دانشمند دادهٔ زنجیرهٔ تأمین
Supply Chain Data Scientist
دانشمند دادهٔ زنجیرهٔ تأمین با آمار، یادگیری ماشین و بهینه‌سازی ریاضی تصمیم‌های تکرارشوندهٔ زنجیرهٔ تأمین را بهتر و خودکار می‌کند: از هر کالا چقدر و کِی سفارش داده شود، موجودی در کدام انبار بماند، کدام تأمین‌کننده دیر تحویل می‌دهد و بار از چه مسیری برود. خروجی کار مدلی است که در پروداکشن اجرا می‌شود و هر روز تصمیم می‌سازد، نه فقط یک گزارش. نام قدیمی این صفحه، «متخصص زنجیرهٔ تأمین هوشمند» (Smart Supply Chain Specialist)، عنوان شغلی نیست و در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با آن پیدا نشد. کارفرماها همین کار را بیشتر با عنوان Data Scientist در تیم‌های زنجیرهٔ تأمین و برنامه‌ریزی آگهی می‌کنند، و با عنوان‌هایی مثل Supply Chain Optimization Data Scientist، Data Scientist - Operational Research و ML/AI - Supply Chain؛ شرکت Lokad همین نقش را Supply Chain Scientist می‌نامد.
مقدمه و تعریف شغل
دانشمند دادهٔ زنجیرهٔ تأمین (Supply Chain Data Scientist) کسی است که تصمیم‌های پرتکرار زنجیرهٔ تأمین را با داده و مدل می‌سازد: پیش‌بینی تقاضا، اندازه و زمان سفارش، جای موجودی، انتخاب تأمین‌کننده و مسیر حمل. ابزارش ترکیبی از آمار و یادگیری ماشین (برای پیش‌بینی) و تحقیق در عملیات (برای بهینه‌سازی) است. در آگهی‌های ۲۰۲۶ تأکید روی دو چیز است: مدل باید در پروداکشن اجرا شود و تصمیم واقعی بسازد، و کار علمی با کمک ابزارهای AI انجام شود اما خروجی آن‌ها وارسی شود. واژهٔ «هوشمند» در عنوان قدیمی این صفحه به همین اشاره دارد: Samsara هدف تیم تازه‌اش را «AI-native کردن زنجیرهٔ تأمین» نوشته است.
این کار تازه نیست؛ تحقیق در عملیات و مدل‌های موجودی ده‌ها سال در زنجیرهٔ تأمین به کار رفته‌اند. David Simchi-Levi، استاد MIT، شرکت LogicTools را برای نرم‌افزار بهینه‌سازی زنجیرهٔ تأمین ساخت که در ۲۰۰۹ به IBM پیوست. Lokad، شرکتی که در ۲۰۰۸ در پاریس تأسیس شد، نقش کسی را که دادهٔ زنجیره را آماده می‌کند و تصمیم‌ها را با مدل خودکار می‌کند Supply Chain Scientist می‌نامد. آنچه تغییر کرده، مقیاس داده و جای AI است. Gartner در آوریل ۲۰۲۶ پیش‌بینی کرد هزینه برای نرم‌افزار مدیریت زنجیرهٔ تأمین با قابلیت agentic AI از کمتر از ۲ میلیارد دلار در ۲۰۲۵ به ۵۳ میلیارد دلار در ۲۰۳۰ برسد. در آگهی‌ها هم این دیده می‌شود: Quince «علم AI-native» می‌خواهد، Amazon در یکی از تیم‌های تأمینش راه‌حل GenAI برای ارزیابی اختلاف و راهنمایی تأمین‌کننده می‌سازد و DoorDash از یک مدل پایهٔ الهام‌گرفته از LLM برای لجستیک حرف می‌زند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند دادهٔ زنجیرهٔ تأمین
سیستم پیش‌بینی تقاضا
Samsara از دانشمندش می‌خواهد برای کالاهای سخت‌افزاری بسیار متغیر و فصلی، با تقاضای پراکنده و زمان تحویل طولانی، سیستم پیش‌بینی تقاضا، موجودی و هزینه بسازد. Quince همین کار را در چند مقیاس جغرافیایی و به شکل مسابقه بین روش‌ها انجام می‌دهد.
تصمیم خودکار خرید و جابه‌جایی موجودی
طبق آگهی Amazon، تیم SCOT تصمیم می‌گیرد چه کالایی، کِی، کجا و چقدر خریده شود و الگوریتم‌هایش هر هفته به‌صورت خودکار روی موجودی‌ای به ارزش میلیون‌ها دلار عمل می‌کنند.
مدل‌های بهینه‌سازی حمل و شبکه
تیم Valmo در Meesho مسئله‌های طراحی شبکه، مسیریابی، زمان‌بندی، تخصیص و برنامه‌ریزی ظرفیت را به مدل LP، MILP یا constraint programming تبدیل می‌کند و solver را در سیستمی می‌گذارد که هر روز اجرا می‌شود.
مدل ریسک و عملکرد تأمین‌کننده
Samsara ریسک تأمین‌کننده را با دادهٔ لحظه‌ای IoT، سیگنال‌های ژئوپلیتیک و دادهٔ بازار مدل می‌کند، نه فقط با فروش گذشته. تیم OSS در Amazon مدل‌هایی برای تعیین پارامترهایی مثل زمان تحویل تأمین‌کننده می‌سازد.
تخصیص و مسیریابی لحظه‌ای سفارش
در Instacart، این کار شامل دسته‌بندی سفارش‌ها، مسیریابی خریداران، پیش‌بینی در دسترس بودن خدمت و تخصیص لحظه‌ای است؛ DoorDash هم موتور اصلی تخصیص تحویل‌ها به پیک‌ها را با یادگیری ماشین و بهینه‌سازی می‌سازد.
تحلیل سناریو برای مدیران
در آگهی Deloitte، دانشمند داده سناریوها را می‌سنجد تا اثر هر تصمیم بر سطح خدمت، هزینه، ظرفیت، سرمایهٔ در گردش، زمان تحویل و تاب‌آوری عددی شود. OptiGuide، پروژهٔ Microsoft Research، نشان می‌دهد LLM چطور می‌تواند همین پرسش‌های «اگر این‌طور شود؟» را روی یک مدل بهینه‌سازی پاسخ دهد.
