00:00:04 Ruolo del data scientist nelle supply chain.
00:01:33 Confronto tra data mining e tendenze della scienza dei dati.
00:03:16 Strumenti di data science per il marketing nelle università.
00:04:14 Competenze di programmazione vs. creazione di valore aziendale.
00:06:37 Il passaggio di Lokad a “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 Supply Chain Scientists e il ruolo dell’estrazione dei dati.
00:14:19 Rischi di fare affidamento su toolkit statistici.
00:16:29 Il crescente ruolo dei dati nella vita.
Riassunto
Kieran Chandler e Joannes Vermorel stanno discutendo il ruolo fondamentale dei data scientist nella gestione della supply chain. La loro conversazione mette in evidenza la necessità per questi professionisti di estrarre valore dai dati aziendali, mentre mette in guardia contro la tendenza a sovrastimare le competenze di programmazione e statistiche. Vermorel sottolinea l’importanza della conoscenza pratica e dell’acume aziendale, mettendo in guardia dall’eccessiva fiducia nelle capacità tecniche. Egli introduce il ruolo di “supply chain scientists”, incaricati di estrarre e interpretare i dati per affrontare i problemi aziendali, a differenza dei ruoli IT focalizzati sulla manutenzione dei sistemi. Il loro dialogo sottolinea le sfide nella formazione universitaria, evidenziando la scarsità di dati reali sulla supply chain e la eccessiva dipendenza dai linguaggi di programmazione e dai framework statistici.
Riassunto Esteso
La conversazione tra Kieran Chandler e Joannes Vermorel si concentra sul ruolo sempre più ampio e significativo dei data scientist nel settore commerciale, in particolare nell’industria della supply chain. Chandler sottolinea la crescente domanda di data scientist, definendola un fenomeno che “sta spazzando l’industria come un incendio”. Osserva che questa domanda, che non era così pronunciata cinque anni fa, si evolve così rapidamente da superare la capacità delle università di formare abbastanza laureati per occupare queste posizioni.
Vermorel esprime il suo punto di vista su questo cambiamento, osservando che le aziende stanno iniziando a comprendere il valore intrinseco dei loro dati e la conseguente necessità di individui con le competenze per estrarre questo valore. Tuttavia, attira anche l’attenzione sul carattere ciclico di questa tendenza, paragonandola alla “febbre del data mining” degli anni ‘90. Specula che l’attuale fissazione per i data scientist ricorda l’interesse passato per i “data miner”, portandolo a definire i data scientist come “data miner versione 2”.
Vermorel parla dell’ascesa e della caduta delle aziende di data mining negli anni ‘90, suggerendo una narrazione di cautela. Ricorda l’emergere di centinaia di aziende durante il periodo del data mining, che fornivano strumenti per il data mining. Tuttavia, la maggior parte di queste aziende è scomparsa, mettendo in dubbio l’attuale ondata di fornitori di strumenti di data science. Vermorel intravede una correlazione tra questi due periodi, suggerendo un possibile modello ripetuto di ascesa e declino con l’attuale tendenza della data science.
È interessante notare che Vermorel sottolinea che la sua azienda, Lokad, evita di utilizzare il termine “data scientist”, optando invece per “supply chain scientist”. Questa preferenza riflette la sua convinzione nell’importanza di comprendere il contesto aziendale e il valore al di là delle sole competenze matematiche e di programmazione. Egli mette in guardia sul fatto che la competenza negli aspetti tecnici, sebbene cruciale, non si traduce automaticamente nella generazione di valore aziendale all’interno delle supply chain.
Inoltre, Vermorel parla della strategia promozionale dei fornitori di strumenti di data science attuali. Sottolinea il loro marketing aggressivo verso le università, specialmente attraverso toolkit open-source che si adattano alla mentalità generale dell’accademia. Tuttavia, fornisce anche una nota di cautela: il successo nel marketing di un prodotto nelle università non garantisce che lo strumento produrrà risultati benefici in contesti aziendali tangibili.
