00:00:00 L’accuratezza delle previsioni distrae, monopolizza la capacità gestionale
00:03:30 Il mindset delle serie temporali ignora l’agenzia, i prezzi e le sostituzioni
00:07:00 Un’accuratezza maggiore può ridurre i profitti nella pratica
00:10:30 L’accuratezza è cieca alle lacune dell’assortimento e alle soglie
00:14:00 La granularità e le abitudini sono importanti oltre le serie temporali
00:17:30 Metriche migliorate spesso non riescono nell’implementazione reale
00:21:00 Le previsioni generano lavoro manuale; l’automazione resta bloccata
00:24:30 Ignorare la domanda censurata? Si perde l’economia del basket
00:28:00 La stabilità supera l’accuratezza per operazioni funzionanti
00:31:30 Miti della pianificazione: domanda fissa, tempi di consegna normali
00:35:00 I KPI correlati ai profitti non sono l’ ‘accuratezza’ delle previsioni
00:38:30 I KPI economici superano i precisi errori statistici
00:42:00 L’accuratezza non è legata in maniera direzionale al profitto
00:45:30 Concentrati sulle decisioni; quantifica i fattori economici
00:49:00 Campiona, itera; punta a decisioni senza follia
00:52:30 Abbandona S&OP; dai priorità alle decisioni di allocazione delle risorse
00:56:00 KPI unificati con parametri specifici per categoria
00:59:30 Se sei bloccato, cambia azienda per fare progressi
01:03:00 Modifica il pitch con il P&L; proposte concise
Sommario
Le aziende inseguono l’“accuratezza” delle previsioni perché è misurabile, non perché genera profitto. La metrica—MAPE, MAE—premia la reattività e le stime puntuali, ignorando agenzia, prezzi, cannibalizzazione, variabilità dei tempi di consegna e gli effetti sul basket. Puoi migliorare accuracy e peggiorare le decisioni: gli zero “vinceranno” con una domanda intermittente; previsioni volatili fanno oscillare gli ordini attraverso ratcheted supply chain. FVA e S&OP aggiungono costi e ritardi. Parti dalle decisioni e dall’economia: margini, penali per stockout, rischio di overstock, costo opportunità—modellati in modo probabilistico—poi itera verso il “zero delirio”. Utilizza KPI unificati basati sul P&L; se l’azienda non si adatta, costruisci il caso o cambia azienda.
Riassunto Esteso
L’ossessione per l’“accuratezza” delle previsioni è un classico esempio di misurare ciò che è conveniente anziché ciò che conta. Le aziende investono tempo e denaro gestionale nel ridurre le metriche di errore—MAPE, MAE e simili—supponendo che errori minori significhino profitti maggiori. Tuttavia, i dati reali dicono il contrario: la correlazione è spesso debole, a volte negativa. Puoi ottenere un’accuratezza “migliore” e decisioni peggiori.
Perché? Perché l’accuratezza delle serie temporali considera il futuro come una semplice estensione inerte del passato. Presuppone l’assenza di agency, movimenti nei prezzi, cannibalizzazione, sostituzioni e frizioni operative come la variabilità dei tempi di consegna e i resi. Osserva il tutto al microscopio mentre elefanti—la progettazione dell’assortimento, il comportamento dei clienti, gli effetti di basket incrociati—calpestano la stanza. Nel retail, una previsione accurata che una collezione mal concepita fallirà è comunque un fallimento della gestione, non un trionfo della matematica.
Il perseguire l’accuratezza premia spesso l’instabilità. Rendi i modelli iper-reattivi e otterrai errori più evidenti mentre sfasci gli ordini d’acquisto attraverso ratcheted supply chain. Con una domanda intermittente, prevedere zero può “vincere” la metrica e far perdere l’azienda. Nei margini—dove l’economia risiede veramente—l’accuratezza attorno alla media non considera le realtà costose: stockout che trascinano interi basket verso un concorrente, overstock che porta allo spreco di prodotti deperibili, una vite da 20$ che abbassa un aereo.
Le aggiunte istituzionali—programmi FVA, riunioni che ritualizzano l’“allineamento” (S&OP)—aggiungono costi sopra la distrazione. Cicli di sincronizzazione lenti e manuali sono una tassa sull’agilità. Nel frattempo, plotoni di pianificatori devono “tradurre” le previsioni puntuali in decisioni operabili, poiché gli input sono espressi con una granularità errata e ignorano le incertezze fondamentali.
L’alternativa non è mistica; è manageriale. Parti dalle decisioni, non dalle previsioni: cosa acquistare, dove posizionare, a quale prezzo, oggi. Assegna driver monetari a ogni decisione—margini, penali per stockout, rischi di overstock, costi opportunità, vincoli di personale—e tratta l’incertezza in modo probabilistico. Itera con i professionisti tramite “ottimizzazione sperimentale” finché non raggiungi l’obiettivo: non zero inesattezza, ma zero follia. Mantieni una ricetta economica unificata per le categorie, regolando i parametri dove necessario, perché tutte competono per la medesima liquidità e capacità.
Per quanto riguarda i KPI, se un matematico riconoscesse la tua formula come “accuratezza”, probabilmente non si tratterebbe di economia. I veri KPI legati al profitto sono disordinati, specifici per l’azienda e prolissi—perché la realtà lo è. E se un’azienda è strutturalmente vincolata al feticcio dell’accuratezza, le scelte razionali sono due: costruire un caso per il cambiamento basato sul P&L, confezionato in modo nitido per i dirigenti—oppure cambiare azienda. Gli incentivi, non gli slogan, determinano i risultati.
Trascrizione Completa
Conor Doherty: Questo è Supply Chain Breakdown, e oggi analizzeremo il costo nascosto dell’accuratezza delle previsioni. Sapete chi sono.
Sono Conor, Direttore Marketing qui a Lokad. E alla mia sinistra, l’infaticabile Joannes Vermorel, fondatore e CEO di Lokad. Ora, prima di iniziare, commentate qui sotto: pensate che un aumento dell’accuratezza delle previsioni sia un KPI su cui valga la pena concentrarsi? Se sì, perché?
Commentate qui sotto. Oggi vi rivolgete direttamente a me. Qualunque cosa chiediate, commentiate o domandiate, la porrò direttamente a Joannes tra circa 20 minuti. E con—scusatemi—con questo, Joannes, iniziamo. Prima domanda: di cosa siamo arrabbiati oggi? Qual è il nostro problema con l’accuratezza delle previsioni, il fondamento del business?
Joannes Vermorel: Non direi che sia il fondamento del business—piuttosto il fondamento della supply chain management. Ora, il vero problema è che per quasi tutte le aziende, considerando ciò che stanno facendo attualmente, è una completa distrazione. È una distrazione enorme che dura da decenni.
