Szabolcs a Prooktatás Data Analyst, másnéven adatelemzés és Power BI képzésének oktatója, aki a tudást nemcsak oktatói oldalról ismeri, hanem a saját munkájában is rendszeresen használja. Folyamatmérnökként dolgozik, ezért közvetlen tapasztalata van arról, hogyan jelenik meg az adatelemzés egy mérnöki munkakör mindennapi feladataiban.
Külföldi tapasztalattal is rendelkezik: Németországban és Hollandiában is dolgozott, így azt is látta, hogyan működik a szakmai kapcsolatépítés és az álláskeresés más európai munkaerőpiacokon. A beszélgetés során ezért nemcsak az adatelemzés szakmai oldaláról, hanem a munkaerőpiaci lehetőségekről, a LinkedIn szerepéről és az álláskeresés változó trendjeiről is szó esett.
A beszélgetés nyitó gondolata az volt, hogy az adatelemzési tudás ma már nem kizárólag azok számára fontos, akik kifejezetten Data Analystként szeretnének dolgozni. Egyre több munkakörben válik alapvető kompetenciává – hasonlóan ahhoz, ahogy korábban az Excel használata vált általános munkahelyi elvárássá.
Szabolcs ezt így fogalmazta meg:
„Pozícióhoz kötődően elég alapelvárás már az, hogy az ember tudjon adatokat elemezni. Teljesen mindegy, hogy ez most egy mérnöki pozíció, vezetői pozíció. Pénzügyi területen, de akár jogi területen is.”
Ma már nemcsak a klasszikus adatelemző pozíciókban dolgozunk adatokkal.
Mérnöki területen rendszeresen szükség lehet adatok elemzésére, teljesítménymutatók értékelésére és az eredményekből következtetések levonására. Ugyanez igaz vezetői munkakörökben, ahol az adatvezérelt döntéshozatal egyre fontosabb.
A pénzügyi területen a controlling, az üzleti elemzés és más hasonló pozíciók természetes része az adatok feldolgozása és értelmezése. De az adatelemzés más területeken – például jogi vagy egészségügyi munkakörökben – is egyre nagyobb szerepet kap.
Szabolcs szerint ez a tudás hasonlóan általános, mint az Excel:
“Az adatelemzés lassan olyan alapkompetenciává válik, mint az Excel: nemcsak az adatelemzőknek kell érteniük hozzá, hanem gyakorlatilag mindenkinek, aki adatokkal dolgozik.”
A különbség az, hogy ma már sok esetben nem egyszerű táblázatkezelésről beszélünk. Nagyobb adatmennyiségeket, több adatforrást és összetettebb összefüggéseket kell kezelni, vizualizálni és értelmezni. Ehhez kerülnek elő olyan eszközök, mint például a Power BI, az SQL vagy bizonyos esetekben a Python.
Mindemellett természetesen rengeteg olyan állás is megjelenik a munkaerőpiacon, amelyeknek már közvetlenül az adatelemzés a központi feladata. Ezt az oktatónk is megerősítette.
Ezek a pozíciók Magyarországon is gyakran angol munkaköri megnevezésekkel jelennek meg, például Data Analyst, Business Analyst, BI Analyst, Power BI Specialist vagy más hasonló elnevezésekkel.
A beszélgetés során az ingatlan.com példája is előkerült, ahol szintén megjelent az adatelemzői pozíció. Ez jól mutatja, hogy olyan vállalatoknál, amelyek jelentős mennyiségű adattal dolgoznak, az adatok feldolgozása, az összefüggések felismerése és a következtetések levonása önálló munkakört is jelenthet.
Ugyanakkor az adatelemzési kompetencia sok esetben kiegészítő tudásként jelenik meg. Erre jó példa egy a Profession.hu-n megjelent Junior Controller – Power BI rendszertámogató pozíció, amelyet a Semmelweis Egyetem Kontrolling Igazgatósága hirdetett meg pénzügy-könyvelés területen.
Ez különösen jól szemlélteti, hogy egyetlen pozíción belül két szakmai diszciplína kapcsolódhat össze: jelen esetben a pénzügyi controlling és az adatelemzés, illetve a Power BI használata.
A gyakorlatban tehát valaki lehet alapvetően pénzügyi szakember, controller, mérnök, üzleti elemző vagy akár más terület specialistája, miközben a munkájának egyre fontosabb részévé válik az adatok feldolgozása, elemzése és vizualizációja.
A meglévő szakma és az adatelemzés együtt jelenthetnek igazán komoly előnyt.
Sok esetben éppen az teremthet nagyobb munkaerőpiaci értéket, ha valaki a már meglévő szakmai tudását egészíti ki magasabb szintű adatelemzési kompetenciákkal.
