How to choose specialization, portfolio, and capstone

Hai completato le basi di SQL, dashboard e statistica, ma adesso devi scegliere quale direzione professionale raccontare nel portfolio: prodotto, marketing, finanza, operations o analytics engineering. Questa lezione trasforma quella scelta in un ragionamento concreto su problemi da risolvere, prove di competenza da mostrare e un progetto finale che le tenga insieme. È una decisione di posizionamento, non un elenco di tool da imparare.

Il problema concreto

La scelta è difficile perché non esiste una risposta corretta in astratto. Esiste una risposta che rende credibile il ruolo che vuoi ottenere e una che lo confonde. Il capstone non deve mostrare tutto ciò che sai fare: deve dimostrare che sai risolvere un problema riconoscibile per quel ruolo.

Il rischio più comune è trattare il portfolio come una vetrina di tecnologie (“conosco SQL, Python, Tableau”) invece che come una prova di valore. Un recruiter tecnico non assume una lista di strumenti, assume qualcuno che ha già risolto un problema simile al suo. Per questo conviene partire dal ruolo e lavorare a ritroso verso i progetti che lo rendono credibile.

Come impostare la scelta

Prima di aprire un notebook vale la pena rispondere a poche domande. Quale ruolo vuoi rendere credibile con il portfolio? Quale progetto dimostra quella competenza meglio di una lista di tool? E quale trade-off accetti tra profondità specialistica e ampiezza generalista?

Step	Question to ask	Expected output
Decision	Quale ruolo voglio rendere credibile?	Posizionamento esplicito
Signal	Quale progetto dimostra quella competenza?	Capstone candidato
Baseline	Cosa mostrano già i progetti che ho?	Inventario onesto
Vincolo	Specializzazione o ampiezza, e a quale costo?	Trade-off dichiarato
Action	Quale gap colmo nei prossimi sei mesi?	Piano verificabile

Ogni passaggio serve a rendere visibile il costo di una scelta sbagliata. Un portfolio generico che non parla a nessun ruolo è più rischioso di uno specifico che ne esclude qualcuno.

The three pillars of a winning data portfolio

Un portfolio efficace dimostra tre cose insieme, e il modo più comune di fallire è mostrarne solo una.

La prima è la competenza tecnica, cioè cosa sai costruire, e deve essere verificabile. Invece di scrivere “conosco SQL e Python”, mostra codice che chiunque può eseguire. Oggi i formati più efficaci sono un repository dbt pubblico con cinque o dieci modelli, test e documentazione, che dimostra non solo SQL ma software engineering applicato ai dati; un notebook Jupyter pubblicato su GitHub o Kaggle con un’analisi end-to-end che va dalla pulizia all’esplorazione, alla modellazione, alla visualizzazione e alla raccomandazione finale; oppure un dashboard interattivo in Streamlit, Shiny o Dash che permette a chi ti valuta di esplorare i dati da solo.

La seconda è il business impact, cioè cosa hai cambiato, e qui servono numeri e non descrizioni. Ogni progetto dovrebbe avere una sezione dedicata che dichiara il problema di business originale, la decisione che l’analisi ha supportato, l’impatto quantificato (revenue incrementale, costo risparmiato, tempo recuperato) e lo scenario controfattuale, cioè cosa avrebbe fatto l’azienda senza quell’analisi.

La terza è la comunicazione, cioè come racconti la storia, perché il progetto migliore è inutile se è illeggibile. Conviene un README con un executive summary in quattro frasi che chi non legge il codice capisce comunque, visualizzazioni pulite con titoli che dicono già la conclusione, un write-up in formato blog post invece che report accademico e nessun gergo tecnico lasciato senza spiegazione.

Il progetto capstone

Il capstone è il progetto più complesso e completo del portfolio, quello che dimostra tutti e tre i pilastri nello stesso lavoro. Dovrebbe essere end-to-end, dalla definizione del problema alla raccomandazione, cross-funzionale, perché tocca più domini come marketing, prodotto e finanza insieme, e riproducibile, così che chiunque possa clonare il repo ed eseguirlo. I dati possono essere reali o realistici: i dataset pubblici di Kaggle, Google Dataset Search o data.gov vanno benissimo, meglio ancora se arricchiti con un contesto di business inventato ma plausibile.

