Il mantra di chiunque si occupi di analytics è che in generale un'azienda può trarre molto valore dall'analisi dei dati che raccoglie, direttamente o indirettamente. Ma a un certo punto l'analisi dovrà essere delegata a sistemi automatici di intelligenza artificiale e machine learning, perché solo questi hanno la capacità di trarre il massimo delle informazioni dai Big Data man mano raccolti.

Il machine learning diventa quindi un tassello importante in molte attività aziendali, dalla produzione al marketing passando persino per la gestione delle risorse umane. E qui si mostra un collo di bottiglia che le grandi aziende stanno già sperimentando: sviluppare modelli di machine learning da zero è compito dei data scientist, che però non sono certo la figura professionale più disponibile e pronta sul mercato.

Qualcosa del genere l'avevamo già vista per la "vecchia" Business Intelligence, quando la semplificazione dei software di analisi aveva portato alla nascita dei business data analyst, figure meno tecniche dei data analyst in senso proprio. E' stata Gartner a prevedere un'evoluzione simile definendo la figura del citizen data scientist: non è un matematico o uno statistico ma sa creare modelli predittivi. Anche in questo caso grazie alla semplificazione degli strumenti software.  



Il problema per le aziende è organizzativo, perché la figura del citizen data scientist può svilupparsi in due modi. Può essere un esperto di statistica che si dedica a compiti relativamente (più) semplici rispetto alla creazione di interi modelli, ma in questo modo non si crea un grande valore aggiunto. Per le aziende è meglio che siano figure più vicine al business a sviluppare competenze di analisi e modellazione diventando citizen data scientist.

Questo percorso è più complicato ma anche più logico. Le figure con competenze di business - in generale e dell'azienda specifica - possono contestualizzare le informazioni tratte dall'analisi dei dati e spesso è proprio questa contestualizzazione che permette di usarle al meglio. Un tecnico magari può dare un'analisi migliore ma non ha modo di trarne il massimo del significato possibile.

Ciascuna impresa - parliamo ovviamente delle realtà medio-grandi, per le piccole le esigenze di analytics sono diverse - deve sviuppare il suo "parco" di citizen data scientist in base a quello che già ha ed a dove può investire. La strada che spesso è giudicata più semplice è "potenziare" i business data analyst, se ci sono. Queste figure hanno già competenze tecniche che si possono completare con elementi di predictive analytics e, inoltre, conoscono già bene l'azienda e i suoi processi di business.