Čime se trenutno bavite?

Trenutno sam spoljni saradnik (instruktor) u kompaniji Semos Education, gde držim obuke iz oblasti Microsoft 365, analitike podataka i veštačke inteligencije. Ono čime se bavim nalazi se upravo na preseku te tri oblasti: kako organizacije da od podataka koje već imaju dođu do odluka koje se zaista i donose.

Koliko dugo radite u oblasti data analitike i edukacije?

Sa podacima radim više od dve decenije, u različitim ulogama izvan sfere obrazovanja, dok Data analitiku aktivno predajem od 2023. godine. To je razlika koju polaznici osete već na prvim časovima: ne prenosim gradivo koje sam pročitao, nego posao koji sam radio, zajedno sa greškama koje sam usput napravio.

Vi ste i Microsoft Certified Trainer (MCT). Da li nam možete ukratko objasniti šta ta titula znači?

Microsoft Certified Trainer (MCT) nije titula koja se stiče godinama predavanja. Microsoft je dodeljuje samo predavačima koji su i sami položili aktuelne tehničke sertifikacije, dokazali predavačke kompetencije i koji taj status obnavljaju svake godine. U praksi to znači dve stvari: predajem po zvaničnom Microsoft materijalu, i sam prolazim kroz iste ispite kroz koje vodim polaznike. Trenutno posedujem aktivne sertifikate PL-300 (Power BI Data Analyst Associate) i DP-600 (Fabric Analytics Engineer Associate), uz više Applied Skills sertifikata iz oblasti veštačke inteligencije i Copilot Studija.

Zašto je Data Analyst danas jedna od najtraženijih profesija i šta je, po vašem mišljenju, dovelo do tolikog rasta potražnje za ovim profilom?

To je jedna od profesija koje su na tržištu rada postale teško zamenljive i za to postoji sasvim konkretan razlog.

Firme danas imaju podatke, imaju i način da ih prikupe, jer sistemi beleže sve, od prodaje do svakog klika. Ono što najčešće zatičem jeste da ne postoji uspostavljen sistem tumačenja: šta ti podaci znače na dnevnom, nedeljnom, mesečnom ili kvartalnom nivou i koja odluka iz čega sledi. Podaci postoje, ritam tumačenja ne postoji.

Brojka sama po sebi ne govori ništa. Brojke govore tek kada ih postavimo u red: u kontekst, u poređenje, u vreme. Bez toga je i najbolji dashboard samo ekran sa ciframa.

Otuda i rast potražnje. Ne za nekim ko ume da rukuje alatom, jer je alat danas dostupan svima, nego za nekim ko ume da podatke prevede u ono što zaista znače i to tako da se po tome može postupiti.

Koja je najčešća zabluda koju ljudi imaju o poslu Data Analysta?

Najčešća zabluda je da se taj posao svodi na pravljenje grafikona. Ljudi zamišljaju analitičara koji ceo dan “bira vizuelizacije i boje”.

Grafikon je poslednji korak i ubedljivo najkraći. Pre njega ide ceo lanac. Prvo se definiše šta se uopšte traži: koje je pitanje i čija je to odluka. Zatim se traže podaci koji na to pitanje mogu da odgovore. Sledi sređivanje i čišćenje tih podataka. Pa modelovanje, da bi podaci uopšte mogli međusobno da razgovaraju. I tek na kraju dolazi grafikon, i to ne bilo koji, nego onaj koji vizuelno odgovara na postavljeno pitanje i vodi ka preporuci.

Niko ne očekuje da upravo sređivanje podataka i modelovanje odnose najviše vremena. A to je pravi posao.

Kod polaznika ta slika se obično menja posle drugog časa obuke. Ono što su zamislili lomi se o realnost i to je zapravo dobar trenutak: tu prestaje kurs iz alata, a počinje profesija.

Kada polaznik/ca završi Data Analyst Akademiju, šta konkretno treba da ume da uradi?

Konkretno, to izgleda ovako: polaznik dobije poslovno pitanje, dakle ne zadatak „napravi izveštaj“, nego pitanje na koje neko čeka odgovor. Uz njega dobije tabele izvučene iz sistema i jedan Excel fajl. Vrlo brzo nailazi na ono što se u praksi uvek dešava: ta dva izvora nisu kompatibilna, ne poklapaju se šifre, formati, nazivi. Njegov posao je da to spoji, sredi, modeluje i isporuči izveštaj koji odgovara na postavljeno pitanje. Nekome ko je zaista prošao Akademiju, to je posao od jednog radnog dana.

