Czego dowiesz się z tego wywiadu:
Niestandardowa rola Data Literacy Managera
Geneza i definicja Data Literacy
Dlaczego biznes potrzebuje Data Literacy?
Data Literacy w praktyce: rola menadżera i wyzwania AI
Wdrażanie Data Literacy: programy i cele biznesowe
Bariery i mity w budowaniu kultury danych
Przyszłość Data Literacy: Data Enablement, Data Adoption i Data Culture
Podsumowanie: Główne wnioski z rozmowy
Mariusz Michalczuk: Witam Cię w kolejnym odcinku podcastu Date with Data Talks. Dzisiaj Waszym i moim gościem jest Tomek Sienkiewicz. Tomku, opowiedz kilka słów o sobie.
Tomek Sienkiewicz: Cześć, witam wszystkich. Cześć Mariusz. Jestem Tomek Sienkiewicz. Pewnie rozmawiamy o danych, więc powiem o moim związku z danymi. Z wykształcenia jestem, można powiedzieć, data scientistą, mimo że kiedyś tak się to nie nazywało. Jestem absolwentem metod ilościowych i systemów informacyjnych – już wtedy był taki kierunek. Pracuję z danymi od 20 lat. Kiedyś jako analityk, potem manager. W poprzedniej firmie byłem head of data, czyli zarządzałem całym zespołem i platformą, a obecnie od mniej więcej roku pracuję na stanowisku data literacy manager w mojej obecnej firmie w Autodoc.
Mariusz Michalczuk: Skąd taki pomysł? Czym jest to stanowisko? Mam wrażenie, że chyba w Polsce ono nie jest jeszcze zbytnio powszechne. Kiedyś nazywaliśmy się ekonometrykami po skończeniu studiów, dzisiaj to jest data science. A ten Data Literacy Manager – skąd w ogóle przyszedł pomysł na to?
Tomek Sienkiewicz: Kiedyś nazywało się to Data Mining. Skąd Data Literacy? Jest kilka elementów. Pracując z danymi, od mojej pierwszej pracy jako analityk w dużej korporacji, zauważyłem, że ludzie nie chcą korzystać z danych. Coś pokazuję, coś trzeba robić, a managerowie machają ręką i robią po swojemu. Potem, rozwijając się jako analityk, widziałem ten sam efekt – pewien opór przed używaniem danych lub korzystaniem z nich. To nasiliło się, gdy byłem już managerem, potem dyrektorem całego działu Data Analytics w poprzedniej firmie.
Była taka sytuacja, kiedy byłem odpowiedzialny za budowanie kultury danych w firmie – nie tylko za analizy, ale za działanie platformy, zatrudnianie odpowiednich ludzi i dbanie o to, by analitycy i inżynierowie danych mieli odpowiednie umiejętności do realizacji celów biznesowych. Moim zdaniem nie chodziło już tylko o dostarczenie analizy, ale o to, czy w ogóle jest ona sensowna, czy warto ją robić, czy pytania, na które analiza próbuje odpowiedzieć, mają sens.
Zauważyłem, że w dosyć komfortowej sytuacji, gdy powstawały product teamy, na czele stawał product manager, który dostawał zespół: dwóch front-end deweloperów, jednego back-enda, jednego UI designera i zazwyczaj analityka produktowego. Wszyscy myśleli: „super, wszyscy będą teraz data-driven, bo mają analityków w zespole”. Po jakimś czasie okazało się, że niektórzy świetnie potrafią pracować z analitykami, a inni analitycy zgłaszali mi, że robią „jakieś głupoty”. „Wyciągam dane, jestem takim query tool dla platformy do wyciągania baz danych. Nie rozwiązuję żadnych problemów biznesowych, właściwie cały czas to samo, albo od pół roku pracuję nad dashboardem i nie jesteśmy w stanie dojść do ładu”.
Zacząłem szukać innej pozycji, menadżera, który musi decydować, co jest ważne. Zastanawiałem się, jak to jest, że niektórzy potrafią korzystać z danych i współpracować z analitykiem, zadawać odpowiednie pytania, bo to jest kluczowe, a inni, mając analityka, nie wiedzą, co z nim zrobić. „On mi chyba może tabelkę przygotować, to wyciągnij mi dane za zeszły rok. Jakie? Zobacz, co tam ciekawego w tym”.
Zacząłem drążyć temat i odkryłem zjawisko data literacy. Według definicji to jest umiejętność czytania, pracy z, analizy i komunikacji za pomocą danych, czyli po angielsku „read, write and communicate with data”. Zauważyłem, że niektóre firmy, głównie na zachodzie, w Stanach i Wielkiej Brytanii, mają już takie stanowiska. Ludzie po prostu zajmują się tym, żeby dane działały.
Drugi aspekt to biznesowy. Będąc liderem działu Data Analytics, widziałem, ile kosztują ludzie – analitycy są drodzy, data inżynierowie są drodzy. Te wszystkie platformy cloudowe, do wizualizacji danych – to wszystko kosztuje naprawdę kupę kasy. I to jest inwestycja, bo wszyscy chcą być data-driven, szczególnie w biznesie cyfrowym, gdzie tych danych jest mnóstwo. Wtedy powstaje wąskie gardło: z jednej strony mamy wielką inwestycję w dane, platformę i ludzi, a z drugiej strony jest biznes. To wąskie gardło polega na tym, czy biznes potrafi zrozumieć te dane, a także czy ludzie od danych potrafią mówić w języku, jakim rozmawia biznes. To mnie zaczęło interesować i chciałem pójść w tę stronę. Tak się znalazłem w Autodoc na tym stanowisku, gdzie staram się rozpoznać, czym jest Data Literacy w praktyce, jak to implementować, jaką wartość to przynosi w firmie. Jestem głęboko przekonany, że jest w tym duża wartość, teraz trzeba ją wykazać w praktyce.
