Modello di scala di carriera

Modello di scala di carriera per data analyst

Cinque livelli da Junior a Principal Analyst, su sette competenze: dall’impostazione delle domande alle decisioni che cambiano.

Inizia gratis Scarica in CSV

Piano Gratuito · Nessuna carta di credito richiesta

Questa scala di carriera è pensata per aziende di circa 20–200 persone in cui gli analisti lavorano a stretto contatto con il business: una manciata di analisti, a volte uno solo, risponde alle domande di prodotto, marketing, vendite e management, spesso su uno stack di dati che contribuisce anche a costruire. Descrive cinque livelli, da chi sta imparando a scrivere query affidabili a chi decide come l’intera azienda misura sé stessa. Il livello più alto, Principal Data Analyst, è un livello specialistico: guidare il team di analytics è un lavoro a parte.

Ogni livello è definito da ciò che un analista fa e da quanto lontano arriva il suo lavoro, non dagli strumenti che conosce o dagli anni di esperienza. Leggi una riga della matrice delle competenze da sinistra a destra per vedere come cresce un’aspettativa; leggi la sezione di un livello per vedere tutto ciò che ci si aspetta a quel livello. Usala per spiegare cosa significa il livello successivo, per condurre autovalutazioni e check-in e per rendere confrontabili le proposte di promozione.

Adattala prima di pubblicarla. Sostituisci le formulazioni generiche con il tuo stack e le tue metriche, elimina i livelli che non ti servono ancora e decidi dove finisce l’analytics engineering e dove inizia l’analisi nella tua azienda.

I livelli in sintesi

Junior Data Analyst
Risponde a domande ben definite con query affidabili e grafici chiari, con la review di un analista più esperto.
Ambito
Singole richieste e report ricorrenti per un team, di solito impostati da qualcun altro.
Data Analyst
È responsabile delle analisi dall’inizio alla fine, da una domanda vaga a una raccomandazione, ed è l’analista di riferimento per un’area.
Ambito
Un’area di business, come l’onboarding, il pricing o il funnel di vendita, con le sue dashboard e le sue domande ricorrenti.
Senior Data Analyst
Guida le analisi alla base delle decisioni importanti e alza la qualità delle analisi intorno a sé.
Ambito
Più aree di business o una grande iniziativa aziendale, e le definizioni delle metriche da cui dipendono.
Lead Data Analyst
Orienta il modo in cui l’azienda usa i dati tra le funzioni e definisce gli standard a cui lavorano gli altri analisti.
Ambito
L’analytics di più funzioni, comprese metriche condivise, modelli di dati e roadmap di analytics.
Principal Data Analyst
Decide come l’azienda misura sé stessa e risponde della fiducia che il management ripone nei suoi numeri.
Ambito
Le metriche principali dell’azienda, il suo approccio alla sperimentazione e la strategia di analytics per i prossimi anni.

Matrice delle competenze

Ogni riga è una competenza e ogni colonna un livello. Leggi una riga da sinistra a destra per vedere come crescono le aspettative.

Cosa significa ogni competenza

Impostazione del problema: Trasformare la domanda di uno stakeholder in una a cui i dati possono rispondere e da cui può seguire una decisione.
Query e modellazione dei dati: Estrarre dati corretti dal data warehouse e dar loro una forma che altri possano riutilizzare.
Rigore statistico e sperimentazione: Trarre conclusioni che reggono e sapere quanto l’azienda può esserne sicura.
Qualità dei dati e definizione delle metriche: Assicurarsi che i numeri siano corretti, significhino la stessa cosa ovunque e siano affidabili.
Comunicazione degli insight: Spiegare cosa dicono i dati perché le persone li capiscano e agiscano di conseguenza.
Impatto sul business e collaborazione: Capire come funziona il business e assicurarsi che l’analisi cambi ciò che le persone fanno.
Mentoring e crescita del team: Aiutare gli altri analisti e chi usa i dati a migliorare, e rendere il team più forte.