Iza tog jednog dana stoje tri stvari. Prva je razumevanje celine: koje vrste podataka postoje, kojim redosledom se radi i zašto. Bez te slike alat je samo skup dugmadi. Druga su veštine: Excel i formule, SQL da se dođe tačno do onoga što treba, Python za obradu i Power BI za prikaz. Treća i meni najvažnija, jeste da veruje da može. Da kada dobije zadatak kakav ranije nije video, ne stane, nego zna da ga razloži na korake i da ga reši. To razdvaja nekoga ko je odslušao kurs od nekoga ko može da radi posao.

Zašto su baš Excel, SQL, Python i Power BI važna kombinacija znanja za savremenog Data Analysta?

Excel je tu iz sasvim praktičnog razloga: to je mesto gde se podaci u praksi zaista nalaze. Na tržištu je skoro četiri decenije i gotovo svaka organizacija u njemu nešto beleži. Analitičar koji ne ume da radi u Excelu vrlo brzo ostane bez ulaza u posao.

SQL je sledeći korak. Veliki deo podataka ne stoji u fajlovima nego u bazama, a SQL je jezik kojim se do njih dolazi. Bez njega zavisite od nekog drugog da vam izvuče ono što vam treba.

Python donosi dve stvari. Prva je sređivanje i vizuelizacija, kroz pandas i grafičke biblioteke. Druga je važnija: Python se preko PySpark-a koristi i sa alatima kao što je Apache Spark, dakle onda kada količina podataka pređe granicu na kojoj uobičajene alatke stanu.

Power BI je mesto gde se od svega toga pravi interaktivna vizuelizacija i gradi priča.

A ako bih morao da biram, SQL i Python su osnova, dok Power BI tu osnovu čini vidljivom. Excel time ne gubi na značaju, ali jeste polazna tačka, a ne temelj na kome se gradi karijera.

Koliko se tokom Akademije radi na realnim podacima i poslovnim scenarijima? Možete li da navedete neki konkretan primer zadatka ili situacije sa kojom se polaznici susreću?

Zavisi od faze. U delu u kome se uči alat, dakle napredni Excel, Python i SQL, radi se na podacima pripremljenim za vežbu. Oni su namerno tako napravljeni: da polaznik jasno vidi upotrebnu vrednost alata i redosled koraka, bez šuma. U delu koji se odnosi na projekte koriste se stvarni podaci, sa stvarnim zahtevom krajnjeg korisnika. U procentima, odnos je otprilike 60:40 u korist onih pripremljenih za vežbu.

Situacija koja mi je ostala u sećanju tiče se upravo tog prelaska. Kada prvi put otvore realnu tabelu, polaznici naiđu na mnogo više kolona nego što im treba. I tu se zablokiraju: ne usuđuju se da izbace ono što im ne treba, jer misle da će im možda kasnije zatrebati.

To izgleda kao tehnički problem, ali nije. To je pitanje poverenja u sopstvenu analizu. Ako znate na koje pitanje odgovarate, znate i šta vam ne treba. Sve dok se plašite da nešto izbacite, to je znak da pitanje još nije dovoljno jasno postavljeno. Taj trenutak je jedan od najkorisnijih na celoj Akademiji.

Koji deo programa polaznicima obično predstavlja najveći izazov i kako im pomažete da ga savladaju?

Najveći izazov je Python i to gotovo po pravilu kod onih koji nikada ranije nisu programirali.

Razlog nije sintaksa. Programiranje traži drugačiji način razmišljanja od onog na koji su navikli dok sređuju podatke. U Excelu vidite rezultat svakog koraka pred sobom: promenite nešto i odmah vidite šta se desilo. U Pythonu morate unapred da zamislite šta će se desiti, pa tek onda dobijate odgovor. Taj prelazak sa „vidim, pa reagujem“ na „mislim unapred, pa proveravam“, najteži je deo cele Akademije.

To nas ne iznenađuje. Ljudi dolaze bez osnova programiranja i to unapred računamo, pa je i pristup tome prilagođen.

Prvo se kod čita, ne piše. Polaznik gleda gotovo rešenje i objašnjava šta ono radi, red po red. Tek kada ume da pročita tuđi kod, počinje da piše svoj. Drugo, zadaci idu postupno: svaki sledeći dodaje tačno jedan nov pojam, ne dva odjednom. Tako niko ne ostaje bez tla pod nogama, jer u svakom trenutku zna gde je stao i šta je tu novo.

Koliko mentorstvo i podrška trenera utiču na napredak polaznika, posebno kada se nastava odvija 100% online, uživo i u realnom vremenu?

