Dibattito Supply Chain - Il Forecast Value Added (FVA): una best practice o una perdita di tempo (con Jeff Baker) - Ep 171

00:00:00 Introduzione dei partecipanti al dibattito e del formato del dibattito
00:02:56 Osservazioni iniziali di Joannes
00:09:53 Osservazioni iniziali di Jeff
00:16:56 Replica di Joannes
00:21:47 Replica di Jeff
00:26:53 Osservazioni conclusive di Joannes
00:28:56 Osservazioni conclusive di Jeff
00:31:05 Domande di follow-up
00:48:36 Domande del pubblico
01:18:57 Riconsiderazione delle prospettive iniziali e delle conclusioni

Sommario

In un dibattito moderato da Conor Doherty, il tema “Il Forecast Value Added (FVA): una best practice o una perdita di tempo?” è stato esplorato da Jeff Baker e Joannes Vermorel. Jeff Baker, con una vasta esperienza in supply chain management, ha sostenuto il FVA, enfatizzandone il valore se applicato in modo corretto e strutturato, sottolineando l’importanza di affrontare i bias e sfruttare i contributi degli esperti. Al contrario, Joannes Vermorel, CEO di Lokad, ha sostenuto che il FVA può essere inefficiente, proponendo invece l’ottimizzazione finanziaria delle supply chain decisions tramite previsioni probabilistiche. Il dibattito ha evidenziato le opinioni contrastanti sul ruolo del FVA nella supply chain management, offrendo spunti per migliorare i processi decisionali.

Sommario Esteso

In un recente dibattito moderato da Conor Doherty, Responsabile della Comunicazione di Lokad e presentatore del canale YouTube LokadTV, il tema “Il Forecast Value Added (FVA): una best practice o una perdita di tempo?” è stato esaminato in profondità. Il dibattito ha visto la partecipazione di due figure di spicco nel settore supply chain: Jeff Baker e Joannes Vermorel.

Jeff Baker, che sostiene l’uso del FVA, è il Fondatore e Managing Director di Libra SCM, Course Lead del MITx MicroMasters in SCM, e Associate Editor di Foresight, l’International Journal of Applied Forecasting. Con oltre 25 anni di esperienza in supply chain management, Jeff parla e scrive frequentemente di Sales and Operations Planning (S&OP) e FVA.

Dall’altra parte, Joannes Vermorel, CEO e Fondatore di Lokad, una società software con sede a Parigi dedicata all’ottimizzazione finanziaria delle supply chain decisions, ha contestato l’uso del FVA. Joannes è noto per le sue numerose pubblicazioni su argomenti relativi alla supply chain e per le sue frequenti conferenze e dibattiti pubblici con leader del settore.

Conor Doherty ha iniziato il dibattito introducendo il tema e dando a ciascun partecipante l’opportunità di presentarsi. Dopo le presentazioni, ogni partecipante ha esposto le proprie opinioni sul FVA.

Jeff Baker ha sostenuto che il FVA è una pratica preziosa se applicata correttamente. Ha sottolineato che gli aggiustamenti alle previsioni dovrebbero essere guidati e strutturati. Secondo Jeff, tali aggiustamenti dovrebbero basarsi sulla direzione dell’aggiustamento (se in aumento o in diminuzione), sulla prevedibilità intrinseca delle serie temporali, e sulla portata dell’override. Ha evidenziato l’importanza di cercare incrementi sostanziali piuttosto che apportare piccole modifiche.

Jeff ha inoltre sottolineato la necessità di input strutturati, in cui le ipotesi siano chiaramente esplicitate e basate su nuovi dati che potrebbero non essere ancora stati modellati. Ha promosso un approccio proattivo per identificare e affrontare i bias, comprendere le motivazioni alla loro base e imparare dagli errori passati. Jeff crede che un buon giudizio si fondi sull’esperienza, la quale a sua volta nasce da giudizi errati. Collegando e validando le ipotesi, le organizzazioni possono affrontare problemi come l’over-forecasting dovuto a una mancanza di fiducia nella supply chain.

Inoltre, Jeff ha sostenuto che gli esperti in vendite e marketing sono più capaci di contestualizzare le informazioni rispetto ai Supply Chain Scientist. Ha suggerito che i contributi preziosi di tali esperti dovrebbero essere automatizzati nel tempo, pur riconoscendo che non viviamo in un mondo di dati puri infiniti. Pertanto, è essenziale raccogliere i dati giusti da varie fonti, tra cui produzione, vendite e marketing.

Joannes Vermorel, d’altra parte, ha contestato l’uso del FVA. Ha sostenuto che il FVA può essere una perdita di tempo e che non sempre conduce a decisioni migliori. Joannes ha enfatizzato l’importanza di concentrarsi sull’ottimizzazione finanziaria e di sfruttare le previsioni probabilistiche per prendere decisioni supply chain più informate in modo automatico. Ha affermato che affidarsi eccessivamente al FVA potrebbe portare a inefficienze e distrarre dall’attenzione verso aspetti più critici della supply chain management.

Il dibattito ha incluso domande di follow-up e uno scambio libero tra i partecipanti, permettendo loro di approfondire i propri argomenti e rispondere alle osservazioni reciproche. La discussione si è conclusa con una sessione di domande e risposte, durante la quale il pubblico ha avuto l’opportunità di inviare domande in diretta nella chat.

In sintesi, il dibattito ha messo in luce le diverse opinioni sul valore del FVA nella supply chain management. Jeff Baker ha sostenuto un approccio guidato e strutturato al FVA, enfatizzando l’importanza di imparare dall’esperienza e di affrontare i bias. Joannes Vermorel, invece, ha argomentato che il FVA potrebbe essere una perdita di tempo e ha sottolineato la necessità di ottimizzare finanziariamente le supply chain decisions anziché applicare override alle previsioni. Il dibattito ha offerto spunti preziosi sulle complessità delle previsioni supply chain e sui vari approcci per migliorare i processi decisionali in questo campo.

Trascrizione Completa

Conor Doherty: Benvenuti alla terza edizione dei Dibattiti Supply Chain di Lokad. Oggi ho il piacere di moderare un dibattito molto atteso tra Jeff Baker e Joannes Vermorel. Jeff insegna Supply Chain Dynamics al MIT Center for Transportation and Logistics ed è il fondatore e managing director di Libra SCM. Nel frattempo, alla mia sinistra, Joannes è il fondatore e CEO di Lokad. È un ingegnere dell’École Normale Supérieure in Francia e ha insegnato ingegneria del software lì per sei anni.

Ora, il tema del dibattito di oggi è “Forecast Value Added (FVA): una best practice o una perdita di tempo?” Jeff sosterrà che il FVA è, in effetti, una best practice, mentre Joannes sosterrà che è una perdita di tempo. Adesso, il più rapidamente possibile, cercherò di passare in rassegna i parametri del dibattito, le questioni organizzative, in modo da poter arrivare al nocciolo della questione.

Innanzitutto, ci saranno osservazioni introduttive, massimo 7 minuti ciascuno. Come concordato in anticipo, Joannes parlerà per primo. Successivamente, ogni relatore avrà una replica di 5 minuti. Seguirà una conclusione di due minuti per ogni relatore, a quel punto porrò alcune domande di follow-up. Queste domande possono essere inviate dagli spettatori in qualsiasi momento durante l’evento tramite la chat in diretta.

Ora, in preparazione al dibattito, entrambi i relatori hanno concordato la seguente definizione: Forecast Value Added (FVA) è uno strumento semplice per valutare la performance di ogni fase e di ogni contributore in un processo di previsione. Il suo obiettivo è eliminare gli sprechi rimuovendo processi e attività di qualsiasi tipo che non riescano ad aumentare la accuratezza delle previsioni o a ridurre i bias.

Quella definizione, così come i curricula completi di entrambi i relatori, sono in un documento Google aperto che potete trovare nella sezione dei commenti o nella chat dei commenti per questo video. Durante la sezione del dibattito, cronometro rigorosamente entrambi i relatori e li ricorderò cortesemente quando stanno per terminare il tempo con un modesto schiarimento di gola, al meglio. Ma consiglio a ciascuno di cronometrare se stesso in modo da sapere quando il tempo sta per scadere.

Quasi finito. I relatori devono rimanere completamente in silenzio durante il turno di ciascuno, quindi per favore non interrompeti a vicenda, almeno non durante la parte cronometrata. E infine, un po’ di autopromozione senza vergogna: mentre siete qui, se vi piacciono questi dibattiti e vi entusiasma ciò che facciamo, vi invito a iscrivervi al canale YouTube di Lokad e a seguirci su LinkedIn. Con ciò, il Forecast Value Added è una best practice o una perdita di tempo? Joannes, per favore, le tue osservazioni iniziali.

Joannes Vermorel: Prima di tutto, vorrei ringraziare Jeff per essere stato un bravo sportivo e aver accettato questo dibattito. In termini semplici, il FVA è uno strumento per monitorare gli aumenti e le diminuzioni dell’accuratezza. Ora, il FVA è una best practice? Affinché qualcosa possa essere considerato una best practice, deve, per definizione, riflettere la comprensione della comunità su quale sia il modo più efficace per raggiungere un determinato obiettivo. Tuttavia, la previsione non è un obiettivo in sé, né avviene in un vuoto.

La previsione è uno strumento che utilizziamo per raggiungere un obiettivo specifico. Alcuni potrebbero sostenere che l’obiettivo della previsione sia una maggiore accuratezza. Questa è una posizione fortemente contestata. A mio parere, la previsione è solo un altro strumento che ci aiuta a prendere decisioni aziendali migliori, cioè decisioni aziendali che generano maggiori profitti. Quindi la domanda è: il FVA, misurando gli aumenti o le diminuzioni dell’accuratezza, ci avvicina al raggiungimento dell’obiettivo di fare più soldi? Io non sono convinto, e per ora presenterò tre critiche a sostegno della mia tesi.

Prima di tutto, anche se il FVA non è stato originariamente concepito per facilitare la previsione collaborativa, il FVA fornisce, per sua natura, un quadro per misurare l’impatto sull’accuratezza della previsione collaborativa. Questo è importante. Il FVA non afferma che si debbano utilizzare le migliori pratiche di previsione. Il FVA serve a mostrare qual è l’impatto sull’accuratezza di qualsiasi cosa si stia facendo. Perché è importante? Beh, qual è la best practice nella comunità della previsione?

Negli anni ‘80, Spyros Makridakis ha organizzato una serie di competizioni di forecasting pubbliche (le competizioni M) per individuare quelle best practices. Dalla M4 nel 2018, queste competizioni hanno costantemente dimostrato la superiorità dei metodi algoritmici. Infatti, probabilmente il più grande esperto vivente in materia di capacità di previsione umana, Philip Tetlock, ha scritto che ogni volta che è disponibile un algoritmo di previsione, questo deve essere utilizzato. Il motivo? L’algoritmo fornisce invariabilmente una maggiore accuratezza rispetto al giudizio umano. Questo algoritmo e, ovviamente, l’esperto che lo utilizza rappresentano la best practice.

