Alessandro Giaume, Innovation Director di Ars et Inventio, è un manager con un’esperienza trentennale nel campo dell’innovazione aziendale e della tecnologia. A Heroes presenterà il suo libro “Data Scientist, tra competitività e innovazione”, edito da Franco Angeli, dedicato alla figura professionale del data Scientist sempre più cruciale per i processi di innovazione delle aziende di ogni settore. Gli abbiamo chiesto di anticiparci i principali temi del libro in attesa di incontrarlo a Maratea.

Che cosa fa un Data Scientist?

Non è facile dare una job description e descrivere le attività di un Data Scientist. Con in mente il diagramma di Venn della Data Science, delineato da Drew Conway nel 2010, tutte le componenti che lo caratterizzano – informatics, statistics, domain knowledge – sono importanti, ma il mix con cui queste sono presenti può variare significativamente in funzione del campo di applicazione e del ruolo organizzativo ricoperto dal Data Scientist.

I profili nei quali un Data Scientist può riconoscersi sono quindi diversi: si va dal BUSINESS, caratterizzato da attività maggiormente afferenti lo sviluppo e la successiva gestione del business, al CREATIVE, dove le attività portano ad una forte autonomia sullo sviluppo di una funzione di analisi, al DEVELOPER, dove l’estrazione e gestione del dato in ambienti Big Data vanno di pari passo con la progettazione e lo sviluppo di sistemi di Machine Learning, fino al RESEARCHER, le cui attività primarie si concentrano sulla comprensione dei fenomeni complessi e articolati e lo studio dei percorsi cognitivi che caratterizzano clienti e prospect, e dalla rigorosa applicazione del metodo scientifico.

LEGGI ANCHE: Far funzionare un’idea di successo con il metodo lean startup

A quale tipo di azienda serve un Data Scientist nella realtà italiana?

È un dato di fatto: la padronanza dei dati riveste grande rilevanza sullo sviluppo di mercato e sulla creazione di vantaggio competitivo. Ma non tutte le aziende presentano lo stesso grado di consapevolezza e di maturità. La mia ricerca mi ha portato ad identificare quattro cluster caratterizzati dal grado di “data drivenness” dell’azienda, ovvero da quanto l’azienda è guidata dal dato nella presa di decisione.

Nelle aziende ancora concentrate sulla DATA ANALYSIS (estrazione di dati e successivo passaggio su tabelle pivot) potrà essere valorizzato un Data Scientist all’inizio della carriera, trovando spazio per crescere e “farsi le ossa”. Queste sono soprattutto aziende che si trovano nella fascia delle PMI, dove l’impiego della tecnologia è soprattutto concentrato nei Sistemi Informativi di base e nell’automazione della produzione.

Se saliamo nel grado di data drivenness, troviamo quelle aziende che utilizzano di grandi moli di dati alla ricerca di una struttura che ne abiliti la valorizzazione: qui i BIG DATA la fanno da padrone. Aziende che cominciano ad assumere dimensioni più importanti, o che hanno ancora una caratterizzazione da PMI, ma che sono più avanzate grazie ad imprenditori illuminati e a manager più attenti all’Innovazione.  

Nelle aziende DATA FOCUSED la crescita della capacità di farsi guidare dai dati comincia ad assumere un aspetto preponderante: qui lo sviluppo delle competenze di data science è strutturale e i dati più che Big sono “biggest”. Sono soprattutto aziende che si rivolgono a un mercato retail, dove la molteplicità delle relazioni con la clientela porta all’aumento dei volumi dei dati disponibili.

Qui troviamo le GDO, così come le istituzioni finanziarie, banche e assicurazioni in primis. Aziende che hanno una forte presenza online, social inclusi, e che hanno una forte attitudine alla capacità di intermediazione. Il concetto di Platform Economy comincia a farsi strada anche in Italia e non sono poche le aziende che per poterlo abilitare devono “fare i conti” con i dati e, soprattutto, con la capacità di analizzarli in profondità.

Chiudiamo con le aziende completamente DATA DRIVEN, dove predomina l’automazione degli algoritmi e i matter expert sono Guru ascoltati in primis dal CEO. Queste sono le aziende nelle quali il livello di contributo della Data Science è massimizzato proprio dall’attenzione che questi ultimi sanno dare al dato come risorsa.

Per le aziende che si rivolgono a clientela retail il modello di business è quello della Algorithm Economy: la relazione con i clienti è fortemente basata sulla capacità di analisi del dato e la Customer Experience che ne deriva è virtuosamente “sfruttata” per automigliorarsi. Sono le grandi aziende evolute, ma anche le medie imprese particolarmente innovative.

A quale facoltà deve iscriversi un futuro Data Scientist?

