In questa intervista, Stefano Ronconi, Responsabile Big Data Analytics & Business Intelligence in Würth Italia, dopo aver affrontato il tema della importanza della Data Science per un’azienda, spiega come strutturare un reparto Big Data che risponda alle esigenze dell’azienda.
Le tecnologie Big Data sono in continua crescita e rappresentano circa l’87% delle spese totali delle grandi aziende. Perché sono così importanti e a quali esigenze rispondono?
Oggigiorno la tecnologia è diventata parte integrante della nostra vita: cellulari, social media, smart TV, smart watch, ecc. Tutto questo ci offre nuovi strumenti di connessione e ci semplifica la vita, ma non solo: genera dati, milioni di dati. E sono proprio questi dati a diventare oggetto di studio dei Big Data. Conoscere certe informazioni è molto importante per le aziende in un’ottica di business: permette di capire cosa desiderano le persone, quali sono le loro aspettative commerciali e di esperienza d’acquisto. Consente inoltre di individuare i prodotti e/o servizi che probabilmente le persone non sanno ancora di volere.
Le figure dei Data Scientist sono richieste in tutto il mondo dalle aziende. Quali requisiti devono avere?
I Data Scientist devono avere delle competenze trasversali: conoscenze di tipo statistico, informatico e di business. La statistica è importante per saper elaborare e descrivere le informazioni, individuare relazioni non note a priori ed effettuare previsioni. L’informatica serve per leggere gli ambienti dove sono memorizzati i dati e utilizzare i linguaggi di programmazione statistici, come R e Phyton. Le competenze nell’area del business sono fondamentali per comprendere il processo fino in fondo e rispettare l’obiettivo prefissato dall’azienda.
Normalmente come è strutturato un ufficio Big Data e quante persone sono necessarie al suo interno?
Il numero di persone e l’organizzazione di un ufficio Big Data sono due aspetti molto variabili. Ci sono realtà che lavorano con un solo Data Scientist e altre che ne hanno decine. Dipende dalla grandezza dell’azienda, dal business e dalle necessità. I modelli organizzativi sono principalmente tre: quello verticale prevede che i Data Scientist vengano inseriti in una specifica linea di business e lavorino esclusivamente per quella linea; nel modello trasversale c’è una struttura di Data Science riconosciuta e i Data Scientist lavorano per tutta l’azienda; in quello misto i Data Scientist lavorano nei singoli reparti, ma fanno riferimento a un Data Science Manager.
Quali sono le maggiori difficoltà che un ufficio Big Data può incontrare all’inizio?
Gli aspetti da tenere in considerazione in un progetto Big Data sono molteplici, ma tre sono di fondamentale importanza. In primo luogo, l’obiettivo deve essere chiaro e bisogna definire entro quando raggiungerlo, altrimenti si rischia di dare il via a un progetto che non vedrà mai la luce. In secondo luogo, è necessario considerare la parte tecnologica: se si è agli inizi nell’ambito Big Data, è consigliabile farsi supportare da una società di consulenza che aiuti a scegliere la giusta tecnologia. Infine, è molto importante coinvolgere le persone giuste, come quelle che conoscono a fondo il business e il reparto IT.
Qual è l’approccio scelto da Würth per i Big Data?
Abbiamo iniziato a lavorare con i Big Data dal 2017. Ci siamo avvalsi di una società di consulenza che ci ha supportato nella selezione del personale, nella scelta della giusta tecnologia e nello sviluppo del primo progetto. Prima di cominciare con le attività era importante per noi avere già a bordo due Data Scientist, in modo da coinvolgerli fin dall’inizio in tutto il processo. Come sede per l’implementazione del progetto abbiamo scelto i nostri uffici, così da permettere ai Data Scientist di apprendere il più possibile dai consulenti. Per quanto riguarda l’organizzazione, ci siamo affidati al modello trasversale, quindi c’è una struttura centralizzata dove i Data Scientist lavorano per tutta l’azienda. In ufficio con i Data Scientist ci sono altre figure professionali che si occupano del caricamento dei dati, perché abbiamo visto che la comunicazione e lo scambio di informazioni tra i Data Architect, Data Scientist e Data Analyst è costante e frequente e questo porta valore aggiunto.
| E-Business