Map of Roles in Modern Analytics

L’analitica moderna non è un mestiere unico. Cambia molto a seconda che tu lavori su prodotto, marketing, finanza, operations, data platform o strategia, e questa mappa serve a leggere quelle direzioni in base ai problemi che risolvono, agli stakeholder che servono e al tipo di impatto che producono. Il punto non è accumulare definizioni: è capire quale decisione professionale cambia quando vedi chiaramente le differenze tra i ruoli.

A cosa serve davvero questa mappa

Leggere un indice di ruoli come elenco di titoli non porta lontano. La domanda utile non è quale ruolo suoni meglio sul biglietto da visita, ma quale tipo di problema vuoi imparare a risolvere con profondità. Quando guardi un annuncio per data analyst, product analyst o analytics engineer, i requisiti si sovrappongono e i titoli ingannano. Quello che conta è il problema che risolverai, chi sarà il tuo interlocutore quotidiano e quale output dovrai consegnare.

Per orientarti tieni a mente quattro punti: quale scelta reale stai cercando di migliorare, quale segnale osservabile rappresenta il problema, rispetto a quale riferimento lo interpreti e cosa cambia dopo l’analisi. Se sai rispondere a queste domande per un ruolo, hai capito quel ruolo meglio di chi ne ricorda la lista di tool.

The spectrum of analytics roles

I ruoli nei dati si distribuiscono lungo uno spettro che va dall’infrastruttura al business decision making. Non sono compartimenti stagni, ma gradienti di competenza:

Infrastruttura ◄──────────────────────────────► Decisione
     │                                                │
Data Engineer   Analytics Engineer   Data Analyst   Business Analyst
     │                  │                  │               │
  Pipeline,       Trasformazione,    Insight, SQL,    Strategia,
  storage,        modellazione,      dashboard,       presentazione
  latency         data quality       ad-hoc query     executive

Ogni ruolo ha una zona di comfort, cioè quello che fa ogni giorno, e una zona di adiacenza, cioè quello che tocca solo occasionalmente. La crescita di carriera passa o per profondità, diventando il migliore nella propria zona, o per ampiezza, espandendo la zona di comfort verso ruoli adiacenti.

Il data engineer vive sulle pipeline di ingestione (Fivetran, Airbyte), sull’orchestrazione (Airflow, Prefect), sullo storage e sui SLA di latenza. Le sue skill core sono Python, SQL avanzato, DevOps e infrastruttura cloud, e la domanda tipica che si pone è come portare i dati di Salesforce nel warehouse ogni ora. Sono gli idraulici dei dati: costruiscono e mantengono i tubi, e senza di loro il warehouse resta vuoto. È il ruolo con la minor esposizione al business e la maggior profondità tecnica. In Europa lo stipendio entry level si aggira sui 45-55K€, quello senior tra 80 e 110K€.

L’analytics engineer trasforma i dati grezzi in modelli analitici con dbt, si occupa di data quality, documentazione e semantic layer. Lavora con SQL, dbt e Jinja, data modeling alla Kimball e CI/CD applicato ai dati, e la domanda che lo definisce è come garantire che “revenue” significhi la stessa cosa per marketing e finance. È il ruolo più recente, formalizzato intorno al 2018, ed è anche il più in crescita perché fa da ponte tra infrastruttura e analisi. Stipendio: 50-65K€ entry, 85-120K€ senior.

Il data analyst vive di query ad hoc, dashboard, generazione di insight, definizione di metriche e analisi di test A/B. Le sue skill sono SQL, un BI tool come Tableau, Looker o Metabase, statistica di base e capacità di comunicazione, e la domanda tipica è perché il tasso di conversione sia calato del 5% in una settimana. È il consumatore primario dei modelli costruiti dall’analytics engineer ed è il ruolo con la maggior variabilità: in alcune aziende fa solo dashboard, in altre fa data science leggera. Stipendio: 35-50K€ entry, 60-85K€ senior.

Il business analyst, o product analyst, è il ruolo più vicino alla decisione e più lontano dal codice. Si occupa di strategia, stakeholder management, presentazioni executive e requisiti di prodotto, e lavora con pensiero strategico, SQL di base, Excel o Sheets e storytelling. La domanda che lo guida è quale feature costruire per prima per massimizzare il revenue incrementale. Spesso è un ex consulente o un MBA. Stipendio: 40-55K€ entry, 70-95K€ senior.

Gli ibridi emergenti

Il mercato sta creando ruoli ibridi che cinque anni fa non esistevano, e riflettono esigenze reali. L’analytics engineer si sta evolvendo in data platform engineer, che unisce dbt e infrastruttura: aziende come dbt Labs e Snowflake assumono persone capaci sia di costruire modelli dbt sia di gestire la CI/CD per dati. Il data analyst si trasforma in product data scientist, che applica tecniche quasi scientifiche come DAG e causal forest a domande di prodotto, come fanno gli analyst di Spotify e Netflix. Il business analyst diventa data PM: in Uber esistono Product Manager dedicati ai dati che non scrivono codice ma traducono requisiti di business in specifiche tecniche per i data engineer.

How to choose your direction

La domanda non è quale ruolo sia il migliore in assoluto, ma quale lavoro ti dia energia. Cassie Kozyrkov, ex Chief Decision Scientist di Google, propone nel suo corso “Decision Intelligence” tre domande per decidere.

