00:00:00 Introduzione all’intervista
00:01:41 La prima carriera di Ian Wright e la fondazione di Logistics Sciences
00:05:33 Il concetto di ottimalità nella supply chain
00:10:06 Ottimizzazione, incertezza e interruzioni del mondo reale
00:18:18 Limiti dell’ottimizzazione tradizionale e impatto della pandemia
00:25:27 La risposta di Lokad e l’adattamento delle supply chain
00:32:45 Sfide dei modelli deterministici e compromessi
00:41:09 Livelli di servizio, modelli finanziari e controlli di sanità mentale
00:50:48 Esperienza umana, euristiche e modellazione iterativa
00:58:39 Il costo dell’intervento umano nelle supply chain
01:06:24 Strategia come ingegneria e automazione decisionale
01:14:06 Il modello decentralizzato di Walmart e la rottura dei silos
01:21:39 Cicli di feedback e miglioramento continuo della supply chain
01:29:18 Raggiungere l’ottimalità e navigare nell’esagerazione dei fornitori
01:35:42 Pensieri finali sulle tendenze tecnologiche della supply chain
Riassunto
In una recente intervista a LokadTV, Conor Doherty ha ospitato Ian Wright, fondatore di Logistics Sciences, e Joannes Vermorel, CEO di Lokad, per discutere della nozione che non esistono decisioni ottimali nella gestione della supply chain. Hanno sfidato le visioni tradizionali sull’efficienza, evidenziando le complessità e le incertezze che sfidano gli ideali dei libri di testo. Ian e Joannes hanno sottolineato che i diversi portatori di interesse hanno definizioni diverse di ottimalità e le soluzioni pratiche devono allinearsi alle realtà aziendali. Hanno discusso dei limiti dei metodi tradizionali di ottimizzazione e dell’importanza del giudizio umano nella presa di decisioni strategiche. La conversazione ha sottolineato la necessità di modelli che gestiscano l’incertezza e si concentrino sui veri risultati economici.
Riassunto Esteso
In un recente episodio di LokadTV, Conor Doherty, Direttore della Comunicazione presso Lokad, ha ospitato una discussione approfondita con Ian Wright, fondatore di Logistics Sciences, e Joannes Vermorel, CEO e fondatore di Lokad. La conversazione ruotava attorno all’idea provocatoria che non esistono decisioni ottimali nella gestione della supply chain, un concetto che sfida le visioni tradizionali sull’efficienza e sulla presa di decisioni.
Conor Doherty ha aperto la discussione sottolineando la comune credenza nelle decisioni ottimali come epitome dell’efficienza, dove le risorse sono allocate perfettamente, i costi minimizzati e i profitti massimizzati. Tuttavia, ha notato che tali ideali dei libri di testo spesso crollano di fronte alle complessità del mondo reale. Ian Wright, con oltre 40 anni di esperienza nella supply chain e nella logistica, ha condiviso il suo percorso dall’accademia all’industria petrolifera e, infine, alla fondazione di Logistics Sciences. La sua carriera è stata contrassegnata da un focus sulla risoluzione dei problemi nella logistica e nella ricerca operativa, sottolineando l’applicazione pratica della pianificazione e dell’esecuzione.
Joannes Vermorel ha ribadito i sentimenti di Ian, sottolineando che sebbene le intenzioni dietro la ricerca operativa dopo la Seconda Guerra Mondiale fossero corrette, il settore ha affrontato sfide simili a quelle sperimentate dall’intelligenza artificiale, con periodi di aspettative esagerate seguiti da delusioni. Ha osservato che molti metodi della ricerca operativa non sono riusciti a fornire benefici concreti alle aziende.
La conversazione è poi approfondita sul paper di Ian, “Perché non esiste una soluzione ottimale nella pianificazione della supply chain e nell’ottimizzazione della rete logistica”. Ian ha spiegato che diversi portatori di interesse hanno definizioni diverse di ottimalità, portando spesso a idee contrastanti. I professionisti si concentrano sugli aspetti matematici, mentre i leader aziendali sono più interessati a soluzioni pratiche e attuabili. Ha sottolineato che modelli e strumenti sono solo aspetti di una soluzione più ampia che deve avere senso per l’azienda.
Joannes ha ampliato questo concetto discutendo dei limiti dei metodi tradizionali di ottimizzazione, che spesso mancano della capacità di incorporare la dimensione del tempo e gestire l’incertezza. Ha sottolineato l’importanza di miglioramenti quantitativi nell’ottimizzazione aziendale, contrastandola con la prospettiva più statica e matematica della ricerca operativa tradizionale.
La discussione ha anche toccato il ruolo dell’incertezza nella presa di decisioni nella supply chain. Ian ha descritto varie fonti di incertezza, dalle variazioni prevedibili agli eventi Black Swan e agli unknown unknowns. Ha sottolineato la necessità di modelli in grado di gestire queste incertezze e fornire soluzioni contingenti.
Joannes ha condiviso l’approccio di Lokad durante i lockdown da COVID-19, dove hanno gestito le decisioni sulla supply chain per i clienti i cui dipendenti impiegati erano in ferie. Iniettando una massiccia dose di incertezza nei loro modelli, Lokad è riuscita a prendere decisioni più prudenti, dimostrando l’efficacia dei loro sistemi di ottimizzazione.
La conversazione è poi passata al ruolo dei trade-off nella presa di decisioni. Ian ha sottolineato che i trade-off spesso si riducono a considerazioni finanziarie, bilanciando i costi contro i livelli di servizio e altri fattori. Joannes ha sostenuto che molte aziende si concentrano sull’ottimizzazione delle percentuali piuttosto che sui veri risultati economici, portando a decisioni non ottimali.
Sia Ian che Joannes hanno concordato sull’importanza del coinvolgimento umano nella presa di decisioni strategiche. Sebbene l’automazione e gli strumenti di ottimizzazione possano gestire molte attività, l’intuizione e il giudizio umano rimangono cruciali, specialmente in aree in cui l’input meccanicistico è insufficiente.
In conclusione, l’intervista ha evidenziato le complessità e le sfide dell’ottimizzazione della supply chain, sottolineando la necessità di soluzioni pratiche e attuabili che tengano conto dell’incertezza e coinvolgano il giudizio umano. Sia Ian che Joannes hanno fornito preziose intuizioni su come le aziende possano affrontare queste sfide, sottolineando l’importanza di allineare i modelli con le operazioni del mondo reale e concentrarsi sui veri risultati economici.
Trascrizione Completa
Conor Doherty: Bentornati su LokadTV. Una decisione ottimale è spesso vista come il vertice dell’efficienza, una situazione in cui le risorse sono allocate perfettamente, i costi sono ridotti e i profitti massimizzati. Ora, questo suona fantastico in un libro di testo o in una classe, ma spesso tali idee vacillano al contatto con il mondo reale. L’ospite di oggi, Ian Wright, parlerà con noi di questa stessa ricerca dell’ottimalità. Ian è il fondatore di Logistics Sciences e ha oltre 40 anni di esperienza nella supply chain.
Come sempre, se vi piace ciò che sentite, vi preghiamo di iscrivervi al canale YouTube e di seguirci su LinkedIn. E con questo, vi presento la conversazione di oggi con Ian Wright.
Bene, fantastico. Beh, Ian, grazie mille per esserti unito a noi. Per le persone che potrebbero non conoscerti, voglio dire, ti ho presentato prima, ma per chi non è familiare con il tuo lavoro, potresti fare una breve introduzione, per favore?
Ian Wright: Beh, penso che tu abbia menzionato che sono in giro da 40 anni. In realtà sono in giro da molto più tempo di così, ma la mia carriera copre 40 anni. Accademicamente, il mio background si basa fondamentalmente su un interesse per l’economia e la geografia, che ho unito nello studio di ciò che all’epoca era conosciuto semplicemente come trasporti o trasporto da dove vengo. E questo comprendeva fondamentalmente economia, geografia, business, e questo ha suscitato un grande interesse nella risoluzione dei problemi, specificamente in ciò che oggi chiamiamo logistica e ricerca operativa. Quindi ho proseguito con la ricerca operativa ma continuando a concentrarmi molto sui problemi di trasporto, problemi logistici e ora su ciò che tutti conosciamo come supply chain. Quindi è passato più di 40 anni da allora.
E poi, passando a dover effettivamente guadagnare da vivere, sono entrato nell’industria petrolifera come scienziato della gestione lavorando per Castrol. Sono stato quasi gettato nella mischia fin dall’inizio perché mi sono subito impegnato in progetti di pianificazione strategica molto avanzati. Ho scritto diversi sistemi di manutenzione preventiva per la distribuzione dell’azienda e ho imparato a conoscere il software di pianificazione da un punto di vista di rete e di pianificazione della flotta. Poi sono passato a unirmi effettivamente all’azienda che forniva quei sistemi, che all’epoca era composta da una sola persona, quindi eravamo in due, e l’ho aiutato a svilupparla. Poi mi sono trasferito negli Stati Uniti con un cliente dell’azienda e mi sono occupato di GIS e dell’uso di GIS come visualizzazione di ciò che stavamo facendo dal lato della pianificazione. Quindi è stata un’introduzione precoce a ciò che oggi è diffuso intorno a GIS e visualizzazione nei primi anni ‘80.
