Oltre la modellizzazione statistica

00:00:08 La dura verità sui progetti di data science che non riescono a influire sulle operazioni quotidiane dell’azienda.
00:00:55 La comprensione generale del data science nella maggior parte delle aziende come una glorificata modellizzazione statistica.
00:02:17 La differenza tra la modellizzazione statistica classica e ciò che aziende come Google, Microsoft e Amazon stanno facendo.
00:03:51 La storia dell’elettromagnetismo e il confronto con il data science.
00:07:04 Il problema della mentalità Kaggle nel data science.
00:08:01 Discussione su come l’innovazione tecnologica funzioni nel mondo reale.
00:09:01 Esempio di come Amazon ha rivoluzionato l’e-commerce.
00:10:01 Spiegazione che la maggior parte dei dipartimenti di data science rimanga bloccata in modalità accademica.
00:12:34 Spiegazione che il rischio più grande per le aziende è diventare obsoleti.
00:14:06 Discussione sull’importanza futura dell’AI e del deep learning nelle aziende.
00:16:01 I progressi dei veicoli autonomi sono sorprendenti, ma la domanda è se possano essere industrializzati.
00:16:17 La discussione si sposta sull’applicazione della tecnologia nelle supply chain e nella finanza.
00:17:37 Un test fondamentale per determinare se il team di data science di un’azienda sia sufficientemente significativo per la sopravvivenza dell’azienda.
00:20:07 L’importanza che i dirigenti abbiano la “mechanical sympathy” per poter utilizzare efficacemente il data science nella loro azienda.
00:22:34 L’idea di assumere giovani appena laureati per rivoluzionare un’azienda è un pensiero illusorio e intellettualmente pigro.

Riassunto

Nell’intervista con Kieran Chandler, Joannes Vermorel discute di come la maggior parte delle aziende non sfrutti appieno il potenziale del data science, concentrandosi su modelli statistici esistenti invece di svilupparne di nuovi. Egli ritiene che le aziende debbano reinventare i processi e adottare metodi statistici innovativi. Vermorel sottolinea l’importanza di abbracciare le capacità tecniche e di integrarle a livello dirigenziale attraverso la “mechanical sympathy.” Sostiene che assumere giovani ingegneri non sia sufficiente per la trasformazione aziendale e che i dirigenti debbano possedere mechanical sympathy per sfruttare veramente le nuove tecnologie. Gli imprenditori di successo sono o molto giovani o esperti, con quest’ultima categoria che spesso acquisisce esperienza fondando nuove aziende. Affidarsi ai neolaureati per la trasformazione aziendale è un pensiero illusorio e una pigrizia intellettuale.

Riassunto Esteso

In questa intervista, Kieran Chandler parla con Joannes Vermorel, il fondatore di Lokad, riguardo alle carenze della modellizzazione statistica classica nel data science e come le aziende debbano ripensare il loro approccio per avere successo in questo settore.

Vermorel spiega che la maggior parte delle aziende considera il data science come una glorificata modellizzazione statistica, applicando modelli statistici già esistenti ai dati. Tuttavia, le aziende che sono veramente serie riguardo al data science, come Google, Microsoft e Amazon, stanno ripensando la natura dei metodi statistici e inventandone di nuovi, invece di limitarsi ad applicare modelli esistenti.

Sostiene che il modo in cui il data science è attualmente concepito nella maggior parte delle aziende sia troppo semplicistico e lo paragona all’introduzione dell’elettromagnetismo nel XIX secolo. A quei tempi, lo si vedeva solo come uno strumento utile per compiti specifici, come il controllo qualità. Tuttavia, una volta sfruttata l’elettricità, essa ha trasformato interi settori. Allo stesso modo, Vermorel crede che il data science abbia il potenziale per rivoluzionare le imprese, ma solo se le aziende lo affrontano in maniera diversa.

Critica l’approccio comune al data science, che prevede la raccolta e la pulizia dei dati, l’applicazione di modelli statistici e la fornitura di risultati. Sostiene che questo metodo, spesso rappresentato dalla comunità Kaggle, sia eccessivamente semplicistico e si concentri troppo sul trovare il miglior modello per un determinato set di dati e problema, anziché comprendere veramente i dati sottostanti e le loro potenziali applicazioni.

