Vengo da economia: come scegliere il tech stack giusto

Background di partenza

Nnenna aveva una laurea in economia alla George Washington University e stava lavorando in un campo completamente diverso dalla sua formazione quando ha deciso di imparare a programmare. La sua storia, inclusa nella raccolta di SheCanCode di developer autodidatti che sono diventati programmatori professionisti, è quella di una persona che ha usato risorse online gratuite, ha costruito progetti per sé, e ha poi trovato il modo di portare queste competenze nel mercato del lavoro.

Quello che colpisce nella storia di Nnenna - e che la rende rilevante come caso di studio per chi viene da economia - non è la rapidità del percorso o la brillantezza del risultato finale. È la logica di partenza: non "voglio programmare perché è il futuro" (motivazione generica), non "ho letto che i developer guadagnano bene" (motivazione economica superficiale), ma "ho capito che capire il codice mi avrebbe aiutata a capire meglio i sistemi che mi interessavano". Questa motivazione orientata alla comprensione dei sistemi è caratteristica di chi ha studiato economia - e produce un tipo di apprendimento più solido rispetto alla motivazione puramente economica.

Il background economico porta al tech una competenza che è spesso sottovalutata: la capacità di costruire modelli. Non in senso matematico formale - questo è il background del matematico puro - ma in senso concettuale. L'economista impara a identificare le variabili di un sistema, le relazioni tra di esse, i punti in cui il sistema si comporta in modo non intuitivo, i feedback loop che producono comportamenti emergenti. Questa competenza è direttamente applicabile alla progettazione di software - e ancora di più all'analisi dati e al prodotto digitale.

Il mercato del lavoro tech per chi viene da economia non è uniforme. Ci sono aree in cui il background economico è un vantaggio competitivo reale - data analysis, fintech, e-commerce, marketplace, product analytics - e aree in cui è sostanzialmente irrilevante - development di videogiochi, sistemi embedded, infrastruttura di rete. Capire in quale parte del mercato il proprio background aggiunge valore è il primo passo per costruire un percorso efficiente.

L'economia come preparazione alla data science

C'è un percorso naturale da economia a data science che molti economisti non riconoscono subito: la formazione econometrica - regressione, serie temporali, analisi di dati panel, inferenza causale - è quasi identicamente sovrapponibile ai fondamentali della data science applicata. L'econometria usa gli stessi strumenti statistici, le stesse preoccupazioni per la causalità vs correlazione, e la stessa logica di costruzione e validazione dei modelli che caratterizza la data science di qualità.

La differenza è che l'econometria viene applicata a dati economici (PIL, tassi di interesse, dati di sondaggio), mentre la data science viene applicata a dati di prodotto (comportamento degli utenti, metriche di engagement, dati di transazione). Ma la logica sottostante è la stessa. Un economista che ha fatto un corso serio di econometria ha già le basi per la data science - gli manca la parte tecnica (Python, SQL, Pandas) ma non la parte concettuale.

Difficoltà tipiche

Il background economico nel tech porta vantaggi specifici, ma anche difficoltà specifiche che vale la pena nominare prima di iniziare.

La tentazione del "tutto mi interessa"

L'economia è una disciplina trasversale per definizione: studia i mercati, ma anche i comportamenti, le istituzioni, i sistemi incentivo, l'allocazione delle risorse in contesti molto diversi. Chi ha studiato economia tende ad avere un ventaglio di interessi ampio, che nel mondo tech si traduce spesso in una difficoltà specifica: tutto sembra interessante, tutto sembra rilevante, è difficile scegliere da dove iniziare.

Data science o web development? Python o SQL? Machine learning o analisi dei dati classica? Fintech o e-commerce? La varietà di opzioni nel mondo tech è genuinamente più alta di quella nella maggior parte degli altri settori, e per chi è abituato a ragionare in termini di sistemi complessi, questa varietà può diventare paralizzante invece che liberatoria. Il rischio è passare mesi a esplorare tutte le opzioni invece di scegliere una e andare in profondità.

