Come si diventa data analyst: il profilo più accessibile per chi vuole iniziare a lavorare con i dati

Il mondo dei dati è ormai una delle direzioni di carriera più discusse in Italia, alimentata da un mercato del lavoro che continua a richiedere figure capaci di lavorare con le informazioni aziendali e da un immaginario collettivo che lo dipinge come uno sbocco redditizio e a prova di futuro. Quando si parla di “lavorare con i dati”, però, l’attenzione tende a concentrarsi sui profili più appariscenti, il data scientist o l’AI specialist, finendo per oscurare la figura che in realtà rappresenta la vera porta d’ingresso del settore: il data analyst. È un mestiere meno celebrato ma più accessibile, con percorsi formativi più aperti, una soglia tecnica più ragionevole e un mercato che assorbe ogni anno migliaia di neolaureati provenienti dai background più diversi. Vediamo cosa fa davvero un data analyst, in cosa si distingue dai cugini più tecnici, quali strade portano alla professione e perché è probabilmente il punto di partenza più realistico per chi vuole entrare nel settore data senza una laurea STEM “dura”.

Il data analyst è il professionista che traduce i dati di un’azienda in informazioni leggibili e utili per prendere decisioni. Riceve domande dal management, dal marketing, dal commerciale, dall’operations, e va a cercare nei database aziendali le risposte: quante vendite ha fatto un certo prodotto nell’ultimo trimestre, quali clienti hanno abbandonato il servizio negli ultimi sei mesi, quali canali di marketing portano il ritorno migliore, dove si concentrano i reclami, come si confronta la performance di un negozio con quella della media. Il lavoro quotidiano alterna momenti di estrazione e pulizia dei dati (la parte tecnica), momenti di analisi vera e propria (la parte interpretativa) e momenti di restituzione attraverso dashboard, report e presentazioni (la parte comunicativa).

Si tratta di una professione che lavora su quello che è già successo, non su quello che potrebbe accadere. Il data analyst legge il passato e il presente dei dati aziendali per fornire al management una base solida per le decisioni del prossimo trimestre, senza addentrarsi nei modelli predittivi complessi o nell’intelligenza artificiale che sono territorio di altre figure. È una specializzazione orientata al business più che alla matematica avanzata, dove conta più la capacità di porre la domanda giusta e di raccontare il risultato che la capacità di costruire un algoritmo da zero. È proprio questa caratteristica che la rende accessibile a chi non ha un background tecnico-scientifico puro.

La confusione fra le tre figure principali del settore data è una delle ragioni per cui molti studenti rinunciano in partenza a un percorso che potrebbero benissimo affrontare. Vale la pena chiarire le distinzioni. Il data analyst, come abbiamo visto, si occupa di analisi descrittiva: legge cosa è successo, costruisce dashboard, risponde a domande specifiche del business. Il data scientist si occupa invece di analisi predittiva e prescrittiva: costruisce modelli statistici e di machine learning per prevedere cosa accadrà, identificare pattern non evidenti, ottimizzare processi. Lavora su quantità di dati più ampie, utilizza strumenti più sofisticati e richiede una formazione matematica e statistica significativamente più solida. L’AI specialist, infine, è la figura più recente e più tecnica, dedicata allo sviluppo di sistemi di intelligenza artificiale e di apprendimento automatico, con un background quasi sempre ingegneristico o informatico avanzato.

Tradotto in termini pratici, un data analyst lavora con strumenti come SQL ed Excel come pane quotidiano, accompagnati da Python o R per le analisi più strutturate, e sistemi di visualizzazione come Power BI o Tableau per la presentazione. Un data scientist usa gli stessi strumenti ma aggiunge la padronanza di librerie di machine learning (scikit-learn, TensorFlow, PyTorch) e una base matematica solida (algebra lineare, calcolo differenziale, statistica inferenziale avanzata). Un AI specialist sviluppa direttamente i sistemi che gli altri due usano. Le retribuzioni riflettono questa gerarchia tecnica: il data analyst parte tipicamente da 28.000-32.000 euro lordi all’anno per le posizioni junior, il data scientist da 35.000-45.000, l’AI specialist da 45.000 in su, con progressioni rapide nei tre profili in caso di esperienza accumulata in aziende strutturate.

Il motivo per cui consigliamo il data analyst come porta d’ingresso al settore data, soprattutto a studenti che non hanno una predisposizione marcata per le materie STEM più “dure”, è duplice. Anzitutto, il livello tecnico richiesto per iniziare è ragionevole: SQL si impara in un paio di mesi di studio serio, Excel avanzato in qualche settimana di pratica, Python di base in tre o quattro mesi. Sono competenze acquisibili senza una laurea in Informatica, e che chi viene da percorsi di Economia, Statistica, Marketing, Sociologia, Scienze Politiche con curriculum quantitativo può padroneggiare bene con un investimento ragionevole. In secondo luogo, il mercato delle aziende italiane valuta sempre più le competenze dimostrabili rispetto al titolo formale: avere un portfolio di progetti reali pesa spesso più di un’etichetta di laurea, e questo apre la professione a chi proviene da percorsi non standard, da bootcamp intensivi, dall’autoformazione strutturata.