Data Analyst: aspettative per competenza e livello
Competenza	Junior Data Analyst	Data Analyst	Senior Data Analyst	Lead Data Analyst	Principal Data Analyst
Impostazione del problema	Riformula per iscritto ogni richiesta prima di iniziare, conferma il periodo, il segmento e la definizione richiesti e chiede quale decisione orienterà la risposta.	Trasforma domande vaghe come «perché il churn è aumentato?» in un breve piano di analisi con ipotesi, e si oppone quando una richiesta non cambierebbe alcuna decisione.	Riformula le domande degli stakeholder attorno alla decisione che va davvero presa e propone analisi che nessuno ha chiesto quando cambierebbero una priorità.	Definisce ogni trimestre l’agenda di analytics con i responsabili delle funzioni, scegliendo le poche domande a cui vale di più la pena rispondere e spiegando cosa non verrà analizzato e perché.	Individua le domande che il management dovrebbe porsi sul business e si assicura che l’azienda abbia i dati per rispondere prima che diventino urgenti.
Query e modellazione dei dati	Scrive SQL leggibile con join, aggregazioni e window function, controlla numero di righe e duplicati prima di fidarsi di un risultato e chiede una review sulle tabelle che non conosce.	Conosce le tabelle della propria area e le loro stranezze, costruisce modelli o viste riutilizzabili invece di copiare query e documenta la logica dietro ogni dashboard di cui è responsabile.	Progetta i modelli di dati di un’area di business in modo che le domande comuni richiedano query semplici, rivede la logica degli altri analisti e lavora con gli engineer per correggere il tracciamento alla fonte.	Definisce le convenzioni di modellazione in tutto il codice di analytics, decide cosa appartiene ai modelli condivisi e cosa alle analisi una tantum e pianifica il lavoro per dismettere le pipeline fragili.	Orienta l’architettura dei dati complessiva insieme al management di engineering, scegliendo dove l’analytics deve investire perché le domande più importanti restino economiche e veloci da rispondere.
Rigore statistico e sperimentazione	Confronta grandezze omogenee, annota dimensione del campione e stagionalità in ogni risultato e segnala quando una differenza potrebbe essere rumore invece di presentarla come una scoperta.	Analizza i test A/B dall’inizio alla fine, compresi dimensione del campione, durata e metriche di controllo, e spiega confidenza e incertezza con parole semplici.	Sceglie un metodo difendibile quando un test randomizzato è impossibile — difference-in-differences rispetto a un segmento comparabile, una serie storica interrotta o un confronto appaiato — e dichiara apertamente ipotesi e limiti.	Definisce gli standard di sperimentazione dell’azienda — quando testare, per quanto tempo, come stabilire un risultato — e rivede le analisi ad alta posta in gioco prima che arrivino al management.	Decide come l’azienda tratta le evidenze nelle decisioni più importanti, bilanciando rigore e velocità, ed è il revisore finale delle analisi che cambiano la strategia.
Qualità dei dati e definizione delle metriche	Riconcilia i nuovi numeri con una fonte esistente prima di condividerli e segnala il giorno stesso al responsabile dati rotti o cali sospetti.	È responsabile dell’accuratezza delle dashboard della propria area, aggiunge controlli semplici che intercettano i dati rotti prima degli stakeholder e mette per iscritto ogni definizione di metrica che introduce.	Risolve le versioni contrastanti della stessa metrica tra team, concorda un’unica definizione con chi la usa e dismette i report che la contraddicono.	Gestisce il catalogo delle metriche dell’azienda e il processo per cambiare una definizione, e rende visibili gli incidenti sui dati con un responsabile e una correzione.	Risponde dell’affidabilità dei numeri presentati al management, agli investitori o al consiglio di amministrazione e costruisce i controlli che li mantengono coerenti man mano che l’azienda cresce.
Comunicazione degli insight	Presenta i risultati con un grafico chiaro, un messaggio chiave in una riga e le avvertenze che contano, e mantiene le dashboard etichettate perché gli altri possano leggerle senza aiuto.	Scrive brevi sintesi delle analisi che partono dalla risposta e dalla raccomandazione, adatta il livello di dettaglio al pubblico e costruisce dashboard che rispondono a un insieme preciso di domande.	Racconta la storia dietro analisi complesse agli stakeholder senior, gestisce con calma le contestazioni sui numeri e trasforma i risultati in proposte su cui il team può agire.	Presenta regolarmente al management, definisce lo standard con cui le analisi vengono scritte in tutta l’azienda e si assicura che i risultati importanti arrivino a tutti coloro che ne sono toccati.	Orienta il modo in cui l’azienda parla delle proprie performance, dalle review del management agli aggiornamenti per gli investitori, così che tutti leggano gli stessi numeri allo stesso modo.
Impatto sul business e collaborazione	Impara come il team che supporta genera ricavi o valore, e dopo una richiesta verifica se la risposta è stata usata.	È un partner di fiducia per un team, partecipa alla sua pianificazione e sa indicare decisioni dell’ultimo trimestre che sono cambiate grazie al suo lavoro.	Influenza le priorità di più team, collega le analisi a ricavi, costi o retention e interrompe il lavoro che non vale più la pena fare.	Collabora con i responsabili delle funzioni su obiettivi e target e si assicura che la capacità di analytics vada dove cambierà le decisioni più importanti.	Lavora con il management su strategia e pianificazione e sa indicare decisioni a livello aziendale dell’ultimo anno — pricing, ingresso in nuovi mercati, grandi investimenti — che sono cambiate grazie al lavoro di analytics.
Mentoring e crescita del team	Chiede feedback sulle proprie query e sulle proprie sintesi, lo applica e condivide con il team trucchi utili e insidie.	Rivede il lavoro degli altri analisti con commenti specifici, aiuta i nuovi arrivati a conoscere i dati della propria area e risponde con pazienza alle domande sui dati dei colleghi.	Fa mentoring agli analisti junior, conduce review del codice e delle analisi e insegna a chi non è analista a rispondere da solo alle domande semplici con strumenti self-service.	Fa crescere più analisti verso il livello successivo, definisce selezioni e colloqui per il team di analytics e costruisce l’onboarding e la documentazione su cui contano i nuovi analisti.	Costruisce la cultura dei dati dell’azienda, sviluppa i futuri leader di analytics e argomenta come dovrebbe essere strutturato il team dati man mano che l’azienda cresce.