تخصص‌های مختلف دانشمند دادهٔ زنجیرهٔ تأمین
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌بینی تقاضا و علم برنامه‌ریزی
Demand Forecasting / Planning Science
ساخت و نگهداری مدل‌های پیش‌بینی در سطح کالا، کانال و منطقه؛ هستهٔ آگهی‌های Quince (Planning and Forecasting) و Delivery Hero (Dmarts).
بهینه‌سازی موجودی
Inventory Optimization
تعیین سیاست سفارش‌گذاری، safety stock و جای موجودی در شبکه؛ مثل تیم SCOT در Amazon و جای موجودی در شبکهٔ بین‌المللی Quince.
تحقیق در عملیات زنجیرهٔ تأمین
Supply Chain Operations Research
مدل‌های LP، MIP و constraint programming برای طراحی شبکه، حمل، مسیریابی انبار و تخصیص سفارش خرید؛ آگهی‌های Quince (بنگلور)، Meesho و Sainsbury's.
یادگیری ماشین در تحویل و آخرین مایل
Fulfillment & Last-Mile ML
تخصیص لحظه‌ای سفارش، مسیریابی، دسته‌بندی سفارش و پیش‌بینی زمان تحویل؛ آگهی‌های Instacart و DoorDash که عنوانشان Machine Learning Engineer است.
تحلیل تأمین‌کننده و تأمین
Supplier & Sourcing Analytics
مدل زمان تحویل، ریسک و عملکرد تأمین‌کننده؛ امتیاز ریسک تأمین‌کننده در Samsara و تیم Sourcing Execution & Performance در Amazon.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این نقش شاخه‌ای از علم داده است و بیشتر آگهی‌هایش هم عنوان Data Scientist دارند، اما دو تفاوت دارد. اول، حوزهٔ کار ثابت است: تقاضا، موجودی، تأمین‌کننده و حمل. دوم، بهینه‌سازی ریاضی هم‌وزن یادگیری ماشین است؛ آگهی Quince برای این نقش تجربه در دست‌کم یک حوزهٔ تحقیق در عملیات را شرط کرده و Samsara «پیش‌بینی سری زمانی، بهینه‌سازی، تشخیص ناهنجاری و استنباط علّی» را کنار هم خواسته است. دانشمند دادهٔ عمومی بیشتر به سؤال‌های کسب‌وکار با آزمایش و مدل پیش‌بینی پاسخ می‌دهد.
تحلیلگر پیش‌بینی مالک عدد پیش‌بینی دوره‌ای است: آن را با SQL، Excel و نرم‌افزار برنامه‌ریزی می‌سازد، در جلسه‌های S&OP از آن دفاع می‌کند و با خطا و سوگیری همان عدد سنجیده می‌شود. دانشمند دادهٔ زنجیرهٔ تأمین مدل‌هایی را می‌سازد و به پروداکشن می‌برد که این پیش‌بینی‌ها و تصمیم‌های بعد از آن (سفارش، جای موجودی، حمل) را تولید می‌کنند. آگهی Quince همین تقسیم کار را نشان می‌دهد: دانشمند داده با «برنامه‌ریزان» کار می‌کند تا مسئلهٔ عملیاتی آن‌ها را به مسئلهٔ مدل‌سازی و خروجی مدل را به تصمیم تبدیل کند.
BLS این شغل را چنین تعریف می‌کند: کسی که با ریاضیات و منطق به حل مسئله‌های پیچیده کمک می‌کند. در زنجیرهٔ تأمین مرز این دو عنوان تقریباً از بین رفته است: Sainsbury's آگهی‌اش را «Data Scientist - Operational Research» نامیده و Quince «Senior Data Scientist – Supply Chain Operations Research». تفاوت در تأکید است: تحلیلگر تحقیق در عملیات بیشتر روی فرمول‌بندی و حل مدل بهینه‌سازی کار می‌کند و دانشمند دادهٔ زنجیرهٔ تأمین معمولاً پیش‌بینی با یادگیری ماشین را هم بر عهده دارد. BLS میانهٔ حقوق تحلیلگران تحقیق در عملیات در آمریکا را در ۲۰۲۵، ۸۸٬۹۴۰ دلار گزارش کرده است.
هر دو نقش به تصمیم می‌رسند، اما نوع تصمیم فرق دارد. Decision Scientist معمولاً یک تصمیم مشخص محصول، بازاریابی یا ریسک را با A/B test و استنباط علّی تحلیل می‌کند و توصیه‌اش را به مدیر می‌دهد. دانشمند دادهٔ زنجیرهٔ تأمین سیستمی می‌سازد که تصمیم‌های عملیاتی پرتکرار را خودش می‌گیرد؛ آگهی Amazon می‌نویسد الگوریتم‌های این تیم هر هفته به‌صورت خودکار روی موجودی‌ای به ارزش میلیون‌ها دلار عمل می‌کنند.
تأثیر در صنایع مختلف
دانشمند دادهٔ زنجیرهٔ تأمین در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
خرده‌فروشی و تجارت الکترونیک
Amazon تصمیم خرید و جای موجودی را برای میلیون‌ها کالا با الگوریتم می‌گیرد و Quince، برند آنلاین پوشاک و لوازم خانه، توان علمی برنامه‌ریزی تأمینش را از صفر می‌سازد
سوپرمارکت و خواربار
Sainsbury's در بریتانیا دانشمند داده با تخصص تحقیق در عملیات را برای پروژه‌هایی در قیمت‌گذاری، دیجیتال و زنجیرهٔ تأمین، روی یکی از بزرگ‌ترین مجموعه‌داده‌های خرده‌فروشی، استخدام می‌کند
تحویل فوری و quick commerce
Delivery Hero با مدل‌های پیش‌بینی و بهینه‌سازی تصمیم می‌گیرد فروشگاه‌های تاریک (Dmarts) چه کالایی را تأمین و انبار کنند تا قفسه‌ها پر بماند و ضایعات کم شود
تحویل خواربار و غذا
Instacart برای دسته‌بندی سفارش‌ها و مسیریابی خریداران و DoorDash برای تخصیص لحظه‌ای تحویل به پیک‌ها از یادگیری ماشین و بهینه‌سازی استفاده می‌کنند
لجستیک
Valmo، بازوی لجستیک Meesho در هند، طراحی و برنامه‌ریزی شبکهٔ حمل خود را با مدل‌های بهینه‌سازی و یادگیری ماشین انجام می‌دهد
سخت‌افزار و تولید
Samsara برای زنجیرهٔ تأمین دوربین‌ها و حسگرهایش، با تأمین‌کنندگان چندلایه و زمان تحویل طولانی، تیم AI/ML می‌سازد تا جلوی کمبود را برای مشتریانش بگیرد
مشاوره
Deloitte برای مشتریانش مدل‌های بهینه‌سازی، شبیه‌سازی، پیش‌بینی، زمان‌بندی، موجودی و طراحی شبکه می‌سازد و آن‌ها را به سیستم‌های برنامه‌ریزی، انبار و حمل وصل می‌کند
نرم‌افزار زنجیرهٔ تأمین
Lokad برای مشتریانی در هوانوردی، خودرو، مد و تجارت الکترونیک پیش‌بینی و تصمیم موجودی و قیمت می‌سازد؛ Supply Chain Scientistهایش همین کار را برای هر مشتری اجرا می‌کنند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
این کار همان پیش‌بینی فروش است
پیش‌بینی فقط یک بخش است. آگهی‌های بررسی‌شده بهینه‌سازی موجودی، مسیریابی انبار، انتخاب نوع حمل، تخصیص سفارش خرید، ریسک تأمین‌کننده و طراحی شبکه را هم می‌خواهند. Quince برای نقش تحقیق در عملیاتش تسلط به LP، MIP، constraint programming، مسیریابی وسیله و network flow را شرط کرده است.
