Ci sono parole che nascono tardi rispetto ai mestieri che designano. La Data Science è una di queste. Quando vent’anni fa ho iniziato a lavorare con i dati, nessuno parlava di “Data Scientist”. Eppure facevamo già analisi, modelli, previsioni. Ci chiamavamo in altri modi: analisti, specialisti di Business Intelligence, talvolta semplicemente “statistici”.
Ripercorrere questa trasformazione è come guardare una lunga metamorfosi: le tecnologie cambiano, i titoli pure, ma il cuore del lavoro resta lo stesso — estrarre significato dai dati per prendere decisioni migliori.
Vent’anni fa, il mio mondo era fatto di dataset con poche migliaia di righe, la pazienza di attendere l’elaborazione di un modello di regressione e la soddisfazione di stampare un grafico che, finalmente, mostrava un trend.
Non mi chiamavo Data Scientist. Ero una ‘statistica/matematica’, e il mio superpotere era trovare l’ago della correlazione in un piccolo pagliaio di dati.
Oggi, quel pagliaio è diventato una prateria sconfinata che si aggiorna in tempo reale, e gli aghi sono ovunque, nascosti tra intelligenza artificiale e pipeline complesse. Questa non è solo la storia di come è cambiato un titolo professionale sulla mia busta paga; è il racconto di come si è trasformato il nostro modo di interrogare la realtà, passando da una lente d’ingrandimento a un satellite.
Gli inizi: la statistica applicata (anni ’80-’90)
All’inizio c’erano i numeri.
La formazione di chi lavorava con i dati era prevalentemente matematica e statistica. Ricordo ancora i primi anni in cui ogni analisi partiva da dataset piccoli, spesso campionari, su cui applicare modelli classici: regressione lineare, correlazioni, distribuzioni.
Il computer c’era già, ma aveva più la funzione di calcolatrice che di “macchina intelligente”.
Il titolo professionale?
-
Statistico aziendale
-
Analista quantitativo (quant), soprattutto in ambito finanziario
-
Ricercatore operativo, se lavoravi in ottimizzazione di processi
Il focus era tutto sulla teoria e sulla capacità di tradurre i numeri in scenari di decisione. Erano anni in cui la difficoltà non stava nella mole di dati, ma nella loro scarsità: raccoglierli era costoso, elaborarli richiedeva tempo.
L’era del Data Mining e degli Analyst (anni ’90 – primi 2000)
Poi arrivarono i database relazionali e il linguaggio SQL. Per la prima volta le aziende iniziarono a raccogliere dati su larga scala: vendite, clienti, processi interni.
Nasceva la figura del Data Analyst. Il suo compito era interrogare le tabelle, estrarre indicatori, costruire report.
Parallelamente, un’altra parola si faceva strada: Data Mining.
Erano gli anni in cui gli algoritmi entravano timidamente nelle aziende: alberi decisionali, cluster analysis, regole associative (la famosa analisi “market basket”: chi compra latte compra anche biscotti).
Io stessa ricordo l’entusiasmo nello scoprire pattern che fino a poco prima erano invisibili.
Ricordo anche lo stupore di un direttore marketing quando gli mostrammo che, nel fine settimana, i clienti che compravano pannolini acquistavano con una frequenza sorprendente anche birra. Non era intuitivo, ma i dati parlavano chiaro. Fu uno dei primi momenti in cui vidi un’azienda capire che le decisioni potevano basarsi non solo sull’esperienza, ma su verità nascoste nei loro database.
Era come passare da una lente d’ingrandimento a un microscopio: improvvisamente i dati parlavano.
Le etichette professionali erano varie:
-
Data Miner
-
Business Analyst
-
Market Analyst
Eppure la parola Data Scientist ancora non esisteva.
La stagione della Business Intelligence (2000-2010)
Gli anni Duemila segnarono un altro passaggio fondamentale: quello della Business Intelligence (BI).
Le aziende avevano bisogno non solo di raccogliere dati, ma di renderli leggibili a manager e decisori.
Fu il decennio d’oro di strumenti come Cognos, Business Objects, SAS, SPSS.
Io ho passato moltissimo tempo a costruire ETL (extract, transform, load), a progettare data warehouse e a realizzare dashboard interattive.
Passavo settimane a lottare con file di testo disallineati e database che non si parlavano, un lavoro oscuro e frustrante di ‘Extract, Transform, Load’. Ma tutta la fatica svaniva quando presentavo una dashboard interattiva e vedevo un manager cliccare, filtrare e finalmente capire perché le vendite in una certa regione erano crollate. Stavamo trasformando il rumore dei dati in musica per le decisioni.
