Podcast

Dobrý den, jmenuji se Šimon Porhajský a vítám vás u dalšího dílu podcastu Datatalk.
Dnešním hostem je Míša Čarnoká z Úřadu práce.
Dobrý den, zdravím posluchače podcastu a moc děkuji Šimonovi za dnešní pozvání.

Míšo, ty teď vedeš analytický tým na Úřadu práce. Řekla bys nám o něm víc?
Určitě, moc ráda. Aktuálně vedu oddělení analytiky a kontrolingu na generálním ředitelství Úřadu práce. V mém týmu je momentálně pět skvělých kolegů a náš tým, jak název napovídá, má široké rozložení a široké pole působnosti. Naše projekty jsou rozsáhlé a různorodé. Zvládáme analýzy, reporting, určitou část automatizace, máme tam i pilotní AI projekt, spolupracujeme napříč úřadem i s externími subjekty, když někdo požaduje data. Nedávno jsme například pomáhali zpracovat poslední tiskovou zprávu.

Úřad práce teď prochází obrovskou vlnou modernizace a zní to, jako že jste uprostřed tohoto procesu, je to tak?
Ano, na Úřadu práce právě probíhá rozsáhlá migrace dat z různých databázových systémů našich předchozích dodavatelů do datového skladu na Ministerstvu práce a sociálních věcí. Z těchto dat pak stavíme nový reporting, takže přesně tak, jak říkáš – jednou z našich hlavních rolí je pomáhat chápat byznysové zadání za těmi statistikami a daty a dávat jim nový směr a rozměr. Analityci pak v datovém skladu vytvářejí Power BI reporty, které nám zobrazují potřebné statistiky.

Ten datový sklad, jen pro úplnost – je to Databricks?
Ano, datový sklad je postavený na technologii Azure Databricks. Máme tam různé vrstvy a všichni mají přístup. Je to skvělé, protože si můžeme vybrat, jakou technologii či jazyk použijeme – někdo SQL, někdo Python. Je tam také možnost volání umělé inteligence, takže využití Databricksu je opravdu univerzální.

Pojďme na chvíli odskočit od Úřadu práce a povídejme si o tobě – jak ses k Úřadu práce dostala a jak ses vlastně dostala k analytice a datům? Ty jsi nevystudovala data na vysoké škole, že?
Ano, vystudovala jsem ruštinu pro mezikulturní komunikaci a politologii na Filozofické fakultě Univerzity Karlovy. Musím říct, že přestože tento obor zní vzdáleně od datového světa, mezikulturní komunikace není vlastně tak vzdálená datové analytice.

Řekni mi o tom víc.
Svým způsobem je práce překladatele nebo tlumočníka spojovat různé světy, tlumočit jazyk a přenášet význam slov. Datová analytika je v něčem podobná – dívám se do dat, nacházím v nich insighty a předávám je lidem v byznysu. Stále tedy působím jako jakýsi „převozník“ – dříve jako překladatel přenášela smysl sdělení, nyní pomáhám přinášet smysl v datech.

A vy jste se předtím bavili o tom, že vnímáš data jako samostatný jazyk?
Ano, vnímám je jako jeden z dalších jazyků, kterým... [pokračování rozhovoru]

Zde je opravený text:

On mluví svým vlastním způsobem, také tam hledám vlastní významy, hledám tam různé dialekty, protože samozřejmě pro někoho může být pojem nezaměstnaný definován jinak než pro někoho dalšího. Takže i svým způsobem je v tomhle důležité se vyznat a překládat jednotlivé názvy tak, aby vždycky dobře souvisely. Jsem na tobě chtěla zeptat — pracuješ jenom s nářečím v rámci úřadu práce, řekněme? Vnímáš v širší komunitě nějaká různá nářečí?

