Euristiche nella supply chain - Ep 172

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 delle prospettive da profano sulle euristiche
00:17:22 Euristiche della 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 Convalida sperimentale e ottimizzazione empirica
00:36:33 Intuizione fuorviante nelle decisioni della supply chain
00:41:27 Esempio di strategie di imbarco delle compagnie aeree e intuizione
00:46:47 L’assenza di metriche finanziarie nelle decisioni della supply chain
00:53:05 Limitazioni umane nella pianificazione complessa vs. algoritmi
00:58:47 Pensieri finali e conclusioni

Riassunto

In un recente episodio di LokadTV, Conor Doherty, Direttore della Comunicazione presso Lokad, ha intervistato Joannes Vermorel, CEO di Lokad, sulle euristiche nella gestione della supply chain. Hanno discusso dell’uso di strumenti semplici di risoluzione dei problemi come FIFO e analisi ABC, evidenziandone i limiti e la necessità di approcci matematici più robusti. Joannes ha spiegato che mentre le euristiche offrono soluzioni semplici, spesso mancano di coerenza e validazione empirica. Ha sottolineato l’importanza di distinguere tra vere euristiche e ricette numeriche arbitrarie, sostenendo valutazioni e sperimentazioni reali per convalidare le pratiche della supply chain. La conversazione ha sottolineato la necessità di una valutazione critica e di prove empiriche nell’ottimizzazione delle decisioni della supply chain.

Riassunto Esteso

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, un’azienda software francese specializzata nell’ottimizzazione predittiva della supply chain. La conversazione ha approfondito l’uso delle euristiche nella gestione della supply chain, esplorandone i limiti e contrapponendole ad approcci matematici più robusti.

Conor ha iniziato introducendo il concetto di euristiche, che sono strumenti semplici di risoluzione dei problemi come FIFO (First In, First Out), LIFO (Last In, First Out) e analisi ABC, comunemente utilizzati nelle decisioni della supply chain. Ha sottolineato che queste euristiche vengono spesso impiegate per navigare nell’incertezza e ha chiesto a Joannes di approfondire cosa intendano i professionisti della supply chain quando si riferiscono alle euristiche.

Joannes ha spiegato che nell’industria, le euristiche sono essenzialmente regole di base formalizzate utilizzate per guidare le decisioni. Ad esempio, una politica di inventario min-max, in cui l’inventario massimo è impostato su tre mesi di domanda, è un’euristica. Queste euristiche offrono soluzioni semplici a problemi complessi, ma spesso sono arbitrarie e mancano di coerenza tra diversi pianificatori e aziende.

Conor ha approfondito ulteriormente, chiedendo riguardo all’origine di queste euristiche. Joannes ha risposto che sono le soluzioni più semplici che le persone possono pensare per affrontare problemi specifici. Ad esempio, FIFO garantisce che tutti gli articoli vengano alla fine prelevati e processati, evitando il deterioramento. Tuttavia, ha sottolineato che queste euristiche non sono necessariamente soluzioni ottimali.

Joannes ha poi introdotto una distinzione critica tra le euristiche come intese dagli economisti e quelle nella gestione della supply chain. Nelle attività naturali, come prendere un bicchiere d’acqua, gli esseri umani utilizzano efficacemente euristiche 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 per queste attività.

Conor e Joannes hanno discusso dei limiti delle euristiche tradizionali come FIFO e analisi ABC. Joannes ha sostenuto che questi metodi sono spesso ricette numeriche arbitrarie piuttosto che vere e proprie euristiche, poiché mancano di metriche per misurarne l’efficacia. Ha sottolineato l’importanza di distinguere tra euristiche e ricette numeriche arbitrarie, che possono essere fuorvianti.

Conor ha presentato il punto di vista di un rivenditore, suggerendo che metodi semplici come l’analisi ABC funzionano perché sono redditizi. Joannes ha ribattuto che la redditività non giustifica ogni pratica all’interno di un’azienda. Ha usato Apple come esempio, notando 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 provabili, le euristiche richiedono una valutazione empirica attraverso esperimenti. Ha citato l’esempio della discesa del gradiente stocastico, un’euristica che ha ottenuto 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, anziché assumere la loro efficacia. Ha fatto riferimento alla sua serie di lezioni sull’ottimizzazione sperimentale, evidenziando l’importanza della scoperta degli obiettivi di ottimizzazione e della differenza tra convalida empirica e matematica.

Joannes ha affrontato anche il bias psicologico di innamorarsi delle proprie idee, che può portare all’adozione di politiche arbitrarie senza una valida convalida. Ha messo in guardia contro l’assunzione che i metodi tradizionali siano intrinsecamente buoni solo perché non hanno portato al fallimento.

La discussione si è conclusa con Joannes che consiglia che il termine “euristica” dovrebbe essere riservato a ricette numeriche semplici ed efficaci con prove empiriche del loro successo. Ha sottolineato l’importanza delle valutazioni reali in termini finanziari e la necessità per le aziende di valutare criticamente i propri metodi.

Conor ha concluso l’intervista ringraziando Joannes e il pubblico, incoraggiando gli spettatori a iscriversi al canale YouTube di LokadTV e a seguirli su LinkedIn per ulteriori discussioni illuminanti sull’ottimizzazione della supply chain.

Trascrizione Completa

Conor Doherty: Bentornati su LokadTV. Le euristiche sono al centro della maggior parte delle decisioni che le persone prendono in termini di supply chain.

Le euristiche sono strumenti semplici di risoluzione dei problemi che ci guidano attraverso momenti di incertezza. Pensate a FIFO, LIFO e analisi ABC.

Oggi con Joannes Vermorel, discuteremo dei limiti di queste euristiche e li metteremo a confronto con una prospettiva matematica più robusta.

Come sempre, se vi piace ciò che sentite, iscrivetevi al canale YouTube e seguici 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, solo per fare chiarezza, quando i professionisti della supply chain, sapete, in ufficio, parlano di euristiche, di cosa stanno parlando? Cosa intendono?

Joannes Vermorel: Voglio dire, la maggior parte dei professionisti della supply chain probabilmente non userebbe il termine euristica. È già un po’ di moda. Quando penso all’industria in generale, quando le persone dicono euristica, significa semplicemente che hanno una sorta di regola approssimativa formalizzata che viene utilizzata per guidare una decisione.

Quindi un esempio di questo potrebbe essere che abbiamo una politica di inventario min-max, e il max è definito come uguale a tre mesi di domanda. Questo è tutto. Questa è la mia euristica.

E l’aspetto interessante delle euristiche è che presumibilmente, sapete, questa è la prospettiva del mondo delle euristiche, che hai un problema complesso, ma la tua euristica fornisce una soluzione semplice a questo problema.

Conor Doherty: Beh, molti hanno appena scritto letteralmente le parole arrivate per consenso. Quindi il mio follow-up è quando dici nell’esempio di min-max, ci saranno tre mesi di domanda, quella è solo una decisione arbitraria. È questo che la rende quindi solo una regola generale?

