00:00:04 Rôle du data scientist dans les supply chains.
00:01:33 Comparaison des tendances en matière de data mining et de science des données.
00:03:16 Commercialisation des outils de science des données auprès des universités.
00:04:14 Compétences en programmation vs création de valeur commerciale.
00:06:37 Le passage de Lokad aux “supply chain scientists”.
00:08:01 Les responsabilités d’un Supply Chain Scientist.
00:09:50 Les responsabilités partagées entre l’informatique et les Supply Chain Scientists.
00:11:58 Les Supply Chain Scientists et leur rôle dans l’extraction des données.
00:14:19 Les pièges de la dépendance aux outils statistiques.
00:16:29 Le rôle croissant des données dans la vie.
Résumé
Kieran Chandler et Joannes Vermorel discutent du rôle essentiel des data scientists dans la gestion de la supply chain. Leur conversation met en évidence la nécessité pour ces professionnels d’extraire de la valeur des données commerciales, tout en mettant en garde contre la tendance à accorder une importance excessive à la programmation et aux compétences statistiques. Vermorel souligne l’importance des connaissances pratiques et de l’acuité commerciale, mettant en garde contre une confiance excessive dans les compétences techniques. Il présente le rôle des “supply chain scientists”, chargés d’extraire et d’interpréter les données pour résoudre les problèmes commerciaux, par opposition aux rôles informatiques axés sur la maintenance des systèmes. Leur dialogue souligne les défis de la formation universitaire, mettant en évidence la rareté des données réelles de la supply chain et la dépendance excessive aux langages de programmation et aux cadres statistiques.
Résumé étendu
La conversation entre Kieran Chandler et Joannes Vermorel se concentre sur le rôle croissant et l’importance des data scientists dans le domaine commercial, en particulier dans l’industrie de la supply chain. Chandler souligne la demande croissante de data scientists, la qualifiant de phénomène “qui balaye l’industrie comme un feu de forêt”. Il observe que cette demande, qui n’était pas prononcée il y a cinq ans, évolue si rapidement maintenant qu’elle dépasse la capacité des universités à former suffisamment de diplômés pour occuper ces postes.
Vermorel apporte son point de vue à ce changement, observant que les entreprises commencent à apprécier la valeur inhérente de leurs données et le besoin subséquent de personnes ayant les compétences pour exploiter cette valeur. Néanmoins, il attire également l’attention sur le caractère cyclique de cette tendance, la comparant à la frénésie du “data mining” des années 90. Il spécule que l’engouement actuel pour les data scientists rappelle l’intérêt passé pour les “data miners”, ce qui le conduit à qualifier les data scientists de “version 2 des data miners”.
Vermorel évoque la montée et la chute des entreprises de data mining dans les années 90, suggérant un récit de mise en garde. Il se souvient de l’émergence de centaines d’entreprises pendant la période du data mining, fournissant des outils pour le data mining. Pourtant, la plupart de ces entreprises ont finalement disparu, jetant le doute sur la vague actuelle de fournisseurs d’outils de science des données. Vermorel perçoit une corrélation entre ces deux périodes, laissant entendre un possible schéma répété d’ascension et de déclin avec la tendance actuelle de la science des données.
Fait intéressant, Vermorel souligne que sa société, Lokad, évite d’utiliser le terme “data scientist”, optant plutôt pour “supply chain scientist”. Cette préférence reflète sa conviction quant à l’importance de comprendre le contexte commercial et la valeur au-delà des seules compétences mathématiques et de codage. Il met en garde contre le fait que la maîtrise des aspects techniques, bien que cruciale, ne se traduit pas automatiquement par la création de valeur commerciale au sein des chaînes d’approvisionnement.
De plus, Vermorel parle de la stratégie promotionnelle des fournisseurs d’outils de science des données actuels. Il souligne leur marketing agressif auprès des universités, notamment grâce à des kits d’outils open-source qui s’harmonisent avec la mentalité générale du milieu universitaire. Pourtant, il émet également une note de prudence : le succès de la commercialisation d’un produit au sein des universités ne garantit pas que l’outil produira des résultats bénéfiques dans des environnements commerciaux concrets.
