Otto personae presenti in ogni organizzazione data-driven

Il 15 ottobre ospiteremo un webinar su Cosa devono sapere i leader L&D sulla data fluency. Un'area chiave di interesse è costruire le competenze giuste per ciascuna delle tue principali data persona. Ecco un'anteprima di ciò che imparerai.

Le sfide dell'upskilling per la data fluency

La data fluency è una metodologia per rispondere a domande di business, non una singola competenza da insegnare e apprendere, come nelle iniziative tradizionali di learning and development. Quando si scalano i programmi di formazione per la data fluency, i percorsi di apprendimento variano a seconda del livello di interazione che le diverse persone possono avere con i dati. Per esempio, un analista marketing che lavora regolarmente con Excel potrebbe dover imparare R o Python per avere successo nel suo lavoro, mentre un manager o un leader potrebbe aver bisogno solo di sapere come prendere decisioni informate usando i dati.

Perché una metodologia basata sulle personae è la strada giusta

Un percorso di apprendimento basato sul ruolo e guidato dalle personae è più efficace per scalare i programmi di formazione sulla data fluency. Sebbene ogni organizzazione e i dati che produce siano diversi, ci sono elementi in comune nei diversi rapporti che le persone hanno con i dati. Un modo utile di pensare e scalare gli sforzi di upskilling incentrati sui dati è tramite le data persona. Ogni data persona ha un rapporto diverso con i dati e richiede differenti competenze di data fluency per essere messa nelle condizioni di dare il meglio. Le organizzazioni possono quindi mappare i diversi ruoli interni su quella persona e creare un'esperienza didattica curata e personalizzata in base a ciò che devono imparare.

1. Data Consumer e Leader

I Data Consumer e i Leader spesso lavorano in ruoli non tecnici, ma utilizzano insight e analisi dei dati per prendere decisioni data-driven. Devono spesso dialogare con i professionisti dei dati e dovrebbero saper distinguere quando i dati possono e non possono essere usati per rispondere a domande di business.

Tecnologie e strumenti più usati

Fogli di calcolo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau

Esempi di titoli di lavoro

Chief Marketing Officer, Human Resources Manager, Head of Sales

2. Business Analyst

I Business Analyst sono responsabili di collegare gli insight dai dati a risultati concreti che aumentano redditività o efficienza. Hanno una profonda conoscenza del dominio di business e spesso usano SQL insieme a strumenti senza codice per comunicare gli insight derivati dai dati.

Tecnologie e strumenti più usati

Fogli di calcolo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL

Esempi di titoli di lavoro

Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst

3. Data Analyst

Simili ai Business Analyst, i Data Analyst sono responsabili di analizzare i dati e riportare gli insight derivanti dalle loro analisi. Hanno una profonda comprensione del workflow di analisi dei dati e presentano i risultati combinando strumenti con e senza codice.

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R Fogli di calcolo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL

Esempi di titoli di lavoro

Data Analyst, Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst

4. Data Scientist

I Data Scientist indagano, estraggono e riportano insight significativi dai dati dell'organizzazione. Comunicano questi insight a stakeholder non tecnici e hanno una buona comprensione dei workflow di machine learning e di come ricondurli ad applicazioni di business. Lavorano quasi esclusivamente con strumenti basati su codice, conducono analisi e spesso usano strumenti per big data.

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Strumenti big data: Airflow, Spark

Esempi di titoli di lavoro

Data Scientist, Data Analyst, può includere un “citizen data scientist” (cioè qualcuno che svolge le mansioni di un data scientist, ma non ha il titolo “Data Scientist”).

5. Machine Learning Scientist

I Machine Learning Scientist sono responsabili di sviluppare sistemi di machine learning su larga scala. Ricavano previsioni dai dati usando modelli di machine learning per risolvere problemi come la previsione del churn e del customer lifetime value e sono responsabili della messa in produzione di questi modelli per l'uso in azienda.

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Strumenti big data: Airflow, Spark Strumenti da riga di comando: Git, Shell

Esempi di titoli di lavoro

Data Scientist, Research Scientist, Machine Learning Scientist, Machine Learning Engineer

6. Statistici

Simili ai Data Scientist, gli Statistici lavorano su analisi altamente rigorose, che includono la progettazione e la gestione di esperimenti come A/B test e test d'ipotesi. Si concentrano sulla quantificazione dell'incertezza e sulla presentazione di risultati che richiedono livelli eccezionali di rigore, come in finanza o sanità.

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL

Esempi di titoli di lavoro

Quantitative Analyst, Inference Data Scientist, Data Scientist

7. Programmer

I Programmer sono figure altamente tecniche che lavorano nei team dati e automatizzano attività ripetitive durante l'accesso e il lavoro sui dati dell'organizzazione. Colmano il divario tra l'ingegneria del software tradizionale e la data science e hanno una conoscenza approfondita della distribuzione e condivisione del codice su larga scala

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R, Scala Strumenti da riga di comando: Git, Shell

Esempi di titoli di lavoro

Software Engineer, Data Scientist, Dev-Ops Engineer

8. Data Engineer

I Data Engineer sono responsabili di mettere i dati giusti nelle mani delle persone giuste. Creano e mantengono l'infrastruttura e le pipeline dati che portano terabyte di dati grezzi provenienti da fonti diverse in un'unica posizione centralizzata con dati puliti e pertinenti per l'organizzazione.

Tecnologie e strumenti più usati

Linguaggi di programmazione: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Strumenti da riga di comando: Git, Shell Strumenti big data: Airflow, Spark Piattaforme cloud (ad es., Amazon Web Services)

Esempi di titoli di lavoro

Software Engineer, Data Engineer, Dev-Ops Engineer