Il data scientist nella rivoluzione digitale

È il mestiere più sexy di questo secolo. È stata la rivista Harward Review a definire così pochi anni fa il «data scientist», il nuovo profilo professionale prodotto dalla rivoluzione digitale. Non vi è da stupirsi: siamo in piena rivoluzione digitale, generiamo dati in ogni momento della nostra giornata, sia come semplici utenti privati a testa bassa sui nostri smartphone per navigare in rete o comunicare via WhatsApp, sia come aziende che lanciano servizi on line per catturare nuovi clienti profittevoli. È la quarta rivoluzione industriale: dopo la produzione meccanica, le catene di montaggio, i robot nelle fabbriche, adesso siamo nella interconnessione digitale «always on». Non sappiamo dove ci porterà, è una nuova frontiera, tanti progetti sono sperimentazioni mai fatte prima, tra le poche certezze una è la velocità del cambiamento e l’altra la consapevolezza che se fra cinque anni le aziende non faranno niente di innovativo nel digitale saranno destinate a scomparire.
Ma per lanciare una strategia digitale che affianchi o sostituisca i canali tradizionali occorre iniettare nel mondo produttivo una massiccia dose di esperti di trattamento del dato, gli «scienziati del dato», richiesti a gran voce da banche, assicurazioni, telco, media, industria e servizi. La domanda di data scientist supera e di tanto l’offerta corrente, non solo in Italia ma, seppur in misura minore, anche nel mondo anglosassone. Un recente studio stima che il mercato dei big data e analytics crescerà del 12 per cento annuo fino al 2020, a fronte di una stagnazione economica di cui non si vede fine e di una disoccupazione giovanile allarmante. LinkedIn ha messo al secondo posto come competenze più richieste l’esperto di statistica e di data mining. Ma non è facile essere un bravo data scientist e l’attuale formazione scolastica non aiuta a fornire le competenze multidisciplinari richieste. Le due competenze primarie sono l’informatica per accedere alle più svariate fonti dati, integrarle, ripulirle, normalizzarle e la statistica per padroneggiare le tecniche di modellazione e analisi del dato e acquisire quella sensibilità del dato cosi preziosa per estrarre valore dalla marea di dati a disposizione.
Il punto è proprio questo: rispetto a decenni fa in cui i dati su cui basare le analisi erano sempre scarsi e difficili da reperire, adesso il problema è opposto, vuoi per l’evoluzione informatica delle aziende, vuoi per lo tsunami di dati prodotti dalla rete. Saper programmare e fare analisi di data mining sono condizioni necessarie ma non sufficienti: un data scientist deve conoscere il proprio mercato, perché spesso inizia una analisi a fronte di una richiesta precisa che cambia da settore a settore.
Una cosa è analizzare i dati in una banca per sviluppare un progetto di market risk e rispettare le nuove normative, un’altra è lanciare un servizio on line da parte di un operatore di telecomunicazioni per acquisire nuovi clienti in un mercato totalmente nuovo. E ancora: lavorare in squadra e «raccontare la storia» in modo facile ed efficace sono due qualità altrettanto importanti per completare la preparazione di un data scientist di valore. Infine il data scientist deve essere anche curioso e creativo, deve produrre nuovi spunti, nuove intuizioni. Non sono rari i casi di amministratori delegati di grandi aziende che chiedono direttamente ai team di giovani data scientist i risultati delle loro analisi per «respirare aria fresca» e avere idee nuove e, se non si è pronti a spiegare in linguaggio comprensibile i diamanti trovati nella miniera dei dati, si vanifica tutto il lavoro fatto.
Questo mestiere, che oggi è appannaggio di pochi, nel giro di un decennio potrebbe diventare diffuso come lo furono gli impiegati di concetto nelle aziende degli anni 80. Come sfornare squadre di esperti al ritmo richiesto dal mercato? Non vi è facile risposta perché veniamo da decenni di accorpamenti o chiusure delle facoltà di Statistica, perché l’ultima cosa che si pensa di insegnare ai ragazzi è quello di «programmare codici». Occorre un cambiamento culturale urgente nei piani di formazione della scuola e delle università, valorizzando e supportando master di I e II livello con un programma didattico pensato su misura per le aziende che sono pronte ad assumere e pagare bene i data scientist.
E il primo passo potrebbe proprio essere quello di lanciare una start up, per venire incontro alle proprie ambizioni imprenditoriali, e in tal senso si moltiplicano in tutta Italia incubatori che altro non sono che laboratori di idee nuove prodotte da data scientist. Il lavoro c’è per chi lo cerca nel modo giusto, ma bisogna avere occhi e orecchie ben aperti... e metterci «anima e core».