Avete mai sentito parlare del termine “data analyst”? Sicuramente sì siccome, ultimamente è un termine sbandierato ovunque, ma che vuol dire nel concreto “analizzare i dati”? E a che caspio serve esattamente? I dati non si capiscono da soli guardandoli a colpo d’occhio? Beh… no, non proprio. Se vi aspettate i grafici belli carini e comprensibili delle lavagne dei manager, sappiate che a quelli si arriva dopo un luuungo processo di “raffinamento” per niente ovvio e scontato.
Immagina di avere un sacco di informazioni a tua disposizione, come numeri, tabelle, grafici, e persino commenti di persone su un prodotto. Ma tutta questa roba, da sola, è solo un guazzabuglio di dati con poco senso. Mi spiego meglio. Prendiamo ad esempio questo bellissimo, incasinatissimo Excel, che è un estratto di dati di vendite di videogiochi:
A vederlo così sembrano solo numeri sparati a caso. Ma dopo il processo di raffinamento che menzionavo sopra, questi “numeri sparati a caso” permettono di poter ottenere grafici e risultati che verranno usati per decisioni aziendali, come strategie di marketing, piani per la gestione delle risorse interne, previsioni di andamento di mercato, e tanto, tantissimo altro ancora.
Questo è il risultato che si può ottenere pulendo e dando un senso ai dati di cui sopra:
Ed è qui entra in gioco il data analyst.
Chi è il data analyst e cosa fa?
Un data analyst, o analista dei dati, è una persona che trasforma quel caos in informazioni utili. È un po’ come un detective, ma invece di risolvere crimini, cerca di capire cosa dicono i dati. Prende tutti quei numeri e li analizza per trovare schemi, tendenze e risposte a domande specifiche. È grazie al lavoro dei data analyst se aziende, organizzazioni e persino squadre sportive possono prendere decisioni più informate e intelligenti.
Raccoglie i dati: Prima di tutto, il data analyst deve mettere le mani sui dati. Questi possono provenire da molte fonti diverse, come database, fogli di calcolo, o persino feedback dei clienti. Esistono decine e decine di modi per raccogliere i dati. Per esempio, con compilazione su software appositi come SAP, o addirittura “estraendo” i dati da siti internet (pratica chiamata web scraping).
Pulisce i dati: I dati grezzi possono essere pieni di errori, duplicati o informazioni mancanti. Un data analyst pulisce questi dati, assicurandosi che siano accurati e completi. È come fare le pulizie di primavera, ma su un foglio di calcolo.
Analizza i dati: Ecco dove inizia la magia. Utilizzando vari strumenti e software, il data analyst esamina i dati per trovare schemi e tendenze. Ad esempio, potrebbe scoprire che le vendite di gelato aumentano quando fa caldo (e grazie al ca…, direste, ma insomma è per rendere l’idea).
Crea visualizzazioni: Una volta che ha trovato qualcosa di interessante, il data analyst deve renderlo comprensibile agli altri. Crea grafici, tabelle e altre visualizzazioni per spiegare cosa significano i dati.
Condivide le scoperte: Infine, il data analyst presenta le sue scoperte ai capi, ai colleghi o ai clienti. Queste informazioni possono aiutare a prendere decisioni importanti, come dove investire soldi, quali prodotti lanciare, o come migliorare un servizio.
Perché tutto sto sbattimento è importante? Perché viviamo in un mondo pieno di dati. Ogni clic che facciamo online, ogni acquisto che effettuiamo, e ogni post che pubblichiamo sui social media genera dati. Pensate a Google, pensate che anche solo il visitare una pagina di un prodotto specifico porterà Google a generare delle pubblicità attinenti a quel prodotto, in poche parole aumentando le possibilità di vendita di quest’ultimo.
Le aziende vogliono usare questi dati per capire meglio i loro clienti, migliorare i loro prodotti e servizi, e rimanere competitive. Senza data analyst, tutto questo potenziale resterebbe inutilizzato.
Strumenti utilizzati dai data analyst
Per svolgere il loro lavoro, i data analyst utilizzano diversi strumenti, ognuno con i propri punti di forza. Ecco una panoramica dei più comuni, con esempi pratici di utilizzo quotidiano.
Excel
Probabilmente hai già sentito parlare di Excel, il celebre foglio di calcolo di Microsoft. Excel è fantastico per gestire e analizzare piccole quantità di dati. Immagina di avere una lista con anagrafiche di cariche politiche da dover analizzare: quanti hanno ricoperto la carica, in che anni, se più uomini o donne, ecc. Con Excel puoi facilmente ordinare i dati per cliente, filtrare per mese o prodotto, e creare grafici per visualizzare le vendite nel tempo.
Ad esempio, potresti creare un grafico a barre per vedere quale prodotto vende di più in un mese specifico. Inoltre, Excel è ottimo per calcoli veloci, come trovare la media delle vendite settimanali o sommare i ricavi mensili. È perfetto per chi è agli inizi o per analisi più semplici e rapide.
