Olvasási idő: 6 perc
Ki az az Analytics Translator? Mi ennek a komplex szerepnek a tökéletes kémiája? Milyen skillekre és tapasztalatokra van szükség, hogy hatékony munkát végezzen? Hol helyezkedik el ez a szerep egy szervezetben?
Somos Eszter, a Hiflylabs Data Solution Advisora válaszolt kérdéseinkre interjúnkban.
Mi a szerep konkrét célja?
Tulajdonképpen ő egy szakértelemmel és üzleti tudással bíró mediátor, két nagyon eltérő világban mozgó más nyelvet beszélő emberek között. Célja, hogy minél aktívabb, értő kommunikáció maradjon a két fél között és minél hamarabb kiderüljön, ha valami nem lesz hasznos, mert így idővel csökkenti a frusztrációt mindkét oldalon.
Kiből lesz jó Analytics Translator?
Két gyakori lehetőséget látok, amely jól működik. Az egyik, – egyben a saját utam is – amikor valaki abszolút technikai oldalról érkezik, előtte kódolt, Data Scientist volt, emiatt teljesen megérti, hogy mire van lehetőség, mennyi idő szükséges a cél eléréséhez és hogyan működik pontosan a megvalósítás. Ebben az esetben ismeri a társai gondolkodásmódját és idő közben az üzleti oldal sajátosságait egyre inkább megismeri, kitanulja. A másik, – szerintem gyakoribb verzió – mikor üzleti szereplők elmennek egy Data Science képzésre vagy otthon, autodidakta módon mélyülnek el a témában. Ez nem jelenti azt, hogy ők gyakorlatban tudnak kódolni, lehet, hogy (még) a statisztikai tudásuk sincs meg, – ami egyébként kell ahhoz, hogy valakiből Data Scientist váljon – de azt megérthetik, mit lehet elérni az adatok által és mivel jár ez pontosan. Tehát az a bevett gyakorlat, hogy egy általános projekt menedzsert helyeznek Analytics Translator szerepébe kifejezetten kockázatos és nehézkes működést eredményez. Ezt csupán egy alkalommal láttam kiemelkedően funkcionálni, – mert egy nagyon tehetséges ember volt az illető – de a többségnél ez plusz egy értetlenségi réteget képzett a folyamatban.
Ha valaki üzleti oldalról közelíti meg ezt a szerepet, milyen mély analitikai tudás szükségeltetik hozzá?
Az nélkülözhető, hogy matematikailag is levezesse vagy kódolja a problémát, de fontos, hogy tudja, milyen adattípusok, algoritmus, technológiák, modelltípusok vannak és melyiket mikor kell használni. Például, jó tudni, hogy mire való egy neurális háló és mikor érdemes felajánlani ezt az opciót, vagy, hogy mire való egy regresszió és mikor hozhat jó eredményt.
Miben áll maga a “fordítási” munka? Milyen mélységben kell az üzleti problémát adatos nyelvre átültetni?
Ha nem is teljesen az adatbázis oszlop szintjéig, de úgy gondolom, az analytics translatornak át kell ültetnie a tipikus üzleti kérdéseket (pl. „Hogy viselkednek a felhasználóink” vagy „Szeretnénk jobban ismerni a felhasználóinkat”) egy konkrétabb szintre (pl. „Ha elkülönítünk marketing célcsoportokat a kosárba tett termékek megnézése és vásárlása alapján az lehet egy olyan output, amit az üzlet tud használni?”). Ez egyébként az adatos csapat számára egy klaszterezési problémát jelent.
Mi a legfontosabb skill az Analytics Translator számára?
Egyre divatosabb a design thinking for data science, ami ugyan egy buzzword, de értelmes dolgokat mond, hangsúlyozza például az empátia szükségességét. Szerintem technikai oldalról ez a kulcs, mert az üzlet sokszor bizonytalannak érzi magát, hiszen több dolgot sem ért: hogy mi történik pontosan; miért tűnik hosszúnak a folyamat; mit jelent, hogy nem megbízható, vagy valószínűségi. Temérdek elbizonytalanító tényezővel találkozik, adatos oldalról például természetes, hogy a statisztikai jelleg miatt, nem lehet mindent előre megmondani vagy, hogy sok adattisztítás kell. Business oldalról ezek a dolgok nem egyértelműek, így muszáj megértőnek lenni az üzleti problémával kapcsolatban és a megoldásra fókuszálni.
Mennyire kell értékesítőként is helyt állnia?
Abszolút. Segíteni kell az ügyfélnek elhinni, hogy az általa/szervezete által kínált adatos megoldás meg fogja oldani a problémáját. De sokszor cégen belül is szükség van ilyen jellegű támogatásra. Az Analytics Translator egyfelől “expectation management” is, hiszen tudnia kell, mit lehet elvárni a két oldaltól.
Milyen konkrét feladatai vannak egy Analytics Translatornak?
