Rexel Itália impulsiona seu desempenho intralogístico com o WMS da Generix. Veja o comunicado de imprensa
Comecei meus estudos na Tunísia, onde fiz um estudo preparatório. Em 2014, entrei para a Supméca Paris, uma escola geral de engenharia. Durante o meu ano sabático, fui capaz de identificar diferentes possibilidades de orientação graças a dois estágios diferentes: primeiro em design mecânico na Valeo, depois no 4PL CEVA Logistics em Bangkok. Optei por me especializar em logística por se tratar de um campo muito transversal no mundo corporativo, o que me permite estar em contato com os mais diversos players e setores.
No meu terceiro e último ano de estudos, fiz um estágio na Generix Group. Na época, eu não tinha nenhum conhecimento específico em informática, seja em inteligência artificial ou dados, por exemplo. Por outro lado, possuía conhecimentos de negócios relacionados principalmente a Supply Chain. Tive então a oportunidade de trabalhar vários assuntos, tanto do ponto de vista funcional como de execução: logística, transporte, armazenagem, gestão de inventário, fabricação, etc.
Ao final desse estágio, tive um entendimento ainda melhor dos aspectos técnicos, o que despertou um forte interesse pelo mundo da TI. Rapidamente percebi que havia uma forte demanda no mercado por jovens engenheiros com habilidades em TI e digitalização. Tendo em vista minhas habilidades e expectativas de mercado, era mais relevante para mim me especializar em Data Science. A vantagem é que este campo é baseado em teorias matemáticas e inicialmente não requer grandes habilidades no desenvolvimento informático.
Optei por continuar a minha carreira com um programa de trabalho-estudo entre as equipes da Generix Group, a fim de fazer investigação em Data Science e ver como integrá-la internamente, para os nossos produtos ou para os nossos clientes. Durante os primeiros seis meses, fiz a democratização da inteligência artificial dentro do grupo. Posteriormente, montamos uma estrutura de inovação dedicada, o Data Lab, que visa apoiar as equipes de P&D da Generix Group na identificação de necessidades e na colocação de novas soluções inteligentes em produção.
É uma mistura de várias coisas. Alcançamos a maturidade tecnológica globalmente e em outros lugares, o deep learning (aprendizado profundo) e o machine learning (aprendizado de máquina) já começaram a demonstrar o poder e a complexidade dos problemas que podem ser resolvidos com essas tecnologias. Houve também a chegada do Cloud e do Big Data, e o desejo duradouro de usar essas tecnologias para atender melhor às expectativas dos clientes. Foi tudo isso que deu origem à profissão de Data Scientist. Ao mesmo tempo, há também outra profissão muito relacionada à minha: a de Engenheiro de Dados. Esses são dois perfis que trabalham juntos para oferecer novos serviços relacionados aos dados.
A Data Science visa não apenas extrair conhecimento de dados homogêneos ou heterogêneos, mas também visualizar esses dados usando ferramentas matemáticas, estatísticas e ferramentas informáticas. Na minha opinião, os desafios aos quais esta disciplina pode responder são diversos:
Observe que isso seria verdadeiro para todos os campos industriais e comerciais.
Todos os Data Scientists têm as mesmas habilidades iniciais. No entanto, dependendo do ambiente profissional em que evoluem, serão obrigados a desenvolver certas habilidades específicas e, portanto, progredir de forma diferente.
As empresas de consultoria em Data Science categorizarão os Data Scientists de acordo com suas áreas de especialização de negócios (processamento de fraude, finanças, logística, etc.) ou técnicas (processamento de imagem, processamento de som, regressão, etc.).
Atualmente, muitas start-ups se especializam em dados. Mas cada empresa tem seu próprio ângulo de ataque neste assunto, então as práticas são muito heterogêneas. E embora haja uma certa consciência da importância da Data Science, poucas empresas enxergam especificamente o que podem fazer com ela do ponto de vista estratégico. Muitas empresas estão exigindo resultados rápidos, ou pelo menos resultados que levem a algo concreto, tangível. O problema é que leva tempo para adotar essas novas tecnologias. Como prova, um estudo do Gartner de 2018 mostrou que 80% dos projetos de Data Science e AI falham e terminam com POC – Proof of Concept.
Hoje, usamos cada vez mais os termos Big Data, Smart Data … Mas ainda estamos longe de ter explorado todo o potencial da Data Science. Simplesmente porque novas tecnologias aparecem todos os dias, mudando o escopo da pesquisa e os campos de ação.
No entanto, não quero pintar um quadro muito negativo: algumas grandes empresas também estão começando a ver o potencial da Data Science e a formar equipes de trabalho especializadas nesses assuntos. Para mim, Data Science deve, antes de mais nada, ser vista como uma espécie de caixa de ferramentas que se usa para resolver problemas complexos que já se tentou resolver antes, mas sem chegar a uma solução confiável ou otimizada.
A Data Science chegou nesta área, como em todas as outras, com o objetivo de fornecer um conjunto de ferramentas para solucionar problemas de forma rápida e eficiente. Os desafios da Cadeia de Suprimentos são e continuarão mais ou menos os mesmos sejam quais forem as tecnologias: visibilidade, flexibilidade, desempenho, rapidez, resposta à demanda dos clientes… A particularidade do setor de logística é que ele processa grandes volumes e possui uma margem limitada. A otimização dos custos, seja qual for a forma que assuma, é portanto necessária. E é papel da Data Science ajudar a enfrentar esses desafios. Mas Data Science se refere a várias aplicações:
O DataLab é um conceito que já existe em outras empresas, como é o caso de muitas empresas do CAC 40. Mas para elas, o DataLab é mais focado nos dados internos da empresa. Na Generix Group, optamos por nos concentrar nos dados do cliente e no valor agregado que esses dados poderiam representar para eles por meio de uma abordagem centrada no cliente.
Minhas principais missões são desenvolver novas funcionalidades inovadoras de inteligência artificial ou processamento de dados em torno das soluções da Generix Group e oferecer serviços adicionais a essas soluções.
Por exemplo, participei do desenvolvimento da oferta Generix Data Power. É uma solução de disponibilização e valorização dos dados dos nossos clientes através de dashboards, para efeitos de Business Intelligence. O objetivo é processar os dados e destacar KPIs para ajudar nossos clientes a entender melhor não apenas seus negócios, mas também os dados que eles processam, a fim de ter uma boa visibilidade sobre os diferentes participantes de sua Supply Chain.
Leia também: KPIs nas operações logísticas: a gestão pontual em cenários de complexidade
Também temos missões de consultoria e suporte, onde nosso papel é ajudar nossos clientes a analisar seus dados, mesmo que não venham necessariamente de nossas soluções.
Graças à sua estrutura e ao seu funcionamento, o DataLab nos dá a possibilidade de testar e permanecer aberto às diferentes tecnologias que possam surgir. Esse espírito de “laboratório” nos permite aprender muito e nos manter atualizados com as novas tecnologias. Isso é o que garante que estejamos sempre à frente, ouvindo as novidades.
Você deseja modernizar profundamente sua tecnologia de colaboração sem interrupções? Para ajudar a conectar empresas, temos o prazer de anunciar…
As ferramentas equipadas com IA agora permitem refinar as previsões logísticas e melhorar o processo de tomada de decisão por…
Trabalhe com nossa equipe para criar sua pilha ideal de software de cadeia de suprimentos e adaptá-la às suas necessidades comerciais exclusivas.
