00:00:00 Introduzione dei partecipanti al dibattito e del formato del dibattito
00:02:56 Osservazioni introduttive di Joannes
00:09:53 Osservazioni introduttive di Jeff
00:16:56 Replica di Joannes
00:21:47 Replica di Jeff
00:26:53 Conclusioni di Joannes
00:28:56 Conclusioni di Jeff
00:31:05 Domande di approfondimento
00:48:36 Domande del pubblico
01:18:57 Ripresa delle prospettive iniziali e conclusioni
Riassunto
In un dibattito moderato da Conor Doherty, il tema “È Forecast Value Added (FVA) una best practice o uno spreco di tempo?” è stato esplorato da Jeff Baker e Joannes Vermorel. Jeff Baker, con una vasta esperienza nella gestione della supply chain, ha sostenuto a favore del FVA, sottolineando il suo valore quando viene applicato correttamente e strutturato, evidenziando l’importanza di affrontare i pregiudizi e sfruttare le competenze degli esperti. Al contrario, Joannes Vermorel, CEO di Lokad, ha sostenuto che il FVA può essere inefficiente, sostenendo invece l’ottimizzazione finanziaria delle decisioni della supply chain con previsioni probabilistiche. Il dibattito ha evidenziato le diverse opinioni sul ruolo del FVA nella gestione della supply chain, fornendo spunti per migliorare i processi decisionali.
Riassunto Esteso
In un recente dibattito moderato da Conor Doherty, Responsabile della Comunicazione presso Lokad e conduttore del canale YouTube LokadTV, il tema “È Forecast Value Added (FVA) una best practice o uno spreco di tempo?” è stato esaminato approfonditamente. Il dibattito ha visto la partecipazione di due figure di spicco nell’industria della supply chain: Jeff Baker e Joannes Vermorel.
Jeff Baker, sostenitore dell’uso del FVA, è il Fondatore e Direttore Generale di Libra SCM, Responsabile del Corso MITx MicroMasters in SCM e Associate Editor di Foresight, l’International Journal of Applied Forecasting. Con oltre 25 anni di esperienza nella gestione della supply chain, Jeff parla e scrive frequentemente di Sales and Operations Planning (S&OP) e FVA.
Dall’altra parte, Joannes Vermorel, CEO e Fondatore di Lokad, un’azienda software con sede a Parigi dedicata all’ottimizzazione finanziaria delle decisioni della supply chain, ha argomentato contro l’uso del FVA. Joannes è noto per le sue numerose pubblicazioni su argomenti legati alla supply chain e per le sue regolari lezioni e dibattiti pubblici con leader del settore.
Conor Doherty ha iniziato il dibattito introducendo il tema e dando a ciascun partecipante la possibilità di presentarsi. Dopo le presentazioni, ciascun partecipante ha esposto le proprie opinioni sul FVA.
Jeff Baker ha sostenuto che il FVA è una pratica preziosa quando viene applicata correttamente. Ha sottolineato che gli aggiustamenti alle previsioni dovrebbero essere guidati e strutturati. Secondo Jeff, gli aggiustamenti dovrebbero basarsi sulla direzione dell’aggiustamento (se è al rialzo o al ribasso), sulla previsione intrinseca della serie temporale e sulla dimensione dell’override. Ha sottolineato l’importanza di cercare aumenti sostanziali anziché apportare piccole modifiche.
Jeff ha anche evidenziato la necessità di input strutturati, in cui le ipotesi sono chiaramente espresse e basate su nuovi dati che potrebbero non essere ancora stati modellati. Ha sostenuto un approccio proattivo per identificare e affrontare i bias, comprendere le motivazioni che li sottendono e imparare dagli errori del passato. Jeff ritiene che un buon giudizio si basi sull’esperienza, che a sua volta si basa su un cattivo giudizio. Riprendendo le ipotesi e convalidandole, le organizzazioni possono affrontare problemi come la sovrastima dovuta a una mancanza di fiducia nella supply chain.
Inoltre, Jeff ha sostenuto che gli esperti di vendite e marketing sono più preparati per contestualizzare le informazioni rispetto agli scienziati della supply chain. Ha suggerito che nel tempo gli input preziosi di questi esperti dovrebbero essere automatizzati, ma ha riconosciuto che non viviamo in un mondo con dati puri infiniti. Pertanto, è essenziale raccogliere i dati corretti da varie fonti, tra cui produzione, vendite e marketing.
Joannes Vermorel, d’altra parte, ha argomentato contro l’uso del FVA. Ha sostenuto che il FVA può essere una perdita di tempo e potrebbe non portare sempre a decisioni migliori. Joannes ha sottolineato l’importanza di concentrarsi sull’ottimizzazione finanziaria e di utilizzare previsioni probabilistiche per prendere decisioni più informate sulla supply chain in modo automatico. Ha sostenuto che fare affidamento eccessivo sul FVA potrebbe portare a inefficienze e distogliere l’attenzione da aspetti più critici della gestione della supply chain.
Il dibattito ha incluso domande di approfondimento e uno scambio libero tra i partecipanti, consentendo loro di approfondire i loro argomenti e affrontare i punti degli altri. La discussione si è conclusa con una sessione di domande e risposte, in cui il pubblico ha avuto l’opportunità di inviare domande in diretta nella chat.
In sintesi, il dibattito ha evidenziato le diverse prospettive sul valore del FVA nella gestione della supply chain. Jeff Baker ha sostenuto un approccio guidato e strutturato al FVA, sottolineando l’importanza di imparare dall’esperienza e affrontare i bias. Joannes Vermorel, tuttavia, ha sostenuto che il FVA potrebbe essere una perdita di tempo e ha sottolineato la necessità di ottimizzare finanziariamente le decisioni della supply chain anziché apportare modifiche alle previsioni. Il dibattito ha fornito preziose intuizioni sulle complessità delle previsioni della supply chain e sui vari approcci per migliorare la presa di decisioni in questo campo.
Trascrizione completa
Conor Doherty: Benvenuti alla terza edizione dei Lokad Supply Chain Debates. Oggi ho il piacere di ospitare un dibattito molto atteso tra Jeff Baker e Joannes Vermorel. Jeff insegna Supply Chain Dynamics presso il MIT Center for Transportation and Logistics ed è il fondatore e direttore generale di Libra SCM. Nel frattempo, a 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, l’argomento del dibattito di oggi è “Forecast Value Added (FVA): una best practice o una perdita di tempo?” Jeff sosterrà che il FVA è, in realtà, una best practice, mentre Joannes sosterrà che è una perdita di tempo. Ora, il più velocemente possibile, cercherò di passare ai parametri del dibattito, alle questioni organizzative, in modo da poter arrivare alle cose interessanti.
Prima di tutto, ci saranno delle osservazioni introduttive, con un massimo di 7 minuti ciascuna. Come concordato in precedenza, Joannes parlerà per primo. Successivamente, ogni relatore avrà una replica di 5 minuti. Seguirà una conclusione di due minuti da parte di ciascun relatore, momento in cui porrò alcune domande di approfondimento. Queste domande possono essere inviate dagli spettatori in qualsiasi momento durante l’evento nella chat live.
Ora, in preparazione al dibattito, entrambi i relatori hanno concordato la seguente definizione: Forecast Value Added (FVA) è uno strumento semplice per valutare le prestazioni di ogni passo e contributore in un processo di previsione. Il suo obiettivo è eliminare gli sprechi rimuovendo processi e attività di qualsiasi tipo che non riescono a aumentare l’accuratezza delle previsioni o a ridurre il bias.
Tale definizione, così come le biografie complete di entrambi i relatori, si trovano in un documento Google aperto che potete trovare nella sezione dei commenti o nella chat dei commenti di questo video. Durante la sezione del dibattito, cronometrerò rigorosamente entrambi i relatori e li ricorderò gentilmente quando il tempo sta per scadere, con un modesto colpo di tosse al massimo. Ma consiglio a ciascuna persona di cronometrarsi in modo da sapere quando il tempo sta per scadere.
Quasi finito. I relatori devono rimanere completamente in silenzio durante il turno di ciascuna persona, quindi per favore non interrompetevi a vicenda, almeno durante la sezione cronometrata. E infine, un po’ di autopromozione sfacciata: mentre siete qui, se vi piacciono questi dibattiti e vi piace ciò che facciamo, vi incoraggio a iscrivervi al canale YouTube di Lokad e a seguirci su LinkedIn. E con questo, il Forecast Value Added è una best practice o una perdita di tempo? Joannes, per favore, le tue osservazioni introduttive.
Joannes Vermorel: Innanzitutto, vorrei ringraziare Jeff per essere un buon sport e aver accettato questo dibattito. In termini semplici, il FVA è uno strumento per tracciare aumenti e diminuzioni di accuratezza. Ora, il FVA è una best practice? Perché qualcosa venga considerato una best practice, deve, per definizione, riflettere la comprensione della comunità su quale sia il modo più efficace per raggiungere un obiettivo specifico. Tuttavia, la previsione non è un obiettivo di per 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 molto controversa. Secondo me, la previsione è solo uno strumento in più che ci aiuta a prendere decisioni aziendali migliori, cioè decisioni aziendali che fanno guadagnare più soldi. Quindi la domanda è: il FVA, misurando gli aumenti o le diminuzioni di accuratezza, ci avvicina di più al raggiungimento dell’obiettivo di guadagnare più soldi? Non ne sono convinto e, per ora, presenterò tre critiche a sostegno della mia tesi.
Prima di tutto, anche se il FVA non è stato originariamente progettato per facilitare la previsione collaborativa, il FVA fornisce, per sua stessa natura, un quadro per misurare l’impatto sull’accuratezza della previsione collaborativa. Questo è importante. Il FVA non dice che dovresti utilizzare le migliori pratiche di previsione. Il FVA dice: ecco l’impatto sull’accuratezza di ciò che stai facendo. Perché è importante? Beh, qual è la best practice nella comunità delle previsioni?
Dal 1980, Spyros Makridakis ha organizzato una serie di competizioni di previsione pubbliche (le competizioni M) per trovare le migliori pratiche. A partire dal M4 nel 2018, queste competizioni hanno costantemente dimostrato la superiorità dei metodi algoritmici. Infatti, probabilmente il più grande esperto vivente quando si tratta delle capacità di previsione umana, Philip Tetlock, ha scritto che ogni volta che è disponibile un algoritmo di previsione, questo algoritmo deve essere utilizzato. Il motivo? L’algoritmo offre invariabilmente un’accuratezza superiore rispetto al giudizio umano. Questo algoritmo e ovviamente l’esperto che lo utilizza rappresentano la best practice.
