L’aspetto che oggi più accomuna imprese e organizzazioni di ogni settore e dimensione è l’esplosione del volume di dati digitali. La diffusione di Internet e dell’Internet of Things, le interazioni multicanale con i clienti grazie anche alle numerose piattaforme social media e tante altre operazioni che sviluppano nuove forme di interazione digitale concorrono infatti alla creazione costante di dati. Dati che, di per sé, non rappresentano un valore, ma anzi per certi aspetti, se non entrano a far parte di una strategia adeguata di interpretazione, analisi e valorizzazione rischiano di essere soprattutto un costo, dal momento che perlomeno devono essere conservati e archiviati. Il valore arriva soltanto quando dai dati si riescono a trarre informazioni rilevanti e utili a orientare le strategie di impresa. Il lavoro dei data scientist.
Data scientist sempre più vicini al business
Una possibilità che si è fatta concreta negli ultimi anni, con lo sviluppo dei software di Big data e di intelligenza artificiale, ma anche con lo sviluppo sempre più importante di una figura professionale, quella del Data Scientist che cresce nel solco di un percorso sempre più vicino al business. In buona sostanza, stiamo parlando di un professionista capace di gestire i Big Data e trarne informazioni rilevanti. I Data Scientist sono di norma figure iper-specializzate che possiedono una laurea (Ingegneria, Informatica, Economia, Matematica e Statistica) e una serie di competenze eterogenee, che spaziano dalla tecnologia alla conoscenza del mercato e del business, fino alla capacità di utilizzare tecniche di Machine learning e linguaggi di programmazione. Ma, nonostante tutti questi titoli e competenze, il lavoro dei Data Scientist è strettamente correlato al peculiare contesto organizzativo in cui essi sono inseriti.
La sfida del Data scientist? Accelerare la valorizzazione dei dati
In effetti, nonostante molte aziende abbiano creato dei team di Data Science al proprio interno, la presenza di flussi di lavoro caotici e inefficienti non permette alle imprese di sfruttare appieno il potenziale valore dei dati a loro disposizione. Addirittura, in molte organizzazioni esiste un problema di qualità dei dati, poiché quelli messi a disposizione dei Data Scientist potrebbero rivelarsi incompleti o addirittura erronei. Tanto che le successive analisi dei Data Scientist, basate su numeri di partenza che contengono errori, potrebbero spingere le imprese a mettere in atto strategie di business non adatte. Meno grave, ma comunque foriera di conseguenze è la perdita di tempo che spesso i Data Scientist sono costretti ad affrontare nel proprio lavoro. Ad esempio, dal momento che l’accesso ai dati deve essere concesso da un amministratore IT, i Data Scientist devono spesso attendere molto tempo per avere in mano le risorse da analizzare. Ma anche una volta ottenuto l’accesso, il team di data science potrebbe riscontrare delle difficoltà a operare in maniera lineare, per problematiche di varia natura legate ai linguaggi e agli strumenti messi a disposizione dalla propria organizzazione.
Il fattore tempo rischia di limitare la capacità di azione del Data Scientist
Occorre poi considerare che i destinatari finali dell’azione dei Data Scientist, vale a dire i business manager, hanno di norma scarsa familiarità con la Data Science, arrivata di recente e spesso non integrata a dovere nei processi decisionali aziendali. I ritardi e le perdite di tempo dovute alle carenze organizzative descritte in precedenza, inoltre, possono spingere i manager a guardare con poca attenzione al lavoro finale dei Data Scientist. In altre parole, il lavoro dei Data Scientist non è isolato o indipendente ma, per rendere al meglio, deve essere pienamente inserito nel contesto organizzativo, facendo leva su parole chiave come integrazione e collaborazione. In particolare, integrazione significa che i Data Scientist vanno inseriti in speciali team non composti soltanto da “scienziati dei dati”, ma anche da amministratori IT, ingegneri informatici e sviluppatori. Questi ultimi, in particolare, sono chiamati a costruire le applicazioni che sfruttano le informazioni e i dati raccolti dal resto del team di data science.
La parola chiave è team
Da un punto di vista più tecnico, il lavoro di team di Data science così eterogenei può essere facilitato dall’impiego di apposite piattaforme capaci di favorire la collaborazione in qualsiasi momento progettuale, consentendo al contempo a ciascun utente di accedere in modo autonomo ai dati e alle risorse, sfruttando anche le potenzialità offerte dall’open source. Inoltre, uno strumento di questo tipo deve essere adeguatamente scalabile, in modo da adattarsi alle esigenze di team in crescita e supportare un numero elevato di utenti simultaneamente. Una collaborazione lineare e strutturata è anche la chiave per evitare la frammentazione del lavoro quotidiano ben nota a molti Data scientist, caratterizzata da continue mail, richieste di chiarimento, call e messaggi via chat. Tutte attività che rischiano di distrarre non poco i Data scientist e dilatare ulteriormente i tempi di realizzazione dei progetti. Infine, la disponibilità di queste tipologie di piattaforme può automatizzare tutta una serie di attività manuali e a elevato dispendio temporale come la rilevazione, la profilazione, il campionamento e la preparazione dei dati, nonché la costruzione di modelli. Permettendo così ai Data scientist di concentrarsi su attività a più elevato valore aggiunto, legate all’analisi.
Suggeriamo di proseguire l’approfondimento di questi temi con la lettura di
Analisi, approfondimenti, studi e tools per data scientist, IT Manager e Lob
Immagine fornita da Shutterstock