Invece, Vermorel suggerisce che le aziende dovrebbero considerare il data science come un modo per reinventare i propri processi, in modo simile a come l’elettricità ha rivoluzionato l’industria. Ciò richiede un cambiamento di mentalità, passando dal semplice applicare modelli esistenti ai dati allo sviluppo effettivo di nuovi metodi e approcci statistici in grado di sbloccare l’intero potenziale del data science.

Joannes Vermorel sostiene che la maggior parte delle aziende non sfrutta appieno il potenziale del data science, concentrandosi sull’applicazione di modelli statistici esistenti anziché svilupparne di nuovi. Per trarre veramente beneficio dal data science, le aziende devono ripensare il loro approccio e concentrarsi sul reinventare i processi e sviluppare metodi statistici innovativi.

Vermorel afferma che l’adozione di nuove tecnologie non è un processo lineare in cui le aziende si limitano ad apprendere dalle università e implementare le innovazioni. Invece, le imprese devono impegnarsi in una discussione continua con le nuove tecnologie, acquisendo conoscenze e proiettando le loro esigenze future in base alle capacità che queste tecnologie offrono.

Vermorel utilizza l’esempio dello sviluppo dell’e-commerce da parte di Amazon, evidenziando come l’azienda abbia dovuto ripensare il futuro del commercio, stabilire requisiti e ideare soluzioni innovative. Sottolinea che la chiave per un’innovazione di successo consiste nel comprendere chiaramente il problema e nel porre le domande giuste.

Quando gli viene chiesto perché molti dipartimenti di data science seguano ancora approcci accademici, Vermorel cita la pigrizia come fattore principale. Le aziende spesso optano per un approccio basato su “buzzword”, investendo nelle ultime tendenze senza considerare come queste tecnologie possano cambiare radicalmente i loro modelli di business. Vermorel suggerisce che le imprese dovrebbero concentrarsi sul comprendere i profondi cambiamenti che le nuove tecnologie possono apportare alle loro organizzazioni, piuttosto che cercare migliorie superficiali.

Chandler si domanda se il rischio di adottare nuove tecnologie e cambiare i modelli di business possa essere la ragione della resistenza al cambiamento. Vermorel riconosce il rischio intrinseco, ma sottolinea anche il rischio di obsolescenza per le aziende che non innovano. Condivide le sue esperienze di un decennio fa, mettendo in guardia i rivenditori dal potenziale dirompente di Amazon. Nonostante inizialmente avessero liquidato Amazon come irrilevante, molti di questi rivenditori ora si trovano in difficoltà nel competere con il gigante dell’e-commerce.

Secondo Vermorel, la crescita continua di Amazon e Alibaba nonostante le diseconomie di scala a cui devono far fronte indica che sono distanti anni luce dalla loro concorrenza. Sebbene i dirigenti possano essere tentati di mantenere lo status quo per minimizzare il rischio, Vermorel avverte che farlo continuamente può portare al declino di un’azienda. Invece, le imprese dovrebbero impegnarsi attivamente con le nuove tecnologie e adattare i loro modelli per rimanere competitive di fronte alla disruption.

Discutono il ruolo delle tecniche statistiche avanzate, il futuro del supply chain management e come le aziende possano instillare una cultura basata sui dati nei loro team.

Vermorel affronta innanzitutto il modo di pensare delle aziende che minimizzano l’importanza delle tecniche statistiche avanzate. Sostiene che le aziende non dovrebbero trascurare i rischi di non investire in nuove tecnologie, citando l’esempio di quelle imprese che non si sono adattate a internet nei primi anni ‘90. Sottolinea che le aziende devono rischiare l’adozione di nuove tecnologie o correre il rischio di diventare irrilevanti.

Quando gli viene chiesto sulla rilevanza futura dell’AI e del deep learning, Vermorel evidenzia i progressi sorprendenti di aziende come Google, Amazon e Microsoft in settori quali gli scacchi e i veicoli autonomi. Crede che queste tecnologie continueranno ad avanzare e a svolgere un ruolo essenziale nel supply chain management. Disegna un parallelo tra l’ottimizzazione della supply chain e il trading quantitativo in finanza, dove quest’ultimo è già in atto da decenni.

Per instillare una cultura dell’innovazione e della propensione al rischio nei team di data science, Vermorel suggerisce un test fondamentale: se un’azienda licenziasse tutti i suoi data scientist in una sola notte, l’azienda sarebbe in pericolo mortale o rischierebbe la bancarotta entro un anno? Se la risposta è no, allora probabilmente l’azienda non sta assumendo rischi sufficienti con il suo team di data science. Egli paragona questa situazione ai primi giorni di internet, quando le aziende prendevano rischi significativi con gli sviluppatori web, nonostante la tecnologia fosse apparentemente inferiore ai metodi tradizionali di allora. Questo approccio al rischio ha permesso a quelle aziende di adattarsi e prosperare nell’era digitale.