Quindi, se la previsione collaborativa e le modifiche manuali non sono la best practice, e dimostrabilmente non lo sono, allora le aziende che le misurano con il FVA non stanno seguendo la best practice e, a mio avviso, stanno perdendo tempo. Alcuni potrebbero dire: “Ma Joannes, il FVA non promuove esplicitamente la previsione collaborativa o le modifiche manuali”. Ok, ma è così che viene comunemente utilizzato, anche negli scritti di Jeff.
Tuttavia, la mia seconda critica riguarda proprio ciò su cui si basa il FVA, ovvero la prospettiva delle serie temporali. Il FVA richiede previsioni classiche delle serie temporali, anche note come previsioni puntuali. Come minimo, il FVA consiglia di utilizzare una previsione ingenua, ovvero una copia dell’ultima misura effettiva, come punto di riferimento per confrontare le modifiche alle previsioni. Questa previsione senza cambiamenti è una serie temporale. Ma le serie temporali sono una best practice? Di nuovo, 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 di previsione M5 ha incluso una sfida separata, la sfida dell’incertezza, che si è concentrata sulle previsioni dei quantili, a cui Lokad ha partecipato e vinto a livello di SKU, tra l’altro. In realtà, esiste già una classe molto migliore di previsioni, ovvero le previsioni probabilistiche. A differenza delle serie temporali, le previsioni probabilistiche non individuano un singolo possibile futuro, ad esempio la domanda della prossima settimana. Invece, guardiamo a tutti i possibili futuri e alle rispettive probabilità. Perché è importante? È importante perché identificare tutti i possibili scenari futuri è essenziale per selezionare la scelta migliore possibile. Questo è importante ogni volta che sono coinvoli rischi finanziari, che è sempre il caso per quanto riguarda le supply chain.
Tuttavia, il FVA non è compatibile con la previsione probabilistica. Perché? Perché la previsione probabilistica significa guardare alle distribuzioni di probabilità e non alle serie temporali. E diciamocelo, le persone nelle vendite e nel marketing non modificheranno manualmente le distribuzioni di probabilità con o senza il FVA. Questo è assolutamente inaccettabile. Se le serie temporali non sono una best practice, e certamente non lo sono quando si tratta di gestione del rischio, allora utilizzare il FVA per confrontare le modifiche di accuratezza non è nemmeno una best practice. Direi che è una perdita di tempo.
La mia terza critica è che il valore aggiunto della previsione non misura il valore; misura l’accuratezza. E l’accuratezza aggiunge valore? Non necessariamente. Una previsione più accurata non aggiunge di per sé valore. In molte situazioni del mondo reale, una previsione accurata al 90% e una previsione accurata al 60% portano alle stesse decisioni di inventario se sono presenti MOQ o altri vincoli. Se l’esito finanziario della decisione non cambia, allora misurare il guadagno di accuratezza non aggiunge valore aziendale. Pertanto, dal punto di vista aziendale, è assolutamente errato dire che l’accuratezza di per sé aggiunge valore. Se è così, e lo è, come può essere la best practice concentrarsi sull’accuratezza con il FVA? Non lo è.
Anche se personalmente non utilizzi il FVA per supportare la previsione collaborativa, altri lo fanno. Il FVA si basa ancora sulle previsioni delle serie temporali, che ignorano l’incertezza e l’idea che un’accuratezza maggiore equivale a un valore maggiore, il che contrasta con le impostazioni aziendali. Tutte queste sono cattive pratiche e quindi sostengo che il FVA stesso non possa essere considerato una best practice. È, secondo me, una perdita di tempo. Grazie.
Conor Doherty: Hai ancora 15 secondi, Joannes.
Joannes Vermorel: Va bene, grazie.
Conor Doherty: Beh, grazie mille, Joannes, per le tue osservazioni introduttive. Jeff, in questo momento, ti invito a fare le tue osservazioni introduttive.
Jeff Baker: Sì, ottimo. Grazie, Conor. Grazie, Joannes. Apprezzo davvero l’opportunità di partecipare a questa conversazione. Quindi, ovviamente, sono a favore dell’uso del FVA come best practice. Questo deriva dal fatto che tutte le supply chain hanno bisogno di pianificare, giusto? Dobbiamo prendere decisioni molto in anticipo, magari due o tre mesi per stabilire un programma di produzione, collaborare con i fornitori, magari fissarlo sei mesi prima. Abbiamo bisogno di una buona previsione per assicurarci, sai, se abbiamo piccoli cambiamenti di capacità, magari di personale, magari di un co-produttore che vogliamo coinvolgere. Quindi dobbiamo prendere queste decisioni su un lungo periodo di tempo e alla fine le rivediamo.
Ho un paio di citazioni preferite nella supply chain. Una è: “Il piano non è niente, ma la pianificazione è tutto”. Quindi dobbiamo avere questo piano per metterci nella posizione giusta. Ora, la mia seconda citazione preferita nella supply chain è di Mike Tyson: “Tutti hanno un piano finché non vengono colpiti in faccia”. Quindi sottolinea il fatto che sappiamo che subiremo qualche colpo nella supply chain. L’obiettivo è prendere la migliore decisione possibile con la maggior possibilità di successo nello spazio dell’esecuzione. Il modo migliore per farlo è coinvolgere i nostri esperti funzionali. Le vendite e il marketing hanno conoscenze locali che possono essere utilizzate per migliorare la previsione e quindi dovrebbero essere inclusi 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.
Ora, con la precauzione che potresti potenzialmente aprire la porta a un pregiudizio, ma dal mio punto di vista, ciò che dobbiamo fare è lavorare per correggere quel pregiudizio, non eliminarlo del tutto. Dobbiamo essere interfunzionali. Abbiamo predicato che l’interfunzionalità è la strada da seguire per molti, molti anni. Non voglio tornare a un silos funzionale in cui ognuno è responsabile solo delle proprie decisioni, non delle loro conseguenze sugli altri. Per fare questo nel modo migliore, penso che tu debba avere aggiustamenti guidati, ancora una volta, dove il FVA brilla. Mi fornisce quei prodotti che sono molto preziosi ma hanno un alto margine di errore. Questo è il terreno fertile in cui cercare i migliori input.
Se ho un impatto significativo previsto, un effetto materialmente avverso che sta arrivando, o potrebbe essere anche un effetto positivo, dobbiamo essere in grado di pianificare per questo. Quindi, la prima cosa è che questi aggiustamenti dovrebbero essere guidati. La tesi che ho fatto per la mia laurea magistrale diceva che dobbiamo guardare la direzione dell’aggiustamento: è in aumento o in diminuzione? Qual è la previsione intrinseca della serie temporale? Qual è la dimensione dell’override? E assicuriamoci che se vogliamo aggiungere valore, stiamo cercando un aumento sostanziale, non solo facendo piccoli aggiustamenti.
La prossima cosa è la struttura. Non permetterò a nessuno del reparto vendite o marketing di darmi un numero arbitrario. Chiederò: quali sono le loro ipotesi di input? Si basa su nuovi dati che non abbiamo ancora modellato? Poi andrò più in profondità, chiedendo: è questo uno scenario ottimale? Uno scenario peggiore? Qual è lo scenario più probabile? Cosa dovrebbe accadere? Cosa dovrebbe essere vero affinché questo scenario si verifichi in futuro? In questo modo, stiamo cercando di individuare in modo proattivo le cause di distorsione e capire le motivazioni che le sottendono.
Una volta fatto ciò, il mese successivo guardiamo quegli aggiustamenti per dire: “Hanno aggiunto valore o non hanno aggiunto valore?” Quello che mi piace dire è che il buon giudizio si basa sull’esperienza. L’esperienza si basa su un cattivo giudizio. Quindi, impariamo dai nostri errori. Torniamo alle ipotesi, le convalidiamo, potremmo trovare qualcosa che - hey, sai cosa - forse i venditori fanno costantemente sovrastimazioni perché non hanno fiducia nella supply chain. Questo non è solo un pregiudizio, è un problema di fiducia e possiamo iniziare a affrontarlo.
Inoltre, sono loro che contestualizzano meglio quelle informazioni di quanto possiamo fare noi. Non penso che avremo un esperto di supply chain che sia esperto di tutte le sfumature del marketing o di tutte le sfumature delle previsioni. Mi affiderò a quegli esperti, userli per darmi quei dati. Ora, se nel tempo trovo quegli input utili, cercherò di automatizzarli. Non ho nulla in contrario all’automazione nella raccolta di dati corretti. Ma il problema è che non viviamo in un mondo con dati puri infiniti. Se ci sono dati di produzione, se ci sono dati di vendita, se ci sono dati di marketing, spesso dobbiamo andare a cercarli in modo proattivo.
Se lo facciamo bene, potremmo automatizzare molte di queste decisioni. Gli aggiustamenti non sono necessari solo perché abbiamo un processo FVA in un sistema di previsione. In effetti, il mantra principale delle previsioni dovrebbe essere “Non fare danni”. Kraft Heinz, una delle più grandi aziende alimentari e delle bevande in Nord America, ha la metrica “percentuale di previsione a basso impatto”. Come faccio a essere sicuro di non toccarla ogni volta? Penso che Deming l’abbia detto meglio: “Non fare semplicemente qualcosa, stai lì”. Perché si è reso conto della tendenza naturale di qualcuno a pensare: “Stanno cercando di farmi fare un input, meglio fare un input per mostrare che sono occupato”. No, è totalmente sbagliato guardarlo in questo modo.
Mentre guardiamo la prova che la riduzione degli errori è preziosa, possiamo fare riferimento all’Istituto per le previsioni e la pianificazione aziendale. Hanno condotto un sondaggio su otto aziende CPG e hanno scoperto che per una riduzione dell'1% dell’errore di previsione, le aziende ottengono 1,7 milioni di dollari di benefici per un fatturato di un miliardo di dollari evitando i costi delle previsioni. Ciò include l’evitare sconti, trasferimenti, prodotti obsoleti, eccesso di inventario e immobilizzazione del capitale di lavoro. Le aziende riducono anche i costi di sotto-previsione di circa 1 milione di dollari per un miliardo di dollari di fatturato, evitando vendite perse, multe per riempimento dei casi e costi di produzione o spedizione accelerata.
L’IBF ha riscontrato questo nella loro ricerca. Gartner ha trovato benefici simili: una riduzione del 2-7% del valore dell’inventario, una diminuzione del 4-9% dell’inventario obsoleto, una riduzione del 3-9% dei costi di trasporto. La portata di questi numeri rende allettante perseguire vie per migliorare l’accuratezza delle previsioni, specialmente nelle aree in cui un articolo ha un alto valore e un alto errore, o se sappiamo in anticipo che eventi esterni influenzeranno la supply chain in un modo o nell’altro. Grazie.
