Parti da SQL, costruisci un portfolio e candidati con prove concrete
- Il lavoro del data analyst è trasformare dati grezzi in decisioni utili per marketing, vendite, finanza, operations e prodotto.
- Le priorità tecniche sono Excel avanzato, SQL e un tool di data visualization come Power BI o Tableau; Python arriva dopo, ma alza il livello del profilo.
- In Italia non esiste un solo percorso obbligatorio: laurea, corso intensivo e autoformazione possono funzionare, ma il portfolio è ciò che fa la differenza al colloquio.
- Se parti da zero, servono in genere 3-6 mesi di studio intensivo oppure 6-12 mesi part-time per arrivare a candidarti con credibilità.
- Le retribuzioni iniziali cambiano molto in base a città, settore e autonomia reale: il titolo aiuta, ma non basta.
Che cosa fa davvero un data analyst
Un data analyst non si limita a creare grafici belli da vedere. Il suo lavoro è prendere dati sparsi, spesso incompleti o incoerenti, e trasformarli in indicazioni operative: dove si sta perdendo margine, quale canale porta più conversioni, quali clienti stanno abbandonando, quali costi stanno salendo troppo in fretta. È una figura ponte tra numeri e decisioni.
Nella pratica, il flusso di lavoro è quasi sempre questo: si parte da una domanda di business, si estrae il dato dalle fonti corrette, si pulisce il file o la tabella, si analizza il comportamento dei numeri e infine si presenta il risultato in modo comprensibile. Qui entrano in gioco anche due concetti chiave: KPI, cioè gli indicatori chiave di performance, ed ETL, il processo di estrazione, trasformazione e caricamento dei dati.
Io trovo utile distinguere il data analyst da ruoli vicini. Il business analyst lavora più spesso su processi, requisiti e impatto organizzativo; il data scientist si occupa di modelli più avanzati, previsioni e sperimentazioni statistiche più complesse. Il data analyst, invece, sta nel mezzo: serve business sense, ma anche ordine mentale e capacità di interpretare i numeri senza forzarli. Quando questo perimetro è chiaro, ha più senso capire quali competenze servono davvero per essere assunti.
Le competenze da costruire prima di candidarti
Chi vuole entrare in questo mestiere tende a fare un errore molto comune: comincia da troppi strumenti insieme. Io partirei in modo molto più secco, con una gerarchia precisa. Prima le basi che servono subito in azienda, poi gli strumenti che aumentano la produttività, infine quelli che ti fanno crescere oltre il profilo junior.
| Competenza | Perché conta | Come la alleni |
|---|---|---|
| Excel avanzato | Resta uno strumento quotidiano per analisi rapide, tabelle pivot, pulizia iniziale e controlli veloci. | Filtri, tabelle pivot, formule, ricerca verticale, funzioni condizionali e gestione di file sporchi. |
| SQL | Serve per interrogare database e ottenere i dati giusti senza dipendere sempre da altri team. | SELECT, JOIN, GROUP BY, CASE WHEN, filtri temporali e sottoquery. |
| Power BI o Tableau | Ti aiuta a raccontare i dati con dashboard leggibili e aggiornabili. | Grafici, filtri, misure, layout pulito e una logica chiara per i KPI. |
| Python | È molto utile per pulizia, automazione e analisi più flessibili, soprattutto con pandas. | Notebook semplici, manipolazione dei dataset, grafici base e automazione di task ripetitivi. |
| Statistica di base | Serve per non interpretare male medie, correlazioni, dispersione e campioni. | Media, mediana, deviazione standard, distribuzioni, outlier e bias. |
| Data cleaning | Gran parte del lavoro reale è sistemare dati incompleti, duplicati o incoerenti. | Normalizzazione, gestione dei valori mancanti, deduplica e controllo qualità. |
| Business understanding | Un buon analista non legge solo numeri: capisce il contesto, il processo e l’obiettivo aziendale. | Studia KPI, funnel, churn, margini, conversioni e costi per acquisizione. |
| Storytelling | Se non sai spiegare il risultato, l’analisi perde valore. | Scrivi conclusioni brevi, collega il dato a una decisione concreta e parla il linguaggio del team. |
Se dovessi scegliere un ordine, partirei da Excel e SQL, poi passerei a un tool di BI e solo dopo a Python. È la sequenza più pratica per entrare nel mercato senza perdere mesi su ciò che serve meno al primo colloquio. Una volta coperte queste basi, il vero tema diventa scegliere il percorso formativo più adatto al tuo punto di partenza.