Scorri la tabella lateralmente per vedere tutti i livelli.

Scarica in CSV Si apre in Excel, Google Sheets o Numbers.

Junior Data Analyst: cosa ci si aspetta

Risponde a domande ben definite con query affidabili e grafici chiari, con la review di un analista più esperto. Singole richieste e report ricorrenti per un team, di solito impostati da qualcun altro.

Impostazione del problema: Riformula per iscritto ogni richiesta prima di iniziare, conferma il periodo, il segmento e la definizione richiesti e chiede quale decisione orienterà la risposta.
Query e modellazione dei dati: Scrive SQL leggibile con join, aggregazioni e window function, controlla numero di righe e duplicati prima di fidarsi di un risultato e chiede una review sulle tabelle che non conosce.
Rigore statistico e sperimentazione: Confronta grandezze omogenee, annota dimensione del campione e stagionalità in ogni risultato e segnala quando una differenza potrebbe essere rumore invece di presentarla come una scoperta.
Qualità dei dati e definizione delle metriche: Riconcilia i nuovi numeri con una fonte esistente prima di condividerli e segnala il giorno stesso al responsabile dati rotti o cali sospetti.
Comunicazione degli insight: Presenta i risultati con un grafico chiaro, un messaggio chiave in una riga e le avvertenze che contano, e mantiene le dashboard etichettate perché gli altri possano leggerle senza aiuto.
Impatto sul business e collaborazione: Impara come il team che supporta genera ricavi o valore, e dopo una richiesta verifica se la risposta è stata usata.
Mentoring e crescita del team: Chiede feedback sulle proprie query e sulle proprie sintesi, lo applica e condivide con il team trucchi utili e insidie.

Data Analyst: cosa ci si aspetta

È responsabile delle analisi dall’inizio alla fine, da una domanda vaga a una raccomandazione, ed è l’analista di riferimento per un’area. Un’area di business, come l’onboarding, il pricing o il funnel di vendita, con le sue dashboard e le sue domande ricorrenti.

Impostazione del problema: Trasforma domande vaghe come «perché il churn è aumentato?» in un breve piano di analisi con ipotesi, e si oppone quando una richiesta non cambierebbe alcuna decisione.
Query e modellazione dei dati: Conosce le tabelle della propria area e le loro stranezze, costruisce modelli o viste riutilizzabili invece di copiare query e documenta la logica dietro ogni dashboard di cui è responsabile.
Rigore statistico e sperimentazione: Analizza i test A/B dall’inizio alla fine, compresi dimensione del campione, durata e metriche di controllo, e spiega confidenza e incertezza con parole semplici.
Qualità dei dati e definizione delle metriche: È responsabile dell’accuratezza delle dashboard della propria area, aggiunge controlli semplici che intercettano i dati rotti prima degli stakeholder e mette per iscritto ogni definizione di metrica che introduce.
Comunicazione degli insight: Scrive brevi sintesi delle analisi che partono dalla risposta e dalla raccomandazione, adatta il livello di dettaglio al pubblico e costruisce dashboard che rispondono a un insieme preciso di domande.
Impatto sul business e collaborazione: È un partner di fiducia per un team, partecipa alla sua pianificazione e sa indicare decisioni dell’ultimo trimestre che sono cambiate grazie al suo lavoro.
Mentoring e crescita del team: Rivede il lavoro degli altri analisti con commenti specifici, aiuta i nuovi arrivati a conoscere i dati della propria area e risponde con pazienza alle domande sui dati dei colleghi.

