Ciencia de Datos y la Supply Chain (1)

This entry is part 14 of 17 in the series Data Analytics

Ciencia de Datos y la Supply Chain (1)

La ciencia de datos ofrece en la actualidad una nueva y vasta perspectiva en la transformación de los negocios, capturando ostensiblemente la atención de usuarios, profesionales e investigadores en las áreas de marketing y finanzas, abriendose también ahora un sinnúmero de posibilidades en las áreas de supply chain y logística, para el desarrollo profesional.

A través de una serie de artículos, estaremos presentando como la ciencia de datos se entrelaza con la supply chain, y de qué manera contribuye a la mejora de sus procesos y de la performance de la misma.

También estaremos analizando el impacto de la Industria 4.0, donde el creciente número de máquinas, equipos y servicios está generando una enorme colección de datos que no para de crecer. Esta situación nos lleva también a pensar en el crecimiento de Big Data donde el volumen de datos a manejar es de una magnitud que no puede ser procesado con las técnicas de computación convencionales, y cómo por ejemplo, son utilizados en Machine Learning. Para descubrir los patrones de comportamiento de esos datos, se requiere contar en principio con una nueva visión de Data Analytics y de cómo contribuye en la cadena de procesos desde el abastecimiento hasta el delivery.

Esta serie de artículos informativos y de investigación presentará las distintas aplicaciones existentes, las herramientas, así como los beneficios y desafíos a enfrentar en el futuro.

Las grandes compañías basadas en supply chain utilizan todas las tecnologías de avanzada disponibles en el mundo de la ciencia de datos para monitorear y hacer el seguimiento de billones de items de inventario que se encuentran en cientos de centros de distribución, y luego basándose en la analítica predictiva buscan anticiparse a los envíos para predecir cuando un cliente comprará un productos, y enviar el producto a un centro cercano a ese cliente. En otros casos se analizan millones de transacciones de clientes para anticipar los pedidos a los proveedores, cercanos al destino final de compra. La supply chain está inundada de datos, el negocio recolecta más datos de los que puede gestionar o peor aún de los que pueda conocer, y aún si los conociera, no sabría qué hacer con ellos, y esto no es simplemente una anécdota.

En conclusión la idea general de estos artículos es cerrar la brecha de conocimiento entre la Ciencia de Datos y Supply Chain Management, enlazando los conceptos asociados con los datos, la tecnologías, el conocimiento funcional de las aplicaciones y el entramado de los proveedores, abastecimientos, inventarios, almacenes. producción, ventas, delivery y transporte, asociados con la planificación y la operación.

Específicamente en esta primer parte se desarrolla los conceptos básicos de la ciencia de datos, para luego entrar en qué significa en el contexto de la Supply Chain, identificando y clasificando las diferentes fuentes y tipos de datos que se asoman en una moderna supply chain, completando con algunas sugerencias del mercado respecto de las aplicaciones y tecnologías específicas que muestran el potencial de valor agregado orientadas a resolver los nuevos desafíos de las supply chains complejas.

¿Qué es ciencia de datos?

Si bien en la actualidad existen múltiples definiciones, en general apuntan a que la Ciencia de Datos es un campo multidisciplinario que se apoya en los métodos científicos, estadísticas y algoritmos para extraer conocimientos significativos de los datos. En su núcleo, la ciencia de datos es todo lo relacionado con el descubrimiento de patrones de comportamiento de los datos y para que pueden ser presentados como información, contar su historia y contribuir a la toma de decisiones.

A esta altura, el lector habrá notado que la ciencia de datos depende de técnicas que provienen de un conjunto de otros campos, tales como las matemáticas, estadísticas, analítica del negocio, ciencias de la computación. Es bastante común para un especialista en ciencia de datos que en mayor o menor medida tenga conocimientos y competencias en el cruce de esas disciplinas.

La ciencia de datos puede ser empleada para obtener conocimiento tanto de pequeñas como de grandes bases de datos, inclusive en muchos casos existe la falsa idea de que la ciencia de datos se ubica solamente en la denominada Big Data, aunque si encontraran artículos y papers de Big Data Analytics, que confluyen hacia la ciencia de datos.

Comencemos entonces por darle una mirada al diagrama de Venn, que presenta una vista de la intersección de los campos del conocimiento, que dan origen a la ciencia de datos. Este diagrama fue popularizado por el científico de datos Drew Conway como una forma de definir la ciencia de datos.

En el diagrama podemos observar que hay tres círculos, cada uno representando campos de conocimientos diferentes. El círculo de Matemáticas y Estadísticas provee las rigurosas teorías relacionadas con las ecuaciones y explicaciones de sus funciones. La correspondiente a la Experiencia Sustantiva, corresponde al dominio del conocimiento específico del negocio, en nuestro caso sería Supply Chain Management, Logística, etc, e incluye los aspectos de la operación y gestión del negocio, con dominio en problemas específicos. Finalmente, el de Competencias Técnicas relacionadas con las tecnologías de información y comunicaciones (TICs) y ciencias de la computación.

En relación a las intersecciones entre los círculos, el correspondiente a Machine Learning cae en la combinación de conocimientos matemáticos y estadísticos y de computación relacionados con herramientas y software específicos orientados a modelos, cálculos, uso de algoritmos y presentaciones gráficas. Mencionamos que Machine Learning es un subcampo de la inteligencia artificial.

La investigación tradicional, típicamente utiliza técnicas del mundo de las matemáticas y estadísticas combinadas con el dominio y experiencia en el negocio particular. En el pasado, ha sido la base de gran cantidad de descubrimientos.

En la zona mencionada como de peligro, es el clásico caso de una persona que utiliza su experiencia para volcarla en herramientas de software tradicional para programar aplicaciones y resolver problemas de modelos de procesos, pero que le faltaría comprender el porqué, esto es soportado por el conocimiento de las estadísticas.

En conclusión, la Ciencia de Datos se corresponde con la intersección de los tres círculos, donde se combinan las competencias para desarrollar la manera de crear valor a través de los datos dando forma a los patrones de comportamiento que nos conducen a modelos predictivos. Estos hallazgos facilitan la interpretación del comportamiento de los clientes, inferir las decisiones que pueden llegar a tomar, y delinear tendencias tempranas del ciclo de compras y ventas.

La ciencia de datos ha existido de muchas formas a través de la historia, pero es realmente en la actualidad que se ha fusionado de tal manera que ha formado un campo propio. Sin duda, en el pasado, diferentes profesionales han trabajado con datos de una forma u otra, estas profesiones incluían analistas de negocios, de procesos, estadísticos, matemáticos, analista de sistemas y datos, computadores científicos, incluyendo científicos de datos que desempeñan diferentes roles. La actual ciencia de datos da un paso más adelante tratando de encontrar nuevas ideas, accionables en términos casos de usos predictivos, y justamente este mecanismo de pasar del descubrimiento de patrones a la producción de resultados accionables es una de las características distintivas de la ciencia de datos, cuando se la compara con otros campos de la analitica. El ejemplo clásico de predicción accionable, ésta en los sistemas de recomendaciones de productos, tal como se ven en Netflix o en Amazon, y muchos más.

En el próximo artículo, estaremos presentando distintos tipos de aplicaciones basados en la utilización de la ciencia de datos.

Series Navigation<< La importancia de la Analítica de Datos en la Supply ChainData Analytics & Power BI & Storytelling: una Tríada para Analizar, Presentar y Narrar información crítica en forma efectiva >>