Strefa Klienta
W dzisiejszych czasach wszystko, co nas otacza, w pewnym sensie generuje dane – komputery, telefony, zegarki, wszelkiego rodzaju czujniki, a od jakiegoś czasu nawet lodówki i pralki. Według szacunków IBM 90% istniejących na świecie danych zostało wytworzonych w ciągu ostatnich 2 lat. Dane stanowią dziś klucz do sukcesu, także w biznesie. Skala wzrostu ich ilości, zmian a także sposobów ich analizowania i wykorzystania jeszcze nigdy nie była tak wielka.
Analityka finansowa coraz częściej wykorzystuje nieustrukturyzowane dane o charakterze niefinansowym, opiera się przy tym na innowacyjnym i kreatywnym podejściu do badania istniejących zbiorów danych i tworzy nowe modele uwzględniające niekonwencjonalne źródła. W związku z tym coraz większe znaczenie odgrywa Data Science – interdyscyplinarna nauka, która obejmuje systematyczne i profesjonalne podejście do badania zbiorów danych oraz aplikowanie i tworzenie narzędzi do ich analizy i wyciągania wniosków na podstawie specjalistycznej wiedzy o danej dziedzinie. Chociaż jest ściśle związana z Big Data, sztuczną inteligencją i uczeniem maszynowym (ang. machine learning), to nie powinna być ograniczana wyłącznie do tych obszarów. Specjaliści zajmujący się Data Science wykorzystują dziś przede wszystkim narzędzia analityczne, statystyczne, z zakresu ekonomii i nowoczesnych rozwiązań komputerowych.
– Znane są bardzo ciekawe przykłady ze świata Data Science, np. pewien analityk, który wziął pod lupę oszustwa związane z kartami kredytowymi, doszedł do wniosku, że ich schemat i struktura przypominają proces sekwencjonowania DNA. Wykorzystując analogie pomiędzy tymi pozornie odrębnymi zjawiskami, udało mu się stworzyć model, który znacząco ograniczył straty wynikające z oszustw kredytowych. To właśnie tego rodzaju myślenie jest jednym z głównych motorów napędowych w obszarze Data Science – wskazuje Krzysztof Czarnecki, Financial Controller i kierownik zespołu Financial Accounting and Controlling EMEA w UBS.
Tak więc Data Science to też jedna z najbardziej rozwojowych i perspektywicznych dziedzin. Zarówno zmieniające się możliwości techniczne, jak i nowoczesne formy organizacji pracy szybko znajdują w niej odzwierciedlenie. Biorąc pod uwagę bardzo szybki rozwój technologii informatycznych i rosnącą zależność biznesu od analiz typu Big Data, zapotrzebowanie na specjalistów z tej branży będzie tylko rosnąć.
– Większość firm ma dostęp do tzw. „data opportunity” – są to ogromne źródła danych obejmujące większość elementów działalności biznesowej oraz zróżnicowane powiązania między nimi. Kluczowe dla organizacji jest posiadanie zespołu ekspertów Data Science, którzy wyciągną trafne i wartościowe wnioski na podstawie tego obszernego i nieustrukturyzowanego źródła – mówi Krzysztof Czarnecki.
Uzasadnienie i wytłumaczenie wykorzystania machine learning i innych narzędzi programistycznych przed biznesem i audytem uznaje się za jedno z większych wyzwań w pracy na stanowisku Data Scientist.
– Rosnąca rola specjalistów z tego obszaru wiąże się z koniecznością umiejętnej komunikacji z osobami decyzyjnymi i senior managementem w organizacji. Data Scientist musi potrafić przetłumaczyć skomplikowany język analizy danych na ogólnie zrozumiały i atrakcyjny język biznesu, co pozwoli na stworzenie tzw. business case i osiągnięcie istotnego wpływu na decyzje podejmowane przez organizację – począwszy od decyzji związanych z rozwojem poszczególnych produktów, aż po decyzje związane ze strategią całej firmy – dodaje Krzysztof Czarnecki.
Data Science – to znaczy kto?
Od specjalistów związanych z obszarem Data Science oczekuje się, że będą posiadać przede wszystkim umiejętność analitycznego myślenia i rozwiązywania problemów. Bardzo istotna jest także zdolność do szybkiego opanowywania nowych narzędzi programistycznych i ich wykorzystania w kontekście skomplikowanych zbiorów danych, a także umiejętność wyciągania wniosków z analizy danych, ich prawidłowa interpretacja i prezentacja.
