Analityka

Coś za coś, czyli jak rekrutować specjalistów od zaawansowanej analityki

Ogromne zainteresowanie Big Data i wykorzystaniem rozwiązań analitycznych sprawiło, że rynek szybko zaczął odczuwać brak specjalistów od zarządzania danymi. Dzisiaj dobrze być quantem albo data scientistem. Znacznie gorzej, jeśli odpowiada się za ich rekrutację.

Jak zbudować zespół specjalistów od zaawansowanej analityki i jak nim zarządzać? Czy do zatrudniania analityków ilościowych trzeba zabrać się inaczej niż w przypadku rekrutacji na inne stanowiska? Jak motywować ludzi i ograniczać rotację w zespole?

„Rekrutujemy, ale jak to robić dobrze? Przede wszystkim trzeba określić zestaw kluczowych kompetencji, które chcemy pozyskać, oraz interesujący nas stos technologiczny. Ważne, żeby nie przykładać zbyt dużej wagi do umiejętności miękkich ani historii zawodowej tego typu specjalistów. Należy natomiast zwrócić uwagę na solidne wykształcenie – dwuletnie studia podyplomowe z data science to dobry biznes dla uczelni, ale tylko tyle” przekonywał podczas wystąpienia na konferencji „CDO Forum 2018” Grzegorz Klima, Head of Model Validation w polskim oddziale Commerzbank AG. Odpowiada on za zbudowanie zespołu walidacji modeli w łódzkim oddziale Commerzbank AG i zarządzanie nim. Kierowany przez niego zespół zajmuje się walidacją, czyli sprawdzaniem działania modeli ryzyka kredytowego, rynkowego oraz płynności.

Rynek quanta

Przedstawiciele biznesu nie przestają dzisiaj mówić o sztucznej inteligencji, Big Data, Advanced Analytics, IoT, Industry 4.0. Konkurencja i partnerzy biznesowi już realizują projekty w tym obszarze. A my? Przecież mamy terabajty danych, których albo żal, albo nawet strach nie wykorzystać. Analitycy w swoich raportach prognozują, że firmy, które się na to nie zdecydują, mogą nawet wypaść z rynku.

Grzegorz Klima przestrzega jednak przed takimi motywacjami. Kluczowe dla uruchomienia projektu Advanced Analytics jest posiadanie business case’u. Przykładowo, klient wewnętrzny albo zewnętrzny regularnie zadaje pytania, na które nie można udzielić odpowiedzi przy wykorzystaniu Excela. Albo np. widać potencjał zwiększenia zysków lub ograniczenia kosztów, ale jego realizacja jest uzależniona od lepszego profilowania klientów, zarządzania zapasami i całym łańcuchem dostaw czy lepszego ustalania cen. Tylko w takich przypadkach warto zacząć szukać ludzi, którzy będą zajmować się obszarem zaawansowanej analityki. Kiedy już wiadomo na pewno, że istnieje realna potrzeba i, co niezwykle istotne, organizacja dysponuje na realizację tego celu odpowiednim budżetem, można rozpocząć budowanie zespołu.

Zacznijmy jednak od tego, że sama nomenklatura może budzić wątpliwości. Dla jednych ludzie zajmujący się analizą wielkich danych to przede wszystkim data scientists. Używając tego określenia, ma się zazwyczaj na myśli interdyscyplinarnych specjalistów wykorzystujących techniki statystyczne i uczenia maszynowego do wyszukiwania zależności w danych, prowadzenia klasyfikacji i dokonywania predykcji.

Inni będą szukać przede wszystkim quantów. Quant, od angielskiego quantitative analyst, to specjalista modelowania matematycznego czy statystycznego w obszarze finansów i zarządzania ryzykiem.

Jeszcze inni mówią, że chodzi im o specjalistów w obszarze badań operacyjnych, którzy wykorzystując techniki matematyczne i narzędzia IT, zoptymalizują procesy biznesowe. Niektórzy powiedzą natomiast, że poszukują po prostu analityków, choć z pewnością to pojęcie może obejmować wielu pracowników współczesnych korporacji.

Według Grzegorza Klimy, niezależnie od preferowanego nazewnictwa należy wskazać kilka kluczowych obszarów kompetencji osoby, która mogłaby i powinna wchodzić w skład zespołu Advanced Analytics/Big Data. Po pierwsze, potrzebne są kompetencje matematyczno-statystyczne oraz w zakresie technik uczenia maszynowego. To jednak nie wszystko. Równie istotna jest wiedza i doświadczenie w obszarze algorytmów optymalizacyjnych, metod numerycznych, narzędzi IT i programowania, baz danych i SQL oraz regularnej pracy z danymi.

Kluczowe dla uruchomienia projektu Advanced Analytics jest posiadanie business case’u. Kiedy już wiadomo, że istnieje realna potrzeba i organizacja dysponuje na realizację zadania odpowiednim budżetem, można rozpocząć budowanie zespołu specjalistów od zaawansowanej analityki.

Charakterystyka data scientist

Na czym polega specyfika ludzi specjalizujących się w obszarze Advanced Analytics? Po pierwsze, trzeba zwrócić uwagę, że tzw. umiejętności twarde są niedodatnio skorelowane z umiejętnościami miękkimi. Niestety, osoby utalentowane w obszarze nauk ścisłych często słabo przystają do współczesnej kultury biznesowej. Chodzą własnymi ścieżkami, bywają introwertyczne, chorobliwie ambitne i często mocno rywalizują, choć na zewnętrz trudno to zaobserwować.