Quindi, se la previsione collaborativa e gli override manuali non sono la best practice, e dimostrabilmente non lo sono, allora le aziende che li misurano con il FVA non seguono una best practice e, sostengo, stanno perdendo tempo. Alcuni potrebbero dire: “ma Joannes, il FVA non promuove esplicitamente la previsione collaborativa o gli override manuali.” Va bene, ma è così che viene comunemente utilizzato, anche negli scritti di Jeff.

Tuttavia, la mia seconda critica si basa su un aspetto su cui il FVA è fondato, ovvero la prospettiva delle serie temporali. Il FVA richiede previsioni classiche basate sulle serie temporali, note anche come previsioni puntuali. Al minimo, il FVA propone l’uso di una previsione naïve, semplicemente una copia dell’ultimo dato registrato come punto di riferimento per confrontare gli override delle previsioni. Questa previsione invariata è una serie temporale. Ma le serie temporali sono una best practice? Ancora una volta, no. Le previsioni puntuali non sono solo strumenti di previsione incompleti; possono essere addirittura fuorvianti, ad esempio in scenari di alta varianza. Questo perché le previsioni puntuali non tengono conto dell’incertezza.

Infatti, la competizione M5 di forecasting includeva una sfida separata, la sfida sull’incertezza, che si concentrava sulle previsioni quantili, che Lokad ha partecipato e vinto a livello SKU, a proposito. In realtà, esiste già una classe di previsioni molto migliore, ovvero le previsioni probabilistiche. A differenza delle serie temporali, le previsioni probabilistiche non indicano un’unica situazione futura possibile, ad esempio, la domanda della prossima settimana. Invece, esse considerano tutte le possibili situazioni future e le rispettive probabilità. Perché è importante? È importante perché identificare tutti i possibili scenari futuri è essenziale per selezionare la scelta migliore possibile. Questo risulta fondamentale ogniqualvolta siano coinvolti rischi finanziari, il che accade continuamente per quanto riguarda le supply chains.

Tuttavia, il FVA non è compatibile con le previsioni probabilistiche. Perché? Perché le previsioni probabilistiche significano analizzare le distribuzioni di probabilità e non le serie temporali. E, ad essere onesti, le persone nelle vendite e nel marketing non modificheranno manualmente le distribuzioni di probabilità, con o senza FVA. È assolutamente impraticabile. Se le serie temporali non sono una best practice, e certamente non lo sono in materia di gestione del rischio, allora l’utilizzo del FVA per confrontare gli override di accuratezza non rappresenta una best practice. Sostengo che sia una perdita di tempo.

La mia terza critica è che il forecast value added non misura il valore; misura l’accuratezza. E l’accuratezza aggiunge valore? Non necessariamente. Una previsione più accurata non aggiunge valore in sé. In molte situazioni reali, una previsione con il 90% di accuratezza e una con il 60% portano alle stesse decisioni di inventario se sono presenti MOQs o altri vincoli. Se l’esito finanziario della decisione non cambia, allora misurare il guadagno in accuratezza non aggiunge valore aziendale. Pertanto, da un punto di vista aziendale, è assolutamente scorretto affermare che l’accuratezza di per sé aggiunga valore. Se lo fosse, come potrebbe focalizzarsi sull’accuratezza con il FVA essere la best practice? Non lo è.

Anche se personalmente non usate il FVA per supportare la previsione collaborativa, altri lo fanno. Il FVA si basa comunque sulle previsioni basate sulle serie temporali, che ignorano l’incertezza, e sull’idea che un aumento dell’accuratezza equivalga a un aumento del valore, il che contraddice l’ambiente aziendale. Tutto ciò rappresenta delle cattive pratiche e, pertanto, sostengo che il FVA in sé non possa essere considerato una best practice. A mio parere, è una perdita di tempo. Grazie.

Conor Doherty: Hai ancora 15 secondi, Joannes.

Joannes Vermorel: Ok, grazie.

Conor Doherty: Bene, grazie mille, Joannes, per il tuo intervento iniziale. Jeff, in questo momento ti invito a fare il tuo intervento di apertura, per favore.

Jeff Baker: Sì, ottimo. Grazie, Conor. Grazie, Joannes. Apprezzo davvero l’opportunità di partecipare a questa conversazione. Quindi, ovviamente, sono favorevole all’uso del FVA come best practice. Questo deriva dal fatto che tutte le supply chain devono pianificare, giusto? Dobbiamo prendere decisioni con largo anticipo, magari due o tre mesi per stabilire un programma di produzione, per collaborare con i fornitori, forse fissarlo sei mesi prima. Abbiamo bisogno di una buona previsione per assicurarci, sai, se abbiamo piccole variazioni di capacità, magari nel personale, o un co-produttore che vogliamo coinvolgere. Quindi dobbiamo prendere queste decisioni in un arco temporale lungo, e alla fine le rivediamo.

Ho un paio di citazioni preferite nella supply chain. Una è, “The plan is nothing, but planning is everything.” Quindi dobbiamo avere questo piano per metterci nella posizione giusta. Ora, la mia seconda citazione preferita nella supply chain è di Mike Tyson: “Everyone has a plan until they get punched in the face.” Ciò sottolinea il fatto che sappiamo che nella supply chain riceveremo dei colpi. L’obiettivo è prendere la decisione migliore possibile con la maggiore probabilità di successo nell’ambito esecutivo. Il modo migliore per farlo è coinvolgere i nostri esperti funzionali. Le vendite e il marketing hanno intuizioni locali che possono essere usate per migliorare la previsione e pertanto dovrebbero essere incluse nel processo di consenso. Coinvolgere questi esperti in modo strutturato ci fornisce i dati migliori di cui abbiamo bisogno per prendere decisioni migliori. E il FVA è uno strumento efficace per misurare l’efficacia di questi input.

Adesso, la premessa è che, sì, potresti potenzialmente aprire la porta a dei bias, ma dal mio punto di vista ciò che dobbiamo fare è lavorare per correggere quel bias, non eliminarlo del tutto. Dobbiamo essere cross-functional. Da molti, molti anni si predica che la cross-funzionalità sia la via da seguire. Io non voglio tornare a un silo funzionale in cui ognuno sia responsabile solo della propria decisione, e non del proprio impatto sugli altri. Per fare questo al meglio, penso che si debbano fare aggiustamenti guidati, ancora una volta, dove il FVA brilla. Mi fornisce quei prodotti che sono altamente preziosi ma presentano un alto errore. Quello è il terreno fertile in cui cercare input migliori.

Se ho un impatto rilevante previsto—un effetto materialmente sfavorevole in arrivo, o potrebbe essere un effetto positivo—dobbiamo essere in grado di pianificarlo. Quindi, la prima cosa è che quegli aggiustamenti devono essere guidati. La tesi che ho realizzato per il mio Master ha affermato che dobbiamo considerare la direzione dell’aggiustamento: è in aumento o in diminuzione? Qual è la prevedibilità intrinseca della serie temporale? Qual è l’entità dell’override? E assicuriamoci che, se vogliamo aggiungere valore, stiamo cercando un incremento sostanziale—non stiamo solo apportando piccole modifiche.

Successivamente c’è la struttura. Non permetterò a nessuno delle vendite o del marketing di darmi semplicemente un numero arbitrario. Chiederò: quali sono le loro assunzioni di input? È basato su nuovi dati che non abbiamo ancora modellato? Poi approfondirò, chiedendo: è uno scenario ottimistico? Uno scenario pessimistico? Qual è lo scenario più probabile? Cosa dovrebbe accadere? Cosa dovrebbe essere vero affinché questo scenario si concretizzi in futuro? In questo modo, quello che cerchiamo di fare è individuare proattivamente le cause del bias e comprenderne le motivazioni.

Una volta fatto ciò, allora sì, il mese prossimo esamineremo quegli aggiustamenti per dire: “Ha aggiunto valore o non ha aggiunto valore?” Mi piace dire che il buon giudizio si basa sull’esperienza. L’esperienza si basa sul cattivo giudizio. Quindi, impariamo dai nostri errori. Torniamo alle assunzioni, le verifichiamo, e potremmo scoprire qualcosa tipo—ehi, sai che c’è—forse i venditori sovraprevedono costantemente perché non hanno fiducia nella supply chain. Non si tratta solo di bias, è una questione di fiducia, e possiamo iniziare ad affrontarla.

Inoltre, sono loro quelli che contestualizzano quell’informazione meglio di noi. Non credo che avremo mai un Supply Chain Scientist che sia esperto in tutte le sfumature del marketing o in tutte le sfumature delle previsioni. Mi affiderò a quegli esperti, sfruttandoli per ottenere quei dati. Ora, se nel tempo trovo questi input preziosi, cercherò di automatizzarli. Non ho alcuna obiezione all’automazione per quanto riguarda la raccolta dei dati giusti. Ma il problema è che non viviamo in un mondo di dati puri infiniti. Se ci sono dati di produzione, se ci sono dati di vendite, se ci sono dati di marketing, spesso dobbiamo andare proattivamente a cercarli.

Se facciamo bene questo, molte di queste decisioni potrebbero essere automatizzate. Gli aggiustamenti non sono necessari solo perché abbiamo un processo FVA in un sistema di previsione. In effetti, il mantra numero uno nella previsione dovrebbe essere “Do no harm.” Kraft Heinz, una delle più grandi aziende alimentari e di bevande del Nord America, utilizza la metrica “low-touch forecasting percent.” Come posso assicurarmi di non intervenire ogni singola volta? Penso che Deming lo abbia detto per bene: “Don’t just do something, stand there.” Perché ha compreso che la tendenza naturale di qualcuno è pensare: “Si aspettano che io fornisca un input, meglio fornire un input per dimostrare che sono impegnato.” No, è assolutamente il modo sbagliato di vederla.

Considerando le prove che la riduzione dell’errore è preziosa, possiamo riferirci all’Institute for Business Forecasting and Planning. Hanno condotto un sondaggio su otto aziende CPG e hanno scoperto che, per una riduzione dell'1% nell’errore di previsione, le aziende ottengono benefici per 1,7 milioni di dollari per ogni miliardo di fatturato, evitando i costi della previsione. Ciò include l’evitare sconti, trasbordi, prodotti obsoleti, eccesso di inventario e l’impegno del capitale circolante. Le aziende riducono anche il costo di una previsione sottostimata di circa 1 milione di dollari per miliardo di fatturato, evitando lost sales, multe per riempimento delle casse e costi di produzione o spedizione accelerati.

