Panoramica
Il CV di un data scientist deve rispondere a una domanda che spesso viene ignorata: i tuoi modelli sono finiti in produzione o sono rimasti in un notebook Jupyter? Le aziende non cercano solo persone che sappiano addestrare un modello. Cercano persone i cui modelli abbiano generato un impatto misurabile sul business. Se il tuo CV elenca solo librerie e framework senza risultati concreti, stai presentando meta del quadro.
Questo CV e di Eleonora Vitale, data scientist con cinque anni di esperienza nel settore finanziario e assicurativo. Lavora in UniCredit dal 2022, dove progetta modelli predittivi che supportano decisioni su un portfolio crediti da 127 miliardi di euro. Ha pubblicato 3 paper peer-reviewed su NLP e rischio di credito. Prima ha lavorato in Generali Italia e ha fatto ricerca al Politecnico di Milano.
Il percorso ricerca accademica, assicurazione, banca racconta una specializzazione verticale nel fintech italiano.
Il profilo: modelli in produzione e impatto
Il profilo di Eleonora e costruito per chi comprende il valore dei modelli:
Data Scientist con cinque anni di esperienza nello sviluppo di modelli di machine learning per il settore finanziario e assicurativo. In UniCredit dal 2022, progetto modelli predittivi che supportano decisioni su un portfolio crediti da 127 miliardi di euro.
127 miliardi di euro e un numero che non si dimentica. Comunica che i modelli di Eleonora non sono esercizi accademici: influenzano decisioni su volumi enormi. La menzione dei 3 paper peer-reviewed aggiunge credibilita scientifica.
Per il tuo CV: Indica il settore, il tipo di modelli che sviluppi e la scala del business che supporti. Se i tuoi modelli sono in produzione, dillo esplicitamente. "Modello in produzione" pesa molto di piu di "modello sviluppato".
Esperienza: AUC-ROC, riduzione perdite, NLP
L'esperienza in UniCredit e tecnica e concreta allo stesso tempo:
Sviluppato modello di credit scoring con XGBoost che ha migliorato l'AUC-ROC dal 0,78 al 0,91
Implementato sistema NLP per l'analisi automatica di 45.000 bilanci aziendali/anno
Ridotto le perdite su crediti del 18% nel segmento PMI tramite early warning model
Il salto da 0,78 a 0,91 nell'AUC-ROC e un miglioramento enorme in termini di capacita predittiva. La riduzione delle perdite del 18% traduce le metriche tecniche in impatto finanziario. I 45.000 bilanci analizzati automaticamente dimostrano scalabilita.
In Generali, il lavoro su fraud detection con precision del 92% e pricing assicurativo con miglioramento del combined ratio di 2,3 punti aggiunge un altro settore. Al Politecnico, la ricerca su sentiment analysis di report finanziari e il modello BERT per testi italiani con F1-score di 0,89 mostrano profondita scientifica.
Formazione: Politecnico e pubblicazioni
Eleonora ha una Laurea Magistrale al Politecnico di Milano in Mathematical Engineering con specializzazione in Statistical Learning, 110 e lode. La tesi su deep learning per il rischio di credito e i 3 paper pubblicati su riviste peer-reviewed sono un profilo raro nel mercato italiano della data science.
Per un data scientist, il titolo di studio conta. La Laurea Magistrale in ingegneria matematica, informatica, statistica o fisica e quasi sempre richiesta. Il dottorato non e necessario ma e apprezzato, soprattutto nei ruoli di ricerca.
Certificazioni: AWS e TensorFlow
La AWS Certified Machine Learning Specialty e la TensorFlow Developer Certificate sono due certificazioni tecniche di peso. La prima dimostra competenza nel deployment di modelli su cloud AWS. La seconda conferma la padronanza di TensorFlow.
Nel 2026, con la crescita dei ruoli MLOps, le certificazioni cloud (AWS, GCP, Azure) per il machine learning sono sempre piu richieste. Se sai fare deploy di modelli in produzione, le certificazioni lo confermano.
Competenze: la profondita tecnica
Le competenze di Eleonora sono profonde: Python con Scikit-learn, TensorFlow e PyTorch; SQL con Oracle e PostgreSQL; NLP con Hugging Face e spaCy; Apache Spark; MLflow per MLOps; Git e Docker; statistica bayesiana.
La presenza di MLflow e Docker segnala che Eleonora non si ferma al notebook: porta i modelli in produzione. Se hai esperienza con MLOps, inseriscila in modo prominente. E una delle competenze piu cercate nel mercato attuale.
Errori da evitare
Elencare librerie senza contesto. "Competenze: TensorFlow, PyTorch, Scikit-learn" e una lista. "Sviluppato modello di credit scoring con XGBoost che ha migliorato l'AUC-ROC dal 0,78 al 0,91" e un risultato.
Non indicare se i modelli sono in produzione. La differenza tra un modello sperimentale e uno in produzione che valuta rischio su 127 miliardi di euro e abissale. Specificalo.
Omettere le pubblicazioni. Se hai pubblicato paper su riviste o conferenze, inseriscili. Nel mondo della data science, la ricerca e un segnale di profondita.
Dimenticare il business impact. "Ridotto le perdite su crediti del 18%" vale piu di qualsiasi metrica tecnica. Collega sempre il modello all'impatto sul business.
Un ultimo punto
Eleonora e relatrice regolare al Milan Machine Learning Meetup e mentore per SheTech Italy. Queste attivita costruiscono visibilita nella community e dimostrano impegno nel far crescere il settore. Per i data scientist nel mercato italiano, dove la community e ancora relativamente piccola, la partecipazione attiva a meetup, conferenze e iniziative di mentoring e un modo efficace per costruire rete professionale e reputazione.
