Podcast

Dobrý den, moje jméno je Jirka Vicherek.
Dobrý den všem, moje jméno je Hinek Wollner.
A vítáme vás u dalšího dílu DataTalku.

Dneska jsme si do studia pozvali Michala Amblera, který je Head of Advanced Analytics ve společnosti EY.
Ahoj Michale, vítáme tě.
Čau, jsem moc rád, že jsem tady.

Michale, ty teď vedeš Advanced Analytics tým, který se zabývá hlavně Data Science v EY. V EY jsi už delší dobu, můžeš nám popsat, jaká byla tvoje cesta do této role?

Dnes budeme spolu mluvit právě o tom, jak stavět a vést Data Science tým, jak si ho udržet spokojený a efektivní. Jak jsi uvažoval, jak tvoje kariéra dospěla do tohoto bodu, že v EY, velmi známé, velké a prestižní konzultační firmě, jsi dosáhl takové pozice?

V EY jsem už skoro sedm let, což je něco, co bych si jako nastupující ani nepředstavoval. Já jsem byl takový, řekl bych, trochu zabedněný vysokoškolák, který úplně nevěděl, kam se má vrtnout. Vždycky jsem byl kvantitativněji založený, ale trochu línější, takže jsem v rámci svého kvantitativně zaměřeného oboru začal během vysoké školy chápat, že mě baví trochu jiný směr.

Pak jsem nastoupil do EY s tím, že budu mít široké možnosti, což se vlastně potvrdilo. Prošel jsem více týmy, než jsem se dostal do Advanced Analytics týmu, který tehdy vznikal relativně brzy po založení. Ta cesta tam v době mého nástupu nebyla. Nastoupil jsem do role konzultantsko-analytika, méně data science, víc softové záležitosti, a postupně jsem si sám doplňoval hard skills, sám jsem hledal, co vlastně dáváme softwaru v prostředí práce s daty. Jak se profilovala firma, to se měnilo víceméně každým rokem. Přicházely změny – někdo odešel, někdo přišel, někteří říkali, že to dělat nemáme, jiní, že ano, pak se to stabilizovalo a já jsem rostl v Advanced Analytics týmu od seniorního data scientista až po manažera.

Když bys mohl uvést příklad těch prací, úloh a problémů, které jsi řešil před šesti lety, a jak se to změnilo s Advanced Analytics a větší data science?

Nastoupil jsem s cílem dělat analytiku pro společnosti zaměřené na spotřební produkty, možná retail – komerční analýzy typu cenotvorby, produktové analýzy, vztahy mezi retailem a spotřebními produkty, modelace marží a jiné silně komerční záležitosti. Ukázalo se, že trh na to nebyl úplně připravený, tito klienti nechtěli příliš brát takové věci od konzultantů, kteří se zároveň hrabou v datech.

Postupně, jak jsem se pohyboval směrem do Advanced Analytics, se moje průmyslová expertíza rozšířila, až jsem se zaměřoval na zákaznické analýzy, klasické černé analýzy, akviziční analýzy, kdekoliv, kde byla zákaznická data. Tomu jsme říkali obecný retail a zahrnovali i telko, mediální společnosti, všechny, kde jsou předplatné. Postupem času jsme rozšířili oblast působení i na banky, občas i na veřejné instituce, a pokryli širokou oblast, což bylo právě v nejlepší chvíli mého růstu. V době, kdy už by mě ty různé kompetence od různých odvětví přerostly, jsem tým převzal a začal dělat méně rukama.

Takže se teď snažíme více specializovat na některá odvětví.

To je skvělé, děkuji ti, Michale. Představili jsme tě jako vedoucího Advanced Analytics. Můžeš vysvětlit, co toto magické spojení znamená?

Je to takový „umbrella term“ (překrývající se označení), které plní funkci nejen navenek, ale i ve firmě. EY, podobně jako další firmy z tzv. „velké čtyřky“, funguje relativně diverzifikovaně interně. Nechci říct, že jsou tam silné bariéry, ale je tam taková kultura, že je poměrně obtížné se napříč firmou dobře domluvit.

Takže tento název byl signálem pro firmu, že děláme skutečně advanced věci, a varování, že „analytics“ může znamenat hodně věcí: mohou analyzovat svůj zisk a ztrátu ve firmě, kde je dvacet řádků. Reálně se však pod tím skrývá široká data science práce a umělá inteligence, zatímco méně pod tím lze představit klasickou analytickou konzultační práci, kterou si většina lidí logicky představí.

Můžeš nám představit nějaký současný projekt, abychom si udělali konkrétní představu, co toto všechno znamená?

Máme skvělý projekt, který běží už asi dva roky. Je to na hranici softwaru jako služby („software as a service“). Tým to kdysi nedělal, ale před dvěma-třemi lety jsme začali budovat na cloudové platformě Azure pipeline, která dává rady obchodnímu týmu jednoho pivovaru. Říká například: „Pepo, příští týden bys měl jít spíš do této restaurace, do tamté a tamté, a na těch dalších třiceti si můžeš dát pauzu, pokud se opravdu budeš nudit, tak tam smíš také dojít.“ Má k tomu jednoduchou aplikaci, která běží na open source řešení na Azure servicech.

