Il mondo del lavoro sta cambiando sensibilmente negli ultimi anni e nuove ed emergenti figure professionali con competenze specifiche, in particolare modo legate al mondo della Data Science, sono sempre più ricercate dalle aziende: questo è quello che emerge dallo studio “The Future of Jobs Report” pubblicato dal Word Economic Forum nel 2018.
Ma nello specifico, quali sono queste figure?
Sempre nel 2018 l’Osservatorio Big Data Analytics & BI ha svolto un importante lavoro di razionalizzazione dei profili legati al mondo della Data Science cercando di definirne i ruoli, anche se alcune peculiarità possono legarsi anche a più di una figura, visto che le denominazioni non sono ancora del tutto consolidate.
I componenti fondamentali di un team di Data Science
Per iniziare a strutturare un gruppo di lavoro le figure professionali sono le seguenti:
- Data Scientist: il suo lavoro 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: è la figura centrale nella gestione della Data Pipeline, 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 un team di Data Science
Il ruolo dei team di analisi non è sempre uguale all’interno delle aziende: molto dipende dalla loro posizione all’interno dell’impresa e da dove si trova l’azienda nel suo percorso di data driven company.
È possibile che, a seconda delle esigenze di business, si crei quasi spontaneamente un gruppo di lavoro dedicato all’interno di una specifica funzione aziendale: spesso questa funzione è il Marketing, soluzione che rappresenta un buon punto di partenza, ma che con il tempo rischia di non favorire lo sviluppo di una strategia univoca di gestione e integrazione dei dati in azienda.
Nelle realtà più mature e complesse, la struttura di Data Science opera in modo trasversale alle funzioni aziendali. collaborando come funzione di staff per sviluppare progetti diversi. Il team di analisi, in questi casi, si interfaccia direttamente con le figure executive (CIO, CEO o, se presente, al Chief Data Officer). Questa strutturazione consente maggiore vantaggi, partendo dalla standardizzazione delle tecnologie, passando dallo sviluppo di una cultura data driver, arrivando a creare economie di apprendimento e consentono alle figure interne anche maggiori possibilità di crescita professionale, maggiore collaborazione e diversificazione delle attività svolte.
Indipendentemente da come nasce il team (se decentralizzato o unico) spesso il punto di arrivo è comunque ibrido con competenze diverse a cui si affiancano skill di Analytics distribuite nelle diverse funzioni aziendali.