Joannes Vermorel: Sì, è praticamente tutto lì. Voglio dire, forse le persone hanno vagamente provato qualche alternativa, e la loro sensazione è che due mesi non sono sufficienti, sei mesi sono troppi, e quindi convergono su qualcosa.

O ancora più frequentemente, non c’è alcuna coerenza. Ogni pianificatore della domanda e dell’offerta ha il proprio insieme di regole approssimative, la propria collezione di euristiche che vengono utilizzate.

È raro che le aziende impongano qualche tipo di pratica riguardo alle euristiche. Almeno quando le aziende pensano e dicono che hanno euristiche, di solito significa che non sono imposte e che sono relativamente informali e che c’è un ampio margine di manovra su come si scelgono tutti i parametri di quelle euristiche.

Conor Doherty: Beh, voglio dire, hai dato l’esempio di min-max. Ci sono anche cose come FIFO, c’è LIFO, c’è l’analisi ABC. C’è un’intera serie di euristiche. Da dove vengono? Da quale etere emergono?

Joannes Vermorel: Voglio dire, sono semplicemente le soluzioni più semplici che puoi pensare per darti una soluzione al problema che si sta affrontando. Quindi consideriamo, ad esempio, FIFO.

Uno dei problemi più basilari se devi processare iterativamente cose in arrivo è come evitare di lasciare qualcosa da parte per sempre. Questo è tutto.

Se non decidi un ordine e prendi solo casualmente le cose, potresti finire con un articolo che non viene mai scelto. Viene solo spinto da parte e non viene mai processato.

E questo è un problema perché alla fine questo articolo si deteriorerà. Che tu chiami un prodotto deperibile o meno, tutti i prodotti deperiscono abbastanza tempo.

Quindi, vuoi solo un processo che garantisca almeno che alla fine tutto ciò che è stato indirizzato verso di te verrà scelto, processato e spedito da qualche parte lungo la linea.

Quindi, se dici ad esempio primo entrato, primo uscito, è solo un modo di base per garantire che tutto verrà scelto. È una buona politica? Voglio dire, dipende, ma certamente ti dà questa proprietà.

E quindi, puoi dire che è certamente una soluzione a questo problema. È una buona soluzione? Questa è una domanda completamente diversa.

Conor Doherty: Beh, questa è esattamente la domanda successiva perché non hai usato il termine ottimalità o non hai detto decisione ottimale. Naturalmente, in situazioni come quella che hai appena descritto, sei in un’officina di riparazione, arrivano due motori, o arrivi al mattino e ci sono molti motori, e devi decidere cosa riparare per primo, quale programma seguire, e stai cercando di arrivare a ciò che sembra almeno una decisione buona o ottimale.

Quindi la mia domanda è qual è il limite superiore, secondo te, qual è il limite superiore sull’ottimalità che può essere ottenuto attraverso questi tipi di euristiche? Prendi, ad esempio, FIFO.

Joannes Vermorel: Non penso che sia il modo corretto di formulare il problema. Penso che dobbiamo fare un passo indietro e vedere che quando pensiamo in termini di euristiche, ci sono in realtà due prospettive radicalmente diverse per pensarci, e dobbiamo mettere in pausa e considerare questo.

Prima c’è l’euristica come, diciamo, gli economisti la pensano, o almeno, che è, diciamo, ad esempio, devo prendere questo bicchiere d’acqua. Posso raggiungerlo e prenderlo.

Un fisico potrebbe dire: “Oh, ci sono come un milione di calcoli che sono coinvolti nel calcolare la traiettoria esatta della mia mano, di ciascuno dei miei dita, della massa esatta, della forza esatta,” e quei sarebbero tutti i calcoli di cui avrei bisogno se volessi far fare a dei robot un calcolo perfetto su come muovere un braccio robotico e prendere il bicchiere.

Ma si scopre che un essere umano non funziona così. Invece, stiamo usando tonnellate di euristiche come, sai, il calcolo morto. “Sono troppo a destra, oh, sterza a sinistra,” e “La pressione sembra sufficiente? Oh no, il bicchiere sta scivolando, premi di più.”

Quindi hai un sacco di euristiche che ti permetteranno di compiere un compito molto complesso ma con un elaborazione sottostante molto più basilare. Fondamentalmente, quando prendi un bicchiere d’acqua, il tuo cervello non sta risolvendo equazioni differenziabili in tempo reale. È solo un mucchio di euristiche che funzionano splendidamente, e poi puoi prendere con successo il tuo bicchiere d’acqua.

E si scopre che per un sacco di cose che stanno accadendo nel mondo reale, la natura, l’universo, qualsiasi cosa, ci ha dato soluzioni meravigliose per problemi apparentemente incredibilmente complicati che funzionano semplicemente.

A proposito, stare in piedi su due gambe richiede anche tutte le euristiche. Quando le persone cercano di progettare un robot che cammina su due gambe, si rendono conto che è effettivamente molto, molto difficile perché non conosciamo quelle euristiche.

Ora, questa non è la situazione nelle catene di approvvigionamento. Qui, sto descrivendo euristiche con compiti che sono stati rappresentati come sfide negli ultimi cinquecento milioni di anni per qualsiasi creatura vivente per potersi muovere.

Conor Doherty: Sono anche inconsce. Sto parlando di decisioni.

Joannes Vermorel: Sì, voglio dire, prendere il bicchiere d’acqua è una decisione. Muovere la tua mano è una decisione. Ma qui, di cosa 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 completamente diverse da tutto ciò che si trova in natura.

Quindi il primo punto che faccio è che se adottiamo questa prospettiva implicita che proviene, diciamo, dal mondo naturale riguardo alle euristiche, possiamo dire che gli esseri umani sono semplicemente dotati della capacità di applicare soluzioni molto semplici a problemi complessi che funzionano splendidamente.

E il mio punto contrario è che questo non funziona per situazioni create dall’uomo come la catena di approvvigionamento dove stiamo parlando di risolvere problemi numerici discreti. Queste classi di problemi sono completamente diverse da ciò con cui ci confrontiamo in natura, e non possiamo presumere di avere alcun tipo di senso innato di ciò che funzionerà lì.

L’evoluzione non ci ha dotato della capacità di valutare qual è il programma di riapprovvigionamento ottimale per una rete di catene di approvvigionamento complessa. È una pretesa molto fantasiosa dire che l’evoluzione ci abbia dato qualcosa riguardo a un problema del genere.

Quindi quello 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 abbiamo una soluzione che è provabilmente corretta con 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 prova.

Ad esempio, ordinare una lista. Hai una lista non ordinata di elementi, vuoi ordinarli dal più piccolo al più grande. Ci sono molti modi per ordinare una lista, ma alcuni modi ti daranno 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 che è provabilmente corretta e oltre ad essere corretta ha anche proprietà aggiuntive che si comportano in modo piacevole secondo il problema in questione.

Un’euristica, di nuovo da una prospettiva informatica, è una ricetta numerica che funziona molto bene in pratica anche se non sai formalmente perché funziona o perché funziona così bene.

