00:00:04 Ruolo del data scientist nelle supply chain.
00:01:33 Confrontare le tendenze del data mining e della data science.
00:03:16 Promuovere strumenti di data science presso le università.
00:04:14 Competenze di coding vs. creazione di valore aziendale.
00:06:37 La transizione di Lokad verso i “supply chain scientists”.
00:08:01 Compiti di un Supply Chain Scientist.
00:09:50 Compiti condivisi tra IT e Supply Chain Scientist.
00:11:58 Il ruolo dei Supply Chain Scientists nell’estrazione dei dati.
00:14:19 Pericoli dell’affidarsi a toolkit statistici.
00:16:29 Il ruolo crescente dei dati nella vita.
Sintesi
Kieran Chandler e Joannes Vermorel discutono del ruolo critico dei data scientists nel supply chain management. La loro conversazione evidenzia la necessità per questi professionisti di estrarre valore dai dati aziendali, mettendo in guardia contro la tendenza a dare eccessivo rilievo alle competenze di programmazione e statistiche. Vermorel sottolinea l’importanza della conoscenza pratica e del senso degli affari, avvertendo contro l’eccessiva fiducia nelle capacità tecniche. Sta introducendo il ruolo dei “supply chain scientists”, incaricati di estrarre e interpretare dati per affrontare problemi aziendali, in contrasto con i ruoli IT focalizzati sulla manutenzione dei sistemi. Il loro dialogo evidenzia le sfide nella formazione universitaria, sottolineando la scarsità di dati reali di supply chain e la dipendenza eccessiva da linguaggi di programmazione e framework statistici.
Sintesi Estesa
La conversazione tra Kieran Chandler e Joannes Vermorel si concentra sul ruolo in espansione e sull’importanza dei data scientists nel settore commerciale, in particolare nell’industria della supply chain. Chandler sottolinea la crescente domanda di data scientists, definendola un fenomeno che “sta spazzando via l’industria come un incendio incontrollato.” Osserva che questa domanda, che cinque anni fa non era così evidente, evolve così rapidamente da superare la capacità delle università di produrre un numero sufficiente di laureati per ricoprire questi ruoli.
Vermorel offre il suo punto di vista su questo cambiamento, osservando che le aziende iniziano ad apprezzare il valore intrinseco dei loro dati e la conseguente necessità di individui con le competenze per estrarre tale valore. Tuttavia, richiama anche l’attenzione sul ciclo ricorrente di questa tendenza, paragonandola alla frenesia del “data mining” degli anni ‘90. Egli ipotizza che l’attuale fissazione sui data scientists richiami in qualche modo l’interesse passato per i “data miners”, portandolo a definirli come “data miner versione 2.”
Vermorel discute dell’ascesa e caduta delle aziende di data mining negli anni ‘90, suggerendo una narrazione di avvertimento. Ricorda l’emergere di centinaia di aziende durante il periodo del data mining, che fornivano strumenti per l’analisi dei dati. Eppure, la maggior parte di queste aziende è scomparsa, gettando dubbi sull’attuale ondata di fornitori di strumenti di data science. Vermorel percepisce una correlazione tra questi due periodi, facendo allusione a un possibile schema ripetuto di ascesa e declino con l’attuale tendenza della data science.
È interessante notare come Vermorel sottolinei che la sua azienda, Lokad, evita di utilizzare il termine “data scientist”, preferendo invece “supply chain scientist”. Questa scelta rispecchia la sua convinzione sull’importanza di comprendere il contesto aziendale e il valore al di là delle sole competenze matematiche e di coding. Avverte che la padronanza degli aspetti tecnici, pur essendo cruciale, non si traduce automaticamente nella generazione di valore aziendale all’interno delle supply chain.
Inoltre, Vermorel parla della strategia promozionale degli attuali fornitori di strumenti di data science. Sottolinea il loro marketing aggressivo verso le università, in particolare attraverso toolkit open source che si adattano al mindset generale dell’accademia. Tuttavia, fornisce anche un avvertimento: avere successo nel promuovere un prodotto nelle università non garantisce che lo strumento produrrà risultati benefici in contesti aziendali concreti.
