volte è cieco a quegli effetti. Quindi abbiamo un problema di cecità.
Questa dimensione, che è al centro delle serie temporali, ignora le dimensioni superiori che possono essere estremamente importanti. E la mia proposta è che non è un caso. Prendi ad esempio un supermercato, o qualsiasi azienda, e pensa effettivamente a cosa significa il futuro, a cosa stiamo effettivamente guardando. Ti renderai conto che in fondo, non stiamo guardando le serie temporali. Stiamo guardando cose che hanno una struttura, ma non necessariamente, e di solito no, una struttura di serie temporali. Potrebbero esserci alcune attività incredibilmente semplicistiche, negozi di quartiere, dove la serie temporale è sufficiente, ma quelle attività sono l’eccezione, non la norma, specialmente nel mondo in cui viviamo oggi con grandi aziende che gestiscono grandi supply chain con molta complessità ambientale. Ogni serie temporale tratterebbe ogni singolo articolo o ogni singolo SKU indipendentemente da ogni altro SKU in un catalogo. Pertanto, se ci sono interrelazioni, se ci sono pacchetti o sostituzioni, sarà agnostico o cieco a questo. E questo alla fine rende l’accuratezza per ogni singolo articolo non sbagliata, ma fuorviante. Se voglio fare un’analogia, immagina di avere una televisione ed è in bianco e nero. Quella sarebbe la tua previsione delle serie temporali. Ti manca qualcosa. Puoi aggiungere pixel, che sarebbe aggiungere accuratezza. Ma hai ancora solo il bianco e nero. E se pensi, “Oh, ma se aggiungo molti pixel…” Sì, ma sei ancora in bianco e nero. Non importa quanto puoi rendere più grande la televisione, puoi aumentare il refresh rate, non hai ancora i colori, hai solo il bianco e nero.
Quindi, prendo questo come esempio in cui non importa cosa fai, se ti mancano dimensioni, non puoi recuperare il caso. E ci sono così tante dimensioni che mancano. Rivediamo questo esempio del supermercato con cibo deperibile. Cibo deperibile, diciamo che hai prodotti sugli scaffali, ma ogni unità che hai sugli scaffali ha una propria durata. E quello che molti acquirenti fanno quando visitano il negozio è guardare la data di scadenza e la loro opinione sul prodotto varia a seconda che ci sia solo un giorno di vita rimasto per questo prodotto o che ci siano tre settimane rimaste. È ancora molto fresco. Ma se guardiamo i dati da una prospettiva di serie temporali, questo è assente. Non puoi, attraverso una rappresentazione a serie temporali delle tue vendite o della domanda, diciamo, di un pacchetto di yogurt, rappresentare la freschezza. È assente. Sarebbe come se tornassi al mio equivalente televisivo e dicessi: “Beh, ho solo il bianco e nero, ma sai cosa? Posso semplicemente comprare tre televisori e direi che il primo mostrerà il blu, il secondo mostrerà il verde e il terzo mostrerà il rosso. E tecnicamente, ho tutti i colori. Devo solo ricombinarli in modo visivo.” Direi: “Sì, ma è una soluzione molto, molto complicata al problema. Non è una buona soluzione.” Da un punto di vista pratico dell’esperienza utente, è una completa schifezza.
E sarebbe lo stesso se dovessimo fare per il supermercato dicendo che affronteremo semplicemente la deperibilità aggiungendo più serie temporali. Sì, in un senso molto tecnico, potresti potenzialmente farlo, ma sarà solo una soluzione molto impraticabile. Non sarà una buona soluzione. E vedi, qui ancora una volta, la deperibilità, il problema è che la domanda non è una cosa unidimensionale. Hai un’altra dimensione che è la freschezza, ed è importante. Influenza la domanda e influisce anche sul tuo stock. Se pensi di avere 50 unità in stock ma la metà di esse scade domani, allora non hai veramente 50 unità in stock. E questo solo se il cliente non ha un comportamento avverso di scegliere le unità con la durata più lunga.
I clienti che scelgono i prodotti sugli scaffali di un supermercato potrebbero addirittura scegliere i prodotti con la durata più lunga e quindi potrebbero effettivamente selezionare in modo avverso i prodotti che sono meno urgenti da vendere. Quindi, tornando al caso iniziale, le serie temporali non possono, e abbiamo appena menzionato un esempio, il supermercato, e abbiamo già due esempi di modelli super importanti come i cestini e gli articoli deperibili. Sono molto importanti, sono molto fondamentali e non si adattano al paradigma delle serie temporali. E poi l’accuratezza, l’accuratezza del libro di testo, riflette solo il paradigma delle serie temporali. Si adatta solo implicitamente ed è per questo che dico che Lokad si discosta. Il libro di testo sulla supply chain, quando si tratta di accuratezza, riguarda solo le serie temporali. E il mio punto è che hai uno strumento che misura qualcosa di insignificante e non corrisponde al DNA fondamentale dell’azienda, ciò che fa funzionare l’azienda, quei cestini, le cose deperibili. Sembra che tu stia parlando di vincoli. Ci sono molti vincoli, molti altri non solo vincoli, ma anche struttura. La struttura di base del problema, che significa in un supermercato, non riguarda la vendita di 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 tutto il tuo materiale e far avanzare tutte le cose. Ecco perché hai un carrello. Voglio dire, tutto è stato progettato nel supermercato in modo che le persone possano comprare molte cose in una volta. Se vuoi solo comprare una tazza di caffè in più, non ha senso andare al supermercato. Quindi il mio punto è che poiché tutto è stato progettato, incluso il parcheggio di fronte al supermercato, per comprare un intero cesto, ha senso che il tuo strumento predittivo guardi 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 serie temporali per riflettere le incognite o le variabili che stai descrivendo. Un matematico direbbe che se accumuli abbastanza serie temporali, puoi farlo. Perché vedi, potremmo sempre dire che possiamo aggiungere più serie temporali. Ed 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 fare attenzione qui. Se dici che per le serie temporali ti è permesso introdurre sempre più serie temporali, allora sì, tecnicamente puoi gestire qualsiasi numero di dimensioni perché aumenti la dimensionalità del tuo strumento semplicemente aggiungendo serie temporali. Ma non è una soluzione pratica. Proprio come se volessi avere i colori sulla tua televisione, avere più televisori 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 solo corrette dal punto di vista matematico.
