Mielőtt 2015-ben elindítottuk Data Science képzésünket, Nagy-Rácz István képzésvezetővel hónapokig tanakodtunk, hogy hová helyezzük a hangsúlyokat: IT szakértőket próbáljunk üzleti szempontok iránt érzékenyíteni, perspektívát adni nekik, vagy inkább azokat képezzük a data science és technológiai logikák alapjaira, akik most az üzleti oldalon ülnek. Végül az utóbbi mellett döntöttünk, és akkor még nem is sejtettük, milyen helyesen.

n+1 képzés IT-soknak

Egyrészt tele a világ olyan képzésekkel, amik IT tudást vesznek alapul, azt mélyítik és specializálják tovább. A technológia folyamatosan fejlődik, nem vitás, hogy erre is szükség van - de nem az ilyen típusú szakértők hiánya okozza, hogy Magyarországon még mindig kevés ambíciózus adatprojekt születik, és még kevesebb valósul meg.

Itthon az akadály inkább a cégeken belüli szakadék data scientistek és üzleti döntéshozók között. Ezeknek a területeknek egyre inkább együtt kell dolgozniuk, termékre / szolgáltatásra visszaható insightok csak az együttműködésükből kerekedhetnek. Ráadásul a data science feladatokkal itthon sokszor specializált tanácsadó cégek foglalkoznak, ezek a vállalatok vonzzák a legtehetségesebb utánpótlást is. De ők honnan is érthetnék az összes általuk kiszolgált iparág / cég specifikumait?

Data translator, analytics translator

Szükség van olyan emberekre, akik értik a core business-t, megvan az ún. domain tudásuk arról a területről, amin a data science eszközöket használni akarják ÉS értik az adattudomány alapjait, az egyes eszközök korlátait. Lehet, hogy nem ők írják a legszebb Python kódot és nem programoznak Hadoop clustert, de egy adat projekt során minden specialistával szót értenek a saját nyelvén és nem megvezethetőek a munka során. Egy data scientist (csapat) tudása iparágtól független, az implementációhoz kell egy belsős / egy fordító / egy hídember - ahogy tetszik. A nemzetközi sajtó a McKinsey nyomán translator-eknek nevezi ezeket a szereplőket, és bizony egyre több helyen úgy hivatkoznak rájuk, mint akik fontosabbak a data scientisteknél. (Lásd ajánlott cikkek.)

Tehát mit csináljon az, aki ebben a szerepben látja a jövőjét, nem szakmát akar váltani, hanem a saját szakterületét adatalapúan művelni, és aki nem a főiskolai jelentkezés előtt jött rá, hogy ezzel akar foglalkozni?

Data science: Zero to Hero

Képzésünkön lekövetjük egy adatprojekt útját, hogy a résztvevők teljes képet kapjanak a folyamatról, és ahol lehet, azonnal alkalmazzák a tanultakat saját területükön. Foglalkozunk az adatelemzés különböző eszközeivel, a legelterjedtebb technológiákkal, a vizualizáció alapjaival, rengeteg esettanulmányt és best practice-t hozunk, hogy minden technológiának kontextust adjunk. Programunkat eddig 150+ hallgató választotta, akik nagyrészt nem IT specialisták, programozók voltak. A tematikáról és oktatóinkról itt olvashatsz bővebben >>

Ha te is csatlakoznál a következő évfolyamhoz, ragadd meg a lehetőséget és regisztrálj. Ha pedig még kérdéseid vannak, keresd nyugodtan Tasnády Fannit, fanni.tasnady@kurtakademia.hu

További cikkek a témában:

• McKinsey (2014): How to get the most form big data
• Bernard Mar (Forbes, 2018): Forget Data Scientists And Hire A Data Translator Instead?
• Nicolaus Henke, Jordan Levine, Paul McInerney (Harvard Business Review, 2018): Analytics translator: The new must-have role
• Anne Fisher (Forbesm 2019): Now Hiring: People Who Can Translate Data Into Stories and Actions