Negli ultimi mesi è sempre più frequente incappare, tra LinkedIn, convegni online e giornali, in domande relative al ruolo del data scientist. “Quanto costa un data scientist bravo? In quanto tempo le aziende rientrano dell’investimento in una figura simile? Quando è il momento di inserire un “Chief of Data” in una linea di management?”. Questo avviene perché sempre più aziende stanno acquisendo la consapevolezza che il loro approccio al dato sia rimasto invariato negli ultimi anni, mentre il mercato intorno a loro si è rapidamente evoluto dove alcune aziende ora sono realmente in grado di utilizzare Intelligenza Artificiale e Big Data per effettuare analisi e migliorare i processi aziendali.
Investire su un data scientist è l’idea più concreta che le aziende hanno a disposizione ma con meno di 50k di RAL è difficile portare nel team un professionista con qualche anno di esperienza. Ammesso di trovarlo. I più bravi sono molto richiesti e diverse aziende in Italia, come le più grandi compagnie assicurative, alcune società di consulenza blasonate o le rampanti fintech reduci da grossi round di investimenti sono in grado di avanzare offerte più allettanti in termini economici, di welfare e di prestigio percepito.
Data scientist vs Data analyst
Prima di parlare dell’importanza strategica di avvalersi di un data scientist e di comprendere la portata dell’investimento è necessario fare una precisazione in merito alle sostanziali differenze tra due figure spesso confuse tra di loro, il data analyst e il data scientist. Visti i diversi punti di contatto e le attività comuni, agli occhi di molti questi due ruoli sono quasi sovrapponibili. Tra queste due professioni esistono però delle differenze fondamentali relative, in particolare, alle modalità di approccio ai dati.
Ragionando per semplificazione, mentre un Data Scientist ha la responsabilità di formulare delle previsioni sulla base di pattern sia collaudati sia sperimentali, il Data Analyst è la figura demandata ad estrapolare informazioni significative dai dati a disposizione dell’azienda. Il ruolo di quest’ultimo non riguarda quindi le attività di forecasting, il Data Analyst risolve problematiche legate al business ma non offre una visione degli scenari futuri.
Tra i due ruoli cambiano dunque anche le metodologie di lavoro: il Data Scientist è impegnato a gestire informazioni frammentate, provenienti da diverse fonti dati, mentre il Data Analyst affronta spesso un singolo dataset alla volta. A differire sono anche gli strumenti impiegati, infatti il Data Scientist sfrutta il Machine Learning per operare su grandi moli di dati, mentre il Data Analyst privilegia prodotti per la manipolazione dei dati e la creazione di report.
A variare sono poi i loro interlocutori, in quanto il Data Scientist interagisce con figure di diverse funzioni all’interno della società, mentre i referenti del Data Analyst sono più frequentemente Data Architect, operatori di Database, Database Administrator e altri analisti. I diversi livelli di complessità, di responsabilità e di valore strategico per l’azienda tra i due ruoli hanno ovviamente anche un impatto sulla retribuzione delle due figure, secondo alcuni portali dedicati agli annunci di lavoro, i Data Scientist arriverebbero guadagnare mediamente quasi il doppio rispetto ai Data Analyst.
Data Analyst e PMI
Tornando al panorama italiano delle PMI con decine di milioni di fatturato e alla crescente consapevolezza di doversi affidare sempre di più alla Scienza dei Dati per individuare le migliori soluzioni, quali sono i problemi che queste imprese affrontano selezione di un Data Scientist?
- L’HR interno non è abituato ad avere a che fare con figure con questa professionalità, quindi spesso sbaglia le valutazioni (sul mercato è pieno di millantatori pronti a spacciarsi per esperti) per evitare di appoggiarsi ad un cacciatore di teste che peserebbe sull’assunzione per un 20% della RAL.
- Assumere i più bravi Data Scientist sta diventando sempre più complesso, soprattutto per la competitività dell’offerta.
- Il Data Scientist spesso ha bisogno di un ecosistema aziendale che permetta di lavorare al meglio, potrebbe quindi aver bisogno nel team di un bravo Data Engineer che sappia individuare i dati necessari nell’ecosistema IT aziendale e possa standardizzarli nella maniera più utile alle analisi. Per riuscire poi a scaricare a terra i modelli sapientemente costruiti dal nuovo scientist, è necessario affiancare a esso un Data Analyst e forse uno Strategist, in grado di tradurre l’output matematico in azioni di business e di interfacciarsi con i manager delle altre divisioni. Come è facile comprendere, dovendo acquisire o formare tutte queste figure, l’investimento cresce notevolmente e prevedere il ROI si fa sempre più nebuloso.
Data Scientist, perchè affidarsi a un team esterno
Molte delle aziende che si sono rivolte ad un team specializzato come quello di Premoneo, lo hanno fatto perché hanno raggiunto la consapevolezza che le loro attività di pricing necessitassero di un processo strutturato e che la scienza dei dati fosse la giusta soluzione utilizzare, ma di non poter o voler creare internamente il team necessario per mettere a terra quel processo end-to-end.
- Analisi dell’ecosistema IT e della qualità dei dati;
- Standardizzazione dei dati utili alle analisi e realizzazione dei flussi di scambio dati;
- Ricezione delle necessità del business, dialogando con le varie funzioni aziendali coinvolte;
- Studio e costruzioni dei modelli matematici e degli algoritmi di AI (se applicabili);
- Definizione del nuovo processo e sviluppo della soluzione software più adatta, integrata nell’ecosistema IT:
- Analisi on-going per verifica dei risultati e affinamento dell’engine;
Tutto questo al “prezzo” di un solo Data Scientist, e con un ROI garantito entro 3 trimestri.
Per le aziende che si vogliono approcciare alla Scienza dei Dati il consiglio non è dunque quello di rinunciare alle risorse interne, ma la soluzione economicamente più vantaggiosa è quella di procedere con un approccio più graduale, assumendo una figura meno esperta che possa crescere affiancato dal supporto di Premoneo o di integrare un team, se già presente, con le competenze portate dal nostro team.