Nel mondo reale, è folle. Non è il modo in cui affronteresti il problema. Non ti darà una buona soluzione. Ti darà una soluzione molto teorica. Ok, ma i critici potrebbero dire che ci sono molti strumenti basati sull’approccio delle serie temporali che in realtà, nella pratica, funzionano. Prendi ad esempio il valore aggiunto previsto. Ora, quello che hai appena descritto, presumo, non si adatta a quello. Ma le persone che lo sostengono direbbero che in realtà funziona in contrasto a tutto quello che hai appena detto. Quindi sì, le persone hanno affermato che i loro strumenti funzionano da essenzialmente la fine degli anni ‘70. Quindi, negli ultimi 45 anni circa, i venditori hanno detto che abbiamo software automatizzati avanzati che possono letteralmente automatizzare tutto ciò che riguarda la supply chain. I venditori hanno detto che abbiamo software automatizzati avanzati che possono letteralmente automatizzare tutto ciò che riguarda la supply chain. E quando le persone dicono che abbiamo un software aziendale per la gestione, oggi quando le persone dicono che abbiamo un CRM, gestione delle relazioni con i clienti, si tratta solo di registri amministrativi, inserimento dei dati. Ma se torniamo agli anni ‘70, quando dicevano gestione, pensavano anche alle decisioni, a tutta l’intelligenza. Quindi, la mia proposta è che, in teoria, abbiamo, negli ultimi quattro decenni, software che dovrebbero robotizzare completamente tutte quelle decisioni: inventario, riapprovvigionamento, produzione, pianificazione, allocazione dell’inventario, ottimizzazione dei prezzi. Tutto questo, secondo i venditori, è completamente automatizzato, automatizzato al 100%, da quattro decenni. E la maggior parte dei venditori, se guardi il modo in cui comunicavano negli anni ‘80, dicevano che sarebbe stato fatto interamente dalla macchina. Una volta era un impiegato che faceva questo, ma non è più il caso. Negli ultimi dieci anni, ho incontrato oltre 200 direttori della supply chain e invariabilmente, c’è un software in uso. È stata implementata una serie di soluzioni software, ma tutto viene ancora fatto tramite fogli di calcolo.
Abbiamo diverse generazioni di software aziendali incentrati sulla previsione delle serie temporali che presumibilmente automatizzano tutto. Lo fanno da decenni, ma la realtà è che viene ancora fatto su Excel. Cosa è andato storto? Credo che il problema principale sia che la prospettiva delle serie temporali è errata. Non si adatta alla struttura del problema. Ci sono altri problemi, ma il più grande è che non si adatta. Questa visione unidimensionale del futuro è troppo semplicistica e da lì tutto crolla. Se non dobbiamo perseguire l’accuratezza delle previsioni come KPI, cosa dovremmo perseguire invece? Prima di tutto, dobbiamo ripensare a ciò che stiamo cercando di risolvere. Stiamo cercando di produrre affermazioni quantitative sul futuro che abbiano senso per l’azienda. Un’affermazione sul futuro è in gran parte specifica del settore, il che è contrario a quanto affermato nei manuali di supply chain. I manuali di supply chain sostengono che le serie temporali siano tutto ciò di cui hai bisogno. La mia conclusione, dopo aver osservato centinaia di aziende, è che questo è quasi sempre sbagliato. Se ci sono aziende che possono essere adeguatamente modellate attraverso le serie temporali, sono l’eccezione, non la norma. La struttura non è allineata con una serie temporale. Se provi a proiettare un modello matematico e non ha la struttura corretta, non riuscirai a modellare correttamente le realtà che stai cercando di modellare. È come cercare di inserire una forma rotonda in un buco quadrato. Se hai visto solo una forma rotonda, potresti pensare che sia tutto ciò che esiste. Ma ci sono molte altre modalità per farlo, e queste altre modalità dipendono dal settore. 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 serie temporali non hanno molto senso per questo. Diciamo che hai un nuovo motivo che diventa di tendenza. Puoi generare molti prodotti che giocano con quello, ma puoi avere più o meno prodotti.
La maggior parte dei tuoi clienti si trova nel mezzo. Se opti per colori molto estremi, potresti non avere abbastanza domanda per sostenere così tante varianti. Se vuoi pensare al futuro, devi pensare a quei cerchi di desideri, e non è qualcosa che si abbina alla tua visione delle serie temporali. Se stai vendendo merchandising per action figure, allora è qualcosa di ancora più strano. Tutto il business è strutturato intorno a quei personaggi. Batman è molto più potente in termini di merchandising rispetto a Green Lantern, e questo è stato costante negli ultimi decenni. Se entriamo nell’aerospaziale, sarebbe ancora un’altra cosa. Il consumo di parti è guidato dal fatto che hai una flotta di aeromobili. Ogni aeromobile ha un ciclo di vita che dura circa tre o quattro decenni. Il consumo di parti seguirà una certa curva durante questa vita. La struttura corretta se si vuole supportare un grande MRO che supporta flotte di aeromobili è pensare a quali sono le flotte di aeromobili che sto supportando e come si stanno avviando e disattivando. La realtà è che ogni volta che si sceglie una verticale, se si applica una serie temporale, si tratta di una approssimazione molto grossolana. 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 stiamo approssimando la mucca come una sfera”. È buono per un esercizio giocattolo, ma la mucca non è una sfera nella realtà e nemmeno lontanamente una sfera. Quindi, questa è un’approssimazione molto stravagante. È buono per un esercizio, ma non è buono per nulla di reale. Se devi occuparti di 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 serie temporale è un’approssimazione molto semplicistica del futuro, noi di Lokad descriviamo abitualmente il nostro approccio, che è probabilistico, come meglio essere approssimativamente corretti che esattamente sbagliati. È solo una differenza di termini?
Joannes Vermorel: Come ho detto, prima abbiamo la struttura. E a proposito, questo è anche un punto in cui Lokad si discosta. Utilizziamo l’approccio probabilistico come una bandiera di riferimento, ma la realtà è che il mio problema riguarda principalmente la struttura. Il secondo problema che vedo è un altro. È l’approccio classico dei manuali sulla supply chain che richiede solo l’accuratezza e assume che il passato sia l’esatta simmetria del futuro. Questo non è il caso. Questo è vero in un certo senso se si guarda, diciamo, il movimento dei pianeti. Quindi, cose in cui sei solo un osservatore, l’umanità lo osserva e non può cambiare nulla. Quindi, se vuoi prevedere il movimento dei pianeti, diciamo il pianeta Marte, allora sì, assumere che il passato sia solo una simmetria del futuro va bene perché non abbiamo alcun impatto misurabile tangibile sul movimento del pianeta Marte. Ma per la supply chain, non va bene perché tutto il tuo futuro è condizionato alle decisioni che non sono ancora state prese. Il tuo futuro è condizionato alla tua decisione futura e non solo alla tua decisione futura, ma anche alle decisioni future che saranno prese da altre persone come i tuoi concorrenti. Quindi, c’è questa asimmetria radicale tra il passato e il futuro e la prospettiva classica delle serie temporali, che è caratterizzata dall’accuratezza, è completamente ignorante di questo. Non viene nemmeno menzionato. Non esiste nemmeno e non viene nemmeno valutato in questo tipo di metriche di accuratezza. Se vuoi fare una dichiarazione fedele sul futuro, qualunque sia questa dichiarazione, deve incorporare il fatto che il futuro dipende ancora dalle decisioni. Vuoi fare una dichiarazione che sia comunque utile nonostante il fatto che le decisioni non siano ancora state prese.