Mariusz Michalczuk: Rozumiem, że to jest pierwsze stanowisko takie, które w tym temacie obejmujesz, i pewnie zgrały się twoja chęć i zapotrzebowanie Autodoca. Zastanówmy się, dlaczego biznes powinien potrzebować takiego stanowiska? Trochę o tym opowiedziałeś.
Tomek Sienkiewicz: Opowiem o analogii, o której rozmawialiśmy. Ludzie pytają, co to jest data literacy, po co to. Bardzo podoba mi się ten koncept, że nazywa się to data literacy. Słowo „literacy” tłumaczy się jako umiejętność czytania i pisania. Data literacy to umiejętność pisania, czytania i pracy za pomocą danych. Pomyślmy, jak rozwijało się zwykłe literacy, czyli umiejętność pisania i czytania. Ja lubię posługiwać się analogią średniowiecza. Mieliśmy zakony, ludzi, którzy potrafili pisać i czytać – Dominikanie czy inni. To była ich wąska umiejętność. 90% społeczeństwa nie potrafiło tego, nie widziało sensu. Niektórzy władcy może umieli, może nie. To był taki „nice skill”. Wszyscy jednak widzieli, że to ważne – potrzebne kroniki, dokumentacja, wiedza o podatkach. To się przydawało. Potem wynaleziono druk i okazało się, że umiejętność czytania i pisania jest przydatna i opłacalna dla państw. Budowanie narodów, wspólnoty. Ilość zastosowań jest bardzo duża. Dziś wszyscy uczą się czytać i pisać.
Robię sobie analogię, jak to wygląda w przypadku data literacy. Wydaje mi się, że jesteśmy trochę na takim etapie, że mamy tych super zaawansowanych analityków, data scientistów, inżynierów. Cały klan danych, czyli tych zakonników. Ale to słabo przenika, albo jeszcze nie przenika, do ogółu. Oczywiście to się już dzieje, dane są wszędzie, widzimy je w internecie, telewizji, prasie, są tabelki, wykresy. Ale umiejętność myślenia i zadawania pytań w ten sposób wydaje mi się wciąż nieistniejąca lub bardzo przypadkowa.
Jesteśmy w takim miejscu, gdzie mamy wynalazek druku – dane są strasznie tanie, mamy rozwiązania chmurowe, mnóstwo narzędzi, które wszystko zrobią. Chcesz wizualizację taką, siaką, a teraz AI na to wchodzi. Książek możemy nadrukować mnóstwo, tylko teraz kto będzie czytał, jak i po co. Trochę tak to wygląda.
Mariusz Michalczuk: Wcześniejszy etap. Myślę sobie, że kiedyś mądrzejszy władca pewnie sprowadzał sobie na dwór takiego mnicha czy zakonnika, czy osobę, która umie pisać.
Tomek Sienkiewicz: Tak, miałeś tę komórkę analityczną gdzieś tam przy dworze, tych paru benedyktynów. Oni tam powiedzą, co się działo. Ale wyobraźmy sobie, że dzisiaj jakikolwiek przywódca światowy nie potrafi czytać i pisać. To chyba w ogóle niemożliwe, ciężkie do wyobrażenia. Nie byłby w stanie funkcjonować, mam wrażenie.
Mariusz Michalczuk: A tak w praktyce – mówisz, że wierzysz w to, dostrzegasz efekty. Jak to na co dzień wygląda? Co się dzieje? Za co odpowiada taki Data Literacy Manager?
Tomek Sienkiewicz: Najpierw może o Data Literacy. Fajnie jest powiedzieć, że to umiejętność pisania i czytania z danymi, ale warto dodać parę rzeczy. Po pierwsze, celem nie jest to, żeby każdy został data scientistą czy analitykiem. Nie o to chodzi. Tak jak uczymy dzieci pisać i czytać literki w szkole, ale celem nie jest zrobienie z nich laureatów Nagrody Nobla w dziedzinie literatury. To dzieje się przy okazji, ale nie jest celem. Z mojej perspektywy najważniejsze, co może rozróżnić dwa obszary, to ten techniczny: czy wiesz, jak używać arkusza kalkulacyjnego, czy umiesz zrobić tabelę przestawną, wyciągnąć dane skądś – SQL czy interfejs graficzny, filtry, zapytania. Czy trochę wiesz, jak dane wyglądają w tabeli: wiersze, kolumny. To są podstawowe rzeczy techniczne. Czy umiesz zrobić wizualizację w Excelu czy Power BI.
Dla mnie ważniejsze jest to, co można nazwać prerekwizytem – czy umiesz zadawać pytania w taki sposób, żeby odpowiadać na nie za pomocą danych. Czy umiesz opisywać rzeczywistość, żeby dane przyszły z pomocą. Kiedy w ogóle dane są potrzebne, szczególnie w biznesie? Zazwyczaj z data literacy jest połączone data-driven decision process, czyli proces podejmowania decyzji na podstawie danych. Czy po pierwsze w ogóle mamy jakąś decyzję do podjęcia? Są różne metody podejmowania decyzji: rzucenie kostką, zapytanie eksperta, bazowanie na intuicjach i doświadczeniach (jak w start-upach – Airbnb, Uber, Facebook – „wydaje mi się, że to będzie działać”). To też jest metoda. Natomiast wygląda na to, że generalnie, szczególnie w organizacjach, to co się sprawdza, to podejmowanie decyzji w oparciu o dane.
