00:00:00 Introduzione alle euristiche nella supply chain
00:01:14 Esempi di euristiche: inventario min-max, FIFO, analisi ABC
00:03:15 Origini e uso informale delle euristiche nelle aziende
00:06:28 Approcci umani vs. algoritmici alla risoluzione dei problemi
00:09:58 Euristiche da una prospettiva informatica
00:13:27 Il problema dei punti di vista da profani sulle euristiche
00:17:22 Euristiche nella supply chain e l’illusione della causalità
00:22:00 La necessità di metriche per valutare l’efficacia delle euristiche
00:26:35 Differenza tra algoritmi ed euristiche nella pratica
00:30:26 Validazione sperimentale e ottimizzazione empirica
00:36:33 Intuizione fuorviante nelle decisioni della supply chain
00:41:27 Esempio di strategie di imbarco aereo e intuizione
00:46:47 L’assenza di metriche finanziarie nelle decisioni della supply chain
00:53:05 Limiti umani nella pianificazione complessa vs. algoritmi
00:58:47 Riflessioni finali e spunti
Riassunto
In un recente episodio di LokadTV, Conor Doherty, Direttore della Comunicazione presso Lokad, ha intervistato Joannes Vermorel, CEO di Lokad, riguardo alle euristiche nella supply chain management. Hanno discusso l’uso di semplici strumenti di problem solving come FIFO e analisi ABC, evidenziandone i limiti e la necessità di approcci matematici più robusti. Joannes ha spiegato che, sebbene le euristiche offrano soluzioni immediate, esse mancano spesso di coerenza e validazione empirica. Ha sottolineato l’importanza di distinguere tra vere euristiche e ricette numeriche arbitrarie, auspicando valutazioni ed esperimenti nel mondo reale per convalidare le pratiche della supply chain. La conversazione ha evidenziato la necessità di una valutazione critica e di prove empiriche nell’ottimizzazione delle supply chain decisions.
Sintesi Estesa
In un recente episodio di LokadTV, Conor Doherty, Direttore della Comunicazione presso Lokad, ha intrapreso una discussione stimolante con Joannes Vermorel, CEO e fondatore di Lokad, una compagnia software francese specializzata nell’ottimizzazione predittiva della supply chain. La conversazione ha esaminato l’uso delle euristiche nella gestione della supply chain, esplorandone i limiti e confrontandole con approcci matematici più solidi.
Conor ha iniziato introducendo il concetto di euristiche, che sono semplici strumenti per risolvere problemi come FIFO (First In, First Out), LIFO (Last In, Last Out) e l’analisi ABC, comunemente utilizzati nelle decisioni della supply chain. Ha sottolineato che queste euristiche vengono spesso impiegate per affrontare l’incertezza e ha chiesto a Joannes di spiegare cosa intendono i professionisti della supply chain quando parlano di euristiche.
Joannes ha spiegato che nel settore, le euristiche sono sostanzialmente regole empiriche formalizzate utilizzate per orientare le decisioni. Ad esempio, una politica di inventario min-max di inventario, in cui il massimo dell’inventario è fissato a tre mesi di domanda, è un’euristica. Queste euristiche offrono soluzioni semplici a problemi complessi, ma sono spesso arbitrarie e mancano di coerenza tra diversi pianificatori e aziende.
Conor ha approfondito, chiedendo delle origini di queste euristiche. Joannes ha risposto che sono le soluzioni più semplici che le persone possono concepire per affrontare problemi specifici. Ad esempio, FIFO garantisce che tutti gli articoli vengano alla fine selezionati ed elaborati, evitando il deterioramento. Tuttavia, ha sottolineato che queste euristiche non sono necessariamente soluzioni ottimali.
Joannes ha quindi introdotto una distinzione cruciale tra le euristiche così come le intendono gli economisti e quelle nella gestione della supply chain. Nei compiti naturali, come afferrare un bicchiere d’acqua, gli esseri umani usano le euristiche in modo efficace perché l’evoluzione ci ha dotato degli istinti necessari. Tuttavia, i problemi della supply chain sono sfide numeriche discrete che non esistono in natura, e le nostre euristiche innate non sono adatte a tali compiti.
Conor e Joannes hanno discusso i limiti delle euristiche tradizionali come FIFO e l’analisi ABC. Joannes ha sostenuto che questi metodi sono spesso ricette numeriche arbitrarie piuttosto che vere euristiche, poiché mancano di metriche per misurare la loro efficacia. Ha sottolineato l’importanza di distinguere tra euristiche e ricette numeriche arbitrarie, che possono fuorviare.
Conor ha presentato la prospettiva di un rivenditore, suggerendo che metodi semplici come l’analisi ABC funzionano perché sono redditizi. Joannes ha replicato che la redditività non convalida ogni pratica all’interno di un’azienda. Ha citato Apple come esempio, osservando che alcune pratiche potrebbero non contribuire direttamente alla redditività ma vengono comunque seguite.
La conversazione si è spostata sulle sfide della convalida delle euristiche nelle supply chain reali. Joannes ha spiegato che, mentre gli algoritmi hanno proprietà dimostrabili, le euristiche richiedono una valutazione empirica attraverso esperimenti. Ha citato l’esempio del gradient descent stocastico, un’euristica che ha guadagnato riconoscimento per le sue prestazioni pratiche nonostante la mancanza di una prova formale.
Conor e Joannes hanno discusso della difficoltà di valutare la bontà delle euristiche senza metriche chiare. Joannes ha sottolineato la necessità per le aziende di convalidare le proprie ricette numeriche attraverso esperimenti, invece di presupporre la loro efficacia. Ha fatto riferimento alla sua serie di lezioni sull’ottimizzazione sperimentale, evidenziando l’importanza di scoprire gli obiettivi di ottimizzazione e la differenza tra validazione empirica e matematica.
Joannes ha anche affrontato il bias psicologico di innamorarsi delle proprie idee, che può portare all’adozione di politiche arbitrarie senza una valida convalida. Ha messo in guardia dal presumere che i metodi tradizionali siano intrinsecamente validi solo perché non hanno portato al fallimento.
La discussione si è conclusa con Joannes che ha consigliato di riservare il termine “euristica” per ricette numeriche semplici ed efficaci, supportate da evidenze empiriche del loro successo. Ha sottolineato l’importanza di valutazioni nel mondo reale in termini finanziari e la necessità per le aziende di valutare criticamente i loro metodi.
Conor ha concluso l’intervista ringraziando Joannes e il pubblico, invitando gli spettatori a iscriversi al canale YouTube di LokadTV e a seguirli su LinkedIn per ulteriori discussioni interessanti sull’ottimizzazione della supply chain.
Trascrizione Completa
Conor Doherty: Bentornati a LokadTV. Le euristiche sono al centro della maggior parte delle decisioni che le persone prendono in ambito supply chain.
Le euristiche sono strumenti semplici per risolvere problemi che ci guidano nei momenti di incertezza. Pensate a FIFO, LIFO e all’analisi ABC.
Oggi, insieme a Joannes Vermorel, discuteremo i limiti di queste euristiche e le confronteremo con una prospettiva matematica più robusta.
Come sempre, se vi piace ciò che sentite, iscrivetevi al canale YouTube e seguiteci su LinkedIn. E con questo, vi presento le euristiche nella supply chain.