Quando parliamo del costo nascosto, direi che il problema—il rottame che ho con l’accuratezza delle previsioni—è che, ancora una volta, per quasi tutte le aziende che gestiscono supply chain, questo artefatto consuma più della metà della capacità gestionale per un beneficio davvero minimo. Il mio punto è che è una distrazione enorme, che può addirittura peggiorare quando le persone iniziano a misurarlo in modi che complicano ulteriormente il processo per un vantaggio davvero esiguo.
Conor Doherty: Se sostieni che il concetto di accuratezza delle previsioni monopolizza la capacità, stai limitando la critica—o il costo—solo a concetti astratti come tempo, attenzione e concentrazione? Perché molti sosterranno, ne sono certo, che c’è anche una dimensione finanziaria concreta in tutto ciò.
Joannes Vermorel: Sì. Innanzitutto, quando inizi a guardare al futuro—ancora, per quasi tutti—quando inizi a guardare al futuro, ci sono così tanti elefanti che vengono completamente ignorati. Adotti la prospettiva del cliente per poter vedere anche la cannibalizzazione e la sostituzione? Se no, non sono certo di cosa tu stia facendo con la tua previsione.
Conor Doherty: Tieni conto dei prezzi? Perché ogni volta che vuoi proiettarti nel futuro, devi considerare i tuoi prezzi e quelli dei tuoi concorrenti. Vedi, il problema peculiare che ho con l’accuratezza delle previsioni è che il tradizionale mindset della supply chain guarda al futuro esattamente come un astronomo osserva la posizione futura dei pianeti. C’è una completa simmetria tra il passato e il futuro—una simmetria di inversione temporale—e si presume che il futuro sia semplicemente l’estensione del passato.
Joannes Vermorel: È estremamente strano che, nel modo classico di guardare al futuro—e quindi all’accuratezza delle previsioni—sembri che l’azienda non abbia alcuna agenzia in relazione al futuro. È solo la prospettiva delle serie temporali. Abbiamo visto che la cannibalizzazione e la sostituzione sono problemi. C’è l’effetto del pricing. Inoltre, le aziende spenderanno quasi tutti gli sforzi per prevedere la domanda, ma che dire delle altre fonti di incertezza—tempi di consegna, resi, ecc.?
Conor Doherty: Possiamo poi andare oltre e chiedere: che dire della granularità con cui fai le previsioni? Anche se accettiamo la premessa che realizzeremo tali previsioni, di quale granularità stiamo parlando?
Joannes Vermorel: La granularità delle serie temporali—che presuppone che tu possa guardare al futuro in intervalli regolari, per giorno, per settimana, per mese—non è necessariamente sensata. Ci sono molte aziende per le quali non lo è. Inoltre, ignori anche l’incertezza. Questo è un problema delle previsioni puntuali.
Conor Doherty: È un’enorme quantità. È come un branco di elefanti—non sono sicuro qual sia il termine corretto in inglese per indicare molti elefanti.
Joannes Vermorel: O un branco o una fuga. Credo sia qualcosa del genere. Una fuga di elefanti.
Conor Doherty: Ci sono così tanti elefanti in questa stanza che vengono semplicemente ignorati, e molte aziende vogliono concentrarsi sull’accuratezza. Questo è davvero problematico. Per me sembra che tu abbia un’intera stanza di cui non sai nulla. Hai un microscopio; stai guardando un minuscolo millimetro quadrato, e dici: “Ok, quello che mi serve è un microscopio più grande.” Metto seriamente in discussione l’idea che ciò che ti serve sia un microscopio più grande e migliore.
Joannes Vermorel: Due punti chiave qui: primo, è un branco di elefanti; e secondo—per essere almeno un po’ generosi—nel tuo primo intervento hai parlato dell’quasi totalità delle aziende che spendono quantità esorbitanti di denaro, attenzione e risorse per un beneficio davvero minimo.
Conor Doherty: Vuoi dire rendimento sul lato positivo? OK.
Joannes Vermorel: Prima di scomporre troppo la questione, qual è la posizione più robusta a riguardo? Cosa credono almeno le aziende essere il vantaggio di ciò che stanno facendo?
Conor Doherty: Credono che, avvicinandosi al futuro tramite previsioni puntuali delle serie temporali e adottando una metrica unidimensionale come l’errore percentuale assoluto medio (MAPE) o l’errore assoluto medio (MAE), assumano che la riduzione di tale criterio sia in qualche modo positivamente correlata ai profitti. Metto davvero in discussione questa posizione.
Joannes Vermorel: Molto frequentemente c’è una correlazione molto debole o addirittura assente, e talvolta persino inversa, il che significa che una previsione più imprecisa può in realtà rendere l’azienda più redditizia. Questa è stata, tra l’altro, una delle prime scoperte che ho fatto a Lokad 15 anni fa. Fornivamo previsioni superiori in termini di accuratezza e, molto spesso, ciò creava caos e danneggiava il business di quei poveri primi clienti. È controintuitivo, ma succede.
Conor Doherty: Un esempio: uno dei modi più semplici per migliorare l’accuratezza di un processo di previsione è rendere l’algoritmo estremamente reattivo, nel senso che, quando riscontri piccole variazioni nei dati recenti, l’algoritmo reagisce in modo molto marcato. Il problema è che ciò significa avere una previsione che oscilla enormemente continuamente. Quindi, è una previsione più accurata ma anche molto instabile.
Joannes Vermorel: In una real-world supply chain, ci sono effetti a scatto dappertutto. Una volta che passi un ordine d’acquisto a un fornitore estero, se il giorno dopo la tua previsione della domanda cala improvvisamente perché era solo una fluttuazione verso l’alto, rimani vincolato all’ordine. Questa è tipicamente una situazione in cui un aumento dell’accuratezza non si traduce in profittabilità; anzi, l’aumento dell’accuratezza ne diminuisce la profittabilità.
Conor Doherty: Un’altra cosa—questa è stata la situazione che ci ha portato alle previsioni probabilistiche un decennio e mezzo fa: quando hai una domanda intermittente, se prevedi zero, di solito la previsione è molto accurata. Molto spesso, con domanda intermittente, un modello di previsione predice semplicemente zero. Dal punto di vista statistico, quella è una previsione molto accurata. Ma sul piano commerciale, se prevedi zero, rifornisci zero e vendi zero. Non guadagni molti profitti in base a ciò.
Joannes Vermorel: Questi sono i pasticci che si creano inseguendo l’accuratezza. Ci si ritrova con decine di altri problemi. Ancora una volta, la convinzione che esista una correlazione positiva tra l’accuratezza delle previsioni e la profittabilità è infondata. Davvero infondata.
Conor Doherty: Il termine che hai usato prima è stato “potrebbe sembrare controintuitivo,” e penso—avendo discusso non solo con te ma anche con altri—che capire l’obiettivo di ciò che si sta cercando di fare possa alleviare il senso di controintuizione.
