dataSTREAM 2017

A 2017-es dataSTREAM konferencia a kritikus gondolkodás és az emberi döntések szerepéről szólt egy olyan korszakban, amelyben úgy érezhetjük, a gépek helyettünk tanulnak.

Körmendi György, a Clementine ügyvezetője nyitóelőadásában az adattudomány előtt álló döntéseket hangsúlyozta – a kognitív éra küszöbén fókuszba kerül a szakma, ezzel párhuzamosan pedig a szakmai identitás átkeretezésére is sor kerül. A szakemberek választhatnak az on-premise platformok és a felső alapú megoldások közül (a hibrid ajánlatok középtávon jó alternatívát jelenthetnek), illetve vannak, akik magas szintű eszközöket alkalmaznak az adatokban rejlő mintázatok feltárásához, míg mások a kódoláshoz ragaszkodnak. Az IBM Data Science Experience platformja új mérföldkövet jelenthet az elemzésben – felhő alapú és open-source megoldások, együttműködést támogató funkciók, szakmai tudásáramlás, és hamarosan az SPSS Canvas is beépül a rendszerbe – így hatékony, egységes munkafelületet biztosít az adatelemző munkatársaknak.

Kókai Dávid, a We Love What You Build alapítója a Lego alkatrészek másodlagos piacának vadnyugati hangulatáról mesélt. Tudtátok, hogy a Lego 11 szürke árnyalatot gyárt? Ráadásul egy 1x2-es (kékes)szürke elem 9-szer annyit ér, mint egy 1x2-es kommersz sárga elem? Míg a Lego kizárólag készleteket árul, addig a fregmentált másodlagos piacon akár évekkel ezelőtt kiadott készletekből is lehet alkatrészt vásárolni. A másodlagos piacterek transzparensek, ebben hasonlítanak a pénzpiachoz – Kókai Dávid a cikkelemekből adatbázist épített, és az adattudomány segítségével igazgatja vállalkozását: data támogatja az optimális készletgazdálkodást, az árazást, a vevőprofilozást, a direkt marketinget, a beszerzést, a minőségbiztosítást és a logisztikát. Azonban a szabályozott pénzpiacokkal ellentétben a Lego alkatrészek piacán vadnyugati szabályok érvényesülnek: megengedett a versenytársak kulcstermékeinek felvásárlása, a saját forgási sebesség növelése.

Lányi Dávid, az IBM Research zürichi laboratóriumának mérnöke úgy gondolja, a digitalizált vállalatok között a kognitív üzletág tesz majd valódi különbséget. Azoknak, akik előre rettegnek az automatizálástól, és attól, hogy a gépek miatt elvesztik állásukat, az IBM bíztató víziót sugároz: az előadáson az augmented intelligence (kiterjesztett intelligencia) képét vázolta fel a szakember, melynek segítségével az átlagos munkavállalót a technológia segítségével felvértezik, hogy a legjobbak hatékonyságával bírhasson. Erre példa egyik projektjük, melyben mellrákos szövetmintákat elemeztek deep learning módszerrel – a programot egy nyár alatt fejlesztették, és közel olyan pontossággal azonosította a mitózisokat, mint egy olyan szakorvos, aki 8-10 évet töltött ezeknek tanulmányozásával. Emiatt az orvosoknak nem szükséges karrierváltáson gondolkozniuk; a módszer mindössze egy objektív másodvéleményt ad, támogatja a szakemberek munkáját.

Kovács-Ördög Zita és Pancza Judit bemutatták a Clementine új munkatársát, BOTondot. BOTond egyelőre próbaidőn van a cégnél, és szorgalmasan tanítják neki a szervezeti információkat, hogy minél gördülékenyebben válaszolhasson az érdeklődők kérdéseire. BOTond előnye, hogy szabálykövető kolléga, ellenben demotivált – tudását magától nem bővíti, ráadásul feledékeny. Az új munkatárs cégünk profiljához illeszkedik: szabályalapú chatrobot, Emíliához (virtuális banki asszisztens) hasonlóan, akit 2016-ban mutattak be, és egyszerű banki kérdésekre válaszol szóban. 2020-tól várhatóak az „intelligens” robotok, akik prediktív modellel válaszolnak, maguktól is tanulnak – kérdésekből és válaszokból egyaránt -, NLP-t használnak, és emlékeznek a korábbi beszélgetésekre.

