ISF2024 Panel: Demand Planning & Human Judgement nel Mondo dell'IA

00:00:00 Introduzione di Robert Fildes
00:01:08 Conor Doherty introduce il panel e l’argomento
00:03:11 Prospettiva di Nicolas Vandeput
00:06:16 Presentazione di Sven Crone
00:10:34 Prospettiva di Alexey Tikhonov
00:15:01 Necessità di automazione nella presa di decisioni
00:20:13 Condivisione di informazioni tra gli esseri umani è uno spreco di tempo
00:25:29 Prospettiva sull’intervento umano
00:30:23 Valutazione di una previsione
00:35:18 Prospettiva finanziaria e presa di decisioni
00:40:14 Costo degli errori di previsione
00:45:43 Automazione e fiducia
00:50:27 IA potenziata e le sue applicazioni
00:55:03 Impatto dell’IA sui traduttori umani
01:00:16 Importanza di una visione chiara nell’implementazione dell’IA
01:06:00 Considerazioni finali e futuro dei pianificatori della domanda
01:11:50 Domanda del pubblico: previsione per gli ospedali
01:15:38 Domanda del pubblico: riduzione del modello e del pregiudizio umano

Contesto del panel

Il panel è stato proposto per la prima volta da Robert Fildes (Professore Emerito, Lancaster University) in risposta all’articolo di Conor che critica FVA. Questo articolo è stato ripubblicato nella edizione del secondo trimestre 2024 di Foresight (prodotta da The International Institute of Forecasters, la stessa organizzazione che gestisce il simposio). Successivamente, il panel è stato ampliato per includere Sven Crone, Nicolas Vandeput e Alexey Tikhonov, al fine di fornire una gamma più equilibrata di prospettive sia dall’accademia che dall’industria.

Riassunto della discussione del panel

Girato nel luglio 2024 al 44° Simposio Internazionale sulla Previsione a Dijon, il panel di quattro relatori ha discusso di “Demand Planning e il Ruolo del Giudizio nel Nuovo Mondo dell’IA/ML”. Moderato da Conor Doherty, Responsabile della Comunicazione di Lokad, il panel includeva Alexey Tikhonov (Lokad), Sven Crone (Lancaster University & iqast) e Nicolas Vandeput (SupChains). La discussione ruotava attorno all’integrazione dell’IA nella pianificazione della domanda, al valore delle previsioni nella presa di decisioni e al futuro dei pianificatori della domanda. I relatori hanno condiviso opinioni diverse sul ruolo del giudizio umano nella pianificazione della domanda, sul potenziale dell’IA nel sostituire i pianificatori della domanda e sull’importanza dell’accuratezza nelle previsioni.

Riassunto esteso

Il 44° Simposio Internazionale sulla Previsione a Dijon, in Francia, organizzato dall’International Institute of Forecasters, ha ospitato una discussione in un panel su “Demand Planning e il Ruolo del Giudizio nel Nuovo Mondo dell’IA/ML”. La discussione è stata moderata da Conor Doherty di Lokad e i relatori del panel includevano Alexey Tikhonov di Lokad, Sven Crone di iqast e Nicolas Vandeput di SupChains. La sessione è stata introdotta da Robert Fildes, Professore Emerito presso la Lancaster University.

La discussione è iniziata con Nicolas Vandeput che ha delineato la sua visione per la pianificazione della domanda nell’era del machine learning. Ha proposto un processo in quattro fasi che includeva la visualizzazione della previsione della domanda come un gioco di informazioni, la creazione di un motore di previsione della domanda automatizzato basato sul machine learning, consentendo ai pianificatori della domanda umani di arricchire la previsione con informazioni non incluse nel modello e tracciando il valore aggiunto di tutti coloro coinvolti nel processo.

Sven Crone ha condiviso la sua esperienza nell’ambito dell’IA e della previsione, notando la lenta adozione dell’IA nella pianificazione della domanda. Ha discusso delle complessità dell’integrazione dell’IA nei processi di pianificazione della domanda e ha suggerito che l’IA potrebbe potenzialmente sostituire i pianificatori della domanda in futuro. Tuttavia, ha anche evidenziato l’eterogeneità delle previsioni, con settori diversi che richiedono approcci diversi.

Alexey Tikhonov ha sostenuto che la pianificazione della domanda è un approccio obsoleto e che le intromissioni nella previsione basate sul giudizio sono spreco. Ha sostenuto la previsione probabilistica, che cattura il pattern strutturale del rischio, e ha criticato la pianificazione della domanda per la mancanza di prospettiva economica e automazione. Ha anche sostenuto l’automazione completa del processo decisionale nelle supply chain, affermando che la complessità e la portata delle decisioni richieste nelle supply chain lo rendono necessario.

I relatori hanno anche discusso del valore delle previsioni nella presa di decisioni. Nicolas Vandeput ha sottolineato che le previsioni vengono effettuate per facilitare la presa di decisioni e ha sostenuto l’utilizzo di modelli in grado di elaborare il maggior numero possibile di informazioni. Ha anche suggerito che, valutando una previsione, si concentrerebbe sulla precisione della previsione piuttosto che sui risultati aziendali, poiché questi ultimi possono essere influenzati da molti altri fattori al di fuori del controllo del previsionista.

Sven Crone ha discusso della prospettiva industriale della pianificazione della domanda, sottolineando l’importanza delle decisioni strategiche a lungo termine e della pianificazione basata su scenari. Ha anche evidenziato le sfide nella misurazione del valore aggiunto e l’importanza del giudizio nel processo.

Alexey Tikhonov ha messo in discussione il valore di una previsione più accurata se non porta a una decisione diversa. Ha sostenuto che il valore di una decisione non dipende solo dalla previsione, ma anche da altri fattori come i driver decisionali.

I relatori hanno anche discusso della fiducia nelle previsioni, con Nicolas Vandeput che suggeriva che l’unico modo per costruire fiducia in una previsione, che sia generata da un essere umano o da una macchina, è tracciare l’accuratezza di ogni singolo passaggio nel processo. Sven Crone ha concordato sull’importanza della fiducia e ha suggerito che si potrebbe utilizzare una combinazione di intelligenza artificiale e metodi semplici e trasparenti per automatizzare parti del processo.

I relatori hanno anche discusso del futuro dei pianificatori della domanda. Sven Crone ritiene che i pianificatori della domanda avranno comunque un ruolo in futuro, ma si troveranno ad affrontare sfide sempre maggiori a causa della frequenza crescente delle decisioni e della quantità crescente di dati disponibili. Nicolas Vandeput vede l’evoluzione del ruolo dei pianificatori della domanda nell’essere focalizzati sulla raccolta, strutturazione e pulizia dei dati e delle informazioni. Alexey Tikhonov ritiene che i pianificatori della domanda non saranno in grado di competere con i sistemi di intelligenza a lungo termine.

Il panel si è concluso con una sessione di domande e risposte, in cui i relatori hanno risposto alle domande del pubblico su argomenti come le condizioni o i requisiti per creare decisioni automatiche nella pianificazione della domanda, il ruolo del giudizio nella pianificazione della domanda e come incorporare il bias derivante dal giudizio umano nel bias statistico per ridurre il bias complessivo.

Trascrizione completa

Robert Fildes: Sono Robert Fildes e sto introducendo queste due sessioni. Per motivi logistici, sono state invertite e tratteremo per circa un’ora del cambiamento del ruolo dei pianificatori della domanda e del loro ruolo che potrebbe essere cambiato sostanzialmente dagli sviluppi nell’IA e nel machine learning. I relatori pronunceranno presto le loro parole di saggezza. La sessione di Paul Goodwin e io che parleremo di molte prove empiriche sul ruolo del giudizio è stata spostata a questo pomeriggio alle 15:10. È comunque nel programma. Sì, aggiustamento basato sul giudizio, ne parleremo, ma non in questa stanza, in un’altra stanza. Quindi non vedo l’ora di vedervi allora e di avere una discussione stimolante e possibilmente controversa e passo la parola al moderatore, Conor.

Conor Doherty: Beh, grazie mille Robert. Ciao a tutti, sono Conor, responsabile delle comunicazioni presso Lokad e sono molto lieto di essere qui sul palco con un illustre panel di accademici e professionisti del settore. Alla mia sinistra, Alexey Tikhonov, sviluppatore di business e prodotto presso Lokad. Alla sua sinistra, il dottor Sven Crone dell’Università di Lancaster, CEO e fondatore di iqast e, ultimo ma non meno importante, Nicolas Vandeput di SubChains. Ora, l’argomento della discussione di oggi, come potete vedere spero sullo schermo, è la pianificazione della domanda e il ruolo del giudizio nel nuovo mondo dell’IA e del machine learning.

Sono abbastanza sicuro che, dato le persone coinvolte sul palco, questo sarà uno scambio vivace di idee e penso che ogni avanzamento tecnologico sollevi tipicamente domande su come tali avanzamenti influenzeranno il coinvolgimento umano. Quindi non vedo l’ora di sentire i nostri tre relatori discutere di questo. Ora, prima di iniziare, il tempo è un po’ scarso oggi, quindi un po’ di amministrazione. Ogni relatore avrà 5 minuti per presentare la propria prospettiva relativa all’argomento. Prima sarà Nicolas, poi Sven e infine Alex.

Dopo di ciò, farò alcune domande volte a sviscerare alcuni dettagli e le implicazioni delle loro prospettive e, a seconda di come andrà, se saremo ancora tutti in buoni rapporti, speriamo anche alcune domande dal pubblico. Quello che posso dire è che, per favore, se possibile, dato che il tempo è scarso, abbiate qualche idea prima di prendere il microfono, anziché un monologo seguito da un punto interrogativo. Ma con questo, passo prima a Nicolas, per favore, la tua prospettiva relativa all’argomento.

Nicolas Vandeput: Grazie, Conor. Ciao a tutti. Perfetto, ho le slide. Permettetemi di presentarvi la visione che ho per l’eccellenza nella pianificazione della domanda nell’era del machine learning e come fondamentalmente potete integrare il machine learning insieme all’arricchimento umano per la previsione della domanda della supply chain. Quindi avete quattro passaggi sulla slide. Permettetemi di spiegarveli.

La prima cosa principale per me è vedere la previsione della domanda come un gioco di informazioni. Quindi fondamentalmente quello che volete fare, quello che significa è raccogliere il maggior numero possibile di dati, informazioni, intuizioni, come volete chiamarle, sulla domanda futura. Potrebbe essere il vostro calendario promozionale, quante pubblicità farete, dati sulle vendite, inventario presso i vostri clienti, ordini che avete già ricevuto dai vostri clienti in anticipo, tutto questo. E potrebbe essere diverso per alcune industrie, va benissimo, ma fondamentalmente il mio punto è che il primo passo è trovare informazioni su ciò che ci aspetta. Siete giornalisti, reporter, detective, andate a cercare queste informazioni.