Excel come zavorra e come vantaggio

Molti economisti sono utenti avanzati di Excel - costruzione di modelli complessi, pivot table, analisi di scenario, VLOOKUP e INDEX/MATCH avanzate. Questa competenza è un punto di forza reale per chi entra nella data analysis: chi sa già costruire modelli in Excel capisce più rapidamente la logica delle query SQL e delle trasformazioni Pandas.

Ma Excel può diventare anche una zavorra, se viene usato come scusa per non imparare strumenti più potenti. "So già fare questa cosa in Excel" è una frase che rallenta l'apprendimento di Python e SQL, che sono strumenti immensamente più capaci per l'analisi di dati anche a media scala - oltre i 100k righe, Excel inizia a mostrare i suoi limiti in modo evidente. Excel è un ottimo punto di partenza ma non un punto di arrivo per chi vuole lavorare professionalmente con i dati. La transizione mentale da "costruisco modelli in Excel" a "scrivo query SQL e script Python per analizzare dati" richiede un investimento deliberato, non avviene automaticamente.

La programmazione come astrazione non familiare

L'economia usa modelli matematici e statistici - ma questi modelli vengono solitamente manipolati tramite software (Stata, SPSS, R in alcuni casi, Excel per la maggior parte) invece che costruiti da zero. Chi viene da economia può capire la logica di un modello di regressione senza aver mai scritto una funzione in Python. E quando inizia a programmare, si trova a dover imparare sia la sintassi del linguaggio sia il modo di pensare procedurale che la programmazione richiede - entrambi contemporaneamente.

Il modo di pensare procedurale è diverso dal modo di pensare analitico dell'economista. L'economista pensa in termini di "questa variabile influenza quella variabile attraverso questo meccanismo". Il programma pensa in termini di "questo passo viene eseguito prima di questo altro passo, e dipende dal risultato del passo precedente". Sono due strutture di ragionamento diverse, e la transizione richiede pratica esplicita - non avviene automaticamente.

Il gap nel software engineering

Data science e machine learning sono aree in cui i confini tra "analista che usa strumenti" e "developer che costruisce sistemi" sono spesso fluidi, almeno all'inizio. Ma man mano che il percorso avanza, la competenza di software engineering - scrivere codice pulito, testabile, documentato, versionato con Git, deployabile su infrastrutture cloud - diventa sempre più rilevante. Chi viene da economia e ha imparato Python per l'analisi dei dati tende a costruire codice funzionante ma non necessariamente professionale in senso ingegneristico: script monolitici senza funzioni, senza test, senza documentazione, difficili da mantenere nel tempo.

Questo gap si nota nei colloqui tecnici e nelle code review. La soluzione non è fare un corso completo di computer science - è imparare le pratiche di base dell'ingegneria del software che si applicano anche al codice di analisi dati: usare funzioni invece di codice inline, scrivere commenti significativi, usare Git con commit atomici, gestire le dipendenze con un requirements.txt o un environment.yml.

La competizione nel mercato data analyst

Il ruolo di data analyst - che è spesso il percorso di ingresso più naturale per chi viene da economia - è uno dei più competitivi nel mercato tech, in parte perché è uno dei più ricercati e in parte perché il numero di candidati con le competenze necessarie (SQL + Excel + qualche Python) è molto più alto rispetto ad altri ruoli. Chi viene da economia senza esperienza tecnica significativa si trova in competizione con laureati in informatica, ex-consulenti con esperienza di analisi dati, e self-taught developer che hanno già un portfolio.

La strategia efficace non è cercare di competere sul puro tecnico - su questo terreno i laureati CS hanno un vantaggio strutturale. È differenziarsi portando la comprensione del dominio economico come valore aggiunto: un data analyst che capisce i meccanismi del mercato, che sa interpretare le anomalie nei dati di vendita in termini economici, che può ragionare su elasticità e incentivi è un profilo diverso da un data analyst puramente tecnico.

Cosa ha funzionato (Nnenna e altri da economia)

La storia di Nnenna e i pattern aggregati da altre testimonianze di developer con background economico mostrano alcune pratiche ricorrenti che hanno accelerato il percorso verso ruoli tecnici.

