Previsioni Probabilistiche e Processo Decisionale Sequenziale (con Warren Powell) - Ep 163

00:00:00 Introduzione degli ospiti
00:01:27 Il ruolo di Warren in Optimal Dynamics e il libro
00:03:06 Sfide e previsioni nel trasporto su camion a carico completo
00:04:31 Il paper di Warren e la comprensione dell’incertezza
00:06:41 Il percorso di Joannes e il successo nel software
00:08:12 Abbracciare l’incertezza e la prospettiva accademica sulla supply chain
00:09:39 Decisioni sequenziali e difficoltà di collaborazione nel settore
00:11:13 Previsioni probabilistiche vs deterministiche
00:13:27 Metriche per previsioni probabilistiche e comprensione delle difficoltà
00:15:28 Importanza della copertura delle previsioni e della precisione delle previsioni
00:17:09 Il percorso di Lokad con le previsioni probabilistiche e le sfide
00:19:15 Difficoltà dei problemi di incertezza e mancanza di una comunità unificata
00:21:05 Decisioni e incertezza nella programmazione matematica
00:23:03 Diverse esperienze in laboratorio e applicazioni del libro ADP
00:25:07 Necessità di una cassetta degli attrezzi nella supply chain e transizione a un nuovo approccio
00:27:35 Ottimizzazione deterministica e approssimazione della funzione di costo
00:29:57 Google Maps come esempio di previsione anticipata
00:31:51 Look ahead stocastico e approssimazioni della funzione di valore
00:33:21 La prospettiva di Joannes sul processo decisionale e sull’enunciato del problema
00:35:29 Importanza dello stato corretto, della funzione di transizione e della funzione di costo
00:37:28 Considerare la dimensionalità del problema e i problemi su larga scala
00:39:15 Fragilità delle soluzioni e confronto con una rete di supermercati
00:41:16 Approccio alla risoluzione dei problemi e scrittura di un libro di supply chain analytics
00:43:44 Semplicità nella progettazione dei modelli e diversi tipi di incertezza
00:45:13 Importanza di iterazioni rapide e dei vincoli del mondo reale
00:47:51 Importanza della tractabilità computazionale e sviluppo dello strumento Graphics
00:50:27 Ruolo della strumentazione nell’ottimizzazione e le sfide del settore
00:53:11 Collaborare con i trasportatori e critica all’approccio accademico
00:55:23 Il percorso di Joannes dalle previsioni al processo decisionale
00:58:28 Difficoltà di accesso ai dati e affrontare le previsioni del futuro
01:00:32 Importanza di considerare le interruzioni maggiori e accettare modelli pessimisti
01:02:45 Variabilità nella supply chain e nell’industria della moda
01:04:43 Rinnovare i prodotti annualmente e prevedere i nuovi prodotti
01:06:27 Importanza di modellare l’incertezza e critica delle regole aziendali
01:08:16 L’approccio di Warren all’ottimizzazione stocastica e alla gestione dell’inventario
01:09:56 Pianificazione per le contingenze e processo decisionale in condizioni di incertezza
01:11:39 Importanza della distribuzione in tempo reale nel trasporto su camion e della corretta selezione del carico
01:13:27 Sfide nel processo decisionale in condizioni di incertezza e problemi con individui istruiti
01:15:45 Le limitazioni di Excel nell’affrontare l’incertezza e la comprensione dei CEO
01:19:30 Limitazioni dei libri sulla supply chain e importanza di strumenti user-friendly
01:21:46 Le iniziative educative di Lokad e la creazione di set di dati rilevanti
01:25:01 Tre domande essenziali per la risoluzione dei problemi e lo sviluppo di categorie decisionali
01:27:48 La sfida degli MBA non quantitativi e le aziende che nascondono le decisioni sotto flussi di lavoro
01:30:26 Il prezzo della semplicità e l’apprendimento sequenziale come strumento per il processo decisionale
01:32:33 Insegnare il concetto di puntare più in alto e le sfide delle politiche rigide
01:34:34 Difficoltà nel comprendere il concetto di esplorazione e importanza dell’apprendimento attivo
01:37:41 Differenze tra il trasporto su camion e la supply chain e dimensioni del business del truckload
01:40:04 Il titolo del libro, lo scopo, lo stile didattico e i cinque elementi della modellazione
01:42:39 Lode per Optimal Dynamics, Lokad e la condivisione di idee accademiche
01:43:22 Riflessioni finali e ringraziamenti

Informazioni sull’ospite

Warren B Powell è Professor Emeritus presso la Princeton University, dove ha insegnato per 39 anni, ed è attualmente il Chief Innovation Officer di Optimal Dynamics. È stato il fondatore e direttore del CASTLE Lab, che si è concentrato sull’ottimizzazione stocastica con applicazioni nel trasporto merci, nei sistemi energetici, nella salute, nell’e-commerce, nella finanza e nelle scienze di laboratorio, supportato da oltre 50 milioni di dollari di finanziamenti da parte del governo e dell’industria. Ha innovato un nuovo framework universale che può essere usato per modellare qualsiasi problema di decisione sequenziale, inclusa l’identificazione di quattro classi di politiche che coprono ogni possibile metodo per prendere decisioni. Questo è documentato nel suo ultimo libro con John Wiley: Reinforcement Learning and Stochastic Optimization: A unified framework for sequential decisions. Ha pubblicato oltre 250 articoli, cinque libri, e ha formato oltre 60 dottorandi e post-doc. È il destinatario del Robert Herman Lifetime Achievement Award 2021 della Society for Transportation Science and Logistics, e del Saul Gass Expository Writing Award 2022. È fellow di Informs e ha ricevuto numerosi altri premi.

Riepilogo

In una recente intervista per LokadTV, Conor Doherty, Joannes Vermorel e l’ospite Warren Powell hanno discusso di previsioni probabilistiche e del processo decisionale nelle supply chain. Warren Powell, un professore in pensione di Princeton e Chief Innovation Officer di Optimal Dynamics, ha condiviso il suo percorso professionale e le sue intuizioni sulla pianificazione in presenza di incertezza. Joannes Vermorel, CEO di Lokad, ha raccontato la sua transizione dai metodi deterministici alle previsioni probabilistiche, criticando la mancanza di applicazioni pratiche da parte dell’accademia. Entrambi hanno concordato sulla superiorità delle previsioni probabilistiche, nonostante la loro complessità e le difficoltà che le aziende incontrano nell’applicarle. La conversazione ha messo in luce la necessità di una visione più ampia e di un approccio unificato per affrontare l’incertezza nel processo decisionale.

Riepilogo Esteso

In una recente intervista condotta da Conor Doherty, Responsabile della Comunicazione di Lokad, Warren Powell, professore in pensione della Princeton University e Chief Innovation Officer di Optimal Dynamics, e Joannes Vermorel, CEO e fondatore di Lokad, hanno partecipato a una discussione stimolante sulle previsioni probabilistiche e sul processo decisionale sequenziale nella supply chain in presenza di incertezza.

Warren Powell, un veterano esperto nel campo del processo decisionale in ambiti complessi, ha iniziato condividendo il suo percorso professionale. Il suo lavoro è cominciato con la deregulation del trasporto merci negli Stati Uniti, che lo ha portato a concentrarsi sulla pianificazione in presenza di incertezza. Ha inoltre discusso il suo ruolo in Optimal Dynamics, una startup con cui collabora, dove guida i suoi ex studenti di dottorato e contempla nuove direzioni per l’azienda.

La conversazione poi si è spostata sul libro di Powell, “Reinforcement Learning and Stochastic Optimization,” che esplora il campo delle previsioni distribuzionali o probabilistiche. Powell ha condiviso un aneddoto su un’azienda che voleva comprendere il valore di offrire a un spedizioniere uno sconto se fosse stato in grado di prevedere i carichi futuri. Questo ha suscitato il suo interesse per l’argomento e lo ha portato a esplorare le sfide delle previsioni nel truckload trucking a causa della sua natura stocastica.

Joannes Vermorel, invece, ha condiviso il suo percorso dai metodi deterministici alle previsioni probabilistiche. Ha parlato della sua consapevolezza che i metodi deterministici non funzionavano e della necessità di abbracciare l’incertezza nei supply chain problems. Ha inoltre criticato la comunità accademica per la mancanza di applicazioni pratiche e per l’attenzione posta alla dimostrazione di teoremi e al lavoro numerico.

La discussione si è poi concentrata sulla differenza tra previsioni deterministiche e probabilistiche. Powell ha spiegato che, mentre le previsioni deterministiche forniscono un unico numero azionabile, esse non tengono conto della variabilità reale. Ha sostenuto che le previsioni distribuzionali, che offrono una gamma di risultati possibili, sono superiori, sebbene le aziende faticano spesso a comprendere e applicare questo concetto.

Vermorel ha concordato con Powell, aggiungendo che le previsioni probabilistiche richiedono metriche più complesse e una comprensione più profonda delle distribuzioni di probabilità. Ha paragonato le previsioni deterministiche a guardare una piccola, dettagliata sezione di una scrivania attraverso un microscopio, mentre le previsioni probabilistiche offrono una visione più ampia e completa.

La conversazione si è conclusa con Vermorel che ha condiviso la sua esperienza nell’implementare le previsioni probabilistiche in Lokad. Ha osservato che sono serviti diversi anni per capire come ottimizzare le decisioni basandosi su queste previsioni. Ha anche discusso della mancanza di una comunità o di un paradigma unificato per affrontare l’incertezza nel processo decisionale. Powell ha concordato, descrivendo il campo delle decisioni e dell’incertezza come una “giungla” a causa della varietà di comunità, linguaggi e sistemi di notazione. Ha condiviso le sue diverse esperienze in vari settori, dal trasporto merci ai sistemi energetici, e come queste esperienze lo abbiano portato a comprendere i limiti di alcuni approcci e la necessità di una visione più ampia.

Trascrizione Completa

Conor Doherty: Bentornato. Identificare e valutare decisioni valide nella supply chain è difficile, soprattutto se si utilizzano ancora metriche tradizionali. Warren Powell, l’ospite di oggi, ha trascorso 40 anni ad analizzare il processo decisionale in diversi campi complessi. Inoltre, ha scritto cinque libri, circa 250 articoli ed è un professore in pensione di Princeton. Quindi, Warren, prima di tutto, bentornato su Lokad. In secondo luogo, per chi avesse perso la tua prima apparizione, potresti per favore reintrodurti e dare a tutti un’idea di cosa hai fatto finora?

Warren Powell: Beh, grazie per avermi invitato nuovamente. La mia carriera è stata interessante. È iniziata quando il trasporto merci negli Stati Uniti è stato deregolamentato, e così mi sono trovato immerso in questo settore chiamato truckload trucking. Uno dei primi problemi di cui si parlava era l’incertezza e come pianificare in condizioni di incertezza, e questo ha in gran parte definito la mia carriera. Ho lavorato in numerose applicazioni differenti.

Ho concluso la mia carriera aiutando la mia startup, Optimal Dynamics, nel truckload trucking, che è stato l’inizio della mia carriera. Stiamo utilizzando una varietà di tecniche, ma fortunatamente sono riuscito a lavorare su un numero sufficiente di applicazioni diverse per rendermi conto che in questa cassetta degli attrezzi dell’incertezza c’è più di uno strumento. Quindi, attendo con interesse questa discussione. È bello parlare con altre persone che condividono la mia passione per la modellazione dell’incertezza.

Conor Doherty: Grazie. E hai menzionato Optimal Dynamics. Sei il Chief Innovations Officer, il CIO. Non avevo mai sentito questo termine prima. Potresti spiegare in cosa consiste il tuo ruolo lì?

Warren Powell: Mi chiamano Yoda. Non sono coinvolto nella gestione. Nessuno lavora per me. Ho cinque dei miei ex studenti di dottorato che lavorano lì, e praticamente collaboro con loro come facevo quando ero professore in laboratorio. Aspetto che si facciano avanti per dire: “Ehi, abbiamo bisogno di aiuto.” Altrimenti, passo il tempo a riflettere su varie questioni e a pensare a nuove direzioni per l’azienda, se si presenta l’opportunità.

Ma di tanto in tanto, vengo coinvolto per aiutare in qualche problema, e ho ideato alcune nuove innovazioni che hanno dato una mano. Tuttavia, sono qui principalmente per aiutare l’azienda quando hanno bisogno, e altrimenti preferisco stare fuori dai loro panni. Ho imparato che, come accademico, una delle sfide più grandi, specialmente quando si lavora con persone brillanti, è sapere quando aiutare e quando farsi da parte. E così, fortunatamente, questo mi ha dato molto tempo per scrivere libri e cose del genere.

Conor Doherty: A proposito di scrivere libri, uno dei tuoi libri, “Reinforcement Learning and Stochastic Optimization,” è uno degli argomenti di cui eravamo più interessati a parlare con te. Il tuo approccio al processo decisionale e so che hai un interesse per l’approccio delle previsioni distribuzionali o probabilistiche che adotta Lokad. Quindi, per iniziare correttamente l’intervista, cos’è che ti affascina così tanto delle previsioni distribuzionali e che ha portato a questa conversazione oggi?