Ora, una volta che abbiamo tutte queste informazioni, i dati strutturati devono essere alimentati al machine learning e volete creare un motore di previsione della domanda basato su machine learning che sia automatizzato e a prova di bomba. Con automatizzato, intendo che è uno strumento, è un motore che non richiede alcuna modifica manuale, revisione o ottimizzazione da parte umana. È fatto forse da un team di data science o è fatto automaticamente, quindi è completamente automatizzato. A prova di bomba significa che il vostro motore di machine learning deve reagire alla maggior parte dei driver del vostro business, ovvero promozioni, prezzi, carenze, forse pubblicità, forse il meteo, cose del genere, festività e così via. Quindi è a prova di bomba per la maggior parte dei driver del business ed è completamente automatizzato, non avete bisogno di toccarlo o rivederlo.

Una volta che avete tutto questo, gli esseri umani, quindi i pianificatori della domanda, possono comunque arricchire la previsione in base alle informazioni che hanno trovato e che non sono incluse in questo modello. Quindi immaginiamo ad esempio che chiamino il vostro cliente e il cliente dica: “Beh, è davvero un periodo difficile, questo mese non ordinerò”. Il cliente non chiamerà il modello di machine learning, il modello di machine learning non ne sarà a conoscenza. Lo sarà il pianificatore. Il pianificatore dovrebbe rivedere la previsione e modificarla perché sa qualcosa che il modello non sa.

Passaggio finale, valore aggiunto della previsione. Questo è un passaggio assolutamente critico. Inizierei addirittura da questo. Significa che dobbiamo tracciare il valore aggiunto di tutti nel processo. Quindi dobbiamo tracciare l’accuratezza delle previsioni prima e dopo l’arricchimento per garantire che nel tempo, l’arricchimento aggiunga valore. Ovviamente, tutti possono essere fortunati o sfortunati a volte, va benissimo. Non ogni singolo arricchimento aggiungerà valore, ma ciò che vogliamo dimostrare e mostrare nel tempo è che in media, questi arricchimenti aggiungono valore. Quindi vale la pena del nostro tempo. Bene, questa era la mia visione in quattro passaggi su come integrare il machine learning e i pianificatori della domanda.

Conor Doherty: Beh, grazie mille, Nicolas. Ora passo la parola a Sven.

Sven Crone: Grazie. Sì, grazie. Sono Sven Crone dell’Università di Lancaster, professore associato lì con quasi due decenni di ricerca in intelligenza artificiale e previsione. Quindi sono completamente di parte nei confronti dell’intelligenza artificiale, devo dirlo subito. Ho cercato di far funzionare l’intelligenza artificiale nella previsione per molti, molti anni. Quindi solo per farvi capire il pregiudizio fondamentale. Allo stesso tempo, abbiamo creato una piccola azienda in cui abbiamo cercato di aiutare grandi aziende multinazionali a sfruttare nuove tecnologie e guardando indietro a quegli anni, è estremamente difficile. Penso che oggi dovremo affrontare, spero nel panel, alcuni elefanti nella stanza.

Mentre la visione è stata presente per molti anni, possiamo sostituire le statistiche con l’intelligenza artificiale, possiamo sostituire tutto ciò con le statistiche. In realtà, non siamo stati molto trasformativi quando si tratta di guardare i processi di pianificazione della domanda, penso. Quindi questo è il mio pregiudizio fondamentale. Quando guardiamo a questo, parte dell’esperienza che posso condividere è che abbiamo addestrato molti pianificatori della domanda cercando di far loro apprezzare alcuni degli algoritmi di smoothing esponenziale e degli algoritmi ARIMA disponibili. Posso dirvi che non è un esercizio piacevole. Sono lenti ad adattarsi a qualcosa del genere. È un esercizio piacevole con la domanda, ma è molto difficile farli accettare alcune delle tecnologie più semplici. Quindi penso che parleremo un po’ più avanti di cosa succede se quella tecnologia diventa ancora più avanzata e le persone devono interagire con essa.

Ma lo stato attuale, circa 10 anni fa, c’era un uso molto limitato dell’intelligenza artificiale, anche se le reti neurali esistono da quasi 60 anni, risalendo certamente a alcune delle prime innovazioni, sicuramente degli anni ‘80. Ma l’adozione è stata relativamente lenta. Negli ultimi due o tre anni, facciamo regolarmente sondaggi nelle conferenze di praticanti. Abbiamo appena parlato in una conferenza di praticanti, l’ASM, insieme a Bruxelles e abbiamo fatto un sondaggio tra il pubblico. Abbiamo chiesto quanti di loro stanno effettivamente utilizzando una prova di concetto in intelligenza artificiale e machine learning e circa il 50% del pubblico era lì. Quindi è aumentato dal 5 al 10% 10 anni fa. Ora il 50% sta facendo una prova di concetto. Non sono ancora in produzione, ma molti sono già in produzione e abbiamo visto alcune grandi aziende qui che stanno provando questo. Quindi nessuna paura nel pubblico e anche alcuni altri, quindi casi studio davvero interessanti. Ma ciò che colpisce anche è che tanti progetti che hanno successo, falliscono.

Quindi abbiamo avuto una grande parte del pubblico in cui i progetti di intelligenza artificiale non hanno avuto successo e penso che sia proprio quell’intersezione tra l’incorporazione di una tecnologia in un processo di pianificazione della domanda che è molto più di una semplice fase di previsione. Se guardiamo all’industria, dobbiamo considerare la gestione dei dati principali, la pulizia dei dati, la prioritizzazione, le metriche degli errori, l’esecuzione di un modello statistico, quindi potenzialmente l’analisi degli errori, l’individuazione degli avvisi e quindi apportare eventuali correzioni. E, a proposito, anche se si dispone di un processo di previsione di base completamente sviluppato, che ancora oggi la maggior parte delle aziende non ha, Gartner ha un bellissimo panorama di maturità dei diversi livelli di maturità della pianificazione delle vendite e delle operazioni.

Molte poche aziende si trovano al livello quattro, la maggior parte si trova tra il livello uno, due e tre. Anche se si dispone di un processo statistico, come pulire la storia delle serie temporali, farlo automaticamente o manualmente, è una decisione basata sul giudizio. La scelta dell’algoritmo è una decisione. La scelta dei metaparametri da consentire alla ricerca è una decisione basata sul giudizio. Quindi c’è molto giudizio, ma penso che tradizionalmente pensiamo al giudizio, all’aggiustamento finale di una previsione di base statistica che è o non è compresa. E forse guardando al futuro, non ho visto molti movimenti o innovazioni quando si tratta di innovare il processo di pianificazione delle vendite e delle operazioni come è stato progettato da O.W. e vedo che gli esecutivi si stanno seriamente scontentando per la mancanza di progressi, la mancanza di progressi percepiti, anche se spesso ci sono progressi nello sviluppo dei processi.

Ma io, sai, penso che ci sia stato un CEO di Unilever che ha detto che dobbiamo eliminare la pianificazione della domanda, non funziona durante il COVID. Alcune sfide reali attendono i pianificatori della domanda per mantenere il loro lavoro e a meno che non sfruttino l’intelligenza artificiale e penso che ci sia uno scenario realistico in cui l’intelligenza artificiale, come hai detto, se riesci a fare tutto questo, sarà in grado di sostituire i pianificatori della domanda anche nelle fasi di aggiustamento basate sul giudizio. Ma non siamo ancora arrivati ​​lì. Quindi sono curioso di sentire quali sono le tue opinioni.

Conor Doherty: Bene, grazie, Sven. Alexey, le tue opinioni, per favore.

Alexey Tikhonov: Grazie. La mia proposta sarà radicalmente diversa. Penso che prima di tutto dobbiamo ampliare il campo perché la pianificazione della domanda esiste nella supply chain e l’obiettivo della supply chain è prendere decisioni in condizioni di incertezza, prendere decisioni redditizie in presenza di vincoli. Per quanto riguarda questo obiettivo, la mia opinione è che la pianificazione della domanda sia un approccio obsoleto e le intromissioni di previsione basate sul giudizio siano spreco, anche se aiutano a migliorare leggermente l’accuratezza delle previsioni. Perché?

La pianificazione della domanda è un approccio obsoleto perché presume che abbiamo bisogno di separare la previsione e la presa di decisione. Questa separazione porta inevitabilmente alla scelta di strumenti semplici perché introduciamo un’interfaccia umano-umano. Dobbiamo trasmettere informazioni in modo molto semplice e scegliamo previsioni puntuali perché tutti possono capire le previsioni puntuali. I calcoli delle metriche di accuratezza sono semplici, quindi possiamo discutere di quei punti, possiamo aggiustarli al rialzo o al ribasso. Ma sfortunatamente, questa scelta di strumenti ci impedisce di prendere decisioni redditizie.

Per prendere una decisione redditizia, dobbiamo valutare i rischi finanziari e i rendimenti finanziari. Possiamo farlo solo se catturiamo il modello strutturale del rischio. C’è solo uno strumento, per quanto ne so, che fa questo. Si chiama previsione probabilistica, dove invece di singole previsioni puntuali, si presenta un’opinione informata su come saranno tutti i futuri possibili, quali sono le probabilità per i diversi futuri.

Non sto parlando solo della domanda. Ci sono altre incertezze, ad esempio, potrebbero esserci incertezze sui tempi di consegna che è necessario prendere in considerazione. Questo è particolarmente rilevante se si tratta di merci spedite dall’estero. Poi potresti avere incertezza sulla resa se stai gestendo la produzione di cibo. Potresti avere incertezza sui resi se stai gestendo il commercio elettronico. Quindi ci sono molteplici fonti di incertezza e hai bisogno di strumenti specifici chiamati modelli probabilistici per combinare tutte queste incertezze al fine di poter trarre decisioni nelle fasi successive.

La pianificazione della domanda ci offre solo una versione del futuro che è una previsione puntiforme, che è lo scenario più probabile. Ma siamo interessati alle code di questa distribuzione perché i rischi sono concentrati su due estremi. Quindi, la prospettiva della pianificazione della domanda ci porta inevitabilmente a considerare solo una opzione decisionale. Hai una previsione puntiforme, applichi una formula di scorte di sicurezza o una semplice politica di inventario, trai una decisione. Ma questa decisione è redditizia? Cosa succede se la cambio al rialzo o al ribasso? Come cambia la mia redditività attesa? Non posso farlo perché le mie previsioni sono previsioni puntiformi. Non indico alcuna probabilità su quegli scenari.

Il terzo problema della pianificazione della domanda è che la prospettiva economica è completamente assente. Stiamo parlando di accuratezza delle previsioni in percentuale o se utilizziamo varie metriche che trattano l’accuratezza in unità, ci manca la prospettiva finanziaria. Quindi ciò di cui abbiamo bisogno è stimare il costo previsto, le ricompense previste e abbiamo anche bisogno di stimare driver secondari come confrontare le decisioni di inventario per diversi prodotti. Ogni rivenditore sa, ad esempio, che avere pannolini in magazzino è molto più importante che avere cioccolato di alta qualità perché se non hai il primo prodotto i tuoi clienti saranno delusi, perderai la fedeltà dei clienti.

La pianificazione della domanda ci impedisce di automatizzare in modo estensivo. Cosa stiamo per automatizzare? Automatizzeremo la produzione delle decisioni finali, non solo la previsione. Dobbiamo automatizzare l’intero flusso di lavoro. Dobbiamo convertire i nostri dati transazionali grezzi in decisioni operative che rispettino già tutti i vincoli decisionali come le quantità minime d’ordine (MOQ) e altri driver decisionali come le fasce di prezzo.