Vermorel sottolinea la necessità per i data scientists non solo di analizzare i dati, ma anche di apportare cambiamenti concreti al business attraverso le loro scoperte. La sfida è che, spesso, i data scientists possono esaminare e presentare i risultati, ma incontrano difficoltà nell’implementare tali modifiche, poiché esse possono sconvolgere lo status quo. Non si tratta solo di divergenze nelle decisioni operative, ma di una questione più ampia: se il data scientist è realmente abilitato ad agire e a generare valore per l’azienda.
Inoltre, la discussione tocca il ruolo del “supply chain scientist”, termine utilizzato in Lokad. Il compito di un supply chain scientist, secondo Vermorel, consiste nel generare decisioni concrete e attuabili relative alla supply chain, come decidere la quantità da ordinare. Queste decisioni dovrebbero essere pratiche, implementabili e profittevoli. A differenza di un data scientist, un supply chain scientist si assume la responsabilità del valore aziendale delle sue proposte. Ciò richiede la comprensione dei sistemi aziendali e dell’interazione tra i dati, il software e le persone che lo gestiscono. Questo garantisce una comprensione globale del problema da risolvere.
Il compito di un supply chain scientist comporta la comprensione dei dati estratti, la costruzione di un modello di ottimizzazione e il bilanciamento tra complessità e precisione. Vermorel riconosce la complessità del mondo reale, in particolare nelle supply chain, che rende impraticabile una modellizzazione matematica perfetta. Invece, i supply chain scientists devono ricorrere ad approssimazioni ed euristiche per risolvere efficacemente i problemi. Devono avere una visione d’insieme e impegnarsi a seguirla.
Chandler poi introduce il ruolo dei IT departments, chiedendo se dovrebbero assumersi la responsabilità del software e delle persone, dato che solitamente implementano e mantengono i sistemi software.
Questa domanda suggerisce una tensione tra i ruoli operativi, tecnici e strategici all’interno di un’organizzazione.
La conversazione esamina principalmente le responsabilità distinte tra l’Information Technology (IT) e i supply chain scientists, nonché le sfide che i data scientists devono affrontare nell’attuale panorama.
Vermorel sostiene che IT e i supply chain scientists hanno responsabilità separate all’interno di un’organizzazione. Egli equipara il ruolo dell’IT a quello della manutenzione, salvaguardando il funzionamento costante e fluido dei sistemi e dei processi. La responsabilità dell’IT è mantenere tutto operativo ogni secondo, gestendo le specificità tecniche necessarie a preservare il tempo di attività e la sicurezza dei sistemi.
Al contrario, il ruolo di un supply chain scientist, secondo Vermorel, non riguarda la manutenzione. Invece, il loro compito ruota attorno all-estrazione dei dati e alla loro interpretazione. Devono assicurarsi che i dati utilizzati offrano una comprensione corretta delle situazioni aziendali e che le soluzioni derivate producano risultati profittevoli. Non è necessario che si occupino delle specificità tecniche, in quanto il loro obiettivo principale è risolvere i problemi aziendali interpretando accuratamente i dati.
Chandler cambia argomento, parlando della apparente shortage di competenze nell’estrazione e preparazione dei dati tra i data scientists, nonostante queste siano componenti vitali della loro professione. Vermorel è d’accordo, osservando che i corsi universitari e i boot camp si concentrano principalmente su linguaggi di programmazione come Python e R, trascurando spesso gli aspetti più pratici del lavoro.
Vermorel spiega che le università sono più attrezzate per insegnare certi aspetti a causa di problemi di accessibilità e riservatezza. I dati di supply chain delle grandi aziende non sono facilmente accessibili per la formazione a causa di questioni di privacy, mentre il software open-source e i framework statistici sono più disponibili. Di conseguenza, gli studenti spesso si laureano con una profonda comprensione dei linguaggi di programmazione e dei toolkit statistici, ma mancano di conoscenze pratiche su come gestire dati reali della supply chain.