Senior Data Analyst: cosa ci si aspetta

Guida le analisi alla base delle decisioni importanti e alza la qualità delle analisi intorno a sé. Più aree di business o una grande iniziativa aziendale, e le definizioni delle metriche da cui dipendono.

Impostazione del problema: Riformula le domande degli stakeholder attorno alla decisione che va davvero presa e propone analisi che nessuno ha chiesto quando cambierebbero una priorità.
Query e modellazione dei dati: Progetta i modelli di dati di un’area di business in modo che le domande comuni richiedano query semplici, rivede la logica degli altri analisti e lavora con gli engineer per correggere il tracciamento alla fonte.
Rigore statistico e sperimentazione: Sceglie un metodo difendibile quando un test randomizzato è impossibile — difference-in-differences rispetto a un segmento comparabile, una serie storica interrotta o un confronto appaiato — e dichiara apertamente ipotesi e limiti.
Qualità dei dati e definizione delle metriche: Risolve le versioni contrastanti della stessa metrica tra team, concorda un’unica definizione con chi la usa e dismette i report che la contraddicono.
Comunicazione degli insight: Racconta la storia dietro analisi complesse agli stakeholder senior, gestisce con calma le contestazioni sui numeri e trasforma i risultati in proposte su cui il team può agire.
Impatto sul business e collaborazione: Influenza le priorità di più team, collega le analisi a ricavi, costi o retention e interrompe il lavoro che non vale più la pena fare.
Mentoring e crescita del team: Fa mentoring agli analisti junior, conduce review del codice e delle analisi e insegna a chi non è analista a rispondere da solo alle domande semplici con strumenti self-service.

Lead Data Analyst: cosa ci si aspetta

Orienta il modo in cui l’azienda usa i dati tra le funzioni e definisce gli standard a cui lavorano gli altri analisti. L’analytics di più funzioni, comprese metriche condivise, modelli di dati e roadmap di analytics.

Impostazione del problema: Definisce ogni trimestre l’agenda di analytics con i responsabili delle funzioni, scegliendo le poche domande a cui vale di più la pena rispondere e spiegando cosa non verrà analizzato e perché.
Query e modellazione dei dati: Definisce le convenzioni di modellazione in tutto il codice di analytics, decide cosa appartiene ai modelli condivisi e cosa alle analisi una tantum e pianifica il lavoro per dismettere le pipeline fragili.
Rigore statistico e sperimentazione: Definisce gli standard di sperimentazione dell’azienda — quando testare, per quanto tempo, come stabilire un risultato — e rivede le analisi ad alta posta in gioco prima che arrivino al management.
Qualità dei dati e definizione delle metriche: Gestisce il catalogo delle metriche dell’azienda e il processo per cambiare una definizione, e rende visibili gli incidenti sui dati con un responsabile e una correzione.
Comunicazione degli insight: Presenta regolarmente al management, definisce lo standard con cui le analisi vengono scritte in tutta l’azienda e si assicura che i risultati importanti arrivino a tutti coloro che ne sono toccati.
Impatto sul business e collaborazione: Collabora con i responsabili delle funzioni su obiettivi e target e si assicura che la capacità di analytics vada dove cambierà le decisioni più importanti.
Mentoring e crescita del team: Fa crescere più analisti verso il livello successivo, definisce selezioni e colloqui per il team di analytics e costruisce l’onboarding e la documentazione su cui contano i nuovi analisti.

Principal Data Analyst: cosa ci si aspetta

Decide come l’azienda misura sé stessa e risponde della fiducia che il management ripone nei suoi numeri. Le metriche principali dell’azienda, il suo approccio alla sperimentazione e la strategia di analytics per i prossimi anni.

