From course to work skills

Il certificato può aprire una porta, ma non basta a sostenere una conversazione tecnica. Quando ti chiedono perché una metrica è cambiata, quale segmento guardare o quale ipotesi testare, devi dimostrare come ragioni, non esibire un attestato.

A starting scene

Colmare la distanza tra studio e lavoro non vuol dire accumulare altra teoria. Vuol dire costruire prove concrete: analisi riproducibili, mini progetti, memo decisionali, dashboard commentate, errori spiegati e corretti. Questa lezione serve a trasformare il percorso GinnyTech in competenze che si possono osservare. La differenza è tra dire “so SQL” e dire “ho diagnosticato un calo di retention, isolato il segmento, scritto la query, spiegato il rischio e proposto un’azione”.

Real-world problem

La differenza tra conoscenza e competenza è quella che definisce una carriera nel mondo dei dati. Sapere la sintassi di una funzione SQL come LAG() è conoscenza. Usarla dentro una Common Table Expression (CTE) per calcolare la crescita mensile del Monthly Recurring Revenue (MRR) per segmenti di clientela, e poi presentare l’impatto di una modifica di prezzo, è competenza. La prima si impara in un pomeriggio. La seconda richiede pratica, qualche fallimento e un legame stretto con il contesto di business.

Le aziende che lavorano sui dati vogliono impatto, non dizionari SQL ambulanti. Cercano persone capaci di tradurre problemi di business ambigui, tipo “perché cala la retention?”, in ipotesi verificabili, piani d’analisi, esecuzione tecnica pulita e raccomandazioni concrete.

È un cambio di mentalità: non si tratta di superare un esame, ma di costruire un artefatto che risolve un problema. Il portfolio è questo artefatto. Non una collezione disordinata di query e notebook, ma un prodotto completo con obiettivo chiaro, metodologia, risultati quantitativi e conclusioni.

Puoi pensarlo come il tuo laboratorio personale di ricerca e sviluppo. Ogni progetto mostra che sai gestire l’intero ciclo dell’analisi: dalla pulizia e modellazione dei dati grezzi all’estrazione del segnale dal rumore, fino alla comunicazione a un pubblico non tecnico. La conoscenza è passiva, la competenza è attiva. La prima ti fa passare lo screening del CV, la seconda ti fa arrivare all’offerta.

Il portfolio come tesi di laurea nel mondo reale

Un portfolio che funziona non è una galleria di dashboard colorate. È una serie di casi studio che rendono visibile il tuo modo di ragionare. Ogni progetto dovrebbe essere una piccola tesi, con un README.md su GitHub che fa da abstract e da relazione.

Un buon README parte dal contesto e dal problema di business, cioè dalla domanda che stai cercando di risolvere. Per esempio: “un’azienda di streaming vuole capire quali comportamenti della prima settimana predicono la conversione a pagamento”. Poi descrive i dati usati, con origine, granularità e limiti del dataset, perché su questo la trasparenza conta. Spiega la metodologia e lo stack tecnologico motivando le scelte invece di limitarsi a elencare gli strumenti: “ho usato dbt per modellare i dati grezzi in tabelle di fatti e dimensioni, con test di qualità e una struttura modulare; l’analisi esplorativa l’ho fatta in Python con Pandas e Seaborn, mentre l’analisi finale è in SQL per efficienza”. Mostra l’analisi e i risultati chiave con grafici e tabelle che hanno titoli e didascalie leggibili, per esempio la correlazione tra playlist create e tasso di conversione, +35% per chi ne crea almeno una. Chiude con conclusioni e raccomandazioni, cioè cosa dovrebbe fare l’azienda: “modificare l’onboarding per spingere la creazione di una playlist entro i primi tre giorni, via email o con un prompt in-app”.

Un caso utile è l’approccio di Spotify alla personalizzazione. Spotify usa i dati di ascolto per esperienze come “Discover Weekly”. Per simularne uno spaccato puoi usare un dataset pubblico come The Echo Nest Taste Profile Subset e porti una domanda precisa: quali fattori rendono un utente un power user? Le metriche possibili sono le sessioni settimanali, gli artisti unici ascoltati, la percentuale di skip. L’analisi potrebbe mostrare che chi salva almeno 5 brani nelle prime due settimane ha una retention a 6 mesi più alta del 25%. Non è una query, è un argomento di business sostenuto dai dati, ed è il tipo di lavoro che giustifica uno stipendio alto.