To Mariusz na pewno wiesz i to krzewisz wszędzie. Nie chodzi o to, że każda taka decyzja będzie lepsza niż podjęta na podstawie innych wytycznych. Wierzę, że doświadczony manager jest w stanie czasami podjąć lepszą decyzję niż niedoświadczony analityk, ma większy kontekst. Ale generalnie jako metoda, wystandaryzowany proces podejmowania decyzji, jest to niezastąpione. Co więcej, to tworzy język. Dane potrafią być tym językiem. Jeśli powiem, że konwersja wzrosła o 2% w zeszłym miesiącu, a oczekiwaliśmy 3%, czyli wzrosła, ale niewystarczająco, to wszyscy rozumieją. A co innego, gdy przyjdzie dyrektor sprzedaży i powie: „jest kiepsko. Słuchajcie chłopaki, jest kiepsko. Musicie się bardziej postarać”. Jak kiepsko jest? Bardzo kiepsko, czy tylko trochę kiepsko? Nie wiadomo. Wtedy wchodzą mechanizmy oparte na relacjach psychologicznych. Ten aspekt widzenia rzeczywistości z perspektywy danych jest dla mnie bardzo ważny.
Mariusz Michalczuk: Tu bym Cię przerwał. Mówisz o tych dwóch aspektach: technologicznym i koncepcyjnym. W branży wiele mówi się o AI zastępującej ludzi. Mam taką opinię, nie wiem, czy się z nią zgodzisz, że w analityce, na stronie technologicznej, AI już dzisiaj może nas super zastąpić. Mając koncepcję i wiedząc, o co zapytać, AI obrobi dane, pod warunkiem, że są już wsadzone. Jaka jest Twoja opinia, czy ta część koncepcyjna na dzisiaj może być zastąpiona przez AI? Moim zdaniem dzisiaj nie, ale czy czujesz, że w przyszłości ta część koncepcyjna też będzie zastąpiona przez AI? Tak, że właściciel biznesowy będzie tylko brał i nie będzie musiał pytać danych, tylko AI raz ogarnie technologię, dwa samo zapyta technologię i później wyrzuci jakiś efekt. Jak to Twoim zdaniem wygląda? To jest głębokie pytanie, ale jestem ciekawy, bo mi się skojarzyło, jak mówisz o technologii i koncepcji. Wydaje mi się, że dopóki nie mamy zdigitalizowanego kontekstu i nie umiemy zadać pytania, w tym elemencie AI tak so-so na razie.
Tomek Sienkiewicz: To są rzeczy, nad którymi też myślę. Podstawą tego, z czym wszyscy ludzie od danych się zgodzą, są dane dobrej jakości. Z tym prawie każda firma ma ogromne problemy. Nie wiem, czy to się da w ogóle rozwiązać. W danych jesteś jak armia: z przodu harcownicy idą szybko, a z tyłu idą tabory inżynierów. Zanim oni tam dojdą, gdzie już jest poznane, oni są znowu dalej. Cały czas jest opóźnienie ze względu na jakość, precyzję, masę rzeczy. Ale to jest coraz ważniejsze, wszyscy mówią, że w kontekście AI ten problem jest tym bardziej widoczny. To jest fundament, z tym walczą teraz wszyscy.
Załóżmy, że mamy te dane. Mamy pudełko pod tytułem Google Analytics, które, jeśli jest dobrze zaimplementowane, to wierzę, że dane są dobrze układane. I teraz dochodzimy do tych technicznych aspektów. To jest coś, nad czym myślę, bo myślimy też o rozwoju w najbliższych latach. Czy jest sens uczyć ludzi SQL-a czy w ogóle tego typu platform? Uważam, że chyba nie. Nie pchałbym użytkowników biznesowych w te SQL-e, bo tam jest duże ryzyko popełnienia błędu. Ale tak, jest taki element, że jeśli będę miał interfejs, nawet nie arkusz kalkulacyjny, tylko taką wyszukiwarkę, chat z robotami: „Hej, powiedz mi, co się wydarzyło, ważne jest dla mnie to i to”. Myślę, że to jest możliwe. To jest taki drugi element. Wtedy aspekt techniczny odpada. Już nie muszę wiedzieć, jak to wszystko zrobić. Ale muszę wiedzieć, jak wygląda proces analizy danych. Może jest segmentacja, to zejdź niżej, to zrób mi syntezę. Co jest z tego ważne? Potem rozwój prezentacji danych. Nawet jeśli sam nie wyklikam wykresu, to wciąż jest to najbardziej skuteczny sposób prezentacji wyników. Ważne jest, co uważam za ważne do prezentacji, a co chcę schować, co nie jest tak istotne. Nie jak junior analityk, który zrobił 20 wykresów i pokazuje je wszystkie, bo to ekscytujące.
Ten techniczny element być może odejdzie, jestem ciekaw, jak to się potoczy. Zostaje ten trzeci, koncepcyjny. No bo jeśli usuniemy człowieka z zapytań, to po co ten pracownik tam jest?
Mariusz Michalczuk: No właśnie tak się zastanawiam. Czy dostarczyć dane, to tak, jak z tymi zapóźnionymi zastępami żołnierzy. Na razie nie widzę, żeby AI mówiło: „potrzebuję takich danych – zapewnij mi je”. Ten element drugi, techniczny, spokojnie – jeśli jesteśmy pewni, że wszystko jest, i mamy ten trzeci element komunikacyjny, umiemy zadać pytania, to w elemencie drugim maszynę spokojnie nas może zastąpić.
Tomek Sienkiewicz: Dlatego zastanawiam się, jaka jest rola analityków za 3-5 lat? Kim będzie analityk? Co on będzie robił? Czy pójdą w strony bardziej zaawansowane, zupełnie zlepią się z data science, będą budować modele, automatyzacje, zaawansowane rzeczy? Tego jeszcze nie wiem.
