Data Scientist vs Data Analyst: La Guida Definitiva

Il mondo dei dati è in continua espansione, offrendo opportunità di carriera entusiasmanti ma anche una certa confusione. Molti aspiranti professionisti si trovano a dover districarsi tra una moltitudine di ruoli, spesso simili solo nel nome, ma profondamente diversi nelle responsabilità e nelle competenze. La domanda più comune è: “Qual è la differenza tra un Data Scientist e un Data Analyst?”. Questa incertezza può rendere difficile scegliere il percorso giusto e pianificare una carriera di successo.

Se ti senti smarrito in questo labirinto di definizioni, questa è la tua bussola definitiva. In questo articolo, non solo chiariremo le distinzioni fondamentali tra Data Scientist e Data Analyst, ma andremo “oltre”, esplorando altri ruoli chiave nell’ecosistema dei dati. Ti forniremo una roadmap chiara per comprendere le competenze essenziali, i percorsi di carriera strutturati e le strategie per una scelta professionale consapevole. Preparati a trasformare la confusione in chiarezza e a scoprire il percorso più adatto a te nel dinamico mondo dei dati.

Demistificare i Ruoli: Data Scientist vs. Data Analyst

La distinzione tra Data Scientist e Data Analyst è spesso il primo ostacolo per chi si avvicina al settore dei dati. Sebbene entrambi lavorino con i dati, i loro obiettivi, approcci e l’impatto aziendale differiscono significativamente. Per gli utenti che cercano di capire “quali sono le differenze tra Data Scientist e Data Analyst”, è fondamentale una comparazione chiara e diretta. È un’area di ricerca con un volume elevato (9900) e una competizione relativamente bassa, indicando un forte bisogno di chiarezza.

Il ruolo del Data Scientist è stato originariamente definito dalla Harvard Business Review nel 2012 come “il lavoro più affascinante del 21° secolo”¹. Secondo Thomas H. Davenport e DJ Patil, un Data Scientist è “un professionista di alto livello con la formazione e la curiosità necessarie per fare scoperte nel mondo dei big data”¹. Questa figura combina competenze di programmazione, analisi e sperimentazione per estrarre significato da dati voluminosi e spesso non strutturati.

Le differenze tra i due ruoli non sono solo di livello tecnico, ma anche di orientamento e impatto aziendale². Mentre il Data Analyst fornisce una visione chiara e immediata del passato e del presente, supportando decisioni operative, il Data Scientist guarda al futuro, utilizzando tecnologie avanzate per creare modelli che anticipano scenari futuri e offrono soluzioni innovative². È un errore comune pensare che il Data Scientist abbia sempre la risposta giusta, quando in realtà il suo lavoro è spesso esplorativo e orientato alla scoperta³.

Il Data Analyst: Esploratore del Passato e Presente

Il Data Analyst è il narratore dei dati, colui che traduce numeri e fatti in storie comprensibili per il business. Il suo focus principale è sull’analisi descrittiva e diagnostica, rispondendo a domande come “cosa è successo?” e “perché è successo?”.

Le mansioni principali di un Data Analyst includono la raccolta, la pulizia, l’organizzazione e la visualizzazione dei dati. Utilizza questi dati storici per identificare tendenze, modelli e anomalie, creando report e dashboard che supportano le decisioni operative e tattiche dell’azienda. Ad esempio, un Data Analyst potrebbe analizzare i dati di vendita del trimestre precedente per capire quali prodotti hanno performato meglio o identificare i fattori che hanno influenzato il calo delle vendite.

Gli strumenti tipici di un Data Analyst includono linguaggi di query come SQL per estrarre dati da database, software di fogli di calcolo come Excel per l’analisi e la manipolazione, e strumenti di visualizzazione dati come Power BI e Tableau per creare report interattivi e dashboard. Come evidenziato da Pecan AI e Northeastern University, i Data Analyst si concentrano sull’analisi descrittiva dei dati storici, utilizzando SQL, R e strumenti di data visualization^{4, 5}.

Il Data Scientist: Architetto del Futuro e Innovatore

Il Data Scientist è il visionario, colui che non si limita a capire cosa è successo, ma si avventura nel regno del “cosa potrebbe succedere?” e “come possiamo farlo accadere?”. Il suo lavoro è intrinsecamente più predittivo e prescrittivo, orientato a guidare l’innovazione strategica.

