Interjú Klementisz-Csikós Gáborral Data Science képzésünkről
Klementisz-Csikós Gábor 12 éves kora óta programozónak készült. A programozás mellett viszont végül a közgazdász pályát választotta, és banki, majd később vállalati oldalon szerzett széleskörű szakmai tapasztalatokat. Jelenleg üzleti transzformációs szakértőként dolgozik saját cégében, a Hypervision Ltd-nél, továbbra is közel az adatok és az MI világához. Digitális Innováció képzésünk elvégzése után vágott bele Data Science képzésünkbe, ahol egy teljesen új megvilágítást is kapott munkájához.
A Hypervision Ltd. Business transformation expert-je vagy, ezt megelőzően 12 évig a KÉSZ csoport digitalizációs üzletfejlesztési csoportjának a vezetőjeként dolgoztál. Milyen elvárásokkal érkeztél a képzésre, mit vártál a képzéstől?
Előző munkahelyemen fő feladatom a cégcsoport digitalizációs transzformációja és az adatvezéreltség minél szélesebb körű megteremtése volt. Sok szó esik erről manapság, de csak kevesen tudják, valójában mit is jelent. Az adatvezéreltség mellett a legfontosabb kérdés az, hogy hogyan lehet egy céget elmozdítani ebbe az irányba. A KÜRT Akadémia Data Science képzésén mindennek a hátterét, részleteit szerettem volna pontosan látni és megtanulni.
A képzés előtt elvégezted Digitális Innováció képzésünket, és ezután vágtál bele a Data Science képzésbe. Milyen szinten foglalkoztál adatokkal a képzés elvégzése előtt?
Időben kicsit visszaugorva, 12 éves korom óta programozónak készültem és végül az is lettem, de közben a közgazdász pályára fordultam rá. Az elmúlt bő 20 évem felét banki oldalon, a másik felét vállalati oldalon töltöttem, kis tanácsadói kitekintéssel. Az elmúlt 5 évben az kezdett érdekelni, hogy a vállalati folyamatokat hogyan lehet jobban, hatékonyabban csinálni, hogyan lehet a digitalizációt előremozdítani. Informatikai vénával rendelkezem, üzleti tapasztalattal, de az elmúlt 5 évben újra kellett tanulnom, hogyan működik az IT világa, illetve azt is, hogyan tud mindez az üzlethez leginkább kapcsolódni. Ezt legjobban azok érthetik, akik mindkét területen dolgoztak. Szembejött közben az agilis transzformáció lendülete, valamint több, startup világból jövő módszertan is. Mindezek hatására azzal a céllal jelentkeztem a Digitális Innováció képzésre, hogy ezt rendszerezzem.
A tanultak közül mely módszerek, vagy a képzés mely témái voltak leginkább tanulságosak/hasznosak számodra?
Összességében annak a folyamatnak és lépéseinek megismerése, ahogy egy adatprojekt felépül. Mik a feltételei, hogyan jutunk el ide. Ezen felül az is nagyon tanulságos volt, hogy miként lehet átadni a következtetéseket minél hatásosabban. Először fura volt ismét beleugrani a programozás világába, de amikor a konkrét projekten dolgoztunk, akkor elkezdtem újra élvezni, hogy egy kódot építve transzformálom az adatokat. Volt egy nyitott beszélgetésen alapuló vita az adatok jogi vonatkozásával kapcsolatban, ez is kimondottan érdekes volt. Nagyon sok napot élveztem a képzés során és minden alkalommal tanultam valamit.
A tanultak közül melyek azok a témák/módszerek, amiket a munkád során hasznosítani tudsz a képzés hatására?
Még talán a Bigtech cégek (Google, Apple, Amazon stb.) sem tudják elmondani magukról, hogy optimalizáltan működnek és mindent kihoznak az adataikból, bár nyilván exponenciálisan többet, mint egy átlagos cég, ami ijesztő is. Meglátásom szerint a legtöbb vállalat nem ott tart, hogy adatok alapján hozzon döntéseket, hanem ott, hogy az Excel tábláit leváltsa korszerűbb rendszerekre. Még a fejlettnek gondolt cégek is azzal küzdenek, hogy használnak ugyan modernnek gondolt vállalatirányítási rendszereket, de ezek nem optimálisan vannak bevezetve, nem a folyamataikra illeszkednek és így rengeteg Excel és egyéb „árnyékrendszer” van még így is mellettük. Ezek pedig egy idő után teljesen átláthatatlanná és hatástalanná, sikertelenné teszik a működést. Ezt mindaddig nem veszik észre a cégek, ameddig egy-egy „szaki” el nem megy, aki miatt működhetett a rendszer. Itt van viszont az ugrás lehetősége, mert ha ismert, hogy egy strukturált adatrendszerből hogyan lehet következtetni a jövőben bekövetkező eseményekre, akkor adott és ismert az a fejlesztési irány, hogy a jövőbeni rendszereket úgy építsük fel, hogy az azokból kinyert adatok rögtön alkalmasak legyenek arra, hogy a vállalatot fejlesszék. Ez nagyon nem evidens és egyedül nem megy. Elképesztően szép és nagy kihívásnak tartom ezt és ezzel szeretnék foglalkozni a jövőben. Programozni valószínűleg nem fogok, de mivel értem a programozói logikát, így ugyanúgy tudok majd kommunikálni egy-egy üzleti vezetővel, mint az adatmodellezőkkel, programozókkal.