Come ho menzionato nella mia introduzione, siamo qui per parlare di euristiche, in particolare nella supply chain. Quindi, per fare chiarezza, quando i professionisti della supply chain, sapete, in ufficio, parlano di euristiche, a cosa si riferiscono? Cosa intendono?
Joannes Vermorel: Voglio dire, la maggior parte dei professionisti della supply chain probabilmente non userebbe il termine euristiche. È già un po’ sofisticato. Quando penso all’industria in generale, quando le persone dicono “euristica”, significa semplicemente che hanno una sorta di regola empirica formalizzata che viene utilizzata per guidare una decisione.
Quindi, un esempio di ciò è che abbiamo una politica di inventario min-max, e il massimo è definito come pari a tre mesi di domanda. Ecco, questa è la mia euristica.
E l’aspetto interessante delle euristiche è che, presumibilmente, secondo la visione comune, si tratta di avere un problema complesso, ma la tua euristica offre una soluzione semplice a questo problema.
Conor Doherty: Beh, molti hanno semplicemente scritto letteralmente le parole decise dal gruppo. Quindi, il mio ulteriore commento è: quando dici, nell’esempio del min-max, che ci saranno tre mesi di domanda, si tratta solo di una decisione arbitraria. È questo che la rende semplicemente una regola empirica?
Joannes Vermorel: Sì, fondamentalmente è tutto. Voglio dire, forse le persone hanno provato alcune alternative in modo informale, e il loro istinto suggerisce che due mesi non bastino, sei mesi siano troppo, e quindi convergono a una certa soluzione.
O ancora più frequentemente, non c’è alcuna coerenza. Ogni pianificatore della domanda e dell’offerta ha il proprio insieme di regole empiriche, la propria collezione di euristiche utilizzate.
È raro che le aziende impongano qualsiasi tipo di pratica riguardo alle euristiche. Almeno quando le aziende pensano e dicono che hanno delle euristiche, di solito significa che non sono imposte, sono relativamente informali e vi è un ampio margine di manovra su come si selezionano i parametri di tali euristiche.
Conor Doherty: Beh, intendo dire, hai citato l’esempio del min-max. Ci sono anche cose come FIFO, LIFO, l’analisi ABC. C’è un intero ventaglio di euristiche. Da dove provengono? Da quale etere emergono?
Joannes Vermorel: Voglio dire, sono semplicemente le soluzioni più semplici che si possano concepire per risolvere il problema in questione. Quindi, consideriamo, ad esempio, FIFO.
Uno dei problemi più basilari, se devi elaborare iterativamente il materiale in arrivo, è come evitare di lasciare qualcosa da parte per sempre. Tutto qui.
Se non decidi un ordine e scegli le cose in modo casuale, potresti benissimo ritrovarti con un articolo che non viene mai selezionato. Viene semplicemente messo da parte e non viene mai elaborato.
E questo è negativo, poiché quell’articolo finirà per deteriorarsi. Che si tratti o meno di un prodotto deperibile, tutti i prodotti si deperiranno col tempo.
Pertanto, desideri semplicemente un processo che garantisca almeno che, alla fine, qualsiasi cosa che sia passata per le tue mani venga selezionata, elaborata e spedita da qualche parte lungo la catena.
Pertanto, se dici “first in, first out”, ad esempio, è semplicemente un modo basilare per assicurarti che tutto venga selezionato. È una buona politica? Voglio dire, dipende, ma sicuramente garantisce questa proprietà.
E quindi, puoi affermare che sia certamente una soluzione a questo problema. È una buona soluzione? È una questione completamente diversa.
Conor Doherty: Beh, quella è esattamente la domanda successiva, perché non hai usato il termine ottimalità né hai parlato di decisione ottimale. Ovviamente, in situazioni come quella che hai appena descritto, potresti trovarti in un’officina, due motori arrivano, oppure arrivi al mattino e ci sono molti motori, e devi decidere quale riparare per primo, quale programma seguire, cercando di arrivare a quella che sembri essere una decisione buona o ottimale.
Quindi, la mia domanda è: qual è il limite superiore, secondo te, sull’ottimalità che può essere ottenuta attraverso questo tipo di euristiche? Prendi, per esempio, FIFO.
Joannes Vermorel: Non penso che sia il modo corretto di inquadrare il problema. Penso che dobbiamo fare un passo indietro e renderci conto che, quando si parla di euristiche, in realtà ci sono due prospettive radicalmente diverse da considerare, e dobbiamo fermarci a riflettere su questo.
La prima è quella delle euristiche così come, per esempio, le intendono gli economisti, o almeno, per esempio, “ho bisogno di prendere questo bicchiere d’acqua. Posso afferrarlo.”
Un fisico potrebbe dire, “Oh, ci sono tipo un milione di calcoli necessari per computare la traiettoria esatta della mia mano, di ogni singolo dito, della massa esatta, della forza esatta,” e sarebbero tutti i calcoli di cui avrei bisogno se volessi far sì che dei robot eseguano un calcolo perfetto su come muovere un braccio robotico e prendere il bicchiere.
Ma si scopre che un essere umano non funziona così. Invece, utilizziamo un’infinità di euristiche, come ad esempio il dead reckoning. “Sono troppo a destra, oh, girare a sinistra,” e “La pressione è sufficiente? Oh no, il bicchiere sta scivolando, premi di più.”
Quindi hai a disposizione molte euristiche che ti consentono di portare a termine un compito molto complesso, ma con un’elaborazione sottostante molto più basilare. Fondamentalmente, quando stai afferrando un bicchiere d’acqua, il tuo cervello non risolve equazioni differenziabili in tempo reale. È semplicemente un insieme di euristiche che funzionano magnificamente, permettendoti così di prendere con successo il bicchiere d’acqua.
E si scopre che per un’infinità di situazioni che avvengono nel mondo reale, la natura, l’universo, insomma, ci ha fornito soluzioni meravigliose per problemi apparentemente incredibilmente complicati che funzionano semplicemente.
A proposito, stare in piedi su due gambe richiede anch’esso ogni sorta di euristiche. Quando le persone cercano di ingegnerizzare un robot che cammina su due gambe, si rendono conto che in realtà è molto, molto difficile perché non conosciamo quelle euristiche.
Ora, questa non è la situazione nelle supply chain. Qui, sto descrivendo le euristiche in compiti che, negli ultimi cinquecento milioni di anni, hanno rappresentato sfide per ogni essere vivente nel muoversi.
Conor Doherty: Sono anche inconsce. Sto parlando di decisioni.
Joannes Vermorel: Sì, voglio dire, afferrare il bicchiere d’acqua è una decisione. Muovere la mano è una decisione. Ma qui, di cui stiamo parlando sono decisioni numeriche discrete. Questo è qualcosa che non esiste in natura.
In natura, non si pensa in termini di decisioni numeriche discrete come quanti prodotti devo fornire domani, dopodomani, ecc. Queste sono decisioni numeriche discrete che sono completamente diverse da ciò che si trova in natura.
Quindi il primo punto che sottolineo è che se adottiamo questa prospettiva implicita che deriva, diciamo, dal mondo naturale sulle euristiche, possiamo affermare che gli esseri umani sono dotati della capacità di applicare soluzioni molto semplici a problemi complessi che funzionano in modo magnifico.
E il mio controargomento è che ciò non funziona per situazioni create dall’uomo come la supply chain, dove stiamo parlando di risolvere problemi numerici discreti. Queste tipologie di problemi sono completamente diverse da quelle che troviamo in natura, e non possiamo assumere di avere alcun tipo di senso innato di ciò che funzionerà lì.
