Mai più senza data scientist

L’enorme quantità di informazioni digitalizzate assume un valore strategico per il business delle case farmaceutiche. L’importanza di reperire idonee figure professionali. Dal numero 163 del magazine

Nel 2012 la rivista Harvard business review, con grande anticipo sui tempi, la definì la professione più sexy del 21esimo secolo. Per il sito di annunci professionali Glassdoor, è stato il miglior lavoro del 2018 negli Stati Uniti. Da una recente analisi pubblicata da LinkedIn – dal titolo Top Skill 2018 – è emerso che sulla piattaforma sono registrati 108 mila profili che ricoprono questa professione a livello globale. Di questi quasi la metà (48.600) negli Usa, mentre in Europa primeggia il Regno Unito (8500), seguito da Francia (7400), Germania (4600), Spagna (2600) e Italia (1743). Sono i numeri che descrivono il profilo professionale del data scientist, ovvero colui in grado di estrarre informazioni di valore dai dati, semplificare modelli complessi e sviluppare opportunità di business. In altre parole, si tratta di una figura capace di interpretare al meglio le esigenze di sviluppo delle competenze da parte delle aziende che si collocano su un percorso di innovazione basata sui dati.

Chi è il data scientist e cosa fa

Il data scientist è un professionista che vanta una significativa varietà di competenze. Non si tratta soltanto di una nuova definizione di “data analyst”: sebbene sia in grado di svolgere attività come estrazione di dati da database, gestione di tabelle excel o di analytics; il data scientist mette insieme conoscenze di informatica, economia, matematica avanzata e statistica. È una figura esperta di business, ma con elevate capacità nel campo della programmazione informatica, a cui si aggiunge una conoscenza approfondita delle principali discipline vicine all’analisi dei dati: machine learning, intelligenza artificiale, data analytics. Le ricerche di mercato in questo settore, evidenziano come figure di questo tipo siano oggetto del desiderio di tre categorie di aziende: chi muove i primi passi nel campo dell’analisi dei dati; chi concepisce il dato come un prodotto; chi invece, già in possesso di una quantità significativa di dati, punta sullo sfruttamento di queste informazioni per sviluppare nuove opportunità di business e crescere in prospettiva futura.

Sempre più data scientist all’interno delle aziende

La ricerca di data scientist da parte delle aziende di ogni settore industriale, sta aumentando di pari passo con la crescita del mercato dei big data. Un mercato che, da quanto emerge dagli ultimi dati dell’Osservatorio Big data analytics&business della School of Management del Politecnico di Milano, è aumentato del 22% nel 2017, raggiungendo un valore complessivo di circa 1,1 miliardi di euro. In generale cresce la consapevolezza da parte delle aziende italiane per quanto riguarda le opportunità derivanti da tecnologie come business intelligence, big data e analytics.

Un risultato che si riflette sulla crescita delle competenze impiegate: quasi un’impresa su due oggetto dell’indagine dell’Osservatorio, ha già inserito nel proprio organico uno o più data scientist. Più nel dettaglio, la ricerca evidenzia un particolare interesse da parte delle aziende per i cosiddetti predictive analytics, strumenti avanzati che consentono di effettuare previsioni sull’evoluzione del mercato e sulle strategie. Tutto sommato poco significativo invece l’interesse per i prescriptive analytics, tool in grado di proporre soluzioni sulla base delle analisi svolte, e ancor minor interesse è stato manifestato per gli automated analytics, utili ad avviare autonomamente un’azione proposta secondo il risultato delle analisi.

Il digitale al servizio dell’industria farmaceutica

La scienza dei dati, nel settore farmaceutico è un’area in constante crescita. È, in buona parte, il risultato del graduale processo di digitalizzazione che sta interessando tutta la filiera. In altre parole, anche con l’introduzione di “digiceutici” più avanzati dal punto di vista tecnologico, è aumentata la necessità di professionisti in grado di comprendere e utilizzare dati e statistiche correlate.

I vantaggi di questo processo di digitalizzazione riguardano soprattutto l’abbattimento dei tempi di ricerca e sviluppo di un nuovo farmaco (che possono arrivare fino a 15 anni), oltre alla riduzione dei costi di trasferimento del farmaco stesso dal laboratorio al mercato (che ad oggi si aggira intorno ai 2,5 miliardi di dollari). A questo proposito uno dei filoni più interessanti riguarda l’applicazione di algoritmi di intelligenza artificiale e machine learning al processo di R&D dei farmaci. Strategia che, secondo gli esperti, potrebbe portare in futuro a una riduzione fino all’80% dei costi legati alla “drug discovery”.

Se Big data e Big pharma si intrecciano

Se in passato prevaleva lo scetticismo da parte delle grandi aziende nell’utilizzo dei big data per promuovere lo sviluppo di nuovi farmaci e altre terapie mediche, oggi la musica è cambiata. Perché negli ultimi anni è diventato sempre più chiaro come il mondo dei dati e quello farmaceutico siano in stretto collegamento l’un l’altro. E quanto sia necessario far dialogare questi mondi tra di loro. Se in passato le aziende produttrici di farmaci erano solite proteggere la loro privacy, ora si accorgono come l’uso dei big data possa aumentare le prospettive di business. Uno degli esempi più significativi in questo senso riguarda un’iniziativa recente di Novartis. Il colosso svizzero ha sviluppato una piattaforma digitale chiamata Nerve live, che sfrutta l’analisi dell’enorme quantità di dati prodotti dal gruppo farmaceutico per migliorare lo sviluppo dei medicinali.

