4 motivi per cui i data analyst sono grandi guide per il business

 

Negli ultimi anni, è cresciuto in modo significativo il numero dei ruoli di data scientist (DS). Questo genere di ruolo può avere diverse definizioni, e uno dei maggiori impatti è stato il modo con cui ha modificato la percezione di un tipo precedente di ruolo: quello di data analyst (DA). In base alla mia esperienza decennale dell’ambiente analytics e della data science, ecco perché la crescente popolarità dei ruoli di DS non dovrebbe pregiudicare in modo in cui vediamo i ruoli di DA.

Il futuro dell’analytics e della data science

In Criteo, ho l’opportunità di partecipare al Global Analytics and Data Science Council, composto di leader a livello aziendale che hanno come obiettivo la formazione dei futuri ruoli nell’analytics e della data science nella nostra azienda. Nel quadro di questa iniziativa, abbiamo dovuto occuparci della nascita del titolo di Data Science, per non parlare delle diverse parole chiave che l’accompagnano.

Al di fuori del mio ruolo in Criteo, ho avuto anche l’opportunità di scambiare opinioni con esperti di start-up totalmente innovative e di scale-up più mature. Tutti i colloqui su questo argomento hanno portato a un’unica conclusione: preoccupa come la nascita del ruolo di DS abbia marginalizzato l’importanza che il ruolo di DA deteneva da lungo tempo..

Esiste ancora confusione tra il ruolo di data scientist e quello di data analyst ma, soprattuto, il DS viene spesso percepito come una versione di DA aggiornata e migliorata. Una delle spiacevoli conseguenze è che quelli che hanno ruoli di DA sentono l’urgenza di essere rinominati DS, dal momento che oggi DA è di fuori moda. Questi due profili talvolta si sovrappongono per quanto riguarda le abilità coinvolte, ma esistono delle differenze chiave. E anche se sono entrambi elementi importanti di un’organizzazione orientata ai dati, vi sono comunque alcune cose importanti da capire.

I data analyst non sono semplici predecessori dei data scientist.

In base a quanto appena detto, si potrebbe ancora pensare che i data analyst siano gli antenati dei data scientist, in ritardo con il corso dell’evoluzione naturale. Ma questo è il modo sbagliato di vedere le cose. Ecco perché:

1. La differenza dipende troppo da temi e parole chiave di moda.

Dopo l’era dei big data è arrivata quella del machine learning e ora la parola d’ordine è “intelligenza artificiale” (AI). La denominazione del DS nel settore ha seguito lo stesso percorso.

Molte aziende cercano di cavalcare l’onda attraendo brillanti analisti con l’offerta di pretesi ruoli di DS. Anche se tutto questo non è veritiero al 100%, è comunque attraente. Un rapido sguardo alle professioni su LinkedIn fa scoprire un numero di ruoli di data scientist tre volte maggiore di quello dei data analyst.

2. Il data analytics è stato erroneamente svalutato.

Nonostante il fatto che data analyst e data scientist evidenzino abilità in parte comuni, è la loro mission che dovrebbe contribuire a distinguerli. Non ci aspettiamo che usino e sviluppino le stesse abilità.

I data analyst si concentrano su insight di business utili e immediati. Assomigliano maggiormente a decision maker del business, che devono rispettare rigorosi limiti di tempo. Il loro compito è di sollecitare decisioni commerciali strategiche con gli stessi vincoli che i leader aziendali devono affrontare: cicli vitali più brevi degli argomenti, ambienti altamente concorrenziali, discussioni in diretta con i clienti, pressioni relative alle revenue e altro ancora.

Ciò non significa che non siano in grado di sostenere argomenti di maggiore durata, ma che questo non è semplicemente dove aggiungerebbero maggior valore.

3. I data analyst conoscono l’ecosistema del settore, i prodotti e i numeri del mercato.

Infatti, se il tuo sogno è di diventare un busines executive, puoi avere delle possibilità se possiedi una base di esperienza come data analyst. Non si tratta solo di ciò che sai o non sai fare: si tratta anche di quale impatto professionale vuoi avere.

I data analyst hanno il vantaggio di poter comunicare a interlocutori di diversi team e ripartire i risultati. Possono facilmente adattare il loro vocabolario e il tono a seconda di chi si trova con loro.

4. Molti funzionari esecutivi vedono i data analyst come consiglieri aziendali.

Di fatto, per anni ho diretto quelli che avrebbero potuto essere chiamati i settori di data analytics o data science in diverse altre aziende. So per esperienza personale che i data scientist apportano un notevole valore aggiunto, se valorizzati in modo appropriato: per lo spessore delle analisi e per gli strumenti predittivi, ad esempio.

Tuttavia, essi non sostituiranno i data analyst se si tratta di influenzare la strategia aziendale e la comprensione del business. Posso dire che i dirigenti aziendali sono sempre più disposti a lavorare a stretto contatto con i data analyst, che essi considerano preziosi consulenti aziendali.

Data analyst e data scientist sono più forti se evolvono insieme.

Il processo di scelta dei nomi nella data science mi ha aiutato a dare una nuova forma alla mia comprensione e a chiarire il valore aggiunto dei ruoli di DA rispetto a quelli di DS. Questa è una perfetta occasione per ribadire l’importanza del DA e per dedicare il tempo giusto a evidenziarne i vantaggi. Viva il data analyst!

Kemal Moktari

Kemal è Senior Director di Analytics responsabile dello sviluppo del Publisher Business di Criteo. Egli ha l’incarico di monitorare e di ottimizzare le performance degli editori delle Americhe e delle regioni APAC ed EMEA. Kemal è entrato in Criteo nel 2010 per far parte del team dati, con l’incarico di ottimizzare le campagne degli inserzionisti, e ha creato per Criteo l’Organizzazione per la gestione della crisi globale.