Conor Doherty: Beh, grazie, Jeff. Hai ancora 15 secondi se vuoi.
Jeff Baker: Ne ho 13, ma va bene così.
Conor Doherty: Giusto. Beh, Jeff, grazie mille per la tua dichiarazione di apertura. A questo punto, procederemo alla confutazione. Joannes, hai 5 minuti quando sei pronto.
Joannes Vermorel: Grazie, Jeff, per le tue osservazioni introduttive. Penso che tu argomenti molto bene la tua posizione, anche se ci sono alcuni punti che vorrei chiarire. Non sto mettendo in discussione l’intenzione delle persone di fare qualcosa di buono per l’azienda. Sto cercando di mettere in discussione la realtà del risultato effettivo.
Prima di tutto, se pensiamo che l’accuratezza sia la cosa migliore, qualcosa che vale la pena inseguire, allora la realtà, come ho evidenziato nella mia dichiarazione iniziale, è che FVA non riflette le migliori pratiche di previsione. Se un’azienda sta veramente cercando l’accuratezza, allora non facendo quelle previsioni collaborative, otterranno risultati effettivamente più accurati. Purtroppo, questo è ciò che è stato dimostrato empiricamente.
In secondo luogo, le sovrascritture stesse sono un modo molto burocratico per affrontare il problema. Appena si mette in atto un meccanismo - sì, le persone potrebbero dire “non fare del male” - ma se si mette in atto un meccanismo burocratico, verrà utilizzato. FVA implica l’istituzione di una mini-burocrazia o mini-tecnocrazia con elementi software coinvolti. Ci saranno persone che verificheranno se coloro che si occupano di vendite e marketing stanno effettivamente apportando le correzioni e tutto il resto. E quindi per me, si apre la strada a qualcosa che genererà molto lavoro burocratico.
Perché la realtà è che quando si inizia a guardare come appaiono quelle previsioni e regolazioni, stiamo parlando di decine di migliaia di serie temporali, ognuna delle quali ha come minimo 50 punti, previsioni settimanali per un anno. Ma questo mi porta a un’altra critica, ovvero che concentrarsi sull’accuratezza in modo isolato, credo che FVA assegni in modo errato i soldi e accechi le aziende a modi molto più efficaci in cui le persone potrebbero contribuire al processo di previsione. E per essere perfettamente chiari, non ho mai sostenuto che i membri delle vendite, del marketing e delle finanze non possano contribuire in modo significativo al processo di previsione. Sono perfettamente consapevole che qualsiasi membro rilevante del personale può avere informazioni preziose nella propria testa, informazioni che potrebbero essere vantaggiose dal punto di vista finanziario per l’azienda.
Tuttavia, ciò con cui non sono d’accordo è l’idea che le persone dovrebbero aspettare fino a dopo che una previsione a punto è stata prodotta per poi manipolarla con sovrascritture manuali al fine di aumentare l’accuratezza. Questo, come ho detto, non è una buona pratica di previsione, eppure è ciò che le persone di solito fanno con FVA. Tuttavia, c’è un modo costruttivo per coinvolgere le persone nel processo di previsione. È contribuendo agli algoritmi di previsione che generano la previsione e successivamente agli algoritmi che generano le decisioni. In realtà, questo significa assistere l’esperto di previsione. Da Lokad, questo sarebbe uno scienziato della supply chain che scrive e affina questi algoritmi fornendo competenze e conoscenze specifiche del settore. Questo non significa che tutti in vendite e marketing debbano leggere distribuzioni di probabilità e scrivere script in Python. Invece, aiutano fornendo all’esperto di previsione le informazioni utili che potrebbero essere utili, e poi l’esperto traduce quelle informazioni nelle righe di codice.
E infine, gli algoritmi automatizzati vengono eseguiti e generano la previsione. Alla fine della giornata, quelle informazioni sono solo pezzi di informazione e sono distribuite, concordo, ovunque nell’azienda. Tuttavia, l’esperto di previsione è la persona che sa come tradurre tutto ciò in una previsione significativa e un insieme sensato di decisioni sulla supply chain. Possono essere disponibili tonnellate di dati eccellenti, ma è solo un esperto di previsione e solo questo esperto che dovrebbe decidere come utilizzare questi dati per produrre o revisionare una previsione. Questa è la migliore pratica supportata da decenni di risultati sperimentali di previsione. E sfortunatamente, FVA non ha posto in questo accordo. Misurando l’accuratezza invece di contribuire direttamente al miglioramento dell’algoritmo di previsione, la cosa più gentile che si possa dire è che FVA è una distrazione. Io, tuttavia, la chiamerei una perdita di tempo.
Conor Doherty: Joannes, hai ancora altri 20 secondi.
Joannes Vermorel: Va bene, grazie.
Conor Doherty: Va bene, grazie. Jeff, in questo momento ti vedo sorridere. Sentiti libero di rispondere con la tua replica di cinque minuti.
Jeff Baker: A proposito, penso che tu fossi in silenzio.
Sì, scusa. No, prospettiva interessante. Vorrei riflettere su un paio di cose. Primo, hai menzionato la competizione M5 e Makridakis. Una cosa che vorrei sottolineare è che il 92% di quelle persone ha perso contro un semplice algoritmo di smoothing esponenziale di riferimento. Quindi, c’è un argomento per la semplicità. C’è una differenza, penso, tra la migliore pratica e il bleeding edge. Voglio assicurarmi che ci sia una distinzione perché molte volte la semplicità è effettivamente migliore e più accettabile per le persone che la utilizzano. Dal punto di vista dell’esplicabilità, se siamo in una riunione S&OP in una revisione della domanda, è molto più facile spiegare come viene fatta la previsione e ottenere un maggiore consenso su quella.
L’altra cosa che hai menzionato riguarda la focalizzazione delle serie temporali su un solo punto. È una buona pratica non solo fornire la serie temporale, ma anche indicare quali saranno gli intervalli di previsione, giusto? E questo si lega all’accuratezza. Quindi sì, una buona pratica può essere una serie temporale più la comunicazione alle persone degli intervalli di previsione attorno ad essa. Siamo d’accordo sul fatto che una previsione puntiforme sia solo un pezzo di informazione. Una previsione puntiforme più gli intervalli di previsione è più preziosa.
Hai detto che le previsioni probabilistiche non sono adatte a FVA. Penso che se guardi uno degli ultimi numeri di Foresight, vedrai un articolo di Stefan De Kok sulla previsione probabilistica e una variante di questa, il valore aggiunto stocastico, che secondo me evidenzia il valore di questo framework. Sono abbastanza agnostico sul mio metodo di previsione. Comunque lo faccio, voglio vedere un miglioramento man mano che aggiungo diversi input alla mia previsione. Come lo sto migliorando? E allo stesso tempo assicurarmi di avere un uso efficiente ed efficace delle nostre risorse. Quel trade-off tra il costo dell’inesattezza e il costo di generare la previsione è qualcosa che è noto dal 1971. C’è un articolo di Harvard Business Review su come bilanciare il costo di dedicare troppo tempo alla generazione di una previsione rispetto all’accuratezza che sto ottenendo. In parole povere, vale la pena? Sulla base di quei numeri che creo, per un’azienda di dimensioni ragionevoli, c’è molto beneficio e posso permettermi di farlo guardare da alcune persone.
Non penso che la previsione collaborativa sia burocratica. Penso che 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 in corso. Le supply chain non stanno diventando meno complesse; stanno diventando più complesse, più dinamiche, più soggette all’effetto farfalla. Per questo motivo, abbiamo bisogno che le persone siano in grado di contestualizzare tali informazioni e prendere la migliore decisione nel periodo di tempo in cui abbiamo bisogno di prenderla. Quindi, da questo punto di vista, deve essere collaborativo. Se sono collaborativo, sto sempre lavorando con vendite e marketing. Diventa, sai, non sto cercando di fare tutto in una volta; sto cercando di capire cosa è cambiato. Se continuo a farlo, ho quella relazione. Sono in grado di ottenere quegli input e avere una migliore relazione con loro.
Il contrario è che ho un processo ad hoc in cui coinvolgo vendite e marketing a mia discrezione quando voglio. Posso garantire che la qualità dei tuoi input da vendite e marketing diminuirà significativamente se non fanno parte di un processo regolarmente pianificato. Quello che ottengo sempre dai venditori è: “Sono troppo occupato a vendere, lasciami in pace”. Quindi, se vuoi ottenere quel contributo, devi coinvolgerli nel processo.
Hai menzionato la mancanza di valore effettivo per l’azienda. Non puoi prendere decisioni corrette con dati errati. L’argomento è che ho bisogno di una previsione migliore. Non c’è argomento per una diminuzione dell’accuratezza delle previsioni. Devo assicurarmi di utilizzare i migliori dati possibili per prendere decisioni. Sarà direttamente collegato a un ROI? Posso calcolare l’ROI di una decisione isolata per l’intera supply chain? Non succederà. Mi piacerebbe dire di sì, ma la mia decisione dal punto di vista delle previsioni è completamente separata dalle decisioni funzionali che prende la produzione, gli acquisti, la gestione dei magazzini, il trasporto. Qualsiasi di queste cose può portare a un pessimo ROI. Il mio ruolo è essere il più accurato possibile. Grazie.
Conor Doherty: Grazie mille, Jeff. Mi scuso per aver parlato proprio alla fine, ma dovevo solo ricordartelo.
Jeff Baker: Nessun problema.
Conor Doherty: A questo punto, grazie, Jeff. Mi rivolgo a Joannes. Per favore, le tue osservazioni conclusive, due minuti.
Joannes Vermorel: Signore e signori, l’argomento del dibattito era: “La FVA è una best practice o una perdita di tempo?” Durante questo dibattito, avete sentito molte informazioni, ma tenete presente alcune cose quando decidete cosa pensate della FVA. Numero uno, se usate la FVA come parte di un processo di previsione collaborativo continuo inteso come micromanagement dei punti di previsione, questo non è una best practice. La sovrascrittura manuale della previsione è senza dubbio una pratica non ottimale nella comunità delle previsioni e, come tale, misurarla con la FVA non è nemmeno una best practice.
Numero due, la FVA si basa su previsioni di serie temporali. Sono sicuro che qualcuno da qualche parte stia cercando di applicarla a previsioni probabilistiche, ma siamo realisti. La FVA funziona solo su larga scala se funziona in combinazione con previsioni classiche di serie temporali, che ignorano completamente l’incertezza. Queste non sono best practice e quindi misurare l’accuratezza con la FVA non è nemmeno una best practice.