Hanno discusso dell’importanza che le aziende abbraccino le capacità tecniche e adottino una strategia che incorpori questi aspetti a livello dirigenziale. Sottolinea il concetto di “mechanical sympathy,” in cui i dirigenti hanno una profonda comprensione degli elementi tecnici, permettendo loro di prendere decisioni consapevoli in collaborazione con gli ingegneri.

Vermorel sostiene che assumere giovani ingegneri brillanti non sia sufficiente per rivoluzionare un’azienda. Piuttosto, è fondamentale che i dirigenti abbiano mechanical sympathy per sfruttare veramente il potenziale delle nuove tecnologie. Evidenzia il fatto che il modello comune per gli imprenditori di successo consiste nell’essere o molto giovani o avere una notevole esperienza e saggezza, spesso acquisita fondando nuove aziende. Vermorel conclude che affidarsi ai neolaureati per trasformare un’azienda è un pensiero illusorio e una pigrizia intellettuale.

Trascrizione Completa

Kieran Chandler: Oggi su LokadTV, andremo oltre la modellizzazione statistica classica e discuteremo del perché i dipartimenti di data science debbano fare più che semplicemente raccogliere dati, manipolarli e fornire risultati. Quindi Joannes, la maggior parte di noi sta ancora cercando di comprendere la modellizzazione statistica classica. Qual è l’idea principale oggi?

Joannes Vermorel: Ci sono diverse idee. Per prima cosa, utilizzo il termine “statistical modeling” come ho suggerito per questo episodio perché, quando si osservano le pratiche del data science come vengono concepite nella maggior parte delle aziende, si tratta semplicemente di una glorificata modellizzazione statistica. Per il grande pubblico, nel caso vi stiate chiedendo, quando si tratta di estrarre pattern o replicare qualche aspetto dell’intelligenza umana, tutto ciò che abbiamo al momento è la statistica. Questi metodi statistici possono avere nomi appariscenti come deep learning, e alcuni li chiameranno AI, ma letteralmente, ciò che abbiamo sono modelli statistici.

In passato, qualche decennio fa, ci furono tentativi di fare AI con approcci non statistici, come l’approccio simbolico, che produsse risultati praticamente nulli. Questo filone si estinse, lasciando l’approccio statistico come l’unico che tuttora esiste in modo significativo. Quindi, tutto ciò che abbiamo per fare qualcosa di sofisticato con i dati sono i metodi statistici.

La cosa interessante è: cosa stanno facendo quei team nella maggior parte delle aziende che effettivamente operano nel data science? Beh, stanno giocando con i modelli statistici. Contrappongo questo a quello che, diciamo, le persone veramente serie in materia, come Google, Microsoft e Amazon, stanno facendo. Non si limitano a fare statistical modeling; stanno ripensando la natura fondamentale del prossimo metodo statistico, come inventare il deep learning invece di giocare con esso. Si tratta di inventare la prossima evoluzione degli gradient boosted trees, piuttosto che prendere gli gradient boosted trees, un modello statistico, e applicarlo semplicemente a un altro set di dati.

Kieran Chandler: Quindi, la comprensione comune è che questi team entrino, raccolgano i dati, li puliscano, applichino i loro modelli statistici e forniscano risultati. Cosa fanno, invece, i Google e gli Amazon che sia così migliore?

Joannes Vermorel: Penso che per rispondere a questa domanda dobbiamo fare un salto indietro nel tempo e ripensare, diciamo, al XIX secolo, quando l’elettromagnetismo era una novità assoluta.

Kieran Chandler: Se si legge un po’ di storia, su come le persone lo affrontavano, si direbbe: “Oh, c’è l’elettromagnetismo. È incredibilmente interessante.” Immaginate di essere un’azienda industriale dell’epoca, un’azienda pre-industriale. Avete un produttore che opera in modo semi-manuale, e poi c’è questa faccenda dell’elettromagnetismo che inizia a destare interesse, e pensate: “Oh, credo che valga davvero la pena avere un piccolo team che faccia qualcosa di sofisticato con questo.” E magari, per il controllo qualità, avremo alcune cose in cui possiamo testare la conduttività, e questo è molto promettente. E faremo alcune cose che sono interessanti perché, sì, testare la conduttività è un ottimo modo per fare il controllo qualità su alcune cose che produciamo.

