Data Science: il futuro che ci aspetta

Nell’ultimo decennio la Data Science è entrata prepotentemente a far parte dell’attualità: cos’è, perché sta avendo questo impatto sul mondo del lavoro e quali sono le sue potenzialità ve lo spieghiamo in questo articolo.

Definizione: cos’è la Data Science e che ruolo hanno i Data Scientists

“Si definisce la Data Science come un settore interdisciplinare che utilizza metodi scientifici, processi, algoritmi e sistemi per estrarre valore dai dati. I Data Scientist combinano le competenze in varie discipline, tra cui statistica, informatica ed economia aziendale, per analizzare i dati raccolti per il settore di interesse, provenienti da una o più fonti come web, smartphone, clienti, sensori.” (fonte Oracle).

 

La risonanza del fenomeno Data Science è dimostrata: quasi tutte le grandi università negli ultimi anni hanno aggiunto alla loro offerta formativa un corso di laurea o un master di specializzazione in Data Science (chiamati spesso anche corsi in Big Data and Business Analytics). Il Politecnico di Torino, ad esempio, ha lanciato lo scorso anno il corso di laurea magistrale in Data Science and Engineering, erogato totalmente in lingua inglese.

L’interdisciplinarità della Data Science è enorme. Essa fa parte di quelle discipline che caratterizzano la quarta rivoluzione industriale, chiamata Industry 4.0, comprendente argomenti quali:

  • Machine Learning;
  • Artificial Intelligence;
  • Big Data and Data Analytics;
  • IoT (Internet of Things);
  • Data Cleaning and feature engineering;
  • Data Ethics and Protection;
  • Cloud Computing;
  • Additive Manufacturing.

Se vuoi approfondire alcuni di questi argomenti, ti consiglio di leggere il nostro articolo che trovi qui.

Viene da sé che sempre più aziende includono nei loro team figure connesse all’analisi dati. Perché è diventato un trend globale?

Data Science: un esempio storico aziendale

Nel 2012, Thomas H. Davenport e D.J. Patil, scrissero per la prestigiosa rivista Harvard Business Review parlando del Data Scientist come il lavoro più entusiasmante del XXI secolo. In questo articolo spiegarono come aziende definite data-driven come Google, Amazon, Microsoft, Walmart, eBay, LinkedIn, Twitter giusto per citarne alcune, abbiano colto l’importanza fondamentale nell’utilizzo dei dati.

Portarono l’esempio di LinkedIn: nel Giugno 2006 la piattaforma web contava già circa 8 milioni di iscritti e la sua ascesa pareva rapida. Eppure c’era qualcosa che non tornava.

Jonathan Goldman, PhD in fisica all’Università di Stanford, iniziò a lavorare per LinkedIn proprio in quel periodo. Si rese conto che nonostante la repentina crescita della piattaforma, gli iscritti LinkedIn non cercavano altri utenti già presenti nel database alla velocità prevista dai dirigenti dell’azienda. Una frase di uno dei dirigenti aziendali in quel periodo, spiegava in modo semplice il problema:

“It was like arriving at a conference reception and realizing you don’t know anyone. So you just stand in the corner sipping your drink. You probably leave early.”

Così Goldman cominciò ad analizzare l’evoluzione della piattaforma sotto nuovi punti di vista: si rese conto che permettendo agli utenti di connettersi più velocemente a profili a loro simili, avrebbe garantito loro più opportunità e conseguentemente una espansione maggiore del social network.

Eppure per Goldman non fu un compito affatto semplice. Le sue intuizioni non furono subito apprezzate in quanto, dicevano, la piattaforma disponeva già di un “adress book importer” per aggiungere utenti alla propria rete. Goldman rimase fermamente convinto del suo pensiero e chiese una chance per dimostrare la sua teoria. Fortunatamente Reid Hoffman, co-fondatore di LinkedIn e a quel tempo anche CEO, diede a Goldman la libertà di sperimentare, attraverso degli ads, cosa sarebbe successo se agli utenti fosse stata data la possibilità di ricevere suggerimenti di connessione con profili non conosciuti ma aventi delle caratteristiche loro comuni. In poco tempo gli annunci di “People you may know” raggiunsero rate di interazione altissimi: questa funzionalità venne implementata come standard e consentì al social network di crescere ulteriormente.

Questo esempio consente di comprendere le potenzialità, sin dai primi anni 2000, dall’analisi dati e dei suoi potenziali campi di applicazione.

Data Science: le ragioni di una crescita esponenziale

Perché le qualità di un Data Scientist risultano oggi essere molto richieste sul mercato del lavoro e probabilmente continueranno ad esserle?