اول باید سال‌ها در زنجیرهٔ تأمین کار کرده باشید
دانش حوزه کمک می‌کند، اما همیشه شرط ورود نیست. Lokad صریحاً نوشته دنبال کسی نیست که از قبل متخصص زنجیرهٔ تأمین یا برنامه‌نویسی باشد و سرعت یادگیری را می‌خواهد. در آگهی Samsara هم دانش مفاهیمی مثل S&OP، safety stock و EOQ در بخش «کاندیدای ایده‌آل» آمده، نه در حداقل شرایط. در مقابل، مهارت آماری، Python و SQL تقریباً همه‌جا الزامی است.
کار با یک گزارش یا داشبورد تمام می‌شود
آگهی Quince می‌نویسد مدل را به پروداکشن ببرید، نه به گزارش، و استقرار، پایش و چرخهٔ به‌روزرسانی را هم بر عهده بگیرید. Samsara از دانشمندش کد پروداکشن برای پیش‌بینی دسته‌ای و لحظه‌ای و رعایت روش‌های MLOps را می‌خواهد.
مدل‌های زبانی جای بهینه‌سازی و آمار را می‌گیرند
در آگهی‌ها AI ابزار کار است، نه جانشین مدل. Quince می‌خواهد پیشنهادهای AI پیش از اثر گذاشتن بر تصمیم وارسی شوند و Meesho می‌خواهد فرمول‌بندی، کد و نتیجهٔ coding agents را خودتان چک کنید. در پروژهٔ OptiGuide هم، به نوشتهٔ پژوهشگران Microsoft، LLM جای فناوری بهینه‌سازی ترکیبیاتی را نمی‌گیرد و از آن برای پاسخ به سؤال‌های «اگر این‌طور شود؟» استفاده می‌کند.
این یک نقش ورودی برای تازه‌کارهاست
بیشتر آگهی‌ها تجربه می‌خواهند: Amazon دست‌کم ۲ سال، Deloitte ۳ سال، Quince ۵ تا ۸ سال، Samsara ۸ سال و Delivery Hero ۹ سال. بیشتر آن‌ها مدرک ارشد یا دکترا را هم شرط یا امتیاز می‌دانند. راه‌های ورود هم هست: Lokad آگهی‌اش را برای جونیورها هم باز گذاشته و کارآموزی Supply Chain Scientist دارد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف آماده کردن و وارسی داده می‌شود: فروش، موجودی، سفارش و زمان تحویل از چند سیستم می‌آیند و با هم جور نیستند. مدل‌ها ساده‌ترند و زیر نظر نفر ارشد ساخته می‌شوند.
- ◆پیدا کردن علت یک جهش ناگهانی در دادهٔ فروش (تبلیغ، کمبود موجودی یا خطای ثبت)
- ◆به‌روز کردن گزارش خطای پیش‌بینی هفتگی برای برنامه‌ریزان
- ◆اجرای backtest یک مدل تازه روی چند ماه گذشته
- ◆پرسیدن از تیم انبار دربارهٔ معنای یک فیلد در دادهٔ سفارش
میانی (۲–۵ سال)
مالک یک مدل مشخص هستید، مثلاً پیش‌بینی یک دسته کالا یا مدل زمان تحویل تأمین‌کننده، و آن را تا پروداکشن می‌برید. با برنامه‌ریزان و تیم مهندسی زیاد کار می‌کنید.
- ◆فرمول‌بندی یک مسئلهٔ سفارش‌گذاری با هدف و قیدهای روشن و حل آن با solver
- ◆مقایسهٔ منصفانهٔ چند روش پیش‌بینی پیش از جایگزین کردن مدل فعلی
- ◆توضیح نتیجهٔ یک سناریو (مثلاً کاهش موجودی در یک انبار) برای مدیر عملیات
- ◆بررسی دلیل افت دقت مدل پس از تغییر رفتار بازار
ارشد (۵+ سال)
روی نقشهٔ راه علمی تیم، انتخاب روش و استانداردهای مدل‌سازی کار می‌کنید و جریان کاری دیگران را بازبینی می‌کنید. بخشی از کار، جا انداختن مدل‌ها در تیم‌های عملیات است.