Warren Powell: Beh, la sfida più grande quando mi sono dedicato a modellare il problema del truckload, perché nel trucking il truckload trucking è molto scarso. Potrebbe esserci un carico tra una coppia di città, oppure no. Quando mandi un autista, ad esempio da Chicago ad Atlanta, al suo arrivo ad Atlanta, ci sono carichi che vanno in direzioni molto diverse. Potrebbe esserci un carico diretto in Texas, oppure no. Quindi, hai una situazione che può essere 0 o 1. Cosa prevedi? Prevedi uno 0 o un 1, oppure prevedi uno 0,2, che è l’aspettativa più realistica?

Ivevo un’azienda qui negli Stati Uniti, Schneider National, che negli anni ‘70 intuì l’arrivo della deregulation, e lavorò con un docente dell’Università di Cincinnati per costruire i primi modelli di ottimizzazione, ma erano tutti deterministici. E qualcuno di Schneider mi visitò a Princeton, mi guardò e disse, – ed era una persona con un master in ricerca operativa – “Warren, il truckload trucking è stocastico.”

Non sappiamo quali carichi saranno disponibili anche domani. Ci piacerebbe sapere qual è il valore di offrire uno sconto a un shipper se lui ci dicesse i carichi futuri." E ricordo di essere seduto a quella cena mentre pensavo, “Oddio, che bella domanda.” Non è che non conosca la risposta, è che non so come ragionare al riguardo.

Più tardi, negli anni ‘80, scrissi un paper che chiamo il mio museum paper. Infatti, è su internet come il museum paper. Ho cinque modi diversi di modellare questi problemi del trasporto su camion, tutti affrontanti l’incertezza in modo differente, e sapevo perfettamente che nessuno di essi avrebbe funzionato. E così, alla fine degli anni ‘80, mi trovai a pensare, “Non so cos’altro fare. Niente di ciò che proviene dalla comunità accademica sta funzionando.”

Così iniziò questo processo di decenni in cui riuscivo a prendere confidenza e avevo quei momenti “aha”. E così ne ebbi uno grande all’inizio degli anni 2000. Schneider venne da me e disse, “Ehi, Warren, abbiamo davvero bisogno di aiuto. Potresti costruirci questo modello?” Quel modello finì per diventare il software fondamentale per Optimal Dynamics. Ma già da quando quel modello fu costruito, capace di gestire l’incertezza, nacque il mio lavoro sulla programmazione dinamica approssimata.

Direi che ogni pochi anni ne avevo un altro di questi grandi momenti “aha”. In effetti, anche da quando mi sono laureato, ne ho vissuti altri. Voglio dire, questo campo è semplicemente incredibilmente ricco, e continuo ad avere quei momenti del tipo, “Oddio, non ci avevo mai pensato in quel modo.”

Conor Doherty: Joannes, questo corrisponde al modo in cui sei arrivato al probabilistic forecasting? Molti momenti “aha”?

Joannes Vermorel: Sì, in un certo senso. Per me è stato un percorso leggermente diverso perché quando ho iniziato Lokad nel 2008, sono passato direttamente alle teorie tradizionali della supply chain. Quindi, non è stato che qualcuno si sia avvicinato a me pronunciando addirittura la parola stochastic. Sono abbastanza sicuro che la maggior parte delle persone che avevo incontrato fino a tardi nella mia vita, se avessi pronunciato la parola stochastic, non sarebbero state sicure se stessi parlando di una variante di elastic o qualcosa del genere.

Comunque, erano intelligenti, ma non erano statistici o probabilisti o simili. E così, durante i primi anni di Lokad, applicai quei metodi deterministici con un discreto successo come fornitore di enterprise software, il che significa che riesci effettivamente a vendere i tuoi prodotti. Non significa però che funzionino davvero, sai, sono due metriche diverse. Puoi avere successo come fornitore aziendale e avere comunque nulla che funzioni.

Ci sono stati concorrenti che hanno fatto tutta la loro carriera facendo proprio questo. Ma ci sono voluti alcuni anni perché mi rendessi conto che semplicemente non funzionava, e che non avrebbe mai funzionato. Che la prospettiva tradizionale, la prospettiva della supply chain, basata su una visione completamente deterministica in cui non esiste incertezza, non portava al successo. Non si trattava di ottenere ancora quell'1% in più di accuratezza delle previsioni che improvvisamente avrebbe fatto funzionare il sistema.

No, mi ci sono voluti parecchi anni, più come quattro, per rinunciare all’idea che, nonostante i progressi nelle previsioni, il miglioramento dei processi, il miglioramento di tutto, il successo fosse dietro l’angolo. E così abbiamo avuto quel momento “aha”, ma fu più per disperazione che come conseguenza di una grande conversazione con qualcuno di illuminante. Comunque, ce ne siamo arrivati un po’. Ci è voluto tempo. Ma direi che, avanzando di un decennio, ora è dolorosamente evidente. Direi che i miei primi anni a Lokad sono stati completamente dedicati al tentativo di affrontare i problemi della supply chain senza abbracciare l’incertezza. Era davvero un vicolo cieco, e ci sono voluti alcuni anni per capirlo.

Warren Powell: Quali sono le sfide che ho trovato, se posso, provenendo dal mondo accademico, quindi Joannes, quando ti parlo mi sembra quasi di parlare con un collega accademico, ma tu vieni dal mondo dell’industria. Il mio laboratorio era insolito fin dal primo giorno. Dovevo uscire, bussare alle porte delle aziende e procurarmi dei soldi. La National Science Foundation, che finanzia molti accademici, aveva una politica esplicita nel mio settore. Dicevano, “Non finanziamo la ricerca. La benediciamo. Vai a prender soldi dall’industria, e poi spargeremo polvere d’angelo NSF.”

Ma ci sono troppi accademici, e ciò persiste anche oggi, perché non collaborano con l’industria, lavorano con modelli inventati, dimostrano i loro teoremi, eseguono i loro calcoli numerici, tutto all’interno della comunità accademica. E questo è particolarmente vero per l’ottimizzazione stocastica. Non è altrettanto vero per il machine learning. I machine learners escono, raccolgono set di dati reali, adattano i modelli.

Non è nemmeno vero per l’ottimizzazione deterministica. Non c’è carenza di ottimizzazione deterministica nel mondo reale. Ma quello che ora mi piace chiamare decisioni sequenziali, che, tra l’altro, mi allontana da quella parola stochastic, è che in quel campo c’è un oceano di articoli su modelli inventati dagli accademici che non capiscono veramente quali siano i problemi reali, perché è difficile collaborare con l’industria, e devi coinvolgere le aziende – e io ne ho avute – che hanno lavorato su ciò che in seguito chiamarono la bleeding edge, dove ho imparato cosa funzionava e cosa no.

Quindi, è davvero un problema del modo in cui lavorano gli accademici. Ho avuto una carriera editoriale di successo, ma, accidenti, verso la fine pensavo, “Sai, è un po’ un gioco.” Sai, per essere pubblicato devi seguire uno stile preciso che le riviste richiedono, e la comunità dell’ottimizzazione stocastica non è un’unica comunità. Sono più di una dozzina, ciascuna con le proprie lingue, stili, strumenti e tecniche, e ne sono tutti molto orgogliosi, dimostrano i loro teoremi, eseguono dei calcoli, ma quasi nulla di ciò funziona nella pratica.

Conor Doherty: Bene, grazie. Per sottolineare il punto, la differenza tra un approccio puramente accademico e uno più pratico: parlavamo dell’approccio deterministico alle previsioni contro quello distribuzionale o probabilistico. Userò il termine probabilistico per comodità. Warren, prima di tutto, per delineare per chi potrebbe ascoltare questo per la prima volta questa dicotomia: qual è la differenza dal tuo punto di vista tra l’approccio deterministico e quello probabilistico alle previsioni e perché, a tuo parere, il probabilistico sia superiore?

Warren Powell: Ok, quindi ogni volta che incontro qualcuno del mondo degli affari che usa la parola forecast, dico subito, ok, intende la previsione puntuale. A tutti piace la previsione puntuale. Vogliono sapere, “Venderò 500 widgets o due auto oppure ci saranno sei truckloads di merci.” Amano quel numero perché è azionabile. Dice, “Oh, ci saranno sei camion, quindi devo avere sei autisti.”

La sfida è, e tra l’altro, questo accade ogni giorno nel trasporto su camion. Avrai un shipper importante, ma lui sa di essere uno dei tuoi principali e chiamerà e, per citare le parole di un dispatcher, dirà, “Guarda, questo tipo può richiedere da 10 a 20 camion.” Beh, è abbastanza frustrante, ma questo è il mondo reale della gestione delle spedizioni. Nei modelli di previsione, invece, tutta la matematica è progettata per ottenere un unico numero.

Alla gente piace anche un numero unico. È azionabile, è facile da capire. Se dici, “Guarda, saranno tra 10 e 20,” sai, quanti autisti dovrei avere per soddisfare una domanda che varia tra 10 e 20? Beh, ti dico cosa fanno i camionisti. Diranno, “Beh, è un camionista davvero importante. Forse non avrò 20 autisti, ma magari ne avrò 17. Ma se lui arriva e ne ha bisogno solo di 12, allora prenderò quei cinque autisti e li invierò altrove.” E avranno quello che in ottimizzazione è noto come recourse. È come dire, “Beh, se questo accade, allora questo è ciò che farò.”

Ma a tutti piace quella previsione puntuale. Ho iniziato a fare previsioni distribuzionali negli anni ‘90 mentre lavoravo con Yellow Freight. Ho detto, “Guarda, mi piacerebbe utilizzare intervalli di confidenza,” e loro hanno risposto, “I nostri ragazzi non sanno proprio come gestirlo.” Il nostro più grande problema, non molto tempo fa, mentre lavoravamo con un importante shipper, fu che si entusiasmarono per le previsioni distribuzionali e poi si voltarono dicendo, “Sì, beh, proviamola e vediamo quanto sia accurata.” Vedo Joannes sorridere. È come dire, “Ok, quindi come gestisci il, ‘Oh, fantastico, previsioni distribuzionali, sembrano interessanti. Quanto sono accurate?’ Come rispondi a questa domanda, Joannes?”

Joannes Vermorel: Sì, voglio dire, con qualcosa come la cross entropy o qualsiasi altra metrica che funzioni per la previsione probabilistica, CRPS è un’altra opzione. Ma in effetti, è così. Quando entri nel regno di quelle distribuzioni di probabilità, hai ancora delle metriche, ma non sono quelle metriche facili e intuitive che potresti spiegare ad un ragazzino delle medie. La norma uno, la norma due, per le medie, in un certo senso, la capisci. Qual è la distanza?

Quando ti addentri nelle distribuzioni di probabilità, ad essere onesti, non è così difficile. Non lo è soprattutto se scegli, diciamo, il massimo della verosimiglianza o qualcosa del genere. Non è qualcosa per cui devi avere un dottorato in statistica per capirlo, ma ci vorranno più di 2 minuti. E poi, per quanto riguarda l’intuizione, probabilmente dovrai seguire il formalismo, e ciò richiederà circa mezz’ora, forse due ore se sei molto inesperto.

Warren Powell: Sì, e a quel punto, le persone del mondo degli affari cominciano ad annuire con gli occhi e dicono, “Oh sì, ho capito. Quindi, quanto è accurata?”

Joannes Vermorel: È qualcosa di davvero strano. Si tratta di avere una previsione più ricca. Quando abbiamo decisioni da ottimizzare, si tratta di migliorare la profondità della nostra visione. Cosa vedi? Voglio dire, stai facendo una proiezione sul futuro, un’affermazione sul futuro. Ma non quanto è accurata, bensì quanto è completa, quanta copertura hai nella tua previsione?

Quindi, è qualcosa di molto insolito, perché con la previsione puntuale avresti qualcosa di incredibilmente nitido. È un po’ come se prendessi un microscopio e zoomassi mille volte su un punto della tua scrivania. Puoi avere il tuo microscopio e guardare un millimetro quadrato con visione perfetta, ma il resto della scrivania rimane oscuro. E la gente dice, “Oh, sai una cosa? Penso che mi serva un microscopio più grande in modo da poter osservare quel millimetro quadrato ancora più da vicino.” La previsione probabilistica, invece, è, “No, probabilmente dovresti osservare il resto della scrivania, piuttosto che concentrarti su quel singolo punto che già vedi abbastanza nitidamente rispetto al resto.”