Laurea, corso o autoformazione quale strada ha più senso
Non esiste un’unica porta d’ingresso. Alcune aziende preferiscono candidati con laurea, altre guardano molto di più alla capacità di lavorare sui dati e alla qualità dei progetti mostrati. In Italia una laurea in economia, statistica, ingegneria gestionale o informatica aiuta, ma non è un requisito assoluto. Conta molto di più la coerenza tra ciò che sai fare e il tipo di ruolo per cui ti candidi.
| Percorso | Durata realistica | Costo indicativo | Quando ha senso | Limite principale |
|---|---|---|---|---|
| Laurea triennale o magistrale | 3-5 anni | Da poche centinaia a qualche migliaio di euro l’anno, a seconda dell’ateneo | Se vuoi una base forte su statistica, economia dei dati o informatica | Richiede tempo e non ti porta automaticamente al primo lavoro |
| Corso intensivo o bootcamp | 3-9 mesi | Da poche centinaia a oltre 4.000 euro | Se vuoi velocizzare l’ingresso e hai bisogno di struttura | La qualità varia molto e senza pratica reale vale poco |
| Autoformazione con portfolio | 3-12 mesi, in base al ritmo | Molto basso, se usi risorse gratuite e un solo corso mirato | Se sei disciplinato e vuoi costruire competenze spendibili senza spendere troppo | Rischi di disperderti se non ti dai una sequenza precisa |
| Passaggio interno da un altro ruolo | 2-6 mesi per un primo salto, di più per consolidarti | Basso | Se lavori già in marketing, finance, amministrazione o operations | Serve dimostrare che sai già leggere il business oltre ai dati |
Il mio giudizio è semplice: il titolo di studio aiuta a entrare, ma il portfolio aiuta a restare nella shortlist. Un corso può essere utile se ti impone ritmo e progetto finale; una laurea è più solida sul lungo periodo; l’autoformazione funziona solo se è molto disciplinata. Da qui in poi, il punto non è più “che percorso scelgo?”, ma “come costruisco un percorso credibile in pochi mesi”.
Il percorso pratico per arrivare al primo colloquio
Se parti da zero, io penserei in termini di sequenza, non di accumulo. L’obiettivo non è sapere tutto: è arrivare a un livello in cui un recruiter capisce che sai muoverti su un problema reale.
- Definisci il contesto. Scegli un ambito vicino ai tuoi interessi o alla tua esperienza: vendite, marketing, finance, operations, e-commerce, HR. Cambia molto il tipo di KPI che analizzerai e anche il lessico che dovrai usare.
- Impara a leggere e interrogare i dati. SQL e Excel devono diventare automatici. Non basta conoscere le funzioni: devi saper estrarre un dataset, filtrarlo, confrontarlo e controllarlo senza bloccarti.
- Lavora su dataset reali. Non restare nei tutorial. Prendi dati pubblici o open data e fai un piccolo progetto completo: domanda iniziale, pulizia, analisi, grafici e conclusione.
- Aggiungi un tool di visualizzazione. Power BI o Tableau servono per mostrare che sai trasformare un file in una dashboard leggibile. La parte estetica conta meno della chiarezza.
- Impara il minimo utile di Python. Per un junior non serve diventare subito sviluppatore, ma saper usare pandas per ripulire i dati ti rende molto più interessante.
- Prepara candidatura e colloquio. CV essenziale, progetto descritto bene, risultati misurabili, spiegazione chiara delle scelte fatte e delle difficoltà incontrate.
Con un ritmo serio, chi studia part-time può arrivare a un primo colloquio in 6-12 mesi; chi può dedicare molte ore a settimana scende spesso a 3-6 mesi. Il tempo però dipende dalla qualità dell’esercizio, non solo dalle ore spese. Ed è proprio qui che entra in gioco il portfolio: senza prove concrete, il percorso resta teorico.
Il portfolio che convince più di un certificato
Un portfolio utile non deve essere lungo, deve essere leggibile. Io preferisco sempre tre progetti ben raccontati a dieci lavori messi online senza contesto. Il recruiter vuole capire se sai scegliere una metrica, pulire i dati, arrivare a una conclusione e spiegare cosa cambia per il business.