Mit értünk adatvezérelt szervezet alatt? Tompa Miklós, a Clementine üzletfejlesztési igazgatója a vállalat felmérésének eredményeiről beszélt, amelyben azt vizsgálták, hol helyezkednek el az adatelemző csapatok a szervezetekben, hogyan és milyen módszerekkel dolgoznak. Problémát jelenthet, hogy az adatelemző csapatok nincsenek megfelelően integrálva a szervezeti felépítésbe, az adatrészlegeknek nincsenek mérhető teljesítménymutatóik, mindösszesen a határidők tartása. Gondot okozhat az is, hogy a vevők nem elemzési szakemberek, az elemzők kevéssé érzékenyek az üzleti igényekre, ezért nem képesek releváns kérdéseket megfogalmazni. Érdekes eredmény, hogy mindösszesen egy megkérdezett cégnél volt valódi Big Data megoldás nemzetközi csapat szinten. A szakember tanácsa, hogy minden folyamatban legyen jelen az adat, és generáljon üzleti hasznot; az eredményességhez az elemző csapatnak mérőszámokra, integrált analitikai eszközökre van szüksége és a speciális feladatokhoz open-source megoldásokra. Erre később hasznos felület lehet az IBM Data Science Experience, amelyről Körmendi György előadásában hallhattunk korábban.

Kovács Gyula, a Fókusz takarékszövetkezet projektigazgatója az adattudósokat a görög tudósokhoz hasonlította: Eratoszthenész kevés információból közel teljes pontossággal becsülte meg a Föld kerületét. Az elemzők feladata is hasonló: viszonylag kevés adatból próbálnak pontos előrejelzéseket adni. A szakma egyik kihívását az ügyfelek elvárásmenedzsmentjében látja, nem érdemes illúziókba kergetni a vevőket, ne várjanak csodát. Véleménye szerint Magyarországon adatéhség uralkodik, és rettenetes éhség esetén a vajas kenyér is megfelel, tehát a gyorsan elkészíthető, egyszerű eredmények; a szakember azt javasolja, feleslegesen ne bonyolítsuk az elemzéseket. Jó tanács azonban, hogy olyan elemzéseket is végezzünk el, amelyekre az ügyfél esetleg nem gondolt, így nem csak az ő megérzéseit támasztjuk alá, hanem új információt is nyújthatunk, ez pedig hozzáadott értéket jelent.

Ádám Gábor, az IFUA Horváth & Partners Advanced Analytics vezetője – ez a terület a menedzsment tanácsadás és az adatbányászat találkozása. A felsővezetők gyakran nem értik a riportokat, ezért nem integrálják a feltárt információkat a folyamatokba, ezért Ádám Gáborék könnyen érthető, dashboard alapú kimutatásokat nyújtanak az ügyfeleknek, ami hasznosítható tudássá alakul. A prediktív előrejelzési megoldásokon – amelyek alapját idősoros elemzések adják - a Clementine munkatársaival dolgoznak együtt. Az egyik vezető gyógyszergyártó cégnek 24 hónapra készítettek kereskedelemi előrejelzéseket (ehhez szükségük volt minimum 24 hónap tanulási adatra). A szakember felhívta a figyelmet arra, hogy a prediktív elemzéseket érdemes havonta pontosítani új adatok bevitelével, továbbá az emberi előrejelzések gyengeségeire is rávilágított, hangsúlyozta a kognitív torzítások hatását a predikciók pontosságára (múltbéli események, horgonypontok, például a válságnak sokkal nagyobb jelentőséget tulajdonítanak, mint a gépi elemzések).

Máté Anna, a Clementine elemzője a biztosítási csalások hatásaira hívta fel a hallgatóság figyelmét. Szakértők becslése szerint az összes bejelentés 5-10%-a lehet csalás, pedig a csalások felderítésével a biztosítócégek elkerülhetnék a jogosulatlan kifizetéseket, amelyek több milliárd forint kifizetést is jelenthetnek évente. Az elemző a gépjármű-biztosítási csalásokkal foglalkozott részletesebben: ezeknek egy részét egyedül követik el (például utólag köt biztosítást a káresetre, vagy nagyobb összegű káresetet jelent be, mint amire valójában jogosult), azonban a nagy horderejű csalás-sorozatokat csoportosan hajtják végre (megrendezett balesetek és lopások, öltöztetések). A csoportok jó eséllyel felderíthetők kapcsolatiháló-elemzéssel. A Clementine szakembere az előre meghatározott elemzési módszerrel, IBM i2 Analysts’ Notebookkal dolgozott, így feltárhatóvá váltak a kulcsszereplők és az összeköttetések. A biztosítási csalások hatékony feltérképezéséhez sokban hozzájárulna egy összevont biztosítási adatbázis, hiszen az érdekeltek általában nem ugyanannál a cégnél követik el az ismételt csalásokat.