L’evoluzione non ci ha dotato della capacità di valutare quale sia il programma ottimale di riapprovvigionamento per una complessa rete di supply chain. È un’affermazione davvero fantastica dire che l’evoluzione ci abbia dato qualcosa riguardo a un simile problema.
Quindi ciò che sto dicendo qui è che dobbiamo adottare una prospettiva diversa sulle euristiche, quella adottata dagli scienziati informatici. In informatica, quando abbiamo un problema, se disponiamo di una soluzione che è dimostrabilmente corretta e che possiede delle belle proprietà per questo problema, la chiamiamo algoritmo.
Questo è ciò che è un algoritmo. Un algoritmo in informatica è una ricetta numerica in cui abbiamo elementi formali di dimostrazione.
Per esempio, ordinare una lista. Hai una lista disordinata di elementi e vuoi ordinarli dal più piccolo al più grande. Ci sono molti modi per ordinare una lista, ma alcuni ti forniranno soluzioni che richiedono un numero minimo di passaggi e una quantità minima di memoria per poter ordinare tutti quei numeri.
Quindi, questo è un algoritmo per te. Un algoritmo è una soluzione dimostrabilmente corretta e, oltre ad esserlo, presenta anche proprietà aggiuntive che si comportano bene in relazione al problema in questione.
Un’euristica, sempre dalla prospettiva dell’informatica, è una ricetta numerica che funziona molto bene nella pratica, anche se non si sa formalmente perché funzioni o perché funzioni così bene.
E si scopre che ci sono classi di soluzioni che sono come gioielli nascosti che funzionano magnificamente, sono estremamente semplici, eppure nessuno sa davvero perché.
Quindi, un esempio applicato alla supply chain? Sì, molti si applicano alla supply chain. C’è, per esempio, lo stochastic gradient descent. È un processo che è stato scoperto. È molto semplice concettualmente. Puoi scriverlo in circa quattro righe. Probabilmente fu scoperto negli anni ‘50, anche se non è del tutto chiaro. L’idea è così semplice che probabilmente è stata inventata più volte.
Eppure, in generale, la comunità non ha prestato molta attenzione allo stochastic gradient descent fino a 15 anni fa. Perché? Perché la gente non aveva veramente notato quanto bene funzionasse in pratica quando veniva utilizzato.
Conor Doherty: Su quali problemi?
Joannes Vermorel: Su tutti i problemi di apprendimento, su tutti i problemi di ottimizzazione e in tantissime altre situazioni. Quindi è un’euristica semi-universale che funziona in un’ampia gamma di situazioni.
Questo è addirittura sorprendente, lo stesso spettro di applicabilità dello stochastic gradient descent è sconcertante. Eppure, non abbiamo alcuna prova matematica che spieghi perché funzioni così bene. Semplicemente funziona.
Quindi è molto interessante. E qui bisogna pensare che, quando gli scienziati informatici parlano di euristiche, si riferiscono alle euristiche come a gioielli nascosti. E tra l’altro, se dobbiamo tornare alla tua domanda iniziale, per definizione un’euristica è qualcosa – almeno nella definizione precisa fornita dagli scienziati informatici – è una soluzione numerica per la quale non si ha una prova.
Quindi, un’euristica, per definizione, non sai quanto sei lontano dall’ottimo. Questo è praticamente scontato. Se lo sapessi, allora per definizione sarebbe un algoritmo. Perché un algoritmo è letteralmente quando puoi dimostrare la correttezza e, in aggiunta, un comportamento extra, per cui la tua ricetta numerica diventa quello che chiamiamo algoritmo.
Conor Doherty: Algoritmo, va bene, quindi proverò a riassumere tutto ciò e fammi sapere dove potrei aver sbagliato. Ma, per come ho capito, il problema con le euristiche tradizionali come il FIFO, per esempio, è che quando le persone cercano di applicarle, è una soluzione molto affrettata a un problema che la mente umana non può forse comprendere.
Joannes Vermorel: No, direi che il problema è che le persone, o meglio, l’errore che si commette con le euristiche è affrontarlo con una prospettiva da profani, cioè non da scienziati informatici, attribuendo un certo grado di bontà alla propria ricetta numerica. Ecco perché preferisco usare il termine ricetta numerica, che è completamente neutro. Sai, può essere una completa schifezza, può essere eccellente, semplicemente è. È solo una serie di calcoli che ti danno un risultato. Non si presume che sia buona per qualcosa; semplicemente esegue un calcolo.
Il problema quando le persone usano il termine euristiche è che si inventeranno qualcosa di molto arbitrario e applicheranno questo qualificativo come se fosse scontato che la ricetta numerica sia buona. Naturalmente, se andiamo nel mondo naturale, quelle euristiche, quei modi istintivi di afferrare, per esempio, un oggetto, sono molto buoni. Sono molto buoni. E come facciamo a sapere che sono molto buoni? Beh, perché quando cerchiamo di progettare un robot che faccia la stessa cosa, esso fallisce miseramente e ci vogliono enormi sforzi ingegneristici per avvicinarsi anche solo a ciò che possiamo fare istintivamente.
Quindi c’è, ma ciò crea una sorta di bias che fa pensare alle persone che, per esempio, possono dire: “Oh, supponiamo che il massimo nella mia politica di inventario min-max sia di tre mesi di domanda.” Perché lo chiamo un’euristica? Sai, questa cosa è buona? Può essere completamente priva di senso. Non lo so. Non è perché ho un’intuizione. Da dove viene questa intuizione? La vedi? E di solito essa viene dal nulla. Ed è qui che credo risieda l’errore.
Per il fatto che abbiamo altre comunità, come quelle di informatica, dove il termine euristica viene usato per riferirsi a qualcosa di sorprendentemente buono, abbiamo un’attribuzione positiva vaga, una sorta di effetto alone che dà più valore a quelle ricette numeriche di quanto realmente meritino.
Conor Doherty: Ma un rivenditore risponderebbe semplicemente a questo, se sentisse quello che hai appena detto, e direbbe: “Beh, io eseguo un’analisi ABC. So da dove proviene la stragrande maggioranza delle mie vendite. Tengo in magazzino un certo alto livello di servizio di quegli SKU e faccio soldi. Non deve essere più sofisticato di così e funziona perché sono ancora in attività. Faccio soldi e ne faccio più rispetto all’anno scorso.”
Joannes Vermorel: Sì, e puoi avere un negozio che perde acqua eppure fare soldi. Quindi, se avessi più negozi che perdono acqua, forse faresti ancora più soldi. Vedi, ancora, questo è il problema. La supply chain è solo un ingrediente in un quadro generale. Quindi, l’errore è pensare che non sia perché fai soldi che ogni singola cosa che fai abbia senso o contribuisca positivamente al fatto che tu sia redditizio.
Anche aziende, per esempio, come Apple, sono note per tenere la maggior parte dei loro dipendenti all’oscuro sul futuro dell’azienda. Questo è uno dei tratti ben noti di Apple. Quando si tratta di futuri lanci di prodotti, tutti vengono tenuti all’oscuro e si arriva persino a far trapelare internamente roadmap false a vari team, in modo che, se una roadmap trapela, si sappia chi ha ricevuto quella roadmap errata. Va bene, è davvero un aspetto che migliora la redditività di Apple? Forse sì, forse no. È qualcosa che vorresti emulare in un’altra azienda per renderla più redditizia? Forse no.