Vermorel avverte che questo eccessivo accento sulla programmazione e sulla statistica potrebbe portare a una sopravvalutazione delle capacità tra i nuovi data scientists. Potrebbero erroneamente credere che queste competenze da sole siano sufficienti per risolvere i problemi della supply chain. Tuttavia, il supply chain management non riguarda solo la programmazione o l’analisi statistica; si tratta di comprendere e dare un senso aziendale ai dati. Vermorel mette in guardia dal trascurare la saggezza dei professionisti della supply chain a bassa tecnologia, che tendono a fare affidamento sul buon senso e su strumenti semplici, come i fogli Excel, per prendere decisioni aziendali.
Trascrizione Completa
Kieran Chandler: Oggi parleremo di un nuovo ruolo professionale che sta spazzando via l’industria come un incendio incontrollato. Il ruolo del data scientist sta diventando sempre più rilevante in un periodo in cui le aziende danno maggiore importanza ai dati e traggono conclusioni significative da essi. Cinque anni fa, nessun direttore della supply chain aveva bisogno di data scientists. Tuttavia, oggi tutto è cambiato, con il numero di opportunità lavorative per i data scientists che sembra crescere più rapidamente di quanto le università possano formarli. Quindi, Joannes, cosa è cambiato? Perché c’è improvvisamente questa necessità di più data scientists?
Joannes Vermorel: Chiaramente, le aziende riconoscono che i loro dati hanno un grande valore. Non appena lo rendono conto, hanno bisogno di molte persone per estrarre tale valore dai dati, ed è proprio quello che fanno i data scientists. Tuttavia, la cosa interessante è che non è del tutto nuovo. Per chi era presente negli anni ‘90, o forse verso la fine degli anni ‘90, quando aveva un nome diverso - data miners. Le persone estraevano informazioni dai dati. Quindi, fondamentalmente, il data scientist sembra essere la versione 2 del data miner, o qualcosa di simile.
Kieran Chandler: Se questi data miners non sono ancora presenti oggi, immagino che i risultati non siano andati molto bene. Forse potresti spiegarci un po’ meglio a proposito e se c’è qualcosa da imparare su dove hanno sbagliato?
Joannes Vermorel: È molto interessante perché si può notare che nei circoli della supply chain, i data scientists sono diventati molto alla moda. Mi sembra che ci sia una tendenza macro in cui le cose entrano ed escono. Due decenni fa si parlava di data mining e al giorno d’oggi si parla di data science. È lo stesso schema, solo con un nome diverso. Due decenni fa abbiamo assistito all’emergere di centinaia di aziende che fornivano strumenti per il data mining, e la maggior parte di esse è scomparsa. Oggi vediamo l’emergere di centinaia di aziende che offrono strumenti di data science. Vediamo anche consulenti di data science. Quindi sì, c’è qualcosa di vero al centro, ma c’è anche un effetto ciclico di moda.
Kieran Chandler: Non capita tutti i giorni di sentire le parole data science e moda nella stessa frase. Quello che stiamo quasi dicendo qui è che i data miners avevano un nome diverso. Quindi, non dovremmo iniziare a vendere la tecnologia di Lokad alle università affinché la prossima generazione di data scientists, qualsiasi sia il loro nome, sia completamente formata sullo strumento e sappia come utilizzarlo?
Joannes Vermorel: Questo è sicuramente un aspetto. A proposito, tutte le aziende che promuovono strumenti di data science si stanno commercializzando in modo aggressivo verso le università. Un modo semplice per farlo è promuovere toolkit open source, perché si adattano al mindset generale delle università. Tuttavia, è fondamentalmente uno strumento di marketing. È positivo in un certo senso, ma non deve necessariamente significare efficienza. Non significa che, se ti promuovi con successo all’interno delle università, otterrai automaticamente risultati nella tua attività. Non è perché diventi un grande matematico o un grande programmatore che questo si tradurrà immediatamente nella creazione di valore aziendale nelle tue supply chain. Credo che questo sia un pericolo, ed è uno dei motivi principali per cui in Lokad preferiamo il termine “supply chain scientist.”
Kieran Chandler: L’approccio business-first ha senso per molti professionisti della supply chain perché sono molto esposti all’aspetto aziendale nel loro lavoro quotidiano. Forse l’unica eccezione è nelle very large companies dove i data scientists possono essere sommersi dall’enorme volume di dati o dalla complessità dei loro problemi. Ma, c’è qualche trucco oltre a concentrarsi su
un determinato problema aziendale?
