Interjú Sinkovics Csabával, egy nagy biztosítótársaság project managerével a Data Science képzésünkről
Sinkovics Csaba a biztosítók világából érkezett Data Science képzésünkre, és a képzés még inkább rámutatott arra, hogy milyen hatalmas lehetőségeik vannak az adatvagyonuk kihasználásában. A képzés hatására tisztábban, strukturáltabban és gyorsabban tud feladatokat megoldani, és azt is jobban látja, hogy a további fejlődésében hol vannak a mérföldkövek. Interjúnkban azt is elmondja, hogy miért lehet hasznos az adatos szakemberek mellett a döntés-előkészítőknek, akár a döntéshozóknak is elvégezni a képzést.
Egy biztosítótársaságtól érkeztél a képzésre, így nem is kérdés, hogy rengeteg adattal találkozol nap mint nap. A képzés előtt milyen szinten állt az adatvagyonotok kihasználása, és milyen ambíciókkal érkeztél e tekintetben a képzésre?
Csak érintőlegesen dolgozok nagyméretű adatbázisokkal, főleg létszám-, értékesítési teljesítmény-, jutalék-, adózási- és kampányadatokat elemzek. Az volt a célom, hogy mélyebb és modernebb elemzési módszertanokat tanuljak meg, és áttekintést nyerjek az adattudomány irányzatairól, hasznosítási lehetőségeiről, egy data science csapat működéséről. Azt látom, hatalmas lehetőségeink vannak az adatvagyonunk kihasználásában.
Mely módszerek vagy témák voltak rád a legnagyobb hatással a képzésen?
Nagyon tetszett a mélyebb matekos megközelítés a predikcióban, az anomáliakeresésben és -kezelésben (regressziós modellek, deep learning, hálózatok), ezekből van, amit egy kis pet projektben ki is fogok próbálni, illetve egyes futó projektekben alkalmazni tudom.
Tudnál egy kicsit mesélni ezekről a projektekről, és hogy pontosan mit alkalmazol majd a tanultakból?
A sales területen a közvetítők klaszterezése egy izgalmas terület. Itt a „deployment”, az alkalmazás a lényeg, ami lehet pl. egy CRM rendszerben a közvetítők „scoringolása”, ami alapján eldől, egy „zsírosabb” lead-et kinek adunk oda. Szakmai tapasztalat, tudás, értékesítési skillek (a teljesítményben visszamérve), korábbi CRM tevékenysége mérőszámai (feldolgozottsági, sikerességi ráták), ügyfélvisszajelzések (NPS, 5-star rating) stb. alapján lehet meghatározni a klasztereket. A célváltozó a sikeresség, hogy az kapja a lead-et, aki a legnagyobb valószínűséggel csinál belőle üzletet. Az alkalmazásban a modell dinamikus, hiszen a bemeneti változók folyamatosan változnak, akárcsak az érintett közvetítők köre.
Szerinted milyen mélységű programozási tudásra van szükség ahhoz, hogy valaki profitáljon a képzésből?
El lehet kezdeni anélkül is, nekem minimális előzményem van (VBA makró). Ez kihívás volt, de belerázódtam. Azért kell majd még gyakorolni, például elkezdtem egy online Python kurzust.
A képzésen több csapatban dolgoztatok projektfeladatokon, te egy nagyon izgalmas, biztosítói projekten dolgoztál. Mesélnél arról, hogy mi is volt pontosan a célotok, milyen adatokkal dolgoztatok, milyen módszereket használtatok?
A csapat 2/3-a biztosítós és 1/3-a aktuárius, ami a business domain ismerete miatt hatalmas előny volt. Azt kerestük, hogyan lehet meglévő biztosítói szerződésállomány adatai és káradatok alapján minél pontosabb predikciós modellt építeni a kárvalószínűségre, ami árazási szempontból érdekes. Rendszeresen találkoztunk online, megismerkedtünk az adatbázisokkal. Ugyanazokon az adatokon dolgoztunk párhuzamosan, építettünk modelleket. Ezeket a modelleket bemutattuk egymásnak, és összehasonlítottuk, így keresve a legpontosabbat. Használtunk Pythont és RapidMinert is, regressziós modellekkel dolgoztunk.
Habár a jelenlegi profilodhoz közel állnak a biztosítói kérdések, de mégis mi az, amit egy ilyen projektmunkából hasznosítani tudsz a korábbiakhoz képest?
Valamekkora rutinszerzés mellett számomra a legfontosabb tanulság az volt, mennyi mindent nem tudok még 😊 Ugyanakkor ez már az a szint, amikor azt látom, mit kell még tanulni, gyakorolni és – ami talán még fontosabb – reális képem van a továbbiakról (mennyi időt vesz el, kb. mikorra fogok elérni a következő mérföldkőhöz). Az is fontos, hogy tudom, mi az, ami érdekel a Data Science-ből, mi az, amiben üzleti lehetőségek vannak.
Miben változik meg a képzést követően az, ahogyan az adatokkal dolgoztok? A kezdeti célokat, ambíciókat tudja támogatni, amit itt tanultál?
Tisztábban, strukturáltabban és gyorsabban tudok megoldani feladatokat. Jobb következtetésekre tudok jutni. Jobban át tudom adni ezeket a döntéshozóknak.
Kinek ajánlanád a KÜRT Akadémia Data Science képzését?
Akinek van programozói gyakorlata, és érdekli az adatelemzés, az adatvagyon üzleti-termelésszervezési felhasználása. És fordítva, annak, aki foglalkozik adatok üzleti felhasználásával és alap szinten meg akarja szerezni (de legalább át akarja látni) a mögöttes matekos és programozói tudást.
Szerintem egyre fontosabb lesz a döntéshozatalban a Data Science, így döntés-előkészítőknek, döntéshozóknak (BA-k, product ownerek, termékmenedzserek, folyamatszervezők, controlling…) is bátran javasolnám, ismerkedjenek meg mélyebben, milyen klassz döntéstámogató módszert ad a Data Science.
Ha érdekel a Data Science képzésünk, ismerd meg részletes tematikánkat!
Hozzászólások