Vannak olyan üzleti problémák, amelyek csak alap szinten fogalmazódnak meg: például túlságosan megnőttek a költségeink, vagy nincs elég loyalty vásárlónk és azt szeretnénk, hogy több legyen, ne romoljon jobban egy folyamat, vagy épp, működjön hatékonyabban. Ehhez képest az elemzői kérdéseket egy másik, specifikált szintre helyezném, mert náluk egy probléma például a következőképpen fogalmazódik meg: mely változókból tudom megjósolni, hogy az a másik változó hogyan fog változni, és mi befolyásolja azt leginkább. Tehát nagyon tipikus feladata, hogy az üzleti kérdést elemzői kérdéssé fordítsa. Pontosítania, tisztáznia kell a nem egyértelmű kérdéseket. Tovább kell bontania a befolyásoló tényezőket, ki kell derítenie, hogy mi az, amire hatással tudunk lenni és hogyan fogjuk mindazt megmérni, hogy tud így működni a projekt, milyen bemeneti változók lehetnek, mi az, ami adatszinten van és elérhető.
Milyen céljai vannak a szervezetnek egy Analytics Translatorrel?
Tavaly nagyon ijesztő statisztikákat és jóslásokat közölt a Gartner, például, hogy 2022-ig az elemzői projektek csak 20%-a lesz üzletileg eredményes. Úgy vélem, szervezeti célnak kell lennie, hogy transzparens legyen, milyen értéket hajt valójában az adatos megoldás. Azért fontos ez, mert sokszor nem tisztán mérhető dolgokról van szó, amelyek még lassan is készülnek el. Egy szervezet, amelynek van pár Analytics Translatora el tudja érni, hogy nagyobb valószínűséggel valósuljanak meg a projektjei és üzleti értéket hozzanak. Minimalizálhatja az olyan eseteket, amikor elkészül, lezárul a projekt, kifizetik azokat, akik dolgoztak rajta, de az üzlet számára használhatatlan a kapott eredmény.
Hol helyezkedik el a szervezeten belül ez a szerep?
Nagyon kevés szervezetnél létezik ez kifejezetten, vagy mondják ki nyíltan, hogy Analytics Translator valaki. Sokszor a projekt menedzserekkel együtt mozog, hiszen éppúgy, ahogy ők, kicsit a projekt körül van és mégsem. Egy nagyobb szervezetben biztos, hogy az üzlethez nagyon közel kell mennie, hogy megértse, mi a probléma.
A szervezeti döntéshozatal és az üzleti folyamatok javításán kívül, mi hívhatta életre ezt a szerepet?
Nagyon régóta foglalkoznak gépi tanulással, azonban volt egy pont, amikor a többség nem csak azt észlelte, hogy sok adattal rendelkezik, hanem azt is, hogy ezek könnyen elérhetők és általuk egyre nagyobb eredmények produkálhatók. Ezután sok cégnek lett Data Science csapata, de hamar láthatóvá vált, hogy nem hozza azt, amit várnak tőle, sőt, még sokba is kerül, annak ellenére, hogy azt mondták: “ha ennyi adatod van, akkor jobban fog menni a business”. Ebből nagyon sok csalódás és frusztráció született, amelyeknek szerteágazó okai vannak. Így válaszként megérkeztünk a Analytics Translator szerephez, amely kicsit olyan lépés, mint mikor elmegyünk párterápiára és együtt megtanulunk jobban kommunikálni, közösen tervezni.
Milyen dinamikát biztosít egy vállalaton belül ez a szerep?
Nem igaz, hogy nem lesznek problémák, de sokkal előbb felszínre kerülnek. Előbb tudjuk, hogy milyen buktatók várhatnak ránk, merre nem kéne tovább menni. Véleményem szerint ezek egy idő után mindenképpen megmutatkoznának, ezért sem kell félni ettől. Fontos megjegyezni viszont, hogy az Analytics Translator-rel a folyamat nem lesz gyors, sőt az elején talán még frusztrálóbb is, ha valaki folyamatosan kérdéseket tesz fel, de ahhoz, hogy lerövidítse a hurkokat és később, azok megtétele közben minden szereplő jól érezze magát, szükség van rá. Hosszú távon rengeteg energiát spórol.
Egy adatos környezetben, mi az, ami távol esik az Analytics Translator hatáskörétől?
Azok a területek, ahol nagyon jól definiált a probléma, mint például az IoT területe. Minél technikaibb a felhasználás, minél részletesebben meghatározott a probléma, annál kevesebb szerepe van a Translatornak. Például ahhoz, hogy egy autó megálljon a stop táblánál vagy hogy egy cégnek kiépítsük a kontrolling rendszerét, nem igazán van szükség erre a plusz szerepkörre, mert mindenki érti, hogy mit kell csinálni.
Ez a szerep fog szerinted fejlődni?
Biztos, de nem tudom merre. Ha megmarad az adatvilágban ez a növekedés, akkor valószínű, hogy egyre többen specializálódnak majd erre a feladatra.
Szerzők:
Somos Eszter – Data Solution Advisor
Hanis Patrícia – Marketing Assistant