Vermorel insiste sur la nécessité pour les data scientists non seulement d’analyser les données, mais aussi de provoquer un réel changement commercial grâce à leurs découvertes. Le défi est que, fréquemment, les data scientists peuvent examiner et présenter des résultats, mais éprouvent des difficultés lorsqu’il s’agit de mettre en œuvre ces changements, car ils peuvent perturber le statu quo. Il ne s’agit pas seulement de conflits sur les décisions opérationnelles ; il s’agit de la question plus large de savoir si le data scientist est réellement habilité à agir et à apporter de la valeur à l’entreprise.
De plus, la discussion aborde le rôle d’un “supply chain scientist”, un terme utilisé chez Lokad. Le travail d’un supply chain scientist, selon Vermorel, consiste à prendre des décisions opérationnelles liées à la chaîne d’approvisionnement, comme décider de la quantité à commander. Ces décisions doivent être réalisables, pratiques et rentables. Contrairement à un data scientist, un supply chain scientist assume la responsabilité de la valeur commerciale de ses propositions. Cela nécessite une compréhension des systèmes d’entreprise et de l’interaction des données avec les logiciels et les personnes qui les utilisent. Cela garantit une compréhension globale du problème à résoudre.
La tâche d’un supply chain scientist consiste à comprendre les données extraites, à construire un modèle d’optimisation et à équilibrer la complexité et la précision. Vermorel reconnaît la complexité du monde réel, en particulier dans les chaînes d’approvisionnement, qui rend la modélisation mathématique parfaite impraticable. Au lieu de cela, les supply chain scientists doivent recourir à des approximations et des heuristiques pour résoudre efficacement les problèmes. Ils doivent voir l’ensemble du tableau et y rester engagés.
Chandler aborde ensuite le rôle des départements informatiques, se demandant s’ils devraient être responsables des logiciels et des personnes, étant donné qu’ils mettent généralement en œuvre et maintiennent les systèmes logiciels.
Cette question laisse entrevoir une tension entre les rôles opérationnels, techniques et stratégiques au sein d’une organisation.
La conversation explore principalement les responsabilités distinctes entre les technologies de l’information (TI) et les supply chain scientists, ainsi que les défis auxquels les data scientists sont confrontés dans le paysage actuel.
Vermorel soutient que les technologies de l’information (TI) et les supply chain scientists ont des responsabilités distinctes au sein d’une organisation. Il assimile le rôle des TI à un rôle de maintenance, garantissant le bon fonctionnement constant et fluide des systèmes et des processus. La responsabilité des TI est de maintenir les choses en marche à chaque seconde, en gérant les aspects techniques liés à la disponibilité et à la sécurité du système.
Au contraire, le rôle d’un supply chain scientist, selon Vermorel, ne concerne pas la maintenance. Leur devoir tourne plutôt autour de l’extraction de données et de l’interprétation. Ils doivent s’assurer que les données utilisées offrent une compréhension correcte des situations commerciales et que les solutions dérivées produiront des résultats rentables. Ils n’ont pas besoin de gérer les aspects techniques, car leur objectif principal est de résoudre les problèmes commerciaux en interprétant correctement les données.
Chandler oriente la conversation vers la pénurie apparente de compétences en extraction et préparation de données chez les data scientists, malgré le fait que ces compétences soient des composantes essentielles de leur profession. Vermorel est d’accord, notant que les cours universitaires et les boot camps se concentrent principalement sur les langages de programmation comme Python et R, négligeant souvent les aspects plus pratiques du métier.
Vermorel précise que les universités sont mieux équipées pour enseigner certains aspects en raison de problèmes d’accessibilité et de confidentialité. Les données de la supply chain des grandes entreprises ne sont pas facilement accessibles pour la formation en raison de problèmes de confidentialité, tandis que les logiciels open source et les cadres statistiques sont plus disponibles. Par conséquent, les étudiants obtiennent souvent une compréhension approfondie de la programmation et des outils statistiques, mais manquent de connaissances pratiques sur la manipulation des données de la supply chain réelle.
Vermorel met en garde contre cette survalorisation de la programmation et des statistiques, qui pourrait conduire à une trop grande confiance chez les nouveaux data scientists. Ils pourraient croire à tort que ces compétences suffisent à résoudre les problèmes de la supply chain. Cependant, la gestion de la supply chain ne se résume pas seulement à la programmation ou à l’analyse statistique ; il s’agit de comprendre et de donner un sens commercial aux données. Vermorel met en garde contre le fait de négliger la sagesse des praticiens de la supply chain à faible technologie, qui ont tendance à s’appuyer sur le bon sens et des outils simples, comme les feuilles Excel, pour prendre des décisions commerciales.