Da lì, sono entrato nella logistica per conto terzi inizialmente attraverso un progetto di sviluppo software. Ma ero a conoscenza della logistica per parti terze nel Regno Unito per tutta la mia carriera, ma è stato solo nei primi anni ‘90 che è diventata abbastanza nuova negli Stati Uniti, e stavano appena sviluppando l’idea di mettere insieme soluzioni per venderle ai clienti. Queste soluzioni riguardavano dove dovremmo posizionare il vostro magazzino, come dovremmo gestire i vostri asset di trasporto. Questa è stata un’applicazione eccellente del mio background, ma soprattutto per me è stata una grande lezione di apprendimento in termini di pianificazione per l’implementazione e l’esecuzione e non abbandonare, facendo parte dell’operatività della soluzione che si è messo insieme, il che penso sia una buona lezione per tutti coloro che sono coinvolti in ciò che facciamo.
Alla fine, sono uscito dalla pianificazione effettiva. Ho messo insieme un paio di gruppi di soluzioni e ho gestito i gruppi di soluzioni. Poi ho proseguito e sono diventato sempre più responsabile nelle organizzazioni per cui ho lavorato. Ma alla fine, dopo un periodo di lavoro in consulenza, che non mi è piaciuto molto, ho deciso di dover formare una società di consulenza, Logistic Sciences. E se volete sapere cos’è Logistic Sciences, fondamentalmente sono io che cerco di tornare a fare ciò che mi piace fare, ovvero risolvere problemi, concentrati in particolare su questioni di supply chain e logistica, e utilizzando la mia conoscenza limitata e i miei strumenti limitati per aiutare effettivamente le persone a risolvere problemi in quel settore. Quindi non so se questo ti aiuta a capire da dove vengo. Non ho idea di dove sto andando, ma…
Conor Doherty: Beh, grazie, Ian. E in realtà, Joannes, sono sicuro che molto di ciò risuoni con te. Voglio dire, l’idea di risolvere problemi e rivalutare il problema della presa di decisioni nella supply chain, è qualcosa che risuona fortemente con te, vero?
Joannes Vermorel: Sì, voglio dire, in termini di intenzioni, le intenzioni poste dall’operations research dopo la Seconda Guerra Mondiale erano molto corrette nel senso di cercare di ingegnerizzare quei metodi di gestione in qualcosa di numericamente valido e migliorabile. Questo, penso, era uno degli intenti corretti ed è ancora molto rilevante oggi. La sfida è che è molto interessante. Le persone parlano molto spesso dei vari inverni che l’IA, l’intelligenza artificiale, ha attraversato con speranze esagerate e poi delusione nel fatto che non funzionasse. Credo che l’operations research abbia attraversato fasi simili, e certe serie di onde di metodi che erano conosciuti all’epoca semplicemente non sono riusciti a trasformarsi in benefici reali e attuabili per le aziende.
Conor Doherty: Beh, in realtà, questo tipo di transizione porta essenzialmente all’argomento della conversazione di oggi, che Ian è stato ispirato a vedere il tuo lavoro su LinkedIn. Pubblichi effettivamente molti articoli. Ne ho uno qui davanti a me su cui ho preso appunti. Spero che la telecamera possa prenderlo. Quindi l’ho letto, l’abbiamo tutti letto. Ma quel documento era, e ho letto questo, sono il ragazzo, sono il ragazzo. Sì, era gratuito, grazie. Quindi il documento in particolare, quello che ha suscitato l’interesse nella conversazione, “Perché non esiste una soluzione ottimale nella pianificazione della supply chain e nell’ottimizzazione della rete logistica.” Ora, sono circa 13 pagine. Per chi non l’ha letto, un riassunto di livello esecutivo, per favore.
Ian Wright: Fondamentalmente cerca di trasmettere l’idea che persone diverse hanno idee diverse su cosa sia l’ottimalità. E in generale, quello che trovo è che sono idee contrastanti o non tanto contrastanti quanto idee conflittuali nel senso che l’idea di ottimalità del praticante è spesso molto più focalizzata su ciò che sta facendo nello strumento e/o con la tecnica che viene impiegata. Ed è molto spesso, tornando a qualcosa che Joannes ha detto lì, molto spesso focalizzata sulla matematica, mentre la persona che è il destinatario dell’ottimizzazione è il ragazzo d’affari.
Presumo che possiamo concentrarci sul settore privato e privato, anche se ovviamente c’è molto di più che possiamo fare intorno alla supply chain. Ma il ragazzo d’affari non è affatto preoccupato o non dovrebbe essere affatto preoccupato della matematica o della metodologia o dello strumento o del modello. E mi concentro, quando lavoro con i miei clienti e nei progetti, mi concentro nel cercare di far capire loro che gli strumenti che impieghiamo, i modelli che costruiamo, sono solo una piccola parte nel guidarli verso una soluzione che possano utilizzare per prendere una decisione e implementare qualcosa. Quindi la premessa di base dell’articolo era trasmettere questa idea che il modello non è la parte importante, è la soluzione. E ci sono così tanti altri componenti, così tante altre sfaccettature di una soluzione che ha senso per l’azienda.
Conor Doherty: Proprio su questo, e Joannes, verrò da te tra un attimo, ma il modo in cui hai formulato questo, di nuovo, quando lo spieghi ai tuoi stessi clienti, stai cercando, e l’ho scritto, essenzialmente di assicurarti che le persone capiscano. E su questo punto, penso che una parola chiave da chiarire immediatamente sia quando parli di ottimalità, di nuovo, hai fatto la distinzione tra il praticante e il matematico. Spesso certi linguaggi possono significare leggermente cose diverse a seconda di dove vengono utilizzati. Joannes ed io abbiamo recentemente fatto una discussione sugli euristici, e di nuovo, un euristico in senso matematico rispetto a un senso economico potrebbe essere leggermente diverso. Quindi quando parli di perseguire una decisione ottimale o presentare l’ottimalità, cosa intendi esattamente, per favore?
Ian Wright: Quindi in generale, penso all’ottimalità non nel senso di un matematico, perché secondo me, è una meravigliosa nozione su cui concentrarsi se si vive nel mondo della matematica. Ma ciò su cui dobbiamo concentrarci è qual è la soluzione migliore nelle circostanze attuali. Quindi cosa sta realmente succedendo? Di cosa si tratta veramente nel mondo? Dobbiamo scoprire cosa sta succedendo, e poi dobbiamo presentare una soluzione che dica il meglio che possiamo trovare in queste circostanze che allevierà o mitigherà la maggior parte dei problemi che troviamo nelle circostanze. Questa è la soluzione che stiamo cercando, che vogliamo presentare.
Conor Doherty: Joannes? Oh, sì, grazie, Ian. Quindi di nuovo, l’idea di essere il meglio disponibile non significa perfetto in termini assoluti. C’è qualcos’altro che vuoi aggiungere a questo o sei d’accordo?
Joannes Vermorel: Sì, voglio dire, per rimbalzare sulla caratterizzazione della prospettiva di ottimizzazione in matematica come bella, sono d’accordo. È qualcosa di estremamente semplice. Posso riassumerlo per il pubblico. È l’idea che si prenda una funzione che valuterà ciò che si desidera, e poi parte dell’input di queste funzioni sono le variabili, ciò che si può decidere, ciò che può variare secondo la propria volontà. Quindi questo va in input, e poi la funzione ti dà il punteggio. E fondamentalmente, l’ottimizzazione cerca questa combinazione di input che è la formalizzazione della tua decisione che estremizza il risultato. Estremizza come minimizzare se stai cercando di ridurre i costi o massimizzare se vuoi massimizzare i rendimenti, qualcosa del genere.
E la cosa interessante è che questo semplice problema viene con una bella caratterizzazione matematica pulita. Quindi puoi dire tutti i tipi di cose interessanti sui tuoi input, puoi dire tutti i tipi di cose interessanti sul tuo output, come si comporta, e quali classi di algoritmi esistono per cercare una soluzione, e se sarai in grado, in termini matematici, di dire che sotto quelle ipotesi, il tuo metodo è il migliore che può essere o no, ecc. E tra l’altro, questo campo di ricerca è ora abbastanza chiamato OR. Una volta stava per ricerca operativa, ma oggi è solo ottimizzazione matematica. E non si preoccupano nemmeno più se stanno parlando di un problema aziendale o meno. La loro preoccupazione è lo sviluppo di risolutori, che è una classe di software progettati per eseguire quelle ottimizzazioni in senso matematico.
Quando pensiamo in termini di ottimizzazione nella matematica, penso che sia il tipo di comprensione più, direi, cristallina di cosa sia l’ottimizzazione. Non significa che essendo, sai, cristallino, non significa che sia il più rilevante. Significa solo che è il più puro, come, sai, purezza cristallina. Non significa che sia lo strumento applicabile per tutte le situazioni. E quando pensiamo in termini di ottimizzazione in un contesto aziendale, ciò che intendiamo è che vogliamo migliorare le cose ma con un margine quantitativo. Vedi, questa è la differenza.
Perché posso migliorare anche un’azienda, ad esempio, avendo una cultura migliore in cui le persone sono più dedicate, ma è quasi impossibile quantificare qualcosa a riguardo. Quindi quando diciamo ottimizzazione, intendiamo che intendiamo migliorare con strumenti quantitativi e idealmente anche risultati quantitativi. Questo sarebbe, sai, una sorta di, ed è quando noi, torno al tuo, direi, ottimizzazione come la intendi tu, la descriverei principalmente come un processo di miglioramenti quantitativi. Questo sarebbe, sai, e questo è completamente, direi, la prospettiva aziendale dell’ottimizzazione.