- ◆تعیین اینکه کدام مسئلهٔ زنجیرهٔ تأمین ارزش مدل‌سازی دارد و کدام نه
- ◆بازبینی فرمول‌بندی و کد دانشمندان جوان‌تر
- ◆تعریف استاندارد سنجش برای مدل‌های AI در کنار روش‌های کلاسیک
- ◆جلسه با مدیران تأمین و مالی دربارهٔ توازن هزینه و سطح خدمت
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و استقرار مدل‌های پیش‌بینی تقاضا، موجودی، زمان تحویل و هزینه در سطح کالا، کانال و منطقه
- ◈مدل‌سازی موجودی: تعیین نقطهٔ سفارش، safety stock و جای نگهداری موجودی در شبکهٔ انبارها
- ◈فرمول‌بندی مسئله‌های حمل، مسیریابی، تخصیص سفارش و طراحی شبکه به‌صورت مدل LP یا MIP و حل آن با solver
- ◈مدل‌سازی ریسک و عملکرد تأمین‌کننده‌ها، مثل تأخیر تحویل و کمبود
- ◈ساخت pipeline داده از ERP، WMS و منابع دیگر و تبدیل آن به ویژگی‌های قابل‌اعتماد برای مدل
- ◈استقرار، پایش و به‌روزرسانی مدل‌ها در پروداکشن تا با تغییر بازار دقیق بمانند
- ◈سنجیدن سناریوها و توازن بین سطح خدمت، هزینه، ظرفیت و سرمایهٔ در گردش برای مدیران
- ◈ترجمهٔ مسئلهٔ عملیاتی برنامه‌ریزان به مسئلهٔ مدل‌سازی روشن و ترجمهٔ خروجی مدل به تصمیم قابل اجرا
- ◈کمک به پذیرش ابزارها در تیم‌های عملیات و آموزش آن‌ها برای کار با خروجی مدل
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند دادهٔ زنجیرهٔ تأمین موفق به آن‌ها نیاز دارد
مهارت‌های فنی
پایهٔ همهٔ آگهی‌ها؛ Samsara مهارت قوی Python و تسلط به SQL را در حداقل شرایط آورده است
مدل‌سازی آماری، gradient boosting و ارزیابی درست مدل؛ Instacart از scikit-learn، XGBoost و Keras/TensorFlow نام می‌برد
روش‌های آماری و ML، تقاضای پراکنده و فصلی، و آزمودن روش‌ها کنار هم؛ Quince «عمق واقعی در روش‌های پیش‌بینی» می‌خواهد
فرمول‌بندی LP و MIP، heuristicها و مسیریابی؛ شرط اصلی آگهی‌های Quince (بنگلور)، Meesho و Sainsbury's
انتخاب و تنظیم solver مثل Gurobi، CPLEX، OR-Tools، HiGHS یا Pyomo/PuLP (فهرست آگهی Meesho)
آزمودن سیاست موجودی یا ظرفیت پیش از اجرا؛ Deloitte و Meesho مدل شبیه‌سازی را جزو کار آورده‌اند
تست خودکار، CI/CD، نسخه‌گذاری و پایش مدل (فهرست آگهی Samsara)
ساخت ETL از ERP و منابع دیگر برای تغذیهٔ مدل؛ از وظایف آگهی Samsara
AWS، GCP یا Azure؛ Deloitte دست‌کم یک گواهی ابری را شرط کرده است
استفاده از LLM در تحلیل داده، فرمول‌بندی و طراحی آزمایش، همراه با وارسی خروجی؛ Quince آن را شرط کرده است
مهارت‌های نرم
Quince می‌خواهد واقعیت عملیاتی برنامه‌ریزان را به مسئلهٔ مدل‌سازی روشن و خروجی مدل را به تصمیم قابل اجرا تبدیل کنید
Samsara توان توضیح مفاهیم پیچیدهٔ فنی برای ذی‌نفعان غیرفنی و Sainsbury's روایت‌گری با زبان غیرفنی را می‌خواهد
دانستن اینکه کِی یک نتیجه واقعی است و کِی نه، و کِی به خروجی AI اعتماد کنیم؛ هر دو در آگهی Quince آمده است
Samsara از دانشمندش می‌خواهد همراه مدیران عملیات پذیرش ابزارهای AI را پیش ببرد و تیم‌ها را آموزش دهد
در نقش‌های مشاوره و نرم‌افزار، بخشی از وقت با مشتری می‌گذرد: حدود یک‌چهارم در Lokad و سفر ۵۰٪ در Deloitte
دانش حوزه‌ای
safety stock، EOQ و سیاست‌های سفارش‌گذاری؛ Samsara آن‌ها را در بخش دانش حوزه‌ای آورده است
S&OP و IBP و اینکه پیش‌بینی چطور وارد تصمیم خرید و تولید می‌شود
شناخت داده‌های SAP، NetSuite و سیستم‌های مشابه که دادهٔ سفارش و موجودی از آن‌ها می‌آید (فهرست آگهی Samsara)
line haul، مسیریابی با پنجرهٔ زمانی و آخرین مایل؛ Meesho تجربه در این حوزه‌ها را امتیاز می‌داند
سنجیدن اثر تصمیم بر سطح خدمت، هزینه، ظرفیت، سرمایهٔ در گردش و تاب‌آوری (از وظایف آگهی Deloitte)
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند دادهٔ زنجیرهٔ تأمین
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Python، SQL و کار با داده
تقریباً همهٔ آگهی‌ها Python و SQL را با هم می‌خواهند؛ حتی Lokad که دنبال متخصص برنامه‌نویسی نیست، مهارت خوب در Excel یا برنامه‌نویسی (مثل Python یا SQL) را می‌خواهد. هدف این مرحله این است که بتوانید دادهٔ فروش، موجودی و سفارش را از پایگاه داده بیرون بکشید، تمیز کنید و با Pandas تحلیل کنید.
آمار و یادگیری ماشین
رگرسیون، درخت‌های تصمیم و gradient boosting، ارزیابی مدل و جلوگیری از نشت داده. آگهی Instacart از ابزارهای scikit-learn، XGBoost و Keras/TensorFlow نام می‌برد و آگهی Samsara تسلط به مدل‌سازی آماری، تشخیص ناهنجاری و استنباط علّی را می‌خواهد.
پیش‌بینی تقاضا
روش‌های کلاسیک (هموارسازی نمایی، ARIMA) و روش‌های یادگیری ماشین را روی یک دادهٔ واقعی مقایسه کنید. آگهی Quince از «مسابقهٔ پیش‌بینی» (forecasting tournament) حرف می‌زند که در آن مدل‌های آماری، ML و AI در شرایط برابر سنجیده می‌شوند؛ یعنی باید بتوانید چند روش را منصفانه کنار هم بسنجید، نه اینکه از یک روش دفاع کنید.
بهینه‌سازی، موجودی و شبیه‌سازی
این بخش، کار را از علم دادهٔ عمومی جدا می‌کند. یاد بگیرید یک مسئلهٔ واقعی (سفارش‌گذاری، جای موجودی، مسیر حمل) را به مدل LP یا MIP با هدف و قید روشن تبدیل کنید و با solver حل کنید. آگهی Meesho از Gurobi، CPLEX، OR-Tools، HiGHS، Pyomo و PuLP نام می‌برد. مفاهیم موجودی مثل safety stock و EOQ را هم بلد باشید؛ Samsara آن‌ها را جزو دانش حوزه‌ای می‌آورد. شبیه‌سازی هم مهم است: Nicolas Vandeput بهینه‌سازی سیاست موجودی را با شبیه‌سازی توصیه می‌کند، نه با تکیه بر یک فرمول.