Vermorel sottolinea la necessità per i data scientist di non limitarsi ad analizzare i dati, ma di apportare effettivi cambiamenti aziendali attraverso le loro scoperte. La sfida è che, spesso, i data scientist possono esaminare e presentare i risultati, ma faticano nell’implementare queste modifiche, in quanto potrebbero interrompere lo status quo. Si tratta di più che conflitti sulle decisioni operative; è la questione più ampia di sapere se il data scientist sia veramente autorizzato ad agire e a fornire valore all’azienda.
Inoltre, la discussione riguarda il ruolo di un ‘supply chain scientist’, un termine utilizzato presso Lokad. Secondo Vermorel, il compito di un supply chain scientist consiste nel generare decisioni operative legate alla supply chain, come ad esempio decidere la quantità da ordinare. Queste decisioni devono essere operative, pratiche e redditizie. 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 dei dati con il software e le persone che lo utilizzano. Ciò assicura una comprensione completa del problema da risolvere.
Il compito di un supply chain scientist comporta la comprensione dei dati estratti, la creazione di un modello di ottimizzazione e il bilanciamento della complessità e della precisione. Vermorel riconosce la complessità del mondo reale, soprattutto nelle supply chain, che rende impraticabile una modellazione matematica perfetta. Invece, i supply chain scientist devono ricorrere ad approssimazioni ed euristiche per risolvere efficacemente i problemi. Devono guardare l’intero quadro e rimanere impegnati ad esso.
Chandler introduce quindi il ruolo dei reparti IT, chiedendosi se dovrebbero assumersi la responsabilità del software e delle persone, dato che di solito implementano e mantengono i sistemi software.
Questa domanda fa pensare a una tensione tra i ruoli operativi, tecnici e strategici all’interno di un’organizzazione.
La conversazione indaga principalmente sulle diverse responsabilità tra la tecnologia dell’informazione (IT) e i supply chain scientist, nonché sulle sfide che i data scientist affrontano nel panorama attuale.
Vermorel sostiene che l’IT e i supply chain scientist hanno responsabilità separate all’interno di un’organizzazione. Equipara il ruolo dell’IT a quello della manutenzione, garantendo il funzionamento costante e senza intoppi dei sistemi e dei processi. La responsabilità dell’IT è mantenere le cose in funzione ogni secondo, gestendo gli aspetti tecnici legati al mantenimento dell’uptime e della sicurezza del sistema.
Al contrario, il ruolo di un supply chain scientist, secondo Vermorel, non riguarda la manutenzione. Invece, il loro dovere ruota attorno all’estrazione e all’interpretazione dei dati. Devono assicurarsi che i dati utilizzati offrano una corretta comprensione delle situazioni aziendali e che le soluzioni derivate producano risultati redditizi. Non devono occuparsi degli aspetti tecnici, poiché il loro obiettivo principale è risolvere i problemi aziendali interpretando accuratamente i dati.
Chandler cambia la conversazione alla evidente mancanza di competenze di estrazione e preparazione dei dati tra i data scientist, nonostante queste siano componenti vitali della loro professione. Vermorel concorda, osservando che i corsi universitari e i boot camp si concentrano principalmente sui linguaggi di programmazione come Python e R, trascurando spesso gli aspetti più pratici del lavoro.
Vermorel precisa che le università sono meglio attrezzate per insegnare certi aspetti a causa di problemi di accessibilità e riservatezza. I dati sulla 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 toolkit di programmazione e statistici, ma mancano di conoscenze pratiche sulla gestione dei dati reali della supply chain.
Vermorel avverte che questa eccessiva enfasi sulla programmazione e sulle statistiche potrebbe portare a un eccesso di fiducia tra i nuovi data scientist. Potrebbero erroneamente credere che queste competenze da sole siano sufficienti per risolvere i problemi della supply chain. Tuttavia, la gestione della supply chain 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 praticanti della supply chain a bassa tecnologia che tendono a fare affidamento sul buon senso e su strumenti semplici, come i fogli di Excel, per prendere decisioni aziendali.
