Secondo il recente sondaggio di Experian condotto su oltre 1.300 decisori nel settore dei servizi finanziari e delle telecomunicazioni, il 59% concorda sul fatto che l’accesso a figure specializzate avrà una rilevanza considerevole nei prossimi uno o due anni. Pertanto, diventa sempre più importante trattenere i talenti in ottica di crescita a lungo termine.
Gli istituti finanziari devono stimolare i Data Scientist fornendo un ambiente che consenta loro di concentrarsi sui propri punti di forza, rimuovendo gli ostacoli che possono ridurne la produttività e la soddisfazione sul lavoro.
In questo articolo illustrerò come una piattaforma cloud-based di analytics può migliorare la motivazione e soddisfazione dei Data Scientist e, di conseguenza, accelerare il time-to-market di modelli e score.
Quali sono le principali frustrazioni e sfide per i Data Scientist?
Comprendere i principali punti critici è un buon punto di partenza. Senza la giusta tecnologia e infrastruttura, la loro creatività e soddisfazione lavorativa si riduce, diventando frustrazione, esaurimento e turnover elevato.
- Problemi di qualità dei dati: dati in ingresso scarsi, informazioni inadeguate in output. Dati mancanti, incoerenti o errati possono richiedere una notevole quantità di tempo nella pulizia ed elaborazione.
- Accesso ridotto: ritardi e difficoltà nell’ottenimento dei dati a causa di sistemi isolati o restrizioni.
- Mancanza di integrazione: i sistemi non integrati portano a insight frammentati
- Strumenti inefficienti: strumenti obsoleti che rallentano la produttività e impediscono l’accesso alle funzionalità best-in-class
- Mancanza di automazione: frustrazione dovuta al tempo dedicato ad attività manuali (ad esempio, il deployment del modello) che potrebbero essere facilmente automatizzate
- Dipendenza dagli altri: difficoltà a collaborare con altri team (ad esempio, IT) a causa di priorità o flussi di lavoro diversi
Quanto è ampio il gap tra domanda e offerta di Data Scientist?
Secondo il World Economic Forum, si stima che la richiesta di esperienze nel settore AI/ML crescerà del 40% nei prossimi tre anni. La ricerca di Experian mostra che quasi la metà (45%) dei leader nel settore Dati & Analytics da noi intervistati afferma che trovare e trattenere talenti è un punto critico quando si tratta di sviluppare e aggiornare modelli. Una percentuale simile (48%) non dispone delle competenze interne necessarie per sviluppare e gestire i modelli analytics più recenti.
Poiché le aziende cercano maggiore agilità, ottimizzando – ModelOps e accelerando la produzione dei modelli, avere le competenze per eseguire questi progetti è diventato un vantaggio competitivo. Le organizzazioni che faticano a trattenere le expertise critiche necessarie per prendere decisioni basate sui dati sono in svantaggio rispetto a quelle che trattengono i talenti dotandoli di una piattaforma modello end-to-end.
Cinque modi per migliorare la produttività in termini di soddisfazione
Sebbene ogni organizzazione abbia una serie di circostanze uniche, i cinque punti seguenti possono aiutare a colmare il divario di competenze e garantire la redditività futura.
Garantire un facile accesso ai dati
I modelli analitici avanzati spesso incorporano set di dati provenienti da una varietà di fonti alternative. La capacità di condividere questi dati in modo sicuro e su larga scala è un fattore vitale che influisce sulle prestazioni e sulla soddisfazione dei team di Data Scientist. La nostra ricerca evidenzia che la più grande sfida per il settore Analytics, che limita il successo nel raggiungimento di obiettivi aziendali più ampi, è l’incapacità di connettere in modo efficace risorse dati diverse.
Le piattaforme centralizzate cloud-based semplificano i flussi di lavoro fornendo un facile accesso a dati e strumenti. Le fonti dati sono disponibili tramite la piattaforma e l’integrazione e la mappatura dei dati possono essere ottenute con semplici connessioni API. Ciò riduce il tempo dedicato alla preparazione e alla gestione dei dati, consentendo ai Data Scientist di concentrarsi su attività di alto valore come l’analisi e lo sviluppo di modelli. Più della metà (55%) dei leader da noi intervistati sta dando priorità al passaggio da set di dati isolati a un unico data lake/platform.
Programmi di alta specializzazione per Data Scientist
Le aziende all’avanguardia stanno coltivando internamente i talenti nel settore Data Science. Ciò presenta molteplici vantaggi, poiché aiuta a colmare il gap dell’offerta di queste figure professionali e allo stesso tempo a sviluppare giovani professionisti con competenze sul posto di lavoro.
