Piccola riflessione personale: ma a cosa serve saper metter su delle belle visualizzazioni con Python?

Al giorno d’oggi, la maggior parte dei corsi per diventare data analyst include dei moduli su Tableau, Power BI, Looker, ecc.

E in effetti, nella vita “aziendale”, si va a finire che si usa sempre una delle piattaforme citate qui sopra.

Ma allora, i grafici con Python, chi li costruisce veramente? E soprattutto, a che servono, se poi ci tocca usare Tableau, Looker o Power BI?

Self-service analytics, ma non solo…

Il successo di strumenti come Tableau, Looker e Power BI è il risultato di una scuola di pensiero che ha guadagnato sempre più terreno a partire dal 2016/2017: quella dei self-service analytics.

Per farla breve, nelle aziende che adottano un modello self-service, non si scomoda più l’analista per richieste del tipo “come sono andate le vendite a gennaio di quest’anno rispetto al gennaio dell’anno scorso?” o “in quale settimana abbiamo avuto più visitatori sul sito?”.

Invece, chi vuole togliersi qualche curiosità può tranquillamente visitare la dashboard apposita, applicare un paio di filtri e trovare le risposte in autonomia.

Questo presuppone che l’analista non lavori più per rispondere a delle richieste ad-hoc, ma che si occupi principalmente di pulire i dati, mettere su un dataset coerente e accurato e, per finire, costruire le dashboard.

Le piattaforme di self-service analytics

Power BI (di proprietà di Microsoft), Tableau (acquistata da Salesforce nel 2019) e Looker Studio (evoluzione di Google Data Studio dopo che l’azienda del motore di ricerca comprò Looker nel 2020) sono oggi le piattaforme di self-service analytics più popolari.

A cosa devono il loro successo? Principalmente a due fattori:

• L’interfaccia semplice da usare per utenti meno tech.

• La tecnologia cloud che rende le dashboard super accessibili e facili da condividere.

E questi due punti si sposano pienamente con i principi dei self-service analytics.

Ma c’è dell’altro …

Strumenti come i tre citati qui sopra rendono le cose più semplici anche all’interno dei dipartimenti di analisi dei dati per 3 motivi principali:

• Costruire grafici non richiede più la conoscenza approfondita di linguaggi di programmazione e librerie. Quindi anche gli analisti junior possono contribuire facilmente.

• Più analisti possono lavorare contemporaneamente sullo stesso report o sulla stessa dashboard.

• Queste piattaforme sono facili da connettere ai database aziendali e/o ad altri sistemi da cui bisogna “leggere” i dati (sistemi CRM, Google Analytics, ecc.).

Ha ancora senso costruire grafici con Python?

In realtà, la domanda è limitata, dato che si concentra su quello che è soltanto un mezzo.

Avrebbe molto più senso chiedersi quanto sia importante saper costruire un grafico.

Che sia per “capire” i dati mentre ci si lavora, farli vedere al volo ad un collega o presentarli formalmente di fronte a tutta l’azienda, la visualizzazione ricopre un ruolo ancora oggi primario nel mondo dell’analisi dei dati.

E un buon analista è capace di dar vita a grafici fruibili ed eleganti senza dover per forza cambiare strumento o piattaforma.

Stai lavorando su su Excel? Il grafico lo costruisci lì.

Stai scrivendo una query con SQL nell’editor di Databricks o in quello di BigQuery? Nell’editor trovi delle funzionalità per grafici niente male.

E se stai scrivendo del codice Python su un Notebook? In quel caso puoi usare una delle tante librerie per il grafico di cui hai bisogno.

Quindi, a cosa serve costruire grafici con Python? Forse proprio a nulla.

Ma quanto serve saper costruire il grafico di cui abbiamo bisogno con gli strumenti di cui si dispone in quel momento? Direi tantissimo.

Se ti piace la visualizzazione dei dati con Python, potresti voler saper come costruire un grafico con una riga di codice o grafici interattivi con Plotly Express o ancora un grafico ad area con Python e Matplotlib.