Le organizzazioni hanno bisogno di team dati vincenti
Oggi le organizzazioni generano più dati che mai. Forbes ha affermato che nel 2018 venivano generati oltre 2,5 quintilioni di byte di dati ogni giorno e che oltre il 90% dei dati al mondo era stato prodotto nei due anni precedenti alla pubblicazione dell’articolo. Singoli paesi stanno generando ancora più dati. Nel 2018, CNBC ha riportato che la Cina ha generato 7,6 zettabyte di dati. Si prevede che questo valore salga a 48,6 ZB nel 2025. Anche gli Stati Uniti generano quantità di dati simili.
In questi dati sono disponibili molte intuizioni applicabili che non vengono sfruttate. Secondo Forrester, dal 60 al 73 percento dei dati di un’organizzazione non viene utilizzato nelle analisi.
Le organizzazioni di successo, guidate dai dati, sfruttano i dati su larga scala per generare valore. Per esempio, Uber ha investito molto nella creazione di una piattaforma per distribuire in modo efficiente oltre 100 petabyte di dati disponibili ai propri team dati tramite un’interfaccia semplice che hanno scalato per gestire oltre 1 miliardo di ordini Uber Eats con più di 24 milioni di miglia percorse. Tramite l’A/B test, Netflix ottiene dal 20 al 30 percento di visualizzazioni in più cambiando l’immagine associata a un film o a una serie TV.
È evidente che esistono intuizioni ad alto valore per le organizzazioni che sanno orientarsi con successo nei loro paesaggi di dati complessi e vasti. Questo tipo di generazione di valore può essere raggiunto solo tramite un team dati completo e ad alte prestazioni.
Ruoli dati per un team vincente
Per costruire un team dati di successo servono molti ruoli chiave. In questo white paper, DataCamp descrive otto ruoli, o personae, che si possono trovare in qualsiasi organizzazione data-driven. Anche se i titoli di lavoro possono variare da un’organizzazione all’altra, qui delineiamo cinque ruoli che compongono un team dati solido: business analyst, data analyst, data scientist, machine learning scientist e data engineer.
Business Analyst
I Business Analyst aumentano la redditività e l’efficienza a partire dalle intuizioni ricavate dai dati. Affiancano alla profonda conoscenza del dominio di business competenze di analisi e visualizzazione dei dati e riportano le intuizioni ai destinatari dei dati.
Competenze chiave: manipolazione dei dati, visualizzazione dei dati, reporting, statistica di base Strumenti: fogli di calcolo (Excel, Google Sheets), strumenti di Business Intelligence (Tableau, PowerBI), SQL
Corsi consigliati: Introduzione a SQL, Analisi dei dati nei fogli di calcolo / Excel, Marketing Analytics nei fogli di calcolo, Financial Analytics nei fogli di calcolo
Data Analyst
I Data Analyst svolgono un ruolo simile ai business analyst nell’analizzare i dati e ricavarne intuizioni per guidare i risultati di business. Le competenze quindi si sovrappongono; tuttavia, i data analyst affrontano problemi meno definiti che richiedono una maggiore comprensione del flusso di lavoro dell’analisi dei dati e utilizzano una combinazione di strumenti con e senza codice.
Competenze chiave: manipolazione dei dati, visualizzazione dei dati, reporting, importazione e pulizia dei dati, probabilità e statistica
Strumenti: R o Python, fogli di calcolo (Excel, Google Sheets), strumenti di Business Intelligence (Tableau, PowerBI), SQL
Corsi consigliati: Percorso di carriera Data Analyst (R - 16 corsi/Python - 16 corsi), Pulizia dei dati in R/Python, Analisi delle serie temporali in SQL
Data Scientist
I Data Scientist ricoprono un ruolo decisamente più tecnico nelle organizzazioni, lavorando soprattutto con strumenti di programmazione per indagare, estrarre e produrre valore e intuizioni dai dati. Richiedono una solida comprensione dei flussi di lavoro di analisi dei dati e di machine learning e la capacità di lavorare con tipi di dati non standard e strumenti per big data.
Competenze chiave: manipolazione dei dati, visualizzazione dei dati, reporting, importazione e pulizia dei dati, probabilità e statistica, machine learning,
Strumenti: R, Python, Scala, strumenti per big data (Airflow, Spark), SQL, strumenti da riga di comando (Git, Shell)
Corsi consigliati: Percorso di carriera Data Scientist (R - 22 corsi/Python - 23 corsi), Sentiment Analysis in Python, Introduzione a Git
Machine Learning Scientist
I Machine Learning Scientist sono responsabili dello sviluppo di sistemi di machine learning su larga scala. Ricavano previsioni dai dati utilizzando modelli di machine learning di ogni tipo per risolvere problemi come la previsione del churn e del customer lifetime value e sono responsabili del deployment di questi modelli per l’uso da parte dell’organizzazione.