Ingegneria della competenza: strumenti e metodologie

Padroneggiare gli strumenti significa capire la filosofia che c’è dietro e saperli combinare su problemi complessi. Il data analyst di oggi è di fatto un ingegnere dell’informazione.

Lo stack che ci si aspetta da un profilo junior o mid si regge su tre pilastri. Il primo è SQL per estrazione e manipolazione: oltre a SELECT, FROM, WHERE serve scioltezza con CTE, window function e ottimizzazione su dataset grandi. Il secondo è dbt per trasformazione e modellazione, un framework che porta nell’analisi dei dati principi di software engineering come modularità, version control, testing e documentazione; saper costruire DAG di modelli, scrivere test di qualità e documentare le tabelle fa la differenza in un colloquio. Il terzo è Python per analisi avanzata e automazione, cioè analisi esplorativa, statistica e script riproducibili con Pandas, NumPy, Matplotlib e Seaborn.

Un esempio pratico è il calcolo della crescita del MRR in un’azienda SaaS con SQL e dbt, usando CTE e window function per tenere il codice chiaro e potente:

WITH subscriptions AS (
    SELECT
        customer_id,
        DATE_TRUNC('month', subscription_date)::DATE AS subscription_month,
        mrr
    FROM raw_subscriptions
),
monthly_revenue AS (
    SELECT
        subscription_month,
        SUM(mrr) AS total_mrr
    FROM subscriptions
    GROUP BY 1
),
revenue_growth AS (
    SELECT
        subscription_month,
        total_mrr,
        LAG(total_mrr, 1) OVER (ORDER BY subscription_month) AS previous_month_mrr,
        (total_mrr - LAG(total_mrr, 1) OVER (ORDER BY subscription_month)) * 100.0 / LAG(total_mrr, 1) OVER (ORDER BY subscription_month) AS mom_growth_pct
    FROM monthly_revenue
)
SELECT
    subscription_month,
    total_mrr,
    previous_month_mrr,
    ROUND(mom_growth_pct::NUMERIC, 2) AS mom_growth_pct
FROM revenue_growth
ORDER BY subscription_month DESC;

Questo codice è leggibile, manutenibile e si documenta da solo. Mostra una comprensione che va oltre la sintassi e arriva ai principi di ingegneria del software applicati ai dati.

Dalla metrica all’impatto: il caso studio di Netflix

The most valuable skill is linking analysis to business decisions that create value. Companies pay for better decisions, not charts.

Netflix è un buon esempio di cultura data-driven, dove ogni cambiamento di prodotto passa per A/B test rigorosi. Immagina un product manager che ipotizza: “se sostituiamo la preview statica con un trailer che parte da solo, l’engagement sale”. L’analista competente parte dal definire le metriche, una primaria come il tasso di play e alcune metriche di guardia come tempo di caricamento, tasso di abbandono e churn. Poi calcola sample size e durata del test sulla base dei tassi attuali e dell’effetto minimo che vuole essere in grado di rilevare con significatività statistica. Infine analizza i risultati segmentando per device, anzianità dell’utente e area geografica.

In uno scenario ipotetico il test gira su 2 milioni di utenti, un milione per gruppo, per due settimane. Il tasso di play è 18.5% nel trattamento contro 17.2% nel controllo, cioè +7.5% relativo, con p=0.01; le metriche di guardia restano stabili e l’effetto è più forte sugli utenti con meno di 6 mesi di abbonamento, dove arriva a +11%. La conclusione non è “il test ha funzionato”, ma “i trailer auto-avvianti hanno aumentato l’engagement in modo significativo senza effetti negativi, raccomando il roll-out con monitoraggio continuo”. È il salto da chi estrae dati a chi siede al tavolo delle decisioni.

Il laboratorio del data professional: costruire un progetto end-to-end

La competenza si costruisce nella pratica. Ecco una traccia per il tuo primo progetto da portfolio fatto bene, con tre esercizi progressivi che imitano un flusso reale. Come dataset conviene partire dai NYC TLC Trip Record Data, un dato pubblico ricco e realistico.

Esercizio 1: esplorazione e pulizia con SQL (livello base)

Carica i dati in un database, per esempio DuckDB, PostgreSQL o la BigQuery Sandbox. Rispondi alle domande di base: numero di corse, intervallo di date, valori minimi e massimi delle colonne chiave. Poi individua le anomalie, come distanza o durata pari a zero e importi negativi, e filtrale con una CTE documentata.