Non era ancora Data Science, ma il passo era breve.
Le figure chiave in quel periodo erano:
-
BI Specialist
-
ETL Developer
-
Data Warehouse Architect
Il lavoro era più vicino alla reportistica che al machine learning. Ma già allora si percepiva che qualcosa stava cambiando: i dati crescevano, e con essi la necessità di strumenti predittivi più sofisticati.
2010: la nascita del Data Scientist
Il termine “Data Scientist” esplose intorno al 2009-2010.
Fu Hal Varian, chief economist di Google, a dire che “la professione più sexy del XXI secolo sarebbe stata il Data Scientist”. Quella frase circolò ovunque, trasformandosi in una vera e propria profezia.
Ricordo bene quel momento: lavoravo già da più di dieci anni nel settore e, improvvisamente, quello che facevo da tempo aveva trovato un nome nuovo.
Non ero più solo un’analista, una BI specialist o una data miner: ero una Data Scientist.
Ma cosa significava davvero?
Significava combinare tre competenze che raramente convivevano in una sola persona:
-
Statistica e matematica – per modellizzare i dati.
-
Informatica e programmazione – per manipolarli in grandi volumi.
-
Business understanding – per tradurre i risultati in azioni concrete.
Il Data Scientist non era solo chi analizzava, ma chi sapeva costruire modelli predittivi e applicarli a contesti reali.
L’altra faccia della medaglia: la pressione di essere ‘sexy’
Quella definizione di ‘professione più sexy’ fu una benedizione e una maledizione. Da un lato, portò attenzione e investimenti nel nostro campo. Dall’altro, creò un’aura di mistero e aspettative irrealistiche.
Improvvisamente, ogni azienda voleva un Data Scientist, spesso senza sapere cosa fargli fare.
Ci veniva chiesto di fare ‘magie’ con dati sporchi e infrastrutture inesistenti.
Essere ‘sexy’ significava anche essere la soluzione a tutti i problemi, un peso che non sempre era facile da portare.
Oggi: frammentazione e specializzazioni
Negli ultimi dieci anni la Data Science ha conosciuto una crescita esplosiva. Con l’arrivo dei big data, del cloud e dell’intelligenza artificiale, la figura del Data Scientist si è frammentata in diverse specializzazioni:
-
Data Engineer – per costruire pipeline e architetture scalabili.
-
Machine Learning Engineer – per trasformare i modelli in prodotti industriali.
-
Deep Learning Specialist – per NLP, computer vision e reti neurali complesse.
-
MLOps Engineer – per garantire che i modelli funzionino davvero in produzione.
-
AI Researcher – più vicino al mondo accademico e all’innovazione di frontiera.
Io stessa, dopo vent’anni, vedo che la mia professione ha cambiato volto molte volte. Oggi dire “Data Scientist” significa molto più che fare analisi: significa trovarsi al centro di un ecosistema tecnologico in continua trasformazione.
Una prospettiva storica
Guardando indietro, mi rendo conto che il lavoro di Data Scientist è sempre esistito, anche quando non aveva ancora questo nome.
Negli anni ’80 era lo statistico applicato.
Negli anni ’90 era il data miner o l’analista.
Nei 2000 era lo specialista di BI.
Oggi è il Data Scientist.
Ogni etichetta ha riflesso lo spirito del tempo:
-
Prima la scarsità di dati,
-
Poi la loro organizzazione,
-
Infine la loro esplosione in quantità, varietà e velocità.
🔮 Uno sguardo al futuro: e tu come ti chiamerai?
La domanda finale che mi pongo è: tra vent’anni, come mi chiamerò?
Forse AI Scientist, se l’intelligenza artificiale diventerà la cornice dominante.
Forse Decision Engineer, se il valore starà non più nei modelli ma nella loro capacità di supportare decisioni complesse.
O magari Cognitive Designer, se entreremo in una fase in cui il confine tra intelligenza umana e artificiale sarà sempre più sfumato.
Quel che è certo è che la sostanza resterà la stessa: usare i dati per capire, prevedere e migliorare.
Il nome cambia, gli strumenti si evolvono, ma la missione resta immutata.
E allora la mia riflessione conclusiva è questa:
👉 ieri mi chiamavano analista, poi specialista BI, oggi Data Scientist.
Domani tu come ti chiamerai?
