« Todavía estamos lejos de aprovechar el potencial del Data Science »

¿Cómo se unió al Grupo Generix como Data Science?

En mi tercer y último año de estudios, hice una práctica en el Grupo Generix. En ese momento, no tenía ninguna habilidad particular en informática, ya sea en inteligencia de datos o en la artificial. Si tenía algunos conocimientos profesionales, que se referían principalmente a la Supply Chain. Así que tuve la oportunidad de trabajar en muchos temas, tanto desde el punto de vista funcional como de ejecución: logística, transporte, almacenamiento, gestión de inventarios, fabricación, etc

Al final de esta práctica, dominaba aún mejor los aspectos técnicos, lo que despertó un gran interés en el mundo de la informática. Rápidamente comprendí que había una fuerte demanda en el mercado de jóvenes ingenieros con conocimientos de informática y digitalización. Dadas mis habilidades y las expectativas del mercado, era más relevante para mí especializarme en Data Science. La ventaja es que este campo se basa en teorías matemáticas y no requiere inicialmente grandes habilidades en el desarrollo informático.

Elegí continuar mi carrera con un programa que permitía combinar estudios y trabajo dentro del Grupo Generix, con el fin de llevar a cabo una investigación sobre la Data Science y ver cómo integrarla internamente, para nuestros productos o nuestros clientes. Durante los primeros seis meses, trabajé en la democratización de la inteligencia artificial dentro del grupo. Posteriormente, creamos una estructura de innovación dedicada, el Data Lab, cuyo objetivo es apoyar a los equipos de I+D de Generix Group en la identificación de necesidades y en la puesta en producción de nuevas soluciones inteligentes.

La Data Science se ve ahora como un verdadero campo del futuro. En su opinión, ¿Cuáles son los desafíos que la Data Science puede afrontar?

Es una mezcla de varias cosas. Hemos alcanzado la madurez tecnológica a escala mundial y, de hecho, el deep learning y el aprendizaje automático ya han comenzado a demostrar el poder y la complejidad de los problemas que se pueden tratar con estas tecnologías. También ha habido el advenimiento del Cloud y Big Data, y el deseo permanente de aprovechar estas tecnologías para satisfacer mejor las expectativas de los clientes. Esto es lo que hizo nacer el Data Scientist. Al mismo tiempo, hay otro trabajo que está estrechamente relacionado con el mío: Data Enfineer. Estos dos perfiles trabajan en estrecha colaboración para ofrecer nuevos servicios en torno a los datos.

El objetivo de la Data Science no es sólo extraer conocimientos de datos homogéneos o heterogéneos, sino también visualizar esos datos apoyándose en herramientas matemáticas, estadísticas y computacionales. En mi opinión, los desafíos a los que esta disciplina puede responder son diversos:

• Visibilidad en tiempo real;
• predicciones;
• automatización;
• optimización;
• resolución de problemas complejos con datos como un nuevo ángulo de ataque

También cabe decir que esto sería cierto para todos los campos industriales y oficios.

¿Hay varios tipos de Data Scientist? Si es así ¿Cuáles

Todos los Data Scientist tienen las mismas habilidades para empezar. Sin embargo, según el entorno profesional en el que trabajen, se verán inducidos a desarrollar ciertas aptitudes específicas y, por lo tanto, a progresar de manera diferente.

Las empresas consultoras de Data Science clasificarán a los Data Scientist según sus áreas de especialización (gestión del fraude, finanzas, logística, etc) o sus técnicas (procesamiento de imágenes, procesamiento de sonido, regresión, etc)

¿Cuál es la realidad de la Data Science aplicada a la Supply Chain ?

Actualmente, muchas start-ups de nueva creación se especializan en datos. Pero cada empresa tiene su propio ángulo de ataque sobre este tema, por lo que las prácticas son muy heterogéneas. Y aunque existe una cierta conciencia de la importancia de la Data Science, pocas empresas ven concretamente lo que pueden hacer con ella desde un punto de vista estratégico. Muchas empresas exigen resultados rápidos, o al menos resultados que conduzcan a resultados concretos y tangibles. El problema es que lleva tiempo adoptar estas nuevas tecnologías. Como prueba, un estudio de Gartner realizado en 2018 mostró que el 80% de los proyectos de Data Science y de IA fallan y se detienen en el estado POC – Prueba de Concepto.