Quindi, vedi, sto dicendo che se mi dici “io uso l’analisi ABC, la mia attività è redditizia”, l’unica conclusione è che l’analisi ABC non sia poi così pessima da portare la tua azienda al fallimento. Ma è l’unica cosa che puoi sapere. L’unica cosa che puoi dire su un’analisi ABC.
Conor Doherty: Potresti anche dire che, ancora, quando hai parlato di cercare l’ottimo, il punto migliore possibile, non è affatto così. Puoi dire che lascia soldi sul tavolo. Puoi semplicemente dire che sembra una posizione binaria, che farlo è 100% stupido o è 100% buono.
Joannes Vermorel: Ma qui vedi che è qui che, ancora, la visione di uno scienziato informatico e quella di un profano diverge davvero. In informatica, si riconosce che un’euristica, cioè una ricetta numerica, acquisisce la capacità di essere chiamata euristica solo se mostra una sorta di bontà empirica. Vedi, questo significa che non ogni ricetta numerica che posso inventare è un’euristica. Per qualificarsi come euristica, deve essere sorprendentemente efficace nel fare qualcosa.
Conor Doherty: Cosa che alcune persone potrebbero contestare.
Joannes Vermorel: E questa sorprendente bontà richiede una metrica. Richiede una misurazione.
Vedi, per la stragrande maggioranza dell’analisi ABC, per esempio, non esiste una metrica che ne qualifichi qualcosa. Si tratta semplicemente di assegnare una lettera a ogni prodotto: A, B, C. Si tratta solo di assegnare quella lettera. Poi, un’estensione di ciò è avere una politica di inventario uniforme per ogni classe. Ma questa politica di inventario uniforme potrebbe essere qualcosa di completamente diverso dal livello di servizio, per esempio. La tua politica uniforme per classe potrebbe essere, per la classe A, di mantenere tre mesi di inventario in magazzino. Per la classe B, due mesi. Per la classe C, un mese. Sai, funziona anche così.
Quindi i livelli di servizio non sono necessariamente una parte integrante dell’analisi ABC. La disponibilità di questi beni corrisponde alla loro importanza percepita. L’analisi ABC riguarda semplicemente l’attribuzione di una classe a ogni prodotto rilevante. Si tratta di attribuire una classe e poi, sì, il modo in cui lo fai è ponderando le vendite, ma questo è tutto. Quindi ancora, quello che sto dicendo è: qual è il problema che stai cercando di risolvere? Vedi, l’analisi ABC è il motivo per cui dico che è una ricetta numerica, non un’euristica, perché non sai quali problemi stai risolvendo. Non hai alcun riferimento su quale sia l’ottimo.
Conor Doherty: Quindi, sì, continua.
Joannes Vermorel: Di nuovo, questo è il problema. Dobbiamo distinguere tra euristiche e semplici ricette numeriche arbitrarie. Una ricetta numerica arbitraria può essere completamente priva di motivazione. Io semplicemente la calcolo. Perché? Perché posso calcolarla. Quindi faccio semplicemente il calcolo, niente altro.
Se vuoi avere un’euristica, devi avere, diciamo, un obiettivo che la spieghi o un modo per valutarne la bontà. Ancora, un altro esempio sarebbe se cercassi un’euristica dall’informatica. Supponiamo di utilizzare lo XOR shift per generare numeri pseudo-casuali. Molto bene. Esistono metriche che ti indicano la qualità di una sequenza di numeri affinché sia considerata casuale. Tante metriche per questo.
Quindi, se uso un’euristica come lo XOR shift, posso valutare se è valida nel generare ciò che viene inteso come numeri casuali, in base alle metriche che rilevano la casualità di un set di numeri appena generato. Vedi, ho una metrica, ho un obiettivo, so di cosa sto parlando in termini di essere un’euristica o meno. Direi: è buona o no? Se lo è, allora dirai: ok, è un’euristica. Ma se non hai idea di cosa stai facendo, allora penso sia un errore chiamarla euristica, perché non sai se è buona.
Hai semplicemente inventato una ricetta numerica e la chiami un’euristica.
Conor Doherty: Quindi, quando le persone, per renderlo molto concreto, conducono un’analisi ABC e poi giungono a decisioni basate su di essa, per esempio, mantenendo tre mesi di inventario per la classe A o impostando livelli di servizio, qualunque decisione venga presa dopo, e se vedono risultati positivi, è solo – è un errore logico. Stanno attribuendo causalità alle azioni precedenti. Sì, perché valutare la bontà, come hai detto, come puoi farlo se la metrica non è chiara?
Joannes Vermorel: Semplicemente non puoi. E ancora, penso che questo sia il punto con ciò che la gente chiama euristiche. Io preferisco chiamarle con un termine neutro, ricetta numerica, perché in realtà non hanno nemmeno provato. Vedi, spesso non c’è stato nemmeno un tentativo di qualificare se questo fosse buono o no, di quantificare se fosse buono in qualche modo o forma.
E ci sono tanti esempi del genere. Puoi avere, per esempio, alcune aziende che decidono che i loro prezzi saranno numeri tondi. Alcune preferiranno che finiscano in 99, altre in 95. Puoi avere una politica che adegua i tuoi numeri, arrotondandoli fino subito sotto il 99, il 95, il 97 o semplicemente arrotondandoli al numero tondo successivo.
La stragrande, stragrande, stragrande maggioranza delle aziende che lo fanno non ha idea di quale di queste opzioni sia migliore per loro, eppure ne scelgono una.
Conor Doherty: Quindi, in sostanza, stanno indovinando la causalità.
Joannes Vermorel: Sì. E ancora, non sto contestando che a volte, sai, adottare una politica in modo completamente arbitrario e attenersi ad essa per semplicità sia accettabile. Ma poi non dovresti attribuire a questa scelta arbitraria il tuo successo. Questo è ciò che sto dicendo.
Conor Doherty: Bene, di nuovo, questo succede, specialmente quando parliamo, certamente da una prospettiva economica, di euristiche, la maggior parte delle persone, sì, cerca di semplificare un problema e arrivare a una decisione. E inoltre, il modo in cui interpretano quel risultato è anch’esso una versione molto semplificata. Quindi, per esempio, “Ho fatto una cosa, ho reso tutti i prezzi numeri tondi o 99, e le vendite sono aumentate o diminuite. Pertanto, post hoc ergo propter hoc, ciò che ho fatto prima l’ha causato.” E ovviamente, ciò è impossibile. Il problema è che l’hai fatto mentre c’erano altre cento persone nello stesso momento che cercavano di districare la causalità, ed è molto, molto difficile.
Joannes Vermorel: Sì, è molto difficile. Voglio dire, questo accade soprattutto in supply chain dove hai un sistema, tutto è in qualche modo interconnesso. È molto difficile. E il mio punto è che, quando si tratta di euristiche, se correttamente comprese, possono essere assolutamente fantastiche. E, tra l’altro, possono letteralmente costituire un modo per superare i tuoi pari, perché se hai quelle che i computer scientists definiscono euristiche, che sono come una gemma nascosta, qualcosa che intravedi in un algoritmo.
