Hallgatás művészete ÚJ
2024.01.03.
Nincs hozzászólás
// 20 év tapasztalata és gyakorlata alapján segítek Önnek, hogy
sikeresebb elemző legyen!
Következő kurzusok
Friss tartalmak
Hogyan kerüljük el a túltanulást?
2023.01.13.
Nincs hozzászólás
Miért nem érti senki diagramjainkat?
2022.06.01.
Nincs hozzászólás
Hogyan építsünk data science karriert?
2022.05.14.
Nincs hozzászólás
// Bemutatkozás
Véletlenek pedig nincsenek
Kovács Gyula vagyok, szakterületem adatok elemzése, elemzési eredmények átültetése üzleti folyamatokba. Rendelkezem programozó matematikus és közgazdász diplomával, ennek köszönhetően beszélem az IT és üzleti oldal nyelvét.
Az adatelemzés a szenvedélyem, de mégis egy véletlen találkozásnak köszönhetem, hogy adatelemző lettem. 90-es évek végén járunk, frankfurti repülőtéren unatkozva néztem a kirakatokat. Munkámból adódóan hetente ingáztam Frankfurt és Budapest között, ennek köszönhetően a kezdetben látványos bábeli zűrzavar hidegen hagyott.
Aznap azonban szerencsém volt, a sok idegen közt összefutottam egy régi ismerősömmel, Nándival, akivel korábban együtt voltunk doktorandusz hallgatók. Egyetem után én a Lufthansa Systemshez mentem, míg Nándi egy hazai tanácsadó céghez. Először nem is nagyon értettem mivel foglalkozik, adatelemzésről meg adatbányászatról magyarázott lelkesen. De egy idő után kezdett érdekelni a dolog. Akkor már majd 1 éve dolgoztam programozóként, de éreztem, ezt nem nekem találták ki. Valami kreatív dologra vágytam. Mint például az adatelemzés.
Mire leszálltunk Budapesten a repülőről – már tudtam, hogy az életem hátralévő részében adatbányászattal akarok foglalkozni.
SZENVEDÉLY
Azóta sok minden változott az életemben, de az adatokhoz fűződő szenvedélyem nem. Láttam, hogyan alakul át az adatelemzési piac, hogyan változnak az adatelemzési eszközök, hogyan váltják le egymást különböző technológiák.
És azt is láttam, hogy a rengeteg innovatív megoldás ellenére kevés az igazán sikeres adatelemzési projekt, még napjainkban is.
De vajon miért ritkák a jó elemzések?
// Adatelemzés
Adatoktól a tettekig
Az adatelemzés célját többféleképpen meg lehet fogalmazni.
A számomra legközelebb álló DIKW piramis modell szerint, az adatelemzés végső célja üzleti folyamatok átalakítása az adatok segítségével. Ez több lépcsőn át vezet. Először adatokból információ, majd tudás kerül előállításra, majd a megszerzett tudás konvertálható csak át tettekké! Ez egy hosszú folyamat, ahol a siker elengedhetetlen feltétele a szereplők közötti párbeszéd.
Fel kell építeni egy hidat az adatelemzők és menedzserek között, hogy a tudás cselekvéssé váljon, hogy a tudásból értéket teremtsünk!
01
adatból információ előállítása
02
információból tudás
03
tudásból bölcsesség
(=cselekedet)
Az elemző eszközök, technológiák folyamatos fejlődése ellenére a cégek egy jelentős része nem képes a DIKW piramis aljáról elmozdulni. Annak ellenére, hogy az elmúlt években a cégek jelentős erőforrásokat fordítottak adatokra épülő infrastruktúra kialakítására:
// Eredmények
Mi a sikertelenség oka?
Elsődlegesen összetett kommunikációs okokra vezethető vissza. Az „adattól – bölcsességig” út rengeteg szakember kooperációját igényli, ahol sokszor kulturális szakadékokat kell áthidalni. Az egyik ilyen szakadék az adatelemzők (adatmérnökök, adattárház fejlesztők) és az üzleti döntéshozók között van.
Az elmúlt években egyre több publikáció jelent meg arról, hogy egy adatvezérelt cég kialakításhoz nélkülözhetetlenek az ún. adattolmácsok – olyan elemzési szakemberek, akik tisztában vannak az adatelemzés folyamatával és lehetőségeivel, de egyben értik az üzleti oldal problémáit, és hogy erre milyen módon lehet válaszolni az adatokból.