Hoy en día, usamos cada vez más los términos «Big Data», «Smart Data»… Pero todavía estamos lejos de haber explotado todo el potencial de la Data Science. Simplemente porque cada día aparece una nueva tecnología que cambia el alcance de la investigación y los campos de acción.

Sin embargo, no quiero pintar un cuadro demasiado negativo: algunas grandes empresas también están empezando a ver el potencial de la Data Science y están creando equipos de trabajo especializados en estos temas. Para mí, la Data Science debe ser vista, ante todo, como una especie de caja de herramientas que usamos para resolver problemas complejos que hemos tratado de resolver antes, pero sin llegar a una solución fiable u optimizada.

Leer también : [Ebook] La supply chain conectada renueva la oferta de bienes de consumo

¿Cuáles son las contribuciones de la Data Science en la Supply Chain ?

La Data Science ha llegado a este campo, como a todos los demás, con el objetivo de proporcionar un conjunto de herramientas para resolver problemas de forma rápida y eficiente. Los desafíos de la Supply Chain son y seguirán siendo más o menos los mismos independientemente de las tecnologías: visibilidad, flexibilidad, rendimiento, velocidad, respuesta a la demanda de los clientes, etc. La particularidad del sector de la logística es que debe hacer frente a grandes volúmenes y tiene un margen limitado. Por lo tanto, es necesario optimizar los costos, en cualquier forma que sea. Y es el papel de la Data Science el de ayudar a afrontar estos retos. Pero la Data Science tiene muchas aplicaciones:

• la predicción del futuro (gestión compartida de los suministros) ;
• optimizar las rutas de transporte para reducir la huella de carbono y acelerar la entrega;
• visibilidad sobre las operaciones y la planificación de los transportes (Estimated Time of Arrival o ETA)) ;
• optimizar y reducir el stock, evitando el agotamiento de las existencias;
• optimización del espacio y de las existencias en los almacenes (slotting));
• mejorar la productividad de los operarios en los almacenes mediante aplicaciones inteligentes.

En 2020, Generix Group aceleró el suministro de procesos destinados a hacer más eficaces las operaciones de la Supply Chain gracias a Data Lab ¿Qué puedes contarnos de esto?

El DataLab es un concepto que ya existe en otras empresas, como es el caso de muchas empresas del CAC 40. Pero para ellos, el DataLab está más enfocado en los datos internos de la empresa. En Generix Group, elegimos centrarnos en los datos de los clientes y en el valor añadido que estos datos podrían representar para ellos a través de un enfoque centrado en el cliente.

Mis principales misiones son desarrollar nuevas e innovadoras funcionalidades de inteligencia artificial o de procesamiento de datos en torno a las soluciones de Generix Group y proponer servicios adicionales a estas soluciones.

Por ejemplo, participé en el desarrollo de la oferta de Generix Data Power. Esta es una solución para poner a disposición los datos de nuestros clientes y explotarlos a través de los cuadros de mando para fines de Business Intelligence. El objetivo es procesar los datos y resaltar los KPI para ayudar a nuestros clientes a comprender mejor no sólo su negocio, sino también los datos que procesan con el fin de tener una buena visibilidad sobre los diferentes actores de su Supply Chain.

También tenemos misiones de consultoría y asesoramiento, donde nuestro papel es ayudar a nuestros clientes a analizar sus datos, aunque no necesariamente provengan de nuestras soluciones.

Gracias a su estructura y funcionamiento, el DataLab nos da la posibilidad de probar y permanecer abiertos a las diferentes tecnologías que puedan aparecer. Este espíritu de «laboratorio» nos permite aprender mucho y estar al día con las nuevas tecnologías. Esto es lo que asegura que nos mantengamos un paso adelante escuchando las novedades.