Come diventare data scientist: che cosa fa, che studi servono, da dove si comincia e quanto si guadagna
In breve. Per diventare data scientist in Italia non esiste un albo né un titolo obbligatorio, ma è il mestiere informatico in cui la laurea pesa di più: gli annunci la chiedono quasi sempre, in statistica, matematica, fisica, informatica, ingegneria o economia. Chi non ce l’ha entra di norma dalla porta accanto, quella del data analyst, e sale con l’esperienza. In tutti e due i casi servono le stesse quattro cose: le basi di statistica, Python con le sue librerie per i dati, SQL per interrogare i database e un portfolio di analisi svolte su dati veri. Con Accademia Domani il percorso parte dal corso Coding in Python e dall’SQL, e prosegue con Machine Learning con Python, Deep Learning con TensorFlow e Introduzione ai Big Data, tutti nel Pacchetto; la statistica va studiata accanto, e lo diciamo con chiarezza più avanti. Si lavora in banche, assicurazioni, grande distribuzione, industria, sanità e società di consulenza; si guadagna da circa millecinquecento euro netti al mese da analista junior a oltre tremila da data scientist esperto.
«Come si diventa data scientist?» è una domanda che fanno soprattutto tre persone: il laureato in una materia scientifica che non vuole fare ricerca, l’impiegato che passa le giornate su Excel e ha capito che il suo lavoro si può fare meglio, e il programmatore che vuole spostarsi verso l’intelligenza artificiale. A tutti il mercato della formazione promette la stessa cosa, «il mestiere più richiesto del secolo in dodici settimane». La realtà è più lenta e più interessante, e conviene partire da che cosa fa davvero questa figura.
Che cosa fa un data scientist
Il data scientist usa i dati per rispondere a domande che contano per un’azienda o un ente: quali clienti stanno per andarsene, quanto venderemo il mese prossimo, quale macchinario si guasterà, quale transazione è una frode. Il lavoro quotidiano ha poco di spettacolare. La maggior parte del tempo se ne va a capire la domanda, a trovare i dati, a pulirli e a metterli in una forma utilizzabile; solo dopo arrivano l’analisi, il modello statistico o di machine learning, la verifica che il modello funzioni su dati mai visti, e infine la parte che molti sottovalutano: spiegare il risultato a chi deve prendere la decisione e non sa che cosa sia una regressione.
Attorno a questo mestiere ce ne sono altri due, che spesso negli annunci si confondono. Il data analyst descrive ciò che è successo: interroga i database, costruisce report e cruscotti, risponde alle domande del giorno; è la figura più richiesta e la porta d’ingresso più larga. Il data engineer costruisce le condutture che raccolgono e trasportano i dati, ed è più vicino al programmatore che allo statistico. Il data scientist sta in mezzo e un passo oltre: prevede, costruisce modelli, sperimenta. Nelle aziende piccole la stessa persona fa tutte e tre le cose.
Serve una laurea per fare il data scientist?
Per legge no: la professione non è regolamentata. Nei fatti quasi sempre sì, ed è giusto dirlo. Gli annunci per data scientist chiedono di norma una laurea magistrale in una disciplina quantitativa, perché il cuore del mestiere è la statistica, e la statistica seria si impara in anni, non in settimane. Chi ha già una laurea in fisica, matematica, ingegneria, economia o in una scienza sperimentale ha la base giusta e deve aggiungere gli strumenti: Python, SQL, il machine learning.
Chi non ha una laurea non è fuori gioco, ma deve scegliere la strada con realismo. Quella che funziona passa dal ruolo di data analyst, dove gli annunci guardano molto di più a ciò che si sa fare: interrogare un database, pulire una tabella, costruire un report chiaro. Da lì, con due o tre anni di lavoro sui dati veri di un’azienda e con lo studio continuo, molti arrivano ai modelli e al titolo. È anche la strada naturale per chi viene dall’amministrazione, dal controllo di gestione o dal marketing e conosce già il proprio settore: sapere che cosa significano i numeri vale quanto saperli calcolare.
Che cosa bisogna studiare
Le competenze sono quattro, e vanno prese in quest’ordine. La prima è il foglio di calcolo usato bene, perché metà dei dati aziendali vive ancora lì: tabelle pivot, funzioni di ricerca, e soprattutto la pulizia e la trasformazione dei dati. La seconda è SQL, il linguaggio con cui si interrogano i database, richiesto in ogni annuncio del settore senza eccezioni. La terza è Python, con le librerie che sono lo standard del mestiere: pandas per le tabelle, NumPy per i calcoli, Matplotlib per i grafici, scikit-learn per i modelli. La quarta è la statistica: distribuzioni, campioni, correlazione, regressione, verifica delle ipotesi. Senza questa, un modello è una scatola che sputa numeri di cui non si sa quanto fidarsi.
Nel catalogo di Accademia Domani il percorso si costruisce così. Per i fogli di calcolo ci sono il corso Excel Avanzato e il corso Power Query, lo strumento di Excel che pulisce e combina i dati. Per i database, l’Introduzione a SQL, gratuita, poi il corso di Database relazionali, centoventuno lezioni, e MongoDB e NoSQL per i dati che non stanno in tabelle. Per il linguaggio, il corso Coding in Python, centoventi lezioni dallo zero assoluto. Poi i corsi che fanno la differenza tra analista e data scientist: Machine Learning con Python, venti lezioni sulla logica dell’apprendimento automatico, la preparazione dei dati, i modelli di regressione e di classificazione e la loro valutazione; Deep Learning con TensorFlow, sedici lezioni sulle reti neurali; e l’Introduzione ai Big Data, cinquantotto lezioni che danno la mappa di ciò che succede quando i dati non stanno più su un solo computer.
