A jövőt nehéz megjósolni, ami azonban biztos, hogy az adatok egyre nagyobb szerepet fognak betölteni az életünkben, hiszen gyakorlatilag napról napra növekszik azoknak az eszközöknek a száma, amelyek adatot gyűjtenek. Ide tartoznak az okoseszközök, különböző applikációk és így tovább. Ez pedig automatikusan hozza magával az elemzés igényét, hiszen az adathalmazok nem érnek semmit az azt leválogató, gondolkodó, problémamegoldó adatelemzők nélkül. Itt jön be a képbe a Codecool mentora, Lenner Tamás, aki abban segít a Data Analyst képzés résztvevőinek, hogy eljussanak egy olyan szakmai szintre, amivel már akár el is tudnak helyezkedni adatelemzőként. Hogy hogyan lett belőle mentor, mit gondol a jövőről, a trendekről, és, hogy miért a készségszintű Excel használattal indul az adatelemzői karrier, az alábbi interjúnkból kiderül.
Hogy csöppentél az IT világába, és mikor?
Mondhatni véletlenül, nem ez volt az elsődleges tervem. Bár műszaki technikumba jártam, sok minden érdekelt, többek között a történelem, jelentkeztem töri szakra, a tanárképzőre Szombathelyre, ahová fel is vettek. Azonban nem kezdtem meg ott a tanulmányaimat, hanem végül inkább a Gábor Dénes Főiskola – Mérnök informatikus szakot végeztem el.
Milyenek voltak a kezdetek?
Az első munkahelyem a GE volt, Nagykanizsán. Itt adatelemzés volt a fókuszban, a különböző vállalatirányítási rendszerekből lekért adathalmazokat dolgoztam fel kimutatások formájában, ehhez pedig különböző alkalmazásokat készítettem, ami a pénzügyi tervezést és az árképzést segítették. Ezt követte a TV2-nél egy szoftverfejlesztői pozíció, itt már különböző adatfeldolgozó eszközöket használtunk, ami közelebb állt a főiskolán tanultakhoz. Adáslebonyolító rendszerekben kellett tájékozódni, de a filmarchívum, sms, chat adatainak használata is része volt a munkámnak, ezekhez jellemzően adatbázis alapú vagy hátterű alkalmazásokat írtam.
Későbbi munkahelyeim is multik voltak, például engineering menedzserként irányítottam tesztautomatizálási csapatot, tesztmenedzser voltam egy ideig, illetve technical menedzserként bankoknak szállítottunk különböző termékeket, amelyeket az én csapatom vezette be.
A menedzsmentben igazán megtaláltam magam, mert alapvetően emberközpontú vagyok. Az IT-ban sokszor magányosan dolgozunk, az a nehéz, hogy leüljünk és programozzunk. Persze azt is csináltam, de jobban élveztem a csapatmunkát, így olyan területet választottam, ahol ezt az oldalamat tudom erősíteni, használni.
Miért döntöttél úgy, hogy mentor szeretnél lenni?
Egy banki szoftvereket gyártó cégnél, a Finastránál dolgoztam menedzserként, amikor is sajnos a cég magyar leányvállalatát bezárták, nekem pedig új munka után kellett néznem. Amikor bezárták az irodát, akkor gondolkodtam el, hogy mi legyen. Továbbra is szerettem volna, ha az emberi kapcsolatok a mindennapjaim részét képezik, ekkor jött az oktatás és a mentorkodás ötlete, hiszen addigra már kellően sok tapasztalatom volt ahhoz, hogy a fiatalabb generáció képzésében részt vegyek. Ekkor találtam rá a Codecoolra, ahol pedig éppen ezen a területen kerestek mentort. Persze sok előzetes tapasztalatom nem volt a mentorkodásban, de azt tudtam, hogy szeretek tudást átadni, jól teremtek kapcsolatot emberekkel, fiatalokkal, tehát gondoltam, mi baj lehet? Persze a Codecool egy picit más mint egy rendes iskola, itt projektalapú oktatás zajlik, tehát a diákok feladatokat kapnak, amit meg kell oldaniuk, a mentorok pedig ezen az úton segítik őket, tehát nem a frontális oktatásban, hanem az önképzésben hiszünk.
Mivel töltöd a szabadidőd? Mi kapcsol ki?
Éppen egy szezonális sportba szerettem bele, egy ideje vitorlázom, főleg a Balatonon, idén pedig bekerültem egy versenycsapatba is. Ezen kívül van egy kutyám, aki szerencsére igazi vízikutya!
Szerinted, hogy érdemes kezdeni, milyen programnyelvvel? Hogy ismerkedhetünk meg az alapokkal?