The difference between an algorithm and a heuristic is that an algorithm is something where you have a numerical recipe. You can read the numerical recipe and then as a mathematician, you can prove its properties. It’s fantastic. It is very cheap. You see, the thing with algorithms, algorithms are incredibly cheap. You do not need to make any experiment in the real world to prove that your algorithm is nicely behaved. That is fantastic. So that means that you can have a mathematician working in his office and bam, you have your nicely behaved algorithm that brings value to your company.
Un’euristica, beh, l’unico modo per scoprirla è fare esperimenti. È qualcosa che richiede una valutazione empirica, ed è molto difficile. Ed è per questo che, per esempio, lo stochastic gradient descent è rimasto, per letteralmente decenni, sebbene fosse conosciuto da migliaia di persone, completamente ignorato, semplicemente perché, beh, nessuno si era davvero reso conto che in pratica funzionava magnificamente. Vedi, quindi quella è qualcosa che è un’euristica. Potrebbe esistere, ma finché le persone non hanno effettivamente testato la ricetta numerica e visto che funziona magnificamente su certe classi di problemi, non riconosceranno che si tratta di un’euristica di valore.
Conor Doherty: Tuttavia, mi viene da pensare, con alcune delle affermazioni che hai fatto, per esempio, ancora una volta, solo per riassumere prima di arrivare alla domanda, che io dia l’esempio “Ho fatto una cosa, quindi presumo che ciò che ho fatto abbia causato un picco nelle vendite o possibilmente una perdita nelle vendite.” E tu hai detto, “Ma altre cento persone hanno fatto altre cento o mille cose, qualunque cosa.” Mi sembra quasi che tu stia impostando uno standard infalsificabile, perché anche se dovessi usare euristiche matematiche, come faresti a sapere che ciò che hai deciso di fare o gli strumenti che hai usato abbiano fatto una differenza positiva una volta che li esci dalla teoria e li inserisci nel reale e interconnesso network del processo decisionale della supply chain?
Joannes Vermorel: No, di nuovo, puoi fare esperimenti e puoi validare la bontà di qualsiasi ricetta numerica tu abbia. Non sto dicendo che non puoi. Sto solo dicendo che la maggior parte delle aziende non ci prova nemmeno.
Conor Doherty: Beh, come farebbe un’azienda a provarlo? Come si presenterebbe?
Joannes Vermorel: Ebbene, ma è esattamente ciò che abbiamo in questa serie di lezioni sull’ottimizzazione sperimentale. C’è una lezione intera, di un’ora e mezza, su questo, e si chiama ottimizzazione sperimentale. Quindi, non puoi, in sostanza, sapere per cosa stai ottimizzando, e il primo passo sarà scoprire per cosa stai cercando di ottimizzare. E questo è molto diverso dalla classica prospettiva di ottimizzazione matematica in cui il tuo obiettivo è già definito.
Ma quello che sto dicendo è che, se voglio tornare alle euristiche, fondamentalmente, non c’è motivo di pensare che la migliore ricetta numerica sia necessariamente qualcosa per cui si possa avere una prova matematica. Il fatto che esista una prova matematica non ha nulla a che fare con il fatto che la tua ricetta numerica sia buona o cattiva. Vedi, fondamentalmente, sono due prospettive completamente diverse. Succede solo che se puoi avere una prova matematica, almeno sai qualcosa di positivo. E in certe condizioni, puoi sapere molto da cui dire, “Oh, è molto interessante perché so così tanto che, almeno rispetto a tutte le altre ricette numeriche in cui non so nulla, preferisco usare una in cui ho elementi di prova. È meglio di niente.”
Ma poi, se provi e in pratica, con un adeguato setup sperimentale, come descritto in questa lezione sull’ottimizzazione sperimentale, se hai una dimostrazione empirica che è superiore, allora un criterio matematico non può prevalere sul feedback del mondo reale. Quindi, se ho due metodi, uno in cui ho molte prove matematiche, e l’altro in cui non ne ho, ma quest’ultimo mi dà risultati migliori in pratica, allora dovrei preferire quest’ultimo anche se non viene accompagnato da belle proprietà matematiche.
E ciò che rende le euristiche molto interessanti, frequentemente almeno dalla prospettiva della computer science, è che quelle cose che rientrano nella definizione di euristiche a volte possono operare con una frazione minuscola, minuscola delle risorse computazionali di cui hai bisogno per, direi, soluzioni più dimostrabili. Per esempio, ancora una volta, lo stochastic gradient descent. Lo stochastic gradient descent è fantastico nell’ottimizzare ogni tipo di problema. Eppure, quando dico “fantastico in termini di efficienza”, intendo che se volessi ottenere un livello comparabile di ottimizzazione con altri metodi, avresti bisogno di migliaia, milioni, miliardi di volte più risorse computazionali.
Quindi è molto, molto efficiente, ma non hai una prova formale per questo.
Conor Doherty: Capito. E beh, ancora una volta, se parli dell’allocazione delle risorse e del ritorno sull’investimento delle risorse, FIFO, oh, l’ho appena applicato nella mia testa, costa zero. Qual è il differenziale in termini di costo con l’organizzazione che hai appena descritto?
Joannes Vermorel: Direi che non c’è, non puoi evitare di riflettere attentamente sulla situazione in questione. FIFO farà la differenza? Varia enormemente da un’azienda all’altra. Per alcune aziende, è completamente irrilevante. Non ti importa. Non ha alcun impatto. Per altre aziende, è massicciamente determinante.
Se sei effettivamente un MRO e vuoi riparare motori di aeromobili, l’ordine in cui scegli i motori sarà estremamente determinante per il buon funzionamento delle tue operazioni. Se parliamo soltanto di organizzare un transito per una piattaforma logistica e vuoi farlo in FIFO, è irrilevante perché alla fine di ogni giornata svuoterai la tua piattaforma. Non vuoi che rimanga nulla sulla piattaforma quando effettui i trasferimenti, e così via. Quindi l’ordinamento è sostanzialmente irrilevante in questa situazione.
Conor Doherty: Beh, mi piace molto l’esempio che hai fatto. Inoltre, se sei un MRO, lavori sui motori e devi scegliere su quali motori lavorare, ricorda quanto hai detto prima: le persone non ottimizzano quello che credono di ottimizzare oppure non ottimizzano la cosa giusta. Quindi, nello scenario che hai appena descritto, quando le persone applicano FIFO, pensano: “Beh, sto facendo uscire i motori, sto ottimizzando la riparazione dei motori.” Stanno almeno considerando il problema in modo corretto, anche se non stanno eseguendo bene un’euristica?
Joannes Vermorel: No, questo è un altro problema. Vedi, di solito la ricetta numerica – e non sto usando il termine euristica ma ricetta numerica – è un segnaposto per il problema e la soluzione. Sai, lo facciamo semplicemente. La situazione non viene inquadrata come “qual è il problema” e “quali sono le classi di soluzioni possibili” e quali sarebbero le varie qualità di queste soluzioni. Semplicemente si sceglie un modo per farlo ed è tutto. E poi, se sia buono o meno, forse sì, forse no, semplicemente lo è.
Conor Doherty: Non è che le cose siano semplicemente così, ma mi è piaciuto quello che hai detto sul confondere il modo in cui cercano di risolvere le cose con il problema e la soluzione. Puoi approfondire ancora questo concetto?
