Data scientist: cosa fa, quali competenze deve avere, quanto guadagna

I data scientist analizzano enormi quantità di dati. I dati (o BigData) sono realmente il futuro dell’imprenditoria orientata al digitale. Ogni volta che un utente si muove nello spazio di Internet lascia dietro di sé una traccia misurabile. Questa traccia contiene decine di migliaia di informazioni: Non tutti i dati sono interessanti, o meglio: non tutti i dati sono interessanti per tutte le aziende. 

Il problema è che i dati arrivano a pioggia alle società. Per renderli utili alla propria catena produttiva o dei servizi è necessario selezionarli ed interpretarli correttamente: in questa posizione c’è proprio il Data scientist. 

Si stima che circa ¼ delle aziende datadriver (cioè che usano quotidianamente i BigData) siano intenzionate ad assumere un Data scientist o un team che si occupi dell’interpretazione di questi flussi di informazioni.

La professione è indubbiamente in crescita: all’estero più e più rapidamente che in Italia, ma le opportunità difficilmente mancheranno nel prossimo futuro. 

Vediamo insieme di cosa si occupa il Data scientist, in quale campo si muove, quali caratteristiche personali e professionali deve possedere, come si forma e quali sono le prospettive di carriera e di guadagno. 

Le basi: cosa sono realmente i BigData

Ogni volta che un utente si collega ad un provider Internet inizia a lasciare dietro di sé una scia di briciole del proprio passaggio. Da queste briciole è possibile ricostruire i suoi gusti, le sue preferenze, che tipo di lavoro svolge, in quali città ama viaggiare, quali locali frequenta, cosa acquista online. 

Per le aziende questi dati sono contemporaneamente una miniera d’oro e un dramma. 

Sono preziosi, perché possono fornire indicazioni per orientare e suggerire gli acquisti (che sono il fine ultimo di tutte le aziende). E sono un dramma, perché sono troppi, contemporanei, istantanei e la maggior parte non è pertinente con l’attività dell’azienda. 

Facciamo qualche esempio per essere più chiari. 

• Per un’azienda di trasporto pubblico è utile sapere quanti utenti usano una certa linea, in quali giorni e a quali orari. Si rivela utile anche scoprire se la maggior parte di loro acquista biglietti in tabaccheria, ha un abbonamento, lo ricarica in banca, in Posta, in uno degli uffici della società, a dei distributori automatici, con un’app. Difficilmente è utile sapere qual è il ristorante più frequentato nell’ultimo anno, oppure qual è l’ultimo prodotto acquistato su Amazon. 
• A YouTube è necessario sapere i gusti del proprio utente per suggerirgli contenuti pertinenti. Difficilmente un appassionato di politica cliccherà su un video che parla di calcio. Se l’azienda riesce invece a proporgli conferenze, interviste, interventi pubblici, conferenze stampa probabilmente l’utente sarà incuriosito e rimarrà sul sito per più tempo, generando traffico e dunque guadagno. 
• Se hai cercato di recente online “rasoio elettrico”, il motore di ricerca registrerà che sei probabilmente interessato all’acquisto. Per questo tutte le aziende posizionate online che vengono rasoi elettrici, nei giorni successivi, ti proporranno i propri annunci o le proprie promozioni: sanno che probabilmente acquisterai, perché sei stato proprio tu ad indicarglielo. 

Questi sono tre banali esempi di BigData utilizzati proficuamente dalle aziende. Non solo gli unici che si deducono dalle analisi, però: i BigData sono decine di migliaia al secondo! Una grossa parte del lavoro del Data scientist è costituito dalla selezione e dall’interpretazione dei dati, per trasformarli in materiale utile alla propria azienda. 

Cosa fa il Data scientist nella propria giornata

Il Data scientist deve essere informato sugli interessi di vendita della proprietà società. Sapendo qual è l’obiettivo (vendere macchine da caffè?, proporre un abbonamento al cinema?, convincere gli utenti a visitare un museo?) saprà prendere tutta l’enorme mole di dati raccolta dai computer e selezionarli in modo vantaggioso. 