Tak vždycky tam můžou být různá nářečí, protože samozřejmě ta data si můžeme předávat různými způsoby, můžeme si je předávat v různých strukturách, takže ten datový jazyk není úplně univerzální. Ale myslím si, že není těžké se v něm zorientovat a najít nějaké vzájemné propojení. A samozřejmě v dnešní době umělé inteligence nám pomáhá různě stírat ty rozdíly a propojovat nás dál.

Jak tě napadlo, že se chceš dostat k datům?

Tak svým způsobem ta data jsou všude kolem nás, datům se člověk nevyhne. Nicméně tím, jak to je jiný jazyk, tak já právě…

A protože jsem byla doma s dětmi na mateřské dovolené, a hodně často jsem s manželem, který je programátor, probírala, co se mu v práci povedlo a nepovedlo, tak jsem zjistila, že mu svým způsobem nerozumím. Tak jsem si říkala, že by nebylo vůbec špatné využít ten čas k tomu, podívat se trošku pod pokličku různým jazykům, a tak jsem se vlastně dostala i k datům, protože jsem si našla Čekitas, vyzkoušela si různé úvodní lekce, právě třeba programování v Pythonu, testování, ale také i datovou analytiku, která mě zaujala. Byla hrozně komplexní, strašně mě bavilo hledat insajty v datech, a pak mě také bavila vizualizace — to předávání dat jako takových.

Takže vlastně je to do jisté míry tradiční příběh: dva lidé z různých světů, z různých jazyků, naleznou společnou řeč.

Je to tak.

Takže ty jsi se přidala do Digitální akademie data, je to tak?

Je to tak, přesně tak. Absolvovala jsem Digitální akademii data od Čekitas a musím říct, že to byla opravdu velká a náročná jízda, kdy během 16 týdnů člověk, který má minimální nebo jen omezené zkušenosti (protože se tam mohou samozřejmě přihlásit i uchazečky s nějakým menším vstupem), zvládne se naučit strašně moc – SQL, Power BI (KAPITEN je pravděpodobně překlep), vizualizací… A po těch 16 týdnech stojí před plným sálem, mluví do mikrofonu a představuje svůj projekt.

Co to pro tebe znamenalo věnovat se 16 týdnům jen vzdělávání?

Byla to obrovská změna, protože, jak jsem samozřejmě říkala, byla jsem doma s dětmi, takže bohužel to nebylo jen o vzdělávání. Museli jsme zakomponovat tu výuku i do rodinného života, a tady je potřeba říct, že mám obrovský respekt a poděkování manželovi, který to všechno zvládl, protože předtím jsem byla full time doma, a najednou jsem každý den, případně i celou sobotu, absolvovala poměrně náročnou výuku a věnovala se projektu. Takže to byla celkem náročná jízda, abych se přiznala.

Jak dlouho trvalo, než jsi po Čekitas našla první práci?

Musím říct, že to trvalo zhruba dva měsíce...

Pokud si přejete, mohu pokračovat či doplnit věty, které nejsou úplné.

Opravený text:

Měsíce, kdy v podstatě čekataz končily v červnu, člověk rozeslal nějaké životopisy a absolvovala jsem zhruba tři různé pohovory, a pak jsem přijala první nabídku, kterou jsem dostala. Nicméně to nebylo tak jednoduché, protože svým způsobem ta první nabídka člověka definuje v tom pracovním světě do budoucna. Dá se říct, že po té akademii je ten člověk, ta účastnice, svým docela nepopsaným listem, ale ta první práce závisí na tom, v jakém oboru je a na jakých technologiích potom pracuje, takže už to potom implikuje nějakou další cestu do budoucna.

A co jsi tady vybrala? Přijala jsem nabídku na roli analytika v Monete, čili jsem šla do bankovnictví, a svým způsobem to bylo hodně zajímavé, protože tam byl odlišný stack, než na který jsem byla zvyklá pracovat v té akademii.

Řekni mi to takhle. V Monete jsem pracovala v PLIS-klad developerů pro základní SQL dotazy, vizualizace jsem prováděla v SAS Visual Analytics, případně v Power BI, když šlo o manažerské dashboardy, a také jsem tam mohla mít k dispozici Visual Studio Code pro Python.

