Home / Macroambiente / Data scientist: una professione orientata ai big data

Data scientist: una professione orientata ai big data

Data scientist: una professione orientata ai big data

Quali competenze deve avere un data scientist? E in quali settori è più richiesto lo "scienziato dei dati"?

Un data scientist può essere definito semplicisticamente – con una traduzione letterale ma calzante – uno scienziato dei dati.

Diversi esperti ne hanno dato varie definizioni, ponendo magari l’accento ora su un aspetto ora su un altro, ma mantenendo sempre di base alcune caratteristiche peculiari che compaiono anche nella scheda dedicata a questa figura redatta dal Gruppo Web Skills Profiles. Infatti, il data scientist rientra tra i profili di competenza professionale riferiti al digitale riconosciuti a livello europeo e diventati, nel gennaio del 2016, oggetto di una norma UNI multiparte, la 11621 1-4, e la definizione sintetica data è la seguente:

figura professionale a cui fanno capo le attività di raccolta, analisi, elaborazione, interpretazione, diffusione e visualizzazione dei dati quantitativi o quantificabili dell’organizzazione a fini analitici, predittivi o strategici.

Quando è nato il data scientist?

Non si legge – in quest’ultima definizione come in molte altre definizioni di scienziato dei dati date da professionisti – riferimenti diretti al mondo digitale. Oggi il nesso è quasi ovvio, perché se si pensa al data scientist si pensa inevitabilmente ai big data con rimando alla Rete, ma l’analisi dei dati esiste da lungo tempo e con Internet si è solo innovata e magari è stata applicata poi anche a settori diversi rispetto al passato. Risulta quindi difficile dire da quanto tempo esista la figura del data scientist, ma, considerando il concetto in senso lato, alcuni hanno attribuito ai big data una storia molto antica, che precede l’esistenza di qualsiasi computer o software e l’avvento del web. Sembra infatti che essi trovino origine addirittura nel 600 a.C. e la loro nascita viene fatta risalire al filosofo greco Talete di Mileto, il primo ad impiegare grosse quantità di dati – anche non strettamente connessi fra loro – per farne un uso predittivo e, soprattutto, per trarne guadagno.

Superando l’uso di storie e miti legati al mondo degli dei per interpretare e spiegare i fenomeni naturali, il filosofo greco è stato individuato come il primo a raccogliere negli anni ingenti quantità di dati da analizzare per riuscire a fare previsioni meteorologiche. Talete, che oggi potremmo definire come un “data scientist a.C.”, elaborò una sorta di database nel quale venivano raccolti negli anni tutti i dati utili relativi alle condizioni climatiche, assieme a tanti altri eventi che apparivano del tutto slegati da questo. Uno degli elementi che consentono di definire i big data – oltre alla quantità di dati e alla velocità con cui questi vengono raccolti – è infatti proprio la varietà dei dati raccolti e poi combinati fra loro da una persona esperta e competente per offrire soluzioni del tutto inaspettate a problemi che talvolta nemmeno ci si immaginava di poter avere. Studiare i dati metodologicamente – investendo una piccola somma di denaro – consentì a Talete di prevedere con anticipo, quando era ancora pieno inverno, l’avvento di un abbondante raccolta di olive, assicurandosi così l’affitto dei frantoi di un’intera regione, ottenendo un buon ritorno sugli investimenti nel momento in cui il grande raccolto arrivò.

Verso il presente della professione

Si potrebbero individuare tante altre figure simili nel corso dei secoli, molte anche nell’ambito della statistica e delle ricerche sociali tradizionali. Per avvicinarsi di più a quello che è il panorama attuale in cui si trova a lavorare un data scientist, però, non si può non fare riferimento alla figura del computer scientist che dagli anni ’90 in poi ha già iniziato a proporre metodi e algoritmi più appropriati per raccogliere e analizzare grandi moli di dati. La possibilità di avere dati in formato digitale ha anche dato il via a nuove discipline, quali quelle di data mining e machine learning.

Cosa fa un data scientist?

Un data scientist quindi si occupa di trovare metodologie di raccolta, organizzazione, gestione, analisi, elaborazione e interpretazione dei dati, così da produrre informazioni utili al management per assumere decisioni e definire strategie operative. Le varie attività del data scientist, infatti, sono finalizzate ad individuare trend o bisogni e intercettarli, fare delle analisi predittive.