1. Sei energizzato dal costruire o dal rispondere a domande? Se ti dà soddisfazione costruire, guarda verso data engineer e analytics engineer; se preferisci rispondere a domande, verso data analyst e business analyst.
2. Preferisci profondità tecnica o ampiezza di contesto? Chi cerca profondità si specializza nel proprio ruolo, chi cerca ampiezza punta a ruoli ibridi o ruota ogni due o tre anni.
3. Quanto ti pesa non vedere l’impatto del tuo lavoro? Se ti pesa molto, avvicinati alla decisione con ruoli come business analyst o product analyst; se ti pesa poco, l’infrastruttura del data engineer fa per te.

Un percorso di carriera concreto

Julia, matematica di formazione, iniziò come Data Analyst in una telco. Dopo due anni si accorse che il 60% del suo tempo se ne andava in pulizia dati. Passò quattro mesi a imparare dbt, poi propose al manager di creare un modello staging per i dati CRM. Il modello ridusse il tempo di pulizia del team da 12 ore a settimana a 2. Il manager le diede il titolo di Analytics Engineer e un aumento del 25%. Due anni dopo Julia è Analytics Engineering Lead in una fintech, gestisce 3 persone e 120 modelli dbt.

Il suo percorso non è atipico, ma richiede tre cose. La prima è riconoscere il problema giusto da risolvere. La seconda è acquisire la skill necessaria prima di chiedere il cambio di ruolo. La terza è dimostrare valore con un progetto concreto, invece di chiedere una promozione astratta.

Modello di lettura per ogni ruolo

Per analizzare un ruolo o una specializzazione conviene fissare prima l’unità di lavoro, che può essere il ruolo stesso, lo stakeholder servito, una metrica, una specializzazione o un portfolio di progetti. A questa unità colleghi un segnale osservabile come l’impatto, la seniority, la trasferibilità, il rischio politico o il valore decisionale. Infine dichiari la decisione che vuoi prendere: la scelta di un percorso, una rubrica di competenze, un progetto da costruire o una mappa degli stakeholder.

Element	Requested specification
Unit of analysis	role, stakeholder, metric, specialization, or portfolio
Primary signal	impact, seniority, transferability, political risk, and decision value
Baseline	periodo precedente, gruppo comparabile, benchmark o scenario controfattuale
Decision	path choice, skills rubric, project, or stakeholder map
Risk	scambiare un numero disponibile per una prova sufficiente

La lettura è solida quando un’altra persona, partendo dagli stessi dati, può riprodurre la logica, criticare le assunzioni e arrivare alla stessa decisione.

Esercizi per fissare la mappa

Per il livello base, scrivi una scheda di una pagina su un ruolo che ti interessa: la decisione di carriera che vuoi supportare, la metrica con cui valuteresti la scelta, il riferimento di confronto, il rischio principale e l’azione se il segnale è confermato.

Al livello intermedio, costruisci una tabella con tre ruoli o scenari. Per ciascuno indica cosa cambia rispetto agli altri, quale spiegazione alternativa è plausibile e quale verifica faresti prima di raccomandare quel percorso a qualcuno.

Al livello research grade, prepara un decision memo completo: ipotesi sul ruolo, dati richiesti, criteri di esclusione, controlli di qualità, soglia che ti farebbe scegliere, rischio residuo e piano di monitoraggio dopo la scelta. Come materiale puoi usare job description, portfolio, rubriche di hiring, casi business e stakeholder map. Se non hai dati reali, costruisci un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione di segmento e una metrica di outcome.

L’errore più comune

L’errore tipico è trattare la mappa dei ruoli come etichetta tecnica invece che come criterio di scelta. Succede quando si guarda un titolo senza chiedersi quale problema risolve, quale interlocutore serve e quale output produce. In quel caso il job title sembra preciso ma non guida nessuna decisione. La domanda di controllo è semplice: se quel ruolo si rivelasse diverso da come lo immagino, quale scelta starei sbagliando? Se non sai rispondere in modo concreto, ti manca ancora il collegamento tra la mappa e la tua azione.

Vale anche per il lavoro analitico vero e proprio dentro ciascun ruolo. Prima di usare un dato in una decisione, controlla completezza, duplicati, timezone, definizioni che sono cambiate e segmenti esclusi. Molte analisi apparentemente sofisticate falliscono perché il dato di partenza misura un comportamento diverso da quello che il team crede di osservare. E ricorda che la media aggregata è solo il punto di partenza: se due segmenti si muovono in direzioni opposte, la media non rappresenta nessuno dei due.

Summary

La mappa dei ruoli diventa utile quando produce una scelta professionale più chiara, non quando aggiunge terminologia. Lo spettro va dall’infrastruttura del data engineer alla decisione del business analyst, con l’analytics engineer e il data analyst nel mezzo e una fascia crescente di ruoli ibridi. Per scegliere conviene chiedersi se ti dà energia costruire o rispondere a domande, se cerchi profondità o ampiezza e quanto ti pesa non vedere l’impatto. Categoria: Decisione. Difficoltà: advanced. Tempo stimato: 18 min.

---

References:

• Kozyrkov, C. (2022). “Decision Intelligence: How to Make Good Decisions.” Google AI Blog.
• O’Reilly Media. (2023). “State of Data Science and Analytics Careers.” Annual Survey.
• dbt Labs. (2023). “The Analytics Engineering Career Path.” dbt Developer Hub.
• Davenport, T.H. & Patil, D.J. (2012). “Data Scientist: The Sexiest Job of the 21st Century.” Harvard Business Review.