Jak velký skok to pro tebe bylo? Vlastně jsi měl teď těch 16 týdnů zkušeností a najednou jsi přešla do úplně nových technologií, nestalo se, že by to byl velký problém?

Svým způsobem po té akademii je člověk tak nabustovaný učením, že vlastně není problém skočit do jiné technologie. Samozřejmě, že rozdíl byl, protože to SQL mělo trošku jinou flavor, než jsem byla zvyklá ze Snowflake, SAS Visual Analytics se samozřejmě používá úplně jinak, než jsem byla zvyklá z Tablea, ale jak říkám, neměla jsem problém se během pár týdnů zorientovat a naučit se pracovat s jinou technologií.

Ale co mě překvapilo, což jsem se musela hodně naučit, byl paradoxně Excel, se kterým jsem předtím neměla tolik zkušeností, a zjistila jsem, že skutečně všude.

Já tohle říkám částečně jenom pro nějaké rekrutéry, co by nás mohli poslouchat, že stack, se kterým se člověk vzdělával, ho nutně nedefinuje, a je dobré otevřít svá srdce a svou mysl.

Ty jsi nicméně tedy nenechala bankovnictvím definovat svůj další směr, že?

Je to tak. Přestože jsem strávila v Monete zhruba nějaký rok, tak jsem potom rozhodla změnit svůj směr, otočila jsem kormidlem a vrhla jsem se teda dostátní zprávy na úřad práce.

Pověz mi, co tě na to mákalo.

Obrovsky mě na to lákal ten stack, vlastně ta moderní technologie, o které jsme se bavili na začátku.

V Databricks máme tam Power BI, opět mám možnost mít k ruce Visual Studio Code s Pythonem, ale hlavně mě tam obrovsky lákala data, protože úřad práce disponuje obrovským množstvím zajímavých, extrémně zajímavých dat, a při tom zpracování člověk uvažuje nad tím, že ta data pak i někomu reálně opravdu pomáhají.

Já se přiznám, že vlastně pořádně nevím, a za to se samozřejmě stydím, co všechno úřad práce pro nás dělá.

Chybu, že má něco společného se zaměstnaností, chybu že má něco společného s dávkami a s rekvalifikací, co všechno tam je?

Je to tak, je tam obrovská, široká škála věcí, ve kterých úřad práce může pomáhat. Jak jsi zmínil...

Opravený text:

Pokud třeba přijdeš o práci, můžeš se samozřejmě přihlásit do naší evidence. Můžeme ti poskytnout poradenství a podporu, případně také různé další dávky. Naopak ti můžeme pomoci ukázat další směr ve tvé kariéře, kdy si můžeš zkusit nějaké rekvalifikace nebo další digitální vzdělávací kurzy, třeba v případě, že bys měl pocit, že tvůj digitální skill není tak zvládnutý.

Dobře. A co se týče dat? Co se dat týče, máme obrovskou sadu dat o nezaměstnanosti a různých dávkách. Disponujeme dlouhými historickými časovými řadami různých ukazatelů, jako je například podíl nezaměstnaných osob. Můžeme se podívat i na časové řady do historie, které se týkají jednotlivých okresů nebo dokonce obcí. To je teď zajímavé v souvislosti s migrací. Tyto řady jsme dříve drželi často v různých excelsech nebo CSV na webu, zatímco teď, když je migrujeme do jednoho datového skladu, mohou kolegové v datovém skladu přímo pracovat s otevřenými daty, která opět zveřejňujeme. Zveřejňujeme širší rozsah těchto dat, jak v JSON, tak v CSV, a je možné jít i do mnohem většího a širšího detailu. Kdyby někoho toto zajímalo, může se na to podívat.

Bylo by tedy správné říct, že jste datovým vstupem pro Český statistický úřad?
V určitých otázkách týkajících se nezaměstnanosti určitě ano. S ČSÚ spolupracujeme – například oni nám předávají data týkající se počtu obyvatel.