Mariusz Michalczuk: Z drugiej strony, może pójdą bardziej do biznesu właśnie w kierunku literacy? Jak pomyślisz, że dzisiaj, jeśli ktoś nie robi high-endowych rzeczy, a biznes ciągle nie ma tej literacy, nie rozumie tego, to jeśli my skręcimy w te bardziej zaawansowane tematy, będzie jeszcze trudniej się z tym przebić dalej.
Tomek Sienkiewicz: Bardzo możliwe. Nie wiem, zastanawiam się nad tym. Są takie koncepcje, data translator. Ktoś, kto trochę tłumaczy ten język. To jest ciekawe. Robię też coachingi, skończyłem studia coachingowe. Jednym z narzędzi jest kwantyfikacja postępu. Klasyczny przykład: chcę schudnąć. No i wchodzisz z metodologią SMART: o ile kilogramów, kiedy, jak to zmierzyć, którą wagą? Kwantyfikujesz rzeczywistość. Tworzy się plan. Zastanawiam się, czy to też nie będzie jakaś rola, że masa ludzi nie potrafi tego zrobić, nie ma takiej naturalnej umiejętności widzenia świata w takich kategoriach. Może ten analityk będzie właśnie kimś takim? Stwórzmy measurement plan. Jakie metryki w ogóle używamy? Czemu takie? Co jest dla Ciebie ważne? Po czym poznasz, że masz sukces? Może ktoś taki to będzie strukturyzował, jak my w ogóle użyjemy pomiaru do procesów biznesowych. A ta techniczna część będzie, nie wiem, wykonywana za pomocą AI, data analysis assistance.
Mariusz Michalczuk: Dokładnie. Chociaż jak opowiadasz o tej wadze, to dla mnie to typowy problem analityczny, że mamy jakiś problem i trzeba go zdekomponować na mniejsze elementy. Jak sobie je zdekomponujesz, łatwiej jest zaplanować, że schudnę w danym miesiącu, niż że w ciągu roku zrzucę 15 kg i co zrobię w najbliższym czasie. Ta dekompozycja to rzeczywiście analityczny temat. Chciałem wrócić do data literacy, czyli do tego trzeciego poziomu, jak mówiłeś: zapewnienie danych, analiza, i teraz ta przestrzeń. Jak to wygląda?
Tomek Sienkiewicz: Robimy program Data Literacy Academy jako próbę, pilotaż, eksperyment. Stworzyliśmy go, bo dla mnie nie ma sensu uczyć ludzi tych tematów tylko w celu nauczenia ich. Nie chcę uczyć kogoś struktur danych, bo fajnie to wiedzieć, ale z punktu widzenia firmy po co wydajemy na to pieniądze i czas. Szczególnie czas, bo to jest strasznie drogie czasowo. Staram się podpiąć pod cele biznesowe. Gdzie my chcemy być z biznesem? Chcemy zmienić naszą organizację, żeby decyzje były podejmowane szybciej, precyzyjniej, żeby nowe inicjatywy i pomysły były estymowane, skwantyfikowane, żebyśmy mogli porównywać.
Pracuję między innymi z organizacją produktową, gdzie jedną z bolączek było to, że product managerowie mają pomysły, ale każdy mówi: „mój pomysł zwiększy konwersję o 15,5%”, „mój pomysł zmniejszy liczbę reklamacji o 20%”, „mój pomysł zwiększy świadomość użycia narzędzia o 20%”. Z punktu widzenia decydenta to jest niekompatybilne. Z mojej perspektywy ważne jest, żeby program Data Literacy wspierał transformację biznesu. Chciałbym, żeby ci ludzie byli samodzielni. Jak przynoszą mi propozycje jako dyrektorowi produktu, to są w miarę wystandaryzowane. Wiedzą, o czym mówią. Jeśli mówią, że inicjatywa podniesie konwersję o 3%, to dlaczego, skąd masz te 3%? Robiliśmy testy A/B, to jest średnio, albo dolne 25%. Co to jest sama konwersja? Jak definiujesz metrykę?
Tworząc program, dużo rozmawiałem z senior managementem, czego chcą na końcu. Nie chodzi o to, żeby ludzie nauczyli się Tableau czy Microsoft Excel, bo jak nie będą tego używać, zapomną po dwóch miesiącach. Stworzyłem taki program z pomocą paru osób. Wyznaczyliśmy cele, zobaczyliśmy, gdzie jesteśmy. Program był bardzo szeroki i obejmował struktury danych. Bardzo fajny był wykład o tym, jak w e-commerce, w digitalu, kliknięcie użytkownika na stronie wędruje przez różne systemy i ląduje potem w Power BI-u na wykresie. To uświadomiło ludziom, że dane przechodzą przez przestrzenie, agregacje, ładują się. Dla tych, którzy nie pracują z danymi, to jest kosmos. Ale były tam też twarde umiejętności, jak arkusz kalkulacyjny, i bardziej miękkie, czyli komunikowanie się za pomocą danych.
Moja praca polegała na zebraniu tych wymagań, stworzeniu programu, zaplanowaniu, monitorowaniu postępów, wprowadzaniu zmian. Oczywiście, ponieważ to są dane, musimy zmierzyć efekty. Jestem teraz na etapie pomiaru po półrocznym programie, czy coś się zmieniło. Jak zmierzyć zmiany organizacyjne? Z wagą łatwiej. „Nasza organizacja jest teraz bardziej data driven”. Pokaż mi. W skali od jednego do dziesięciu. Czy w procentach: „o 13% jesteśmy lepsi”. Bardzo dużo mojej pracy polega na rozmowach o przyszłości. Ten koncept data literacy się rozwija. Jest taki koncept, który teraz eksploruję: data enablement, czyli dostęp do danych w odpowiednim czasie, elastyczny sposób. Możesz zaufać tym danym. To są wszystkie systemy, gdzie wypychasz dashboardy, by ludzie brali i korzystali. To jest data enablement.
