Menu

Data Science: Grandi Opportunità di Lavoro per Vari Profili Professionali

Dopo aver costruito e diretto due Master in Data Science, nonché aver condotto varie conferenze in materia, ho maturato una buona percezione sulle opportunità offerte dallo specializzarsi nella gestione dei Big Data, degli Analytics, nella creazione di innovativi Data Model e in tutte le tecnologie che vi ruotano attorno. Ecco alcune indicazioni pratiche sulle quali investire per il proprio futuro.

Data ScienceDi Big Data, Analytics, Data Model e degli effetti che hanno sulla conduzione delle imprese mi occupo ormai da parecchi anni, avendo tra l'altro sviluppato un paio di Business Plan per grandi Enterprise del settore IT interessate a creare nuove divisioni specializzate nell'area, diretto due Master nell'area lombarda e utilizzato queste pratiche nell'impostazione di alcuni start up estremamente innovativi e di successo. Alla luce di queste esperienze, integrate da recenti proiezioni di mercato, posso quindi dare alcune indicazioni molto semplificate per indirizzare chi è interessato al tema, o anche semplicemente nella necessità di aggiornare le proprie competenze, sulle strade da seguire.

Parto da tre considerazioni di carattere generale:

  1. Sia a livello europeo, sia a livello mondiale, la carenza di figure professionali specializzate nell'area Data Science viene conclamata tanto dalle aziende di analisi di mercato, quanto da quelle alla continua ricerca di personale da assumere appartenenti al mondo dei Vendor così come a quello degli utenti. Al punto, che in alcuni casi, i Vendor acquisiscono start up e altri produttori di tecnologie non tanto guardando ai loro prodotti, ma alle professionalità presenti nelle organizzazioni. Due dati su tutti: per Deloitte, i posti vacanti nell'area "gestione dati" si misurano in milioni su scala mondiale, mentre per la Sloan University, che ha lanciato un Master in Business Analytics del costo di 75.000 dollari (!), il 40% delle imprese oggi non riescono a trovare le figure professionali che servono loro nell'area "gestione dati".
  2. Le figure professionali di questo tipo vengono molto ben remunerate a livello internazionale, con stipendi che facilmente superano anche i 100.000 dollari all'anno. Un dato difficilmente riscontrabile in Italia, salvo alcuni casi molto rari, ma che comunque si riflette su compensi nettamente superiori rispetto a numerose altre funzioni tecnologiche. Questo perché non si tratta di specialisti nell'uso di determinati strumenti, ma di tecnici con capacità e approcci multifunzionali. Una cultura che deve necessariamente combinare la visione d'impresa - o la generazione di valore - con le competenze matematiche e statistiche oltre, naturalmente, a quelle informatiche. Ingredienti che vanno tutta via distribuiti in dosi diverse in base ai percorsi di carriera verso i quali ci si indirizza.

Data Science: in essenza, tre famiglie di Figure Professionali

Facendo una ricerca su Google per "ricerche personale" in gestione dati e similari, compaiono decine e decine di etichette tra le quali perdersi. Si va infatti dal tradizionale Data Base Administrator (DBA) a numerose varianti di Data Scientist, passando per gli specialisti in Big Data, Analytics, Machine Learning o anche, più specificatamente su Tool e linguaggi quali Hadoop, Python o varie piattaforme che fanno capo ai principali Vendor sul mercato.

In essenza, però, i filoni principali sui quali concentrare le attenzioni sono tre:

  1. Data Scientist, che ha una vocazione prevalentemente orientata al Business, combinata con sofisticate competenze matematiche e statistiche;
  2. Data Modeler, o Business Data Analyst, con il compito di sviluppare i modelli dei dati interpretando le indicazioni e le assunzioni fatte da Data Scientist;
  3. Data Engineer, specializzato negli aspetti tecnologici quali l'allestimento, la gestione e il controllo dell'infrastruttura, con i compiti di scegliere gli strumenti e le piattaforme, per poi integrarli tra loro così da trarne i risultati richiesti dai Data Scientist e dai Data Modeler.

