Nel report sul futuro del lavoro a cura del World Economic Forum (“The Future of Jobs Report” 2018), vengono elencati i ruoli emergenti, la cui domanda da parte delle aziende aumenterà da qui al 2022.
Si tratta di ventun ruoli, tutti in qualche modo legati all’innovazione digitale.
Più nello specifico la Data Science emerge come uno dei principali focus: tre dei ruoli citati sono chiaramente legati all’analisi dei dati (Data Analyst and Scientists, AI e Machine Learning Specialist, Big Data Specialist) e un altro buon numero riguarda applicazioni abilitate dalla Data Science (es. Robotics Specialists, Human-Machine Interaction Designers) o utilizzo di tecnologie che ne abilitano lo sviluppo (es. Information Technology Services, Software and Applications Developer and Analysts). Coerentemente, secondo il WEF, entro il 2022 l’85% delle aziende a livello globale ha intenzione di adottare o di ampliare i suoi sistemi di data analysis.
Se da un lato l’interesse è in continua crescita, permane confusione su ruoli e competenze da inserire in azienda, specialmente tra le imprese più piccole. Per questo, l’Osservatorio Big Data Analytics & BI ha compiuto nel 2018 un lavoro di razionalizzazione delle figure professionali legate al mondo della Data Science, coniugando fonti accademiche e fonti informali (es. Linkedin).
Il team di Data Science: da chi è formato?
Le figure di Data Science non sono ancora consolidate nelle loro denominazioni, è quindi probabile imbattersi in ruoli apparentemente differenti ma sostanzialmente simili.
Al di là dunque di specifiche peculiarità, le figure professionali con cui avviare un team di Data Science sono tre:
- Data Scientist: il lavoro del Data Scientist consiste nell’estrazione di informazioni di valore per il business, a partire dai dati a disposizione. Questo professionista sviluppa e implementa modelli matematico-statistici per cercare di rispondere a domande complesse (es. quali sono i clienti a rischio di abbandono?).
È una figura altamente specializzata, che conosce in maniera approfondita le tecniche matematico-statistiche (regressioni, classificazioni, ecc..) e che, sempre di più, sa come sviluppare e implementare algoritmi di Machine Learning. Nella maggior parte dei casi conosce più di un linguaggio di programmazione, i più usati sono R o Python, entrambi open source.
Background: Non c’è un unico corso di laurea che prepara a diventare Data Scientist. Si tratta di figure che provengono da Ingegneria, Informatica, Statistica, Matematica o Economia e che si specializzano in seguito con progetti di formazione on-the-job o con Master dedicati.
- Data Engineer: figura centrale nella gestione della Data Pipeline, ovvero l’infrastruttura che dal luogo in cui i dati vengono raccolti li trasporta agli strumenti di front-end. Il compito del Data Engineer è esattamente questo: fornire al Data Scientist in maniera tempestiva i dati in formati utilizzabili per le analisi. Soprattutto in contesti architetturali complessi, con grande eterogeneità delle fonti dati o con analisi effettuate in tempo reale, il ruolo del Data Engineer non è da sottovalutare. Ad oggi, è la figura meno presente nelle grandi aziende italiane, tuttavia è plausibile che esista in maniera informale, ad esempio le sue mansioni sono svolte da persone nell’IT, oppure che le attività vengano svolte dal fornitore tecnologico.
Background: il ruolo estremamente tecnico fa propendere per corsi di laurea prettamente STEM, in particolare ingegneria informatica o informatica.
- Data Analyst: si occupa di svolgere analisi meno complesse, ad esempio esplorative o descrittive, e fa da catalizzatore alle richieste informative delle linee di business. Pur avendo conoscenze basilari di matematica e statistica o di funzionamento dei database, nella sua “giornata tipo” utilizza strumenti più tradizionali (ad esempio foglio elettronico) o software di business intelligence. Sa scrivere una query in MySQL, ma nessuno gli chiederà mai di progettare il modello dati di un database relazionale!
Background: è preferibile che questi professionisti provengano da studi economico-manageriali, anche perché si occupano di tradurre gli insight che emergono dai dati in linguaggio business.
Nel momento in cui in azienda cresce l’interesse verso i Big Data Analytics, il team può allargarsi con figure più tecniche, per gestire in maniera efficiente la mole di dati raccolti (ad es. Data Architect), con ruoli specializzati in alcune tipologie di analisi (es. Machine Learning Engineer) o con figure che facciano da “ponte” con i referenti delle linee di business (es. Data Visualization Engineer, specializzato nella rappresentazione visuale dei dati).
Cosa fa una struttura di Data Science?
I team di analisi dati non sono tutti uguali. Molto dipende da dove vengono posizionati in azienda, da qual è il loro riporto diretto e, in generale, da dove si posiziona l’azienda nel percorso verso la data-driven company.
A partire da esigenze di business, è probabile che si crei, per così dire spontaneamente, un team dedicato in una specifica funzione aziendale. Nella gran parte dei casi, specialmente nelle aziende B2c, questa funzione è il Marketing. Questa configurazione è un buon punto di partenza ma nel medio periodo non favorisce la nascita di una strategia univoca di gestione e integrazione dei dati in azienda.
Nelle aziende più mature, la struttura di Data Science si posiziona trasversalmente alle funzioni aziendali, lavorando quasi come una funzione di staff nello sviluppo di progetti differenti. In questi casi, il team di Analytics riporta direttamente a una figura executive (CIO, CEO o, se presente, al Chief Data Officer). I vantaggi di questa configurazione sono numerosi e vanno dall’omogeneizzazione delle scelte tecnologiche allo sviluppo di una cultura data-driven, passando per sinergie e economie di apprendimento. Anche le stesse figure interne al team potrebbero trarre vantaggio da questo assetto organizzativo, grazie a maggiori opportunità di crescita professionale, maggiore collaborazione e diversificazione delle attività svolte.
Che si parta da una situazione decentralizzata o dalla creazione di un team unico, il punto di approdo, in particolare per le aziende più grandi, è una situazione ibrida. Con ciò si intende la presenza di un centro di competenza, a cui si affiancano skill di Analytics distribuite nelle diverse funzioni aziendali.
