La domanda di esperti in data science è in crescita, e quindi saranno sempre più richieste figure con questo profilo. L'applicazione dei principi di data science è un campo a sé, ma non è relegato a un settore o un reparto specifico. Infatti, i data scientist possono fare la differenza praticamente in tutte le aree di qualsiasi organizzazione.

Se lavori già da tempo o ti stai affacciando a questa professione, sai che l'istruzione è il primo passo. Ma al di là della formazione tecnica, ci sono competenze da data scientist utili ma meno evidenti. Coltivarle e svilupparle è essenziale per distinguersi dagli altri candidati e data scientist man mano che la competizione aumenta.


Competenze non tecniche

Queste non richiedono tanto una preparazione tecnica o una certificazione formale, però sono fondamentali per la rigorosa applicazione della data science ai problemi di business. Per emergere, al giorno d'oggi, anche i data scientist più preparati sul piano tecnico devono possedere le seguenti competenze trasversali.

1. Pensiero critico

Questa competenza permette di:

  • Analizzare le domande, le ipotesi e i risultati in modo obiettivo
  • Capire quali sono le risorse cruciali per risolvere un problema
  • Guardare i problemi da diversi punti di vista e prospettive

Il pensiero critico è un'abilità preziosa, valida per qualunque professione. Per i data scientist è ancora più importante perché, oltre a trovare nuovi spunti, devono saper formulare le domande in modo adeguato e capire come i risultati ottenuti si collegano al business o stimolano le prossime mosse per tradursi in azioni.

Inoltre, quando si interpretano i dati, è importante esaminare i problemi in modo obiettivo prima di farsi un'opinione. Il pensiero critico applicato alla data science porta a osservare un problema da tutte le angolazioni, valutando bene l'origine dei dati e mantenendo sempre viva la curiosità.

2. Comunicazione efficace

Questa competenza permette di:

  • Spiegare qual è il significato delle informazioni basate sui dati in termini attinenti al business
  • Comunicare le informazioni in modo tale da evidenziare il valore dell'azione
  • Illustrare il processo di ricerca e le ipotesi con cui si è giunti a una conclusione

La comunicazione efficace è un'altra competenza richiesta praticamente ovunque. Entrare in relazione con gli altri è una qualità utile per raggiungere gli obiettivi in maniera rapida e veloce, qualunque sia il ruolo ricoperto.

In un contesto aziendale, i data scientist devono saper analizzare i dati e spiegare le loro scoperte in modo chiaro e facile sia a un pubblico più tecnico che ai meno esperti. Questa capacità cruciale favorisce la conoscenza dei dati all'interno dell'organizzazione e aumenta le possibilità per i data scientist di fare la differenza. Dal momento che i dati possono risolvere vari problemi e rispondere a domande riguardanti le attività aziendali, i data scientist si rivelano indispensabili per via delle loro capacità comunicative e di problem-solving, aiutando gli altri a capire che azioni intraprendere.

3. Problem-solving proattivo

Questa competenza permette di:

  • Individuare le opportunità e spiegare i problemi e le soluzioni
  • Sapere come affrontare i problemi identificando le ipotesi e le risorse esistenti
  • Esaminare e trovare i metodi più efficaci da mettere in atto per ricavare le risposte giuste

Non puoi fare il data scientist se non sai o non vuoi risolvere problemi. La data science consiste proprio in questo. Essere bravi nel problem-solving dipende tanto dalla volontà di scavare alla radice di un problema, quanto dal fatto di sapere come affrontarlo per risolverlo. I problem-solver sanno riconoscere le insidie, quindi passano subito all'analisi per capire come affrontarle e quali sono i metodi più efficaci.

4. Curiosità intellettuale

Questa competenza permette di:

  • Orientare la ricerca delle risposte
  • Andare più a fondo rispetto ai risultati superficiali e alle ipotesi iniziali
  • Pensare in modo creativo con la volontà di saperne di più
  • Chiedersi continuamente perché, perché una risposta di solito non basta

I data scientist devono avere la curiosità intellettuale e la voglia non solo di rispondere alle domande poste dai dati, ma anche di risolvere dubbi mai sollevati finora. La data science sta tutta nella scoperta di verità nascoste: i più capaci non si accontenteranno mai di risposte appena sufficienti, ma andranno sempre a caccia di nuovi spunti.

5. Conoscenza del settore

Questa competenza permette di:

  • Capire il settore e le sue esigenze specifiche
  • Sapere quali sono i problemi del settore da risolvere e perché
  • Tradurre i dati in risultati validi per l'organizzazione

I data scientist hanno un doppio compito: da un lato devono conoscere il loro campo e sapersi districare tra i dati, dall'altro devono conoscere il business e il settore in cui operano. Non basta saper maneggiare i dati: devono avere una profonda conoscenza del business per risolvere i problemi attuali e valutare come i dati possono sostenere la crescita e il successo dell'azienda in futuro.

"La scienza dei dati è molto più che snocciolare dei numeri: è l'applicazione di diverse competenze per risolvere particolari problemi in un settore", spiega il Dott. N. R. Srinivasa Raghavan, Chief Global Data Scientist di Infosys.