1. Partire dai dati come punto naturale di ingresso

Il percorso più naturale per chi viene da economia - e quello che produce la curva di apprendimento meno ripida - è quello che inizia dai dati: SQL prima, poi Python per l'analisi, poi statistiche più avanzate, poi eventualmente machine learning. Questo percorso costruisce competenze direttamente applicabili nel mercato del lavoro (analista dati, business analyst, data analyst) mentre si costruiscono progressivamente le basi per ruoli più tecnici.

Nnenna ha seguito un percorso simile: non ha iniziato dalla programmazione pura, ha iniziato dalla manipolazione di dati in modi che capiva già concettualmente dall'economia. Questo approccio riduce il disorientamento cognitivo dei primi mesi e produce risultati visibili - query SQL funzionanti, analisi Python completate - che alimentano la motivazione a continuare. La visibilità del progresso è uno dei fattori più importanti nella sostenibilità dell'apprendimento autodidatta.

2. Usare l'intuizione economica per costruire modelli

Uno dei vantaggi meno discussi del background economico nel tech è la familiarità con il ragionamento sistemico: capire come si incentivano i comportamenti in un marketplace, come si strutturano i prezzi dinamici, come si modella l'elasticità della domanda per un prodotto digitale, come si interpretano le variazioni stagionali in un dataset di vendite. Queste competenze sono direttamente rilevanti nei ruoli di data analyst, product analyst, e - in misura minore ma reale - di backend developer che lavora su sistemi con logiche di business complesse.

Usare questa intuizione attivamente - invece di lasciarla dormire mentre si impara a programmare - accelera sia l'apprendimento tecnico sia il posizionamento nel mercato. Un developer con background economico che capisce come funziona un funnel di conversione, come si modella il churn di una subscription, o come si analizza un test A/B su un pricing change è un profilo che ha valore aggiunto rispetto a un developer CS che deve imparare il dominio da zero. Questo non significa che il dominio faccia il lavoro al posto della competenza tecnica: significa che la combinazione è più forte delle parti separate.

3. SQL come primo linguaggio di programmazione de facto

SQL - Structured Query Language - è tecnicamente un linguaggio di query, non un linguaggio di programmazione nel senso tradizionale. Ma per chi viene da economia e vuole entrare nel mondo dei dati, SQL è il "primo linguaggio" più naturale: è dichiarativo (dici cosa vuoi, non come ottenerlo - come una specifica economica, non come un algoritmo), è intuitivo per chi è abituato a ragionare con tabelle e dataset, e produce risultati immediatamente verificabili.

Iniziare da SQL invece che da Python non è universalmente il percorso giusto, ma per chi viene da economia - con familiarità con spreadsheet e con il ragionamento su tabelle di dati - è spesso quello che produce i primi risultati più velocemente e la prima motivazione a continuare. Chi sa già SQL a livello intermedio ha già una competenza che il 60% dei job posting per data analyst richiede come requisito primario - e questo accelera il tempo al primo colloquio in modo significativo.

4. Costruire portfolio nell'area economico-tecnica

Il portfolio più efficace per chi viene da economia non è quello che cerca di imitare il portfolio di un developer CS - algoritmi, strutture dati, applicazioni web generiche. È quello che mostra l'applicazione di competenze tecniche a problemi economici reali: analisi di dataset economici pubblici (Federal Reserve, ISTAT, Eurostat, World Bank), modelli di previsione su dati finanziari con Python, visualizzazioni di dati macroeconomici con matplotlib o Plotly, analisi di sentiment su social media economici, modelli di credit scoring con Scikit-learn.

Questo tipo di portfolio ha un doppio vantaggio: dimostra competenza tecnica (Python, SQL, visualizzazione) e dimostra domain expertise in un'area in cui molti sviluppatori CS non hanno background. È un differenziatore nel mercato del lavoro fintech, e-commerce, consulenza digitale, e analisi dati aziendali - tutti contesti in cui il selezionatore valorizza la comprensione del dominio economico almeno quanto la competenza tecnica.