Joannes Vermorel: È di ordini di grandezza più semplice pensare a una soluzione piuttosto che pensare al problema. Quando le persone vogliono riflettere sulla qualità del servizio in un negozio, è molto difficile capire cosa significhi veramente quella qualità del servizio. La qualità del servizio significherebbe fondamentalmente mettersi nei panni dei clienti, cercare di vedere il negozio come lo vedono loro e valutare se saranno soddisfatti o meno, considerando tutti i loro piani non ben definiti, desideri e tutto il resto, il tutto in continuo mutamento. Quindi, questo è il problema, ed è molto difficile.
È molto più facile concentrarsi sulla soluzione, che è: cinque unità per questo prodotto, cinque unità per questo prodotto, due unità per questo prodotto. Vedi, ti sto semplicemente proponendo una soluzione dicendo quante unità ha ogni prodotto e voilà, ho finito. Così, inventare, coniare una soluzione è solitamente di gran lunga più semplice rispetto a pensare al problema. Ma quello che non hai considerato è che non conosci la bontà della tua soluzione. Hai semplicemente una soluzione, e se questa funziona in qualche modo, magari dirai che è una buona soluzione, ma in realtà non lo sai.
E forse il tuo negozio sta andando molto bene non perché hai i livelli d’inventario corretti, ma perché da qualche altra parte nella tua azienda si è riusciti a negoziare prezzi fantastici che risultano più bassi. Quindi, anche se i livelli di stock sono piuttosto scadenti, i tuoi negozi sono comunque abbastanza competitivi. Vedi, quello che sto dicendo è che nelle aziende non esistono cose autoevidenti nella supply chain, davvero, non in quei giochi in cui si cerca di risolvere problemi di ottimizzazione discreta.
E penso che il passo fondamentale sia riconoscere che ciò che hai, fino a prova contraria, non sono euristiche. Quello che hai sono ricette numeriche. Sono buone? Sono cattive? Non lo sai.
Conor Doherty: Perché ho avuto una conversazione molto simile a riguardo recentemente con Simon Schott di Lokad, e stavamo parlando di ottimizzazione della programmazione. E ancora, ha usato il termine self-evident. Uno dei problemi con certe euristiche o ricette numeriche, qualunque termine tu voglia usare, come FIFO, è che ignorano le esternalità immediate, oppure semplicemente perché vanno oltre la capacità della mente umana.
Ad esempio, tre motori: arrivi lunedì mattina e ci sono tre motori. Quale riparare? Quale è stato il primo ad arrivare? Non posso calcolare tutti i passaggi interconnessi e le interdipendenze, ad esempio: lavorare su questo richiede 100 pezzi, questo ne richiede 68, quest’altro ne richiede 67. Ho bisogno di 20 strumenti per quello, 10 dei quali mi servono anche per questo. Questo deve andare laggiù quando è finito, quello deve essere spostato altrove una volta completato. Joannes è malato, oggi non è presente, quindi non può fare il passaggio 20 di 30. Conor sta facendo un’intervista, non è disponibile per completare il passaggio 99 di 100. Ci sono tutte queste interdipendenze, e non sono autoevidenti per la mente umana. Quindi, invece di rimanere completamente inattivi, si ricorre semplicemente a ciò che è arrivato per primo.
E non è che sia sbagliato, è solo che, e per citare le parole di Simon, in assenza di qualcosa di superiore, si usa semplicemente qualcosa che almeno fa funzionare le cose in una certa misura. E mi sembra che, ascoltandoti, tu abbia descritto questo concetto in modo molto più matematico. Ma ciò sarebbe comunque in linea con i tuoi sentimenti?
Joannes Vermorel: Sì, ma ancora, la sfida è che scegli una soluzione senza avere la minima idea se sia buona o meno. E molto spesso, di nuovo, non puoi lasciarti guidare dalla tua intuizione. Penso che il punto sia proprio questo: nel mondo naturale, le euristiche che ci sono date – come, per esempio, il modo in cui posso realmente afferrare un oggetto – sono buone. Ma quando traduciamo, non esiste una trasposizione di questi, sai, doni naturali nel mondo artificiale delle decisioni della supply chain. Sono semplicemente cose completamente diverse.
C’era, per esempio, un articolo molto interessante che è stato pubblicato. Gli studiosi hanno messo a confronto le strategie di imbarco sugli aerei. E, sai, circa un decennio fa, le aziende hanno cominciato a dire: “Oh, vogliamo velocizzare l’imbarco, quindi chiameremo prima i passeggeri delle prime file, poi quelli delle seconde file, e così via.” E la gente ha detto: “Oh, ha senso, velocizzerà il processo di imbarco.” Si è scoperto che alcuni ricercatori, condotti esperimenti reali, hanno detto: “Ok, se suddividiamo i passeggeri in tre gruppi e li chiamiamo in ordine dalle file 1 a 10, poi dall'11 al 20, e infine dalla 21 alla 30, rispetto ad altre politiche, ne abbiamo una che funziona meglio?” E la cosa interessante che hanno evidenziato è che, non applicando alcuna politica e lasciando che i passeggeri si sistemassero casualmente sull’aereo, il processo era in realtà più veloce. Non è intuitivo, ma era un risultato empirico.
Quindi, di nuovo, quello che sto dicendo è che la bontà, per quei fenomeni complessi fortemente artificiale, è dovuta al fatto che, vedi, afferrare il mio bicchiere è molto complesso nel senso che ci sono così tante variabili in gioco. Ho cinque dita, e poi molte articolazioni, per cui si tratta di un problema che probabilmente ha circa 50 gradi di libertà se sto semplicemente compiendo il movimento di prendere il mio bicchiere. Quindi è molto complesso, ma la nostra intuizione funziona. Tuttavia, ci sono altre tipologie di problemi in cui la nostra intuizione non funziona naturalmente, e dico che nella supply chain si tratta per lo più di gestire problemi discreti, di affrontare la casualità. La nostra mente non è molto brava in questo. Di solito è molto brava a riconoscere schemi, ma non è altrettanto brava a gestire la casualità. E perciò, direi di non fidarti troppo della tua intuizione. Potrebbe ingannarti.
E questo è molto interessante, perché al giorno d’oggi, nonostante esistano prove che lasciare che i passeggeri imbarcano casualmente sia più veloce, la maggior parte delle aziende ha una politica di chiamare le persone in ordine, benché sia stato dimostrato che in realtà questo metodo sia più lento.
Conor Doherty: È vero, ma ancora, ciò non dimostra il punto che hai menzionato prima perché dipende da cosa stai ottimizzando. Se stai ottimizzando per l’efficienza dell’imbarco, hai ragione. Se stai ottimizzando per la redditività, vuoi vendere posti o accessi come se la Zona 1 fosse le zone da 1 a 9, e ciò costa $3,000. Le Zone 10 a 15 costano $1,000, e riempiremo l’aereo a quel tasso, e io ottimizzo per il profitto.
Joannes Vermorel: Ma ciò vale anche per gli aerei in cui tutti i posti hanno lo stesso prezzo. Hai persino queste politiche applicate nelle compagnie aeree low-cost dove non esiste una classe business, non c’è prima classe, e praticamente a tutti viene addebitato lo stesso prezzo, indipendentemente dal posto che hanno.
Conor Doherty: Quindi, non c’è bisogno dell’imbarco avanzato.
Joannes Vermorel: Ma lo fanno comunque.
Conor Doherty: Quindi non dovrebbero?