Több mint 20 éve foglalkozom adatelemzéssel, és sikereimet annak köszönhetem, hogy adattolmácsként sikerült az üzleti igényekhez mindig megtalálni a legmegfelelőbb elemzési megoldásokat. Nemcsak válaszokat adtam a kérdésekre, hanem olyan új szempontokat vetettem fel, melyek jelentős segítséget nyújtottak az eredeti probléma megoldásához.
// Sikereim és kudarcaim
Sikeres ember vagyok.
Sikeres ember vagyok – mert bár sokszor sok helyen sok pofont kaptam karrierem során, ezekből mindig tudtam profitálni. Sikeres ember vagyok – mert sok sikeres elemzésen vagyok túl.
Azonban nehéz és hosszú út vezetett el idáig:
- Junior, majd senior adatelemző voltam egy tanácsadó cégnél (Data Explorer Kft.).
- 2005-ben a TÁRKI piackutató céggel közösen létrehoztam egy tanácsadó céget (TÁRKI-Data Research Kft.), ahol piackutatás és adatbányászat módszertant ötvöztük.
- 2007-ben két szegedi matematikussal létrehoztam egy másik céget (Sixtep Kft.), mely gráfelméleti algoritmusok üzleti célú alkalmazását tűzte ki célul.
- 2010-es években számos csalásdetektáló megoldást fejlesztettünk ki ezzel a technológiával.
- 2015-ben egy hazai pénzintézet (Fókusz Takarékszövetkezet) vezetője felkért, hogy BI és Data Science igazgatóként alakítsak ki adatvezérelt folyamatokat (CRM, kockázat kezelés, csalásdetektálás) a cégen belül.
Elmondhatom, hogy az utolsó munkahelyemen sikerült a DIKW piramis csúcsára érnem. Addig rengeteg kudarc ért.
- Volt, hogy az adatokat rosszul értelmeztem („adat analfabétizmus”)
- Volt, hogy üzletileg teljesen használhatatlan elemzést készítettem („kocka effektus”)
- Volt, hogy az elemzés jó volt, de rajtam kívül senki se értette meg (prezentációs hibák)
- És ha az elemzés is jó volt és át is tudtam adni – akkor se történt semmi (szervezeti ellenállás)
// Kovács Gyula
Data Science személyi edző
Én is járok edzőhöz, egy fallabda edzőhöz. 2000-es évek elején barátaimmal kezdtünk el ütögetni, mindenféle edzői háttér nélkül. Már nem emlékszem, hogy jutottam el edzőhöz, de máig hálás vagyok ezért a sorsnak. Első edzőm kijavította mozdulataimat, lábmunkámat. Jobb lett a technikám, de még nem voltam kész az igazi fallabdára.
Később megismerkedtem Zolival. Idősebb volt, mint az első edzőm, már volt egy kis pocakja is, tán még lassabb is volt nálam – mégis Ő tanította meg nekem a fallabda esszenciáját. Megtanított arra, hogy a fallabda valójában uralkodás – uralkodás a saját és az ellenfél akarata felett. Minden egyéb (technikai elemek, fizikai erőnlét) csak eszköz, hogy ezt a domináns állapotot elérjük.
Segítségével jobb játékos lettem, és ami fontosabb: neki köszönhetően még több örömet szerez a fallabda számomra.
Na de mi köze a fallabdának az adatelemzéshez? Meglepően sok. Az adatelemzésnek, csakúgy, mint a fallabdának, különböző szintjei vannak. Egy ideig akár autodidakta módon is lehet fejlődni, de aztán mindenki eljut egy pontra, amikor csak külső segítséggel tud továbblépni. Van, aki csak a „technikáján” akar fejleszteni. Számukra rengeteg kiváló Python, Tableau, PowerBI és más Data Science képzés érhető el.
Azonban van még egy szint: mikor valaki szeretne önálló elemzéseket készíteni és megtalálni az optimális megoldást az üzleti oldallal együttműködve.
Személyi edzőként nekik nyújtok segítséget.
// Személyi edzés az adatok világában
Mit kínálok elemzőknek személyi trénerként?
Adatelemzők élete nem egyszerű, amit a diagram is szemléltet.