Ian Wright: Penso che, no, sono pienamente d’accordo con Joannes. Una delle cose che dobbiamo capire è anche legata all’ottimale ci sono dimensioni coinvolte nei problemi che stiamo esaminando, e spesso quelle dimensioni vengono ignorate o tralasciate. E alcune delle più basilari, beh, infatti, forse la dimensione più basilare è la dimensione del tempo.
Ciò ha un’enorme influenza su ciò che puoi fare con il modello o la tecnica e/o la tecnologia, e su ciò che devi fare in operazione nel mondo reale e su ciò che sei in grado di fare in quelle circostanze. E cambia, cambia la natura di ciò che puoi considerare ottimale.
Conor Doherty: Beh, in realtà, e di nuovo, è una frase perfetta di nuovo, ciò che sei in grado di fare. E ciò porta nuovamente a una discussione su ciò che penso sia, e so che per Joannes è certamente un elemento chiave di qualsiasi discussione sull’ottimalità o fondamentalmente sulla presa di decisioni, è la natura dell’incertezza nel tentativo di prendere quelle decisioni.
Quindi nel tuo articolo, parli di incertezza e della reale complessità che esiste nella supply chain. Potresti commentare un po’ più in dettaglio sulle fonti di incertezza che influenzano effettivamente la ricerca dell’ottimalità in qualsiasi modo si voglia ottimizzare?
Ian Wright: Ci sono molte sfumature di incertezza e, uh, persino fino al punto che ci sono sfumature che non puoi assaggiare perché non sai nemmeno che esistono. Quindi c’è ciò su cui la maggior parte delle persone si concentra come incertezza, che a mio parere è semplicemente un riflesso della natura dinamica del campo delle operazioni della supply chain. Sono semplicemente dinamiche, quindi c’è incertezza legata a quelle dinamiche, ed è aperta all’analisi e all’analisi quantitativa e all’analisi probabilistica, su cui so che voi siete molto concentrati.
Ma poi si va oltre a certe aree di incertezza che si spostano più nell’area del rischio. Quindi ci sono piccoli rischi e rischi estremamente grandi, e ciò è anche rispecchiato dal fatto che si va oltre un contesto prevedibile o prevedibilmente prevedibile al punto in cui si sta effettivamente parlando, che penso di aver menzionato nell’articolo, si sta parlando di eventi Black Swan. E proprio, ragazzo, ho appena perso tutto.
Quindi, quindi scusate, potreste dover modificare quello, ma si passa dal, si passa da un modello di piccolo mondo, che è prevedibile, ha elementi che si possono prevedere dai dati che si possono acquisire abbastanza facilmente. Si passa poi agli eventi Black Swan, che essenzialmente, sai, possono accadere, ma la capacità di prevederli è molto più remota e infatti, alla fine, certi eventi Black Swan non si possono prevedere. E penso che ancora più catastroficamente, spesso in molte circostanze di ciò che io, ciò che io, ciò che io definisco nell’articolo prendendo in prestito una frase, gli unknown unknowns.
Donald Rumsfeld beh, in realtà non era Donald Rumsfeld, era un ragazzo prima di lui, ha rubato l’idea proprio come ho fatto io, ma comunque. Quindi, e poi, poi si arriva, poi ciò ti porta a, beh, quanto dobbiamo davvero andare avanti per capire non solo gli unknown unknowns, per i quali non possiamo, non possiamo tener conto, nemmeno gli eventi Black Swan non possiamo necessariamente tener conto di essi in termini operativi generali e di pianificazione, ma il prevedibile basato sulla probabilità, possiamo e dovremmo tenerne conto.
E ciò che direi anche è che si può passare a una diversa dimensione di operazione in cui effettivamente, e penso di aver parlato di questo nella modellazione, non si guarda solo a una soluzione, si guarda a una soluzione che è composta da molti elementi contingenti che si possono cambiare o che possono essere cambiati ed eseguiti come richiesto. Ma l’obiettivo è rimanere il più vicino possibile a ciò che hai definito ottimale nella tua soluzione preferita.
Conor Doherty: Beh, in realtà, per fare eco alla citazione non ispirata da Donald Rumsfeld, ma ad altre fonti di incertezza che le persone pensano siano known knowns sarebbero, come hai detto nel paper, la domanda stabile e le catene di approvvigionamento prevedibili. Joannes, queste sono known knowns o known unknowns o unknown unknowns?
Joannes Vermorel: Sì, penso che questa tipologia sia interessante, ma ancora una volta, se torniamo allo strumento di base che abbiamo per fare queste analisi quantitative, se torno di nuovo alle cose che sono state sviluppate come parte della ricerca operativa, la dimensione temporale era assente. Il primo motivo per cui è assente è molto banale, perché aumenti la dimensionalità dei tuoi problemi e quei metodi si comportano molto male quando si cerca di affrontare metodi più complessi. Non sono molto scalabili, almeno non nel modo in cui ci riferiamo alle soluzioni scalabili al giorno d’oggi, specialmente se guardiamo alla luce degli sviluppi recenti di ciò che è successo, diciamo, nel fronte del deep learning.
Quindi il primo problema è che avevamo questo problema super basico di scalabilità, nessuna dimensione temporale. E una volta che iniziamo a considerare la dimensione temporale, il futuro non è perfettamente conosciuto, quindi dobbiamo affrontare una variabilità di qualche tipo. E qui si tratterebbe solo di known unknowns. Sai, è un caso molto lieve di incertezza. È molto atteso che i tempi di consegna varino, è molto atteso che la domanda varii, ecc. Quindi questi casi sono relativamente facili.
E poi entriamo nel territorio di ciò che viene chiamata ottimizzazione stocastica perché improvvisamente la tua decisione potrebbe rivelarsi buona o cattiva a seconda delle circostanze future che non controlli. Quindi, ci sono futuri alternativi in cui questa decisione sembra buona, ma ci sono certamente futuri possibili in cui si rivelerà nel tempo essere una decisione sbagliata. Quindi, questo è, direi, il genere di problemi molto banali che abbiamo prima di passare agli unknown unknowns e a tutte quelle varietà selvagge di incertezze che abbiamo problemi più basilari ancora, ed è qui che penso che questa idea di faccette sia molto interessante.
Non sappiamo davvero come dovremmo valutare qualsiasi cosa. Non è ovvio. Quando diciamo che vogliamo ottimizzare i profitti, c’è un numero indefinito di modi per contare i profitti. Dovremmo includere gli effetti di secondo ordine, gli effetti di terzo ordine? Cosa intendo per effetti di secondo ordine? Dai uno sconto del 10% ora, il cliente si aspetta che la prossima volta che entra nel negozio ottenga di nuovo uno sconto simile. Questo è un effetto di secondo ordine. Hai appena fatto uno sconto, ma ti è costato di più perché hai ispirato l’aspettativa. Quindi, di nuovo, questo dovrebbe essere valutato.
E poi, se fai così, il tuo concorrente potrebbe decidere aggressivamente di competere ancora di più sul prezzo, o potrebbe alla fine rinunciare completamente a competere del tutto, lasciandoti da solo o almeno con meno concorrenti. Quindi, vedi, tutti questi sono aspetti molto banali di cosa sto quantificando esattamente. Queste sono difficili. Penso che un’altra faccetta che non è affrontata nella classica letteratura sull’ottimizzazione è che pensano come se i problemi fossero ben compresi fin dall’inizio.
Conor Doherty: Ian, nel tuo paper, hai menzionato molti esempi concreti di aziende che hanno avuto successo o fallito nell’affrontare i tipi di incertezza di cui abbiamo appena parlato, che siano i tempi di consegna, i modelli di domanda erratici, qualunque cosa. Potresti condividere ulteriori dettagli su questi casi di studio, per favore?
Ian Wright: Sì, quindi molti dei progetti su cui lavoro sono più strategici. Alcuni sono tattici. In generale non lavoro più nel campo della pianificazione per l’esecuzione. Quindi, la maggior parte degli esempi che mi vengono in mente in questo senso riguardano aziende che non riescono a pianificare tatticamente o strategicamente non affrontando questi problemi legati alla prevedibilità o alla mancanza di prevedibilità.
Proprio di recente, negli ultimi tre anni, c’è stato un evento un anno prima che penso nessuno direbbe di aver previsto. Certamente, credo che nessun sistema di pianificazione in qualsiasi azienda potesse concepire e incorporare elementi di pianificazione che tenessero conto dell’impatto della pandemia e di ciò che è successo agli stock e alle implicazioni del calo delle scorte, della diminuzione improvvisa della domanda, e così via. Molte diverse implicazioni ampiamente diffuse. L’esempio classico riguarda i semiconduttori.
La mia esperienza è stata duplice in quanto molte aziende uscite dalla pandemia nel settore della produzione alimentare e non solo farmaceutico ma anche di apparecchiature mediche, nel settore della logistica sanitaria nel suo complesso, si sono rese improvvisamente conto che dovevano pianificare qualcosa che non avevano previsto. Stavano lottando contro i loro sistemi interni che gestiscono l’attività, che gestiscono la loro supply chain, perché quei sistemi non fornivano più loro dati capaci di costruire la base di modelli per capire cosa fare dopo.
Quindi, ho lavorato su molti progetti per produttori di alimenti che cercavano di recuperare l’immensa esplosione della domanda in luoghi in cui non avevano capacità, e dovevano capire molto rapidamente dove quella capacità doveva essere collocata e perché doveva essere collocata lì. C’erano così tanti problemi fondamentali nel cercare di capire come fare questo perché era molto simile a dire, come si costruisce una supply chain per un prodotto che non esiste oggi? Come si pianifica per questo? E poi l’intera idea di come si passa poi all’esecuzione è la fase successiva.
