La settimana scorsa sono stato invitato a parlare a degli studenti di liceo che hanno presentato lavori molto interessanti alla fine di un percorso formativo sull’analisi dei dati presso i loro istituti.
Un piccolo intervento che in questi anni ho sempre fatto con piacere per dire che faccio un lavoro fico e aiuto le persone a farlo ancora meglio.
Quest’anno però avrei voluto presentarmi con un teschio in mano pronunciando il celebre dubbio amletico rivisitato : “essere o non essere… un data analyst?”.
Benché le assunzioni siano in aumento e gli stipendi continuino a salire, lo spettro di Yorick mi appare più o meno con la stessa frequenza con cui qualcuno pubblica su linkedin le proprie opinioni su un LLM nuovo di zecca.
Esce dagli angoli più impensati ridendo del mio rassicurare tutti sul fatto che l’AI è ben lungi dal renderci dei disoccupati di lungo corso.
Opus, Grock, Anthropic e compagnia bella, poi, hanno nomi così evocativi che sembra di assistere a un capitolo de “Il Signore degli Anelli” dove i generali di Mordor presentano i loro eserciti. Credo solo che il copyright sia troppo costoso altrimenti chiamare Saruman un LLM sarebbe sicuramente una scelta molto azzeccata. Ne consegue che ogni volta che esce un nuovo modello di intelligenza artificiale un esercito di troll inizi a decantare l’incredibile potenza di questo o quel prodotto . Qualcuno pubblica uno screenshot di ChatGPT che genera una query SQL, crea una dashboard in pochi secondi o analizza un file Excel da migliaia di righe e immediatamente parte l’anatema:“il Data Analyst è morto” (sostituendo il ruolo con uno a voi più vicino, la profezia rimane valida)
Dopotutto, se un’intelligenza artificiale è in grado di scrivere codice, creare grafici e persino commentare i risultati, perché un’azienda dovrebbe continuare ad assumere analisti?
Denethor non ci ha insegnato molto a quanto pare.
La risposta breve è che il Data Analyst non sta scomparendo. Sta cambiando.
Il problema non è ottenere dati. È capire cosa significano
Una volta il dato veniva preso dai faldoni enormi e trascritto su Lotus 1-2-3: ricordo open space in cui file e file di persone incravattate scartabellavano, digitavano furiosamente su tastiere indistruttibili e inviavano file tramite LPT a stampanti ad aghi (sic) simili a delle piccole mietitrebbie che incidevano dei lenzuoli a strisce grigie e bianche, i più esaltati li appiccicavano al muro cerchiando qua e là i dati che ritenevano importanti.
Oggi le organizzazioni sono sommerse da informazioni provenienti da ERP, CRM, sistemi di e-commerce, applicazioni cloud, sensori IoT, piattaforme di marketing e social network. L’intelligenza artificiale rende banale produrre report, dashboard e analisi.
Ma avere più dati non significa automaticamente prendere decisioni migliori e farci, in ultima analisi, dei soldi, anzi molte aziende si trovano in una situazione paradossale: hanno più informazioni che mai e spesso meno chiarezza di prima, credono al rumore e ignorano i segnali giusti, alla fine i soldi li perdono.
È qui che entra in gioco il Data Analyst.
Il suo valore non consiste nel costruire un grafico a torta o nel realizzare una query. Il vero valore sta nel formulare le domande corrette comprendendo il contesto e trasformare numeri apparentemente scollegati in indicazioni utili, niente che il buon vecchio Socrate non avesse già teorizzato 2500 anni fa.
L’AI sta eliminando il lavoro ripetitivo
Se guardiamo con onestà a ciò che accade oggi, è chiaro che l’intelligenza artificiale sta già sostituendo molte attività tradizionali degli analisti.
Tutte attività che fino a pochi anni fa occupavano una parte importante della giornata lavorativa, ma non è necessariamente una cattiva notizia.
Pensiamo a cosa sta succedendo agli sviluppatori. Quando sono arrivati framework sempre più evoluti, generatori di codice, librerie open source e piattaforme cloud, qualcuno aveva previsto la fine della programmazione, invece la produttività è aumentata e il livello delle competenze richieste si è alzato: oggi uno sviluppatore scrive meno codice infrastrutturale (quasi 0) e dedica più tempo alla progettazione, all’architettura e alla risoluzione dei problemi.
Il Data Analyst del futuro sarà più vicino a un consulente che a un tecnico
La figura che molte aziende cercano oggi non è quella dell’operatore che produce report, quella parte sarà sempre più delegata a strumenti intelligenti. Oggi c’è bisogno di persone capaci di collegare i dati alle decisioni. Questo significa comprendere processi aziendali, modelli organizzativi, indicatori di performance e obiettivi strategici, il Data Analyst moderno diventa una figura di confine tra tecnologia e business.
Le basi dell’intelligenza artificiale ci vengono dettate dalla torre di controllo. SQL, Power BI , Tableau Snowflake e Knime sono strumenti che ci aiutano a rimanere in volo, ma atterrare è tutta un altra storia : essere in grado di parlare con manager, responsabili di funzione e stakeholder aziendali per capire che succede e in che direzione andare fa di voi il pilota. Per questo motivo le competenze trasversali stanno diventando importanti quanto quelle tecniche, con buona pace delle prime donne tecnologiche.