Conor Doherty: Molte persone pensano di stare da una parte o dall’altra della domanda e che la osservano come hai detto come osservatori. Ma tu stai dicendo che ok, non controlliamo il futuro ma possiamo co-autorarlo con le scelte che vengono fatte. Ma quali sono queste scelte per le persone che non ne sono consapevoli?
Joannes Vermorel: Diciamo che stai vendendo zaini. Quanti ne venderai? Dipende prima di tutto da quanti varianti stai per introdurre. Se hai solo uno zaino nero e lo metti ovunque sul tuo e-commerce e in tutti i tuoi negozi, forse ne venderai molti. Ma se hai più varianti, hai altri zaini simili, un po’ più grandi, e poi introduci mezza dozzina di colori. Ogni volta che introduci una variante in più, raddoppierai le vendite? No, ovviamente ci sarà cannibalizzazione. La domanda che hai per il futuro non è scritta, non è incisa nella pietra. Dipende molto da quante varianti introduci. Questa è una scelta che devi fare e che deve ancora essere fatta. E se separi il problema, diciamo no, voglio solo decidere prima l’assortimento di zaini e poi fare una previsione, direi che è senza senso. Perché ovviamente, se decidi prima il tuo assortimento e poi fai una previsione, se ti rendi conto che alcuni prodotti non hanno abbastanza domanda, li rimuoverai. Letteralmente, stiamo progettando la domanda ed è quello che fanno le aziende. Questa è anche la legge di Jean-Baptiste Say, l’economista. L’offerta precede la domanda. Devi spingere le cose sul mercato per creare la domanda. Prima che Apple introducesse l’iPhone, la domanda di iPhone sul mercato era esattamente zero. Devi prima spingere il prodotto sul mercato e poi genererai domanda per il prodotto.
Conor Doherty: Ma operando all’interno del paradigma che stai criticando, ci sono pratiche come il valore aggiunto della previsione in cui hai la domanda e ti rivolgi al marketing e alle vendite e chiedi i loro pareri. Introdurremo x quantità di varianti e poi, come consapevolezza, le nostre decisioni autoreranno il futuro e le revisioni vengono fatte al ribasso o al rialzo.
Joannes Vermorel: Ma direi ancora una volta, dopo aver osservato le aziende per oltre un decennio, quasi un decennio e mezzo, quelle sono solo burocrazie. Quando guardi come le cose accadono veramente, hai alcune persone nell’azienda che dicono: “Oh, abbiamo un’opportunità, lo faremo”. E poi pensano che se lo fanno così, sembra non scientifico. Quindi, vogliono supportare la loro sensazione intestinale con dei numeri e alcune persone ci metteranno dei numeri sopra e poi diranno: “Okay, abbiamo dei numeri, ora è scientifico, lo facciamo”. Ma no, era una sensazione intestinale molto valida sul mercato, era un ragionamento di alto livello molto valido su qualcosa e poi avevano il calcolo di massima approssimazione per dimensionare correttamente l’iniziativa. E tutto il resto era solo burocrazia per timbrare l’iniziativa, ma non ha contribuito alla cosa. Non è stata la scintilla iniziale, non è stato l’impulso, non è stato nemmeno il vero dominio scientifico di qualcosa che lo ha reso possibile. Era solo carta che è successa dopo la battaglia. Hai appena descritto ciò che Lokad fa con i propri clienti. Comunichiamo, ci danno informazioni sui loro piani futuri e incorporiamo tutto ciò nella ricetta numerica. La differenza funzionale è che fondamentalmente abbiamo ricette numeriche molto più versatili. Non siamo bloccati con le serie temporali e raramente utilizziamo modelli di serie temporali nella pratica. Se vuoi visualizzare 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 funzionano come modelli di previsione delle serie temporali. Abbiamo metriche di precisione che si allineano alla visione che delineano la fedeltà di una dichiarazione quantitativa sul futuro. Ma ha molto poco a che fare con le metriche di errore percentuale medio assoluto. Ci poniamo una domanda: stiamo facendo una dichiarazione che è veramente significativa, fedele, allineata a ciò che stiamo veramente cercando di fare? Ad esempio, nell’industria dell’aviazione, abbiamo qualcosa che abbraccia veramente questa idea che stiamo servendo una flotta e che la flotta ha alcuni parametri che possiamo controllare? Un aeromobile ha una durata di vita di forse tre o cinque decenni. Questo è molto ben vincolato, quindi possiamo letteralmente incorporare queste cose nei nostri modelli. Quando operiamo con i clienti, abbiamo modelli in cui facciamo semplicemente cose semplici. Ci prendiamo il tempo per capire cosa stanno cercando di risolvere e quali dichiarazioni avrebbero senso essere fedeli al futuro della loro attività. È molto diverso. Se abbiamo una metrica di precisione, partiamo dall’essenza del business, cerchiamo di catturare la struttura e poi creiamo qualcosa sopra di essa. Non si tratta nemmeno di catturare le particolarità di un settore verticale, ma del suo DNA. Ad esempio, nell’aviazione, devi tenere conto del fatto che ciò che stai salvando come pezzi di ricambio sono aeroplani. Nell’abbigliamento, ci sono certe mode e tendenze che vanno e vengono. Nell’aviazione, ci sono flotte che vanno e vengono. Ad esempio, il Boeing 747 sta venendo gradualmente eliminato, ma l’Airbus 350 sta venendo gradualmente introdotto. Se vuoi fare moda e dici che ignorerai la novità, la mia risposta è che non finirà bene. Sono fortemente in disaccordo con la prospettiva espressa nella maggior parte dei libri sulla supply chain che queste cose sono dettagli. Non lo sono. Non puoi avvicinarti a una verticale ignorando completamente ciò che rende questa verticale specifica. Non puoi fare merchandising per squadre sportive ignorando il fatto che hai tornei e che ogni anno la struttura del tuo problema è che hai una squadra che vince. Ad esempio, torniamo a questa azienda che vende accessori per squadre di baseball. Come si adatta il fatto che c’è sempre una squadra vincente e una sola in una serie temporale? Stai ingegnerizzando la tua precisione. Stai creando qualcosa sopra un modello, questo modello di serie temporale, che non ha senso. Otterrai dei numeri, ma…
Conor Doherty: Bene, tengo presente che voglio iniziare a concludere e guardare alcune domande del pubblico. Siamo un’azienda che è guidata finanziariamente dal punto di vista puramente finanziario. C’è una semplice critica che potrebbe essere già stata fatta, non lo so, ma te la pongo ora. Ci sono aziende da miliardi di dollari che sono completamente in disaccordo con praticamente tutto ciò che hai appena detto. Aziende da miliardi di dollari che sono attive da un secolo o più. Come rispondi a coloro che dicono: “Guarda il nostro saldo bancario, Joannes, siamo in disaccordo con te”?