IBF ha evidenziato questo nelle proprie ricerche. Gartner ha riscontrato benefici simili: una riduzione dal 2 al 7% del inventory value, una diminuzione dal 4 al 9% dell’inventario obsoleto, e una riduzione dal 3 al 9% dei costi di trasporto. L’entità di questi numeri rende interessante perseguire vie per migliorare l’accuratezza delle previsioni, specialmente in aree dove un articolo ha alto valore e alto errore, o se sappiamo in anticipo che eventi esterni impatteranno la supply chain in un modo o nell’altro. Grazie.

Conor Doherty: Bene, grazie, Jeff. Hai ancora 15 secondi, se vuoi.

Jeff Baker: Ne ho 13, ma sto bene.

Conor Doherty: Giusto. Bene, Jeff, grazie mille per il tuo intervento iniziale. A questo punto procederemo al controreplica. Joannes, 5 minuti quando sei pronto.

Joannes Vermorel: Grazie, Jeff, per il tuo intervento iniziale. Penso che tu esponga la tua posizione molto bene, anche se ci sono alcuni punti che vorrei chiarire. Non metto in discussione l’intento delle persone di fare qualcosa di buono per l’azienda. Sto cercando di contestare la realtà dell’esito effettivo.

Prima di tutto, se pensiamo che l’accuratezza sia il meglio, qualcosa a cui vale la pena puntare, allora la realtà, come ho evidenziato nella mia dichiarazione iniziale, è che il FVA non riflette le best practice delle previsioni. Se un’azienda sta veramente cercando l’accuratezza, non facendo quelle previsioni collaborative otterrà in realtà risultati più accurati. Purtroppo, questo è quanto dimostrato empiricamente.

In secondo luogo, gli override stessi sono un modo molto burocratico di affrontare il problema. Non appena metti in atto un meccanismo—sì, le persone possono dire “do no harm”—ma se metti in atto un meccanismo burocratico, esso verrà utilizzato. Il FVA implica la creazione di una mini-burocrazia o mini-tecnocrazia con elementi software coinvolti. Ci saranno persone che verificheranno se chi si occupa di vendite e marketing sta effettivamente apportando le correzioni e tutto il resto. E quindi, per me, questo apre la strada a qualcosa che genererà un sacco di lavoro burocratico inutile.

Perché la realtà è che, quando inizi a osservare come sono strutturate quelle previsioni e quegli aggiustamenti, parliamo di decine di migliaia di serie temporali, ciascuna con circa 50 punti o più, sai, previsioni settimanali per un anno intero. Ma questo mi porta a un’altra critica, ovvero che concentrarsi sull’accuratezza in isolamento, a mio avviso, porta il FVA a mal allocare le risorse economiche e a rendere le aziende cieche di fronte a modi molto più efficaci con cui le persone potrebbero contribuire al processo di previsione. E, per essere perfettamente chiaro, non ho mai sostenuto che i membri delle vendite, del marketing e della finanza non possano contribuire in modo significativo al processo di previsione. Sono perfettamente consapevole che ogni membro rilevante del personale può detenere informazioni preziose nella propria mente, informazioni che potrebbero essere finanziariamente vantaggiose per l’azienda.

Tuttavia, ciò con cui non sono d’accordo è l’idea che le persone debbano aspettare che venga prodotta una previsione puntuale per poi manipolarla con override manuali al fine di aumentare l’accuratezza. Questo, come ho detto, non rappresenta le best practice previsionali, eppure è ciò che di solito si fa con il FVA. Tuttavia, esiste un modo costruttivo per coinvolgere le persone nel processo di previsione: contribuendo agli algoritmi previsionali che generano la previsione e, successivamente, agli algoritmi che generano le decisioni. In realtà, questo significa assistere l’esperto di previsioni. In Lokad, questo sarebbe un Supply Chain Scientist che scrive e perfeziona questi algoritmi fornendo competenze specifiche e intuizioni. Questo non significa che tutti nel settore vendite e marketing debbano leggere distribuzioni di probabilità e scrivere script in Python. Invece, essi aiutano fornendo all’esperto di previsioni input azionabili che potrebbero essere utili, e poi l’esperto traduce quelle intuizioni in linee di codice.

E infine, gli algoritmi automatizzati vengono eseguiti e generano la previsione. Alla fine della giornata, quelle intuizioni sono solo frammenti di informazione, e sono distribuite, sono d’accordo, ovunque in azienda. Tuttavia, l’esperto di previsioni è la persona che sa come tradurre tutto ciò in una previsione significativa e in un insieme sensato di decisioni della supply chain. Possono essere disponibili tonnellate di dati eccellenti, ma è l’esperto di previsioni e solo lui a dover decidere come utilizzare questi dati per produrre o rivedere una previsione. Questa è la best practice supportata da decenni di risultati sperimentali in materia di previsioni. E purtroppo, il FVA non ha posto in questo assetto. Misurando l’accuratezza anziché contribuire direttamente al miglioramento dell’algoritmo di previsione, la cosa più gentile che si possa dire è che il FVA è una distrazione. Io, tuttavia, lo definirei una perdita di tempo.

Conor Doherty: Joannes, hai ancora 20 secondi.

Joannes Vermorel: Sto bene, grazie.

Conor Doherty: Ok, grazie. Jeff, in questo momento ti vedo sorridere. Sentiti libero di rispondere con il tuo controreplica di cinque minuti.

Jeff Baker: Penso che tu fossi in muto, a proposito.

Sì, scusa. No, prospettiva interessante. Voglio riprendere un paio di cose. Prima, hai menzionato la competizione M5 e Makridakis. Vorrei sottolineare che il 92% di quelle persone è stato battuto da un benchmark basato su un semplice algoritmo di smoothing esponenziale. Quindi, c’è un argomento a favore della semplicità. Credo ci sia una differenza tra best practice e bleeding edge. Voglio assicurarmi che ci sia questa distinzione, perché spesso il più semplice è in realtà migliore e più accettabile per chi lo utilizza. Da un punto di vista di spiegabilità, se siamo in una riunione S&OP durante una revisione della domanda, è molto più facile spiegare come si arriva a quella previsione e ottenere maggiore consenso.

L’altro punto che hai menzionato riguarda le serie temporali focalizzate su un singolo punto. È una best practice non solo fornire la serie temporale, ma anche indicare quali saranno gli intervalli di previsione, giusto? E questo è legato all’accuratezza. Quindi sì, una best practice può essere la serie temporale accompagnata dalla comunicazione agli interessati degli intervalli di previsione relativi. Siamo d’accordo che una previsione puntuale è un’informazione. Una previsione puntuale più gli intervalli di previsione è molto più preziosa.

Hai affermato che le previsioni probabilistiche non sono ammissibili al FVA. Penso che se guardi una delle recenti edizioni di Foresight, vedrai un articolo di Stefan De Kok sulla previsione probabilistica e una sua variante, lo stochastic value added, che evidenzia il valore di questo framework. Sono in qualche modo agnostico riguardo al mio forecasting method. Comunque lo faccia, voglio osservare un miglioramento man mano che aggiungo input differenti nella mia previsione. In che modo la sto migliorando? E poi, assicurarmi di utilizzare le nostre risorse in modo efficiente ed efficace. Quel compromesso tra il costo dell’imprecisione e il costo per generare la previsione è noto dal 1971. C’è un articolo della Harvard Business Review su come bilanciare il costo di troppo tempo speso a generare una previsione con l’accuratezza ottenuta. In termini semplici, è il succo che vale la spremuta? In base a quei numeri che creo, per un’azienda di dimensioni ragionevoli, c’è molto beneficio e posso permettermi di farlo esaminare da alcune persone.

Non penso che la previsione collaborativa sia burocratica. Credo sia necessario coinvolgere quelle persone nel processo in modo che possano creare valore aggiunto attraverso il sistema. Questi input sono ottimi. Ci saranno sempre eventi che accadono. Le supply chain non stanno diventando meno complesse; stanno diventando più complesse, più dinamiche, più soggette all’effetto farfalla. Per questo, abbiamo bisogno che le persone siano in grado di contestualizzare quell’informazione e prendere la decisione migliore al momento opportuno. Quindi, da questa prospettiva, deve essere collaborativo. Se sono collaborativo, lavoro sempre con vendite e marketing. Non si tratta di risolvere tutto, ma di capire cosa è cambiato. Se continuo così, avrò quel tipo di relazione che mi permette di ottenere quegli input e di migliorare il rapporto con loro.

Il contrario sarebbe avere un processo ad hoc in cui coinvolgo vendite e marketing a mia discrezione, quando voglio. Garantisco praticamente che la qualità degli input forniti dalle vendite e dal marketing diminuirà notevolmente se non fanno parte di un processo programmato regolarmente. Quello che sento dai venditori tutto il tempo è: “Sono troppo occupato a vendere, lasciami in pace.” Quindi, se vuoi ottenere quegli input, devi coinvolgerli nel processo.

Hai menzionato il divario rispetto al reale valore aziendale. Non puoi prendere buone decisioni con dati scadenti. L’argomento è: ho bisogno di quella previsione migliore. Non c’è motivo di ridurre l’accuratezza della previsione. Devo assicurarmi di utilizzare i migliori dati possibili per prendere decisioni. Sarà legato direttamente a un ROI? Posso calcolare il ROI di una decisione in isolamento per l’intera supply chain? Non succederà. Mi piacerebbe poter dire che lo è, ma la mia decisione dal punto di vista delle previsioni è completamente separata dalle decisioni funzionali che prendono la produzione, gli acquisti, il magazzino, il trasporto. Qualsiasi di queste cose può portare a un ROI scarso. Il mio ruolo è essere il più accurato possibile. Grazie.

Conor Doherty: Grazie mille, Jeff. Scusa se ho parlato proprio oltre la fine, ma dovevo semplicemente ricordartelo.

Jeff Baker: Nessun problema.

Conor Doherty: A questo punto, grazie, Jeff. Mi rivolgo a Joannes. Per favore, i tuoi commenti finali, in due minuti.

Joannes Vermorel: Signore e signori, il tema del dibattito era: “FVA è una best practice o una perdita di tempo?” Durante questo dibattito, avete ascoltato molte informazioni, ma tenete presente alcune cose quando decidete cosa pensare di FVA. Numero uno, se utilizzate FVA come parte di un processo collaborativo continuo di previsione inteso come microgestione dei punti di previsione, quella non è una best practice. L’override manuale della previsione è senza dubbio non una best practice nella comunità delle previsioni, e perciò misurarla con FVA non è una best practice nemmeno.