In tutti e tre i casi, come requisiti di base risultano indispensabili le capacità di comunicazione - partendo dall'ascolto - e di gestione dei progetti, combinate con diversi livelli di competenza nelle aree delle infrastrutture informatiche, della matematica - anche relazionale -, della statistica, delle architetture applicative. Questo perché le tre figure sono molto interrelate e dovranno operare in sincrono nel creare nuove soluzioni in grando di elevare la competitività della propria organizzazione.

Oltre alle differenti competenze, servono diverse "vocazioni", guidate dalle proprie attitudini e dal proprio backgroung più che dalle prospettive di guadagno che sono più elevate per i Data Scientist e poi calano di circa il 10% a scendere per gli altri due ruoli. Questo perché un buon Data Engineer risulterà sicuramente meglio pagato e più apprezzato di un mediocre Data Scientist!

Al proprosito, desidero sottolineare che di questo argomento mi sono già occupato nel recente passato, trattando della nuova figura di Data Steward, che può essere considerato come lo sbocco naturale delle figure con estrazione tecnica, ma dotate di visione di Business, provenienti quindi dal mondo dei Data Engineer.

Data Scientist: competenze, ruolo e profilo personale

Occorrono competenze, come ovvio che sia, alcune delle quali estremamente complesse e sofisticate da acquisire. Ma se devo esser oggettivo, la caratteristica principale da cercare in un Data Scientist è la creatività, combinata con capacità di correlare fenomeni apparentemente tra loro non connessi, seguendo strade ed approcci non convenzionali. In sostanza, il Data Scientist è colui il quale trova nuovi percorsi per arrivare a dati dai quali estrarre indicazioni operative difficilmente immaginabili a priori. Quindi, creatività, voglia di esplorare e di tentare, basandosi tuttavia su solide competenze matematiche, informatiche, statistiche. Per questo, si tratta di figure con interessi multidisciplinari, non convenzionali nelle conclusioni e nei ragionamenti, difficili da reperire e, di conseguenza, da remunerare adeguatamente.

Qualche esempio? Dal momento che i campi di applicazione sono infiniti, ma con sbocchi in aree potenzialmente molto preziose, i Data Science vengon spesso impiegati per sviluppare nuovi studi in ambito clinico e farmaceutico per la cura di malattie rare e letali, per ottimizzare gli investimenti in Borsa e non solo, per creare nuove polizze assicurative o rilevarne possibili frodi, e così via: settori nei quali si opera con poche certezze e grandi livelli di variabilità nei fattori di rischio e di comportamento degli attori in gioco. Sono inoltre chiamati per valutare fattori di difficile interpretazione tipo il significato del tono di un determinato testo, il Sentiment di un Tweet, le probabilità di accadimento di un determinato evento. Ma ancor prima di trovare una soluzione, debbono immaginarsi il problema e gli effetti che dalla sua soluzione possono derivare.

Difficle accomunare i Data Scientist nei percorsi logici che seguono nei propri ragionamenti, ma molto più semplice rilevare le competenze che li accomunano quali le elevate competenze in matematica e statistica - spesso, quindi, associabili a lauree in Matematica, Fisica, Statistica o Economia - suffragate da capacità di ragionare in modo razionale sulla base delle analisi di eventi/conseguenze. L'importante è che agli assunti abbiano elevata sensibilità verso il Business, con la capacità di tradurre le intuizioni in fatti operativi gestibili in seguito dai loro colleghi Analyst ed Engineer, pronti a verificarne i risultati e l'attendibilità. L'obiettivo è infatti impostare i modelli di analisi predittiva che dovranno quindi esser sviluppati dai Data Analyst ed eseguiti sulle infrastrutture allestite dai Data Engineer.

I Data Scientist fanno quindi da ponte tra il Business ed i tecnici demandati alla realizzazione delle componenti IT necessarie a tradurre i modelli in funzioni facilmente utilizzabili dagli utenti. Questo vuol dire capire il problema di Business e tradurlo in specifiche per i Data Analyst indicandovi le tecniche matematiche e statistiche necessarie per arrivare alle conclusioni cercate. Diventano pertanto utili, sul piano informatico, le conoscenze di base di linguaggi quali R e Python, di SQL e delle logiche relazionali, dei Tool di Analytics.