Mándli Anna, a Robert Bosch Kft. autóelektronikai technológiákat fejlesztő csapat tagja a gyártási folyamatokat adatbányászati módszerek segítségével optimalizálja. Egy-egy alkatrész, termék gyártásában több gyártósori gép működik közre, az adatok segítségével azonosították a hiba forrását, majd vizualizálták a legfontosabb tényezőket, hogy később is könnyen ellenőrizhetővé váljanak. Eredményeiket a fejlesztő csapattal és a mérnökökkel egyeztették. A gyártás során keletkezett adatok forrása azonban nem stabil – a mérések gyakorisága ingadozó, a különböző időintervallumokban keletkezett adatok nem összehasonlíthatóak, ráadásul a gépek kalibrálása, a gépek közötti különbségek is kihívásokat állítanak a szakemberek elé.

A konferenciát Könyves Tóth Előd előadása zárta, aki rengeteg érdekességet és különböző jövőképeket vetített a vászonra. Szembe állította az AI effect jelenséget az általa megfogalmazott AI komplexussal. Az AI effect a mesterséges intelligencia tagadása, melynek során bármilyen áttörést ér el a terület, a kritikusok azt mondják, ez nem valódi mesterséges intelligencia; így a mesterséges intelligencia mindig az marad, amit még nem értünk el. A szakember által megfogalmazott AI komplexus a mágikus gondolkodással analóg: az ilyen típusú ember minden tárgynak különleges hatalmat, lelket tulajdonít, mindenben az AI-t látja. Könyves Tóth Előd felhívta a figyelmet arra, amit sokan tudnak, de rendre elfelejtenek: az eszköz csak akkor intelligens, ha intelligensen használják. Ne essünk abba a csapdába, hogy kizárólag a gépektől várjuk a tudást.

Gartner 2017: Magic Quadrant for Data Science Platforms

A data science platformok gépi tanuláson alapuló megoldások létrehozására szolgálnak. Ezen a piacon az innovációk fókusza főleg a felhőmegoldásokra, Apach Spark-ra, automatizálásra, kollaborációra és a mesterséges intelligenciára helyeződik. A Gartner idén is 16 vendort értékelt azért, hogy bemutassa a legjobb elérhető platformokat. Ezek a termékek hozzásegítik a vállalatokat, hogy saját maguk építsenek gépi tanulásos megoldásokat ahelyett, hogy kiszerveznék azok létrehozását vagy éppen készen kapható formában vásárolnák meg őket.

A vállalatok életében felmerülő számtalan feladat elvégzésére alkalmasak ezek a megoldások, különösen olyan esetekben, amikor nem érhetők el megfelelő minőségű készen kapható, csomagolt applikációk. Ilyen feladatok például az ügyfelek igényének, a vásárlási szándékának vagy épp a lemorzsolódásának előrejelzése, illetve a csalásfelderítés.

A Gartner korábban Advanced Analytics Platform kategóriában értékelte a fenti megoldásokat, azonban a fejlett analitika kifejezés egyre inkább kikopott mióta a vendorok szívesebben használják a data science-t a marketing narratívájukban. Emellett a Gartner azzal is érvel az új elnevezés mellett, hogy az értékelt platformokat data scientist-ek használják, így kézenfekvő a szóhasználat. A definíciójuk szerint a data science platformok olyan összetett szoftveres applikációk, amik számtalan adatelemzési megoldás létrehozására alkalmas alapvető építőköveket tartalmaznak, és képesek ezen megoldások üzleti folyamatokba, infrastruktúrába és termékekbe történő beépítésére.