Alcune idee differenzianti. La prima è un mini progetto di analytics engineering per un e-commerce, con quindici o venti modelli dbt costruiti sul Brazilian E-Commerce Dataset di Kaggle, che dimostra layering, test, documentazione e un dashboard finale. La seconda misura l’impatto causale di campagne di marketing usando dati pubblici come il Google Merchandise Store su GA4 demo, applicando difference-in-differences o propensity score matching: il valore qui è che quasi nessun analyst sa farlo, e per questo viene pagato di più. La terza unisce un modello finanziario di una SaaS immaginaria a una pipeline dbt che trasforma dati grezzi in KPI finanziari, dimostrando insieme competenza tecnica e business acumen. La quarta analizza dati pubblici di A/B test, per esempio quelli di Upworthy o di esperimenti accademici, costruendo un framework di valutazione automatica che copre sample size, significatività, rilevamento del novelty effect e segmentazione, e dimostra rigore statistico applicato.

Specializzazione contro generalismo

La scelta più difficile non è marketing contro prodotto contro finanza. È specialista contro generalista.

	Specialist	Generalist
Advantage	Paid more, more sought after in large companies	More career options, closer to business
Disadvantage	If the domain collapses, you're in trouble	Less deep expertise, first to be cut in downsizing
Ideal companies	>500 employees, data team >10 people	<200 employees, data team <5 people
Example	”Marketing Analytics Lead, attribution modeling expert"	"Data Analyst su prodotto, marketing e finance”

Per i primi cinque anni di carriera la strategia consigliata è specializzarti in una direzione e mantenere un side project in un’altra. Se ti specializzi in product analytics, per esempio, conviene tenere vivo un progetto open-source in dbt per non perdere le competenze tecniche: se il mercato del product analytics rallenta, hai un piano B già pronto.

Costruisci il tuo portfolio plan

Compila questa scheda con la tua situazione attuale e un piano a sei mesi. Serve a trasformare la lezione in una decisione concreta invece che in una buona intenzione.

Competenza attuale più forte: _________
Progetto che la dimostra: _________
Gap principale: _________
Progetto per colmarlo entro 6 mesi: _________
Titolo del portfolio: "Data [TUA_DIREZIONE] Analyst, Portfolio 2025"
Progetto capstone (scegli tra le 4 idee sopra o creane uno tuo): _________

Prima di considerarlo finito, controlla che un recruiter tecnico capisca il valore in sessanta secondi leggendo solo il README, che il codice sia eseguibile da chiunque grazie a un requirements.txt e a istruzioni chiare, che ci sia almeno un progetto con impatto di business quantificato, almeno un progetto tecnicamente complesso come dbt, causal inference o una pipeline, e che il capstone sia davvero cross-funzionale.

Controlli prima di decidere

Prima di trasformare questa pagina in una scelta definitiva, controlla la qualità di ciò su cui ti basi. Le candidature reali si valutano su completezza dei progetti, coerenza tra ruolo dichiarato e prove mostrate, e assenza di doppioni che dicono la stessa cosa. Molti portfolio apparentemente sofisticati falliscono perché mostrano cinque varianti della stessa analisi e nessuna evidenza di impatto.

Vale anche per la lettura del mercato la regola della segmentazione. Una media aggregata di “stipendi data analyst” non dice nulla: cambia per canale, per coorte, per piano di carriera, per paese e per maturità del prodotto in cui lavori. Se due segmenti del mercato si muovono in direzioni opposte, la media non rappresenta nessuno dei due. E ogni ragionamento dovrebbe terminare con una scelta possibile, perché se la lezione non cambia una decisione manca ancora il collegamento tra l’analisi e l’azione: continuare su una direzione, fermarsi, iterare il portfolio, investire in una competenza o rimuovere un progetto debole.

References

• Nolis, J. & Robinson, E. (2022). Build a Career in Data Science. Manning.
• Robinson, D. (2017). “Advice for Building a Data Science Portfolio.” Variance Explained Blog.
• O’Reilly. (2023). “State of Data Science Careers Survey.”

Summary

La scelta di specializzazione, portfolio e capstone diventa utile quando produce una decisione di carriera più chiara, non quando aggiunge terminologia. Parti dal ruolo che vuoi rendere credibile, costruisci progetti che dimostrino competenza tecnica, impatto di business e capacità di comunicare, e usa il capstone per tenere insieme i tre piani. La forma corretta resta sempre la stessa: quale decisione vuoi supportare, quale prova la rende credibile, rispetto a quale baseline la leggi, quale rischio accetti e quale azione fai nei prossimi sei mesi.