Nella breve intervista di seguito, puoi ascoltare come Suveer Ramdhani, CEO di BluNova, ha aiutato il proprio team di data science ad innovare più rapidamente con un approccio cloud-first.
Maggiore autonomia
Per i data scientist, una delle parti più frustranti del processo è il passaggio ai team IT per ricodificare il modello pronto per il deployment nel software decisionale. Con un processo ModelOps efficace, i Data Scientist possono registrare facilmente funzionalità e modelli personalizzati e migrarli immediatamente alla produzione.
Ad esempio, l’innovativa soluzione di Experian semplifica l’implementazione istantanea di modelli scritti in una gamma di linguaggi di codifica negli ambienti di produzione, eliminando elementi come la ricodifica e accelerando i test. Ciò consente ai Data Scientist di gestire una parte maggiore del processo, riducendo la dipendenza dall’IT.
Scalabilità dello storage dei dati
Le piattaforme basate sul cloud offrono scalabilità, consentendo ai Data Scientist di gestire set di dati di grandi dimensioni e calcoli complessi senza preoccuparsi dei limiti dell’infrastruttura. Questa flessibilità consente loro di sperimentare nuove tecniche e approcci, mantenendo il loro lavoro interessante e coinvolgente.
Quasi tre quarti (71%) dei leader nel nostro sondaggio concordano sul fatto che i vantaggi del cloud, come la capacità di scalare facilmente, insieme al risparmio sui costi e alla sicurezza, superano i rischi. Poiché le aziende cercano di includere nuovi set di dati alternativi nei loro modelli decisionali sul credito, è essenziale avere la capacità di espandere lo spazio di archiviazione e la potenza di calcolo.
Ambienti sandbox per la sperimentazione
I Data Scientist sono soddisfatti quando possono liberare la propria creatività e sperimentare soluzioni innovative senza alcun rischio per l’integrità del loro principale repository di dati. Per facilitare ciò, le aziende devono fornire ambienti sandbox che consentano ai propri analisti di esplorare in sicurezza nuove tecniche e software.
La priorità numero uno per i leader nel nostro sondaggio (55%) era l’investimento in strumenti di analisi basati su cloud, come gli ambienti sandbox. La chiave, dal punto di vista della piattaforma, è che l’ambiente sandbox è perfettamente connesso ad altre applicazioni, cosa che spesso non avviene, rallentando la produttività.
Sfruttare al meglio l’opportunità dell’intelligenza artificiale generativa
L’intelligenza artificiale generativa (GenAI) sta cambiando il modo in cui i Data Scientist sviluppano e monitorano i modelli. Questa tecnologia rappresenta un’entusiasmante opportunità per migliorare la produttività automatizzando processi ad alta intensità manuale. Tuttavia, come per qualsiasi nuova tecnologia, l’adozione e l’integrazione sono impegnative. Più della metà (54%) dei leader nel nostro sondaggio afferma di non avere il talento tecnico e le competenze per trarre vantaggio da GenAI.
Quando abbiamo chiesto ai nostri intervistati quali fossero i principali casi d’uso GenAI, quasi due terzi (62%) hanno affermato di analizzare fonti dati alternative per arricchire i modelli predittivi. GenAI può aumentare in modo significativo il tedioso processo di vagliatura dei dati non strutturati per identificare le funzionalità utilizzate nello sviluppo del modello.
La maggior parte dei leader aziendali con cui parliamo desidera dotare i propri team delle più recenti funzionalità GenAI, per aumentare le prestazioni. In Experian, abbiamo già incorporato la GenAI nella nostra piattaforma per fornire supporto ai Data Scientist, dall’utilizzo di conversazioni in linguaggio naturale per comprendere meglio i dati, alla codifica e agli approfondimenti sullo sviluppo del modello e per semplificare gli sforzi di conformità con l’automazione della documentazione.
Conclusione: la chiave per trattenere i Data Scientist è sfidare e valorizzare il loro talento
I Data Scientist sono generalmente risolutori di problemi creativi e amano mettere alla prova le loro capacità, offrendo allo stesso tempo un valore aziendale tangibile. Per attrarre e trattenere questi professionisti, è essenziale fornire loro tutto ciò di cui hanno bisogno per essere all’avanguardia nel loro campo.
L’infrastruttura analytics basata sul cloud è la base fondamentale che supporta l’innovazione e l’eccellenza della scienza dei dati. La versatilità e la sicurezza offerte dal cloud favoriscono l’innovazione dell’analisi e, in ultima analisi, decisioni più accurate basate sui dati.
Per ulteriori informazioni sulla nostra ultima ricerca, condotta in collaborazione con Forrester Consulting, puoi semplicemente compilare il modulo sottostante e ti invieremo una copia gratuita del nostro ultimo rapporto – Strategie per la crescita.
