Što korisnici žele i očekuju od vaših proizvoda i usluga zna podatkovna znanstvenica

Vjerojatno ste već čuli da vlada nestašica IT stručnjaka. Ipak, osim programiranja, temeljni IT kadar za jednu tehnološku tvrtku obuhvaća različite tehnološke talente. Pred nama je doba iskorištavanja svih podataka koje smo nagomilali proteklih online desetljeća kako bi bili pametniji za naredna. Iako će strojevi prednjačiti u njihovoj obradi, upravo će znanja stručnjaka biti ključna za interpretaciju i planiranje aktivnosti na osnovu dobivenih informacija. Dovoljno u prilog tome govori činjenica da je na Glassdorovoj listi najboljih poslova u SAD-u već četiri godine na prvom mjestu pozicija data scientista odnosno podatkovnog znanstvenika.

Podatkovna znanost je za IT industriju posebno plodonosno područje što se tiče priljeva novih stručnjaka jer otvara vrata ne samo studentima i stručnjacima s tehničkih već i prirodoslovnih, društvenih i humanističkih fakulteta.

Moja sugovornica, Maja Copak Smolčić primjer je takve stručnjakinje. Ova ekonomistica danas radi kao Customer Insights Manager u A1 gdje se uglavnom bavi vođenjem poslovne analitike, ali i upravljanjem data science inicijativa unutar A1.

Moj posao obuhvaća sve od definiranja do razvoja data science inicijativa i njihovih implementacija u poslovne procese. Dakle, prenosim poslovne probleme i inicijative u konkretne zadatke, odnosno modele koje timski izrađujemo, a koji doprinose postizanju dobrih poslovnih rezultata. U tome je nužno i konstantno poticanje razmjene znanja i ideja te uvođenje novih digitalnih alata i tehnologija.

Kako se ekonomistica odlučila na programiranje i statistiku?

Maja je svojevremeno na Ekonomskom fakultetu u Zagrebu završila prediplomski na smjeru Analiza i poslovno planiranje te na diplomskom smjer Računovodstvo i revizija. Svoj prvi posao našla je u računovodstvu jedne distributerske kompanije. Međutim, rad s financijama ubrzo je zamijenio rad s podacima. Njezino predznanje u matematici i statistici pomoglo joj je da se profilira u smjeru podatkovne znanosti.

Vrlo brzo sam krenula u svijet bankarstva i nakon otprilike 2 godine rada u sektorima računovodstva, financija i izvještavanja, odlučila sam napraviti ‘switch’ prema programiranju i svijetu data sciencea. Bila sam spremna učiti o novim tehnologijama (SQL, R i drugima) te razvijati statističke i matematičke vještine – što se pokazalo kao dobra odluka.

Svoj prvi posao u okviru data science područja Maja je također odradila unutar banke. U jednoj od vodećih banaka u HR, kao Senior data scientist bavila se statističkim analizama, izradom prediktivnih i churn modela te sudjelovala na big data projektima. Istovremeno je radila i na fakultetu kao vanjski suradnik iz Statistike te je uz to podučavala studente i razvijala svoje prezentacijske vještine.

Na početku nisam znala programirati, ali sam bila spremna učiti tako da sam najviše naučila uz rad, zadatke, projekte i susretljive kolege te samostalno uz online edukacije. Mislim da je takav put teži, ali vrjedniji.

Pretvoriti nedostatke u prednosti

Zanimalo me i kako je Maji ekonomski smjer pomogao u području podatkovne znanosti – ako jest uopće – stoga sam ju upitala i je li ulaskom u data science svijet previdjela koliko će dodatno morati usavršavati svoja znanja. Maja mi odgovara kako je zanimljiva činjenica da su podatkovni znanstvenici uglavnom matematičari i statističari pa, iako je bila iskusna u tim područjima, i sama se brinula hoće li joj ekonomska diploma biti prednost ili nedostatak.

U početku je bilo teško, ali kad se prođu neke tehničke prepreke i nauči se programiranje i rad s bazama, ono što je još važnije je poslovno znanje, shvaćanje poslovnog problema, snalažljivost i kreativnost u pronalasku rješenja. Zahvaljujući Ekonomskom fakultetu i prethodnom iskustvu, sada imam širu sliku businessa i mislim da je to zaista velika prednost.

Što data scientist radi unutar jednog telekoma?