Joannes Vermorel: Se ci si ripensa un secolo dopo, si penserebbe che questo è assurdo. Voglio dire, con l’elettricità, si possono avere motori, illuminazione elettrica, riscaldamento, raffreddamento e persino fondere il metallo. Essa sostituirà tutte le necessità di avere una fiamma libera nel vostro impianto. Quindi, una volta che si ha elettricità su larga scala, si può letteralmente reinventare praticamente tutto il modo in cui si opera. Il fatto è che, come viene concepito il data science, sembra solo un gadget sofisticato, e le persone si limitano a seguire il quadro in cui il problema si presenta.

Kieran Chandler: Quindi, il modo in cui viene fatto in ambito accademico è presentare il problema come se aveste un set di dati ben definito, una serie di modelli e qualche metrica di accuratezza perché si vuole fare qualche tipo di previsione. E andremo ad esplorare i vari modelli e a cercare quello che performa meglio. E questo è letteralmente incarnato nelle competizioni su Kaggle di cui abbiamo discusso in precedenza.

Joannes Vermorel: La gente dice, “Beh, tutto è già stato inquadrato; c’è un set di dati dato, un problema con una metrica prestabilita, e poi c’è un’infinità di modelli.” La maggior parte di essi può essere persino composta in vari modi, e si possono potenzialmente rielaborare le caratteristiche dei dati per rendere il set più adatto rispetto al modello che si possiede. Questo è il data science.

Kieran Chandler: Che cosa c’è di così sbagliato in quel tipo di mentalità Kaggle? È semplicemente eccessivamente semplicistica, e ti fa credere che otterrai un solo risultato accurato, o perché è così sbagliato?

Joannes Vermorel: Se guardi alla storia, ed è qualcosa che si vede una sola volta nel passato, diventa evidente. Ma al momento attuale, quando sei ai margini, è difficile da intravedere. Una volta che diventa la norma, è così ovvio. Quindi, ora, se torno al data science, vedo aziende che invariabilmente intraprendono progetti “pet”, un’applicazione personale, una specie di gadget numerico sofisticato in cui hai incorporato un po’ di AI. Probabilmente la cosa più assurda e inutile sono i chatbot. Ma so che ci sono molte persone che hanno raccolto ingenti somme di denaro per sviluppare grandi aziende che possono imparare dinamicamente come discutere su Twitter e diventare nazisti in 48 ore solo perché sono stati forniti gli input giusti. E questo è semplicemente assurdo.

Kieran Chandler: Tornando a questo, intendo, il problema è che quando vuoi riflettere su cosa implichi una nuova tecnologia, non è un processo unidirezionale. La gente pensa che le università scoprono le cose, le insegnino agli studenti, e che questi, laureati in ingegneria, informatica, ecc., entrino nelle aziende e implementino l’innovazione. Ma non è affatto così che funziona il mondo reale.

Joannes Vermorel: Il mondo reale è, ad esempio, che Amazon ha praticamente inventato ciò che sarebbe poi diventato l’e-commerce, insieme ad alcuni altri come eBay e altri pionieri. Hanno definito questo tramite la loro innovazione. Non è stato Jeff Bezos a dirsi, nei primi anni ‘90, “Assumerò webmaster e costruirò un sito web.” Hanno letteralmente dovuto pensare a quale sarebbe stato il futuro del commercio a distanza, e ciò era qualcosa di profondamente diverso da quanto fatto finora.

Quindi, data science, vedi, il problema è che pensi che si tratti di avere un framework nel quale ci siano ingegneri intelligenti che implementino la soluzione. In realtà, il processo è molto più una discussione continua in cui il business acquisisce nuove capacità tecniche e poi si proietta in quello che dovrebbe essere il business del futuro. Successivamente, stabiliscono i requisiti mancanti dal punto di vista tecnologico per implementarla, e di solito ti rendi conto che la maggior parte dell’innovazione nasce dai requisiti. Una volta chiaro ciò di cui hai bisogno, la soluzione non è così difficile da trovare, basta sapere quale domanda porre.

Kieran Chandler: E perché diresti che la maggior parte dei dipartimenti di data science è ancora un po’ bloccata in quegli schemi accademici? Voglio dire, perché non ce ne sono di più come le Amazon del mondo?