Strumenti e la riduzione dei lead times e cose simili. Quindi, c’è qualche trucco oltre a concentrarsi sul problema aziendale corretto?
Joannes Vermorel: Sì, c’è un grande problema in effetti. Il ruolo di un data scientist non riguarda solo l’analisi del business; si tratta di fare la differenza ed essere in grado di prendere e implementare una decisione, che può portare a un vero impatto aziendale all’interno dell’organizzazione. Questo può essere complicato, perché i data scientists possono facilmente accedere ai dati e produrre analisi. Ma quando si tratta di agire, spesso sfidano lo status quo. Non si tratta solo di divergenze sulle quantità da ordinare, ma di disaccordi più profondi. Il più grande potenziale di fallimento si presenta quando il data scientist non si trova in una posizione che gli consenta di agire realmente e di generare valore per l’azienda. Probabilmente questo è il principale problema che vedo.
Kieran Chandler: Hai accennato a una sorta di contrasto con lo status quo. Posso certamente avere molta simpatia per alcuni professionisti della supply chain, perché hanno lavorato con metodi che hanno funzionato per decenni. Quindi, se qualcuno mette in dubbio ciò che ha funzionato e ciò che continua a funzionare, posso capire perché affrontano le cose con molto scetticismo. Hai detto che in Lokad utilizziamo supply chain scientists invece dei data scientists. Potresti raccontarci qualcosa in più su di loro e spiegare perché hanno questo nome diverso?
Joannes Vermorel: Penso che il nome diverso rifletta il nostro approccio ai problemi. Il nostro impegno è rivolto alla supply chain. Un supply chain scientist è qualcuno che dovrebbe generare decisioni concrete e attuabili, come ad esempio quante unità ordinare in questo momento. Le decisioni dovrebbero essere concrete, pratiche e profittevoli. Si tratta di una persona che si assume la responsabilità del valore aziendale delle sue proposte. Questa responsabilità comporta in realtà molte cose.
Per mettere tutto in prospettiva, torniamo indietro. La decisione è il risultato finale, ma se si comincia dal basso, tutto ha inizio con i dati. I dati provengono dai sistemi aziendali, ma hanno senso solo attraverso gli occhi delle persone che gestiscono il software. Quindi non si tratta solo di software; è software più persone. Il Supply Chain Scientist deve avere una comprensione molto approfondita di questo. Deve comprendere il problema che si sta cercando di risolvere, dare un senso ai dati estratti e poi costruire un qualche tipo di modello di ottimizzazione.
C’è un compromesso tra complessità e precisione. Il mondo reale è incredibilmente complesso, e le supply chain non fanno eccezione. Non è possibile avere una modellizzazione matematica perfetta, quindi bisogna approssimare e utilizzare euristiche, che sono semplicemente ricette che funzionano. Il Supply Chain Scientist deve mettere insieme tutti questi elementi per garantire che si realizzino dei risparmi concreti, non solo in percentuali ma in dollari reali. Deve impegnarsi in questa visione complessiva. Questo è ciò che caratterizza un Supply Chain Scientist.
Kieran Chandler: Ok, ma hai affermato che un Supply Chain Scientist dovrebbe essere responsabile sia del software che delle persone. Che dire dei reparti IT? Non dovrebbero essere loro a esserne responsabili? Dopotutto, sono loro che hanno implementato il software e, spesso, sono anche coloro che lo sviluppano.
Sembra che venga affidata un’enorme quantità di responsabilità a un solo Supply Chain Scientist. Ti aspetti un miracolo?
Joannes Vermorel: Sì, la responsabilità è davvero enorme. Tuttavia, c’è una differenza significativa. Credo che il compito principale dell’IT sia garantire che il sistema sia operativo. L’IT deve occuparsi delle operazioni quotidiane e assicurarsi che tutto funzioni in ogni istante. Il Supply Chain Scientist ha una responsabilità diversa. Questa persona non è incaricata di mantenere tutto attivo e funzionante.
Kieran Chandler: Quindi, qual è esattamente la responsabilità di un Supply Chain Scientist?
