"Mi lila embereket keresünk" - mit csinál egy adatelemző?

Mi van a hangzatos megnevezés mögött?

Az adatszolgáltatások igazgatói pozícióját töltöm be. Ez a pozíció, egy négy évvel ezelőtt elindított koncepció eredménye. A cégnél az összes adatszolgáltatási területet összevontuk, értem ezalatt az adattudósokat, a big data-t, a data governance (vagyis az adatvagyon kezelésével kapcsolatos), a data reporting (adatszolgálatatás és vizualizáció) és az adatmodell-, adattárház-fejlesztési területeket. Mindenkit egy csapatba hoztunk össze, ami közel 45 főt jelent a vállalat minden részlegéről, ahol bármilyen adatra szükség van. Mi szállítjuk le, ha valamilyen folyamathoz, tervezéshez, üzleti tervhez adatok kellenek, legyen szó akár riportról vagy előrejelzésről. 

Mesterséges intelligencia és gépi tanulás nincs jó minőségű adatok nélkül. Mi ezeket az adatokat állítjuk elő. Mondok egy konkrét példát, amennyiben megkaptuk az ügyféltől a szükséges hozzájárulásokat, akkor összeköthetjük a számlázási, készülék, használati, hálózati és a digitális világból származó adatait, ezáltal egy 360°-os képet kapunk róla, lehetővé téve, hogy az igényeinek megfelelő releváns ajánlattal keressük meg, vagy jelezzük neki, ha pl. egy készülékbeállítási probléma rontja a szolgáltatási élményt. Minél több adatot tudunk különböző forrásokból összehozni, annak annál nagyobb értéke van az adatmodellen belül. A centralizált funkció ehhez elengedhetetlen, ahogy ahhoz is, hogy a vállalaton belül biztosítsa az adatírás-tudatosságot, erre tréningeket biztosítson, önkiszolgáló rendszereket nyújtson. 

Hogyan zajlik a kommunikáció azokkal, akik nem szakemberei az adatoknak? Gondolom, meg kell tanulni megfelelő módon átadni a kinyert információt a „laikusoknak”?

Az interjúk során is el szoktam mondani a jelölteknek, hogy mi „lila embereket” keresünk. Vannak a "piros emberek", akik üzleti tudással rendelkeznek, jó szakemberek, akik a piac minden rezdülését ismerik, de hidegrázást kapnak az Excel soroktól. Vannak a "kék emberek", ők az IT szakemberek, akiknek a digitális tudása nagyon magas szintű. Ha a kettőt összehozzuk, abból lesznek a lilák, akik értik, hogy üzleti oldalról milyen kontextusba kell az adatot helyezni, van esetleg hipotézisük az adatváltozások okáról, tendenciákról, ugyanakkor megvan a megfelelő szakmai tudásuk és hozzáférésük is az adatokhoz, hogy azokból ki tudják nyerni az információkat, és ezeket összekötve üzleti nyelven tudják azokat átadni. Ez talán a csapatom legnagyobb értéke. 

De gondolom, ilyen embert nem könnyű találni? Mennyire küzdenek vele?

Ilyen kész embert felvenni a piacról szinte a lottónyeremény esélyével vetekszik… Nagyon nehéz feladat, igazából nyitott és jó képességű embereket keresünk, akiket aztán csapaton belül nevelünk, és átadjuk neki a tudást. A csapat egy része kívülről érkezett nagyon erős IT, programozói, adatvizualizációs tudással, a másik felét házon belül toboroztam, a különböző üzleti területekről. Egymástól tanulva pedig lilává váltunk. Hiszek az utánpótlásnevelésben, nagyon sokfigyelmet helyezünk a gyakornokaink fejlesztésére a többségük állandó tagjává válik a csapatnak.

Szőke József: Nem a nyers programozásban kell munkaerő a továbbiakban, hanem holisztikus világlátásra, és az AI működési logikájának megértésére van szükség.

Milyen kompetenciákra, készségekre lesz annak szüksége, aki ezen a területen szeretne a jövőben dolgozni?

Most olyan kollégákat keresünk, akikben megvannak az elemzéshez, adatokhoz való hozzáféréshez az erős alapok, matematikai, statisztikai tudás, egy-két programozói nyelv (sql, pyton) ismerete, találkoztak valamilyen adatvizualizációs eszközzel. Maga a gondolkodás a fontos, nem egy adott eszköz ismerete, emellett kell üzleti érzékenység, nyitottság, hogy megértsük a problémát, amit a business kér tőlünk. Hogy ez meglegyen egy személyben az ritka kincs, ezért volt, hogy interjú után fél órán belül ajánlatot adtunk egy kiváló jelöltnek, mert benne minden együtt-állás megvolt és az ilyen tudásra mások is gyorsan lecsapnak. Ezen túlmenően az élethosszig tartó tanulásban és a tudásmegosztásban is hiszek, ezért kéthetente egy napot Learning day-nek jelölünk ki és közösen vagy egyénileg sajátítunk el új tudást, ismerünk meg új eszközöket.