Na to nachodzi warstwa data literacy: czy w ogóle wiem, po co mam ten dashboard? Czy umiem zadawać pytania? To kilka typów myślenia. Enablement plus literacy buduje data adoption, czyli dane nie są już tylko w zespołach analitycznych, ale wszyscy mają i umiejętności, i dostęp na odpowiednim poziomie. Analityk potrzebuje wysokich umiejętności i głębokiego dostępu, ale manager produktu potrzebuje poziomu, który mu wystarczy. Nie musi kodować w Pythonie. Power BI czy proste platformy, gdzie może wyklikać prostą kwerendę, wystarczą. Wtedy to jest full data adoption. Eksploruję te koncepty, jak to najlepiej zrobić. Co z tego wynika, to że Data Literacy to zarządzanie zmianą w organizacji. To, że kogoś nauczę, jak tworzyć fajne wykresy w Excelu, jest fajne, bo lubię komunikację z danymi. Ale czy w ogóle organizacja jest tak ustawiona, że ma to sens? Czy mam komu pokazać te wykresy? Czy jestem w stanie kogoś przekonać? Może to nie jest moja gestia. Jesteś junior frontend developerem i twoją rolą nie jest podejmowanie decyzji, gdzie produkt ma iść.
Mariusz Michalczuk: Myślę, że to jest zmiana przez całą organizację. To nie jest w dwóch działach, na zasadzie data i marketingu. To idzie przez całą organizację, co słyszę.
Tomek Sienkiewicz: Najlepiej by było. Chociaż w praktyce staramy się jeść słonia po kawałku. Niech marketing zacznie działać. Potem dział customer care, który nie chce tego robić, może spojrzy na marketing i powie: „kurde, dobra, ja chcę to całe”. Tak, to jest dla mnie zawodowo bardzo ciekawe, bo to już nie jest tylko: „jak tam zrobić, żeby każdy tego Excela umiał?”. Tylko w ogóle, jak firma myśli za pomocą danych, jak stawia pytania, jak wyznacza sobie cele. I też jest ciekawe, jak nie zostać dogmatycznym w danych.
Mariusz Michalczuk: Że tylko na to patrzeć.
Tomek Sienkiewicz: Niektórzy używają takiego bezpiecznika: jak dane Ci powiedzą tak, to robisz tak. Jak dane Ci nic nie powiedzą, to nic nie robisz. Dla mnie to jest rodzaj wysokiej dojrzałości, że dane mogą ci mówić, ale to nigdy nie jest pełny obraz. Masz swoje doświadczenia, najlepiej połączyć jedno z drugim. Mogą Cię przecież czymś ostrzec. Wszyscy znamy przypadki produktów, na przykład iPhone’a Jobsa – co mu mówiły dane?
Mariusz Michalczuk: Nokia to chyba najlepszy przykład, że dane wcale nie wskazywały, że ktoś będzie chciał nie klikać przyciski.
Tomek Sienkiewicz: John chyba mówił, że ludzie tak naprawdę sami nie wiedzą, czego chcą. Albo wydaje im się, że wiedzą, a tak naprawdę potrzeba jest inna. O to chodzi, żeby wiedzieć, kiedy tego użyć, do czego. To są już bardziej wyrafinowane elementy tej całej zabawy.
Mariusz Michalczuk: Jakie mity spotkałeś w organizacjach, które utrudniają bycie biegłym w używaniu danych? Mówiłeś, że to jest organizacyjne. Jak ktoś przygotuje wykres i z kimś pójdzie, to nie wiadomo, czy druga osoba przyjmie temat, czy to zrozumie. To pewnie problem wysokopoziomowy. Ale jakie bardziej przyziemne przychodzą Ci do głowy?
Tomek Sienkiewicz: Nie wiem, czy są bardziej przyziemne. Są podzielone na trzy obszary. Jeden z nich to ten organizacyjny. Na przykład, w wielu organizacjach produktowych, jaka jest rola product managera? Czy jest on CEO swojego produktu, ma dowodzić wynikami, a co i jak robi, to jego rola? Czy jest trochę delivery managerem – biznes mówi mu, co ma robić, przynosi inicjatywy, a on tylko zarządza zespołem i sprintem? To jest pierwsza bariera: jeśli wykształcę product managerów, którzy de facto są delivery managerami w procesie data-driven decision making, a oni nie mają na to przestrzeni, bo mówią: „co ja mogę zdecydować, skoro wszystko jest narzucane z góry?”. Wtedy ciężko, on się czegoś nauczy, ale czuje, że dostał umiejętności, a ma związane ręce. To jest pierwsza bariera: kto ma jaką autonomię w podejmowaniu decyzji? Rzadko o tym się tak myśli, a jest to dosyć ważne.
Druga bariera to data enablement. Czy w ogóle mam dane, z których mogę skorzystać? Dostęp do danych. Takie, że są one w miarę szybko dostępne, a nie że piszę ticket do zespołu data i dostaję odpowiedź za dwa miesiące, bo są zawaleni, a już jest po ptakach. Czy w ogóle ufam tym danym? To bardzo często przewija się w wielu firmach. Zła cyfra gdzieś na wykresie poważnie niszczy zaufanie do wszystkiego, co produkuje zespół data. Więc jeśli tego nie mam, to znowu wykształcę człowieka. Nawet możesz mieć autonomię w podejmowaniu decyzji i nauczę Cię, że dobrze, jak będziesz miał te dane, to trzeba zrobić taką analizę porównawczą. Tutaj będziesz pokazywał to zarządowi, a on mówi: „dobra, to skąd teraz biorę te dane? Tej wtyczki jeszcze nie ma, bo co prawda mamy trzy warehouse’y, ale tam Cię nie wpuszczę, bo jest taki bałagan, że się nie połapiesz”. I znowu mamy barierę. Człowiek jest wyuczony, chciałby to robić, a jest problem. To jest drugi obszar.
