Već nekoliko godina podatkovni znanstvenik slovi kao 'najseksi' zanimanje, dapače Harvard Business Review proglasio ga je zanimanjem s najviše potencijala u ovom stoljeću, a potvrdila je to i nedavno objavljena mapa poslova i vještina budućnosti s deset najtraženijih zanimanja u deset različitih industrija. IT industrija, odakle je sve počelo, već je krenula dalje, na vrhu najtraženijih u tom su sektoru stručnjaci za strojno učenje i umjetnu inteligenciju, no sada dodatno isprovocirani ubrzanom digitalizacijom kao da su baš svi ostali otkrili kako im podatkovni znanstvenici i analitičari mogu biti na usluzi. Stoga je to prema mapi koju je napravio A1 u suradnji s 27 znanstvenika, profesora, menadžera, stručnjaka iz različitih industrija i osnivača tehnoloških tvrtki zanimanje broj jedan u nizu industrija kao što su zdravstvo, energetika, autoindustrija, poljoprivreda, financijske usluge i maloprodaja. Svi oni žele u svojim redovima nekoga tko razumije podatke, koji se u suvremenim okolnostima prikupljaju u enormnim količinama, kako bi ih mogli monetizirati, odnosno upotrijebiti za donošenje strateških odluka o poslovnom razvoju i svakodnevnim potezima koji profit znače. Kako nastaju podatkovni znanstvenici, tko bi ih mogao zamijeniti na listi najtraženijih i kolike su tržišne potrebe za tim zanimanjem u Hrvatskoj u razgovoru otkriva Leo Mršić, direktor Algebra LAB-a, voditelj Katedre za analizu podataka na Visokom učilištu Algebra.
Kako izgleda obrazovanje za podatkovnog znanstvenika? Gdje se sve mogu obrazovati?
- Danas se nudi velik broj obrazovnih sadržaja usmjerenih na znanost o podacima. Bitne razlike među njima su u opsegu (fokusiranje na specifične sadržaje poput pripreme podatka ili strojnog učenja), trajanju (od kraćih programa koji završavaju potvrdom o završenom program do akreditiranih programa koji završavaju formalnom kvalifikacijom i diplomom) te mogućnostima da tijekom edukacije polaznici osjete i sudjeluju u stvarnim projektima a kako bi prepoznali i primijenili naučena znanja u okruženju koje klijenti traže.
Kao posljedica brzog razvoja tehnologija i alata koje prate podatkovnu znanost, klijentima/tvrtkama je bilo otežano prepoznati vrijednosti koje ovo područje može donijeti pa su projekti često upadali u tzv. over-pricing/over-promising zamke, kolokvijalni engleski termin za 'preskupo' odnosno 'obećano je puno, a dobiveno malo'. To se odrazilo i na obrazovanje. Ranije je ova rola podrazumijevala doktorat znanosti i doživljavala se izrazito tehničkom. Međutim, u stvarnosti je pojam podatkovni znanstvenik jako horizontalna uloga koja se kreće od managerskih vještina (biti sposoban prepoznati prilike za vlastitu tvrtku), poslovnih IT vještina (biti sposoban procijeniti trošak/benefit uvođenja tehnologije) pa sve do vještina iz tehničkog područja (uspostaviti infrastrukturu i pripremiti podatke) i prirodnih znanosti (modeliranje i treniranje podataka). Kako se radi o velikom broju različitih vještina, podatkovni znanstvenici često se prepoznaju u ulogama poput podatkovni inženjer, specijalist za vizualizaciju, ekspert za monetizaciju podatka, modeler podataka i slično.
Obrazovati se može na različitim institucijama, međutim, najkvalitetnije znanje se stječe radom na projektima. Na presjeku teorije i prakse prepoznaju se oni projekti i stručnjaci koji su sposobni stvoriti vrijednost od onih koji to nisu u mogućnosti. Na Visokom učilištu Algebra analitičkim smo se rješenjima počeli baviti prije više od 15 godina. U tom periodu vodili smo i sudjelovali u više od 50, dominantno organskih, projekata (projekata u kojima se kreira rješenje a ne implementira vertikalno vendorsko rješenje) te smo osvojili više važnih nagrada projekte i publikacije iz ovog područja. Danas bilježimo upis pete generacije studenata u prvi akreditirani diplomski program za obrazovanje podatkovnih znanstvenika te pripremamo velik broj novih mogućnosti za naše studente u sljedećoj godini kroz suradnju s nizom međunarodno priznatih institucija.
Postoje li programi usavršavanja u Hrvatskoj ili to organiziraju tvrtke?