Joannes Vermorel: Lo ripeto, quello che sto dicendo è che hanno evocato nella loro mente una ricetta numerica che era: “Chiameremo le persone a gruppi, perché sembra che se mettiamo più ordine, funzionerà in modo più efficiente.” E poi le persone hanno fatto esperimenti reali e hanno concluso che no, in realtà ciò degrada le prestazioni rispetto a quanto si faceva prima, ovvero non cercare nemmeno di risolvere il problema e lasciare che le persone si organizzino da sole durante l’imbarco dell’aereo.
Vedi, è proprio questo il punto. Ancora una volta, ciò che pensi possa essere, quella è la differenza. È molto facile evocare una ricetta numerica, ma se non hai idea che sia valida, non dovresti presumere, solo perché è stata la prima cosa che ti è venuta in mente, che funzionerà. E non dovresti dare per scontato, solo perché sembra plausibile, che sia efficace.
Conor Doherty: Beh, puoi anche espandere quell’idea in termini di stabilire arbitrariamente qualsiasi KPI e presumere che questo faccia la differenza.
Joannes Vermorel: Sì, e ancora, c’è questo bias psicologico per cui le persone tendono ad innamorarsi delle proprie idee. Tipo, “Abbiamo bisogno di una qualità del servizio superiore, quindi dobbiamo spingere i livelli di servizio dal 97% al 98%,” e poi diventa una politica aziendale. Ha senso? Forse, forse no. Ti ho parlato di questa idea del minimo e massimo. Dobbiamo avere tre mesi di stock, e poi diventa politica aziendale. È molto facile inventare una ricetta numerica perché tutto ciò che devi fare è prendere le variabili che hai davanti e fare qualcosa con esse, ottenendo un risultato.
Qui si tratta di un errore commesso in quello che chiamerei un razionalismo ingenuo. Non è detto che, calcolando qualcosa con le variabili che ti si presentano, il calcolo sia corretto. Potrebbe esserlo in senso numerico, inteso come assenza di errori nelle addizioni e nelle moltiplicazioni, ma la formula che hai appena inventato non riflette veramente nulla.
Conor Doherty: Ma questo naturalmente si scontra o confligge con la tendenza naturale delle persone, quella che chiamiamo bias di attribuzione fondamentale. Semplicemente presumono: “Ho agito, ho fatto qualcosa, ho stabilito una politica, ho fissato un KPI, ho definito una regola e abbiamo fatto soldi. Quindi, non solo sono eccezionale, ma sono responsabile di quanto accaduto.”
Joannes Vermorel: Sì, ma ancora, si parla di “abbiamo fatto soldi”, mentre la realtà è che la maggior parte delle aziende, specialmente nei dipartimenti supply chain, non dispone di KPI finanziari. Vedi, molto spesso si verifica soltanto se si è conformi alle regole che ci si è autoimposti, e basta. Qui, stai dicendo: “Siamo redditizi,” ma la maggior parte delle divisioni supply chain si limita a verificare se rispetta le proprie percentuali.
Ad esempio, direbbero: “Oh, abbiamo bisogno di livelli di servizio al 97%,” e poi agiranno, e alla fine della giornata direbbero: “Oh, siamo molto bravi, guarda, abbiamo raggiunto il 97%. Abbiamo perso molti soldi, ma abbiamo un servizio al 97%.” Il fatto che guadagniamo o perdiamo soldi è irrilevante. Si contano le percentuali, non i dollari. Voglio dire, pochissime aziende che conosco, al di là dei clienti, considerano effettivamente qualche tipo di metrica finanziaria per la supply chain. Di solito ciò è del tutto assente. Penseranno in termini di inventory turns, in termini di livelli di servizio, e differenzieranno tali livelli applicando, per esempio, le classi ABC e simili.
Ma vedi, non è perché ti sei prefissato un obiettivo arbitrario di livello di servizio e poi hai dichiarato vittoria quando lo raggiungi, che puoi presumere che rispettare tale obiettivo sia in qualche modo correlato alla redditività dell’azienda. È un’ipotesi davvero audace.
Conor Doherty: Beh, ancora una volta, questo dimostra un concetto generale che è stato ripetuto in varie forme: la tendenza delle persone a prendersi sul serio problemi complessi. Ad esempio, se parli di scheduling, intendi quanto ordinare, dove spedire, e cerchi di scomporre il tutto in un formato che si adatti alla mente umana. Quindi, per esempio: “Beh, se arrivo al 90, se passo dal 95 al 97% di livello di servizio, bish bash bosh, il problema è risolto,” ed è risolto. Una volta raggiunto quell’obiettivo, esso si autoavvera. Ma ovviamente ciò ignora molte delle interdipendenze e delle relazioni presenti nel processo decisionale descritto in precedenza.
Joannes Vermorel: Sì, ma descriverei anche che cercare una soluzione è tipicamente molto più facile che affrontare il problema. Quindi, se guardiamo, per esempio, alla manutenzione di un aereo, la realtà è che se una parte manca durante un’operazione di manutenzione, l’aereo resterà a terra. Questo è relativamente ovvio, a meno che non te ne accorga all’ultimo minuto. Ma ora, la soluzione diventa: “Voglio solo avere un livello di stock non nullo di parti riparabili per tutto,” e quella diventa la risposta semplice. Vedi, se ho ciò, allora va bene, purché io riesca a mantenere in ogni momento un livello di stock non nullo di parti riparabili.
Quindi, questa è la mia soluzione. Il problema è che ignora completamente il fatto che la soluzione che proponi è decisamente troppo costosa perché richiederebbe uno stock eccessivo, e quindi non è davvero una soluzione fattibile. Ed è per questo che devi tornare a elaborare una ricetta numerica, caratterizzarla correttamente in modo da poter valutarne la bontà e poi decidere se si tratta di un algoritmo, di un’euristica o di qualcos’altro.
Il mio punto è semplicemente che è pericoloso assumere che qualcosa, essendo stata una politica numerica arbitraria, possieda delle proprietà intrinseche solo perché è stata fatta in quel modo in passato. L’unica cosa che si può dire è che non è stata così male da portare l’azienda al fallimento, ma questo è un livello molto basso. È possibile che accadano cose molto, molto brutte e che ciò non sia sufficiente a far fallire l’azienda, specialmente se i concorrenti stanno facendo cose altrettanto, o addirittura più, inefficaci.
Conor Doherty: Hai accennato, in una delle nostre conversazioni precedenti, parlando delle implicazioni di portare in pratica politiche o KPI arbitrari. Per esempio, la somma di denaro necessaria per passare da un livello di servizio del 95% al 97% è all’incirca un ordine di grandezza superiore rispetto a quella necessaria per passare dall'85% all'87%. Quindi dici: “Oh, voglio solo aumentare del 2%,” ma esiste una legge dei rendimenti decrescenti.
Joannes Vermorel: Sì.
Conor Doherty: E i costi crescono esponenzialmente una volta che si raggiunge un certo livello. E ancora, le persone diranno: “Voglio solo aumentare del 2%,” e non è ovvio come tutto ciò si propaghi.
Joannes Vermorel: La mente umana non è un computer, e ci sono certe cose di cui ti ho parlato: la mente umana non è molto brava con il caso, ad esempio, ma neppure con la crescita geometrica. Le cose che crescono esponenzialmente, la mente umana semplicemente non le comprende davvero. Non disponiamo del meccanismo.