پروداکشن، MLOps و کار با AI
آگهی Quince صریح است: مدل را به پروداکشن ببرید، نه به گزارش. استقرار، پایش و چرخهٔ به‌روزرسانی مدل را یاد بگیرید. آگهی‌های ۲۰۲۶ کار با ابزارهای AI را هم می‌خواهند: Quince از «علم AI-native» با LLM-aided EDA و agentic feature discovery حرف می‌زند و Meesho استفاده از coding agents را می‌خواهد، به شرط اینکه فرمول‌بندی، کد و نتیجه‌شان را خودتان وارسی کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و داده
بیرون کشیدن دادهٔ فروش، موجودی و سفارش؛ Samsara «تسلط به SQL» و Amazon سه سال تجربه با زبان‌های کوئری را می‌خواهد
پیش‌بینی و یادگیری ماشین
gradient boosting برای پیش‌بینی تقاضا با ویژگی‌های قیمت، تبلیغ و تقویم؛ Instacart از XGBoost نام می‌برد
بهینه‌سازی و شبیه‌سازی
solver رایگان برای مسیریابی، زمان‌بندی و برنامه‌ریزی عدد صحیح؛ Meesho آن را همراه CP-SAT نام می‌برد
پروداکشن و سیستم‌های برنامه‌ریزی
نرم‌افزار برنامه‌ریزی یکپارچهٔ کسب‌وکار SAP؛ Samsara شناخت IBP و ERPهایی مثل SAP و NetSuite را امتیاز می‌داند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
دانشمند دادهٔ جونیور / Supply Chain Scientist تازه‌کار
۰ تا ۲ سال
آماده کردن داده، ساخت مدل‌های پایهٔ پیش‌بینی و گزارش KPI زیر نظر نفر ارشد؛ Lokad همین نقش را برای جونیورها و کارآموزان باز گذاشته است
دانشمند دادهٔ زنجیرهٔ تأمین
۲ تا ۵ سال
~$160K
میانگین سالانه (آمریکا)
مالکیت یک مدل مشخص، مثل پیش‌بینی یک دسته کالا یا مدل زمان تحویل تأمین‌کننده، از داده تا پروداکشن؛ سطحی که آگهی‌های Amazon (۲+ سال) و Deloitte (۳+ سال) می‌خواهند
دانشمند دادهٔ ارشد
۵ تا ۸ سال
~$215K
میانگین سالانه (آمریکا)
مالکیت یک بخش از نقشهٔ راه علمی تیم، انتخاب روش، استقرار و پایش، و ترجمهٔ خروجی مدل به تصمیم برای برنامه‌ریزان؛ سطح آگهی‌های Quince
Staff / Principal
۸+ سال
تعیین استانداردهای مدل‌سازی برای چند تیم و نقشهٔ راه AI زنجیرهٔ تأمین همراه مدیران ارشد؛ سطح آگهی‌های Samsara (۸+ سال) و Delivery Hero (۹+ سال)
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
تقاضای نامنظم و دادهٔ پرنویز
عمومیهمهٔ کالاها رفتار منظمی ندارند. Samsara از کالاهای «بسیار متغیر و فصلی با تقاضای پراکنده و زمان تحویل طولانی» حرف می‌زند و Quince از «الگوهای تقاضایی که رفتار درستی ندارند». مدلی که روی کالاهای پرفروش خوب کار می‌کند، روی این کالاها ممکن است شکست بخورد.
داده‌های پراکنده و دستی
شرکت بزرگSamsara می‌نویسد بسیاری از حلقه‌های زنجیرهٔ تأمینش هنوز با ایمیل، فایل‌های ساده و تطبیق دستی کار می‌کنند. آگهی Quince برای نقش تحقیق در عملیات هم تجربه با دادهٔ پرنویز، ناقص و مدام در حال تغییر را می‌خواهد. بخش بزرگی از کار، ساختن دادهٔ قابل‌اعتماد است.
پذیرش در تیم‌های عملیات
عمومیمدل دقیق تا وقتی برنامه‌ریزها از آن استفاده نکنند ارزشی ندارد. Samsara جا انداختن ابزارهای AI و آموزش تیم‌های زنجیرهٔ تأمین را جزو وظایف آورده و Gartner در آوریل ۲۰۲۶ نوشت استقرار این قابلیت‌ها در شرکت‌ها از عرضهٔ آن‌ها عقب‌تر خواهد ماند، چون بقیهٔ لایه‌های مدل عملیاتی زنجیرهٔ تأمین با فناوری همگام نیستند.
توازن بین هدف‌های متضاد
عمومیموجودی بیشتر سطح خدمت را بالا می‌برد اما سرمایه را قفل می‌کند. Amazon از توازن بین تجربهٔ مشتری، هزینهٔ موجودی، هزینهٔ تحویل و ظرفیت انبار حرف می‌زند و Samsara از توازن هزینهٔ نگهداری، هزینهٔ ارسال فوری و ریسک درآمد. انتخاب تابع هدف درست، به اندازهٔ حل مدل مهم است.
نگه داشتن مدل در دنیای در حال تغییر
عمومیآگهی Quince از چرخه‌ای حرف می‌زند که مدل را «وقتی دنیا زیر پایش جابه‌جا می‌شود» دقیق نگه دارد. تغییر قیمت، تبلیغ، تأمین‌کنندهٔ تازه یا اختلال حمل می‌تواند مدل دیروز را بی‌اعتبار کند؛ پایش و به‌روزرسانی بخشی از کار است.
