Blog

Tržište informacionih tehnologija u Srbiji se našlo pred velikim izazovom nakon sukoba Rusije i Ukrajine. Veliki broj IT stručnjaka iz ovih država pristigao u našu zemlju da bi ovde nastavio da rade. Pretpostavljalo se da će zbog krize biti znatno usporeno zapošljavanje. Međutim, prema podacima najvećeg sajta za zapošljavanje IT-jevaca HelloWorld.rs broj oglasa za posao u ovoj industriji skočio je za 26% u prvih 6 meseci 2022. godine u odnosu na isti period prošle godine.

Programming is a category of computer science where you study how to build desktop, mobile or web apps.

U maju 2021. godine nastala je OTP banka Srbija a.d. Novi Sad integracijom nekadašnje Vojvođanske banke i OTP banke (od ranije integrisane sa Societe Generale bankom). Godinu smo završili kao lideri u kreditiranju i cilj nam je da osiguramo da naša banka ima najmodernije procese, modele i alate koji upravljaju kako kreditnim tako i ostalim vrstama rizika.

Dobar dan. Na početku, jedno malo upozorenje. Zamisao PR službe ili kako volim da ih zovem u orvelovskom stilu, službe za kontrolu stvaranja naše stvarnosti, bila je da napišem tekst o svom ličnom i kodnom razvitku, pokušaću to da ispunim, nemojte mi zameriti ako skrenem sa teme.

Iz godine u godinu IT tržište rada je u sve većoj ekspanziji, čak ga ni pandemija korona virusa nije poljuljala. Zbog specifičnosti i obima posla, ponuda radnih mesta raste velikom brzinom. Sa druge strane, deficit kadrova je i dalje prisutan, što govore i novi podaci sajta HelloWorld.rs. 