Warren Powell: Ora, ecco qualcosa che ogni imprenditore, soprattutto nel settore delle vendite al dettaglio, capirà perfettamente: la copertura della domanda. E diranno, “Guarda, vogliamo soddisfare il 97% della domanda.” Non è una richiesta insolita. Ma come soddisfare il 97% se non si ha il concetto di previsione distribuzionale? Qui puoi riprendere dicendo, “Sì, ma se vuoi coprire il 97% della domanda, non posso farlo finché non ho una previsione distribuzionale. Mi servono 20 unità extra o 200 unità extra?” Forse questo è l’introduzione a dire, “Guardate, voi volete coprire un’alta percentuale della vostra domanda. Voglio dire, nessuno vuole coprire la domanda media. Sarete in deficit metà del tempo. Quindi, in qualche modo, dobbiamo imparare a integrare questo requisito aziendale così familiare nel, ‘Beh, se volete questo, allora dobbiamo fare previsioni distribuzionali o previsioni probabilistiche.’”

Joannes Vermorel: E la cosa interessante è che, una volta a Lokad, abbiamo iniziato a farlo nel 2012 e, a proposito del tuo libro, ci sono voluti alcuni anni dopo aver iniziato a fare previsioni probabilistiche prima di riuscire davvero a capire come realizzare qualsiasi tipo di ottimizzazione sofisticata su di esse. Perché, vedi, direi che accettare la necessità delle previsioni probabilistiche è stato difficile. Quella fu la prima parte del mio percorso a Lokad.

Si scoprì che nel 2012 la previsione probabilistica era diventata piuttosto popolare per ragioni completamente diverse nel deep learning. Erano molto popolari nel deep learning perché metriche come la cross entropy ti fornivano gradienti molto ripidi che agevolavano l’ottimizzazione. Così la community del Deep Learning usava quelle previsioni probabilistiche, anche se in realtà non erano affatto interessati alle probabilità. Erano interessati solo alla previsione puntuale, ma i gradienti super ripidi che si potevano ottenere, essenzialmente con la cross entropy, erano proprietà numeriche molto utili per far funzionare quei modelli.

Quindi fu un po’ una deviazione. Abbiamo iniziato a usare quelle previsioni probabilistiche per il loro stesso valore, invece di considerarle soltanto come ingegnosi trucchi numerici per i gradienti. Ma una volta acquisito ciò, ti rendi conto che, ok, ho decisioni da ottimizzare. Voglio prendere l’opzione migliore e, ovviamente, c’è una continuità nel business, una sequenza di decisioni.

E poi ti trovi a chiederti, “Di cosa ho bisogno come strumento software per risolvere tutto ciò?” Ed è qui che, come introduzione al tuo libro, si presenta un problema molto difficile perché la sfida principale che ho affrontato era un vero e proprio semi-vuoto in termini di paradigmi. Non esiste, come hai detto, una mezza dozzina di comunità dove poter pubblicare, ma, a mio avviso, anche oggi non esiste ancora una comunità veramente unificata che affronti quei problemi con l’incertezza dove si vuole fare ottimizzazione e semplicemente andare avanti. Non c’è.

Quindi è stato un colpo o un fallo. Avevo fatto un po’ di reinforcement learning, avevo sperimentato l’ottimizzazione classica. La mia sfida era davvero quella mancanza di paradigmi. Ed è piuttosto interessante in questo contesto così corposo, sai, 1100 pagine, perché in realtà proponi i tuoi paradigmi per analizzare il dominio e sezionarlo. E sì, voglio dire, questo libro è ancora, sai, davvero unico nel suo genere. Non ce ne sono tanti.

Voglio dire, se vuoi avere un libro su, diciamo, classificatori, esiste, sai, per il machine learning, ci saranno 500 libri che ti offrono tutti i classici dei classificatori, dalla classificazione lineare alle macchine a vettori di supporto, agli alberi gradient booster e cose simili. Ci sono circa 500 libri che inquadrano il problema della classificazione e altro. Qui, è ancora molto, direi, qualcosa per cui, scusa per la mia risposta così lunga, la comunità non si sta ancora concentrando sul problema.

Warren Powell: Sì, il problema delle decisioni e dell’incertezza è un campo sorprendentemente ricco. Se ti rivolgi alla programmazione matematica deterministica, sì, ci sono molti programmi matematici deterministici, ma seguono tutti il paradigma fondamentale stabilito da George Dantzig. Hai una funzione obiettivo, un vincolo, una variabile decisionale, un algoritmo. Ok, e così, dato che tutti rientrano in quel quadro, machine learning, statistica, machine learning, fondamentalmente hai una funzione che stai cercando di adattare ai dati.

Ora, ci sono molti insiemi di problemi differenti, ma poiché sono tutti fondamentalmente basati sul medesimo approccio, eccoti uno di una famiglia di funzioni. E così la maggior parte dei libri di statistica popolari ti esporrà a tutte le differenti funzioni. Così frequenti un corso di statistica o machine learning, e praticamente tutti escono con un set di strumenti più o meno identico. E questo permette inoltre di usare quei software di dominio pubblico.

Una volta che mescoli decisioni e incertezza, nel 2014 ho tenuto un intervento, un tutorial all’INFORMS, che ho chiamato “The Clearing the Jungle of Stochastic Optimization.” E ho dovuto scrivere un articolo tutorial. Ricordo ancora uno dei rapporti dei revisori. Il revisore diceva: “Oh, non è così male. Forse dovresti chiamarlo ‘The Garden of Stochastic Optimization.’” E mi sono messo a ridere e ho detto: “Non hai mai provato a pubblicare un articolo in questi campi. È una giungla perché hai tutte queste differenti comunità, ben oltre una dozzina, e parlano lingue differenti. Ho contato otto sistemi notazionali fondamentalmente diversi. E poi, ovviamente, arrivano i derivati.”

Quindi il reinforcement learning ha adottato la notazione dei processi decisionali di Markov, ma il controllo stocastico ha la sua notazione e la programmazione stocastica ha la sua notazione, gli alberi decisionali. Ed è un vero pasticcio. Ma ognuno di questi ambiti conta su una comunità abbastanza consistente. Hanno il loro gruppo di persone che parlano la medesima lingua. E quando scrivi articoli, si aspettano certe cose.

Ho diretto un laboratorio abbastanza grande e variegato. Quindi, mentre ho iniziato e concluso nel trasporto merci, nel mezzo ho gestito un intero laboratorio dedicato ai sistemi energetici. Ho condotto un sacco di lavori sull’apprendimento ottimale e sulla scienza dei materiali. È stata un’esperienza davvero interessante per un certo periodo. E-commerce, finanza, e a Princeton, dove devi fare una tesi di laurea, ho supervisionato circa 200 tesi. E ti dico, quando supervisioni abbastanza studenti e affronti un numero sufficiente di problemi, ai tempi in cui avevo appena scritto il mio libro ADP e pensavo, “Wow, ADP è fantastico. Guarda, posso ottimizzare le compagnie di camion. E questo non è finto. È reale. C’è stato un tempo in cui dicevo, “Ma questa non è una semplice applicazione scherzosa. È una vera applicazione industriale. Deve essere in grado di fare tutto.” E quanto mi sbagliavo.

Ok, è stata la seconda edizione del mio libro ADP in cui ho scritto un capitolo, il capitolo sei, che diceva: “Sai una cosa, sembrano esserci queste quattro classi di politiche.” Ora, non ne avevo tutte e quattro. Ne avevo tre. La quarta, l’ho sbagliata. E sei mesi dopo averlo inviato all’editore, mi sono detto: “Oh mio Dio, ho capito la quarta classe di politiche.” E da lì, fino a quando, beh, è uscito il grande libro nel 2022, ho continuato ad evolvermi, ho scritto un altro articolo tutorial nel 2016, e poi la cosa importante è stata che l’European Journal of Operational Research mi ha invitato a scrivere un articolo di review.

Quello, eh, Roman Slowinski, uno dei redattori principali, eh, mi ha invitato a farlo, e quel paper è finito per costituire la scaletta di questo grande libro. Appena ho terminato quel paper, ho pensato: “Ok, questo è il nuovo libro”, e volevo fare una terza edizione del mio libro ADP, e quello che ho detto è: “No, semplicemente non posso, ADP, inteso specificamente come approssimazione della funzione valore, è uno strumento potentissimo per un numero molto limitato di problemi, e se hai un martello, il tuo martello preferito – e noi tutti abbiamo i nostri martelli preferiti, ogni accademico ha il suo martello preferito – puoi trovare problemi che si adattano a quel martello.”

Ma se vieni da un’area applicativa, prendiamo un’area applicativa ricca come la supply chain management, beh, avrai bisogno di una cassetta degli attrezzi completa. Non puoi affrontare la supply chain management con un semplice martello, e non mi importa quale martello tu abbia; dovrai affrontarla con una cassetta degli attrezzi completa, perché fare previsioni distribuzionali è bello, ma alla fine della giornata, devi prendere una decisione, il che significa che stai decidendo sotto incertezza.

Conor Doherty: Beh, se posso solo riprendere da lì, perché è una transizione perfetta. Quando parli della cassetta degli attrezzi, e quando sottolinei l’importanza della previsione probabilistica, fornendo qualcosa di azionabile, e le persone vogliono qualcosa di azionabile, potresti sviscerare la cassetta degli attrezzi e spiegare, nel contesto della supply chain management, come il tuo framework universale per il decision-making sequenziale porti effettivamente a decisioni migliori?

Warren Powell: Beh, una delle mie più grandi transizioni, ho questa slide in PowerPoint che adoro. Ci sono circa 15 libri su di essa, tutti incentrati su qualche tipo di problema di decisione sequenziale. Ognuno di quei libri – e uno di essi è il mio libro ADP – è come un martello in cerca di un chiodo. Abbiamo tutti la nostra tecnica preferita per prendere decisioni, quindi i libri sono stati scritti attorno a uno o due martelli fondamentali.

Se vieni dal lato applicativo, comincerai a renderti conto che tutti questi martelli sono validi. Nessuno di essi funziona per tutti i problemi. Quando arrivi effettivamente dal mondo applicativo, eh, sai, non puoi scegliere il tuo problema. Così, mentre gli accademici che lavorano sui metodi scelgono il problema su cui testare i propri metodi, chi viene dall’applicazione non può farlo. Ti viene detto: “Ecco il problema. Devo risolverlo. Cosa farai?”, e il mio grande successo professionale è stato rendermi conto che tutti i metodi ricadono in queste quattro classi, e poi con il paper del 2019 ho capito che quelle quattro classi si dividono in due categorie principali.

La categoria più semplice prende una decisione basata su una funzione che non pianifica per il futuro, ma ha parametri regolabili che devi impostare affinché funzionino bene in futuro. L’esempio più semplice nella supply chain è l’ordinazione dell’inventario. Quando l’inventario scende al di sotto di un certo livello, si ordina fino a un altro livello. Non sto guardando al futuro. Non sto pianificando. È solo una regola, ma quei livelli a cui ordinare devono essere regolati affinché funzionino bene nel tempo.

Il secondo dei più semplici è, in genere, quasi sempre un modello di ottimizzazione deterministico, semplificato, ma con parametri regolabili. Ora, questo è qualcosa a cui ho dato il nome di “cost function approximation”. Non lo troverai da nessuna parte se non nel mio grande libro, ma è ampiamente usato nell’industria. Le persone del settore direbbero: “Sì, lo facciamo tutto il tempo. Pensavamo solo che fosse un trucco dell’industria.”

Mi rendo conto che se prendi un programma lineare, che è un’approssimazione di un problema stocastico complicato, e poi inserisci alcuni parametri regolabili per catturare elementi come scorte di sicurezza, correzioni per il rendimento o delle tolleranze, sai, le compagnie aeree faranno così, dicendo: “Ok, quando volo da Atlanta a New York, potrebbe esserci un ritardo dovuto al meteo. Aggiungo 20 minuti extra.”

Affrontare questi problemi deterministici con parametri regolabili è eccezionalmente potente. Gli accademici amano liquidarlo come, “Oh, solo un po’ di assurdità deterministica”. Io ho deciso che in realtà non è diverso dal forecasting parametrico. Quindi, quando fai previsioni, vuoi sapere che la domanda è funzione del prezzo. Beh, un prezzo più alto porterà a una domanda inferiore. Inventiamo una funzione decrescente, magari una retta, magari una curva a S, e poi adatteremo la migliore funzione possibile. Possiamo fare lo stesso con modelli deterministici parametrizzati.

Ora, agli accademici piace l’altra classe di politiche. Queste sono le politiche che prendono una decisione ora pianificando per il futuro. Una è: se prendo una decisione ora, subito agisco. Supponiamo di avere una certa quantità di inventario. Io ordino di più l’inventario. Questo mi pone in uno stato futuro, e ne ottengo il valore. È così che chiamano la programmazione dinamica o l’equazione di Bellman. Agli accademici piace l’equazione di Bellman, oppure, se vieni dall’ingegneria, la chiamano equazione di Hamilton-Jacobi. E se segui un corso in una buona università che insegna come prendere decisioni nel tempo sotto incertezza, la prima cosa che ti mostreranno è l’equazione di Bellman.