Posle svake nove tehnike ide kratka vežba, tu na času. Nije test, nego provera da li je koncept “legao”. Ako nije, to se vidi istog trenutka, a ne dve nedelje kasnije.

Polaznici su iz različitih gradova i ne moraju nigde da putuju, pa nastavu uklapaju u sopstveni ritam života. Imali smo i polaznika koji je obuku pratio iz inostranstva, konkretno iz Nemačke. To u klasičnoj učionici jednostavno ne bi bilo moguće.

A što se mentorstva tiče, ono je važno upravo zato što se radi ovako. Kada se ne sedi u istoj prostoriji, sve zavisi od toga da li trener aktivno traži gde je ko stao, umesto da čeka da se neko javi. Ljudi se retko jave sami.

Kako se posao Data Analysta promenio pojavom AI alata i koliko je danas važno znati da se AI koristi u analizi podataka?

AI najviše pomaže u razumevanju podataka i u predlaganju formula i tu je zaista koristan. Ali odgovor vrlo često nije sveobuhvatan: neki parametar nije uzet u obzir, jer prompt nije bio odgovarajući. Da biste to uopšte primetili, morate znati šta ste tražili. I tu se vraćamo na isto mesto.

Da li AI čini mlađeg analitičara zamenljivim? Ako neka firma tako postupi, to znači da nema dugoročan pristup. Kratkoročno će posao možda i biti odrađen, ali to znanje u firmi neće postojati i to se vidi prvi put kada zatreba nešto što nije standardno.

Polaznicima pokazujem kako se AI koristi, pre svega u načinu na koji se traže podaci, a i sam Microsoft na to upućuje kroz Microsoft Learn. Ali jednu stvar ponavljam stalno: podaci su poverljivi. Ozbiljna firma svoje podatke neće poslati negde online da bi ih neko sredio. To je granica koju alat ne pomera i još jedan razlog zašto analitičar mora sam da ume.

Da li je Akademija namenjena samo ljudima koji žele da postanu Data Analysti ili znanje stečeno tokom programa mogu da iskoriste i ljudi koji već rade u drugim oblastima?

U praksi najviše dolaze ljudi koji već rade sa podacima: računovođe, bankarski službenici. To je logično, jer oni brojku gledaju svakog dana, samo im nedostaje način da je nateraju da progovori.

Korist, međutim, nije ograničena samo na njih. Na kraju je sve brojka. Kako će ta brojka biti prikupljena, gde smeštena, kako obrađena i kako prikazana, sve to zavisi od onoga ko radi. A ko uz analitiku nosi i znanje iz svoje struke, u podacima će prepoznati ono što neko sa strane neće.

To je zapravo najveća prednost ljudi iz drugih oblasti. Analitičar prevodi podatke onima koji odlučuju, a da biste preveli, morate znati oba jezika. Neko ko dolazi iz računovodstva, proizvodnje ili marketinga već zna jedan od ta dva. Nedostaje mu samo drugi.

Inače sam uveren da treba imati široku opštu osnovu i uz nju nekoliko specijalizovanih znanja koja se kombinuju. Danas je sve interdisciplinarno i preklapanja ima svuda. Akademija je nekome korak ka novoj profesiji, a nekome alat kojim bolje radi posao koji već radi.

Ceo program akademije je zvaničan Microsoft program. Ali interesuje nas, koliko Microsoft PL-300 sertifikacija može da znači nekome ko želi da napravi prvi korak ka karijeri u data analitici?

Sertifikacija je pre svega potvrda samom sebi. Neko treći, nezavisan, procenjuje da imate znanje i veštine da radite taj posao, a to je sasvim drugačiji osećaj od ličnog uverenja da nešto umete.

Drugo, sertifikat koji dolazi od Microsofta donosi konkurentsku prednost na tržištu. Poslodavci ga čitaju kao verifikaciju znanja, a ne kao potvrdu o pohađanju. Razlika je važna: potvrda o pohađanju govori da ste bili prisutni, sertifikat govori šta umete.

Ono što vam sertifikat sigurno donosi jesu prednost i prepoznatljivost. Kada se za isto mesto javi više ljudi sličnog profila, to nije mala stvar, jer je često jedina razlika koja se vidi pre nego što uopšte dođe do razgovora.

Nedavno je još jedna grupa polaznika završila Akademiju i predstavila svoje završne projekte. Kakav je vaš utisak nakon prezentacija? Šta vam je bilo posebno interesantno ili upečatljivo kod njihovih projekata?

