Chi è il Data Marketing Scientist? 

Il Data Scientist è una persona con una solida formazione in: statistica, matematica, analisi dei dati, marketing ed informatica.

Altre doti fondamentali, un forte sesto senso nel valutare ed interpretare le strategie aziendali e una grande abilità nel comunicare le sue scoperte ai leader dell’azienda tanto da influenzare l’approccio dell’organizzazione nell’affrontare le sfide di business. 

 

Tramite le sue “soft e hard skill” esplora i dati da molteplici fonti al fine di ricavare “segnali” nascosti che, trasformati, possono fornire un vantaggio competitivo o risolvere un problema urgente. Non si limita a cercare e riferire i dati, ma li osserva da diverse angolature, determinando il loro significato ricercando dei modi per applicarli. Per questo deve avere una conoscenza, almeno di base, della strategia di marketing aziendale.

 

Nei dettagli, in particolare, il Data Marketing Scientist (DMS) deve avere almeno le seguenti competenze :

-   un linguaggio di programmazione statistica;

-   un linguaggio per analizzare dati e creare report;

-   un linguaggio per estrapolare, sistemare ed eliminare imperfezioni dai dati ricevuti e quindi analizzarli;

-   un linguaggio di reportistica per presentare i dati;

-   Conoscenza approfondita di Marketing funzionale/operativo;

-   Conoscenza di tecniche Statistiche (conoscenza dei più importanti modelli esistenti);

-   Capacità di Comunicazione (meglio se conosce tecniche di coaching e pnl) per essere in grado di descrivere gli “insignt” provenienti dai dati;

-   Conoscenze Matematiche: Calcolo multivariato e algebra lineare;

-   Capacità di sintetizzare le informazioni per dare risposte immediate alla direzione.

 

Noi crediamo che il DMS deve saper rispondere alla seguente domanda:

“Come analizzare l’influenza del comportamento dei clienti in funzione del business dell’azienda?”.

 

Brevemente come funziona il processo per rispondere alla domanda.

Il processo di Data science viene utilizzato principalmente per fornire previsioni e tendenze per assumere decisioni.

L’applicazione concreta della Data Science prevede una serie di fasi in sequenza, ormai codificate in una sorta di processo.

 

•       La conoscenza e analisi del problema

Prima di avviare un progetto di analisi, è indispensabile comprendere gli obiettivi, il contesto di riferimento, le priorità e il budget a disposizione. In questa fase il Data Scientist deve individuare le esigenze di chi commissiona l’analisi, le domande alle quali il progetto deve rispondere, i set di dati già disponibili e quelli da reperire per rendere il lavoro di analisi più efficace. Infine è necessario formulare le ipotesi iniziali, in un quadro di ricerca aperto alle risposte generate dal mettere in relazione i dati, le cui combinazioni possono riservare sorprese.

 

•       La preparazione dei dati

In questa fase si estraggono i dati provenienti da varie fonti, in genere disomogenee, e ne si effettua una pulizia per trasformarli in elementi analizzabili.

 

•       La pianificazione del modello

Si procede quindi a determinare i metodi e le tecniche per individuare le relazioni tra le variabili. Queste relazioni saranno alla base degli algoritmi che verranno implementati per quella funzione.

 

•       La realizzazione del modello

Dopo aver approfondito la natura dei dati disponibili e progettati gli algoritmi da utilizzare, è il momento di applicare il modello.

 

•       Comunicare i risultati

Occorre rendere comprensibili le correlazioni individuate tra i dati e le risposte alle domande del progetto. In questo momento si può capire se l’obiettivo del progetto è raggiungibile. Verranno prodotti i report destinati ai responsabili delle varie funzioni aziendali, rendendo i dati emersi dal processo di data science facilmente comprensibili.

Report che grazie a strumenti grafici saranno comprensibili a tutti i “decision maker” dell’azienda.

 

Enrico Bartolini