– W określonych rolach wiedza finansowa może być niezbędna. Natomiast w zespołach bliższych IT głównym wymogiem jest umiejętność myślenia programistycznego, co pozwala na szybkie opanowywanie nowych narzędzi – mówi Krzysztof Czarnecki. – Bardzo ważna jest także ciekawość – chęć dotarcia do samego źródła danego problemu, do czynników, które powodują dane regularności i korelacje w zbiorach danych – dodaje.
W zespołach związanych z Data Science pracują osoby o bardzo różnym wykształceniu, co dobrze odzwierciedla fakt, że jest to stosunkowo młoda dziedzina, w której przede wszystkim liczą się określone umiejętności i kompetencje, a nie rodzaj ukończonych studiów. Dołączyć do zespołu można właściwie na każdym etapie kariery – zarówno zaraz po studiach, czy nawet w ich trakcie (w roli stażysty), jak i po zdobyciu doświadczenia w innych dziedzinach finansów czy IT. Niezwykle cenione przez rekruterów są umiejętności tworzenia i aplikowania modeli statystycznych i matematycznych do zbiorów danych a także wcześniejsze doświadczenie w analizie finansowej i pracy projektowej.
Ścieżki kariery
Ścieżka rozwoju specjalistów związanych z obszarem Data Science zależy od ich indywidualnych zainteresowań i umiejętności. Data Science zarówno w finansach, jak i w IT wiąże się z bardzo szerokim spektrum możliwości. Jak wskazuje Krzysztof Czarnecki, w obszarze Data Science w UBS pracuje wiele zespołów, których codzienne zadania i zakres obowiązków są bardzo zróżnicowane. Mogą być one np. związane z modelowaniem statystycznym, wdrażaniem rozwiązań machine learningowych, programowaniem, analizą finansową albo merytoryczną walidacją modeli danych oraz ich późniejszą prezentacją przed stroną biznesową.
– W UBS pracownicy Data Science mogą specjalizować się w danym obszarze wiedzy w ramach ścieżki eksperckiej (tzw. Subject Matter Expert lub SME) lub przejmować role liderskie i managerskie w zespołach – mówi Krzysztof Czarnecki.
Ze względu na pracę w dynamicznej branży, pozostającej w nieustannym rozwoju, kluczowe znaczenie ma ciągłe dokształcanie się i śledzenie nowych trendów.
Komentarz:
Ile prawdy jest w powiedzeniu: „Data science is not a science – it’s an art”?
Krzysztof Czarnecki: Coś jest w tym powiedzeniu, biorąc pod uwagę fakt, że Data Science łączy bardzo ścisłe i naukowe podejście z tak zwanymi umiejętnościami miękkimi – takimi jak odpowiednia prezentacja danych i późniejsza ich komunikacja. Data Science to unikalne połączenie umiejętności rozszyfrowywania najbardziej skomplikowanych i nieustrukturyzowanych zbiorów danych z umiejętnościami analityka, sprawnego komunikatora i business partnera.
"Kariera w Finansach i Bankowości" to przewodnik stworzony z myślą o studentach i absolwentach, którzy chcieliby związać swoją przyszłość zawodową z sektorem finansowym – unikalne kompendium wiedzy o trendach w tej branży.
Financial Controlling and Reporting Specialist w zespole Net New Money / Invested Asset Control, UBS
Redakcja: Co obecnie należy do Pana głównych zadań i zakresu obowiązków?
Michał Bąk: Ogólnie mówiąc, zajmuję się tym, by dane dotyczące tego: kto, gdzie, ile i w co inwestuje, były w naszych systemach zgodne z rzeczywistością. W ramach departamentu Finansów kontroluję główne bazy danych dla Wealth Management Americas (WMA). Ponadto wspieram projekty automatyzacyjne i zmiany globalne wprowadzane w moim dziale. Udzielam się również w oddolnej inicjatywie mojego pionu, gdzie pomagamy innym zespołom usprawnić i automatyzować rutynową część ich pracy.
Co sprawiło, że zdecydował się Pan na pracę w obszarze Data Science?
Powiedziałbym, że był to naturalny etap rozwoju zawodowego. Moje stanowisko stopniowo ewoluowało w kierunku właśnie Data Science. Sam zdecydowałem się na pracę związaną z kontrolą kapitałów i transakcji w świecie inwestycyjnym. Z czasem również umiejętności związane z SQLem, Alteryxem i innymi DS–related technologiami okazały się niezbędne, by rozwiązywać pojawiające się wyzwania.
Jaka była Pana dotychczasowa ścieżka kariery?
