Digital Cube Conf 2020 – Mester Tomi interjú
Ahogy rárepülünk az őszre, a Digital Cube Conf-al kapcsolatban is egyre több mindent hallhattok. Ahogy tavaly, úgy idén is bemutatjuk Nektek az előadókat egy interjú formájában. Az első előadót talán nem is kell annyira bemutatni mindenkinek, hiszen ha adatokról van szó, akkor Mester Tomi neve igen gyakran kerül elő.
Ha még nem vetted meg a jegyed az idei Digital Cube Confra, irány a konferencia oldala, ahol megtekintheted a teljes programot és biztosíthatod a helyed is.
Hogy kerültél erre a területre? Mióta foglalkozol adatokkal?
2012-ben kezdtem még a Prezinél. Viszonylag véletlenül keveredtem az adatos terület közelébe. A Prezihez gyakornoknak vettek fel és amit akkor csináltam annak az adatokhoz csak minimális köze volt. De a nagy összefüggésekre már ebben a poziban is kíváncsi voltam — és a menedzseremet kérdezgettem olyan dolgokról, amikre azt hittem, hogy már vannak a cégnél elkészített elemzések, kimutatások. Kiderült, hogy nincsenek, de mivel ezek a kérdések őt is érdekelték, megkért, hogy rakjam össze őket Excel-ben. Ezt sikerült abszolválni és szerencsére a végeredmény egy olyan elemzés lett, aminek végül (habár kicsi, de) lett üzleti haszna is.
Egyre több ilyen kérdés merült fel, és mivel akkor a mi csapatunkban (Support & Marketing) nem volt adatos ember, ezek végül mindig hozzám kerültek. Örökké hálás leszek ezért az akkori csapatvezetőnknek (köszi Zoli!), aki nem azt mondta, hogy vegyünk fel egy data scientist-et, hanem bízott bennem és arra bíztatott, hogy járjak le a Data Team-hez és tanuljam ki tőlük a szakmát. Végül kaptam egy data mentort és pár hónap alatt teljesen átkerültem egy teljesállású junior adatelemző pozícióba.
Szóval szerencsés véletlen volt, ahogy az adatos útra tévedtem, de így visszatekintve azért már egyértelműnek látom, hogy ez volt a nekem való. Gimiben is a matek volt a kedvenc tárgyam és bár egyetemen építészetet tanultam, ott is a tárgy, amiben igazán jó voltam, az az Ábrázoló Geometria volt.
Pontosan milyen területeivel foglalkozol az adatelemzésnek?
A data science-nek sok alterülete és specifikációja van — és gyakran az sem egyértelmű, hogy melyik pozíció neve mit is takar: Data scientist? Adatelemző? Data Engineer? Digital Analyst? Adatstratéga? Adatbányász? Machine Learning szakértő? Stb, stb…
Én két területen mélyültem el jobban az elmúlt 8 évben.
Az egyik, az ún. Digital Analyst szakma, ami főleg Google Analytics elemzésekkel, hőtérképes elemzésekkel, konverzió-optimalizálással (“CRO”) és A/B teszteléssel foglalkozik. Ilyen projekteken elsősorban kisebb startup-okkal és webshopokkal dolgoztam együtt. Baromira imádtam/imádom ezt is — főleg az A/B tesztelés részt.
De az igazi szerelem számomra az, amit eggyel nagyobb szervezeteknél (~50+ fős cégek) lehet csinálni: saját adatbázisok felépítése és abból specifikus, cégre szabott elemzések készítése. Ez, ha csak üzleti szempontból nézzük, elég hasonló a fent említett Digital Analyst-es projektekhez. Az eszköztár viszont merőben más. Itt nem “dobozos” eszközöket használunk (mint pl. a Google Analytics), hanem kódot, script-eket írunk — főleg SQL-ben, Python-ban és bash-ben. És mivel ezek sokkal rugalmasabb eszközök (és az adat is nálunk van, nem a Google-nél), ezért tágabb lehetőségeket is kínálnak. Az adatok segítségével pl. automatizációkat és predikciókat is lehet csinálni. Vagy akár egyszerűbb gépi tanulásos (aka. Machine Learning) projektekbe is bele lehet vágni.
És egy ilyen egyedi adatos megoldásról fogsz előadni a Digital Cube konferencián is, ugye?
