La matematica è tutt'intorno a noi, poiché la matematica è il catalogo di tutti i modelli possibili!
Studiare...
Ho vissuto gli ultimi due anni di università frequentando i corsi per ottenere la mia laurea magistrale, in maniera molto stressante: lavoravo e studiavo.
Le domande che mi perseguitavano ogni mattina erano tre:
Chi me lo fa fare?
Cosa devo dimostrare?
A chi?
Le risposte erano sempre le stesse: l’avevo deciso io e volevo dimostrare a me stessa che ce l’avrei fatta.
Senso di inferiorità? Forse.
Per avere un po' di carica motivazionale, ripetevo a me stessa un mantra:
Il mondo che ti circonda non è stato costruito da persone più intelligenti di te e se non hai mai incontrato difficoltà non puoi sapere quanto tu sia forte.
Tutto vero, un po' più difficile da mettere in pratica.
Per chi volesse saperne di più, un mantra è come una password, una chiave verso un certo stato di coscienza o il principio universale che si desidera sperimentare.
Il primo esame fu una strage: nessuno lo passò. Inferenza statistica era paragonata al diavolo: un libro pieno di formule, dimostrazioni, ed esercizi. Mi promisi che se non l’avessi passato al secondo tentativo mi sarei ritirata senza nemmeno pensarci.
Il caso vuole che lo passammo in 2 su 13 iscritti al corso. Anche questa volta mi andò male e dovetti continuare l’università. 😅
Gli altri esami non furono da meno, imparai un sacco di formule matematiche e concetti logici davvero interessanti.
Quando avrete un lavoro sarà tutto diverso
mi ripetevano. Facevamo esercizi pratici, ma mai era come lavorare ad un progetto vero e proprio.
Non c’era nulla da dimostrare e nessun dato da far emergere, non vi era un manager o un team che giudicava l'operato e non vi erano feedback; quindi ognuno faceva il minimo indispensabile, a volte copiando progetti altrui.
Finii l’università in tempo, fui una delle prime 6 laureate del neonato corso in Statistica presso l’Università di Torino. Questo mi aiutò a cambiare il modo di ragionare, specialmente mi insegnò come cavarmela da sola da un punto di vista logico, nelle situazioni lavorative più intricate.
...e lavorare
Parlando del mio lavoro, la storia iniziò circa 3 anni in parallelo con l’Università.
Iniziai a lavorare da remoto, per un’allora piccola start up di nome LeadsBridge: nulla sapevo e mai evrei pensato che saremmo arrivati dove siamo ora: partner ufficiale di Facebook.
Se volete saperne di più potete visitare il sito ufficiale: leadsbridge.com.
Attualmente i miei ruoli all’interno della azienda si dividono fra due team differenti:
A. Customer Success Specialist Team
B. Analytics Team
Essere uno Specialist, non è affatto facile: il ruolo richiede di curare la relazione con il cliente mostrando come funziona il prodotto, cercando di risolvere i problemi tecnici che essi possono incontrare e creare, per loro, delle connessioni tra sistemi diversi, utilizzando delle integrazioni.
Essere Specialist, vuol dire sapere l’inglese, creare empatia con il cliente, riuscire a passare il problema ad un altro team, se necessario.
Essere Specialist, comporta interfacciarsi con la piattaforma Facebook, conoscere diversi CRM, creare documentazioni ed essere responsabili nelle decisioni prese.
Quando svolgo task di Data Analyst invece, ho il compito di aiutare i team e i manager a capire di più riguardo i possibili segmenti di mercato, i clienti e i trend comuni.
Le analisi di solito vengono svolte per due motivi:
-
Richiesta esterna da uno specifico Team.
Esempio: il team marketing vuole sapere se le loro campagne Facebook sono efficaci e che impatto hanno. -
Richiesta Interna.
Esempio: il gruppo di analisti di cui faccio parte, si accorge, grazie al fatto di ricoprire altri ruoli in team diversi, dell'esistenza di qualche tendenza o di un possibile segmento di mercato che potrebbe risultare interessante.
