Olen Johannes Hovi ja kirjoitan tämän viikon blogissamme osaamisesta ja sen kehittämisestä. Olen ollut headhunterina, laatinut Suomen suurimmille yrityksille kompetenssimalleja sekä vastannut kansainvälisen konsulttiyrityksen Talent Management -palveluista. Olen myös ollut softa-alan yrityksissä töissä sekä perustanut startup-yrityksiä.
Onko Data-osaaminen Suomessa kohdallaan?
Mielestäni se on kansainvälisessä vertailussa hyvällä tasolla, mutta kysyntä ylittää nyt tarjonnan. Digitalisoituva maailma tarvitsee rattaisiinsa niin paljon osaajia, etteivät yliopistot ja korkeakoulut tahdo pysyä perässä. Yritykset ja organisaatiot mieluusti rekrytoivat valmiita osaajia. Jos heitä ei löydy, niin rekrytointiprosessi seisoo paikallaan. Todetaan, että emme onnistuneet palkkaamaan tarvittavia ihmisiä. Soitetaanko siis toiselle headhunterille ja vaihdetaan rekrytointikumppania?
Data Scienctist tai datatieteilijä on juuri sellainen ammattiryhmä, joista on pulaa. Forbes on valinnut sen vuosisadan seksikkäimmäksi ammatiksi. Lukiessani aikoinani tilastotiedettä yliopistossa en olisi heti ajatellut sen osaamisen olevan 15 vuoden päästä erityisen kysyttyä, jopa seksikästä!
Niille jotka eivät ole perehtyneet termiin, datatieteellä tarkoitetaan datan tutkimista tilastotieteellisillä menetelmillä. Yrityksissä ja organisaatioissa datatieteestä saaduilla johtopäätöksillä pyritään löytämään oivalluksia liiketoiminnan kehittämiseen, kustannus- säästöjen saavuttamiseen sekä täysin uuden liiketoiminnan luomiseen. Kaikki palkkaavat nyt datatieteilijöitä. Heidän osaamispakettiinsa oletetaan kuuluvan tilasto-, liiketoiminta-, SQL-, Hadoop/Spark- , R-, pilvi- sekä Java- tai Python-osaamista. Tässä kohtaan törmätään yleensä haasteeseen: hyvin harvalla löytyy kaikkia edellä mainittuja taitoja.
Mitä siis tehdä asialle? Yksi vaihtoehto on näiden taitojen kehittäminen.
Mikä sitten on hyvä osaamisperusta, millä ammattiryhmällä on parhaimmat edellytykset siirtyä datatieteilijäksi tai muuten omaksua näitä taitoja? Onko helpompi opettaa koodaajalle tilasto-osaamista? Onko koodausosaaminen sittenkään ehdoton edellytys, kun nykyisin on olemassa käyttöliittymiä, joiden avulla voidaan aika hyvin toteuttaa ennustemalleja?
Siksi yksi hyvä ryhmä voisi olla analyytikot ja controllerit ja muut talousdataa käsittelevät asiantuntijat. Heille tulee datapyyntöjä ja he ovat tottuneet käsittelemään lukuja. Toinen ryhmä on BI- ja DW-osaajat. Heillä on relaatiokantaosaamista sekä BI/Analytiikka-tuotteiden syvempää käyttöosaamista. Kolmannen potentiaalisen ryhmän muodostavat jo edellä mainitut ohjelmoijat. He osaavat kaivaa dataa myös NoSQL-kannoista, koodata sekä omaksuvat nopeasti esim R:n tai Pythonin. Sitten on vielä joukko oppimishaluisia eri alojen IT-ihmisiä, joilla on potentiaalia oppia kaikkia näitä taitoja.
Voisi sanoa, että on oikeastaan kolme asiaa, jotka vaaditaan datatieteessä alkuun pääsemiseen: 1) Halu oppia uusia taitoja oikeasti ja motivaatio panostaa opiskeluun 2) Uteliaisuus ja halu ratkoa ongelmia. Tätä voisi sanoa protoilevaksi ja trial-and-error -tyyppiseksi orientaatioksi. Esim tyypillinen huippukoodaaja keskittyy virheettömän koodin kirjoittamiseen sekä bugien löytämiseen ja sitä kautta valmisteilla olevan toiminnallisuuden optimointiin. Datatieteessä tulokulma on täysin eri, koska ajatus on testata hypoteeseja ja hakea uusia ilmiöitä datasta eikä valmiin softan/palvelun rakentaminen 3) Peruskiinnostus ja ohjelmistojen ja teknologioiden osaaminen. Jos IT-teknologia ei kiinnosta, voi olla vaikeampi edetä alan tehtäviin.
Palaan vielä tuohon alussa esittämääni kysymykseen: miksi rekrytoivat esimiehet eivät palkkaa potentiaalia vaan haluavat valmiin osaajan? Tämän huomasin headhunterina toimiessani. Toki on pakko tehdä kompromisseja, mutta riskinotto on vähäistä. Toki ymmärrän se, koska virherekrytoinnit maksavat erittäin paljon.
Siksi peräänkuuluttaisin tähän muutosta: palkatkaa ihmisiä, joilla on 50 % vaadittavasta osaamisesta ja 100 % kyky/motivaatio oppia uutta.
Vinkkejä rekrytoijille esimiehille ja HR:lle:
Kysy, miten hakija kehittää jatkuvasti tarvittavaa osaamistaan. Mitä alan kirjoja ja julkaisuja hän on lukenut aiheesta viime aikoina. Siitä saa hyvän kuvan ihmisen halusta oppia ja kehittyä. Painota valintatilanteessa hakijoiden motivaation sekä oppimispotentiaalin selvittämistä. Kokeneet HR-ammattilaiset tietävät miten tämä tehdään.
Vinkkejä datatieteilijäksi havitteleville:
Koneoppinen ja AI tulevat jo meidän elinaikanamme automatisoimaan ison osan ns. numerotyöstä ja Excelin pyörittämisessä. Myös osa lääkärien ja monen muun kovatasoisen asiantuntijan työstä tullaan automatisoimaan tulevaisuudessa.
Kannattaa siksi lukea ja opiskella uusia asioita jatkuvasti. Käydä vaikka online-kursseja ja hakeutua koulutustilaisuuksiin. Hommaa mentori ja hakeudu töissä tehtäviin, joissa olet oman mukavuusalueesi ulkopuolella. Muista myös rohkeasti hakea sellaisiin paikkoihin, joihin osaaminen ei täysin riitä, mutta melkein. Voin satoja rekrytointeja tehneenä sanoa, että kenelläkään muullakaan ei ole kaikkia työilmoituksessa vaadittavia osaamisia.
Mikäli haluat vinkkejä siihen, että miten rekrytoida potentiaalisia osaajia ja kehittää heitä, voin tulla aina kahville ja juttelemaan lisää. Annan siksi ilmaisia vinkkejä, koska en enää itse hoida rekrytointiin liittyviä asioita, mutta mielellään juttelen niistä, koska asia on minulle tärkeä. Tai jos haluat ilmaista neuvoa työnhaussa, niin siinäkin voin auttaa.
Ole siis yhteydessä 050 3670809 tai [email protected], jos haluat sparrausta.
Ystävällisin terveisin,
Johannes Hovi
Olemme nyt päättäneet Ari Hovilla vastata yllä kuvattuun haasteeseen lanseeraamalla uuden Data Science-koulutusohjelman. Kiinnostuitko?
Tutustu ohjelmaan tästä