Possiamo dunque dire che la giornata del Data scientist si articola in quattro fasi: 

1. Definizione degli obiettivi: cosa deve cercare, nella pila di materiale disponibile? 
2. Scandaglio e selezione dei dati
3. Interpretazione corretta dei dati: cosa desidera realmente l’utente? Si tratta di una persona realmente interessata al bene o servizio offerto? In quanto tempo deciderà per l’acquisto, all’incirca? Ha già acquistato dalla stessa azienda, quindi, se si è trovato bene, tenderà a ricomprare in futuro? 
4. Trasmissione dei dati agli altri reparti: gli altri team utilizzeranno le analisi del Data scientist per pianificare le campagne pubblicitarie, posizionare gli annunci, scrivere direttamente una sale letter agli utenti iscritti alla newsletter, collaborare con un influencer seguito da molti utenti per incentivare le vendite, eccetera

La formazione del Data scientist

La formazione del Data scientist è articolata e complessa, e difficilmente prescinde da un percorso universitario di alto livello. 

Le laurea più gettonate tra questi professionisti altamente specializzati sono: 

• Ingegneria
• Informatica
• Economia
• Matematica
• Statistica

Non è tutto. Dopo la laurea è necessario proseguire con una Magistrale, un dottorato (PhD), un Master. Le competenze del Data scientist sono infatti variegate, eterogenee, e ci vorranno probabilmente decenni perché le università inseriscano un corso di “Data analysis/science” nei propri atenei.

La formazione prosegue con corsi di specializzazione privata, scuole specifiche, aggiornamenti e praticantati nelle aziende e negli enti maggiormente implicati nell’uso dei BigData. 

Skill e competenze: cosa deve saper fare il Data scientist

Assodato che il percorso per diventare Data scientist è lungo e complesso, analizziamo ora più nel dettaglio quali sono le competenze che questo professionista deve possedere. Le divideremo in due capitoli: hard (quelle dure, misurabili, come la laurea ottenuta, le lingue parlate, i programmi conosciuti) e soft (le propensioni di carattere, di spirito, le abilità personali). 

Hard skill

Le hard skill di un Data scientist sono le competenze e le abilità che ha acquisito in parte con gli studi, in parte con l’esperienza pratica. Possono essere misurate con sicurezza: posto davanti ad un problema, lo specialista saprà risolverlo meglio e in meno tempo a seconda del proprio livello.

Stando agli annunci analizzati da vari osservatori tra il 2018 e il 2019, le competenze più richieste sono: 

• Utilizzo pieno di almeno un linguaggio di programmazione (74% delle offerte). I due più richiesti sono R e Python. 
• Conoscenza, sviluppo ed implementazione di algoritmi di Machine learning (62% degli annunci)
• Conoscenza, sviluppo ed implementazione di algoritmi di Deep learning 
• Conoscenza approfondita dei principali modelli matematico-statistici e degli algoritmi più interessanti per il settore aziendale scelto

Soft skill

Le soft skill si affinano, ma difficilmente si apprendono. Si tratta di predisposizioni psicologiche, caratteriali, solo in parte modificate dal lavoro: tantissime soft skill si imparano da bambini o adolescenti e si raffinano a seconda dei propri interessi privati, della propria organizzazione interna, della famiglia in cui si cresce, degli stimoli a cui si è sottoposti. 

Le tre soft skill più importanti per un Data scientist sono:

• Capacità di interpretare correttamente i dati. Una lunghissima serie di analisi, anche precise e scrupolosamente ottenute dai più sofisticati metodi di indagine, è inutile se non centra l’obiettivo: cosa vuole il cliente dall’azienda? Come lo si può aiutare in modo reale? Cosa può fare l’azienda per rendersi più accattivante?
• Semplicità di comunicazione e capacità di semplificazione. A meno che il Data scientist non abbia la fortuna di lavorare con un team interessato e competente in materia probabilmente sarà necessario semplificare la spiegazione di quelle interpretazioni per renderle comprensibili. Difficilmente un Marketing manager saprà leggere da solo un report del Data scientist: accanto ai dati dovrà essere allegata una spiegazione rapida, intuitiva, chiara del loro significato, che orienti le decisioni degli altri reparti (di marketing o sviluppo, per esempio).
• Hacking mindset: curiosità, interesse per tutte le novità tecnologiche, continuo aggiornamento sui metodi di indagine, i programmi, i linguaggi di programmazione, un solido problem solving sono caratteristiche tipiche dell’hacker che il Data scientist deve possedere per districarsi in una rete di informazioni sconfinata, per distillarne in significato più profondo ed utilizzabile dall’azienda. 

Da considerare c’è anche il lavoro in team: più azienda è ampia, più è probabile che il Data scientist lavori a strettissimo contatto con altri professionisti che si occupano di varie sfaccettature di ricerca, analisi e utilizzo dei dati. 

In quali settori saranno preziosi i Data scientist

Probabilmente tutte le aziende diventeranno presto datadriven, cioè gli sarà utile o indispensabile conoscere le preferenze e le esigenze dei consumatori tramite i BigData. 