Numero tre, per definizione, la FVA assume che un aumento dell’accuratezza sia qualcosa di utile. Questo non è sempre vero. Contrariamente a quanto detto, ci sono casi in cui aumentare l’accuratezza può effettivamente danneggiare il tuo business. Abbiamo un esempio molto semplice. Per le previsioni di serie sparse, lo zero è molto spesso 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 delle previsioni e della supply chain, questo è molto chiaro: la FVA, per tutte queste ragioni e altre ancora, non può essere considerata una best practice. Se lo è, è un triste segno di condanna per la comunità delle previsioni.
Conor Doherty: Grazie mille, Joannes. Jeff, mi rivolgo a te. Le tue osservazioni conclusive, per favore, due minuti.
Jeff Baker: Ok, ottimo, grazie mille. 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. Non penso che ci sia un buon motivo aziendale per cui dati scadenti portino sempre a decisioni migliori. Se hai dati scadenti e prendi buone decisioni, chiamo questo fortuna cieca. Questo non accade molto spesso. Dove brilla la FVA, ancora una volta, non sto sostenendo la microgestione, non sto sostenendo di sovrascrivere tutto. Ci sono esempi in cui abbiamo articoli di alto valore con un alto margine di errore. Sappiamo che ci sono eventi esterni che potrebbero verificarsi e che non possono essere ridotti a un input algoritmico preciso. Dobbiamo capire questi eventi, dobbiamo pianificarli nel lasso di tempo necessario per prendere quelle decisioni. Qualsiasi critica alla FVA si basa principalmente su una comprensione errata di ciò che la FVA è progettata per fare.
So che Lokad vende pacchetti software. In precedenti lavori, sono stato in una società di software e ho anche implementato pacchetti software. So che lo strumento funziona. Molte volte è un problema di implementazione. Se il cliente non ottiene ciò che desidera, è un problema di implementazione nove volte su dieci. Implementazione e un problema di dati. Qualsiasi critica alla FVA deriva dalla mancanza di conoscenza su come implementarla correttamente, dalla mancanza di comprensione di come funziona e di come aggiunge valore. Ti darò un’altra semplice analogia. Se sto costruendo una terrazza sul retro della mia casa e ho sentito dire che dovrei avvitare le assi al travetto e uso un martello per iniziare a martellare le viti nel legno, non funzionerà e non sarò felice. Questo non significa che ci sia un problema con il martello; significa semplicemente che non so come usare correttamente il martello. Sto usando lo strumento sbagliato per il lavoro.
Conor Doherty: Grazie. Mi dispiace interromperti, ma devo essere rigoroso con i tempi per mantenere l’imparzialità. Grazie mille, signori. Grazie a entrambi per i vostri interventi preparati, la vostra argomentazione e la vostra passione. A questo punto, vorrei passare a qualche domanda di approfondimento. Ne sono arrivate alcune. Ho preso appunti in base a ciò che è stato detto. Prima di passare alle domande del pubblico, proprio perché sono qui seduto, sto ascoltando e voglio chiarire un paio di punti sollevati.
Inizierò con, penso, in realtà, spingerò Joannes solo per mostrare imparzialità. Spingerò Joannes. Quindi, Jeff, nel tuo controriscontro, hai menzionato l’aforisma “più semplice è meglio”. Credo tu abbia menzionato i risultati M5 e hai sottolineato che solo perché qualcosa è sofisticato o all’avanguardia, non significa necessariamente che sia migliore. Quindi, Joannes, qual è la tua risposta al concetto che fondamentalmente, se posso approfondire un po’, le previsioni probabilistiche, la modellazione puramente algoritmica, è solo troppo sofisticata. Dovresti essere semplice.
Joannes Vermorel: La realtà è che abbiamo vinto la competizione M5 a livello di SKU con un modello parametrico che ha solo cinque parametri. Ecco tutto. Quindi, sì, ancora una volta, algoritmico non significa migliore. Infatti, Tetlock nel suo libro “Superforecasting” dimostra che una media mobile batterà il 99% degli esseri umani nella previsione di qualsiasi cosa. Gli esseri umani vedono modelli ovunque; hanno un immenso problema cognitivo. È estremamente difficile gestire il rumore, quindi si vedono modelli ovunque, e questo è solo un problema per la previsione. A proposito, questo è qualcosa in cui l’intelligenza artificiale, come una media mobile, batte effettivamente la mente umana nella stragrande maggioranza dei casi. Quindi, 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 sofisticati nel senso di utilizzare l’apprendimento profondo e simili.
Conor Doherty: Jeff, cosa ne pensi? C’è qualcosa su cui vuoi obiettare?
Jeff Baker: L’unico problema che avrei, e sono favorevole all’introduzione dei dati e delle tecnologie più recenti, dato che lavoravo in un’azienda di software e vendevamo tecnologia, è che a volte non abbiamo bisogno di complicare troppo le cose. Forse è meglio, ma dobbiamo assicurarci di ottenere un valore incrementale per tutto ciò che facciamo. Inoltre, l’esplicabilità è fondamentale.
Per noi qui nella stanza, persone interessate a guardare questo, siamo tutti interessati alle previsioni probabilistiche e ai dati. Quando arriviamo all’implementazione, se sto cercando di vendere qualsiasi tipo di previsione algoritmica, se soffre di problemi di esplicabilità, possiamo iniziare a ricevere delle obiezioni perché gli esseri umani hanno naturalmente una certa avversione agli algoritmi. Si opporranno a cose che non capiscono. Molte di queste tecniche di previsione, quelle più semplici, sono relativamente facili da spiegare. Ecco perché dico che a volte le più semplici, dal punto di vista delle prestazioni, funzionano altrettanto bene. Le previsioni di ensemble semplici battono il 92% delle persone che lottano per la fama e la fortuna nella competizione M5. Quindi, c’è un certo valore in questo.
Direi anche che non si vuole sovraccaricare nessuna singola organizzazione. Alcune organizzazioni hanno un livello di maturità che dobbiamo portare al livello successivo. Per molte di loro, se riesco a far fare previsioni di smoothing esponenziale, ottimo. Ensemble, ottimo. Parlare di quali siano gli intervalli di previsione, fantastico. Nessun problema con gli algoritmi più fantasiosi e sofisticati. Dobbiamo solo assicurarci di portarli al livello in base alla loro capacità di comprendere e accettare quella tecnologia. Altrimenti, corriamo il rischio, e ho avuto quel problema in passato, di utilizzare programmi lineari misti per le aziende, e se non li capivano, non li accettavano. Questo è il mio avvertimento mentre cerchiamo di spingere algoritmi più sofisticati.
Conor Doherty: Joannes, qualcosa da aggiungere?
Joannes Vermorel: Ancora una volta, penso che ci sia una leggera disconnessione perché quello che sto dicendo è che, innanzitutto, quando facciamo previsioni probabilistiche, i metodi stessi sono piuttosto semplici. Eventuali sofisticazioni sono solo per tenere conto in modo preciso dei fattori. La nostra alternativa a FVA è dire che quando le persone hanno informazioni e alzano la mano, quelle saranno i fattori da includere. La previsione stessa utilizzerà solo queste informazioni extra come input, non come sovrascrittura dell’output.
Ciò ha molte conseguenze positive, ad esempio se si aggiorna la previsione, le persone non devono aggiornare la sovrascrittura. Il problema è che le persone pensano che sia una sovrascrittura, qualcosa di statico. Ma se si sovrascrive la previsione, cosa succede se la settimana prossima ci sono nuove informazioni e la base di partenza è appena cambiata? Cosa si fa? Si riapplica la stessa sovrascrittura, lo stesso delta rispetto a prima? Ci sono un sacco di complicazioni che derivano solo dal fatto che il marketing fornisce informazioni sotto forma di sovrascrittura della previsione. È molto più facile dire: “Marketing, dicci che promuoveremo questo prodotto con una spesa pubblicitaria di tanto,” e poi si considera questo come un input per la previsione. Si può persino fare un backtest per vedere se aumenta l’accuratezza o meno. Questo backtest è qualcosa che si può ottenere immediatamente; non è necessario aspettare tre mesi per vedere se la correzione manuale ha prodotto qualcosa di positivo o meno.
Conor Doherty: Se posso intervenire per un attimo, perché hai toccato un punto che volevo dire anche a Jeff. Riguardo al concetto di “più semplice è meglio”, basandoci su ciò che hai appena detto, non sarebbe teoricamente più semplice per un esperto intervistare altri esperti, ottenere informazioni e poi tradurle in una decisione algoritmica, rispetto a far toccare una previsione a tutti, compresi i non esperti? In termini di semplicità, cosa ne pensi? Sono entrambi altrettanto semplici o uno è più complesso dell’altro?
Jeff Baker: Di solito, ho utilizzato FVA nel processo di pianificazione delle vendite e delle operazioni, nella revisione della domanda, guardando all’orizzonte temporale a tre mesi. Abbiamo il mese corrente, il mese corrente più uno, due. Di solito, molte aziende CPG, molte aziende, considerano questo come il programma fisso. È qui che si inizia a passare dalla pianificazione all’esecuzione, quindi è S&OP rispetto a S&OE.
Quando ci troviamo in quel dominio S&OP, stiamo guardando alcuni di questi eventi, alcuni dei driver. Quello che facciamo lì è, se lo facciamo a livello aggregato, raccogliamo input. Se è un input a livello di famiglia di prodotti, è possibile utilizzare quei driver di alto livello per propagarli verso il basso. È possibile scomporre alcune di quelle decisioni, che è una pratica comune: prendere un numero di alto livello e scomporlo nei dettagli.
Sul lato esecutivo, se si è verificato un evento significativo, allora sì, è possibile farlo anche a livello di famiglia o a livello aziendale, a seconda dell’entità di quell’impatto. Penso che sia più facile. Non consiglio necessariamente di regolare ogni singolo SKU perché, come hai detto prima, può essere oneroso. Ma se ci sono impatti significativi, dobbiamo apportare quelle modifiche.
In quella pianificazione, in quella ripianificazione, tornare al piano non significa nulla, la pianificazione è tutto. Quella nozione di ripianificazione, di riesaminare, se lo facciamo nel processo S&OP una volta al mese, abbiamo tutti i decision maker nella stanza. Lo facciamo una volta al mese e iniziamo anche a concentrarci su ciò che è già nel modello, su quali sono le nuove informazioni e come incorporare quelle nuove informazioni. Infatti, una delle volte in cui ho quasi applaudito durante una riunione di revisione della domanda è stata quando il responsabile delle vendite, il vicepresidente, era in sala e ha detto: “Ok, quali nuove informazioni sappiamo su questo?” Nessuna nuova informazione. “Ok, la previsione statistica, la previsione algoritmica rimane valida,” e basta. Non c’era molta burocrazia in tutto ciò.