وارسی خروجی ابزارهای AI
عمومیآگهیهای ۲۰۲۶ استفاده از LLM و coding agents را می‌خواهند، اما با شرط وارسی. Quince می‌خواهد پیشنهادهای AI پیش از اثر گذاشتن بر تصمیم اعتبارسنجی شوند و Meesho می‌خواهد فرمول‌بندی، کد و نتیجهٔ agentها را خودتان چک کنید. خطای یک فرمول‌بندی در زنجیرهٔ تأمین مستقیم به هزینه تبدیل می‌شود.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند دادهٔ زنجیرهٔ تأمین
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Amazon posting, Data Scientist, Reactive Transfers (SCOT, Austin; 2+ yrs as data scientist), posted Oct 6 2026: base range; median = midpoint
- Deloitte posting, Supply Chain Optimization Data Scientist Senior Consultant (42 US locations; 3+ yrs), posted Oct 9 2026: estimated range; median = midpoint
- Quince posting, Senior Data Scientist, Planning and Forecasting (Palo Alto; 5–8 yrs), first published Jul 21 2026: base range; median = midpoint
- Samsara posting, ML/AI - Supply Chain (US remote; 8+ yrs), first published Sep 25 2026: base range across pay zones; median = midpoint
- levels.fyi Canada, updated Oct 2026, proxy 'Data Scientist' (all specialties; no supply-chain category), total comp (286 salaries): 25th–75th pct; median
- levels.fyi UK, updated Oct 2026, proxy 'Data Scientist' (all specialties; no supply-chain category), total comp (389 salaries): 25th–75th pct; median
- levels.fyi Germany, updated Oct 2026, proxy 'Data Scientist' (all specialties; no supply-chain category), total comp (206 salaries): 25th–75th pct; median
- levels.fyi India, updated Oct 2026, proxy 'Data Scientist' (all specialties; no supply-chain category), total comp (1,058 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: پیش‌بینی سری زمانی
روش‌های پایه و ارزیابی پیش‌بینی را یاد بگیرید و روی یک داده تمرین کنید.
ماه ۲: پروژهٔ M5
پروژهٔ پیش‌بینی فروش را با baseline، ETS و LightGBM بسازید و با backtesting مقایسه کنید.
ماه ۳: بهینه‌سازی ریاضی
LP و MIP را با Pyomo یا PuLP یاد بگیرید و یک مسئلهٔ مکان‌یابی انبار حل کنید.
ماه ۴: موجودی و شبیه‌سازی
مفاهیم موجودی را بخوانید و پروژهٔ VN2 را با یک سیاست مبتنی بر شبیه‌سازی انجام دهید.
ماه ۵: مسیریابی و پروداکشن
یک مسئلهٔ مسیریابی با OR-Tools حل کنید و یکی از پروژه‌ها را با Docker و MLflow بسته‌بندی کنید.
ماه ۶: پورتفولیو و درخواست
برای هر پروژه README بنویسید که مسئله، روش، نتیجه و محدودیت‌ها را توضیح دهد، و برای نقش‌های جونیور، کارآموزی یا Supply Chain Scientist اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی فروش روزانه با دادهٔ M5
مبتدیروی دادهٔ مسابقهٔ M5 در Kaggle (فروش کالاهای Walmart) یک baseline ساده (مثلاً میانگین متحرک) و دو مدل دیگر (ETS و LightGBM) بسازید و با backtesting روی چند دورهٔ زمانی مقایسه کنید. در README بنویسید کدام روش برای کدام نوع کالا بهتر بود و چرا.
سیاست موجودی با شبیه‌سازی روی دادهٔ VN2
متوسطدادهٔ مسابقهٔ VN2 و شبیه‌ساز رسمی آن را دانلود کنید. یک سیاست سفارش‌گذاری بر پایهٔ فرمول safety stock و یک سیاست تنظیم‌شده با شبیه‌سازی بسازید و هزینهٔ نگهداری و کمبود را برای هر دو بسنجید.
مکان‌یابی انبار و تخصیص سفارش با MIP
متوسطبرای چند انبار احتمالی و چند ده شهر با تقاضای مشخص، مدلی بنویسید که تصمیم بگیرد کدام انبارها باز شوند و هر شهر از کجا تأمین شود. هدف، کمینه کردن هزینهٔ ثابت و حمل است. اثر تغییر هزینهٔ حمل را با چند سناریو نشان دهید.
مسیریابی خودروهای تحویل با پنجرهٔ زمانی
پیشرفتهبا OR-Tools یک مسئلهٔ مسیریابی (VRP) با ظرفیت خودرو و پنجرهٔ زمانی تحویل حل کنید و نتیجه را روی نقشه نشان دهید. زمان حل و کیفیت جواب را برای اندازه‌های مختلف مسئله گزارش کنید.
دستیار «اگر این‌طور شود؟» روی مدل بهینه‌سازی
پیشرفتهبه سبک OptiGuide، روی یکی از مدل‌های بهینه‌سازی قبلی لایه‌ای با LLM بسازید که سؤال متنی مثل «اگر تأمین‌کنندهٔ B را حذف کنیم هزینه چقدر تغییر می‌کند؟» را به تغییر در مدل تبدیل کند، مدل را دوباره حل کند و نتیجه را توضیح دهد. عدد را همیشه خود solver بدهد، نه LLM.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
در ۲۰۱۶ شرکت SupChains را در بروکسل بنیان گذاشت؛ تیمی که برای تولیدکننده‌ها، توزیع‌کننده‌ها و خرده‌فروشان مدل پیش‌بینی تقاضا و برنامه‌ریزی موجودی می‌سازد. پیش‌بینی تقاضا و بهینه‌سازی موجودی را از ۲۰۲۰ در CentraleSupélec پاریس، از ۲۰۲۴ در Albert School و از ۲۰۲۵ در Mines Paris به دانشجویان کارشناسی ارشد درس می‌دهد.
سه کتاب نوشته است: Data Science for Supply Chain Forecasting، Inventory Optimization: Models and Simulations و Demand Forecasting Best Practices؛ به گفتهٔ سایت شرکتش حدود ۱۵ هزار نسخه از آن‌ها فروش رفته است. دو مسابقهٔ بین‌المللی پیش‌بینی و موجودی، VN1 و VN2، را هم برگزار می‌کند.
داده و کد کتاب‌ها و مسابقه‌هایش در دسترس است. برای کسی که می‌خواهد وارد این حوزه شود، کار روی همین داده‌های عمومی و انتشار نتیجه، راهی عملی برای ساختن سابقه به نظر می‌رسد.
فارغ‌التحصیل École normale supérieure پاریس است و پیش‌تر در همان دانشگاه مهندسی نرم‌افزار درس می‌داد. در ۲۰۰۸ شرکت Lokad را در پاریس به‌عنوان یک شرکت نرم‌افزاری با هستهٔ فنی و ریاضی قوی راه انداخت و مدیرعامل آن است.
Lokad در ابتدای ۲۰۱۴ زبان برنامه‌نویسی Envision را منتشر کرد که مخصوص مسئله‌های زنجیرهٔ تأمین است. به گفتهٔ شرکت، Lokad سال‌ها به‌طور میانگین سالانه ۵۰٪ رشد کرده و جز سرمایهٔ اولیهٔ خانوادگی و چند سرمایه‌گذار فرشته، سرمایه‌گذار دیگری نداشته است. Lokad کارشناسانی را که با مشتری کار می‌کنند Supply Chain Scientist می‌نامد.