Co dělá úřad práce samotný a co dělá tvůj tým?
Můj tým je, jak jsem řekla na začátku, široce rozkročený, takže podporujeme datově veškeré otázky, které vznikají uvnitř úřadu, ale i vně. Odpovídáme na různé otázky, které přicházejí třeba ze strany Poslanecké sněmovny nebo jiných externích subjektů, jako je třeba Evropská komise. Co se týče vnitřní spolupráce, chodí za námi různí kolegové, kteří potřebují hledat nějaké insighty týkající se například nezaměstnanosti nebo různých dávek.

Takže interní i externí komunikace využívá data, kterých úřad práce, jak jsme si řekli, má opravdu hodně?
Ano, ale některá data už máme zmigrovaná do datového skladu, takže k nim máme jednodušší přístup. V podstatě jsou tam i data s D-1 aktualizací, což je naprosto perfektní. Šíře těch migrovaných dat se neustále rozšiřuje a proudí tam další a další oblasti. Zároveň ale pořád máme k dispozici i data, která v datovém skladu zatím nemáme, takže se snažíme různými způsoby data propojit a vytvářet statistiky.

Můžeš dát příklad?
Určitě ráda. Tato data nám slouží například k různému cross-checkingu, když chceme ověřit, zda data v datovém skladu opravdu odpovídají zdrojům, která si držíme bokem.

Jste jediný datový tým, nebo si práci předáváte mezi více týmy?
Datový tým, co se týče čisté analytiky, tak urč... (text zde končí, nelze doplnit).

Tady je opravený text s úpravami pro lepší plynulost, stylistiku a správnost:

Itě ne, protože v rámci různých oddělení na úřadu práce samozřejmě fungují také analytici, případně zpracovatelé těch předchozích statistik. Takže samozřejmě komunikujeme s dalšími kolegy v rámci úřadu a pomáháme si navzájem. Ty jsi zmiňovala nějakou tu automatizaci, se kterou pomáháte. Můžeš o tom říct víc?

Ano, je to tak, protože používáme možnosti Power Forms, případně Power Automate. Kolegyně například vytvořila automatizovaný schvalovací proces přístupu právě do Databricks, kde spouštěčem je vyplněný formulář s konkrétními požadavky.

V těchto oblastech nám to krásně spouští schvalovací proces, vždyť se to hezky ukáže v Teams. Automatizovat se tam samozřejmě dá celá řada procesů, takže to rozhodně není jediný příklad. Nicméně to není jediné využití AI, které teď plánujete, chápu to správně?

Co se týče umělé inteligence, když jsem tam nastoupila, pilotovala jsem jeden z prvních projektů, kdy jsme pomáhali skupině schvalovatelů kategorizovat kurzy, které se schvalují do procesu nabízených kurzů v rámci digitálních možností. Umělá inteligence je velké téma, není to samozřejmě jenom na našem oddělení, protože máme také voicebota na call centru a podobně, ale to už je záležitost dalšího oddělení.

Jak dlouho už toto funguje?

Schvalování kurzů budujeme od podzimu, kdy jsem nastoupila, a projekt úspěšně pokračuje a běží dál.

Jakou roli podle tebe sehrála datová migrace a nový datový sklad?

Díky zmigrovaným datům jsme mohli postavit jádro projektu, protože čerpáme data z datového skladu, hlavně k těm kurzům, které je potřeba kategorizovat a na kterých samotná kategorizace vznikla. Goldová vrstva v Databricks hrála klíčovou roli, protože bez takto vyčištěných dat by to nedávalo smysl.

A co bys řekla, že je hlavním problémem při zavádění takovýchto inovativních projektů na úřadu práce?

Neřekla bych, že je to problém, spíše součástí nebo příležitostí. Příležitostí i součástí nejen umělé inteligence, ale obecné transformace, je jednoznačně change management, tedy řízení změny. Je naprosto logické, že lidé mají strach ze změn – znám to i ze svého života. Každá změna je pro mě těžká a špatně se mi přijímá, takže právě change management je nesmírně důležitý.