Non va trascurato, inoltre, che chi svolge questa professione «deve trovare fonti di acquisizione del dato per arricchire sempre di più quella che viene chiamata data management platform», come ha affermato Paolo Zanzottera – data scientist di professione – in una intervista ai nostri microfoni durante Inbound Strategies 2018.

Data scientist e digitalizzazione nelle imprese | Paolo Zanzottera
Data scientist e digitalizzazione nelle imprese | Paolo Zanzottera

Quali competenze deve avere? E quali strumenti deve saper utilizzare?

Dalla raccolta all’elaborazione dati sono diverse le competenze richieste a chi svolge questa professione. Il data scientist «è colui che deve riuscire a capire il valore del dato in azienda», afferma Zanzottera, e per poterlo fare deve avere conoscenze trasversali. Tra le principali:

  • competenze di statistica, per poter capire quali dati estrarre e come farlo;
  • conoscenze in campo economico e di applicazione di modelli matematici;
  • basi di informatica, tra cui basi «più di conoscenza più che di programmazione JavaScript»;
  • competenze negli ambiti del machine learning e dell’intelligenza artificiale, necessarie anche per «utilizzare strumenti che permettano di organizzare tutte le informazioni e gestirle».

Non vanno sottovalutate poi importanti soft skill. Le attitudini personali, relazionali e organizzative, riportate da SkillsProfile.eu, ad esempio, sono:

  • comunicazione;
  • leadership;
  • teamworking e team management;
  • creatività;
  • flessibilità;
  • problem solving;
  • value creation;
  • business sense.

Propensione al lavoro di squadra e capacità comunicative sono due abilità particolarmente rilevanti poiché le analisi del data scientist sono trasversali a tutti i reparti dell’azienda: non devono solo essere definite in modo completo per il manager, ma devono essere esplicate in modo chiaro così da fornire informazioni comprensibili e accessibili per tutti coloro che devono utilizzarle.

A livello di strumenti Paolo Zanzottera poi ha tenuto a indicarne due particolarmente utili:

  • «innanzitutto un cervello: lo strumento più potente che abbiamo […] perché non è tanto importante il tool in sé ma è il percorso del dato che il data scientist deve seguire; perciò deve capire a livello algoritmico come può trasformare una informazione, arricchirla, etc. ect.»;
  • «gli strumenti offerti dalla marketing automation, altrimenti il data scientist diventa solo un costo per l’azienda».

Perché si definisce come una “professione sexy”?

Quella del data scientist è stata definita nel 2012 dall’Harvard Business Review come “il lavoro più sexy del XXI secolo“. Il perché lo si legge dettagliatamente nell’articolo “Data Scientist: The Sexiest Job of the 21st Century”, ma il messaggio che si cerca di veicolare è che coloro che svolgono questa professione godono di fascinodetto altrimenti: risultano attrattivi per le aziende, ndr – se con ‘sexy’ si intende l’avere qualità rare e che sono molto richieste.

Qualcuno potrebbe trovare ‘sexy’, affascinante, l’attività di elaborazione dati di per sé, ma l’aspetto più attraente è proprio la grande richiesta e necessità di questa figura professionale, sia nell’ambito privato, sia in quello pubblico. Sono diversi infatti i settori in cui è richiesta questa figura: dal mondo del business e della finanza alla pubblica amministrazione e alla sanità, nonché dalle aree del social networking e delle telecomunicazioni.

Un data scientist, insomma, ha molteplici possibilità di inserimento nel mondo del lavoro – motivo per cui vanno affermandosi e perfezionandosi sempre di più corsi di laurea e master al riguardo – ma deve conoscere e padroneggiare cose molto complesse, e spesso chi lo diventa è abituato già da anni a lavorare con i dati. [Tweet “«Non si nasce ma si diventa data scientist». @zanzottera”]

Altre notizie su:

© RIPRODUZIONE RISERVATA È vietata la ripubblicazione integrale dei contenuti

Resta aggiornato!

Iscriviti gratuitamente per essere informato su notizie e offerte esclusive su corsi, eventi, libri e strumenti di marketing.

loading
MOSTRA ALTRI