Abbiamo però selezionato alcuni settori in cui la figura del Data scientist è già perfettamente integrata al processo produttivo. 

• e-Commerce: raccogliendo dati sugli acquisti e le visualizzazioni dei prodotti si potrà migliorare il servizio clienti, aumentare la gamma di articoli in vendita, migliorare gli annunci e la loro targetizzazione.
• Finanza: in settore finanziario il Data scientist analizza account, crediti, debiti, acquisizioni, ma si occuperà anche di indagini anti-frode e per la sicurezza.
• Pubbliche Amministrazioni: ai dipartimenti governativi è indispensabile sondare la sicurezza e la soddisfazione dei cittadini, con occhi sempre molto vigili su sicurezza, privacy e conformità (in particolare negli enti che si occupano di relazioni con l’estero, gestione delle forze dell’ordine o attività economico-finanziarie, per esempio). In questo settore rientrano anche i dipartimenti sanitari: l’analisi matematico-statistica dei dati può aiutare le strutture sanitarie a migliorare il proprio servizio, ad intervenire con più rapidità ed efficacia, a gestire in modo più attento i pazienti e le loro patologie.
• Attività scientifiche: non importa di quale ramo, ma un’analisi dei BigData creata da esperti Data scientist permette di raccogliere più dati, in meno tempo.
• Social network: passiamo ogni giorno ore sui nostri profili social, e proprio lì seminiamo molte delle briciole di cui abbiamo parlato in apertura. I social sono la testa di ponte tra utenti e aziende: scandagliando opinioni, recensioni, tweet e commenti le società offrono prodotti migliori, servizi clienti più efficienti, campagne pubblicitarie più mirate.
• Telecomunicazioni: se tutti i BigData partono da laptop, computer, reti WiFi e smartphone, inevitabilmente è dalle agenzie e società di telecomunicazioni che li processano che è necessario partire. Queste aziende possono, con l’aiuto di un Data scientist, individuare problemi, bug e offrire tariffe e servizi migliori. 

Guadagni e possibilità di carriera

Le competenze necessarie per un Data scientist non sono né poche né di facile acquisizione: è lecito aspettarsi che una figura così complessa e sfaccettata riceva un compenso adeguato. 

Negli Stati Uniti, un Data scientist riceve uno stipendio compreso tra i 90.000 e i 130.000 dollari l’anno. Parliamo però del mercato che ha per primo utilizzato i BigData per le proprie analisi: quindi, questi professionisti hanno un’anzianità molto maggiore dei colleghi in altre nazioni. 

Nella maggioranza dei paesi del mondo la retribuzione per questa figura si aggira tra i 60.000 USD e i 70.000 USD l’anno. Si tratta di dati molto interessanti specialmente se comparati a: 

• Bassa età media di questi professionisti
• Provenienza, spesso, da paesi con costi della vita estremamente più bassi di Europa, Canada, Cina, Giappone

In Italia, un Data scientist guadagna, a seconda dell’anzianità: 

• con 0-3 anni di esperienza: 30/35.000 EUR l’anno
• con 4-9 anni di esperienza: 35/40.000 EUR l’anno
• con 10-20 anni di esperienza: 50/60.000 EUR l’anno
• con 20 e più anni di esperienza: 80/90.000 EUR l’anno

La carriera di Data scientist è davvero in ascesa? 

Abbiamo analizzato i report dell’Osservatorio Big Data Analytics&Business Intelligence in un periodo compreso tra il 2014 e il 2017. Non sono al momento disponibili analisi più recenti. 

Queste sono le considerazioni proposte dall’ente: 

• Nel 2017, il 45% delle aziende ha almeno un Data expert nel proprio staff (un anno prima la percentuale era poco più del 30%)
• Circa il 55% delle aziende italiane è ancora ancorata a modelli di analisi più vecchio stile, ma…
• ¼ di quelle aziende italiane ha manifestato l’interesse di inserire un Data scientist nello staff, per migliorare la propria produttività, la soddisfazione dei clienti e per ottenere una visione più d’insieme della propria attività, come in una visualizzazione “dall’alto”

La risposta per il settore italiano è dunque “nì“: molte aziende vogliono assumere Data expert, ma quasi la metà non è ancora pronta a farlo. 

Se parliamo di paesi fuori dall’Italia, la situazione è decisamente più fiorente: il mercato delle analisi dei dati è già solido, specialmente nelle realtà più tecnologicamente avanzate e che hanno già visto grandi benefici dal posizionamento online e dalla gestione dei BigData.