Impostazione del problema: Individua le domande che il management dovrebbe porsi sul business e si assicura che l’azienda abbia i dati per rispondere prima che diventino urgenti.
Query e modellazione dei dati: Orienta l’architettura dei dati complessiva insieme al management di engineering, scegliendo dove l’analytics deve investire perché le domande più importanti restino economiche e veloci da rispondere.
Rigore statistico e sperimentazione: Decide come l’azienda tratta le evidenze nelle decisioni più importanti, bilanciando rigore e velocità, ed è il revisore finale delle analisi che cambiano la strategia.
Qualità dei dati e definizione delle metriche: Risponde dell’affidabilità dei numeri presentati al management, agli investitori o al consiglio di amministrazione e costruisce i controlli che li mantengono coerenti man mano che l’azienda cresce.
Comunicazione degli insight: Orienta il modo in cui l’azienda parla delle proprie performance, dalle review del management agli aggiornamenti per gli investitori, così che tutti leggano gli stessi numeri allo stesso modo.
Impatto sul business e collaborazione: Lavora con il management su strategia e pianificazione e sa indicare decisioni a livello aziendale dell’ultimo anno — pricing, ingresso in nuovi mercati, grandi investimenti — che sono cambiate grazie al lavoro di analytics.
Mentoring e crescita del team: Costruisce la cultura dei dati dell’azienda, sviluppa i futuri leader di analytics e argomenta come dovrebbe essere strutturato il team dati man mano che l’azienda cresce.

Come adattare questa scala

Dimensionala sul tuo team di analytics
Con uno o due analisti probabilmente ti servono tre livelli, non cinque. Lascia fuori Lead e Principal finché qualcuno non definisce davvero standard tra le funzioni, e aggiungili quando quel lavoro esiste, non come premio. Nella maggior parte delle aziende di queste dimensioni il perimetro Principal spetta a un Head of Data o Head of Analytics; usa il livello solo se vuoi uno specialista senior accanto a quella persona.
Decidi dove si colloca l’analytics engineering
Se hai analytics engineer o data engineer responsabili dei modelli, alleggerisci la riga Query e modellazione dei dati e rafforza la riga Impostazione del problema. Se i tuoi analisti sono responsabili dell’intero stack, lascia la riga com’è e indica i tuoi strumenti.
Rifletti se gli analisti sono nei team o centralizzati
Gli analisti inseriti nei team vengono valutati soprattutto in base alle decisioni del team in cui lavorano; un team centrale viene valutato di più su metriche e standard condivisi. Dai il peso giusto alle righe Impatto sul business e Qualità dei dati in base a come il tuo team è davvero organizzato.
Raccogli prove da analisi reali
Chiedi agli analisti di collegare le sintesi, le dashboard e i modelli dietro ogni affermazione della loro autovalutazione, insieme alla decisione che ciascuno ha orientato. Così i check-in diventano una discussione sul lavoro reale invece di un elenco di strumenti imparati.

FAQ

Domande su questa scala

Qual è la differenza tra data analyst e data scientist in una scala di carriera?

Un data analyst aiuta le persone a prendere decisioni trovando, verificando e spiegando cosa dicono i dati. Un data scientist costruisce soprattutto modelli statistici o di machine learning che diventano parte del prodotto o delle operations. Nelle aziende più piccole i ruoli si sovrappongono, ma crescono in direzioni diverse: dai loro scale di carriera separate o percorsi separati. In alcune aziende «data scientist» è semplicemente il titolo degli analisti che si concentrano sulla sperimentazione.

Quanti livelli dovrebbe avere una scala di carriera per data analyst?

Per un’azienda di 20–200 persone, da tre a cinque. La maggior parte dei team piccoli ha bisogno di Junior, Data Analyst e Senior; Lead e Principal hanno senso solo quando l’analytics serve più funzioni e qualcuno definisce gli standard per tutte.

Un data analyst senior deve conoscere Python o basta SQL?

Questa scala di carriera volutamente non lega i livelli ai linguaggi. Molti ottimi analisti senior lavorano soprattutto in SQL e con uno strumento di BI. Ciò che distingue i livelli è la qualità delle domande, il rigore dell’analisi e le decisioni che cambia: aggiungi un requisito su uno strumento solo se il tuo team davvero non può farne a meno.

Come si dimostra l’impatto di un data analyst in una proposta di promozione?

Indica decisioni, non dashboard. Per ogni competenza del livello di destinazione, elenca due o tre analisi con la domanda, il metodo, la raccomandazione e cosa è successo dopo. Uno stakeholder che conferma che una decisione è cambiata è una prova più forte del numero di report costruiti.

Un data analyst può continuare a crescere senza diventare head of analytics?

Sì. Lead e Principal sono livelli specialistici: crescono in perimetro e in influenza sul modo in cui l’azienda usa i dati, senza gestire persone. Gestire il team di analytics è un lavoro a parte con una propria scala di carriera, e passarci dovrebbe essere un cambio di percorso, non l’unica strada per crescere.

Costruisci questa scala di carriera in LadderKit — gratis

Configura i suoi livelli e le sue competenze per il tuo team, valuta le persone su questa base nei check-in e mantieni coerenti le decisioni di promozione.

Inizia gratis Esplora la demo Senza registrazione