Ad esempio, se credi che una maggiore accuratezza delle previsioni sia la metrica che stai ottimizzando, allora affermare che una previsione meno accurata non sia necessariamente più redditizia risulta controintuitivo. Se il tuo obiettivo è prendere decisioni migliori, non siamo gli unici ad aver evidenziato—Stephan Kolassa scrisse qualche anno fa su Foresight—l’idea della “decision insensitivity”. Potresti avere una previsione più accurata e una meno accurata, ma esse convergono esattamente sulla stessa decisione a causa, per esempio, di un MOQ. Così, l’extra accuratezza non ti ha offerto alcun vantaggio. La previsione meno accurata si è rivelata più redditizia in termini di utile netto rispetto al mercato.
Joannes Vermorel: Hai così tanti problemi con la prospettiva delle serie temporali. Finisci per inseguire quella che è comunemente nota come la fallacia di McNamara. Hai il paradigma sbagliato. Stai scegliendo le metriche errate. Il pubblico può informarsi; esiste una pagina Wikipedia su questo—dei generali fuorviati che guidarono gli sforzi della guerra del Vietnam dal lato statunitense.
Consideriamo un esempio. Sei un’azienda di moda, un marchio fashion, e il tuo problema è che la collezione che stai per lanciare sul mercato manca completamente quell’unica cosa che si sposerebbe perfettamente con la tendenza attuale. Immaginiamo che questo sia il problema. Abbiamo una collezione che sta per arrivare sul mercato, e ignora completamente il tessile, lo stile, il motivo—qualsiasi cosa sia—che sarebbe super di tendenza.
Conor Doherty: Pantaloni a zampa negli anni ‘70.
Joannes Vermorel: E la tua previsione è molto accurata. Prevede che la tua prossima collezione andrà malissimo. Grazie. OK, hai una previsione molto accurata. Grazie mille.
Vedi, una previsione si limita a prevedere—ancora, stiamo parlando del paradigma classico, le serie temporali—si limita a prevedere la serie temporale che hai. Che dire di un prodotto che non hai, ma dovresti avere? Come verrà considerato questo nella tua metrica di accuratezza? La risposta è: non lo è.
Il problema principale è che, come paradigma, è molto debole e ignora così tante cose che, per quasi tutte le aziende, rappresenta una completa distrazione perché non hanno fatto quel tipo di lavoro preliminare per renderlo una metrica rilevante. Se parlassimo di un’azienda estremamente matura, in grado di valutare la domanda pensando in termini di domanda astratta completamente separata dall’assortimento effettivo che possiedi; che consideri già le molte varietà di incertezze—domanda, lead times, prezzi, resi, ecc.; che abbraccia già una visione probabilistica; che adotta una visione funzionale—funzionale nel senso che il futuro dipende da decisioni che non sono ancora state prese—torniamo ai processi decisionali sequenziali, ecc.
Se stai parlando di un’azienda che ha fatto tutto ciò, allora forse è a quel punto che puoi iniziare a chiederti delle metriche di accuratezza, che saranno, tra l’altro, relativamente strane perché molto probabilmente stiamo parlando di previsioni probabilistiche. Ma sono molte le fondamenta che vanno prima messe in atto.
Quando dico “costo nascosto dell’accuratezza delle previsioni”, intendo dire che è una completa distrazione perché quelle fondamenta mancano completamente, e quindi le aziende inseguono metriche estremamente ristrette che non riflettono gli interessi a lungo termine del loro business.
Conor Doherty: Per riprendere l’esempio retail che hai fornito—ricordo che l’hai menzionato tempo fa in merito all’ottimizzazione dell’assortimento. Hai fatto l’esempio: se sei un rivenditore di moda, quanti t-shirt giallo brillante o t-shirt rosa brillante vuoi nella tua collezione? Non li avrai—beh, dipende davvero dal motivo per cui li hai. Se li hai perché pensi di venderli, potrebbe non essere così, perché non ne venderai tanti. Ma non averli fa sembrare brutto il tuo assortimento, perché poi avrai solo camicie bianche e jeans neri o blu e il negozio sembrerà piuttosto spento.
Quindi, cercare di catturare il valore di quella t-shirt rosa o di quella t-shirt gialla in una serie temporale è—“lossy” è il termine che usi. È una rappresentazione, che perde informazioni, del valore, o qualcosa del genere. Sto certamente sminuendo il concetto, ne sono convinto.
Joannes Vermorel: Sì, è davvero una rappresentazione molto lossy delle informazioni sul tuo negozio. E qui dico: qual è il livello di granularità? Il problema con quelle previsioni è che tipicamente adottano una prospettiva non molto intelligente.
Se vuoi pensare a un negozio, vorresti chiederti: come potrei effettivamente ottimizzare il mio inventario e le mie decisioni sull’assortimento—decisione sull’assortimento, decisione sull’inventario, decisione sui prezzi—per massimizzare la domanda servita con successo da questo negozio? Quella sarebbe una prospettiva. Un altro punto di vista sarebbe: come posso massimizzare il valore a lungo termine di ogni singolo cliente?
Questo è importante, per esempio, nella moda: se offri uno sconto a un cliente, crei una cattiva abitudine. Il cliente all’improvviso si aspetta di tornare. Quando questo cliente ritorna, si aspetterà nuovamente uno sconto. Ancora una volta, stiamo guardando al futuro. Stiamo implicitamente formulando una previsione.
Quando le persone iniziano a discutere sull’accuratezza delle previsioni, stanno cercando di articolare un giudizio sulla qualità della loro anticipazione del futuro. Quello che intendo dire è che le qualità che si riscontrano nella quasi totalità delle aziende—legate a un paradigma estremamente ristretto, ovvero le previsioni puntuali su serie temporali—sono così limitate e errate che qualunque cifra emerga in termini di metriche da questo paradigma è solo una perdita di tempo. È una perdita di tempo, e qualunque miglioramento che pensi di ottenere è soltanto un’illusione.
Ho anche visto prove aneddotiche—decine e decine nel corso degli anni—di team di data science che hanno creato una previsione “20% più accurata” secondo MAPE o MAE o altro, che non viene mai messa in produzione perché crea così tanti problemi. Lokad, ancora una volta quindici anni fa, faceva parte di quelle aziende guidate dalla data science che si trovavano ad affrontare questo genere di problemi. Sembra che il problema persista, e sviluppi recenti come FVA—Forecast Value Added—stanno solo peggiorando ulteriormente la situazione.
Conor Doherty: È arrivata una domanda privata. Potete inviarla privatamente se non volete commentare pubblicamente; le farò alla fine. Ma tornerò all’idea dell’FVA e dell’accuratezza—perché è proprio di questo che mi è stato chiesto. Continuerò un po’, perché ancora una volta l’argomento è il costo nascosto dell’accuratezza delle previsioni.