5. Identificare precocemente il ruolo target

Il range di ruoli accessibili da un background economico nel tech è ampio: data analyst, business analyst, product manager tecnico, financial engineer, quantitative analyst, data scientist, backend developer con specializzazione fintech. Non tutti richiedono le stesse competenze tecniche né lo stesso percorso di apprendimento. Identificare precocemente - entro i primi mesi - quale di questi ruoli si sta puntando permette di calibrare il percorso di apprendimento in modo molto più efficiente.

Un business analyst tecnico ha bisogno di SQL fluente, di Excel avanzato, e di capacità di comunicare analisi a stakeholder non tecnici - e può non aver mai programmato in Python. Un data scientist con background economico ha bisogno di Python fluente, di statistica applicata, e di ML foundations. Un financial engineer ha bisogno di matematica quantitativa, di programmazione in Python o R, e di comprensione dei prodotti finanziari. Capire quale di questi profili si vuole raggiungere - e costruire il percorso di apprendimento in quella direzione - è molto più efficiente di cercare di coprire tutto.

6. Usare la rete professionale esistente strategicamente

Chi viene da economia spesso ha già una rete professionale in settori ad alta intensità di dati: consulenza, banca, assicurazione, e-commerce, ricerca economica. Questa rete è un asset nella transizione tech che non va ignorato. Non nel senso di "chiedo ai miei contatti di assumermi come developer" - non è quello che fanno - ma nel senso di "chiedo ai miei contatti di aiutarmi a capire quali competenze tecniche valorizzano nel loro settore, e posso portare il mio percorso di formazione tecnica all'attenzione di persone che già mi conoscono come professionista affidabile".

La transizione tech per chi viene da un settore professionale consolidato non deve avvenire nel vuoto: può avvenire in continuità con la rete professionale esistente, portando competenze tecniche in contesti in cui la rete già opera. Questa continuità riduce il rischio della transizione e accelera il tempo al primo ruolo tecnico.

Framework cognitivo

La transizione da economia a tech ha una struttura teorica che aiuta a capire perché certi percorsi funzionano meglio di altri - e perché il background economico è un vantaggio, non un ostacolo, in contesti specifici.

Il career capital dell'economista nel mondo tech

Cal Newport in So Good They Can't Ignore You (ISBN 978-1455509126) descrive il career capital come l'insieme delle competenze rare e preziose costruite nel tempo. Per chi viene da economia, il career capital economico - la capacità di modellare sistemi, di ragionare su incentivi, di interpretare dati in contesto, di costruire previsioni e scenari - è genuinamente raro nel mercato tech. La maggior parte dei developer CS ha una formazione tecnica profonda ma una comprensione superficiale dei contesti economici in cui il software opera.

Questo significa che il percorso efficace non è "sostituire l'economia con la programmazione" ma "aggiungere programmazione all'economia". La combinazione produce un profilo che ha valore aggiunto specifico in contesti - fintech, e-commerce, marketplace, analisi dati aziendali - in cui il software serve a modellare e gestire sistemi economici. Un economista che capisce i modelli di pricing dinamico e sa anche implementarli è più prezioso di uno che capisce i modelli e uno diverso che li implementa, perché l'integrazione delle due competenze nello stesso profilo elimina il costo di coordinazione.

La specializzazione come strategia di ingresso

Uno studio sui percorsi di career switch tech in Europa - citato in vari report sul mercato del lavoro tech - mostra che i developer con background non-CS che entrano con maggiore successo nel mercato sono quasi sempre quelli che portano una specializzazione di dominio, non quelli che cercano di competere sul puro tecnico. L'economista che cerca lavoro come "developer generico" è in svantaggio rispetto a un laureato in informatica. L'economista che cerca lavoro come "data analyst con background in modelli economici" o come "backend developer con specializzazione in sistemi di pricing" è in una posizione competitiva molto diversa.

La specializzazione non è una prigione: è una porta di entrata. Una volta dentro il mercato tech, con un primo ruolo che valorizza il background economico, la crescita può portare in molte direzioni diverse - verso ruoli più tecnici, verso la management, verso la product leadership.

