Interjú Antal Violettával, a Data Science képzés végzett hallgatójával
Violetta a pénzügyi szektorból érkezett a KÜRT Akadémia Data Science képzésére. Eleinte talán tartott attól, hogy nem programozóként követhető lesz-e számára a képzés, de az első pár alkalom alatt megbizonyosodott róla: éppen a "kódolók" és az üzleti gondolók szinergiája vezethet eredményre. Ma már ő is aktívan tervezi munkahelyén matematikus kollégájával, hogy milyen modellt miként futtassanak.
Tartottál attól, hogy egy ilyen „matekosnak” tűnő képzést elvégezz? Végül hogy érezted, mennyire hozzáférhető nem matematikusok vagy infósok számára az, amit itt tanultok?
A képzés tematikája mentén voltak kétségeim azt illetően, hogy kódolási ismeretek nélkül hogyan fogok tudni lépést tartani az oktatóval, illetve a csoporttal. Emellett a modellezésben sem voltam kifejezetten jártas, annak ellenére, hogy a munkám során már találkoztam modellek mentén képzett célcsoportokkal. Emiatt is inspirált az egész, továbbá hittem benne, hogy nemcsak matematikusok számára érthető módon lesz megközelítve az adatelemzés és a modellezés, és igazam lett. Pontosan arra kaptunk választ ezen a képzésen, hogy hogyan működnek a modellek, milyen előnyöket élvezhetünk használatuk során, a felmerülő kérdéseink mentén melyik modellt, módszert alkalmazzuk. Szerencsére a gimnáziumi és közgázos matematikai ismereteim elegendők voltak, hiszen nemcsak a matematikusok számára érthető mélységekben merültünk el a modellek értelmezésében, hanem inkább a logika mentén, közérthető módon került bemutatásra az adatelemzés és a modellek működési elve.
Melyik képzési alkalom volt az, ami a leginkább megfogott, ami a leginkább lelkesített?
Nagyon tetszett, hogy jól felépített tematika mentén mentünk végig a Data Science területein. Miközben egyre többet tudtunk meg a témáról, egyre több kérdés merült fel bennünk, amelyekre a következő alkalmakon a tematika mentén mélyebb válaszokat kaptunk. Leginkább a regressziós modellekről, azok alkalmazhatóságáról és működéséről szóló alkalmak tetszettek nekem. Az mindenképpen sokat segített, hogy sok, életből vett példa mentén, jól érthető, áttekinthető adatbázisokkal alkalmaztuk a modelleket - így az eredmények megvitatásában is "szakértőnek" érezhettük magunkat.
Milyen volt a hallgatói közösség, kik jártak még veletek az órákra, mennyire jelent meg az ő tudásuk, tapasztalatuk?
Az már az elején kirajzolódott, hogy ki milyen tapasztalattal jött el az oktatásra, főként az látszott a PYTHON oktatás során, hogy ki kódol napi szinten akár más programnyelven. Már az órákon megtudtuk egymásról, hogy ki az, aki inkább üzleti tapasztalattal bír, mert ők a felvázolt kérdések mentén logikai válaszokon, megoldásokon törték a fejüket. Én pontosan azt gondolom, hogy a kétfajta látásmódban együttesen van az erő, ezeknek a szinergiáknak a kihasználásával lehet jó eredményeket elérni egy munkahelyi környezetben is. A projektmunka során is igen szerencsés volt, hogyha egy csapatban mindkét látásmódú személy együttesen szerepet vállalt. Nekem inspiráló volt a közeg, hogy más-más területről érkeztünk, így eltérő tapasztalatokkal rendelkeztünk. A különböző szakmai területen felmerülő kérdések mentén arra jöttem rá, hogy mindenhol adatokkal találkozunk, így szinte mindenhol alkalmazhatók az itt megtanultak.
A koronavírus-járvány sok cégnél meggyorsította a digitális transzformációt. A Data Science képzésen tanultakat ebben az időszakban tudtad alkalmazni? Máshogy álltál ezen tudás birtokában a válsághoz?
A pandémiás időszak arra volt jó számos cég és szakmai terület számára, hogy az értékesítési, kampányolási célok háttérbe szorulása mellett megvizsgálja mindenki, hogy hogyan készülhetne fel még jobban az elkövetkező időszakra. Sokan a digitalizációs fejlesztésekre fektettek hangsúlyt, de akik igazán lépéselőnyre koncentráltak, ők az adataikat, adatpiacukat is jobban kiépítették, rendbe tették vagy továbbfejlesztették. Nyilván tanultuk az egyetemen a már-már közhelyes mondást, hogy az információ hatalom. No, de azt ott nem sikerült jól elmagyarázni, hogy az adatokban milyen információ rejlik - sokkal több, mint amit elsőre látunk benne. Emiatt is fontos erre sokkal nagyobb hangsúlyt fektetni.
Van olyan fejlesztés, amit a Data Science képzésen tanultak hatására indítottál el a munkahelyeden?
Eddig is használtunk modelleket pl. célcsoportképzésre, de valójában ha meg is kérdőjeleztem azoknak hatékonyságát, nem tudtam eddig megmondani, hogy mit tegyünk, hogy jobban működjenek. Most viszont bátran "challengelem" a modellek eredményeit, és már a saját instrukcióim mentén újrafuttattuk pl. a lemorzsolódási modellünket. Eddig csak a matematikus kollegám gondjaira bíztam ezt a feladatot, most már részleteiben szeretnék belelátni, hogy milyen adatokon fut a modell, és beleszólok abba is, hogy milyen adatokat használjunk még vagy vegyünk ki belőle. Szorgalmazom a még több modell alkalmazását, emellett teljesen másként tekintek az eredmények bemutatására, és az adatvizualizációs eszközhasználatot is előmozdítottam a szakmai területünkön.
Hozzászólások