Il tuo libro è sul tavolo. L’economia è una parte enorme del tuo modo di vedere il mondo, e sottolinei ripetutamente l’importanza sia dei costi diretti che di quelli indiretti, con i costi opportunità come indiretti. Quindi, in termini piuttosto concreti, quali sono i costi in pratica di un’impresa che si concentra sull’inseguire l’accuratezza? Come si manifesta ciò nelle spese o nelle perdite quotidiane?
Joannes Vermorel: Si manifesta nei tuoi responsabili degli inventari o dei reparti di produzione—o chiunque prenda le decisioni effettive—che trascorrono molto tempo a manipolare i numeri affinché possano finalmente giungere a una decisione semi sensata. Le aziende a volte si chiedono: è molto strano, abbiamo la previsione che dovrebbe essere accurata, e poi abbiamo semplici regole per derivare le decisioni—cosa acquistiamo, cosa produciamo, dove allocare lo stock, quali sono i prezzi? Si scopre che occorre un’immensa quantità di manodopera per trasformare quelle previsioni in decisioni reali.
Perché ciò? Perché le previsioni sono talmente prive di senso che serve tanta manodopera, tanta capacità di pensiero, per fare tutte le cose che la previsione non fa correttamente. Quelle persone, quegli interi team, stanno infatti svolgendo tutto il lavoro di pensare correttamente al futuro affinché le decisioni abbiano davvero senso.
Questo è uno dei costi nascosti: perché la tua supply chain non è completamente automatizzata in termini di processi di decision-making end-to-end? La risposta breve è che le tue previsioni sono estremamente disfunzionali, e questo è un problema molto più grave del fatto che siano imprecise.
Sono disfunzionali nel senso che non sono nemmeno espresse in una maniera che si presta ai processi decisionali. Non hanno la granularità giusta. Non si concentrano sulle cose giuste. Non possiedono la sfumatura necessaria, ecc. Quindi hai un’illusione di un futuro quantificato, ma questa è solo un’illusione. Quando parliamo di accuratezza delle previsioni—ancora una volta, dal punto di vista classico—stai semplicemente inseguendo quell’illusione di quantificare il futuro.
Conor Doherty: Premetto che non entreremo in una diatriba sull’FVA, ma solo come esempio di costi concreti: spesso sappiamo che le aziende spenderanno una notevole quantità di denaro, direttamente e indirettamente, su prodotti software per implementare l’FVA. Ancora, non stiamo commentando se l’FVA funzioni o meno; è irrilevante. È da considerare come un costo, un sovrapprezzo aggiuntivo nella ricerca di una metrica, tipo: vogliamo vedere cosa aggiunge, cosa diminuisce o incrementa l’accuratezza.
Quindi non si tratta solo di attenzione; ci sono anche gli stipendi, giusto? C’è l’attenzione, c’è il costo opportunità, e in molti casi—ne conosciamo alcuni esempi—c’è anche l’intervento software. I fornitori, che pagano per questo, ecc. Quindi ci sono molti costi.
Joannes Vermorel: Sì. E inoltre, per esempio, se aggiungi persone nel processo, come avviene nello S&OP—parte dell’idea dello S&OP è aumentare in qualche modo la sincronizzazione, aumentare l’accuratezza. Vuoi che le persone producano ciò che il team di vendita sta per vendere e ciò che il marketing sta per promuovere. Vuoi una sincronizzazione a livello aziendale. In un certo senso, si tratta di inseguire l’accuratezza affinché ci sia meno dissincronizzazione tra tutte queste parti.
Ma ciò comporta un costo enorme: questa sincronizzazione manuale è estremamente lenta. Per la maggior parte delle aziende avviene solo una volta per trimestre, e alcune aziende lo fanno una volta al mese, ma è già molto lento. Anche se sei tra le migliori aziende che praticano lo S&OP, il ciclo sarà comunque mensile. Secondo me, questo è estremamente, estremamente lento. Questo è un altro costo associato all’inseguimento dell’accuratezza: improvvisamente, tutto ciò che fai è posticipato di 30 giorni o più. E questo non va bene.
Conor Doherty: Sono d’accordo, e ho appena scritto un addendum in merito. Ancora una volta, quando parliamo del focus—i KPI, spesso l’accuratezza delle previsioni—hai menzionato che ciò ti rende praticamente cieco nei confronti di molte altre fonti di incertezza perché, per la maggior parte, si tratta di domanda. Stiamo prevedendo la domanda, e la prevediamo in un modo molto specifico, ovvero attraverso la lente delle serie temporali a disposizione.
Joannes Vermorel: Esattamente. Non si tratta di tutta la domanda. Si tratta delle cose per le quali—effettivamente quello che fai quasi esclusivamente è proiettare le vendite in base alle vendite storiche. Siamo assai lontani dal chiederci, per esempio: come pensi all’accuratezza quando, in passato, hai avuto gravi esaurimenti di scorte, e quindi non hai osservato la domanda? C’è stata una censura perché hai venduto solo quanto potevi, dato che non avevi di più.
Un esempio molto frequente: cosa direbbe la quasi totalità dei fornitori—e dei consulenti, e di molti manuali? Direbbero, “Oh, ignora semplicemente quella parte della storia in cui hai avuto quei problemi.” La mia risposta è: assolutamente no. Se ti trovi ad affrontare un esaurimento di scorte—supponiamo che tu faccia una promozione in un ipermercato e ti ritrovi senza scorte dopo due ore di lunedì mattina—apri, bam, due ore dopo sei a corto. È un’informazione molto significativa. Se la promozione dovrebbe durare dieci giorni, esaurire le scorte entro la fine del nono giorno è una situazione completamente diversa.
Quindi, il fatto che tu finisca con un esaurimento di scorte non invalida tutto. Puoi comunque utilizzare queste informazioni, anche se accompagnate da complicazioni. Ancora una volta, il problema che ho con l’“accuratezza” è che viene praticata con un paradigma difettoso quasi ovunque. Così, quando insegui quest’accuratezza come viene praticata dal 99% delle aziende, ciò comporta costi immensi e ben pochi vantaggi—se ci sono.
Conor Doherty: Per prendere il tuo stesso esempio e analizzarlo in termini di costi nascosti: hai citato l’esempio di un evento di esaurimento di scorte. La prospettiva tradizionale sarebbe: “Sei in un negozio; non hai uova. Beh, ho perso la vendita delle uova.” Che dire del fatto che la maggior parte delle cose verrà acquistata in combinazione?
Prevedi un certo livello di domanda per le uova; hai avuto un esaurimento di scorte di uova. “Beh, ho perso il valore di quelle uova.” Che dire del pane, del formaggio, del latte, del prosciutto, dell’ammorbidente, del detersivo per lavatrice? Tutti quegli articoli sarebbero probabilmente finiti insieme nel carrello. Le uova, essendo un determinato prodotto—io stesso ne consumo parecchie. Guardami: se in un negozio non ci sono uova, vado in uno che le abbia, e porto con me tutti i soldi che avrei speso per tutti quegli altri prodotti.