Je tam jednoduchá výměna dat s klientovým CRM a je to ještě poměrně tajný model, který skóruje prioritu akvizice, resp. pravděpodobnost akvizice, podle toho stanovuje pořadí. Uživatel vidí jen číslo a pořadí, všechny analytické věci jsme pro klienta připravili my. Klient zatím nemá nikoho, kdo by tyto procesy dokázal řídit samostatně, takže se jedná o kompletně outsourcovanou službu.

A když mluvíme o tvém týmu a o tomto projektu, měl váš tým na starosti pouze model a dodání priority do aplikace, nebo jste dělali i prototyp, front-end a podobně?

My jsme dělali všechno. Začali jsme otázkou, jak zlepšit efektivitu obchodního týmu, což je klasická konzultantská výzva. My jsme k tomu přistoupili datově a řekli si: „Máte spoustu dat, pojďme na to takhle.“ Vytvořili jsme pilotní projekt, který byl půl-technický a půl-konzultační, protože bylo potřeba získat zpětnou vazbu od lidí, kteří zadání používali. Model byl původně na Jupyter notebooku a běžel lokálně. Fungovalo to, postupně jsme ověřili, že má potenciál, a pak jsme řekli, že to uděláme pořádně.

V týmu jsou dva hlavní kolegové. Jeden je velmi všestranný vývojář (frontend, backend), který spravuje celou aplikaci, databázi a Azure služby. Druhá kolegyně je data scientistka, která řeší data, tvorbu parametrů modelu, retraining modelů každý kvartál a technické aspekty inference.

Jak dlouhá je cesta od vzniku myšlenky „chceme zlepšit efektivitu obchodního týmu“ k tomu, že řeknete: „Dobře, funguje to, běží to a my jen dohlížíme, aby to nespadlo“?

V tomto případě to trvalo půl roku až jeden rok, bylo to těsně před pandemií COVID-19 či na jejím přelomu, takže to bylo trochu obtížné, ale povedlo se to dokončit.

Jak vypadá celý tvůj tým? Zmínil jsi dva členy, kteří pracovali na této aplikaci. Kolik vás tam je a jaké je složení týmu?

Jsme deset lidí. Tým je eklektický, což má svůj důvod. Jsou tam technici – data scientisté a AI inženýři zaměření na modelování a jádrové úlohy. Dále tam jsou lidé s ekonometrii či statistikou, kteří mají méně programátorský přístup a více se zaměřují na data a jejich obsah. Pak jsou tu vývojáři s obchodním přesahem. Ten obor v EY aktuálně roste a takoví lidé jsou velmi všestranní, umí dobře programovat, což dříve bylo spíše výjimkou – data scientista, který umí psát čistý, produkčně použitelný kód, byl vzácností. Dnes se situace zlepšuje.

Díky tomu zvládneme obrovské projekty i středně velké projekty i v menším počtu lidí.

Podle toho, co jsi popsal, je tým hodně technický s nějakým obchodním přesahem. Když pracuješ na stavbě týmu, je základem výběr technických lidí, do kterých se pak snažíš vnést obchodní znalosti, nebo naopak bereš lidi, kteří rozumí byznysu, a učíš je technice?

Primárně hledám člověka, který už má nějaký základní hard skills a umí se v tomto prostředí pohybovat. Je dobré, když si člověk uvědomuje, co mu chybí a že by se to měl naučit. Není nutné, aby už na začátku vše uměl. Z pohovoru, který trvá pár desítek minut, je velmi důležité poznat, jestli dotyčný přemýšlí o tom, proč věci dělá, a má nadhled.

Když s někým během 40 minut mluvím jen o tom, jak používá určité metody v Pythonu, je to signál, že ho zajímají spíše konkrétní techniky, což je v pořádku, pokud to zde chceme rozvíjet.

Člověk tedy nemusí přijít úplně připravený. Během roku či dvou skrz projekty a zkušenosti si to osvojí. Poslední dobou se však objevují obory, které dokáží připravit lidi tak, že už ve věku kolem 23 let jsou schopni přímo pracovat na těchto pozicích.

Mohl bys uvést příklad některé otázky, kterou kladeš na pohovoru? Pokud to není tajné…

Nevím, jestli mé otázky jsou tvrdé, protože mám od lidí zpětnou vazbu, že ne. Nechci být nespravedlivý. Když někdo přijde a řekne pár vět o sobě a pak se ptá na to, jestli máme home office a podobné věci, často se ptám, co by vlastně chtěl řešit.

Podle odpovědi se ukáže, jestli ho zajímají technologické věci, například někdo řekne, že chce dělat reverse engineering, jiný chce vidět, jak proces probíhá v bance.

Na odpověď navazují další dotazy, ale negriluji člověka na něčem konkrétním. Nemám univerzální „Google otázky“, ale snažím se otázkami reagovat na to, co kandidát říká.

Rád si poslechnu, co si myslí, že my děláme. Podle toho pak přizpůsobuji zbytek pohovoru a klima, jestli ho zajímá, co děláme, nebo jestli chce jen získat programátorské zkušenosti.

Jak vypadá tvůj rozhodovací proces? Máš tým, který dodává software, a musíš často rozhodnout mezi kandidátem, který by výrazně urychlil projekty, ale nezajímá se o byznys, a kandidátem, který by byl angažovanější ve smyslu obchodních aspektů. Co preferuješ?

Dívám se na to z dlouhodobého i krátkodobého hlediska.

Dlouhodobě je nevýhodou, když je člověk zaměřený výhradně na technickou problematiku, protože perspektiva rozvíjení obchodního nadhledu nemusí přijít. Tuto zkušenost už mám, a tak si to nechávám otevřené, ale většinou dávám přednost lidem, kteří mají potenciál obchodní dimenzi rozvinout.

