Le aziende faticano a trovare chi sappia raccogliere e organizzare i dati per produrre informazioni utili per il business. Forse anche perché non sanno bene cosa devono cercare e come valutarne la competenza.

Oggi, un giorno qualsiasi di dicembre 2018, una ricerca su LinkedIn con chiave “data scientist” restituisce circa 430 annunci di lavoro solo in Italia. Così come una ricerca su Google del tipo “cosa fa un data scientist” fornisce milioni di pagine. Evidentemente i segnali che provengono da economisti, analisti e report delle società di selezione del personale non sono da sottovalutare.

Magari non sarà, come la definisce Hal Varian, Chief Economist di Google, la “professione più sexy dei prossimi anni” ma, certamente, il data scientist è una figura di cui le aziende, in qualsiasi mercato operino, non possono più fare a meno. Il motivo è che senza una risorsa, o una squadra, che si occupi di analisi dei dati oggi si rischia di essere sopraffatti dal concorrente.

Possono essere dati relativi all’interazione con una piattaforma di e-commerce, semplici dati di traffico di un sito aziendale, informazioni relative allo stock di magazzino o che riguardano le performance di una campagna promozionale. In ogni caso, l’analisi dei Big Data è ormai considerata una componente fondamentale per lo sviluppo del business.

Raccogliere e analizzare i dati in modo corretto può decretare il successo di una campagna di lancio di un nuovo prodotto, decidere una strategia di espansione verso nuovi mercati, o migliorare un processo di delivery.

Ma, nonostante analisti ed economisti promuovano la Digital Intelligence già da qualche anno, solo ora sembra che le aziende italiane inizino timidamente ad affrontare la questione. Una volta compreso che è opportuno, se non necessario, inserire all’interno di una divisione aziendale la figura del data scientist, la patata bollente passa a chi si occupa di scegliere la risorsa.

Data scientist o data analyst?

E qui iniziano i mal di pancia: che studi deve aver svolto un Data Scientist? Che competenze deve avere? Quanta esperienza? Serve uno che conosca il mercato verticale in cui si opera? Quanto lo si deve retribuire?

Prima di rispondere, è necessaria una doverosa distinzione tra data scientist e data analyst.

A un data analyst è richiesta la capacità di interpretare, ma non necessariamente produrre, dati provenienti da diverse sorgenti, di filtrarli e di esporli, fornendo al management informazioni chiare e comprensibili al fine di migliorare le performance aziendali con azioni rapide.

Il data analyst non deve essere necessariamente un programmatore. Anzi, nell’azienda ideale il data analyst e il data scientist lavorano a braccetto. Il Data Analyst può essere un laureato in Matematica, in Fisica, in Statistica, ma anche in Economia e in Marketing, a patto che abbia una certa competenza nel padroneggiare report infiniti zeppi di numeri, torte, diagrammi e che sia un campione di Excel e di PowerPoint (o magari di un software per presentazioni di maggiore appeal).

Visione astratta e conoscenza dei processi aziendali

La figura deve avere una visione astratta, meno pragmatica di un ingegnere o un informatico, e una sensibilità che gli permetta di andare oltre alle fredde cifre, ragionando sul risultato di insieme in rapporto alla strategia o ai singoli obiettivi dell’azienda.

Deve, inoltre, avere un’idea completa dell’intero processo aziendale e deve essere in grado di muoversi all’interno delle diverse divisioni. Questo perché, una volta implementato il modello rispetto a un certo obiettivo, potrebbe essere opportuno replicarne la metodologia su un altro.

Insomma, più che la forma mentis squadrata di un programmatore un data analyst deve avere una certa apertura mentale, una forte sensibilità e, magari, qualche anno di esperienza in una posizione analoga non necessariamente nello stesso mercato verticale.

Una buona strategia per un’azienda che si affaccia ora al magico mondo dei Big Data potrebbe essere di reclutare un data analyst, da inquadrare come una risorsa di medio/alto livello che si rapporti direttamente con il management e poi, eventualmente, rilanciare con un data scientist che riporti all’analyst.

Questo per “scaldare i motori” sui dati già presenti in azienda che non necessitano di elaborazione ma, piuttosto, di una razionalizzazione. Si tratta di quelli forniti dai software aziendali o da servizi standard e gratuiti, come, per fare un esempio classico, Google Analytics.

In fase di selezione, infine, potrebbe essere opportuno sottoporre il candidato a una simulazione su un qualsiasi dataset disponibile (i dati di Google Analytics o del Crm) per valutare la capacità di destreggiarsi, di fare analisi ed elaborare sintesi.

Data Scientist: l’operaio dei dati

Il data scientist, invece, è una figura più tecnica e non deve necessariamente avere anni di esperienza alle spalle. Non gli si richiede una visione d’insieme rispetto agli obiettivi aziendali, quindi meno responsabilità e meno esperienza di un data analyst, ma deve essere in grado di scegliere i tool software più opportuni in aggiunta a quelli disponibili – e l’azienda deve essere disposta a fornirli -, e avere ottime capacità di programmazione.

Questo perché, una volta presa la mano, può essere necessario scrivere del codice personalizzato al fine di estrapolare i dati da software specifici, di metterli a confronto con altri, di costruire delle routine di integrazione tra le diverse fonti dati già presenti in azienda.

Un data scientist, dunque, è un laureato in ingegneria, in informatica o in matematica applicata con forti competenze di programmazione, con un minimo di capacità di project management in modo da essere autonomo nella scelta dei tool da cui ricavare i dati, definirne la tipologia e le giuste correlazioni.

Questo perché, insieme ai dati tradizionali provenienti da fonti “istituzionali” come i software gestionali o i database pubblici, oggi assumono sempre maggiore importanza gli Alternative Data, ovvero dati non strutturati e provenienti da fonti esterne ed eterogenee (dati di geolocalizzazione o provenienti da dispositivi connessi, informazioni pubblicate sui social network e sui marketplace eccetera).

L’aggiunta degli Alternative Data determina un Data Lake (l’insieme complessivo) estremamente vasto e variegato in cui si rischia di annegare. Fondamentale, dunque, anche per il data scientist essere in grado di razionalizzare fin da subito le fonti.

Proprio la definizione di un data lake partendo da un oceano di Big Data e da un obiettivo specifico, può essere il test da sottoporre al candidato per la posizione di data scientist.

Idee chiare per risultati effettivi

L’approccio di un’azienda che voglia introdurre figure di questo tipo deve iniziare con un esame di coscienza: cosa vogliamo sapere dai dati? E che dati otteniamo oggi dagli strumenti a nostra disposizione? Come già accennato, in primo luogo si potrebbe individuare un data analyst, e magari una figura con quelle caratteristiche è già presente in azienda, per poi capire, dopo qualche mese, se è necessario introdurre anche un data scientist.

Il lavoro di analisi preliminare è fondamentale per il successo del progetto. Così come è fondamentale che tutti i responsabili dei diversi comparti aziendali siano sensibilizzati sul tema Data Intelligence. Tutti devono essere consapevoli del valore che può portare al business una corretta strategia data driven, magari grazie a un corso specifico.

Dopo la fase in cui tutto il management deve chiarirsi le idee e convincersi della svolta introdotta in azienda, è importante istituire un flusso collaborativo in cui far transitare le richieste delle diverse divisioni e condividere i risultati ottenuti.

La data intelligence, infatti, è una componente fondamentale del percorso verso la digital innovation e, come le altre, non può garantire un successo se prima non si procede a un profondo rinnovamento culturale e di processo all’interno dell’azienda, anche se si reclutano i data scientist e i data analyst più accreditati sul mercato.