Joannes Vermorel: Questo è il tipico caso della previsione probabilistica: la maggior parte del valore economico nella supply chain risiede negli estremi. È una domanda sorprendentemente alta che genera un esaurimento, o una domanda sorprendentemente bassa che porta a un eccesso di scorte e, potenzialmente, in caso di prodotti deperibili, a una svalutazione dell’inventario.
Per quasi tutte le aziende che si concentrano sull’accuratezza classica, questo rimarrà invisibile perché ti focalizzi sulla media o sulla mediana. Questo è vero anche nell’aviazione: avete degli AOG—aircraft on ground. Se ti manca una vite da 20 dollari, e bam, il tuo A320 rimane a terra per un giorno perché ti manca un piccolo componente.
L’idea che la tua accuratezza—le previsioni puntuali—rifletterà o sarà correlata all’economia è semplicemente molto errata nella maggior parte dei casi. Per questo pubblico, ciò che bisogna ricordare è che molto frequentemente essa è letteralmente negativamente correlata. Migliorando l’accuratezza, stai peggiorando la situazione. Ciò accade molto spesso.
Altrimenti, l’argomento contrario sarebbe: “Stiamo migliorando l’accuratezza perché, almeno, non fa male.” La mia risposta è: oh sì, può fare male. Molto spesso lo fa. Questo è uno dei motivi principali per cui così pochi di quei progetti di data science arrivano mai in produzione: quelle previsioni “più accurate” creano così tanti problemi da essere vetate. Ciò genera un’immensa frustrazione nei team di data science: “Ma guarda, la nostra previsione era più accurata del 20%!” I professionisti non sono arcaici; colgono intuitivamente che quei numeri creeranno enormi problemi per l’azienda. Non dispongono necessariamente di un’analisi quantitativa end-to-end per spiegare il perché, perciò il tipico pianificatore d’inventario guarda quelle previsioni—apparentemente più accurate ma che creano molti problemi poco visibili—e dice, “No, non mi piace. Voglio solo mantenere la mia media piatta triennale e restarci fedele.”
Per il team di data science, questo può sembrare insensato—perché questa media triennale? Sembra sciocca. Quello che non vedono è che il modello sofisticato, con la sua prospettiva sulle serie temporali, è completamente rotto e sta creando molti problemi. Per il responsabile dell’inventario, questa media triennale, seppur molto ingenua, presenta proprietà interessanti: elevata stabilità, facilità di comprensione, ecc. Poiché occorre tanto lavoro extra per catturare correttamente il futuro, almeno questo input non interferisce con tutto il resto del lavoro che i responsabili dell’inventario, della produzione, dell’allocazione, dei negozi, ecc., devono fare per prendere decisioni reali.
Conor Doherty: Hai letteralmente appena detto “capturing the future,” e la sostanza è stata in gran parte la spesa diretta ed indiretta associata alla previsione della domanda, in particolare tramite le serie temporali. Hai menzionato in precedenza l’importanza dei tempi di consegna, dei resi, ecc. Perché pensi che quasi tutte le aziende siano così entusiastiche nel prevedere la domanda e nel renderla super, super accurata, ma questa altra enorme, molto comune, molto nota fonte di incertezza—di cui non parliamo?
Joannes Vermorel: Ed è qui che devo intervenire con il libro—capitolo 7, “Il Futuro.” Quello che quasi tutte le aziende praticano è, in termini tecnici, una visione teleologica, che presuppone che si possa, proprio come il Gosplan per l’URSS, proiettare la domanda con un anno di anticipo (o nel Gosplan, cinque anni di anticipo), e poi congelarla. Così il gioco mondiale diventa un problema di allocazione delle risorse. Diventa solo questione di orchestrare le risorse per ciò, e si presume che tutto verrà fatto in modo affidabile. Se no, questo è un problema che devi risolvere.
Ad esempio, tempo di consegna: la teoria classica direbbe, “Non prevedere il tempo di consegna. Basta avere fornitori affidabili che consegnino puntuali.” Questa visione sopravvive nel mondo reale? No. Tuttavia, è una prospettiva adottata in quasi tutti i libri. Hai anche visioni ancora più assurde: a volte gli autori ammettono che i tempi di consegna possono variare e dicono, “Adottiamo una distribuzione normale,” che attribuisce probabilità positive a tempi di consegna negativi—super strano se ci pensi. Troverai nei testi autori che affermano, “Facciamo una distribuzione normale per il tempo di consegna,” il che significa che va bene avere meno un giorno di tempo di consegna: ordini ora e ricevi il prodotto ieri. Non ha alcun senso. Tuttavia, è presente nel software e nella letteratura.
Conor Doherty: Joannes, grazie. Devo far notare che il mio computer è impazzito in background. Pensavo che non ci fossero domande e poi si è appena riavviato mentre parlavi, e in realtà ce ne sono molte. Non ne avevo idea, e poi all’improvviso ho visto che ce ne sono parecchie. Dammi un momento per processare—Microsoft ha fatto l’aggiornamento di Windows proprio al momento giusto, incredibile. Proprio al momento giusto. Il computer funziona perfettamente, poi facciamo un evento live.
Torniamo ad un commento conclusivo più tardi. Passerò direttamente a un commento. Questo è di Timur: “Quando i KPI di previsione non sono correlati con i profitti, significa che questi particolari KPI di previsione devono essere cambiati. Abbiamo una buona esperienza nel ridefinire i KPI verso quelli in cui vediamo una correlazione.” Cosa ne pensi, Joannes?
Joannes Vermorel: Sì. Ma allora dovremmo davvero chiedersi: se applichi tutti i cambiamenti necessari affinché il tuo KPI diventi correlato al profitto, puoi ancora chiamarlo “forecasting accuracy”? È quello che nella letteratura viene chiamato forecasting accuracy? È quello che si chiama forecasting accuracy all’interno dei sistemi di pianificazione avanzata o delle soluzioni di pianificazione aziendale? La mia risposta è: no.
Quindi, cosa succede se diciamo che è possibile introdurre un KPI che in realtà è correlato al profitto? Assolutamente. Ma non si chiama più forecasting accuracy. Nessuno, guardando questo calcolo, direbbe, “Oh, è una variante dell’accuratezza.” Sì, è possibile correlare la qualità della tua anticipazione del futuro al tuo profitto. Ma quando fai ciò, finisci per avere qualcosa di così diverso che nessun statistico lo chiamerebbe più accuratezza. Siamo andati oltre; siamo così distanti che è qualcosa di molto diverso.
Conor Doherty: Prossima domanda da Vivek: “Dovremmo misurare l’accuratezza o l’errore in volume, oppure l’errore in percentuale—accuratezza in volume o errore in volume?”