Ho scritto un libro di 500 pagine interamente incentrato sull’approssimazione dell’equazione di Bellman. Ne ero molto orgoglioso. È una tecnica potente che funziona per tantissimi problemi. Ok, voglio dire, onestamente, esci in una comunità d’affari dove le persone che prendono decisioni sequenziali dicono: “Quanti ne hanno mai sentito parlare dell’equazione di Bellman?” e quasi nessuno. Nessuno usa l’equazione di Bellman.

L’ultima classe è quella del look-ahead completo. Utilizzo Google Maps come esempio. Se vuoi pianificare un percorso verso una destinazione, devi pianificare fino in fondo. Esistono numerosi modelli di pianificazione che devono proiettarsi nel futuro. Non usano una funzione valore. Eseguono esplicitamente l’intero modello per il futuro, e questo viene fatto molto più spesso che uscire e fare un’approssimazione della funzione valore.

Quindi, agli accademici piacciono molto quelle tecniche più avanzate. Quando esci nel mondo reale, troverai per lo più una delle tre classi di politiche: le regole semplici come “ordina fino a”, “compra basso, vendi alto” o “indossa un cappotto.” Per i problemi più complessi, utilizzo un modello deterministico non troppo complicato. Aggiungo alcuni parametri regolabili e poi li ottimizzo. La terza tecnica è il look-ahead deterministico, come Google Maps. Questi sono i tre principali.

Penso che se potessi fare una lista di tutte le decisioni che ognuno prende, ovunque, in qualsiasi contesto, il 97% di quelle decisioni verrebbero prese utilizzando quelle tre classi di politiche. Indovina un po’? Non sono enfatizzate nei libri. È qui che sto andando a parare. Gran parte di questo pensiero lo attribuirò a te; non troverai quella specifica discussione neanche nel mio grande libro, quindi dovrà aspettare la seconda edizione.

Questo è il mio momento aha, quando ho detto, sai, prendiamo le quattro classi di politiche, prendiamo il look-ahead e lo dividiamo in due: look-ahead deterministico e look-ahead stocastico. Ora ho cinque politiche, e mi sono chiesto quali di queste siano le più utilizzate. La categoria uno, ampiamente usata, sono quelle prime tre: le approssimazioni della funzione politica come le regole semplici, le approssimazioni della funzione costo con modelli deterministici parametrizzati, e il look-ahead deterministico. Questi sono i tre principali.

Ora, ci sono periodi in cui abbiamo bisogno di un look-ahead stocastico. Per esempio, sto ordinando dalla Cina; normalmente ci vogliono cinque settimane, ma potrebbero volerne sette. Beh, se entri e dici, “Ok, pianificherò per sette,” quella è in realtà una forma di look-ahead stocastico, chiamata ottimizzazione robusta mediante una previsione probabilistica. Perché ho pianificato in base al massimo che potrebbe verificarsi, piuttosto che a quello che tipicamente accade.

Le approssimazioni della funzione valore, argomento del mio libro precedente, si trovano in fondo. Onestamente, penso che siano un ottimo strumento per molti problemi. Se ne hai davvero bisogno, faresti meglio a chiamare un esperto, ma per le cose di tutti i giorni, semplicemente non finirai per usarle. È troppo complicato da impiegare.

Ora, alcune persone parleranno di reinforcement learning. Nei primi tempi il reinforcement learning era solo un altro nome per il dynamic programming approssimato. Erano semplicemente parole diverse per indicare la stessa cosa. La comunità ORL ha scoperto proprio quello che ho scoperto io; hanno notato, “wow, questo non funziona sempre.” Se passi dalla prima edizione del libro di Sutton e Barto, dove vedrai solo il dynamic programming approssimato, e poi vai alla seconda edizione, se sai cosa cercare, puoi trovare tutte e quattro le classi di politiche nella loro seconda edizione. Ma penso ancora che la maggior parte delle persone, quando dice che utilizza il reinforcement learning, intenda il dynamic programming approssimato. I computer scientist sono molto più bravi di noi a commercializzare i loro strumenti.

Conor Doherty: Bene, grazie. Ora te lo passo subito, Joannes. Questo corrisponde al tuo modo di intendere come prendiamo decisioni qui da Lokad?

Joannes Vermorel: Voglio dire, non proprio, ma a dire il vero, questa suddivisione è, credo, tecnicamente molto corretta nel modo in cui si segmenta il dominio. Non contesterò quel punto. E quando dico dominio, intendo avere quel modello intellettuale concordato in cui abbiamo funzioni di transizione dello stato e una funzione di ricompensa, e poi vogliamo ottimizzare quelle decisioni, ecc. Quindi, qui, se lo consideriamo da questa prospettiva, direi sì, il modo in cui lo descrivi è corretto.

Ma il modo in cui io personalmente affronto il problema è attraverso angolazioni relativamente differenti. La mia prima prospettiva, anche prima di considerare l’elenco delle tecniche, sarebbe: che dire della formulazione del problema stesso? Il percorso verso la formulazione del problema è cruciale. È un po’ una critica ingiusta a questo libro, perché ha già 1100 pagine, e a quanto pare, i tuoi editori non volevano un libro di 3000 pagine.

Da Lokad, quando affrontiamo questo, la prima domanda che ci poniamo è quanto dovremmo approssimare lo stato. La gente potrebbe pensare che sia scontato, ma non lo è. Stai sempre modellando il mondo reale, e non lo modelli fino alla posizione di ogni atomo, quindi c’è un’enorme libertà in ciò che decidi sia uno stato. Poi c’è la funzione di transizione, che anch’essa ha una grande libertà nel decidere come puoi passare da uno stato a una sua diversa versione.

Credo che faccia parte della soluzione del problema. Se fai la scelta sbagliata in questa fase, se hai uno stato troppo granulare o una funzione di transizione troppo complessa, i tuoi strumenti andranno semplicemente a crollare dopo. Quindi, per me, la prima cosa è fare la scelta giusta e adottare il giusto paradigma per farlo. Lo stesso vale per la funzione costo o la funzione ricompensa.

Abbiamo un caso classico per i clienti che devono valutare il costo di un esaurimento delle scorte o il costo di applicare uno sconto. Se applichi uno sconto una volta, stai rinunciando a una parte del tuo margine. Va bene, puoi misurarlo, è abbastanza semplice. Ma poi crei anche una cattiva abitudine perché la gente si aspetterà che questo sconto venga applicato nuovamente. Quindi, ti crei un problema per il futuro.

È molto difficile valutare esattamente il comportamento, quanto le persone ricorderanno i tuoi sconti precedenti e via dicendo. Quella è la tua funzione di transizione; devi approssimarla. La mia prima cosa sarebbe fare delle approssimazioni prima di approssimare i vari ingranaggi del processo algoritmico con questo framework.

La mia prospettiva inizia prima, proprio con la definizione dei modelli. Io non considero come scontato il modello in generale, ossia ciò che si vuole ottimizzare. Per me, fa parte della metodologia. Quella sarebbe la prima cosa. Scusa, non ho finito. La seconda cosa è, e qui interviene il mio background in informatica, esaminare la dimensione del problema.

È molto diverso se stai affrontando un problema piccolo, come qualche migliaio di decisioni, ad esempio un percorso in una città con qualche centinaio di consegne e via dicendo. Un migliaio di decisioni, per quanto mi riguarda, è un problema molto piccolo. Abbiamo problemi in cui arriviamo fino a un miliardo di variabili. Se consideri una grande supply chain, come un ipermercato, in un ipermercato puoi avere 100.000 SKUs. Se hai mille ipermercati, ciò porta a 100 milioni di SKUs. Per ogni SKU hai mezza dozzina di decisioni, e ripeti questo schema per diverse settimane nel futuro. Puoi finire con problemi che sono super piccoli, come l’ottimizzazione dei percorsi, o molto grandi, che non entrerebbero nemmeno in memoria.

Per me, questo è il tipo di problema in cui, se devo affrontarlo, inizierei cercando di cogliere le caratteristiche chiave. La dimensionalità è una di queste. Un’altra, molto importante, riguarda quanto sia difficile orientarsi verso la soluzione migliore. Se prendo questi due esempi, l’ottimizzazione dei percorsi è qualcosa di molto non lineare, molto fragile. Basta muovere, scambiare due località, e puoi passare da una soluzione pessima a una soluzione eccellente semplicemente scambiando due punti. Quindi, la tua soluzione si comporta un po’ come un cristallo; possiede questa fragilità. È molto facile alterare la soluzione e passare da qualcosa di buono a qualcosa di davvero terribile.

D’altra parte, se mi riferisco a questo spettro di problemi con la mia rete di supermercati, se decido di collocare un’unità che doveva essere altrove, il problema è molto insensibile. Puoi permetterti molta tolleranza. Vuoi avere qualcosa che sia molto più corretto in termini di direzione. Questo spettro va dalle proprietà cristalline a quelle fangose. Le proprietà cristalline sono fragili e friabili, si rompono facilmente, mentre quelle fangose sono prive di forma. Finché sei corretto in termini direzionali, va bene. Questa è la seconda considerazione.

La terza riguarda la caratteristica temporale che stai cercando. Le caratteristiche temporali variano dal pilotaggio di robot in un magazzino, dove desideri risposte in tempo costante e con memoria costante entro millisecondi, a situazioni in cui si ha a disposizione 10 millisecondi per dare una risposta, altrimenti sorgono ogni sorta di problemi, rispetto a un problema come gli acquisti all’estero, dove ci vogliono 10 settimane per arrivare dalla Cina. Se il tuo calcolo richiede 24 ore, non è un grosso problema. Possiamo permetterci quelle 24 ore; non abbiamo alcun vincolo.

Questo è un po’ il modo in cui suddivido il dominio. Capisco che il mio approccio al dominio non dica molto sugli algoritmi che intendi utilizzare, ma lo uso come strumento per escludere quelle che considererei potenziali soluzioni per il tipo di problemi che mi interessano.

Warren Powell: Mi piace che tu provenga da un dominio applicativo. Una delle cose che ho scoperto quando ho iniziato a scrivere il mio libro di supply chain analytics, che è il primo libro che abbia mai scritto incentrato su una classe di problemi, è che tutti i miei altri libri sono stati fondamentalmente libri di metodi, ed è molto divertente.

Ora, riconosci al mio grande libro una cosa: ho un intero capitolo, lungo 90 pagine, dedicato alla modellazione, ma alla modellazione in modo molto generico. Apprezzo assolutamente l’intero processo che stavi descrivendo. Questa è una variabile di stato. Nei problemi complessi, ho alcuni tutorial in cui dico che abbiamo cinque elementi del problema, a cominciare dalle variabili di stato. Ma quando faccio modellazione, tratto le variabili di stato per ultime.

Inoltre, è veramente iterativo. Avrai un processo in cui passerai attraverso la modellazione. La variabile di stato è solo informazione. Scorri il modello e pensi: “ok, ho bisogno di queste informazioni, di quest’altra, di quest’altra” — ah, ecco la mia variabile di stato. Ma, per esempio, come prendi decisioni? Dipende da come stai modellando l’incertezza. Come modelli l’incertezza? Dipende da come prendi decisioni.

Quindi descrivo il processo di modellazione dell’incertezza e di presa di decisioni come l’arrampicarsi su due scale. Non presentarti con un metodo incredibilmente sofisticato per prendere decisioni in condizioni di incertezza se il tuo modello utilizza solo un modello probabilistico di base. Con i nostri problemi complessi, possiamo creare modelli di incertezza complicati quanto vogliamo.

Generalmente, non si inizia con il modello più complicato. Si comincia con qualcosa di più semplice. Poi, desideri avere un sistema decisionale. Non è necessario fare qualcosa di incredibilmente complicato perché si tratta solo di un modello base. Una volta ottenuto un modello decisionale decente, puoi tornare al modello delle incertezze, perché magari ora vuoi ottenere altre metriche di rischio.

Ora desideri avere decisioni che riflettano il rischio. Così stai scalando questa scala, e sono sicuro che l’intero processo in Lokad sia stato iterativo. Vogliamo sempre il modello più semplice che risolva il problema. La domanda è: cosa serve per raggiungere gli obiettivi aziendali? E questo è un processo di apprendimento.

Joannes Vermorel: Assolutamente. Do credito al tuo libro. Penso che lì tu stia elencando, credo siano circa 15 diversi tipi di incertezza – la lista più lunga che io abbia mai visto raccogliere – e sì, è una preoccupazione molto reale. Quando si parla di incertezza, la gente pensa: “oh, stai solo parlando delle imprecisioni della previsione puntuale”. E io direi: certamente no, ci sono così tante fonti di incertezza. Può trattarsi del prezzo delle materie prime da cui dipendi che varia, o della forza lavoro su cui fai affidamento che va in sciopero, non è qualificata o semplicemente non c’è.

Può essere la possibilità di avere problemi di sistemazione nelle tue sedi. Questo guarda all’incertezza solo attraverso la lente delle imprecisioni nelle tue vendite, perché quello è solo un aspetto: la previsione della domanda, la previsione puntuale delle vendite, ed è estremamente limitato. Sono completamente d’accordo con te. Essere super iterativi in Lokad è esattamente ciò che facciamo, il che solleva un’altra questione, una grande preoccupazione, ovvero la produttività degli ingegneri che devi impiegare per iterare più velocemente.