Medicina predittiva e non solo, quando usare i dati genera valore

Un altro filone emergente in cui il ruolo del data scientist potrebbe risultare strategico riguarda la medicina di precisione o medicina personalizzata. Si tratta di una vera e propria sfida che riguarda soprattutto il mondo healthcare. L’obiettivo principale sta nella possibilità di rispondere alle esigenze del paziente in maniera sempre più dettagliata, sviluppando una terapia personalizzata, paragonabile a un abito cucito su misura. Più semplicemente si tratta di saper utilizzare i dati correnti per prevedere in modo affidabile tendenze e risultati futuri, orendo quindi la capacità di essere in grado di soddisfare le esigenze prima ancora che si presentino.

I vantaggi derivanti da questo tipo di approccio sono molteplici: dall’efficacia delle terapie alla riduzione dei costi e degli eetti collaterali legati all’utilizzo di un farmaco, fino al miglioramento della gestione delle malattie e della progettazione degli studi clinici. Proprio la sperimentazione clinica, tra l’altro, può rivelarsi un processo lungo e costoso. Mentre nel frattempo i pazienti restano in attesa che vengano approvati nuovi farmaci, in grado di migliorare le loro condizioni. È qui che la scienza dei dati interviene per abbreviare il lungo processo e, auspicabilmente, ridurre anche le spese. Utilizzando l’analisi predittiva, infatti, le aziende possono concentrarsi principalmente su prodotti e ingredienti specifici nelle terapie farmacologiche che hanno più probabilità di essere efficaci. Più in dettaglio, ecco quali sono gli ambiti in cui a scienza dei dati (e quindi il lavoro dei data scientist) può intervenire.

1) Selezione dei pazienti. Grazie all’uso di una varietà di dati raccolti da varie fonti, le aziende possono scegliere i pazienti appropriati per prendere parte ai loro studi clinici. Queste informazioni possono provenire da social media, profili di test genetici e database di salute pubblica.
2) Monitoraggio dei progressi in tempo reale. È necessario prestare la massima attenzione per monitorare ogni fase dell’intero corso di una sperimentazione clinica. Non solo i risultati dei pazienti devono essere attentamente monitorati, ma anche le politiche e le procedure effettive delineate nel modo in cui viene gestito lo studio clinico. Le migliori tecnologie nel campo della scienza dei dati possono semplificare tutto questo processo.
3) Aumentare la sicurezza e ridurre gli effetti collaterali gravi. Una delle maggiori preoccupazioni nell’ambito delle sperimentazioni cliniche riguarda la sicurezza dei partecipanti e l’esistenza di gravi effetti collaterali correlati al farmaco. Le nuove tecnologie nella scienza dei dati potrebbero essere in grado di allertare i ricercatori sui potenziali effetti collaterali, interazioni e controindicazioni del medicinale prima ancora che emergano i problemi. Questo può prevenire innumerevoli effetti collaterali gravi o addirittura fatali durante la fase di test.
4) Scienza dei dati in vendita e marketing. L’analisi dei dati può essere efficace anche nel campo del marketing. Secondo le statistiche, oltre il 25% del marketing eseguito dalle aziende farmaceutiche viene effettuato digitalmente. L’analisi predittiva consente alle aziende di determinare quali professionisti del settore medicale sono più propensi a interessarsi a un farmaco specifico sulla base di dati raccolti e analizzati in anticipo. Ciò può consentire la creazione di tecniche di vendita estremamente mirate, pensate per il raggiungimento più efficace degli obiettivi. Senza dimenticare che i rappresentanti dei farmaci, oggi sono anche dotati di dispositivi elettronici intelligenti che hanno accesso a importanti analisi in tempo reale, progettate per aiutarli a potenziare il processo di vendita.
5) Migliorare il follow-up con i pazienti Nel processo di sviluppo di un farmaco, una fase di importanza rilevante è quella di follow-up del paziente. Consente di sapere esattamente come vengono usati i farmaci, monitorare la salute dei pazienti e come i consumatori vedono il nuovo farmaco. Anche perché, negli anni la raccolta e la selezione di migliaia di opinioni diverse su nuove terapie farmacologiche, si è rivelato un lavoro lungo e dispendioso.

Ecco perché l’innovazione tecnologica e nello specifico l’utilizzo della data science, ha permesso la raccolta di queste informazioni essenziali in un formato più comprensibile da leggere, analizzare e utilizzare. In questo modo, le interazioni farmacologiche possono essere notate prima che diventino serie e influenzino la vita di migliaia di persone. Senza dimenticare che i dati possono essere organizzati per consentire alle aziende di valutare l’impatto di chi smette di usare i loro farmaci.

Come diventare un data scientist

Per tutti questi motivi, si può dire che ogni azienda – in particolar modo nel settore farmaceutico – dovrebbe avere in organico un data scientist. E non solo perché si tratta di una delle professioni più ricercate nell’ambito dell’analisi dei dati (tra l’altro, un recente report di Deloitte auspica una carenza di un milione di analisti di dati già nel 2018), ma soprattutto perché i dati rappresentano il vero e proprio petrolio del futuro. E, tra non molto, costituiranno un valore di mercato così grande, da stimolare l’appetito di qualsiasi azienda.

Considerato tutto ciò, come si diventa data scientist? Sono tre le strade più battute: frequentare corsi universitari o master post laurea ad hoc; partecipare a uno dei cosidetti Mooc (Massive open online courses), ovvero corsi di formazione a distanza presenti sulle piattaforme specializzate (Coursera, Udacity, Edx, Emma); oppure prendere parte a un bootcamp, una sorta di workshop con un orientamento pratico, in cui mettere in atto fin da subito le nozioni apprese con l’ausilio di data scientist esperti e tradurle in progetti.