Joannes Vermorel: A diversi livelli, innanzitutto, le aziende non sono d’accordo o in disaccordo su nulla. Le aziende sono solo grandi insiemi di esseri umani, non hanno un’opinione propria. Solo le persone che lavorano per quelle aziende lo hanno. Quindi, le aziende fanno molte cose, molte cose, specialmente nelle grandi aziende, sono solo accidentali. Non è stato progettato in quel modo, è successo solo così. Quindi, quelle sono le coincidenze. Quando diciamo che sono in disaccordo con le serie temporali, la mia esperienza è che quando discuto con dirigenti di grandi aziende, molto spesso sono d’accordo con quei fondamenti che ho appena menzionato. Quando discuto con il CEO di una grande azienda di moda, di solito è estremamente perplesso sul perché i team di pianificazione vogliano assolutamente adattare tutto alle serie temporali, che è un completo mismatch con la sua visione. Quindi, sono davvero in disaccordo? Non penso proprio. La mia esperienza quando mi confronto con dirigenti che hanno trascorso decenni in un settore, di solito hanno molta frustrazione per il modo in cui viene fatta la pianificazione perché semplicemente non riflette la loro percezione e comprensione fondamentale del proprio business. Alla fine della giornata, mi fido di più della mia sensazione intestinale rispetto ai numeri che provengono dal team di pianificazione. Il fatto che quei dirigenti lo dicano e che l’azienda abbia successo dimostra che stanno facendo le cose giuste. Hanno un team di pianificazione perché non possono basarsi solo sulla loro sensazione intestinale. Quindi, hai bisogno di più numeri, hai bisogno di questo team di pianificazione e hai bisogno di quegli strumenti, ma non sono effettivamente super buoni. Divergo significativamente da ciò che è scritto nei libri di testo, ma non sono sicuro di divergere così tanto dalla sensazione intestinale della maggior parte dei dirigenti con cui ho avuto la possibilità di parlare.
Conor Doherty: Puoi fare un riassunto della tua posizione su perché l’accuratezza delle previsioni non è importante e poi passeremo?
Joannes Vermorel: Non è importante perché se prendo la definizione di supply chain nei libri di testo, è completamente sbagliata. Si basa su un paradigma difettoso che è un paradigma di previsione delle serie temporali che è completamente sbagliato. Quindi è per questo che dico che è un completo mismatch paradigmatico. Non corrisponde al problema che cerca di risolvere e quindi è solo una soluzione matematica o statistica fantasiosa per il problema sbagliato. Quindi non importa in questo senso. Tuttavia, se diciamo il modo Lokad, che è se abbiamo qualcosa che è quantitativamente fedele all’essenza dell’azienda, allora conta molto.
Conor Doherty: Grazie a tutti per le vostre domande. Non sono sicuro che faremo del nostro meglio per rispondere 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, suppongo, risponderai. Quindi, da un tale di nome Dustin, “L’accuratezza delle previsioni è importante, tuttavia, il metodo attuale di quantificarla misurando l’accuratezza di una previsione puntuale è limitante. L’obiettivo finale dovrebbe essere misurare l’accuratezza di una distribuzione di probabilità. Sei d’accordo?”
Joannes Vermorel: Di nuovo, Lokad, ci muoviamo verso la previsione probabilistica nella giusta direzione. La previsione probabilistica ti permette di abbracciare l’incertezza. Ma ancora, non è sufficiente. Ecco perché dico sì, abbracciare l’incertezza è sicuramente necessario, Lokad, siamo tutti per questo. Ma torniamo ancora indietro, se sei ancora unidimensionale, non va bene. E se tratti ancora il passato come una simmetria del futuro, stai ancora ignorando completamente questo potenziale di decisioni che non sono ancora state prese.
Conor Doherty: Stai suggerendo che l’accuratezza delle previsioni riguarda di più l’accuratezza dell’esecuzione, che comprende informazioni sia sui cambiamenti interni che esterni? Dal punto di vista delle previsioni, dovrebbe essere incentrata sulla quantità e sul valore? Paulo ritiene che i KPI abbiano la massima importanza quando vengono condivisi tra diverse funzioni, soprattutto commerciali, di marketing e finanziarie. Secondo te, gli scenari di upside e downside sono utili? Ci sono molte piccole domande lì, ti lascio scegliere.
Joannes Vermorel: È qualcosa di molto interessante. Innanzitutto, una previsione è un ingrediente, un artefatto di per sé. Non fa nulla per un’azienda. Se produci una dichiarazione quantitativa sul futuro, il software è solo un artefatto. Non ha valore di per sé. Penso che Paulo abbia ragione nel dire che qualsiasi 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, era adatto o meno. Produci il tuo artefatto numerico, la tua previsione, e poi puoi giudicare se è stata una buona o cattiva previsione dalle sue conseguenze, dalle sue conseguenze di vasta portata. È lì che devi tornare indietro dalle conseguenze di vasta portata fino alla ricetta numerica utilizzata per produrre la previsione per valutare se è stata buona o cattiva. È un approccio molto consequenziale che ho alla previsione.
Per quanto riguarda i KPI condivisi tra i diversi dipartimenti, direi di fare attenzione. Le aziende non guadagnano facendo leggere i numeri alle persone. Condividere i numeri tra i team è bello e buono, ma crea valore per l’azienda? Non proprio. E quando le persone parlano di KPI, si suppone che siano chiave, come indicatori chiave di prestazione, suppostamente pochi. Ma la mia osservazione è che le aziende hanno decine, centinaia, a volte migliaia di KPI. Quindi non sono KPI, sono indicatori di prestazione, come un camion di indicatori di prestazione. Il mio punto è che sì, fino a un certo punto, ma attenzione. Le aziende stanno già pagando troppe persone per passare il tempo a guardare le metriche senza fare molto dopo.
