Duomenų analitika šiandien yra tikrai ryški profesinė sritis: šios srities darbuotojų paklausa itin iškilo, nes daugybė verslo plėtros galimybių ar technologinių inovacijų yra glaudžiai susijusios su duomenimis pagrįstais sprendimais. Nors iš pirmo žvilgsnio gali pasirodyti, kad duomenų analitika yra tik dar vienas madingas žodis, visgi tai šiek tiek daugiau. Kadangi bankininkystė ir finansai yra viena pagrindinių išmaniosios analitikos sričių, pakalbinome Živilę Vajegaitę, duomenų analitikę bei „Danske Bank“ Verslo analitikos komandos vadovę. Daugelį metų dirbdama šioje srityje ir stebėjusi jos sparčią plėtrą, Živilė turi kuo pasidalinti!

Savo karjerą pradėjai kaip programuotoja-stažuotoja vienoje didžiausių farmacinių kompanijų pasaulyje. Kodėl nusprendei pasukti į bankininkystės ir finansų sritį?
Sprendimas pereiti nuo farmacijos prie finansų buvo susijęs su mano gyvenamosios vietos pasikeitimu: iš Jungtinės Karalystės grįžau į Lietuvą ir ėmiau ieškoti darbo, susijusio su matematiniu modeliavimu. Tinkamiausias pozicijas tuo metu siūlė kelios tarptautinės bankininkystės ir finansų srities kompanijos. Taip atsidūriau „Danske Bank“. Praėjo beveik 6 metai, o šis darbas vis dar mane motyvuoja kasdien!

Niekada nesigailėjau, kad perėjau į finansų sektorių. Džiaugiuosi, kad tam tikra prasme, abu verslo sektoriai, kuriuose dirbau, tikrai padeda žmonėms. Farmacijos įmonės padeda žmonėms išlikti sveikiems, o bankai – būti finansiškai stabiliais ir įgyvendinti savo svajones bei tikslus.

O kodėl pasirinkai duomenų analitiką? Kas patraukė šioje srityje?
Bakalauro studijoms pasirinkau taikomąją matematiką vien todėl, kad matematika puikiai sekėsi mokykloje. Universitete mane patraukė duomenų modeliavimas: užuot pati atlikusi visus sudėtingus skaičiavimus, tu užprogramuoji kompiuterį, kad skaičiavimus atliktų už tave. Be to, kompiuteris suskaičiuoja milijonus duomenų taškų per kelias sekundes. Tai man pasirodė visiškai neįtikėtina!

Man įdomiausia duomenų analitikos dalis yra hipotezių testavimas. Kaip žmogus, galvoje gebantis kaupti labai ribotą duomenų kiekį, rizikuoju padaryti visiškai priešingas tikrovei išvadas. Duomenų analizė leidžia man nagrinėti tiek duomenų, kiek tik reikia, kad galėčiau padaryti realybę atspindinčias ir tikslias išvadas.
Geras pavyzdys būtų spėliojimas, kiek žmonių turi automobilį: studentas veikiausiai spėtų daug mažesnį procentą, negu vidutinio amžiaus dirbantis žmogus. Duomenų analizė sumažina šališkumo riziką ir padeda susidaryti tikrovišką vaizdą.

Duomenų analitika „Danske bank“ užsiimi jau kurį laiką. Kokie, tavo nuomone, esminiai pokyčiai šioje srityje įvyko per pastaruosius kelis metus?
Prieš kurį laiką didžioji dalis strateginių verslo sprendimų buvo priimami remiantis žmonių pastebėjimais bei diskusijomis su įvairių sričių ekspertais. Šiandien didžioji dalis strateginių sprendimų yra priimami remiantis išimtinai duomenimis.
Kitaip tariant, nebeliko vietos galimai šališkiems spėliojimams. Kai išsivystoma nauja verslo idėja, ji turi būti įvertinta duomenų analizės pagalba dar prieš ją paverčiant strateginiu tikslu.

FinTech startuoliai šiandien gan stipriai konkuruoja su tradicinė bankininkyste. Kaip duomenų analizė gali padėti tradicinei bankininkystei?
Mano nuomone, FinTech startuoliai ir tradiciniai bankai daugiausia konkuruoja dėl specifinių ir mažų mažmeninių produktų, tokių kaip kreditinės kortelės. Tačiau skolinimosi produktai ir paslaugos, tokios kaip būsto paskolos, suteikia didžiulį pranašumą tradiciniams bankams dėl kapitalo reguliavimo reikalavimų ir vidinės rizika pagrįstos sistemos.

Tiek bankai tiek FinTech startuoliai duomenų analizę naudoja tokiems patiems tikslams. Tai padeda kurti individualius ir greitesnius sprendimus savo klientams. Kitaip tariant, protingas duomenų naudojimas tampa būtina dalimi suprantant įmonės klientų bazę, nustatant skausmo taškus ir įvertinant reakcijas į įgyvendintus pokyčius.

Dirbi viename didžiausių Šiaurės šalių bankų – kaip čia atrodo duomenų analitikės darbas?
Turbūt paminėjus duomenų analitiką, žmonių vaizduotėje iškyla „tipinis“ keistuolis matematikas, ištisą dieną tūnantis prie kompiuterio. Tačiau iš tiesų yra visai kitaip: geras duomenų analitikas turi suprasti verslo specifiką, turėti gerus suinteresuotųjų šalių (angl. stakeholder) valdymo įgūdžius ir netgi tam tikrus IT įgūdžius.

Todėl galėčiau sakyčiau, kad įprasta duomenų analitikės(-o) darbo diena būtų kelių dalykų – suinteresuotųjų šalių valdymo, duomenų inžinerijos, faktinės analizės bei automatizuotų analitikos sprendimų priežiūros – derinys. Įvairovės čia tikrai yra netrūksta!

Pastebėjau, kad kai kurie duomenų analitikai turėjo visai kitokį išsilavinimą ar darbinę patirtį (pvz., baigė menus ar humanitarinius mokslus). Ko reikia, kad pasisektų duomenų analitikos srityje?
Nepriklausomai nuo studijų srities ar darbinės patirties, jaunesnieji duomenų analitikai turi turėti įvairių įgūdžių. Žinoma, IT ar techniniai įgūdžiai yra nemažas privalumas, tačiau didžiausia vertė yra specifinės verslo srities ar veiklos žinios. 

Kalbant apie persikvalifikavimą į duomenų analitikos specialybę, paprasčiausia yra išklausyti trumpus kursus gyvai ar internetu – ryškią pažangą galima pasiekti vos per kelis mėnesius. Tačiau dauguma šių kursų daugiausia dėmesio skiria įrankių naudojimui ir how-to (liet. kaip atlikti) paaiškinimams, praleisdami tokią esminę temą kaip statistikos pagrindai.

Siekiančiam jaunesniojo duomenų analitiko(-ės) pozicijos neturint jokių tiksliųjų mokslų pagrindų, siūlyčiau iš pradžių paanalizuoti matematikos ir statistikos pagrindus. Patikėkite manimi, tai labai padeda norint pateikti patikimas ir duomenimis grįstas įžvalgas!