Il pensiero sistemico come competenza trasferibile

Il modello economico - qualsiasi modello, dalla domanda-offerta elementare al DSGE macroeconomico - è un sistema con variabili, relazioni, e feedback loop. La capacità di costruire e ragionare su sistemi di questo tipo è direttamente trasferibile alla progettazione di software: un'applicazione web è un sistema con componenti, interfacce, e interazioni; un modello di ML è un sistema con input, trasformazioni, e output; un'architettura di microservizi è un sistema distribuito con dipendenze e punti di fallimento; un funnel di marketing è un sistema con tassi di conversione e punti di abbandono.

L'intuizione sistemica dell'economista si trasferisce a questi contesti in modo più diretto di quanto la maggior parte degli economisti riconosca. Il fatto che questa trasferibilità non sia ovvia non significa che non esista: richiede un passaggio deliberato di frame - "come ragionerei su questo sistema se fosse un mercato?" - che si impara con la pratica.

La causalità come competenza specifica

Una delle competenze più rare e più preziose nel mondo della data science è il ragionamento causale: distinguere la correlazione dalla causalità, capire quando un modello statistica sta identificando una relazione reale e quando sta misurando un artefatto del dataset, progettare esperimenti controllati (A/B test) in modo che producano inferenza causale valida. Questa competenza - che è al centro dell'econometria moderna - è esattamente quella che molti data scientist mancano, avendo imparato la data science in modo bottom-up (strumenti prima, fondamenta dopo).

Un economista con formazione econometrica porta questa competenza nel tech in modo quasi immediato: il ragionamento su variabili strumentali, su regression discontinuity, su difference-in-differences è lo stesso che si usa per progettare e interpretare esperimenti di prodotto digitale. Questa è probabilmente la competenza più sottovalutata che il background economico porta al mercato tech.

Letture e risorse

Il percorso di apprendimento per chi viene da economia verso il tech è diverso da quello ottimale per chi viene da altri background. Le risorse più utili sono quelle che connettono il mondo economico con il mondo tecnico, o che costruiscono le competenze tecniche in modo applicato su problemi economici reali.

Storie documentate

• SheCanCode - 10 self-taught programmers who became full-time developers - La raccolta che include la storia di Nnenna e di altri developer autodidatti da background diversi. Utile per vedere la varietà dei percorsi possibili e i pattern comuni di successo: motivazione orientata ai problemi invece che alla tecnologia, apprendimento progressivo su dati reali, specializzazione precoce.

Percorso di apprendimento consigliato

• freeCodeCamp - Data Analysis with Python - Il percorso gratuito che porta da zero Python all'analisi dati con NumPy, Pandas, e visualizzazione. Particolarmente adatto per chi viene da Excel e vuole scalare gli strumenti di analisi senza rinunciare alla familiarità con i dati tabulari.
• Stack Overflow Developer Survey 2023 - Per vedere la distribuzione di background nei diversi ruoli tech e calibrare le aspettative sul mercato. La sezione su data analyst e business analyst è particolarmente rilevante per capire quali competenze sono realmente richieste e quali sono optional.
• Glassdoor - Data Analyst Career Overview - Dati aggregati su salari, competenze richieste, e traiettorie di carriera per il ruolo di data analyst nel mercato. Utile per calibrare le aspettative salariali e capire quali competenze tecniche sono effettivamente richieste (non solo quelle che appaiono nei job posting ideali).

Libri di riferimento

• Cal Newport, So Good They Can't Ignore You (ISBN 978-1455509126) - Il framework del career capital per capire come il background economico può diventare un vantaggio nel tech invece di un ostacolo. Il capitolo sul "craftsman mindset" è particolarmente rilevante: invece di chiedersi "sono abbastanza bravo per fare questo?", chiedersi "cosa devo costruire per diventare prezioso in questo mercato?".
• Cal Newport, Deep Work (ISBN 978-1455586691) - Per costruire le sessioni di apprendimento profondo necessarie per acquisire competenze tecniche in modo sostenibile mentre si lavora. Il capitolo sulle "rituals of focus" è applicabile direttamente a chi studia programmazione dopo una giornata di lavoro in un ufficio open space.

