Vengo da scienze politiche: data analyst e policy in tech

Background di partenza

La scienza politica è un campo disciplinare che combina metodi quantitativi e qualitativi per studiare fenomeni sociali e politici complessi. Un curriculum standard di scienze politiche include: statistica di base (campionamento, test d'ipotesi, regressione lineare), metodologia della ricerca, analisi dei dati (spesso con SPSS o R), economia politica, diritto pubblico e internazionale, e una componente significativa di scrittura argomentativa strutturata.

Questo curriculum non è lontano da quello di un data analyst in una tech company. Le competenze di base - raccogliere dati, pulirli, analizzarli con strumenti statistici, e presentare i risultati in modo chiaro a un pubblico non specializzato - sono le stesse. La differenza è nel dominio di applicazione (politiche pubbliche vs decisioni di prodotto) e negli strumenti specifici (SPSS vs Python, R vs SQL). Ma il ragionamento sottostante è identico.

Questo non significa che la transizione sia automatica o indolore. Ma significa che il punto di partenza è molto più vicino alla destinazione di quanto chi viene da scienze politiche tipicamente si aspetti.

Il contesto: policy in tech è un'area in crescita

GitHub ha un Policy Team dedicato - documentato pubblicamente nel blog aziendale nel 2021. Il team lavora su questioni come la libertà del software, la regolamentazione dell'AI, i diritti degli sviluppatori, e le relazioni con i governi. Stripe ha pubblicato sul proprio blog analisi dettagliate di come le tech company dovrebbero pensare alla policy pubblica - un segnale che la competenza di policy non è marginale nelle tech company ma è centrale per il loro sviluppo.

Più in generale, man mano che le tech company crescono e diventano infrastruttura critica - per la comunicazione, i pagamenti, l'accesso all'informazione - la domanda di profili capaci di ragionare in modo rigoroso sulle implicazioni di policy delle loro decisioni è crescente. Questi profili non vengono solo dal diritto (come tradizionalmente accadeva) ma anche dalle scienze politiche, dalla sociologia computazionale, e dall'economia.

Camila Moura - laureata in Relazioni Internazionali, un campo strettamente connesso alle scienze politiche - ha documentato su DEV.to nel 2024 la propria transizione verso lo sviluppo software. Il suo percorso è il caso più vicino a quello che un laureato in scienze politiche può aspettarsi - e le competenze che ha trasferito includono l'analisi sistematica di contesti complessi, la capacità di sintetizzare informazioni da fonti diverse, e l'abitudine alla ricerca strutturata come metodo di lavoro.

Difficoltà tipiche

Chi viene da scienze politiche e si avvicina al tech incontra difficoltà specifiche - alcune comuni a tutti i background sociali-umanistici, alcune più peculiari di questa formazione.

La statistica che si conosce vs la statistica che serve

La formazione in scienze politiche include spesso statistica di base - ma la statistica applicata nell'analisi dei dati tech è spesso diversa nei metodi e negli strumenti. Un laureato in scienze politiche conosce la regressione lineare e i test d'ipotesi parametrici. Un data analyst tech usa spesso metodi diversi: A/B testing frequentista o bayesiano, analisi di cohorte, funnel analysis, attribution modeling, anomaly detection. Il gap non è nella comprensione dei concetti statistici di base - ma nella familiarità con i metodi e gli strumenti specifici del contesto tech.

La buona notizia è che il gap è colmabile. Python (pandas, numpy, scipy, scikit-learn) e SQL sono gli strumenti standard del data analyst - entrambi hanno curve di apprendimento ragionevoli per chi ha già familiarità con il ragionamento quantitativo. Il punto di partenza di chi viene da scienze politiche è migliore di quello di chi parte da zero con la statistica.

Il codice come strumento, non come fine

Per un laureato in scienze politiche, la programmazione è naturalmente uno strumento - un mezzo per produrre analisi, non un fine in sé. Questo orientamento è corretto e produttivo per i ruoli di data analyst, ma può creare difficoltà se il percorso porta verso ruoli più ingegneristici dove la padronanza tecnica del codice è un requisito primario.

Molti ex-politologi che entrano nel tech trovano il loro equilibrio naturale nei ruoli che bilanciano analisi e codice - data analyst, business intelligence engineer, product analyst, policy analyst - piuttosto che in quelli purement ingegneristici. Questo non è un compromesso: è il posizionamento corretto per un profilo che ha già competenze analitiche mature e sta costruendo competenze tecniche.

