Questo sito utilizza cookie per raccogliere informazioni sull'utilizzo. Cliccando su questo banner o navigando il sito, acconsenti all'uso dei cookie. Leggi la nostra cookie policy.OK

Le competenze per la big data analysis: quale futuro per il Data Scientist

pittogramma Zerouno

Le competenze per la big data analysis: quale futuro per il Data Scientist

18 Mar 2014

di Nicoletta Boldrini

Sono figure nuove, ancora ‘tutte da costruire’, ma una cosa è certa: saranno i ‘super manager’ dei prossimi anni in grado di utilizzare i dati per fornire risposte e suggerire strategie affinché le aziende possano efficacemente muoversi, sviluppare nuove proposte e districarsi all’interno della crescente complessità globale. Attenzione però, la formazione per il lavoro di data scientist è tutt’altro che banale.

Il Mit di Boston e l’Harvard Business School ne auspicano la rapida crescita e maturazione. Il noto economista statunitense specializzato in microeconomia ed economia dell’informazione (consigliere di Google dal 2002), Hal Ronald Varian, riferendosi al ‘nuovo statistico’, l’ha definita la professione “più sexy dei prossimi 10 anni” (dove ‘sexy’ va letto ovviamente nell’accezione anglosassone di intrigante, appassionante). Parliamo in particolare dei ‘data scientist’, un lavoro nuovo che si sta delineando nel panorama internazionale in risposta ai profondi cambiamenti dei mercati, dei modelli di business, di governance e degli assetti organizzativi delle imprese che devono poter disporre in modo efficace di un patrimonio di dati sempre più ampio, dotandosi di competenze analitiche completamente nuove rispetto al passato.

“Il data scientist di per sé non è una figura nuova – puntualizza Paolo Pasini, Responsabile Scientifico dell’Osservatorio Business Intelligence di Sda Bocconi School of Management -, ma l’evoluzione degli analytics e la forza dirompente dei big data hanno messo in luce un problema di competenze. Le competenze di data/business analyst ‘tradizionali’, dove la conoscenza del dato e l’attività di analisi sono indirizzate a determinare i requisiti di business che alimentano i sistemi di reporting, di dashboarding, di analisi Olap, ecc., tendono a non essere più sufficienti in scenari aziendali e di mercato molto complessi e dinamici, dove il concetto stesso di business requirement sfuma e non ha senso ragionare su schemi predeterminati ma, piuttosto, sulla comprensione/analisi della complessità ragionando, in termini di decision making, sulla previsione e anticipazione”, afferma Pasini.

Chi sono gli scienziati del dato e cosa devono sapere

Cominciamo a dire cosa non sono i data scientist: non sono una ‘banale’ evoluzione dei business analyst; non sono data o information manager; non sono business o marketing startegist; non sono management controller o responabili business intelligence…  non sono nulla di ciò che conosciamo. Benché si stia parlando di competenze nuove, infatti, sembra già assodato il fatto che tali figure debbano essere ricercate fuori dall’It.

Figura 1: profili nei quali si riscontrano competenze di data scientist
Fonte: Emc Data Science Study

Secondo lo studio Emc Data Science (un’analisi condotta già nel 2011 da Emc in Usa, Regno Unito, Francia, Germania, India e Cina, cui hanno partecipato quasi 500 esponenti della Community Data Science, con figure quali data scientist e professionisti di discipline correlate – analisti di business intelligence, analisti informativi e data engineer, decision maker e professionisti It), solo il 12% considera i professionisti di BI i candidati ideali per evolvere a data scientist (figura 1): i data scientist richiedono infatti competenze di carattere economico e tecnico più elevate e hanno una capacità doppia di applicare algoritmi avanzati ai dati, ma anche un’abilità nell’elaborazione di decisioni di business basate su quei dati del 37% superiore a quella delle altre figure professionali oggi conosciute.
“Queste persone devono avere una buona competenza statistica, conoscenze e capacità It, abilità di business; questa esigenza potrebbe far pensare che non sia cambiato nulla rispetto alle figure di data/business analyst che comunque devono coniugare esattamente questi tre differenti ambiti di competenza. In realtà, stiamo parlando di figure completamente diverse perché differente è il peso della conoscenza di ciascuna disciplina”, specifica Pasini.
Sul fronte statistico ‘puro’ vi sono alcune novità più che altro nel tentativo di “volgarizzare un po’ la disciplina (la statistica descrittiva e quella inferenziale sono appannaggio di pochi veri super esperti)” – ammette Pasini – “affinché anche figure diverse dallo statista, come appunto il data scientist, possano comunque maturare le competenze sufficienti a svolgere analisi complesse, supportati adeguatamente anche da soluzioni software di analisi e intelligence”.
Dove vi sono le rilevanze maggiori, tuttavia, sono, come spiega Pasini, gli altri due ambiti di competenza, quello It e di business: “Al data scientist sono indispensabili due sottocategorie di conoscenza It:

  1. quella architetturale, perché deve capire e sapere come costruire i sistemi di analisi necessari (non significa che lo debba poi fare in autonomia, tutt’altro; deve però avere la giusta base di conoscenza e visione per lavorare direttamente ed efficacemente con i tecnici It);
  2. quella relativa alla modellizzazione dei dati (deve cioè avere la capacità di analizzare il problema da cui derivare il data modeling)”.  Le novità più consistenti riguardano però le abilità di business che queste persone devono avere, questo perché le dinamiche aziendali di oggi e la complessità entro cui si muovono, sia sotto il profilo organizzativo/gestionale sia dal punto di vista del go e time to market, sono elementi che non hanno paragoni con il passato e sono suscettibili di mutamenti e revisioni continue. “Ecco perché è di estrema rilevanza la provenienza di questi data scientist – osserva Pasini -: se provengono dal marketing strategico, per fare un esempio, per cui sono già abituati a nuove dinamiche internazionali di digital and social marketing, a lavorare congiuntamente con le line of business e il management, e si arricchiscono delle competenze statistiche e It, hanno buone probabilità di sopravvivenza. Al contrario, chi proviene dal mondo matematico/statistico o It ha davanti a sé una ‘complessità mostruosa’ nel comprendere le dinamiche di business e di mercato, quindi non rappresenta probabilmente la figura più adatta a ricoprire il ruolo di data scientist”.

Come diventare data scientist, purtroppo ancora ampio il gap formativo

Stiamo parlando, in sostanza, di figure ‘molto ricche’ sul piano delle competenze, quindi anche difficilmente reperibili. “Si tratta di persone che, negli Stati Uniti, lavorano a fianco dei Ceo, hanno un Mba nel curriculum e ottime capacità imprenditoriali e manageriali. Persone inserite nel top management aziendale (quindi anche con stipendi elevati) e presenti nel board”, precisa Pasini. “In Europa e in Italia siamo ancora lontani dal riconoscimento di queste figure, anche perché solo ora si stanno delineando i percorsi formativi adeguati”.

Figura 2: Gli attuali ostacoli di data scientist nelle aziende: fattore discriminante numero uno è la mancanza di competenze
Fonte: Emc Data Sciente Study

Secondo McKinsey negli Usa, mercato tendenzialmente sempre più maturo rispetto alla penetrazione tecnologica e più rapido nell’adeguamento delle competenze necessarie, già oggi mancano tra i 140 e 190 mila laureati in queste nuove discipline, che solo ora iniziano a trovare collocamento nei percorsi formativi universitari e post-universitari. “La formazione deve modellarsi in un mix armonico ed equilibrato di discipline orientate in particolar modo al business management con un’importante inclinazione allo sviluppo e potenziamento delle capacità analitiche, privilegiando però la trasversalità di vari domini di conoscenza piuttosto che la specializzazione profonda”, conclude Pasini.
Ed è proprio la mancanza di competenze adeguate il fattore discriminante numero uno che impedisce alle aziende di cogliere, per esempio, le opportunità offerte dai big data e dall’analisi e comprensione della complessità dei mercati. Secondo lo studio di Emc, infatti, la mancanza di competenze o di formazione incide per il 32% (figura 2); interessante notare che tra le discriminanti vengono citati anche l’errata struttura organizzativa (14%) e la mancanza di strumenti tecnologici adeguati (10%): segnale inequivocabile della trasversalità di competenze che dovranno avere gli scienziati del futuro.

Per maggiori informazioni: Big data analytics, come fare e quali le competenze necessarie

Nicoletta Boldrini

Giornalista

Articolo 1 di 4