Questo non significa che non ci sia da studiare. Significa che la curva di apprendimento è gestibile, che si può entrare nella professione anche partendo da una laurea umanistica integrata con corsi specifici, e che il mercato premia chi sa risolvere problemi concreti più di chi ha la laurea “perfetta”. È una differenza importante rispetto al data scientist, per il quale una laurea magistrale STEM resta praticamente indispensabile per la maggior parte delle posizioni qualificate.

La competenza fondamentale, non negoziabile, è SQL (Structured Query Language), il linguaggio standard per interrogare i database relazionali. Senza SQL un data analyst non può lavorare: ogni dato aziendale, in qualunque azienda di medie o grandi dimensioni, è archiviato in un database, e la prima operazione di qualunque analisi è estrarre i dati giusti con la query giusta. Imparare SQL bene significa saper costruire query complesse con join multipli, sottoquery, funzioni aggregate, gestione di valori nulli e duplicati. È una competenza che si verifica sempre nei colloqui tecnici, anche per posizioni junior.

Accanto a SQL, Excel resta uno strumento centrale, ma usato a un livello molto più avanzato di quello che si impara a scuola: tabelle pivot, formule complesse, Power Query, dashboard interattive. Python e R sono i due linguaggi di programmazione di riferimento per l’analisi dei dati, con Python che ha conquistato la maggioranza del mercato grazie alla sua versatilità e alla ricchezza delle librerie (Pandas per la manipolazione, Matplotlib e Seaborn per la visualizzazione, NumPy per i calcoli numerici). Per la parte di visualizzazione e reporting, gli strumenti più richiesti sono Microsoft Power BI, particolarmente diffuso nelle aziende italiane, e Tableau, più presente nei contesti multinazionali. Sul piano statistico è sufficiente padroneggiare la statistica descrittiva di base (medie, varianze, distribuzioni, correlazioni) e qualche fondamento di statistica inferenziale, senza necessariamente arrivare ai livelli avanzati richiesti al data scientist.

Le competenze trasversali contano quanto quelle tecniche. La capacità di porre le domande giuste, di capire il contesto di business in cui si lavora, di comunicare risultati complessi in modo chiaro a persone non tecniche, di gestire scadenze e priorità, sono spesso il vero discriminante fra un data analyst promosso a senior in tre anni e uno che resta junior più a lungo. La professione è prima un mestiere di traduzione fra il linguaggio dei dati e quello del business, e poi un mestiere tecnico.

Le strade accademiche che portano alla professione di data analyst sono molteplici, e nessuna di esse è obbligata. Una laurea in Economia (classi L-18 e L-33), in particolare con curriculum quantitativo, fornisce le basi di matematica finanziaria, statistica, conoscenza del business e dei processi aziendali che sono direttamente spendibili nella professione. La guida all’area economico-aziendale approfondisce nel dettaglio i diversi corsi disponibili in quest’ambito. Una laurea in Statistica (L-41) è ovviamente il percorso più tecnico e diretto, e prepara con strumenti analitici molto solidi. Una laurea in Informatica (L-31) o Ingegneria Informatica (L-8) costruisce le competenze di programmazione e di gestione dati che restano alla base del lavoro.

Strade meno ovvie ma sempre più diffuse passano per le Scienze Politiche (L-36) o la Sociologia (L-40) con curricula quantitativi, che combinano competenze metodologiche di ricerca con strumenti statistici e portano spesso al lavoro come analyst nei contesti del settore pubblico, del marketing politico, della ricerca sociale applicata. Anche le lauree in Marketing e Comunicazione, in particolare quelle con corsi di web analytics e digital marketing, formano profili che si collocano facilmente nella professione, spesso con specializzazione su dati di traffico web, comportamento utente, performance di campagne. Sul piano della magistrale, le opzioni più mirate sono Data Science (presente nelle università di Milano Bicocca, Padova, Trento, La Sapienza, e ormai in molti altri atenei), Business Analytics, Statistica per le Decisioni, Data Science and Economics (proposta dalla Statale di Milano), che accolgono studenti provenienti da triennali di matrice diversa e li portano al livello professionale richiesto dal mercato.

Una caratteristica distintiva del settore data, e in particolare della professione di data analyst, è la legittimità accettata dal mercato dei percorsi alternativi all’università tradizionale. I bootcamp intensivi della durata di tre o sei mesi, offerti da scuole come Bocconi Digital Bootcamp, Talent Garden, Datamasters, Edgemony e molte altre, propongono percorsi orientati alle competenze pratiche, con simulazioni di progetti reali, supporto al placement e tassi di inserimento lavorativo dichiarati spesso superiori all’80% entro pochi mesi dalla conclusione. Vanno valutati con attenzione, perché la qualità è molto eterogenea, ma per chi ha già una laurea in un campo diverso e vuole “convertirsi” alla data analysis sono una strada concreta.