E ultimo ma non meno importante, deve esserci una responsabilità. Attualmente, non c’è una responsabilità sulle decisioni finali perché abbiamo questo processo di transizione in cui la previsione passa a un team diverso e poi derivano la decisione e poi c’è un gioco delle colpe. “Oh, abbiamo preso questa decisione perché la tua previsione era inaccurata o c’è stata un aumento giudizioso della previsione e quindi ci ha portato a una decisione sbagliata.”

Quindi, per riassumere, la prospettiva della pianificazione della domanda è obsoleta e abbiamo qualcosa di meglio. Grazie.

Conor Doherty: Beh, oggi concorderemo, ma non su tutto. Posso solo rispondere a questo perché sono pienamente d’accordo con te su alcuni aspetti. Penso che tu abbia menzionato la previsione puntiforme rispetto alla previsione intervallo o distribuzione di probabilità, d’accordo, giusto. Ma ci sono molti pacchetti software là fuori che lo fanno da molti anni ma i professionisti lo ignorano. Ma penso che tutti comprendiamo il valore di comunicare non solo il valore della domanda ma anche il rischio ad esso associato.

SAS lo fa da molto tempo, Forecast Pro lo fa e anche Forecast X lo fa ma viene ampiamente ignorato. Quindi perché viene ignorato? Dovremmo probabilmente parlare del perché i pianificatori della domanda non capiscono le previsioni a intervalli. Voglio dire, sarebbe interessante. L’altra cosa che hai menzionato, che penso sia anche un buon punto, è che spesso c’è una disconnessione tra la pianificazione della domanda e la pianificazione dell’inventario, la pianificazione della rete di approvvigionamento, la pianificazione della produzione che sarebbe utile per ottenere una soluzione olistica.

Ma se stai pensando alle grandi aziende multinazionali, penso che i processi siano strutturati in modo tale che tu possa effettivamente prendere decisioni su decine di migliaia di dipendenti che intervengono tutti e non condividono liberamente le loro conoscenze. E la terza cosa, penso che dobbiamo pensare a cosa consideriamo. Penso che tutti abbiamo background diversi nella pianificazione della domanda. Io provengo da multinazionali industriali, sai, forse aziende di trasporti multinazionali, consumatori che si muovono velocemente, farmaceutica. Probabilmente tu hai una visione e un background più orientati al commercio al dettaglio, dove queste cose possono essere raggruppate insieme.

Ma quello che vediamo, ci sono dei libri molto interessanti di Charlie Chase di SAS. Penso che abbia scritto sulla pianificazione dell’approvvigionamento guidata dalla domanda. Si tratta della riconciliazione tra domanda e offerta. È tanto un processo per condividere informazioni e aspettative quanto per la gestione del rischio, esattamente la gestione del rischio su un orizzonte a lungo termine in S&OP, guardando approssimativamente da 6 a 18 mesi in avanti. S&OE guarda da uno a quattro mesi in avanti ed è questa condivisione di informazioni che può essere preziosa, indipendentemente da quale sia la previsione finale.

Quindi non sono in disaccordo sul fatto che dobbiamo fare molti progressi per quanto riguarda l’integrazione delle decisioni. Ma penso che la pianificazione della domanda serva a più di uno scopo. Ma penso che per il bene delle cose, oggi stiamo guardando all’automazione. Forse l’IA viene utilizzata nel contesto dell’automazione e stiamo guardando soprattutto all’accuratezza. Ma pochissime persone si interessano effettivamente alla condivisione delle informazioni. Ci sono alcuni interessanti articoli sulla robustezza delle previsioni. Voglio dire, cosa succede se cambi continuamente la tua previsione con un modello di machine learning molto reattivo e la pianificazione della produzione diventa folle perché la sommi nel tempo di consegna e ottieni un eccesso o una carenza di scorte e introduci ordini di produzione.

Quindi penso che se possiamo concentrarci sulla pianificazione della domanda e sul contributo delle previsioni nella pianificazione della domanda perché le altre cose sono la pianificazione dell’approvvigionamento e la pianificazione della rete, la pianificazione della produzione. Ma questo renderà la nostra discussione più difficile. Ma sono pienamente d’accordo con te che sarebbe una cosa importante.

Alexey Tikhonov: Forse con un breve commento. Sì, la mia opinione non era che abbiamo bisogno di una migliore condivisione delle informazioni, di una previsione migliore. La mia opinione è che dobbiamo automatizzare completamente la parte decisionale. Non dovremmo permettere ai professionisti della supply chain di essere coinvolti nel processo di previsione perché le supply chain sono estremamente complesse. Stiamo parlando di aziende come, anche se prendiamo aziende di medie dimensioni con un fatturato di 100 milioni, nel settore del commercio al dettaglio avranno decine di migliaia di SKU, centinaia di negozi. Moltiplichi uno per l’altro e per ogni SKU località, devi prendere una decisione giornaliera.

Anche se hai cicli decisionali predefiniti come “prendo questa decisione una volta alla settimana”, è meglio ricalcolare comunque quelle decisioni su base giornaliera. Perché? Perché la capacità umana è limitata. Hai bisogno di un computer che controlli come, “Okay, se c’è un picco di domanda, è meglio saperlo prima del mio solito ciclo decisionale perché mi aspetto che la domanda sia più regolare”. Quindi devi riprodurre quelle decisioni su base giornaliera anche se la stragrande maggioranza di quelle decisioni saranno decisioni banali del tipo “oggi non facciamo un acquisto”.

La capacità umana è molto limitata e quando parliamo di condivisione delle informazioni tra esseri umani, stiamo sprecando tempo. Dobbiamo automatizzare il più possibile. Dobbiamo essere capitalisti. Dobbiamo costruire asset, robot decisionali. Solo così possiamo ottenere profitto dalle supply chain.

Nicolas Vandeput: Ti dispiace tornare alla mia diapositiva per un minuto? Mi piacerebbe strutturare quella. Quindi inizierò dal mio framework e vorrei renderlo ancora più estremo per continuare la discussione da lì. Quindi penso che tutti siamo d’accordo sul fatto che facciamo previsioni solo perché vogliamo prendere ottime decisioni. E diremmo, beh, forse questo tipo di previsione sarebbe migliore, questo tipo di previsione, questa granularità, questo orizzonte, previsione puntiforme e così via. Ma siamo tutti d’accordo sul fatto che facciamo previsioni perché a un certo punto dobbiamo prendere una decisione.

Ora perché siamo così inclini all’automazione, tutti noi qui? È perché dobbiamo fare così tante previsioni e così tante decisioni su larga scala e non vogliamo variabilità. Se hai un essere umano, hai un problema di variabilità. Hai un problema che ci sono così tante previsioni e decisioni da prendere e così via. Ora, il modo in cui vedo le previsioni, ancora una volta, riguarda solo quanto informazioni puoi elaborare e quanto sei bravo a elaborare queste informazioni. Quindi voglio avere un modello che sia il migliore possibile nel gestire il maggior numero possibile di informazioni.

La tecnologia che abbiamo potrebbe cambiare tra 10 anni. Potremmo avere un singolo modello che può far fronte a tutte le informazioni disponibili nel mondo. Prendiamo un esempio molto semplice, la pandemia di COVID-19. Immaginiamo che sia metà marzo 2020. Se hai un motore di previsione, anche con la migliore tecnologia di apprendimento che abbiamo oggi, sai come essere umano che il COVID arriverà e lo stato del mondo e della città cambierà nelle settimane successive. Il tuo modello non ne è consapevole.

Ora, potresti avere una previsione puntiforme, potresti avere una previsione probabilistica, ma tu come essere umano, devi comunque arricchire e rivedere quella perché hai accesso a informazioni a cui il tuo modello non ha accesso. Quindi per me, la discussione su se dovrebbe essere una previsione puntiforme non ha interesse in questa discussione perché la conclusione è comunque la stessa. Riguarda quante informazioni puoi fornire al tuo modello il più possibile.

E se non puoi fornire determinate informazioni al tuo modello, allora è il momento che un essere umano le arricchisca. Ed è per questo che ha sempre senso avere un ultimo essere umano in grado di rivedere una decisione o una previsione basata su alcune informazioni che il modello non può elaborare.

Sven Crone: Penso che stiamo parlando di settori diversi qui. Quando guardiamo alla pianificazione della domanda, sono pienamente d’accordo con te che se ti trovi nello spazio del commercio al dettaglio e devi prendere decine di migliaia di decisioni su base giornaliera, allora hai bisogno di un grado significativo di automazione.

Ma lavoriamo con rivenditori nel Regno Unito da molto tempo e anche lì, vengono apportate modifiche alle assortimenti per cose in cui regna l’incertezza come gli effetti del clima estremo o l’effetto delle chiusure COVID sul gel doccia rispetto alla carta igienica in Germania.

Ma se stai guardando ad esempio un produttore farmaceutico che ha forse due o 400 prodotti principali, sono abbastanza gestibili da un essere umano. Voglio dire, perché tutte queste aziende ce la fanno? Abbiamo fatto sondaggi e circa il 50% delle aziende utilizza misure statistiche molto semplici. Ce la fanno, sono redditizie, stanno crescendo, sono agili nella loro supply chain, hanno tutte l’S&OP incorporata.

Quindi ci sono una serie di problemi che abbiamo e penso che questo sia una delle cose che amo sempre di questa conferenza. Tutti questi diversi gusti di previsione si uniscono. Abbiamo persone che ci mostrano il carico elettrico per i contatori intelligenti. Sì, hai centinaia di migliaia di contatori intelligenti con previsioni minuto per minuto, non c’è possibilità di intervento umano.

Ma se hai pochi articoli importanti con cui ti trovi davvero bene, diciamo in un’azienda farmaceutica, sai abbiamo guardato ad esempio i vaccini che sono ben compresi. Quindi ci sono diversi gusti di pianificazione della domanda.

Quello che stiamo facendo nella previsione è eterogeneo quanto i prodotti e i mercati e questa è la bellezza. Ecco perché ci sediamo tutti al bar e parliamo di previsioni, parliamo di cose completamente diverse. Ma sono pienamente d’accordo con te, quindi se parliamo dello spazio al dettaglio, sono sicuro che l’automazione sia fattibile.

Abbiamo convenuto di non essere d’accordo sul fatto che il mondo sia abbastanza grande per tutti i diversi pacchetti software, così come per avere soluzioni specializzate. Ecco perché grandi aziende come SAP hanno soluzioni specializzate per il settore al dettaglio e funzionano in modo diverso rispetto ai beni di consumo e ai prodotti farmaceutici nel settore industriale o in altre aree. Quindi penso che siamo d’accordo, solo che partiamo da punti di vista diversi.

Conor Doherty: Alex, vuoi commentare?

Alexey Tikhonov: Solo un piccolo commento. Non posso essere d’accordo con la proposta che le persone debbano intervenire nel processo di previsione. Dove le persone possono aggiungere valore, possono aggiungere valore agli input di questo motore decisionale per chiarire la semantica dei dati, per portare più dati, per spiegare all’ingegnere che sta creando tutti quegli algoritmi o il motore decisionale come i dati vengono utilizzati in azienda in modo che abbia una migliore comprensione dell’immagine.