از تجربهٔ Lokad برمی‌آید که نرم‌افزار به‌تنهایی کافی نبوده و نقش انسانی Supply Chain Scientist را کنارش ساخته‌اند. ترکیب مهارت فنی با فهم کسب‌وکار مشتری همان چیزی است که این نقش را ارزشمند می‌کند.
استاد Engineering Systems در MIT است و دکترای تحقیق در عملیات را در ۱۹۸۷ از دانشگاه تل‌آویو گرفته است. پژوهشش روی مدیریت زنجیرهٔ تأمین و موجودی، مدیریت درآمد و تحلیل کسب‌وکار است و کتاب Designing & Managing the Supply Chain را با همکارانش نوشته است.
شرکت LogicTools را برای نرم‌افزار بهینه‌سازی زنجیرهٔ تأمین بنیان گذاشت که در ۲۰۰۹ به IBM پیوست، و در ۲۰۱۲ و ۲۰۱۴ هم‌بنیان‌گذار OPS Rules و Opalytics شد. طبق ویکی‌پدیا، در فوریهٔ ۲۰۲۰ با مدل Risk Exposure پیش‌بینی کرد زنجیره‌های تأمین آمریکای شمالی و اروپا تا اواسط مارس متوقف می‌شوند. در ۲۰۲۳ به عضویت National Academy of Engineering آمریکا درآمد.
کار او نشان می‌دهد مدل‌های تحقیق در عملیات وقتی به نرم‌افزار و تصمیم واقعی تبدیل شوند بیشترین اثر را دارند؛ همان مسیری که آگهی‌های امروز با «مدل در پروداکشن» می‌خواهند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
ML/AI - Supply Chain
تحلیل نیازمندی‌ها
8+ years in applied data science or ML, ideally in supply chain, operations research, logistics, or manufacturing
این نقش ارشد است؛ فرد از اعضای اول یک تیم تازه است و باید بدون راهنما کار را جلو ببرد. سابقه در زنجیرهٔ تأمین یا تحقیق در عملیات «ترجیحاً» آمده، یعنی سال‌ها تجربهٔ علم داده در حوزهٔ دیگر هم پذیرفتنی است.
ضروریMaster's or PhD in Computer Science, Statistics, Data Science, EE, OR, or related technical field
مدرک تحصیلات تکمیلی در یک رشتهٔ کمّی شرط است. تحقیق در عملیات (OR) صریحاً در فهرست آمده، چون بخشی از کار بهینه‌سازی است.
ضروریExpert in statistical modeling and ML: time series forecasting, optimization, anomaly detection, causal inference
چهار ابزار اصلی این کار در یک خط: پیش‌بینی برای تقاضا و زمان تحویل، بهینه‌سازی برای هزینه و موجودی، تشخیص ناهنجاری برای اختلال‌ها و استنباط علّی برای سنجیدن اثر تصمیم‌ها.
ضروریStrong Python coding skills and fluency in SQL; proven experience developing and deploying production ML systems
کار به مدل در notebook ختم نمی‌شود. باید سابقهٔ سیستمی را داشته باشید که در پروداکشن اجرا شده و دیگران به خروجی‌اش تکیه کرده‌اند.
ضروریProficiency in MLOps practices: automated testing, CI/CD, model versioning, monitoring, performance tracking
چون تیم تازه است، کسی جدا برای استقرار مدل‌ها نیست. دانشمند داده خودش باید تست، نسخه‌گذاری و پایش را راه بیندازد.
مهمFamiliar with data visualization tools (Tableau, Power BI) and cloud platforms (AWS, GCP, Azure)
خروجی مدل باید به شکلی به دست تیم‌های تأمین و مالی برسد که بفهمند. آشنایی با یکی از ابزارهای داشبورد و یکی از ابرها کافی است.
مهمTime-Series Mastery: Proven track record building advanced forecasting models (e.g., Prophet, LSTMs, Transformer-based) for intermittent demand and seasonal patterns.
این در بخش «کاندیدای ایده‌آل» آمده است. کالاهای سخت‌افزاری فروش نامنظم دارند و روش‌های ساده روی آن‌ها خوب کار نمی‌کنند؛ تجربه با تقاضای پراکنده امتیاز بزرگی است.
مفیدDomain Expertise: Deep understanding of supply chain concepts (S&OP, IBP, safety stock, EOQ), ERP systems (SAP, NetSuite, E2DP, Propel), and inventory optimization theory. Ideal background in consumer electronics or B2B hardware manufacturing.
دانش حوزه هم در بخش ایده‌آل است، نه حداقل شرایط. با این حال اگر از کار عملیاتی زنجیرهٔ تأمین می‌آیید، همین بند جایی است که تجربهٔ قبلی‌تان ارزش پیدا می‌کند.
مفیدتحلیل مسئولیت‌ها
Define the end-to-end AI transformation roadmap for supply chain alongside the Senior Director of Supply Chain AI Transformation, aligning with company OKRs and executive stakeholders
بخشی از کار انتخاب است: کدام مسئلهٔ زنجیرهٔ تأمین اول با AI حل شود و چرا. این یعنی باید ارزش هر پروژه را به زبان هدف‌های شرکت توضیح دهید.
Design, train, validate, and deploy ML models to production (demand forecasting, inventory optimization, supplier risk scoring, cellular spend prediction, HW cash flow), ensuring robust MLOps practices and measurable ROI
فهرست مدل‌ها نشان می‌دهد این نقش فقط پیش‌بینی نیست: موجودی، ریسک تأمین‌کننده، هزینه و جریان نقدی هم هست. «ROI قابل اندازه‌گیری» یعنی هر مدل باید با عدد نشان دهد چه سودی داشته است.
Build predictive models to forecast demand, inventory, lead times, and spend across Samsara's global supply network
پیش‌بینی زمان تحویل تأمین‌کننده به اندازهٔ پیش‌بینی تقاضا مهم است، چون سفارش‌گذاری به هر دو وابسته است.
Create novel features using large-scale ERP, IoT, and third-party datasets; build pipelines and ETL jobs to serve models and stakeholders
داده از جاهای مختلف می‌آید و آمادهٔ مدل نیست. ساختن pipeline و ویژگی‌های تازه، مثلاً از دادهٔ حسگرهای نصب‌شده، بخش بزرگی از کار است.
Deliver production-grade code that supports both batch and real-time inference with MLOps best practices
بعضی تصمیم‌ها هفتگی‌اند (برنامهٔ خرید) و بعضی لحظه‌ای (هشدار اختلال). مدل باید برای هر دو حالت قابل اجرا باشد.