Competenze tecniche

Ecco le competenze più richieste, di solito elencate tra le prime negli annunci di lavoro per data scientist. Molte di queste aree vengono sviluppate e trattate nei corsi di istruzione o addestramento professionale. Inoltre, molte organizzazioni stanno ponendo sempre più l'accento su queste competenze, di pari passo con l'evoluzione delle figure addette all'analisi dei dati.

6. Capacità di preparare i dati per un'analisi efficace

Questa competenza permette di:

  • Acquisire, raccogliere, organizzare, elaborare e modellare i dati
  • Analizzare grandi moli di dati strutturati e non strutturati
  • Preparare e presentare i dati nei formati migliori ai fini dei processi decisionali e di problem-solving

Preparare i dati significa predisporli per l'analisi e comprende le attività di esplorazione, conversione e cleanup. È una fase cruciale del flusso di lavoro analitico tanto per gli analisti quanto per i data scientist. Qualunque sia lo strumento usato, i data scientist devono conoscere le attività di preparazione dei dati e come si collegano ai flussi di lavoro di data science. Strumenti di preparazione dei dati come Tableau Prep Builder sono intuitivi per tutti i livelli di competenza.

Scopri di più sulle best practice per la preparazione dei dati.

7. Capacità di sfruttare le piattaforme di analisi self-service

Questa competenza permette di:

  • Capire i vantaggi e le sfide della visualizzazione dati
  • Avere una conoscenza di base delle soluzioni in commercio
  • Conoscere e applicare le procedure e le tecniche migliori durante la creazione di analisi
  • Saper condividere i risultati tramite dashboard o applicazioni self-service

Questa capacità è più affine alle competenze trasversali, in quanto si ricollega al pensiero critico e alla comunicazione efficace. Le piattaforme di analisi self-service permettono di esaminare i risultati dei processi di data science ed esplorare i dati, nonché di condividerli con chi ha un profilo meno tecnico. Quando si crea una dashboard in una piattaforma self-service, gli utenti finali possono affinare i parametri per porre le proprie domande e valutarne l'impatto sull'analisi all'istante poiché le dashboard si aggiornano in tempo reale.

8. Capacità di scrivere codice in modo efficace e fruibile

Questa competenza permette di:

  • Agire direttamente sui programmi di analisi, elaborazione e visualizzazione dati
  • Creare programmi o algoritmi di analisi dei dati
  • Raccogliere e preparare i dati tramite API

Questa è una competenza piuttosto scontata. Visto che i data scientist sono esperti nell'uso dei sistemi progettati per analizzare ed elaborare i dati, devono conoscere anche come sono programmati. Nella data science si usano tanti tipi di linguaggi. Il consiglio è di imparare e applicare quelli più indicati per il ruolo, il settore e le sfide del proprio business.

9. Capacità di applicare metodi matematici e statistici in modo appropriato

Questa competenza permette di:

  • Eseguire analisi esplorative dei dati e individuare schemi e relazioni importanti
  • Applicare un pensiero statistico rigoroso per dividere il segnale dal rumore
  • Capire i punti di forza e i limiti dei vari modelli di test e perché sono indicati per un dato problema

Come i linguaggi di programmazione, anche la matematica e la statistica rivestono un'importanza cruciale nella data science. I data scientist hanno a che fare con modelli matematici e statistici, perciò devono essere capaci di applicarli e ampliarli. Una profonda conoscenza della statistica permette loro di riflettere in modo critico sul valore dei diversi dati e sui tipi di domande a cui possono rispondere o meno. A volte, i problemi richiedono la progettazione di nuove soluzioni, che possono integrare o modificare le tecniche e gli strumenti di analisi già disponibili. Capire gli assunti e gli algoritmi alla base è fondamentale per l'uso di queste applicazioni.

10. Capacità di sfruttare l'apprendimento automatico e l'intelligenza artificiale (IA)

Questa competenza permette di:

  • Capire come e quando l'apprendimento automatico e l'IA sono utilizzabili per il business
  • Addestrare e distribuire modelli per l'uso di soluzioni di IA efficienti
  • Spiegare i modelli e le previsioni in termini utili per il business

Nella maggior parte dei casi, l'apprendimento automatico o l'intelligenza artificiale non sostituiranno i data scientist. Però, queste tecniche permettono di migliorare il valore offerto e lavorare in modo più efficiente e veloce. Come ha dichiarato di recente un Chief Data Officer: "Per concretizzare la promessa dell'IA e dell'apprendimento automatico, sono necessarie delle competenze essenzialmente umane". Secondo il suo parere, la sfida più grande dell'IA sta nel sapere se sono disponibili i dati giusti, quando i dati giusti mostrano i risultati sbagliati, nonché nel trovare dati abbastanza buoni per l'IA prima di decidere quale modello addestrato è più utile.

Perché inserire nel curriculum competenze in analisi dei dati

In questo articolo, parte della serie Generation Data sul blog di Tableau, l'autrice Midori Ng illustra in pratica i motivi e i consigli per inserire le competenze in analisi dei dati nel curriculum. Scopri come padroneggiare un mix di competenze tecniche e trasversali in materia di data science e ottenere così una maggiore soddisfazione personale e professionale.

E per saperne di più sulle funzionalità e sugli scenari di analisi avanzata nella piattaforma di Tableau, consulta il whitepaper Analisi avanzata con Tableau.