Le responsabilità di un Data Scientist sono più ampie e complesse. Includono la definizione del problema, la scrittura di query avanzate, la pulizia e l’ordinamento dei dati, ma soprattutto la creazione e l’addestramento di modelli di machine learning e intelligenza artificiale per fare previsioni e raccomandazioni. Un Data Scientist potrebbe, ad esempio, sviluppare un modello per prevedere il churn dei clienti, ottimizzare le campagne di marketing o identificare frodi.

Gli strumenti avanzati utilizzati dai Data Scientist includono linguaggi di programmazione come Python e R, framework di machine learning (es. TensorFlow, PyTorch), piattaforme di big data come Spark e Hadoop, e una solida base in statistica e matematica. Come sottolineato da Microsoft Azure, le mansioni principali del Data Scientist includono la definizione del problema, la pulizia e l’ordinamento dei dati, la creazione e l’addestramento di modelli di machine learning e la visualizzazione dei dati⁶. I Data Scientist progettano modelli predittivi, fanno previsioni future e applicano tecniche avanzate di machine learning. Per un approfondimento sul ruolo, le competenze e la carriera del Data Scientist, puoi consultare questa Guida al Ruolo, Competenze e Carriera del Data Scientist.

Tabelle e Diagrammi: Una Comparazione Visiva Immediata

Per chiarire ulteriormente le distinzioni, presentiamo una tabella comparativa e un diagramma di Venn che illustrano le differenze e le sovrapposizioni tra Data Scientist e Data Analyst in termini di obiettivi, mansioni, strumenti, competenze e impatto aziendale.

Diagramma di Venn (Concettuale): Competenze Data Analyst vs. Data Scientist

• Area di Sovrapposizione (Competenze Comuni):
  • Statistica di base
  • Pulizia e pre-elaborazione dati
  • Visualizzazione dati
  • Business Acumen
  • Comunicazione
  • SQL (per estrazione dati)
  • Pensiero critico
  • Problem-solving
• Area Unica Data Analyst:
  • Reporting dettagliato
  • Creazione di dashboard interattive
  • Analisi descrittiva e diagnostica
  • Competenza in strumenti BI (Tableau, Power BI)
  • Forte orientamento al business operativo
• Area Unica Data Scientist:
  • Machine Learning (supervisionato, non supervisionato, rinforzo)
  • Deep Learning e Reti Neurali
  • Modellazione predittiva avanzata
  • Sperimentazione e A/B testing
  • Programmazione avanzata (Python/R per ML)
  • Gestione Big Data
  • Sviluppo di algoritmi personalizzati
  • Etica e governance dei dati (a livello di modello)

Questa rappresentazione visiva, come suggerito anche da Coursera¹⁰, mira a fornire una comprensione immediata delle aree di specializzazione e delle competenze condivise, essenziali per chi cerca di distinguere tra questi ruoli.

Oltre l’Analyst e lo Scientist: Altri Ruoli Chiave nel Mondo dei Dati

La complessità del mondo dei dati non si esaurisce con Data Analyst e Data Scientist. Come evidenziato da un articolo di follow-up della Harvard Business Review del 2022⁷, c’è stata una “proliferazione di lavori correlati” per gestire tutte le attività in un’applicazione di data science. Questo risponde al bisogno di una visione più olistica, che vada “oltre” i due ruoli principali, affrontando un gap comune nei contenuti dei competitor.

Secondo report di settore di Gartner e Forrester⁸, il mercato del lavoro tech e data continua a evolversi, richiedendo figure sempre più specializzate. Per navigare questo ecosistema, è utile un framework che classifichi i ruoli, magari con diagrammi o infografiche originali.

Per una panoramica più completa sui ruoli, responsabilità e competenze chiave nella Data Science, puoi consultare: Ruoli, Responsabilità e Competenze Chiave nella Data Science.

Il Data Engineer: Costruttore di Fondamenta

Il Data Engineer è l’architetto e il costruttore dell’infrastruttura dati. Il suo ruolo è fondamentale per assicurare che i dati siano raccolti, trasformati e resi disponibili in modo affidabile e scalabile per Data Analyst e Data Scientist.

Le mansioni principali includono la progettazione, la costruzione e la manutenzione di pipeline ETL (Extract, Transform, Load), database (SQL e NoSQL), data lake e data warehouse. Si occupa di garantire la qualità, la sicurezza e l’accessibilità dei dati, spesso lavorando con architetture cloud. Senza un solido lavoro di Data Engineering, l’analisi e la modellazione sarebbero impossibili o estremamente inefficienti. L’emergere del ruolo di Data Engineer è una specializzazione necessaria per supportare l’intero ciclo di vita dei dati⁷.