Transcription complète
Kieran Chandler : Aujourd’hui, nous allons parler d’un nouveau rôle professionnel qui se répand dans l’industrie comme une traînée de poudre. Le rôle d’un data scientist devient de plus en plus pertinent à une époque où les entreprises accordent de plus en plus d’importance aux données et en tirent des conclusions pertinentes. Il y a cinq ans, aucun directeur de la supply chain n’avait besoin de data scientists. Cependant, aujourd’hui, tout a changé avec le nombre d’opportunités d’emploi pour les data scientists qui semble croître plus rapidement que les universités ne peuvent en produire. Alors, Joannes, qu’est-ce qui a changé ? Pourquoi y a-t-il soudainement ce besoin de plus de data scientists ?
Joannes Vermorel : De toute évidence, les entreprises reconnaissent que leurs données ont beaucoup de valeur. Dès qu’elles le reconnaissent, elles ont besoin de beaucoup de personnes pour en extraire la valeur et c’est ce que font les data scientists. Cependant, ce qui est intéressant, c’est que ce n’est pas entièrement nouveau. Pour ceux qui étaient là dans les années 90, ou peut-être à la fin des années 90, à l’époque cela s’appelait différemment - les data miners. Les gens extrayaient des choses des données. Donc fondamentalement, le data scientist semble être la version 2 du data miner, ou quelque chose de similaire.
Kieran Chandler : Si ces data miners ne sont plus là aujourd’hui, je suppose que les résultats n’ont pas été si bons. Peut-être pourriez-vous nous en dire un peu plus à ce sujet et y a-t-il quelque chose que nous pouvons apprendre de ce qui s’est mal passé ?
Joannes Vermorel : C’est très intéressant car on peut voir que dans les cercles de la supply chain, les data scientists sont devenus très à la mode. Il me semble qu’il y a une tendance macro où les choses vont et viennent. Il y a deux décennies, il s’agissait de data mining et de nos jours, il s’agit de data science. C’est le même schéma qui se répète sous un nom différent. Il y a deux décennies, nous avons vu l’émergence de centaines d’entreprises fournissant des outils de data mining et la plupart d’entre elles ont disparu. De nos jours, nous voyons l’émergence de centaines d’entreprises fournissant des outils de data science. Nous voyons également des consultants en data science. Donc oui, il y a quelque chose de vrai au fond, mais il y a aussi un effet de mode cyclique à ce sujet.
Kieran Chandler : Ce n’est pas tous les jours que l’on entend les mots data science et mode dans la même phrase. Ce que nous disons en quelque sorte, c’est que les data miners avaient l’habitude d’avoir un autre nom. Alors, ne devrions-nous pas commencer à vendre la technologie Lokad aux universités afin que la prochaine génération de data scientists, quel que soit leur nom, soit pleinement formée à l’outil et comprenne parfaitement comment l’utiliser ?
Joannes Vermorel : C’est certainement un angle. D’ailleurs, toutes les entreprises qui poussent les outils de data science font une promotion agressive auprès des universités. Une façon facile de le faire est de promouvoir des kits d’outils open source, car ils correspondent à la mentalité générale des universités. Cependant, c’est principalement un outil marketing. C’est bien dans un sens, mais cela ne signifie pas efficacité. Cela ne signifie pas que si vous vous faites connaître avec succès dans les universités, vous obtiendrez nécessairement des résultats dans votre entreprise. Ce n’est pas parce que vous devenez un grand mathématicien ou un grand codeur que cela se traduira immédiatement par la création de valeur commerciale au sein de vos supply chains. C’est un danger, je crois, et c’est l’une des principales raisons pour lesquelles chez Lokad, nous préférons le terme “supply chain scientist”.
Kieran Chandler : La priorité donnée aux affaires a du sens pour de nombreux praticiens de la supply chain car ils sont exposés aux affaires dans leur travail quotidien. Peut-être que la seule exception se trouve dans les très grandes entreprises où les data scientists peuvent être submergés par le volume même des données ou la complexité de leurs problèmes. Mais y a-t-il un autre piège que de se concentrer sur
un problème commercial particulier ?