| Progetto | Cosa dimostra | Dettaglio che fa la differenza |
|---|---|---|
| Analisi vendite | Ti fa vedere KPI, stagionalità, trend e confronto tra periodi. | Usa una dashboard con filtri per canale, area geografica e periodo, e chiudi con una conclusione operativa. |
| Analisi marketing | Mostra che sai leggere funnel, conversioni e performance dei canali. | Inserisci metriche come conversion rate, CAC e ROAS, spiegando cosa funziona e cosa no. |
| Analisi operations o finance | Dimostra rigore e capacità di lavorare su costi, ritardi, scarti o margini. | Non fermarti ai grafici: evidenzia il problema, l’impatto e l’azione consigliata. |
Il punto cruciale è raccontare il processo, non solo il risultato finale. Io inserirei sempre: fonte del dataset, ipotesi iniziali, pulizia effettuata, limiti dell’analisi e conclusione finale in poche righe. Anche un profilo GitHub ordinato o una cartella PDF ben strutturata possono bastare, se il contenuto è solido. Una volta che hai prove credibili, il passo successivo è capire come si muove davvero il mercato italiano.
Stipendi, settori e sbocchi più realistici in Italia
Nelle rilevazioni pubbliche di Glassdoor aggiornate al 2026, la retribuzione di un data analyst in Italia si colloca intorno ai 32.000 euro lordi annui, con una forchetta che per molti profili sta tra 28.000 e 38.000 euro. Un junior tende a muoversi più spesso tra 24.850 e 31.400 euro, mentre un senior può arrivare facilmente oltre i 44.000 euro lordi annui, con punte più alte nei contesti più strutturati.
| Livello | Range indicativo lordo annuo | Cosa aspettarsi davvero |
|---|---|---|
| Junior | 24.850 - 31.400 euro | Molto lavoro operativo, forte bisogno di guida, crescita rapida se hai basi solide. |
| Intermedio | 28.000 - 38.000 euro | Più autonomia, più interazione con stakeholder e responsabilità sui KPI. |
| Senior | 37.000 - 54.500 euro e oltre | Gestione di analisi complesse, priorità di business e supporto alle decisioni. |
Le differenze geografiche contano ancora. Milano e le aree con più aziende data-driven tendono a pagare meglio, mentre in altre città l’offerta iniziale può essere più bassa ma spesso è più facile entrare. Nei settori più dinamici trovi spesso consulting, fintech, banking, e-commerce, retail, logistica e manufacturing. Io considero particolarmente interessanti i contesti in cui i dati sono già usati per decidere, perché lì impari più in fretta. In un primo impiego, la curva di apprendimento vale quasi sempre più di qualche migliaio di euro in più o in meno.
Gli errori che rallentano il passaggio
- Studiare troppi strumenti insieme. Chi inizia da Python, Tableau, SQL, R e statistica avanzata senza una sequenza chiara rischia di imparare tutto in superficie.
- Confondere dashboard e analisi. Un grafico bello non basta: serve una domanda, un ragionamento e una conclusione utile.
- Non saper scrivere query semplici. Se non domini JOIN e GROUP BY, il tuo margine operativo resta troppo basso per molti ruoli junior.
- Copiarsi i progetti dai tutorial. Si vede subito quando un lavoro è stato rifatto meccanicamente. Meglio un progetto piccolo ma tuo.
- Ignorare il lato business. Se non capisci KPI, funnel, margine o churn, i dati restano numeri isolati.
- Mandare CV generici. Devi mostrare risultati, problemi risolti e strumenti usati, non un elenco anonimo di attività.
- Chiedere subito uno stipendio da profilo intermedio. Se non hai esperienza dimostrabile, la richiesta suona scollegata dal mercato.
Il denominatore comune è sempre lo stesso: troppo studio astratto, poca prova concreta. Chi evita questi errori accorcia davvero il tempo di ingresso e arriva al colloquio con una storia professionale più credibile. A quel punto serve solo un ultimo passaggio: organizzare bene il primo mese di lavoro su di sé.
Da qui partirei nei prossimi 30 giorni
Se fossi all’inizio, imposterei il primo mese con obiettivi semplici e verificabili. Niente corsa disordinata: una sequenza chiara vale molto più di un accumulo di corsi.
- Settimana 1: scegli un settore di riferimento e annota i KPI che useresti per valutarlo.
- Settimana 2: lavora solo su Excel e SQL, fino a saper fare estrazioni e analisi base senza fermarti ogni due minuti.
- Settimana 3: prendi un dataset reale e costruisci una mini-analisi con pulizia, grafici e conclusione scritta.
- Settimana 4: trasforma il progetto in un portfolio leggibile e riscrivi il CV in funzione del ruolo che vuoi ottenere.
Se mantieni questa disciplina, il percorso smette di essere vago e diventa misurabile. È questa la differenza tra “sto studiando i dati” e “sto costruendo un profilo da data analyst”.