Una cosa va detta con onestà: questi corsi insegnano gli strumenti e il metodo, non sostituiscono lo studio della statistica. Chi non l’ha fatta all’università deve affiancare al percorso un buon manuale di statistica di base e lavorarci con costanza; è la parte meno appariscente e quella che al colloquio distingue chi ha capito da chi ha imparato i comandi a memoria. Ogni corso costa 39 euro, con dodici mesi di accesso, l’esame online ripetibile e il Certificato di frequenza e superamento con votazione; siccome il percorso ne richiede parecchi, conviene il Pacchetto a 59 euro l’anno, che comprende l’intera area Intelligenza Artificiale e Dati insieme a quelle di programmazione e di Excel.
Dove lavora un data scientist
Dove ci sono molti dati e decisioni costose. Le banche e le assicurazioni sono i datori di lavoro storici: rischio di credito, frodi, prezzi delle polizze. La grande distribuzione e il commercio online usano i dati per le previsioni di vendita, le scorte e le offerte personalizzate. L’industria li usa per la manutenzione predittiva e il controllo della qualità, la sanità e la farmaceutica per la ricerca clinica e l’organizzazione dei servizi, le telecomunicazioni e l’energia per le reti e i consumi. Poi ci sono le società di consulenza, che assumono molti giovani e li fanno lavorare su progetti di clienti diversi, e la pubblica amministrazione, dove però si entra per concorso e la laurea è un requisito.
Il lavoro da remoto è diffuso, e la conoscenza di un settore è una moneta forte: un analista che capisce di logistica, di sanità o di finanza vale più di uno che conosce un algoritmo in più. Per chi viene da un altro mestiere, questo è il vantaggio da giocarsi.
Quanto guadagna un data scientist
I numeri sono indicativi e cambiano con la città, il settore e il titolo di studio. Un data analyst junior guadagna tra millecinquecento e milleottocento euro netti al mese; un data scientist all’inizio sta tra milleottocento e duemiladuecento. Con tre o cinque anni di esperienza si arriva tra duemilatrecento e duemilaottocento netti, e una figura esperta, capace di guidare un progetto dall’inizio alla messa in produzione del modello, supera i tremila; nelle aziende che pagano a livelli internazionali si va oltre. Da liberi professionisti le tariffe correnti per un profilo esperto stanno tra trecentocinquanta e seicento euro al giorno.
L’arrivo dei grandi modelli linguistici ha cambiato gli attrezzi, non il bisogno: oggi una parte del codice la scrive un assistente, ma qualcuno deve sapere quale domanda fare ai dati, riconoscere un risultato sbagliato e rispondere di ciò che il modello decide. Le aziende cercano meno persone che sappiano solo addestrare un modello e più persone che sappiano dire se di quel modello ci si può fidare.
Come si inizia, passo per passo
- Excel e SQL, subito. Sono le due competenze che permettono di lavorare con i dati già dal primo giorno e che compaiono in tutti gli annunci da analista.
- Python fino in fondo, e poi le librerie per i dati: caricare una tabella, pulirla, riassumerla, disegnarla.
- La statistica, accanto e non dopo: un capitolo alla settimana, applicato ogni volta a un insieme di dati vero.
- Tre analisi complete, pubblicate: una domanda chiara, dati pubblici (quelli dell’Istat, dei ministeri, delle piattaforme di gare tra analisti), il procedimento spiegato, una conclusione che un non tecnico capisce. È il portfolio, e conta più di qualunque attestato.
- Il primo ingresso da analista: nella propria azienda, offrendosi per un lavoro sui dati che nessuno ha tempo di fare, oppure in una società di consulenza. Sul profilo LinkedIn vanno le analisi pubblicate e i Certificati dei corsi; il machine learning si aggiunge lavorando.
Gli errori più comuni sono tre: partire dalle reti neurali saltando la statistica e l’SQL; collezionare corsi senza mai finire un’analisi propria; e presentarsi come data scientist dopo tre mesi di studio, quando lo stesso curriculum, con il titolo di analista, otterrebbe un colloquio. In questo mestiere il titolo arriva dopo il lavoro, non prima.
Domande frequenti
Serve la laurea per fare il data scientist?
Per legge no, perché la professione non è regolamentata. Nei fatti gli annunci per data scientist chiedono quasi sempre una laurea in una disciplina quantitativa: statistica, matematica, fisica, informatica, ingegneria, economia. Chi non ce l'ha entra di norma come data analyst e cresce con l'esperienza.
Che differenza c'è tra data scientist e data analyst?
Il data analyst descrive ciò che è successo: interroga i database, costruisce report e cruscotti. Il data scientist costruisce modelli statistici e di machine learning per prevedere ciò che succederà. Il primo ruolo è il più richiesto e la porta d'ingresso più accessibile al secondo.
Che cosa bisogna studiare per diventare data scientist?
Quattro cose: il foglio di calcolo usato a livello avanzato, SQL per i database, Python con le librerie per i dati (pandas, NumPy, scikit-learn) e la statistica. Poi il machine learning e, per chi vuole spingersi oltre, il deep learning.
Quanto guadagna un data scientist in Italia?
Indicativamente tra milleottocento e duemiladuecento euro netti al mese all'inizio, tra duemilatrecento e duemilaottocento con tre-cinque anni di esperienza, oltre tremila da esperto. Un data analyst junior parte tra millecinquecento e milleottocento.
Quanto costa il percorso con Accademia Domani?
Ogni corso costa 39 euro per un anno di accesso; il percorso ne richiede diversi (Python, SQL, Machine Learning, Deep Learning, Big Data), quindi conviene il Pacchetto a 59 euro l'anno, che li comprende tutti. Esame online e Certificato di frequenza e superamento con votazione sono inclusi. La statistica va studiata a parte.





