Les hiboux et la réduction des délais d’approvisionnement et des choses comme ça. Donc, y a-t-il un autre piège que de se concentrer sur le bon problème commercial ?
Joannes Vermorel : Oui, il y a un gros piège en réalité. Le rôle d’un data scientist ne se limite pas à analyser l’entreprise ; il s’agit de faire la différence et d’être capable de prendre et de mettre en œuvre une décision, ce qui peut avoir un véritable impact commercial au sein de l’organisation. Cela peut être délicat car les data scientists peuvent facilement accéder aux données et produire des analyses. Mais quand il s’agit d’agir, cela remet souvent en question le statu quo. Il ne s’agit pas seulement de désaccords sur les quantités de commande, mais de désaccords plus profonds. Le plus grand risque d’échec réside lorsque le data scientist n’est pas en mesure d’agir réellement et de fournir de la valeur à l’entreprise. C’est probablement le principal piège que je peux voir.
Kieran Chandler : Vous avez mentionné qu’il y a une sorte de résistance au statu quo. Je peux certainement comprendre les praticiens de la supply chain car ils ont travaillé avec des méthodes qui ont fonctionné pendant des décennies. Donc, si quelqu’un remet en question ce qui a fonctionné et ce qui a bien fonctionné, je peux comprendre pourquoi ils abordent les choses avec beaucoup de scepticisme. Vous avez mentionné qu’à Lokad, nous avons des scientifiques de la supply chain plutôt que des data scientists. Pourriez-vous nous en dire un peu plus à leur sujet et pourquoi ils portent un nom différent ?
Joannes Vermorel : Je pense que le nom différent reflète notre approche des problèmes. Notre engagement se situe au niveau de la supply chain. Un scientifique de la supply chain est quelqu’un qui devrait générer de véritables décisions opérationnelles, telles que combien vous devez commander dès maintenant. Les décisions doivent être opérationnelles, pratiques et rentables. Il s’agit de quelqu’un qui s’engage dans la valeur commerciale de ses propositions. Cet engagement implique en réalité beaucoup de choses.
Pour mettre les choses en contexte, revenons en arrière. La décision est le but ultime, mais si vous commencez par l’arrière, cela commence par les données. Les données proviennent des systèmes d’entreprise, mais les données n’ont de sens que par les yeux des personnes qui utilisent le logiciel. Donc, ce n’est pas seulement du logiciel ; c’est du logiciel plus des personnes. Le scientifique de la supply chain doit avoir une très bonne compréhension de cela. Il doit comprendre le problème à résoudre, donner un sens aux données extraites, puis construire un modèle d’optimisation de quelque sorte.
Il y a un compromis entre la complexité et la précision. Le monde réel est incroyablement complexe, et les supply chains ne font pas exception. Il n’est pas possible d’avoir une modélisation mathématique parfaite, il faut donc approximer et utiliser des heuristiques, qui ne sont que des recettes qui fonctionnent. Le scientifique de la supply chain doit rassembler toutes ces choses pour garantir des économies réelles, non seulement en pourcentage mais en dollars réels. Il doit s’engager dans cette vision globale. Voilà ce qu’est un scientifique de la supply chain.
Kieran Chandler : D’accord, mais vous avez mentionné qu’un scientifique de la supply chain devrait être responsable du logiciel et des personnes. Et qu’en est-il des services informatiques ? Ne devraient-ils pas être responsables de cela ? Après tout, ce sont eux qui ont mis en place le logiciel et souvent, ce sont eux qui le construisent.
On dirait que beaucoup de responsabilités sont mises sur les épaules d’un seul scientifique de la supply chain. Vous attendez-vous à un miracle ?
Joannes Vermorel : Oui, la responsabilité est assez énorme. Cependant, il y a une différence significative. Je crois que la responsabilité principale des services informatiques est de s’assurer que le système est opérationnel. Les services informatiques doivent gérer les opérations en cours et s’assurer que tout fonctionne à chaque seconde. Le scientifique de la supply chain a une responsabilité différente. Cette personne n’est pas chargée de maintenir tout en marche.
Kieran Chandler : Alors, quelle est exactement la responsabilité d’un scientifique de la supply chain ?
