00:00:00 Introduzione al libro: decidere nell’incertezza
00:05:55 Motivazione: fallimenti dei modelli statici in Toyota
00:11:50 Usare la narrazione per insegnare concetti decisionali
00:17:45 Errore: mediare via l’incertezza
00:23:40 I piani falliscono; servono processi decisionali scalabili
00:29:35 Preferire ricette numeriche a piani perfetti
00:35:30 Incontrare gli stakeholder dove sono; iterare
00:41:25 Usare simulatori per testare policy in sicurezza
00:47:20 Inquadrare problemi richiede chiarezza stoica
00:53:15 L’accuratezza previsionale non e l’obiettivo ultimo
00:59:10 Le previsioni sono input; contano le decisioni di allocazione
01:05:05 Prioritizzare valore economico rispetto alla precisione
01:11:00 Pianificare rischi di coda correlati
01:16:55 L’azione umana guida il rischio supply chain
01:22:50 Progettare sistemi resilienti a disruption catastrofiche
01:28:45 Adottare con co-creazione; assegnare ownership decisionale
Sommario
The Decision Factory sostiene che non esistono soluzioni perfette, solo trade-off, e critica l’idea che piani o previsioni migliori possano sostituire il giudizio nell’incertezza. Le aziende hanno bisogno di policy ripetibili e testabili che usino input probabilistici, feedback ed economia per gestire vincoli e rischi di coda. L’adozione richiede co-creazione con il campo, ownership chiara e metriche in denaro, non percentuali fuorvianti.
Sommario esteso
Non esistono soluzioni, solo trade-off. The Decision Factory critica l’illusione che piani migliori e previsioni piu precise sostituiscano il giudizio in un mondo incerto. Il futuro non e un insieme di fatti da scoprire, ma un flusso di decisioni umane fuori dal vostro controllo.
Molta pratica supply chain moderna resta un residuo di pianificazione centrale, con un piano ottimale unico immaginato per governare realta locali. Nel mondo reale, il piano diventa obsoleto prima di colazione. L’alternativa non e chiaroveggenza, ma policy o ricette numeriche che prendono buone decisioni ripetutamente sotto incertezza.
L’ossessione per l’accuratezza previsionale mostra il problema. Si puo prevedere perfettamente la domanda e non poter agire per vincoli fisici o regolatori. La precisione dell’input non equivale alla saggezza della decisione. Il passaggio pratico e dai piani alle policy testabili, dalle previsioni puntuali agli input probabilistici e dai modelli statici alla sperimentazione.
Trascrizione completa
Conor Doherty: Questo e Supply Chain Breakdown. Oggi Joannes e io analizziamo The Decision Factory, il nuovo libro di Adam Chans Jr. e John Elam. Sono due practitioner importanti di decision science, amici del canale e ospiti di ritorno. John, Adam, bello rivedervi.
John Elam: Felice di essere tornato.
Adam Chans Jr.: Grazie per l’invito.
Conor Doherty: Oggi abbiamo un panel ampio, remoto e in studio. Seguiro la live chat, quindi mandate domande. Prima di iniziare, voglio dire che ho apprezzato molto il libro. Avete reso accessibili temi complessi, anche per persone senza background ingegneristico. Adam, di cosa parla il libro e perche lo avete scritto?
Adam Chans Jr.: Parla di prendere decisioni sotto incertezza. Lo abbiamo scritto perche abbiamo sofferto i vecchi modelli statici. In Toyota l’incertezza ci ha colpito molte volte. Con una supply chain enorme, inclusi i fornitori, quasi non esiste garanzia di soluzione ottima. Il libro racconta cio che abbiamo imparato. Molto e nato dai dialoghi con John, ispirati anche da Joannes e Warren Powell.
John Elam: Il mio percorso mi ha portato gradualmente verso la decision science. Quando chiedi cosa facciano dati, machine learning e IA, arrivi a una risposta: prendere decisioni migliori. Costruendo ottimizzatori e sistemi di raccomandazione con Adam, ho visto che molte persone non sanno quali domande fare. La teoria perfetta puo essere intrattabile; la domanda e cosa fare davvero.