E si scopre che ci sono classi di soluzioni che sono come gioielli nascosti che funzionano splendidamente, che sono estremamente semplici, eppure nessuno sa davvero perché.

Quindi, un esempio applicato alla catena di approvvigionamento? Sì, molti di essi si applicano alla catena di approvvigionamento. C’è, ad esempio, la discesa del gradiente stocastico. È un processo che è stato scoperto. È molto semplice concettualmente. Puoi scriverlo in circa quattro righe. È stato scoperto molto probabilmente negli anni ‘50, anche se è un po’ poco chiaro. L’idea è così semplice che probabilmente è stata inventata più volte.

Eppure, in generale, la comunità non ha davvero prestato molta attenzione alla discesa del gradiente stocastico prima di 15 anni fa. Perché? Perché le persone non avevano davvero notato quanto bene si comportasse in pratica quando veniva utilizzata.

Conor Doherty: Su quali problemi?

Joannes Vermorel: Tutti i problemi di apprendimento, tutti i problemi di ottimizzazione e tonnellate di altre situazioni anche. Quindi è un’euristica semi-universale che funziona su un’ampia gamma estremamente vasta di situazioni.

Questo è persino sconcertante, lo spettro stesso di applicabilità della discesa del gradiente stocastico è sconcertante. Eppure, non abbiamo davvero alcuna prova matematica per spiegare perché funziona così bene. Lo fa semplicemente.

Quindi è molto interessante. E qui devi pensare che, quando gli informatici parlano di euristiche, si riferiscono alle euristiche come gioielli nascosti. E tra l’altro, se dobbiamo tornare alla tua domanda iniziale, le euristiche per definizione sono qualcosa, almeno la definizione precisa data dagli informatici, è una soluzione numerica in cui non hai alcuna prova.

Quindi un’euristica, per definizione, non sai quanto sei lontano dall’ottimale. Questo è praticamente scontato. Se lo sapessi, allora per definizione sarebbe un algoritmo. Perché un algoritmo è letteralmente quando puoi dimostrare la correttezza più il comportamento extra, la tua ricetta numerica si laurea diventando ciò che viene chiamato un algoritmo.

Conor Doherty: Algoritmo, okay, quindi proverò a riassumere tutto questo e fammi sapere dove potrei sbagliare. Ma di nuovo, come ho capito tutto questo, il problema con le euristiche tradizionali come FIFO, ad esempio, il problema con quello è quando le persone cercano di applicarlo, è una soluzione molto affrettata a un problema che la mente umana non può comprendere.

Joannes Vermorel: No, direi che il problema è che le persone, direi che l’errore che viene commesso con le euristiche è quando affrontato con una prospettiva da profano, quindi non da informatico, è attribuire un certo grado di bontà alla tua ricetta numerica. Ecco perché preferisco usare il termine ricetta numerica che è completamente neutrale. Sai, può essere una completa schifezza, può essere eccellente, è semplicemente così. È solo una serie di calcoli che ti danno un risultato. Non presumiamo che sia buono per qualcosa, fa solo un calcolo.

Il problema quando le persone usano il termine euristiche è che arriveranno a qualcosa di molto arbitrario e applicheranno questo qualificatore come se fosse scontato che la ricetta numerica sia buona. Naturalmente, di nuovo, se andiamo nel mondo naturale, quelle euristiche, quei modi istintivi per afferrare, ad esempio, un oggetto, sono molto buoni. Sono molto buoni. E come sappiamo che sono molto buoni? Beh, perché quando cerchiamo di progettare un robot che fa la stessa cosa, fallisce miseramente e richiede sforzi ingenti di ingegneria per avvicinarsi anche solo a ciò che possiamo fare istintivamente.

Quindi c’è, ma questo crea una sorta di pregiudizio che fa pensare alle persone che, ok, posso, ad esempio, dire: “Oh, diciamo che il massimo nella mia politica di inventario min-max è di tre mesi di domanda”. Perché chiamo questo un’euristica? Sai, questa cosa è buona? Può essere completamente insensata. Non lo so. Non è perché ho un’intuizione. Da dove viene questa intuizione? Vedi? E di solito non viene da nulla. Ed è lì che penso sia l’errore.

Dato che abbiamo altre comunità, come le comunità informatiche, dove l’euristica è usata come termine per riferirsi a qualcosa di sorprendentemente buono, sai, abbiamo un’attribuzione positiva lasca, sai, una sorta di effetto halo che conferirebbe più valore a quelle ricette numeriche di quanto realmente meritino.

Conor Doherty: Ma un rivenditore risponderebbe semplicemente a ciò che hai appena detto e direbbe: “Beh, faccio un’analisi ABC. So da dove proviene la grande maggioranza delle mie vendite. Mantengo un certo alto livello di servizio di quei SKU in magazzino e faccio soldi. Non ha bisogno di essere più sofisticato di così e funziona perché sono ancora in attività. Sto facendo soldi e sto guadagnando più soldi rispetto all’anno scorso.”

Joannes Vermorel: Sì, e puoi avere un negozio che perde acqua e stai facendo soldi. Quindi, se avessi più negozi che perdono acqua, forse guadagneresti di più. Vedi, di nuovo, questo è il problema. La supply chain è solo un ingrediente in un quadro più ampio. Quindi, l’errore è pensare che non è perché stai facendo soldi che ogni singola cosa che fai abbia senso o contribuisca positivamente al fatto che sei redditizio.

Anche le aziende, ad esempio, come Apple, sono conosciute per mantenere la maggior parte dei loro dipendenti all’oscuro quando si tratta del futuro dell’azienda. Questo è uno dei tratti ben noti di Apple. Quando si tratta di futuri lanci di prodotti, tutti sono tenuti all’oscuro e arriveranno persino a far trapelare internamente mappe stradali false a vari team in modo che se una mappa stradale viene rivelata, saprai chi ha ricevuto la mappa stradale falsa. Ok, è veramente un aspetto che sta migliorando la redditività di Apple? Forse, forse no. È qualcosa che vuoi emulare per un’altra attività per rendere questa altra attività più redditizia? Forse no.

Quindi, vedi, sto dicendo che se mi dici, “Uso l’analisi ABC, la mia attività è redditizia”, l’unica conclusione è che ABC non è così brutto 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, di nuovo, quando hai parlato di cercare l’ottimale, cercare il punto migliore possibile, che non è nemmeno vicino a quello. Puoi dire che lascia soldi sul tavolo. Puoi semplicemente dire che sembra che tu stia prendendo una posizione binaria lì, che fare ciò è al 100% stupido o è al 100% buono.

Joannes Vermorel: Ma qui vedi che è qui che, di nuovo, la visione di un informatico rispetto a un profano si discosta davvero. In informatica, le persone riconoscono che un euristico, intendo una ricetta numerica, acquisisce la capacità di essere chiamato euristico solo se mostra una sorta di bontà empirica. Vedi, quindi significa che non ogni ricetta numerica che posso inventare è un euristico. Per qualificarsi come euristico, deve essere sorprendentemente bravo a fare qualcosa.