Conor Doherty: Ian, questo è un bel passaggio poi a Joannes. Voglio dire, questo è molto il tuo mestiere, eseguire soluzioni a situazioni piene di incertezza. Hai esempi di successi o fallimenti con aziende quando si tratta dei tipi di incertezza di cui stiamo discutendo?
Joannes Vermorel: Sì, penso, sai, se torniamo all’anno dei lockdown, 2020, 2021, la cosa interessante è che Lokad ha avuto, direi, successi operativi molto belli, ma penso proprio perché stavamo facendo ottimizzazione.
Lasciatemi descrivere cosa stanno facendo la maggior parte delle aziende al giorno d’oggi attraverso essenzialmente un oceano di fogli di calcolo. Non stanno ottimizzando nulla, né nel senso matematico né nel modo che abbiamo appena descritto. Quello che stanno essenzialmente facendo è riprodurre in gran parte ciò che è stato fatto in precedenza. Stanno praticamente abbinando i propri precedenti decisioni. Non stanno nemmeno seguendo davvero la domanda o altro; stanno riproducendo in gran parte ciò che hanno fatto prima, il che significa che il budget è tagliato e affettato praticamente allo stesso modo in cui è stato fatto l’anno scorso, che le scorte di sicurezza sono di nuovo regolate minimamente rispetto a quanto è stato fatto l’anno scorso, ecc. Quindi, tutto è fatto incrementalmente rispetto allo status quo. Non c’è alcuna ottimizzazione in corso. Stiamo solo riflettendo lo status quo, guidandolo un po’ ma non quantitativamente, un po’ nella direzione che sembra appropriata.
Funziona in qualche modo, ma questa è la cosa: non c’è alcun processo di ottimizzazione in corso, il che significa che se cambi ampiamente le tue condizioni operative, non hai alcun meccanismo in atto per riflettere quelle nuove condizioni. Ripeto, tutti i tuoi fogli di calcolo, tutti i tuoi processi in atto sono progettati per replicare ciò che hai fatto in precedenza. Al contrario, a Lokad, avevamo sistemi di ottimizzazione in atto. Cosa è successo quando abbiamo avuto situazioni senza precedenti? Abbiamo praticamente iniettato manualmente una massiccia dose di incertezza nei nostri modelli.
Non sapevamo cosa sarebbe successo. Abbiamo solo detto: “Ok, la domanda è normalmente ciò che chiamiamo l’effetto fucile a canne mozze.” Vedi il futuro della domanda che va avanti così, sai, possibilità. Beh, se hai una situazione come i lockdown, aumenti semplicemente l’angolo del fucile a canne mozze in modo che il futuro diventi molto sfocato. Stessa cosa per i tuoi ritardi, stessa cosa per i tuoi prezzi. Assumi semplicemente che improvvisamente sai molto meno del futuro. Ma puoi farlo, e se assumi che improvvisamente sai molto meno, puoi rieseguire la tua logica di ottimizzazione, quella è ottimizzazione stocastica, per ottenere decisioni più prudenti rispetto al rischio che hai.
Prendi in considerazione il peggio che può accadere in termini di ritardi, prezzi, domanda, ecc., e prendi decisioni molto più conservative rispetto a quei rischi che sono quantitativamente esplosi. La mia conclusione è che funziona. Funziona molto bene, ma il problema è avere più ottimizzazione, non meno. Anche se non è il tipo di prospettiva statica della ricerca operativa, nulla si muove in termini di ottimizzazione.
La seconda cosa, è una faccia aggiuntiva che penso sia stata quasi mai discussa durante l’epoca della ricerca operativa, probabilmente dal 1950 al 1980, quei 30 anni, che era la qualità della tua strumentazione. Quanto velocemente puoi passare da un’istanza della tua modellazione alla successiva istanza? È una cosa operativa davvero pratica.
Ian Wright: Penso che ci fossero anche questioni pratiche legate a questo perché la tecnologia non era sufficiente. C’era una mancanza di dati perché la tecnologia correlata a ciò non era sufficiente. Ma certamente, la tecnologia per consentire un’esecuzione più rapida della pianificazione semplicemente non c’era. Posso dirti che guardavo i modelli di ottimizzazione girare per 24 ore, al contrario di oggi, quando lavoro con ragazzi, penso, “Beh, non è ancora finito, sono già passati cinque minuti, cosa dovrei fare?” Quindi, non voglio interromperti, Joannes, ma penso che gran parte di questo sia dovuto al fatto che oggi abbiamo una tecnologia molto migliore.
Joannes Vermorel: Sono completamente d’accordo, e questa è una preoccupazione separata, ma sono davvero preoccupazioni pratiche. Se hai una tecnologia di ottimizzazione ma il rerun richiede 24 ore e hai bisogno di 20 iterazioni per convergere a qualcosa che è relativamente soddisfacente rispetto al nuovo stato della tua supply chain, non accadrà mai. Le persone tornano semplicemente ai fogli di calcolo. Non c’è tempo per passare attraverso tutti quei passaggi. Torni ai tuoi fogli di calcolo che potrebbero non offrirti questo tipo di ottimizzazione, ma ti daranno almeno una risposta entro un lasso di tempo ragionevole.
Penso che sia stato anche il genere di cosa in cui Lokad si è comportata bene in questo periodo. Avevamo ottimizzazione, ma avevamo strumenti di ottimizzazione sufficientemente agili in modo che potessero essere testati ripetutamente decine di volte al giorno fino a quando non avevamo qualcosa che funzionava effettivamente. Altrimenti, i nostri clienti avrebbero semplicemente rinunciato al tipo di servizi che Lokad stava offrendo all’epoca.
Ian Wright: Interessante perché ho sempre avuto difficoltà con quello che chiamo l’ottimizzazione istantanea. In particolare, la pianificazione della supply chain e i modelli di rete sono sempre stati programmazione intera istantanea. I risolutori sono tutti istantanei, e questa intera questione del timing, ho sempre avuto difficoltà su come potremmo beneficiare di approcci di tipo simulativo in cui siamo in grado di incorporare meglio la dimensione del tempo e come possiamo in qualche modo fondere un approccio.
Ad esempio, c’è un’azienda in Russia, un’azienda di simulazione, che ha ideato la combinazione di ottimizzazione. Ho pensato che fosse fantastico all’epoca. Purtroppo, non sono molto familiare con la loro implementazione del lato dell’ottimizzazione perché sono un’azienda di simulazione. La questione del tempo è una cosa. L’altra questione, penso, nella determinazione di una soluzione con probabilità coinvolge anche una questione tecnologica che siamo più in grado di affrontare oggi. Coinvolge la quantità di dati, l’ambito dei dati che puoi incorporare nel derivare la soluzione.
Molte cose sono al di fuori del campo della società o dell’azienda o della divisione che stai ottimizzando e non vengono considerate quando hai un nuovo prodotto o quando ti trovi in un mondo completamente nuovo dopo una pandemia. Spesso l’unica cosa su cui puoi fare affidamento è dati che non hanno nulla a che fare con la storia delle tue operazioni precedenti. Devi guardare a un ambito molto più ampio di dati in modo che quando stai elaborando probabilità, ad esempio, devi incorporare variabili esogene oltre a tutte le variabili tradizionali legate all’attività che stai cercando di continuare.
Joannes Vermorel: Concettualmente sì, anche se sono leggermente in disaccordo su questo punto. Il fatto è che i dati al di là dei dati transazionali sono molto costosi per le aziende. Acquisire dati sull’intelligence competitiva va più o meno bene, non è troppo costoso, ma se vai oltre, semplicemente raschiando i prezzi dei tuoi concorrenti, diventa molto rapidamente molto complicato.
Il nostro approccio è che di solito, prima di tutto, è necessario avere modelli in cui si guarda ai dati in modo più informativo. Un esempio di ciò sarebbe il lancio di un nuovo prodotto, non hai alcuna storia di vendite, quindi la prospettiva tradizionale delle serie temporali dice che non hai nulla. Ma se rinunci alla prospettiva delle serie temporali e abbracci una visione alternativa, potresti vedere che i tuoi lanci di prodotti hanno un tipo di schema di successi e insuccessi e che i successi che ti aspetti si comportano secondo una certa distribuzione, così come gli insuccessi. Quindi sì, puoi usare i tuoi dati storici per dire qualcosa sul prodotto.
Ancora una volta, perché i tuoi lanci, se uno studio senza nome lancia un film, le probabilità che questo studio senza nome produca un film che farà 1 miliardo nei cinema sono molto basse. Ma se è Disney o Warner Brothers, allora le probabilità sono forse intorno al 5%.
Quindi, prima, utilizzando i dati delle transazioni che le aziende hanno, di solito puoi dire molto di più di quanto le persone pensino perché sono radicate nella prospettiva delle serie temporali. Ci sono altri modi.
La seconda cosa è che se ammetti di non sapere, rendiamoci conto che le persone che prenderanno quelle decisioni come esseri umani non hanno nemmeno una fonte segreta di informazioni. Non c’è una sfera di cristallo dentro il cervello umano che ti permette di sbirciare nel futuro o qualcosa del genere, specialmente quando parliamo di supply chain dove abbiamo decine di migliaia di prodotti che conosci solo dal fatto che esistono. Molte persone che sarebbero pianificatori di offerta e domanda non saprebbero nemmeno esattamente cosa la loro azienda sta vendendo o producendo.