E poi possono aggiungere valore alla fine, controllando le decisioni che il motore decisionale sta generando e scoprire quelle decisioni folli o inesatte secondo loro e poi rivedere questa ricetta numerica per capire cosa non va. Quali sono le assunzioni sbagliate? Perché prende la decisione sbagliata? Perché se intervengono nel mezzo, toccano la previsione o sovrascrivono la decisione, è come se le risorse venissero consumate invece di essere investite. Prima di tutto devi guardare i modi in cui puoi migliorare questa robotizzazione perché se lo fai manualmente, stai perdendo tempo.

E dovresti partire dalle decisioni, a proposito, non dalla previsione. Perché se avessi una MOQ di 100 unità e tu venissi da me e dicessi: “Oh, ora ho una previsione migliore. Invece di 50 unità di domanda, ce ne sono 55”. Beh, ho comunque una MOQ, quindi dal mio punto di vista, entrambe le previsioni sono in qualche modo irrilevanti nonostante il fatto che sì, una sia più accurata. Sto comunque prendendo la stessa decisione e il fatto che hai investito più risorse nella produzione di una previsione potenzialmente più accurata, che è più costosa dal punto di vista computazionale. Quindi hai ottenuto una maggiore precisione nella previsione, ma nel complesso siamo in una situazione negativa perché stiamo ancora producendo la stessa decisione investendo più risorse.

Ecco perché sono contrario a toccare manualmente i passaggi del processo. Rivedi l’intera ricetta per migliorare l’automazione, renderla più robusta, più affidabile, più sana.

Sven Crone: È un peccato che non abbiamo avuto la discussione di Robert e Paul prima, che probabilmente stavano guardando il valore aggiunto della previsione perché abbiamo molte prove che, oltre ai metodi statistici avanzati, il giudizio può aggiungere un valore significativo.

E penso che la domanda che è stata posta oggi sia, può l’apprendimento automatico superare il valore aggiunto delle statistiche e del giudizio o è la stessa cosa? E poi penso che la domanda sul costo totale di proprietà sia una buona domanda, giusto? Quale è più efficiente?

Sono abbastanza sicuro che Nicolas abbia molti esempi che hai menzionato prima o che hai segnalato in cui stai effettivamente automatizzando tutto e sta aggiungendo più valore rispetto agli aggiustamenti basati sul giudizio. Ma passiamo alla prossima domanda forse.

Conor Doherty: Beh, in realtà è più un passaggio che è ancora una transizione di qualche tipo. È per spingere avanti, penso, a quella che è in realtà la domanda fondamentale perché, ascoltandoti, c’è quasi un disaccordo strumentale qui, ma c’è un accordo generale.

E in realtà verrò da te, Nicolas, per primo. Qualcosa che hai detto prima, hai detto, e di nuovo perdonami se parafraso, sto riassumendo, usiamo la previsione per prendere decisioni migliori. Ciò significa che la previsione è strumentale in un processo più ampio, il che solleva la domanda, dove risiede il valore?

Perché se stai usando la previsione come strumento per realizzare qualcosa di più grande, dov’è il valore? Il valore è nello strumento che costruisce la casa o è nella struttura della casa? La casa sarebbe la decisione in quell’analogia.

Nicolas Vandeput: Penso che tu abbia due domande importanti con la previsione. Hai la prima domanda, la tua previsione è accurata o no? E ancora una volta, potremmo avere un dibattito su come misurare l’accuratezza, dibattiti molto interessanti, non è il punto oggi. Immaginiamo solo che il primo passo sia valutare quanto accurata o buona sia.

La seconda domanda è, beh, in base a una previsione data, quanto brava è la tua azienda a prendere la decisione giusta? Ora, sfortunatamente, il team che fa queste cose sono team diversi con input diversi, output diversi, KPI diversi.

Non incolperei, dal punto di vista della supply chain, i previsionisti o le persone che fanno il motore di previsione per le cattive decisioni o per i KPI legati alle decisioni perché non hanno alcuna azione su questo. Allo stesso tempo, potresti avere una previsione molto cattiva e avere il decision maker che è stato fortunato o estremamente bravo a prendere buone decisioni nonostante una previsione cattiva.

Quindi potresti ottenere alcuni KPI molto interessanti, KPI aziendali. Di nuovo, potremmo discutere se un KPI è rilevante o meno, ma potremmo averlo in entrambe le direzioni. Quindi per me, quando voglio valutare una previsione, non guarderei all’esito aziendale. Guarderei solo all’accuratezza della previsione perché so che l’esito aziendale può essere influenzato da così tante altre cose che sono totalmente fuori dalle mani di chiunque faccia la previsione, sia esso un computer o una persona.

Ora, ciò che è molto interessante, e l’ho simulato per alcuni clienti, è che a seconda della qualità della tua previsione, di nuovo potremmo discutere su come misurare l’accuratezza, ma a seconda di quella e soprattutto a seconda del bias, ad esempio, sei molto positivamente influenzato, sottostimando, o hai uno strumento che è correttamente calibrato, spero, il motore di ottimizzazione della gestione della supply chain risultante potrebbe adottare politiche molto diverse.

Quindi la politica ottimale o il modo ottimale per prendere decisioni potrebbe cambiare a seconda della qualità della previsione. Ciò significa anche che se oggi passi da una previsione che sovrastima tutto perché il tuo processo è così politicamente influenzato a una previsione fatta effettivamente con l’apprendimento automatico, devi contemporaneamente rivedere come vengono prese le decisioni nella tua supply chain.

Le persone si affidano al processo, allo strumento, al motore. Storicamente, la previsione era sempre del 30% troppo alta. Quindi se cambi questo ora, devi anche cambiare il processo di approvvigionamento. Entrambi devono essere integrati. Ma dal punto di vista della supply chain, valuterei i KPI in modo indipendente il più possibile.

Conor Doherty: Grazie. Sven, cosa ne pensi? Solo per ribadire la domanda, se la previsione è uno strumento per realizzare qualcos’altro, dove attribuisci il valore? È nella qualità della decisione o nella qualità della previsione? Definiscile come preferisci.

Sven Crone: Penso che abbiamo già toccato questo argomento. Per me, la pianificazione della domanda, o seguendo la definizione di Gartner della pianificazione della domanda e il processo di Oliver Wight, lo stiamo guardando da un punto di vista industriale. Prendiamo le industrie farmaceutiche, le industrie di consumo, di solito guardano a orizzonti molto più lunghi rispetto a quello che stai guardando tu. Guardano, diciamo, da 6 a 18 mesi in avanti. Le decisioni costose sono quelle strategiche. Identifichi piani a lungo termine, identifichi previsioni, fai attività di chiusura del gap, cerchi di conciliare offerta e domanda su un orizzonte molto più lungo. Non hai informazioni promozionali, non hai informazioni sul meteo, non hai informazioni sulle interruzioni. Quindi questo va molto nella pianificazione basata su scenari e nella pianificazione end-to-end di scenari che devono materializzarsi in alcune posizioni di inventario.

Ma questa è una posizione a lungo termine. Se lo guardi, penso che la maggior parte delle industrie abbia ancora un periodo di congelamento di circa tre mesi. Voglio dire, stiamo guardando il periodo al di fuori di quello. S&OE, d’altra parte, che è stato recentemente adottato da Gartner, lo guarda in modo molto diverso. Quindi, per l’orizzonte a lungo termine, penso che la trasparenza, la comunicazione, siano cose importanti per prepararsi, sai, a cambiamenti di budget, a riallineamenti di budget, a conciliare volume e valore. È un processo molto aggregato. Stai guardando livelli elevati della gerarchia, stai guardando mercati, stai guardando canali, ma non stai guardando prodotti individuali.

Poi sei nel lavoro di tutti i giorni ed è S&OE. In S&OE, concordo, ci sono decisioni automatizzate, decisioni standardizzate, l’accuratezza è una cosa importante, la trasparenza è ancora importante, che spesso viene trascurata, o la robustezza. Ma penso che l'85% di tutte le presentazioni in questa conferenza parlino di accuratezza. C’è questa intera sessione sulla robustezza, che è bello vedere. Ma penso che l’innovazione più importante per misurare l’intero processo sia il valore aggiunto della previsione. Questo è davvero prendere i singoli elementi costitutivi e vedere come aggiungono valore. Questa è una visione molto incentrata sulla gestione perché vuoi investire risorse dove aggiungi valore.

Purtroppo, non abbraccia cose come la gestione dei dati principali. È difficile misurare questo. Non abbraccia cose come la pulizia dei dati, che penso sia fondamentale per ottenere qualcosa nella previsione statistica. E guarda alla fine verso l’essere umano. Ma abbiamo difficoltà a misurare il valore aggiunto perché come accuratezza della previsione, di solito ponderata per il costo e per il volume solo per vedere in generale, stanno prendendo le migliori decisioni con metriche di errore che gli accademici non toccerebbero. Ma quello a cui stanno guardando davvero è quale è il valore aggiunto. Ma abbiamo molti pianificatori della domanda che effettivamente scelgono un algoritmo statistico nello strumento. Possono sovrascrivere la scelta, ma quel valore è attribuito all’algoritmo statistico. Quindi penso che ci sia molto valore nel giudizio oggi e può essere misurato. E penso che la maggior parte delle aziende abbia adottato questo e il valore aggiunto è un buon strumento per questo. E ancora una volta, sto guardando a lungo termine e molto meno a breve termine, dove le prestazioni dell’inventario dovrebbero essere collegate e così via.

Conor Doherty: Ok, grazie.

Alexey Tikhonov: Penso che quando parliamo di cambiamenti nell’accuratezza delle previsioni, miglioramenti potenziali, e ci riferiamo al processo di valore aggiunto delle previsioni, siamo confusi nei termini perché il nome migliore sarebbe valore aggiunto dell’accuratezza delle previsioni, non valore. Perché quando parliamo di valore, per me, scatta immediatamente una prospettiva finanziaria. E la prospettiva finanziaria è guidata dalle decisioni. I risultati della tua attività dipendono esclusivamente dalle decisioni che prendi e da quanto bene le esegui. Quindi in questa prospettiva non c’è nient’altro coinvolto, solo decisioni e quanto bene le esegui.

Quando consideriamo le decisioni, ad esempio, ho una previsione numero uno, mi porta a prendere la decisione A e la previsione numero due è più accurata. So di quanto, conosco la differenza di accuratezza. Ma la domanda è, questa previsione diversa e più accurata mi porta a una decisione diversa? Se no, allora è inutile, nonostante sia più accurata. Quindi nonostante un valore apparentemente migliore, abbiamo un risultato finanziario negativo netto. E se la decisione è diversa, come valutiamo che questa discrepanza di decisione, come il cambiamento, come il passaggio dalla decisione A alla decisione B, quanto più profitto otteniamo rispetto alla differenza nell’investimento delle risorse? Per me, è una domanda aperta. Possiamo utilizzare entrambi i modelli di previsione per valutare i rendimenti potenziali di entrambe le decisioni, ma è comunque una questione di speculazione perché non abbiamo due universi alternativi per testare due decisioni. Alla fine dobbiamo sceglierne solo una.