Nem elvárás, hogy programozói alapismeretekkel érkezzenek hozzánk a tanfolyamra. Azt szoktuk mondani, hogy aki már használt Excelt a munkája vagy tanulmányai során, az már elég alap, mert akkor ő már valamilyen szinten foglalkozik adatokkal, ha nem is tudományos vagy professzionális szinten, de az alapok már megvannak neki. A tanfolyam első felében pont ezzel indulunk, hogy a táblázatkezelő különböző eszközeit kezdjük el használni, és foglalkozunk az adatvizualizációval is. Az Excel egy viszonylag általánosan használt eszköz, ezt hozzákötjük adatbázisokhoz, majd hozzávesszük a Pythont, ami egy egyszerűen megtanulható és rugalmas programnyelv, illetve ez az alapja a legtöbb eszköznek, amit majd használunk. Éppen ezért egy teljes modult szentelünk neki.
Milyen készségekre van szükség ahhoz, hogy sikeres adatelemző legyen valakiből a kurzus végére?
Van egy nagy adattömeg, abból megpróbálunk transzformációkon keresztül olyan részelemeket, adatforrásokat generálni, ami már használható, és a menedzsmentet segítheti a döntéshozatalban. Ehhez egyfajta logikus gondolkodás és rendszerszemlélet kell. Ha az eszközökről beszélünk, akkor pedig lekérdezési ismeretek, az adatkezelő és vizualizációs eszközök használata. Dashboard toolt használunk, mint amilyen pl. a Power BI.
Milyen általános tévhitek vannak az adatelemzésről?
Például az, hogy mély matematikai összefüggések kellenek hozzá, pedig igazából nem. Jó, hogy ha valaki tanult például korábban statisztikát, de matekzseninek nem kell lenni.
És az is gyakran előfordul, hogy az adatrögzítést idekeverik, pedig ez nem feladatunk. Előfordulhat, hogy valaki ebben a tévhitben van, viszont az úgynevezett ’data cleaning’, azaz adattisztítás az már annál inkább a munkánk egy fázisa. Amikor van egy nagy adathalmaz, ami tele van szeméttel, akkor a mi feladatunk az, hogy megmaradjon a hasznos adattömeg, amiből lehet majd mindenféle kimutatásokat csinálni.
Miért éri meg data analyst tudást szerezni? Miért éri meg belevágni a képzésbe? Kinek való ez a pálya?
Egyre több data analyst pozíció nyílik, mondhatni szinte napról napra újabbak és újabbak, hiszen egyre több adat jön létre, amelyeket egyre könnyebb tárolni. Egyre több eszköz van, ami adatokat gyűjt, ezeket pedig utána fel kell dolgozni. Ezt a világot már nem lehet kikerülni. A cégeknél egyre több adat jelenik meg, így ez nagy valószínűség szerint egy piacképes tudás, keresett szakma lesz a jövőben.
Azok az emberek, akik eddig is dolgoztak adatokkal, és ezt a kurzust elvégzik, akkor sokkal professzionálisabban, gyorsabban, pontosabban tudják végezni a munkájukat, és meg fognak tudni oldalni olyan problémákat, amiket korábban nem tudtak.
Mi a különbség egy data analyst és egy data science képzés között?
A data analyst alapvetően adathalmazokból készít használható, átlátható, rendszerbe foglalt döntéselőkészítő anyagokat, gyakran mindezt vizualizálva, hogy könnyen áttekinthető és emészthető legyen. A data science terület, bár ehhez nagyon közel áll, inkább fejlesztői oldalról közelíti meg az adatbázisokat, a programozást és némi mérnöki szemléletet bevonva kitalálja és lefejleszti azokat az eszközöket, amelyekkel a data analyst hatékonyan tud dolgozni.
A data sciece-ben sokkal több programozás és a matek, hiszen itt főként fejlesztői munkát végeznek a terület szakértői. Előállítják azokat az eszközöket, amikkel az adatelemző a leghatékonyabban tud majd dolgozni.
Milyen trendeket látsz a következő években az adatelemzés területén?
Az AI egyre nagyobb térhódítása lesz jellemző. Főleg a természetes nyelvek alkalmazása egy komoly trend most, amely egy tanulási algoritmussal egészül ki. De a ‘data sharing’ is említésre méltó, hiszen az egyre inkább mindent ellepő adatok egyre nagyobb mennyiségben, publikusan is elérhetőek lesznek, ilyenek például a klímaadatok.
Ahogy látod az adatelemzés világa tud nagyon színes és változatos lenni, sokféle aspektusa van, amelyben lehet fejlődni. Mindamellett mivel világunk egyre inkább adatvezérelt, egyre inkább növekszik a képzett vagy épp pályakezdő szakemberek utáni igény is. Ha te sem szeretnél lemaradni, akkor jelentkezz a májusban induló adatelemzői képzésünkre.