In Lokad, il modo in cui generalmente affrontiamo quei problemi di ottimizzazione stocastica è identificando i paradigmi di programmazione. Abbiamo una raccolta di questi paradigmi. Non sono unificati, ma piuttosto una piccola biblioteca di strumenti che puoi utilizzare. Questi paradigmi ti offrono un approccio per procedere relativamente rapidamente nell’implementazione del tuo risolutore. Qui, sono completamente d’accordo con il processo iterativo. La sfida che abbiamo dal punto di vista aziendale è che i miei clienti sono molto impazienti.

Dobbiamo iterare molto rapidamente, ma ci troviamo ad affrontare qualcosa di complicato, che coinvolge algoritmi hardcore. Devono far implementare il loro algoritmo in un tempo finito. Un’altra considerazione, mai discussa, è che molti metodi che ho visto nei libri funzionano se hai professori universitari super intelligenti con un decennio a disposizione per implementare l’algoritmo. Nel mondo reale, se hai 100 ore per implementarlo, alcuni metodi sono incredibilmente difficili da realizzare correttamente a livello pratico. Ecco perché avere quei paradigmi di programmazione aiuta. Forniscono un modo per codificare in maniera tale che funzioni in produzione in un tempo finito, permettendoti di iterare sul lavoro.

Warren Powell: Verso la fine del capitolo 11, credo nell’ultima sezione, ho un sottocapitolo sulle questioni meno strutturate della valutazione delle politiche. Quindi, nel libro, ovunque scrivo che l’ottimizzazione della policy è massimizzare su politiche, l’aspettativa di qualcosa. Verso la fine del capitolo 11, che può essere scaricato dal sito web, ho circa cinque qualità differenti, come la complessità metodologica, che è una di queste qualità. Quando analizzi un metodo, assolutamente ciò che hai appena detto è molto importante: la tractabilità computazionale, la trasparenza. Abbiamo tutti codificato algoritmi e il risultato esce, noi ci grattiamo la testa e il cliente non capisce, e vuoi essere in grado di dire: “beh, ecco perché è venuto fuori in quel modo”, perché potrebbe essere un errore nei dati o un cambiamento di regola.

Intendo, in Optimal Dynamics riceviamo questi dati dalle compagnie di camionaggio e ci troviamo tutte le stesse storie di guerra che ti capitano, e quando non gradiscono una risposta, vorrebbero che venisse corretta abbastanza rapidamente. Uno degli strumenti più potenti e importanti che ho sviluppato nel mio laboratorio all’università è uno strumento grafico chiamato Pilot View, che ha due moduli. Uno è una mappa dove puoi vedere i flussi e filtrarli in tutte le maniere sofisticate, mentre l’altro, che chiamo il mio microscopio elettronico, è quello in cui posso richiamare autisti individuali e carichi individuali, cliccare su qualsiasi cosa e vedere quale autista è stato assegnato a quale carico, e non solo quale autista è stato assegnato a quale carico, ma quali carichi abbiamo considerato, perché se ho mille autisti e mille carichi, non posso considerare tutte le possibili combinazioni di mille autisti per mille carichi, e non ha nulla a che fare con l’algoritmo, ma tutto col generatore di rete.

Quindi utilizziamo strumenti sofisticati, ma può capitare che un autista non venga assegnato a un carico, perché? Beh, forse perché le penalità erano troppo elevate, o perché il costo era troppo alto, o forse perché una delle mie regole di potatura semplicemente non lo ha considerato, e ciò si è verificato. E naturalmente, quando il cliente si lamenta, hai bisogno di una risposta molto rapidamente, perché una volta sul campo, per algoritmi complicati, è finita.

Joannes Vermorel: Mi riscontro enormemente in questo. Non sono stato io a concepire questa osservazione, l’ho trovata su internet, non ricordo esattamente chi l’abbia detta, ma l’idea alla base era che, per fare il debug di un algoritmo, devi essere due volte più intelligente di quanto lo fossi per implementarlo.

Quindi, se scegli un algoritmo che, al momento dell’implementazione, è il più intelligente possibile, significa che una volta in produzione, se vuoi fare il debug, dovrai essere circa due volte più intelligente, e questo non è nemmeno possibile, perché implementare l’algoritmo ti ha già messo al massimo delle tue capacità. Quindi hai bisogno di una soluzione che non rappresenti il tuo massimo impegno, in modo che, quando vorrai fare il debug, tu possa farlo. Inoltre, sono pienamente d’accordo con quanto descrivi, ovvero questo strumento di supporto. Il ruolo dell’instrumentation è assolutamente fondamentale, e penso che sia anche qualcosa di difficile. Questo libro contiene così tanto – te ne do credito – non è esattamente un libro privo di intuizioni, il ruolo dell’instrumentation è fondamentale.

La comunità classica dell’ottimizzazione, in senso deterministico, direbbe semplicemente: “quanti secondi di CPU ti servono e qual è la performance della soluzione che ottieni”, ed è tutto qui. Ma quando entri in questo ambito dell’ottimizzazione stocastica, avrai bisogno di un supporto strumentale esteso per capire cosa sta succedendo. E penso che sia anche qui che sorgono dei divari paradigmatici nel modo di analizzarlo, perché significa che non è solo lo strumento che ti permette di generare la decisione, ma anche l’insieme degli strumenti che puoi aggiungere, così da dare un senso al tuo processo decisionale, non solo ad una singola decisione, ma all’intero processo, e senza questo la gente solleverebbe preoccupazioni e resteresti bloccato, e non puoi semplicemente dire: “fidati, è buono”. Nell’ottimizzazione stocastica ciò non funziona altrettanto bene come nell’ottimizzazione matematica classica.

Warren Powell: Sì, è ovviamente una bella sfida lavorare con l’industria. Ho avuto quell’esperienza fin dall’inizio della mia carriera. Non è stato fino agli anni ‘90, quando ho creato il mio laboratorio e ho assunto alcuni programmatori professionisti – intendo tutti con un dottorato, ma erano lì solo per codificare – che il mio laboratorio avrebbe potuto decollare. È sorprendente come, non so se ti sia mai capitato, l’algoritmo presenti una soluzione che non ti convince e al cliente non piace, e tutti sono seduti attorno al tavolo a grattarsi la testa chiedendosi cosa non vada, e quante volte abbiamo svolto questo esercizio, con persone diverse che avevano tutte una teoria che rifletteva le proprie competenze. E così mi ritrovo lì, “oh mio Dio, penso che l’algoritmo potrebbe essere più sofisticato”, mentre quest’uomo si preoccupa dei dati e quell’altro di un errore di programmazione, e quante volte ci siamo seduti su ipotesi che si sono rivelate tutte sbagliate.

È davvero sorprendente. Ovviamente, mi piacerebbe sedermi con te a un certo punto e saperne di più sui problemi che incontri nell’ottenere i dati grezzi. Nel mio settore del trasporto su camion da carico completo, lavoriamo solo con vettori che già utilizzano qualche sistema TMS commerciale, e questo non significa che sia perfetto, ma vuol dire che siamo di livello superiore. Ma è una sfida, è molto divertente. Una cosa che vorrei potessimo fare di più è sfidare la comunità accademica con problemi del mondo reale, e in un certo senso ho rinunciato a quella comunità.

Non sono lì per risolvere problemi, sono lì per dimostrare teoremi e scrivere articoli. Ho vissuto quel mondo per quasi 40 anni e lo capisco, ma penso che sia fondamentalmente difettoso. Quindi, una cosa che ho avuto con le mie compagnie di trasporto merci è che erano tutte disposte a condividere i dati. Questo non vale per i mittenti.

Non ho mai incontrato un vettore disposto a condividere dati della supply chain. È totalmente fuori discussione, non lo faranno. Ho realizzato un grande progetto sulla supply chain per Pratt and Whitney, il produttore di motori a reazione, ed era finanziato dal governo ed era tutto ben visto dalla società che li possedeva, chiamata United Technologies, ma non avrebbero nemmeno ascoltato una proposta per condividere i loro dati. Hanno detto, “Oh mio dio, è troppo proprietario.”

E così, si sono felicemente coinvolti nel progetto in cui abbiamo dovuto scrivere il nostro sofisticato generatore di dati e inventare domande casuali in tutto il mondo, e hanno detto, “No, alcuni dei nostri fornitori sono davvero segreti, sai, non possiamo nemmeno far sapere a qualcuno che esista un fornitore che opera da qualche parte nello stato del Connecticut.” Hanno semplicemente detto no, sarebbe stata troppa informazione.

Quindi, è difficile affrontare questi problemi reali in un ambiente in cui non si possono ottenere i dati. Mi sono iscritto all’Università Rutgers, ora sono un executive in residence presso il loro dipartimento di gestione della supply chain, e spero di convincerli a costruire un simulatore con dati finti, cercando di farli lavorare almeno su problemi simulati realistici.

Joannes Vermorel: Riesco molto a identificarmi con la serie di problemi che hai affrontato. Penso di provenire dall’altra estremità del mondo della supply chain. Da un lato dello spettro, c’è il trasporto su camion che rappresenta decisioni relativamente a breve termine, ancor più estremo sarebbe pilotare robot, quello è un’estremità dello spettro.

Dell’altra estremità dello spettro, hai S&OP, sales and operations, un piano super macro, a livello aziendale, e così via. Poi c’è tutto il resto nel mezzo. Il mio percorso personale proveniva dall’altra estremità, dall’S&OP, molto strategico, fortemente orientato alle previsioni. Nei primi anni di Lokad, le decisioni non erano nemmeno coinvolte, era solo pura previsione.

Tornando alla tua preoccupazione, il mio problema era che vedevo in ambito accademico – a proposito, ho abbandonato il dottorato, quindi non ho reso orgoglioso il mio supervisore – e ho abbandonato lo studio senza alcuna vergogna per creare Lokad. L’accademia si concentra sulla precisione delle previsioni, pubblicando 20.000 modelli per previsioni di vendita migliori praticamente da sempre.

Nell’industria, abbiamo esattamente la situazione che descrivi: 10 persone si siedono attorno al tavolo, guardano il problema dal loro punto di vista, e quando si parla di previsione, che è la fase pre-decisione, proprio prima di agire, prima vogliono fare la previsione. Le persone si contendono l’orientamento della previsione verso l’alto o verso il basso.

Nell’S&OP, hai i venditori che vogliono sottostimare la previsione, quindi desiderano una previsione di vendita molto bassa affinché possano superare le aspettative. Poi ci sono le persone della produzione che vogliono gonfiare la previsione perché, se la gonfiano, avranno più budget per i loro asset produttivi e, di conseguenza, qualunque ordine producano alla fine, se hanno maggiori capacità, sarà più facile.

Si assiste a una sorta di tiro alla fune in cui i venditori vogliono far scendere i numeri, mentre la produzione li vuole far volare in alto, e non è per nulla razionale. La cosa interessante è che in ambito accademico, le persone pubblicavano articoli in cui trovavano un modo incredibilmente sofisticato, sfruttando una teoria russa oscura, per eliminare lo 0,1% di bias.

Poi ti ritrovi in una stanza, in una sorta di tiro alla fune, in cui le persone dicono letteralmente, “Io voglio -50%,” e un altro dice, “Io voglio +50%.” Questo crea una sorta di disconnessione. Accedere ai dati è sempre stato incredibilmente doloroso.

Warren Powell: Una domanda sulla previsione, e mi piacerebbe sapere come gestisci questo. C’è molta matematica nel prendere il passato per prevedere il futuro, ma sappiamo che molte volte il futuro è destinato ad essere molto diverso dal passato, per una serie di ragioni, e soprattutto, non so se il futuro salirà o scenderà, ma so che potrebbe essere molto diverso da qualsiasi cosa io abbia visto in passato. Posso chiederti come affronti questo?

Joannes Vermorel: Sì, assolutamente. Quindi, il metodo tipico è introdurre una sorta di incertezza macro che non sia esattamente giustificata. Suona strano. Potresti pensare: ok, abbiamo la previsione della domanda, bene, e diremo: aggiungiamo una variabile con cui abbiamo il 4% di probabilità ogni anno di una brusca diminuzione del 30% della domanda, dell’attività, di tutto.

Poi le persone dicono, “Wow, una diminuzione del 30% in un anno, è enorme. Perché mai dovresti considerarlo?” La mia opinione è che, se guardi il ventesimo secolo, ci sono state due guerre mondiali e numerosi altri conflitti. Poi, più recentemente, abbiamo avuto lockdown globali e altro ancora. Quindi, dire che ogni 25 anni un asteroide ti colpisce e danneggia la tua industria non mi sembra così inverosimile.

Ma le persone si aspettano di prevedere qualcosa che conoscono, e qui diciamo: no, non è necessario saperlo esattamente. Si può semplicemente dire: supponiamo una grande disruption, qualunque cosa sia, e poi inventiamo dei numeri. Questi numeri sono completamente inventati, 4% di probabilità annuale, 30%… puoi cambiarlo, puoi dire cinque, e puoi dire 50%.

