Il citizen data scientist (CDS) è la figura professionale complementare al data scientist. A metà fra l’utente e lo sviluppatore di modelli di AI e machine learning, sono in grado di contestualizzare le informazioni emerse dall’analisi dei dati.
Evoluzione dei business data analyst, trae beneficio dalla semplificazione degli strumenti software. Il professionista della citizen science s’inquadra infatti in uno scenario di software sociale, fondato su principi etici come l’openness e la collaboration. E si occupa della diffusione e la democratizzazione del dato. Ecco chi è e cosa fa il citizen data scientist.
Chi è il citizen data scientist
Il citizen data scientist è un lavoratore della conoscenza che, pur non possedendo una formazione ad hoc in matematica e statistica avanzata, sfrutta le applicazioni e dai dati estrae insights di elevato valore. Informazioni, dunque, in grado di contestualizzare i dati consentendo di usarli in maniera più efficace.
La società d’analisi Gartner ha previsto da anni la figura del citizen data scientist, un professionista che, senza essere un matematico o uno statistico, è in grado di realizzare modelli predittivi. Sa trarre il massimo del significato possibile.
Utilizza i dati e l’analytics su base giornaliera per risolvere problemi specifici di business da un’interfaccia. Si affidano a strumenti in grado di astrarre gran parte delle difficoltà da attività come data abstraction e di automatizzare molto lavoro di data modeling e rilevamento dei pattern nei dati.
Le aziende posso creare il proprio citizen data scientist in base a ciò che già hanno in organico e a quanto possono investire. Ma si può trovare un buon compromesso, rafforzando i business data analyst interni. Sono infatti figure dotate di competenze tecniche, in grado di affinare la predictive analytics e di beneficiare della conoscenza dell’azienda e dei suoi processi di business. A completarne la formazione sono la raccolta e l’analisi di dati all’insegna di collaboration e approccio proattivo, al fine di individuare strade innovative, ma in parte inesplorate per risolvere problemi.
Perché sono importanti
Le iniziative di Digital transformation hanno un impatto su ogni aspetto di come le organizzazioni fanno oggi business.
Questi cambiamenti data-driven hanno costretto numerosi business leader a trasformarsi in citizen data scientist, per colmare il divario fra la domanda di dati e analytics e la carenza di competenti data scientist nell’attuale mercato.
I citizen data scientist sono capaci di superare e colmare questo skills shortage, grazie alla loro capacità di creare modelli di data science usando analytics avanzate e predittive senza alcun background in analisi statistica.
Il ruolo dei citizen data scientist è importante perché è al cuore pulsante dell’esigenza di ottenere di più dall’advanced analytics, senza spendere troppo. O quanto servirebbe ad assumere un data scientist. Quest’ultimo condurrebbe sì una migliore analisi, ma non sarebbe probabilmente in grado di dedurne il massimo del significato.
Per le organizzazioni, rappresenta la migliore opportunità per superare il problema delle scarse competenze di creazione di interi modelli e analytics e soddisfare al contempo l’urgente domanda del business e trasformare i dati in azioni.
Le organizzazioni più smart impiegano team che includono una combinazione di data scientist e citizen data scientists. Questi ultimi non devono infatti sostituire i data scientist, ma essere loro complementari, colmando i divari di competenze o skill gap nel comprendere sia i dati che il business.
I citizen data scientist (CDS) semplificano la tecnologia
I citizen data scientist sono in ascesa per la loro capacità di trarre vantaggio dalla semplificazione della tecnologia e, al contempo, di semplificare la tecnologia. L’automazione delle attività di data science permette loro di realizzare un maggior volume di analisi avanzate rispetto ai data scientist.
Più facili da trovare e meno costosi da assumere, i citizen data scientist svolgono in realtà un lavoro complementare a quello dei data scientist.
Ma la loro ascesa è da attribuire all’accessibilità del campo della data science ai non esperti e all’information democracy che mette più dati in più mani. Infatti i moderni strumenti di analytics e business intelligence (BI) abilitano più persone a impegnarsi a capire meglio i dati.
Le soluzioni relative all’augmented analytics e al machine learning (ML) stanno aiutando i citizen data scientist in ambito data discovery e data analytics, una volta terreno esclusivo dei data scientist.
Il processo di information democracy
Molti data analyst puntano a usare programmi per fogli di calcolo per digerire numeri ed arrivare agli insights. Il format intuitivo, affidabile, a righe e colonne dei fogli di calcolo offre senso immediato ed è flessibile. Ma senza risultati apprezzabili.
I data scientist sanno che è futile imporre la matematica e la statistica a chi non la conosce. Invece è meglio mettere piattaforme di analytics nelle mani di persone in grado di costruire modelli da usare in tutta l’organizzazione. Ogni piattaforma di analytics si definisce semplice, ma non è sufficiente. Deve essere abbastanza potente da soddisfare le esigenze dei data scientist, ma al tempo stesso esse sufficientemente facile per lo staff non-tecnico, per utilizzare flussi di lavoro automatizzabili e condivisibili per tutto il business.
I data scientist si attengono al lavoro degli advanced analytics e statistica, creando workflow per la data preparation e il modeling. Quando questi flussi di lavoro sono pronti da testare o portare in produzione, i data scientist usano i software di analytics. Li conducono ai citizen data scientists, che li fanno girare e ne assicurano il buon funzionamento. Nel tempo, i citizen data scientist possono aumentare le responsabilità, usando le applicazioni per modificare i workflow e crearne di propri.