E ancora di più, il valore della decisione non dipende solo dalla previsione in sé. Ci sono altre considerazioni come i fattori che guidano la decisione. Ad esempio, lavoriamo con Air France, la loro divisione MRO per i ricambi per gli aeromobili. E proprio di recente, abbiamo implementato un motore decisionale con loro e proprio di recente è stata effettuata un’acquisto di grandi dimensioni scatenato da un robot che ha acquistato diverse dozzine, credo, di unità di alimentazione ausiliaria per un aeromobile che complessivamente vale diversi milioni di euro. E le persone pensavano: “Oh, deve essere un errore”. Ma quando hanno iniziato a controllare, si è scoperto che qualcuno dall’altra parte ha commesso un errore e ha impostato il prezzo molto più basso rispetto al prezzo medio sul mercato. E il robot ha colto l’occasione e ha immediatamente eseguito gli ordini di esecuzione. Non ha nulla a che fare con l’accuratezza della previsione, ma questa decisione ha un valore enorme.

Quindi vedi, ci stiamo concentrando sull’accuratezza delle previsioni, ma ci sono così tante altre cose che possono influenzare il valore della decisione. Quindi penso che quando parliamo di valore monetario, non dovremmo concentrarci solo sulla previsione. Dovremmo guardare l’intero processo di come deriviamo le decisioni, cosa viene preso in considerazione, qual è il nostro processo decisionale, quali cose sono importanti, quali cose sono di secondaria importanza.

Sven Crone: Solo per aggiungere, sono d’accordo e hai già menzionato questo nella prima fase, che dovrebbe esserci una decisione sull’inventario e poi dovresti valutarla sulle decisioni sull’inventario. E penso che sia giusto dire che, in ambito accademico, la maggior parte delle persone ha adottato questa pratica come buona pratica o come pratica minima. Quindi se guardi le riviste di economia della produzione e ISER, la società dell’inventario, quella è una buona pratica. Vedrai parecchie presentazioni di accademici qui che effettivamente misurano il costo delle decisioni sulle curve di trade-off rispetto al livello di servizio e ai tempi di consegna e forniscono effettivamente il costo dell’inventario associato ad esso. Questo è qualcosa che non vedo affatto nella pratica.

È molto difficile farlo nella pratica, è difficile farlo, ma è possibile. Devi fare delle ipotesi, ovviamente. La supply chain è complessa, ma sono pienamente d’accordo con te. Il costo delle decisioni dovrebbe essere buono. Ma questo risale a Granger 1969, funzioni di perdita asimmetriche. Di solito non abbiamo il costo delle decisioni, quindi dobbiamo fare delle ipotesi. Quello che vedo come una grande lacuna, e forse una omissione, è che questa comunità non è stata in grado di stabilire il collegamento tra l’accuratezza delle previsioni, come vuoi misurarla, e il costo delle decisioni ad essa associate.

Quindi abbiamo effettivamente avuto un progetto di ricerca. Ci sono pochissime aziende, Johnson and Johnson lo ha rilasciato in passato. Quindi un punto percentuale di accuratezza delle previsioni, di solito è il MAPE ponderato per il costo, equivale a 8 milioni di dollari statunitensi in inventario di beni finiti e costi di produzione accelerata dei centri di distribuzione e così via. Quindi avevano una linea intera su come hanno stabilito questo. Di recente abbiamo presentato qualcosa in cui abbiamo fatto una simulazione dal basso verso l’alto con TESA. Ci sono alcuni calcolatori sul web che non mi fido del tutto, ma penso che sia una cosa importante, che gli errori di previsione sono costosi, solo dalla decisione sugli stock di sicurezza e sull’inventario nel passo successivo immediato, senza nemmeno arrivare alla pianificazione della produzione e all’approvvigionamento di materie prime e alle decisioni a lungo termine.

Quindi penso che sia una vera omissione. Ecco perché penso che i team di pianificazione della domanda nelle aziende siano ancora troppo piccoli. Se sapessero quanto sono costose le loro decisioni, quanto è preziosa la previsione, vedremmo molte più risorse lì. Ma, a proposito, TESA, era approssimativamente, ovviamente, dipende dalle dimensioni dell’azienda, era, non ci è permesso dire il numero, è una Bugatti Veyron. Le Bugatti Veyron hanno un prezzo piuttosto rigido, quindi sono 1,5 milioni per ogni punto percentuale di accuratezza nell’inventario, traduzioni dirette. E stiamo lavorando con altre aziende ora per stabilire questo, date le modelli di inventario inferiori. Ma questa è una cosa davvero importante. Stai risolvendo il problema direttamente e mostrando loro il costo delle decisioni. Ma quando il processo è disaccoppiato, puoi ancora farlo. E penso che sia il tassello mancante. Ma sono completamente d’accordo. L’inventario o il costo delle decisioni sarebbe ideale. L’inventario è un collegamento diretto che può essere fatto e deve essere fatto ed è fatto dagli accademici.

Conor Doherty: Voglio andare avanti e collegare alcuni punti che sono stati sollevati, in particolare riguardo alle ipotesi. Voglio dire, le ipotesi, se è un’ipotesi fatta da un pianificatore della domanda come, “Oh, questo è sbagliato, devo fare una sovrascrittura manuale”, quella è un’ipotesi. Un’ipotesi viene inserita nella costruzione di una previsione o di un modello automatico. Quindi, voglio dire, sono distinzioni. Le rose con un altro nome, ma la mia domanda è, è ragionevole aspettarsi, per la direzione, quindi per le persone senza formazione nelle cose di cui stiamo parlando oggi, di avere lo stesso livello di fiducia nell’automazione, come una previsione generata automaticamente, rispetto a una previsione che è passata attraverso la tua scrivania, ad esempio? E mi scuso, o la scrivania di Nicolas, o di Alex.

Nicolas Vandeput: Se non ti dispiace tornare alla mia diapositiva, la domanda più comune, se la riassumo in poche parole, è “Come posso fidarmi dell’apprendimento automatico?” E potresti sostituire l’apprendimento automatico con strumenti statistici. Mi piace cambiare questa domanda in “Sì, ma come ti fidi degli esseri umani?” Perché le persone dicono, “Ok, Nicolas, come posso fidarmi di te? Come posso fidarmi del tuo apprendimento automatico?” E io dico, “Come puoi fidarti del tuo team?” E penso che questa sia la vera domanda. E c’è solo un modo per tracciare e rispondere a questa domanda. Si chiama valore aggiunto della previsione. E l’idea è davvero, cercherò di spiegarla in poche frasi ancora. Vuoi tracciare l’accuratezza di ogni singolo passo nel tuo processo. Potrebbe essere un essere umano, potrebbe essere una macchina, potrebbe essere informazioni dal tuo cliente, la previsione proveniente dal tuo cliente. Ogni singolo passo, traccerai l’accuratezza prima del passo e l’accuratezza dopo il passo.

Mentre fai questo, e consiglierei anche di confrontare l’accuratezza complessiva del tuo processo con un benchmark statistico, che potrebbe essere qualsiasi modello semplice che puoi trovare gratuitamente. Mentre fai questo settimana dopo settimana, mese dopo mese, giorno dopo giorno, a seconda del tuo orizzonte, puoi realmente dimostrare che una parte del tuo processo, che potrebbe essere umana o potrebbe essere una macchina, sta aggiungendo valore ed è accurata. Questo è l’unico modo per farlo. E oserei dire, se non lo fai, è come se non avessi la luce accesa nella stanza. Sei al buio. Non hai idea.

E quando vengo contattato da aziende che vogliono avviare progetti di miglioramento della pianificazione della domanda, la prima domanda è: “Tracci il valore aggiunto della previsione?” Perché se non lo fai, non c’è modo di sapere se il mio modello sta aggiungendo valore e se stiamo facendo bene o male. Quindi questo è il primo passo per rispondere alla domanda “Come sai se posso fidarmi dell’apprendimento automatico?” È la stessa domanda di “Come sai se posso fidarmi degli esseri umani?” E la risposta è, devi tracciare il valore aggiunto della previsione.

Alexey Tikhonov: Penso che passare alle decisioni sia importante. Come posso fidarmi di una previsione? Non so se una previsione è buona o cattiva a meno che non veda quale decisione raccomanda, quali decisioni posso trarre da questa previsione. E da questo punto di vista, gli esseri umani, i professionisti, spesso hanno un’intuizione molto buona. Se produci decisioni folli, te lo faranno notare e ti diranno perché. Ad esempio, se il tuo ordine di acquisto è troppo grande, ti diranno quale dovrebbe essere, qual è il valore approssimativo per un buon acquisto e perché pensano in questo modo. Quindi, tracciare l’accuratezza della previsione, sì. Coinvolgere gli esseri umani nel processo di sovrascrittura delle previsioni basate sul giudizio, come ho già detto, è uno spreco, perché queste sovrascritture hanno tempi di scadenza molto brevi.

Puoi sovrascrivere, ma non dura per un altro anno. Probabilmente avrà un impatto sul tuo prossimo ordine di acquisto, ma non su quello successivo. Quindi, coinvolgi una risorsa molto costosa, una risorsa molto poco affidabile, perché dovremmo anche discutere, non abbiamo tempo, ma dovremmo anche discutere quale sia il processo dietro queste sovrascritture basate sul giudizio. Sono di natura semi-quantitativa. Non c’è un processo rigoroso come per le previsioni generate automaticamente, dove possiamo ispezionare e decomporre e vedere cosa non va se c’è qualcosa che non va. Quindi, devi automatizzare il più possibile. E come guadagni fiducia? Beh, allo stesso modo in cui ti fidi della tua applicazione del meteo. Se produce previsioni coerenti, se dice che c’è una forte probabilità di pioggia e, sì, la maggior parte delle volte piove quando dice che pioverà. O tecnologie diverse come i filtri antispam.

Pensa a quando sono stati introdotti nei client di posta elettronica. Controllavamo frequentemente la cartella dello spam perché la percentuale di email erroneamente classificate era piuttosto alta. Oggi vado nella cartella dello spam solo quando so che una persona che non è ancora nella mia lista dei contatti mi ha inviato un’email e non l’ho ricevuta. E vado e, sì, è lì, e clicco che non è spam, e non andrà mai più nello spam. Vedi, quindi la fiducia si guadagna nel tempo e hai bisogno di un processo. Lo chiamiamo ottimizzazione sperimentale, quando affini questo motore decisionale. Una volta che inizia a produrre risultati coerenti, tutto ciò che devi fare è monitorare le metriche. Sì, monitori l’accuratezza delle previsioni. Se cambia drasticamente, hai bisogno di un ingegnere per ispezionare con gli operatori cosa sta succedendo dietro le quinte. Ma non dovresti mai toccare, non dovresti mai intervenire manualmente in questa pipeline decisionale. Vuoi sistemare ciò che è rotto e poi lasciarlo funzionare, più o meno come fai con le macchine. Fai la manutenzione e poi guidi la tua auto.