Z krátkodobého hlediska, když potřebuji někoho na vývoj, kdo je hotový „programátor“, a někdo v týmu už nechce dělat vývoj, ale posunout se jinam, tak takovému člověku dám šanci. Ta má ale pak omezenou lhůtu na to, aby se ukázal, jestli dokáže přemýšlet i v obchodním kontextu. Obvykle je to zhruba roční ochranná doba.

Nicméně tým máme různorodý, některé šikovné kolegyně, které na začátku neměly obchodní přesah, po půl roce či roce rozvinuly své schopnosti a jsou nyní velmi schopné.

Jak přemýšlíš o rozvoji přesahu lidí v týmu? Bavíme se o lidech, kteří jdou poprvé na projekt – máš nějaké postupy, jak je postupně okouknout a naučit?

Je to těžké pro kohokoliv, kdo přijde, protože ihned spadne do práce. I interní kolegové nesou tíhu kontaktu s klienty, často den po dni, musí umět zpracovávat zákaznickou zpětnou vazbu a požadavky bez filtru.

Snažíme se vždy, aby s nováčky byl zkušenější kolega, který jim trochu pomůže, ale není vždy prostor. Pro nováčky je to velký stres, ale je to ta nejlepší škola. Přibližujeme se zde ke klasickému modelu Big Four – hodí tě do vody a musíš plavat.

Snažíme se, aby to nebylo tak hrozné – jsme malý, soudržný tým, který se vzájemně podporuje. Pokud by ale někdo chtěl být odstíněný od reality, tak u nás šanci nedostane.

Chtěl bych se vrátit k tvé otázce ohledně rozvoje týmu na technologické úrovni. Jak to funguje v konzultačním prostředí? Z mé zkušenosti z produktových týmů znám model pátečních projektů nebo tzv. 20 % projektů, kdy vývojáři mají volnost experimentovat s novými technologiemi. Někdy něco vzejde, jindy ne, ale přesto to často vede k dobrým věcem.

Jak to máte vy? Myslím, že to může být v konzultačním prostředí velmi těžké, protože jste řízeni poptávkou.

Máte pravdu, je to velmi náročné a možná to právě proto patří mezi nejtěžší aspekty naší práce. V konzultacích je obrovský tlak na efektivitu – projekty musí běžet.

Někdy nám štěstí přeje a projekt přinese impuls, něco nového, co se naučíme nebo zavede. To je ideální scénář, ale často to není pravda.

Může se stát, že tým po rok, dva zůstane na stejných úlohách a neposune se.

Já proto explicitně určuji některým lidem určité časové úseky, například půl roku nebo kvartál…

(text byl přerušen)

Ál, nebo něco takového, mají úkol, který není jenom jako 20 %, ale je prostě 80 %. Zabírá jim hodně času a má nějaký jasný cíl, co musí vytvořit. A je to taková fáze discovery, která občas nepřináší žádný výsledek, ale například ta pivovarská aplikace vznikla přesně takto. Napadlo nás to někde a v té době za to nikdo neplatil, takže jsme to vyvíjeli tak nějak bokem. Pak se ukázalo, že to je vlastně dobrý nápad. Problém tohoto přístupu je, že to člověk dělá tak trochu pod radarem, protože když se za to neplatí, někteří lidé by si ideálně představovali, že se na tom vůbec nebude pracovat – taková inovativní rozvojová aktivita. Zároveň jsou ti lidé často sami v tom přemýšlení a inovaci, alespoň po určitou dobu, protože ostatní tráví deset hodin denně na projektu a nemají na to čas. Jenže jedině takhle to jde posouvat kupředu, ačkoliv to často jde proti filozofii projektu.

Prostředí a nevím, jestli s tím máme problém primárně my, nebo zda to mají podobně třeba Big Four, ale myslím si, že je to jedna z nejtěžších věcí na tom všem. Jak tě tedy vybíráš projekty? Přijdou lidé s tím, že si to chtějí zkusit a je to jejich inovace, ty jim dáš prostor, prostředky, umožníš tu inovaci? Nebo je tu přístup, kdy například teď všichni říkají: „Všichni si rozjeďte ty velké jazykové modely, i když ještě na to nemáme poptávky, jdeme se to učit.“ Ten druhý přístup jsem zkusil, ale osobně mi nefunguje. Možná je to tím, že se prostředí a realita mění tak rychle, že nejsme schopni to ve správnou chvíli zachytit. Máme částečně startupový mindset, ale v tomhle právě máme problém, takže i když myšlenky byly občas dobré, tak čas na uvedení na trh je v řádech let a prostě to nejde.

