La digitalizzazione mondiale ha subito un'accelerazione poiché la pandemia ha forzato a stare in casa e online
Con la trasformazione della società, le crescenti richieste devono essere soddisfatte rapidamente. I clienti sono online più che mai, causando un forte aumento dei dati. Ora, quella del data-scientist è una delle migliori carriere per i neolaureati poiché la necessità di un processo decisionale strategico basato sui dati è aumentata a tassi esponenziali in tutti i settori.
 
Gli impegni del settore e dell'intera azienda nei confronti della scienza dei dati e della trasformazione digitale non sono piccoli, anzi, è praticamente una corsa alla ricerca di giovani talenti. 
 La finanza, l'assistenza sanitaria e altri grandi "vecchi" settori di solito non sono noti per essere i più veloci a realizzare trasformazioni digitali, quindi quando vedi questo tipo di mosse in corso, sai che la scienza dei dati sta avendo un impatto.
 
E quell'impatto non potrà che continuare. I dati sono la spina dorsale delle aziende in tutti i settori e alcune stime indicano che la quantità totale di dati creati, acquisiti e consumati raggiungerà probabilmente i 149 zettabyte entro il 2024. Questo numero sbalorditivo dimostra non solo quanto crescerà il campo, ma anche perché è così importante per identificare e stare al passo con le tendenze. Due grandi tendenze in questo momento hanno a che fare con quelle che si stanno unendo al campo della scienza dei dati e i conflitti nel tipo di dati a cui le aziende più grandi e più piccole stanno dando la priorità.
 

Candidàti nel settore della scienza dei dati

Stiamo assistendo a un aumento delle persone che si interessano e al settore del data-science.
Questa dovrebbe essere una notizia confortante per chiunque abbia una laurea in matematica (o un campo relativo alle STEM) e ora voglia dare una svolta alla propria carriera per far parte di questo settore in rapida crescita. Questa potrebbe anche essere una buona notizia in quanto significa che saranno disponibili persone con una solida comprensione di come interpretare correttamente le statistiche. Sebbene i progressi del software possano consentire agli utenti di creare grafici più facilmente, non saranno necessariamente in grado di comprenderne tutte le sfumature e le implicazioni. Più matematici nella scienza dei dati significano un processo decisionale più fondato.
 

"10 anni fa, avresti dovuto seguire un percorso molto specifico e prendere una decisione strutturata sulla carriera per finire nella scienza dei dati", afferma Michael Tarselli, direttore scientifico di TetraScience. “Oggi gli scienziati escono da scuola e dicono: 'Sai una cosa? Posso farla finita con questo. Posso fare un campo di addestramento di scienza dei dati di un mese e istruirmi rapidamente su Python, logica ricorsiva o reti neurali e poi boom, sono un candidato leader per noi. "

 
Stiamo anche vedendo molti candidati che hanno un'istruzione in data science o un'istruzione compatibile con il data science ma che hanno ripiegato in altri campi. Ciò è in gran parte dovuto al fatto che, quando queste persone in cerca di lavoro sono entrate nel mercato, il campo del data science non era in piena espansione come ora. Ciò significa che abbiamo data scientist con una vasta esperienza che stanno entrando nel settore solo ora e il valore di questa competenza nel settore non può essere sottovalutato. Per interpretare i dati relativi, ad esempio, a un'azienda fintech, bisogna comprendere il linguaggio della finanza e questa conoscenza non è qualcosa che si acquisisce dall'oggi al domani. Fortunatamente, con il giusto background educativo o certificazioni (che ora sono più accessibili che mai), molte persone che hanno una vasta esperienza in un dominio specifico possono prendere in considerazione la possibilità di passare alla scienza dei dati.
 
Il data-science divide

L'altra grande tendenza è il divario che stiamo vedendo tra ciò che le grandi aziende cercano nei data scientist e ciò che cercano le aziende più piccole e le startup, e questo divario sta crescendo.
 
Le aziende più grandi dispongono già di molte infrastrutture per gestire i propri dati e ripulirli. Stanno cercando data scientist e ricercatori per entrare e andare molto in profondità, con un ambito mirato e ristretto. Le grandi aziende sono alla ricerca di scienziati per concentrare tutta la loro attenzione su problemi specifici di scienza dei dati.
 
Le startup e le aziende più piccole, d'altra parte, sono probabilmente carenti nell'infrastruttura dei dati e nel determinare come metterne una in atto e quindi come utilizzare i dati che estraggono. Stanno cercando "tuttofare" che possono iniziare a ottenere informazioni sulla produzione e lavorare su più stack.
 
Poiché molte persone stanno iniziando la loro carriera, devono considerare per quale tipo (e dimensione) di azienda vogliono lavorare. Le aziende più piccole ti danno spazio per crescere e concentrarti su una gamma più ampia di problemi, mentre le aziende più grandi rimangono più concentrate e specifiche. Questo divario continua a crescere oggi.