Sven Crone: Sì, penso che la fiducia sia una domanda importante, giusto? Voglio dire, guardando indietro negli ultimi 10, 20 anni, molte aziende hanno cercato di andare in produzione, ad esempio, nel contesto delle previsioni con previsioni statistiche. E perché c’è tanto scetticismo? Perché così tante aziende hanno iniziato e interrotto, iniziato e interrotto, iniziato e interrotto? Sappiamo tutti dell’overfitting. Sappiamo tutti come eseguiamo questi esperimenti in un ambiente controllato con tutte le variabili future in cui devi fare molta attenzione a progettare le cose in una prova di concetto, quindi in uno studio pilota, eseguendo parallelamente piuttosto che bruciare tutto. E in effetti, la maggior parte, intendo con così tanti gradi di libertà e metaparametri e così tanti indicatori principali che possono infiltrarsi in qualsiasi decomposizione, è molto, molto facile promettere un livello di precisione che non si materializza successivamente. Abbiamo promesso una certa precisione, e poi è arrivato il COVID, e la direzione non capiva perché non stavamo raggiungendo quel livello di precisione. Per noi era chiaro. Per loro no. Ma dico, sai, la fiducia è stata persa.

La fiducia, secondo me, in generale, l’accettazione della tecnologia è un argomento nei Sistemi Informativi, giusto? L’accettazione della tecnologia è un grande problema. Ci sono intere conferenze che analizzano come si può trasmettere questo concetto. E penso che un modo sia legato all’accettazione generale della tecnologia. Come, sai, la maggior parte di noi sarà scettica se si sale su un’auto senza conducente a San Francisco, almeno le prime volte. Forse no, ma forse tra 20 anni tutti saranno felici di farlo. Quindi è quello che hai detto, sai, l’usabilità, non succede nulla e così via, ed è così che puoi costruire la fiducia. Devi anche comunicare le cose. Ma non penso che la risposta sia l’AI spiegabile. Tutti continuano a spiegare che l’algoritmo deve spiegarsi da solo. Voglio dire, ho cercato di spiegare a fatica cosa fa un fattore gamma di 0,4 su 12 indici stagionali che cambiano nel tempo, giusto? Nessun manager capisce questo. Ma il dirigente in cima deve avere, sai, deve prendere la decisione alla fine. Si fida di questo investimento significativo in inventario? Si fida del suo team che lavora in modo efficace ed efficiente?

E penso che per questo abbiamo perso molta fiducia nelle statistiche, forse con alcune implementazioni di software inferiori che erano all’avanguardia all’epoca, ma che non hanno, alcune di esse sovradimensionate in un solo passaggio. Molte prove qui sulla selezione del modello. Quindi molte di queste innovazioni non sono state adottate, ma piuttosto da aziende più giovani e innovative. Un passo intermedio che abbiamo visto funzionare per costruire fiducia nella medicina, ad esempio, è uno studio di caso incredibile sulla rilevazione del cancro al seno dalle immagini. E la macchina, l’algoritmo, erano significativamente più accurati e con un tasso di veri positivi molto più alto, un tasso di falsi positivi molto più basso, sai, con un costo incredibile per le vite individuali associate ad esso. E i medici non lo avrebbero adottato. Solo negli anni ‘80, non hanno adottato alcuni dei processi decisionali perché non si fidavano. Si fidavano di più di se stessi che degli altri.

Le soluzioni che stiamo sviluppando ora, quando l’IA può correggere gli outlier, ma in realtà mettiamo in evidenza l’outlier nel piano della domanda. L’IA può selezionare il modello, ma preferiamo evidenziare la classifica di ciò che riteniamo significativo. Cerchiamo di spiegare ciò che vediamo nei dati, quindi pensiamo che sia altamente stagionale e che ci sia una perturbazione. Quindi questa cosa aumentata anche per i medici, invece di darti una classificazione, in realtà evidenziava sull’immagine dove probabilmente veniva rilevato il cancro e non solo ti dava una risposta vera o falsa, cancro o no, ma ti dava una probabilità che questo fosse un cancro che permetteva in situazioni critiche di tempo di ordinare per probabilità e guardare solo quelli che sono chiaramente cancro e quelli che non sono chiaramente cancro, ma guardare quelli che erano incerti. Ed è lì che i medici potevano effettivamente utilizzare l’esperienza e improvvisamente hanno avuto una grande accettazione.

Quindi penso che abbia molto a che fare con il design dei sistemi, il design del processo decisionale e non è tutto automatizzato perché abbiamo ABC e XYZ e nuovi prodotti e prodotti finali, sai, non puoi automatizzare, non dovresti automatizzare tutto, ma automatizzare alcune parti con l’IA, automatizzare altre parti con metodi molto semplici che sono trasparenti forse, e automatizzare altre parti con algoritmi che sono robusti. Ma penso che per ora, per il livello attuale di accettazione e scetticismo nei confronti della tecnologia, anche se tutti amiamo GPT per pianificare la nostra prossima festa di compleanno, penso che probabilmente l’IA aumentata sia un buon passo per ottenere l’accettazione e poi possiamo automatizzare completamente con l’IA.

Conor Doherty: Commenta su questo. Beh, solo per tornare su questo perché entrambi avete sollevato punti molto validi. Ma voglio solo analizzare uno dei confronti lì. Quindi, penso che Alexey, tu hai dato l’esempio di utilizzare un’app di previsioni del tempo, che è, voglio dire, la meteorologia, la base della meteorologia è stata la previsione probabilistica per molto tempo. E poi l’hai confrontato con un veicolo autonomo, o almeno l’hai confrontato indirettamente. E penso che prenderemo questo e cercheremo di porre una domanda. Quindi, usando l’esempio di Alex, se a tutti in questa stanza fosse detto che dovete fare una vacanza la prossima settimana, la vostra unica destinazione è Bermuda. La previsione del tempo dice che la prossima settimana ci sarà uno tsunami. Paghereste con i vostri soldi? Investireste finanziariamente il vostro tempo, sforzo ed energia per volare a Bermuda? La maggior parte delle persone direbbe di no. Ora prendete quella stessa prospettiva, che è la finanza e la previsione probabilistica, mettete tutte le stesse persone in un’azienda e dite loro ecco una lista prioritizzata di decisioni regolate dal rango, regolate dal rischio che è stata generata da un algoritmo. Oh, no assolutamente no, non mi fido di questo. Quindi, di nuovo, è una mancanza di fiducia selettiva? I tuoi commenti.

Alexey Tikhonov: Posso fare un breve commento. Penso che il vero problema con la resistenza degli esseri umani all’adozione di nuove tecnologie in generale, quando parliamo di automazione, sia la paura di diventare irrilevanti e sostituiti. E in realtà, quello che di solito accade è esattamente il contrario. Sì, automatizziamo alcune parti in cui gli esseri umani non sono finanziariamente efficienti. Ad esempio, prima avevamo traduttori per molte lingue per tradurre il nostro sito web perché pubblichiamo molto e cumulativamente abbiamo probabilmente speso circa 400.000 euro nel corso degli anni. E ora, ogni volta che pubblichiamo qualcosa, viene tradotto tramite LLMs.

Abbiamo programmi che prendono una pagina in markdown come input e producono una pagina in markdown con tutta la sintassi markdown, i codici brevi, tutto rimane intatto e solo le parti rilevanti vengono tradotte in altre lingue. I costi sono diminuiti enormemente, sono diventati 100 volte più economici. Quindi, dovremmo pagare 100 volte di più a un traduttore umano? No. Ora, abbiamo ancora bisogno di traduttori umani? Sì, ad esempio se si vuole redigere un documento legale, è meglio utilizzare un traduttore umano perché una singola parola, una singola virgola potrebbe costare una quantità enorme di denaro. Quindi, abbiamo ancora bisogno di traduttori umani? Sì, ne abbiamo ancora bisogno, ma in aree diverse e probabilmente ci sarà più bisogno di traduttori umani in questo campo legale rispetto a prima.

E lo stesso vale per le supply chain. Ad esempio, ci sono intere aree che rimangono intatte a causa della mancanza di risorse umane disponibili. Ad esempio, molto spesso quando si vuole effettuare un ordine, non si sa in anticipo se c’è una quantità minima ordinabile, quindi è necessario recuperare queste informazioni. Si possono utilizzare esseri umani, si può utilizzare un copilota come IA, ma è comunque necessario un essere umano per recuperare alcune informazioni che sono scarsamente strutturate per alimentare il motore decisionale in modo che produca una decisione conforme alla quantità minima ordinabile. Quindi, penso che abbiamo ancora bisogno di esseri umani solo per diversi tipi di compiti che si evolveranno.

Sven Crone: Penso che tu abbia menzionato una parte importante quando si tratta dell’accettazione di alcune di queste tecniche di traduzione automatica perché sono state utilizzate da molto tempo. IBM ha utilizzato le reti neurali già nel 1982, giusto? Quindi, sono state lì, ma il tasso di traduzione o il tasso di errore era intorno al 90% di identificazione. Quindi, un essere umano avrebbe dovuto intervenire e modificare molte lettere, molte parole. Ogni decima parola sarebbe stata sbagliata e questo significava che era inaccettabile perché era al di sotto di una soglia considerata sufficientemente buona.

E ora, se si sta ottenendo questa precisione non necessariamente a livello umano ma si supera una soglia, allora si ha improvvisamente una massiccia adozione della tecnologia. Nelle previsioni, siamo piuttosto colpevoli di questo perché abbiamo visto implementazioni con un uso negligente di modelli moltiplicativi su serie temporali con zeri. E se si hanno 10 esempi su 100 serie temporali che esplodono una volta all’anno, non si ha accettazione perché la fiducia è andata.

Quindi, è necessario raggiungere la robustezza per consentire l’automazione. Quindi, penso che sia un buon punto. E abbiamo sempre cercato di costruire modelli accurati piuttosto che modelli robusti che non funzionano bene. Le reti neurali hanno sempre questo problema. Inoltre, penso che siamo tutti influenzati perché ci adattiamo abbastanza bene alla tecnologia, non tanto quanto ad esempio mio fratello minore che adora la tecnologia. Quindi, c’è anche una considerazione di età. Ma cosa genera fiducia? Penso che in una riunione del consiglio di amministrazione di alto livello, so che una grande azienda di software sta effettivamente esaminando attivamente i modelli LLM e c’è stata una decisione recente. Penso che Eric Wilson dell’IBF, l’Istituto di previsione aziendale, abbia un blog e sono abbastanza schietti riguardo all’IA che non prende il controllo del processo di pianificazione della domanda e che tutti manterranno il proprio lavoro.

Ma di recente ci sono stati esempi in cui effettivamente in una sala riunioni, un modello LLM addestrato sulla maggior parte delle conoscenze che sono state inserite, le informazioni promozionali, le interruzioni, la supply chain, alla fine c’era una previsione e il CEO ha chiesto al modello LLM perché era così. E le persone avevano opinioni diverse. Il marketing aveva un’opinione diversa, la finanza aveva un’opinione diversa. Il modello LLM era l’unico in grado di fornire un argomento comprensibile del perché quel numero fosse corretto. E penso che ci sia un altro pregiudizio lì, ma se si può raccontare una storia significativa su queste cose, le persone si fidano di questo. Quindi, questo introduce anche la fiducia, anche se è sbagliato.