Az adatelemzők tudják, hogyan lehet az adatokat feldolgozni, megtisztítani, ezeken egyszerűbb és bonyolultabb elemzéseket elvégezni, esetleg bonyolultabb adattmodellezési feladatokat végrehajtani. Az adatelemezők rengeteg energiát tesznek abba, hogy felfedezzenek összefüggéseket az adatokból, azonban hiába a sok munka, ha a „túldoldal” nem ért az egészből semmit. Nagyon sok adatelemző azért reked meg, mert nem képes érthető módon átadni, elmagyarázni az elemzési eredményeket – azaz beleesik a kommunikációs szakadékba! Azonban ez a szakadék mindenki számára átugorható.
Személyi edzőként segítséget nyújtok abban, hogy eljuss a célodig! Segítek abban, hogy képes legyél mások inspirálására, ne leszegett fejű munkatárs, hanem megbecsült tanácsadó legyél.
Személyi edzőként segítséget nyújtok abban, hogy eljuss a célodig! Segítek abban, hogy képes legyél mások inspirálására, ne leszegett fejű munkatárs, hanem megbecsült tanácsadó legyél.
// Építőkövek
Néhány fontos eleme az edzéseimnek:
Data Literacy
azaz adatolvasási készség fejlesztése: A legtöbb Data Science/Python/ML tanfolyam a „betűk és szavak olvasását” tanítja meg. De attól, hogy ismerjük a betűket, még nem biztos hogy értelmezni tudunk egy Shakespeare szonettet! Hiába tudunk adatokat feldolgozni, lekérdezéseket indítani, statisztikákat és diagramokat előállítani – ezek csak „szavak”. MIT kutatók (Raul Bhargava, Catherine Dignazio) által bevezetett Data Literacy fogalma egy viszonylag új tudomány, mely nem az elemzés-technikai képességekre fókuszál, hanem az elemzés folyamatára – azokra a módszerekre, melyek segítségével az elemző KÉPES megérteni az adatokban lévő üzeneteket.
„Critical thinking”
azaz kritikus szemléletmód elsajátítása: Tapasztalatom az, hogy az ember bármilyen őrült eredményt is képes megmagyarázni. Nagyon fontos az adatokkal, elemzésekkel kapcsolatos kritikus szemlélet kialakítása. Egy-egy érdekes eredmény alapján hajlamosak vagyunk sokszor igen „meredek” következtetéseket levonni – de arra nem gondolunk, hogy az egész mögött adatbázis vagy adatelemzési hiba lehet.
„Fast and slow thinking”
azaz kreatív és analitikus gondolkodásmód összehangolása: Nobel-díjas Daniel Kahneman által felfedezett gyors és lassú gondolkozásnak úttörő szerepe volt az emberi viselkedés megértésében. Az elemzések hatékonyságát jelentősen befolyásolja, hogy a gyors (kreatív) és a lassú (analitikus) gondolkodást milyen módon ötvözzük egymással. A teljesen automatizált döntési folyamatok korában hajlamosak vagyunk leértékelni a kreativitás szerepét – holott a kreativitás a kulcs a sikeres adatelemzéshez.
Storytelling with data
azaz történetmesélés adatokkal, információ hatékony átadása: Talán nincs még egy annyira dinamikusan fejlődő ága az adatelemzésnek, mint az adatvizualizáció. A Tableau és más BI eszközöknek köszönhetően egészen látványos, szinte művészi gondosságú diagramok születnek napjainkban. Azonban a látványos megoldások sokszor pont a lényeget nem mutatják – mit üzennek nekünk az adatok? A storytelling with data nem csak a vizualizációs részre fókuszál, hanem az információ átadás folyamatára is.
Az 1 órás edzések során átnézzük:
• Milyen feladatokon dolgozol éppen?
• Mennyire fordítottad le jól az üzleti igényeket elemzési feladatokká?
• Mennyire jól válogattad össze az adatelemzési adatbázist?
• Mennyire hatékony adatfeldolgozási lépéseket választottál?
• Mennyire vetted észre a releváns adatokat/összefüggéseket? Ha nem vetted ezeket észre, – miért?
• Hogyan kombinálod az elemzéseid során a gyors és lassú gondolkodásmódot?
• Hogyan ábrázoltad az elemzési eredményeket?
• Milyen vizualizációs hibákat vétettél?