Trzeci obszar to bariera psychologiczna. To, z czym się spotkałem na początku kariery jako analityk. Pokazuję ludziom wyniki, a oni: „chyba coś źle policzyłeś”. Bardzo często to słyszałem, szczególnie, gdy pokazywałem, że coś zrobili niepomyślnie. Są takie psychologiczne lęki, że ktoś mnie będzie oceniał. „Do tej pory robiłem, co chciałem, a tu nagle ktoś. To działanie jest nieskuteczne. Czarno na białym wychodzi: zainwestowałeś 100, dostałeś 50. Zmierzyliśmy to, co robisz i to nie jest efektywne”. Czasami jest też lęk: „ja to nie byłem dobry z matmy w szkole, więc to nie dla mnie”. My w ogóle nie uczymy matematyki. Co więcej, możesz być świetny z matematyki, a być kiepskim, jeśli chodzi o Data Literacy, bo komunikacyjnie jesteś naprawdę średni, żeby nie powiedzieć gorzej. Może jesteś super mózgiem, ale nie potrafisz tego, co wygrzebałeś z cyfr, pokazać biznesowi. Więc tacy ludzie pójdą, pokażą, a oni są głupi, nic nie rozumieją z tego mojego geniuszu. Jest jakiś nierozwinięty w pełni Data Literacy.
Taka analogia: kiedyś pracowałem w marketingu jako analityk i były osoby, które mówiły: „Tomek tam siedzi przy tych cyferkach, to takie nudne, ja tego nie rozumiem”. Mówię: „jest zajebiście ciekawe!”. Ale właśnie to nie dla mnie, bo ja wolę humanistycznie podchodzić. Dla mnie analogią wtedy jest, wyobraźmy sobie, wszyscy mamy komputery w pracach. Jeszcze 40 lat temu rzadko kto miał komputer w pracy. Byli kasta informatyków. Informatycy są od komputerów. W latach dziewięćdziesiątych, te wielkie molochy państwowe, Poczta Polska, telekomunikacja, wszystkie panie w urzędach musiały przesiąść się na komputery. To była gigantyczna rewolucja komputeryzacji. Żadna z nich nie była informatyczką. Ale dzisiaj ciężko sobie wyobrazić urząd bez komputerów. Wszyscy pracują, dzieci uczymy tego. Wiesz, na czym polega rozwijane menu, że jak jest śrubka, to tam są settingi. Ludzie to wiedzą. Jest jakiś poziom, tak jak z samochodem. Uwielbiam jeździć, jak się zepsuje, oddaję do warsztatu, czyli do IT. I wydaje mi się, że z danymi jest podobnie. Jest jakiś poziom umiejętności, który ja potrzebuję na moim obecnym stanowisku. Nie muszę być matematykiem, umysłem ścisłym. To będzie dopasowane do mnie. Chyba umiem stwierdzić, czy 7 jest więcej niż 5.
Mariusz Michalczuk: Umieć wysłać tylko maila, tak jak w koncepcji komputerów.
Tomek Sienkiewicz: Nikt się nad tym nie zastanawia, że wszyscy jesteśmy informatykami, łącznie z naszymi rodzicami, którzy wchodzą na internet.
Mariusz Michalczuk: Ja powtarzam, że wszyscy jesteśmy analitykami. Idziemy do sklepu, patrzymy: jest obniżka cenowa, bierzemy produkt tańszy. Co robimy? Porównujemy kategorię produktową i dwie wartości, wybieramy tańszy. Kupujemy samochód, konfigurujemy, dorzucimy to – nie przekraczamy budżetu. W życiu każdy jest w jakiś sposób analitykiem. My po prostu nieświadomie to robimy.
Tomek Sienkiewicz: To jest taki najwyższy poziom umiejętności – nieuświadomione kompetencje. Z danymi też tak jest. Dla mnie jest ciekawe, że masz cenę produktu, ale jakiś czas temu sklepy weszły na wyższy poziom, podając cenę za jednostkę produktu. Jaka jest cena za kilogram albo za litr? To już jest wyższy poziom analityczny.
Mariusz Michalczuk: Oczywiście.
Tomek Sienkiewicz: Nie, to jest 8 zł, a tu 9, ale to jest 16 za litr, a to z kolei 22 za litr. I zaczyna się dopiero analiza.
Mariusz Michalczuk: W głowie zaczyna się praca analityczna. Najprostsze porównywanie. Brakuje tego, żeby słów jeszcze, ale myślę, że dożyjemy do tego, że będziemy mieli okulary, które będą nam wyświetlały wykresy. Będziesz szybko wizualnie mógł sobie coś porównać.
Tomek Sienkiewicz: Albo podejmie decyzję za Ciebie.
Mariusz Michalczuk: To jest mój budżet, potrzebuję tyle kalorii, a lubię to.
Tomek Sienkiewicz: Dokładnie tak.
Mariusz Michalczuk: Z Twojej perspektywy, zmierzając do końca, jak myślisz o edukacji z zakresu data literacy, biegłości – co jest wyzwaniem? Obserwujesz to w firmie i z Twojego doświadczenia, jak to wcześniej wyglądało. Jedno to powiedziałeś, że ludzie czują się humanistami i tej matematyki trochę nie chcą dotykać. A może to jest z perspektywy biznesu do analityków, a może z perspektywy analityków do biznesu? Ja na pewno mam jedną obserwację.
