Viviamo in una società sempre più tecnologica, dove qualsiasi operazione può avvenire piuttosto facilmente online. Seguendo questo presupposto è immediato il passo successivo: ciò che si muove nel mondo digitale lascia dietro di sé delle tracce che restano a disposizione di chi le sa interpretare. Va da sé che queste informazioni, nelle mani giuste, possono essere importanti occasioni di business e come tali vengono trattate da professionisti: parliamo dei Data scientist. E’ una nuova figura che, con lo sviluppo dell’era digitale, sta trovando il suo spazio nel mercato del lavoro.
Pensate che, il grande successo del Data scientist è così consolidato da aver attirato l’attenzione dell’Harvard Business Review, che nel 2012 ha addirittura pubblicato un articolo dal titolo eloquente: Data Scientist: The Sexiest Job of the 21st Century. Niente male, no?
Per questo e per altri motivi andrebbe valutata una possibile carriera in questo ambito. Con questo articolo avrete un’idea più precisa della figura di questo specialista dei Big Data.
Data scientist: facciamo un po’ di chiarezza
Effettivamente questo professionista è molto richiesto proprio perché in grado di analizzare le informazioni traendo delle conclusioni interessanti in termini di investimenti aziendali. Tuttavia, proprio questa attenzione crescente nei confronti del Data scientist ha fatto sì che attorno ad esso si sia creata una certa confusione.
Chi è il Data scientist
Un Data scientist è un esperto nell’ottenere insight da una mole impressionante di dati, strutturati o meno, al fine di intercettare i bisogni legati ai goal di un’azienda. In altre parole, analizzando i dati in maniera efficace, le imprese potranno impostare i propri processi decisionali, orientando bene le tecnologie di automazione, cloud e di machine learning per le future strategie IT.
Dunque lo scopo primario di un Data scientist è quello di saper gestire questa grande quantità di informazioni tramite l’uso di software creati appositamente per il raggiungimento degli obiettivi. Come risultato finale deve avere un prospetto semplice, da poter condividere con gli investitori, soprattutto con coloro che non sono cinture nere di IT.
Per fare tutto questo deve avere una formazione altamente specializzata ed essendo iper competente: sicuramente può vantare nel suo curriculum vitae una laurea, una magistrale e un Phd/Master. Il percorso per diventare Data scientist non si interrompe con il classico iter accademico, ma procede spedito con ulteriori corsi di specializzazione esterni all’Università. Partendo dal mondo accademico, però, le facoltà più gettonate per avere le basi più adeguate sono Ingegneria, Informatica, Economia, Matematica e Statistica.
Il Data scientist, professionista multidisciplinare
Come abbiamo visto, spesso, non ha seguito una strada unica per formarsi. Il motivo non è puro masochismo: diventare Data Scientist comporta il possedere conoscenze non solo approfondite ma anche eterogenee, che toccano campi diversi. Un analista dei dati deve infatti sapersi muovere sul mercato e nel business di riferimento, così come conoscere le varie tecniche di machine learning e alcuni linguaggi di programmazione.
Ad esempio per approfondire le proprie competenze si possono frequentare corsi professionali, anche online. Esistono comunque delle certificazioni su Big Data e Analytics che possono essere quel quid in più nel proprio cv. Queste includono:
- Dell EMC Proven Professional certification program
- Certified Analytics Professional (CAP)
- SAS Academy for Data Science
- Microsoft Certified Solutions Expert (MCSE)
- Cloudera Certified Associate (CCA)
- Cloudera Certified Professional: CCP Data Engineer
- Data Science Certificate – Harvard Extension School
Ultima cosa: il Data scientist non è un professionista monolitico, in quanto può e deve modificare il proprio approccio di analisi a seconda del settore in cui agirà, soprattutto di fronte alle diverse esigenze portate sul tavolo dalle aziende sue clienti.