Igen. Mármint nem konkrétan egy machine learning projektről. Hanem egy ilyen átfogó és teljesen cégre-szabott adatos projektről. A konferencia előadásomon egy ilyen projektet/esettanulmányt fogok teljesen transzparensen (valódi adatokkal) bemutatni. Persze nem a kód részét (bár az is izgalmas), hanem hogy hogyan is kell ezt az egészet rendszer szinten elképzelni, milyen eredményeket lehet ezzel elérni (amit pl. a Google Analytics-szel és társaival nem) — és persze azt is, hogy milyen áron.
Annyit már előre elárulhatok, hogy ez nem lesz fekete-fehér. Van amiben ez a rendszer teljesít jobban, van amiben pl. egy Google Analytics + hőtérképes projekt. (És itt hozzáteszem, hogy sok cégnél még a Google Analytics sincs 100%-osan kihasználva — sőt helyenként akár rosszul is van bekötve…)
Remélem, hogy a konkrét példákból mindenki látni fogja majd, hogy az ő vállalkozásában mire van szükség és/vagy lehetőség, most és a jövőben.
Mi a legnagyobb félreértés, amivel mindig meg kell küzdeni a munkád során?
Fúú, hát egy nagyon konkrét példát tudnék mondani.
Egyszer egy nagyobb cégnél, A/B tesztelős projektet csináltunk. Amikor odakerültem, a cég már futtatott pár tesztet és nagyon büszke volt az eredményeire. Csakhogy miután átnéztem ezeket az eredményeket, kiderült, hogy amit ők egy győztes tesztnek láttak, azt ha közelebbről megvizsgáltuk (szakmai szemmel), épp hogy egy rossz eredmény volt. Most nem mennék bele a részletekbe, hogy mi volt a konkrét hiba. De aki kicsit többet foglalkozott az A/B teszteléssel, az tudja, hogy az egy igazi aknamező: lehet rosszul bekötve az A/B tesztelő motor, lehet statisztikai hiba az eredmények értelmezésében, lehet üzletileg hibásan meghatározva a teszt célja, stb.
Na ennél a cégnél, az A/B tesztelés több ilyen sebből is vérzett.
De ezt hogyan magyarázod el a marketingesnek, aki a tesztet futtatta és aki ezt már büszkén prezentálta a főnökének — a főnöke meg a CEO-nak? 🙂
Szóval a legnagyobb általános félreértés az adatelemzésben az, hogy ha tudod használni az eszközöket, akkor már szakmailag helyes és üzletileg hasznos eredményeket fogsz elérni velük. Sajnos ez nem így van. Ezért nem árt, ha kezdőként pl. van melletted egy senior mentor, aki az orrodra koppint, ha hibát vétettél. Ezt tapasztalatból is mondom, hiszen a Prezinél annó velem is újracsináltattak elemzéseket párszor, pont ilyen okokból. Dehát végülis ebből tanul az ember, nem igaz? 🙂
Mi volt a legnagyobb kudarc a munkád során?
Hát, ha nem is nagybetűs Kudarcként éltem meg, de volt egy szabadúszó projektem, ahol azért jól leszerepeltem A/B teszteléssel.
Egy webshopról volt szó, ami redizájn előtt állt — és engem kértek meg, hogy először elemezzem a Google Analytics adataikat, aztán ez alapján kezdjük el ki-A/B-tesztelni a nyerő dizájnt. A Google Analytics elemzéssel nem is volt gond…
Az A/B tesztelésnél viszont első körben csináltam egy technikai hibát, amitől a teszt B-verziójában szétesett a honlap bizonyos böngészőkben. Ezt szerencsére gyorsan elcsíptük és leállítottuk a tesztet, de ez már önmagában ciki volt.
A főprobléma viszont az volt, hogy ezután több iterációban sem sikerült pozitív eredményeket elérni az újabb és újabb verziókkal. Akármit próbáltunk, kevesebb vásárlást kaptunk… Végül az ügyfél jelezte, hogy ha nincs eredmény, ő inkább leállítaná az A/B teszteket. Amúgy tök jófejek voltak, mert mondták, hogy azért kifizetnek, mert dolgoztam vele. De végül annyira kínosnak találtam, hogy nulla értéket tudtam szállítani, hogy nem fogadtam el a pénzt.
Mi volt az eddigi legnagyobb falat?
Az mindig van. 🙂 Minden projekt más és általában majdnem mindegyikhez kell valami újat tanulni. De pont ez a szépsége is ennek a szakmának: tanulás egy életen át.