Pojďme se bavit konkrétně o change managementu, jak zahrnuje komunikaci, změnu procedur a co dalšího si mám před tím představit, protože je to poměrně nový pojem, který často používají konzultanti, a člověk neví, zda mu věřit. Co to pro tebe znamená?

Change management pro mě jednoznačně znamená komunikaci, komunikaci a komunikaci, protože v prostředí, do kterého se člověk dostane, ať už je to transformační proces nebo zavádění AI projektu, je důležité vnímat, jak na to lidé reagují a...

Pokud chcete, mohu opravit i další část nebo celý rozhovor.

Zde je opravený text s úpravami pro lepší srozumitelnost a gramatickou správnost:

Prostředí těch lidí, kterých se to primárně týká, protože změnu nemusí vždycky vnímat pozitivně. Mají logický strach, znám to i ze sebe, protože sama se také těch změn bojím. Dnes kolem umělé inteligence člověk často slyší, že může vzít lidem práci, takže naprosto chápu, že ten strach tam může být. Z toho důvodu říkám: komunikace, komunikace, komunikace – to je naprosto zásadní. Je potřeba vysvětlovat lidem, co pro ně ten projekt může znamenat, v čem jim může pomoci, a zároveň komunikovat také s vedením, které tuto informaci předává kolegům.

V tomto ohledu to bylo na úřadu naprosto skvělé, protože tam panuje pozitivní nálada a chuť přijímat AI projekty a transformaci jako takovou. Bylo to moc fajn. Musím ale říct, že jsme si během změny prošli i obdobím, kdy jsme nahrávali první část AI projektu. Samozřejmě se objevily chyby, a tak byla práce zdlouhavá, mohlo to zdržovat a možná i způsobovat frustraci, že to stejně nebude fungovat. Ale znovu opakuji – díky komunikaci jsme si dávali hodně aktualizací, kde jsme si vysvětlovali postupy. Postupně jsme proces vyčistili a teď už vše funguje skvěle, urychlilo to práci a získalo to opravdu pozitivní ohlasy.

Bylo by tedy trvale užitečné říct, že change management je něco jako interní PR pro nové postupy? Svým způsobem ano, protože v rámci komunikace je potřeba neustále hovořit o tom, co to může přinést dobrého. Díky za všechny, kteří nebyli jistí, co change management je.

Pojďme se tedy pobavit o AI obecně, protože tento AI projekt nebyl jediným využitím umělé inteligence v rámci úřadu. Jak bys řekla, že se změnila role analytika a datových specialistů vzhledem k tomu, jakým vývojem prošla umělá inteligence v posledních dvou letech?

No, máš pravdu, že umělou inteligenci používá každý den skoro každý ve své práci, nebo alespoň já s ní často pracuji – jak v rámci projektu, tak mimo něj. Pomáhá psát kódy, při brainstormingu, úpravě textů, takže ten posun je opravdu výrazný. Když jsem začínala v akademii, vlastně jsem teprve začínala, hrála jsem si s AI, poznávala ji, ale poctivě jsem se také učila SQL a Python, protože jsem si nebyla jistá, zda budu v práci umělou inteligenci používat. Ale doba utíká velmi rychle, možná rychleji, než bychom si přáli, a realita ukazuje, že datový analytik se musí posunout od juniorní technické role tam, kam AI ještě nedosáhne – tedy k tomu tzv. „human touch“, tedy tomu, co AI úplně nezvládne. V mém případě to byla komunikace.

Takže ty vidíš hlavně ten přesun ke komunikaci a lidským schopnostem, přestože GPT 4.5 je ve...

Pokud budete chtít, mohu pokračovat v úpravě i dalších částí textu.