Data Analyst: competenze, ruolo e profilo personale

La figura del Data Analyst è cruciale,in quanto deve tradurre in algoritmi, tabelle, query e report le specifiche ricevute dai Data Scientist, spesso usando le tecniche di computazione indicate da questi ultimi o proponendone e adottandone di nuove. Nella funzione più elementare, questo corrisponde a sviluppare delle istruzioni in linguaggi tipo R o Python, tabelle Excel, Query SQL, piuttosto che utilizzare i più diffusi Tool di Analytics o Data Visualization, mentre nella versione più sofisticata vuol dire essere in grado di sviluppare nuovi modelli di dati, correlandovi voci non convenzionali e applicandovi tecniche di elaborazione da definire e mettere a punto di volta in volta, utilizzando anche il Machine Learning. In questo caso, l'apice è rappresentato dai Business Data Modeler.

La funzione può fermarsi nel fornire dei Report ai decisori, ma può andare anche molto avanti sviluppando modelli di analisi "What if" sulla base dei dati raccolti, formulando varie ipotesi e le conseguenze associabili ad ognuna delle decisioni prese. In sostanza, è una figura nella quale la competenza tecnica deve esser molto elevata, senza tuttavia perdere mai di vista la focalizzazioni e gli effetti sul business.

La funzione non è unicamente diretta al miglioramento della competitività dell'azienda sul fronte commerciale, ma può anche essere favorevolmente impiegata per l'ottimizzazione dei flussi delle operazioni aziendali, per gestire al meglio le risorse e/o le finanze dell'azienda. Ad esempio, un'area nella quale possiamo trovare i Data Analyst è la determinazione delle priorità di investimento o di allocazione delle risorse: dati i progetti A e B, quale è meglio avviare - se il vincolo è solo uno - o in che ordine vanno posti se si possono attivare entrambi?

In sintesi, quindi, una figura tecnica di area applicativa, con orecchio e sensibilità al Business, capace di interpretare gli output dei Data Scientist, ma anche di confutarli e migliorarli nel riscontro con la realtà tecnologica e degli utenti. E se vogliamo guardare al titolo di studio, vanno bene la gran parte delle discipline scientifiche, con preferenza verso Informatica e Ingegneria, ma aperti anche a Matematica, Economia, Fisica...

Data Engineer: competenze, ruolo e profilo personale

Il Data Engineer è, per contro, una figura professionale sempre di stampo tecnico ma di taglio sistemistico, capace di definire le infrastrutture e i contesti necessari ad eseguire quanto ipotizzato dai colleghi, rendendo possibili le elaborazioni nei tempi richiesti e minimizzando la necessità di risorse, e di conseguenza i costi, delle operazioni. Ad esempio, se per elaborare un modello di previsioni del tempo si va oltre le soglie ragionevoli per le quali questi dati hanno valore, i risultati ottenuti diventano inutili, quindi tempo e denaro sprecati.

Il Data Engineer diventa quindi colui il quale riorganizzando i dati, agendo sulle modalità di interrogazione, scegliendo le piattaforme e le architetture più idonee alla loro analisi rende possibile eseguire le procedure concepite dai Data Scientist e realizzate dai Data Analyst.

Di fatto, servono quindi elevate competenze sistemistiche - nell'ambito, ad esempio, del Capacity Planning, delle architetture, dei motori per Database - associate ad una formazione che pone le proprie radici nel Software Engineering, in grado cioè di curare le applicazioni lungo l'intero arco della loro vita.

Se le competenze di sviluppo possono essere meno cruciali, come la conoscenza di Python o Java, non altrettanto si può dire per tutto ciò che riguarda i sistemi operativi, le architetture Hardware, le strutture e le tipologie dei Database, dovendosi orientare tra modelli relazionali, post-relazionali, verticali, Data Warehouse centralizzati e distribuiti, Data Mart, calcolo parallelo, Storage, ambienti Cloud e via dicendo.

Qui le competenze squisitamente informatiche la fanno da padrone, per cui avere maturato titoli di studio in area informatica (a livello di perito, di laurea breve o completa in Computer Science) risulta pressoché indispensabile, ma se a questi sono stati aggiunti specifici Master, dottorati di ricerca o meglio ancora PHD conseguiti all'estero, magari a Stanford o Berkley, meglio ancora!

Ultima modifica ilMartedì, 02 Maggio 2017 15:08

Aggiungi commento


Codice di sicurezza
Aggiorna

Torna in alto