Sì, se come matematico mi prendo il tempo, prendo carta e penna, e poi faccio i miei calcoli, sì, riuscirò a capirlo. Ma non ho un istinto; nessuno ha un’intuizione istintiva della differenza tra mille, un milione, un miliardo, un trilione. Non abbiamo l’infrastruttura per percepire tali differenze, proprio come non abbiamo nel cervello i mezzi per distinguere tra rumore gaussiano o qualsiasi tipo di rumore alternativo non gaussiano. Se ti fornisco ogni tipo di casualità, incluso il rumore gaussiano, a meno che tu non sia stato specificamente addestrato a riconoscerlo, la maggior parte direbbe: “Oh, sembra molto casuale.” Direi che non abbiamo una percezione istintiva delle varie classi di rumore statistico, ma i matematici ne hanno svelate moltissime tipologie, di comportamenti casuali.
Conor Doherty: A proposito, hai accennato prima allo scheduling per le riparazioni, per esempio, in ambito aerospace. Beh, l’idea è che se qualcuno dicesse, “Sai, abbiamo persone davvero, davvero intelligenti, e ogni volta che dobbiamo rigenerare una sequenza di azioni per la riparazione di un motore, abbiamo 10 persone super intelligenti. Si siedono e risolvono internamente la questione da sole.” Naturalmente, è irragionevole. Pensa a come lo ha spiegato Simon in precedenza: è irragionevole aspettarsi che cento persone super intelligenti, con carta e penna o con un foglio Excel, possano eseguire ripetutamente, su larga scala, tutti i calcoli necessari per raggiungere il nuovo programma ottimale, date tutte le interdipendenze, il numero di parti, le competenze richieste e il tempo necessario.
E devi tener conto che, come hai detto prima, nel caso di MRO, non hai il lusso del tempo. Quindi, anche se fosse possibile – e ammettiamo per la discussione che lo sia, anche se in realtà non lo è – ci vorrebbe un tempo infinito rispetto a un algoritmo che lo esegue in pochi minuti. E tutto ciò ha un costo in denaro. Il punto, a cui torno, è che non si tratta di essere intelligenti o stupidi. È semplicemente che ci sono esternalità completamente invisibili all’occhio umano, per definizione.
Joannes Vermorel: Sfortunatamente, dobbiamo anche tenere conto del fatto che la maggior parte dei software vendors è completamente incompetente. Quindi, vedi, questo è un altro fattore. La gente dice: “Oh, vedi, il mio argomento sarebbe che, se 10 persone si siedono e trovano una soluzione, se non funziona, allora nel minuto successivo – solo perché, per esempio, manca una parte e via dicendo – passeranno a un’alternativa. Esploreranno quindi soluzioni di bassa qualità finché non ne troveranno una che vada bene, un po’ come un topo che attraversa un labirinto. “Va bene, oh, un muro, va bene, cambia direzione, un altro muro, va bene, un’altra direzione.”
Il problema con molte implementazioni software, direi, è che il software non prevede neanche una valvola di sfogo se ti trovi di fronte a un muro. E così, se sei bloccato, rimani semplicemente intrappolato in qualcosa di assurdo, e punto. Vedi, molte aziende hanno riscontrato questo problema. Era una parte – direi – della promessa della ricerca operativa negli anni ‘50 e simili. Molte delle speranze iniziali non si sono poi tradotte in grandi successi, proprio perché i software vendors erano in qualche modo incompetenti. E così, le cosiddette soluzioni ottimali o, per così dire, le soluzioni superiori guidate dal software venivano implementate in maniera così carente da risultare del tutto impraticabili.
Ma dobbiamo fare una distinzione: era un problema che i computer non potevano affrontare e la mente umana faceva una specie di “voodoo” impossibile da replicare con un computer, oppure il problema è stato semplicemente affrontato da un software vendor completamente incompetente, risultando in una soluzione pessima.
Conor Doherty: Ma su questo punto, come può un non specialista – ed è il termine, io sono un non specialista – capire se ciò che ascolta o se quanto dice il vendor è incompetenza o disonestà? O come puoi verificare una di queste affermazioni?
Joannes Vermorel: Questo è un problema enorme. Qui c’è un’altra lezione: la market research avversariale, ma quella richiederebbe un’altra ora di spiegazione su come individuare vendor incompetenti.
Conor Doherty: Qualche euristica, qualche regola pratica che ti viene in mente?
Joannes Vermorel: Sì, voglio dire, in realtà c’è un’euristica che viene proposta ed essa è comprovata. Ricorda, è una soluzione semplice che sorprendentemente ed empiricamente funziona bene, meglio di quanto ti aspetteresti. E l’euristica della market research avversariale è: come fai a saperlo? Quando hai un vendor, chiedi ai concorrenti di questo vendor cosa ne pensano. Ed è avversariale.
Quindi, se vuoi avere un’opinione corretta su un vendor, non chiedi al vendor perché lui ti [ __ ] risponderà. Chiedi ai suoi concorrenti cosa ne pensano di lui. E poi procedi in modo simmetrico: chiedi a tutti i vendor cosa pensano degli altri vendor. Si chiama valutazione avversariale e si è dimostrata molto, molto robusta. Warren Buffett ha fatto la sua fortuna basandosi su questo principio semplice. L’idea era che, se tutti fossero d’accordo – e Buffett aveva questa domanda: “Se avessi una pallottola d’argento per eliminare magicamente uno dei tuoi concorrenti, chi sarebbe il bersaglio della tua pallottola d’argento?”
Ed era una domanda molto interessante perché, se tutti i concorrenti finiscono per indicare la stessa azienda, ci si ritrova in una situazione in cui, ok, questa azienda è ovviamente quella che minaccia tutte le altre. E quei vendor sono i più esperti in questo settore, quindi l’attore più competente è quello indicato da tutti i concorrenti. Quindi, questa è un’euristica: finché non testi questa market research avversariale, non ti rendi conto di quanto funzioni bene. E non è neppure ovvio che funzioni, ma è stata testata e funziona splendidamente, come dimostrato, tra l’altro, dal successo di Berkshire Hathaway.
Conor Doherty: Beh, Joannes, non ho ulteriori domande, ma in termini di considerazioni finali, come spunti per le persone di oggi, dato che abbiamo coperto molti argomenti. Ma per quanto riguarda le euristiche nella supply chain, qual è il tuo riassunto esecutivo per le persone?
Joannes Vermorel: Quello che fai sono molto probabilmente solo ricette numeriche, ricette numeriche arbitrarie. Riserva il termine euristica per qualcosa che sia una gemma nascosta, qualcosa di semplice che funziona splendidamente, ma di cui hai prove empiriche del funzionamento. Non basta “lo faccio e l’azienda non è fallita, quindi funziona.” Quello è un criterio troppo basso. Quindi riserva quel termine.
Se identifichi tali ricette che funzionano ben oltre ciò che ci si aspetterebbe ragionevolmente da una semplice ricetta numerica, allora considerale un tesoro. Sono estremamente preziose. Ma ancora, questo valore deve essere radicato, direi, in una valutazione del mondo reale espressa in dollari o euro, e non solo nella tua impressione istintiva sul valore di questa ricetta numerica.
Conor Doherty: Bene, Joannes, ti ringrazio molto. Penso che abbiamo risolto quel problema, un altro in tasca. Ti ringrazio molto per il tuo tempo e grazie mille per averci seguito. Ci vediamo la prossima volta.