15 kritérium mentén értékelték a platformokat, úgy mint adat-hozzáférés, -előkészítés, vizualizáció, automatizálás, user interface, gépi tanulás, stb. A korábbi évekhez hasonlóan a megjelenítés komplexitása és a végrehajtás képessége mentén helyezték 4 kvadránsba az eredményeket, és az IBM ismét kiemelkedő helyet foglal el a Leader-ek között. A cég két termékét, az SPSS Modelert és az SPSS Statistics-et vették számításba az értékelésnél.

gartner 2017

A jelentésben az IBM alábbi erősségeit emelték ki:

  • Az IBM elkötelezett a folyamatos fejlesztés, illetve a data science és gépi tanulásos módszerek kiterjesztése iránt. A legújabb data science platform, a Data Science Experience (DSx) a jövőben minden bizonnyal a legkedveltebb eszközzé válhat a modern, nyitott, rugalmas használhatóságának köszönhetően, illetve azért is, mert az adatelemző szakértőktől az üzleti felhasználókig mindenki számára könnyen használható megoldásokat kínál.
  • Az IBM nagy hangsúlyt fektet az open source megoldások integrálására, hiszen ez napjainkban alapvető elvárás az adatelemzésben. Támogatja többek között a Spark és más nyílt forrású technológiák szoftveren belüli elérését, valamint az SPSS felhasználóknak több mint 170 bővítményhez is hozzáférést enged, hogy ők külső (akár más programnyelven írt) applikációkat és algoritmusokat használva tegyék még hatékonyabbá elemzéseiket. Az IBM számos open source társulásnak is a tagja, ilyenek például a Databricks, H2O.ai és a Continuum Analytics.
  • Az IBM a forrásadatok széles skáláját támogatja, köztük például a strukturálatlan adatok feldolgozását is, emiatt kedvelt eszköz a data scientistek körében. Az SPSS támogatja az összes vezető Hadoop, NoSQL és más relációs adatbázishoz való kapcsolódást. Gond nélkül kezel sok adatot, és párhuzamosan futó elemzéseket is.
  • A megkérdezett IBM felhasználók kitűnőnek értékelték az SPSS modellezési képességeit, kiemelve az elemzéseknél elérhető modellek széles skáláját, azok pontosságát, a modellek alkalmazhatóságát, a megbízhatóság romlásának nyomon követhetőségét és a javítási lehetőségeket. Továbbá az SPSS jól szabályozott, konzisztens analitikai környezetet biztosít, amelyben könnyen nyomon követhetők a verzióváltások, a metaadatok és az ellenőrzési lehetőségek.

Forrás: Gartner

A Clementine megmenti a Torkos Csütörtököt

A Clementine Consulting elemzői interaktív térképen gyűjtötték össze a Torkos Csütörtök kapcsán 2017. március 2-án magas kedvezményt kínáló éttermeket. Idén először ugyanis már nem rendezik központi oldalra a vendéglátóhelyek ajánlatait, spontán módon folytatódik a közkedvelt éttermi kezdeményezés, mindenhol külön kellene érdeklődni az elérhető akciókról.

A Clementine résztvevő helyekből szöveganalitikai technológia felhasználásával létrehozott éttermi adatbázisa azonban segít a torkoskodni vágyóknak, bárki számára elérhető és teljesen ingyenes. A térképen akár utcai nagyításban is megtalálhatóak a torkos csütörtök kezdeményezésben résztvevő éttermek.

Térképes nézet megtekinthető IDE kattintva. Jó böngészést és jó étvágyat kívánunk!

Listánkat gépi szöveganalitikai módszerrel keszítettük, de egyes éttermeket eltávolítottunk a térképről egy honlap szerkesztőjének jelzése után.
Amennyiben szeretné éttermét látni a listában, az alábbi e-mail címen jelezze: info@clementine.hu

Hol legyek data scientist? Hát a Telcoban! – Meetup összefoglaló

Január 24-én, kedden egy jó hangulatú és nagy érdeklődésre számot tartó rendezvénnyel indítottuk a 2017-es évet és egyben a tavaszi meetup sorozatunkat, amely a Ha nagy leszek data scientist leszek! De hol? címet kapta. A meetup sorozat célja, hogy bemutassuk azon szektorokat, amelyek egy adatbányász számára a legizgalmasabbak, leginspirálóbbak lehetnek.

A rendezvénysorozatban elsőként a telekommunikációs szektor képviseltette magát, többek között abból az okból kifolyólag, amelyre bevezetőjében Körmendi György is hivatkozott: szinte mind a telco-ból indultunk, vagy legalábbis igen releváns tapasztalatokat szerezhettünk ezen a területen.

