Il FUTURO DEL DATA SCIENTIST, TRA SKILLS IN EVOLUZIONE E AZIENDE DATA THRIVERS

La Data Science entra nelle aziende e la figura del Data Scientist diviene sempre più strutturata, insieme al percorso formativo destinato a questa professione. Quali sono le skills da possedere e che caratteristiche hanno le aziende che guidano la rivoluzione Data Driven.

Le aziende hanno bisogno di data scientist, sia quelle di piccolo calibro che stanno ancora sviluppando una strategia di business data-oriented, sia quelle dove l’utilizzo dei dati come strumento portante di tutti i processi aziendali è una realtà. Allo stesso tempo piattaforme come Tableau.com hanno spianato la strada alle piccole aziende che vogliono sfruttare i dati con un impegno minimo di risorse e introducono al grande pubblico il tema, attuale e importante, della Data Science.

La risorsa dei dati è una miniera d’oro e ora anche i principianti possono essere introdotti alla Data Science

Studiare i dati è un gioco da ragazzi? Pare di sì, almeno a giudicare dalle straordinarie funzionalità di Tableau Public, la piattaforma di Tableau sviluppata all’Università di Cambridge dal Mit che permette di acquisire, estrapolare e decifrare dati grezzi per elaborare statistiche e previsioni. Il software è dedicato proprio a tutti: dai professionisti, alle piccole aziende che non possono permettersi un data scientist e desiderano competenze al pari di una figura Junior, a chiunque abbia sete di conoscenza. Tuttavia la piattaforma non può sostituire al momento la complessa filiera del dato che accompagna lo sfruttamento dei dati come elemento chiave del business, nonchè l’esperienza e le competenze sfaccettate del data scientist, che da semplice analista dei dati (vedi data analist) si è evoluto come lo scienziato dei dati.


Al di là delle dimensioni dell’azienda, quello che conta quanto si tratta di reaction to disruption – cioè la risposta individuale ai cambiamenti indotti dalla digital transformation che hanno un effetto incisivo sulla struttura del business –  è proprio il punto di non ritorno (disruption) al quale deve arrivare l’azienda che vuole essere al passo con questo cambiamento.

Quella dei dati è divenuta infatti una vera e propria scienza, che ha bisogno di competenze matematiche, scientifiche ed economiche per venire alla luce e rispondere ai quesiti di un business di qualsiasi entità. Questo riguarda non solo le aziende data-driven, ovvero quelle che hanno fatto dei dati il centro di un complesso sistema che li veicola in modo sincronizzato nello spazio e nel tempo, ma anche alle aziende che in gergo vengono denominate Resister e Survivor. In ogni caso il data scientist è il primo tassello di un puzzle che coinvolge tecnologie, persone e processi. E strumenti come Tableau Public, per come sono strutturati, riescono a coprire solo una parte di questo sistema.

Le aziende Data Thrivers creano Digital Disruption dalla manipolazione dei dati

NetApp Italia e IDC Italia ha individuato diversi tipi di aziende rispetto alla loro attitudine alla data science. Al di là delle dimensioni dell’azienda, quello che conta quanto si tratta di reaction to disruption – cioè la risposta individuale ai cambiamenti indotti dalla digital transformation che hanno un effetto incisivo sulla struttura del business –  è proprio il punto di non ritorno (disruption) al quale deve arrivare l’azienda che vuole essere al passo con questo cambiamento. Vengono così identificate quattro categorie che denotano quattro stili di rapporto tra le aziende e la digital transformation, che si traduce nella capacità di carpire e utilizzare al meglio le potenzialità della data science.

Al livello più basso abbiamo le aziende denominate Resister, ovvero quelle con una scadente data strategy e disconnesse da quelli che sono i fenomeni scatenanti della Digital Disruption. Al livello più evoluto troviamo invece le Thrivers, realtà che sono in grado non solo di accogliere il cambiamento previsto dalla manipolazione dei dati, ma di crearlo. Le realtà Data Thriven sono la naturale evoluzione di quelle Data Driven, guidate in tutti i processi del loro business dalle informazioni tratte dalla manipolazione dei dati.

Analisi del rapporto tra le aziende e la Digital Disruption, attraverso la modalità di utilizzo dei dati

Data Scientist: skills nuove e percorso formativo

La lista delle skills che deve possedere un data analyst è variegata, così come il background culturale e accademico. Mentre le soft skills più apprezzate sono sempre più o meno le stesse da quando la figura è divenuta di spicco nel panorama digital (curiosità intellettuale, per il contesto socio-economico di applicazione, doti comunicative e teamworking) le skills tecniche sono in evoluzione. Qui di seguito troviamo quelle individuate da Kdnuggets sulle quali improntare il proprio percorso formativo.

  1. Python Coding
  2. Hadoop Platform
  3. SQL Database/Coding
  4. Apache Spark
  5. Machine Learning and AI
  6. Data Visualization
  7. Unstructured Data

Se per fare il data scientist occorrono, in partenza, delle determinate skills, nel percorso professionale ci sono alcune competenze che possono fare la differenza tra un data scientist junior e uno senior, ma anche quelle che possono essere considerate una marcia in più o sono indispensabili nelle realtà aziendali con una digital disruption già acquisita e sviluppata. Vediamo insieme quali sono alcune capacità importanti che dovrebbe possedere un data scientist:

  • Identificare gli strumenti adeguati per ogni fornitore: software, piattaforme, distribuiti su progetti di larga scala. Creare allo stesso tempo delle classificazioni e gerarchie di dati in base a determinate caratteristiche.
  • Non credere ciecamente all’attendibilità dei dati, scegliendo diverse fonti di provenienza dei dati e miscelandole per creare il giusto mix di informazioni, eliminando quelle inutili alla resa del progetto.
  • Conoscere profondamente la tipologia di business per la quale si opera la strategia di data science, individuandone i valori e trainando gli stessi al fine di renderli un fattore determinante per il successo del business aziendale.
  • Essere in grado di collaborare proficuamente con Business Analyst e con figure similari, per scegliere la tipologia di algoritmi adeguata.
  • Interpretare bisogni, aspettative, concetti e idee con strategie di data science.

Per quanto riguarda il percorso formativo, il Data Scientist possiede un background accademico in genere più consistente rispetto al Data Analyst, che prevede l’accostamento di materie Stem oriented (matematica, scienza, programmazione e analisi predittiva) con materie ancora più specifiche come lo sviluppo di prototipi, di modelli predittivi, data mining e machine learning. Proprio per questo ricco carnet di conoscenze, alcune aziende prediligono percorsi accademici più strutturati. Una esempio potrebbe essere quello di far seguire la laurea a Bootcamp mirati o ai Mooc,
piattaforme di e-learning che coinvolgono numerosi utenti e assicurano spesso alti livelli di formazione.

Author: Claudia Sistelli

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo di WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Google photo

Stai commentando usando il tuo account Google. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...