Polaznici su imali pet ponuđenih situacija i sami su birali. Teme su bile vrlo različite: analiza troškova jednog domaćinstva; ljudski resursi, gde je zadatak bio utvrditi zašto je odliv zaposlenih toliko veliki; Hospital Management, sa fokusom na naplatu; projekat o angažovanju predavača u Semosu, dakle kako to angažovanje teče; i na kraju Training Scheduling.

Taj poslednji mi je bio najupečatljiviji, jer je bio potpuno drugačiji od ostalih: polaznici nisu dobili dataset. Dobili su zadatak da osmisle ceo sistem, od prijave do prikaza, dakle da sami odrede šta se uopšte beleži i zašto. To je najteži oblik zadatka koji postoji, jer nema tabele iza koje možete da se sakrijete. Morate prvo znati čemu taj sistem služi.

A utisak posle prezentacija? Iznenadili su me trudom, svi bez izuzetka, ali još više spremnošću da moje primedbe stvarno ugrade u završni rad, umesto da ih brane. To zvuči kao sitnica, a nije: sposobnost da čujete primedbu na sopstvenu analizu i da je iskoristite jeste deo posla koji se najteže uči.

Koliko završni projekat pokazuje koliko su polaznici zaista usvojili znanje tokom Akademije? Šta je ono što želite da vidite kada polaznik predstavlja svoj projekat?

Završni projekat prilično tačno pokazuje koliko je neko usvojio, ne zato što je težak, nego zato što se na prezentaciji vidi redosled razmišljanja.

Želim da vidim sistem. Da polaznik krene od definisanja pitanja koje treba razmotriti i da pokaže sva potpitanja koja iz tog osnovnog pitanja proizilaze. Zatim da sistematično prikaže izvor podataka, odakle dolaze i šta sadrže. Pa kakvi su ti podaci: ima li u njima grešaka, kojih i šta je s njima urađeno. Tek onda dolazi mode i na kraju vizuelizacija, ali ne bilo kakva, nego ona koja odgovara na postavljena pitanja.

I na samom kraju ono bez čega sve prethodno gubi smisao: jasan predlog. Šta konkretno treba uraditi na osnovu onoga što podaci pokazuju. Ako sve to postoji, projekat je dobar.

Kada prezentacija krene od gotovog dashboarda, obično već znam šta sledi. Pitanje je došlo posle, a ne pre. A analiza koja počinje od grafikona po pravilu odgovara na pitanje koje niko nije postavio.

Kada pogledate polaznike na početku Akademije, a zatim ih vidite na završnoj prezentaciji, šta je najveća promena koju primećujete?

Na kraju se oseti da poznaju materiju. Znaju koji se parametri razmatraju u kojoj fazi rada, razumeju poslovno pitanje i znaju šta iz podataka treba uzeti i šta sa tim treba uraditi. Razgovor više ne liči na razgovor sa nekim ko uči alat, nego sa nekim ko radi posao.

Ta promena se najlakše prepoznaje po pitanjima. Na početku pitaju kako se nešto radi. Na kraju pitaju šta zapravo merimo i da li je to pravi pokazatelj. Isti čovek, drugačije polazište.

I to je, po meni, prava mera Akademije. Rukovanje alatom savlada se relativno brzo, dok se način na koji neko pristupa problemu menja sporije. Baš se on vidi na završnoj prezentaciji.

Šta biste poručili nekome ko se u ovom trenutku dvoumi da li da se priključi sledećoj grupi Data Analyst akademije?

Reći ću prvo kome Akademija nije namenjena, jer mi se to čini poštenije.

Nije za one koji misle da se danas sve može naučiti gledanjem snimaka na internetu. Ponešto se odatle i može naučiti, ali ljudska interakcija i iskustvo koje instruktor nosi sa sobom ne mogu se snimiti. Mogućnost da odmah, uživo, pitate nekoga ko je taj posao radio jeste upravo ono što snimak ne daje.

Nije ni za one koji nisu spremni da rade, da čitaju malo više i da ulože vreme u nešto novo. Znanje se ovde ne dobija prisustvom. I nije za one koji misle da su sve već naučili. Njima teško mogu pomoći, jer je prvi uslov za učenje spremnost da se prizna da nešto ne znate.

Ako se, međutim, ne prepoznajete ni u jednoj od te tri grupe, odgovor je jednostavan. Nećete odavde izaći kao neko ko zna sve. Izaći ćete kao neko ko pred nepoznatim pitanjem zna odakle da počne i ko za svoj odgovor može da preuzme odgovornost. To je ono što tržište traži.