A délután két előadója, izgalmas módon, két nagy, konkurens telco vállalattól érkezett. Először Dunai Albert a Magyar Telekom Business Intelligence és Analytics Senior menedzsere mutatta be számunkra, hogy milyen kompetenciákra, képzettségre vagy ismeretekre van szüksége annak, aki egy jelentős telekommunikációs cég elemzői gárdájában kíván elhelyezkedni. Szót ejtett arról, hogy milyen kihívásokkal és feladatokkal néznek szembe mindennapi munkájuk során a Magyar Telekom adatbányász munkatársai, továbbá megtudhattuk azt is, hogy miben látják az adatbányászat jelentőségét a vállalatuk életében. Meetup-unk második előadója Halász Gábor a UPC Magyarország Business Intelligence igazgatója volt, aki betekintést engedett számunkra a UPC-nél zajló adatszemléleti átalakítás gyakorlati megvalósításába, emellett megismerhettük, hogy mit takar az ügyfélfókuszú és termékfókuszú elemzési szemlélet, és mit jelent a köztük történő átmenet a vállat adatszakértői számára.

Mindkét előadás kiemelkedően informatív és izgalmas volt, különösen azért, mert lehetőségünk volt megismerni konkurens telekommunikációs cégek business intelligence gyakorlatait, találhattunk hasonlóságokat és különbözőségeket az eltérő, de egyaránt jól működő és sikeres logikák mögött. Mindkét előadó számos gondolatot ébresztett a résztvevőkben, amely gondolatokat az előadások utáni közvetlen, kötetlen beszélgetés formájában meg is oszthattak egymással.

A meetup sorozatunk hamarosan folytatódik az ipari, mezőgazdasági és pénzügyi szektorok képviselőivel. További információ: clementine.hu/datastream

Máté Anna, Clementine Consulting

Hogyan legyek data scientist - meetup összefoglaló

Szeptember 22-én folytatódott a 2016 tavaszán elkezdett meetup sorozat, amelynek következő alkalmát a korábban felmerült igénynek megfelelően az adatbányász, üzleti elemző, data scientist képzések bemutatásának szenteltük. Az előadók között az akadémiai és az üzleti szféra egyaránt képviseltette magát a kb. 50 fős érdeklődői kör előtt.

Csabai István, az ELTE Fizika Intézetének oktatója „Life, universe and everything” című előadásában arról beszélt a hallgatóságnak, hogy voltaképpen minden adattudomány – hiszen tulajdonképpen már maga az ősember is modelleket épített a túlélés érdekében, később a modellek a fejlődés szolgálatába álltak, amely azóta exponenciálisan növekszik. Az adattudomány fejlődése megteremti a többi tudomány fejlődésének alapjait, elég, ha csak arra gondolunk, hogy a 80-as években 1GB adat még egymillió dollárba került, ma pedig körülbelül 1 centbe. Ugyanakkor emlékeztette a hallgatóságot arra, hogy nem csak a technika, hanem maga az ember is komplex rendszer, ahol a fejlesztés célja a több egészség, a több szórakozás és a kevesebb halál.

Ezután Kovács Domicián a Clementine gyakornoka adott hasznos tanácsokat azoknak, akik data scientistekké szeretnének válni. Meglátása szerint sokféleképpen értelmezhető, hogy mi a data scientist feladata és milyen képességek szükségesek hozzá; kettőt emelt ki közülük: egyrészt a kreatív problémamegoldás képességét, hogy a kezünkben lévő eszközökkel korábban még nem látott problémákat is orvosolni tudjunk. Másrészt a statisztika ismeretét, amelyről viszont jó hír, hogy megtanulható. Ebben számos online kurzust kínáló weboldal is segíthet, többek között a Coursera, eDX vagy az O’Reilly.

Szintén az üzleti szférából, az OTP Banktól érkezett Gozlán Illés, aki hasznos tanácsokkal látta el a jelenlévőket arról, hogy hol miért érdemes – tanácsadó cégnél vagy multinacionális vállalatnál – a data scientist karriert elkezdeni, illetve arról, hogy miképp kell elképzelni egy állásinterjút az OTP Banknál. Kiemelte a versenytapasztalatok hasznosságát, arra bátorítva a jövő data scientist-jeit, hogy minél több alkalommal méressék meg magukat, indítsanak kis önálló projekteket, amelyek legjobb háttere az egyetemi környezet.