Conor Doherty: Qual e l’errore piu comune sull’incertezza?
John Elam: La si media via. L’incertezza viene appiattita invece di essere accolta.
Adam Chans Jr.: E il management chiede una forecast migliore, cioe una previsione puntuale piu accurata. Si sentono obiettivi assurdi, come 99 % di accuratezza a due anni. Anche con accuratezza perfetta resta la decisione: se la domanda e 100 e hai 50, come allochi? La previsione non e la decisione.
Joannes Vermorel: L’idea del piano ha affascinato gli intellettuali per un secolo. L’URSS aveva Gosplan, e si poteva pensare che quell’idea morisse nel 1991. Invece e sopravvissuta nelle grandi aziende. Ma le aziende prendono migliaia o milioni di decisioni al giorno: comprare, produrre, spostare stock. A quella scala l’intuizione umana non basta. Il piano perfetto e wishful thinking. Se conoscessimo il futuro, sarebbe tutto piu semplice; ma non accadra.
Conor Doherty: Il libro parte da Fulcrum Logistics: piano perfetto alle 6, obsoleto alle 6:47. Perche una storia?
John Elam: Ricordiamo storie, non fatti isolati. Possiamo parlare di funzioni obiettivo, simulatori, previsioni probabilistiche e ottimizzatori, ma conta l’impatto operativo: il telefono che non squilla alle 3 del mattino. Non facciamo matematica per la matematica; vogliamo migliorare le operations.
Adam Chans Jr.: Il dialogo permette di fare domande che molti non osano fare. Personaggi diversi fanno domande semplici e mostrano che anche chi non e tecnico crea valore. Il sapere istituzionale deve entrare nei modelli. Molti practitioner usano modelli MIP; volevamo incontrarli dove sono e poi ampliare il pensiero con simulazione, parametri regolabili, scenari probabilistici e catastrofi correlate.
Conor Doherty: Evelyn e in parte un composite di Warren Powell e Joannes?
John Elam: Si. Joannes rappresenta bene la capacita di capire la teoria e sapere quando ignorarla.
Conor Doherty: Perche inseguire il piano ottimo e un errore?
Adam Chans Jr.: In molti problemi operativi la soluzione ottima applicabile non esiste. I solver MIP sono fantastici e a volte l’output si applica direttamente. Ma spesso l’ottimo del modello non e l’ottimo operativo. Il modello e uno strumento nell’incertezza, non un oracolo.
John Elam: Non puoi pensare fino ad arrivare alla soluzione buona; devi sperimentare. I simulatori sono gallerie del vento: non predicono perfettamente il viaggio, ma mostrano se l’ala si rompe. Poi la realta valida davvero. I practitioner contribuiscono con euristiche e apprendimento anche senza conoscere tutta la matematica.
Joannes Vermorel: In Lokad preferiamo dire ricetta numerica. Una policy e utile per decisioni sequenziali, ma in un sistema reale e una piccola parte del codice. Ci sono ipotesi, estrazioni ERP, pre-processing e scelte sui dati. Ricetta numerica chiarisce che non aspettiamo un’ottimalita elegante; accettiamo il disordine e lo miglioriamo.
Policy aiuta a uscire dal falso dualismo tra piano perfetto e nulla. Pensare al futuro non significa perfezionare un piano. Bisogna evitare formalizzazioni premature e iterare rapidamente, perche i dati rompono le aspettative.
John Elam: Il primo lavoro e inquadrare il problema. Warren Powell insiste molto su questo. Vedere le cose come sono, non come vorremmo, e difficile ma essenziale.
Joannes Vermorel: E molto difficile pensare al problema prima della soluzione. Spesso inventiamo una soluzione e poi definiamo il problema come cio che quella soluzione risolve. Gli LLM non risolvono questo; spesso rafforzano cattive abitudini.
Conor Doherty: Perche inseguire forecast accuracy in isolamento e pericoloso?
John Elam: Esempio: mud flaps per auto. Prevedo perfettamente 1.000 di domanda, ma l’EPA consente solo 800 installazioni per certificazione. La forecast perfetta mi dice solo che manchero. La decisione vera e come allocare: aree piu profittevoli, fair share, first come first served, recertificazione. L’accuratezza aiuta, ma non e la decisione.