Penso che sia il modo ideale per farlo a meno che non ci siano eventi davvero importanti di cui siamo a conoscenza. Ma poi, se sei il supply chain scientist, devi cercare attivamente quelle informazioni. Mentre, dal modo in cui lo sto suggerendo, le vendite e il marketing vengono alle riunioni sapendo di dovermi dire cosa è completamente nuovo, cosa è cambiato, cosa non era nelle assunzioni del mese scorso. Cerchiamo di rendere tutto ciò il più veloce possibile. Per una grande azienda CPG, si può passare attraverso tutto ciò abbastanza rapidamente a livello di famiglia di prodotti.
Conor Doherty: Grazie, Jeff. Joannes, hai qualcosa da aggiungere?
Joannes Vermorel: Non molto, ma per essere concisi, il motivo per cui sosteniamo fermamente che l’esperto debba prendere le informazioni anziché apportare modifiche alle previsioni è che quasi invariabilmente le informazioni non corrispondono in termini di granularità all’attività dell’azienda. Dicono, “Oh, abbiamo questo concorrente che sta fallendo.” Non c’è una chiara sovrapposizione tra questo concorrente e ciò che sta facendo esattamente. Non è un rapporto uno a uno. C’è un problema esteso, vale a dire, categoria per categoria, quali sono i prodotti che vengono influenzati.
L’idea che le informazioni possano arrivare alla mente di una persona dalle vendite o dal marketing o da qualsiasi altra fonte come “Okay, queste informazioni possono trovare una serie temporale corrispondente da sovrascrivere” è quasi mai il caso. Trovare esattamente cosa è rilevante da toccare è difficile. E gli altri fattori di incertezza? Quando Lokad gestisce un’azienda con modelli predittivi, abbiamo facilmente mezza dozzina di modelli predittivi: uno per la domanda, sì, ma anche per i tempi di consegna, i rendimenti di produzione, il futuro prezzo dei fornitori, l’anticipazione della volatilità del prezzo dei concorrenti, eccetera.
Quando dici che il punto con FVA è che ha anche questo problema di incompatibilità tra la granularità delle informazioni che hai e la serie temporale. Mette semplicemente la domanda su un piedistallo mentre ci possono essere tonnellate di altre incertezze che devono essere previste. Ci sono anche informazioni come “Okay, questo fornitore sta venendo completamente sopraffatto, i tempi di consegna stanno per esplodere.” Questo dovrebbe essere riflesso nell’algoritmo di previsione dei tempi di consegna.
Jeff Baker: Sì, non ho nulla da obiettare su questo punto riguardo alla supply chain. In nessun modo sto raccomandando di concentrarci su FVA e dimenticare di guardare i tempi di consegna dei fornitori o cose del genere. Questo non è corretto. Dobbiamo concentrarci su quale sia la domanda, dal punto di vista dell’efficienza, qual è la mia migliore domanda, giusto?
E devo anche conoscere tutte queste altre cose sul lato dell’offerta. Dobbiamo fare entrambe queste cose, giusto? E sì, sono totalmente d’accordo. Abbiamo bisogno dei tempi di consegna, della variazione dei tempi di consegna, dobbiamo capire la produzione, quando potrebbe essere interrotta, i prezzi dei fornitori, dobbiamo anche saperlo. Quindi non ho obiezioni in merito. L’unico problema che ho è che non sto dicendo di concentrarsi su FVA a discapito di queste 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 di parafrasare in modo equo, Jeff, quindi conferma se ho parafrasato correttamente. Ma poi voglio insistere, Joannes, su questo punto. Jeff, nelle tue osservazioni conclusive, hai affermato che esistono elementi che non possono essere ridotti a un algoritmo. È una sintesi corretta di ciò che hai detto? Esistono certi elementi, penso che fosse la bassa prevedibilità, su cui non puoi semplicemente fare affidamento a una soluzione algoritmica.
Jeff Baker: Sì, e ci sono eventi, sai, è più legato al fatto che gli eventi non sono ripetibili.
Conor Doherty: E l’implicazione è che richiedono un intervento manuale, un input manuale.
Jeff Baker: Una contestualizzazione del fatto che c’è un evento. Non ho nulla con cui posso modellarlo, ma dovrò prendere una decisione. Mi affiderò a un esperto per aiutarmi in questo.
Conor Doherty: Joannes, cosa ne pensi? Perché ero molto curioso di sentire il tuo parere su questo.
Joannes Vermorel: Ecco dove ho menzionato l’esperto Philip Tetlock nel mio ragionamento. Ha scritto un libro chiamato “Superforecasting” e ha valutato le capacità di previsione umana con un progetto che è stato in corso per un decennio chiamato Good Judgment Project. È stato finanziato da IARPA, l’equivalente di intelligence del DARPA statunitense.
Quello che hanno scoperto è che le persone che erano bravi nel fare previsioni in questo tipo di modo intuitivo, per cose in cui non hai una ricetta algoritmica, la loro conclusione immediata era che quando c’è una ricetta algoritmica disponibile, è meglio. Quando non c’è, ok, torniamo agli esseri umani e ai giudizi di alto livello. Ma quello che hanno concluso, e questa è una delle conclusioni del libro, è che i superprevisionisti, cioè le persone che ottengono costantemente una precisione di previsione superiore, stanno effettivamente costruendo micro-algoritmi adattati al caso. È proprio così. E quando le persone sono in grado di farlo, hanno un miglioramento massiccio della precisione. Parliamo di un aumento della precisione del 30%, anche su cose che sono estremamente difficili da valutare, come ad esempio, il vecchio presidente della Siria tornerà al potere nei prossimi cinque anni? È una domanda molto difficile da rispondere.
Quindi la conclusione è che se torniamo a queste conclusioni, supporta nuovamente l’idea che quando c’è informazione, non è la persona che ha l’informazione che deve essere la persona che traduce queste informazioni in una dichiarazione quantitativa sulla previsione dell’azienda. Questo è quello che sto dicendo. Ed è per questo che penso che dove FVA e la pratica di queste sostituzioni manuali sbaglino è che il modo in cui affrontiamo questo a Lokad è che qualcuno ci fornisce le informazioni, le informazioni grezze, e se abbiamo un elemento che è lì fuori dal nulla, allora dobbiamo inventare una sorta di mini ricetta numerica che converta quella cosa in un numero.
E la cosa interessante è che non solo devi inventarla, ma devi documentarla. Devi spiegare quale è stata la logica, anche se sono solo tre frasi che dicono, “Ok, faccio questo, moltiplico questo per questo, applico un rapporto e uno sconto”, qualcosa di molto semplice come una ricetta di cucina. Di nuovo, se torniamo a “Superforecasting”, questo libro, è esattamente come fanno le persone superprevisioniste che ottengono risultati di previsione superiori senza algoritmi. Hanno la ricetta numerica esplicita che rende il loro processo migliorabile. Quindi non è solo l’informazione, devi avere un processo che sia ripetibile e migliorabile su come convertire quelle intuizioni in numeri. Non dovrebbe essere come una magia nella mente delle persone.
Jeff Baker: No, sono totalmente d’accordo. Facciamo in modo che le persone documentino quali sono le loro ipotesi. Un’estensione di ciò, sì, se potessimo avere un grande modello di linguaggio AI per il team delle vendite o per il marketing, fantastico. Perché questo è uno dei pregiudizi, chiedi alle persone, cerchi di ottenere i loro contributi e a volte si ricordano delle cose, a volte non si ricordano delle cose. Molte volte stiamo tornando ai dati dicendo, “Ok, quando abbiamo fatto quell’aumento di prezzo? Oh, siamo arrivati a un anno, forse il primo aumento di prezzo è svanito adesso.” Sono totalmente favorevole all’automazione se è possibile. Devi avere quella conversazione con le persone e iniziare a ottenere quello. Deve diventare un modo di vivere per loro perché ci sono così tanti di questi casi in molte aziende al momento. Quindi penso che, sì, si inizia su quella strada.
Conor Doherty: Giusto, beh a questo punto passerò alle domande che sono arrivate dal pubblico. Quindi penso di averti chiesto per primo l’ultima volta, Jeff, questa è per entrambi, ma inizierò da te. Questa è da Nicholas. Come si può gestire una situazione in cui arrivano troppe informazioni, 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 ci sono molte informazioni diverse provenienti da vendite e marketing?
Conor Doherty: Sì, fondamentalmente se arriva un’ondata di informazioni, come si gestisce, specialmente se costringe i modelli statistici a cambiare abbastanza frequentemente con, diciamo, molte sovrascritture, ad esempio. Anche se ho aggiunto quella parentesi io stesso.
Jeff Baker: Ok, quindi il modello statistico stesso non verrebbe modificato. Quindi stiamo parlando di un modello di previsione statistica basato su serie temporali e poi sovrascritture da parte di vendite e marketing, è quello che ho capito. Non stiamo parlando di…
Conor Doherty: Al momento non ho Nicholas con me, mi dispiace.
Jeff Baker: Ok, quindi in quel caso, devi prendere una decisione all’orizzonte temporale, giusto? Quindi se devo farlo a tre mesi di distanza per impostare il mio programma di produzione, la sequenza di esecuzione per la mia pianificazione della capacità finita, allora sì, dobbiamo avere la pratica di, sai, non arrivare all’ultimo minuto con nuove informazioni. Una delle altre cose dal lato della produzione, di cui sono un grande sostenitore, sono le violazioni del time fence congelato per addestrare il team di vendita. Ehi, le sorprese nel mese corrente e nel mese corrente più uno, non sono benvenute. Ed è una questione culturale, giusto? Ed è così che affronterei la situazione. Voglio dire, un caso in cui un venditore è arrivato e ha detto: “Ehi, abbiamo questa grande vendita”, e hanno aspettato fino all’ultimo minuto per dirlo alla produzione. Non è un buon affare, giusto? Ci hai appena fatto perdere parecchi soldi.
Quell’idea di congelare, come hai bisogno di prendere una decisione in quel periodo di tempo, quella deve essere la tua migliore decisione e capire che pianificheremo in base a quella e non ci sorprendere. È così che affronterei un’ondata del genere. In effetti, una delle metriche S&OP che amo è quella delle violazioni del time fence congelato. È come dire quanto spesso stiamo sconvolgendo i nostri dipendenti della produzione solo perché hai aspettato all’ultimo minuto per dirci che c’è una nuova vendita.
