I data scientist sviluppano competenze relazionali per stimolare il cambiamento organizzativo.
C'è una grande richiesta di data scientist. Nel suo report U.S. Emerging Jobs del 2017, LinkedIn afferma che "la richiesta di data scientist è cresciuta del 650% dal 2012" e che "centinaia di aziende cercano questo tipo di figura" in diversi settori. La rosa dei candidati si fa sempre più ampia man mano che "ingegneri di apprendimento automatico, data scientist e ingegneri dei Big Data si collocano in cima alla classifica dei lavori emergenti".
Poiché sempre più reparti e figure professionali devono lavorare con i dati, le organizzazioni registrano un aumento generale dell'alfabetizzazione dei dati e l'emergere di citizen data scientist. Gartner definisce il citizen data scientist come "una persona che crea o genera modelli che utilizzano l'analisi diagnostica avanzata o funzionalità predittive e prescrittive, ma la cui funzione primaria si colloca all'esterno del campo della statistica e dell'analisi". Queste persone non sostituiscono i data scientist, ma sono dei partner fondamentali per sviluppare e testare le ipotesi.
Tutto questo sta modificando la definizione di scienza dei dati e sfumando le differenze tra coloro che hanno una competenza tradizionale nell'ambito dei dati e una conoscenza del dominio aziendale. Sonic Prabhudesai, Manager of Statistical Analysis di Charles Schwab, afferma: "Sempre più persone in azienda sanno come lavorare con i dati, mentre i data scientist familiarizzano sempre di più con le dinamiche interne all'azienda".
Oggi, i data scientist devono avere conoscenze avanzate nel campo della statistica e dell'apprendimento automatico, ma devono anche dimostrare di avere capacità strategiche per l'azienda e una profonda conoscenza del settore. "La scienza dei dati è molto più che snocciolare dei numeri: è l'applicazione di diverse competenze per risolvere particolari problemi in un settore", spiega il Dott. N. R. Srinivasa Raghavan, Chief Global Data Scientist di Infosys. "I data scientist devono comprendere a fondo gli ambiti in cui le loro informazioni saranno applicate".
I risultati di algoritmi e modelli sono efficaci solo se aiutano a risolvere il problema giusto nel contesto giusto. Occorre quindi lavorare a stretto contatto con gli stakeholder per individuare e perfezionare definizioni e ipotesi dei problemi all'inizio del processo, coinvolgendoli poi nell'intero flusso di lavoro. Al termine del flusso di lavoro, significa sapere come comunicare i risultati ai partner dell'azienda in modo significativo e attuabile.
"La modellazione statistica e l'apprendimento automatico sono fondamentali per diventare data scientist", afferma Sonic. "La differenza sta nella capacità di chi lavora sul campo di comunicare le proprie scoperte in modo semplice ed efficace". Invece di consegnare i risultati, i data scientist avranno un ruolo fondamentale nel modo in cui questi risultati vengono applicati all'azienda.
Con gli strumenti di analisi self-service, sia i data scientist che gli utenti avanzati possono esplorare e comprendere meglio i propri dati. Ciò genera informazioni che possono indirizzare il resto dell'analisi e, in definitiva, avere un impatto sull'azienda.