Joannes Vermorel: E calcolare al grammo e poi arrotondare alla tonnellata. Ci sono vincoli enormi: camion pieni, magazzino, lavoratori, contratti, regolazione. L’accuracy non e cattiva, ma se assorbe quasi tutta l’energia analitica, e una pessima allocazione.
John Elam: L’economia delle decisioni conta. Decidere se gli engineer lavorano su forecasting, optimization o contratti e gia una decisione economica.
Joannes Vermorel: Questa visione e ancora marginale nella supply chain. Molta letteratura ha vernice economica, ma non sostanza.
Conor Doherty: Perche contano le code della distribuzione?
Adam Chans Jr.: Le aziende vivono e muoiono nelle code. Gli eventi rari sembrano improbabili, ma accadono correlati: sciopero, spedizioni ferme, clienti arrabbiati, manager in panico. Le persone moltiplicano probabilita come se fossero indipendenti. Non lo sono.
Joannes Vermorel: Rischio indica due mondi. Nelle scienze naturali e un freno che si rompe: vuoi eliminarlo. In supply chain molto rischio nasce da azioni umane: fornitori e clienti cambiano idea. Finche esiste liberta di scelta, non puoi eliminare quel rischio. Puoi coprirlo, come nel trading, ma non ingegnerizzarlo via.
John Elam: Alcune parole sono red words: tecnicamente corrette, ma ricostruite male da chi ascolta. Risk, uncertainty, operations research, online learning. Per un executive, uncertainty puo voler dire non so nulla. La storia permette di chiarire senza venti definizioni.
Joannes Vermorel: Anche l’informatica ha termini pessimi: dynamic programming, serverless. Le storie aiutano a spiegare senza annegare nel gergo.
Conor Doherty: Come convincere qualcuno a pagare 3 % in piu in media per ridurre molto il tail risk?
Adam Chans Jr.: Con esempi concreti in un simulatore. Prendi un evento storico, come uno sciopero portuale: questo sarebbe successo, questo avremmo risparmiato. Senza numeri non vale la pena discuterne.
John Elam: Noi visualizziamo con un Pareto Explorer: frontiere di Pareto fra obiettivi e KPI. Non dai una decisione magica; dai un righello per misurare opzioni. La persona responsabile mantiene la scelta, e l’adozione diventa piu facile.
Conor Doherty: Il libro collega anche linguaggio, incentivi e metriche.
Joannes Vermorel: Le aziende dichiarano il profitto come obiettivo e poi governano con KPI percentuali che isolano le decisioni dalle conseguenze economiche. Questa schizofrenia costa. Devono comandare i dollari, non le percentuali.
John Elam: Linguaggio e incentivi sono collegati. Se giudichi le persone con parole e metriche sbagliate, ottimizzeranno comportamenti sbagliati.
Conor Doherty: Cosa succede con l’esplosione di varieta e customizzazione?
Adam Chans Jr.: Il modello top-down va in tensione. Piu varieta significa piu apprendimento dal campo. I modelli statici non anticipano tutte le combinazioni. Servono policies, simulazioni e loop di apprendimento.
Joannes Vermorel: Bisogna pensare economicamente, testare nella realta, progettare per le code e smettere di venerare piani che non sopravvivono al contatto con il mondo.
Conor Doherty: Cosa deve portarsi a casa un practitioner?
John Elam: Inquadra meglio il problema. Non chiedere solo una forecast piu accurata. Chiedi quale decisione vuoi migliorare, quali vincoli contano, quali rischi rompono il sistema e come testare una policy.
Adam Chans Jr.: Non temere le domande semplici. Spesso rivelano ipotesi sbagliate.
Joannes Vermorel: Smetti di pensare che il futuro diventera un fatto. Il futuro contiene decisioni umane non ancora prese. Un buon sistema non elimina l’incertezza; la tratta economicamente.
Conor Doherty: Grazie a tutti e tre. Grazie al pubblico per domande e commenti. Se volete continuare la conversazione, contattateci su LinkedIn. Alla prossima puntata di Breakdown, e tornate al lavoro.