Conor Doherty: Grazie, Jeff. Joannes, qualche pensiero in merito? Inoltre, sentiti libero di includere nella tua risposta come un esperto secondo la tua impostazione gestirebbe molti improvvisi insights da molte persone diverse?
Joannes Vermorel: Innanzitutto, l’approccio di Lokad è quello di automatizzare tutto. Quindi per noi, sai, quella è la situazione in cui, innanzitutto, devi avere la capacità per farlo. E vedi, è quello che è interessante nell’automatizzare tutto. Per definizione, lo scienziato della supply chain ha, una volta che la cosa è automatizzata, molta capacità per affrontare una situazione eccezionale. Questo non è tipicamente il caso in una situazione in cui le persone hanno già tutto il loro tempo occupato a occuparsi della routine. Quindi questo è il primo punto.
La seconda cosa è che l’instabilità delle previsioni è una caratteristica delle classiche previsioni di serie temporali, sai, previsioni puntuali. Quindi aggiungi un po’ di informazioni e la cosa salterà su e giù perché, secondo la tua metrica di accuratezza, è quello che dovresti fare per essere super reattivo, per essere più accurato. Molto spesso, hai questo compromesso: se vuoi essere abbastanza accurato, devi catturare il cambiamento molto rapidamente e ciò rende la previsione molto instabile. Qui, se opti per una previsione probabilistica, tende ad eliminare i problemi di instabilità perché hai già una distribuzione di probabilità che è un po’ diffusa. Quindi, il fatto che tu abbia osservato un valore anomalo e così via, hai comunque questa distribuzione di probabilità diffusa. Non c’è un salto significativo nella dispersione della massa della distribuzione di probabilità.
Inoltre, il problema dell’instabilità delle previsioni, anche se optiamo per previsioni puntuali che possono essere radicalmente modificate, è, come ho detto, perché le persone non gradiscono i salti nella previsione? La risposta è che le previsioni vengono elaborate manualmente, con modifiche manuali, revisioni manuali e così via. Questo non è il modo in cui Lokad lo fa. La previsione è automatizzata, le decisioni sono automatizzate. Quindi, quando la previsione si muove, le decisioni riflettono automaticamente e immediatamente qualunque sia il nuovo stato, tenendo conto del fatto che potresti essere finanziariamente impegnato in una determinata azione. Quindi, sì, la domanda è cambiata, ma hai già prodotto inventario. Quindi ora, anche se la domanda non è quella che ti aspetti, devi comunque liquidare, vendere in qualche modo questo inventario. Quindi, vedi, l’automazione semplifica e rimuove in gran parte i problemi di mettere un tempo in cui le informazioni vengono aggiunte. Le informazioni possono essere aggiunte non appena diventano disponibili e non appena diventano disponibili, vengono prese in considerazione.
Jeff stava parlando di cultura. La cosa interessante è che premia immediatamente le persone per portare le informazioni perché, letteralmente, il giorno in cui aggiungono le loro informazioni, vengono convalidate. Il giorno successivo, gli orari di produzione vengono tutti gestiti. Gli orari di produzione, l’allocazione dell’inventario, la spedizione, gli ordini di acquisto, tutto riflette immediatamente queste informazioni che sono state fornite solo ieri. Quindi, per le persone, si vede un modo per sviluppare una cultura di portare avanti le informazioni. Devono vedere che quando portano informazioni, entro poche ore, viene riflessa a ogni scala in ogni singola decisione. Ecco come puoi renderlo molto tangibile, non dicendo loro: “Torna il mese prossimo e poi inizieremo a guardare le tue cose”.
Conor Doherty: Grazie, Joannes. Jeff, voglio sicuramente sentire i tuoi pensieri su quella parte finale perché ho potuto vedere dalla tua faccia che stava risuonando almeno un po'.
Jeff Baker: Sì, sì. Voglio dire, per me, sembra una ricetta per l’effetto bullwhip, giusto? Stai dicendo che qualsiasi piccola informazione che inserisco lì, voglio dire, apprezzo la reattività e la capacità tecnica di riflettere immediatamente quale sia la migliore decisione. La sfida sta nel fatto che abbiamo già preso molte di quelle decisioni. Se ho pianificato la mia programmazione e, diciamo, sto producendo avena, e ho avena normale, poi ho avena con cannella, ho cannella e mela, e poi faccio cannella, mela e noce. Beh, ora ho un’allergia. C’è un enorme costo di cambio tra queste. Ora, se stai intervenendo e devo interrompere immediatamente quel programma, c’è un enorme costo finanziario, un potenziale costo finanziario per questo. Se improvvisamente ho bisogno di ordinare di più di una materia prima più velocemente, avrò un effetto bullwhip sul mio fornitore.
Quindi, ci sono alcuni vantaggi nella stabilità. Infatti, ci sono molte interessanti discussioni in corso su se esista una previsione stabile e preziosa, non la più accurata, ma accurata e stabile, perché la stabilità ha alcuni vantaggi nella supply chain. Quindi, voglio dire, è un’area in cui stiamo iniziando a fare ricerca, ma parla del fatto che molte di queste decisioni devono essere prese. Abbiamo un po’ piantato un paletto nel terreno e tutti rideranno quando dico, sai, una previsione congelata. Tipo, ragazzi, non è davvero congelata. Ok, tutti sappiamo che non è congelata, ma ci sono conseguenze finanziarie nel fare cambiamenti nelle decisioni.
Quindi, anche se tecnicamente penso che sia fantastico poter riflettere, “Ehi, questa è la migliore decisione”, penso che dobbiamo temperare questo con il fatto che se cambiamo in base a tutto ciò che arriva, ci saranno dei costi associati. Potrebbe essere perfettamente accettabile per alcune supply chain. Se ho una supply chain reattiva, forse andiamo bene. Forse è il mondo in cui viviamo. Se abbiamo una supply chain efficiente in cui i cambiamenti sono costosi e difficili da fare, è lì che vedo un problema.
Joannes Vermorel: Capisco. Voglio dire, da Lokad, ovviamente, modellare il costo del cambiamento è qualcosa che facciamo. Ogni allocazione delle risorse, se si discosta da quanto era prima, lo modelliamo nel costo. È super basilare. Quindi, la cosa non salterà se il costo del cambiamento supera i benefici previsti. Per me, è come, di nuovo, penso che le persone di solito si avvicinino guardando ricette numeriche estremamente senza senso e dicono: “Oh, guarda, questo è un problema”.
Ad esempio, abbiamo una decisione che è super ingenuamente schiava di una previsione senza alcuna considerazione per l’impegno attuale, ecc. È incredibilmente ingenua. Ovviamente, hai bisogno di una parte della tua ricetta numerica per avere la decisione che implementa qualunque costo di cambiamento e tutti i tipi di costi. Ce ne sono molti. Ed è lì che brilla anche la previsione probabilistica. Ti dà ancora di più. Consideri il fatto che se prendi questa decisione ora, dovrai rivederla in futuro? Perché, di nuovo, se hai questa previsione puntiforme, per definizione, assumi che conosci già il futuro. Quindi, il tuo modello ti impedisce di considerare automaticamente che la tua previsione potrebbe essere sbagliata. Ma con le previsioni probabilistiche, è un dato di fatto. La previsione ti dice già che la domanda può essere ovunque all’interno di questo intervallo e hai le probabilità. Quindi, non solo calcolerai quando ottimizzi la decisione, il costo del cambiamento se c’è un cambiamento, ma anche il fatto che potrebbe essere necessario un cambiamento in futuro.
Conor Doherty: Beh, signori, ancora una volta, sono consapevole del tempo e ci sono ancora almeno altre quattro domande da affrontare. Ma nello spirito della parità, porrò questa prossima domanda a te, um, Jeff. Quindi, FVA sarebbe un buon approccio per aiutare a ridurre la pressione di adattare i modelli statistici per soddisfare le aspettative di bilancio? Nella seconda parte, come può un data scientist della supply chain…
Scusa, in realtà dovrei porre questa domanda a Joannes. Scusa. FVA sarebbe un buon approccio per aiutare a ridurre la pressione di adattare i modelli statistici per soddisfare le aspettative di bilancio? E come può un data scientist della supply chain navigare tra la politica e la gerarchia quando si trova di fronte a tali sfide? E Jeff, ti chiederò un commento.
Joannes Vermorel: Di nuovo, questo è il problema delle previsioni puntiformi. Le previsioni puntiformi assumono che tu conosca il futuro. Quindi, se conosci il futuro, tutto, il piano, tutto è una questione di orchestrare, e la tua previsione ti dice il budget di cui hai bisogno per tutto. E questo è sbagliato perché, innanzitutto, la previsione ha delle imprecisioni e stai completamente ignorando l’incertezza.
Una previsione puntiforme è rigidamente legata a un determinato budget. Questo non è assolutamente una best practice. Ma se passiamo al mondo delle previsioni probabilistiche, allora improvvisamente tutti questi problemi svaniscono. Quello che hai sono futuri possibili e quindi puoi considerare tutte le spese di bilancio. Se mi dici che hai questa quantità di risorse, allora guarderai come allocare quelle risorse per ottenere il massimo in base a quelle probabilità sul futuro.
A proposito, abbiamo un esempio di questo. Se le persone vogliono avere un foglio di calcolo, possono guardare al riapprovvigionamento prioritizzato dell’inventario sul nostro sito web. È un foglio di calcolo Excel che dimostra che con una previsione probabilistica, puoi scegliere qualsiasi budget tu abbia e ti darà il meglio che puoi ottenere per il tuo budget. Di nuovo, questo è un problema delle previsioni puntiformi che sono difettose come paradigma. Le serie temporali classiche sono difettose come paradigma e ti ritrovi con molti problemi che non avresti, nemmeno concettualmente, se non fossi legato a un paradigma difettoso.
Jeff Baker: Solo una cosa fuori dal comune su un paradigma difettoso che ha funzionato molto bene per molte aziende per decine e decine di anni. Quindi, non lo classificherei come difettoso. Ora, per quanto riguarda il budget, sai, la previsione e il budget sono un grosso problema perché i budget sono aspirazionali, giusto? La cosa migliore che possiamo fare, e ancora una volta, questo è dal punto di vista delle vendite e delle operazioni, è far sì che i miei clienti facciano previsioni per i prossimi 18 mesi. Quindi, indovina un po’? A metà del 2025, abbiamo già iniziato a guardare al 2026. Possiamo capire qual è la visione più probabile del 2026.