Joannes Vermorel: Il problema non è avere una metrica assoluta espressa in unità o qualcosa espresso come percentuale. Questa è una questione tecnica completamente irrilevante. Lo stesso vale se vuoi scegliere l’errore quadratico medio o altro. Tutti questi sono strumenti matematici con una definizione matematica. Non hanno alcuna correlazione con i profitti dell’azienda.
Se hai un KPI adeguato, sarà qualcosa tale che—come test del sapone—se uno statistico o un matematico riconoscesse la formula del tuo indicatore di performance come qualcosa chiamato accuratezza, non si tratta di un criterio economico. Quando si aggiungono le componenti economiche, diventa tutto molto confuso e estremamente specifico per l’azienda. Diventa qualcosa che non puoi trasporre ad un’altra azienda. Diventa estremamente legato alle ambizioni strategiche di questa stessa azienda e comporta molti casi limite. C’è molta complessità specifica per l’azienda.
Quegli indicatori di prestazione indicators che sono guidati da fattori economici sono molto utili. Se vuoi riconoscerli, sono tipicamente piuttosto prolissi, perché devono tenere conto di molti fattori dell’azienda. Non hanno l’eleganza matematica di criteri puramente matematici come MAPE o MAE. Non è qualcosa che puoi scrivere in una riga di codice. Di solito richiederà centinaia, se non qualche migliaio, di righe di codice perché bisogna considerare un’infinità di variabili.
Conor Doherty: Tornerò a una domanda inviata in precedenza. Questa era in risposta ai tuoi commenti su una previsione negativa—o meglio, meno accurata—che risulti più redditizia. Leggo questo parola per parola: “OK, una previsione più accurata del 10% potrebbe non far guadagnare di più, ma una previsione meno accurata del 20% ti farà sicuramente perdere denaro. Quindi, l’accuratezza è almeno correlata, in linea di massima, con la redditività?”
Joannes Vermorel: No, non lo è. Quello è stato l’errore che ho commesso nei primi anni di Lokad. Il modello di business di Lokad era: fornire previsioni più accurate. E lo abbiamo fatto. Siamo ancora piuttosto bravi con l’accuratezza delle previsioni. Qualche anno fa, durante la competizione M5 per le previsioni sui dati Walmart, Lokad si è piazzata al primo posto a livello mondiale per SKU e al quinto in assoluto, mentre nessuno dei nostri concorrenti—che concentravano il loro discorso su “previsioni AI più accurate” e simili—è riuscito a entrare nella top 100.
Una previsione meno accurata del 20% può rendere la tua azienda più redditizia? Sì, assolutamente. Questa è stata la lezione dura e dolorosa dei primi anni a Lokad. Come si ottiene una previsione più accurata del 20%? Rendendo la previsione più instabile. Hai un algoritmo che è molto reattivo all’ultimo calo di dati. Questo è uno dei modi più semplici per rendere la tua previsione più accurata. Ma quando inserisci questo tipo di previsione instabile, anche se più accurata, in una supply chain reale, le performance ne risentono. Tornare a qualcosa di meno accurato del 20% in realtà migliora la situazione.
Uno dei modi più semplici per rendere una previsione “più accurata” con una domanda intermittente è prevedere zeri per la maggior parte del tempo. Storicamente, abbiamo persino vinto una grande gara d’appalto per un grande distributore europeo restituendo solo zeri. Prevedevamo la domanda per mini-market—per prodotto, per giorno, per mini-market—per cinque giorni in avanti. Il criterio era il valore assoluto della differenza tra previsione e realtà. Ho usato il mio modello di previsione a zero—ritorna zero ovunque—e ha performato il 20% meglio della seconda azienda in questa competizione di previsione per questo bando d’appalto.
Sì, puoi migliorare il business rendendo la previsione meno accurata. Le serie temporali sono completamente inadeguate, e quando vengono usate, succedono cose folli continuamente. Ecco perché hai bisogno di così tante persone a modificare numeri e ad aggiustare e lavorare con fogli di calcolo sopra le previsioni—perché non puoi tradurre direttamente le previsioni basate su serie temporali in decisioni. Questo è uno dei motivi principali per cui, dalla fine degli anni ‘70, l’automazione della supply chain non si è realizzata: non puoi automatizzare i processi decisionali basati sull’analisi delle serie temporali. Questo è il problema.
Conor Doherty: Prossima domanda da Dmitri—e grazie per avermi aiutato con l’amministrazione, Dmitri, e per averla ripubblicata. Commento, poi domanda: l’accuratezza delle previsioni è ampiamente usata perché è semplice. Come descrivi tu, Joannes, i tuoi concetti agli altri stakeholder aziendali—non necessariamente ai nerd cool che la capiscono subito?
Joannes Vermorel: Il nostro approccio è: dimentica la previsione. Si tratta di un artefatto numerico, un valore che è solo transitorio. È un mezzo per raggiungere un fine. Qual è il fine? La decisione: cosa comprare, cosa produrre, dove mettere l’inventario, a quale prezzo?
Esaminiamo le decisioni. Per ogni decisione, quantifichiamo—in euro o dollari—le mezza dozzina di forze in gioco, e discutiamo se ciò che osserviamo attraverso queste forze sembra giusto. Ad esempio: mettiamo un’unità in questo negozio—qual è il margine extra che pensiamo di ottenere aggiungendo questa unità extra in questo negozio oggi? Abbiamo una stima approssimativa? Quali sono le penalità per esaurimento scorte che evitiamo—qual è il miglioramento nella qualità del servizio? Qual è il rischio di overstock che stiamo creando? Qual è il costo opportunità nel prendere spazio nel negozio che potrebbe essere usato per un prodotto migliore?
Dobbiamo raggiungere un accordo su questi fattori economici. A seconda del settore, ce ne saranno molti. Le mezza dozzina o dozzina di forze economiche in gioco varieranno sostanzialmente da un’azienda all’altra perché il modello di business e l’intento strategico sono diversi. Tuttavia, il metodo in Lokad è: esprimere tutto ciò in economic drivers, che riflettono il futuro—futuro incorporato in quelle valutazioni economiche in termini monetari—poi discutere se riteniamo di essere nella giusta direzione insieme ai professionisti.
Molto spesso riceviamo feedback di qualità superiore quando lo consideriamo da un punto di vista puramente finanziario. La gente ti dirà, “Oh, ti sei dimenticato: mi stai parlando di spingere questa unità oggi, ma oggi il negozio ha un organico insufficiente. Non hanno le risorse per mettere la merce sugli scaffali. Se spingi qualcosa, qualcuno al punto vendita dovrà fare cose e i clienti saranno mal serviti. Quindi, dovrebbe esserci una penalità.” OK, includiamo questo come un fattore extra.
Così tante cose finiscono in questa anticipazione del futuro. Si tratta di fare le cose giuste per il futuro. Ecco perché dico “qualità dell’anticipazione” invece di “forecasting accuracy,” quest’ultima essendo previsioni puntuali basate su serie temporali.