Il Machine Learning Engineer: Dalla Teoria alla Produzione

Il Machine Learning Engineer si colloca a metà strada tra il Data Scientist e il Software Engineer. Il suo compito è prendere i modelli di machine learning sviluppati dai Data Scientist e integrarli in sistemi di produzione, rendendoli operativi e scalabili.

Le responsabilità includono la progettazione di architetture per il deployment di modelli, l’ottimizzazione delle prestazioni, il monitoraggio continuo e la manutenzione dei sistemi ML. Si occupa di MLOps (Machine Learning Operations), garantendo che i modelli funzionino in modo efficiente e affidabile nel tempo. Anche questo ruolo è emerso come una specializzazione cruciale per portare l’innovazione dell’AI dal laboratorio alla realtà aziendale⁷.

Il Business Intelligence Analyst: Il Ponte tra Dati e Business

Il Business Intelligence (BI) Analyst è strettamente correlato al Data Analyst, ma con un focus più marcato sull’interpretazione dei dati per fornire insight strategici direttamente ai decisori aziendali.

Le sue mansioni includono la creazione di report e dashboard di BI, l’analisi delle performance aziendali, l’identificazione di opportunità di miglioramento e il supporto alla pianificazione strategica. Spesso utilizza strumenti di BI specifici per aggregare e visualizzare dati da diverse fonti, trasformandoli in informazioni azionabili. Questo ruolo è essenziale per tradurre i dati in valore di business e supportare i percorsi professionali in data analytics⁹.

Competenze Essenziali per il Successo nel Mondo dei Dati

Comprendere quali competenze tecniche e trasversali siano realmente necessarie per ciascun ruolo è un punto dolente comune. Non si tratta solo di conoscere gli strumenti, ma di sapere come applicarli e come interagire con il contesto aziendale. I Data Analyst si concentrano su dati strutturati, SQL, R e data visualization, mentre i Data Scientist utilizzano tecniche avanzate, algoritmi di machine learning, coding e modellazione matematica.

Secondo Coursera¹⁰, la comparazione delle skills è fondamentale per orientarsi. Inoltre, l’HBR (Davenport & Patil, 2022)⁷ sottolinea che, sebbene il coding sia “somewhat less essential” rispetto al passato per i Data Scientist, la capacità di tradurre problemi di business in modelli predittivi e l’etica stanno diventando cruciali.

Per un’analisi più dettagliata delle competenze, puoi consultare: Competenze, Strumenti e Percorsi di Carriera nella Data Science.

Competenze Tecniche: Il Tuo Toolkit Digitale

Le competenze tecniche rappresentano il fondamento su cui si costruisce ogni carriera nel mondo dei dati.

• Linguaggi di Programmazione:
  • SQL: Essenziale per entrambi i ruoli per l’estrazione e la manipolazione dei dati da database relazionali.
  • Python: Linguaggio versatile, fondamentale per i Data Scientist (machine learning, deep learning, automazione) e sempre più utile per i Data Analyst (analisi avanzata, scripting).
  • R: Popolare per l’analisi statistica e la visualizzazione dati, utilizzato sia da Analyst che da Scientist, specialmente in ambienti accademici e di ricerca.
• Strumenti di Visualizzazione Dati:
  • Tableau, Power BI, Looker: Cruciali per i Data Analyst per creare dashboard e report interattivi. Utili anche per i Data Scientist per presentare i risultati dei loro modelli.
• Piattaforme Cloud:
  • AWS, Azure, GCP: La conoscenza di queste piattaforme è sempre più richiesta per la gestione di infrastrutture dati, storage e servizi di machine learning scalabili.
• Algoritmi di Machine Learning:
  • Modelli predittivi (regressione, classificazione), clustering, reti neurali: Competenze avanzate, dominio quasi esclusivo dei Data Scientist, essenziali per costruire soluzioni intelligenti.

Come indicato dalla ricerca, un Data Analyst si concentra su SQL, Excel, Power BI, Tableau e data mining, mentre un Data Scientist padroneggia Python, R, Spark, Hadoop, modelli di machine learning e predictive analytics. Le competenze di programmazione e modellazione sono cruciali e spesso insegnate in bootcamp di carriera¹¹.

Soft Skills: L’Arte di Trasformare i Dati in Valore

Le competenze trasversali, o soft skills, sono altrettanto importanti, se non di più, delle hard skills. Sono ciò che permette ai professionisti dei dati di trasformare insight tecnici in valore aziendale.