Nel 2018 uno studio dell’University of California mise in evidenza l’ascesa della Data Science e dei Big Data riportando alcuni dati di grande aziende: IBM affermava che il 90% dei dati digitali presenti nel 2018 erano stati creati negli ultimi 2 anni, Facebook aveva 10 milioni di foto nuove ogni ora, Twitter produceva 400 milioni di tweet ogni giorno e Google processava circa 24 petabytes di dati ogni giorno (1 petabyte = 1024 terabytes). Questi numeri sono significativi per capire come i dati e la loro analisi ed elaborazione avranno un impatto sempre maggiore nella nostra vita e nel mondo del lavoro. Basti pensare che fino al 2000 il 75% dei dati memorizzati era in formato non digitale mentre nel 2013 tale percentuale è stata drasticamente ridotta fino al 2% (fonte UCR.edu).

Avere delle figure all’interno di una azienda che sappiano capire, interpretare e trasformare i dati in informazioni utili è una delle sfide principali della Industry 4.0.

“More than anything, what data scientists do is make discoveries while swimming in data.”

L’attenzione alla Data Science e alla sua implementazione in ambito aziendale, può quindi rappresentare un punto di svolta nelle prospettive di miglioramento della produttività aziendale. A testimonianza di ciò nel 2017 si è registrato un aumento del 14% di aziende con dipendenti specializzati in Data Science. La diffusione del Data Scientist, dopo il picco raggiunto nel 2017, ha subito un “rallentamento” (+6% dal 2017 al 2019), ma fra il 49% di grandi imprese che ha introdotto questa figura nel 2019 tutte ne hanno aumentato il numero rispetto all’anno precedente e circa una su tre lo ha raddoppiato (fonte Politecnico di Milano).

Cosa può cambiare culturalmente con questa prospettiva, nel modo di pensare delle aziende?

 

Giovanni Miragliotta, Senior Director dell “Osservatori Digital Innovation”, afferma che occorrerà calcolare l’utilizzo dei dati e la produttività con cui esse li stanno utilizzando; così come in una azienda si misura la produttività di lavoro e capitale, l’impresa del domani dovrà misurare la produttività dei dati e trovare degli indici per misurarne la resa.

Marco Taisch, Scientific Chairman del World Manufacturing Forum e presidente del MADE Competence Center Industria 4.0, aggiunge che l’Industria 4.0 consentirà lo storage di una grande quantità di informazioni: “Il problema non sarà dove memorizzare questi dati ma saperli interpretare. Essi contribuiranno alla creazione dei prodotti del futuro. Occorre pensare in maniera nuova.” Taisch afferma inoltre che i dati non sono sufficientemente valorizzati e in realtà hanno un valore molto più alto di quello che sembra.

“Quanto siamo capaci di trasformare le informazioni che ci sono nei dati in prodotto?” (Marco Taisch)

Uno sguardo al futuro prossimo

La più grande sfida delle aziende sarà trovare il modo migliore per sfruttare a proprio vantaggio l’ingente mole di dati a disposizione, destinata ad aumentare di giorno in giorno.

A tal proposito, Antonio Catalano, Chief Supply-Chain Officer & Head of Digital Transformation di Tenova Metals, interviene così sull’argomento dati in ambito aziendale:

“Il futuro di molte aziende dipenderà dal modo di affrontare questo cambiamento. Così come l’automazione ha permesso un salto di qualità industriale negli ultimi 30 anni, nei prossimi trenta avrà molta importanza la capacità di sfruttare dati storici per migliorare la propria produttività.

Occorrerà avere sempre più la capacità di sfruttare i dati a nostra disposizione. Come utilizzare la Data Science?

Chi sarà in grado di:

  1. Creare la disponibilità di dati;
  2. Leggere all’interno degli stessi;
  3. Ideare algoritmi per sfruttare la potenzialità dei dati.

potrà cambiare le proprie prospettive aziendali.”

Una “rivoluzione” così grande basata sui sistemi cyber-fisici non è esente da insidie. Se la crescita del trend si manterrà costante a quella attuale, sarà utile una forte riqualificazione delle professioni ed investimenti sulle competenze. Una grande preoccupazione è dettata anche dalla velocità di diffusione di queste innovazioni: talvolta essa risulta maggiore rispetto a quella in cui persone ed aziende sanno adattarsi e riconvertirsi.

Nonostante la complessità del cambiamento che porta in sé, la quarta rivoluzione industriale rappresenta una grande opportunità e la Data Science sarà parte integrante di essa.

Riusciremo a coglierla?

 
, , ,
Domenico Catalano

Ingegnere curioso per natura, appassionato di tecnologia e serie TV, amante dello sport, di statistiche ed organizzatore di viaggi, vive pensando che occorra avere sempre una visione che vada oltre la visuale