Quindi, tornando a questo, direi, prima di tutto abbiamo i nostri dati delle transazioni che possono essere sfruttati in modi più sorprendenti di quanto si pensi non appena si rinuncia a questa prospettiva delle serie temporali. Ma poi hai anche il fatto che queste informazioni aggiuntive sono molto difficili da ottenere. Quindi forse quello che dovremmo accettare è avere molta incertezza.
Gli strumenti tradizionali non accettano affatto di affrontare l’incertezza. Quando dico strumenti tradizionali, intendo tutti i risolutori che forniscono ottimizzazione matematica del mercato. Tutti i risolutori che conosco che sono consolidati sono solo risolutori deterministici; non possono affrontare l’incertezza. Abbiamo appena ricevuto su questo canale un pioniere che sta cercando di stabilire il loro prototipo di ottimizzatore stocastico InsightOpt, Meinolf Sellmann, che aveva i suoi strumenti Seeker. Ma questo è davvero unico nel suo genere, ed è praticamente l’unico che conosco che sta cercando di perseguire questo obiettivo da una prospettiva commerciale.
Quindi tornando al caso in questione, la mia opinione è che se non hai alcun strumento per affrontare l’incertezza in nessuna forma, l’idea che affronterai questa situazione semplicemente aumentando l’incertezza e lasciandola così non è nemmeno pensabile. Ma se hai quegli strumenti, allora diventa la cosa più naturale. Provi qualcosa di senza precedenti, l’incertezza è alle stelle e il tuo ottimizzatore ti permette di agire di conseguenza.
Ian Wright: Penso che dove stiamo uscendo dall’allineamento è perché c’è una differenza di focus tra noi quando si pianifica strategicamente e quando si pianifica particolarmente più ci si avvicina all’esecuzione, dove le opzioni diminuiscono drasticamente. Vengo principalmente da una sfera di pianificazione strategica. Quando dici, ad esempio, che molte di queste informazioni aggiuntive per un nuovo prodotto sono costose, potrebbe essere, ma ci sono molti e diversi tipi di dati che puoi utilizzare nella modellazione prima di arrivare all’ottimizzazione.
Puoi modellare la correlazione tra molti diversi aspetti esogeni dei dati economici e demografici relativi al tipo di prodotto e mercato a cui desideri servire quel prodotto. Da qui provengo, Joannes, quando parlo di aggiungere più elementi di dati. Sto parlando di guardare la correlazione con ciò che è generalmente dati ragionevolmente accessibili relativi a demografia e penetrazione di mercato.
Un altro aspetto di questo, che penso sia fondamentalmente ciò su cui dovremmo sempre riflettere come fornitori di tecnologia e professionisti in questo campo, è che le imprese sono fondamentalmente legate alle finanze. Un elemento importante di ciò che dobbiamo fare nella pianificazione è ridurlo a costi e minimizzazione dei costi, a seconda delle circostanze. I dati sui costi, secondo me, sono stati impiegati in modo inadeguato, ad esempio, nei modelli di rete per l’ottimizzazione della supply chain. Le persone sono state felici di accettare ipotesi sui costi mentre inserivano i costi nei modelli, anziché uscire e trovare aspettative molto più concrete sui costi, cosa che è molto fattibile. Penso che sia solo qualcosa che, con la tecnologia che abbiamo ora, è molto più pronto per essere focalizzato e per capire meglio cosa possiamo fare per portare dati a comprendere meglio l’ambito del contesto in cui stiamo lavorando.
Conor Doherty: È un punto perfetto per andare avanti un po’ perché una volta che hai tutti i dati, devi poi arrivare a una decisione alla fine. Qualcosa di cui parli anche nel documento è il ruolo dei compromessi nel prendere quelle decisioni. Una volta che hai il tuo modello e tutti i dati, ti trovi comunque di fronte a una serie di decisioni, spesso solo opzionalità decisionale. Come si inseriscono i compromessi nella ricerca della decisione ottimale?
Ian Wright: Farò un punto velocemente. Non hai mai tutti i dati. Hai i dati che hai, ovviamente, ma sono sempre difettosi. Quindi devi lavorare con ciò che hai. Sono un cinico di cuore, si può dire, giusto? Per quanto riguarda i compromessi, ci sono i compromessi ovvi nella supply chain. Il tuo compromesso è fondamentalmente finanziario. Voglio spendere i soldi per fornire il servizio e il prodotto che il mio cliente desidera? Voglio fornire il prodotto nel modo in cui il cliente vuole che io lo fornisca, e questo significa che devo spendere soldi per farlo. Fino a che punto sono disposto a procedere lungo questa strada?
Il compromesso è inventario contro costo del trasporto, ad esempio, come uno dei più basilari. Ma ci sono compromessi legati a quanti contingenti metto in atto per mitigare il rischio? Quanti percorsi operativi potenziali creo per la mia attività in modo da poter eseguire un piano probabilistico che produca qualcosa che non è il mio normale percorso di esecuzione? Un compromesso è, guardo alle implicazioni a breve termine intorno ai modelli che perseguo e ai piani che metto in atto, o coinvolgo il lungo termine, che può spesso significare un compromesso finanziario perché sto investendo ora per qualcosa che non accadrà fino a un periodo successivo?
I compromessi, per me, sono un po’ un eufemismo per dire che devo far quadrare i conti. Come bilancio tutte queste cose? Non sono sicuro se sto rispondendo alla tua domanda, Conor, ma tutto si riduce a cosa sono disposto a bilanciare nel mio modello, considerando che so di essere limitato nel modo in cui posso definire il mio modello? Cosa sono disposto a bilanciare per ottenere quel simbolo del dollaro o quel simbolo dell’euro nel posto giusto?
Conor Doherty: Grazie, Ian. E Joannes, ora mi rivolgo a te perché di nuovo ti sto praticamente preparando per qualcosa di cui so ti piace parlare. Ho fatto notare che, alla base, ciò che le persone stanno cercando di ottimizzare esplicitamente, correggimi se sbaglio, è in realtà il costo o le finanze. Ma il punto è che molte volte quando parliamo di decisioni nella supply chain, le persone o le aziende stanno cercando di ottimizzare cose come i livelli di servizio. Penso tu abbia fatto notare in precedenza che ciò che le persone pensano di ottimizzare è il costo, ma in realtà è solo un artefatto numerico. Quindi la domanda, se potessi commentare, è quando le persone si concentrano su quegli obiettivi tradizionali nella supply chain, stanno effettivamente ottimizzando per il costo o stanno guardando nella direzione sbagliata?
Joannes Vermorel: Quindi se guardiamo alle pratiche dominanti della supply chain al giorno d’oggi, nei PowerPoint direbbero che si concentrano sull’economicamente sostenibile. In pratica, non lo fanno. È come percentuali tutto il tempo in termini di livelli di servizio, ritorni di inventario e così via. Queste cose sono debolmente correlate al tuo margine di profitto, ma solo debolmente.
Presumere che la tua redditività sia correlata in qualche modo ai tuoi livelli di servizio è semplicemente folle. Non funziona. È una visione molto semplicistica. La prima cosa sarebbe affermare che le pratiche dominanti sono, in realtà, le persone sanno intuitivamente che non possono convincere nessuno se dicono che vogliono ottimizzare le percentuali. Quindi nelle diapositive diranno che ottimizziamo quei dollari, ma in pratica, nei loro sistemi software, hanno regole che non sono assolutamente allineate in alcun modo con quelle modellizzazioni in dollari. Direi che solo quelli che ho visto in natura, mettendo da parte Lokad, erano strettamente non finanziari, non economici.
Ora, se arriviamo a una prospettiva economica in cui iniziamo ad avere quei dollari, sono completamente d’accordo sul fatto che è molto difficile farlo bene. È difficile, e infatti, hai un sacco di storie dell’orrore raccontate molto frequentemente nei film di Hollywood in cui il tipo di finanza è il cattivo che fa pensieri incredibilmente stupidi a breve termine a spese di qualcosa che sarebbe un po’ più lontano nel futuro.
La prospettiva finanziaria ha una cattiva reputazione e, in effetti, il tipo di prospettiva che l’operational research enfatizzava 40 anni fa era molto semplicistica. Andavano davvero per un numero molto limitato di variabili di base: costi - costo di magazzino, costo di questo, costo di quello - e bam, sei a posto, lavoro fatto, lasciamo ora che la magia operi con la soluzione ottimale che emergerà dal modello.
Da Lokad, abbiamo notato questo e ci siamo resi conto di avere un vero problema, che è come arrivare alla conoscenza se la nostra funzione di punteggio, la nostra funzione di punteggio economica, quella che conta i dollari, sta dicendo una versione approssimativa della verità che è abbastanza buona. È una domanda molto difficile, e ciò che abbiamo scoperto è una metodologia documentata nella mia serie di lezioni sulla supply chain chiamata ottimizzazione sperimentale.
Il modo per sapere che il tuo modello economico è corretto è quando genera decisioni sensate. È molto strano. Alla fine, le persone pensavano che fosse necessario avere la metrica di punteggio corretta in modo che dia le decisioni ottimali. Quello che facciamo è praticamente l’opposto. Generiamo le decisioni e poi, tra quelle decisioni generate che sono state estremizzate secondo questa metrica, guardiamo se sono sensate o no.
Quando vediamo decisioni palesemente disfunzionali che sono palesemente folli, molto frequentemente torniamo alla modellizzazione economica e ci rendiamo conto che c’è qualcosa di sbagliato, qualcosa che abbiamo perso. Quindi abbiamo questo processo molto iterativo in cui prendiamo i nostri dollari, ottimizziamo, otteniamo decisioni, alcune delle quali sono folli, rivediamo il modo in cui contiamo i dollari e ripetiamo il tutto.