• Problem-Solving e Pensiero Critico: La capacità di identificare problemi complessi, scomporli e risolverli utilizzando i dati è fondamentale per entrambi i ruoli.
• Comunicazione e Storytelling con i Dati: Saper comunicare risultati complessi in modo chiaro e persuasivo a un pubblico non tecnico è vitale. I dati raccontano una storia, e saperla narrare è un’arte.
• Business Acumen: Comprendere il contesto aziendale, gli obiettivi e le sfide permette di formulare domande pertinenti e di proporre soluzioni che generino un impatto reale.
• Curiosità e Apprendimento Continuo: Il campo dei dati evolve rapidamente; la curiosità di esplorare nuove tecniche e la volontà di imparare costantemente sono indispensabili.
• Etica dei Dati: Con l’aumento dell’uso dell’AI, la comprensione delle implicazioni etiche e della privacy dei dati è diventata una soft skill critica per tutti i professionisti del settore⁷. Questo aspetto è spesso trascurato nei contenuti dei competitor.

Percorsi di Carriera e Strategie di Transizione

La “mancanza di una roadmap chiara” è un pain point significativo per molti aspiranti professionisti. Fortunatamente, esistono percorsi ben definiti e strategie per avviare, avanzare o persino transizionare tra i diversi ruoli nel mondo dei dati.

Un ottimo punto d’ingresso per chi è all’inizio può essere il ruolo di Data Analyst, per poi evolvere verso quello di Data Scientist¹². Infatti, partire come Data Analyst può essere un trampolino di lancio eccellente per una carriera più ampia e versatile. Indeed¹³ offre una comparazione dettagliata dei ruoli, delle competenze e delle prospettive di carriera, utile per la pianificazione.

Per una panoramica generale sui percorsi di carriera e le competenze in Data Science, puoi consultare: Percorsi di Carriera e Competenze in Data Science.

Dall’Analyst allo Scientist: Un Percorso Possibile?

Sì, la transizione da Data Analyst a Data Scientist è un percorso comune e spesso incoraggiato. Molti Data Scientist di successo hanno iniziato come Data Analyst, acquisendo una solida base nella comprensione dei dati e delle esigenze aziendali.

Per effettuare questa transizione, un Data Analyst deve concentrarsi sull’acquisizione di competenze aggiuntive in:

• Programmazione avanzata: Approfondire Python o R, inclusi i framework per machine learning.
• Statistica e Matematica: Studiare concetti più avanzati di inferenza statistica, algebra lineare e calcolo.
• Machine Learning e AI: Comprendere gli algoritmi, la loro implementazione e valutazione.
• Big Data Technologies: Familiarizzare con Spark, Hadoop o altre soluzioni per dati su larga scala.
• Progetti Personali: Costruire un portfolio di progetti che dimostrino la capacità di sviluppare e implementare modelli predittivi.

Includere casi di studio di professionisti che hanno compiuto questa transizione può fornire ispirazione e strategie pratiche.

Roadmap per l’Avvio di Carriera: I Primi Passi

Per chi è all’inizio, una roadmap chiara è fondamentale:

1. Formazione Accademica: Una laurea in discipline STEM (Scienza, Tecnologia, Ingegneria, Matematica) o Economia con focus quantitativo è un ottimo punto di partenza. Molti Data Scientist hanno master o dottorati.
2. Corsi Online e Bootcamp: Piattaforme come Coursera, Udacity o Dataquest¹⁴ offrono corsi e specializzazioni che coprono le competenze tecniche richieste.
3. Certificazioni Professionali: Ottenere certificazioni da fornitori come IBM¹⁵ o Microsoft può validare le tue competenze e migliorare il tuo profilo.
4. Progetti Personali e Portfolio: Costruire un portfolio di progetti reali (anche su dataset pubblici come Kaggle) è cruciale per dimostrare le tue capacità ai potenziali datori di lavoro. Questo è un gap spesso trascurato nei consigli di carriera.
5. Networking: Partecipare a conferenze, meetup e community online permette di connettersi con professionisti del settore e scoprire opportunità.

Formazione e Certificazioni Consigliate

Il panorama formativo per il mondo dei dati è vasto.