Le skill di un Data scientist
Abbiamo già fatto qualche accenno ma, per avere le idee più chiare, faremo riferimento a una ricerca condotta nel 2018 dall’Osservatorio Big Data Analytics & Business Intelligence rispetto alle offerte pubblicate su LinkedIn. Da questa analisi è emerso che lo strumento che non può mancare nella scatola degli attrezzi di un Data scientist è l’abilità di utilizzare almeno un linguaggio di programmazione (in particolare R o Python).
Questo è un prerequisito richiesto nel 74% degli annunci di lavoro. Inoltre, nel 62% delle offerte, è necessario saper sviluppare e ottimizzare algoritmi di Machine Learning. Nei prossimi anni questi due fattori saranno sempre più imprescindibili per svolgere questa professione. Un’altra qualità molto ricercata è la capacità di spiegare i risultati delle analisi ai propri clienti (ben il 36% degli annunci lo richiedevano tra le soft skill).
Ma non basta: da un Data scientist ci si aspetta una profonda conoscenza dei modelli matematico-statistici e degli algoritmi, così come dei vari metodi di programmazioni, indispensabili per implementare le strutture matematiche.
Quanto guadagna un Data scientist?
A fronte della complessità del lavoro, vi farà piacere sapere che ne vale la pena: studiate, sgobbate, diversificate, investite su di voi. Perché? Perché il mercato vi ricompenserà adeguatamente.
Lavorare nella scienza dei dati è sicuramente remunerativo: a dirlo è il Bureau of Labor Statistics (BLS) degli Stati Uniti, che ha dichiarato che questo settore vedrà aumentare i posti di lavoro dell’11% entro il 2024.
Un altro dato è emerso dal report 50 Best Jobs in America di Glassdoor: quello di Data scientist è stato individuato come il miglior posto da occupare in ogni settore in termini di opportunità di carriera, stipendio e livello di soddisfazione professionale. Lo stipendio medio di questa figura, solo qualche anno fa, aveva raggiunto una cifra superiore ai 100.000 dollari l’anno negli Stati Uniti, con picchi fino a 168.000 dollari.
E se questo numero può sembrare possibile solo negli Usa, la media italiana non vi lascerà troppo delusi: parliamo in ogni caso di circa 30.000 euro l’anno per un quadro entry level, con meno di 3 anni di esperienza sul campo. Un professionista con 4-9 anni di lavoro alle spalle raggiunge circa 39.670 euro, mentre un Data Scientist senior (10-20 anni di esperienza) porta a casa in media 54.300 euro. Infine, al termine del suo percorso professionale, dopo 20 anni di onorato servizio, sarà mediamente retribuito 82.300 euro l’anno.
Certo, a primo impatto viene da comprare dei biglietti aerei destinazione New York, ma sappiate che le cose sono destinate a crescere anche nel Bel Paese.
Il futuro del Data scientist in Italia
Ancora una volta ci viene in aiuto il lavoro portato avanti dal 2014 dall’Osservatorio Big Data Analytics & Business Intelligence, tenendo d’occhio i grandi gruppi italiani. Nel 2017, l’ultima ricerca a disposizione ha visto una crescita impressionante del numero di aziende che si sono avvalse di un Data scientist. Pensate che dall’iniziale 31% del 2016 si è arrivati al 45% nell’arco di un solo anno, andandosi poi a consolidare nel 2018: la crescita si è un po’ assestata, ma la figura professionale è stata inquadrata in maniera più stabile a livello organizzativo.
A onor del vero, esiste anche un altro dato da tenere in considerazione: ben il 55% delle aziende si avvale ancora di un modello tradizionale, all’interno del quale le competenze analitiche dei Big Data sono frammentarie. Ma è anche vero che queste stesse aziende hanno dichiarato di voler inserire sistematicamente un Data scientist nel prossimo futuro. La via quindi è aperta!
Cosa fa un Data scientist
Abbiamo già detto che questo professionista comincia il suo lavoro con la raccolta di grandi quantità di dati, che poi deve saper analizzare in modo da determinare le decisioni aziendali con le sue conclusioni.