Tornando al diagramma di Venn delineato da Conway, vengono in mente tre possibili direttrici da dare al proprio percorso accademico.

Quella più afferente alla componente informatics si sviluppa lungo i corsi triennali di Laurea in Ingegneria Informatica e di Scienze dell’Informazione/Informatica, con differenti gradi di specializzazione nella materia, ma comunque capaci di dare solide basi sulle quali costruire un percorso coerente. Intelligenza Artificiale e Machine Learning sono solo alcuni dei temi che vengono ampiamente approfonditi.

Chi voglia approfondire maggiormente la competenza statistics, può farlo attraverso i corsi di Laurea in Statistica, nei quali si sviluppano gli ambiti di analisi qualitativa e quantitativa, identificandone i metodi più corretti per la specifica tipologia di analisi, in relazione alla necessità di una rappresentazione utile alla loro interpretazione.

Per i temi più legati alla conoscenza di un ambito di business e alla sua interpretazione le dinamiche che devono essere note sono anche quelle della Business Administration, così come quelle di specifici mercati (retail, banking, insurance, etc.).

Per dare una maggiore specificità nel campo della Data Science, occorre tuttavia approfondire alcuni aspetti di sintesi che solo una Laurea Magistrale può trattare con la necessaria profondità e coerenza.

Stanno, finalmente è il caso di dire, rendendosi disponibili Lauree Magistrali che sono specificatamente dedicate alla Data Science in diverse università, ad esempio la Sapienza e la Bicocca a cui si aggiungono i Master della Business School Alma e dell’Università di Pisa.

All’estero esiste poi un’offerta estremamente articolata, altrettanto specialistica e di qualità. Insomma, non è l’offerta formativa a mancare oggi, quanto piuttosto una presa di coscienza maggiormente diffusa della rilevanza strategica che figure come il Data Scientist ricoprono per ogni tipo di azienda.

Quale contributo può dare questa figura ai processi di innovazione nelle aziende?

Il Data Scientist è uno scienziato che conosce e sa applicare i metodi propri della ricerca. La possibilità di atomizzare, analizzare e ricombinare i processi aziendali può aumentare la competitività complessiva e l’attitudine alla sperimentazione propria di chiunque abbracci il metodo scientifico ha un valore inestimabile per l’innovazione.

I miglioramenti che possono essere portati dal Data Scientist come figura professionale inserita in team multifunzionali in azienda è spesso legata alla sua capacità di intravvedere i legami esistenti tra molti segnali deboli, ciascuno responsabile di un potenziale miglioramento molto piccolo, ma che insieme rappresentano una vera innovazione ed un reale vantaggio competitivo sul mercato.

Così, le aziende che abbiano davvero compreso la rilevanza che il dato possa avere nell’indirizzare le decisioni operative e strategiche, hanno una concreta opportunità per massimizzare il valore della relazione con i propri clienti. Grazie alla possibilità di aumentare la comprensione del mercato, di ottenere insight e, in ultima analisi, informazioni sulle quali basare le proprie scelte e prendere decisioni precise e accurate, si possono creare vantaggi competitivi difficilmente recuperabili dai concorrenti.

La Data Science va presa per quello che è: un robusto metodo per ridurre i rischi connessi al non aver sufficientemente compreso quale siano le caratteristiche del “campo di battaglia” e suggerire concrete azioni, alimentando un circolo virtuoso di innovazione e competitività.

Quale sarà il ruolo dei big data nell’industria 4.0?

I big data hanno già un ruolo piuttosto preciso nei programmi di Industria 4.0. Lo sviluppo di nuovi servizi abilitati dalle tecnologie prende le mosse proprio dalla raccolta dei dati, che possono da un lato offrire l’opportunità di creare una significativa ottimizzazione della gestione dei processi e delle apparecchiature, dall’altra consentire un incremento del valore complessivo di prodotti e servizi peri clienti finali.

La proliferazione di sensoristica in grado di generare dati ne caratterizza la natura di big data, che possono essere dati di processo, espressione diretta delle grandezze tipiche di un processo industriale e indicatori di potenziali malfunzionamenti ( come pressioni, temperature, tensioni, correnti…); dati di malfunzionamento, espressione diretta dei guasti occorsi o potenziali; modelli analitici che definiscono la relazione definita, o talvolta stimata, tra variabili indipendenti, secondo relazioni “1 a molti” o “molti a molti”; modelli statistici che definiscono relazioni stimate tra più variabili indipendenti, attraverso estrapolazioni di dati di carattere stocastico

Per ciascuna di queste tipologie è possibile immaginare casi d’uso che permettano di “mettere a terra” la tecnologia, portando innovazione di valore.