Competenze chiave: manipolazione dei dati, visualizzazione dei dati, importazione e pulizia dei dati, probabilità e statistica, machine learning, data engineering Strumenti: R, Python, Scala, strumenti per big data (Airflow, Spark), SQL, strumenti da riga di comando (Git, Shell) Corsi consigliati: Percorso di carriera Machine Learning Scientist (R - 14 corsi/Python - 23 corsi), Image Processing in Python, Machine Learning con PySpark
Data Engineers
I data engineer sono responsabili della creazione di pipeline di dati che aiutano le organizzazioni a far arrivare i dati giusti alle persone giuste. Combinano grandi quantità di dati da fonti diverse in un’unica posizione centralizzata, permettendo ai vari ruoli dati di lavorare con dati puliti, pertinenti, conformi e azionabili.
Competenze chiave: manipolazione dei dati, importazione e pulizia dei dati, data engineering, programmazione avanzata Strumenti: Python, Scala, strumenti per big data (Airflow, Spark), SQL, strumenti da riga di comando (Git, Shell), piattaforme cloud (ad es., AWS) Corsi consigliati: Percorso di carriera Data Engineer con Python (25 corsi), Introduzione ad Airflow in Python, Streaming dei dati con AWS Kinesis e Lambda
Come creare un team dati vincente
Caso di studio
Con una comprensione a livello generale delle responsabilità di ciascun ruolo, vediamo ora come questi ruoli possano interagire in un contesto aziendale per generare valore, usando un esempio reale in cui un team dati estrae valore da un modello di churn dei clienti.
In questo contesto, i data engineer garantiscono che i data scientist e i machine learning scientist abbiano accesso ai dati di alta qualità necessari per sviluppare e mettere in produzione il modello. Si assicurano della qualità dei dati e che i permessi corretti per ciascun dataset siano applicati. Forniscono inoltre i dati in modo facilmente accessibile, con i metadati e le variabili necessari per un’analisi efficace.
Successivamente, i data scientist e i machine learning scientist collaborano per creare un modello accurato in grado di prevedere il churn dei clienti. Devono garantire che il modello sia accurato, interpretabile e distribuibile all’interno di un processo aziendale, e lavorare affinché il modello rimanga accurato su dati non visti una volta messo in produzione.
Infine, i data analyst e i business analyst collaborano per sfruttare gli output del modello e prendere decisioni che generino valore per il business. Possono allocare la spesa di marketing in base ai clienti con maggiore probabilità di churn e fornire ai decisori motivazioni basate sui fatti del perché un certo segmento di clienti è più incline al churn.
Come nella maggior parte dei progetti dati, ogni ruolo contribuisce a estrarre valore dai dati.
La strada verso un team dati efficace inizia dalle persone
Le posizioni nel campo dei dati sono molto richieste nonostante i recenti cali nelle assunzioni causati dalla pandemia, comparendo due volte nella top tre del rapporto annuale di LinkedIn sui lavori emergenti. Alla fine del 2020, Deloitte ha dichiarato che il 23% delle organizzazioni aveva un divario importante o estremo tra le esigenze di AI e le capacità attuali. Nel 2021, Deloitte ha pubblicato un report sostenendo che, per affrontare questa carenza nelle assunzioni per ruoli dati, le organizzazioni devono praticare assunzioni selettive e upskilling mirato.
Data la carenza di talenti nel campo dei dati, le organizzazioni devono combinare assunzioni selettive e upskilling per creare team dati altamente competenti in grado di generare valore. Possono farlo fornendo percorsi di apprendimento personalizzati per le proprie persone, specificamente calibrati su questi ruoli. Su DataCamp, offriamo ai learner percorsi di apprendimento personalizzati basati sul loro livello di competenze e sugli obiettivi desiderati, fornendo strumenti per valutare, imparare, esercitarsi e applicare nuove skill sui dati. Con DataCamp for Business, i learner possono beneficiare di percorsi formativi personalizzati che consentono alle organizzazioni di adattare i programmi di apprendimento ai propri obiettivi e alle proprie sfide. Scopri come puoi trasformare i tuoi talenti con DataCamp.
DataCamp for Business offre una piattaforma di apprendimento interattiva per le aziende che devono migliorare e riqualificare le proprie persone sulle competenze relative ai dati. Con argomenti che spaziano dall’alfabetizzazione ai dati e dalla data science al data engineering e al machine learning, oltre 1.600 aziende si affidano a DataCamp for Business per far crescere le competenze dei propri talenti.