Trascrizione completa
Kieran Chandler: Oggi parleremo di un nuovo ruolo lavorativo che sta spopolando nel settore come un incendio. Il ruolo di un data scientist sta diventando sempre più rilevante in un momento in cui le aziende stanno dando sempre più importanza ai dati e all’elaborazione di conclusioni pertinenti. Cinque anni fa, nessun direttore della supply chain aveva bisogno di data scientist. Tuttavia, oggi tutto è cambiato, con il numero di opportunità di lavoro per i data scientist che sembra crescere più velocemente di quanto le università riescano a produrli. Quindi, Joannes, cosa è cambiato? Perché c’è improvvisamente questa necessità di più data scientist?
Joannes Vermorel: È evidente che le aziende riconoscono che i loro dati hanno molto valore. Non appena riconoscono questo fatto, hanno bisogno di molte persone per estrarre il valore dai dati e questo è ciò che fanno i data scientist. Tuttavia, la cosa interessante è che non è del tutto nuovo. Per coloro che erano presenti negli anni ‘90, o forse alla fine degli anni ‘90, all’epoca era chiamato con un nome diverso: data miners. Le persone estraevano cose dai dati. Quindi, in sostanza, il data scientist sembra essere la versione 2 del data miner, o qualcosa di simile.
Kieran Chandler: Se questi data miner non sono ancora presenti oggi, immagino che i risultati non siano stati così positivi. Forse potresti dirci qualcosa di più a riguardo e se c’è qualcosa che possiamo imparare da ciò che è andato storto?
Joannes Vermorel: È molto interessante perché si può vedere che nei circoli della supply chain, i data scientist sono diventati molto alla moda. Mi sembra che ci sia una tendenza macro in cui le cose si ripetono. Due decenni fa, si trattava di data mining e oggi si tratta di data science. È lo stesso modello che si ripete, solo con un nome diverso. Due decenni fa, abbiamo visto l’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 forniscono strumenti per la data science. Vediamo anche consulenti di data science. Quindi sì, c’è qualcosa di vero nel nucleo, ma c’è anche un effetto di moda ciclica.
Kieran Chandler: Non è tutti i giorni che si sentono le parole data science e moda nella stessa frase. Quello che stiamo dicendo è che i data miner erano conosciuti con un nome diverso. Quindi, non dovremmo iniziare a vendere la tecnologia Lokad alle università in modo che la prossima generazione di data scientist, qualunque sia il loro nome, sia completamente addestrata nell’uso dello strumento e capisca appieno come utilizzarlo?
Joannes Vermorel: Questo è sicuramente un punto di vista. A proposito, tutte le aziende che promuovono gli strumenti di data science si stanno facendo pubblicità in modo aggressivo presso le università. Un modo facile per farlo è promuovere kit di strumenti open source, perché si adattano alla mentalità generale delle università. Tuttavia, è principalmente uno strumento di marketing. È positivo in un certo senso, ma non significa efficienza. Non significa che se ti promuovi con successo presso le università, otterrai necessariamente risultati nel tuo business. Non è perché diventi un grande matematico o un grande programmatore che si tradurrà immediatamente nella creazione effettiva di valore aziendale all’interno delle tue supply chain. Questo è un pericolo in cui credo, ed è una delle ragioni principali per cui a Lokad preferiamo il termine “supply chain scientist”.
Kieran Chandler: Dare priorità all’aspetto aziendale ha senso per molti praticanti della supply chain perché sono esposti molto all’aspetto aziendale nel loro lavoro quotidiano. Forse l’unica eccezione è nelle grandi aziende in cui i data scientist possono essere sommersi dal volume stesso dei dati o dalla complessità dei loro problemi. Ma, c’è qualche altra cosa oltre a concentrarsi su un problema aziendale particolare?
Gufi e riduzione dei tempi di consegna e cose del genere. Quindi, c’è qualche altra cosa oltre a concentrarsi sul problema aziendale corretto?