Conor Doherty: Su cui alcuni potrebbero contestare.

Joannes Vermorel: E questa bontà sorprendente richiede una metrica. Richiede una misurazione.

Vedi, la stragrande maggioranza, diciamo, dell’analisi ABC, ad esempio, non ha una metrica che qualifichi nulla al riguardo. Si tratta solo di assegnare una lettera a ogni prodotto: A, B, C. Si tratta solo di assegnare questo. 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, ad esempio. La tua politica uniforme per classe potrebbe essere, per la classe A, tengo in magazzino tre mesi di inventario. Per la classe B, due mesi. Per la classe C, un mese. Sai, funziona anche così.

Quindi i livelli di servizio non sono necessariamente parte integrante dell’analisi ABC. La disponibilità di questi beni corrisponde alla loro importanza percepita. L’analisi ABC si limita ad attribuire una classe a ogni prodotto di importanza. Si tratta di attribuire una classe e poi sì, il modo in cui lo fai è pesando le vendite, ma questo è tutto. Quindi di nuovo, ciò 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 euristico, perché non sai quali problemi stai risolvendo. Non hai alcun riferimento su cosa sia l’ottimale.

Conor Doherty: Quindi, sì, continua.

Joannes Vermorel: Di nuovo, questo è il problema. Abbiamo bisogno di separare euristici rispetto a semplici ricette numeriche arbitrarie. Una ricetta numerica arbitraria può essere completamente priva di motivazione. Calcolo solo quello. Perché? Perché posso calcolarlo. Quindi faccio il calcolo, questo è tutto.

Se vuoi avere un euristico, devi avere, diciamo, un obiettivo che spieghi o un modo per valutarne la bontà. Di nuovo, un altro esempio sarebbe se cerco un euristico dall’informatica. Diciamo che sto usando XOR shift per generare numeri pseudo-casuali. Molto bene. Ci sono metriche che mi diranno la qualità di una sequenza di numeri da considerare come casuali. Molte metriche per questo.

Quindi, se uso un euristico come XOR shift, posso quindi valutare se è bravo a generare ciò che è inteso come numeri casuali secondo le metriche che rilevano la casualità di un insieme appena generato di numeri. Quindi vedi, ho una metrica, ho un obiettivo, so di cosa sto parlando in termini di è un euristico o no. Direi se è bravo o no? Se lo è, allora dirai, ok, è un euristico. Ma se non hai idea di cosa stai facendo, allora penso che sia un errore chiamarlo euristico perché non sai se è bravo.

Hai appena inventato una ricetta numerica e la chiami euristico.

Conor Doherty: Quindi quando le persone, di nuovo, per renderlo molto concreto, quando le persone, diciamo, conducono un’analisi ABC e poi prendono decisioni sulla base di quella, ad esempio, mantenendo tre mesi di inventario per la tua classe A o impostando livelli di servizio, qualsiasi decisione venga presa dopo, e se vedono risultati positivi, stanno solo, è una fallacia logica. Stanno attribuendo alle azioni precedenti causalità. Sì, perché valutare la bontà, come hai detto, come puoi farlo se la metrica non è chiara?

Joannes Vermorel: Semplicemente non puoi. E di nuovo, penso che sia la cosa con ciò che le persone chiamano euristiche. Preferisco chiamarle con un termine neutro, ricetta numerica, perché in realtà, non hanno nemmeno provato. Vedi, il punto è che molto spesso non c’è nemmeno stato un tentativo di qualificare se questo fosse buono o meno, quantificare se fosse buono in qualche modo.

E ci sono molti esempi del genere. Puoi avere, ad esempio, alcune aziende che decidono che i loro prezzi saranno numeri interi. Alcune preferiranno che finisca in 99, altre preferiranno che finisca in 95. Puoi avere una politica che regola i tuoi numeri, arrotondandoli appena sotto al 99 o al 95 o al 97 o arrotondandoli al numero intero successivo.

La vasta, vasta, vastissima maggioranza delle aziende che fanno questo non ha idea di quale delle opzioni sia migliore per loro, e scelgono comunque una.

Conor Doherty: Quindi stanno ipotizzando causalità essenzialmente.

Joannes Vermorel: Sì. E di nuovo, non sto mettendo in discussione che a volte, sai, adottare una politica in modo completamente arbitrario e attenersi ad essa per semplicità vada bene. Ma allora non dovresti attribuire a questa scelta arbitraria il tuo successo. Questo è ciò che sto dicendo.

Conor Doherty: Beh, di nuovo, questo è di nuovo quando parliamo, certamente dal punto di vista economico, quando parli di euristiche, la maggior parte delle persone, sì, stanno cercando di semplificare un problema e arrivare a una decisione. E anche il modo in cui vedono quel risultato è anche una versione molto semplificata. Quindi, ad esempio, “Ho fatto una cosa, ho reso tutti i prezzi numeri interi o 99, e le vendite sono aumentate o le vendite sono diminuite. Pertanto, post hoc ergo propter hoc, ciò che ho fatto prima l’ha causato.” E ovviamente, questo è impossibile. Il problema è che hai fatto tutto questo 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, soprattutto nella 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 essere letteralmente un modo per superare i tuoi concorrenti perché se hai ciò che gli informatici chiamano euristiche, che è qualcosa che è come una gemma nascosta, qualcosa che vedi in un algoritmo.

La differenza tra un algoritmo e un’euristica è che un algoritmo è qualcosa in cui hai una ricetta numerica. Puoi leggere la ricetta numerica e poi, come matematico, puoi dimostrarne le proprietà. È fantastico. È molto conveniente. Vedi, la cosa con gli algoritmi, gli algoritmi sono incredibilmente convenienti. Non è necessario fare alcun esperimento nel mondo reale per dimostrare che il tuo algoritmo si comporta bene. Questo è fantastico. Quindi significa che puoi avere un matematico che lavora nel suo ufficio e bam, hai il tuo algoritmo che si comporta bene e porta valore alla tua azienda.

Un’euristica, beh, l’unico modo per scoprire un’euristica è fare esperimenti. È qualcosa che è una valutazione empirica, ed è molto difficile. Ed è per questo che, ad esempio, la discesa del gradiente stocastico è stata, per letteralmente decenni, sebbene fosse nota a migliaia di persone, è rimasta completamente ignorata solo perché, beh, nessuno aveva veramente capito che in pratica funzionava splendidamente. Vedi, quindi è qualcosa che è un’euristica. Potrebbe esistere, ma finché le persone non hanno effettivamente testato la ricetta numerica e visto che funziona splendidamente su certe classi di problemi, allora non identificheranno che è un’euristica preziosa.

