Název vašeho týmu Advanced Analytics zní trošku tajemně. Co přesně si pod vaší prací má člověk představit?
Michal: Stručně řečeno vyvíjíme řešení pro klienty, která využívají pokročilou analytiku nebo datovou vědu. V 99 % případů ta řešení vyvíjíme proto, abychom firmám zjednodušili byznysová rozhodování. Věnujeme se primárně větším korporátním klientům, pro které standardizovaná datová řešení často nestačí a potřebují řešení na míru.
Dan: Výsledkem naší práce je nejčastěji software. Oproti jiným vývojářským týmům se ale lišíme tím, že se zaměřujeme čistě na data a máme i určitý vhled do byznysu klienta. Občas se objeví i klienti, pro které data jen jednorázově zpracujeme a zhotovíme analýzu.
Jaká je největší přidaná hodnota vaší práce pro klienty?
Katka: To, že naše řešení stavíme end-to-end,takže se postaráme o vývoj, konzultace a vše ostatní, na co si běžně firmy najímají více dodavatelů. Nenabízíme univerzální krabicová řešení, která sednou každému klientovi, ale datovou vědu ohneme tak, aby přesně splňovala klientovy potřeby.
Michal: Naší výhodou je, že kromě datové vědy rozumíme taky byznysové stránce. Nejsme jen pracanti, co skvěle programují, ale umíme klientům poradit, jak data využít k tomu, ale přinesly jejich byznysu co největší hodnotu.
Jak vypadá takový běžný pracovní den datového vědce v EY?
Katka: Zhruba polovinu času trávím na schůzkách s týmem klienta. Často totiž nejsme jen dodavatelé, ale staneme se součástí klientova týmu. Zbylých 50 % času trávím kódováním.
Dan: Já mám za den dva až tři meetingy, ať už interní nebo s klientem. Zbytek času trávím hlavně developmentem datových aplikací.
Michal: Já jako manažer trávím 110 % času schůzkami. Nejsou to ale jen obchodní meetingy. Většinu času na nich probíráme například design řešení, plánování projektů nebo hledání cest, jak klientům poskytnout další přidanou hodnotu.
Jak jste se dostali k práci v týmu Advanced Analytics?
Dan: Popravdě jsem nikdy neplánoval jít pracovat do EY. Měl jsem předsudky vůči korporátům, odrazovaly mě svou velikostí, kravatami a spoustou procesů. Inzerát z EY ale sliboval, že se naučím hodně o machine learningu, což mi bylo blízké, a během pohovoru mi prakticky všechny moje předsudky vyvrátili. Do dnešního dne mám pocit, že jsme v rámci EY takový startup – jsou tu nadšení lidé, uvolněná atmosféra a ve firmě máme svobodu.
Katka: Já jsem se do týmu Advanced Analytics dostala náhodou. Byla jsem frustrovaná ze školy, kde jsme se učili pořád jen teorii. Opakovali nám, že se o nás na pracovním trhu poperou, ale dlouho jsem neměla ponětí, jak teorii využiju v běžné profesní praxi. Googlila jsem tedy stáže a ta v EY byla jedna z mála v oboru datové vědy. Po skončení už se mi nechtělo odcházet, protože mi tu sedla ta uvolněná atmosféra a super tým.
Co vás na práci datového vědce v EY nejvíc baví?
Michal: Máme tu velkou svobodu. Když si vymyslíme něco, co dává smysl pro rozvoj týmu nebo klientů, tak to můžeme hned uskutečnit. Nemusíme psát nikam do USA a čekat rok, až se k tomu někdo vyjádří, jak to často bývá v jiných korporátech. Firma tu nechává lidem volnou ruku.
Katka: Mě na práci v EY baví, že se neustále technicky rozvíjím, aniž bych to musela proaktivně vyhledávat. Tím, že máme skvělý tým a know-how mezi sebou přirozeně sdílíme, tak člověk přičichne ke spoustě hard skills. Zároveň u sebe ale cítím i obrovský rozvoj soft skills, spojený třeba s konzultováním a schůzkami s klienty. To jsem jako studentka technického oboru ve škole nikdy nezažila. Navíc člověk ty soft skills pochytí rychle a za pochodu.
Co vás v práci dokáže nejvíc nakopnout a namotivovat?
Dan: Velká euforie přijde pokaždé, když pro klienta dokončíme aplikaci. Hodně mě taky motivuje, když vidím, že klient mou aplikaci používá už třeba přes rok a pořád je s ní spokojený.
Katka: Jednoznačně náš tým. Když třeba někdo nestíhá nebo se v nějakém úkolu topí, tak se lidé v týmu sami od sebe ozvou a vzájemně si pomůžeme. I když tu máme všichni různé specializace, základní know-how máme stejné, takže se dobře doplňujeme.
Jaké zkušenosti a dovednosti musí člověk mít, aby se stal datovým vědcem ve vašem týmu?
Michal: Must have požadavky máme jen dva. Stačí, aby člověk uměl pracovat s Pythonem a měl schopnost analytického myšlení. To druhé nejde naučit, buď to v sobě člověk má, nebo ne. Většinou to poznáme po pár minutách rozhovoru.
Katka: Když to vezmu z druhé stránky, tak náš antiuchazeč je člověk, který přijde a řekne, že umí perfektně programovat a jeho dream job je přesně zadaný projekt, ke kterému si sedne a v klidu ho nakóduje. U nás je potřeba kontextové vnímání, přistupovat k projektům kreativně a zajímat se nejen o technickou, ale i byznysovou stránku.
Víme, že jste v týmu akční, pořádáte vzdělávací akce a přednášíte na konferencích. Dáte pár příkladů?
Michal: Cítíme, že na trhu je po data scientistech velká poptávka. Proto například chystáme Coding Bootcamp Praha a další projekty, kde chceme vzdělávat lidi, kteří plánuji změnu kariéry na datové vědce. Těmto lidem pak pomůžeme sehnat práci u našich klientů a budou mimo jiné mít na starosti nástroje, které jsme pro tyto klienty vyvinuli.
Katka: Zapojujeme se i do dalších akcí napříč data science komunitou. Naposledy to byla například konference pořádaná pražským Deepnote ve spolupráci s Women in Data Science Worldwide.
Co byste doporučili studentům, kteří pokukují po práci v datové analytice?
Dan: Mít otevřenou hlavu. Když jsem přišel do EY, tak jsem třeba nečekal, že budu potřebovat rozvíjet tolik soft skills, ale časem jsem pochopil, že je to nezbytné. Je dobré se podobných věcí nebát a nebránit se jim.
Katka: Já bych doporučila zvážit, jakým typem datového vědce chtějí být. Můžou se vydat cestou úzké specializace nebo to vzít z širšího hlediska a věnovat se datové vědě i v kontextu byznysu, konzultování a designu, jak to děláme třeba my.
Michal: Data scientist už dneska znamená leccos. Proto je dobré, aby si člověk co nejdřív uvědomil, zda chce být spíš kodér nebo typ datového vědce, jako jsme my, kdy vědomosti a zkušenosti využívá k řešení problémů z reálného světa. Každý směr člověka posune úplně jinam.