Poi da lì, puoi aggiungere i tuoi obiettivi aspirazionali. Nessun problema con questo, ma poi forzi la conversazione: cosa dovrebbe accadere affinché possiamo aumentare le nostre vendite di tanto, ridurre i nostri costi di tanto, giusto? Questo fa parte della conversazione. Quindi, il modo migliore per farlo è basare il tuo budget su una solida previsione statistica o su qualsiasi previsione di consenso che hai per il futuro. Basa il tuo budget su quello. Poi, se hai deviazioni da quello, hai anche piani di vendita, marketing e produzione per colmare quelle lacune. La peggiore pratica, spero che tutti siano d’accordo, è l’approccio della Torre d’Avorio. Questo è il nostro budget, le finanze lo inseriscono, e mi ricorda i vecchi problemi di calcolo differenziale in cui la derivazione viene lasciata all’utente e noi siamo come “Oh, come diavolo faremo?” Quindi, questa è una pratica peggiore, mettere semplicemente quei tappi lì.
Quindi, penso che sia un modo per assicurarsi che il tuo budget originale sia basato sulla realtà con piani per arrivarci. Poi la seconda cosa che sto dicendo, FVA è perfetto per questo. Questa è la nostra previsione statistica. Il budget, non c’è FVA per il budget, giusto? Questo è aspirazionale. Ma indichi dove sono queste lacune e forzi quella conversazione su come affrontarle. Sì, penso che tutti noi saremmo d’accordo che un’altra pratica assolutamente peggiore è che la previsione sia uguale al budget. Questo mi farebbe impazzire.
Conor Doherty: Beh, grazie, Jeff. Passerò alla prossima domanda, scusa, e questa è diretta a Joannes. Questa è da Timur, credo. Trovo FVA utile ma a volte limitato nel campo di applicazione. Saresti d’accordo con la metafora di Jeff secondo cui FVA è come un martello, o la vedi in modo diverso?
Joannes Vermorel: Voglio dire, sì. Non sono troppo sicuro. La mia critica a FVA non è tanto che sia un martello. È proprio che credo che operi all’interno di paradigmi sbagliati. È strano e dovuto ai paradigmi sbagliati. Di nuovo, serie temporali, previsione classica a punto, il fatto che sia radicato nell’accuratezza e non nelle misurazioni in percentuale di errore, non in dollari di errore. Vedi, ci sono molti problemi paradigmatici, ed è quando dico che queste cose sono difettose. Mantengo il mio punto su questo fronte. Il tipo di attrito che le aziende subiscono nella pratica è più come la manifestazione di tutti quei problemi.
Se vuoi una prova aneddotica che quei paradigmi sono difettosi, fin dagli anni ‘70, la teoria della supply chain prometteva l’automazione completa di quei processi decisionali. Questo era, tra l’altro, il pitch di Oracle dagli anni ‘70: avrai una gestione delle scorte completamente guidata dall’algoritmo. Questo non è successo, ed è fallito ancora e ancora. Il punto che sto facendo è che, secondo me, e ho molti argomenti a sostegno, riflette il fatto che i paradigmi, gli strumenti matematici, gli strumenti sono semplicemente sbagliati. Quindi, ti ritrovi con tutti i tipi di problemi strani. Per tornare a questa cosa del martello, sì, a volte sembra cercare di usare un martello per stringere le viti. Non è che il martello sia cattivo di per sé; è che stai cercando di fare qualcosa per cui il martello non è lo strumento giusto.
Conor Doherty: Jeff, ti do spazio per un commento se c’è qualcosa che desideri aggiungere.
Jeff Baker: No, tranne il fatto che l’analogia che ho fatto sul martello era che devi usare lo strumento correttamente. Quindi, FVA è uno strumento. Se non stai usando lo strumento correttamente, non otterrai valore da esso. Questa era la mia analogia.
Conor Doherty: Grazie. Continuo. Questo è da Marina. Non c’è una chiara designazione di chi sia per, quindi andrò da Jeff per primo. Con l’avanzare rapido dell’IA e la possibilità di avere tutti i dati disponibili in un prossimo futuro, pensi che FVA diventerà più efficace o addirittura più essenziale?
Jeff Baker: Più efficace o più essenziale? È una domanda interessante. Quello che penso, man mano che l’IA inizia a diventare sempre più diffusa, con sempre più dati, dobbiamo imparare come contestualizzarla e prendere decisioni con essa. Potresti quasi immaginare un caso molto lontano nel futuro in cui siamo in grado di contestualizzare tutte queste informazioni, modelli di linguaggio ampiamente diffusi li inseriscono lì e, al tuo punto, Joannes, iniziano effettivamente a sistematizzare quelle cose. Questo è potenzialmente qualcosa che porterebbe FVA a essere come, “Beh, ok, stiamo prendendo tutte queste decisioni, e sono ottime decisioni.”
Forse allora ti trovi con casi molto particolari di eventi significativi, come un concorrente che fallisce o fa una promozione allo stesso tempo in cui c’è una recessione economica, allo stesso tempo c’è un aumento della tua stagionalità. Potresti essere in grado di iniziare a ottenere quelle informazioni. Quindi, penso che probabilmente ci saranno dei frutti facili da cogliere in cui l’IA sarà fantastica nel prendere tutti quei dati, comprendere le relazioni e comprendere anche il rumore che esiste e cosa è prezioso e cosa non è prezioso. Quindi, potrei persino vedere che diventa un po’ meno prezioso in futuro man mano che iniziamo ad automatizzare.
Conor Doherty: Beh, grazie, Jeff. Joannes, IA e FVA, il futuro: sì, no, buono, cattivo?
Joannes Vermorel: Penso che, ancora una volta, dobbiamo fare un passo indietro sull’intelligenza artificiale. Consideriamo che in termini di massa di informazioni, i sistemi di transazione contengono gigabyte di informazioni. Voglio dire, gigabyte se vogliamo essere davvero sofisticati. I dati di transazione sono gigabyte di informazioni. Le persone, in confronto, sono kilobyte di informazioni. Quello che le persone hanno in testa non è una grande quantità di informazioni. Le persone non sono come, sai, non sono mentat come direi nella serie di Dune per le persone a cui piace. Quindi, questo significa che il 99% del problema nel prendere decisioni corrette riguarda, in termini di massa di informazioni, prendere le informazioni di transazione banali che hai e generare le decisioni da esse. Questo è il 99% del volume delle informazioni qui.
Per questa parte del problema, che consiste nel processare dati numerici presenti in forme tabulari, non vedo che i grandi modelli di linguaggio siano molto rilevanti. Sì, possono essere strumenti di codifica molto efficaci in modo che tu possa effettivamente usare lo strumento per scrivere il codice al posto tuo. Questo è una cosa. Ma possono fare altro o fare altre cose oltre a scrivere il codice? Diventa molto poco chiaro.
Ora, per i kilobyte di informazioni che le persone hanno in testa, possono effettivamente usarle per prendere queste informazioni e convertirle in qualcosa che sarebbe quantitativo? Direi di sì, ma la sfida è ancora quella di ingegnerizzare questa cosa dall’inizio alla fine, questa pipeline per avere questa ottimizzazione predittiva automatizzata. Questa è una vera sfida, e qui stiamo mettendo alla prova i limiti dell’intelligenza umana nel farlo correttamente. Quindi, non vedo nel futuro prossimo che l’IA che abbiamo sia davvero in grado di farlo più di quanto, diciamo, un’azienda di intelligenza artificiale possa sostituire Microsoft riscrivendo una versione di Microsoft Word. È il tipo di cosa in cui l’IA può aiutarti a scrivere il codice, ma richiederà comunque molta supervisione intelligente umana, almeno con il paradigma attuale che abbiamo con i LLM. Non sono ancora super intelligenti.
Conor Doherty: Eppure, ci sono ancora due domande da fare. Quindi Jeff, se vuoi, possiamo passare direttamente alla prossima.
Jeff Baker: Perfetto.
Conor Doherty: Grazie. Questa è per te. Inizierò io. Um, questa è da Mark. Come possono gli intervalli di confidenza delle previsioni essere efficacemente tradotti in un singolo numero discreto come un ordine di acquisto o di lavoro? L’analisi post-previsione sarebbe il miglior approccio per determinare quel numero?
Jeff Baker: Sì, quindi, sai, non ho problemi con la previsione probabilistica o gli intervalli, ma alla fine della giornata, devi inserire un numero nel tuo sistema ERP, nel tuo sistema di pianificazione. Devi fare una scelta sul numero. Ora, dove diventa interessante la conversazione è quale è la variazione di quel numero? Il mio sistema è robusto? Cosa succede se fosse aumentato, sai, del 20%, del 30%, qualunque cosa? Ma queste diventano scenari che puoi iniziare a investigare, giusto? Quindi sì, questa sarebbe la mia risposta.
Conor Doherty: Grazie. Joannes, c’è qualcosa che desideri aggiungere a riguardo?
Joannes Vermorel: Sì, ancora una volta, se pensi che devi affrontare il problema da una prospettiva paradigmatica in cui devi prendere una decisione sulle quantità di inventario e quindi la previsione deve essere un numero, allora hai questo problema che l’incertezza non esiste. Non può esistere. Ed è per questo che le persone, ancora una volta, stanno tornando a questa prospettiva errata, si stanno avvicinando al problema chiedendo: “Cosa faccio con questi intervalli di confidenza? Cosa devo farci? Oh, devo pensare a un numero.” E questa è una trappola paradigmatica. Sei intrappolato in concetti difettosi.
Quindi, se affronti il problema con il paradigma attuale in cui una previsione della domanda ti darà un numero preciso per la decisione sull’inventario, l’unico modo per risolverlo è preservare anche nella decisione il fatto che la decisione riflette tutti gli scenari possibili. Non è che scegli un numero per l’inventario; scegli una domanda specifica. No, la tua decisione sull’inventario dovrebbe riflettere tutti gli scenari possibili con le priorità ed esprimere i vari rischi in termini monetari. Quindi, è per questo che è un modo diverso di pensarci. E tornando alla domanda, se rimani nel paradigma delle serie temporali, non sai cosa fare con i tuoi intervalli di confidenza. Non si adattano al sistema.
Jeff Baker: Sostenerei che sai esattamente cosa fare con questi intervalli di confidenza perché se ho l’errore di previsione al mio tempo di consegna, questo va nel calcolo delle scorte di sicurezza. Che tu sia d’accordo o meno, ci sono calcoli delle scorte di sicurezza ben definiti per tenere conto della variabilità della domanda, della variabilità del tempo di consegna. Quindi, se prendiamo questo, ora abbiamo, e ancora una volta, non voglio esagerare e deviare in una teoria della gestione delle scorte, ma ci sono calcoli statistici delle scorte di sicurezza che sono perfettamente in grado di prendere una previsione puntiforme insieme a un errore standard della tua previsione al tempo di consegna e darti un numero di scorte di sicurezza. Possiamo discutere tutto il giorno su quale sia l’aspetto di quella distribuzione e se una distribuzione normale sia quella corretta, ma è così che quella deviazione nell’errore di previsione viene affrontata nella maggior parte delle aziende per cui ho lavorato e nella maggior parte delle aziende che ho sentito presentare alle conferenze.