• Használtál-e storytelling technikákat?
KURZUSOK
// Vélemények
Rólam mondták
// Előnyök
Miért tőlem vegyél edzéseket?
Napjainkban rengeteg kiváló szakirodalom, illetve online workshop áll az adatelemzők rendelkezésére data science, data literacy vagy akár adatvizualizáció témában. A szakirodalmat bárki elolvashatja, workshopon bárki részt vehet, de ha az elmélet nem párosul szakmai tapasztalattal, akkor ezek nem ragadnak meg. Én összekötöm az elméletet a gyakorlattal, megmutatom hogy a szakirodalomban javasolt módszereket hogyan tudod alkalmazni a munkád során.
Ha velem dolgozol:
- Nincs szükséged sokszor véletlenül kiválogatott szakirodalom végigolvasására, ahol az olvasásra szánt idő legalább fele érdektelen információk olvasásával telik
- Konkrét ötleteket adok futó projektjeidhez, amivel a saját karrieredet lendítheted előre
- Ha vannak rosszul berögzült adatelemzési módszereid, ezeket kijavítom
// Miért én?
Mit kínálok cégeknek személyi edzőként?
Az adatvagyon hatékony hasznosítása általános probléma napjainkban, a fent ábrázolt kommunikációs szakadék az üzleti oldal számára is folyamatos frusztrációt okoz. Egy 2018-as Business Over Broadway kutatás arra kereste a választ, hogy a vállalatok milyen adatelemzéssel kapcsolatos problémákkal küzdenek? Míg 15-20 évvel ezelőtt elsődlegesen technológiai akadályokat soroltak fel a válaszadók, addig napjainkra teljesen más kép kezd körvonalazódni. A második leggyakoribb válasz a „Data Science (tehetség) hiánya szervezeten belül”. Ami elsődlegesen nem azt jelenti, hogy nincsenek megfelelő számban adatelemzők, inkább azt, hogy az elemzők nem rendelkeznek azokkal a képességekkel, melyek szükségesek az üzleti oldal elemzési igényeinek kielégítésére.
Válaszadók százaléka
Piszkos adat (adatminőségi probléma)
35.9%
DataScience (tehetség) hiánya a szervezeten belül
30.2%
Felsővezetés részéről elkötelezettség hiánya DataScience csapat felállítására
27.1%
Jól feltett kérdések hiánya az adatelemzők felé
22.1%
Nehezen elérhető adatok
22%
Adatelemzési eredmények nem jutnak el a döntéshozókig
17.7%
Forrás: 2018 Business Over Broadway
De a másik oldallal is gondok vannak – az elemzők meg arra panaszkodnak, hogy nem kapnak vezetői oldalról jól feltett kérdéseket, ezáltal az elemzések sokszor célt téveszthetnek. További gond, hogy ha elkészülnek is az elemzések, nem jutnak el a döntéshozókig.
// Adattolmács és hídember
Segítséget tudok nyújtani a fenti problémákra.
- Személyi edzésekkel javítok az elemzők kommunikációs szintjén – hogyan értelmezzék jól a kitűzött feladatokat, hogyan készítsenek üzletileg hasznosítható elemzéseket, és ezeket hogyan kommunikálják az üzleti oldallal.
- Döntéshozóknak, menedzsereknek megmutatom, milyen elemzési lehetőségek vannak az adott vállalatnál, üzleti problémáikat hogyan tudják megfogalmazni az elemzők számára.
A fentieken túl elkészítem a vállalat adatvagyon-térképét. Ennek főbb elemei:
- Adatkontúrok felrajzolása – különböző típusú adatok milyen időszakokra állnak rendelkezésre
- Adatminőség mérése – milyen minőségű az adatvagyon (hiányzó értékek aránya, extrém értékek azonosítása, …), adathibák milyen mértékben javíthatók
- Adatvagyon értékének felmérése – vannak-e olyan üzleti folyamatok, és ha vannak, akkor melyek ezek, ahol az adatokból kinyert információk segítséget nyújthatnak az adott folyamat optimalizálásában
- Adatelemzés szintfelmérés – az adott vállalat adatelemzési gyakorlatának átvilágítása, illetve adatelemzők képességeinek felmérése
- Javaslattétel az adatvagyon hatékonyabb hasznosítására.
// Blog
Cikkek