Quindi, penso che essere in grado di argomentare il motivo per cui è così per un pianificatore della domanda in un contesto di mille prodotti, seduto lì con il CEO per argomentare in modo esaustivo perché si pensa che tra sei mesi sarà il doppio, non si ricorda. Si è stati occupati tutto il mese a lavorare su tutti questi numeri, a tagliarli e sminuzzarli, a tradurli in valore, e poi a ottenere aggiustamenti dall’alto verso il basso per canale, e alla fine si ha un numero che esce. Ma il modello LLM è stato in grado di argomentare a favore di quello e penso che sia lì che probabilmente vedremo chi dirà che un modello LLM non può leggere tutte le riunioni di vendita e di account chiave, non può ottenere tutte le informazioni sul funnel, può giustificare il funnel, può allinearlo con i valori di fornitura e può effettivamente proporre un aggiustamento migliore di un essere umano perché può gestire molti più dati. Penso che sia lì che potremmo superare la fiducia e andare direttamente all’accuratezza. Ma ci sono prove che questi possono fornire fiducia perché possono finalmente spiegare cosa sta succedendo.

Nicolas Vandeput: Quindi, vedo una domanda interessante e penso che abbiamo finalmente trovato il nostro argomento su cui sarei in disaccordo.

La prima cosa che vorrei affrontare è la gestione del cambiamento riguardo all’adozione del machine learning per la previsione. Come con qualsiasi tecnologia, ci sono persone che si oppongono totalmente e altre che sono più favorevoli. E lo vedo su LinkedIn ogni volta che pubblico, ricevo sempre alcune persone dalla stessa parte che dicono che questo non funzionerà mai, io non lo farei mai. Sai cosa, ho smesso di cercare di convincerli. Va bene, rimanete dove siete e io lavorerò con le persone che vogliono migliorare le supply chain.

Ora, ho visto diversi clienti, ho visto grandi leader, ho visto leader mediocri, ho visto leader scadenti. Per me, se vuoi implementare con successo un processo automatizzato, e possiamo discutere della pianificazione della domanda tramite machine learning ma potremmo discutere di qualsiasi processo, hai bisogno di essere un leader che nella stanza dia una visione chiara a tutti su quale sarà il loro ruolo in futuro. Torno alla pianificazione della domanda ma questo si applica a qualsiasi processo. Se dici al tuo pianificatore della domanda, il tuo lavoro e ti pago per modificare e regolare i modelli di previsione, è quello che le persone faranno. E deve cambiare. Deve cambiare in modo che il tuo lavoro sia assicurarti che i dati che vanno nel motore di previsione della domanda siano il più buoni possibile e il tuo lavoro sia trovare informazioni oltre a quelle fornite al modello e, se necessario, arricchire la previsione in base a quelle informazioni. Se non lo dici, le persone continueranno a modificare la previsione giorno dopo giorno perché semplicemente sentiranno che se non lo fanno, non possono giustificare il loro stipendio. Quindi, ancora una volta, per l’adozione, è estremamente chiaro che dobbiamo dare un quadro chiaro che, ancora una volta, si collega alla mia diapositiva con la revisione basata su insight e la raccolta di insight e così via, su cosa le persone dovrebbero fare.

Ora, qualcosa che vorrei aggiungere è questa spiegabilità. Penso che sia un argomento aperto e sto crescendo anche io su questo, ma direi che per me la spiegabilità non è affatto necessaria. Non so come funziona una macchina, la uso comunque e non ho mai cercato di inviare una email a Mercedes per dire che non la userò mai più se mi spiegate come funziona. Non farei mai una cosa del genere. Non so come funziona internet, non so come funziona questa cosa, non ne ho idea, ma lo uso comunque.

Se una supply chain si basa sulla spiegabilità o sulla narrazione o sulle storie per utilizzare la previsione e fidarsi della previsione, non sarai mai in grado di scalare perché significa che la tua supply chain e il tuo processo si basano sul fatto che qualche essere umano abbia delle capacità persuasive per influenzare altre persone a utilizzare la tua previsione perché hanno una bella storia. Per me, devi fidarti della previsione perché l’accuratezza, comunque tu la misuri, è affidabile e nel tempo è stata accurata o la decisione è stata significativa nel tempo. Ti fidi delle cose, ti fidi dei processi, delle persone, dei modelli perché quantitativamente è fantastico, non perché la storia ha senso. Se vai solo per la storia, sarà un fallimento. Ho visto io stesso così tanti consulenti vincere progetti perché la storia aveva senso e poi non hanno mai portato alcun valore perché una volta che fai il modello, non crea alcun valore. Ma la storia è bella, quindi è per questo che cercherei di stare il più lontano possibile dalla storia.

Conor Doherty: Altri commenti? Non c’è obbligo.

Alexey Tikhonov: Alcune parole sulla spiegabilità e sulla comprensione di ciò che sta accadendo, come vengono prese le decisioni, come vengono prodotte le previsioni.

Posso parlare solo di ciò che facciamo in Lokad. Affrontiamo i problemi con il principio della correttezza progettuale. Uno dei problemi che sappiamo che le persone avranno è la mancanza di fiducia perché non capiscono come funzionano le cose. Ecco perché utilizziamo quello che chiamiamo un elemento di “white boxing”. Quando possibile, utilizziamo modelli espliciti in cui si capisce cosa significano i parametri, invece di qualche ingegneria delle caratteristiche oscura. In questo modo, le persone possono comprendere cosa sta succedendo. Questi modelli non sono drasticamente difficili da comprendere. Invito il pubblico a guardare la nostra partecipazione alla competizione di previsione M5. Il team di Lokad è stato classificato al primo posto nella sfida dell’incertezza. Se guardi la lezione tenuta dal nostro CEO, Joannes Vermorel, vedrai che il modello è piuttosto semplice. Sarai sorpreso di come questo modello semplice possa ottenere risultati all’avanguardia.

Non è necessario utilizzare l’intelligenza artificiale all’avanguardia per ottenere un ulteriore percentuale di precisione delle previsioni. Nella supply chain, si desidera essere approssimativamente corretti, non precisamente sbagliati. Ecco perché scegliamo, ad esempio, metodi probabilistici perché possono mostrarti la struttura dell’incertezza e quando hai driver economici, puoi tradurre questa struttura di incertezza nella struttura dei rischi finanziari e puoi prendere decisioni ben ponderate che sono corrette dal punto di vista del rischio, invece di alcune decisioni che sono classificate in base al raggiungimento di un obiettivo di livello di servizio.

Penso che le persone possano comprendere la storia di alto livello, come cosa fai e perché lo fai. Ma a un livello più basso, se sono curiose, possono anche farlo, ma è quasi insignificante una volta compreso il livello superiore. Una volta che vedi che le decisioni sono sensate, perché vuoi scendere? Ad esempio, di solito le persone usano i computer, ma non sono interessate alle allocazioni di memoria, come la tua memoria ad accesso casuale sfrutta i calcoli. Nessuno è interessato a questo. Lo stesso vale per i chip informatici nella tua auto. Sì, hai un robot che gestisce il cambio delle marce, ma di solito nessuno è interessato a questo. Non è rilevante. Non renderà la tua guida più sicura se lo sai.

Conor Doherty: In realtà stavo per chiedere delle considerazioni conclusive. Sembra che tutti siate concordi nel ritenere che capire il “come” di queste metodologie sarà al di là delle competenze della maggior parte delle persone se non hanno la formazione necessaria. Il “cosa”, come ad esempio una maggiore precisione o una migliore decisione, è comprensibile. Ma prima di concludere, forse solo 30 secondi per chiudere. Cosa vedete come futuro dei pianificatori della domanda? Perché ancora una volta, posso già immaginare la vostra risposta, ma in termini di Nicolas e Sven, sembrate, e non voglio mettere parole in bocca a nessuno, ma in precedenza sembrava suggerire, “Beh, non siamo ancora arrivati a un’automazione completa end-to-end di ottimizzazione.” Dal vostro punto di vista, ok, allora, qual è il futuro dei pianificatori della domanda? Ci sarà un posto per loro tra 5 anni, 10 anni, eccetera, eccetera?

Sven Crone: Credo che guardando la disponibilità dei dati e il tasso di adozione della tecnologia, ci sarà sicuramente un lavoro per i pianificatori della domanda per molto più di cinque anni. Ne sono abbastanza sicuro. Anche perché la pressione per la ristrutturazione delle aziende o per l’innovazione non è così grande. Se guardi tutte queste iniziative di digitalizzazione, giusto, la maggior parte delle aziende non ha nemmeno uno storage cloud. Voglio dire, è sorprendente come alcune delle più grandi multinazionali d’Europa siano riuscite a operare così bene.

Quindi, è probabilmente merito delle persone straordinarie che ci sono. Ma vedo anche che, ma a lungo termine, penso che stiamo rischiando davvero se non adottiamo, se i fornitori di software non adottano, se non automatizziamo, se non supportiamo decisioni, decisioni significative come la correzione della storia, non lo fai, sai, e hai, penso che la spiegabilità sia importante, non per capire, “Così funziona una rete neurale,” ma, “Queste sono le variabili di input che sono state inserite in questa,” e può rispondere a una domanda, “Hai considerato che la promozione è stata spostata dalla settimana 5 alla settimana 12?” Penso che queste siano le domande a cui devi rispondere. Sono domande molto più semplici.

Ma penso che a lungo termine, con sempre più dati disponibili, sarà molto difficile per i pianificatori della domanda. Poiché la frequenza delle decisioni sta aumentando, stiamo passando da previsioni mensili a settimanali, fino ad arrivare a previsioni intra-settimanali per allinearsi anche con i rivenditori. Vedo molte più promozioni, molte più interruzioni che si verificano. Ci sono così tante interruzioni che diventerà praticamente, diventerà incredibilmente difficile per i pianificatori gestire così tante informazioni in un così breve lasso di tempo. E quindi, non penso davvero che a lungo termine saranno in grado di competere sul livello di precisione e affidabilità con i modelli di apprendimento automatico se tutti i dati sono disponibili.

Conor Doherty: Grazie, Sven. Le tue considerazioni finali, Nicolas.

Nicolas Vandeput: Per riassumere in un solo minuto, qual è il ruolo dei pianificatori della domanda nei prossimi anni, come si evolverà. Per me, queste sono persone che trascorreranno la maggior parte del loro tempo a raccogliere, raccogliere, strutturare, pulire dati, informazioni e intuizioni, alimentando la maggior parte di essi ai modelli di apprendimento automatico. Sarà automatizzato per prevedere la domanda e le informazioni, le intuizioni che non possono essere alimentate ai modelli di apprendimento automatico saranno comunque utilizzate da questi pianificatori per arricchire manualmente queste previsioni. Ma questi pianificatori non perderanno tempo a segnalare anomalie, correggere manualmente anomalie. Non perderanno tempo a regolare i modelli, a rivedere, a perfezionare i parametri dei modelli o cose del genere, o persino a selezionare i modelli. Per me, queste attività dovrebbero essere automatizzate al 100%. Gli umani non dovrebbero farlo. I pianificatori si concentreranno sulla ricerca, la raccolta e la pulizia di informazioni e intuizioni.