Numero due, FVA è basata su previsioni di serie temporali. Sono sicuro che da qualche parte qualcuno stia cercando di applicarla alle previsioni probabilistiche, ma, diciamocelo, FVA funziona su larga scala solo se funziona affatto in combinazione con le previsioni classiche di serie temporali, che ignorano completamente l’incertezza. Queste non sono una best practice, e pertanto misurare l’accuratezza con FVA non è best practice.

Numero tre, per progettazione, FVA presuppone che un aumento dell’accuratezza sia qualcosa di desiderabile. Non è così. Contrariamente a quanto detto, ci sono casi in cui aumentare l’accuratezza può effettivamente danneggiare il vostro business. Abbiamo un esempio molto semplice. Per la previsione di serie scarse, lo zero è molto frequentemente la previsione più accurata, anche se prevedere una domanda pari a zero non ha senso. Pertanto, anche se non siete d’accordo con me su tutti questi elementi di previsione e supply chain, questo è chiaro: FVA, per tutte queste ragioni e altro, non può essere considerata una best practice. Se lo fosse, sarebbe una triste accusa alla comunità delle previsioni.

Conor Doherty: Grazie mille, Joannes. Jeff, mi rivolgo a te. I tuoi commenti finali, per favore, in due minuti.

Jeff Baker: Ok, ottimo, grazie mille. Ancora una volta, come ho detto all’inizio, una migliore pianificazione porta a decisioni migliori. Dobbiamo imparare come pianificare, dobbiamo imparare come ripianificare, e dobbiamo assicurarci di avere una previsione accurata in atto. Non credo che esista un buon caso di business per cui dati scadenti portino sempre a decisioni migliori. Se avete dati scadenti e prendete buone decisioni, lo definisco fortuna cieca. Questo non accade molto spesso. Dove FVA brilla, ancora, non sto promuovendo la microgestione, non sto promuovendo di sovrascrivere tutto. Ci sono esempi in cui abbiamo articoli che hanno alto valore ma anche alti errori. Sappiamo che ci sono eventi esterni che potrebbero verificarsi e che non possono essere ridotti a un input algoritmico ordinato. Dobbiamo capirli, dobbiamo pianificare per essi sull’orizzonte temporale necessario per prendere quelle decisioni. Qualsiasi critica a FVA si basa in gran parte su una cattiva comprensione di ciò per cui FVA è stata progettata.

So che Lokad vende pacchetti software. In esperienze precedenti, ho lavorato in una società di software e ho anche implementato pacchetti software. So che lo strumento funziona. Spesso il problema risiede nell’implementazione. Se il cliente non ottiene ciò che desidera, è un problema di implementazione, nove volte su dieci. Un problema di implementazione e di dati. Qualsiasi critica a FVA nasce dal non sapere come implementarlo correttamente, dal non comprendere come funzioni e come aggiunga valore. Vi faccio un altro semplice esempio. Se sto costruendo un terrazzo sul retro di casa mia e ho sentito dire che dovrei fissare le assi ai travetti e uso un martello per iniziare a piantare le viti in legno, non funzionerà, e non sarò contento. Questo non significa che ci sia un problema con il martello; significa che semplicemente non so come utilizzare correttamente il martello. Sto usando lo strumento sbagliato per il lavoro.

Conor Doherty: Grazie. Scusate se vi interrompo, ma devo essere rigoroso sui tempi per mantenere l’imparzialità. Grazie mille, signori. Grazie a entrambi per i vostri interventi preparati, per la vostra argomentazione e per la vostra passione. A questo punto, vorrei passare a qualche domanda di follow-up. Ce ne sono alcune che stanno arrivando. Ho preso alcuni appunti basati su quanto è stato detto. Prima di passare alle domande del pubblico, solo perché sono qui, ascolto e voglio chiarire un paio di punti che sono stati sollevati.

Inizierò, credo, spingendo in realtà Joannes, solo per dimostrare imparzialità. Spingo Joannes. Quindi, Jeff, nella tua replica hai menzionato l’aforisma “più semplice è meglio.” Credo tu abbia citato i risultati dell’M5 e hai fatto notare che, solo perché qualcosa è sofisticato o all’avanguardia, non lo rende necessariamente migliore. Quindi, Joannes, la tua risposta al concetto, se posso sviscerarlo un po’, che la previsione probabilistica, il puro modellamento algoritmico, siano semplicemente troppo sofisticati. Dovrebbe essere semplice.

Joannes Vermorel: La realtà è che abbiamo vinto a livello SKU la competizione M5 con un modello parametrico che ha, tipo, cinque parametri. È tutto. Quindi, sì, ancora una volta, algoritmico non significa migliore. Infatti, Tetlock nel suo libro “Superforecasting” mostra che una media mobile batterà il 99% degli umani nel prevedere qualsiasi cosa. Gli esseri umani vedono schemi ovunque; hanno un enorme problema cognitivo. È estremamente difficile gestire il rumore, così vedono schemi ovunque, e questo è semplicemente negativo per le previsioni. A proposito, è un esempio in cui intelligenza artificiale – come una media mobile – in realtà supera la mente umana nella stragrande maggioranza dei casi. Quindi, quello era solo un punto. In particolare, gli algoritmi di previsione probabilistica di Lokad non sono naturalmente molto sofisticati. Hanno solo una forma strana, ma non sono super elaborati nel senso dell’uso di apprendimento profondo e simili.

Conor Doherty: Jeff, come ti suona? C’è qualcosa su cui vorresti replicare?

Jeff Baker: L’unica critica che avrei – e sono totalmente favorevole all’introduzione degli ultimi dati e tecnologie – (come ho detto, ero in una società di software dove vendevamo tecnologia – la mia critica è che a volte non abbiamo bisogno di complicare eccessivamente le cose. Forse è meglio, ma dobbiamo assicurarci di ottenere quel valore incrementale per tutto ciò che facciamo. Inoltre, la spiegabilità è fondamentale.

Per noi qui nella stanza, persone interessate a seguire questo, siamo tutti appassionati di previsioni probabilistiche e dati. Quando arriviamo all’implementazione, se provo a vendere una previsione algoritmica e questa soffre di problemi di spiegabilità, potremmo iniziare a incontrare resistenze perché gli umani hanno naturalmente un’avversione verso gli algoritmi. Opporranno resistenza a ciò che non comprendono. Molte di queste tecniche di previsione, quelle più semplici, sono relativamente facili da spiegare. Ed è qui che dico che a volte quelle più semplici, dal punto di vista delle prestazioni, funzionano altrettanto bene. Semplici previsioni ensemble battono il 92% delle persone in gara per fama e fortuna nella competizione M5. Quindi, c’è un certo valore in questo.

Direi anche che non volete sovraccaricare nessuna organizzazione in particolare. Alcune organizzazioni hanno un livello di maturità al quale dobbiamo portarle. Per molte di esse, se riesco a farle utilizzare previsioni con smorzamento esponenziale, benissimo. Ensemble, benissimo. Parlare degli intervalli di previsione, fantastico. Nessun problema con algoritmi più elaborati e sofisticati. Dobbiamo solo assicurarci di elevarle in base alla loro capacità di digerire e accettare quella tecnologia. Altrimenti, corriamo il rischio – e l’ho già sperimentato – di utilizzare programmi lineari misti per le aziende e, se non li comprendono, non li accetteranno. Questo è il mio avvertimento mentre cerchiamo di spingere algoritmi più sofisticati.

Conor Doherty: Joannes, altro da aggiungere?

Joannes Vermorel: Ancora, penso che ci sia un leggero disallineamento, perché quello che sto dicendo è che, innanzitutto, quando facciamo previsioni probabilistiche, i metodi in sé sono abbastanza semplici. Qualsiasi sofisticazione serve solo a tenere conto in modo preciso dei fattori. La nostra alternativa a FVA è affermare che quando le persone hanno informazioni e alzano la mano, questi diventeranno fattori da includere. La previsione stessa utilizzerà questa informazione extra come input, non come override dell’output.

Ha molte conseguenze positive, per esempio se aggiorni la previsione, le persone non devono aggiornare l’override. Il problema è che le persone la considerano come un override, come qualcosa di statico. Ma se sovrascrivi la previsione, cosa succede se la prossima settimana ci sono nuove informazioni e il tuo riferimento di base si è spostato? Cosa fai? Rieffettui lo stesso override, lo stesso delta rispetto a quello che avevi prima? Ci sono un sacco di complicazioni che derivano semplicemente dal fatto che il marketing fornisce informazioni sotto forma di override della previsione. È molto più semplice dire, “Marketing, dicci che promuoveremo questo prodotto con una spesa pubblicitaria di tale importo,” e poi includerla come input nella tua previsione. Puoi persino fare un backtest per verificare se aggiunge accuratezza o meno. Questo backtest è qualcosa che puoi ottenere subito; non devi aspettare tre mesi per vedere se la tua correzione manuale ha prodotto qualcosa di positivo o meno.

Conor Doherty: Se posso intervenire per un momento, perché hai toccato un punto che volevo dire anche a Jeff. Per quanto riguarda “più semplice è meglio”, basandomi su quanto hai appena detto, non sarebbe teoricamente più semplice per un esperto intervistare altri esperti, ottenere intuizioni e poi tradurle in una decisione algoritmica, invece che tutti, compresi i non esperti, interferiscano con la previsione? In termini di semplicità, quali sono i tuoi pensieri? Sono ugualmente semplici o uno è più complesso dell’altro?

Jeff Baker: Tipicamente, dove ho utilizzato FVA è stato nel processo di Sales and Operations Planning, nella revisione della domanda, guardando a un orizzonte di tempo di tre mesi. Abbiamo il mese corrente, il mese corrente più uno, due. Tipicamente, molte aziende CPG, molte aziende, adottano questo tipo di schedule congelato. È lì che si inizia a passare dalla pianificazione all’esecuzione, ovvero dallo S&OP allo S&OE.

Quando siamo in quel dominio S&OP, esaminiamo alcuni di questi eventi, alcuni dei fattori trainanti. Quello che facciamo lì è, se operiamo a un livello aggregato, raccogliamo input. Se si tratta di input a livello di famiglia di prodotto, puoi usare quei fattori a livello elevato per propagare verso il basso. Puoi disaggregare alcune di quelle decisioni, pratica comune: prendere un numero a livello elevato e disaggregarlo nei dettagli.

Dal lato esecutivo, se si verifica un evento significativo, allora sì, potresti fare anche quello a livello di famiglia o di azienda, a seconda dell’impatto. Penso che sia più semplice. Non sostengo necessariamente di modificare ogni singolo SKU perché, come hai menzionato prima, può essere oneroso. Ma se ci sono impatti enormi, dobbiamo apportare quegli aggiustamenti.