Tomek Sienkiewicz: Jak…
Mariusz Michalczuk: Mówimy, że biznes nie chce dotykać cyfr, bo myślą, że to matematyka i się boją. Ja mam takie poczucie, że my, analitycy, boimy się stawiać hipotezy, bo analityka to hipotezy, a nas na studiach nauczono aksjomatów. Uczyliśmy się matematyki, statystyki, że 2 plus 2 to 4. Kończymy studia, idziemy do biznesu i boimy się powiedzieć, że jeśli 2 plus 2, to prawdopodobnie będzie 4, albo z największym prawdopodobieństwem to będzie 4, może być 5, a może być 0. Boimy się wyjść z takim stanowczym zdaniem, że to jest hipoteza, że nie ma pewności. Boimy się, że jeśli biznes podąży za tym, to później powie: „powiedziałeś mi, że to będzie 4, a wyszło 0”. Tu jest problem w systemie edukacji analitycznej: uczymy się aksjomatów, wchodzimy do biznesu, a tam pracuje się na hipotezach.
Tomek Sienkiewicz: Super ciekawe spostrzeżenie. Rzeczywiście tak jest. Ale wydaje mi się, że to przekonanie jest z dwóch stron. Często miałem wrażenie, że mnie traktują jak jakiegoś mędrca, który wie wszystko. Jeśli zmierzyłeś coś, to na pewno wiesz wszystko. Potem, ile miałem rozmów z prezesem z mojej poprzedniej firmy. Robimy A/B test, wyszedł wynik wygrywający, wysoka statystycznie, wdrażamy, a potem nic się nie zmienia. Jak to wytłumaczysz? Po co w ogóle to robić? Dla mnie to jest filozoficzny aspekt, czym jest pomiar, co my w ogóle mierzymy. Cały czas walczymy z rzeczywistością, która jest nieustająco zmienna. Próbujesz ją złapać w jakąś strukturę, a to rozsypuje się momentalnie lub bardzo często. Jakiś model produkcyjny – ile one trwają? Rok, dwa, trzy okresy do przodu. Tyle rzeczy się zmienia.
Wiesz, to też trochę zahacza o pole, które też lubię: kim są analitycy z psychologicznej konstytucji? Ja na przykład wiem, kim ja byłem. Lubiłem pewność. Tak jak mówisz, dwa plus dwa to cztery, to jedyna pewna rzecz w biznesie. Potem wchodzisz i jest tyle niuansów, tyle aspektów. Wydaje mi się, że jest taka presja grupy zawodowej. Jedziesz na konferencję, tam wszystko jest super, eksperci, masz badania statystyczne, masz tych wielbionych doktorów matematyki, statystyki, oni pokazują super wyrafinowane rzeczy. A potem idziesz do tego biznesu – to wszystko jest takie miękkie, zmienia się, niby coś wdrożyłeś, ale trwało przez moment. Więc tak, jest taki aspekt. Nie wiem, czy to nazwać data literacy, ale o tym rozmawiam u mnie w firmie. Jest koncepcja data for business, czyli data literacy for business, ale też jest business for data people. Czy w ogóle, co ja na przykład nie wiedziałem, będąc przez wiele lat analitykiem: co robi mój partner biznesowy? Do czego dąży? Na czym polega ten biznes? Dlaczego cyfry, które mu daję, są ważne? Po prostu miałem zadania i robiłem je, starałem się być jak najlepszy, ale w ogóle nie było takiego meta zrozumienia, co właściwie robię. Dlaczego, jak tu spadło 1%, to jest to ważne, a tam dobra, to coś nie jest takie ważne, bo pogadam, pójdę coś tam, wiesz, sprzedażę, pogadamy, coś zrobimy. Więc jest ten aspekt komunikacyjno-zrozumieniowy, w ogóle jak ten biznes działa.
Mariusz Michalczuk: Jeszcze przyszło mi do głowy, że tak jak mówiłem, że od dołu to jest wyzwaniem w tej biegłości, to od góry mam też poczucie, że jest strach przed popełnianiem błędów. Często powtarzam Nelsona Mandelę, który mówił: „ja nigdy nie przegrywam. Ja albo wygrywam, albo się uczę na błędach”. I znowu ten strach – że ktoś wziął te cztery i podążył za tą rekomendacją cztery, a wyszło zero, to pretensje do analityka, że on popełnił błąd.
Tomek Sienkiewicz: Widzisz, o czym mówiliśmy wcześniej, o tym, jak jest podejmowany proces decyzyjny. Najwyższym poziomem dojrzałości dla mnie nie jest, że tylko ufasz danym. Rozumiesz, że dane pokazują obiektywny obraz rzeczywistości, ale zredukowany, bo sam pomiar jest redukcją rzeczywistości. Ale ty masz swoje doświadczenie, intuicję i masz jakościówki różne. Widzisz, co się dzieje, w którą stronę idzie świat. Pamiętam, że miałem takie rozmowy w poprzednich organizacjach z zespołami produktowymi, z szefem produktu. Narzekał, że super, analityka, analitycy świetnie, ale produkt managerowie chowali się za wynikami A/B testów. Nikt nie chciał podjąć żadnej decyzji, dopóki A/B test czegoś nie powie. Jak w A/B testach jakieś wyniki wyszły, to ja wtedy robię decyzję. No to wtedy jest pytanie, po co w ogóle taki product manager? Zautomatyzuj to. Analityk wypluje taki wynik, to taki. Że to nie był element całej układanki procesu podejmowania decyzji, tylko jedyne kryterium. I wtedy dzieje się to, co mówisz. Analityk powiedział 4, wyszło 0. Albo analityka jest kiepska, albo analityk kiepski. Takie trochę niedojrzałe podejście.