La pazienza con i dati sporchi come sfida pratica

Il 70-80% del tempo di un data analyst è speso in data cleaning - trasformare dati grezzi, incompleti, o formattati in modo incoerente in dataset analizzabili. Per un politologo che ha lavorato con dataset di survey o archivi storici, questa sfida è già familiare nella forma (i dati reali sono sempre meno puliti di quelli del libro di testo) ma diversa negli strumenti (SQL e pandas invece di SPSS o Stata).

Il framework della "evidenza pubblica" vs dati proprietari

Le scienze politiche lavorano tipicamente su dati pubblici - dati elettorali, survey nazionali, database internazionali (World Bank, OCSE, Eurostat). L'analisi dei dati in una tech company lavora quasi sempre con dati proprietari e confidenziali - clickstream, dati di prodotto, metriche di engagement. Il framework mentale è diverso: non c'è peer review pubblica, non c'è replicabilità esterna, e la confidenzialità è un vincolo strutturale. Questo cambio di framework richiede un adattamento esplicito, in particolare sulla gestione etica dei dati privati.

Cosa ha funzionato (percorsi documentati da scienze politiche al tech)

Non esiste un singolo caso studio da scienze politiche documentato con lo stesso livello di dettaglio di Zubin Pratap (avvocato → Google) o Camila Moura (Relazioni Internazionali → developer). Ma i thread pubblici su Hacker News, le community di career change, e le storie aggregate su freeCodeCamp mostrano un pattern coerente per chi viene da scienze politiche.

1. SQL come primo linguaggio naturale per i politologi

SQL non è "programmazione" nel senso convenzionale - è un linguaggio dichiarativo per interrogare database. Ma è lo strumento quotidiano del data analyst, ed è sorprendentemente accessibile per chi ha già familiarità con la manipolazione di dataset. La sintassi SQL - SELECT, FROM, WHERE, GROUP BY, JOIN - mappa direttamente sulle operazioni di filtraggio, aggregazione, e combinazione di fonti che un politologo fa già con SPSS o Excel. Il gap è negli strumenti, non nel ragionamento.

Molti percorsi documentati da scienze politiche al tech iniziano con SQL - spesso attraverso risorse online gratuite come Mode Analytics SQL Tutorial o il corso SQL di Khan Academy - e da lì si espandono verso Python (pandas per la manipolazione dei dati, matplotlib/seaborn per la visualizzazione) e strumenti di BI (Tableau, Looker, Metabase). Questo percorso rispetta il background esistente invece di ignorarlo.

2. Il portfolio come simulazione di analisi reali

Il portfolio di un aspirante data analyst non è un portfolio di app web - è un portfolio di analisi. Dataset pubblici disponibili su Kaggle, data.gov, Eurostat, o il portale ISTAT offrono materiale per costruire analisi che dimostrano competenza reale: pulizia dei dati, analisi esploratoria, visualizzazione, e presentazione di conclusioni. Un politologo che fa un'analisi dei risultati elettorali regionali italiani con Python e la presenta chiaramente su GitHub ha un portfolio concreto e rilevante - molto più specifico del generico "ho imparato Python" che molti aspiranti data analyst presentano.

3. Il policy analyst come ruolo di nicchia premium

Il ruolo di policy analyst nelle tech company - spesso chiamato "public policy analyst" o "government affairs analyst" - è uno dei ruoli in cui il background in scienze politiche è direttamente spendibile senza un lungo percorso di reskilling tecnico. Le tech company di medie e grandi dimensioni cercano attivamente profili con background in policy per gestire i rapporti con i regolatori, analizzare l'impatto delle normative sui prodotti, e costruire posizioni di advocacy pubblica.

Questo non richiede competenze di programmazione avanzata. Richiede una combinazione di comprensione del prodotto tecnico (sufficiente per capire le implicazioni tecniche delle normative) e competenza di policy (che il laureato in scienze politiche ha già). Il percorso verso questo ruolo è più breve e più diretto rispetto al percorso verso i ruoli puramente tecnici.