Ma come procede? Le informazioni prese in esame, spesso Big Data, sono prima di tutto ricavate da più fonti. Ci sono due tipi di Big Data: quelli strutturati e quelli non strutturati. I primi sono spesso organizzati in categorie e quindi sono più semplici da riordinare, leggere e far organizzare in automatico da un sistema. In questo caso parliamo di dati archiviati da prodotti, device elettronici, servizi. Ad esempio informazioni ottenute dal traffico su un sito web, numeri di vendite, dati bancari e coordinate Gps memorizzate da uno smartphone.
Al contrario, i dati non strutturati (che sono anche quelli in rapida crescita) arrivano in genere dai feedback lasciati dagli utenti: email, video, recensioni; messaggi sui socialmedia eccetera. Ovviamente queste sono tracce un po’ più difficili da catalogare in maniera automatica. Quindi per interpretarle occorre un maggiore investimento da parte delle aziende.
Proprio per saper gestire questo secondo tipo di dati, la figura del Data scientist è indispensabile per gli imprenditori, che sono costretti ad affidarsi a loro per interpretare in maniera corretta queste informazioni frammentarie.
Settori fertili per un Data scientist
Ovviamente ci sono dei mercati specifici che si prestano bene alla scienza dei dati più di altri. Ecco quelli che più comunemente sono il pane quotidiano di un Data scientist:
- Business: le considerazioni di un professionista possono determinare le decisioni riguardanti parametri come efficienza, inventario, errori di produzione, fedeltà dei clienti;
- E-commerce: con un’analisi corretta dei dati, queste piattaforme possono esser migliorate in diversi campi come quello del servizio clienti e nell’intercettare le nuove tendenze;
- Finanza: in questa industria dove le attività di credito, debito e le transazioni sono frequenti, il data scientist può aiutare nella rilevazione di frodi, sicurezza e conformità;
- Pubblica Amministrazione: gli enti pubblici e governativi possono monitorare la soddisfazione dei propri cittadini, in conformità con la sicurezza dei dati raccolti;
- Scienza: in questo campo l’analisi e la raccolta dei dati possono trovare un vantaggio nel supporto di un professionista come il Data scientist;
- Social network: in queste piattaforme la condivisione di Big Data è all’ordine del giorno e quindi sono una grossa fonte da cui attingere per l’analisi sui nuovi trend e sulla soddisfazione degli utenti, così da implementare funzionalità e servizi con l’osservazione di post, tweet e blog.
- Sanità: nelle strutture ospedaliere i registri elettronici sono pieni zeppi di dati che possono esser interpretati dai professionisti allo scopo di migliorare i servizi sanitari;
- Telecomunicazioni: ogni dispositivo archivia e memorizza dati, mettendoli a disposizione di chi li può interpretare. Le aziende possono avvalersi di un Data scientist per individuare bug e quindi migliorare prodotti per soddisfare i clienti.
Libri interessanti per wanna be Data scientist
[amazon box=”1713149796″]
Data Science: A Comprehensive Beginner’s Guide to Learn the Realms of Data Science è un testo adatto per chi sa bene l’inglese e può leggere in lingua originale i rudimenti per partire al meglio con la scienza dei dati. E’ un manuale adatto per chi vuole iniziare ad approcciare la materia e, magari, allenare anche il suo inglese.
[amazon box=”8891621854″]
In italiano troviamo una guida esaustiva adatta sia ai professionisti che ai lettori alle prime armi: è Big Data Analytics: Il manuale del data scientist.
In questo libro vengono esposte diverse tematiche chiave per il Data scientist, dalla gestione all’analisi avanzata dei dati, passando per la descrizione dei big data, dei tool e delle architetture che permettono di gestirli.
[amazon box=”B06XBZBF3S”]
Data scientist: Tra competitività e innovazione è un libro per chi ama dedicarsi alla parte pratica e alle imprese che vogliono saperne di più rispetto a questa figura professionale.