Ruoli nella Data Science oltre il titolo “Data Scientist”

Nel 2011, Harvard Business Review ha definito la data science “il lavoro più sexy del XXI secolo”. Da allora, la domanda di competenze in data science è cresciuta ancora. Fortune ha riportato che le offerte per data scientist hanno registrato un aumento del 480% dal 2016. Questa crescita è stata talmente forte che nel 2020 si contava ancora una carenza di 250.000 professionisti della data science.

Purtroppo, chi desidera un ruolo nella data science potrebbe sentirsi scoraggiato. Basta dare un'occhiata a una job description per data scientist per trovare un elenco impegnativo di competenze. L'alta competizione per queste posizioni ha inoltre portato alcuni candidati a essere scartati dai loro lavori dei sogni.

Eppure, molti non si rendono conto che la carriera di un data scientist può non essere lineare. Anche lavori che non hanno il titolo di “data scientist” possono fornirti preziose competenze di data science! Tra queste: statistica, manipolazione dei dati, machine learning, programmazione, capacità di business e storytelling–tutte essenziali per un data scientist.

Ecco alcuni ruoli che possono fare da trampolino verso l'obiettivo di diventare data scientist. Questi ruoli tecnici e non tecnici possono aiutarti a entrare nel settore.

Ruoli non tecnici nei dati

Data/Analytics Translator 

Definito da McKinsey come “il nuovo ruolo imprescindibile”, un analytics translator aiuta i leader aziendali a dare priorità ai problemi di business e poi traduce questi obiettivi per i professionisti dei dati. Un analytics translator ottiene l'allineamento dei leader e garantisce che la soluzione costruita dai team dati generi valore per il business. 

“Scomponi continuamente concetti tecnici e fai in modo che tutti parlino la stessa lingua”, ha detto Gruschow, technical analyst in Fortive, descrivendo il suo ruolo. Secondo McKinsey, un buon candidato ha spirito imprenditoriale, ottime capacità di project management e una generale familiarità tecnica (anche se non è indispensabile saper programmare). Se hai queste doti, il ruolo di analytics translator potrebbe fare al caso tuo. 

Data Science Product Manager

I product manager per la data science (PM) possiedono la roadmap dei prodotti di data science, dall'ideazione al lancio. Collaborando con i team di business, individuano come la data science possa risolvere le criticità aziendali. I PM poi lavorano a stretto contatto con professionisti dei dati e sviluppatori per definire i requisiti del prodotto, supervisionare lo sviluppo e stabilire le metriche di successo.

Un product manager è in costante comunicazione con un insieme eterogeneo di stakeholder (Fonte)

Ogni azienda ha il proprio prodotto di data science. Un product manager in una società di business intelligence potrebbe supervisionare lo sviluppo di uno strumento di visualizzazione dei dati, mentre un altro in un'azienda di streaming potrebbe possedere la roadmap di una funzionalità di raccomandazione in-app. Chi ha talento nella gestione degli stakeholder e una comprensione ampia della data science è perfetto per questo ruolo. 

Data Strategy Consultant 

I consulenti di data strategy progettano, costruiscono e implementano strategie sui dati che migliorano le performance aziendali. Lavorano con i leader per valutare le capacità dati di un'azienda e proporre roadmap verso un'organizzazione data-driven.

Un consulente individua come le tecnologie dei dati possano rispondere ai problemi aziendali. La strategia probabilmente varierà in base al livello di maturità dell'azienda. Per un'organizzazione giovane, il consulente potrebbe proporre l'implementazione di strumenti di data management e governance. Per una organizzazione matura, potrebbe suggerire l'adozione di soluzioni cloud innovative. Chi ha un background nella consulenza potrebbe trovare questo ruolo interessante. Inoltre, chi possiede conoscenze pratiche di vari framework dei dati (come data governance, data management, business intelligence, advanced analytics, machine learning e piattaforme cloud) è considerato un ottimo profilo per questo ruolo. 

Technical Project Manager

I technical project manager pianificano, organizzano e dirigono progetti tecnici di data science. Gestiscono le risorse disponibili, garantendo che il progetto venga consegnato in tempo, nel budget e nel perimetro. 

Poiché seguono un progetto dall'ideazione al lancio, il loro ruolo è piuttosto vario. Pianificano le linee guida del progetto, programmano le attività, valutano le fasi, comunicano con gli stakeholder e gestiscono la visione del prodotto. Per coordinare team interfunzionali, usano metodologie di sviluppo come Scrum e Agile. 

La metodologia Agile (Fonte)

Il ruolo di technical project è adatto a chi ha esperienza manageriale. Candidati con background tecnico in data science, ingegneria del software o UI/UX hanno maggiori possibilità di ottenere il ruolo di technical PM. 

Technical Writer 

Con l'aumentare del numero e della scala dei prodotti di data science, cresce anche il bisogno di documentazione tecnica. Una documentazione corretta e concisa è uno dei modi migliori per un developer di comunicare istruzioni agli utenti finali.

Esempio di documentazione tecnica di Twilio (Fonte)

Un technical writer colma questo gap producendo guide introduttive, documentazione di prodotto approfondita e materiali di riferimento per API su prodotti tecnici. Collabora anche con ingegneri di sviluppo, product manager e program manager per progettare la documentazione. I technical writer dovrebbero avere un background tecnico, così da interagire facilmente con i team tecnici. Se vuoi intraprendere questa carriera, potresti includere nel portfolio esempi dei tuoi testi tecnici prima di iniziare la ricerca di lavoro. 

