Il 49% delle grandi aziende ha almeno un data scientist, e di queste il 28% ha continuato a investire su questi profili negli ultimi 12 mesi: i dati 2021 dell’Osservatorio Big Data & Business Intelligence del Politecnico di Milano fanno emergere le dimensioni del mercato italiano analytics, che ha raggiunto gli oltre due miliardi di euro.
Fonte: Infografica Osservatorio Big Data & Business Intelligence
Ma se nel 2021 il 44% delle piccole e medie imprese ha investito in analytics o prevede di farlo, se otto grandi aziende su dieci lavorano all’integrazione di dati eterogenei e il 54% ha avviato almeno una sperimentazione in “Advanced Analytics”, solo il 27% del campione esaminato può definirsi data science driven, ovvero guidato da procedure scientifiche di gestione e analisi dei dati a supporto delle decisioni.
Fonte: Infografica Osservatorio Big Data & Business Intelligence
Dalla data analytics alla data science, infatti, il passo non è né breve, né scontato. Il data scientist sa perché e può fare la differenza.
Chi è il data scientist
Il data scientist, o “scienziato dei dati”, è un esperto di strategie data-driven: estrae dai big data informazioni utili in relazione agli obiettivi aziendali e contribuisce a modificare i piani d’impresa a medio-lungo termine sulla base delle evidenze trovate.
Il data scientist è più di un data analyst: non si occupa infatti “solo” di analisi e applicazione ai contesti, ma anche di progettazione delle soluzioni statistico-matematiche più idonee alle esigenze.
Fonte: Infografica Osservatorio Big Data & Business Intelligence
Una competenza chiave, considerato che circa il 70% del campione di lavoratori nelle grandi organizzazioni coinvolti dall’Osservatorio Big Data & Business Intelligence del Politecnico di Milano dichiara di non saper interpretare al meglio misure statistiche base.
Che cosa fa e di che cosa si occupa il data scientist
Il data scientist assume in sé le doti del ricercatore e quelle del manager: come il primo, passa in rassegna la letteratura scientifica per aggiornarsi sulle soluzioni già esistenti ed esplorare nuove possibilità, quindi implementarle e sperimentarle; come il secondo, gestisce dati, tempi, modi e richieste dei diversi settori aziendali per trovare bilanciamenti e risolvere problemi.
Un data scientist esperto elabora e implementa i modelli da applicare per tradurre insiemi di dati complessi in informazioni-chiave strategiche:
- ascolta le esigenze,
- sceglie il mix di strumenti più adeguato
- ne progetta il flow
- lo applica
- ne verifica la funzionalità.
Il compito principale di un data scientist, anche alle prime armi, è di trarre valore dai dati. Questo comporta:
- analizzare i contesti;
- identificare nuove fonti, nuove correlazioni e nuovi trend;
- presentare i risultati a diverse tipologie di stakeholder, tecniche e non;
- sviluppare dashboard intuitive per rapidi processi decisionali.
Perché è importante un data scientist
Un data scientist è fondamentale per supportare decisioni efficaci, ovvero adeguate e realistiche, perché basate sulle evidenze matematico-statistiche.
Un team di data scientist esperto è determinante per acquisire un vantaggio competitivo e una visione strategica dei mercati di riferimento: modelli di elaborazione e restituzione adeguati identificano correlazioni e dipendenze tra variabili, prevedono tendenze future, scoprono anomalie nei processi, monitorano l’efficacia della direzione intrapresa.
Ne derivano una migliore gestione degli asset, un aumento della sicurezza negli impianti industriali, l’ottimizzazione del controllo di produzione e dell’esperienza di vendita/acquisto.
Analisi e sfruttamento dei dati
L’analisi dei dati può portare a:
- visualizzare le aree di business che richiedono attenzione o miglioramento,
- identificare i fattori che influenzano il comportamento dei clienti,
- visualizzare gli argomenti di discussione sui propri canali,
- approfondire volumi e temi della customer care,
- ottimizzare i consumi energetici
- efficientare i processi, dall’approvvigionamento al post-vendita.