Con molte iterazioni, alla fine convergiamo su qualcosa in cui nessuno ha più dubbi. Questo è ciò che chiamiamo il principio della follia zero. Vogliamo convergere su una configurazione in cui il sistema non genera più linee che sono palesemente folli fin dall’inizio. Questo è effettivamente il punto in cui noi di Lokad crediamo sia necessario prima di arrivare alla produzione.
Ma vedi, il punto è che invertiamo completamente il tipo di prospettiva che aveva l’operational research. Invece di dire che la funzione di punteggio è data, è qualcosa che scopriremo attraverso un processo incrementale. È molto strano perché va molto contro, almeno per i francesi, questa prospettiva cartesiana di pensiero dal basso verso l’alto e l’applicazione di principi e il loro dispiegamento. È un tipo di processo molto più empirico.
Ian Wright: Devo confessare, e mi scuso per questo, ma devo confessare la mia relativa ignoranza di Lokad. Ma sono molto incuriosito dalla tua definizione di sanità nel contesto di cui stai parlando. Cosa costituisce una decisione sana?
Joannes Vermorel: Ian, per darti un esempio che ho dato nella mia serie di lezioni, inizierò con un’analogia e poi torneremo alla supply chain. Ci sono classi di problemi in cui se vuoi risolvere il problema generale, è impossibilmente difficile, ma le istanze particolari sono molto facili.
Un esempio di questo potrebbe essere, diciamo ti do un film da guardare e ti dico che si tratta di un gladiatore romano o qualcosa del genere, e ti chiedo di individuare se ci sono cose completamente fuori contesto rispetto al periodo storico, come ad esempio un aereo sullo sfondo. C’è un famoso film in cui stanno combattendo nell’arena e c’è un aereo nel cielo sullo sfondo.
Se ti chiedo di trovare un algoritmo generale per dirmi tutte le cose che possono andare storte in un film che non riflettono l’epoca o il periodo storico, è un compito completamente scoraggiante. Avresti bisogno di un’enciclopedia di tutte le cose che non sono state inventate, persino i termini, l’umore, l’atteggiamento, il tipo di pensiero. È semplicemente un problema impossibilmente complicato. Ma nella pratica, se metti un tirocinante a guardare il nastro, ti dirà: “Oh, c’è un aereo qui, è brutto.” Non posso darti l’elenco di tutte le cose che sono sbagliate, ma posso individuare questo pezzo di follia.
I sistemi di supply chain sono molto simili a questo. È molto difficile darti una regola generale per stabilire esattamente cosa conta come pazzia o no. È un problema di intelligenza generale, non qualcosa che puoi semplicemente condensare in un semplice algoritmo. Ma si scopre che le persone sono effettivamente abbastanza brave a individuare quei problemi.
Un esempio sarebbe, hai una serie di stockouts nei tuoi dati storici, non sono correttamente considerati, e improvvisamente la tua stima della domanda futura scende a zero perché hai avuto delle rotture di stock, quindi non hai venduto, e il tuo modello prevede stupidamente zero. Alla fine suggerisci zero riapprovvigionamento come una buona politica. Dice: “Qual è il tuo livello di stock target? Zero, perché abbiamo osservato una domanda molto bassa, quindi manteniamolo a zero.”
Se inizi a pensare a questo, sì, la mia previsione sarà accurata al 100% perché sto prevedendo zero, sto riapprovvigionando zero, e tutto va bene. Ma no, non va bene. Questo problema è chiamato congelamento dell’inventario. Questo è un pezzo di follia, e hai molte situazioni del genere in cui, guardando le decisioni, puoi identificare cose disfunzionali, dove i numeri sono in modo improbabile alti o bassi, o le cose semplicemente non hanno senso.
Un esempio che abbiamo avuto storicamente a Lokad, per uno dei nostri primi clienti aviation, abbiamo iniziato a guardare al riapprovvigionamento dell’inventario e abbiamo suggerito di acquistare alcune parti. Il cliente è tornato da noi e ha detto: “Oh no, non compreremo quelle parti. Quelle parti andranno su un Boeing 747, e tra 10 anni non ci saranno più Boeing 747 che volano sopra l’Europa. Quelle parti hanno un’aspettativa di vita di quattro decenni, quindi se le compriamo ora, le useremo solo per 10 anni, e poi quegli aerei saranno scomparsi.”
Questo era qualcosa di ovvio in cui abbiamo dimenticato di considerare il fatto che l’utilità di una parte non può superare la durata di vita dell’aereo a cui serve. Questo è il tipo di situazione in cui, a seconda dei settori, la realtà ti darà un flusso infinito di cose che ti cadono in faccia come manifestazioni di quelle follie. Anche se non posso darti una regola generale o un algoritmo per rilevare ciò, nella pratica funziona molto bene perché le persone possono individuare quelle cose.
Ian Wright: Ora siamo violentemente sulla stessa lunghezza d’onda, stranamente, perché so che vogliamo discutere di alcune cose in arrivo. La mia premessa principale nella mia carriera, in termini di aver lavorato con tutta questa tecnologia e aver spinto la tecnologia nell’azienda della vittima, è sempre stata che non puoi escludere l’umano. Devi considerare e utilizzare l’umano nel processo di implementazione e utilizzo della tecnologia.
Perché al momento, e per il mio futuro prevedibile, non abbiamo tecnologie che possano sostituire molti degli aspetti dell’essere umano di cui stai parlando, in termini di riconoscimento dell’assurdo, ad esempio, o del riconoscimento dell’insensato. Semplicemente non esiste ancora. L’unico modo in cui potrà esistere è cercare in qualche modo di incorporare gli aspetti dell’umano nel processo. Oggi, non è semplicemente fattibile.
Joannes Vermorel: Sì, concordo con te. Ci sono due angolazioni alle quali vorrei rispondere ai tuoi commenti. In primo luogo, a volte le decisioni insensate possono essere conosciute come tali solo dopo il fatto. Devi commettere l’errore per renderti conto che è successo qualcosa di inaspettato ed è stato negativo. Ma più dell’umano, le informazioni devono tornare dal mondo. Hai bisogno di feedback dal mondo reale per ottenere queste informazioni. Quindi, è una questione di intelligenza di alto livello. Anche se avessimo un’intelligenza artificiale tanto intelligente quanto un essere umano, ci sono limiti. In un certo senso, l’unico modo per conoscere il mondo è concedersi un po’ di margine per sperimentare. Questo sarebbe il primo punto di vista.
Il secondo riguarda il ruolo delle persone. Il modo in cui i miei colleghi hanno progettato i sistemi è che utilizzano gli esseri umani come co-processori. Il tuo sistema genera decisioni, numeri, assegnazioni di risorse e così via. Poi hai tutte quelle linee che sono insensate, e ti aspetti di avere un esercito di impiegati che intervengono manualmente per risolvere tutto ciò. Per il pubblico, tutti i sistemi che hanno allarmi e eccezioni stanno facendo proprio questo. Gli allarmi e le eccezioni sono solo un altro modo per dire che abbiamo co-processori umani che interverranno per elaborare le cose che il mio sistema non elabora.
Il mio problema con questo è che le persone sono piuttosto costose. Questo è il costo. Quindi, dal mio punto di vista, non è un uso molto efficace del loro tempo perché avrai quei co-processori umani che ciclicamente affronteranno lo stesso assurdo degli stessi allarmi e delle stesse eccezioni.
Ecco perché da Lokad, guardiamo le cose in modo completamente diverso. Diciamo che ogni volta che viene rilevato un pezzo di assurdità, come un allarme o un’eccezione, qualcuno a Lokad, il Supply Chain Scientist, deve intervenire e regolare l’implementazione di ciò che sta facendo l’ottimizzazione predittiva per risolverlo in modo che questo problema non si ripresenti. Senza eccezioni. Ogni singolo pezzo di assurdità che viene affrontato viene valutato. Si tratta di un vero pezzo di assurdità o di un’ottimizzazione molto intelligente? Se è effettivamente assurdità, allora la logica di ottimizzazione stessa deve essere corretta. Non vuoi che lo stesso dipendente segnali lo stesso problema il giorno successivo.
Ian Wright: Penso che siamo ancora sulla stessa lunghezza d’onda, certamente sullo stesso capitolo. Sto parlando più da un punto di vista strategico e tattico, dove non mi preoccupo di uscire e guardare una stanza piena di persone di Grande Fratello sugli schermi dei computer che correggono le cose. Sto parlando di ciò che è necessario nell’implementazione delle operazioni in senso strategico o tattico. Significa coinvolgere gli stakeholder esperti per mantenere la sanità nella direzione che stai prendendo e nelle soluzioni che stai guidando.
Quando si tratta dell’intera idea di dove penso tu stia inquadrando il tuo argomento, Joannes, mentre procediamo con il tipo di tecnologia che stai sviluppando e hai sviluppato, e con il generale spostamento verso una maggiore capacità in termini di intelligenza artificiale, la capacità di un sistema di autocorreggersi in un contesto di gestione degli eventi diventerà più fattibile. Ci allontaneremo dalla costosa stanza degli operatori informatici umani. Ma non è così oggi, quindi devi lavorare entro i limiti delle capacità che hai al momento.
Conor Doherty: Se posso permettermi, perché sembrava che Ian, tu stessi commentando più sul ruolo dell’umano in senso strategico, e Joannes, sembri stia commentando di più sul processo decisionale nel senso quotidiano e banale. Sono queste magisteria non sovrapposte?