Ruoli tecnici nei dati

Business Intelligence Analyst

Un business intelligence analyst utilizza analisi e visualizzazione dei dati per aiutare le organizzazioni a prendere decisioni basate sui dati. Nel quotidiano, un BI analyst interpreta dati chiave per generare insight. Per comunicare questi insight, mantiene metriche e visualizzazioni sotto forma di dashboard o presentazioni. Di conseguenza, un BI analyst è abile con strumenti di database (SQL), strumenti di business intelligence (come Tableau) e fogli di calcolo (come Excel).

Un progetto interessante per i BI analyst è automatizzare i processi di reporting esistenti. Ad esempio, i BI analyst di HelloFresh hanno eliminato la necessità di report manuali creando dashboard in tempo reale. Il team marketing ha poi sfruttato questi report per ottimizzare le campagne e, di conseguenza, migliorare la retention dei clienti.

Esempio di una dashboard PowerBI

Data Analyst

Un data analyst condivide molte similitudini con un BI analyst. Come un BI analyst, è responsabile di fornire metriche aziendali accurate ed estrarre insight azionabili per consentire ai referenti di business di prendere decisioni data-driven. 

In alcune aziende, un data analyst potrebbe essere coinvolto in progetti di analisi avanzata. Questi progetti possono richiedere la collaborazione con team di prodotto, business e ingegneria per guidare decisioni chiave. Per esempio, a un data analyst potrebbe essere richiesto di creare una segmentazione dei clienti, da usare per definire strategie specifiche per segmento.

I data analyst possono eseguire la segmentazione dei clienti (Fonte)

A seconda del perimetro del ruolo, a un data analyst potrebbe essere richiesto di conoscere non solo SQL, strumenti BI e fogli di calcolo, ma anche un linguaggio di programmazione (come Python o R). Una solida conoscenza della statistica aiuta inoltre nei progetti di analisi avanzata. 

MarketingOps Analyst

Un marketing operations analyst implementa processi di marketing e analizza le performance. Questi processi possono includere la gestione dei lead e il coinvolgimento dei clienti tramite software CRM. I marketing analyst analizzano i dati di clienti e fornitori per scoprire opportunità e ottimizzare i processi. Ad esempio, un analyst potrebbe condurre un'analisi del funnel per individuare l'anello più debole nel processo di conversione. 

Esempio di analisi del funnel (Fonte: Clevertap) 

Inoltre, i marketing ops analyst possono eseguire test di ipotesi per ottimizzare le performance di marketing. Con un A/B test ben impostato, un analyst potrebbe scoprire che le emoji nei titoli delle email migliorano sensibilmente il tasso di clic tra i pubblici più giovani. Questo ruolo è un ottimo trampolino per chi ha passione per il marketing. È anche ideale per i neolaureati, dato che NCSU riporta che fino al 45% degli annunci per marketing ops analyst richiede meno di 2 anni di esperienza e l'80% richiede una laurea triennale.

Financial Analyst

I financial analyst esaminano dati finanziari, identificano opportunità di investimento e valutano gli esiti delle raccomandazioni di business. In particolare, analizzano l'interazione tra fattori macroeconomici, condizioni microeconomiche e fondamentali di un'azienda. Le cifre finanziarie sono il pane quotidiano per i financial analyst. Per valutare la salute di un'azienda, esaminano metriche come margine lordo, margine netto, tassi di crescita, return on equity ed earnings per share, tra le altre. 

Gli analyst formulano anche proiezioni sulle performance e sul valore futuri di un'azienda usando metodi statistici (come l'analisi di regressione) e modelli finanziari avanzati (come il discounted cash flow).  

Esempio di una semplice analisi di regressione eseguita da un financial analyst (Fonte)

Secondo Investopedia, chi possiede una laurea triennale–preferibilmente in contabilità, economia, finanza o statistica–o un MBA ha buone probabilità di diventare financial analyst.

Machine Learning Engineer (MLE)

Secondo LinkedIn, l'MLE è uno dei 25 titoli di lavoro in più rapida crescita nel 2022. Gli MLE progettano, costruiscono e portano in produzione modelli di machine learning. Sono quindi competenti nella progettazione dell'architettura del modello, nell'orchestrazione di pipeline di ML e nel monitoraggio delle soluzioni ML in produzione. 

Per esempio, un MLE che lavora in un'azienda di ride-hailing potrebbe monitorare il tempo impiegato dall'AI di matchmaking in produzione per abbinare un driver a un rider. L'MLE collabora con i data scientist per garantire che il tempo non superi una soglia predefinita. Il ruolo è adatto a chi ha forti capacità di programmazione, come software engineer o data engineer. Gli MLE dovrebbero anche avere solide basi di matematica e statistica e una buona comprensione dei modelli di machine learning. 

Costruisci la tua carriera nei dati 

I candidati più motivati, fissati sul ruolo di data scientist, potrebbero trascurare questi titoli durante la ricerca. Il nostro consiglio? Non temere di puntare a ruoli oltre a data scientist, se puoi apprendere competenze di data science direttamente sul lavoro. Come ha detto con eleganza Steve Jobs, “non puoi unire i puntini guardando avanti… quindi devi fidarti che i puntini si uniranno in qualche modo nel tuo futuro.”

Questo articolo è stato pubblicato originariamente sulla DataCamp Certified Community, una piattaforma esclusiva per chi ha completato con successo una delle certificazioni DataCamp. Per accedere a questa community e a molti altri contenuti che ti aiuteranno a restare all'avanguardia nel settore dei dati, ottieni la certificazione oggi stesso!