Egy pénzügyi szakember például a Power BI, az SQL vagy más adatelemzési eszközök ismeretével nemcsak pénzügyi feladatokat tud ellátni, hanem hatékonyabban képes adatokat feldolgozni, riportokat készíteni, összefüggéseket felismerni és döntéstámogató információkat előállítani.
Ugyanez igaz egy mérnökre, marketingesre, üzleti szakemberre vagy más területen dolgozó szakemberre is.
Ha pedig valaki ezeket a kompetenciákat láthatóvá is teszi az önéletrajzában, a LinkedIn-profilján és az állásjelentkezéseiben, akkor nem pusztán egy újabb tanfolyamot/iskolai végzettséget tud feltüntetni, hanem egy olyan kiegészítő tudást, amely közvetlenül növelheti a szakmai értékét.
Az AI térnyerésével kapcsolatban a hallgatók részéről is rendszeresen felmerül a kérdés: mennyire időtálló ma adatelemzést tanulni, ha egyre több feladatot képes elvégezni a mesterséges intelligencia? Nem veszi el idővel az AI az adatelemzők munkáját?
Az oktató ugyanazt a problémát adta oda a hallgatóknak, majd arra kérte őket, hogy ChatGPT-vel és Copilottal külön-külön oldják meg. A két rendszer számos első látásra használhatónak tűnő megoldást javasolt.
A probléma akkor jelent meg, amikor felmerült a kérdés:
A 15 hihetőnek tűnő javaslat közül melyiket kell ténylegesen választani?
A hallgatók először úgy gondolták, hogy lényegében mindegyik jó. Amikor azonban megpróbálták végrehajtani őket, kiderült, hogy több javaslat a gyakorlatban nem működik.
Ez nagyon jól demonstrálja az AI egyik alapvető korlátját: képes meggyőzőnek tűnő választ adni anélkül, hogy garantálná, hogy az adott megoldás szakmailag helyes vagy az adott helyzetben alkalmazható.
Az oktató ezután segített leszűkíteni a lehetőségeket, pontosítani a promptot és további kontextust adni. Ekkor már az AI is lényegesen használhatóbb eredményt adott.
A tanulság tehát nem az, hogy „ne használjunk AI-t”, hanem pontosan az ellenkezője:
„Az AI-t érdemes használni, de tudni kell, mikor, mire és hogyan. Szakmai tudás nélkül nem tudjuk eldönteni, hogy az AI által felkínált lehetőségek közül melyik valóban jó.”
Az AI tehát eszköz és segítség, de a szakmai döntést továbbra is annak kell meghoznia, aki érti az adatokat, a problémát és az adott szakterületet. Éppen ezért az AI használatának terjedésével nem kevésbé, hanem még inkább fontossá válik az a tudás, amelynek segítségével meg tudjuk ítélni, hogy az AI által felkínált megoldások közül mi működik valóban és mi vezethet zsákutcába.
A beszélgetés következő részében arra kerestük a választ, hogy hogyan érdemes felépíteni egy szakmai profilt, különösen akkor, ha valaki a meglévő szakmai tudását egészíti ki adatelemzési kompetenciákkal.
Például valaki alapvetően pénzügyi, mérnöki vagy üzleti területen dolgozik, de emellett elvégez egy adatelemző képzést, megtanulja használni a Power BI-t, megismerkedik az SQL-lel, esetleg Pythonban is szerez programozási ismereteket. Hogyan érdemes ezeket megjelenítenie a szakmai profiljában és mire érdemes figyelnie az álláskeresés során?
Nem feltétlenül az a jó stratégia, hogy valaki nagyon sok egymástól teljesen különböző lehetőségre jelentkezik abban a reményben, hogy majd valamelyik sikerül.
„Az egyik, hogy meg kell adni azt az irányt, amiben mozdulni akar.”
A LinkedIn-profilt is ennek megfelelően érdemes felépíteni. Vagyis legyen egyértelmű, hogy milyen szakmai területen dolgozunk, milyen új kompetenciákat szereztünk, és milyen irányba szeretnénk továbbhaladni.
Ha valaki például a meglévő szakmája mellett adatelemzést tanult, Power BI-ismereteket szerzett, ismeri az SQL-t vagy a Pythont, akkor ezeket a megszerzett kompetenciákat érdemes feltüntetnie a profiljában.
Szabolcs szerint a LinkedIn egyik fontos előnye, hogy egy megfelelően felépített szakmai profillal nem kizárólag mi jelentkezünk állásokra, hanem minket is megtalálhatnak.
„A LinkedIn olyan szempontból jó, hogy egy jól felépített LinkedIn-profil, ahol úgymond látszódik aktivitás, ott vannak megkeresések. Tehát ott megkeresik az embert.”
A megkeresések gyakorisága természetesen több tényezőtől függ. Számít például a kapcsolati háló mérete, a profil felépítettsége, illetve az is, hogy mennyire naprakész.