- Postoje različiti programi usavršavanja, od pojedinačnih tečajeva preko raznih kombiniranih edukacija u tvrtkama ili specijaliziranim ustanovama pa sve do akreditiranih programa, međutim, rijetki adekvatno balansiraju teoretska i praktična znanja. Za takav pristup potrebno je veliko iskustvo mentora i duboko razumijevanje ritma u kojem je moguće akceptirati znanje. Kroz takav se proces definira najbolja rola za pojedinog kandidata te ih se vrlo rano uči za radu timovima. Uslijed velike potražnje, tvrtke pokušavaju vlastitim inicijativama ubrzati pristup talentima, no, taj se pristup najčešće bazira na isključivo onim vještinama i tehnologijama koje se koriste u toj tvrtki, što ograničava kandidate da upoznaju sve tehnologije i sami odluče o tome koja je prikladnija. To je posebno važno u današnje vrijeme brzog razvoja ovog područja i rasta dostupnosti raznih alata.
Kolike su tržišne potrebe za tim zanimanjem, a koliko ih se godišnje 'proizvede'?
- Pažljivim promatranjem trendova vidljivo je da je tržište danas zasićeno wannabe stručnjacima koji su koristili prilike velike potražnje, a zapravo nisu sposobni stvoriti vrijednost kroz kompleksniji projekt, ali da za stručnjake koji kvalitetno rade svoj posao itekako ima mjesta na tržištu. Zbog horizontalnosti ovog područja te magle koju stvaraju razne edukacije koje u nazivu imaju 'podatkovnu znanost' nije lako reći koliko se godišnje proizvede stručnjaka, no možemo reći da se danas u Hrvatskoj kreće manje od sto iskusnih stručnjaka, a šira zajednica bilježi nekoliko stotina članova. Potrebe tržišta su daleko veće, posebno iz razloga što je tržište hrvatskih talenata prepoznato daleko izvan granica naše zemlje te ovamo dolaze i mnoge strane kompanije u potrazi za radnicima. Nažalost, tehnološki val posljednjih godina iz raznih razloga nije bio podržan od domaćih tvrtki pa se to odrazilo i na stručnjake koji su svoj put tražili izvan zemlje. Ubrzani razvoj tehnologije te posljedice pandemije vratili su mnoge stručnjake u Hrvatsku te će biti zanimljivo promatrati kako će na to reagirati sektori koji mogu profitirati od zapošljavanja tih stručnjaka te kako će se nove generacije koje se obrazuju nositi s izazovima stvaranja poslovne vrijednosti.
Stoji li tvrdnja da titula podatkovni znanstvenik do 2029. neće postojati?
- Ta tvrdnja ne stoji. Ispravnije je reći da ta uloga postoji već dugo godina, tamo negdje od 2005. Promotrite, na primjer, posao stručnjaka za instalaciju u telekomunikacijama. Prije desetak godina njegov alat bila je bušilica, a uloga da postavi kablove u vaš dom kako biste mogli imati komunikaciju s vanjskim svijetom preko telefona ili telefaksa. Danas ta ista uloga spaja vaš hladnjak, pećnicu i aparat za kavu na kućnu mrežu i uči vas kako paziti na sigurnost u digitalnom svijetu dok neometano upravljate uređajima s udaljene lokacije.
Podatkovni znanstvenik je osoba koja poštuje složenost rada s podacima, zna raditi u timu sa stručnjacima iz različitih područja oslobađajući sinergiju kroz su suradnju. Podatkovni znanstvenici ne poznaju prečice, ne mogu ubrzati proces te moraju brinuti o upravljanju očekivanjima klijenata. Oni koji to ne čine lako se prepoznaju na tržištu. S druge strane, oni koji su u tome uspješni kreiraju značajnu prednost za tvrtke u kojima rade. Vrijeme koje je pred nama će omogućiti malim timovima, fokusiranim na izradu manjih, ali zaokruženih rješenje ili komponenti, značajnu poziciju na tržištu jer velike kompanije teško i sporo inoviraju, teško zadržavaju izrazito sposobne pojedince te im je lakše raditi s vanjskim timovima. Niz je primjera gdje je to već danas vidljivo, a od recentnih trendova bit će zanimljivo pratiti novi zakon o tržištu energije i prilike koje će liberalizacija pametnih usluga baziranih na podacima donijeti. Očekuje nas jako zanimljivi period.
Koja su to zanimanja koja bi u narednim godinama mogla zamijeniti podatkovne znanstvenike s prvog mjesta u različitim industrijama?
- Posao podatkovnih znanstvenika je osloboditi ili stvoriti vrijednost iz podataka. Oni predstavljaju 'prevoditelje' između biznisa i tehnologije i modificiraju poslovne modele kako bi ih prilagodili tržištu, klijentu i kroz upravljanje očekivanjima omogućili manje pogađanja što klijenti traže, a veću efikasnost. To nedostaje u mnogim industrijama. Na primjer, često se govori da je 'polovica ulaganja u marketing zapravo bačen novac, samo nikad ne znate koja polovica'. Ili 'lijekovi ne pomažu svim pacijentima, ali to ne znate dok se ne isproba'. Pred podatkovnim znanstvenicima je zadatak da otkriju koja je to polovica ulaganja u marketing 'bačen novac' te koji lijek će za neku dijagnozu dati najbolje rezultat.