Jistě, tady je opravený text:

Jsem dobrá v empatické komunikaci. Jak vidíš budoucnost datových analytiků, ale obzvlášť juniorních datových analytiků? Z mého pohledu budou juniorní datoví analytici pořád potřeba, protože je to takové klišé, ale jak se říká, že bez juniorů nejsou senioři, tak za mě to určitě v době umělé inteligence platí dvojnásob. Umělá inteligence samozřejmě není všemocná, dělá chyby, nemusí vždycky rozumět všem nuancím v té firmě, takže je určitě potřeba ji nějakým způsobem hlídat a komunikovat s ní. Nebála bych se, že by datoví analytici zmizeli úplně. Samozřejmě jich nebude potřeba tolik, nebo se přesune jejich pole působnosti někam dál, ale úplně nezmizí.

Jasně, jedním z posunů v posledních desetiletích je něco, čemu se říká analytics engineer, který zároveň pracuje s budováním věcí nad datovým skladem a zároveň dělá analytiku. Lidé z DBT často říkají, že se jedná o „fialového člověka“, což je kříž mezi „červeným člověkem“ z byznysu a „modrým člověkem“ z technologie. Vidíš, že by se gesce datového analytika rozšiřovala a že by se od vás čekalo, že budete zvládat víc technologií navíc ke komunikaci?

Myslím si, že ano. Já to jako junior vnímám tak, že když je tu podpora chatu, té umělé inteligence, tak je všeobecně bráno, že není takový problém vstoupit do nějaké nové technologie. Dneska to jde podpořit právě s pomocí chatu, který pomůže se základy, se syntaktickými pravidly nebo vysvětlí základy nového programu. Určitě vnímám, že datový analytik nemusí být profilovaný jen na jeden technologický stack, ale bude se muset učit a adaptovat na další technologie.

Když jsi mluvila o svých začátcích s ChatGPT, zmínila jsi, že jsi nevěřila úplně výstupům. Přijde mi, že to je jeden z hlavních rozdílů mezi lidskými a automatickými schopnostmi – lidem věříme, protože s nimi máme vztah a důvěru. Jak k důvěře přistupuješ ty?

Důvěra je pro mě jednoznačně zásadní. Důvěru, kterou jsem získala doma i v rámci Čeky TAS, prostřednictvím mentoringu, výuky a práce, vnímám jako něco, co pomáhá člověku růst a posouvat jeho vlastní hranice. Ne vždy člověk věří sám sobě, ale když má kolem sebe lidi, kteří mu vytvoří takový prostor a podepřou ho, může lépe vystoupit z komfortní zóny a dál se rozvíjet. Díky sebe­důvěře je možné dále se učit a rozšiřovat své pole působnosti. Je to jeden ze základních elementů, protože bez důvěry nepřekonáme sami sebe, často nepřekonáme hranici strachu – strachu z neznámého, strachu vykročit, skákat do nového. Často ze své komfortní zóny opravdu skáču a---

Pokud bys chtěl/a, můžu pokračovat s dopracováním textu, dej vědět.

Opravený text:

Po hlavě, takže to, že mám okolo sebe okruh lidí, kteří mi vlastně pomáhají, ta jejich důvěra ve mně a možnost vybudovat si vlastní sebevědomí, je pro mě obrovská.

Skávec: Co se takhle s tou sebevědomím teď plánuješ učit? Nebo co ses v poslední době naučila?

Naučila jsem se toho hodně díky styku, který máme na účku, a to je práce s Databricksem, protože je to pro mě naprosto skvělá platforma, kde máme různé úrovně dat, že jo? Máme tam prostě bronze, silver, gold, kde jsou krásně postavené datamartly od analytiků. Takže učení probíhá právě v této oblasti, ale nejen to, protože je stále potřeba se rozvíjet i v rámci komunikace. Přeci jenom teď hodně komunikuju v rámci úřadu i mimo něj s kolegy, takže co se týče osobního rozvoje, tak jdu tímto směrem.