Conor Doherty: Potrei approfondire rapidamente perché correggimi se sbaglio, stai dicendo che condividere troppa comunicazione interdipartimentale può essere dannoso. Ma non è l’opposto di quello che si chiama silos, che so che non ti piacciono particolarmente?
Joannes Vermorel: Cosa faranno le persone con quei numeri? La mia opinione è che se vuoi condividere i dati, non dovrebbero passare attraverso gli occhi e il cervello delle persone. Stiamo parlando di un cliente tipico per noi che ha più di un terabyte di dati di transazione. È molto. Quindi realisticamente, se diciamo che sai attraverso i tuoi occhi, quanti numeri puoi leggere al secondo? Qualcosa come cinque cifre al secondo. Ci vorrebbe un’intera vita per far passare questi dati attraverso il cervello umano. Quindi ovviamente, quando diciamo che vogliamo condividere i dati, non intendiamo che debbano passare attraverso le persone. Rompere i silos non significa assicurarsi che Bob dell’altro dipartimento debba consumare tutti i dati che produci e generi e i report e così via. Si tratta solo di assicurarsi che tutti abbiano accesso programmabile a tutti i dati presenti nell’azienda in modo che possano ottimizzare le proprie decisioni. E se devono coordinarsi, si tratta di allineare le ricette numeriche stesse che prendono le varie decisioni. Non significa che le persone stesse debbano usare il proprio tempo e la propria larghezza di banda, il tempo umano e la larghezza di banda umana, per elaborare manualmente questi dati. Rompere i silos non significa generare lavoro per l’altro dipartimento creando un rapporto che ti aspetti che le persone dell’altro dipartimento leggano. Qui stai solo creando burocrazia. Stai solo creando un compito burocratico che imponi a un altro dipartimento. E la mia intuizione è che nella maggior parte dei casi, quando fai questo, non porterà a qualcosa di redditizio per l’azienda. Potrebbe, ma non è scontato e nella maggior parte dei casi non lo farà.
Conor Doherty: Grazie per questo. Sono consapevole che abbiamo poco tempo, quindi questa domanda è di Sashin o Sain. Quanto è applicabile il concetto di cestino o la prospettiva del cestino per le aziende B2B rispetto ai soli beni di consumo?
Joannes Vermorel: È essenziale. Prendiamo un esempio. Uno dei nostri clienti presso Lokad è un distributore B2B di attrezzature elettriche. È un’azienda molto grande. Quando vendi attrezzature elettriche, i tuoi clienti sono grandi aziende e la maggior parte del tuo business è guidata dai cantieri edili. 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 è guidata dai cantieri edili. C’è una nuova torre e tra 6 mesi, avrai bisogno di 4.000 interruttori tutti dello stesso modello nello stesso momento e avrai bisogno di 200 km di cavi, letteralmente. E quindi abbiamo, e questo non è un caso isolato, è una cosa molto classica quando si guarda alla costruzione civile. C’è un edificio che viene costruito, ci saranno aziende che fanno grandi ordini per dire tutto ciò di cui hanno bisogno per attrezzare l’edificio in termini di attrezzature elettriche. E quindi diciamo 6 mesi prima, non si aspetteranno che questo distributore elettrico abbia tutto in magazzino. Nessuno ha questa quantità di stock prontamente disponibile, quindi l’azienda che fa l’installazione dell’edificio lo sa. Quindi mesi prima, faranno un grande ordine e sanno che non sarà disponibile, quindi lo passano mesi in anticipo. Ma dicono che ti diamo molto tempo, ma in questa data l’anno prossimo, alla fine di marzo, vogliamo avere tutto pronto perché poi procederemo con l’implementazione nell’edificio e abbiamo bisogno di ogni singola cosa. Quindi abbiamo un grande ordine, mille riferimenti, per ogni riferimento ci sono centinaia di unità e abbiamo bisogno di ogni singola cosa fino all’ultima unità perfettamente disponibile in questa data. E non ti inganniamo, ti diamo molti mesi per far accadere questo. E questo è ciò che, quindi vedi in questo caso, la cosa interessante è che ci allontaniamo di nuovo dalla serie temporale. Abbiamo la domanda, ma se pensi alla domanda come una serie temporale, ti stai perdendo il punto. Il punto è che hai due date, hai la data dell’ordine e hai la data di disponibilità prevista per la merce. Quindi anche questo è un cestino, questo è B2B e ha una complessità aggiuntiva rispetto al supermercato in cui tutto ciò di cui hai bisogno viene annunciato in anticipo. Ora è perfettamente noto? Non lo è perché quello che succede è che potrebbero esserci piccole deviazioni nei programmi di costruzione e quindi il cliente potrebbe tornare da te dicendo che abbiamo bisogno di queste cose una settimana prima o una settimana dopo. Quindi vedi che c’è ancora una certa variabilità e poi, man mano che il cantiere progredisce, potrebbero apportare aggiustamenti marginali al loro cestino. Ma hai comunque la maggior parte delle informazioni disponibili per molto tempo. Quindi vedi di nuovo, anche se stiamo guardando a B2B, abbiamo questo tipo di fenomeni. Anzi, direi che B2B riguarda soprattutto il business ripetuto con partner ben identificati. Quindi questo tipo di analisi del cestino è ancora più diffusa nel B2B che nel retail B2C.
Conor Doherty: Da Stefan, o Stefane, il francese, credo che Stefan abbia un commento. Dice: “Potenzialmente si può alimentare una vasta quantità di dati, strutturati o meno, a un’intelligenza artificiale avanzata per ottenere una previsione. Tuttavia, c’è un problema in questo, vero?” Questa è una domanda. Forse lo sai?