Ti costringe a considerare sempre la tua grande disruption. Noi servivamo, per esempio, clienti nell’aviazione. Le persone dicevano, “Oh, non succede così frequentemente.” Ma in realtà è frequente, perché se guardi l’industria, per esempio, il 737 Max della Boeing è stato messo a terra. Per il mio cliente, che operava nel settore aeronautico e disponeva di decine di aerei, questo rappresentava un problema importante.

La conclusione è accettare di inserire nei propri modelli elementi incredibilmente pessimisti. Di solito è una proposta molto difficile da accettare perché non è consensuale. Il problema non è tanto una carenza nella matematica, ma il fatto che fa paura, e le persone non vogliono avere paura. Ma se non ti prepari per quegli eventi di grande impatto, allora sarai impreparato. È semplice così.

L’altra cosa è che, da un lato, è molto pessimista: devi considerare quelle grandi disruption, accettarle, e abbracciare il fatto che accadranno con certezza al 100% se si dà abbastanza tempo. Questo è un aspetto.

L’altro aspetto è che la maggior parte dei miei clienti, quando guarda all’incertezza e a quella decisionale, vede solo l’esito negativo. Penso che il problema derivi dalla variabilità. Le persone associano la variabilità a esiti negativi. In produzione, figure come Deming hanno reso popolare l’idea che è necessario essere coerenti. È una virtù cardinale. Devi essere assolutamente coerente. Va bene produrre prodotti mediocri se li produci sempre nello stesso modo. Saranno economici e le persone sapranno cosa aspettarsi.

Ciò che non va bene è produrre qualcosa di buono e qualcosa di cattivo. No, devi essere assolutamente coerente in ogni momento. Quindi, le persone associano la variabilità in produzione a qualcosa di negativo. Ma davvero lo è? Una volta usciti dal mondo della produzione, la variabilità è davvero un male? Non necessariamente.

Un esempio lampante è la moda. Nella moda, crei prodotti che possono essere un successo o un fallimento. Se riesci ad aumentare la varianza dei tuoi successi e insuccessi grazie al fatto che hai una coda pesante, significa che, aumentando la varianza, sì, avrai più insuccessi, ma potresti ottenere dei successi di un ordine di grandezza superiore.

La variabilità in produzione è negativa, ma nella supply chain in generale non lo è così tanto. Se puoi contare su un flusso quasi perfettamente costante di opportunità, super costante, ma se vieni interrotto, questo ti rovinerà, a differenza di una situazione alquanto irregolare, un po’ accidentata, in cui c’è un continuo assunzione di rischi che gestisci attentamente con decisioni ottimizzate sotto incertezza, in modo che un eventuale errore non sia distruttivo.

Potresti ritrovarti in una situazione in cui, quando arriva la disruption, l’impatto non è così elevato. Per esempio, se operi in un settore in cui ti aspetti che il 98% dei tuoi prodotti venga rinnovato anno dopo anno, se la legge cambia e il 20% dei tuoi prodotti viene dichiarato illegale perché hai utilizzato il prodotto sbagliato, il processo sbagliato o altro, l’impatto sarà massiccio.

Tu operavi in un settore in cui solo il 2% dei tuoi prodotti cambiava ogni anno, e ora il 20% viene eliminato a causa della regolamentazione. Ma se lavori in un settore in cui ogni anno rinnovi, diciamo, il 15% dei tuoi prodotti, bene, può capitare un anno in cui arriva il 20%, ma sarai in grado di riprenderti molto più velocemente perché hai questa propensione per le novità che mantieni attorno.

Non tutte le incertezze sono negative. A volte, inseguirne un po’ può essere positivo. Per esempio, la maggior parte degli esperti di previsione odia prevedere nuovi prodotti perché non hanno alcuna storia per le serie temporali. Se si guarda alla letteratura sulla previsione delle serie temporali, nel 99% dei casi si escludono i prodotti senza storia. Dal mio punto di vista, prevedere i prodotti senza storia è la cosa più interessante.

È qui che si combattono le vere battaglie della supply chain. Sono quei prodotti nuovi che potrebbero essere un successo e cambiare le sorti dell’azienda. Quindi, è una risposta lunga alla tua domanda.

Warren Powell: Farò un commento conclusivo. Una delle cose che ho apprezzato di più del mio framework con le mie quattro classi di politiche è che mi permette di dire: non preoccuparti della decisione. Ne sceglieremo una delle quattro, sceglieremo qualcosa di sensato, non ci stressare. Non è questo il grande problema. Il grande problema è modellare l’incertezza. Se riesco a distogliere le persone dalle complessità delle decisioni sotto incertezza e a farle concentrar sulle incertezze, quella è la vera vittoria.

Joannes Vermorel: Sono completamente d’accordo con te. Le grandi corporazioni, di fronte all’incertezza, una delle peggiori cose che possono fare è inventare regole per ridurla. Inventeresti regole solo per semplificare il tuo problema. Per esempio, hanno letto che UPS fa solo svolte a sinistra nei loro circuiti, e poi dicono, ok, noi faremo solo svolte a sinistra perché semplifica qualcosa.

Vedi, quando avevi così tanto potenziale e opzioni a disposizione, e tanta incertezza da gestire, credo che uno dei modi peggiori per affrontare il problema sia inventare una serie di vincoli completamente fittizi, così da rendere il problema più gestibile. Per ricollegarmi ai tuoi framework, direi che è la strada sbagliata, perché ci sono opzioni per affrontare i veri problemi.

Quindi, non iniziare a inventare vincoli solo per il gusto di farlo, solo perché hai paura che non ci sarà mai una soluzione per il tuo problema. Ci sono molte soluzioni, perciò devi evitare di inventare regole e vincoli solo per semplificare la risoluzione del processo decisionale.

Conor Doherty: Beh, sono ancora qui, e va bene così. Ho fatto tre o quattro pagine di appunti, ma una delle cose – e seguendo il discorso – è che usi il termine managing financial risk, e ho scritto trade-offs, preoccupazioni aziendali, valutazione delle prestazioni e gestione del rischio finanziario.

Quindi, Warren, come opportunità per riassumere il tuo framework e il tuo approccio all’ottimizzazione stocastica, so che la tua prospettiva è quella di gestire le preoccupazioni aziendali e i compromessi endemici del processo decisionale. Prenditi tutto il tempo che vuoi, ma come gestisce esattamente il tuo framework il rischio finanziario associato, sia nell’ottimizzazione dei percorsi, che nella gestione dell’inventario o nella previsione e gestione dell’inventario per prodotti di cui non abbiamo alcuna storia?

Warren Powell: Certo. Innanzitutto, penso che uno degli effetti collaterali che Johannes ed io condividiamo, dato che lavoriamo entrambi su problemi reali, è che, una volta che ti immergi in problemi concreti, esci con certe verità su cui tutti siamo d’accordo, una delle quali è: modella prima, poi risolvi. Devi comprendere il problema. Usi la parola rischio, e per me ciò evidenzia che bisogna parlare di incertezza, e questo è ben più complicato di una semplice distribuzione normale.

Le persone della statistica amano, ogni volta che si affronta l’incertezza, introdurre uno studente alla distribuzione normale. Diranno: ok, abbiamo una media e una varianza. C’è casualità attorno alla media, e non sembrano riconoscere che la più grande fonte di incertezza è proprio la media. Non sappiamo quale sarà la media. La media si sposta. Certo, c’è del rumore attorno alla media, ma è lo spostamento della media a essere il peggiore.

E poi quegli eventi che in realtà non rientrano in una distribuzione di probabilità sono contingenze. È come dire: guarda, non so nulla di probabilità, ma ecco qualcosa che potrebbe accadere. Cosa farei in caso di quella contingenza? E non mi interessa la probabilità che accada. Ci sono cose che penso possano succedere, e devo sapere cosa accade se quella nave arriva con un mese di ritardo. E se questo porto chiudesse? E se ci fosse un terremoto in Giappone? Sono questi grandi eventi. Non ho necessariamente bisogno di sapere esattamente quale evento, ma devo pianificare le contingenze.

L’intero processo di prendere decisioni sotto incertezza, una delle prime cose che mi piace dire è: cavolo, c’è molta matematica complicata, ma ti rendi conto che noi umani prendiamo decisioni sotto incertezza tutto il tempo? E all’inizio della mia carriera, quando ero in gravi difficoltà con i problemi dei camion, pensavo: ma i dispatcher dei camion lo fanno già. Dobbiamo ricordare che una cosa in cui il cervello umano è sorprendentemente bravo è proprio nel prendere decisioni sotto incertezza.

Molte di queste questioni: le persone direbbero, “Oh, non mi piace il concetto stocastico.” Eppure quella stessa persona pianifica per eventi casuali, incertezze e contingenze. È semplicemente qualcosa che è insito nel cervello umano, perché suppongo che noi, in quanto animali, abbiamo dovuto affrontarlo per tutta la nostra evoluzione. La sfida più grande non è prendere decisioni sotto incertezza. La sfida più grande è insegnare ai computer come prendere decisioni sotto incertezza.

E quindi, non penso che ci sarà mai una fine a questa conversazione. Dobbiamo quantificare, dobbiamo usare i computer perché l’idea di stanze piene di persone che prendono decisioni diventa un po’ datata. Nelle compagnie di trasporto merci abbiamo un’intera suite di modelli a Optimal Dynamics, dalla strategia fino al tempo reale. Ma il prodotto che costituisce assolutamente la base di ciò che stiamo vendendo è quello che effettua il dispatching in tempo reale, perché ovunque negli Stati Uniti non c’è un dirigente del truckload che non pensi che il problema numero uno della sua azienda sia il pavimento del dispatch, che sia vero o no, è quella la loro convinzione.

Ho imparato che l’idea di trovare l’autista giusto per spostare un carico non è veramente la cosa più importante. Ciò che conta di più è scegliere il carico giusto ed è come il Revenue management per le compagnie aeree. Devi pianificarlo un po’ per il futuro, ma è così difficile trovare l’autista giusto che torni a casa, rispetti le ore DOT e tutto il resto, che tutti diventano iper-focalizzati sul problema del dispatching degli autisti.

Ma in realtà si tratta di trovare il carico giusto, perché ciò che è difficile nel trovare il carico giusto è che potrei dover impegnare diversi giorni o una settimana nel futuro e non so dove saranno i miei autisti, né cosa posso gestire. Quindi devi essere in grado di pianificare in condizioni di incertezza. I dispatcher lo sanno e, anche se magari non dispongono di strumenti sofisticati, hanno quella sensazione istintiva di, “Ehi, è un buon posto. Probabilmente avrò un autista lì.”

Ho visto persone dichiarare categoricamente che non affrontiamo alcuna incertezza perché i CEO non comprendono il concetto di stochastic. No, non capiscono la parola stochastic, ma tutti comprendono l’incertezza. Ora, a proposito, dobbiamo superare la loro insistenza nel rispettare le previsioni.

Penso che uno dei maggiori problemi tra le persone del settore Trasporti, sto parlando della parte supply chain, sia che tutti abbiano un budget per il trasporto, specificamente per il truckload, e nessuno riesca a rispettarlo. È sempre una stima ottimistica della spesa per il trasporto e finiscono sempre per spendere di più, ed è semplicemente qualcosa che viene con l’essere un esperto della supply chain che deve pianificare gli asset di trasporto.

Quindi, tanti problemi interessanti. Non penso che esauriremo mai gli argomenti di cui parlare.

Joannes Vermorel: Sì, e, francamente, per riprendere il tuo caso riguardante la mente umana che affronta decisioni sotto certezza in modo naturale, sono completamente d’accordo. E vedo questa situazione molto particolare in cui, in realtà, le discussioni più difficili non avvengono con persone poco istruite in matematica né con quelle estremamente colte in matematica. Quelli sono i punti ideali: i completamente non istruiti e i super istruiti.

Il punto difficile per me sono quelli leggermente istruiti, perché il fatto buffo è che in realtà è piuttosto difficile far fronte all’incertezza con un computer. Sono molto d’accordo e cosa significa per una persona leggermente istruita in quest’arte? Significa Excel, Microsoft Excel.

Quindi, il problema è, e l’ho visto molto frequentemente, che conoscono un po’ di cose, sanno usare Excel, e ora c’è questo problema di guardare l’universo solo attraverso la soluzione che si riesce a concepire. Così si finisce con il profano che non sa nulla di Excel e, sai, come chi gioca a poker e diventa bravo per abitudine. Non conosce le teorie, ma riesce a giocare a poker e a cavarsela decentemente.

E lo stesso vale per la scelta del carico giusto. Sono abbastanza sicuro che troverai molte persone che non hanno alcun concetto di probabilità, ma che, grazie all’esperienza, sono diventate giocatori molto bravi. Hanno quell’intuizione, anche se non possiedono il formalismo.