Začal jsem to tedy dělat naopak – nabírám lidi, kteří mají drive něco sami vytvořit. Přijdou a řeknou: „Hele, narazil jsem na tenhle zajímavý článek, četl jsem o této technologii, chtěl bych ji nějak použít, ale nevím jak.“ A tady přicházím já, ptám se, co to znamená, pak si nechám vše nabrífovat, sám se doučím spoustu věcí a pak mou rolí je říct: „Dobře, toto se hodí pro energetiku, zhruba do této oblasti. Pojď to směřovat sem, ještě ti neřeknu konkrétní use case, zatím udělej groundwork, měsíc na tom pracuj.“ Mezitím já absolvují svoje interní kolečko a možná i něco kolem zákazníků, abych zjistil, jestli to už někdo nedělá třeba 20 let, a podobně. Pak si s tím konkrétním člověkem dáme jasné zadání: „Do půl roku to bude vypadat takto. Nemůžu ti garantovat, že během té doby nedostaneš nějaký pitomý projekt, který budeme muset udělat, ale chci, aby za půl roku projekt vypadal takto. Když to bude mít v polovině už nějakou podobu, půjdeme ukázat něco Honzíkovi a pak rovnou klientovi, abychom udělali rychlý validity check.“

Můžeš nám trochu podrobněji popsat, jak vypadá tvoje „strašlivé interní kolečko“, které jsi zmínil? Přemýšlím nad tím, že to může být velmi náročné, snažit se měnit kulturu firmy jako takové, aby tyto věci podporovala. Mám dojem, že jste tak trochu „under the radar“, že jste jako firma ve firmě, dodáváte kompletní produkty a staráte se o ně dlouhodobě end-to-end. V tomhle ohledu připomínáte produktové týmy, které známe. Na druhou stranu musí být velká energie z tvé strany obhájit tuto roli a výsadu v jedné z největších firem na světě. A jednak je to obrovský risk, když člověk zůstává dlouho pod radarem, potřebuje získat buy-in, aby náhodou někdo nepřišel s tím: „Koncíme, co tady děláte?“

To je pravda. Ten buy-in nikdy není úplný napříč firmou, bohužel. Zájmy jsou velmi rozdílné a de facto podle mě ani není možné, aby všichni táhli za jeden provaz, když firma není definována jako technologická, což není. Můj přístup je téměř partizánský, ale stále v rámci mezí. Je dobré si najít v rámci firmy lidi, kteří vědí, že je potřeba změna, kteří vědí, že technologie je budoucnost a nebojí se o tom mluvit u klientů. Hned tam musí být validity check. Například s takovými lidmi vytvořit určitou šedou alianci, která předtím, než půjdu za vedením a budu říkat, co děláme, musí mít jasně v ruce to, co děláme. V tom business case na dva papíry už dneska nikdo nevidí smysl – v konzultingovém odvětví mají všichni peněz až nad hlavu, a představa, že něco rozvíjíme teď a bude to vydělávat až za pět let, je pořád velmi cizí.

Je tedy potřeba najít klíčové lidi, uhodit ve správnou chvíli – třeba když někdo dokončí velký projekt a má kapacitu se věnovat dalším věcem. Je také třeba zjistit, kdo koho nemá rád a kdo nechce s kým spolupracovat. Celé to funguje na osobních vztazích, trochu jako když se vytváří pseudokriminální sítě v oficiálním vládním prostředí – fungují na důvěře a společném cíli. My fungujeme velmi podobně. Společný cíl je dělat opravdu super zajímavé technologické věci, které nemusíme nechat posvětit všemi šéfy, stoupnout si do toho a jít do toho společně jako tým dvaceti lidí, kteří se doplňují, ale táhnou za jeden provaz. Ačkoliv nemáme to v konkrétních KPIs, cílech a kýmkoliv po nás někdo nechce, je to naše zodpovědnost. Když se něco nepovede, není z toho velké haló na podpoře vedení, kde by se řeklo: „To jste fakt pokazili, další šance nebude.“ Je to věc osobní odpovědnosti.

Jak moc nad tím přemýšlíš jako o inovaci byznysu, ale taky o inovaci vašeho týmu? Jak moc je to otázka HR, rozvoje lidí, jejich dovedností a posunu jako profesionálů?

Primárně jde o rozvoj talentu, protože si uvědomuji, že jsem jen člověk a spoustu věcí mě ani nenapadne. Myslím, že můžeme dlouhodobě existovat a rozvíjet se pouze tehdy, když lidé budou mít vlastní agenturu rozhodovat, jak s tím pracovat. Firma nemá ten typ inovací v krvi. Inovace jdou jen od lidí. Kdybych byl sám, nebyl bych génius. I když děláme nějaké iniciativy, které se někdy nepovedou, vede to k něčemu jinému – člověk se něco naučí a má z toho dobrý pocit, že jsme mu to umožnili. Pak navazuje další věc a další věc, ono to je takový klasický cyklus. I když rok děláme nudnější projekt a inovace moc nevznikají, dokážeme si říct: „Tito tři se naučili tohle, to můžeme využít jinde; ti další tři něco jiného, to nabídneme klientům; a aspoň to pomůže firmě přežít, a inovační krok uděláme příští rok.“

Máš příklad iniciativy jednotlivce, která se stala součástí nabídky vašeho týmu vůči klientům a díky tomu jste se rozrostli? Kromě pivovarské aplikace?

Ano, máme velmi šikovného kolegu, který přišel s nápadem pracovat s transformery, což je technologický druh, který je stále poměrně málo známý a rozšířený mezi datovými vědci, machine learning týmy a AI týmy, alespoň co se týče možností využití. Ten kolega říkal: „Chci dělat transformery, ale nevím, jakým směrem jít.“ Řekl jsem mu, že to lze použít na mnoho věcí. Přitom nás napadl problém, který čeká energetický trh. Trh funguje velmi staromódně, ale postupně bude potřeba přejít k více real-time fungování – předpovídat zátěž sítě na 15, 20, 30 minut dopředu a následně dělat optimalizace či komerční záležitosti.

