Perché la mentalità del fare non ha senso

Phil Kay

Phil Kay è un learning manager per JMP Statistical Discovery, una sussidiaria di SAS. Il suo lavoro consiste nel comprendere le sfide in termini scientifici e ingegneristici e fornire alle organizzazioni industriali di tutto il mondo l'assistenza necessaria per usare al meglio le soluzioni di analisi dei dati.

In passato è stato uno dei principali scienziati ad aver contribuito allo sviluppo di numerosi processi di produzione di coloranti per la stampa digitale presso FujiFilm Imaging Colorants. Phil ha conseguito una laurea magistrale in statistica applicata con una tesi sul disegno di esperimenti. Inoltre, ha una laurea magistrale e un dottorato in chimica.

È membro della Royal Statistical Society, registrato come Chartered Chemist e fa parte della commissione del Process Chemistry and Technology Group della Royal Society of Chemistry.

Phil si impegna a dimostrare come l'analisi dei dati contribuisca a migliorare la scienza. Segui Phil Kay,  Divulgatore dell'analisi dei dati, su LinkedIn.

Quando ho iniziato a lavorare come chimico industriale dello sviluppo, una buona giornata per me consisteva nel produrre qualcosa di meglio del giorno prima. La mia idea di successo era questa. Con il tempo, tuttavia, mi sono reso conto che il prodotto dei miei esperimenti non era quanto contenuto nei becher, ma ciò che stavo imparando: la conoscenza necessaria per produrre costantemente prodotti in grado di soddisfare le richieste dei nostri clienti. È stata un'epifania. Il mio lavoro non consisteva nel creare cose, ma nel generare conoscenza.

Immagino che in questo momento siano molti i chimici ad avere intrapreso questo percorso. Per avere successo nel futuro digitale della chimica, gli scienziati avranno bisogno di guida e sostegno per compiere questo cambiamento. Magari evitando addirittura che la mentalità del fare prenda piede.

Dalle fasi preparatorie ai piani

A scuola e all'università, la mia unica esperienza di esperimenti erano state le esercitazioni di laboratorio, utili per dimostrare i percorsi sintetici che stavamo imparando e per costruire abilità pratiche, ma il successo spesso consisteva in un mucchio di grandi cristalli trasparenti. Questo mi ha portato a pensare che gli esperimenti servissero a confermare la nostra comprensione dei meccanismi chimici.

Stavo seguendo il metodo scientifico... ma c'era poco in termini di strategia

Questa convinzione è stata messa subito in discussione nel mio primo lavoro come chimico di processo per la produzione di toner per la stampa laser. Il sistema era troppo complesso e disordinato per essere compreso solo con la teoria: le frecce ricurve non mi stavano aiutando granché! Passavo le mie giornate a eseguire scrupolosamente "preparazioni" per capire come combinare lattice, dispersione di pigmenti e altri ingredienti per produrre particelle di toner di dimensioni uniformi. Ad ogni preparazione, modificavo la ricetta. Sostituivo una materia prima, modificavo le concentrazioni e le proporzioni o cambiavo la temperatura di una delle fasi di mantenimento. C'era sempre una logica, ed ero felice di seguire il metodo scientifico (formulare un'ipotesi, fare una previsione, testarla), ma in termini di strategia non ero eccezionale. Cos', quando arrivavo a un risultato che funzionava, non sapevo davvero come ci fossi arrivato. Mi ero abituato all'imprevedibilità di questo approccio, ma non mi sono mai sentito a mio agio.

La mente oltre la materia

Poi ho partecipato a un seminario del professore di statistica Dick de Veaux che mi ha introdotto a un nuovo modo di pensare: i dati raccolti dalle osservazioni accumulate in molte fasi di un processo industriale possono essere "estratti" per ottenere approfondimenti sui comportamenti che guidano il sistema e per costruire un modello su come gli input influenzeranno i risultati. In breve, invece di fare un passo alla volta sperando di arrivare alla ricetta migliore, potevo usare i dati in modo olistico per creare una mappa che mi mostrasse dove trovare la ricetta migliore.

Almeno quella era la teoria. Nella pratica, i miei dataset non erano molto utili. Ogni preparazione richiedeva tempo e risorse significative. Infatti, venti righe di dati erano tante per un solo progetto, cosa che non è esattamente l'idea dei big data. C’era poco o nessun terreno comune tra un progetto e l’altro, quindi non valeva la pena mettere insieme dati storici. E, quando ho esaminato i dati, molte delle variabili di input erano state a malapena modificate. Avevo bisogno di una nuova impostazione mentale per seguire il nuovo approccio.

Non è mai troppo presto o troppo tardi per imparare queste competenze

Avevo bisogno di pianificare ogni progetto per ricavare dati che mi aiutassero a raggiungere gli obiettivi di sviluppo. Dovevo scegliere gli input da variare e gli output da misurare, e come variare sistematicamente gli input per ottimizzare ciò che potevo imparare da ogni esecuzione. Per fortuna esisteva già una metodologia per questo: l'analisi statistica e il disegno di esperimenti o DOE.

Con questi strumenti e la mia nuova prospettiva, i miei progetti sono diventati più efficienti e prevedibili, e i miei colleghi hanno iniziato a seguirmi. Abbiamo ottenuto grandi risultati, ad esempio raddoppiare la produttività di una fase di produzione con colli di bottiglia senza bisogno di nuove, costose infrastrutture. Aiutare i miei colleghi con il DOE è diventata la mia passione a tempo pieno e il mio obiettivo professionale.

Da allora ho scoperto che molti scienziati e ingegneri hanno fatto percorsi di presa di coscienza simili. In un recente webinar con Chemistry World, Pilar Gómez Jiménez, una delle principali scienziate di Johnson Matthey, ha discusso di come l'introduzione di questo approccio più intelligente alla sperimentazione abbia contribuito a ridurre del 50% i costi di ricerca e sviluppo aziendali. "Ogni problema chimico o ogni sfida che i miei colleghi mi presentano, inizio a immaginare una tabella con colonne e righe. Si tratta di un cambiamento totale di mentalità…", ha spiegato.

Come molti altri, Gómez Jiménez e io avremmo voluto giungere a questa consapevolezza all'inizio della nostra carriera. Il corso di formazione per laureati in DOE presso il Centre for Rapid Online Analysis of Reactions (Roar) dell'Imperial College è un raro esempio di come si possano portare queste idee agli studenti prima che entrino nell'industria. Ma perché non sottoporre semplici esercizi DOE agli studenti universitari o anche a quelli delle scuole superiori durante le lezioni di scienze ?

Non è mai troppo presto né troppo tardi per apprendere queste competenze, e si può iniziare da subito. Inizia il percorso iscrivendoti al nostro workshop online: La guida per risolvere problemi complessi padroneggiando il Disegno di esperimenti. Smetti di fare e le cose inizieranno ad avere senso.