E nel mezzo finisci per avere persone che conoscono Excel e dicono, “Ok, devo implementare questo in Excel.” E Excel è uno strumento terribile per questo, perché non gestisce le probabilità. Excel non è concepito per eseguire nulla di simile al Monte Carlo ed è il peggior strumento per farlo. Excel è ottimo per la contabilità ma assolutamente terribile per gestire qualsiasi tipo di incertezza.

E così la mia situazione più difficile riguarda le persone che si affidano ciecamente a Excel. Se la soluzione esula da Excel, sia perché si basa solo su un presentimento, che risulta più accurato del calcolo in Excel, sia perché è troppo sofisticata e non rientra più nei calcoli di Excel, c’è una forte resistenza.

Quindi, questo è molto interessante e mi rispecchio molto; conosco quel tipo di categorie intermedie di persone che si sono dedicate ai fogli di calcolo di Microsoft Excel ed è proprio lì che sorge la grande difficoltà.

E penso che, molto spesso, quando si dice che al CEO non piace, si tratti in realtà di una proiezione della propria percezione del problema. I CEO sono quasi invariabilmente, intendo dopo una certa dimensione aziendale, persone eccellenti nel gestire un’enorme quantità di caos.

Credo che sia molto difficile per chiunque raggiungere la posizione di CEO di un’azienda, diciamo di alcune centinaia di persone e oltre, e non rimanere completamente impassibile di fronte al fatto che il mondo è estremamente caotico. Voglio dire, questa è la tua vita quotidiana: gestire il non-senso che ti viene addosso continuamente.

Quindi, la mia opinione è che ho visto molto spesso che quando le persone mi dicono, “Oh, è troppo complicato. Il CEO non capirebbe o qualcosa del genere,” in realtà è la loro stessa paura proiettata, considerando che il CEO ha ben poco tempo per capire qualcosa della sua azienda. Quella sarà solo una delle mille cose che questa persona non capisce della propria azienda, e non sarà l’ultima. Insomma, questa è la mia opinione. Tu che ne pensi?

Warren Powell: Sì, beh, spesso i CEO provengono da un livello completamente diverso. Sono concentrati sulla visione d’insieme delle finanze, soprattutto nelle grandi aziende. I dettagli minuziosi di ciò che accade sul pavimento operativo probabilmente sono aspetti che hanno trascurato nella loro carriera.

Voglio dire, ai vecchi tempi, a proposito, ai miei tempi quando andavo a scuola, molti, anche studenti di Princeton, andavano a lavorare per una Proctor and Gamble, trascorrevano sei mesi sul pavimento della fabbrica e poi salivano nella scala manageriale. Così, seguivano una carriera in presa d’aria, ma venivano istruiti a cominciare dal basso. Quella pratica è scomparsa negli anni ‘80.

Negli anni ‘80, quando ho iniziato a insegnare a Princeton, nessuno degli studenti di Princeton andava a lavorare per un’azienda. La moda era andare a lavorare per società di consulenza manageriale. Così acquisivano esperienza sul campo lavorando in una società di consulenza, tornavano per un MBA, ritornavano, lavoravano per qualche altro anno e poi solitamente passavano a una posizione esecutiva di alto livello in una delle aziende. In questo modo saltavano tutti quei dettagli.

Per quanto riguarda il tuo punto su Excel, quando ho lavorato nell’industria del trasporto merci, le uniche persone che ho incontrato sono state autisti — anzi, mi scuso, dispatcher — e manager di basso livello. C’erano pochissime persone in grado di fare anche il lavoro base su un foglio di calcolo Excel. Mentre nella supply chain, ce n’è un milione tutti seduti a fare cose molto basilari.

Ora guarda i libri. Mentre mi sto impegnando in un vero programma di supply chain a Rutgers, ho esaminato tutti questi libri e o sono giochi di matematica o semplificano eccessivamente il contenuto. Quindi, non solo ci sono persone che credono di poter fare qualsiasi cosa all’interno di un foglio di calcolo Excel, ma i libri insegnano loro solo cose che possono essere fatte in Excel.

E quindi penso che abbiamo ben più di un semplice problema di foglio di calcolo Excel. Dobbiamo pensare a chi risolverà questi problemi e li utilizzerà. Condivido pienamente l’idea che, “Beh, ciò di cui abbiamo bisogno sono buoni strumenti che, sotto il cofano, possano essere abbastanza sofisticati, ma che siano facili da usare.”

Da Optimal Dynamics, ci concentriamo davvero nel cercare di rendere i nostri strumenti facili da usare. Ma sotto il cofano, purché funzioni, le persone vogliono davvero la migliore soluzione possibile. Supply chain, mi sembra, sai, mentre inizio a sbirciare oltre le spalle delle persone e a dire, “C’è questo interessante mondo della supply chain, ma ciò che succede è che hai,” ricordo di aver visto una statistica, “il 93% delle persone fa la pianificazione in un foglio di calcolo.”

Beh, sei limitato a ciò che puoi fare in un foglio di calcolo. E quindi, quando inizi a parlare, sai, anche di eseguire simulazioni semplici — intendo, io posso fare una semplice simulazione d’inventario in un foglio di calcolo —, ma parliamo di introdurre lunghi lead times con molteplici fornitori e, beh, sai, questo supera ben presto le capacità di un foglio di calcolo. Supera anche le capacità delle persone che stanno programmando quel foglio di calcolo e che pensano di poterlo fare da soli.

Ho una ex student di dottorato, ora è la nostra chief analytics officer, estremamente brillante, ma ha trascorso otto anni facendo pianificazione operativa in Kimberly Clark in Brasile. Dietro c’è una lunga storia e a un certo punto stava lottando con i soliti problemi di pianificazione dell’inventario. Quindi ha chiesto aiuto; aveva lavorato brevemente alla McKenzie, così ha contattato i suoi vecchi amici della McKenzie e, indovina un po’, alla McKenzie conoscevano solo ciò che c’era nei libri di testo e lei si è subito resa conto che non avevano la minima idea di cosa stessero parlando, e li ha esiliati. Non stiamo insegnando nemmeno ai migliori e ai più brillanti come risolvere i problemi. Non parlo di fare matematica strana, parlo di operare in pratica, quel tipo di modellizzazione che assolutamente dovrebbe essere eseguita per risolvere il problema. Non viene insegnato da nessuna parte.

Conor Doherty: Se posso, viene insegnato da qualche parte. Autopromozione senza vergogna.

Joannes Vermorel: Autopromozione senza vergogna. Qui a Lokad abbiamo iniziato a insegnare questo in mezza dozzina di università, per lo più attorno a Parigi. Abbiamo anche avviato una serie di workshop pubblici per situazioni di problem-solving nella supply chain e uno dei nostri maggiori sforzi, il nostro investimento più grande, è creare set di dati.

Quindi creiamo e pubblichiamo i set di dati rilevanti e, in effetti, la mia opinione personale è che creare un set di dati completamente sintetico sia troppo difficile, così dobbiamo semplicemente anonimizzare completamente i dati dei clienti esistenti con il loro consenso. Prendiamo dati reali, li rendiamo completamente anonimi, preserviamo gli schemi curiosi e li confezioniamo in set di dati relativamente piccoli e ben organizzati, in modo che gli studenti possano affrontare il problema senza passare tre mesi a gestire incertezze nei dati. Sono pienamente d’accordo, e a proposito, i miei due genitori hanno iniziato alla Procter & Gamble, quindi posso comprendere perfettamente il sentimento.

Warren Powell: Quindi stai insegnando, a quale tipo di studenti insegni nelle scuole attorno a Parigi?

Joannes Vermorel: Oh, è molto classico. Il sistema francese prevede due anni di scuola preparatoria, che sostanzialmente equivalgono a un esame nazionale. Si fanno due anni, esami nazionali, tutti vengono classificati e i voti vengono pubblicati sul giornale, quindi se prendi voti bassi, è sul giornale, senza pressione. Poi ci sono quelle che chiamiamo le Grandes Écoles, che puoi pensare come una mini Ivy League francese. Le persone vanno in quelle scuole di ingegneria. Quindi parlo solo di tre segmenti: scuole di ingegneria, scuole di business e scuole amministrative. Qui parlo solo delle scuole di ingegneria.

Warren Powell: Ingegneria, va bene. Così a Princeton insegnavo agli ingegneri. Ora che mi sto impegnando con Rutgers, sarà la prima volta in una business school e mi è già stato gentilmente avvertito che, tra le diverse categorie di studenti nella business school, quelli che scelgono il Supply Chain management tendono a essere quelli con minori competenze tecniche. I livelli superiori vanno in finanza e quindi si crea un effetto a catena. Non ho ancora iniziato, non insegnerò un corso, sto insegnando ai docenti, ma dipenderò da loro dicendo, “Guarda, Warren, semplicemente non ce la faremo.”

Una cosa su cui mi sto concentrando è, dico, “Guarda, c’è una parte molto importante del mio framework che non comporta alcuna matematica. Comprende le seguenti tre domande e senza rispondere a queste non puoi costruire un modello.” Anche se non intendi costruire un modello, dovresti comunque, se vuoi risolvere un problema, rispondere alle seguenti tre domande: quali sono le tue metriche, che tipo di decisioni stai prendendo, quali sono i tipi di incertezza?

In parole semplici, è così che lo formuliamo qui, e quindi, senza usare la matematica, queste sono le domande a cui, se voglio costruire un modello matematico, devo comunque avere le risposte. Così ho deciso: vai nella comunità aziendale e chiedi delle metriche, le conoscono tutte, hanno liste e liste di metriche. Poi passa alle decisioni e dì, “Avete un piccolo libretto rosso con l’elenco delle decisioni che prendete?” e ti rispondono con sguardi vuoti.

Quindi, dopo questa conversazione, Joannes, sto iniziando a generare una serie di riflessioni e appunti che condividerò con gli altri docenti di Rutgers. È un documento Google Docs che può essere modificato pubblicamente e mi vedrai sviluppare diverse categorie. Ho appena iniziato la sezione sulle decisioni e te lo invierò anch’io, perché penso che ti divertirai. Questo non è per un libro o altro, è solo chiacchierata, il mio modo di insegnare ai docenti, perché non posso dire loro cosa fare; i professori devono dire, “Oh, è una buona idea, penso che la userò.” Se non lo fanno, allora l’idea non entrerà in classe, ma devo fidarmi della loro conoscenza di ciò che fanno gli studenti. C’è un corso di analisi delle operazioni, ed è il corso in cui si affrontano i problemi di inventario. Penso che tu possa immaginare cosa venga insegnato lì: una presentazione molto basilare e io dico, “Mi dispiace, non dovremmo almeno spiegare loro come, anche in un foglio di calcolo, si possa simulare un problema di inventario molto semplice.”

Quindi ti invierò il link al Google Doc. Una delle cose che mi piacerebbe compilare, e non l’ho ancora fatto – sto appena iniziando a pensarci – ma non ho fatto Supply Chain management per tutta la mia carriera, ho lavorato su un insieme molto più ampio di problemi. Voglio elaborare una lista di decisioni. Questa non sarà una cosa da poco; le decisioni si presentano in molte forme e categorie, non si tratta solo di inventario. C’è la finanza, ci sono decisioni informative, e alla fine vorrei inserirle in un foglio di calcolo per poi inviarlo in giro e invitare la gente dicendo: “Ehi, qual è una mia categoria o quali sono degli esempi di decisioni?” perché avevo questo slogan: “Se vuoi gestire meglio qualsiasi cosa, chiamala supply chain, devi prendere decisioni migliori.” Non ho mai sentito nessuno dissentire, tutti dicono: “Sì, esatto.” E se vuoi prendere decisioni migliori, qual è la tua lista di decisioni? E poi mi si incrociano degli sguardi vuoti.

Quindi inizierò con un approccio molto non quantitativo, in modo da fare leva sul concetto che bisogna prima modellare, e penso che per un MBA non quantitativo questa sia una buona sfida, perché rispondere – e poi, naturalmente, le incertezze, intere carriere sono costruite sull’identificazione delle fonti di incertezza per le supply chains – ma amo davvero quello relativo alle decisioni. Non dovremmo tutti essere in grado di sapere quali decisioni stiamo prendendo? Capisco perché nel mondo degli affari non lo fanno, perché è come dire: “Beh, quello è il problema di qualcun altro, io mi limiterò a valutare quanto bene lo fa.” Quindi, nel business si parla interamente il linguaggio delle metriche, ma non dovrebbe esserci da qualche parte un piccolo libro rosso che raccolga le decisioni?

Joannes Vermorel: Sono pienamente d’accordo e le decisioni sono molto complicate perché le grandi aziende tendono a seppellirle e i processi decisionali sotto workflows e processi. In effetti, non vedono nemmeno una decisione perché viene applicata una regola che in realtà rappresenta un processo decisionale. Ed è ormai così integrato nell’ambiente che non lo notano più, semplicemente guida l’azienda. Può trattarsi di una politica sbagliata, esiste, guida il business, e in effetti produce potenzialmente migliaia di decisioni al giorno, senza che nessuno se ne accorga. Una volta in essere da un po’, questa cosa non ha neppure un comando; non c’è nessuno responsabile, proprio perché è come avere aria fresca nell’edificio: semplicemente accade, la gente non sa nemmeno esattamente perché, semplicemente è.