Klasické přístupy k predikcím časových řad jsou dlouhodobě nespolehlivé v konkrétních případech, ale transformery se na to hodí perfektně. Dokážou fitovat mnohem přesněji, a hlavně je to technologie, kterou klienti zatím neznají a nevyužívají. Najednou se z toho stal obrovský projekt, vytvořili jsme interní pracovní skupinu a začali směřovat ke konkrétním případům v energetice. A vlastně to vzniklo díky technickému nápadu tohoto kolegy, kombinovanému s tím, že někdo z nás rozumí energetice velmi dobře.

Navazující téma je stabilita týmu. Já mám totiž někdy pocit, že tvoje prostředí je vysoce dynamické, možná i s rychlým výměnným personálu na projektech, případně i lidech. Je to tak? A co pro tebe znamená stabilní tým? Jak se s tím dá pracovat v konzultační firmě?

Stabilní tým byl u nás ještě před dvěma, třemi lety neexistující pojem. Kdybych měl někoho „hnít riku“, řekl bych, že to byla jedna z věcí, kterou se mi povedlo tým stabilizovat. Klasicky v konzultačních firmách není potřeba mít příliš stabilní týmy, především u juniorních lidí. Je důležité mít seniorní, zkušenější stabilnější lidi, ale není to nutnost, počítá se s tím. A vzhledem k DNA naší firmy bylo těžké najít vlastní cestu.

U nás to takhle nemůže fungovat, protože nejsme korporátní konzultanti, kteří jen dělají pravidelné zakázky. My potřebujeme budovat věci, mít lidi, kteří znají naše know-how, což nelze předat během dvoutýdenního předávání prezentací. Je to složitější. Proto jsem potřeboval nové nástroje, aby to šlo zajistit. Jeden z těch nástrojů je inovační rozvoj, který jsme již zmínili. Myslím, že kdybychom to nedělali, neudrželi bychom si ty nejtalentovanější lidi. Druhý nástroj je nábor lidí, kteří chtějí zodpovědnost, chtějí budovat větší nadhled a vědí, že to bude bolet, protože musí projít příslovečným konzultantským „helem“ do určité míry a otrkat se. Ale dělají to s vědomím, že chtějí být seniorní, dělat zadání, plánovat architektury a vést lidi.

Myslím, že dlouhodobě by bylo nemožné mít pouze technicky šikovné lidi, kteří chtějí dělat jen svoji práci, protože pro ně nemáme místo. Odejít by pak byla pro ně mnohem pravděpodobnější možnost. My naopak říkáme: „Chceme, abyste se rozvíjeli, ale musíte být jiní, než klasicky firma očekává.“

Vidíš výsledky tohoto přístupu? Nebo když odejdou lidé z týmu, je jejich odchod důsledkem tohoto?

Není jich mnoho. Snažím se vybavit, kdo naposledy odešel, většinou to bylo spojeno spíše s životními fázemi než s prací. Většina lidí se poté vrátí a řekne: „Tohle jsem už zkusil, mám to za sebou, máte pro mě teď nějaké jiné místo?“ Nebo si uvědomí, že práce je velmi různorodá a proto se jim tady líbí, i když na jiném místě dělali pořád jednu věc. Vyhnuli jsme se klasickému problému, kdy by někdo přišel s úplně odlišným mentálním nastavením, byl by nespokojený, protože nedělá, co chce, a odcházel by naštvaný s tím, že mu něco bylo slíbeno a pak dělá něco jiného. To teď nemáme, takže jsme velmi stabilní.

Za mě je sympatická tvoje otevřenost a že těžkosti nenabarvuješ na růžovo, ale říkáš: „Bude to těžké, ale má to smysl, má to hodnotu.“ Líbí se mi také, že říkáš „konzultantský hell“, ale z něj vyjdeš jako lepší profesionál s vyšším… Když člověk chce, dostane hodnotu, nejenom peklo pro peklo, ale přímý, někdy nefiltrovaný feedback od klientů, což posune hlavně mladší kolegy velmi rychle, ne?

Ano, posune a zároveň je to zakotví v tom, co opravdu umí a v čem jsou dobří. Když nějaký velmi nespokojený zaměstnanec v obrovské korporaci začne vylévat svůj vztek nesouvisející s mladším kolegou – což je typický příklad – první reakce mladšího je: „Jsem úplné pako, jak je to možné, že to takhle dopadlo?“ Podruhé si řekne: „Nejsem až tak špatný, Michal a ostatní říkali, že jsem dobrý, tak co.“ A po třetí sedí a směje se: „Jste blázni, vy si to tady vypovídejte, já to mám dobře, vím, že to mám dobře.“ Ví, že se může opřít o tým, který mu nelže, neříká mu něco, co není pravda, že bylo něco skvělé a pak má průměrné hodnocení, bez naděje na povýšení. Máme zde kulturu „no bullshit“.

S tou recenzí souvisí i fakt, že máme v týmu trochu jiný vztah než jinde ve firmě, kde je větší odstup, možná i hierarchie. To je asi dáno věkovým složením týmu, jsme si věkově blíže – já jsem s téměř 31 lety vnímán jako nejstarší, ale stále relativně mladý. Respekt v týmu není budován tím, jaké děláme skvělé věci nebo jakou máme značku, ale jednoduše tím, jakými jsme lidmi, a jak se máme rádi.