Nella pianificazione, nella ripianificazione, tornare al piano non è nulla, la pianificazione è tutto. Quella nozione di ripianificazione, di revisione, se la facciamo nel processo S&OP una volta al mese, abbiamo tutti i decision-maker nella stanza. Lo facciamo una volta al mese, e cominciamo anche a concentrarci su ciò che è già nel modello, su quali siano le nuove informazioni e come incorporarle. Infatti, una delle volte in cui quasi mi sono alzato per applaudire durante una riunione di revisione della domanda è stata quando il responsabile vendite, il VP, era presente, e lui ha detto: “Ok, quali nuove informazioni conosciamo a riguardo?” Nessuna nuova informazione. “Ok, la previsione statistica, la previsione algoritmica rimangono”, e basta. Non c’era molta burocrazia.

Penso che questo sia il modo ideale di farlo, a meno che non ci siano eventi davvero importanti di cui siamo a conoscenza. Ma poi, se sei il Supply Chain Scientist, devi andare proattivamente a cercare quell’input. Mentre, secondo quanto suggerisco, vendite e marketing vengono alle riunioni sapendo che devono dirmi cosa c’è di nuovo, cosa è cambiato, cosa non era nelle ipotesi del mese scorso. Cerchiamo di rendere il processo il più rapido possibile. Per una grande azienda CPG, questo può essere fatto piuttosto rapidamente a livello di famiglia.

Conor Doherty: Grazie, Jeff. Joannes, altro da aggiungere?

Joannes Vermorel: Non molto, ma per essere conciso, il motivo per cui sosteniamo davvero che l’esperto raccolga l’informazione invece di avere la previsione aggiustata è che quasi invariabilmente le informazioni non combaciano, in termini di granularità, con il business dell’azienda. Ad esempio, potrebbero dire: “Oh, abbiamo questo concorrente che sta fallendo.” Non c’è una corrispondenza chiara tra questo concorrente e ciò che esattamente sta facendo. Non è uno a uno. Esiste un problema esteso, categoria per categoria, riguardo ai prodotti interessati.

Joannes Vermorel: L’idea che l’informazione possa provenire dalla testa di una persona delle vendite o del marketing, o altro, come “Ok, questa informazione può trovare una serie temporale corrispondente da sovrascrivere,” è quasi mai il caso. Trovare esattamente ciò che è rilevante da modificare è difficile. Che dire di tutte le altre fonti di incertezza? Quando Lokad gestisce un’azienda con modelli predittivi, abbiamo facilmente mezza dozzina di modelli predittivi—uno per la domanda, sì, ma anche i lead times, i rendimenti di produzione, i prezzi futuri dei fornitori, l’anticipazione della volatilità dei prezzi dei concorrenti, ecc.

Joannes Vermorel: Quando si afferma che il punto di FVA è che essa presenta anche questo problema di disallineamento tra la granularità delle informazioni in possesso e le serie temporali, si vuol dire che pone la domanda su un piedistallo, mentre possono esistere un’infinità di altre incertezze che devono essere previste. Ci sono anche informazioni come: “Ok, questo fornitore è completamente sopraffatto, i lead times sono destinati a esplodere.” Questo dovrebbe riflettersi nell’algoritmo di previsione dei lead times.

Jeff Baker: Sì, non ho alcuna obiezione a riguardo, in quanto, sì, ci sono cose che dobbiamo esaminare nella supply chain. In nessun modo, forma o maniera sto raccomandando di concentrarci sull’FVA e dimenticare di considerare i tempi di consegna dei fornitori o qualcosa del genere. Non è corretto. Dobbiamo focalizzarci su qual è la domanda, da un punto di vista efficiente, qual è la mia migliore domanda, giusto?

E ho anche bisogno di conoscere tutte quelle altre cose sul mio lato dell’offerta. Dobbiamo occuparci di entrambe, giusto? E sì, sono totalmente d’accordo. Ci servono il tempo di consegna, la variazione del tempo di consegna, dobbiamo comprendere la produzione, quando potrebbe essere inattiva, i prezzi dei fornitori, dobbiamo conoscerli anch’essi. Quindi non ho obiezioni in merito. L’unica cosa che dico è che non sto suggerendo di concentrarci sull’FVA a scapito di quelle altre cose.

Conor Doherty: Beh, abbiamo altre domande dal pubblico a cui arriverò. C’è solo un ultimo punto che è stato sollevato, e lo porrò. Ho cercato innanzitutto di parafrasare in modo equo, Jeff, quindi conferma se ho parafrasato correttamente. Ma poi voglio insistere su questo, Joannes. Jeff, nelle tue osservazioni finali hai affermato che esistono elementi che non possono essere ridotti a un algoritmo. È una corretta sintesi di ciò che hai detto? Esistono certi elementi, credo si parlasse di bassa prevedibilità, per i quali non ci si può semplicemente affidare a una soluzione algoritmica.

Jeff Baker: Sì, e ci sono eventi, sai, che hanno a che fare con il fatto che non sono ripetibili.

Conor Doherty: E l’implicazione è che richiedono una sovrascrittura manuale, un input manuale.

Jeff Baker: Una contestualizzazione del fatto che c’è un evento. Non ho nulla con cui modellarlo, ma dovrò prendere una decisione. Userò un esperto per aiutarmi.

Conor Doherty: Joannes, che ne pensi tu? Perché ero molto curioso di ascoltare il tuo punto di vista.

Joannes Vermorel: Quindi è qui che ho menzionato l’esperto Philip Tetlock nella mia argomentazione. Infatti, ha scritto un libro intitolato “Superforecasting” e ha valutato le capacità previsive umane con un progetto che è in corso da un decennio, chiamato Good Judgment Project. È stato finanziato da IARPA, l’equivalente dell’intelligence del DARPA statunitense.

Ciò che hanno scoperto è che le persone che erano ottime previsori, per questo tipo di approccio intuitivo nel prevedere le cose, per quelle situazioni in cui non esiste una ricetta algoritmica, arrivavano subito alla conclusione che, quando una ricetta algoritmica è disponibile, è meglio usarla. Quando non lo è, si torna agli umani e ai giudizi di alto livello. Ma ciò che hanno concluso – ed è una delle conclusioni del libro – è che i superforecasters, cioè le persone che ottengono costantemente previsioni di accuracy superiore, stanno in realtà costruendo micro-algoritmi su misura per il caso. È letteralmente così. E quando le persone sono capaci di farlo, ottengono un enorme miglioramento nella precisione. L’ordine di grandezza è di un aumento di precisione del 30%, anche per cose super difficili da valutare, per esempio, se l’ex presidente della Siria tornerà al potere nei prossimi cinque anni. Una domanda veramente difficile da rispondere.

Quindi, in sostanza, se torniamo a quelle conclusioni, si ribadisce l’idea che, quando ci sono informazioni, non è la persona che le possiede a doverle tradurre in una dichiarazione quantitativa sulla previsione dell’azienda. Questo è ciò che intendo dire. Ed è per questo che penso che dove l’FVA e la pratica delle sovrascritture manuali sbagliano, è che, nel modo in cui noi di Lokad affrontiamo la questione, qualcuno ci fornisce l’informazione, l’informazione grezza, e poi, se abbiamo un articolo che appare dal nulla, dobbiamo inventare una specie di mini ricetta numerica che lo converta in un numero.

E la cosa interessante è che non solo devi inventare questa ricetta, ma devi anche documentarla. Devi spiegare qual è stata la logica, anche se sono solo tre frasi che dicono: “Ok, faccio questo, moltiplico quello per questo, applico un rapporto e uno sconto”, qualcosa di molto semplice come una ricetta di cucina. Ancora una volta, se torniamo a “Superforecasting”, questo libro, è esattamente così che i superforecasters, ossia le persone che ottengono risultati previsionali superiori senza algoritmi, lo fanno. Hanno una ricetta numerica esplicita che rende il loro processo migliorabile. Quindi non si tratta solo di informazioni, ma di avere un processo ripetibile e migliorabile per tradurre questi insight in numeri. Questo non dovrebbe essere come una magia nella mente delle persone.

Jeff Baker: No, sono totalmente d’accordo. Facciamo in modo che le persone documentino le loro assunzioni. Un’estensione di ciò, sì, se potessi avere un’IA basata su large language model per il team di vendita o per il marketing, sarebbe fantastico. Perché uno dei pregiudizi è che chiedi alle persone, provi a raccogliere i loro input, e a volte ricordano le cose, altre volte no. Molte volte dobbiamo tornare sui dati pensando: “Ok, quando abbiamo fatto quell’aumento di prezzo? Oh, stiamo per compiere un anno, magari il primo rincaro derivante dall’aumento di prezzo si è già esaurito.” Sono completamente favorevole all’automatizzazione di questo se è possibile. Bisogna avere quella conversazione con le persone e iniziare ad applicarla. Deve diventare uno stile di vita per loro, perché ci sono così tanti di questi casi in molte aziende al momento. Quindi penso, sì, si inizia su quella strada.

Conor Doherty: Giusto, beh a questo punto passerò ad alcune delle domande che sono arrivate dal pubblico. Penso di averti chiesto la scorsa volta, Jeff – questa è per entrambi, ma inizierò da te – questa è di Nicholas. Come si può gestire una situazione in cui arriva troppa informazione, costringendo i modelli statistici a cambiare frequentemente, anche con un S&OP in atto? Come può essere bilanciata efficacemente la pressione dei team di marketing e finanza?

Jeff Baker: Quindi la domanda è se arriva una grande quantità di informazioni differenti da vendite e marketing?

Conor Doherty: Sì, fondamentalmente se c’è un’ondata di informazioni che arriva, come la gestisci, specialmente se costringe i modelli statistici a cambiare abbastanza frequentemente, con, diciamo, tante sovrascritture, ad esempio. Anche se ho aggiunto quella parentesi da solo.

Jeff Baker: Ok, quindi il modello statistico in sé non verrebbe modificato. Quindi stiamo parlando di un modello di previsione statistica basato su serie temporali e poi di sovrascritture da parte di vendite e marketing, è come lo interpreto. Non stiamo parlando di…

Conor Doherty: Al momento non ho Nicholas con me, scusa.

Jeff Baker: Ok, quindi in quel caso, bisogna prendere una decisione in base all’orizzonte temporale, giusto? Quindi se ho bisogno di fissare il programma di produzione, la sequenza operativa per il scheduling a capacità finita, con un anticipo di tre mesi, allora sì, dobbiamo avere la prassi di, sai, non arrivare all’ultimo minuto con nuove informazioni. Un’altra cosa dal lato produzione, a cui sono fortemente favorevole, sono le violazioni della frozen time fence per istruire il team di vendita. Ehi, sorprese nel mese corrente e nel mese seguente non sono ben accette. Ed è una questione culturale, giusto? Ecco come la affronterei. Voglio dire, in un caso in cui, sai, un venditore arrivasse dicendo, “Ehi, abbiamo fatto una vendita enorme,” e aspettasse fino all’ultimo minuto prima di informare la produzione. Non è un buon affare, vero? Ci costi parecchi soldi.