Conor Doherty: Mi viene in mente, però, con alcune delle affermazioni che hai fatto, ad esempio, ancora una volta, solo per riassumere prima di arrivare alla domanda, che do l’esempio di “Ho fatto una cosa, quindi presumo che ciò che ho fatto abbia causato un picco nelle vendite o possibilmente abbia causato una perdita nelle vendite.” E hai detto, “Beh, ma altre cento persone hanno fatto cento cose o mille cose, qualsiasi cosa.” Mi sembra quasi che tu stia stabilendo uno standard non falsificabile perché anche se dovessi usare euristiche matematiche, come potresti mai sapere che ciò che hai scelto di fare o gli strumenti che hai usato hanno fatto una differenza positiva una volta che lo togli dalla teoria e lo metti nella reale rete interconnessa di decisioni sulla supply chain?

Joannes Vermorel: No, di nuovo, puoi fare esperimenti e puoi convalidare la bontà di qualsiasi ricetta numerica che hai. 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 provarci? Com’è che sembra?

Joannes Vermorel: Quindi, ma è esattamente ciò che abbiamo in questa serie di lezioni sull’ottimizzazione sperimentale. C’è un’intera, ho una lezione di un’ora e mezza su questo, ed è chiamata ottimizzazione sperimentale. Quindi non puoi, il succo è che non sai per cosa stai ottimizzando, e il primo passo sarà scoprire per cosa stai cercando di ottimizzare. Ed è molto diverso dalla prospettiva classica di ottimizzazione matematica dove il tuo obiettivo è già dato.

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 in cui puoi 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, queste sono due prospettive completamente diverse. Succede solo che se puoi avere una prova matematica, almeno sai qualcosa di bello. E in certe condizioni, puoi sapere molto e diresti, “Oh, è molto interessante perché so così tanto che almeno rispetto a tutte le altre ricette numeriche dove non so nulla, preferisco usare una dove ho elementi di prova. È meglio di niente.”

Ma poi, se provi e in pratica con un corretto setup sperimentale, come confermato in questa lezione sull’ottimizzazione sperimentale, se hai una dimostrazione empirica che è superiore, allora un criterio matematico non può superare il feedback dal mondo reale. Quindi se ho due metodi, uno in cui ho molte prove matematiche, un altro in cui non ne ho, ma l’altro mi dà risultati migliori in pratica, allora dovrei preferire quest’altro anche se non viene con belle proprietà matematiche.

E ciò che rende le euristiche molto interessanti, spesso almeno dal punto di vista dell’informatica, è che le cose che si qualificano per le euristiche a volte possono operare con una piccolissima frazione delle risorse di calcolo di cui hai bisogno per, direi, soluzioni più provabili. Ad esempio, di nuovo, la discesa del gradiente stocastico. La discesa del gradiente stocastico è fantastica nell’ottimizzare tutti i tipi di problemi. Eppure, quando dico fantasticamente efficiente, intendo che puoi raggiungere un livello di ottimizzazione comparabile con altri metodi, avresti bisogno di migliaia, milioni, miliardi di volte più risorse di calcolo.

Quindi è molto, molto efficiente, ma non hai una prova formale per esso.

Conor Doherty: Capito. E beh, di nuovo, se stai parlando dell’allocazione delle risorse e del ritorno sugli investimenti dalle risorse, FIFO, oh, l’ho appena applicato mentalmente, costa zero. Qual è la differenza in termini di costo con l’organizzazione che hai appena descritto?

Joannes Vermorel: Direi che non c’è, non puoi evitare di pensare attentamente alla situazione in questione. Il FIFO farà la differenza? Varia enormemente da un’azienda all’altra. Per alcune aziende, è completamente trascurabile. Non ti interessa. Non ha alcun impatto. Per altre aziende, è di enorme importanza.

Se sei davvero un MRO e vuoi riparare motori d’aereo, l’ordine in cui scegli i motori sarà estremamente importante per capire se le tue operazioni stanno procedendo senza intoppi o meno. Se stiamo parlando solo di organizzare un transito per una piattaforma logistica e vuoi farlo in FIFO, è trascurabile perché alla fine di ogni giorno, svuoterai la tua piattaforma. Non vuoi lasciare nulla sulla piattaforma quando fai i tuoi trasferimenti e simili. Quindi l’ordinamento è praticamente trascurabile in questa situazione.

Conor Doherty: Beh, mi è piaciuto molto l’esempio che hai dato. Di nuovo, se sei un MRO, stai lavorando sui motori, devi scegliere su quali motori lavorare. E voglio tornare a qualcosa che hai detto prima, che tipicamente, cosa hai detto, le persone non stanno ottimizzando ciò che pensano di ottimizzare o non stanno ottimizzando la cosa giusta. Quindi nello scenario che hai appena descritto, quando le persone applicano il FIFO, pensano, “Beh, sto facendo uscire i motori, sto ottimizzando la riparazione dei motori.” Almeno stanno pensando correttamente al problema, anche se non stanno eseguendo bene un’euristica?

Joannes Vermorel: No, questo è un altro problema. Vedi, di solito la ricetta numerica, e sto usando non il termine euristica ma la ricetta numerica, è un segnaposto per il problema e la soluzione. Sai, facciamo solo così. La situazione non è formulata come qual è il problema e quale è la classe di possibili soluzioni e quali sarebbero le varie qualità di quelle soluzioni variabili. Scegli solo un modo per farlo e basta. E poi che sia buono o meno, forse, forse no, è così.

Conor Doherty: Non è solo che mi piace ciò che hai detto, che confondere il modo in cui stanno cercando di risolvere le cose con il problema e la soluzione. Puoi espandere di nuovo su questo?

Joannes Vermorel: È di gran lunga più semplice pensare a una soluzione anziché pensare a un problema. È così quando le persone vogliono pensare alla qualità del servizio in un negozio, è molto difficile pensare a cosa significhi quella qualità del servizio. La qualità del servizio significherebbe fondamentalmente entrare nella testa dei tuoi clienti e cercare di vedere il tuo negozio come lo vedono loro e valutare se saranno soddisfatti o meno, considerando tutti i loro piani e desideri vaghi e così via, e tutto ciò che cambia costantemente. Quindi questo è il problema, molto difficile.

È molto più facile concentrarsi sulla soluzione, che sono cinque unità per questo prodotto, cinque unità per questo prodotto, due unità per questo prodotto. Vedi, ti sto solo dando una soluzione dicendo quante unità ha ciascun prodotto e boom, ho finito. Quindi inventare, evocare una soluzione è di solito molto più semplice rispetto a pensare al problema. Ma ciò che non hai affrontato quando fai ciò è che non conosci la bontà della tua soluzione. Hai solo una soluzione, e se questa soluzione funziona in qualche modo, forse dirai che è una buona soluzione, ma non lo sai.

E forse il tuo negozio funziona molto bene non perché hai i livelli di inventario giusti ma perché da qualche altra parte nella tua azienda sei riuscito a negoziare prezzi fantastici che si sono rivelati più bassi. Quindi, anche se i tuoi livelli di magazzino sono un po’ scadenti, i tuoi negozi sono comunque abbastanza competitivi. Vedi, quello che sto dicendo è che le aziende, di nuovo, non esistono cose che sono autoevidenti nella supply chain, non davvero, non in quei giochi in cui cerchi di risolvere problemi di ottimizzazione discreta.