Nejvíc mi osvědčilo říct přímo, že to bude peklo a možná to k ničemu nebude, ale…

Bude to jenom tři týdny. Pak budeme žít i na pivo a slibuji, že už to pak znovu neudělám. A je to ta tíha, kterou beru na sebe – že když to potřebuji udělat znovu, musím si dát sakra pozor, abych neoskytnul něco jiným. Pak to zase jiným. A ty nepříjemné věci prostě musíme udělat. Ale dávám si velký pozor na to, aby lidé chápali, že to je proces. Že to není tak, že když na nás teď padají nějaké blbosti, nechám je někam dopadnout pod sebe, ale abych zabránil tomu, aby na mě samého padly.

Příklady škály projektů – od úplně vysněného projektu, ze kterého byste chtěli získávat co nejvíc a na které se u vás lidé poprou, až po příklad nějakého „horkého bramboru“ – černého Petra, který musíte řešit diplomaticky a vyvažovat něčím na druhé straně.

Horký brambor je klasicky něco, co přijde třeba z nějakého zahraničního ofisu, kdy jsme víceméně nearshore, neboli skoro offshore, a máme zpracovat velmi rychlou analýzu, která je jednorázová. To znamená, že to přijde a odejde. Může to být spojeno se složitějšími věcmi, například s due diligence při nějaké velké transakci.

Takové věci bychom typicky nedělali, ale jsou tam strašně velká data a ta due diligence se týká nějaké velké subscription business firmy s stovkami tisíc zákazníků, kterou mají vypočítat správné příjmy a marže s přesností na desetinu eura. To je hodně datově náročné, ale výsledek je „jen“ to, že to zkontrolujeme a máte to správně. Je to taková poloauditní záležitost.

Je to velmi stresující, protože deadline jsou pevné, jaké obvykle nemáme. Probíhá to přes několik ofisů, do procesu je zapojeno třeba 20 lidí, čeká na to banka, a nedej bože. Navíc nemůže pracovat nikdo úplně seniorní, protože ten má už jiné odpovědnosti, takže to řeší junior, který toho moc neví a najednou dostane do data roomu 40 excelů, z nichž každý má stovky megabajtů, a teď s tím musí pracovat. A pokud bude alespoň o euro něco špatně, bude hodně seřvaný.

Takže to je ta nejhorší věc, která se stane jednou za půl roku, jednou za rok a trvá tři týdny.

Naopak zajímavé věci jsou, když klient řekne něco ve smyslu: „Chceme, abyste nám vytvořili řešení, přišli, pomohli nám domluvit, co přesně chceme, poznat zadání s našimi datovými specialisty a analytiky, řekli analytikům, co mají dělat, a pak získali přístup.“

Začnete dělat demoverzi, začnete implementovat, uděláte pilotní projekt, vysvětlíte obchodnímu týmu, jak pilot dopadl – úspěšně nebo ne – a nakonec chceme, abyste všechno udržovali verzované v našem Midbucketu, aby lidé věděli, s čím pracovat, a abyste případně byli pravidelně k dispozici a pomohli nám, když budeme chtít něco změnit.

Děláme hodně věcí v marketingu, campaign managementu, například cílení na klienty, upselling nebo cross-selling. Chceme, aby systém takhle fungoval a běžel denně, abychom viděli výsledky. A pak ten člověk, třeba za půl roku, přijde a řekne: „Hele, udělal jsem aplikaci, zvýšil jsem efektivitu o 20 %, vydělal jsem firmě spoustu peněz, protože nejenže jsem technicky šikovný, ale umím ten byznys vysvětlit.

Musíme to tak dělat, protože teď je datově řízená doba a už to nejde vymýšlet jen sami.

Vlastně jste prošli škálou činností a dosáhli výsledku. A ještě podle tvého algoritmu chodí salesáci do hospody.“ Přesně tak. To má reálný dopad.

Mně se líbí, že tyto dva příklady se liší hlavně mírou kreativity, autonomie a dopadu toho, co děláte. Ale co je samozřejmě problém, je to, že často první případ, ten horký brambor, je mnohem výdělečnější než ten druhý z mnoha důvodů.

Čistě z hlediska efektivity by někdo řekl, že druhé věci dělat nemusíme, protože první přinášejí dvojnásobnou marži. Toto je pro mě obrovský boj, který nechci přenášet na tým, ale bere mi hodně času a energie to v rámci firmy vysvětlovat.

Dokud ale peníze tečou, moc to nejde „prodat“. Čím těžší situace v ekonomice, čím větší nervozita a propady na burze, tím to je pro nás paradoxně lepší, protože se můžeme soustředit na zajímavější projekty.

Když se daří, každý by řekl: „Tyto věci teď dělat nebudeme, protože teď si můžeme dovolit vydělat,“ což je skvělé. Přijde mi to opačně než v běžném korporátu, který inovuje právě tehdy, když je blahobyt.

Mluvil jsi o horkém bramboru, jak přistanou z jiného branže. Jak to máte vy? Jste pro Českou republiku a v EY se přehled kapacit po celém světě spravuje tak dobře, že si to můžete mezi lokalitami prostě pingovat?

Vůbec ne. EY je velmi lokálně rozdělená. Jsou některé vertikály a konkrétní činnosti, kde přeshraničně spolupracuje. V Data Science ale rozhodně ne.

My jsme velmi lokálně zaměření. Ty zahraniční projekty a spolupráce typicky vycházejí z velmi rychlého druhu byznysu, jako jsou transakce.