Zanim rozpocząłem pracę w UBS, pracowałem w krakowskim oddziale telewizji satelitarnej, jako analityk danych jakości pracy infolinii. Wiedza związana z analizą danych i chęc rozwoju swoich umiejętności w tej dziedzinie zaprowadziły mnie do UBS, gdzie rozpocząłem swoją przygodę od kontroli japońskiego Asset Managementu, przechodząc przez amerykański Asset Management i aktualnie zajmując się amerykańskim Wealth Managementem. Od trzech lat pracuję w zespole Net New Money / Invested Asset Control.
Które zadania w Pana pracy należą do Pana ulubionych?
Największą satysfakcję sprawia mi możliwość wprowadzania zmian w procesach, kontroli i tzw. data crunching. Tworzenie nowych narzędzi, widoków, wszystkiego, co pomaga mojemu zespołowi oraz Chief Financial Officer WMA w dogłębnej analizie danych w trakcie okresu tak zwanego „zamknięcia”. To bardzo kreatywne zajęcia, o bardzo szerokim spektrum wymagań – od pomysłu, przez napisanie kodu, po prezentację wyników w zgrabnej formie.
Jaki ciekawy projekt był Pana udziałem?
Utworzyłem proste SQLowe narzędzie, odpowiadające na pytanie „jak idzie” naszym inwestycjom w w obszarze Equity dla WMA. Dane pobierają się za pomocą automatycznych zapytań do baz danych, a potem podsumowują w formie Excela. Dzięki temu narzędziu WMA jest w stanie zweryfikować wyniki największej grupy swoich inwestycji na długo zanim dane pojawią się w finalnych systemach raportowych. Dodatkowo dostarcza ono wiedzy na temat najlepiej sprzedających się akcji oraz największych zysków pośród naszych klientów.
Jak wspomina Pan swoją rozmowę kwalifikacyjną w UBS?
Bardzo pozytywnie! W zasadzie było ich kilka. W UBS standardem jest, że pierwsza rozmowa odbywa się z rekruterem. Po jej pomyślnym przejściu następuje zwykle rozmowa z managerem rekrutującym, co pozwala na poznanie osoby, z którą miałoby się w przyszłości współpracować. Oczywiście w przypadku różnych ról, takich rozmów może być więcej niż jedna. Moja finałowa rozmowa z przyszłą przełożoną trwała około godziny i skupiała się zarówno na ocenie moich umiejętności miękkich, jak i radzenia sobie w stresujących sytuacjach. Pamiętam, że najcenniejsze dla mnie było to, że po rozmowie mogłem liczyć na konstruktywny feedback, a pozytywne wieści dotarły do mnie niedługo później.
Komu poleciłby Pan pracę w obszarze Data Science?
Każdemu, kto ma oko do detalu i chciałby tworzyć coś ciekawego na podstawie danych, które nas otaczają.
Dlaczego praca w obszarze Data Science może być ciekawa dla młodych ludzi?
Data Science, zwłaszcza w kontekście instytucji finansowych, jest bardzo młodą branżą. Stąd tak duża różnorodność, jeśli chodzi o wykształcenie czy staż zawodowy wśród naszych pracowników.
Jak może wyglądać Pana dalsza ścieżka kariery?
W UBS jest bardzo wiele możliwości rozwoju, łącznie z tak zwaną internal mobility, która pozwala na zmianę zespołu, a nawet departamentu w ramach firmy. Ja mógłbym rozwijać się w kierunku specjalisty w tym, co robię, zmienić dział na w pełni poświęcony Data Science, na przykład w IT, lub rozwijać się w kierunku umiejętności miękkich, aby zostać Business Partnerem.
Jakie są Pana plany zawodowe?
Zdecydowanie chciałbym pozostać w finansach, ale zarazem być otwartym na przyszłościowe rozwiązania, które nie mogą wchodzić w grę przy obecnych wymogach i regulacjach. Rola, o której myślę to Business Partner, ale świat finansów jest bardzo zmienny i wciąż idziemy naprzód. Coś, co jeszcze kilka lat temu wydawało się niemożliwe, dziś jest nieodłączną częścią pracy analityka, w związku z tym być może czeka na mnie jakiś nieznany zawód przyszłości?
Dziękuję za rozmowę.
"Kariera w Finansach i Bankowości" to przewodnik stworzony z myślą o studentach i absolwentach, którzy chcieliby związać swoją przyszłość zawodową z sektorem finansowym – unikalne kompendium wiedzy o trendach w tej branży.
Ⓒ 2008-2024 Grupa MBE sp. z o.o. Wszelkie prawa zastrzeżone.