Data Scientist: come valorizzare i dati. L’arte di sfruttare l’asset dei Big data come fonte per sperimentare e innovare i modelli di business dei Brand e favorire la creazione di valore aggiunto. Analisi e riflessioni sulla figura emergente del Data Scientist. Un articolo ricco di informazioni e curiosità architettate con il supporto pratico e rilevante dell’esperto Alessandro Giaume, Innovation Director, nonché autore del libro “#Data scientist. Tra competitività e innovazione” edito da FrancoAngeli editore.

 

Data Scientist e Digital Darwinism: la centrlaità dei Big Data

Data Scientist, professione per andare oltre la semplice analisi dei dati. Nell’era della digital transformation, dell’Experience Economy e della centralità del Customer journey, i Big Data rappresentano un elemento essenziale e determinante a supporto del management sia nelle fasi del processo decisionale che nella definizione di strategie aziendali. In un simile contesto le domande da porsi sono pressoché scontate: “come sfruttare i big data aziendali per favorire lo sviluppo di un processo dinamico e interpretativo delle informazioni disponibili per creare valore? Chi è la figura aziendale che può muovere l’azienda verso un’azione innovativa di gestione del dato?”

Una risposta plausibile in parte può essere riconducibile al ruolo sempre più richiesto del Data Scientist, che nel 2012 la Harvard Business Review in un articolo, ha indicato in tono calcato, ma forse “non troppo” come la professione più sexy del 21esimo secolo. Scopo di questo articolo è quello di andare a conoscere più a fondo il mondo dei big data e il ruolo del Data Scientist, ripercorrendo le competenze tecnico specialistiche necessarie e le principali sfide dell’Algorithm Economy. Come potete percepire le sfide da affrontare sono davvero molteplici e strettamente interconnesse.

 

Ma chi è esattamente il Data Scientist?

Allo stato attuale, tracciare il perfetto un identikit standardizzato del ruolo Data Scientist non è semplice: le peculiarità delle sue mansioni e l relative competenze necessarie possono digradare in percorsi differenti a seconda del contesto aziendale e della cultura manageriale verso il mondo dei Big data.

Sicuramente, il Data Scientist è una figura professionale dalle competenze multidisciplinari, che deve essere un po’ statistico-matematico, ricercatore, un’inclinazione sociale, avere attitudini di programmazione informatica, deve possedere capacità di gestione del business e conoscenza del mercato di riferimento, nonché di essere dotato di un pizzico di creatività e curiosità.

Lo Scienziato dei dati può muoversi in diversi ambiti aziendali, che possono richiedere attività standard di estrapolazione, normalizzazione ed elaborazione dei dati, fino ad arrivare a mescolarsi in realtà dove sono richieste più ampie skill di programmazione e sviluppo di algoritmi complessi per faovrire modellazioni predittive dei dati e approcci multidimensionali.

 

Data Scientist: l’arte di saper valorizzare i dati

L’attuale scenario economico fortemente modellato e mutato dalla tecnologia, evidenzia elevazione della complessità nella raccolta, analisi e interpretazione dei dati; la data analysis è un’attività sempre più strategiche, che richiede momenti qualitativi e quantitativi di elaborazione delle informazioni. Un compito articolato e profondamente a valore aggiunto, in cui occorre anche avere la sensibilità di percepire e individuare i dati aziendali, che sono rilevanti ai fini del raggiungimento degli obiettivi prefissati.

Infatti, come evidenziato da Alessandro Giaume, autore del libro #Data scientist. Tra competitività e innovazione edito da FrancoAngeli editore, i dati non hanno la stessa “valorizzabilità”.

Viviamo in un’epoca dove i dati crescendo in real time in maniera esponenziale e stanno invadendo le nostre vite. Alessandro Giaume, paragona il Data Scientist a una cerniera tra l’utilizzo dei dati e il mercato. L’interpretazione efficace dei dati deve portare al modo migliore per creare vantaggio competitivo. Per adottare simili approcci occorre tuttavia avere bene in testa le diverse tipologie di dati che si possono sfruttare per raggiungere specifici obiettivi di analisi. Occorre operare sui big data come un asset rilevante da coltivare e curare ai fini del successo aziendale. Le Le informazioni non devono ricostruire solamente i trend passati ma che vanno fortemente attualizzate per definire gli scenari futuribili.