Concordo pienamente con la tua idea di decisione. È difficile perché le persone hanno un’idea sbagliata delle decisioni. Pensano che una decisione implichi una riunione, tensione e un capo, in cui vengono presentati argomenti e il capo decide. Quella è una tipologia di decisione, ma ci sono decisioni molto più banali eppure altrettanto significative. Quando sono così ordinarie da non essere nemmeno percepite, diventa davvero intrigante.

Warren Powell: Perché, come hai detto, hanno già scelto la politica, quindi una volta fissata la politica, non si parla più di decisione. E in effetti, la decisione non è la scelta in sé; la decisione è quale politica adottare.

Ora lascia che offra un altro spunto. Sai, parlo sia delle politiche complicate sia di quelle semplici. Una frase che sono abbastanza sicuro di usare nel mio grande libro è: “Il prezzo della semplicità sono i parametri regolabili.” Quasi ogni politica semplice, come le politiche SS, ha parametri regolabili, e regolarli è difficile. La regolazione è uno di quei tipi universali di decisioni. È un problema di apprendimento attivo.

Terrò un intervento in un workshop della conferenza di supply chain analytics a Rutgers a giugno, e una delle cose a cui ho dedicato un’intera sezione è che c’è qualcosa che assolutamente tutti, indipendentemente dal settore, devono comprendere. Esiste una categoria di problemi decisionali sequenziali chiamata apprendimento.

Viene chiamato in molti modi. Può essere inteso come tentativi ed errori intelligenti, ricerca stocastica, o multi-arm bandit, ma sono problemi di apprendimento. Non c’è nulla di fisico. Quando c’è un aspetto fisico, le cose si complicano, ma ci sono molti problemi in cui non c’è fisicità, è solo apprendimento.

Provi questo, poi, se ha funzionato o no, proverai qualcos’altro. È una decisione sequenziale, ma l’unica cosa che porti da un momento all’altro è ciò che hai imparato e la tua convinzione su cosa funzioni meglio.

L’apprendimento sequenziale dovrebbe essere insegnato a livello universitario, non in un solo corso, ma lungo tutto il curriculum, proprio come le statistiche vengono insegnate in vari stili. L’apprendimento attivo dovrebbe essere insegnato a tutti, tranne che agli studenti di inglese.

A meno che tu non sia uno studente di umanistica pura, nomina un campo in cui non si debba utilizzare qualche forma di tentativi ed errori intelligenti. Questo è un processo fondamentalmente umano, e ci sono strumenti semplici per esso, in grado di far partire le cose.

Esistono politiche di base, dette politiche UCB, che puoi insegnare alle persone in un minuto. Basta dire: guarda, hai scelte discrete, ecco quanto bene penso che ognuna sia, ma ecco anche la mia incertezza.

Esiste un semplice esercizio che afferma che se tutto ciò che fai si basa soltanto su quanto pensi che qualcosa sia buono, il risultato può essere seriamente subottimale. Vuoi puntare un po’ più in alto, mirare a quanto qualcosa potrebbe essere buono. È un’intuizione che puoi trasmettere in un minuto, eppure ci sono sottigliezze che la rendono molto più ricca e che vanno veramente insegnate.

Joannes Vermorel: Concordo pienamente. È davvero curioso, perché provenendo da un background di machine learning, Lokad era per lo più focalizzata sul forecasting tramite machine learning.

La situazione tipica era che quelle politiche semplicistiche con parametri regolabili non venivano mai ottimizzate nella pratica. Quando finalmente metti le mani sul dataset di un’azienda, è complicato, ma da Lokad, finalmente otteniamo il dataset.

Applichi i tuoi algoritmi di apprendimento e ti rendi conto che c’è molto poco da imparare, perché l’azienda ha operato con un autopilota incredibilmente rigido per così tanto tempo che puoi avere miliardi di dollari o di euro di storia eppure c’è poco da apprendere, dato che hai fatto sempre la stessa cosa senza variazioni.

Una delle sfide che affrontiamo è che, spesso, quando vogliamo imparare, dobbiamo iniziare a esplorare e aggiungere un po’ di rumore. Questo rumore serve solo all’apprendimento.

Devi assicurarti che non sia troppo costoso, ma l’idea di deviare da ciò che è considerato ottimale – loro non hanno idea se sia ottimale, ma è certamente lo standard, lo status quo, la prassi.

Deviare dalla prassi per esplorare casualmente qualcosa di così astratto come raccogliere informazioni su come appare il panorama quando ti discosti da ciò che fai di solito è davvero sconcertante.

Poche sono le persone che, avendo frequentato MBA o simili, riescono a comprendere quest’idea di introdurre piccole dosi. Se sei una grande azienda, anche una piccola dose di esplorazione, se operi su larga scala, ti fornirà molte informazioni col tempo.

Nella produzione la deviazione è negativa. Vuoi essere il più rigido e coerente possibile. Ma nell’apprendimento attivo, se lo fai nel mondo della supply chain e sei così rigido, con una politica che rimane immutabile, impari a malapena nulla.

È un concetto davvero strano. Essere introdotti all’idea di apprendimento attivo, per cui puoi selezionare con cura le tue deviazioni per ottenere il massimo informativo – non si tratta solo di fare qualcosa in modo casuale, ma con l’intento di apprendere – è cruciale.

Warren Powell: Gli spunti che hai appena articolato sono così fondamentalmente importanti che dovrebbero essere insegnati ovunque, in ogni tipo di campo, non solo in quelli analitici.

Puoi insegnarli sia a un livello analitico avanzato che a un livello base, a seconda degli studenti. Non capisco perché non vengano insegnati.

Sto scrivendo un articolo per Princeton, qui a livello locale, per dire: “Ehi, guarda, dopo 40 anni a Princeton, indovina quale corso non stiamo insegnando.” Circa la metà dell’università è coinvolta in dipartimenti dove c’è l’opportunità di sperimentare qualche forma di tentativi ed errori.

Potremmo continuare per diverse ore.

Conor Doherty: Torno qui per chiudere un punto. Uno dei plug senza vergogna, solo per chiarire, è che quando parli di studenti di supply chain che apprendono, i workshop che hai menzionato sono in realtà disponibili pubblicamente sul nostro sito web.

Per quanto riguarda l’apprendimento della programmazione per problemi di supply chain, abbiamo risorse completamente gratuite e accessibili sul nostro sito, docs.lokad.com. Questi sono esercizi guidati progettati dai nostri supply chain scientists per imitare il tipo di alberi decisionali di cui stai parlando.

Se vuoi valutare le prestazioni, l’analisi dei fornitori, abbiamo un tutorial guidato gratuito per questo, in cui puoi vedere tutti gli snippet di codice progettati specificamente per questo tipo di problemi, anziché una grossolana approssimazione in un foglio Excel.

Warren Powell: So che da Lokad avete il vostro linguaggio di programmazione. Trovo tutto ciò molto interessante. Adoro le risorse che state rendendo disponibili. Stiamo cercando di fare qualcosa di simile per il settore del trasporto su gomma, ma il trasporto su gomma è un business molto diverso.

Stiamo cercando di proporre contenuti molto educativi. Non tenteremmo mai di fare qualcosa del genere. Prima di tutto, non abbiamo quel semplice codice e non c’è nessuno nell’industria dei truckload.

Una cosa interessante del truckload trucking è che, beh, non abbiamo molta concorrenza. Non è l’ambito del business dei truckload, che negli Stati Uniti ammonta a circa 800 miliardi di dollari all’anno. Voglio dire, è un grande mercato, ma una minuscola frazione delle supply chain.

La supply chain è un vero oceano, mentre il truckload trucking è un mare o qualcosa del genere. Però porterò le tue risorse all’attenzione del dipartimento a Rutgers, perché penso che potrebbe essere molto interessante.

Devo fare i conti con il fatto che questi sono studenti di economia che devo formare e, allo stesso tempo, c’è anche un dipartimento di ingegneria industriale, e ho la sensazione che a loro si rivolgano competenze più tecniche.

In realtà, penso che i due dipartimenti dovrebbero collaborare, perché quel primo passo delle tre domande – rispondere a quelle tre domande – è davvero difficile. Devi veramente sapere di cosa stai parlando. Quindi occorre un approccio di consulenza gestionale intelligente per rispondere a quelle domande.

Una volta che le hai risposte, occorre un set di competenze diverso per trasformarle in analisi e utilizzare un computer per supportarti. Quindi spero che a Rutgers, dato che conosco bene le persone dell’ingegneria industriale, il gruppo che conosco meno sia il dipartimento di supply chain management. Sembrano apprezzare ciò che dico e cercherò di proporre un’integrazione tra i due.

Conor Doherty: Penso che questo discorso sia andato avanti per un bel po’ e ho esaurito tutte le mie domande. Ma è consuetudine da Lokad dare la parola finale all’ospite. Quindi, Warren, ti concedo di chiudere con un invito all’azione o con qualche plug senza vergogna. Noi non abbiamo nulla in contrario.

Joannes Vermorel: C’è un chiaro invito all’azione, ed è comprare il libro. È un libro molto solido e valido.

Warren Powell: Raccomando alle persone di non iniziare con il grande libro, ma di partire con un libro che possono scaricare gratuitamente.

Tinyurl.com/SDAmodeling, quello è il libro che ho scritto per la classe universitaria. Si chiama Sequential Decision Analytics and Modeling. Collaboro con un editore, che non mi paga nulla, ma mi permette di offrire gratuitamente il PDF, la versione pubblicata.

Questo è il libro. Utilizza un approccio didattico per esempi. Quindi, a parte il capitolo uno, che espone il framework universale e include esempi di inventario, ogni capitolo, ad eccezione del capitolo 7, consiste semplicemente in esempi diversi, tutti scritti nello stesso stile con un’enfasi sulla modellazione.

Quindi, ho in essere i miei cinque elementi: State, decision, information, transition, objective. Inizio sempre con una narrazione, una semplice narrazione in inglese, e poi presento i cinque elementi. Dopo dico una parola sulla modellazione dell’incertezza, non molto. Poi spiego un modo in cui potremmo prendere decisioni.

Quando arrivo al capitolo 7, ho fornito esempi di tutte le quattro classi di politiche. Così, il capitolo 7 dice: facciamo una pausa, diamo un’occhiata a ciò che abbiamo appena fatto. I capitoli rimanenti, dall'8 al 14, sono semplicemente esempi più avanzati, incluso il beer game.

Il beer game è la mia opportunità per affrontare un problema multi-agente. Uno dei miei capitoli preferiti nel mio grande libro è l’ultimo, dedicato ai multi-agente. Ho scritto quel capitolo e ho detto: se ripartissi la mia carriera oggi, i multi-agente sarebbero estremamente divertenti.

E ovviamente, nel mondo della supply chain, tutto è multi-agente. Definisce quasi il problema il fatto che non ne esista uno solo. Come nel mio lavoro nel settore del trasporto su gomma, anche se ci sono diversi manager, noi agiamo grosso modo come se la compagnia di trucking fosse un singolo agente.

Supply chain, non puoi fare altrimenti. Non funziona semplicemente. Devi modellare il fatto che hai tutti questi componenti che interagiscono, il che apre la porta alla modellazione di chissà cosa. Di conseguenza, stai modellando l’organizzazione dell’informazione, non solo la gestione dell’inventario.

Questo è un ambito così incredibilmente ricco. Guardando 70 anni di scrittura di manuali, mi rendo conto che i nostri libri sembrano essere molto indietro rispetto a ciò che è realmente necessario per risolvere il problema. Ne sono un po’ sorpreso. È un’opportunità interessante. Vorrei essere un paio di decenni più giovane.

Quindi, è fantastico che tu stia realizzando questa serie TV. La promuoverò sicuramente. Inoltrerò certamente questo link, ma indirizzerò anche le persone al tuo sito web, perché adoro il tuo stile accademico.

Optimal Dynamics è un’ottima azienda. Non posso fare un plug senza vergogna perché è davvero focalizzata sui truckload carriers, ma darò comunque il plug senza vergogna a Lokad. Mi piace il vostro stile. Parlo di voi perché dimostra che avete un punto di vista molto accademico.

Adoro il modo in cui amate condividere. Gli accademici amano condividere. Sì, ci piacerebbe guadagnare un po’ di soldi, ma non possiamo fare a meno di condividere le nostre idee ed esserne molto orgogliosi, come dovreste fare anche voi. Apprezzo questo perché ho esaminato il vostro sito con attenzione e mi sta aiutando a imparare cose e a cogliere il vostro stile.

Conor Doherty: Grazie mille. Non ho altre domande. Joannes, ti ringrazio molto per il tuo tempo, Warren, grazie infinite per il tuo. E grazie a tutti per averci seguito. Ci vediamo la prossima volta.