Quindi quell’idea di frozen, cioè di dover prendere una decisione su quell’arco temporale, deve essere la tua scelta migliore, e renditi conto che pianificheremo in base a quella: non sorprendici. È così che gestirei un’ondata come quella. Infatti, uno degli indicatori S&OP che adoro è proprio la violazione della frozen time fence. È come misurare quante volte costringiamo i nostri colleghi della produzione a riorganizzare tutto solo perché hai aspettato l’ultimo minuto per dirci che c’è una nuova vendita.

Conor Doherty: Grazie, Jeff. Joannes, hai qualche osservazione? Inoltre, sentiti libero di integrare nella tua risposta come un esperto, secondo il tuo criterio, gestirebbe un gran numero di intuizioni improvvise provenienti da molte persone.

Joannes Vermorel: Innanzitutto, l’approccio di Lokad è che automatizziamo tutto. Quindi per noi, sai, quella è il tipo di situazione in cui, prima di tutto, devi avere la banda necessaria per farlo. E vedi, questo è ciò che è interessante nell’automatizzare tutto. Per definizione, lo Supply Chain Scientist, una volta che tutto è automatizzato, ha molta capacità per gestire situazioni eccezionali. Questo tipicamente non accade in una situazione in cui le persone hanno già tutto il tempo occupato dalle routine. Quello è il primo punto.

Il secondo punto è che l’instabilità delle previsioni è una caratteristica delle previsioni classiche basate su serie temporali, sai, le previsioni puntuali. Aggiungi un po’ di informazione e il valore balza su e giù perché, secondo il tuo parametro di accuratezza, questo è ciò che dovresti fare per essere super reattivo, per essere il più accurato possibile. Molto spesso esiste questo compromesso: se vuoi essere abbastanza accurato, devi catturare il cambiamento molto rapidamente, e questo rende la previsione molto altalenante. Qui, se opti per una previsione probabilistica, tende a eliminare il problema delle oscillazioni perché hai già una distribuzione di probabilità abbastanza diffusa. Quindi, anche se osservi un outlier o similari, hai comunque questa distribuzione diffusa. Non ci sono salti significativi nella dispersione della massa della distribuzione di probabilità.

Inoltre, il problema delle oscillazioni nelle previsioni, anche se andiamo su previsioni puntuali, che possono essere radicalmente modificate, è – come ho detto – perché alle persone non piacciono le variazioni improvvise nella previsione? La risposta è che le previsioni vengono elaborate manualmente, con sovrascritture manuali, revisioni manuali e simili. Questo non è il modo in cui Lokad lo fa. La previsione è automatizzata e le decisioni sono automatizzate. Quindi, quando la previsione cambia, le decisioni riflettono automaticamente e immediatamente il nuovo stato, tenendo conto del fatto che potresti essere finanziariamente vincolato a una certa linea d’azione. Quindi sì, la domanda è cambiata, ma hai già prodotto inventario. Così, anche se la domanda non corrisponde a quanto ti aspettavi, devi comunque liquidare, vendere questo inventario in qualche modo. Vedi, l’automatizzazione semplifica e in gran parte elimina i problemi legati al timing dell’aggiunta delle informazioni. Le informazioni possono essere aggiunte ogni volta che diventano disponibili e, non appena lo sono, vengono prese in considerazione.

Jeff parlava di cultura. La cosa interessante è che premia immediatamente le persone per aver fornito l’informazione perché, letteralmente, il giorno in cui aggiungono le loro informazioni, queste vengono validate. Il giorno successivo, i programmi di produzione vengono tutti orientati. I programmi di produzione, inventory allocation, le spedizioni, gli ordini di acquisto, tutto riflette immediatamente queste informazioni che sono state fornite proprio ieri. Così le persone vedono un modo per sviluppare una cultura nel portare le informazioni in primo piano. Devono capire che quando forniscono informazione, in poche ore quasi, questa si riflette su ogni scala in ogni singola decisione. È così che puoi renderlo molto tangibile, non dicendo loro, “Torna il mese prossimo e poi valuteremo le tue proposte.”

Conor Doherty: Grazie, Joannes. Jeff, voglio davvero sentire le tue opinioni su quest’ultima parte perché si leggeva sul tuo volto. Risuonava almeno un po’.

Jeff Baker: Sì, sì. Voglio dire, per me questo suona come una ricetta per un bullwhip effect, giusto? Stai dicendo che ogni piccolo frammento di informazione che inserisco – apprezzo la reattività e la capacità tecnica di riflettere immediatamente quale sia la decisione migliore. La sfida sta nel fatto che abbiamo già preso molte di quelle decisioni. Se ho fatto la mia programmazione e, diciamo, sto preparando della farina d’avena, e ho farina d’avena normale, poi ho farina d’avena con cannella, ho quella con cannella e mela, e poi ne preparo una con cannella, mela e noce. Beh, ora ho un’allergia. C’è un enorme costo di cambio tra una cosa e l’altra. Ora, se intervenissi all’improvviso e dovessi interrompere immediatamente quel programma, ci sarebbe un enorme costo finanziario, un potenziale costo finanziario. Se all’improvviso dovessi ordinare di più di una materia prima più rapidamente, avrei un bullwhip sul mio fornitore.

Quindi, ci sono alcuni vantaggi nella stabilità. Infatti, si discute molto sul fatto se esista una previsione preziosa e stabile, non la più accurata, ma accurata e stabile, perché la stabilità offre dei benefici nella supply chain. Voglio dire, è un’area in cui stiamo appena iniziando a fare ricerca, ma questo testimonia il fatto che molte di queste decisioni devono essere prese. Abbiamo in qualche modo piantato il nostro territorio, e tutti rideranno quando dico, sai, una previsione congelata. Tipo, non è davvero congelata. Ok, sappiamo tutti che non è congelata, ma c’è una conseguenza finanziaria nel cambiare le decisioni.

Quindi, mentre tecnicamente penso sia fantastico che possiamo riflettere, “Ehi, ora questa è la decisione migliore”, credo che dobbiamo temperare questo entusiasmo con il fatto che se cambiamo in base a tutto ciò che arriva, ci saranno dei costi associati. Questo potrebbe andare perfettamente per alcune supply chain. Se ho una supply chain reattiva, forse va bene. Forse questo è il mondo in cui viviamo. Se abbiamo una supply chain efficiente in cui i cambiamenti sono costosi e difficili da realizzare, è qui che vedo un problema.

Joannes Vermorel: Capisco. Voglio dire, a Lokad, ovviamente, modelliamo il costo del cambiamento. Ogni allocazione di risorse, se devia da quanto era previsto, lo modelliamo nel costo. È super basilare. Quindi, la cosa non avrà variazioni se il costo del cambiamento supera i benefici attesi. Per me, è come se, ancora una volta, le persone di solito si concentrassero su ricette numeriche estremamente insensate e dicono: “Oh, guarda, questo è un problema.”

Ad esempio, abbiamo una decisione che in modo super ingenuo è schiava di una previsione senza alcuna considerazione degli impegni attuali, ecc. È incredibilmente ingenua. Ovviamente, serve una parte della tua ricetta numerica per avere la decisione che implementa qualunque costo di cambiamento e ogni sorta di costi. Ce ne sono tanti. E qui la previsione probabilistica brilla davvero. Ti offre ancora di più. Consideri il fatto che se prendi questa decisione ora, dovrai rivederla in futuro? Perché, ancora una volta, se hai questa previsione puntuale, per definizione, presumi di conoscere già il futuro. Quindi, il tuo modello ti impedisce di considerare automaticamente che la tua previsione potrebbe essere errata. Ma con le previsioni probabilistiche, questo è dato per scontato. La previsione ti dice già che la domanda può collocarsi ovunque all’interno di questo intervallo, e tu possiedi le probabilità. Quindi, non solo calcolerai, quando ottimizzi la decisione, il costo del cambiamento qualora ci fosse una modifica, ma anche il fatto che in futuro potrebbe essere necessario intervenire.

Conor Doherty: Bene, signori, ancora una volta sono consapevole del tempo e ci sono ancora almeno altre quattro domande da affrontare. Quindi, nello spirito della parità, porgo subito la prossima domanda a te, ehm, Jeff. Sarebbe il FVA un buon approccio per alleviare la pressione di dover adattare i modelli statistici alle aspettative di budget? Nella seconda parte, come può un Supply Chain Scientist…

Scusatemi, dovrei in realtà porre questa domanda. Perdona, dovrei in realtà rivolgermi a Joannes. Scusa. Sarebbe il FVA un buon approccio per alleviare la pressione di dover adattare i modelli statistici alle aspettative di budget? E come può un Supply Chain Scientist navigare tra la politica e la gerarchia quando si trova ad affrontare tali sfide? E Jeff, a te chiederò un commento.

Joannes Vermorel: Ancora, questo è il problema delle previsioni puntuali. Le previsioni puntuali presumono che tu conosca il futuro. Quindi, se conosci il futuro, tutto, il piano, tutto diventa questione di orchestrazione, e la tua previsione ti indica il budget di cui hai bisogno per tutto. E ciò è errato perché, innanzitutto, la previsione presenta inesattezze, e stai completamente ignorando l’incertezza.

Una previsione puntuale è rigidamente legata a un determinato budget. Assolutamente non è una best practice. Ma se passiamo al mondo delle previsioni probabilistiche, allora improvvisamente tutti quei problemi scompaiono. Ciò che ottieni sono futuri possibili, e così tutte le spese di budget possono essere considerate. Se mi dici di avere questa quantità di risorse, allora cercherai di allocarle per ottenere il massimo in base alle probabilità future.

E a proposito, abbiamo un esempio di ciò. Se le persone desiderano avere un foglio di calcolo, possono consultare riapprovvigionamento inventariale prioritizzato sul nostro sito web. È un foglio Excel che dimostra che, con una previsione probabilistica, puoi scegliere qualunque budget tu abbia, e ti fornirà il meglio che puoi ottenere per quel budget. Ancora una volta, questo è un problema legato al fatto che le previsioni puntuali sono difettose come paradigma. Le serie temporali classiche sono difettose come paradigma, e si finiscono per avere molti problemi che, anche solo a livello concettuale, non avresti se non fossi vincolato a un paradigma difettoso.

Jeff Baker: Solo un’osservazione improvvisata riguardo a un paradigma difettoso che ha funzionato davvero bene per molte aziende per decenni. Quindi, non lo definirei difettoso. Ora, per quanto riguarda il budget, sai, la previsione e il budget rappresentano un grosso problema perché i budget sono aspirazionali, no? La cosa migliore che possiamo fare, e ancora, questo da un punto di vista vendite e operazioni, è che chiedo sempre ai miei clienti di fare previsioni per 18 mesi. Quindi, indovina un po’? A metà 2025, abbiamo già iniziato a guardare al 2026. Possiamo comprendere quale sarà l’orizzonte più probabile per il 2026.