 

 

Ricorda: Data Science non è semplicemente un insieme di competenze, conoscenze e abilità. Si tratta certamente di un nuovo paradigma. Che comporta certamente una serie piuttosto nutrita di cambiamenti comportamentali nell’approccio ai dati – Alessandro Giaume.

 

 

Big data: i dati strutturati e non strutturati

È bene ricordare che i big data possono essere classificati nelle categorie dei dati strutturati presenti in azienda e di quelli non strutturati, che possono essere raccolti attraverso le interazioni dell’azienda con il mondo esterno.

Nell’era della multicanalità della fruizione dell’informazione, i dati provenienti dall’esterno evidenziano volumi molto elevati e in continua crescita. Tuttavia solo una percentuale intorno al 20% di questi dati ha davvero senso “frullare” e valorizzare per ottenere indicazioni rilevanti per il proprio business. Tra l’altro, secondo Alessandro Giaume, il “must” delle aziende deve essere quello di favorire un modus operandi fortemente orientato alla sintesi dei dati e alla costruzione di output essenziali e di supporto per poter implementare efficaci modelli di analisi in grado di far emergere il valore sommerso di queste informazioni. Un cambio culturale a livello di azienda e di management che deve coinvolgere con spirito collaborativo l’intera macchina organizzativa secondo un action plan preventivamente pianificato, monitorato e continuamente evoluto attraverso sperimentazioni e validazioni o interventi correttivi.

Nell’era della digital transformation, operare minuziosamente con i big data significa gestire una miriade di informazioni che si aggiornano di continuo in tempi rapidi e in real time, mutando il peso delle variabili in gioco.

 

Operare attraverso un simile approccio dedicato alla cura dei big data, significa orientarsi su modelli di business innovativi e in continua evoluzione. Sono in forte aumento realtà aziendali (Facebook, Google, Uber e Airbnb, non sono che alcuni esempi che si possono elencare) che stanno fondando le loro strategie e i loro successi d business sfruttando il potere dei volumi di dati opportunamente correlati alla tecnologia e alla creazione di algoritmi dedicati.

La capacità di sapere interpretare gli scenari futuribili di mercato e di quale potrebbe essere l’impatto sociale di determinate scelte, sono altri due elementi chiave da considerare nella costruzione di elevati modelli di analisi dei big data. E’ importante adottare un approccio di analisi die big dati basato su una vision aziendale nel suo complesso opportunamente espressa attraverso modelli di Governance peculiari focalizzati sia sul processo di supporto delle decisioni aziendali che nell’attento monitoring del Customer Journey.

 

Data Scientist: quale background premiante?

Le aziende si devono concentrare sulla figura professionale del Data Scientist. Ma quali sono gli ambiti di competenza su cui puntare per costruire un background premiante? Alessandro Giaume sottolinea di prendere in esame il diagramma di Venn di Drew Conway.

 

Un percorso di carriera della professione del Data Scientist è possibile intraprendendo con meticolosità un processo di crescita e consolidamento di competenze tecnico specialistiche, che devono unire attitudini e aspetti multidisciplinari:

  • Skill di hacking orientati allo sviluppo del dato;
  • Curiosità e la rigida scrupolosità tipica del ricercatore matematico e statistico;
  • Leadership e connotazione di forte conoscenza e padronanza delle logiche del business;
  • Creatività e mente aperta a logiche di sperimentazione continua.

 

La porta di accesso al ruolo di Data Scientist può essere diversa e inizialmente avere uno sbilanciamento delle competenze necessarie. Possiamo pertanto individuare 4 profili, le cui peculiairtà sono sintetizzate nella tabella riportata qui sotto:

 

Un Data Scientist diverso per tipologia di azienda

Come evidenziato precedentemente, il Data Scientist può assumere un ruolo diverso in azienda a seconda del contesto di riferimento, del processo di razionalizzazione della Data Governance, di logiche organizzative, cultura manageriale e spinta innovativa. Alessandro Giaume, nel suo libro parla di quattro cluster di aziende, caratterizzate dal diverso grado di maturità espresso, in relazione all’utilizzo che viene fatto dei dati come asset strategico. In estrema sintesi i quattro cluster sono i seguenti:

  • Aziende che considerano la data Science come sinonimo di Data Analyst (luogo ideale dove farsi le ossa);
  • Aziende che sono interessate ad una grande mole di dati (Imprenditorialità);
  • Aziende che considerano i dati come “core” sia per la loro strategia. I dati sono la loro mission. (Platform economy);
  • Aziende che sono data driven oriented.