Ale v klasickém technologickém, Data Science byznysu to moc nefunguje. Pro nás to znamená, že to máme trochu složitější, například v české konkurenci. České firmy jsou schopné se třeba v Evropské unii libovolně rozvíjet, kam potřebují.

Pokud budu chtít dělat projekt ve Španělsku, musím se domluvit se španělským ofisem. Pokud ten ale řekne, že to dělat nebudete, tak moc s tím neudělám, protože máme ten lokální „střih“. Na druhou stranu většinu projektů děláme pro značky, které jsou tu lokálně známé.

Přesně tak. Ráno jdu do práce a potkávám své klienty na ulici.

Také je to dobré v tom, že v malé republice se lidé po třech, čtyřech letech praxe potkávají skoro všude a to je výhoda.

Kdybychom dělali pořád projekty v Polsku, ve Velké Británii a jinde, mohlo by to odtrhnout lidi od české reality.

Ta česká realita je zajímavá, je plná velmi šikovných lidí a spousty inovací, takže nakonec to není špatné.

Michale, chybí nám ještě jeden aspekt, aby byl obraz o týmu a konkrétní práci úplný – jaké klasické nástroje lidé používají?

Dokud nejsme v produkčním prostředí klienta, tak jsme hodně založení na open source. Nemáme nakoupené licence na konkrétní nástroje a ani žádné proprietární EY nástroje.

Používáme open source, protože chceme být připravení na všechny možné situace s klientem. Proto je základ Python, alfa i omega všeho. To je jedna z mála věcí, které na pohovoru vyžadujeme – aby uchazeč měl minimálně středně pokročilou úroveň.

Dále potřebujeme schopnost pracovat s BI nástroji, protože klienti to vyžadují. Nicméně naše týmy jsou tak šikovné, že často zvládnou spoustu věcí za dva týdny, takže důraz na BI je spíš malý.

Co se týče infrastruktur a technologií, EY má široké partnerství s Microsoftem, takže směrem k Azure máme největší kapacity a tendence.

Občas přijdeme za klientem, dozvíme se, že mají různé technologie – AVS, Terraform, a další – a přijde obvykle lehká panika, že to nemáme dostatečně podchyceno.

Proto jsme diverzifikovali znalosti týmu, někteří členové získávají certifikace k AVS, jiní k Azure. Všichni ovládají Python a nějaké BI nástroje a zatím v českém prostředí to zatím stačí.

Ještě k front-endu – někteří naši lidé mají výborné znalosti JavaScriptu a technologií, které jdou víc tímto směrem, i když to není úplně náš hlavní směr.

Jak říkáš, Python je nutnost a na něm stavíte. Na druhé straně v Advanced Analytics, Data Science i Data Analytics je revoluce nových nástrojů a inovací. Jak vnímáš, že se mění požadavky na někoho v tvé roli, případně v týmu?

Mám pocit, že tato doba posouvá požadavky do budoucnosti. Univerzalita, schopnost chápat byznys, propojit technickou a byznysovou stránku – to slyšíme často.

Z pozice čistě technologické, například datového skladování, kde jste spíš někdo v koutě, se dostáváte k tomu, že s klienty komunikujete, vyvíjíte třeba mobilní aplikace.

Jak vnímáš vývoj požadavků na skillset? Kdybys byl teď junior, co bys doporučil se učit, a co už ne, protože než se v tom staneš dobrý, může to být zastaralé?

Pravda je, že přibývá nástrojů a jsou lepší a diverzifikovanější.

Přijde mi, že junior by si měl položit otázku, jestli chce mít v životopisu 20 buzzwordů, které ovládá povrchně, nebo se na některé z nich skutečně zaměřit a být v nich expert.

Také by měl vědět, kde se jeho vybraný nástroj víc používá – v jakém odvětví nebo geograficky.

Například pokud chce dělat AWS, v Česku to bude složitější, protože AWS je tu méně rozšířený než na západ od nás.

Měl by proto znát svůj cíl: chce být technologický expert ve třech, čtyřech či pěti nástrojích a postupně se učit dál? Nebo chce zachovat schopnost být více agnostický?

Je těžké tu rovnováhu najít. Pro nás je to Python, ale jinde to může být něco jiného.

Důležité je naučit se rychle učit, přizpůsobovat se – když po tobě chtějí AWS, tak projít kurzy, bootcampem.

Myslím, že tohle bude čím dál důležitější – schopnost „walk the line“ – protože specializace vede kariéru jinam než ta obecná cesta, kterou my hledáme.

S nástupem další vlny umělé inteligence se zdá, že technologických lidí v velikém počtu bude potřeba méně a důležitější bude ten přesah, který technologie nepokryje.

Sám nevím, jak to bude za tři až pět let – zda budeme řešit pouze kontext a přehled, a technologie se jen dobudou asistenčními nástroji; nebo zda bude postup pomalejší a rovnováha bude jiná.

V každém případě bude stále rostoucí potřeba pro soft skills – protože mozek není nafouknutelný.

Pokud bych teď byl junior a chtěl nastoupit k vám – základem je mít alespoň Python a chuť učit se.

Přesah, kontext a byznysovou stránku si postupně osvojím, ale je důležité mít drive a být otevřený.

Není třeba umět všechno napoprvé, ale musíš to chtít najít a rozvíjet.

V pohovoru nehledáme složité technické testy, ale spíš rozumné a otevřené otázky, abychom poznali zájem a drive uchazeče.