Technologicky mě teď hodně posouvá právě komunikace s datovým skladem, kdy jsme třeba dnes řešili upload na Open Data, která tam přichází každý měsíc. Tam také došlo k vývoji, protože požadavek našeho tiskového oddělení byl, abychom sladili čas vydání tiskové zprávy s uploadem právě těch Open Dat. V rámci Data Warehouse tam přešly u Power BI z funkce Publish to Web na Embedded reporty, což jim umožnilo sladit čas vydávání.

Ty Embedded reporty jsou embedded kde? Je to nějaká vlastnost Databricksu?

Jsou to v podstatě Power BI reporty, které se takto uploadnou a co Power BI Publish to Web předtím nemělo, je obrovská výhoda i pro uživatele, kteří si nechtějí stahovat velká CSV nebo JSON data, ale chtějí si v tom vizuálu, v grafech a filtrech, naklikat, co potřebují, a krásně si to rovnou z Power BI exportovat. To je velká výhoda.

Paráda. A ten upload Open Data každý měsíc, je to frekvence, s jakou chodí data do skladu?

Ne, samozřejmě do skladu chodí data častěji, protože tam jsou aktualizovaná každý den. Kafka do půlnoci sbírá data z různých konektorů a pak po půlnoci spouští nápočty nad nimi. Když jdeme na úřadu do Databricks pro data, tak tam jsou samozřejmě zpřístupněná data den zpět, což je skvělé pro aktuální stav. Do budoucna Kafka nabízí obrovskou možnost rozvoje co do rychlosti a přístupu.

To je super. A s tou Kafkou nějak musíš interagovat, nebo to je jen to, co přináší data, a ty jen na data koukáš?

Já osobně s Kafkou neinteraguji. Data si beru čistě z datového skladu v Databricks, kde primárně pracuji s analytikou. Výměna informací a spolupráce mezi námi funguje opravdu skvěle, takže jsme moc rádi, že můžeme společně takto spolupracovat na dalším rozvoji.

To je parádní, že to máte takhle nastavené. Myslím, že nejeden analytik mezi našimi posluchači teď zaplesal a přál si být v tvých šlépějích.

Zorganizovaný Data Warehouse, se kterým se dá takhle dobře pracovat. Co plánuješ naučit do budoucna? Já pořád lavíruji mezi pocitem, že mi stále chybí širší technický background. Trochu koketuji s prohloubením znalostí v Pythonu, protože v Databricksech je samozřejmě modul na Machine Learning, takže občas pokukuji po nějakém Data Science Foundations a podobně. Nicméně toho času, abych se přiznala, je extrémně málo, a tak se člověk vlastně pořád učí za pochodu. Do budoucna je to tedy otázka, co se stane zítra, co mě čeká pozítří a co se budu muset zase naučit. Nicméně co mě tady obrovsky těší, baví a mám z toho velkou radost je, že se můžu dál angažovat v rámci Čekytas a spíš pomáhat někomu dalšímu, ať už v roli kouče, nebo právě mentora, kde mi to pomáhá udržovat i ty dovednosti, které jsem získala v rámci Akademie a aktuálně je nepoužívám přímo v práci. Nejsem tak, že bych se to učila do budoucna, ale jsem moc ráda, že si můžu znovu procvičovat Snowflake, případně Tableau, protože to už jsem si opravdu dlouho neosahala a velice mě to mrzí.

Ty zároveň jsi teď součástí koučování pro kurz Manažerka E.E. Transformace, což je poslední dobou nejpopulárnější kurz Čekytas, jestli to dobře chápu? První pilotní běh probíhal na podzim, skončil letos na jaře a teď se chystá druhý běh, takže...

Aktuálně teda samozřejmě neběží, ale byla to pro mě opravdu velmi zajímavá zkušenost, protože jsem se tam setkala se širokou škálou jak lektorů, tak dalších koučů i studentů, kteří nastupovali s různými očekáváními. Na konci, když prezentovali svoje projekty, jsem se opravdu naučila i já něco nového. A když jsme mluvili o change managementu, tak mi napadá, že ty jsi tak trochu manažerka AI transformace, i když tomu tak neříkáme, ne? Já bych řekla, že mám spoustu rolí, protože tam, kde jsem, je potřeba dělat opravdu hodně věcí, lavírovat mezi různými obory a úkoly. Ano, jednou z rolí, kterou jsem si mohla vyzkoušet, byla právě trošku ta AI transformace.