Data Analyst – ez még mindig olyan “nagy céges” pozíció vagy pl KKV-k is egyre inkább megengedhetik maguknak, hogy adatelemzővel dolgozzanak?
Attól függ.
Szerintem mikrovállalkozások (10 fő alatt) csak nagyon ritkán engedhetnek meg maguknak egy teljes állásban dolgozó elemzőt. Egyszerűen ott még nem ez a legfontosabb feladat, amit el kell végezni. Azért náluk is érdemes egy-egy szabadúszót vagy ügynökséget eseti projektekre felbérelni, hiszen már kis méretnél sem szabad “vakon” – adatok nélkül – repülni.
10-től 50 főig már általában vagy egy marketinges fél munkaidőben vagy egy Digital/Data Analyst teljes állásban csak az adatokkal foglalkozik, elemez, kutat, optimalizál.
50 fő felett már szinte fixen van 1-2 elemző vagy adattudós a csapatban. Ez az a méret, amikor már szinte veszélyes adatok nélkül működni. És az adatelemzés nem csak marketingben, de termékfejlesztésben is nagyon sokat tud segíteni.
300 fős vagy annál nagyobb cégeknél gyakori egész adatos csapatok alkalmazása. Itt már annyi data science feladat, hogy egy ember nem is tudja hatékonyan ellátni.
Szóval a válasz, hogy azért a KKV szektorban is bőven van (vagy legalábbis kéne, hogy legyen) adatelemző.
Az adatok nem hazudnak… vagy mégis? Van benned olyan félelem, hogy a rendelkezésre álló adatokból esetleg rossz következtetéseket vonsz le?
Persze.
Ahogy azt egy kedves ügyfelemnek (aki szuper lelkes volt az induló data science projektje miatt) mondtam: Persze lesznek adataitok és elemzéseitek és ez sok mindenben fog segíteni. De dönteni ettől még nem lesz könnyebb.
Amit ezzel mondani akarok az az, hogy az adatok megértése, az elemzések folyamatos készítése és azok beépítése a vállalkozás mindennapjaiba, csak egy szempont.
Ha megmutatok egy chart-ot 5 különböző embernek, akkor arról legalább 2-3 féle értelmezés fogok kapni. Tehát egy elemzés önmagában nem értelmezhető — látni kell a kontextust is. Ami azt jelenti, hogy még egy adatvezérelt cégnél is szükség van: szakmai tapasztalatra, intuícióra, kreativitásra, stb, stb. (Ja és persze a felhasználókkal való ténylegese – élő – beszélgetésre.)
Az adatok nem hazudnak és ezt imádom bennük. De a döntésben az emberi faktornak is ott kell lennie. Erről egyébként egy rövid, de nagyon jó cikket írtak a dmlab-osok Adatokon innen és túl címmel.
A core biznisz nálad az online tanfolyamok. Vannak visszajelzéseid a résztvevőktől akár hónapokkal a kurzus után, hogyan tudták kamatoztatni a megszerzett tudást?
Persze!
Sőt, külön kérem őket, hogy jelezzenek vissza, ha van előrelépés – akár karrier, akár projekt szinten. Van sok sikersztori – ami főleg arról szól, hogy valaki állást kapott junior data scientist-ként. Ezeket is szeretem.
De a kedvenceim, amikor valaki elküldi a data science projektjét… mint pl. ez a hobbi projekt: az egyik kurzus résztvevő a saját tweet-jeit elemezte Python-nal.
Akik rendszeres hallgatói a Biznisz Boyz Podcastnak, tudhatják Rólad, hogy igyekszel napi 4 órát dolgozni, még ha ez nem is mindig sikerül. Mi a másik 4 óra? Vagy a 8+8+8 az Nálad inkább 4+12+8?
Haha, igen, így van, bár ezt már egyre kevésbé merem mondani publikusan. 😉
Mióta megszületett a kislányom (aki már elmúlt egy éves – szóval nem is olyan kicsi), próbálok visszavenni a melóból és napi 4 órát dolgozni.
Ennek sok váratlan vonzata van.
Az egyik ilyen, hogy észrevettem, hogy ebben a 4 órában baromi hatékony tudok lenni. Ez pont annyira kevés, hogy érezzem a feszességét és ne kezdjek el pl. YouTube-ozni közben. Emellett rákényszerít arra, hogy kiszervezzem a kiszervezhető munkákat. Illetve, hogy priorizáljak: csak azt végezzem el, ami tényleg fontos vagy amit kifejezetten szeretek csinálni. És aki közelebbről ismer, az tudja, hogy előszeretettel gyakorlom a nemet mondás művészetét is.