• Lauree Specialistiche e Master: Università rinomate come la Stanford o il MIT¹⁶ offrono programmi di Data Science e Analytics all’avanguardia. Anche in Italia, diverse università e business school (es. Bologna Business School) propongono percorsi specifici.
• Corsi Online e Specializzazioni: Piattaforme come Coursera¹⁰ offrono percorsi guidati sviluppati da università e aziende leader, coprendo un’ampia gamma di competenze.
• Certificazioni Riconosciute: Certificazioni da IBM¹⁵ (es. IBM Data Science Professional Certificate), Google (Google Data Analytics Professional Certificate) o Microsoft Azure Data Scientist Associate possono attestare le tue competenze e migliorare la tua occupabilità.

Scegliere il Tuo Percorso: Guida all’Autovalutazione

L’incertezza su quale percorso sia più adatto alle proprie attitudini è un problema comune. La scelta di una carriera nel mondo dei dati deve essere consapevole e allineata ai tuoi interessi, attitudini, background e obiettivi a lungo termine.

Per superare la “difficoltà scelta carriera data”, è utile un processo decisionale strutturato. Un career advisor può fornire una guida preziosa¹⁷, e sviluppare una mentalità di crescita e resilienza aiuta ad affrontare le sfide professionali¹⁸.

Considera le seguenti domande per guidare la tua autovalutazione:

1. Qual è la tua passione principale? Sei più interessato a comprendere il passato e il presente (Data Analyst) o a prevedere il futuro e innovare (Data Scientist)?
2. Qual è il tuo background educativo? Hai una solida base in statistica e matematica avanzata (più incline al Data Scientist) o preferisci un approccio più orientato al business e alla visualizzazione (più incline al Data Analyst)?
3. Quali strumenti ti attraggono di più? Ti senti a tuo agio con SQL e strumenti BI, o sei entusiasta di immergerti in Python, machine learning e big data?
4. Qual è il tuo obiettivo a lungo termine? Vuoi essere un esperto di dominio che supporta le decisioni con i dati, o un innovatore che crea nuove soluzioni basate sull’AI?
5. Sei disposto a un apprendimento continuo e a sfide complesse? Entrambi i ruoli lo richiedono, ma il Data Scientist spesso affronta problemi più astratti e con meno soluzioni predefinite.

ITS Angelo Rizzoli¹⁹ e l’Università LUM²⁰ sottolineano come la distinzione delle mansioni e delle finalità dei ruoli possa guidare la scelta, enfatizzando l’orientamento di un Data Analyst a fornire una visione chiara e immediata, e quello di un Data Scientist a guardare al futuro con modelli predittivi.

L’Ecosistema dei Dati: Collaborazione e Interdipendenza

La visione di un singolo “eroe dei dati” è ormai superata. Il successo nel mondo dei dati dipende dalla collaborazione e dall’interdipendenza tra i diversi ruoli. La “proliferazione di lavori correlati”⁷ non è un segno di confusione, ma di una necessaria specializzazione che consente di gestire tutte le attività di un’applicazione di data science in modo più efficace.

Un team data-driven di successo è come un’orchestra, dove ogni strumento ha un ruolo specifico ma contribuisce all’armonia complessiva. I Data Engineer costruiscono gli strumenti e preparano la partitura (i dati). I Data Analyst leggono e interpretano la partitura, fornendo feedback sull’esecuzione passata e presente. I Data Scientist compongono nuove sinfonie (modelli predittivi) e sperimentano nuove melodie.

La confusione sui ruoli, come analizzato da Tommaso Nuti²¹, può essere superata solo con un approccio inclusivo e formativo, che riconosca il valore di ogni figura professionale. Un flowchart decisionale che aiuti ad assegnare progetti specifici a Data Analyst o Data Scientist può migliorare l’efficienza e la chiarezza all’interno dei team. L’interdipendenza è la chiave: un Data Scientist non può operare senza dati puliti forniti da un Data Engineer, e i suoi modelli non avranno impatto senza la capacità di un Data Analyst o BI Analyst di tradurre gli insight per il business.

Conclusione

Navigare il complesso ma affascinante mondo dei dati non deve essere un’impresa solitaria o confusionaria. Questa guida definitiva ha cercato di essere la tua bussola, chiarendo le distinzioni cruciali tra Data Scientist e Data Analyst, e introducendo altri ruoli vitali che compongono l’ecosistema dei dati. Abbiamo esplorato le competenze tecniche e trasversali, i percorsi di carriera e le strategie per una transizione consapevole, fornendoti gli strumenti per autovalutarti e prendere decisioni informate.