Act as the AI liaison to Product, Engineering, Procurement, and Finance—ensuring alignment on data requirements, integration, and change management
شما پل بین تیم‌ها هستید. باید بدانید تیم خرید چه داده‌ای دارد، تیم مالی چه عددی لازم دارد و مهندسی چطور مدل را به سیستم‌ها وصل می‌کند.
Partner with Ops management to drive adoption of AI tools, define new processes, and train supply chain teams on insights-driven workflows
مدلی که استفاده نشود فایده‌ای ندارد. آموزش تیم‌ها و تغییر روال کار آن‌ها جزو مسئولیت رسمی این نقش است.
نتیجه‌گیری کلی
این آگهی تصویر کامل نقش را در ۲۰۲۶ نشان می‌دهد: Samsara می‌نویسد می‌خواهد زنجیرهٔ تأمینش را AI-native کند و این فرد از نخستین مهندسان AI/ML تیم تازه است. کار از پیش‌بینی تقاضا تا بهینه‌سازی موجودی، ریسک تأمین‌کننده و هزینه را در بر می‌گیرد و مالکیت کامل از مدل‌سازی تا MLOps و جا انداختن ابزار در تیم‌ها را می‌خواهد. سطح نقش ارشد است (۸+ سال) و دانش عمیق زنجیرهٔ تأمین در بخش «ایده‌آل» آمده، نه حداقل شرایط. بازهٔ حقوق پایه در آگهی ۱۷۸٬۶۴۰ تا ۳۱۹٬۰۰۰ دلار در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS عنوان جداگانه‌ای برای دانشمند دادهٔ زنجیرهٔ تأمین ندارد. برای نزدیک‌ترین شغل رسمی، دانشمندان داده، پیش‌بینی می‌کند اشتغال در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند و به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی پیش بیاید. برای گروه نزدیک دیگر، تحلیلگران تحقیق در عملیات، رشد ۱۲٪ در همین دوره پیش‌بینی شده که آن هم بسیار سریع‌تر از میانگین همهٔ مشاغل است.
منبع: BLS Occupational Outlook Handbook, 2025–35 (Data Scientists; Operations Research Analysts)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در مه ۲۰۲۵ پیش‌بینی کرد تا ۲۰۳۰، ۵۰٪ از راه‌حل‌های چندبخشی مدیریت زنجیرهٔ تأمین از agentهای هوشمند برای اجرای خودکار تصمیم‌ها استفاده کنند.
Gartner در آوریل ۲۰۲۶ پیش‌بینی کرد تا ۲۰۳۰، ۶۰٪ از شرکت‌هایی که نرم‌افزار مدیریت زنجیرهٔ تأمین دارند قابلیت‌های agentic AI را به کار گرفته باشند (در برابر ۵٪ در ۲۰۲۵) و هزینه برای این نرم‌افزارها از کمتر از ۲ میلیارد دلار به ۵۳ میلیارد دلار برسد. به گفتهٔ همین گزارش، استقرار در شرکت‌ها از عرضهٔ این قابلیت‌ها عقب‌تر خواهد ماند.
BLS پیش‌بینی می‌کند از ۲۰۲۵ تا ۲۰۳۵ اشتغال دانشمندان داده در آمریکا ۳۵٪، تحلیلگران تحقیق در عملیات ۱۲٪ و لجستیک‌کاران (Logisticians) ۱۸٪ رشد کند.
ابزارهای AI بخشی از کار را عوض می‌کنند. Gartner در آوریل ۲۰۲۶ نوشت agentهای ساده در نرم‌افزارهای زنجیرهٔ تأمین کارهای روزمره را خودکار می‌کنند و وقت انسان را برای کارهای پیچیده‌تر آزاد می‌کنند؛ پس ارزش این نقش بیشتر در فرمول‌بندی درست، قضاوت و وارسی است تا در تحلیل تکراری. آگهی‌ها هم همین را نشان می‌دهند: Quince و Meesho کار با AI را می‌خواهند، اما با شرط وارسی خروجی. ریسک دیگر سطح ورود است: بیشتر آگهی‌های بررسی‌شده چند سال تجربه و اغلب مدرک ارشد یا دکترا می‌خواهند، پس مسیر تازه‌کار معمولاً از نقش‌های جونیور، کارآموزی یا شرکت‌های مشاوره و نرم‌افزار می‌گذرد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۰ منبع بررسی شده است.
- ML/AI - Supply Chain — Samsara (job posting)
- Senior Data Scientist, Planning and Forecasting — Quince (job posting)
- Senior Data Scientist – Supply Chain Operations Research — Quince (job posting)
- Supply Chain Optimization Data Scientist Senior Consultant — Deloitte (job posting)
- Data Scientist, Reactive Transfers (SCOT) — Amazon (job posting)
- Data Scientist II, SCOT OSS - Sourcing Execution & Performance — Amazon (job posting)
- Senior Machine Learning Engineer, Operations Research — Instacart (job posting)
- Staff Machine Learning Engineer, Fulfillment Planning — DoorDash (job posting)
- Staff Data Scientist, Dmarts - Quick Commerce — Delivery Hero (job posting)
- Data Scientist - Operational Research — Sainsbury's (job posting)
- Data Scientist III (Team- Valmo) — Meesho (job posting)
- Supply Chain Scientist (Business Analyst) — Lokad (job posting)
- levels.fyi — Data Scientist salaries, Canada
- levels.fyi — Data Scientist salaries, United Kingdom
- levels.fyi — Data Scientist salaries, Germany
- levels.fyi — Data Scientist salaries, India
- BLS Occupational Outlook Handbook — Data Scientists
- BLS Occupational Outlook Handbook — Operations Research Analysts
- BLS Occupational Outlook Handbook — Logisticians
- Gartner — SCM software with agentic AI to reach $53B in spend by 2030 (Apr 2026)
- Gartner — Half of SCM solutions will include agentic AI capabilities by 2030 (May 2025)
- Lokad — The Supply Chain Scientist
- Lokad — About us
- Lokad — Supply Chain Scientist Intern (job posting)
- SupChains — About SupChains and Nicolas Vandeput
- SupChains — VN2 inventory competition
- David Simchi-Levi — Wikipedia
- Li et al. — Large Language Models for Supply Chain Optimization (arXiv 2307.03875)
- MITx MicroMasters Program in Supply Chain Management
- Kaggle — M5 Forecasting - Accuracy