 

Come si può intuire, i suddetti 4 cluster di azienda hanno un job title diverso circa le competenze e le attività di il Data Scientist dovrà farsi carico. Per ulteriori approfondimenti e curiosità su questo tema molto ampio, rimandiamo al libro di Alessandro Giaume “#Data scientist. Tra competitività e innovazione edito da FrancoAngeli editore)

 

L’evoluzione del Data Scientist

La conoscenza di determinati strumenti da parte del Data Scientist, dipende dal contesto e dall’azienda in cui opera. Se consideriamo i precedenti cluster di azienda possiamo dire che:

  • Nel caso del cluster 1, in genere servono competenze in ambito di mysql, tabelle pivot, produzione di grafici di visualizzazione.
  • Nel cluster 2, la mole dei dati diventa più consistente e pertanto occorrono logiche di strutture più valorizzative dei dati, nonché utilizzo di software più specifici che favoriscono processi di automazione.
  • Nel cluster 3, le aziende sono data focused e pertanto la specificità diventa sempre più elevata (data Science Strutturale)
  • Nel 4 cluster entriamo nel sistema dell’Algorithm economy ovvero delle aziende Data Driven. In questo contesto ci si concentra a livello di visualizzazione e comunicazione, automazione degli algoritmi sviluppati.

L’evoluzione del Data Scientist ha forte correlazioni con le logche di social collaboration e condivisione dei casi di data analysis cui progressivamente ci si trova di fronte. Più ci si addentra in questo mondo di dati, più si incontreranno problematiche complesse e potrebbero richiedere un confronto continuo con altri professionisti. Ecco pertanto la necessità di esperienze condivise in community on line di Data Scientist come ad esempio il network Kaggle (https://www.kaggle.com/general). Sono inoltre moltissimi i programmi e i tools che il data Scientist deve avere nella sua cassetta degli attrezzi. Qui citiamo giusto qualche nome: Python or R, Jupyter Notebooks, SymPyPandasNumpy, Pickle, SciPy, Mathplotlib. Necessaria la conoscenza dei linguaggi C++, C#, Java nonché quella di SQL sempre prezioso per la creazione di query a un database.

 

Conclusioni

Se desiderate appronfondire il tema del Data Scientist e dei Big data, vi suggeriamo la lettura del già citato libro di Alessandro Giaume #Data scientist. Tra competitività e innovazione” edito da FrancoAngeli.  Una guida essenziale e ricca di valore aggiunto in termini di praticità e consigli sia per coloro che vogliono intraprendere e sviluppare un percorso professionale di Data Scientist. L’autore traccia un quadro lineare e completo di questa “professione sexy” evidenziandone anche una componente di “social engineer”, per poi spingersi all’approfondimento di logiche di modellazione di business diversi e non replicabili, tracciando i confini dell’Algorithm economy sempre più basata “sulle interconnessioni di un ecosistema pervasivo” e da incrementali business moment. I processi di Data analysis spingono poi la riflessione all’evoluzione in atto dei “COBOT” e alla loro sempre incrementale interazione nelle attività lavorative in sostituzione dell’uomo, evolvendo per sempre il nostro modo di lavorare.

Alessandro Giaume chiude il suo libro con 5 proverbi zen soprannominati “del Data Scientist”, che hanno l’obiettivo di essere una fonte d’ispirazione per intraprendere un percorso d’innovazione:

  • Una grande illuminazione nasce da un grande dubbio
  • Non ci sono limiti per chi li accetta
  • Ogni cosa è la stessa; ogni cosa è diversa
  • Se leggo ricordo, se vedo capisco, se provo imparo
  • Il Maestro apre la porta, ma sei tu che devi entrare.

 

Ora che la strada dell’innovazione è aperta non vi resta che sfruttare la data analysis e sperimentare di continuo per ridisegnare modelli di business e creare valore aggiunto e vantaggi competitivi determinati.