Mit gondolsz, milyen mélységű programozási tudásra van szükség ahhoz, hogy valaki tényleg profitáljon a képzésből?
Ezt nehéz megítélnem, hiszen nekem vannak alapjaim - bár ezt vállalati környezetben soha nem használtam. Magam is meglepődtem, hogy mennyire belementünk a részletekbe néhány órán. Összességében viszont azt gondolom, hogy az is, aki még életében nem foglalkozott elemzéssel, programozással, annak is hasznos lehet a képzés, de csak úgy, ha adott szakmai (legyen ez vállalati, állami, vagy akár sport) területen ténylegesen komoly és mély tudással rendelkezik. Ez esetben is egy nagyon jó fordító lehet belőle az adatelemzők és az adatigénylők között.
A képzésen több csapatban dolgoztatok projektfeladatokon. Mesélnél a projektről, és arról, hogy mi is volt pontosan a célotok, milyen adatokkal dolgoztatok, milyen módszereket használtatok?
Mi abba a szerencsés helyzetbe kerültünk, hogy végül egy valós és élő üzleti problémán, egy valós tisztítatlan adatsorral dolgozhattunk. Ez azért volt fontos, mert ténylegesen találkoztunk azzal, hogy milyen rögös út vezet egy adatprojektben a kezdetektől a modellezésig. Az is világossá vált, hogy a modellezés maga ténylegesen csak a projekt kis százalékát teszi ki. Összességében mintegy 20 milliónyi adatsorral kellett megküzdenünk. Egy tranzakciós adatbázisból, egy dinamikus idősoros nap végi állomány táblát készítettünk. A cég – többek között - az állomány végi adatok jövőbeni becslésére volt kíváncsi, mivel ennek nyomán fog tudni olyan stratégiát alkalmazni, mely csökkenti a költségeit, és/vagy növeli a bevételeit a peek időszakokban történő optimalizációval. Alapvetően a végén regressziós modellezést alkalmaztunk és a legjobb eredményt döntési fával értük el. Ugyanakkor ez még nem a vége, hiszen az adattisztítási metodikát és az algoritmust is majd finomítani kell, ha a cég ténylegesen használni szeretné a végterméket.
Mi volt az, amit egy ilyen projektmunkából hasznosítani tudsz a korábbiakhoz képest? Összességében beváltotta a képzés a hozzá fűzött reményeidet?
Szinte mindent hasznosítani tudok a képzésből, annyira új volt az egész. A projektmunka során a tárgyalási helyzeteket, az üzlet reakcióit, és az adatok kapcsán felmerülő digitalizációs fejlesztési szempontokat egyaránt kamatoztatni fogom a munkám során. Egy vállalatcsoport tulajdonosával történő beszélgetés közben jött elő, hogy mennyire atipikus az életutam. Egyik felem ízig vérig üzleti, pénzügyes gondolkodású, a másik felemet pedig a digitalizáció hatja át, így azt gondolom képes vagyok „fordítani” mind a két irányba. Ez a képzés további eszközrendszereket adott ehhez. Összességében elmondhatom: a képzés amellett, hogy szélesítette a látókörömet a témában, megerősített abban, hogy létező igény van az ilyen tudással rendelkező szakemberekre.
Kiknek ajánlanád a képzést?
Minden olyan üzleti szereplőnek, és akár vezetőnek is, aki fogékony az adatelemzésre és érteni szeretné az adatvezéreltség lényegét. De minden olyan kontrollernek, elemzőnek is, aki mélyebb ismeretekre vágyik és nem csak elemi adatok, riportok előállítását szeretné a jövőben csinálni.
Ha érdekel a Data Science képzésünk, ismerd meg részletes tematikánkat!
Hozzászólások