Joannes Vermorel: Sì, voglio dire, le persone pensano che l’alternativa a una serie temporale sia una sorta di intelligenza artificiale Skynet. La mia risposta è, perché pensi così? Se tutto ciò che hai mai visto nella tua vita sono forme rotonde, non hai mai visto una forma quadrata, potresti pensare che l’alternativa a una forma rotonda sia una forma incredibilmente complicata. Non è quello 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 temporali sia un’intelligenza artificiale di livello Skynet o altro. La maggior parte dei modelli che Lokad utilizza sono molto semplici, semplicemente non sono serie temporali. C’è una sorta di culto che deve essere una serie temporale. Dico, perché no? Le matematiche sono vaste, ci sono tonnellate di cose alternative che puoi fare che non sono più complicate delle serie temporali. Sono diverse. Le serie temporali sono le più semplici delle più semplici, sì, sono un po’ più complicate, un po’, perché non c’è quasi nulla di più semplice delle serie temporali. Le serie temporali sono letteralmente una quantità con una dimensione temporale, quindi è difficile perché dovremo occuparci della dimensione temporale. È difficile essere più semplici delle serie temporali perché le serie temporali sono già super semplici. Ma non significa che l’alternativa alle serie temporali sia un’intelligenza artificiale di livello Skynet. Quei modelli sono ancora parametrici, molto semplici, e si tratta solo di abbracciare la struttura del problema che stai cercando di risolvere. Quando descrivo la struttura dei problemi, come una serie di partite di baseball con un vincitore ogni anno, le altre squadre perdono, non stiamo parlando di strutture impossibilmente complicate. Queste cose non sono così complicate, possono essere descritte in pochi minuti, e i modelli che Lokad utilizza di solito possono anche essere descritti in pochi minuti. Le serie temporali possono essere descritte in pochi secondi, quindi siamo più nel tipo di cose che richiedono minuti per essere descritte.
Conor Doherty: Beh, per quanto riguarda la differenza tra le forme, e farò brevemente seguito a questo, quando le persone parlano di misurare quanto buona o fedele sia stata una previsione, guardano all’accuratezza. Noi non guardiamo a quello. L’altra forma che usiamo è l’impatto finanziario. È quella la forma alternativa?
Joannes Vermorel: Fa parte del nostro repertorio di trucchi. La prospettiva finanziaria non è che siamo irremovibili al riguardo. È solo che, nella mia esperienza, quando ci occupiamo di una grande azienda con una vasta supply chain da gestire, abbiamo un problema di conciliazione di decine di obiettivi contrastanti. Hai così tanti obiettivi. Sei una grande azienda, vuoi evitare sprechi, vuoi un’alta qualità del servizio, vuoi massimizzare l’utilizzo del tuo magazzino e dei tuoi asset, hai vincoli come lo spazio di stoccaggio massimo, hai la shelf life. Quindi, hai vincoli e obiettivi ovunque. Abbiamo bisogno di un linguaggio per unificare tutto questo. È una cosa molto pratica. Queste cose si scontrano tra loro. La qualità del servizio si scontra con lo spreco. Se dici che vuoi avere un livello di servizio super alto, allora se optiamo per i prodotti deperibili, avrai un livello di servizio molto alto che significa che a volte avrai inventario che scade e che devi buttare via, quindi crei sprechi. C’è tensione. Non puoi dire di voler eliminare completamente gli sprechi e avere un’alta qualità del servizio. Se hai un’alta qualità del servizio, avrai qualche spreco, e se elimini completamente gli sprechi, significa che finisci molto spesso con le rotture di stock. Questo è inevitabile. Questo è solo il design del problema stesso. Hai quegli obiettivi contrastanti. Quindi ora, amplifichiamo tutto questo. Abbiamo una grande azienda, dobbiamo unificare tutte queste cose, e la mia proposta, che è stata la serie di trucchi che Lokad utilizza, è che se mettiamo tutto ciò espresso in dollari, abbiamo la lingua franca. Abbiamo il modo per unificarci. È solo un repertorio di trucchi. Non è che voglio pensare in termini di dollari, è solo la mia esperienza. È l’unica cosa che scala quando si considerano aziende complesse. È solo una questione di praticità su larga scala.
Conor Doherty: Grazie. Quindi, questo video dovrebbe intitolarsi “L’analisi delle serie temporali è importante?” Credi che quantificare l’incertezza e l’accuratezza delle previsioni sia fondamentale, ma non sei d’accordo con i metodi attuali, giusto?
Joannes Vermorel: Di nuovo, accuratezza e serie temporali sono la stessa cosa. Se guardi i manuali di supply chain, non ho mai visto un manuale di supply chain in cui l’accuratezza non sia immediatamente associata a una serie temporale. La maggior parte dei manuali di supply chain nemmeno si preoccupa di dare la definizione matematica di una serie temporale. Passano direttamente alla definizione di accuratezza, che a sua volta definisce la serie temporale. Quindi, vedi, queste cose sono co-sostanziali nel paradigma dominante della supply chain. Sono una e la stessa cosa. E Lokad sta dicendo che vogliamo separarle. In effetti, c’è un modo per far sì che l’accuratezza conti, ma è qualcosa di così radicalmente diverso da ciò che viene presentato nei manuali di supply chain che sono molto titubante. Sono indeciso nel chiamarlo accuratezza. L’accuratezza è un buon termine, è valido, ed è ciò che facciamo moralmente. Ma ciò che stiamo facendo è una partenza così radicale da ciò che si trova nel manuale di supply chain che crea solo confusione quando usiamo lo stesso termine.
Conor Doherty: Grazie. Credo che abbiamo toccato questo argomento nelle ultime due domande. Questa domanda è di Constantine. Alcuni sostengono che FVA, il tuo preferito, sia un modo per determinare se gli sforzi per migliorare l’accuratezza siano validi. Hai recentemente pubblicato una recensione critica su FVA. Cosa suggerisci come alternativa?
Joannes Vermorel: Quindi, qui darò una risposta. Non è mia, è in realtà di TOA. Quando un chirurgo rimuove un cancro dal tuo corpo, cosa metti al suo posto? Quindi, per quanto riguarda FVA, la mia opinione è che l’accuratezza ottenuta con il paradigma dominante sia un’idea fasulla. Non regge quando si vuole guardare all’essenza del business. Questo strumento matematico, una linea, ha senso a un livello elevato con la mia attività? E la mia proposta è che, se guardi con un minimo di attenzione, non lo ha. Quindi, FVA sta solo sovra-ingegnerizzando un processo su un paradigma fasullo, uno strumento fasullo. Quindi, stai solo peggiorando le cose. FVA sta solo allontanando l’azienda nella direzione sbagliata. Quindi, avevi un concetto fasullo, l’accuratezza delle serie temporali, e ora vuoi ingegnerizzare un processo su di esso per creare una sorta di mini burocrazia nell’azienda. Quindi, la mia opinione è che non è la prima, né sarà l’ultima, inutile burocrazia introdotta nell’azienda. Le grandi aziende hanno decine di inutili burocrazie che fluttuano intorno. Alla fine, non è la fine del gioco per l’azienda avere un’altra inutile burocrazia che fluttua intorno. Ma renderà la supply chain dell’azienda più competitiva? No, nemmeno lontanamente. Farà esattamente il contrario. Anche se non distruggerà l’azienda. È il tipo di cosa che aggiunge solo dei costi e l’azienda andrà avanti.