Kad pomislim Data Scientist - pomislim na osobu koja zna gomilu matematike, integrale drži u malom prstu, piše silne neke algoritme za mašinsko učenje, i sl. Popričah sa Nemanjom Čukarić, iz kompanije Grid Dynamics koji trenutno radi na outsource data science projektu za detekciju prevara u online igricama, ali već duže vreme se bavi ovim poslom o tome šta on konkretno radi i kakve savete ima za ljude koji bi okušali sreću u ovoj oblasti. Kako izgleda jedan radni dan Data scientist-a?  Moj dan obično počinje sastankom na kome se planiraju dnevne aktivnosti i rezimira se prethodni dan. Nakon sastanka počinje rad, koji se obično sastoji iz sledećih aktivnosti: rad sa sirovim podacima, eksplorativna analiza, modelovanje korišćenjem algoritama mašinskog učenja, čitanje radova/blogova na temu obrade podataka…  Često imam i sastanke sa klijentima gde se analiziraju i reevaluiraju zahtevi, prezentuju rezultati analize i slično. Opiši nam svoju ulogu u timu..  Ja sam senior data scientist timu koji se sastoji iz data scientista, data inženjera i machine learning inženjera . Moja uloga je da na osnovu zahteva klijenta i raspoloživih podataka predložim prototip rešenja. Težište aktivnosti je u istraživanju: ispitivanje informativnosti podataka, feature engineering, pronalaženje i testiranje adekvatnog algoritma mašinskog učenja. Redovna komunikacija sa klijentom, gde iznosim rezultate istraživanja I na osnovu njih zajedno formiramo dalje aktivnosti, je neizostavan deo mog mog posla. Omiljena stvar u poslu ti je..  Analiza podataka i osmišljavanje machine learning rešenja. Iako često zanemaren korak u kursevima o data science-u, dobro izvedena analiza podataka je ključni deo svakog procesa. Ovaj korak je takođe nešto što odnosti I najveći deo vremena, a zahteva I dozu domišljatosti. Bitno je imati na umu i problem kompleksnosti i interpretabilnosti rešenja, tako da predloženo rešenje ne mora uvek da uključuje algoritam mašinskog učenja. Treba biti svestan “publike” kojoj je rezultat namenjen. A manje omiljeni deo posla? :)  Analiza podataka :) Kao što sam prethodno pomenuo, ovo je aktivnost koja oduzima najviše vremena. Ako podaci nisu “sređeni”, a najčešće nisu, puno vremena se provodi u analizi kvaliteta, ispitivanju informativnosti I generalno, sređivanju podataka. Proces je manuelan I iterativan, pa stoga može da bude zamoran.  Šta je najveći izazov za tebe?  Najveći izazov je komunikacija sa klijentom, koji čine ljudi kako iz tehničke, tako iz biznis sfere. Dešava se da klijent nije svestan kakvim podacima raspolaže, pogotovu ako je u pitanju biznis. Samim tim, ni zahtevi nisu “izbrušeni”. Zato je artikulisana i jasna komunikacija sa klijentom neophodna za uspešnu saradnju i konačno, dobar ishod. Mislim da je ova veština trenutno neadekvatno pokrivena u programima tehinčkih i prirodnih fakulteta, odakle većina data scinetista dolazi.   Koje su veštine potrebne da bi bio odličan Data scientist?  Pre svega želim da naglasim da je u oglasima za posao Data Scientist pozicija prilično nedefinisana - kreće se od data engineeringa, preko klasičnog softver developmenta, machine learning modelovanja, business intelligence… Tako često vidimo oglase koji navode podužu listu veština koje kandidat treba da poseduje. Iz ovakvih oglasa može da se zaključi bar jedna stvar – poslodavac ne zna šta mu treba, pa se vodi logikom “ako ne znam šta mi treba, sve mi treba”.  “Osnovi paket” potrebnih veština bih podelio u tri kategorije:  1) Software development – osnovi programiranja i poznavanje standardnih data science alata, 2) Matematika i statistika – linearna algebra, osnovi matematičke analize, verovatnoća I statistika, teorija mašinskog učenja,  3) Veština komunikacije – o ovome sam već govorio.  Uvek je dobro imati domensko znanje, npr. data scientist koji radi u logistici bi trebalo da se što vise upozna sa oblašću , a ne da slepo primenjuje machine learning algoritme i nada se najboljem. Važnost svake od ovih grupa veština za određeni poslao je promenljiva. Tako su neki data scientist bliži data inženjeringu, neki istraživanju i machine learning modelovanju, a neki produkciji. Alati koje jedan Data scientist koristi u svakodnevnom radu su…  Opet bih alate podelio u nekoliko grupa. Ono sto trenutno koristim: standardni Python alati za obradu podataka  (numpy, pandas, scikit-learn, pytorch, matplotlib), alati za analizu grafova (networkX, pytorch Geometric), SQL, servise u okviru AWS okruzenja, airflow… Na prethodnih projektima sam koristio R, alate za obradu jezika, vremenskih serija itd. Alati koji su danas na raspolaganju su mnogobrojni i ne treba se grčevito držati određenog izbora alata. Tako se često pojavljuju diskusije na temu R vs Python, tensorflow vs pytorch,…. Ovakvi izbori su manje značajni, pogotovu na početku. Izaberite određeni skup alata i kroz njega pre svega naučite kako se radi sa podacima. Ako već znate Excel a ne znate osnove obrade podataka, zašto ne biste učili kroz alat koji već poznajete – tabela je ista radili vi sa njom u Python-u, R-u, Juliji ili Excelu. S druge strane, ako je potrebno da celo rešenje spakujete u aplikaciju, verovatno ćete to najlakše da uradite u Pythonu. Ako tražite okruženje sa najvećim skupom funkcionalnosti, najveći ekosistem imaju Python i R. Koje savete bi dao ljudima koji žele da se bave tvojim poslom - šta da uče, na šta da obraćaju pažnju?  Učite osnovne stvari – osnove verovatnoće i statistike, linearne algebre, mašinskog učenja i programiranja. Uporedno izaberite neki skup alata za obradu podataka (u skladu sa prethodnim iskustvom i sklonostima) i praktikujte ono što ste naučili. Obilje podataka je dostupno – pronađite za vas interesantan probem i radite na njemu. Povezujte se sa ljudima. Data science zajednica u Srbiji je prilično velika i mesto za vas sigurno postoji. Hvala, Nemanja za odvojeno vreme i objašnjenja!  

Još jedna godina se uskoro završava i u skladu sa tim, kao People tim TeleSigna, odlučili smo da na kratko zastanemo, osvrnemo se i rezimiramo zanimljivosti i uspehe na koje smo najponosniji u ovoj 2021. godini. Naravno, iskoristićemo priliku i da vam približimo TeleSign.

