data scientist

Data Scientist. Tra mancanza ed inutilità

Condividi:

Data Scientist è una fra le figure più ricercate e di cui ci si lamenta della mancanza. Esiste una coincidenza fra le aspettetive dei Data Scientist e quelle aziendali?

Le aziende si lamentano spesso della mancanza delle risorse professionali per gestire le nuove specializzazioni della Industry 4.0. Ad esempio, c’è carenza di data scientist, cioé specialisti in grado di orientarsi fra i TB di dati che le aziende stanno accumulando.

Si potrebbe pensare che questa sia una delle migliori opportunità per una brillante carriera. Data scientist è un crocevia di competenze matematiche, statistiche ed informatiche e si basa su una nuova classe di algoritmi di apprendimento in costante aggiornamento e sulla disponibilità di big data.

Modern Data ScientistNon c’è una descrizione condivisa del loro compito, né una funzione esatta che identifichi la loro attività, segno sia dell’emergenza dell’opportunità sia della difficoltà di valutazione dei compiti e dei risultati.

Sono sorte leggende sui compensi economici, sui progetti assegnati o sulla capacità di influire sulla strategia aziendale che si scontrano con la realtà dei… numeri (ironia della sorte) di un sondaggio di Kaggle, recente acquisizione di Google. Su 16.000 intervistati, il 66% di chi si dedicava al machine learning è autodidatta e poco più della metà a seguito corsi online. Solo il 30% ha avuto, nel proprio corso formale di studi, una formazione sul machine learning o sulla data science.

Di contro, più della metà dichiara di trascorre 1-2 ore alla settimana in cerca di un nuovo posto di lavoro. Secondo Stack Overflow, su 64.000 intervistati, il 14,3% dei machine learning specialist ed il 13,2% dei data scientist, sono in cerca di un altro posto di lavoro a fronte di valori medi di turnover al di sotto del 5%.

Perché si verifica una tale emorragia? Non ci dovrebbe essere, al contrario, un alto tasso di retention? Quali sono le maggiori cause di abbandono? Proviamo ad elencarle.

Aspettative deluse

I data scientist si attendono di svolgere un ruolo chiave nell’azienda e di essere impegnati in sfide emozionanti ed ambiziose. Invece, molte aziende, incerte e dubbiose, non investono come dovrebbero nel machine learning.

Stress Data ScientistQuindi, il primo compito del data scientist è organizzare l’infrastruttura, convincere i manager riottosi e diffondere una cultura aziendale aperta ai big data. Probabilmente le aziende non hanno ben chiaro quale siano i compiti di un data scientist oppure non vogliono spendere soldi per una figura senior. In ogni caso, c’è un mismatch fra aspettative e realtà e la disaffezione diventa palpabile.

Affari, non scienza

Le aziende devono fatturare mentre i laboratori fanno ricerca. La confusione fra questi due aspetti genera delusioni. Se si pensa di entrare in un mondo dove il proprio estro sia qualificato e sfruttato in progetti all’avanguardia, facilmente ci si scontra con la realtà delle dinamiche del lavoro, dove la reputazione conta più della preparazione, l’affidabilità più della capacità, la bontà del lavoro quotidiano più di quello straordinario e le relazioni più delle innovazioni.

Obiettivi inadeguati

Se l’azienda non ha una chiara visione del machine learning, il data scientist si troverà a fronteggiare richieste fuori dalle proprie competenze o che non soddisfano la specializzazione raggiunta. Insomma, uno chef stellato per cuocere uova al tegamino.

L’incomprensione del proprio lavoro, richieste fuori target o con tempi non coerenti, spingono a chiedersi: «dove sono capitato?».

DiscontinuitàAssenza del Team

Laddove il machine learning non sia una scelta aziendale, non si riuscirà a formare un team di specialisti con cui condividere progetti, confrontarsi, sperimentare, condividere. La community online diventa il paradiso e l’isolamento in azienda una salvezza.

In conclusione, se è vero che non esiste una formazione adeguata, bisogna fare i conti con la scarsa preparazione culturale delle aziende che assumono risorse più per il titolo da mostrare che per adempiere a strategie aziendali.

D’altra parte, l’economia italiana è fondata sulla PMI la cui dimensione e mercato non è così ampia da richiedere investimenti particolari in machine learning.

Per sostenere l’economia futura, serve prima di tutto sviluppare la struttura economica nazionale per poi innervarla di specializzazioni d’avanguardia.

Condividi:

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.