U brojnim su tvrtkama oformljeni data science timovi, a brojne su i one koje žele uključiti umjetnu inteligenciju u svoje procese, ali jednostavno ne mogu pronaći znalce ni za podatke ni za AI. No, svi su uvjereni da se upravo u njima skriva put do pravih poslovnih odluka
Već i vrapci na grani znaju da su temelj svakog današnjeg poslovanja, bilo ono proizvodno ili uslužno, podaci. Nema biznisa čiji se proizvodi, usluge, prodajni i marketinški procesi te brojne druge aktivnosti ne oslanjaju na velike skupine podataka koje, naravno, treba adekvatno pohraniti, zaštititi od kibernetičkih napada te o njima kontinuirano voditi brigu. Tvrtke, male i velike, shvatile su snagu koju pohranjeni podaci o poslovnim procesima mogu imati za trenutačno poslovanje, ali i za donošenje odluka za budućnost. Zato su na tržištu rada među najtraženijim zanimanjima postali stručnjaci za podatke, odnosno, podatkovni analitičari, znanstvenici, inženjeri, analitičari poslovnih sustava te developeri podatkovnih baza.
Potaknuti AI-jem
Aktualne teme poput generativne umjetne inteligencije i ChatGPT-ja potaknule su velik interes širih masa upravo za područje analitike i umjetne inteligencije, ali posljednjih nekoliko godina tržište ima velike potrebe u tim područjima, ističe Andrea Pirša Ilić, rukovoditeljica Centra izvrsnosti za umjetnu inteligenciju i podatke u A1 Hrvatska.
– Najbolje to pokazuje broj studenata koji upisuju smjerove podatkovne znanosti, ali i otvaranje brojnih studija upravo u toj domeni. Interes na natječajima za posao koji otvaramo za ta područja uistinu je velik, a u zadnje vrijeme događa se zanimljiv trend prijava iskusnih razvojnih inženjera, programera, koji se odlučuju na promjenu karijere u smjeru podatkovnih znanstvenika – navodi Pirša Ilić.
Da su podatkovni analitičari među najtraženijima, ako ne i najtraženiji na tržištu, potvrđuje i Jelena Škalec, analytics technical sales u IBM-u Hrvatska.
– AI je vrlo aktualna tematika – ChatGPT je potaknuo veliko zanimanje za AI. Od tada je umjetna inteligencija prisutna u razgovorima diljem svijeta i možemo reći da je uzela zalet i u Hrvatskoj. Studija IBM-a otkrila je da CIO-ovi u srednjoj i istočnoj Europi AI, cloud, automatizaciju, 5G i IoT vide kao svoje najveće investicije u sljedeće tri godine – ističe Škalec, uz napomenu da mnoge tvrtke s kojima radi već imaju oformljene data science timove, a mnoge druge žele započeti implementirati umjetnu inteligenciju u svoje procese, ali jednostavno ne mogu pronaći stručnjake.
Prosječan podatkovni dan
No, kako uopće izgleda prosječan dan stručnjaka za podatke u različitim tvrtkama te kakvo je sve znanje potrebno da se netko upusti u to zvanje, otkrivaju stručnjaci koji baratanjem podacima pospješuju poslovanje u organizacijama. U tvrtki Megatrend poslovna rješenja, koja se bavi analitičkim rješenjima u području bankarstva, hotelijerstva i trgovine, s naglaskom na velike podatke, AI i strojno učenje, na mjestu voditelja Odjela umjetne inteligencije i znanosti o podacima zaposlen je Domagoj Marić. On ističe da podatkovni analitičari, pružajući kvalitetne i pravodobne informacije temeljene na podacima iz raznih izvora, pomažu klijentima u donošenju odluka, što je, svaki direktor i menadžer će se složiti, ključan dio poslovanja. Marić kao primjer jednog od Megatrendovih rješenja navodi aplikacije Hospitality Insights i ShelfXplore.
– Aplikacija ShelfXplore temeljena na računalnom vidu razvijena je za potrebe distributera i proizvođača robe široke potrošnje, a aplikacija Hospitality Insights za potrebe uslužnih djelatnosti i tvrtkama pomaže da upravljaju korisničkim iskustvom svojih gostiju. Podaci prikupljeni putem aplikacije Hospitality Insights i iz drugih izvora prolaze kroz proces čišćenja, transformacije te se koriste za generiranje interaktivnih nadzornih ploča koje naši klijenti upotrebljavaju kao podršku prilikom donošenja odluka na svim razinama – objašnjava Marić.
Za sve uključene
Škalec, pak, objašnjava da kada organizacije imaju pripremljene podatke, kada znaju gdje im se nalazi koji podatak, tko mu ima pravo pristupa, gdje se koristi taj podatak, onda se i procesi oko kreiranja, primjerice, izvještaja, modela podataka ili machine learning modela znatno ubrzavaju.