Sećam se kad sam prvi put čula za poziciju Business intelligence i koliko mi nije bilo jasno šta oni konkretno rade - pišu query-je ili zahteve, na koj način i kakve izveštaje prave itd. Sada radim sa nekolicinom, i možda malo bolje razumem njihov day to day posao, pa popričah sa Lejlom Sečić koja radi za kompaniju Ansio kao business intelligence/analyst na projektima kompanije Aptar.  Kako izgleda jedan tvoj radni dan?  Moj radni dan uveliko zavisi od toga u kojoj fazi se projekat, na kome trenutno radim, nalazi.   Ako govorimo o inicijalnoj fazi projekta, dan će biti ispunjen pozivima u kojima učestvuju project manageri, business analysti, data engineers i KPI owners. Cilj ovih razgovora je prikupljanje I dokumentovanje zahteva, definisanje tehničkih specifikacija, definisanje formula za potrebne KPIs, te pronalaženje najboljih rješenja za agregaciju podataka, koji često dolaze iz različitih izvora.   Kada projekat udje u fazu razvoja, ponekad ću dan provesti pišući procedure I upite, analizirajući podatke I strukture u tabelama, te aktivno sarađivati sa data engineers u procesu ETL, dok rezultati testiranja ne budu zadovoljavajući. Nakon toga moj radni dan ću verovatno provesti radeći unutar Power BI alata praveći izveštaje. Ovaj deo je najzanimljiviji, jer napori uloženi u svim prethodnim koracima, konačno počinju dobijati vizualnu prezentaciju.   Slede faze testiranja od strane klijenta, a zatim održavanje.   Kao što sam na početku pomenula, moj radni dan će se bitno razlikovati od faze do faze projekta, a ponekada u pauzama između projekata, ili simultano s projektima, može se desiti da rešavam neki problem na postojećem live projektu ili da pomažem korisnicima na njihovim internim izveštajima, sa nekim korisnim Power BI trikovima, DAX sintaksom I slično.  Koje su veštine potrebne da bi bila odličan business analyst?  Iskustvo sa BI alatima (Power BI, Tableau, Looker itd.), poznavanje dizajna baze podatka, ETL procesa, SQL, analiza podataka, razumevanje biznis analize, skolonost ka matematici, formulama, graficima, poznavanje statistike je takođe korisno, ali sve u svemu najbitnija je preciznost I tačnost, te sklonost ka uočavanju sitnih detalja  Alati koje koristiš u svakodnevnom radu su...  Power BI Desktop, Power BI Service, Power BI Report Builder, Cloudera, Snowflake, SAP HANA. Power BI Community , budući da se ovaj alat kontinuirano razvija i vrlo često se objavljuju nove verzije, bitno je biti informisan o njegovim najnovijim mogućnostima. Takođe, mogu se pronaći rešenja za svakodnevne problemčiće u vezi sa dobrim dizajnom izveštaja i korisnici su vrlo aktivni u pružanju saveta jedni drugima. Za sve drugo koristim Google.   Opiši nam svoju ulogu u timu.  Kreiranje i ažuriranje BI rješenja, pravljenje tehničkih upita, prevođenje podataka u biznis termine i formate , jednostavne i razumljive specifičnim odsecima, rad sa biznis analistima i inženjerima podataka na tačnosti podataka, dokumentovanje procesa za buduću upotrebu, sređivanje grešaka u modeliranju podataka, kao i komunikacija, komunikacija, komunikacija - kako sa menadžerima, Data scientistima, krajnjim korisnicima, programerima itd.  Omiljena stvar u poslu ti je...  Definitivno raznolikost zadataka koju radim. Kao Business Intelligence Developer, zavisno od kompaniji u kojoj radite, kao I o projektu na kojem radite, može se desiti da dobijete ceo projekat kojeg možete voditi kao project manadzer,  mozete se baviti programiranjem, nekom lakšom kategorijom rekla bih, koja vas neće raspametiti, zatim tu su I taskovi quality assurance-a, dizajniranja izveštaja, kontinuirane komunikacije sa klijentima I krajnjim korisnicima. Kad se umorite od interakcije s ljudima, mozete pobeći u svet brojeva, kada vas to umori, mozete klikati I osmišljati vizualnu prezentaciju. Sve u svemu jako dinamično I raznoliko.  A manje omiljeni deo posla? :)  Da rešavam bugove (kao i svi, pretpostavljam). Onaj momenat kada imate grešku u računu I nemate ni najmanju želju da idete sto koraka unazad I analizirate u kojoj fazi ekstrakcije podataka, sastavljanja tabela, view-ova, modeliranja, pisanja formula ili čak pogrešnog razumevanja zahteva se mogao desiti propust.  Šta je najveći izazov za tebe?  Preciznost. Kada kažem preciznost mislim da nije 92.46, nego 92.45  Iako ne projektujemo putanju rakete na mesec, ponekad su ovakvi detalji zaista bitni, jer nekome posao zavisi od decimalne preciznosti, koju ćemo mi prikazati na izveštaju. Menadžeri često vide samo crveno ili zeleno, tako da ako se neki naš target uslovno formatira crveno zbog neke male decimalne greškice, možemo napraviti totalnu pometnju u sistemu I uzrokovati problem našim kolegama koji ove podatke koriste za svakodnevnu korekciju svojih aktivnosti. Takođe navela bih da upravljanje velikom količinom podatka je sve veći izazov s kojim se susrećemo, budući da podaci ne prestaju da se gomilaju I ponekada ETL process može biti jako izazovan.  

Otkako postoje informacioni sistemi, postoje i sistem administratori i spadaju među traženija zanimanja, dok je DevOps inženjer od nedavno među traženijim pozicijama.