Joannes Vermorel: Innanzitutto, perché se sei un’azienda di una certa dimensione e vedi queste parole d’ordine, la via più facile è aggiungere una riga nel budget in cui spenderai qualche milione all’anno per l’approccio di tendenza del momento. Se si tratta di un team di data science, sì, facciamolo. Se la blockchain è in voga, sì, costruiamo anche un team di blockchain. Inseriranno regolarmente ciò che è la parola d’ordine del momento ed elimineranno ciò che è passato di moda. È solo il normale corso degli affari.

Il mio messaggio è che se vuoi fare qualcosa di sostanziale, devi davvero chiederti: quale cambiamento profondo porteranno in azienda quei sofisticati metodi numerici? Se l’unico cambiamento è di carattere cosmetico, come il calcolo automatico delle classi ABC in modo migliore, non cambierà nulla nella tua azienda. Ma ovviamente, cambiare l’intero modello di business di un’azienda per adattarsi a una nuova tecnologia è un’altra storia.

Kieran Chandler: È intrinsecamente rischioso, e non diresti che è per questo che c’è tanta resistenza a quel tipo di cambiamento? È perché, fondamentalmente, se le persone non lo capiscono, ci sono molti rischi associati, dato che è una nuova tecnologia? Quindi è molto più sicuro lasciarlo com’è e investire magari un po’ in ricerca e sviluppo?

Joannes Vermorel: Il problema è il rischio ambientale di andare in bancarotta semplicemente perché sei diventato obsoleto. Per la maggior parte delle aziende, questo rischio è molto reale. Ho discusso con molti rivenditori per oltre un decennio e, letteralmente, dieci anni fa, ho avuto discussioni surreali in cui dicevo loro che questa azienda, Amazon, stava arrivando e vi avrebbe mangiato il pranzo. Dovevate fare qualcosa. E la gente mi diceva, “Oh, ma guarda, è così piccola. Sì, sta crescendo, ma non ha nemmeno l’un per cento di quota di mercato. A noi non importa.” Oggi, se guardi ad Amazon e Alibaba, sono assolutamente gigantesche e continuano a crescere, il che è pazzesco. Considerata la quantità di economie di scala che stanno affrontando, sai che quando cresci oltre una certa dimensione, non ottieni più economie di scala, ma diseconomie di scala. Amazon ha superato di gran lunga la fase delle diseconomie di scala, quindi ha enormi svantaggi in tutto ciò che fa perché soffre di tali diseconomie. Se desidera anche solo mantenere l’un per cento di crescita, deve superare diseconomie di scala assolutamente massicce. Questo significa che non stanno facendo qualcosa di marginalmente migliore rispetto alla maggior parte delle altre aziende; sono semplicemente anni luce avanti. Quindi, in effetti, come dirigente, non fare nulla o non sfidare mai lo status quo è la carta più sicura da giocare, senza ombra di dubbio. Il mio messaggio per l’amministratore delegato sarebbe: riesci a tollerare che questa mentalità sia prevalente nella tua azienda? Non intravedi alcun problema all’orizzonte? Se non lo vedi, beh, direi che nessuno verserà lacrime per il fatto che sei destinato all’oblio.

Kieran Chandler: Quindi, queste tecniche statistiche avanzate sono decisamente la moda del momento, e la gente parla sempre di parole d’ordine come AI e deep learning. Ma con quanta fiducia puoi dire che, fra dieci anni, questo sarà ancora un argomento importante per queste aziende?

Joannes Vermorel: È una buona domanda. Innanzitutto, i risultati di aziende come Google, Amazon o Microsoft con queste tecnologie sono semplicemente stupefacenti. Ad esempio, siamo passati da programmi che facevano davvero fatica a battere un grande maestro di scacchi a qualcosa che ora sconfigge il campione di scacchi. Se guardi il lavoro più recente di Google, puoi passare da zero a incredibilmente, inumano in quattro ore per gli scacchi. Possono configurare un programma che impara a giocare a scacchi e, in sole quattro ore, raggiunge un livello letteralmente inumano, in cui batterà ogni singolo essere umano. Il modo in cui il computer gioca è semplicemente incomprensibile perché non ha alcun senso. Quindi, hai risultati stupefacenti, ovviamente, per problemi molto ristretti e ben definiti. Ma se guardi ai veicoli autonomi, è altrettanto stupefacente; funziona davvero.

Kieran Chandler: La domanda è, può essere industrializzato? Abbiamo ancora qualche esitazione, ma il progresso è letteralmente stupefacente.