Mariusz Michalczuk: Okej, słuchaj, na koniec chciałem Cię zapytać, bo pojawiło się Data Enablement, Data Adoption. Czy można by było, podsumowując trochę naszą rozmowę, powiedzieć, że na początku mamy Data Capture, później Data Enablement, Data Adoption, a później Data-Driven Decision Process? Czy jest jeszcze coś pomiędzy, czy to już jest ten święty graal i taka kolejność?
Tomek Sienkiewicz: Tak, właśnie eksploruję to teraz trochę, patrzę, jak to w ogóle wygląda, bo to jest ciekawe. Czy to się w ogóle robi, dopiero co jest wymyślane. Ale to nie są definicje sztywne, to jest moje pojęcie. Na końcu masz data culture. Coś, co wszyscy mówią.
Mariusz Michalczuk: Super, czyli jeszcze wyższy poziom.
Tomek Sienkiewicz: Bo to jest kultura cała. Praca z danymi. Ludzie używają danych. Dane są zbierane. One są w ogóle dostępne, nie tylko dla analityków. Tak jak może znowu trochę przejść do literacy. Umiejętność pisania i czytania. Na końcu masz kulturę piśmienną.
Mariusz Michalczuk: Że wszyscy są oczytani i rozmawiają.
Tomek Sienkiewicz: Jak masz jakieś elementy kultury, weźmiemy jakąś definicję antropologiczną czy socjologiczną, to masz i procesy, i role, i artefakty, czyli jakieś przedmioty fizyczne. Czyli mamy i narzędzia, i procesy, jak jest podejmowana decyzja. Co tydzień się spotykamy, omawiamy dashboard, bo dashboard nie może być po prostu artefaktem. Musisz proces wokół tego, jak się rytuał tworzy wokół tego procesu. Na tej podstawie podejmowało się decyzje. Kto podejmuje decyzję? Kto jaką rolę w ogóle pełni w tym rytuale? Jest analityk, jest ktoś nad nim. To tworzy się kultura, gdzie dane stają się trochę językiem tego. My rozmawiamy o danych, a nie to, że ktoś był wkurzony i podjął taką decyzję, albo bo mi się wydaje, że tak jest. Jak utniesz te dane, to ta kultura trochę wymiera. Na jakimś takim top meta poziomie to ja bym tak widział. Super.
Mariusz Michalczuk: Bardzo fajne. Mega Ci dziękuję za rozmowę. Mega inspirująca. W ogóle jakieś nowe wątki też mi się w głowie otworzyły, tematy. Dzięki wielkie za czas. Myślę, że będzie turbo wartościowa dla kanału, dla słuchaczy. Jeszcze raz wielkie dzięki.
Tomek Sienkiewicz: Tak, dziękuję Mariusz bardzo za zaproszenie. To też dla mnie super ciekawe, żeby o tym mówić. Ja też się tego uczę. To jest dosyć nowe i patrzę, co działa, co nie działa, gdzie można wejść, gdzie nie można. Super, że mamy taką okazję, że mogę to robić w praktyce. Nie wiem, czy mogę się zareklamować, ale jeśli ktoś chciałby o tym pogadać, wymienić myśli, to jestem na Linkedinie: Tomasz Sienkiewicz, Data Literacy Manager w Autodoc. Zachęcam do kontaktu.
Mariusz Michalczuk: Podlinkujemy też linki do LinkedIna w opisie pod filmem.
Tomek Sienkiewicz: Dziękuję bardzo. Super mi się rozmawiało. Dzięki Mariusz. Cześć.
Mariusz Michalczuk: Dzięki.
Rozmowa z Tomkiem Sienkiewiczem, Data Literacy Managerem w Autodoc, rzuca światło na rosnące zapotrzebowanie na biegłość w posługiwaniu się danymi w nowoczesnych organizacjach. Tomek podkreśla, że Data Literacy to nie tylko techniczne umiejętności pracy z danymi, ale przede wszystkim zdolność do zadawania właściwych pytań, opisywania rzeczywistości w kategoriach mierzalnych i komunikowania się za pomocą danych. Jest to klucz do podejmowania decyzji opartych na danych (data-driven decision-making) i budowania spójnego języka w całej firmie.
Jednym z kluczowych wniosków jest analogia do historycznej ewolucji umiejętności czytania i pisania – od elitarnych zakonników do powszechnej umiejętności. Podobnie dane stają się wszechobecne i łatwo dostępne (wynalazek „druku” w postaci rozwiązań chmurowych i narzędzi AI), ale brakuje powszechnej umiejętności ich rozumienia i efektywnego wykorzystywania. Rola Data Literacy Managera polega na wypełnianiu tej luki, prowadząc organizację w stronę pełnej adopcji danych.
Wyzwania w budowaniu kultury danych są złożone i obejmują bariery organizacyjne (autonomia decyzyjna), technologiczne (dostęp do jakościowych i terminowych danych) oraz psychologiczne (lęk przed oceną, poczucie braku kompetencji matematycznych, strach przed popełnianiem błędów). Tomek zwraca uwagę, że AI może zautomatyzować techniczne aspekty analityki, jednak rola analityka przyszłości będzie ewoluować w kierunku „data translatora” – osoby, która strukturyzuje problemy biznesowe, tworzy plany pomiarowe i tłumaczy język danych na zrozumiałe dla biznesu wnioski. Ostatecznym celem jest stworzenie „kultury danych”, gdzie dane są integralną częścią procesów decyzyjnych i komunikacji na każdym szczeblu organizacji.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
