Ο Roger Federer, ένας από τους κορυφαίους τενίστες στην ιστορία, κέρδισε περίπου το 54% των πόντων που έπαιξε στην επαγγελματική του καριέρα, παρότι κέρδισε περίπου το 80% των αγώνων του. Ακόμη και στην κορυφή, λοιπόν, η επιτυχία δεν σημαίνει ότι κερδίζεις κάθε φορά. Η πειθαρχία, η επανάληψη και η ικανότητα να αντιμετωπίζεις την αποτυχία ως μέρος της διαδικασίας είναι αυτά που χτίζουν πραγματικές δεξιότητες, στο τένις αλλά και στο data engineering.

Τον Ιούνιο του 2024, ο Roger Federer έλαβε τιμητικό διδακτορικό από το Dartmouth College και μίλησε στην τελετή αποφοίτησης. Αντί να επικεντρωθεί στις επιτυχίες και τα τρόπαιά του, μίλησε για κάτι πολύ πιο ουσιαστικό: για τη δουλειά που χρειάστηκε να κάνει ώστε η κορυφαία απόδοσή του να μοιάζει effortless.

Μία φράση από την ομιλία του ξεχώρισε:

“Effortless is a myth.”

Η ιδέα αυτή έχει ιδιαίτερη αξία για όποιον σκέφτεται να αλλάξει επαγγελματική κατεύθυνση και να στραφεί στον χώρο του data, είτε προς το data engineering, είτε προς το data analytics ή το data science.

Γιατί όταν ξεκινάς να μαθαίνεις SQL, Python ή cloud technologies, είναι εύκολο να κοιτάξεις κάποιον που φαίνεται να τα καταλαβαίνει όλα αμέσως και να σκεφτείς: «Ίσως απλώς δεν είμαι αρκετά technical».

Συνήθως, όμως, αυτό που δεν βλέπεις είναι οι ώρες εξάσκησης που προηγήθηκαν.

Ο μύθος του «φυσικού ταλέντου»

Ο Federer μίλησε στην ομιλία του για ένα περιστατικό από τα πρώτα χρόνια της καριέρας του. Ένας αντίπαλός του στο Italian Open είχε παρατηρήσει ότι ο Federer μπορούσε να έχει το πλεονέκτημα για τις πρώτες δύο ώρες ενός αγώνα. Όσο όμως περνούσε η ώρα, η κόπωση και η πνευματική πίεση μπορούσαν να αλλάξουν τις ισορροπίες.

Το ενδιαφέρον σημείο δεν ήταν η φυσική κατάσταση. Ήταν το τι συμβαίνει όταν η αρχική ευκολία τελειώνει.

Κάτι αντίστοιχο συμβαίνει και όταν μαθαίνεις μια τεχνική δεξιότητα.

Στην αρχή μπορεί να σκέφτεσαι:

• «Δεν είμαι technical άνθρωπος.»
• «Όλοι οι υπόλοιποι φαίνεται να το καταλαβαίνουν πιο γρήγορα.»
• «Αν ήμουν πραγματικά καλός σε αυτό, δεν θα μου φαινόταν τόσο δύσκολο.»
• «Ίσως δεν έχω το κατάλληλο background.»

Η δυσκολία, όμως, δεν αποτελεί ένδειξη ότι δεν μπορείς να μάθεις. Συχνά είναι απλώς ένδειξη ότι βρίσκεσαι στη διαδικασία της μάθησης.

Το 54% που αλλάζει τον τρόπο που βλέπουμε την αποτυχία

Ο Federer κέρδισε περίπου το 80% των επαγγελματικών αγώνων singles που έδωσε. Αν εξετάσουμε όμως την απόδοσή του πόντο προς πόντο, το ποσοστό πέφτει περίπου στο 54%.

Με άλλα λόγια, ένας από τους πιο επιτυχημένους αθλητές όλων των εποχών έχανε σχεδόν έναν στους δύο πόντους.

Και αυτή είναι ίσως η πιο χρήσιμη αναλογία για κάποιον που μαθαίνει data skills.

Ένα query που δεν λειτουργεί δεν σημαίνει ότι «δεν το έχεις».

Ένα bug που δεν μπορείς να εντοπίσεις μετά από δύο ώρες δεν αποδεικνύει ότι «δεν είσαι technical».

Ένα project που δεν βγαίνει όπως το είχες σχεδιάσει δεν αποτελεί αποτυχία της καριέρας σου.

Είναι ένας ακόμη πόντος.

Η διαφορά βρίσκεται στο τι κάνεις μετά.

Οι άνθρωποι που εξελίσσονται δεν είναι απαραίτητα εκείνοι που κάνουν τα λιγότερα λάθη. Είναι εκείνοι που μπορούν να αναλύσουν τι πήγε λάθος, να μάθουν από αυτό και να συνεχίσουν στο επόμενο πρόβλημα.

Από την Τεχνολογία Οδοντοπροσθετικής στο Data Engineering

Οι αριθμοί είναι χρήσιμοι. Οι πραγματικές ιστορίες, όμως, κάνουν την ιδέα πολύ πιο συγκεκριμένη.

Ο Γιώργος, alumnus της Big Blue Data Academy, σπούδασε Τεχνολογία Οδοντοπροσθετικής και εργάστηκε ως οδοντοτεχνίτης. Το ακαδημαϊκό του background δεν είχε άμεση σχέση με την πληροφορική ή το data engineering.

Η πρώτη του επαφή με τον χώρο ήρθε σχεδόν τυχαία.