La Roadmap 12 percorsi include le traiettorie specifiche per chi viene da economia - data analyst, business analyst, backend developer fintech - con i prerequisiti tecnici specifici per ciascuna, le tappe di apprendimento, e i tempi realistici basati su storie documentate. Puoi scaricarla gratuitamente qui sopra.

Prossimo passo nella serie

Questo articolo ha esplorato il percorso da economia al tech: le competenze transferibili dal background economico, la scelta del tech stack adatto, e i pattern che hanno funzionato in storie documentate come quella di Nnenna.

I prossimi articoli della serie si sposteranno su background completamente diversi: filosofia, lettere, lingue, scienze politiche, design. Ciascuno porta competenze specifiche che si trasferiscono in modi diversi al mondo del tech - e ciascuno richiede un percorso di integrazione tecnica adattato alla propria specifica partenza. Il prossimo numero esplora chi viene da filosofia e porta la capacità di ragionamento critico e analitico che, in certi contesti tech, è un vantaggio inaspettato.

Se vuoi ricevere ogni articolo direttamente nella tua casella email, puoi iscriverti alla newsletter qui sotto. Un numero ogni martedì. Nessuna sequenza automatizzata.

Torna alla cornerstone della serie per avere la visione completa dei 20 articoli in programma e della career matrix con i 12 percorsi.

Vedi anche: Cosa avrei voluto sapere quando ho iniziato a programmare - un inventario onesto delle cose che avrei imparato troppo tardi, rilevante per qualsiasi background di partenza incluso quello economico.

Vedi anche: Compensare i gap matematici da autodidatta non-CS - per chi viene da economia con base statistica e vuole capire quali gap matematici specifici colmare per il percorso data science o ML.

Cosa ho imparato scrivendo questo

Scrivere di Nnenna e del background economico mi ha aiutato a chiarire qualcosa che riguarda il modo in cui le competenze si trasferiscono tra domini - e perché questa trasferibilità è spesso meno automatica di quanto le persone si aspettino, ma più reale di quanto i detrattori del career change vogliano ammettere.

L'intuizione che ho cercato di articolare - e che non sono sicuro di aver reso abbastanza precisa nella prima versione di questo articolo - è la distinzione tra "competenza trasferibile" e "competenza immediatamente applicabile". Il ragionamento sistemico dell'economista è trasferibile al design di software: ma non è immediatamente applicabile. Per renderlo applicabile serve un passaggio di frame - "come ragionerei su questo sistema se fosse un mercato, e cosa cambia quando invece è un'applicazione web?" - che richiede pratica e esposizione al nuovo dominio.

Ho anche imparato qualcosa sull'utilità delle storie di riferimento nelle guide al career change. La storia di Nnenna è utile non perché sia straordinaria - non lo è, ed è proprio per questo che è utile - ma perché mostra un percorso accessibile: risorse gratuite, costruzione progressiva di competenze, nessun bootcamp a migliaia di euro, nessun background tecnico pregresso. Il messaggio implicito è "se Nnenna ce la fatto partendo da lì, la variabile che conta non è il background, è la pratica sistematica". Questo è un messaggio più utile di qualsiasi storia di talento eccezionale.

Ho scelto di includere la storia di Nnenna come punto di ancoraggio perché la SheCanCode raccolta è pubblica e documentata. Ma ho anche evitato di aggiungere dettagli non verificabili sulla sua storia specifica al di là di quello che la fonte riporta. Il pattern che descrivo - iniziare dai dati, usare l'intuizione economica, specializzarsi nel dominio - è supportato da più storie aggregate, non solo dalla sua. La sua storia è l'ancora; il pattern è la cosa utile per chi legge.

Se vieni da economia e stai valutando questa transizione - dove sei, cosa ti sembra più difficile, quale ruolo stai puntando, quali tentazioni di ottimizzazione prematura ti bloccano - mi piacerebbe saperlo. Non per raccogliere testimonianze, ma per capire se i temi che affronto nella serie rispondono a domande reali. Scrivimi a federico@federicocalo.dev.

Ti rispondo. Sempre.