Conor Doherty: Passerò all’ultima domanda. Come dovrebbero i modelli di apprendimento automatico gestire gli aggiustamenti per eventi noti come un nuovo grande cliente che non sono inclusi nei fattori causali della previsione statistica? Joannes, iniziamo con te.
Joannes Vermorel: Quindi ancora una volta, qui stiamo toccando il problema di gestire le informazioni in cui non hai una struttura algoritmica chiara e non puoi invocare l’apprendimento automatico come una parola di moda per dire: “Oh, la tecnologia farà qualcosa per me qui.” Qui stiamo entrando nel territorio delle previsioni informali. Per il pubblico, consiglio vivamente il libro di Philip Tetlock intitolato “Superforecasting”. Se non hai una base di riferimento chiara, cosa fai?
L’apprendimento automatico non fornisce alcuna risposta a questa domanda. L’apprendimento automatico, almeno il paradigma classico dell’apprendimento automatico che è l’apprendimento supervisionato, input-output, non fornisce affatto una risposta a questa domanda. Credo che se leggi ciò che ha fatto il Good Judgment Project e le tecniche che hanno sviluppato, hanno sviluppato tecniche di intelligenza superiore. Cosa intendo per intelligenza superiore è che per applicare queste tecniche, stiamo guardando qualcosa che mostra lo stesso tipo di intelligenza sfumata come un LLM o superiore.
Hanno identificato tecniche parlando con super previsionisti, persone che hanno sviluppato e dimostrato abilità di previsione superiori in questo tipo di situazione, e hanno osservato quali tecniche tutte queste persone avevano in comune. Sorprendentemente, tutti hanno proposto più o meno lo stesso insieme di tecniche. In poche parole, ci sono tecniche, ma richiedono molto giudizio. Sulla base di questi risultati empirici, non penso che se hai una situazione del genere, puoi cavartela solo con un algoritmo di apprendimento automatico.
Devi costruire un caso, un po’ come un caso aziendale in cui devi progettare le tue stesse ipotesi, scomporre il caso, valutare i vari fattori e cercare di arrivare a qualcosa di ragionevole. Ma usare parole come “ragionevole”, cosa significa formalmente? È molto difficile, eppure le persone possono effettivamente guardare una giustificazione e concordare su quella.
Quindi, la mia opinione su questo sarebbe, non aspettarti che l’apprendimento automatico classico sia una risposta. LLM potrebbe essere uno strumento di supporto per aiutarti a costruire questo tipo di ragionamento, sicuramente per fare brainstorming su come scomporre e quantificare i vari fattori del problema. Ma alla fine della giornata, sarebbe un esperto di previsioni che guarda davvero a questo e prende una decisione sulla modellazione numerica ad hoc. Questa sarebbe la migliore pratica, almeno sulla base di questi studi empirici del Good Judgment Project.
Conor Doherty: Jeff, cosa ne pensi?
Jeff Baker: Sì, voglio dire, penso che dobbiamo stare attenti a tutto questo. Che si tratti di apprendimento automatico, che si tratti di intelligenza artificiale, buttare troppa roba dentro, giusto? Perché allora potremmo iniziare a confondere la correlazione con la causalità. Una delle esperienze di apprendimento classiche che ho avuto durante una delle mie lezioni è stato un modello di regressione multipla. Continuavamo a inserire fattori, inserire fattori, l’adattamento migliorava sempre di più. Abbiamo inserito il prezzo e improvvisamente, indovina un po’? Se aumento il prezzo, aumenterò le vendite, giusto? Totalmente controintuitivo. La causalità era ovviamente sbagliata, ma la correlazione era migliore.
Quindi, dobbiamo essere davvero, davvero attenti a questo perché ad un certo punto, iniziamo a modellare il rumore. Iniziamo a chiedere, che sia apprendimento automatico o intelligenza artificiale, iniziamo a farle domande. Il problema è che con l’intelligenza artificiale, risponderà con tutta la sicurezza di un bambino di 5 anni che crede nella Fatina dei denti. Questo è esattamente ciò che succede. Quindi, dobbiamo stare attenti. Ed è qui che concordo con Joannes. Devi contestualizzare, trovare un esperto che possa capire. Non cercare di costruire un modello perfetto perché ad un certo punto, i tuoi risultati non saranno quelli che ti aspetti.
Conor Doherty: Bene, a questo punto, signori, non ci sono altre domande dal pubblico. Ma una domanda finale che può servire come chiusura, un’ultima chiamata. Mi rivolgo prima a Jeff. L’argomento del dibattito era FVA: è una best practice o una perdita di tempo? Ora, avete sentito entrambi per quasi 80 minuti. Jeff, cosa ne pensi ora di questa proposta? Ascoltando te stesso fare i tuoi punti e le tue confutazioni a Joannes, sembri abbastanza generoso e accettante di diversi dei punti che Joannes sta facendo. Sono solo curioso, come concili il fatto che Joannes potrebbe avere ragione su alcuni o tutti o molti dei suoi punti? Come concili questo con la posizione che FVA è ancora una best practice?
Jeff Baker: Sì, sì. Apprezzo questo scambio aperto di idee e penso che, sì, posso ancora sostenere che attualmente, il Forecast Value Added è una best practice. Ne abbiamo bisogno nel presente.
Barina ha fatto una grande domanda in precedenza - in futuro, con l’avanzamento della tecnologia, FVA potrebbe diventare sempre meno una tecnica critica. Forse possiamo quantificare questo, forse possiamo iniziare a parametrizzare le cose, metterle in un modello e prendere automaticamente quelle decisioni. Tuttavia, penso che avremo sempre bisogno di un processo in cui stabilire la collaborazione, comprendere le vendite, il marketing e le influenze esterne.
Vedo il suo ruolo potenzialmente diminuito? Sì. Ho parlato di quel quadrante ad alto valore e alta variabilità, e posso sicuramente vedere che diventerà sempre meno rilevante in futuro. Ma per ora, vedo ancora FVA come una best practice e credo che continuerà ad esserlo anche dopo il mio pensionamento.
Quindi, nel prossimo futuro - sì, FVA rimane importante. Nel futuro a lungo termine, penso che Joannes abbia una visione molto interessante di ciò che potrebbe essere, e non vedo molti problemi in questo. Direi che siamo d’accordo al 50% su molte di queste idee.
Conor Doherty: Bene, grazie Jeff. E Joannes, sei rimasto immutato dopo tutto ciò che hai sentito? In termini semplici, è un oggetto immobile e una forza inarrestabile, fondamentalmente?
Joannes Vermorel: Voglio dire, direi che, vedi, se torniamo a ciò che ho chiamato la teoria mainstream della supply chain e FVA ne fa parte, è abbastanza coerente. Lo concedo.
Quindi, effettivamente, se accetti tutte queste idee, tutti quei paradigmi e tutto il resto, allora sì, da questa prospettiva, non sembra male. Sarei comunque un po’ cauto sulla quantità di burocrazia che puoi generare.
Di nuovo, coinvolgere molte persone è una ricetta per consumare il tempo di molte persone. Non appena crei una sorta di entità trasversale, perché quella sarà quella che metterà in discussione tutti, può ancora creare molto lavoro.
Ho esempi nella mia rete di persone che stanno facendo un’enorme quantità di lavoro su queste cose, specialmente tutto ciò che è periferico o di supporto a S&OP.
Ora, Lokad opera da oltre un decennio su diversi paradigmi. C’è una serie di conferenze mondiali, tra l’altro, Jeff, che ha quasi 100 ore di serie su YouTube a supporto di questa visione alternativa.
Ma la cosa interessante è che quando si passa a paradigmi diversi, strumenti diversi, strumenti diversi, la stragrande maggioranza di quei problemi scompare. Hai nuovi problemi, completamente diversi, ma operativamente ti ritrovi con qualcosa di molto strano.
Sono supply chain in cui la quasi totalità delle decisioni viene presa automaticamente. E tra l’altro, abbiamo avuto questa esperienza molto strana nel 2020-2021, in cui abbiamo avuto decine di clienti che hanno mandato tutti i loro dipendenti a casa.
Abbiamo avuto un cliente con oltre un miliardo di euro di inventario che ha mandato tutti i suoi dipendenti a casa per 14 mesi senza accesso a Internet perché volevano ottenere sovvenzioni governative. La loro supply chain ha continuato a funzionare all'80% della capacità nominale con Lokad che prendeva tutte le decisioni senza nemmeno la supervisione.
Normalmente, generiamo le decisioni, ma abbiamo molte persone che convalidano ciò che stiamo generando. La mia opinione è che se puoi gestire supply chain ipercomplesse da miliardi per 14 mesi senza che tutte le persone facciano questo micromanagement, ci si chiede davvero quale sia il valore aggiunto di tutte quelle persone e cosa dovremmo aspettarci dall’automazione.
Penso che le persone stiano parlando di intelligenza artificiale e di ogni sorta di cose, ma il modo in cui mi approccio è che non è necessario avere un modello super avanzato con un trilione di parametri iper-parametrici per ottenere l’automazione.
La mia conclusione è che credo che FVA appartenga a un mondo in cui si tratta davvero di persone che pilotano direttamente la supply chain. Io lo affronto da una prospettiva in cui la macchina pilota la supply chain e le persone pilotano la macchina, non la supply chain.
Conor Doherty: Beh, grazie. Come da consuetudine, ci piace dare l’ultima parola agli ospiti. Quindi, Jeff, grazie mille per essere stato con noi. Se hai qualche commento finale che desideri fare, sentiti libero di farlo.
Jeff Baker: No, semplicemente grazie mille per l’opportunità. Apprezzo la conversazione, molto ben moderata, Conor. Grazie mille.
Il mio obiettivo è soddisfare. Apprezzo la partecipazione del pubblico alle domande. Penso che sia sempre interessante quando due punti di vista opposti si incontrano perché penso che entrambi ne escano un po’ migliori per lo scambio. Onestamente, apprezzo l’opportunità. È stato un piacere parlare con te.
Joannes Vermorel: Grazie, Jeff.
Conor Doherty: Joannes, grazie mille per il tuo tempo. Jeff, grazie mille per il tuo. Grazie a tutti per aver guardato. Ci vediamo la prossima volta.