Miewają także problemy z komunikacją, w niewielkim stopniu identyfikują się z organizacją i lubią pracować po nocach. Co istotne, czynnikiem motywującym są nie tylko pieniądze. Równie ważne dla tych osób są dla możliwości rozwoju, zdobywania nowych umiejętności i poszerzania wiedzy. Lubią mieć poczucie, że są doceniane i mają wpływ na procesy decyzyjne w organizacji. Ważna jest atmosfera w zespole i relacje z menedżerem, który musi pełnić rolę pośrednika między biznesem a zespołem. Przy tym zespół powinien mieć pewną autonomię w organizacji, podobnie jak mają ją zespoły marketingu czy klasyczne IT.

Mając to na uwadze, nie należy przykładać podczas rekrutacji zbyt dużej wagi do umiejętności miękkich. Jeśli pierwsza rozmowa odbędzie się z przedstawicielami działu HR, jest bardzo prawdopodobne, że od razu odpadnie połowa dobrych kandydatów. Wyjątkiem są jedynie menedżerowie.

Nie warto także przykładać zbyt dużej wagi do historii zawodowej. Specjaliści z poszukiwanym zestawem umiejętności mogli pracować wcześniej w dość przypadkowych miejscach i na dość przypadkowych stanowiskach. Dopiero od niedawna pojawiło się zapotrzebowanie na specjalistów od zaawansowanej analityki.

Kluczem może być natomiast solidne wykształcenie i kariera akademicka. Dwuletnie studia podyplomowe z data science to dobry biznes dla uczelni, ale nie gwarantują, że mamy do czynienia z dobrze przygotowanym specjalistą. Warto zapytać kandydata o temat pracy magisterskiej. Odpowiedź pozwoli ocenić nie tylko faktyczną specjalizację, ale także umiejętność mówienia o rzeczach technicznych prostym językiem, zrozumiałym dla przeciętnego przedstawiciela działu biznesowego.

Nie warto podczas rekrutacji przykładać zbyt dużej wagi do historii zawodowej kandydatów. Dopiero niedawno pojawiło się zapotrzebowanie na specjalistów od zaawansowanej analityki.

Zbudować i utrzymać

Wiemy już, kogo szukamy, ale jak się za to zabrać? Jest kilka możliwych strategii, z których każda ma swoje wady i zalety. Pierwsza to zatrudnienie kilku młodych, wykształconych osób i uruchomienie projektu typu proof of concept. Wariantem jest uruchomienie takiego projektu i powierzenie go doświadczonemu ekspertowi lub freelancerowi. Inna opcja to zatrudnienie doświadczonego menedżera, którego zadaniem będzie rekrutacja i wytypowanie pierwszych projektów. Ostatecznie można się także zdecydować na wykupienie całego istniejącego wcześniej zespołu lub jego części, którego menedżer wybierze pierwsze projekty.

Poszczególne strategie różnią się koniecznymi do poniesienia kosztami. Jednocześnie charakteryzują się różnymi szansami powodzenia – w krótkim i długim terminie. Jasne jest, że większe szanse, zwłaszcza w krótkim terminie, dają bardziej kosztowne strategie. Te mniej kosztowne są bardziej ryzykowne. Przynajmniej w krótkim okresie.

Na koniec warto pamiętać o zagrożeniach związanych z utrzymaniem zespołu analityków i zarządzaniem tym zespołem. Mimo że rekrutacja się powiodła i powstał zespół, projekt proof of concept się udał, nadal nie można być pewnym, że zostanie osiągnięty sukces w dłuższej perspektywie.

Biorąc pod uwagę braki na rynku pracy, ryzyko odejścia członków zespołu jest znaczne. Można uniknąć rotacji poprzez zapewnienie odpowiedniego budżetu i dołożenie starań do motywacji niefinansowej. Trzeba zwrócić uwagę także na zarządzanie wiedzą i skalowalnością. Niezbędne jest wymuszenie budowania przejrzystej dokumentacji – zarówno w kodzie, jak i na etapie podsumowywania projektów. Konieczne jest także wprowadzenie standardów kodowania.

Wreszcie – zwraca uwagę Grzegorz Klima – świadomie trzeba dokonywać wyborów technologicznych. W przeciwnym razie grozi nam tzw. kod spaghetti – nieustrukturyzowany i trudny do utrzymania. Jego uniknięcie wymaga wyboru jednej lub ewentualnie dwóch technologii (w takim wypadku jedna powinna zostać wskazana jako główna). Wyborów tych nie powinno się pozostawiać samym analitykom. Muszą one być uzależnione od obiektywnych czynników, m.in.: obszaru, w którym zespół ma pracować, możliwości połączenia z istniejącą infrastrukturą IT, budżetu, dostępności wykwalifikowanych pracowników i długofalowych celów rozwojowych firmy.

Biorąc pod uwagę braki na rynku pracy, ryzyko odejścia członków zespołu analitycznego jest znaczne. Można uniknąć rotacji poprzez zapewnienie odpowiedniego budżetu i dołożenie starań do motywacji niefinansowej.


Tekst powstał na podstawie prezentacji Grzegorza Klimy, Head of Model Validation (Credit Risk/CVaR, OpRisk & inter-risk Aggregation) w Commerzbank AG SA Oddział w Polsce, „Jak rekrutować ludzi, zbudować zespół Advanced Analytics/Big Data i nim zarządzać?” podczas konferencji „CDO Forum 2018”.

Kategorie: Analityka

Tagi: ,