4. La ricerca come metodo di apprendimento

Le scienze politiche insegnano a fare ricerca in modo strutturato - identificare la domanda, trovare le fonti, valutare la qualità delle fonti, sintetizzare le evidenze, e comunicare le conclusioni. Questo metodo si trasferisce direttamente all'apprendimento del tech: invece di seguire tutorial in modo passivo, si identifica un problema specifico da risolvere, si trovano le fonti (documentazione, Stack Overflow, libri), si valutano le soluzioni alternative, e si costruisce la propria comprensione in modo attivo.

Moura ha descritto questo metodo nel suo articolo - l'approccio orientato al problema invece che all'accumulazione di conoscenza astratta ha accelerato significativamente il suo apprendimento. Per un politologo, questo approccio è già familiare: è esattamente come si studia per una tesi o si prepara una ricerca empirica.

5. I dati aperti come terreno di esercizio naturale

Chi viene da scienze politiche ha già dimestichezza con i dataset aperti - dati elettorali, survey di opinione pubblica, statistiche internazionali. Questi stessi dataset sono ottimi materiali per costruire le prime analisi con Python o R, perché il dominio è familiare e si può valutare la plausibilità dei risultati senza dover imparare un dominio nuovo in parallelo all'apprendimento degli strumenti. Iniziare con dataset che si conoscono riduce la difficoltà cognitiva e accelera l'apprendimento degli strumenti.

Framework cognitivo

Il percorso da scienze politiche al tech illustra un principio generale: la transferibilità delle competenze dipende dalla profondità di quelle competenze, non dalla loro superficiale vicinanza al dominio tecnico.

L'analisi causale come competenza condivisa

La ricerca politologica e l'analisi dati in contesti aziendali condividono una struttura epistemologica comune che spesso viene ignorata. Entrambe partono da una domanda chiaramente formulata, costruiscono un'ipotesi verificabile, raccolgono dati per testarla con metodi appropriati, e comunicano conclusioni con le appropriate riserve di incertezza e le condizioni di validità. La differenza sta negli strumenti specifici e nei tempi di produzione - non nella logica sottostante, che è la stessa. Chi ha completato una tesi di scienze politiche con una componente empirica quantitativa ha già percorso questo ciclo completo, con la pressione aggiuntiva di una commissione che lo interrogherà sul rigore metodologico. Nel contesto aziendale, quella stessa pressione viene dai product manager e dai dirigenti che chiedono "sei sicuro di questo dato?" - e chi sa rispondere con precisione su limiti e assunzioni è sempre più apprezzato.

La domanda fondamentale della scienza politica applicata è la stessa del data analyst in tech: "cosa causa cosa?" È la variazione X che produce il cambiamento Y, o esiste una terza variabile Z che spiega entrambi? Questo ragionamento causale - distinguere correlazione da causalità, identificare i confounders, costruire analisi che controllano per le variabili rilevanti - è al cuore sia della metodologia della ricerca politologica sia dell'analisi A/B testing e della causalità inferenziale nel tech.

Un politologo che ha fatto un corso di metodologia della ricerca empirica con esperimenti quasi-sperimentali, regression discontinuity, o difference-in-differences ha già gli strumenti concettuali per il causal inference nel tech. Gli strumenti tecnici (Python, R, SQL) si imparano; il ragionamento causale rigoroso è più difficile da insegnare a chi non lo ha già.

La comunicazione di policy come competenza premium in ambito tech

Le tech company di successo devono comunicare con molteplici stakeholder: investitori, regolatori, utenti, media, governo. La capacità di costruire argomenti solidi su questioni di policy complesse - come la regolamentazione dell'AI, la privacy dei dati, la libertà di espressione sulle piattaforme - è una competenza rara che le scienze politiche sviluppano in modo esplicito. Il GitHub Policy Team e le analoghe funzioni in Apple, Google, Meta, Spotify, e altre grandi tech company cercano esattamente questo profilo.

Il lungo arco della policy come orizzonte temporale del tech

Le scienze politiche insegnano a pensare su orizzonti temporali lunghi - i cambiamenti politici rilevanti si misurano in decenni, non in trimestri. Questo orizzonte temporale è utile nel tech per i ruoli di strategia e policy, dove le decisioni prese oggi hanno implicazioni che si manifestano in anni. Contrasta con la cultura del "move fast and break things" che caratterizza certi contesti tech - ma è esattamente il tipo di pensiero che le tech company mature cercano per evitare decisioni che sembrano efficienti a breve termine ma creano danni regolatori o reputazionali a lungo termine.