Ricorda, il settore dei dati è dinamico e in continua evoluzione, ma con una solida comprensione dei ruoli, delle competenze e delle opportunità, sei ben posizionato per costruire una carriera di successo. La chiave è la curiosità, l’apprendimento continuo e la capacità di trasformare i dati in valore.

Inizia oggi a costruire la tua carriera nel mondo dei dati! Scarica la nostra checklist completa per l’autovalutazione e scopri il percorso più adatto a te.

---

Disclaimer: Questo articolo fornisce informazioni generali e non costituisce consulenza professionale di carriera o finanziaria. Le statistiche salariali e le prospettive di carriera possono variare in base a regione, esperienza e settore.

References

1. Davenport, T. H., & Patil, D. J. (2012, October). Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review. Retrieved from https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century
2. BNova. (N.D.). Data Analyst vs Data Scientist: differenze, stipendi e percorso. Retrieved from https://bnova.it/data-analyst-vs-data-scientist-differenze-stipendi-e-percorso/
3. Product Heroes. (N.D.). Data Analyst vs Data Scientist: differenze e ruoli. Retrieved from https://productheroes.it/data-analyst-vs-data-scientist/
4. Pecan AI. (N.D.). What does a Data Analyst do?. Retrieved from https://pecan.ai/blog/what-does-a-data-analyst-do/
5. Northeastern University. (N.D.). What Does a Data Analyst Do? Roles, Skills, and Salary. Retrieved from https://graduate.northeastern.edu/resources/what-does-a-data-analyst-do-roles-skills-and-salary/
6. Microsoft Azure. (N.D.). What is data science?. Retrieved from https://azure.microsoft.com/en-us/resources/cloud-computing-dictionary/what-is-data-science/
7. Davenport, T. H., & Patil, D. J. (2022, June 15). Is Data Scientist Still the Sexiest Job of the 21st Century?. Harvard Business Review. Retrieved from https://ailab-ua.github.io/courses/resources/Davenport_HBR_2022.pdf
8. Gartner/Forrester. (N.D.). Report sulle tendenze del mercato del lavoro nel settore tech e data.
9. BCS. (N.D.). Careers in data analytics. Retrieved from https://www.bcs.org/articles-and-resources/articles/2021/october/careers-in-data-analytics/
10. Coursera. (N.D.). Data Analyst vs Data Scientist: differenze, stipendi, percorso. Retrieved from https://www.coursera.org/articles/data-analyst-vs-data-scientist-differenze-stipendi-percorso
11. Gonzaga University Career Bootcamps. (N.D.). Data Scientist vs. Data Analyst: What’s the Difference?. Retrieved from https://careerbootcamps.gonzaga.edu/blog/data-scientist-vs-data-analyst/
12. DataMasters. (N.D.). Data Science e Data Analytics: le differenze da conoscere. Retrieved from https://datamasters.it/blog/data-science-data-analytics-big-data-differenze/
13. Indeed. (N.D.). Data Analyst vs. Data Scientist: What’s the Difference?. Retrieved from https://www.indeed.com/career-advice/finding-a-job/data-analyst-vs-data-scientist
14. Dataquest. (N.D.). How to Become a Data Scientist: A Step-by-Step Guide. Retrieved from https://www.dataquest.io/blog/how-to-become-a-data-scientist/
15. IBM. (N.D.). IBM Data Science Professional Certificate. Retrieved from https://www.ibm.com/training/certification/data-science-professional-certificate
16. Università di Stanford/MIT. (N.D.). Programmi di Data Science.
17. Professional Recruitment. (N.D.). Career Advisor: chi è, cosa fa e perché è importante. Retrieved from https://www.professionalrecruitment.it/blog/career-advisor-chi-e-cosa-fa-e-perche-e-importante/
18. Mea, V. (N.D.). Come sviluppare una mentalità di crescita e resilienza. Retrieved from https://valentinomea.it/come-sviluppare-una-mentalita-di-crescita-e-resilienza/
19. ITS Angelo Rizzoli. (N.D.). Data Analyst vs Data Scientist: differenze, stipendi e percorso. Retrieved from https://itsrizzoli.it/news/data-analyst-vs-data-scientist-differenze-stipendi-e-percorso/
20. Università LUM. (N.D.). Data Analyst vs Data Scientist: differenze, stipendi e percorso. Retrieved from https://www.lum.it/data-analyst-vs-data-scientist-differenze-stipendi-e-percorso/
21. Nuti, T. (N.D.). Confusione ruoli data. Retrieved from https://tommasonuti.com/blog/confusione-ruoli-data/