Il problema di Excel è che non regge una mole di dati smisurata (in genere inizia a faticare sul milione di righe), perché non è un database ma un foglio di calcolo per metriche o stime più semplici. Non si usa per interrogazioni più complesse.
Per questo motivo i Data Analyst usano anche…
MySQL
Quando i dati diventano più grandi e complessi, entra in gioco MySQL, un sistema di gestione di database. Pensa a MySQL come a un grande magazzino dove puoi archiviare e gestire milioni di dati in modo organizzato. Ad esempio, un e-commerce potrebbe usare MySQL per tenere traccia di tutti i prodotti, clienti e ordini.
Un data analyst può scrivere delle “query” (domande) per estrarre informazioni specifiche da questo enorme magazzino. Immagina di voler sapere quanti clienti hanno comprato un determinato prodotto nell’ultimo anno. Con una semplice query in MySQL, puoi ottenere questa informazione in pochi secondi. Oppure, potresti voler vedere l’andamento delle vendite per categoria di prodotto e MySQL ti permette di fare questo con facilità.
Un vantaggio enorme di MySQL è che si articola sulle cosiddette “join”.
Immagina di avere due elenchi diversi: uno con i nomi dei tuoi amici e le loro città, e un altro con i nomi delle città e i loro eventi speciali. Ora, vorresti sapere quali eventi ci sono nelle città dove vivono i tuoi amici. Ecco dove entrano in gioco le join di MySQL.
Le join sono un modo per combinare dati da due o più tabelle diverse in un database, basandosi su un campo comune. Un esempio di una join a seguire:
Python
Se hai bisogno di fare analisi più sofisticate o automatizzare compiti ripetitivi, Python è la scelta giusta. Python è un linguaggio di programmazione molto potente e versatile. Un data analyst può scrivere piccoli programmi per pulire i dati, analizzarli e creare visualizzazioni complesse. Ad esempio, può scrivere un programma che analizza i dati delle vendite mensili e invia automaticamente un report via email ogni mese. Oppure, se lavori in una catena di negozi, potresti usare Python per monitorare le scorte di magazzino e prevedere quando sarà necessario riordinarle, evitando così le rotture di stock. Python è anche utilizzato per analisi predittive, come prevedere le vendite future in base ai dati storici.
Google Looker Studio
Google Looker Studio (precedentemente noto come Google Data Studio) è ottimo per creare dashboard e report interattivi. Con Google Looker Studio, un data analyst può collegare diverse fonti di dati, come Google Analytics o fogli di Google, e creare visualizzazioni che si aggiornano automaticamente.
Immagina di gestire un blog e di voler vedere in tempo reale quante persone stanno visitando il tuo sito web e quali pagine stanno guardando. Con Looker Studio, puoi creare un dashboard che mostra queste informazioni in modo chiaro e immediato. Inoltre, puoi condividere questi report con il tuo team o con i clienti, permettendo a tutti di avere una visione aggiornata delle performance del sito.
Il vantaggio di Looker Studio, rispetto ad altri software, è che si può agganciare a pressoché qualsiasi altro strumento: MySQL, Google Sheets, perfino YouTube, ecc., e creare sulla base dei loro dati delle dashboard in modo abbastanza semplice.
Vi sveliamo alcuni dei dati di Pillole di Folklore e Scrittura che possiamo “sbirciare” grazie a Looker Studio:
https://lookerstudio.google.com/embed/reporting/bb2c95d6-b39f-417e-9b3c-05d943ff5d18/page/QWr5D
Power BI
Simile a Google Looker Studio, Power BI di Microsoft è un altro potente strumento per la visualizzazione dei dati. Power BI consente di creare dashboard dettagliate e rapporti interattivi. Un data analyst potrebbe usare Power BI per visualizzare le performance di vendita in diverse regioni e confrontarle, aiutando così l’azienda a capire dove investire di più. Ad esempio, se lavori per una catena di ristoranti, puoi usare Power BI per monitorare le vendite in ogni sede e capire quale sede sta performando meglio. Power BI si integra facilmente con altri strumenti Microsoft, rendendo semplice l’uso per chi è già abituato all’ecosistema Microsoft. Puoi anche collegare Power BI a diverse fonti di dati, come database SQL, fogli Excel e servizi cloud, per avere una visione completa delle tue operazioni.
Questi strumenti aiutano i data analyst a trasformare grandi quantità di dati in informazioni preziose, permettendo alle aziende di prendere decisioni migliori e più rapide. Ogni strumento ha i suoi vantaggi specifici, ma tutti contribuiscono a rendere il lavoro del data analyst più efficiente e efficace.
Se volete approfondire il mondo dell’analisi dati e il mio articolo vi ha incuriosito, non posso che suggerirvi il corso della EPICODE come Data Analyst, che ho quasi completato, e che mi ha permesso di imparare ad utilizzare tutti questi strumenti in maniera veramente impeccabile!
Pillole di Folklore e Scrittura 