Joannes Vermorel: Sì, in realtà c’è un grosso problema. Il ruolo di un data scientist non riguarda solo l’analisi aziendale; riguarda fare la differenza e essere in grado di prendere e implementare una decisione, che può portare a un impatto reale sul business all’interno dell’organizzazione. Questo può essere complicato perché i data scientist possono facilmente accedere ai dati e produrre analisi. Ma quando si tratta di agire, spesso si sfida lo status quo. Non si tratta solo di disaccordi sulle quantità degli ordini, ma di disaccordi che vanno più in profondità. Il più grande potenziale di fallimento si verifica quando il data scientist non è in grado di agire veramente e fornire valore al business. Questo è probabilmente il principale problema che posso vedere.
Kieran Chandler: Hai menzionato che c’è una sorta di resistenza allo status quo. Posso sicuramente comprendere alcuni dei praticanti della supply chain perché hanno lavorato con metodi che hanno funzionato per decenni. Quindi, se qualcuno mette in discussione ciò che ha funzionato e ciò che ha continuato a funzionare, posso capire perché affrontano le cose con molto scetticismo. Hai detto che da Lokad abbiamo degli scienziati della supply chain anziché dei data scientist. Potresti dirci qualcosa di più su di loro e perché hanno un nome diverso?
Joannes Vermorel: Penso che il nome diverso rifletta il nostro approccio ai problemi. Il nostro impegno è rivolto alla supply chain. Uno scienziato della supply chain è qualcuno che dovrebbe generare decisioni reali e attuabili, come ad esempio quanti devi ordinare proprio adesso. Le decisioni dovrebbero essere attuabili, pratiche e redditizie. Si tratta di qualcuno che si prende la responsabilità del valore aziendale delle sue proposte. Questa responsabilità comporta effettivamente molte cose.
Per metterlo in contesto, andiamo a ritroso. La decisione è il fine del gioco, ma se inizi a ritroso, inizia con i dati. I dati provengono dai sistemi aziendali, ma i dati hanno senso solo attraverso gli occhi delle persone che utilizzano il software. Quindi non si tratta solo di software; si tratta di software più persone. Lo scienziato della supply chain deve avere una buona comprensione di questo. Deve comprendere il problema che viene risolto, dare un senso ai dati estratti e quindi costruire un modello di ottimizzazione di qualche tipo.
C’è un trade-off tra complessità e precisione. Il mondo reale è incredibilmente complesso e le supply chain non fanno eccezione. Non è possibile avere una modellazione matematica perfetta, quindi è necessario approssimare e utilizzare euristiche, che sono solo ricette che funzionano. Lo scienziato della supply chain deve mettere insieme tutte queste cose per garantire che ci siano risparmi reali, non solo in percentuale ma in dollari effettivi. Devono impegnarsi in questa visione d’insieme. Di questo si tratta uno scienziato della supply chain.
Kieran Chandler: Ok, ma hai detto che uno scienziato della supply chain dovrebbe essere responsabile del software e delle persone. E cosa dire dei dipartimenti IT? Non dovrebbero essere responsabili di questo? Dopotutto, sono loro che hanno messo in atto il software e spesso sono le persone che lo costruiscono.
Sembra che si stia mettendo molta responsabilità sulle spalle di un solo scienziato della supply chain. Ti aspetti un miracolo?
Joannes Vermorel: Sì, la responsabilità è piuttosto enorme. Tuttavia, c’è una differenza significativa. Credo che la responsabilità principale dell’IT sia garantire che il sistema sia operativo. L’IT deve gestire le operazioni in corso e assicurarsi che le cose funzionino ogni secondo. Lo scienziato della supply chain ha una responsabilità diversa. A questa persona non è affidato il compito di mantenere tutto in funzione.
Kieran Chandler: Quindi, qual è esattamente la responsabilità di uno scienziato della supply chain?