Conor Doherty: Dmitri stava ascoltando, quindi c’è una domanda di follow-up: puoi chiedere come applicare tutti questi fattori economici a un portfolio di 5.000 SKU? Tu hai gestito portafogli più grandi di così.
Joannes Vermorel: Sì, decisamente più grandi—applichiamo questo a oltre 50-million-plus SKU. Ciò che è importante è scrivere la ricetta numerica. Il modo in cui procedi con i professionisti è mediante il campionamento. Ti lasci guidare da evidenze aneddotiche. Dimentica di avere un’accuratezza media, una performance media, ecc.—questo non dovrebbe guidarti.
Il metodo—anche nel libro—si chiama ottimizzazione sperimentale. Prendi un esempio, e il pianificatore dice “avanti, avanti,” guarda l’SKU e dice, “Ah no, su questo non sono d’accordo.” Se inizi questo metodo con persone reali, loro guardano la tua ricetta—non il codice, l’output, i fattori economici—e obiettano rapidamente: “Non sono d’accordo su questo aspetto. Ad esempio, questo prodotto: mi dici che la penalità per esaurimento scorte è questa, ma si tratta di pannolini. Per i genitori giovani è fondamentale. Se non trovano i pannolini della marca corretta nell’ipermercato, andranno immediatamente in un altro ipermercato.” OK, quindi la penalità qui è ampiamente sottostimata.
Ti danno feedback. Sono aneddotici. Poi spetta al supply chain scientist comprendere la regola generale ed arrivare al nocciolo della questione. La nostra esperienza a Lokad—l’ottimizzazione sperimentale in pratica—è: fai una prima passata, i pianificatori obiettano al 90% delle tue righe. Non importa quale SKU o decisione scegli, ci sono tonnellate di obiezioni. Poi iteri e iteri. Molto spesso ci vogliono qualche centinaio di iterazioni in due mesi—a volte cinque iterazioni al giorno—aggiustamenti, ripeti, aggiustamenti, ripeti. Pensalo come un foglio Excel in cui apporti modifiche—un processo agile.
Talvolta i clienti hanno persino discussioni in diretta con il supply chain scientist al telefono. Il scientist corregge il codice durante la chiamata e lo esegue per vedere cosa ottieni. Iteri. A un certo punto, il professionista dice, “Non ho più obiezioni.” Esaminano le decisioni: sembrano buone e coerenti; non c’è più follia. Il nostro obiettivo per la produzione è lo 0% di follia. Non cerchiamo uno 0% di imprecisione; puntiamo allo 0% di follia. Questa è una prospettiva completamente diversa.
Lo fai tramite il campionamento. È inutile dire che vuoi una performance media perché, quando prendi una media su molti SKU, non vedi i problemi. Non vedi gli aneddoti, i casi speciali che devono essere gestiti. Anche se cerchi la redditività, hai molti SKU che sono super redditizi. Se fai la media, puoi avere uno SKU in cui qualcosa va male—in modo folle—ma finisce per passare inosservato tra tanti altri SKU che sono redditizi e sensati. Ecco perché serve l’ottimizzazione sperimentale e una prospettiva aneddotica per correggere il codice rapidamente.
Conor Doherty: Due ancora. Devo scorrere indietro—tanti commenti. Dmitri, spero che sia d’aiuto. OK, da—scusami, presumo di pronunciarlo correttamente—Alif (o Leif): “Dal tuo punto di vista, quali approcci possono aiutare le organizzazioni a scoprire e a risolvere i costi nascosti all’interno dei cicli, garantendo al contempo un equilibrio tra agilità ed efficienza dei costi?” (Nota: cicli significa S&OP.)
Joannes Vermorel: Abbandona l’S&OP. Questi processi hanno un solo vantaggio: rendono ricchi i consulenti. Lasciali perdere. Concentrati davvero sulla decisione. Identifica quali decisioni vengono prese. Nel libro definisco una supply chain decision in modo molto semplice: è un’allocazione di risorse che supporta il flusso di beni fisici. E questo è tutto.
Converti un dollaro in materie prime per la tua supply chain—questa è un’allocazione di risorse. Prendi un’unità di materie prime e la trasformi in un prodotto semilavorato—allocazione di risorse. Sposti un’unità di inventario da un luogo all’altro—allocazione di risorse. Concentrati sull’allocazione delle risorse; queste sono le decisioni che vengono prese. Parti da qui.
Non lasciare che gli artefatti numerici—passi intermedi—definiscano il tuo processo. Le previsioni ne fanno parte; sono completamente transitorie. Sono usa e getta. Puoi eliminarle, sostituirle con qualcosa di migliore. Non sono fondamentali, a differenza delle decisioni. Le decisioni sono fondamentali. Riconsidera il tuo business tra 50 anni—avrai ancora il problema di un dollaro che viene convertito in cose che hai acquistato, trasformato attraverso un processo produttivo. Quelle decisioni sono estremamente stabili, a differenza degli artefatti numerici, che sono completamente transitori.
Conor Doherty: Questo è in realtà un commento lungo con molto contesto. Sto deliberatamente restringendo il discorso a una sola domanda—manderemo una risposta più lunga più tardi. In linea generale: pensi che i KPI debbano differire per le diverse supply chain categories, rispecchiando le differenze nei vincoli di acquisto, produzione e nei tempi di consegna?
Joannes Vermorel: Tipicamente, no. Vuoi KPI che riflettano l’economia della tua azienda. Questo può includere molti fattori che dipendono dalla categoria. Ci sono aziende—alcune molto grandi—con attività incredibilmente diverse. Se hai un’azienda che si occupa di giocattoli e parti aviazione, si tratta di due attività separate. Probabilmente i KPI sono completamente diversi.
Ma se abbiamo qualcosa di relativamente omogeneo—ad esempio, avionica—dovrebbero i KPI essere definiti in modo diverso a seconda del tipo di avionica? Probabilmente no. Quello che probabilmente hai è il codice—la logica del tuo KPI—che è la stessa per tutti, ma ha parametri specifici per categoria. Questo è tipicamente l’approccio Lokad. A volte abbiamo anche parametri specifici per prodotto o per SKU. Va bene. Il mio consiglio è: cerca di mantenere la ricetta numerica il più unificata possibile.
Perché? In definitiva, tutto ciò che fai compete per le stesse risorse. Tutte le categorie che acquisti alla fine competono per gli stessi dollari nel conto bancario dell’azienda. Tutto ciò che tieni in magazzino finisce per competere per lo stesso spazio di stoccaggio nello stesso magazzino. Hai vincoli a livello aziendale. Se le cose non sono omogenee, è estremamente difficile effettuare un arbitraggio appropriato tra le allocazioni. Questo è anche un problema della visione classica dell’ottimizzazione della supply chain: tendono ad operare in silos, categoria per categoria. Questo perde completamente il punto. Se vuoi ottimizzare la tua supply chain, dovrebbe essere end-to-end, individuando dove puoi allocare le risorse che offrono il più alto tasso di rendimento in termini di performance economica.