Dnes je mnoho univerzit, kde se člověk může víc zaměřit na konkrétní témata.

V pohovoru se často ptám na projekty – pomáhá to zjistit, zda někoho zajímají skutečné problémy, nebo je pyšný jen na technologii.

Kdy jsi poznal, že jsi v tom dobrý, že ti role sedí? Jaký byl moment „aha“, kdy jsi řekl: „Teď jsem na správném místě a tvořím hodnotu“?

Jsem v tomto pomalejší. Trvalo to třeba rok, během kterého jsem pracoval na plný úvazek, než jsem začal cítit, že je to pro mě ta správná cesta.

Většinou mi to trvá déle, než se rozšíří moje „tunelové vidění“. Teď se to zlepšuje.

Když člověk má konkrétní úkoly a pracuje, třeba po škole na plný úvazek, snaží se to ustát, protože pokud je únavný den, už ve dvě odpoledne… (text končí).

Oly, nedá si hodinku pauzu někde v kavárně, prostě jsem tam, pro boha, do šesti a pak je furt tma a tak. Takže většinou, pokud ti lidi mají takový, že to je velký třesk a ten full time nikdy nezažili a najednou třeba ještě skončili školu, tak si myslím, že to může relativně dlouho trvat, než se z tohohle šoku vlastně zpamatují.

Je ale dobré vnímat ty signály, ve kterých jsem já hrozně pomalý, ale myslím si, že jsem naštěstí výjimka. A ty signály jsou takové, že se hrozně rychle pozná, že mi něco jde víc nebo míň. Když by někdo přišel do našeho týmu a během prvního půl roku se o něm říká, že píše takový kód, že to někdo ani nepřečte, je to krásný, je to celé funkční, všem je to zabalené do něčeho, ale prostě to nejde přečíst, tak vlastně ještě nevíme úplně, kde ten člověk bydlí a co dělá ve volném čase.

A když se ho zeptáte, na čem pracuje, tak řekne, že psal kód. Ten pak bude ty signály vnímat mnohem pomaleji než někdo jiný. A takové lidi máme taky, kteří po dvou týdnech něco dělají a přijdou se mě zeptat: „Michale, proč tady to děláme? To je nějaká opravdu blbost.“

Takže každý to má různě rychlé.

Michale, myslím, že se pomalu blížíme do finále, ale ještě než se rozloučíme, co čeká tvůj tým, co čeká Advanced Analytics v dalším roce? Na co se můžeme od vás těšit, nebo na co ty se těšíš?

My teďka vlastně vaříme nějaké dva, možná tři takové inovativní iniciativy, klasicky pod radarem, někde pod pokličkou se jim věnujeme. Asi dvě z nich jsou tak na hraně toho, kdy už to opravdu bublá a myslíme si, že je ta správná chvíle to pustit ven a začít to řešit s byznysem v rámci firmy a víc s klienty.

Naznačíš aspoň směr?

Hodně se to týká energetiky, protože tam nám hraje do karet i ta regulační situace a trh se teď hodně mění. A pak se to trochu týká i elektromobility, těch témat je malinko propojených.

Na to se hrozně těším, protože jednak to bude satisfakce pro mě, že budu moct ukázat, že jsme opravdu vytvořili něco, co funguje, a ne že jsme odevzdali 41 darovaných analýz. Zároveň na to lidi prostě čekají a je to takový výkvět té práce, kdy jsem na tom někdy trávil, a někteří i víkendy, což není kvůli mně, ale prostě je to baví.

A to, že už na tom tráví vlastně volný čas, to je důležité. Myslím si, že firma teď má dluh to vlastně využít a zutilizovat.

To je jedna věc.

Druhá věc je, že nás čeká nějaké organizační sladění s dalšími datovými týmy, které v rámci firmy rostou a které mají tady malinko pozadu v tom, že nemají úplně holisticky pokryté cokoliv, co se v datovém světě dělá. Tam teď ještě úplně neumíme některé věci, hlavně takové datově inženýrské a víc hardcore datářské.

Myslím si, že nás to posune k tomu, že nás napadnou úplně jiné inovační iniciativy, které na nás jako na hloupé data scientists, co tolik neřeší ten podvozek, vlastně zatím nedocvakly.

No a poslední asi věc je, že někteří členové týmu teď vyrostou do trochu jiných rolí, takže nás čeká hodně. Bude to reshuffling rolí a pravděpodobně i nějaká mladá krev, abychom to doplnili.

Tak doufám, že se tým dozvěděl tyto novinky první od tebe a ne někde jinak.

Děkujeme moc, Michale, za velmi otevřený rozhovor a jsme moc rádi, že jsi tady s námi sdílel.

Držíme palce jak s iniciativami, tak s náborem nových lidí, spokojeností a růstem těch stávajících.

A hlavně se budeme těšit, až si za půl roku tady popovídáme o tom, jak EY pomocí transformerů postavilo energetiku na hlavu.

Těším se, bylo to super, díky moc.

Díky moc.

A to je všechno.

Děkujeme, že jste doposlouchali další díl Data Talku. Díky také našim partnerům – Big Hubu, Vypnoutu, Manche.

Natáčeno bylo také v Jim Beamu, Seznamu.cz a Mews.

Pokud vás zajímá více informací ze světa datových technologií a z československé datové scény, navštivte naše stránky datatalk.cz.

Nechť vás provází data.