E penso che il passo da compiere sia riconoscere che ciò che hai fino a prova contraria non sono euristiche. Questo è qualcosa che è stato valutato come buono, sorprendentemente buono. Quello che hai sono ricette numeriche. Sono buone? Sono cattive? Non lo sai.

Conor Doherty: Perché ho avuto una conversazione molto simile su questo di recente con Simon Schott di Lokad, e stavamo parlando di ottimizzazione della pianificazione. E di nuovo, ha usato anche il termine autoevidente. Uno dei problemi con certe euristiche o ricette numeriche, qualunque termine tu voglia usare, come FIFO, è che ignorano le esternalità immediate o perché sono semplicemente al di là della mente umana.

Ad esempio, tre motori, arrivi lunedì mattina, ci sono tre motori. Quale riparare? Quale è stato il primo ad arrivare? Non posso calcolare tutti i passaggi correlati e le interdipendenze come lavorare su questo richiede 100 parti, questo ne richiede 68, questo ne richiede 67. Ho bisogno di 20 strumenti per quello, 10 di essi li ho bisogno anche per questo. Questo deve andare là quando è fatto, quello deve andare là quando è fatto. Joannes è malato, oggi non è in ufficio, quindi non può fare il passaggio 20 su 30. Conor sta facendo un’intervista, non è disponibile per completare il passaggio 99 su 100. Ci sono tutte queste interdipendenze, e non sono autoevidenti per la mente umana. Quindi, ti rifugi solo, anziché rimanere inattivo, ti rifugi in quello che è arrivato per primo.

E non è che sia sbagliato, è nell’assenza, e queste sono parole di Simon, nell’assenza di qualcosa di superiore, si usa semplicemente qualcosa che almeno fa funzionare le cose in qualche misura. E sembra che, avendo ascoltato te, tu abbia usato un modo molto più matematico per descriverlo. Ma questo sarebbe comunque in linea con i tuoi sentimenti?

Joannes Vermorel: Sì, ma ancora una volta, la sfida è che scegli una soluzione, non hai idea se sia buona o meno. E molto spesso, di nuovo, non puoi farti guidare dall’intuizione. Penso che la cosa sia che, di nuovo, nel mondo naturale, gli euristici che ci vengono dati, come posso effettivamente afferrare un oggetto, sono buoni. Ma quando traduciamo, non c’è una traduzione di questi doni naturali nel mondo artificiale delle decisioni della supply chain. Sai, sono cose completamente diverse.

C’era, ad esempio, un articolo molto interessante che è stato pubblicato. Le persone hanno fatto il benchmark delle strategie di imbarco per gli aerei. E, sai, una decina di anni fa, le compagnie hanno iniziato a dire: “Oh, vogliamo velocizzare l’imbarco, quindi chiameremo prima i passeggeri delle prime file, e poi le seconde file dopo, e poi le altre file, ecc.” E le persone dicevano: “Oh, è logico, velocizzerà il processo di imbarco.” Si è scoperto che alcune persone, alcuni ricercatori, hanno effettuato esperimenti reali. Hanno detto: “Ok, se suddividiamo i passeggeri in tre gruppi e li chiamiamo in ordine dalle file 1 alla 10, poi dalla 11 alla 20, e dalla 21 alla 30, rispetto a politiche alternative, ne abbiamo una che funziona meglio?” E la cosa interessante che hanno dimostrato è che non avere alcuna politica, quindi lasciare che le persone riempiano l’aereo casualmente, era effettivamente più veloce. Non è intuitivo, ma è stato un risultato empirico.

Quindi, ancora una volta, quello che sto dicendo è che la bontà è, per quei fenomeni complessi che sono molto artificiosi, perché vedi, afferrare il mio bicchiere è molto complesso nel senso che ci sono così tante variabili in movimento. Ho cinque dita, e poi ho molti giunti, quindi è come un problema con qualcosa come probabilmente 50 gradi di libertà se sto solo facendo questo semplice movimento per afferrare il mio bicchiere. Quindi è molto complesso, ma la nostra intuizione funziona. Ma ci sono altre classi di problemi in cui la nostra intuizione non funziona naturalmente, e dico nella supply chain, sono principalmente giochi che trattano con problemi discreti, che trattano con la casualità. La nostra mente non è molto brava. La nostra mente è tipicamente molto brava a trattare con schemi, non molto brava a trattare con la casualità. E quindi, direi di non fidarti troppo della tua intuizione. Potrebbe essere molto fuorviante.

Ed è molto interessante perché al giorno d’oggi, nonostante ora abbiamo prove che lasciare che le persone salgano a bordo di un aereo casualmente sia più veloce, al giorno d’oggi la maggior parte delle compagnie ha una politica di chiamare le persone in ordine, anche se ora è stato dimostrato che è effettivamente più lento.

Conor Doherty: Vero, ma ancora una volta, questo non dimostra il punto che hai menzionato prima perché dipende da cosa stai ottimizzando. Se stai ottimizzando l’efficienza dell’imbarco, hai ragione. Se stai ottimizzando il profitto, vuoi vendere posti o accessi come la Zona 1 è dalle zone 1 alla 9, e questo costa $3.000. Le zone 10-15 costano $1.000, e riempiamo l’aereo a quel ritmo, e sto ottimizzando per il profitto.

Joannes Vermorel: Ma questo si applica anche agli aerei in cui tutti i posti hanno lo stesso prezzo. Queste politiche vengono applicate anche nelle compagnie aeree a basso costo dove non c’è una classe business, non c’è una prima classe, e tutti sono praticamente addebitati allo stesso prezzo, indipendentemente dal posto che occupano.

Conor Doherty: Quindi non c’è bisogno dell’imbarco avanzato.

Joannes Vermorel: Ma lo fanno comunque.

Conor Doherty: Quindi non dovrebbero?

Joannes Vermorel: Ripeto, quello che sto dicendo è che hanno immaginato nella loro mente una ricetta numerica che era, “Chiameremo le persone a fette perché sembra che se mettiamo più ordine, funzionerà in modo più efficiente.” E poi le persone hanno effettuato gli esperimenti effettivi e hanno concluso che no, in realtà sta degradando le prestazioni rispetto a quello che facevi in precedenza, che era non cercare nemmeno di risolvere il problema e lasciare che le persone si sistemassero da sole durante l’imbarco dell’aereo.

Vedi, questo è il punto. Di nuovo, ciò che pensi di essere, questa è la differenza. È molto facile immaginare una ricetta numerica, ma se non hai idea se sia buona, non dovresti presumere solo perché è stata la prima cosa che ti è venuta in mente che sarà buona. E non dovresti presumere solo perché sembra plausibile che sarà buona.

Conor Doherty: Beh, puoi anche espandere quell’idea nel fissare arbitrariamente qualsiasi KPI e presumere che ciò faccia la differenza.