Joannes Vermorel : La responsabilité d’un scientifique de la supply chain est d’extraire des données et d’en comprendre le sens. C’est une tâche très différente. Cette personne n’a pas à gérer toutes les complexités liées au maintien d’un système opérationnel et sécurisé. C’est la responsabilité des services informatiques, ce qui est en effet très difficile. L’engagement du scientifique consiste à s’assurer que la compréhension est correcte. La solution commerciale qui découle de cette compréhension doit être rentable grâce à l’identification précise d’un problème que l’entreprise a réellement besoin de résoudre.
Kieran Chandler : Il semble que l’extraction et la préparation des données soient des tâches critiques. Cependant, les data scientists ne sont-ils pas insuffisamment formés dans ces domaines ? La plupart des cours et des boot camps de data science portent sur la programmation dans des langages comme Python et R.
Joannes Vermorel : C’est une excellente question. Les universités excellent dans certains domaines et sont faibles dans d’autres. Soyons réalistes : donner un sens aux données nécessite d’avoir des données réelles en premier lieu. La plupart des grandes entreprises avec des chaînes d’approvisionnement importantes ne partagent pas leurs données avec les universités. Par conséquent, les universités utilisent comme matériel de formation ce à quoi elles ont accès. Il est beaucoup plus facile d’accéder à des logiciels open source que d’accéder à des données confidentielles de la supply chain.
Kieran Chandler : Il y a beaucoup de discussions sur les données personnelles, vous savez, similaires au RGPD en Europe. Cela demande des efforts considérables de la part de tous pour se conformer. Donc c’est accessoire mais cela complique la situation. Les universités, par exemple, veulent former des personnes aux tâches les plus difficiles, là où elles pourront apporter le plus de valeur, mais c’est difficile. Il est donc beaucoup plus facile pour les universités de se rabattre sur les langages de programmation et les cadres statistiques car ils sont plus accessibles, plus mathématiques. Il est également plus facile de tester les étudiants sur ces sujets, ce que vous devez à la fois enseigner et évaluer vos étudiants en tant que professeur. Cela nécessite d’enseigner quelque chose où l’évaluation est possible. C’est une contrainte étrange, mais cela influence certainement ce que vous pouvez enseigner à l’université.
Joannes Vermorel : Maintenant, le principal problème que je vois avec cette focalisation sur les outils statistiques est qu’elle peut conduire à une surconfiance. Il est bénéfique de savoir programmer, d’être à l’aise avec les statistiques. C’est certainement quelque chose qui aidera, ce n’est pas négatif. Mais cela comporte un problème subtil. Cela peut rendre les gens trop confiants, en pensant que savoir programmer, comprendre les statistiques, comprendre les mathématiques, c’est la clé pour résoudre les problèmes de la supply chain.
Et ici, il y a une certaine sagesse chez de nombreux praticiens de la supply chain qui sont souvent très peu technologiques. Ils essaient de rester pragmatiques, ils s’en tiennent à leur feuille Excel. Et il y a de la sagesse là-dedans car ils s’en tiennent à ce qui a du sens sur le plan commercial. Si la seule raison pour laquelle vous vous en tenez au bon sens est que vous manquez de connaissances en statistiques et en programmation, ce n’est pas idéal. Mais, d’un autre côté, si tout ce que vous connaissez, ce sont les statistiques et la programmation, cela ne fait pas de vous un expert en supply chain.
Juste parce que vous êtes compétent dans ces domaines, cela ne se traduit pas automatiquement par des solutions qui généreront des euros ou des dollars supplémentaires. Je pense que c’est le plus grand danger. Nous produisons maintenant des armées de personnes qui souffrent fréquemment de surconfiance. La programmation est un moyen, pas une fin en soi.
Kieran Chandler : C’est une perspective perspicace. Merci d’avoir éclairé le sujet des data scientists et, en effet, des supply chain scientists. C’est un sujet de plus en plus pertinent compte tenu de la quantité stupéfiante de données collectées dans notre vie quotidienne. Merci d’avoir pris le temps aujourd’hui.
Joannes Vermorel : Merci, Kieran.
Kieran Chandler : Et merci à nos auditeurs d’avoir suivi l’épisode d’aujourd’hui. Nous serons de retour très bientôt avec un autre épisode. D’ici là, continuez à poser vos questions et à nous envoyer vos réflexions. Merci beaucoup de nous avoir regardés et à très bientôt. Au revoir pour le moment.