Szabolcs saját tapasztalata szerint egy megfelelően felépített és aktív profil esetében a megkeresések akár rendszeressé is válhatnak:
„Van, hogy heti, vagy naponta, vagy hetente. Szinte folyamatos lesz a megkeresés.”
Vagyis a LinkedIn-profilra nem érdemes egyszer elkészített, majd magára hagyott online önéletrajzként tekinteni. Fontos, hogy naprakész legyen, látszódjon rajta a szakmai aktivitás, és megjelenjenek rajta az újonnan megszerzett kompetenciák is.
A magyar munkaerőpiacon ugyanakkor Szabolcs szerint a Profession szerepéről sem érdemes megfeledkezni.
„A másik opció, a Profession se elhanyagolható. Ott is kell egy profil, hasonlóan felépíteni, mint a LinkedIn.”
A két platform működése nem teljesen azonos, de mindkettőnél előnyt jelenthet egy megfelelően felépített, naprakész szakmai profil. A Profession felületén is van lehetőség arra, hogy a cégek közvetlenül találjanak meg potenciális jelölteket.
Az álláskereséssel kapcsolatban külön szóba került az is, hogy a jelenlegi, erősen versengő munkaerőpiacon mennyire érdemes nagyon sok pozícióra egyszerre jelentkezni. Szabolcs itt is elsősorban a célzottságot emelte ki.
Amikor a beszélgetésben szóba került akár több száz jelentkezés lehetősége, Szabolcs pontosította, hogy ezt nem úgy érti, hogy valaki ész nélkül jelentkezzen több száz, egymástól teljesen eltérő munkakörre.
Inkább azt javasolta, hogy:
„Kinéz, mit tudom én, két-háromféle pozíciót, ami nagyjából amúgy lefedi egymást, vagy hasonló, nagyjából hasonló, és akkor ahhoz kötődően jelentkezik.”
Vagyis először érdemes meghatározni két-három egymáshoz kapcsolódó pozíciótípust, amelyek illeszkednek a végzettségünkhöz, tapasztalatainkhoz és megszerzett kompetenciáinkhoz. Ezután ezekhez lehet igazítani a szakmai profilt és magukat a jelentkezéseket is.
A beszélgetésben felmerült az is, hogy érdemes megnézni, milyen céghez és milyen pozícióra jelentkezünk, és adott esetben személyre szabott motivációs levéllel vagy néhány célzott mondattal kiegészíteni a pályázatot – különösen akkor, amikor egy munkáltató nagyon sok jelentkezést kap.
A lényeg tehát nem egyszerűen a jelentkezések számának maximalizálása, hanem az, hogy legyen egy meghatározott szakmai irány és ahhoz kapcsolódó pozíciókat célozzunk.
A beszélgetés során Szabolcs külföldi tapasztalatai is előkerültek. Németországban és Hollandiában szerzett tapasztalatai alapján a LinkedIn szerepe ezeken a piacokon még erősebb.
Amikor szóba került a németországi és más külföldi álláskeresés, oktatónk egyértelműen a LinkedIn-t emelte ki:
„Ott meg abszolút inkább a LinkedIn-es rész. Külföldön, Németországban is, Hollandiában is.”
Saját tapasztalata is innen indult:
„Nekem onnan indult ez a LinkedIn. Négy évig használtam, csak amikor visszaköltöztem, akkor nem, mert itt nem annyira működött.”
A LinkedIn külföldön nemcsak álláskeresési platformként fontos, hanem szakmai kapcsolatépítési felületként is. A munkakapcsolatok kialakítására Szabolcs szerint kifejezetten alkalmas. A Facebookot ezzel szemben nem szakmai célra ajánlja használni.
Szabolcs tanácsainak közös pontja, hogy nem elég egyszerűen létrehozni egy LinkedIn-profilt és elkezdeni állásokra jelentkezni.
Először meg kell határozni, milyen szakmai irányban szeretnénk továbbhaladni. Ehhez érdemes felépíteni és folyamatosan naprakészen tartani a profilunkat, feltüntetni rajta az újonnan megszerzett tudást és képzéseket, valamint tudatosan építeni a szakmai kapcsolati hálónkat.
Az álláskeresés során pedig a célzottság a lényeg: néhány egymáshoz kapcsolódó pozíciótípust érdemes meghatározni és ezekhez igazítani a profilunkat és a jelentkezéseinket.
Ez különösen fontos lehet annak, aki például a meglévő pénzügyi, mérnöki vagy üzleti tudását egészíti ki Power BI-, SQL-, Python- vagy általános adatelemzési kompetenciákkal. Ezeket nem érdemes „elrejteni” a profilban: láthatóvá kell tenni, hogy a korábbi szakmai tapasztalat mellett milyen új, adatalapú kompetenciákkal rendelkezünk.
Deutsch