I corsi online, gratuiti o a basso costo, offrono un’alternativa di formazione strutturata. Il Google Data Analytics Professional Certificate disponibile su Coursera è probabilmente il programma più riconosciuto per la formazione di base, accompagnato dagli analoghi corsi di IBM e Microsoft sulle piattaforme edX e Coursera. Le certificazioni specifiche su strumenti (Microsoft Power BI Data Analyst, Tableau Desktop Specialist, AWS Certified Cloud Practitioner) integrano il curriculum e fanno la differenza nei colloqui per le posizioni junior. In tutte queste strade, l’elemento decisivo che distingue un candidato spendibile da uno generico è la costruzione di un portfolio di progetti veri: due o tre analisi su dataset pubblici, pubblicate su GitHub o su una piattaforma come Kaggle, valgono nei colloqui più di qualunque attestato. È un’opportunità importante per chi entra nella professione da percorsi non lineari: il portfolio è democratico, e le aziende lo guardano.

Il mercato del lavoro per i data analyst in Italia è ampio e distribuito su molti settori. Le banche e le compagnie di assicurazione assorbono una parte significativa dei neolaureati, con posizioni in business intelligence, gestione del rischio, customer analytics, antifrode. L’e-commerce e la grande distribuzione, settori particolarmente intensi in dati di traffico, vendite, comportamento utente, sono datori di lavoro tradizionali della professione: aziende come Amazon, eBay, le grandi catene retail italiane reclutano stabilmente analyst sia per le sedi italiane sia per i centri europei. L’industria del marketing e della comunicazione, dalle agenzie digitali alle aziende di media planning, ha trasformato in poco tempo i propri team includendo profili di analyst dedicati ai dati di campagna, alla web analytics e al marketing attribution.

L’industria manifatturiera italiana, in particolare quella più orientata all’export e ai mercati internazionali, ha aperto negli ultimi anni numerose posizioni per data analyst nei reparti di operations, controllo di gestione, supply chain, qualità. Il settore sanitario e farmaceutico recluta analyst per la gestione di dati clinici, ricerca di mercato, real-world evidence. La pubblica amministrazione, dopo anni di ritardo, sta finalmente costruendo team interni di data analyst per la gestione dei propri sistemi informativi, sia a livello statale (in particolare nelle agenzie come l’Agenzia delle Entrate o l’INPS) sia regionale. Esistono infine settori di nicchia con domanda crescente, come quello sportivo, dove i club di calcio professionistico e altre discipline assumono analyst per la valutazione delle performance, e il settore della consulenza strategica, dove le grandi società (McKinsey, Boston Consulting, Bain, Deloitte, Accenture) reclutano centinaia di analyst ogni anno per supportare i propri progetti su clienti di tutti i settori.

Per un data analyst alle prime armi, lo stipendio iniziale in Italia si attesta fra i 28.000 e i 35.000 euro lordi all’anno, con variazioni significative legate al settore (la finanza paga generalmente di più della pubblica amministrazione) e all’area geografica (Milano e il Nord-Ovest offrono mediamente cifre più alte rispetto al Sud). Dopo due o tre anni di esperienza si raggiungono valori fra i 38.000 e i 50.000 euro, e le posizioni senior si collocano fra i 50.000 e i 70.000 euro, con il top di gamma rappresentato dai lead analyst e dai responsabili di team che superano agevolmente i 70.000.

Le strade di evoluzione di carriera per un data analyst si biforcano in genere a partire dai tre o quattro anni di esperienza. Chi vuole approfondire il lato tecnico tende a investire in formazione complementare per spostarsi verso la data science (e in quel caso un master in Data Science o Statistica è quasi un passaggio obbligato) o verso il ruolo di analytics engineer, che è una figura più orientata all’infrastruttura dei dati. Chi invece preferisce il lato strategico e di business si specializza come business intelligence analyst o si sposta verso ruoli di project management e di team leadership. Una terza strada, sempre più frequente, è la specializzazione settoriale: l’analyst esperto di banking, l’analyst di marketing, l’analyst di operations diventano profili molto richiesti dalle aziende che cercano competenze verticali consolidate.

La domanda che si pongono giustamente molti studenti che valutano questa carriera oggi è cosa succederà al lavoro del data analyst nei prossimi anni, dato che strumenti di AI generativa stanno automatizzando parti significative del processo analitico. La risposta più onesta che si può dare è che la professione cambia, ma non sparisce. Gli strumenti generativi accelerano la scrittura di codice, la pulizia dei dati, la prima ricerca esplorativa: cose che cinque anni fa richiedevano ore oggi si fanno in pochi minuti. Ma le componenti più importanti del lavoro restano umane: capire cosa serve davvero al business, formulare la domanda giusta, interpretare criticamente i risultati distinguendo correlazioni significative da apparenti regolarità casuali, comunicare in modo efficace a un management che spesso non ha background tecnico.

Chi entra oggi nella professione deve quindi pensare a posizionarsi nella fascia qualificata del mercato fin dall’inizio: non chi sa scrivere query, perché quello presto lo farà l’AI, ma chi sa decidere quali query servono e come integrarle in un ragionamento di business. È una differenza importante che cambia il modo in cui conviene impostare la propria formazione: meno focus sull’apprendimento meccanico degli strumenti, più focus sulla comprensione dei processi aziendali e sulla capacità di pensiero critico applicato.