Joannes Vermorel: Sì, e di nuovo, le persone, c’è questo bias psicologico che le persone tendono ad innamorarsi delle proprie idee. Tipo, “Abbiamo bisogno di una maggiore qualità del servizio, quindi dobbiamo spingere i livelli di servizio dal 97% al 98%,” e poi diventa una politica aziendale. Ha senso? Forse sì, forse no. Ti ho parlato di questa idea di min e max. Dobbiamo mettere tre mesi di inventario, e poi diventa politica aziendale. È molto facile immaginare una ricetta numerica perché devi solo prendere le variabili che hai davanti e fare qualcosa con esse, e calcolerai qualcosa.

Qui è un errore fatto come chiamato, direi, razionalismo ingenuo. Non è perché calcoli qualcosa con le variabili che ti capitano davanti che questo calcolo è corretto. Potrebbe essere corretto nel senso numerico che non stai commettendo errori nelle addizioni e moltiplicazioni, ma la formula che hai appena immaginato non riflette davvero nulla.

Conor Doherty: Ma questo va naturalmente contro o entra in conflitto con la tendenza naturale delle persone verso ciò che è il bias di attribuzione fondamentale. Assumono semplicemente, “Ho agito, ho fatto una cosa, ho fissato una politica, ho fissato un KPI, ho fissato una regola, e abbiamo fatto soldi. Pertanto, non solo sono fantastico, ma sono responsabile di ciò che è successo.”

Joannes Vermorel: Sì, ma di nuovo, vai per “abbiamo fatto soldi,” ma la realtà è che la maggior parte delle aziende, specialmente la maggior parte dei dipartimenti della supply chain, non hanno KPI finanziari. Vedi, molto frequentemente quello che succede è che controlli solo se sei conforme alle regole che hai stabilito per te stesso, e basta. Vedi qui, stai dicendo, “Siamo redditizi,” ma di nuovo, la maggior parte delle divisioni della supply chain controllano solo se sono conformi ai propri percentuali.

Quindi, ad esempio, potrebbero dire, “Oh, abbiamo bisogno di livelli di servizio del 97%,” e poi faranno cose, e alla fine della giornata, direbbero, “Oh, siamo molto bravi, guarda, abbiamo raggiunto il 97% di livello. Abbiamo perso molti soldi, ma abbiamo il 97% di servizio.” Il fatto che guadagniamo soldi o perdiamo soldi è irrilevante. Stai contando percentuali, non dollari. Voglio dire, pochissime aziende che conosco oltre ai clienti stanno effettivamente considerando qualche tipo di metrica finanziaria per la loro supply chain. Di solito è completamente assente. Pensano in termini di rotazione delle scorte, pensano in termini di livelli di servizio, differenziano effettivamente quei livelli di servizio per classi ABC e così via.

Ma vedi, non è perché ti sei fissato un obiettivo arbitrario di livello di servizio e poi dichiari vittoria quando raggiungi questi obiettivi arbitrari. Puoi assumere che essere conforme al tuo obiettivo sia in qualche modo correlato alla redditività dell’azienda, ma è un’assunzione molto audace.

Conor Doherty: Beh, ancora una volta, questo dimostra un punto generale che è stato fatto molte volte in varie forme, ovvero la tendenza delle persone a prendere sul serio problemi complessi. Ad esempio, se stai parlando di pianificazione, stai parlando di quanto ordinare, dove inviare, e cerchi di scomporre il tutto in un modo che si adatti alla mente umana. Quindi, ad esempio, “Beh, se ho solo il 90, se passo dal 95 al 97% di livello di servizio, bish bash bosh, il problema è risolto,” e lo è. Una volta raggiunto quel obiettivo, beh, è auto-avverante. Ma ovviamente, questo ignora molte delle interrelazioni e interdipendenze del processo decisionale che abbiamo descritto in precedenza.

Joannes Vermorel: Sì, ma anche io descriverei, come ho detto, che cercare una soluzione è tipicamente molto più facile che cercare il problema. Quindi se guardiamo, ad esempio, alla manutenzione di un aeromobile, la realtà è che se manca una parte durante un’operazione di manutenzione, l’aeromobile sarà bloccato a terra. Questo è relativamente ovvio a meno che tu non lo ottenga all’ultimo minuto. Ma ora, la soluzione è, “Voglio solo avere un livello di scorta non nullo di parti funzionanti per tutto,” e questa sarà la tua risposta semplice. Vedi, quindi se ho quello, allora sono a posto finché posso mantenere un livello di scorta non nullo di parti funzionanti in qualsiasi momento, sono a posto.

Quindi, questa è la mia soluzione. Il problema è che bypassa completamente il fatto che la soluzione che proponi è troppo costosa perché richiederebbe troppa scorta, e quindi non è una soluzione fattibile, non davvero. Ecco dove devi tornare a avere una ricetta numerica. Devo caratterizzare questa ricetta numerica per assicurarmi che sia formalizzata correttamente in modo che possa poi valutarne la bontà e decidere se è un algoritmo, se è un euristico, o se è qualcos’altro.

Il mio punto è semplicemente che è pericoloso assumere che qualcosa che è stato fatto, che era una politica numerica arbitraria, abbia delle proprietà intrinseche solo perché è stato fatto in quel modo in precedenza. L’unica cosa che puoi dire è che non è stato così brutto da portare l’azienda al fallimento, ma questo è un obiettivo molto basso. Puoi avere cose che sono molto, molto negative e comunque non essere sufficienti per far fallire l’azienda, specialmente se i tuoi concorrenti stanno facendo anche cose molto, molto inefficienti.

Conor Doherty: Hai menzionato effettivamente, in una delle nostre conversazioni precedenti, parlando delle implicazioni di portare in realtà politiche arbitrarie o KPI arbitrari. Ad esempio, l’importo di denaro necessario per passare dal livello di servizio del 95 al 97% è approssimativamente di un ordine di grandezza superiore rispetto a quanto serve per passare dal 85 all'87% di livello di servizio. Quindi dici, “Oh, voglio solo aumentare del 2%”, ma c’è una legge dei rendimenti decrescenti.

Joannes Vermorel: Sì.

Conor Doherty: E i costi si propagano in modo esponenziale una volta raggiunto un certo livello. E di nuovo, le persone guarderanno e 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 che ti ho detto che la mente umana non è molto brava con la casualità, ad esempio, ma non è molto brava nemmeno con la crescita geometrica. Le cose che si compongono in modo esponenziale, la mente umana non riesce davvero a comprendere questo concetto. Non abbiamo il meccanismo.

Sì, se come matematico, mi prendo il tempo, prendo carta e penna, e poi faccio i miei calcoli, sì, capirò. Ma non ho un istinto; nessuno ha un’intuizione istintiva della differenza tra mille, un milione, un miliardo, un trilione. Non abbiamo la capacità di percepire queste cose, proprio come non abbiamo la capacità all’interno del nostro cervello di distinguere tra rumore gaussiano o qualsiasi tipo di rumore alternativo non gaussiano. Se ti do tutti i tipi di casualità, rumore gaussiano più, a meno che tu non sia stato specificamente addestrato a riconoscerlo, la maggior parte delle persone direbbe, “Oh, sembra molto casuale.” Non abbiamo, direi, una percezione istintiva della classe di rumore statistico, ma i matematici hanno scoperto molti tipi diversi di rumore, di comportamento casuale.