Conor Doherty: Devo dire che c’era un’enorme quantità di contesto nella domanda di Timur. Se stesse ascoltando, potrebbe tirarsi i capelli, tipo, “Conor ha semplificato troppo la mia domanda.” Manderemo una risposta più dettagliata dopo. Joannes non ha visto l’intero contesto. Era un commento improvvisato.
Siamo in corso da un’ora. Penso che abbiamo risposto a tutte le domande e commenti, ma c’è ancora un punto: molte persone sembrano entusiaste di questo argomento. Molti operano in quadri dove vogliono apportare cambiamenti ma devono comunque rispettare i loro vincoli. Noi ci occupiamo di ricette numeriche; trattiamo vincoli. Hanno riunioni S&OP. Dispongono di software Forecast Value Added con cui, almeno per ora, devono operare o aggirare o gestire. Qual è il tuo consiglio per chi vuole iniziare a fare i cambiamenti di cui parli ma opera in quel sistema?
Joannes Vermorel: Cambia azienda—letteralmente.
Conor Doherty: Ebbene, eccoci qua, a tutti. Grazie per averci ospitati.
Joannes Vermorel: Sono serio. Il problema è che quando dici, “OK, questo framework, questa organizzazione è completamente disfunzionale. C’è qualcosa di ovvio che dovrebbe accadere; non sta accadendo,” dovresti cambiare azienda. Questo farà saltare tutto. A un certo punto un concorrente se ne accorgerà, attuerà il cambiamento, e per l’azienda che non agisce, saranno guai.
Pensa a tutti quei rivenditori che sono falliti di fronte ad Amazon. Letteralmente non riuscivano a comprendere cosa stesse succedendo. Quando ho fondato Lokad, ho avuto conversazioni in Europa con molte aziende di vendita al dettaglio—molte sono fallite da allora. Mi dicevano—perché presentavo Amazon come una minaccia—“Oh, signor ML, Amazon è solo una nicchia, questa piccola cosa su internet. Non è serio. Nessuno comprerà mai”—inserisci qui—“una TV, un divano, un vestito, un’auto, bla bla, su internet. Le persone amano uscire.” Dicevano, “Non compreranno mai questo o quello online. Immagina di acquistare una fotocamera costosa online—no, ovviamente no,” ecc. È andata completamente a rotoli.
Se sei in un’organizzazione in cui hai molto lavoro frenetico, immagina che il tuo concorrente decida di fare una mossa audace e robotizzare tutto ciò. Tutto ciò sparisce. Per quanto tempo sopravvivrà la tua azienda se non lo fanno? Pensi che il tuo ruolo sarà ancora lì?
Vedo molte persone bloccate. Uno dei privilegi della modernità è che non sei bloccato in un unico posto—soprattutto per le persone con competenze quantitative o analitiche; sono molto richieste. Tante aziende stanno assumendo. Lokad fatica ad assumere; è difficile. Perché dovresti sprecare anni della tua vita in un’azienda che ti sfrutta con un processo rotto? È pazzesco.
Il mio suggerimento: in modo molto educato e costruttivo, cerca di promuovere idee per attuare un cambiamento. Spesso la gente è sorpresa: il motivo per cui il cambiamento non avviene è che nessuno ci prova nemmeno. La gente assume di default che il cambiamento verrebbe respinto.
La mia esperienza limitata è: hai molta libertà di rivolgerti ai superiori. Se hai un caso che ha senso, è ben strutturato e offre qualcosa di ragionevole e fattibile, il cambiamento può avvenire. Questo sarebbe il mio consiglio.
Ma se sei intrappolato in un processo obsoleto, è urgente passare a un’altra azienda che farà un uso migliore di te. Altrimenti, immagina tra dieci anni: sarai ancora nello stesso ruolo obsoleto. Sul tuo curriculum ci saranno dieci anni di lavoro frenetico in qualcosa di obsoleto. Venderti al tuo prossimo datore di lavoro sarà molto difficile.
Conor Doherty: Questo non è nemmeno teorico. Ci sono amici del canale che recentemente hanno cambiato lavoro per esattamente questo motivo, e l’hanno rivelato—e bene per loro.
Joannes Vermorel: È anche un modo per creare il cambiamento che vuoi vedere nel mercato. Vedi qualcosa di obsoleto e dici, “Non intendo contribuire a questo.” Vai in un’azienda che fa qualcosa di più intelligente—per esempio, Amazon, che è molto redditizia—e le probabilità di ottenere, dopo un po’, un salario molto più alto sono molto alte.
Conor Doherty: Come pensiero conclusivo, Timur è d’accordo con te: “Sono d’accordo con il consiglio di Joannes di cambiare azienda. Non perdere tempo se non ti è permesso implementare ciò che ha senso per te.”
Joannes Vermorel: Sì, e se vuoi il cambiamento, impegnati seriamente nel confezionare la tua proposta—cioè, in uno stile veramente gerarchico. Ti serve un riassunto di non più di mezza pagina per il capo del tuo capo, qualcosa di molto digeribile. Poi la versione più lunga—forse due pagine—e poi magari dieci pagine, e un esempio concreto. Se riuscirai a presentare numeri espressi in P&L—profit and loss—questi parleranno al top management.
Non essere il data scientist che dice, “Dobbiamo passare a deep learning, e penso che dovremmo davvero adottare la decomposizione a basso rango; credo che questo sia il futuro.” Il management dirà, “Di cosa stai parlando?” Deve essere tutto molto concreto. Non credo di aver mai incontrato un dirigente che, quando gli viene presentato un piano d’azione espresso in dollari o euro, dica, “Non voglio nemmeno ascoltarlo.” Ho visto molte situazioni in cui le persone dicono, “Il tuo piano è interessante ma completamente errato perché hai fatto un’ipotesi sbagliata,” quindi ciò che computi è incorretto. Ma ho raramente visto il top management che non si impegni su qualcosa di finanziariamente motivato.
Conor Doherty: Joannes, abbiamo parlato e in piedi per 70 minuti. Non ci sono più domande. Oggi ho fatto le gambe, quindi sono davvero stanco. Non ci sono più domande; il tempo è scaduto. Grazie, come sempre, per tutte le tue intuizioni. E a tutti coloro che hanno partecipato e posto domande, sia in privato che in pubblico—molte grazie.
Se vuoi continuare la conversazione, sentiti libero di contattarci in privato, nessun problema. Oppure, se stai guardando questo video in replica—ed è disponibile in replica—lascia un commento qui sotto e uno di noi ti risponderà. E con questo, ci vediamo la prossima settimana. E sì, torna a lavorare.