L’AI non capisce il contesto aziendale
Uno degli equivoci più diffusi è pensare che un modello linguistico possa sostituire completamente un professionista. In realtà è ormai assodato che i modelli generativi eccellono nel riconoscere schemi statistici e produrre contenuti coerenti, ma non conoscono il contesto in cui operano. Se un sistema AI rileva che le vendite sono diminuite del 15%, può descrivere il fenomeno e può persino suggerire possibili spiegazioni, sempre con i manleva del caso. Quello che non può fare è sapere se quell’andamento fosse previsto, se ci siano errori nei dati di origine o se l’azienda abbia deliberatamente cambiato strategia commerciale. La differenza tra informazione e comprensione continua a essere enorme ed è proprio in questo spazio che si muove l’analista.
Vale ancora la pena investire in questa carriera?
Se oggi avessi vent’anni e dovessi scegliere un percorso professionale nel settore tecnologico, continuerei a considerare il Data Analyst una delle opzioni più interessanti non perché il lavoro rimarrà identico a quello di oggi, ma piuttosto perché il mondo produce e produrrà sempre più dati. Ogni applicazione, ogni processo aziendale e ogni sistema intelligente genera informazioni che devono essere comprese, controllate e trasformate in decisioni e la domanda di professionisti capaci di svolgere questo lavoro difficilmente diminuirà.
Quello che cambierà sicuramente, anche mentre scrivo, sono gli strumenti.
Un DA che ignora l’intelligenza artificiale diventerà rapidamente obsoleto, chi invece utilizza l’AI come leva di produttività potrebbe raggiungere livelli di efficacia impensabili fino a pochi anni fa.
Cosa studiare oggi per avere un vantaggio domani
Mentre mi facevo tutte queste “mappe mentali” mi ero abbastanza rasserenato convinto di poter fare un bel discorso inspirazionale .
Così ho esordito: “La buona notizia è che entrare nel mondo della data analysis è ancora possibile senza dover partire per forza da un dottorato in matematica. La cattiva notizia è che non basta fare prompt e dare tutto in pasto ad Excel per commentare con dovizia di particolari la Heatmap del PSG su LinkedIn.”
All’inizio li ho visti un pò frastornati, forse si aspettavano cose più di impatto tipo “siate affamati, siate stupidi” che in Italiano poi suona anche male.
Poi si sono come svegliati e si sono trovati seduti, metaforicamente, sul pavimento assieme a me.
Le basi restano quelle : SQL, statistica di base, modellazione dei dati, Excel avanzato — sì, l’ho detto — e uno strumento di visualizzazione come Power BI o Tableau.
SQL e statistica rimangono il mio binomio preferito. SQL perché ti insegna a pensare in modo ordinato: relazioni, filtri, aggregazioni, join, granularità. Statistica perché ti ricorda che i numeri non parlano mai da soli, anche quando sembrano ovvi. Mostrare una covarianza continua a farmi sentire per qualche secondo come il Dottor Manhattan, anche se ammetto che oggi è meno spettacolare di chiedere a un modello generativo di spiegarti un dataset in linguaggio naturale.
Ma il punto è proprio questo: l’AI non elimina la necessità di capire SQL e statistica. La rende necessaria.
Perché se non sai leggere una query, non sai nemmeno capire se l’AI l’ha scritta bene. Se non hai basi statistiche, rischi di prendere per insight quello che è solo rumore ben formattato. Se non conosci il dominio, puoi produrre una dashboard bellissima e completamente inutile.
Workslop è la parola dell’anno e probabilmente lo sarà per molto tempo a venire
Dalla base poi si aprono scenari diversi :
C’è il percorso più business-oriented, adatto a chi vuole lavorare vicino al management: SQL, Power BI, KPI, storytelling, processi aziendali, capacità di trasformare una domanda confusa in un’analisi utile.
C’è un approccio più technical, per chi vuole avvicinarsi al data engineering: Python, pipeline ETL, database cloud, data warehouse, API, qualità del dato. Qui il Data Analyst diventa quasi un ponte tra chi consuma il dato e chi costruisce l’infrastruttura.
C’è il credo nell’ AI-augmented, probabilmente il più interessante oggi: usare strumenti generativi per esplorare dataset, generare ipotesi, documentare analisi, automatizzare report, interrogare dati in linguaggio naturale, costruire piccoli workflow con notebook, agenti e sistemi RAG.
E poi c’è un canale orizzontale: quello del dominio. Sanità, finance, retail, manufacturing, pubblica amministrazione, formazione, energia. Sapere “fare analisi” è importante, ma sapere cosa stai analizzando lo è ancora di più. Un Data Analyst che conosce davvero il settore in cui lavora vale molto più di uno che sa solo le novità sull’ultimo strumento.
Occorre sapere se quello che si produce ha senso, seguendo sempre Socrate, che nascesse oggi farebbe sicuramente il data analyst. L’obiettivo è raggiungere definizioni razionali, stabili e valide per tutti : le percezioni riguardano solo il presente…