Da lì, puoi sovrapporre i tuoi obiettivi aspirazionali. Nessun problema, ma poi forzi la conversazione: cosa dovrebbe succedere affinché aumentassimo le nostre vendite di tanto, o ridurremmo i nostri costi di tanto, giusto? Questa è parte della conversazione. Quindi, il modo migliore per farlo è basare il tuo budget su una solida previsione statistica o qualsiasi previsione consensuale tu abbia per il futuro. Basa il tuo budget su quella. Poi, se vi sono deviazioni, prepara anche piani per vendite, marketing e produzione al fine di colmare quelle lacune. La peggiore pratica, spero che tutti concordino, è l’approccio della Torre d’Avorio. Questo è il nostro budget, la finanza lo stabilisce, e mi ricorda i vecchi problemi di calcolo in cui la derivazione veniva lasciata all’utente, e noi ci chiedevamo: “Oh, come diamine faremo a farlo?” Quindi, questa è una pratica pessima, semplicemente inserire quei placeholder.

Quindi, penso che questo sia un modo per assicurarsi che il budget originale sia basato sulla realtà, con piani per raggiungerla. La seconda cosa che dico è che il FVA è perfetto per questo. Questa è la nostra previsione statistica. Il budget; non esiste un FVA per il budget, giusto? È aspirazionale. Ma evidenzi tu dove ci sono le lacune e forzi la conversazione su come affrontarle. Sì, penso che tutti noi saremmo d’accordo che un’altra pessima pratica assoluta è quella in cui la previsione equivale al budget. Questo mi farebbe impazzire.

Conor Doherty: Bene, grazie, Jeff. Passo al commento successivo, alla prossima domanda, scusate, e questa è direttamente per Joannes. Questa proviene da Timur, credo. Trovo il FVA utile ma talvolta limitato nell’ambito. Saresti d’accordo con la metafora di Jeff che paragona il FVA a un martello, o la vedi diversamente?

Joannes Vermorel: Voglio dire, sì. Non ne sono del tutto sicuro. La mia critica al FVA non è che sia un martello. È piuttosto che credo operi all’interno dei paradigmi sbagliati. È strano e dovuto ai paradigmi errati. Ancora, le serie temporali e la tradizionale previsione puntuale, il fatto che sia radicato sull’accuratezza e non sulle misurazioni in percentuale d’errore, non in dollari d’errore. Vedi, ci sono molti problemi paradigmatici, ed è per questo che dico che queste cose sono difettose. Rimango fermo sul mio punto in questo ambito. Quel tipo di attrito che le aziende subiscono in pratica è più una manifestazione di tutti quei problemi.

Se vuoi un esempio aneddotico che quei paradigmi siano difettosi, sin dagli anni ‘70 la teoria della supply chain prometteva l’automazione completa di quei processi decisionali. Questo era, tra l’altro, lo slogan di Oracle degli anni ‘70: otterrai una gestione dell’inventario completamente guidata da algoritmi. Ciò non accadde, e fallì ripetutamente. Il punto che sto sottolineando è che credo, e ho numerosi argomenti a sostegno, che ciò rifletta il fatto che i paradigmi, gli strumenti matematici, gli strumenti in generale sono semplicemente errati. Finisci per avere ogni sorta di problemi strani. Tornando all’argomento del martello, a volte sembra davvero come usare un martello per stringere delle viti. Non è che il martello sia cattivo in sé; è che stai cercando di fare qualcosa per cui il martello non è lo strumento giusto.

Conor Doherty: Jeff, ti lascio la parola se hai qualcosa da aggiungere.

Jeff Baker: No, a parte il fatto che l’analogia che ho fatto del martello era che bisogna usare lo strumento correttamente. Quindi, il FVA è uno strumento. Se non lo usi correttamente, non ne otterrai valore. Quella era la mia analogia.

Conor Doherty: Grazie. Proseguiamo. Questo proviene da Marina. Non c’è una chiara indicazione a chi sia destinato, quindi inizierò con Jeff. Con l’IA che avanza rapidamente e la possibilità che presto tutti i dati siano disponibili, pensi che il FVA diventerà più efficace o addirittura più essenziale?

Jeff Baker: Più efficace o più essenziale? È una domanda interessante. Quello che penso è che, man mano che l’IA diventa sempre più diffusa, con sempre più dati, dobbiamo imparare a contestualizzarli e a prendere decisioni basate su di essi. Si potrebbe quasi immaginare un caso, ormai lontano nel futuro, in cui saremo in grado di contestualizzare tutte queste informazioni, i modelli di linguaggio ampio le integreranno, e, come dici tu, Joannes, inizieranno davvero a sistematizzare quella materia. Questo potrebbe potenzialmente portare il FVA a dire: “Bene, ok, stiamo prendendo tutte queste decisioni, e sono decisioni eccellenti.”

Potrebbe darsi che rimangano solo casi limite legati a eventi significativi, come un concorrente che fallisce o che lancia una promozione proprio quando l’economia sta rallentando, mentre contemporaneamente aumenta la tua stagionalità. Potresti riuscire a reperirne alcuni. Quindi, penso che probabilmente ci saranno alcune opportunità facili in cui l’IA sarà fantastica nell’analizzare tutti quei dati, comprendere le relazioni e anche distinguere il rumore presente da ciò che è effettivamente prezioso. Di conseguenza, potrei immaginare che diventi persino un po’ meno preziosa in futuro, man mano che inizieremo ad automatizzare.

Conor Doherty: Bene, grazie, Jeff. Joannes, IA e FVA, il futuro: sì, no, cosa ne pensi, bene o male?

Joannes Vermorel: Penso, ancora una volta, che dobbiamo fare un passo indietro rispetto all’intelligenza artificiale. Consideriamola in termini di massa d’informazione: i sistemi transazionali contengono gigabyte di dati. Voglio dire, gigabyte se vuoi essere davvero sofisticato. I dati transazionali sono gigabyte di informazioni. Le persone, in confronto, rappresentano solo kilobyte di informazioni. Ciò che le persone hanno in mente non è una quantità enorme di dati. Le persone non sono, sai, non sono mentats, come direi nella serie di Dune per chi apprezza quel riferimento. Quindi, ciò significa che il 99% del problema nel prendere decisioni corrette riguarda, in termini di massa d’informazione, il prendere le banali informazioni transazionali che possiedi e generare a partire da esse le decisioni. Questo rappresenta il 99% della massa informativa qui presente.

Per questa parte del problema, che consiste nell’elaborare dati numerici presenti in forma tabellare, non vedo che i modelli di linguaggio ampio siano particolarmente rilevanti. Sì, possono essere strumenti di codifica molto efficaci, in modo che tu possa effettivamente usarli per scrivere il codice per te. Questo è un aspetto. Ma possono fare qualcosa in più o svolgere altre funzioni oltre a scrivere codice? Diventa molto poco chiaro.

Ora, per i kilobyte di informazioni che le persone hanno in mente, possono effettivamente usarli per prendere queste informazioni e colmare il divario verso qualcosa di quantitativo? Direi di sì, ma la sfida resta ingegnerizzare questo sistema end-to-end, questa pipeline per ottenere un’ottimizzazione predittiva automatizzata. Questa è una vera sfida, e qui stiamo spingendo al limite l’intelligenza umana per farlo correttamente. Quindi, non vedo nel prossimo futuro che l’IA attuale sia davvero in grado di farlo, più di quanto, diciamo, un’azienda di IA possa sostituire Microsoft facendo riscrivere una versione di Microsoft Word da un’IA. È quel tipo di situazione in cui l’IA può aiutarti a scrivere il codice, ma richiederà comunque molta supervisione umana, almeno con l’attuale paradigma che abbiamo con i LLM. Non sono ancora super intelligenti.

Conor Doherty: Eppure, ci sono ancora due domande da affrontare. Quindi, Jeff, se vuoi, possiamo passare direttamente alla prossima.

Jeff Baker: Perfetto.

Conor Doherty: Grazie. Questa è per te. Inizierò io. Ehm, questa proviene da Mark. Come possono gli intervalli di confidenza delle previsioni essere tradotti efficacemente in un singolo numero discreto, come ad esempio un ordine di acquisto o di lavoro? L’analisi post-previsione sarebbe l’approccio migliore per determinare quel numero?

Jeff Baker: Sì, sai, non ho problemi con la previsione probabilistica o con gli intervalli, ma alla fine della giornata, devi inserire un numero nel tuo sistema ERP, nel tuo sistema di programmazione. Devi fare una scelta riguardo a quel numero. Ora, dove la conversazione diventa interessante è: qual è la variazione di quel numero? Il mio sistema è robusto? Cosa succede se aumenta del 20%, 30% o altro? Ma questi diventano scenari che puoi iniziare a investigare, giusto? Quindi sì, quella sarebbe la mia risposta.

Conor Doherty: Grazie. Joannes, hai qualcosa da aggiungere?

Joannes Vermorel: Sì, ancora, se pensi che sia necessario affrontare il problema da una prospettiva paradigmatica in cui una previsione della domanda fornisce un numero preciso per la decisione sull’inventario, allora si genera il problema che l’incertezza non esiste. Non può esistere. Ed è per questo che le persone, tornando a questa prospettiva scorretta, affrontano il problema chiedendosi: “E quegli intervalli di confidenza? Che ne faccio? Oh, devo pensare a un numero.” Ed è un tranello paradigmatico. Sei intrappolato in concetti difettosi.

Quindi, se affronti il problema con l’attuale paradigma in cui una previsione della domanda ti fornisce un numero preciso per decidere l’inventario, l’unico modo per risolverlo è preservare, anche nella decisione, il fatto che essa rifletta tutti i possibili scenari. Non si tratta di scegliere un numero per l’inventario; si tratta di scegliere una domanda specifica. No, la tua decisione di inventario dovrebbe riflettere tutti i possibili scenari, con le relative priorità, ed esprimere i vari rischi in termini monetari. E tornando alla domanda, se rimani nel tipo di paradigma delle serie temporali, non sai cosa fare con i tuoi intervalli di confidenza. Non si adattano al sistema.