– Istraživanja pokazuju da podatkovni znanstvenici otprilike 80 posto svoga vremena troše na pripremu podataka, a kada imaju pravilno posloženu cijelu podatkovnu arhitekturu, onda i oni sami manje troše vremena na pripremu podataka, a više se mogu fokusirati na razvoj machine learning modela. Tu ne govorimo samo o podatkovnim znanstvenicima, već o svim osobama uključenima u korištenje podataka, primjerice izvještavanje, jer ne moraju čekati da im netko pripremi podatke. Dakle, kada imamo posloženu informacijsku/podatkovnu arhitekturu, onda su i organizacije agilnije i na brži način mogu iskorištavati podatke koje prikupljaju – pojašnjava Škalec, koja u IBM-u radi na različitim projektima postavljanja skladišta podataka, organizacije podataka, projekte iz domene data gonernancea, a napominje da u zadnje vrijeme rade i na dosta projekata implementacije AI-ja u procese poslovanja organizacija.
– Kod korisnika često gradimo cjelokupnu priču, odnosno s IBM Cloud Pak for Data platformom omogućavamo da korisnik poveže sve end-to-end analitičke procese, od trenutka kada podatak sjedne u bazu do trenutka kada taj podatak bude iskorišten – dodaje Škalec.
Ništa bez analitike
U A1 Hrvatska, recimo, ne postoji odjel koji se ne koristi barem nekim oblikom podatkovne analitike, od različitih oblika napredne analitike, razvoja modela strojnog učenja do primjene umjetne inteligencije, napominje Pirša Ilić. Primjerice, u korisničkoj službi koriste se podatkovnom znanosti u razumijevanju potreba korisnika, odnosu najčešćih potreba za kontaktom prema A1.
– U e-mail komunikaciji s krajnjim korisnicima našim agentima pomažu interno razvijeni modeli strojnog učenja koji razvrstavaju mailove prema sadržaju onim agentima koji najbolje poznaju domenu sadržaja maila i koji mogu najbrže pružiti podršku korisniku. Također razvijamo interne chatbotove, interni chatbot Bob Rock pomaže našim zaposlenicima u tehničkoj podršci i različitim pitanjima iz domene ljudskih resursa, a naš chatbot Nikša trenutačno je dostupan korisnicima za potrebe iz domene korisnika na bonove. Imamo interni odjel koji se bavi područjem napredne analitike, istraživanjem modela strojnog učenja i razvojem rješenja zasnovanim na umjetnoj inteligenciji. Razvijamo rješenja koja personaliziraju ponudu prema potrebama korisnika, služe u boljem razumijevanju interakcija s korisnicima, pomažu u optimizaciji prodajnih kanala i upravljanju našom mrežom – opisuje Pirša Ilić.
Domensko znanje ključno
No, da bi u svom poslu bio uspješan, svaki podatkovni analitičar trebao bi posjedovati određene vještine. Marić navodi nekoliko koje smatra bitnima: efikasno manipuliranje i dohvaćanje podataka korištenjem SQL-a (Structured Query Language), vještine vizualizacije podataka na svima razumljiv način, sposobnost rješavanja problema i pronalaženja optimalnih rješenja, dobro poznavanje poslovne domene projekta na kojem se radi te, u konačnici, neizostavne komunikacijske vještine koje omogućuju jasno prenošenje informacija svim sudionicima na projektu. I Pirša Ilić navodi sličnu kombinaciju tehničkih, domenskih i ‘mekih‘ vještina.
– Izrazita analitičnost i znanje matematike nužni su, kao i odlične vještine programiranja te modeliranja poslovnih procesa. Vrlo je važno da podatkovni znanstvenik razumije podatke koje analizira ili modelira, a tu je domensko znanje industrije ključno. Poznavanje cloud-tehnologija, alata za obradu podataka i razvoj modela u njima postaju također vrlo važne vještine podatkovnih znanstvenika – dodaje Pirša Ilić, a kao najizazovniji dio posla mladih podatkovnih analitičara i znanstvenika navodi upravo domensko znanje koje dolazi s iskustvom.
Istraživački duh
Kao i u gotovo svakom poslu danas, tako i podatkovni analitičari, s obzirom na ogroman razvoj tehnologije, moraju neprestano biti u tijeku s najnovijim dostignućima u svome području. Pirša Ilić, na primjer, prati teme iz domene analitike i podatkovne znanosti na nekoliko platformi, konferencije iz tog područja, a kaže da velik dio praktičnog znanja dolazi od članova tima koji se bave istraživanjem.
– Njegujemo istraživački duh unutar odjela, tako da svaka zanimljiva tema koja potencijalno ima primjenu u našem razvoju bude prezentirana ostatku odjela i tako se trudimo dijeliti neka nova saznanja. Pratim nekoliko tema iz domene na LinkedIn platformi, ali i različite novosti putem blogova i stranica poput KDnuggets, Towards data science, Data science central, Gartner i slično – objašnjava Pirša Ilić.
Uza sve navedeno, Škalec dodaje da je za podatkovne znanstvenike jako važno biti ustrajan.
– Jer, recimo, podatkovni znanstvenici mogu razvijati machine learning model danima, ako ne i tjednima, da bi na kraju shvatili da nije dovoljno dobar, da im nedostaju neki podaci – objašnjava Škalec.
Naglašava važnost razmišljanja izvan okvira.
– Ako je nešto donosilo vrijednost i uspješno radilo kod jednog korisnika/organizacije, ne mora značiti da će na isti način raditi i kod drugoga. Biti podatkovni znanstvenik nije samo programiranje recimo u Pythonu i repliciranje sličnih use caseva ili kopiranje kôda, ipak je tu potrebna šira slika – zaključuje Škalec.