Joannes Vermorel: Il fatto che tu possa fare questo salto nel buio e dire, beh, esistono queste tecnologie che hanno dimostrato di funzionare in una lunga serie di casi. È ragionevole credere che le probabilità siano abbastanza alte che queste innovazioni rivoluzioneranno completamente il modo in cui le supply chain vengono gestite. A proposito, nel caso delle supply chain, non sarà nemmeno una vera novità, perché se guardi a Lokad, sosteniamo questa visione di quantitative supply chain. Ma se osservi ciò che viene fatto oggi in banche e nel settore finanziario, si tratta tutto di quantitative trading. Hanno i quants, e non è nemmeno il futuro, è già qui, è presente da due decenni o più. Quindi, l’idea è che questo approccio arrivi due o tre decenni in ritardo nelle supply chain, ma è già in atto da decenni nella finanza.

Kieran Chandler: Se qualcuno sta guardando questo e si chiede cosa fare per instillare quel tipo di cultura nei propri team di data science, quali passi dovrebbero compiere? Come dovrebbero spingere i loro team a prendersi più rischi ed essere un po’ più innovativi, andando contro le opzioni facili dello status quo?

Joannes Vermorel: Penso che si possa applicare un semplice test del piombo: se l’azienda licenziasse tutti i data scientist in una notte, l’azienda si troverebbe in gravi guai? Fallirebbe in un anno? E se la risposta è no, allora probabilmente quelle persone sono irrilevanti, e qualunque cosa tu stia facendo con loro non conta. Potresti dire, “Oh, ma è così rischioso, è così brutale.” Ma ancora una volta, ripensa alla situazione di Amazon nei primi anni ‘90 con il web. La gente diceva: “Oh, ma siamo così dipendenti da questi web engineer. È follia essere dipendenti da questa tecnologia che sembra veramente scadente. Hai un modem super lento che impiega tre minuti per stabilire la connessione. È una pila di cianfrusaglie sopra un’altra pila di cianfrusaglie. E poi le immagini hanno una risoluzione talmente povera. Voglio dire, prima aspetti un minuto per vedere l’immagine del tuo prodotto, e poi è davvero scadente. Quel catalogo cartaceo è molto meglio. Accesso in tempo reale a tutti i prodotti, immagini ad alta risoluzione. Questo internet è semplicemente un grosso mucchio di sciocchezze. Perché dovremmo rischiare di avere una dipendenza assoluta a livello aziendale da questi sviluppatori web?” Beh, la risposta è perché se non lo fai, tra dieci anni, vent’anni, non esisterai più.

Quindi, ovviamente, sto parlando con il senno di poi. Ora le cose sono molto più ovvie. È difficile per me trasmetterlo, ma il punto è che penso che molte aziende se ne siano rese conto, ed è per questo che hanno assunto questi data scientist. Ma non si rendono conto che la domanda è: avete una strategia in cui i dirigenti chiave sfruttano al meglio quelle capacità tecniche? E questo richiede un po’ di pensiero strategico.

Kieran Chandler: Quindi, hai quella simpatia meccanica che ti permetterebbe di avere una discussione intelligente ed istruita con gli ingegneri che stanno costruendo il motore della tua azienda? Diresti che questo è uno dei veri ostacoli quando si parla di data science nelle aziende, il fatto che probabilmente gli esecutivi attualmente non possiedono quel livello di simpatia meccanica di cui hanno bisogno?

Joannes Vermorel: Francamente, se potessi reinventare le aziende assumendo ventiquattrenni e lasciandoli fare la magia, sarebbe fantastico. Ma se guardi alla storia delle aziende, il numero di volte in cui ciò è accaduto in quel modo – assumere un ingegnere brillante che abbia rivoluzionato una compagnia cinquantennale dall’interno – è molto raro. Il modello dominante è o quello di persone molto giovani o di chi ha più di 45 anni, dato che di solito possiedono un po’ di capitale, esperienza e magari un certo grado di saggezza. Ci vuole una nuova azienda per ottenere questo.

Il mio consiglio sarebbe: se pensi che assumere persone appena uscite dall’università rivoluzionerà la tua azienda, stai vivendo un’illusione. Non è serio e, direi, al massimo intellettualmente pigro.

Kieran Chandler: Va bene, dobbiamo concludere qui, ma grazie per il tuo tempo. Quindi, questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo nel prossimo episodio. Grazie per aver guardato.