Joannes Vermorel: Questo perché, vedi, la mia prospettiva, e forse è un po’ strana, è che se entriamo nel campo della considerazione strategica, allora il tuo focus sull’operare una catena di approvvigionamento dovrebbe essere molto incentrato su come ingegnerizzare la macchina che genera le decisioni corrette. Le persone pensano che ci siano decisioni strategiche, decisioni tattiche e così via. La mia opinione è che ci siano decisioni ripetibili. Alcune vengono ripetute ogni giorno, alcune ogni ora, alcune ogni mese, alcune una volta all’anno. Quando si tratta di meccanizzazione, si vuole meccanizzare tutto ciò che viene ragionevolmente ripetuto abbastanza frequentemente. Ti permetti di occuparti delle altre in modo completamente ad hoc.
La strategia, se inizi a pensare a questo approccio, non riguarda tanto il decidere qualcosa a un certo livello e poi lasciare che altri livelli della tua organizzazione facciano le loro cose ad altri livelli. È più come se la visione strategica riguardasse cosa faccio affinché dalla cultura ingegneristica della mia azienda, da questa cultura ingegneristica, emergano i processi decisionali meccanizzati che migliorano davvero il mio margine di profitto. È un modo completamente diverso di pensare alla strategia.
Ian Wright: Completamente d’accordo con te. Il modo in cui l’ho spesso visto è il ruolo dell’architetto nel progettare il concetto di un edificio, e poi viene passato all’ingegnere che dice come sarà realizzato, e poi alla costruzione che lo mette effettivamente insieme, e poi alle persone che lavorano e mantengono l’edificio. A tutti quei livelli, l’architetto non dovrebbe mettere insieme qualcosa che non possa essere ingegnerizzato, costruito o mantenuto. Questa è la mia analogia di alto livello del processo in cui siamo coinvolti.
Nella catena di approvvigionamento, però, è un po’ diverso perché potresti creare una strategia oggi, ma devi farlo di nuovo l’anno prossimo. Il problema con la catena di approvvigionamento è che è dinamica e adattabile. Dobbiamo rispondere al mondo che cambia e alle sue esigenze. Ripeti il processo della tua strategia, ma devi farlo in modo fattibile, pragmatico e che ti consenta di implementare una soluzione operativa.
Joannes Vermorel: Solo per darti un’idea, durante i lockdown nel 2020 e nel 2021, abbiamo avuto una serie di clienti, più di una dozzina, in cui i loro lavoratori impiegatizi sono andati via per 14 mesi. Lokad è rimasta da sola a prendere tutte le decisioni sulla catena di approvvigionamento per le aziende in cui la forza lavoro operaia era ancora attiva. La forza lavoro impiegatizia era in ferie governative, sovvenzionate. Venivano pagati, ma i governi europei imponevano anche che le persone non lavorassero da casa, altrimenti non sarebbero stati pagati dalle sovvenzioni governative. Quindi, erano effettivamente in congedo.
Siamo riusciti per una dozzina di clienti a gestire oltre un miliardo di euro di inventario operato interamente per 14 mesi. Ciò rappresentava oltre un migliaio di dipendenti in totale. E questo pone davvero la domanda su cosa stiano effettivamente offrendo quei processi di catena di approvvigionamento suppostamente strategici.
Quando guardo la maggior parte delle riunioni di S&OP, si avranno discussioni lunghe per decidere quanto budget allocare per gli acquisti per vari dipartimenti. Tutto ciò può essere sostituito da una formula. Se non siamo d’accordo con una formula perché dà risultati insensati, allora correggiamo la formula. Ma non abbiamo bisogno di incontrare 12 direttori e tutte le spese per arrivare a questo calcolo di budget. Può essere automatizzato.
In termini di strategia, la domanda sarebbe, come posso fare in modo che l’ingegneria che va in questa formula che assegna le mie risorse di alto livello sia fatta in modo allineato con gli interessi della mia azienda? Questo è un problema molto interessante e sì, questo dovrebbe catturare l’interesse della dirigenza che vuole pensare strategicamente. L’idea di scegliere alcune decisioni e dire, “Sarò coinvolto in quella,” non aggiunge davvero molto valore.
In molte aziende, quello che accade in quelle riunioni suppostamente strategiche è un sacco di tempo sprecato. Sì, generano decisioni, ma con una produttività assolutamente abissale. Penso che abbiamo avuto un ospite precedente che parlava di S&OP, e mi diceva che di solito finivano con circa quattro decisioni all’ora.
Conor Doherty: Era Eric Wilson, sì, in un processo S&OP.
Joannes Vermorel: Sì, e pensavo, ok, dobbiamo solo trovare centinaia di migliaia di decisioni, e ora abbiamo un ritmo di quattro decisioni all’ora. È ovvio che quando si ha questo tipo di situazione, le operazioni saranno sempre molto avanti rispetto ai vostri piani.
Quando arrivate alle vostre decisioni, sono completamente obsolete, e le persone hanno fatto qualcos’altro perché non potevano aspettare così a lungo per quelle decisioni. Ci ritroviamo in una sorta di situazione in cui è più una mascherata. Le persone prendono decisioni strategiche per cose che sono già accadute due anni prima.
Conor Doherty: Beh, questo mi interessa. Solo per prepararti al seguito, perché so che nel documento hai parlato di una presa di decisioni più decentralizzata nella supply chain, e hai dato l’esempio di Walmart.
Puoi descriverlo meglio di quanto possa fare io.
Ian Wright: Fare ciò correttamente in modo efficace significa decentralizzare la decisione, ma quella decentralizzazione e la presa di decisioni avvengono comunque in un contesto che è stato progettato in modo efficace e corretto. In modo che non vi allontaniate troppo dalla strategia centrale aziendale. C’è quasi come un’ascensore della strategia fino alle operazioni.
In quel caso, stiamo parlando della decentralizzazione di ciò che io definirei decisioni più tattiche. Ma il tutto torna a Joannes. Non sono affatto in disaccordo con te. Quello di cui stiamo parlando è che le persone non lavorano solo in silos all’interno delle organizzazioni, ma pianificano e funzionano anche in silos. I ragazzi della supply chain vanno via e fanno il loro piano strategico della supply chain, poi pensano al piano di trasporto, e poi al piano del magazzino.
Tutti questi piani sono interdipendenti e purtroppo spesso eseguiti in modo indipendente. Non possiamo fondamentalmente arrivare a una soluzione ottimale della supply chain strategica a meno che non incorporiamo un piano di rete, un piano di trasporto e un piano di inventario in un modello operativo.
Tutto il contesto con Lokad che opera senza i dipendenti in ufficio è un ottimo esempio per me di avere un modello operativo che significa che è possibile sostenere le operazioni e non allontanarsi troppo dal piano che si pensava fosse necessario per operare sei mesi fa nonostante le disruzioni. Hai messo insieme le persone giuste, i processi giusti, e hai la tecnologia e i programmi necessari per aiutare quell’esecuzione.
Sostengo davvero molto di più rispetto a tutta questa idea di ottenere l’ottimalità. Puoi avere un piano ottimale, ma devi essere in grado di eseguirlo e mantenerlo il più possibile. Senza quel modello operativo, e vado oltre le tradizionali persone, processi e tecnologia, hai bisogno di averlo in atto. Questo è davvero il tuo piano aziendale strategico, e poi tutti gli altri piani strategici intorno alla supply chain devono funzionare all’interno del contesto di quello. Se non abbini il modello operativo che hai con i piani che stai elaborando, allora sarà una ricetta per il disastro.
Conor Doherty: Ian, se posso riassumere in una citazione, hai detto prima che non puoi escludere gli esseri umani. Quindi, Joannes, sei d’accordo sul fatto che non puoi escludere l’essere umano, in particolare nelle decisioni strategiche di cui parla Ian? È qualcosa che potrebbe essere assorbito in un quadro automatizzato che hai già applicato alla gestione più noiosa del giorno per giorno dell’attività?
Joannes Vermorel: Sulla questione se abbiamo intelligenza artificiale generale, non ce l’abbiamo. Stiamo avvicinandoci, concordiamo. Gli LLM mostrano scintille di intelligenza generale, ma solo scintille. Quindi, direi che Lokad al momento, certamente non affermiamo di avere un software così sofisticato da poter bypassare il bisogno della mente umana. Infatti, al centro della nostra pratica, abbiamo quello che chiamiamo Supply Chain Scientist che sono ingegneri che codificano le ricette numeriche. È una cosa molto umana che non stiamo ancora delegando alle macchine.
Anche se gli algoritmi possono aiutare a codificare più velocemente con la funzione di completamento automatico e altro ancora, la vera domanda è quando hai intelligenze umane, vengono impiegate in un compito che aggiunge davvero valore dal fatto che sono intelligenze generali anziché essere come abbinatori di pattern o qualcosa che può essere meccanizzato?
Il mio argomento contrario sarebbe che molte aziende, specialmente quelle che operano nelle supply chain, non stanno facendo un uso molto buono dei dipendenti bianchi che hanno. Sono ancora molto nella mentalità di avere folle di impiegati aziendali che seguono un processo, e la conformità al processo è il loro obiettivo.
Vedo molte di queste aziende che operano nelle supply chain trattare la maggior parte dei loro impiegati bianchi esattamente come trattano i loro impiegati blu. C’è un processo, e l’aderenza al processo è definita come eccellenza.