A következőkben Kő Andrea mutatta be a Budapesti Corvinus Egyetem idekapcsolódó képzéseit, az Üzleti Adatelemző szakirányú továbbképzést valamint a Gazdaságinformatika Doktori Programot. Megtudhattuk, kiket várnak ezekre a képzésekre, illetve betekintést nyertünk a tematikába is. A BCE után az ELTE két oktatója beszélt a Természettudományi és az Informatikai Kar nyújtotta lehetőségekről.

Laki Sándor Az ELTE Informatika Karán folyó kutatásokról és a Kar oktatási profiljáról beszélt, amelynek részei a Big Data architektúrák és elemző módszerek, illetve Big Data hallgatói laborral is rendelkeznek. Céljuk, hogy a hallgatóik megismerhessék a Big Datában rejlő határtalan és eddig csak részben kiaknázott lehetőségeket. Fontosnak tartják, hogy a hallgatóik gyakorlatban sajátítsák el a különböző adatbányász technológiákat, az elméletet minél korábban összekötve a gyakorlatai hasznosítással, például előrejelzések készítésében, legyen szó akár egy rendezvény lefolyásának, akár a közlekedés irányítás problémáinak prognosztizálásában.

Lukács András az ELTE TTK Matematikai Intézet oktatója az adatbányászattal foglalkozó kurzusok mellett bemutatta a Kar Adatvizualizációs Műhelyét, ahol kiscsoportos feladatokon keresztül fejleszthetik a hallgatók kognitív feldolgozási képességeiket, amit Lukács András elengedhetetlennek lát ezen a tudományterületen. Ugyanakkor arra is felhívta a hallgatóság figyelmét, hogy a komplexebb nem mindig jobb: az eljárások kiválasztásánál arra kell törekedni, hogy a befektetett energia megtérüljön - nem minden esetben éri meg a komplexebb eljárást részesíteni előnyben az egyszerűbbekkel szemben.

Végül Salló Lászlótól hallhattak összefoglalót a jelen lévők a CEU Business Analytics angol nyelvű, 1 éves Msc képzéséről. Az Egyesült Államokban akkreditált képzésen több mint 15 ország hallgatói vesznek részt, akik a specifikus szakterületek, technológia, management hármasából álló tematikán belül a kurzusok negyedét szabadon választható tárgyakból állítják össze. A hallgatók bevonása a munkába, illetve a nemzetközileg is elismert szaktekintélyek oktatói tevékenysége a garancia egy a gyakorlatban is magas szinten hasznosítható tudás megszerzésére.

További rendezvényeinkről információk érhetők el az Oktatás és rendezvények menüpontban.

Máté Anna, Clementine Consulting

Bepörög a ketyegő - 1. rész

Jó munkabírás, terhelhetőség, magas stressztűrő képesség. Ismerősen csengenek az iménti kifejezések? Majd minden álláshirdetés elengedhetetlen szófordulatai ezek. Olyannyira általános szempontról van szó, hogy az egyik állásközvetítő portál külön stressztűrő állások, munkák címkével teszi szűrhetővé az ilyen igényű ajánlatokat. Persze még mielőtt azt gondolnánk, hogy ez az elvárás főként a vezetői pozíciók velejárója, nagyot tévedünk, hiszen ugyanúgy megtaláljuk az IT gyakornokkal, a részmunkaidős bolti eladóval, a személyügyi referenssel, vagy akár a villanyszerelővel szemben támasztott követelmények között is.

Jogosan merül fel ugyanakkor a kérdés, hogy egy szervezet működése szempontjából miért ilyen magától értetődően természetes dolog, hogy a leendő munkatárs érlelgesse csak a gondolatot, hogy a napi munkafeladatai közben a stressz mindig hű társa lesz. Egyáltalán mi okozza, és ki hogyan reagál a mára olyan általánossá váló túlzott munkahelyi stresszre, kinek a felelőssége a helyzet kezelése, tud-e tenni ellene a munkáltató, vagy a helyes megküzdési stratégiák elsajátítása és fejlesztése főként a munkavállalók egyéni hozzáállásán múlik?