Joannes Vermorel: La responsabilità di uno scienziato della supply chain è estrarre i dati e dare loro un senso. È un compito molto diverso. Questa persona non deve occuparsi di tutte le questioni tecniche legate al mantenimento di qualcosa in funzione e sicuro. Questa è responsabilità dell’IT, che è effettivamente molto difficile. L’impegno dello scienziato riguarda l’assicurarsi che la comprensione sia corretta. La soluzione aziendale che emerge da questa comprensione deve essere redditizia come risultato dell’identificazione precisa di un problema che l’azienda ha davvero bisogno di risolvere.
Kieran Chandler: Sembra che l’estrazione e la preparazione dei dati siano compiti fondamentali. Tuttavia, gli scienziati dei dati non sono adeguatamente formati in questi aspetti? La maggior parte dei corsi e dei boot camp di data science riguardano la programmazione in linguaggi come Python e R.
Joannes Vermorel: È una domanda eccellente. Le università eccellono in determinate aree e sono deboli in altre. Affrontiamo la realtà: dare un senso ai dati richiede dati effettivi in primo luogo. La maggior parte delle grandi aziende con catene di approvvigionamento di grandi dimensioni non condivide i propri dati con le università. Pertanto, le università utilizzano come materiali di formazione ciò a cui hanno accesso. Accedere al software open source è molto più facile che accedere ai dati riservati della catena di approvvigionamento.
Kieran Chandler: Si parla molto di dati personali, sai, simili al GDPR in Europa. Richiede sforzi significativi da parte di tutti per essere conformi. Quindi è incidentale ma complica la situazione. Le università, ad esempio, vogliono formare persone nei compiti più difficili, dove saranno in grado di fornire il maggior valore, ma è difficile. Quindi è molto più facile per le università fare affidamento sui linguaggi di programmazione e sui framework statistici perché sono più accessibili, più matematici. È anche più facile testare gli studenti su questi argomenti, cosa che, come professore, devi sia insegnare che valutare i tuoi studenti. Questo richiede insegnare qualcosa in cui la valutazione è possibile. È un vincolo strano, ma influisce certamente su ciò che puoi insegnare in un’università.
Joannes Vermorel: Ora, il problema principale che vedo con questo focus sugli strumenti statistici è che può portare a un eccesso di fiducia. È utile sapere come programmare, essere fluenti in statistica. Sicuramente è qualcosa che aiuta, non è un aspetto negativo. Ma comporta un problema sottile. Può far sì che le persone siano troppo fiduciose, credendo che sapere come programmare, capire la statistica, capire la matematica, sia la chiave per risolvere i problemi della supply chain.
E qui, c’è una certa saggezza in molti professionisti della supply chain che spesso sono molto poco tecnologici. Cercano di attenersi al buon senso, si attengono al loro foglio di calcolo Excel. E c’è saggezza in questo perché si attengono a ciò che ha senso dal punto di vista aziendale. Se l’unico motivo per cui ti attieni al buon senso è che ti manca la conoscenza della statistica e della programmazione, non è ideale. Ma, d’altra parte, se tutto ciò che sai è la statistica e la programmazione, questo non ti rende un esperto di supply chain.
Solo perché sei competente in queste aree, non si traduce automaticamente in soluzioni che genereranno euro o dollari extra. Quindi credo che questo sia il pericolo più grande. Stiamo producendo ora eserciti di persone che soffrono spesso di eccesso di fiducia. La programmazione è un mezzo, non un fine.
Kieran Chandler: È una prospettiva interessante. Grazie per fare luce sul tema degli scienziati dei dati e, in effetti, degli scienziati della supply chain. È un argomento che sta diventando sempre più rilevante data la quantità impressionante di dati raccolti nella nostra vita quotidiana. Grazie per aver dedicato del tempo oggi.
Joannes Vermorel: Grazie a te, Kieran.
Kieran Chandler: E grazie a tutti i nostri ascoltatori per aver seguito l’episodio di oggi. Torneremo molto presto con un altro episodio. Fino ad allora, continuate a fare domande e a inviarci i vostri pensieri. Grazie mille per la visione e ci vediamo presto. Ciao per ora.