Conor Doherty: Ok, voglio solo obiettare un po’ a questo perché a entrambi piace l’analogia di Thomaso. Quando un chirurgo rimuove un cancro, cosa mette al suo posto? Se applicassimo questo concetto a questo contesto, è quasi come dire, beh, abbiamo rimosso questo, stai con le mani in mano, non mettere nulla al suo posto. Cosa riempirà quel vuoto?
Joannes Vermorel: Lasciatemi descrivere la realtà di ciò che effettivamente significa l’accuratezza in una grande azienda. C’è questo processo SNOP con un ufficio CES che produce previsioni, e poi le persone valutano quelle previsioni. Vengono utilizzate? No, non lo sono. Tutte le grandi aziende con cui sono stato in contatto negli ultimi dieci anni, oltre 200 grandi aziende, quando le ispeziono e le audito, mi rendo conto che l’intera azienda funziona su fogli di calcolo IT ombra. Tutti quei numeri che provengono dal processo SNOP, non vengono utilizzati. I venditori, la produzione, le persone della supply chain, le persone con la logistica, la capacità di trasporto, non utilizzano nemmeno quei numeri. È come un villaggio Potemkin. C’è questa illusione di razionalità in cui le persone producono queste grandi cose con SNOP e lo rivedono una volta ogni trimestre. Ma poi ogni singolo manager ha il proprio foglio di calcolo segreto che usa, ed è questo che fa funzionare l’azienda. La cosa interessante è che ogni singolo manager pensa di essere l’unico ad avere questo foglio di calcolo nascosto. Ho avuto più volte un VP della supply chain che mi ha detto di avere un foglio di calcolo segreto perché i numeri che ricevono sono spazzatura. Ma per i loro subordinati, pretendono che si attengano al processo SNOP ufficiale. Come parte dell’audit, intervisto i subordinati e mi dicono che hanno un foglio di calcolo segreto. Non si fidano dei numeri, quindi lo fanno in modo diverso. E tutti pensano di essere gli unici ad avere questo foglio di calcolo segreto. Ho visto questa situazione più e più volte. Hai numeri falsi nel piano SNOP, eppure le decisioni finali sono corrette. Come è possibile? La risposta è invariabilmente che c’è un foglio di calcolo da qualche parte che è stato creato in modo molto più allineato con l’essenza del business. Le persone stanno solo nascondendo il foglio di calcolo perché non è la politica ufficiale, ma tuttavia, è ciò che fa funzionare l’azienda, non il grande villaggio Potemkin di quei grandi numeri.
Conor Doherty: Grazie. Abbiamo ancora alcune domande da affrontare, quindi dovrò chiedere brevità in futuro. Questa è di Sean. Scrive: “L’accuratezza delle previsioni è un elemento della supply chain. Potrebbe non essere il vincolo chiave in un particolare business. Sfruttare una previsione migliorata richiede di solito altri cambiamenti nella supply chain. Sei d’accordo?”
Joannes Vermorel: Ha importanza sfruttare un fax migliorato? Vedi, questo è ciò che sto cercando di trasmettere. Quando le persone mi dicono che abbiamo una maggiore accuratezza nel senso classico, è la stessa cosa che dirmi che hai un fax migliore. Non è perché è un miglioramento rispetto allo status quo che è un miglioramento complessivo. Questo è il flagello dell’incrementalismo nella supply chain. Le persone vedono solo il miglioramento attraverso la lente di “Sì, è leggermente migliore rispetto a quello che abbiamo”. Se puoi solo pensare a fax migliori, non sei in una buona posizione. Quando le persone dicono: “Oh, stai parlando di AI, Skynet”, io dico, ad esempio, l’email è fondamentalmente più semplice di un fax. Un fax è più sofisticato, più esigente in termini di tecnologia, eppure è una soluzione peggiore rispetto all’alternativa. Questo è il mio punto. Quando le persone dicono: “Oh, abbiamo questo miglioramento”, io dico: “Sì, hai solo un fax migliore. Congratulazioni. Ma ti stai perdendo il punto. Ti stai perdendo l’opportunità di fare qualcosa di più semplice, migliore, più allineato, più veloce, più snello su tutti i fronti”.
Conor Doherty: Grazie. Passiamo avanti, da Philippe: “Quando si discute di struttura nelle previsioni, una previsione di serie temporali può essere in qualche modo un componente di quella struttura, quando applicabile?”
Joannes Vermorel: Può esserlo. La serie temporale è una struttura così fondamentale. È molto difficile quando si crea qualcosa non avere serie temporali che emergono accidentalmente anche come componente del tuo ingrediente predittivo. Il mio messaggio non è che le serie temporali non debbano essere utilizzate. Questa non è l’essenza. Sto solo dicendo che se tutto ciò che hai sono serie temporali, è molto semplicistico. Devi ampliare il tuo vocabolario, il tuo orizzonte. Ci sono altre cose, e in quelle altre cose, sì, puoi avere serie temporali. Accade occasionalmente.
Conor Doherty: Prossima domanda, da Manuel: “Le università continuano a insegnare metodi tradizionali di previsione e ne enfatizzano l’accuratezza. Con l’introduzione recente di modelli di apprendimento automatico che considerano molti fattori aggiuntivi, questa prospettiva è cambiata rispetto a quella presentata oggi?”
Joannes Vermorel: La differenza tra avere una televisione in bianco e nero, che sarebbe uno schermo classico, e una luce che proietta le cose, che sarebbe il grande schermo piatto, sarebbe la serie temporale vecchia scuola. L’apprendimento automatico ti offre solo lo schermo LCD in bianco e nero. È ancora 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 l’algoritmo di previsione corretto, è che non cercano di insegnare l’atteggiamento di previsione corretto. Stai guardando l’essenza del problema? Stai cercando di produrre una dichiarazione quantificata che abbia senso per l’azienda? È quello che stai facendo? Ha senso? Tieni conto del fatto che il futuro non è il simmetrico del passato? Di nuovo, atteggiamento. E poi abbiamo le tecniche. Per me, le serie temporali classiche e l’apprendimento automatico, c’è uno spettro di possibilità. Se guardiamo alla competizione di Walmart in cui siamo arrivati al quinto posto, il trucco è stato che abbiamo usato un modello parametrico super semplice con cinque parametri. Quindi conta come classico? Siamo arrivati al quinto posto su mille squadre concorrenti, siamo arrivati al primo posto anche a livello di SKU, sopra tutti, con un modello super semplice. La cosa interessante è che è un modello super semplice, come cinque parametri. Quindi, in un certo senso, è un modello vecchia scuola, ma il modo in cui abbiamo imparato quei parametri è stato attraverso una programmazione differenziabile più elaborata. Quindi, è apprendimento automatico? È vecchia scuola? Per me, c’è un continuum dal super classico modello autoregressivo ai modelli super avanzati di deep learning. Non c’è un salto quantico, tutto questo è presente. Il mio problema non è che le università non insegnino correttamente quegli algoritmi di previsione, è che non insegnino correttamente l’atteggiamento di previsione, la mentalità che devi avere quando affronti il futuro per scopi di supply chain. Questo è il problema. L’obiettivo del processo S&OP è creare un allineamento aziendale. Questo sarebbe l’obiettivo, in modo che le persone sul fronte della produzione producano ciò che verrà venduto dal team delle vendite e che i venditori producano ciò che puoi soddisfare. Si tratta letteralmente di un allineamento aziendale. Ma nella pratica, le pratiche S&OP sono una serie infinita di riunioni. È questo che è.