Zároveň také mentoruješ pro Digitální akademii data. Jaký je to pocit být na druhé straně? Je to tak, vlastně letos už mentoruji podruhé a je to pro mě obrovsky cená a obohacující zkušenost, kdy mohu podporovat nové datové analytičky při vstupu do datového světa, pomáhat jim s jejich projektem. Moc mě to baví, protože témata jsou různorodá, pracuje se tam s různými postupy a vždycky se podíváme do úplně jiných oblastí, o kterých jsem třeba ani netušila, že je možné se do nich podívat.

Co tě v poslední době takhle překvapilo? Z těchto oblastí nebo obecně? Hrozně zajímavá jsou témata, se kterými holky vstupují právě na akci Meet Your Mentor, kde probíhá takzvaný speed dating, během kterého během jednoho večera proběhne 17 dvojic účastnic a dalších 17 mentorskych týmů. Tam člověk během pěti minut získá informace o tématech, která si holky zv...

Opravený text:

Olili pro svůj projekt a je to opravdu obrovská škála od různých sociálních témat přes dopravní data, někdo tam má dokonce data z Marsu, takže opravdu je tam různá oblast, kde se dá člověk vždycky učit.

Snažíš se je ponouknout, aby pracovali i s těmi open daty z Úřadu práce?

Samozřejmě jsme to zkoušeli, protože open data jsou velmi široká a dá se tam najít spousta insightů, nicméně není to vždy povinnost. Častokrát převáží zájem těch účastníků jako takový, anebo touha vyzkoušet si nějakou technologii, nějakou knihovnu v Pythonu například.

Dobře, pojďme teď úplně změnit téma a zkusit takovou novinku, kterou jsem okoukal v zahraničí. Pojďme si udělat bleskové kolo. Vždycky řeknu dva koncepty a požádám tě, abys vybrala právě jeden z nich a možná, pokud chceš, dovysvětlila proč. Připravená?

Ano.

Dobře, Tableau nebo Power BI?

Tableau, jednoznačně Tableau srdcem, ale nejčastěji teď pracuji s Power BI, takže když si vybírám technologii pro rychlé zpracování, tak je to teda Power BI.

Mac nebo Windows?

Windows, protože s tím pracuji celou dobu, takže by to pro mě byla opravdu změna, kterou bych se musela projít.

Open AI nebo Anthropic?

Open AI, protože opět s tím pracuji celou dobu.

A nejvíc spicy AI nebo BI?

AI, BI.

Dobře, díky za účast v tomto prvním kole bleskových otázek.

Co bys vzkázala našim posluchačům na závěr?

Aby se určitě nebáli. Pokud si myslí, že například svět dat není pro ně, tak aby se určitě zvedli, šli, skočili, rozběhli se a udělali ten první krok. I kdyby to nedopadlo, tak ať se zase zvednou a jdou do toho znovu, klidně podruhé, potřetí, protože důležitá je chuť se učit, důležitá je chuť dostávat se dál. Nebojte se, běžte do toho a určitě to dopadne.

Díky moc, dnešní hostkou byla Míša Čarnoká, Míšo, díky.

Taky moc děkuju.

Děkujeme, že jste doposlouchali až sem. A díky taky našim partnerům, členům Data Talk klubu, kterými jsou:

Impex, Saska, Bistreet, Colors of Data, Revolt BI, Good Data, Kebula, Emark, Carl Data Company, Datamind, Notino a Flo.

A pokud chcete zůstat v obraze, co se české datové scény a globálních datových technologií týče, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz.

Nechť vás provází data.

finanziaria.