Conor Doherty: Su questo punto, hai menzionato prima la pianificazione per le riparazioni, ad esempio, nel settore aerospaziale. Beh, l’idea se qualcuno dicesse, “Sai, abbiamo persone davvero intelligenti, e ogni volta che dobbiamo generare una sequenza di azioni per la riparazione di un motore, abbiamo 10 persone davvero intelligenti. Si siedono e lo capiscono da soli in azienda.” Ovviamente, è irragionevole. Pensa a come Simon ha precedentemente espresso, è irragionevole aspettarsi che anche solo cento persone super intelligenti con carta e penna o con un foglio Excel possano superare su larga scala ripetutamente tutti i calcoli necessari per arrivare al nuovo programma ottimale dato tutte le interdipendenze, tutte le parti necessarie, tutte le competenze richieste, il tempo necessario.

E devi considerare che, come hai detto prima, nel caso della MRO, non hai il lusso del tempo. Quindi anche se fosse possibile, e concediamo solo per il bene della discussione che lo sia, non lo è, ma diciamo che lo fosse, ci vorrebbe un tempo infinito rispetto a un algoritmo che può farlo in pochi minuti. E c’è un costo in dollari per tutto questo. Il punto a cui torno, e di nuovo, questo è come lo capisco e cerco di spiegarlo, non è una questione di essere intelligenti o stupidi. Semplicemente ci sono esternalità che sono invisibili all’occhio umano, per definizione invisibili all’occhio umano.

Joannes Vermorel: Purtroppo, dobbiamo anche considerare il fatto che la maggior parte dei venditori di software è assolutamente incompetente. Quindi, vedi, è anche un altro fattore. Le persone dicono: “Oh, vedi, il mio argomento sarebbe, beh, se 10 persone si siedono e trovano una soluzione, se non funziona, allora nel minuto successivo, solo perché, ad esempio, manca una parte e così via, andranno verso un’alternativa. Quindi esploreranno nuovamente soluzioni di bassa qualità fino a quando non ne trovano una che vada bene, un po’ come un ratto che attraversa un labirinto. Va bene, oh, un muro, ok, direzione, un altro muro, ok, un’altra direzione.”

Il problema con molte, direi, implementazioni software è che il software non ha nemmeno una sorta di via di fuga se ti trovi di fronte a un muro. E quindi se sei bloccato, sei bloccato con qualcosa di insensato e basta. Quindi vedi che molte aziende avevano questo problema. Questa era una delle, direi, promesse della ricerca operativa negli anni ‘50 e così via. Molte delle iniziali, direi, speranze non si sono trasformate in grandi successi proprio perché i venditori di software erano piuttosto incompetenti. E quindi le presunte soluzioni ottimali o le presunte soluzioni software superiori erano in pratica così male implementate che erano completamente, direi, impraticabili.

Ma dobbiamo separare un po’, sai, se era un problema che non poteva essere affrontato dai computer e la mente umana sta facendo una sorta di magia che è impossibile replicare con un computer rispetto al fatto che il problema è stato semplicemente affrontato da un venditore di software completamente incompetente e si è scoperto che la soluzione che hanno fornito era terribile.

Conor Doherty: Ma su questo punto, come possono i non specialisti - questo è il termine, io sono un non specialista - come può un non specialista sapere se ciò che sta ascoltando o ciò che il venditore sta dicendo è incompetenza o disonestà? O come puoi verificare una qualsiasi di queste affermazioni?

Joannes Vermorel: Questo è un grosso problema. Quindi qui, c’è un’altra lezione per questo. È la ricerca di mercato avversaria, ma questa è un’altra ora di spiegazione su come puoi effettivamente individuare i venditori incompetenti.

Conor Doherty: Quali euristiche, quali regole mnemoniche ti vengono in mente?

Joannes Vermorel: Sì, voglio dire, c’è effettivamente una euristica data qui, ma è una che è provata. Quindi, ricorda, è una soluzione semplice che sorprendentemente ed empiricamente funziona bene, meglio di quanto ti aspetteresti. E quindi l’euristica data nella ricerca di mercato avversaria è: come lo sai? Chiedi, quando hai un venditore, chiedi ai concorrenti di questo venditore cosa pensano di questo venditore. Ed è avversario.

Quindi se vuoi avere un’opinione corretta su un venditore, non chiedi al venditore perché il venditore ti ingannerà. Chiedi ai suoi concorrenti cosa pensano di questo tizio. E poi fai anche il simmetrico: chiedi a tutti i venditori cosa pensano degli altri venditori. Si chiama valutazione avversaria e si è dimostrata essere molto, molto robusta. Warren Buffett ha fatto fortuna basandosi su questo principio molto semplice. E l’idea era che se tutti sono d’accordo - e Buffett ha questa domanda: “Se avessi una pallottola d’argento per eliminare magicamente uno dei tuoi concorrenti, chi sarebbe il bersaglio della tua pallottola d’argento?”

E quella era una domanda molto interessante perché le persone, se tutti i concorrenti finiscono per designare la stessa azienda, allora ti trovi in una situazione in cui, ok, questa azienda è ovviamente quella che minaccia tutti gli altri. E quei venditori sono i più informati su questo settore, quindi l’attore più competente è quello indicato da tutti i concorrenti. Quindi è un’euristica, sai, finché non hai testato questa ricerca di mercato avversaria, non ti rendi conto di quanto funzioni bene. E non è nemmeno ovvio che funzioni affatto, ma è stato testato e funziona splendidamente, come dimostrato tra gli altri dal successo di Berkshire Hathaway.

Conor Doherty: Beh, Joannes, non ho altre domande, ma in termini di pensieri finali, come conclusioni per le persone di oggi, perché abbiamo coperto molta strada. Ma in termini di euristiche nella supply chain, qual è il tuo riassunto esecutivo per le persone?

Joannes Vermorel: Quello che fai sono probabilmente solo ricette numeriche, ricette numeriche arbitrarie. Riserva il termine euristica per qualcosa che è un gioiello nascosto, qualcosa di semplice e che funziona splendidamente, ma hai prove empiriche che funziona. Non solo “lo faccio e l’azienda non è fallita, quindi funziona”. Questo è troppo basso. Quindi riserva quel termine.

Se identifichi ricette che funzionano molto oltre ciò che ci si potrebbe ragionevolmente aspettare da una ricetta numerica così semplice, allora tesoralo. È estremamente prezioso. Ma ancora una volta, questo valore deve essere radicato, direi, in una valutazione del mondo reale espressa in dollari o euro, non solo nella tua sensazione del valore di questa ricetta numerica.

Conor Doherty: Beh, Joannes, grazie mille. Credo che abbiamo risolto quel problema, un altro nel cassetto. Grazie mille per il tuo tempo e grazie mille per aver guardato. Ci vediamo la prossima volta.