Paolo Mariani, Università degli Studi di Milano-Bicocca
L’importanza che in ambito aziendale viene attribuita alla data science e alla figura dello statistico esperto per il miglioramento dei processi aziendali e il raggiungimento degli obiettivi di business è stata al centro della sessione plenaria organizzata dalla SIS alla conferenza scientifica ‘Data-Driven Decision Making’ organizzata da ASA in settembre a Genova.
Luigi Pieri, presidente del comitato per l’accreditamento della professionalità statistica della SIS, ha ricordato che lo statistico deve saper assumere la leadership di team multidisciplinari e sapersi relazionare con le diverse realtà aziendali. Per questa funzione sono necessari non solo una solida formazione accademica ma anche capacità comunicative ed esperienza lavorativa, con una forte propensione alla formazione continua. Tra gli strumenti per il riconoscimento delle competenze statistiche individuali e di aiuto alle aziende per la individuazione dei profili richiesti si candida l’accreditamento della professionalità statistica, quale quello offerto dalla Società Italiana di Statistica.
La valorizzazione dei Data Scientist come promotori della cultura aziendale, rappresenta un elemento distintivo per la divulgazione di ‘data culture’ in contesti come quello di consulenza in ambito IT, non ancora maturi per questo cambio di paradigma nella presa di decisioni da parte del management. Il Data Scientist, per specificità di ruolo, competenze e responsabilità, è una figura che non risulta ancora definita e strutturata in un contesto attuale, e che non è quindi inquadrabile in un ecosistema aziendale precostituito, che non abbia già affrontato un percorso di cambiamento organizzativo. Nell’analizzare le aspettative aziendali, l’inserimento di queste figure deve far parte di un percorso che si pone la finalità di portare valore in azienda, come ricorda Alessandro Balduzzi, Responsabile Business Unit Data&AI presso HUDI Digital Humanism. Il ruolo del Data Scientist va proposto all’interno del comitato progetti per decisioni relative alla priorità degli stessi, per l’allocazione delle risorse e la stima dei tempi di consegna, basata su dati.
Queste nuove risorse incontrano sfide in diversi contesti nel mondo del lavoro e nelle diverse fasi che si trovano ad affrontare. Gabriele Maggioni, Head of Data Science & Research presso The Adecco Group identifica alcune priorità di seguito indicate. La fase di Design/Ground-setting è critica a causa della difficoltà di quotare i progetti e di convincere i clienti a concretizzarli (per le aziende di consulenza), mentre nelle aziende clienti (meno evolute) occorre sempre cercare di conciliare il marketing intorno alla data science da un lato e la resistenza nell’accogliere tecniche e tecnologie innovative dall’altra. Nell’area Data Engineering la scarsità delle competenze la fa da padrona (i data engineers saranno per diversi anni tra i profili più scarsi e perciò preziosi sul mercato). Anche le tematiche di pulizia e cultura del dato sono fondamentali per la buona riuscita dei progetti Data Science. La fase di Data Analysis, sicuramente la più attrattiva per i profili più giovani, spesso non suscita lo stesso interesse presso le aziende cliente, che sono interessate maggiormente a progetti più legati alle altre fasi. Quest’aspetto tende ad allontanare sempre più i neo-data scientist dalle aziende di consulenza, dato che il trend del mercato vede le aziende (soprattutto quelle medio-grandi) dotarsi internamente di team Data Science, lasciando alle aziende di consulenza progetti meno interessanti e stimolanti. La Data Visualization è la disciplina legata alla Data Science con la minore mole di studi afferenti in ambito universitario, ma con potenzialmente il maggiore impatto sugli utenti finali in ambito professionale. Supportare gli interlocutori per permettere loro di evolvere verso strumenti più innovativi e digitali passa dall’acquisizione di competenze e da un’educazione continua e profonda, che non può essere trascurata in fase di formazione.
Le aziende sono alla ricerca di figure professionali in grado di elaborare e analizzare i dati che ogni giorno vengono raccolti al fine di prendere decisioni ‘data driven’, come evidenzia Matteo Beshara, Data Analyst & Trainer presso Porini. Lo statistico è quindi la prima scelta, in base alle proprie inclinazioni per ricoprire i ruoli così sintetizzati:
- Data Engineer. Costruisce e ottimizza i sistemi che gestiscono e movimentano i dati: forte propensione all’informatica.
- Data Analyst. Elabora e analizza i dati con tecniche statistiche e specifiche di mercato: la naturale caratteristica di uno statistico
- Data Scientist. Risolve i problemi di business più complessi e impegnativi sfruttando tecniche di AI: forte propensione allo studio e utilizzo di modelli matematici avanzati.
Il ponte che permette di collegare mondo accademico a mondo del lavoro è lo sviluppo delle competenze tecniche che avviene tramite collaborazione con aziende o corsi di formazione specifici.
![Share on Facebook Facebook](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/facebook.png)
![Share on Twitter twitter](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/twitter.png)
![Share on Linkedin linkedin](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/linkedin.png)
![Share by email mail](https://www.rivista.sis-statistica.org/cms/wp-content/plugins/social-media-feather/synved-social/image/social/regular/96x96/mail.png)