A másik viszont az, hogy így sem tűnnek sokkal szellősebbnek a napok. Az a felszabadult 4 óra ugyanúgy elrepül, feltöltődik mással. Talán így kevésbé munkával, de valami mindig van. Pl. pelenkázás, idemegyünk, odamegyünk… 🙂 De idén többet olvastam és sportoltam is, mint ezelőtt.
Ez a 4 óra pont optimális munkamennyiség nekem. Őszintén, ennél kevesebbet nem tudnék dolgozni, mert akkor már hiányérzetem lenne. Ha ennél többet dolgoznék, az pedig valószínűleg a hatékonyság rovására menne. (Pl. ha most 4 órányi munkát 4 óra alatt végzek el, akkor 5 órányi munkát valószínűleg csak 6 óra alatt tudnék… 6 órányit meg 8.)
Az igazsághoz hozzátartozik, hogy néha éjfél után még leülök 1-2 órát melózni, ami még rájön a napközi 4 órára. Illetve tavaly volt 1 “keményebb” hónap, ahol 8-10 órákat dolgoztam, sőt leadás előtti két napban 14-16-ot. Viszont ennél a hónapnál éreztem, hogy ez hosszabb távon egyáltalán nem fenntartható — és hogy a hajrá utolsó napjaiban nagyon sok kávéval, pizzával és palacsintával kellett “jutalmaznom” magam, hogy tudjak a gép előtt maradni és fókuszálni.
GDPR: lehet utálni, lehet szeretni, vannak, akik mindenáron meg akarnak felelni, mások csak amennyire mindenképpen szükséges. Változtatott-e és ha igen, hogyan a GDPR megjelenése a cégeknél az adatok gyűjtésén, használatán?
Szerintem csak jobbá tette.
Végre rá lettek kényszerítve a cégek, hogy végig gondolják, hogy hogyan gyűjtik az adatokat. Azokban a projektekben, amiken én dolgozom, nem volt szükség eddig sem személyes adatokra. Azzal, hogy védjük az ember magánszféráját, én teljesen egyetértek.
Pl. én a Data36-on nem használok Facebook pixelt és remarketinget sem – mert én sem szeretem ha ezeket a marketingeszközöket “ellenem” használják cégek. 🙂
Ha már konferencia: melyik volt a legjobb konferenciaélményed eddig? Mitől volt ez a legjobb?
Jártam pár jó konferencián és sok szörnyűn.
Magyar nyelvű konferenciák közül a Content Plage-ot emelném ki, akik sok szempontból hasonló elveket követnek, mint ti is a Digital Cube-bal: hosszabb és mélyebb előadások vannak, az előadások minősége az elsődleges szempont, tiltva van eladás-a-színpadról (viszont fizetnek az előadóknak), stb. Én a 2018-ason voltam és az egy igazi élmény volt.
Nemzetköziben egy igen kellemes élmény volt az Optimizely “belsős” konferenciája 2017-ben, Londonban. Ide alapvetően csak ügyfeleket hívtak meg, így nem az A/B tesztelés alapjairól, hanem haladóbb témákról volt szó. Ezt nagyon élveztem, mert ilyenből kevés esemény van, világszinten is.
Ha most épp nem ezen a területen dolgoznál, akkor mivel foglalkoznál? Mi az álommunkád?
Nekem az az álommunkám, amit most csinálok.
Hosszútávon is oktatással, adatokkal és matematikával foglalkoznék. Ha idő-milliomos lennék, biztosan több energiát szentelnék (mondjuk egy félállásnyit) az általános és középiskolai matematika oktatás megreformálásának. (Ötleteim már most is vannak.)
Zárásként van esetleg bármi tanácsod azok számára, akiket érdekelnek az adatelemzés vagy maga a konferencia?
Jöjjenek el és hallgassák meg az előadásomat! 😉
(Meg persze a többiekét is. Erős lett a program idén is, ahogy elnéztem.)
Köszönjük Tominak a beszélgetést.
Ha még nem vetted meg a jegyed az idei Digital Cube Confra, irány a konferencia oldala, ahol megtekintheted a teljes programot és biztosíthatod a helyed is.