Per gli impiegati blu, è chiaro, è ciò che si vuole. Ma se entriamo nel territorio degli impiegati bianchi, diventa molto strano perché le informazioni sono ordini di grandezza più facili da meccanizzare rispetto al mondo reale.
Affrontare le cose fisiche, ad esempio, se vuoi avere un robot in grado di saldare in tutte le situazioni, è estremamente difficile. Semplicemente muovere una mano, tenere un attrezzo, sostenere qualcosa di pesante e trovarsi in un ambiente con polvere o contaminanti, stiamo parlando di robotica estremamente avanzata solo per essere in grado di fare qualcosa che qualcuno potrebbe fare con pochi mesi di addestramento.
Ora, se entriamo in questo mondo delle informazioni, sai, su carta, i vincoli non sono affatto così esigenti. Possiamo spostare gigabyte di dati senza problemi. Le persone che svolgono quei lavori da impiegati bianchi stanno già lavorando con sistemi informatici. Tutte le informazioni che ricevono sono attraverso un computer, e tutte le informazioni che producono sono già inserite in un computer. Quindi, abbiamo un quadro che è già interamente digitale.
Quello che sto dicendo è che le aziende stanno usando la maggior parte dei loro impiegati bianchi come co-processori. Hanno ciò che il processore del computer può fare con il software che abbiamo, e poi abbiamo semplicemente qualcuno nel mezzo per colmare le lacune. Ma stiamo davvero usando l’intelligenza di queste persone? Il mio argomento è no. Se c’è una questione di importanza strategica, è assicurarsi che tutti gli impiegati bianchi contribuiscano a cose in cui solo l’intelligenza generale può offrire. Se è qualcosa in cui non è necessaria l’intelligenza generale, allora dovrebbe essere meccanizzata.
Ian Wright: Sono d’accordo. Il tuo focus sull’approccio meccanicistico definisce ciò che è l’automazione e quando hai bisogno dell’intervento umano. Il momento in cui l’essere umano fornisce davvero valore, e come dici tu, Joannes, questo probabilmente non è implementato correttamente, è nelle aree intuitive in cui non puoi fornire input in modo meccanicistico. Ad esempio, considerando che un aereo sarà obsoleto tra 10 anni, perché dovremmo farlo? Questo è qualcosa che non puoi costruire in modo meccanicistico.
Dove hai bisogno dell’intervento umano è quando devono fornire un tipo di input organico a un problema o a una situazione, che sia la gestione degli eventi o la gestione operativa della supply chain. Puoi avere meccanismi diagnostici relativamente facilmente. Un’area che è ancora pronta per il lavoro è nell’impiego di cicli di feedback che aiutano a generare soluzioni proattive all’interno di un contesto meccanicistico. Questo include l’accumulo di informazioni da una vasta varietà di origini di dati in quella gestione operativa meccanicistica proattiva. Ma non puoi battere il lato intuitivo delle cose. C’è un aspetto emergente in ciò che un essere umano porta a un contesto in cui sta cercando di analizzare un problema o, ancor più importante, anticipare un problema.
Joannes Vermorel: Concordo pienamente. Qui, incolperei la prospettiva delle serie temporali. La pratica predominante delle supply chain al giorno d’oggi ruota tutta intorno alle serie temporali. Ma se guardi alle aziende che sono molto brave in ciò che fanno, sono molto brave a fare qualcosa di intelligente con il feedback che ricevono, come Amazon. Amazon sta utilizzando in modo molto intelligente il feedback dei suoi clienti per risolvere la maggior parte dei loro problemi di supply chain e logistica in modo sistematico.
Se un fattorino viene regolarmente segnalato per la perdita di pacchi, Amazon smetterà di utilizzare questo fornitore e passerà a un altro. Se un fornitore causa problemi, lo cacciano. Fanno un uso ragionevole dei dati di feedback che raccolgono. Hanno bisogno di esseri umani per immaginare che tipo di feedback possono raccogliere e di ingegneri per elaborare le ricette numeriche che decidono quando cacciare un fornitore o notificare un fornitore logistico.
Probabilmente fanno un’ottimizzazione intelligente, come notare che un trasportatore è affidabile in determinate condizioni ma non in altre, e utilizzare questo trasportatore solo in quelle impostazioni. Questo richiede una visione su quali dati siano rilevanti, non solo serie temporali sulla domanda. Richiede una mentalità ingegneristica per fornire soluzioni profonde ai problemi, non solo affrontare emergenze. La maggior parte delle aziende passa da un’emergenza all’altra, consumando tutta la loro larghezza di banda e impedendo il miglioramento. Amazon, d’altra parte, elabora soluzioni profonde per qualsiasi situazione si trovi, eliminando classi di problemi e passando al successivo.
Ian Wright: Purtroppo, questo riguarda le finanze. Se hai le risorse finanziarie per avere il tipo di processo di pensiero a cui ti riferisci, è una cosa. Ma la maggior parte dei manager della supply chain non lavora in un ambiente in cui hanno denaro in abbondanza per affrontare i problemi in quel modo. Si trovano a inseguire, a spegnere incendi, e in un circolo vizioso.
Se hai l’opportunità come professionista di lavorare su un progetto strategico, non mettere il modello al primo posto. Comprendi il mondo del manager della supply chain così com’è oggi, poi pensa come se fossi Amazon e scopri come potrebbe funzionare quel mondo del manager della supply chain in modo che non stiano inseguendo. Purtroppo, la maggior parte dei manager della supply chain affronta i progetti strategici allo stesso modo del loro lavoro quotidiano, che è solo un altro incendio da spegnere. Le persone da entrambi i lati non lo affrontano nel modo giusto, ma potrebbe essere affrontato in modo diverso pensando in modo diverso sul ruolo.
Conor Doherty: Signori, sono consapevole del tempo, quindi voglio tornare da te, Ian, e chiederti dell’ottimalità pratica. Come mezzo per condurci verso una conclusione, quali sono i passi pratici che le persone possono compiere nella ricerca dell’ottimalità?
Ian Wright: Di nuovo, sto guardando da un punto di vista strategico, non essendo il ragazzo sul campo che cerca di far arrivare il prodotto nelle mani del cliente. Quello che devi fare nel guardare all’ottimalità è pensare a come quell’esecuzione effettiva avverrà. Assicurati di concentrarti su portare al tavolo una soluzione fattibile, operativa, che si adatti al modo in cui l’azienda opera oggi.
Se hai la capacità e la libertà, proponi una soluzione che raggiunga l’ottimalità in un contesto che può essere eseguito in modo ottimale. Comprendi i veri obiettivi degli stakeholder, i veri obiettivi dei sponsor e i veri obiettivi dell’azienda, non solo i loro obiettivi osservati o dichiarati. Nella misura in cui sono disposti ad ascoltare, cerca di produrre una soluzione in quel senso. In ogni momento, assicurati di lavorare con esseri umani, non solo con il modello.
Conor Doherty: Grazie. Joannes, qualcosa da aggiungere a questo?
Joannes Vermorel: No, penso che sia un buon punto. Dal punto di vista di un fornitore di software, direi che quando si tratta di ottimalità, non fidarti troppo dei fornitori di software. Sì, ovviamente, tranne noi. In particolare, considera che ci sono classi di software come sistemi di record e sistemi di report che non trattano decisioni e quindi non possono affrontare l’ottimizzazione affatto.
I sistemi di record, come ERP, CRM, WMS, e i sistemi di report, come business intelligence, vengono spesso pubblicizzati come portatori di decisioni ottimizzate. Per definizione, queste classi di software non affrontano nemmeno il problema. Non ottimizzano in primo luogo. Quindi, il mio messaggio sarebbe, non cercare di trovare il tuo percorso verso l’ottimalità nel tuo prossimo aggiornamento ERP. Per definizione, un ERP è un sistema di record. Non tratta decisioni e si preoccupa ancora meno se quelle decisioni possono essere ottimali in qualsiasi forma.
Conor Doherty: Mi assicurerò di inserire quel piccolo articolo davvero bello - beh, un breve articolo, come intendevo dire. In esso, parli di sistemi di record, sistemi di report e sistemi di intelligenza. Ma qui è consuetudine dare l’ultima parola all’ospite. Quindi, se c’è qualcos’altro che vuoi menzionare o qualcosa che non abbiamo detto, puoi concludere senza interruzioni.
Ian Wright: Sì, mi piace. Da un fornitore di software, non fidarti dei fornitori di software. Mi piace davvero perché, in oltre 40 anni, una delle cose che mi ha dato fastidio è stata l’estensione con cui ho assistito all’esagerazione intorno alla tecnologia. L’esagerazione nell’intero concetto di supply chain, per il tempo più lungo, a mio parere, è un tipo di esagerazione. E ho effettivamente scritto su questo, Conor, di cui non sarai sorpreso. Ma penso che quello che dobbiamo fare è imparare a vivere in un mondo in cui sai come lavorare attraverso l’esagerazione, lavorare attraverso le difficoltà e capire cosa funziona davvero. Questo è il punto - cosa è reale.
Conor Doherty: Beh, su questa nota, dirò che non ho più domande. Joannes, grazie per il tuo tempo. Ian, grazie mille per esserti unito a noi.
Ian Wright: Grazie ragazzi. È stato un privilegio che mi abbiate invitato, e non vedo l’ora di saperne di più su Lokad e se sono pazzo o no. Questo è il punto.
Joannes Vermorel: Sì, una delle chiavi. Ti invieremo una diagnosi.
Conor Doherty: Grazie, e grazie per aver guardato. Ci vediamo la prossima volta.