La mia opinione è che le informazioni fluiscono attraverso i sistemi informatici, il panorama applicativo. Abbiamo paradigmi contrastanti. Non siamo nemmeno sulla stessa pagina. Dico che le informazioni fluiscono e se c’è coordinamento, non riguarda le informazioni. Le informazioni fluiscono attraverso il panorama applicativo. Non è necessario che le persone si parlino se devi creare allineamento. Riguarderà le ricette numeriche e la chiara intenzione strategica dell’azienda, che non è assolutamente ciò che viene fatto nelle riunioni di S&OP. Molte grandi aziende ottengono risultati decenti, ma quelle previsioni di serie storiche fanno parte delle burocrazie che non contribuiscono affatto a niente. Potresti eliminarle e funzionerebbe comunque bene. Durante i lockdown del 2020 e del 2021, alcune aziende in alcuni paesi hanno messo in cassa integrazione tecnica alcune parti dei loro dipendenti impiegati per 14 mesi. L’azienda operava ancora all'80% della capacità. Era ridotta, ma non era zero. A causa di quei lockdown, tutti i dipendenti impiegati, soprattutto quelli della pianificazione, sono stati letteralmente invitati a stare a casa e a non toccare mai i computer aziendali. Abbiamo avuto un grande esperimento in cui l’intero dipartimento di pianificazione è scomparso per 14 mesi e tutto è andato bene. Quindi, se un’azienda può operare senza una divisione per 14 mesi con tutti i dipendenti di questa divisione assenti, cosa significa ciò per la divisione stessa? Probabilmente che non è esattamente di vitale importanza. Abbiamo persino avuto un caso in cui una grande azienda, un produttore, è diventata essenzialmente un’azienda di e-commerce durante il periodo di lockdown. Il segmento di e-commerce rappresentava il 5% del loro business prima dei lockdown. Alla fine del 2021, l’e-commerce rappresentava i due terzi delle loro vendite. Quindi, l’azienda ha subito una massiccia trasformazione passando dal 5% di e-commerce a essere di fatto un’azienda di e-commerce. Se la tua azienda può subire trasformazioni massive e rapide ed eseguirle bene, cosa significa ciò per quelle funzioni? Metto in discussione questa nozione. Non sto dicendo che l’accuratezza non sia importante, soprattutto nel senso specifico che ha Lokad. Ma se guardiamo a come di solito viene praticata, ho osservato più volte 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? Nulla, tutto come al solito. Alcune di quelle aziende hanno addirittura prosperato dopo. Questo è stato un colpo di fulmine per me. Questo è un esperimento che non avrebbe dovuto accadere, ma è successo.
Conor Doherty: Grazie. E l’ultima domanda, sempre da Nicholas, forse una diversa, non lo so. Spesso trovo i dipartimenti che cercano di sovrascrivere i dati statistici con sensazioni istintive. Come definiresti 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 delle accuratezze delle serie temporali mainstream. Non è una domanda che viene posta nei manuali di supply chain. Questo è assente. Ma questa non è l’unica preoccupazione. C’è un’intera area che non abbiamo toccato, che è l’operatività delle previsioni. Quanto bene vengono effettivamente utilizzate nell’azienda? E queste cose sono assenti. Quindi sì, questo è molto importante. E collegare tutti i punti dalla decisione al modello matematico che produce quelle affermazioni è molto importante. Ma questo significa che hai bisogno di ricette numeriche che vadano da un’estremità all’altra, dalla generazione predittiva di quelle affermazioni quantitative sul futuro alla decisione che prendi, e che hanno conseguenze reali nel mondo reale con impatti finanziari sulla tua azienda. Ed è così che valuterai se il tuo modello predittivo è fedele o no. Sto usando fedele perché non voglio usare la parola accurato. E parte del bagaglio di trucchi è questa prospettiva finanziaria perché facilita questo. Ma il modo in cui di solito viene praticato si ferma a metà. C’è questa grande illusione che viene intrattenuta dai manuali di supply chain e dalla maggior parte del software di supply chain, che puoi risolvere il problema nella fase di previsione e dire in isolamento quanto siamo bravi o quanto siamo cattivi in isolamento dal resto. E questo è completamente senza senso. Non esiste una cosa del genere come valutare in isolamento l’adeguatezza o l’accuratezza di una previsione. Si tratta solo di mettere a confronto modelli matematici. È buono, ma non è la vita reale. È come se volessi avere il vincitore del poligono di tiro. Potresti avere un campione olimpico di tiro, ma se si tratta di un esercizio militare effettivo, le persone non sparano con armi vere in una guerra reale come le persone sparano in un ambiente controllato. Questo è completamente diverso. Il punto conclusivo è che parte del problema dell’accuratezza è che il problema stesso è formulato in modo errato. Non sto dicendo che l’accuratezza sia falsa nel senso matematico. Non è quello che sto dicendo. Sto dicendo che l’ambiente paradigmatico che circonda quei concetti è inadeguato. Se devi scegliere tra l’intuito che abbraccia veramente un’attività commerciale e un’attività super sofisticata ma completamente inadeguata, l’approssimazione corretta vince su esattamente sbagliato ogni singolo giorno. Questo è il punto. E l’accuratezza esemplifica il modo tradizionale in cui funziona questa mentalità esattamente sbagliata.
Conor Doherty: Joannes, non ho altre domande. Voglio dire, ne ho, ma le terrò per un altro giorno. Grazie mille per il tuo tempo. E a tutti voi che siete rimasti con noi fino ad ora, grazie mille per il vostro tempo. Ci vediamo la prossima volta.