Competenze che vedono poco protagoniste le piccole imprese: solo il 13% del campione coinvolto dell’Osservatorio Big Data & Business Intelligence del Politecnico di Milano ha avviato progetti di advanced analytics e solo il 32% ha investito in figure che si occupano di gestione di analisi dei dati.
Fonte: Infografica Osservatorio Big Data & Business Intelligence
Elaborazione di strategie
Il data scientist esperto implementa uno o più sistemi di raccolta, analisi e visualizzazione di dati eterogenei, cioè provenienti da fonti diverse, strutturati e non strutturati, con strumenti diversi a seconda delle esigenze.
Gli strumenti del data scientist comprendono gli algoritmi di machine learning/deep learning, le diverse forme di computazione (cloud, edge, fog computing), la gestione dei database.
Ma accanto alle competenze tecniche, l’elaborazione di strategie efficaci da parte di un data scientist non può prescindere da un’approfondita conoscenza del business e del contesto organizzativo in cui opera.
Data scientist: ecco come diventarlo
Il data scientist è uno dei profili più richiesti dalle organizzazioni, ma diventarlo non è immediato. Per i profili junior, si parte da una laurea triennale in informatica, statistica, matematica o ingegneria.
Competenze e hard skills richieste
- Competenze in probabilità, statistica, calcolo a più variabili, algebra e funzioni;
- Competenze di programmazione, quindi conoscenza e utilizzo dei linguaggi Python, R, SQL, Java, Julia, Matlab, TensorFlow;
- Competenze in data wrangling, ovvero preparazione dei dati (acquisizione, pulizia, trasformazione, mappatura);
- Gestione dei database, quindi conoscenza e utilizzo dei DBMS SQL e No SQL. Tra i primi: MySQL, SQL Server, Oracle, IBM DB2, PostgreSQL. Tra i secondi: MongoDB, HBase, Neo4j, Cassandra;
- Conoscenza e utilizzo degli strumenti di data visualization come da MS Excel a Tableau, passando per PowerBI, QlikView, Google Analytics;
- Conoscenza e utilizzo degli algoritmi di apprendimento automatico come K-nearest neighbours, Random Forests, Naive Bayes, i modelli di regressione;
- Conoscenza delle piattaforme cloud più comuni come AWS, Google Cloud, Azure
- Conoscenza e utilizzo di metodi DevOps per la distribuzione e il monitoraggio continui dei dati.
Competenze e soft skills richieste
- Capacità di ascolto: per saper individuare al meglio le esigenze a cui rispondere;
- Capacità di comunicazione: per saper adattare linguaggi, modi e tempi agli interlocutori, risultare efficaci e mantenere una buona dinamica relazionale;
- Capacità di lavorare in squadra: per accettare i feedback, condividere le conoscenze e migliorare insieme agli altri;
- Buon acume commerciale: per individuare le priorità più urgenti e le sfide a medio-lungo termine del business;
- Approccio sistemico: per comprendere come i diversi processi si integrano nelle strategie di business;
- Attenzione al dettaglio: per essere in grado di individuare la più piccola sfumatura, nei dati e nelle persone.
Data scientist: stipendio e guadagno medio
Il data scientist è una figura professionale molto richiesta sul mercato e con buone opportunità di carriera. Lo stipendio dipende dall’esperienza maturata, dalle competenze e dalle specializzazioni acquisite, dall’ampiezza dell’azienda e del suo mercato di riferimento.
Per Glassdoor, lo stipendio medio di un data scientist negli Stati Uniti è intorno ai 120mila dollari, mentre lo US Bureau of Labor Statistics di maggio 2021 lo attesta sui 108.660 dollari annui.
In Italia, per Indeed.com e Glassdoor.com , lo stipendio base medio di un data scientist è tra i 32mila e i 33mila euro l’anno.
