Il termine Data Science non è recente, risale al 1974 quando l’informatico Peter Naur lo usò nel suo libro “Concise Survey of Computer Methods” spiegando il cambiamento e l’evoluzione delle discipline legate all’informatica che, secondo lui, si sarebbero sempre più avvicinate a quella che prima identificò come “datalogy”, disciplina che poi rivisitò in scienza dei dati, Data Science appunto.
Tuttavia, negli anni recenti, diciamo più o meno nell’ultimo ventennio, il termine è tornato alla ribalta grazie ai fari puntati su Big Data e, più nello specifico, sui Big Data Analytics, ed alla necessità per le aziende di affidarsi, per una parte dell’analisi dei dati, a nuove competenze, quelle dei Data Scientist (nonché al fatto che dal 2001 la Data Science è diventata disciplina a sé stante, staccandosi definitivamente dall’alveo delle discipline informatiche e matematico-statistiche).
Indice dei contenuti
Cos’è e cosa significa esattamente Data Science?
Secondo quanto riportato dalla libera enciclopedia globale Wikipedia, la Data Science è un insieme di principi metodologici (basati sul metodo scientifico) e di tecniche multidisciplinari fondamentali per interpretare, analizzare ed estrarre conoscenza dai dati.
I principi metodologici della scienza dei dati sono spesso associati al cosiddetto Data Mining e sfruttano, come accennato, tecniche multidisciplinari coniugando saperi da più fonti quali matematica, statistica, scienza dell’informazione, informatica e persino scienze sociali.
Come anticipato, nonostante il termine fece la sua comparsa nei primi anni ’70 del secolo scorso, si è dovuto attendere il nuovo millennio per offrire alla Data Science un posto tutto suo nelle discipline scientifiche; nel 2001 uscì dalla branca dell’informatica e della statistica e William Cleveland ne delineò i campi di competenza, elencando sei diverse aree: ricerca multidisciplinare, modelli, elaborazione dati, pedagogia, valutazione degli strumenti e teoria.
Da allora, in meno di vent’anni, la disciplina è in realtà molto evoluta, soprattutto con l’avvento dei Big Data e l’attenzione si è sempre più focalizzata sul “valore dei dati” anziché sulla sua mera gestione. La Data Science è così diventata una scienza olistica che comprende ancora ambiti quali l’informatica, la statistica e la matematica, come nell’accezione originale, ma cui si sono aggiunte competenze di tipo più ampio, manageriali e di business, legate alla più recente necessità di sapere leggere, interpretare e capitalizzare i dati per prendere decisioni più efficaci (da qui la sua strettissima correlazione con gli Analytics).
Chi è e cosa fa il Data Scientist
Via via che la Data Science ha preso piede come scienza multidisciplinare, anche le competenze ad essa collegate si sono evolute facendo “nascere” ed evolvere nuove figure professionali, come quella del Data Scientist, definita qualche anno fa dall’Harvard Business Review come la professione più sexy del ventunesimo secolo (per le enormi opportunità lavorative legate a questo mestiere).
Come per la scienza dei dati, anche una delle sue figure professionali di riferimento non è “nuova” sull’asse storico ma l’evoluzione degli Analytics e l’esplosione di Big Data hanno messo in luce la necessità di avere “scienziati dei dati” con capacità e competenze più evolute rispetto agli analisti dei dati tradizionali.
Se da un lato la Data Science ha spostato il focus dalla gestione del dato al suo valore per il business, dall’altro lato anche le competenze delle figure professionali legate al Data Management e Data Analytics si sono dovute evolvere ampliando le capacità di analisi tradizionali verso abilità non solo tecniche (statistica, matematica, informatica) ma anche di business (comprensione delle esigenze e degli obiettivi di business, capacità di problem solving, gestione del rischio, ecc.).
Secondo l’Osservatorio Big Data Analytics & BI del Politecnico di Milano, il Data Scientist è la figura professionale che comunemente si associa alla capacità di gestire i Big Data e trarne informazioni rilevanti. Da un punto di vista più tecnico, viene “inquadrato” come figura altamente specializzata che conosce in maniera approfondita le tecniche matematico-statistiche, che sa sviluppare e implementare algoritmi di Machine Learning, conosce diversi linguaggi informatici di programmazione (come R o Python tra i più recenti legati a Machine Learning ed Intelligenza Artificiale) e gestisce gli Analytics.
Tra le altre competenze, al Data Scientist è richiesta anche una certa capacità comunicativa per poter presentare, comunicare e chiarificare i risultati delle sofisticate analisi dei dati agli utenti di business che non hanno competenze tecniche ma necessitano dei Data Analytics per prendere decisioni più efficaci.
Ecco dunque che per riassumere chi è e cosa fa un Data Scientist, può venire in aiuto l’identikit che ne ha fatto l’Osservatorio del Politecnico: una persona con una conoscenza approfondita di modelli matematico-statistici e algoritmi, tecniche di programmazione necessarie per implementarli e capacità di raccontare le evidenze in modo sintetico e semplice.
La “nuova” scienza dei dati nei Big Data Analytics
Dalle sue origini ad oggi, il concetto di Data Science si è evoluto fino a trasformarlo, come accennato, verso quella scienza multidisciplinare come la intendiamo oggi il cui fulcro sta nella valorizzazione dei dati ai fini del business.
Da qui la sua stretta correlazione con i Big Data Analytics che, volendo provare a darne una sorta di definizione, fanno riferimento alla scienza dell’analisi dei dati (in particolare grandi moli di dati eterogeni, destrutturati e provenienti da più fonti, soprattutto esterne all’azienda) il cui obiettivo è l’interpretazione da cui estrapolare conoscenza utile al processo decisionale.
Scienza che guarda sempre più intensamente alle analisi predittive e prescrittive per definire possibili scenari futuri ed avere informazioni utili e di valore per definire azioni strategiche e/o operative, e che sempre più frequentemente si innerva di nuove tecniche e tecnologie, come il Machine Learning [a tal proposito suggeriamo l’approfondimento nell’articolo “C’è il Machine Learning nel futuro (e nel presente) dei Data Analytics” – ndr].
