22 novembre 2018 – Quella del data scientist è una figura professionale decisamente richiesta nel mondo del lavoro, anche nel nostro Paese: le imprese italiane, infatti, si sono rese conto del valore dell’analisi avanzata dei dati. Di conseguenza, il mondo accademico non ha potuto fare altro che adeguarsi, proponendo corsi di laurea in data science o in data science for complex economic system.
Il connubio tra ricerca e formazione
Così come in molti altri settori, anche nell’ambito della data science lo studio teorico non può che essere abbinato a esercitazioni pratiche: solo in questo modo può nascere il mix vincente di sviluppo, ricerca e formazione. Ma in che cosa consiste il compito di un data scientist a livello teorico? Tra le capacità richieste, c’è quella di saper leggere i big data: non si tratta solo di analizzarli, ma anche di gestirli, ed è per questo motivo che si deve poter contare su un importante background in fisica, in informatica, in statistica o in matematica applicata. Sarebbe opportuno, inoltre, essere in possesso di competenze particolari in data mining e machine learning.
L’evoluzione delle tecnologie
Chi lavora con i big data è immerso in un contesto in cui le tecnologie sono in costante evoluzione: i cambiamenti sono inarrestabili e riguardano un numero di processi aziendali sempre più elevato. Di conseguenza, non sono più sufficienti le skill tradizionali ma occorre beneficiare di un continuo aggiornamento. Il background accademico è indispensabile, insomma, ma occorre anche “mettere le mani in pasta” e avere la possibilità di operare e di intervenire su dati reali. Diverse abilità non possono derivare dalla formazione universitaria, ma possono essere apprese unicamente sul campo: è inevitabile, pertanto, riuscire ad accumulare il maggior numero di esperienze anche mentre si studia, si tratti di collaborazioni retribuite o di stage. Per riuscire ad anticipare le tendenze più importanti di questo settore occorre comprenderle fino in fondo.
Le doti richieste
Al di là delle competenze che si maturano tra i banchi universitari e poi al lavoro, un bravo data scientist dovrebbe poter contare anche su doti personali di un certo livello: per esempio l’intuito. Le abilità tecniche da sole non sono sufficienti, perché è sempre opportuno che il data scientist abbia piena consapevolezza di quello che fa e del senso ultimo delle proprie azioni. Riuscire a comprendere quali implicazioni si nascondano dietro ogni caratteristica permette, per esempio, di capire qual è il modello più indicato da impiegare a seconda della distribuzione dei dati.
Specializzarsi è sempre utile
Dal retail al campo alimentare, dalla chimica alla finanza, dalle biotecnologie al marketing, non esiste settore economico che non presenti delle specificità e, di conseguenza, non richieda una certa specializzazione. Eppure ognuno di questi ambiti ha bisogno anche di professionisti che abbiano le capacità per interpretare tutte le informazioni che le aziende ricevono giorno dopo giorno: questa è, appunto, la mission della data science.
Ma a che cosa serve esaminare e interpretare le informazioni in questione? Non solo per acquisire un vantaggio competitivo rispetto alla concorrenza, ma anche – per esempio – per rispettare le normative in vigore dal punto di vista della sicurezza dei dati e della loro protezione, oltre che della privacy: l’entrata in vigore del General Data Protection Regulation è solo l’esempio più recente in proposito. Ecco perché non è esagerato sostenere che le possibilità di applicazione sono pressoché infinite. Le imprese sono alla ricerca di competenze specifiche e non sono interessate alla tecnologia in sé per sé: vogliono, invece, soluzioni concrete e pratiche che permettano di incrementare i ricavi e di diminuire i costi. Obiettivi che possono essere raggiunti con l’aiuto delle tecnologie digitali.