Intuitivamente diremmo di no ma comunque …….
Ciò che chiamiamo abilità di codifica per la scienza dei dati sono in realtà la capacità di pensare in modo logico e comprendere le strutture dei dati sottostanti.
L’anno scorso, il gigante dell’e-commerce Amazon ha iniziato a lavorare su un modello , che combina intelligenza artificiale ed econometria , per prevedere le fluttuazioni dei prezzi. Il team Core AI di Amazon ritiene che il modello possa essere aggiornato per prevedere l’inflazione. Un economista è stato fondamentale per implementare efficacemente il modello di apprendimento automatico per questo progetto, ha affermato il team.
“Credo che gli economisti abbiano le basi giuste per eccellere nella scienza dei dati. Fin dall’inizio, agli studenti di economia viene insegnato come trattare i dati attraverso diverse materie come economia, statistica e matematica. Concetti importanti come Correlazione, Verifica di ipotesi, Econometria (applicazione di metodi statistici ai dati economici), Algebra lineare, costituiscono la base dei progetti di scienza dei dati. Anche durante le sessioni di “codifica”, gli studenti imparano come “analizzare e ricavare insight” dai dati, piuttosto che come “ottimizzare il codice” in modo efficiente rispetto alle scuole di ingegneria”, ha affermato Shirish Gupta, lead data scientist di Novartis .
Ora è chiaro che l’economia e la scienza dei dati sono buoni compagni di letto. Ma quanto valore apporta un economista alla scienza dei dati e di conseguenza gli economisti possono diventare dei buoni data scientist? Lo scopriamo.
Il problema della codifica
La maggior parte degli economisti si occupa di programmi di calcolo statistico come Stata che funzionano bene con la scienza dei dati. Tuttavia, essere fluente nei linguaggi di programmazione come Python, MATLAB e R può aiutare gli economisti a decifrare il codice della scienza dei dati.
“Ho incontrato molti data scientist di talento che si sono formati in Economia, Matematica, Statistica, Commercio, ecc., senza alcun background in programmazione. Anche coloro che provengono da diversi flussi ingegneristici, inclusi quelli civili e chimici, spesso hanno pochissima esposizione alla programmazione, almeno in India. Quelle che chiamiamo abilità di codifica per la scienza dei dati sono in realtà la capacità di pensare in modo logico e comprendere le strutture dei dati sottostanti”, ha affermato Sayandeb Banerjee, CEO di TheMathCompany.
Grazie alla sovrapposizione tra machine learning ed econometria, la curva di apprendimento si è accorciata. Inoltre, gli economisti hanno una buona conoscenza della matematica che sta alla base dei metodi della scienza dei dati. La tribù prospera sulla costruzione di una serie di regole per risolvere concetti astratti, proprio come i data scientist.
Rilevamento del pregiudizio
L’econometria è l’applicazione di metodi statistici ai dati economici per individuare le relazioni causali. I data scientist costruiscono modelli per trovare modelli nei set di dati. Gli economisti nutrono un sano scetticismo nei confronti dei dati e correggono i potenziali pregiudizi di un modello statistico sulla base dell’evidenza empirica e delle prove controllate. Gli economisti sono formati per mettere in discussione i risultati e dispongono degli strumenti per rilevare i pregiudizi in un set di dati. Queste competenze possono essere tradotte per ottimizzare i metodi di data science.
Presentazione dei dati
Oggi la presentazione dei dati è essenziale quasi quanto i dati stessi. Gli economisti hanno la capacità di presentare dati complessi alle parti interessate provenienti da background non tecnici come manager, marketer, copywriter e clienti in modo comprensibile. I data scientist, che di solito provengono da discipline STEM, hanno difficoltà a trasmettere i complessi metodi e risultati. Gli economisti possono colmare il divario per consentire una comunicazione senza interruzioni.
“Gli economisti sono dotati di una struttura integrata per la risoluzione dei problemi. Di solito sono bravi a comunicare il lavoro quantitativo a un pubblico più ampio. Hanno una presa salda sul comportamento umano e possono quindi collegare i punti ed essere un ponte tra programmatori, management e business. La loro mente è condizionata a pensare oltre i numeri, adottare un approccio interdisciplinare verso un determinato problema e interpretarlo come un modo per guidare intuizioni attuabili”, ha affermato Suvadip Chakraborty, vicepresidente di HSBC.
Concetto
Gli economisti possono aiutare i clienti a navigare tra le questioni finanziarie e normative relative ai loro sistemi. Questa conoscenza è preziosa per comprendere le implicazioni dei modelli di apprendimento automatico. Comprendere l’impatto della tecnologia di intelligenza artificiale, soprattutto nel mezzo di una pandemia, è fondamentale. Gli economisti possono cavare le aziende dai buchi sulla scia di interruzioni di massa della catena di approvvigionamento.
“Gli economisti sono spesso addestrati a guardare attraverso una lente più ampia per collegare insieme vari eventi più piccoli e dargli un senso. La scienza dei dati è per lo più applicata su un argomento specifico che ha collegamenti avanti e indietro. Gli economisti possono rendere un modello più olistico con la loro comprensione dei macro e micro elementi che influenzano un evento. Gli economisti possono comprendere meglio un problema aziendale data la loro attenzione al “quadro generale” e possono aiutare nel pensiero progettuale a rendere una soluzione/risorsa più completa e mirata”, ha affermato Indrajit Mitra, direttore associato di Deloitte Consulting.
Negli ultimi anni, la scienza dei dati ha abbracciato l’economia alla grande. Secondo uno studio di 365 DataScience, circa il 13% dell’attuale gruppo di data scientist ha una laurea in economia. La percezione che l’economia riguardi idee al di là delle scienze dei dati è svanita. Il Premio Nobel per l’Economia nel 2018 è stato assegnato a Paul Romer che ha utilizzato il software open source Jupyter Notebooks mentre riproduceva e condivideva il suo lavoro di ricerca. Inoltre, The Economist ha annunciato i suoi dati Big Mac Index per il suo primo programma open source che utilizza R.
“C’è una differenza tra gli economisti e coloro che sono formati in economia. La maggior parte dei team di data science non richiede necessariamente un economista a meno che non stiano lavorando su problemi come le previsioni a lungo termine. Tuttavia, coloro che sono formati in economia possono aiutare notevolmente i team di data science a essere a tutto tondo. Possono migliorare la capacità del team di andare oltre i numeri e comprendere le sfumature del problema aziendale in questione, formulare il problema giusto e creare soluzioni che possono essere facilmente utilizzate dagli stakeholder aziendali”.