Esercizio 2: analisi descrittiva e formulazione di ipotesi (livello intermedio)

Calcola le metriche aggregate: distanza media, importo medio per giorno, coppie di quartieri più frequenti, distribuzione dei passeggeri. Studia le variazioni nel tempo, come le corse per ora e le differenze tra giorni feriali e weekend. Da qui formula due o tre ipotesi di business basate su quello che hai visto.

Esercizio 3: test di ipotesi e visualizzazione (livello avanzato)

Scrivi le query per testare l’ipotesi che hai scelto, esporta i dati e costruisci le visualizzazioni con Python o con uno strumento di BI. Documenta tutto in un progetto GitHub con un README completo.

Finito il laboratorio non hai solo una riga sul CV, ma una storia concreta da raccontare in colloquio, con le sue sfide tecniche, le scoperte e un prodotto che si può aprire e leggere.

Conceptual model

La competenza nasce dall’incontro di tre cose: un problema reale, un metodo riproducibile e un output comunicabile. Se ne manca una, il valore resta invisibile. Per questo il portfolio deve mostrare non solo quali strumenti sai usare, ma come pensi: la domanda di partenza, i dati, la pulizia, le assunzioni, l’analisi, i limiti e la decisione finale.

Rigorous formalization

Per ogni progetto scrivi una scheda minima: la decisione che l’analisi supporta, il dataset, la definizione delle metriche, le query principali, i controlli di qualità, la visualizzazione e la raccomandazione. Questa scheda conta più dell’estetica della dashboard, perché è lì che si vede quanto è affidabile il ragionamento. Un progetto professionale non promette certezza assoluta: dice anche cosa non sai e quali evidenze servirebbero per saperlo.

Example or case study

Il progetto sui taxi di New York diventa interessante nel momento in cui passi da “ho analizzato un dataset pubblico” a “ho indagato quali condizioni aumentano la mancia media tenendo sotto controllo metodo di pagamento, distanza, ora e zona”. È questa differenza a contare in colloquio, perché dimostra che sai trasformare dati grezzi in conversazioni di business.

Lab / exercise

Basic level

Choose a public dataset and write a README with the business question, relevant columns, metrics, and initial anomalies.

Intermediate level

Build reproducible queries or notebooks to clean data, calculate metrics, and document every filter.

Research-grade level

Complete a decision memo with hypotheses, analysis, visualizations, limitations, recommendations, and next steps.

Recommended datasets and materials

Use NYC TLC Trip Record Data, synthetic e-commerce data, public SaaS datasets, or anonymized personal exports. Publish code, README, and decision memo in the same repository.

Typical mistake to avoid

The most common approach is building a portfolio as a tool gallery: some SQL, some Python, a dashboard. Recruiters look for evidence you can isolate a problem, choose a method, and defend a recommendation—not just an inventory of tools.

Quiz or checkpoint

[QUIZ]Have you understood how to turn the course into work?3 questions

1.What is the most effective way to demonstrate skills to a potential employer?

( )Listing completed courses on the CV( )Showing a portfolio of real projects with documented code and results( )Getting as many certifications as possible( )Writing a long post on LinkedIn

2.What should a good README.md of a data project contain?

( )Only well-formatted SQL code( )Business question, methodology, query, visualization, and discussion of results( )A list of the technologies used and nothing else( )Only the final visualizations

3.What is the ultimate goal of the path from student to data professional?

( )Mastering SQL syntax perfectly( )Developing analytical judgment and knowing how to ask the right questions to the data( )Knowing all existing BI tools( )Work faster than other analysts

0/3 answersCheck answers

Summary

Passare da studente a professionista dei dati è un ciclo che si ripete: impari, applichi, dimostri. La teoria è il carburante, ma è la competenza pratica, fissata in un portfolio solido e documentato, a portarti davanti a un’offerta. Le aziende non assumono certificati, assumono persone che risolvono problemi. Ogni progetto e ogni insight che riesci a comunicare è una prova in più che sai usare i dati per creare valore. Alla fine la tua carriera non si misura sulle query che scrivi, ma sulla qualità delle domande che poni e sulle decisioni che le tue analisi finiscono per influenzare.

Sources and references

• Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance? SSRN Electronic Journal.
• Mikalef, P., Pappas, I. O., Krogstie, J., & Giannakos, M. (2018). Big data analytics capabilities: a systematic literature review and research agenda. Information Systems and e-Business Management, 16(3), 547-578.