La scienza politica computazionale come nicchia emergente

La political science computazionale - l'uso di metodi quantitativi avanzati (text mining, NLP, machine learning) per analizzare dati politici e sociali - è un campo emergente che richiede esattamente la combinazione di competenze che un politologo che ha imparato a programmare porta. La ricerca sull'analisi del sentiment nei discorsi politici, la detection di disinformazione, l'analisi delle reti di influenza nei social media: tutte aree in cui la comprensione del dominio politico è necessaria per non produrre analisi tecnicamente corrette ma interpretative senza senso.

Il rapporto con i dati come competenza transferable diretta

Un'area specifica in cui la formazione in scienze politiche ha applicazione immediata è la gestione del rapporto tra dati e argomenti. Un politologo abituato a lavorare con dataset di survey sa che un campione non rappresenta mai la popolazione con precisione assoluta - sa identificare i bias di selezione, sa interpretare i risultati con i giusti intervalli di confidenza, sa evitare la generalizzazione indebita da un campione a una popolazione. Queste sono esattamente le competenze critiche che spesso mancano negli analyst autodidatti in contesti tech, che tendono a fidarsi dei numeri senza interrogarne la provenienza e i limiti.

Questa capacità di interrogazione critica dei dati - di chiedersi "da dove vengono questi dati?", "chi li ha raccolti e con quale metodo?", "quali bias strutturali potrebbero esserci?" - è la differenza tra un analyst che produce numeri e uno che produce insight. Il mercato tech cerca sempre più la seconda categoria, perché la prima è sempre più automatizzabile. La formazione metodologica delle scienze politiche produce strutturalmente la seconda categoria: le tesi di laurea in scienze politiche richiedono di difendere le proprie scelte metodologiche davanti a commissioni critiche - un'abitudine che nel contesto tech diventa la capacità di presentare le proprie analisi con intellectual honesty sui limiti e le assunzioni.

Un data analyst con background in scienze politiche tende a fare le domande giuste prima di presentare i risultati: "questo campione è rappresentativo del nostro mercato target?", "questo A/B test ha avuto una durata sufficiente per evitare effetti di stagionalità?", "questa correlazione può essere causale o ci sono confounders che non abbiamo controllato?". Queste domande sono standard nella ricerca politologica, ma non nella cultura media del data analytics aziendale. Il politologo porta questo standard di rigore metodologico - e chi lavora con lui lo percepisce come un valore.

Le istituzioni come domain expertise spendibile

Le scienze politiche insegnano come funzionano le istituzioni - nazionali e internazionali. Per un developer che lavora in settori regolati - fintech, healthtech, legaltech, govtech - questa conoscenza è direttamente spendibile. Capire come funziona il processo di formazione delle normative UE, come opera l'Autorità Garante della Privacy, come si costruisce un percorso di compliance alla direttiva NIS2: sono conoscenze che un politologo ha già e che un developer CS senza quel background deve acquisire dall'inizio.

Questo domain expertise è particolarmente prezioso nelle aziende che operano nel mercato europeo - dove il quadro regolatorio è più denso e più in evoluzione rispetto al mercato americano. GDPR, AI Act, Digital Markets Act, NIS2, Cyber Resilience Act: ogni anno produce nuova normativa tech che le aziende devono interpretare e implementare. Chi viene da scienze politiche con un'aggiunta di competenze tecniche è in una posizione privilegiata per fare da ponte tra il team legale e il team engineering.

Letture e risorse

Per chi viene da scienze politiche e sta costruendo il percorso verso il tech, alcune risorse sono particolarmente utili - quelle che sfruttano le competenze analitiche già presenti e costruiscono le basi tecniche mancanti.

Percorsi documentati e ricerca pubblica

• Camila Moura - "How I Switched from a Degree in the Humanities to a Career in Software Development" (DEV.to, 2024) - Il percorso più documentato da background umanistico (Relazioni Internazionali) al tech. Le competenze trasferite includono la capacità di analisi strutturata, la ricerca sistematica, e l'abitudine al ragionamento basato su evidenze - tutte competenze condivise con le scienze politiche.
• Stripe - "How to Think About Public Policy in Tech Companies" (Stripe Blog, 2022) - Un documento interno di Stripe reso pubblico che descrive come una tech company dovrebbe approcciarsi alla policy pubblica. Mostra in modo concreto il tipo di lavoro che una funzione di policy in una tech company svolge - utile per capire il ruolo prima di candidarsi.
• GitHub Policy Team - "How the GitHub Policy Team Works" (GitHub Blog, 2021) - Descrizione dettagliata del lavoro del team di policy di GitHub: dalla regolamentazione delle esportazioni di software ai rapporti con i governi nazionali. Un esempio concreto di come funziona la policy in una tech company di scala globale.