Conor Doherty: Grazie. E Alexey, le tue considerazioni finali?

Alexey Tikhonov: Penso che attualmente, la pianificazione della domanda stia occupando una nicchia di prodotti software chiamati sistemi di intelligenza perché ci sono tipicamente tre tipi di software aziendale: sistemi di registrazione, quelli sono ERPs e altri diversi sistemi transazionali; sistemi di report, queste sono applicazioni di business intelligence; e sistemi di intelligenza. Questo è un campo emergente. Questi sono i sistemi che possono automatizzare la presa di decisioni, come uno di quelli che Lokad sta fornendo ai suoi clienti. E attualmente, i pianificatori della domanda stanno cercando di competere con questo settore.

La mia comprensione è che a lungo termine non possono competere, perderanno. Perché? Perché gli esseri umani sono creature fantastiche, sono super intelligenti. Possono, se consideriamo una singola decisione, possono competere con un robot perché avranno sempre una visione migliore, qualcosa che un robot non conosce, come informazioni aggiuntive. Ma questo non è scalabile. Gli umani sono costosi. Stiamo parlando di catene di approvvigionamento di dimensioni immense, quindi non possiamo scalare questo. E questa è la ragione principale per cui, a lungo termine, saranno sostituiti. Per le stesse ragioni, come a Parigi, non abbiamo più portatori d’acqua, abbiamo l’acqua corrente. Perché? Perché è più economico. Sì, ci sono ancora alcuni paesi sottosviluppati in cui, nei piccoli villaggi, ci sono ancora persone che portano l’acqua in secchi perché, a causa delle economie di scala, l’acqua corrente non è ancora un’opzione. Ma anche in quei villaggi, ad un certo punto, avranno l’acqua corrente. Quindi, a lungo termine, non hanno posto. E al momento, alcune aziende si sono già liberate di loro.

Conor Doherty: Grazie mille a tutti sul palco per le vostre intuizioni e le vostre risposte. A questo punto, passerò la parola. Qualcuno ha delle domande? E correrò e passerò il microfono. Naturalmente, sarà proprio dietro. Ok, non dovrebbero esserci così tante file. Robert, quindi chi aveva le mani alzate?

Membro del pubblico (Bahman): Grazie a tutti. Mi chiamo Bahman e vengo dall’Università di Cardiff. Volevo fare un breve commento. Avete parlato di decisioni redditizie. Volevo solo sottolineare, e in realtà questo è un punto su cui Sven ha anche accennato riguardo allo spettro. Ci sono migliaia di supply chain che non riguardano il profitto. Quindi penso che sia importante tenerlo in considerazione.

La mia comprensione è che il panel fosse più focalizzato sulla supply chain, ma c’è tutto uno spettro di pianificazione della domanda. Se ci pensate, ci sono milioni di ospedali nel mondo che fanno pianificazione della domanda e si occupano di una o due o tre serie temporali. Quindi, la mia domanda riguarda di più quali sono le condizioni o i requisiti per creare decisioni automatiche, considerando che le decisioni si basano su una previsione come input. Ci sono molti altri input, alcuni potrebbero essere previsioni, ma la maggior parte probabilmente non lo sono.

Sven Crone: Cercherò di rispondere. Gli ospedali, ad esempio, hanno un ampio stock di riapprovvigionamento, prodotti importanti come il sangue, prodotti meno importanti, e così via, sapete, farmaci per il trattamento del cancro, alcuni di questi fatti su ordinazione, altri in magazzino. Penso che ci siamo concentrati molto, quindi la mia esperienza non riguarda ospedali o sistemi sanitari. Ci siamo concentrati molto sull’industria, sul lato industriale, sapete, intendo, quale industria, gestione della supply chain, logistica, che è probabilmente definita da Gartner, ora stiamo guardando a grandi aziende multinazionali che introducono questi processi ben definiti che sono stati provati e testati, che misurano il valore aggiunto delle previsioni.

Penso che tu abbia ragione, probabilmente si applica a molte altre industrie, farmacie, ospedali, e così via. Ma ho poche prove sull’adozione lì, ma penso che, sapete, per l’industria della supply chain logistica, che rappresenta circa un sesto del PIL globale mondiale, giusto? Quindi stiamo parlando di un sesto del PIL globale mondiale che è principalmente guidato da grandi aziende. Lì ci preoccupa molto la mancanza di innovazione riguardo a queste cose. Ma ciò non significa che non dovrebbe applicarsi ad altri luoghi.

Membro del pubblico (Bahman): Voglio dire, forse sarebbe meglio parlare di una catena di fornitura di servizi. Ad esempio, negli ospedali, si fa pianificazione della domanda per i servizi di emergenza. Non riguarda necessariamente i prodotti, ma il servizio stesso. Quindi, penso che la mia domanda riguardi di più la presa di decisioni automatica perché, come ho detto, c’è uno spettro, sapete, dai reparti di emergenza, che si occupano effettivamente di una sola serie temporale, e qui magari non si tratta di gestire milioni di migliaia di serie temporali. Quindi la domanda è, quali sono i requisiti per creare una presa di decisioni automatica?

Sven Crone: Penso che tu abbia ragione. È un argomento molto interessante, ci sono molte aree interessanti a cui noi della comunità delle previsioni non abbiamo prestato molta attenzione come ad altre, giusto? Se guardi i 10.000 articoli sulle previsioni con reti neurali, penso che la metà di questi riguardi l’elettricità, giusto? Ma ce ne sono pochissimi sul settore farmaceutico. Quindi è un buon punto. Penso che dovremmo prestare più attenzione alle cose importanti.

Conor Doherty: Mi dispiace interrompere, Nicolas, puoi rispondere alla prossima domanda. Voglio passare alla prossima domanda.

Membro del pubblico: Ciao, grazie per una discussione molto interessante. La mia domanda riguarda il ruolo del giudizio. Quindi la mia domanda è, ogni esperto ha giudizi diversi. Quindi c’è un modello di bias generato dal giudizio umano e c’è un modello di bias generato dai modelli di intelligenza artificiale o machine learning, che sia un modello statistico qualsiasi. Quindi abbiamo due tipi di bias, quello del giudizio umano e quello dei modelli statistici. Come possiamo incorporare il bias del giudizio umano nel bias statistico per ridurre il bias complessivo quando facciamo pianificazione della domanda? Grazie.

Nicolas Vandeput: Grazie per la tua domanda. È un caso comune nel mio lavoro con le supply chain. Una delle prime cose che facciamo è guardare come si è comportata storicamente la tua previsione. Se ha avuto un bias molto alto o molto basso, una sottostima o una sovrastima, alla fine si riduce sempre a una storia. Le persone fanno una sovrastima perché vogliono stare sul sicuro, molto probabilmente perché il processo di approvvigionamento non è buono e non sanno davvero come gestire le scorte. Quindi, anziché cambiare le politiche o gli obiettivi di stock di sicurezza, si affidano a previsioni molto alte. Forse hanno anche previsioni molto alte perché vogliono essere ottimisti, vogliono adattarsi al budget e così via.

D’altra parte, la sottostima potrebbe accadere perché le persone vogliono battere la previsione per ottenere un bonus. Quindi, di solito, se la tua supply chain crea un bias molto alto, è un problema di incentivi sbagliati o di processo di approvvigionamento errato e devi disconnetterlo, formare nuovamente le persone, migliorare il processo di approvvigionamento e forse rendere impossibile per alcune persone modificare la previsione se hanno un incentivo diretto a renderla alta o bassa. Questo riguarda la parte del processo, quindi dobbiamo fare affidamento sulle persone che non hanno incentivi a fare previsioni alte o basse.

Per quanto riguarda la parte del modello, se hai un modello che genera, nel lungo periodo, previsioni molto alte o molto basse, troppo alte o troppo basse, non sto dicendo che un mese sia sbagliato, ovviamente, sto dicendo che su più periodi hai lo stesso problema, molto probabilmente è un problema legato a come ottimizzi il tuo motore di modellazione e molto probabilmente è dovuto al fatto che l’indicatore chiave di prestazione (KPI) utilizzato per ottimizzare il modello non è quello giusto. Scommetterei che si basa sul MAPE, ma è un altro argomento.

Conor Doherty: Possiamo dare a Alexey la possibilità di un pensiero conclusivo perché dobbiamo finire presto.

Sven Crone: Voglio solo aggiungere qualcosa a quanto detto da Nicolas. Quando parliamo di LLM che potrebbero prendere il sopravvento sul giudizio facendo aggiustamenti giudiziosi, non siamo entrati molto nel dettaglio su come funziona. Ma ci sono molte prove in questi giorni che non hai un solo LLM per allenarti su tutti i dati per ottenere un solo valore. In realtà, li alleneresti su personae diverse. Avresti un LLM per la supply chain, un LLM per la finanza, un LLM per il CEO, un LLM per il marketing e un LLM per la gestione chiave dei clienti, tutti allenati su dati diversi. Spesso questi bias derivano da costi diversi associati alle decisioni per i clienti chiave rispetto alla supply chain. Ma spesso hai informazioni diverse e ciò che vedono effettivamente può portare a una migliore presa di decisione se hai agenti che effettivamente conversano tra loro e argomentano per un processo consolidato.

Non è raro vedere una buona pratica in S&OP in cui si raggiunge un consenso e quel consenso è più accurato della decisione di un singolo LLM. È davvero spaventoso perché i bias sono lì, le decisioni sono lì e poi c’è qualcuno alla fine che decide in base al peso delle informazioni. È spettrale.

Conor Doherty: Alex, l’ultima parola spetta a te e poi finiamo.

Alexey Tikhonov: Sulla stessa domanda, penso che il bias sia un problema prospettico di previsione puntuale. Tipicamente, perché si desidera che la previsione sia intenzionalmente distorta è perché la previsione è un po’ ingenua nel catturare la struttura del rischio. Si prevede lo scenario futuro più probabile e si assume che i residui del modello siano distribuiti normalmente, il che non è mai il caso. Ecco perché si introduce il bias che sposta la previsione verso dove è concentrata la maggior parte del rischio. Ad esempio, verso la coda destra, come si desidera prevedere la probabilità di non raggiungere gli obiettivi di livello di servizio e quindi si sposta il bias.

Quando si passa a una prospettiva probabilistica, non è più necessario questo bias perché ciò che si ottiene è un’opinione sul futuro che appare come questo futuro con questa probabilità, questo futuro con questa probabilità. Non appena si addestrano i parametri che catturano abbastanza accuratamente la struttura del rischio, tutto ciò di cui si ha bisogno è una prospettiva economica come costi, profitti e alcuni driver di ordine superiore come quelli che consentono di prendere decisioni di compromesso. Ad esempio, dovrei acquistare un’unità in più di questo bene rispetto a un’unità in più di questo bene perché il tuo budget è sempre limitato. Con una prospettiva probabilistica, non hai questo problema perché il bias non è necessario.

Conor Doherty: Su questa nota, sono consapevole che ora siamo un po’ oltre il tempo. Per chiunque voglia fare domande di approfondimento, cercheremo di farlo nell’angolo del palco. Ma ancora una volta, Sven, Nicolas e Alexey, vi ringrazio molto per aver partecipato e godetevi il resto della giornata. Grazie.