A jövőben pedig azt látom, olyan irányban indult el a mesterséges intelligencia fejlődése, hogy nem feltétlen a programozói tudás lesz a legfontosabb, hanem lényegesebb érteni a kontextust, jól megfogalmazni egy problémát. Egy jól megfogalmazott kérdés a chatGPT-nek olyan eredményeket tud már most is visszaadni, amit más nem tud pótolni. Ez a terület a prompt engineereké jelenleg, akik parancsba tudják adni a szöveg vagy képgeneráló AI-nak, hogy mire van szükségük. Félelmetes különbség van egy egyszerűen feltett kérdés és egy alaposan felépített prompt között, ahol a kontextust, a szerepkört is meghatározzuk, hogy milyen típusú választ várunk, kinek a szerepkörébe helyezze magát az AI. 

Korábban egy weboldalt elkészíteni hetekbe telt az ügyféltől bekért információk segítségével, ma ez chatGPT-vel, jól megírt parancssorral egy nap alatt elkészíthető. Nagyon hatékonnyá teszi a munkát. Riportokat is fel lehet így építeni: ha megmondom az MI-nek, hogy milyen adatok közti kapcsolatokra vagyok kíváncsi, milyen diagramokkal, vizualizációs eszközt szeretnék használni. Mindezt programozói ismeretek nélkül. Nem a nyers programozásban kell munkaerő a továbbiakban, hanem holisztikus világlátásra, és az AI működési logikájának megértésére van szükség. Elengedhetetlen lesz a prompt engineeringet iskolában elkezdeni oktatni, átképezni embereket erre. Az AI által a munkahelyek 25%-a, azaz világszerte 300 millió munkahely kerülhet veszélybe, én optimista vagyok, hogy legalább ennyi lehetőséget is teremteni fog, de oda kell figyelni, hogy transzparens, megbízható és szabályozott legyen a mesterséges intelligencia. Ne induljanak el olyan mozgalmak, mint a maga idejében a luddizmus, a géprombolás volt, elkeseredettségből és tudatlanságból fakadóan. 

Hogy néz ki egy napja egy adatelemzőnek? 

Vezetőként alapvetően az „útakadályokat” hárítom el a kollégák elől, így elemzésben, adatvizualizációban már nem sok részem van, pedig nagyon szerettem csinálni. Elsősorban stakeholder menedzsmenttel és az erőforrások biztosításával foglalkozom. Nekem a napok nagy része meetingekkel telik, illetve adminisztratív tevékenységgel. Emellett komoly figyelmet fordítok a csapattal való egyeztetésre, one on one meetingekre a vezetőimmel, valamint arra, hogy a nagyobb, több társosztályt is érintő céges szintű projectekbe a design fázisba megfelelő inputokat adjuk, hogy az élesbe álláskor a szükséges riportok, elemzések azonnal elérhetőek legyenek. projektek lezárásakor az inputokra. Szakmailag a csapat nagy része már jobb nálam, így elsősorban a motivációra, a visszajelzésre igyekszem odafigyelni. 

A csapatban pedig többfajta feladatkör van, vannak, akik összekötő szerepet töltenek be az üzlettel, ők is elég sok meetingen vesznek részt, csak ezek konkrétabb feladatokhoz, projektekhez kapcsolódnak. Minden társosztálynak van egy-egy Business Partnere, aki elhozza onnan a feladatokat, segít a priorizálásban és a megvalósításban.  

A fejlesztéseket végző kollégák is legtöbben az üzlettel együttműködésben dolgoznak, vagyis ott is vannak rendszeres egyeztetések. Emellett van egy-két olyan projekt, ami hosszabban elnyúlik ilyenkor gyakran párban dolgoznak a fejlesztők, hogy ne maradjon magára senki, legyenek interakciók, egymást is előre tudják mozdítani, ötleteket adni. Persze vannak olyan programozási feladatok, amikor el kell mélyülni, feltenni a fülest és írni a kódokat. Nálunk mindez hibrid munkavégzésben történik, általában két napot vagyunk bent, három napot pedig home office-ban. Így hatékonyan tudunk együttműködni. 

Mit javasol azoknak, akik szeretnék ezt a területet jobban megismerni, esetleg adatelemzői vagy adattudósi karrierben gondolkodnak?

Én mindenkit bátorítanék arra, hogy kezdje el az adatok világát jobban megismerni és akár a mostani pozíciójában adattudatosabbá válni, akár – idővel – karrierváltásban is gondolkodni. Elkezdeni nagyon sok módon lehet: vannak kiváló podcast-ek, vagy ingyenesen elérhető oktatóvideók, nagyon sok felületen vannak ezzel foglalkozó – akár magyar nyelvű – csoportok is, ahol sokat lehet tanulni. Természetesen nem árt egy alap statisztikai, matematikai ismeret sem, ezen tudásunkat is érdemes felfrissíteni. Nagyon sok felhőalapú, adatfeldolgozó, elemző platform kínál ingyenes kipróbálási lehetőséget, aminél tényleg csak a rászánt időnk és energiánk határozza meg, milyen gyorsan fogunk fejlődni. Végül pedig jelenleg a generatív mesterséges intelligencia virágzását éljük, nagyon sok rendkívül fejlett, ingyenesen elérhető szöveg-, kép-, vagy akár videókészítő alkalmazást használva tehetjük hatékonyabbá a mindennapi munkákat. Én hiszem azt, hogy ez a jövőben egy alapképességé fog válni és azok, akik időben elkezdték megérteni, használni ezen eszközöket, azok egyértelműen az elkövetkező MI korszak nyertesei lesznek.

Nyitóképen Szőke József