Jeff Baker: Sostengo che sai esattamente cosa fare con questi intervalli di confidenza, perché se ho l’errore di previsione al tempo di consegna, questo viene inserito nel calcolo delle mie scorte di sicurezza. Che tu sia d’accordo o meno, esistono calcoli molto ben definiti per le scorte di sicurezza che tengono conto della variabilità della domanda e del tempo di consegna. Quindi, se applichiamo ciò, ora abbiamo – e, ancora, non voglio dilungarmi in una teoria sulla gestione dell’inventario – calcoli statistici per le scorte di sicurezza che si accontentano perfettamente di prendere una previsione puntuale insieme a un errore standard della tua previsione al tempo di consegna, offrendoti un numero per le scorte di sicurezza. Possiamo discutere tutto il giorno su come appaia quella distribuzione e se una distribuzione normale sia quella corretta, ma è in questo modo che quella deviazione nell’errore di previsione viene affrontata nella maggior parte delle aziende per cui ho lavorato e in molte delle aziende presentate alle conferenze.

Conor Doherty: Spingerò fino all’ultima domanda. In che modo i modelli di machine learning dovrebbero gestire le regolazioni per eventi noti, come ad esempio un grande nuovo cliente, che non sono inclusi nei fattori causali della previsione statistica? Joannes, cominciamo da te.

Joannes Vermorel: Quindi, ancora una volta, qui ci troviamo ad affrontare il problema di trattare informazioni per le quali non esiste una struttura algoritmica chiara, e non possiamo invocare il machine learning come parola d’ordine per dire “Oh, la tecnologia farà qualcosa per me qui.” Stiamo entrando nel territorio delle previsioni informali. Al pubblico consiglio vivamente il libro di Philip Tetlock intitolato “Superforecasting.” Se non hai una base chiara, cosa fai?

Il machine learning non fornisce alcuna risposta a questa domanda. Il machine learning, almeno il paradigma classico del machine learning, ossia l’apprendimento supervisionato, input-output, non offre affatto una risposta a questa domanda. Credo che, se leggessi ciò che il Good Judgment Project ha fatto e le tecniche che hanno sviluppato, noteresti che hanno elaborato tecniche di intelligenza superiore. Con “intelligenza superiore” intendo che, per applicare queste tecniche, stiamo cercando qualcosa che esibisca lo stesso tipo di intelligenza sfumata di un LLM o più avanzato.

Hanno identificato tecniche parlando con super previsori, persone che hanno pionierato e dimostrato capacità previsionali superiori in questo tipo di situazione, e hanno analizzato quali tecniche tutte queste persone avevano in comune. Sorprendentemente, sono tutti giunti a una specie di medesimo insieme di tecniche. In breve, esistono tecniche, ma richiedono una notevole capacità di giudizio. Sulla base di questi risultati empirici, non credo che in una situazione del genere si possa fare affidamento esclusivamente su un algoritmo di machine learning.

Devi costruire un caso, un po’ come un business case nel mondo degli affari, dove devi elaborare le tue ipotesi, decomporre il caso, valutare i vari fattori e cercare di arrivare a qualcosa di ragionevole. Ma usando termini come “ragionevole”, cosa significa formalmente? È molto difficile, eppure le persone possono effettivamente esaminare una logica e concordare su di essa.

Quindi, il mio punto di vista è: non aspettatevi che il machine learning classico sia la risposta. Un LLM potrebbe essere forse uno strumento di supporto per aiutarvi a costruire questo tipo di ragionamento, sicuramente per fare brainstorming su come decomporre e quantificare i vari fattori del problema. Ma alla fine della giornata, sarà un esperto di previsioni a esaminare la situazione e prendere una decisione basata su una modellizzazione numerica ad hoc. Questa sarebbe la migliore pratica, almeno secondo gli studi empirici del Good Judgment Project.

Conor Doherty: Jeff, i tuoi pensieri?

Jeff Baker: Sì, voglio dire, penso che dobbiamo fare attenzione a esagerare con tutto questo. Che si tratti di machine learning o di AI, inserire troppe variabili, giusto? Perché poi potremmo iniziare a confondere correlazione e causalità. Una delle esperienze di apprendimento classiche che ho avuto durante una delle mie lezioni è stata con un modello di regressione multipla. Continuavamo a inserire fattori, fattore dopo fattore, e il modello migliorava sempre di più. Abbiamo aggiunto il prezzo, e all’improvviso, indovinate un po’? Se aumento il prezzo, aumenteranno le vendite, giusto? Completamente controintuitivo. La causalità era chiaramente fuori strada, ma la correlazione risultava migliore.

Quindi, dobbiamo stare davvero, davvero attenti a questo, perché ad un certo punto iniziamo a modellare il rumore. Cominciamo a chiederci se si tratta di machine learning o di AI, e a porre domande. Il problema è che, con l’AI, risponderà con tutta la presunzione di un bambino di cinque anni che crede nella fata dei denti. Ed è esattamente ciò che accade. Quindi, dobbiamo fare attenzione. Ed è per questo che sono d’accordo con Joannes. Devi contestualizzare, trovare un esperto che possa comprendere la situazione. Non tentare di costruire un modello perfetto, perché a un certo punto i risultati non saranno quelli che ti aspetti.

Conor Doherty: Bene, a questo punto, signori, non ci sono ulteriori domande dal pubblico. Ma un’ultima domanda che può servire da conclusione, come gran finale. Passo a Jeff per primo. Il tema del dibattito è stato FVA: è una best practice o una perdita di tempo? Ora, vi siete ascoltati reciprocamente per quasi 80 minuti. Jeff, come ti senti riguardo a questa proposta adesso? Ascoltandoti esporre i tuoi punti e le tue confutazioni nei confronti di Joannes, sembri piuttosto generoso nell’accettare diversi dei punti che Joannes solleva. Sono solo curioso: come concili il fatto che Joannes potrebbe avere ragione su alcuni, su tutti o su molti dei suoi punti? Come concilare ciò con la posizione secondo cui l’FVA è ancora una best practice?

Jeff Baker: Sì, esatto. Apprezzo questo scambio aperto di idee, e penso che, sì, posso ancora sostenere che attualmente il Forecast Value Added sia una best practice. Ne abbiamo bisogno nel presente.

Barina ha posto una domanda eccellente in precedenza: in futuro, con il progresso della tecnologia, l’FVA potrebbe diventare una tecnica sempre meno critica. Forse potremo quantificarla, magari parametrizzare le variabili, inserirle in un modello e prendere decisioni automaticamente. Tuttavia, penso che avremo sempre bisogno di un processo nel quale stabilire la collaborazione e comprendere le vendite, il marketing e le influenze esterne.

Vedo il suo ruolo potenzialmente ridursi? Sì. Ho parlato di quel quadrante ad alto valore e alta variabilità, e posso sicuramente immaginare che diventerà meno rilevante in futuro. Ma per ora vedo ancora l’FVA come una best practice e credo che continuerà a esserlo ben oltre il mio pensionamento.

Quindi, nel prossimo futuro—sì, l’FVA rimane importante. Nel lungo termine, penso che Joannes abbia una visione molto interessante di cosa potrebbe essere, e non vedo molte problematiche in ciò. Direi che siamo allineati per circa il 50% su molte di queste idee.

Conor Doherty: Bene, grazie Jeff. E Joannes, non ti trasmette alcuna emozione tutto ciò che hai sentito? In parole semplici, è sostanzialmente un oggetto immobile e una forza inarrestabile?

Joannes Vermorel: Voglio dire, direi, vedete, se torniamo a quella che ho definito la teoria della supply chain mainstream, e l’FVA vi rientra, allora risulta abbastanza coerente. Lo ammetto.

Quindi, in effetti, se accetti tutte queste idee, tutti quei paradigmi e tutto il resto, da questa prospettiva non sembra affatto male. Tuttavia, sarei ancora un po’ cauto riguardo alla quantità di burocrazia che si può generare.

Ancora una volta, coinvolgere molte persone è una ricetta per assorbire il tempo di molte persone. Appena crei una sorta di entità trasversale, che naturalmente sfida tutti, questo può comunque generare molto lavoro improduttivo.

Ho esempi nella mia rete di persone che stanno svolgendo un’enorme quantità di lavoro improduttivo su questo genere di attività, specialmente tutto ciò che è periferico o di supporto all’S&OP.

Ora, Lokad opera da più di un decennio su paradigmi diversi. C’è una serie mondiale di lezioni, tra l’altro, Jeff, che conta quasi 100 ore di serie su YouTube a supporto di questa visione alternativa.

Ma la cosa interessante è che, quando si adotta un paradigma differente, strumenti diversi, allora la stragrande maggioranza di quei problemi semplicemente scompare. Emergeranno nuovi problemi, completamente differenti, ma operativamente finisci comunque con qualcosa di molto strano.

Si tratta di supply chain in cui quasi tutte le decisioni vengono prese automaticamente. E, tra l’altro, abbiamo avuto un’esperienza molto particolare nel 2020-2021, in cui decine di clienti hanno mandato tutti i loro impiegati a casa.

Abbiamo avuto un cliente con un inventario del valore di oltre un miliardo di euro che ha mandato tutti i suoi dipendenti a casa per 14 mesi, senza accesso a Internet, perché voleva ottenere sussidi governativi. La loro supply chain ha continuato a funzionare a circa l'80% della capacità nominale, con Lokad che prendeva tutte le decisioni senza nemmeno una supervisione.

Normalmente, generiamo le decisioni, ma ci sono molte persone che convalidano che ciò che produciamo vada bene. Secondo me, se sei in grado di gestire supply chain iper-complesse da miliardi per 14 mesi senza che tutte le persone si occupino di questo micromanagement, ci si deve davvero chiedere quale sia il valore aggiunto di tutte queste persone e cosa ci si dovrebbe aspettare dall’automazione.

Penso che si parli di AI e di ogni sorta di cose, ma il mio approccio è che non è necessariamente necessario disporre di un modello iper-parametrico super sofisticato da trilioni di parametri per ottenere l’automazione.

La mia conclusione è che credo che l’FVA appartenga a un mondo in cui si tratta veramente di persone che pilotano direttamente la supply chain. Io lo approccio da una prospettiva in cui la macchina pilota la supply chain, e le persone pilotano la macchina, non la supply chain.

Conor Doherty: Bene, grazie. Come consuetudine qui, diamo la parola finale agli ospiti. Quindi, Jeff, grazie mille per essere stato con noi. Se hai qualche commento finale da fare, sentiti libero di esprimerlo.

Jeff Baker: No, solo grazie mille per l’opportunità. Apprezzo la conversazione, molto ben moderata, Conor. Grazie mille.

Il mio obiettivo è accontentare. Apprezzo la partecipazione del pubblico con le domande. Penso sia sempre interessante quando due punti di vista opposti si incontrano, perché credo che entrambi ne escano arricchiti dallo scambio. Sinceramente, apprezzo l’opportunità. È stato un piacere parlare con voi.

Joannes Vermorel: Grazie, Jeff.

Conor Doherty: Joannes, grazie mille per il tuo tempo. Jeff, grazie mille per il tuo. Grazie a tutti per averci seguito. Ci vediamo alla prossima.