Évek óta kiemelt területként foglalkozunk az ügyfélszolgálatok működésének különböző adat- és szövegbányászati technikákra támaszkodó támogatásával, így az azóta külön programmá nőtt szervezeti- és egészségmenedzsment irányultságú fejlesztéseinket is erre a szegmensre alapoztuk. Közel 100 fő bevonásával indítottunk kísérleti kutatást annak érdekében, hogy megtudjuk, hogy milyen a Front-end területen dolgozók stressznek való kitettsége, hogyan kezelik a rázós helyzeteket. A kutatásban résztvevők 3 napon át egy apró testszenzort viseltek, ami folyamatosan rögzítette élettani paramétereiket, ők pedig végig naplózták a mérési időszak alatt velük történt eseményeket. Az adatok alapján így nemcsak mérhető volt az egyes munkafázisokkal járó stresszszint, a stressz-reakciók intenzitása vagy a regenerációs képesség eredményessége, hanem pontosan össze lehetett azokat kapcsolni a mérési időszak alatt végzett tevékenységekkel.

Érdekes eredményként szolgál például, hogy az ügyintézők nagy részénél nem feltétlenül az adott munkakör bizonyára sokak által a legnehezebbnek tartott része az ügyfelekkel való konfrontáció, vagy a problémás ügyek kezelése jelentetik a legnagyobb stresszforrást. Bár az egy-egy durva hangnemet megütő ügyféllel folytatott beszélgetés, vagy a hosszas, bonyolult ügyintézés jelentette feszültség pillanatnyi hatását valóban ki lehetett mutatni az operátoroknál, ugyanakkor a rutinos, nagy tapasztalattal rendelkező ügyintézőkre az ilyenfajta telefonhívások nem sok hatással voltak.

Ha a sok egyéni adatsort összevetjük, akkor egy izgalmas csoportosítása rajzolódik ki az operátoroknak. A munkatársak egy része – az előbb leírtakkal összhangban – nem csak a problémás helyzeteket kezelik nagy higgadtsággal, hanem a teljes munkavégzésüket érzelmi kiegyensúlyozottság jellemzi. Munkáltatói szemmel minden bizonnyal mindenki őket írná le ideális munkatársnak. A látszólagos idilli kép azonban gyorsan változik, ha nem csak a munkaidőt vesszük alapul. A munkavégzés során félretett feszültség nagyon gyakran köszön vissza a szabadidőben, például a gyerekekkel kapcsolatos teendők közben mérhető türelmetlenségben, vagy a zaklatott éjszakai alvásban. Míg azok a kollégák, akiknek munkaidei stressz profilja erőteljes, de gyorsan lecsengő fiziológiás stresszt mutat, akiket a hétköznapokban általában lobbanékonynak jellemeznénk, hatékonyan lépnek túl egy-egy feszültebb szituáción, ami az éjszakai kiváló alvásminőségben is megmutatkozik.

Szintén tanulságos, hogy a munkaterhelés szempontjából az eltérő munkacsoportok eltérő stratégiákat dolgoztak ki a többletfeladatok elvégzésre. Egyfelől azonosítható egy „gyorsan ezt is tudjuk le” norma, még azon az áron is, ha ez több feladat szimultán megoldásával jár együtt, másfelől viszont működik egy „később ezzel is foglalkozunk” hozzáállás is, ami a nap végére a feladatok feltorlódását eredményezi. Ugyanakkor sem a multitasking – aminek mesteri szintű űzésére sokan olyan büszkék – sem pedig a feladatok végletekig történő halogatása nem kedvez a stresszszintnek, csak felesleges és elkerülhető frusztráció érzetet generál.

A stresszhelyzetek kezelése persze, ahogyan az sejthető, erősen összefügg a személyiségjegyekkel, vagyis, hogy a jellemvonásokból fakadóan ki milyen megküzdési képességekkel rendelkezik. Ezekkel a pszichológiai profilokkal – amelyek meghatározásához külön pszichológiai teszt szolgált alapul – és a fiziológiás mérés eredményeivel együttesen világosan rá lehet mutatni, hogy munkaadói szemmel sem feltétlenül a terhelést végletekig higgadtan tűrő kollégák keresése a legjobb megoldás, hiszen náluk a munkaidőn túli rossz rekreációs képességek miatt nagy a kiégés kockázata. Persze a kissé lobbanékonyabb természetű kollégát sem feltétlenül szükséges minden hónapban stresszkezelő tréningre küldeni, ameddig az ingerültsége nem érzékelhető az ügyfelekkel folytatott beszélgetésen, és azt könnyedén fel tudja oldani például a feszültséget okozó helyzet kollégákkal történő kibeszélésén keresztül.

Kovács-Ördög Zita
Clementine Consulting