Podatkovni znanstvenici prikupljaju velike količine podataka da bi potom, koristeći svoja znanja i algoritme koje su razvili, došli do specifičnih informacija koje su im potrebne. U praksi postoji nebrojeno primjera kako data science može pomoći za rast i razvoj poslovanja. Maja mi i za primjer objašnjava kako data science donosi vrijedan uvid u iskustvo A1 korisnika:

Bez podataka je teško zamisliti donošenje poslovnih odluka, a ako tome pridodamo naprednije statističke i matematičke algoritme, mislim da je neupitno da data science pomaže u svakodnevnom radu i odlukama u A1. Najznačajniji modeli koje smo izradili rezultirali su unapređenjem korisničkog iskustva, digitalizacijom korisnika te povećanjem prodaje proizvoda i usluga.

Pametnim iskorištavanjem podataka može se razviti personalizirana komunikacija, prilagoditi kanal komunikacije te sama ponuda, objašnjava moja sugovornica:

Kreiranjem prediktivnih i churn modela može se pravovremeno reagirati, optimizirati marketinške kampanje i prilagoditi ponudu prema korisniku. Također, analizom te izradom modela preventivno možemo predvidjeti i otkloniti poteškoće i prije nego ih sami korisnici osjete, što je jako važno za korisničko iskustvo.

Osim što nudi mogućnost pravodobne reakcije, podaci nam donose i mogućnost da budemo proaktivni kad je u pitanju kreiranje novih, inovativnih proizvoda i iskustava. Maja mi je ispričala i kako pristupa podacima kada je u pitanju procjena novih poslovnih prilika i planiranje projekata.

Svakom analizom i modelom te suradnjom s businessom dobivamo inspiraciju za neke nove inicijative. U tom slučaju jako je važno da model ima ‘buy in’ svih strana, odnosno da tim za koji radimo model vidi vrijednost i pravilno ga iskoristi jer i najbolji model na svijetu može biti bezvrijedan ako ga pogrešno primijenimo.

Podatkovna znanost je zahtjevna, ali izvora znanja ima napretek

IT industrija je brzo-rastuća i promjenjiva. Danas popularnu tehnologiju već sutra može pomesti nova. Svakom IT stručnjaku potrebna je konstantna edukacija i usavršavanje, a područje podatkovne znanosti nije ništa drugačije. Dapače, toliko je dinamično, dodaje Maja, da je potrebno svakodnevno učenje, čitanje članaka te održavanje networkinga s kolegama i ljudima u DS zajednici.

Upitala sam ju stoga i kako ona ulaže u svoje znanje, ali i da nam preporuči materijale koji bi mogli pomoći drugima koji se žele usmjeriti ili dodatno educirati u području podatkovne znanosti.

Posjećujem data science konferencije u Hrvatskoj i inozemstvu, pratim online edukacije, ali i sudjelujem u pripremi internih edukacija u kompaniji. Za početnike u ovoj domeni postoje dobri online tečajevi na platformama kao što su Data Camp ili Coursera te korisni članci i knjige, od kojih bi svakako preporučila The Hundred-page Machine Learning Book te O’Reilly Hands on Machine Learning with Sckit-Learn, Keras & Tenser flow.

Osim materijala poput navedenih, za kraj nam je bitno spomenuti i što oni koji tek ulaze u data science trebaju znati – o industriji, o tehnologijama, o drugim nužnim vještinama i znanjima.

Data science nije samo analiza podataka već sposobnost vidjeti širu sliku problema za koji ti se na prvu čini da je nemoguće riješiti. Na tržištu postoji jako puno alata i programskih jezika i naravno da nitko ne može znati sve, ali je jako važna znatiželja, intuicija i upornost. Poželjna kvaliteta je biti dobar prezenter jer, nekad nije bitno samo isporučiti rješenje, već je važno i predstavljanje te razumijevanje same primjene rješenja i interakcije između krajnjeg korisnika i modela.

Zaključno, data science stručnjak nije osoba koja će samo sređivati tablice u SPSS-u niti osoba koja ima SQL u malom prstu. To je osoba koja uz poznavanje statistike, matematike, potrebnih alata i jezika ima ključne vještine analitičkog načina razmišljanja, rješavanja problema i razumijevanja poslovnih procesa. Takav skup vještina i znanja neće se izgraditi samo kroz jedno područje obrazovanja ili posla već naporima pojedinca na kontinuirano usavršavanje kroz različite sfere.