Risorse tecniche per politologi

• Stack Overflow Developer Survey 2024 - Dataset annuale che include dati sui percorsi formativi dei developer professionisti. La sezione sul background educativo mostra la distribuzione dei developer per tipo di laurea - utile per calibrare le aspettative.
• roadmap.sh - Data Analyst Roadmap - Mappa del percorso verso i ruoli di data analyst: SQL, Python/R, visualizzazione, statistica, machine learning di base. Il punto di partenza per chi viene da scienze politiche è più avanzato rispetto a chi parte da zero - in particolare sulla parte statistica e metodologica.
• Kaggle Learn - Data Analysis with Python - Corso pratico gratuito di analisi dei dati con Python (pandas, visualizzazione, SQL). Il formato è orientato al problema - si impara costruendo analisi reali, non studiando la sintassi in astratto. Il livello di partenza richiesto è minimo.

Nella roadmap dei 12 percorsi che ho preparato trovi una sezione dedicata al percorso "Data Engineer / Data Analyst" con prerequisiti, tappe, e time-to-first-job calibrati su chi viene da background quantitativi non tecnici come scienze politiche, economia, e sociologia. Puoi scaricarla gratuitamente qui sopra.

Prossimo passo nella serie

Questo articolo ha esaminato come le competenze di analisi strutturata, ragionamento causale, e comunicazione di policy che le scienze politiche sviluppano si traducano in percorsi concreti nel tech - dai ruoli di data analyst ai policy analyst nelle big tech.

Il prossimo articolo della serie esamina un background che ha la connessione più intuitiva con il frontend development: il design. Chi viene da una formazione in design - grafico, industriale, UX - porta nel tech una competenza specifica che il mercato cerca: l'empatia per l'utente e la capacità di tradurre bisogni in interfacce. Vedremo anche il caso di DHH - con una precisazione importante sul suo background, che è più complesso di come viene spesso raccontato.

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: Vengo da lingue: il superpotere della i18n developer multilingua - le scienze politiche condividono con le lingue la formazione all'analisi sistematica di contesti complessi; i percorsi tech differiscono nei dettagli ma il meccanismo di trasferimento è simile.

Vedi anche: Quando il background non-tech diventa superpotere - il framework generale per trasformare il proprio background non-CS in un vantaggio competitivo nel mercato tech.

Cosa ho imparato scrivendo questo

Scrivere di scienze politiche e tech mi ha costretto a cercare casi studio documentati con più precisione di quanto mi aspettassi. Non esiste un "Zubin Pratap delle scienze politiche" - una storia singola, ampiamente documentata, che funzioni come punto di riferimento universale per il percorso. Quello che esiste è un pattern aggregato - estratto da community di career change, thread Hacker News, e il caso adiacente di Camila Moura - che è coerente ma non aneddoticamente memorabile in modo altrettanto forte.

Questo ha reso la scrittura più difficile - e più onesta. Ho dovuto costruire il framework su strutture argomentative invece che su una singola storia emotivamente coinvolgente. Non ho aggiunto dettagli non verificabili a casi non sufficientemente documentati. Ho usato i dati pubblici disponibili - il blog di GitHub sulla loro funzione di policy, il documento Stripe sulla policy, il Survey di Stack Overflow - come fonti strutturali invece che aneddotiche.

Ho imparato che la nicchia "policy analyst in tech" è molto più reale e molto più grande di quanto mi aspettassi. Il GitHub Policy Team - di cui non conoscevo l'esistenza nel dettaglio - è un team di venti persone che gestisce questioni come la regolamentazione dell'export di software crittografico, le richieste dei governi di rimozione di repository, e le implicazioni normative dell'AI Act europeo sul codice open source. Queste sono questioni che richiedono una combinazione di comprensione tecnica e competenza di policy che un politologo con skill tecniche porta in modo unico.

Se vieni da scienze politiche e stai costruendo il percorso nel tech - verso ruoli analitici o verso ruoli di policy - mi piacerebbe sapere in quale punto ti trovi. Scrivimi a federico@federicocalo.dev.

Ti rispondo. Sempre.