Joannes Vermorel: La responsabilità di un Supply Chain Scientist è estrarre i dati e dar loro un senso. È un compito molto diverso. Questa persona non deve occuparsi di tutte le questioni tecniche necessarie per mantenere qualcosa in funzione e al sicuro. Quella è una responsabilità dell’IT, che è davvero impegnativa. L’impegno del scientist consiste nel garantire che la comprensione sia corretta. La soluzione aziendale che ne deriva deve essere redditizia grazie all’identificazione accurata di un problema che l’azienda deve veramente risolvere.
Kieran Chandler: Sembra che l’estrazione e la preparazione dei dati siano compiti fondamentali. Tuttavia, i data scientist non sono adeguatamente formati in questi aspetti? La maggior parte dei corsi di data science e dei boot camp riguarda la programmazione in linguaggi come Python e R.
Joannes Vermorel: È un’ottima domanda. Le università eccellono in alcuni ambiti e sono deboli in altri. Affrontiamo la realtà: dare un senso ai dati richiede, innanzitutto, dati reali. La maggior parte delle grandi aziende con supply chain rilevanti non condivide i propri dati con le università. Pertanto, le università utilizzano come materiale didattico ciò a cui hanno accesso. Accedere a software open-source è molto più semplice che accedere a dati riservati delle supply chain.
Kieran Chandler: Si discute molto dei dati personali, sai, in modo simile al GDPR in Europa. Tutto ciò richiede sforzi significativi da parte di tutti per essere conformi. Quindi questo aspetto, pur essendo secondario, complica la situazione. Le università, ad esempio, vogliono formare persone per compiti estremamente complessi, dove saranno in grado di generare il massimo valore, ma è difficile. Perciò risulta molto più semplice per le università affidarsi a linguaggi di programmazione e framework statistici perché sono più accessibili, più matematici. È anche più facile valutare gli studenti su questi argomenti, cosa che, in qualità di professore, devi sia insegnare che valutare. Ciò richiede di insegnare qualcosa per cui sia possibile un’effettiva valutazione. È una condizione strana, ma influenza sicuramente ciò che si può insegnare in un’università.
Joannes Vermorel: Ora, il problema principale che vedo con questo focus sui toolkit statistici è che può portare a un eccesso di fiducia. È utile saper programmare, essere fluenti in statistica. Certamente è qualcosa che può aiutare, non è un aspetto negativo. Ma comporta una sottile insidia: può far sì che le persone diventino troppo sicure di sé, credendo che sapere programmare, comprendere la statistica e la matematica sia la chiave per risolvere i problemi delle supply chain.
E qui c’è una certa saggezza in molti operatori della supply chain, che spesso sono molto poco tecnologici. Cercano di attenersi al buon senso, restando fedeli al loro foglio Excel. E in questo c’è saggezza, perché rimangono ancorati a ciò che ha senso dal punto di vista aziendale. Se l’unico motivo per cui ti affidi al buon senso è la mancanza di conoscenze in statistica e programmazione, non è l’ideale. Ma, d’altra parte, se tutto ciò che conosci è statistica e programmazione, questo non ti rende un esperto di supply chain. Solo perché sei competente in queste aree, ciò non si traduce automaticamente in soluzioni che generino euro o dollari extra. Quindi credo che questo sia il pericolo maggiore. Stiamo ora producendo schiere di persone che spesso soffrono di eccessiva fiducia in se stesse. La programmazione è un mezzo, non un fine. Kieran Chandler: È una prospettiva perspicace. Grazie per aver fatto luce sul tema dei data scientist e, in effetti, dei Supply Chain Scientist. È un argomento che sta diventando sempre più rilevante data l’enorme quantità di dati raccolti nella nostra vita quotidiana. Grazie per aver dedicato del tempo oggi.
Joannes Vermorel: Grazie, Kieran.
Kieran Chandler: E grazie ai nostri ascoltatori per aver seguito l’episodio di oggi. Torneremo molto presto con un nuovo episodio. Fino ad allora, continuate a porre le vostre domande e a inviarci i vostri commenti. Grazie mille per aver guardato, e ci vediamo molto presto. Ciao per ora.