Indipendentemente da chi parte la richiesta, tutte le analisi hanno degli step in comune:
1. Estrazione
I dati vengono attualmente estratti dal nostro database, questo implica avere una conoscenza, almeno basica, del linguaggio di interrogazione SQL e capire quali siano i dati che ci posso tornare utili al fine dell’indagine
2. Pulizia
Una volta ottenuti i dati ed ordinati in un luogo comune, per i nostri bisogni un file Google Sheet va più che bene, si inizia ad eliminare e cambiare tutti quei valori che sono inutili o errati.
Questo credo sia il lavoro più complesso, data l’elevata quantità di dati che, a volte, può portare questa procedura a durare diversi giorni.
3. Analisi
Ecco che finalmente, una volta "puliti", i dati possono essere analizzati. Si cercano dei pattern comuni tra le osservazioni e si applicano tutte quelle famose regole matematiche di cui si parlava all’Università.
4. Contestualizzazione e presentazione
Tutte le analisi hanno un fine comune: far capire alle persone degli altri team, interni all'azienda ma esterni all’ambito analitico, i risultati ottenuti e la strada da intraprendere di conseguenza.
Analizzare i dati è utilissimo per delineare strategie ad hoc, scoprire nuovi mercati su cui investire, evitare problemi ricorrenti e prevenire situazioni comuni.
Senza queste analisi non sarebbe possibile vedere ad occhio nudo i risultati ottenuti.
Bisogna dunque usare un linguaggio chiaro e semplice, che riesca a far comprendere a fondo questi dati, è necessario inserirli sempre in un contesto, paragonarli ad un qualcosa.
È usuale fare presentazioni in PowerPoint e, nei casi più utili, si costruiscono delle dashboard per avere tali risultati sotto mano, evitando di rifare un'analisi già effettuata.
Cosa è una dashboard in questo ambito?
La Dashbord è un sistema di visualizzazione delle informazioni caratterizzato da immediatezza e facilità di lettura.
Le dashboard forniscono una visione grafica in tempo reale riguardo quelli che sono gli indicatori chiave di performance di un'organizzazione relativi ad uno o più processi aziendali (es. vendite, marketing, risorse, produzione) consentendo al management di agire tempestivamente prendendo decisioni corrette.
Grazie alle dashboard, tutti i membri del team possono tenere monitorati i processi aziendali e prendere decisioni di conseguenza.
Creazione di dashboard
I sistemi utilizzati per creare le dashbarod in LeadsBridge sono principalmente due: Klipfolio e DataStudio.
La differenza?
Google Data Studio, in generale, è più semplice da impostare e utilizzare. Si integra perfettamente con Google Analytics e gli altri loro prodotti.
Klipfolio ha molto da offrire, pur richiedendo una curva d'apprendimento molto più elevata.
Entrambe le piattaforme offrono una tela flessibile per disegnare tabelle, grafici, numeri, ecc...
Per quanto mi riguarda, la possibilità di poter collegare fonti eterogenee da cui provengono i dati, la capacità di poter combinare tali fonti utilizzando delle formule ed il poter presentare il risultato in un merge con l'aiuto di uno o più grafici, colloca Klipfolio in una posizione di vantaggio rispetto a Google Data Studio.
Le agenzie che necessitano scalabilità, usano Klipfolio per implementare grafici su ampia scala e DataStudio per la realizzazione delle dashboard personalizzate.
Quello che ho potuto constatare utilizzando entrambi, è la mancanza di materiale: gli scopi per cui questi prodotti vengono utilizzati sono molto specifici, pertanto è quasi impossibile coprire tutte le casistiche d'uso in una sorta di documentazione. Come se non bastasse, nessuno all’università mi aveva mai parlato di come costruire una dashboard.
Essere Data Analyst
Tornando al ruolo di Data Analyst, quali sono le skill necessarie?
A mio modesto parere, bisogna possedere diverse competenze ed avere l’abilità di metterle insieme quando necessario.
Servono competenze da un punto di vista statistico (analizzare, interpretare i dati), comunicativo (che ci permettono di comunicare i risultati ai diversi team) e gestionali.
Lo stipendio medio di una figura junior si aggira intorno ai 30-50mila euro in Italia, 90 mila per una senior.
Se diamo un'occhiata alla remunerazione negli U.S.A., i numeri sono ben più alti.
In futuro, racconterò altri aneddoti riguardanti il mio lavoro, Stay tuned. 😊