Κατά τη διάρκεια του lockdown το 2020, συμμετείχε στη δημιουργία μιας πλατφόρμας για ενοικιάσεις σκαφών. Ο δικός του ρόλος ήταν να ασχοληθεί με τη βάση δεδομένων.

Αυτή ήταν η αρχή.

Άρχισε να διαβάζει, να πειραματίζεται και να ανακαλύπτει σταδιακά ότι τον ενδιέφερε πραγματικά ο χώρος. Δύο χρόνια αργότερα, αποφάσισε να επενδύσει πιο οργανωμένα στην εκπαίδευσή του, αναζητώντας μια δομημένη προσέγγιση αντί να συνεχίσει να μαθαίνει αποκλειστικά μόνος του.

Έτσι, παρακολούθησε το Data Engineering Bootcamp της Big Blue Data Academy.

Τέσσερις μήνες μετά την ολοκλήρωση του bootcamp, εργάζεται ως Data Engineer σε ομάδα που είναι υπεύθυνη για το data warehouse μεγάλης ελληνικής τράπεζας, δημιουργώντας data pipelines που υποστηρίζουν business users σε έναν οργανισμό που παράλληλα προχωρά στη μετάβασή του στο cloud.

Η διαδρομή του δεν ήταν effortless.

Όπως χαρακτηριστικά αναφέρει:

«Χρειάζεται να αφιερώσεις πραγματικές ώρες στο διάβασμα και την ενασχόληση με το αντικείμενο, ώστε να ανεβάζεις συνεχώς το επίπεδό σου.»

Τι μαθαίνεις πραγματικά σε ένα καλό bootcamp;

Όταν ο Γιώργος ρωτήθηκε τι θεωρεί σημαντικότερο από την εμπειρία του στο bootcamp, δεν αναφέρθηκε σε κάποια συγκεκριμένη γλώσσα προγραμματισμού ή τεχνολογία.

Αναφέρθηκε στην ικανότητα να βρίσκεις λύσεις μόνος σου:

«Το πιο σημαντικό είναι ότι μαθαίνεις πώς να βρίσκεις λύσεις μόνος σου.»

Αυτή είναι μία από τις πιο σημαντικές δεξιότητες που μπορεί να αποκτήσει κάποιος σε μια τεχνική εκπαίδευση.

Γιατί στον πραγματικό κόσμο δεν υπάρχει πάντα κάποιος διαθέσιμος να σου δώσει αμέσως την απάντηση.

Ένα error message, ένα pipeline που αποτυγχάνει ή ένα query που επιστρέφει λάθος αποτέλεσμα είναι μέρος της καθημερινότητας ενός Data Engineer. Η ουσία δεν είναι να μην αντιμετωπίζεις προβλήματα. Είναι να μάθεις να τα προσεγγίζεις μεθοδικά.

Να ελέγχεις τι πήγε λάθος. Να αναζητάς πληροφορίες. Να δοκιμάζεις διαφορετικές λύσεις. Να καταλαβαίνεις γιατί κάτι λειτουργεί ή δεν λειτουργεί. Και όταν χρειάζεται, να ξέρεις πότε είναι η στιγμή να ζητήσεις βοήθεια.

Αυτό είναι ένα skill που μεταφέρεται πολύ πέρα από ένα συγκεκριμένο programming language ή tool.

Το ταλέντο έχει περισσότερες μορφές από όσες νομίζουμε

Στην ομιλία του στο Dartmouth, ο Federer μίλησε και για την έννοια του ταλέντου.

Το ταλέντο δεν είναι μόνο κάτι με το οποίο γεννιέσαι. Μπορεί να είναι η πειθαρχία. Η υπομονή. Η επιμονή. Η εμπιστοσύνη στη διαδικασία.

Ο Γιώργος δεν είχε πτυχίο Computer Science.

Είχε, όμως, την περιέργεια να ασχοληθεί με μια βάση δεδομένων σε ένα side project και την πειθαρχία να συνεχίσει όταν το αρχικό ενδιαφέρον εξελίχθηκε σε πραγματικό επαγγελματικό στόχο.

Αυτό είναι ένα σημαντικό στοιχείο για όποιον εξετάζει σήμερα μια career transition.

Το προηγούμενο background σου είναι μέρος της ιστορίας σου. Δεν χρειάζεται απαραίτητα να καθορίζει και το επόμενο κεφάλαιο της καριέρας σου.

Τι να περιμένεις αν σκέφτεσαι μια career transition στο Data

Αν σκέφτεσαι να στραφείς στον χώρο του data, ειδικά αν ξεκινάς από ένα εντελώς διαφορετικό επαγγελματικό πεδίο, αξίζει να έχεις μια ρεαλιστική εικόνα της διαδρομής.

1. Δεν θα είναι εύκολο από την πρώτη μέρα

Η εκμάθηση SQL, Python, cloud technologies και data pipelines απαιτεί χρόνο και συστηματική εξάσκηση. Το σημαντικό είναι να μην ερμηνεύεις αυτή τη δυσκολία ως ένδειξη ότι δεν μπορείς να τα καταφέρεις.

2. Θα κάνεις λάθη, πολλά από αυτά

Κάποια queries θα αποτυγχάνουν. Κάποιοι κώδικες δεν θα λειτουργούν. Κάποια projects θα χρειαστούν περισσότερες προσπάθειες από όσες περίμενες.

Αυτό δεν είναι εξαίρεση στη διαδικασία. Είναι μέρος της διαδικασίας.

3. Η επίλυση προβλημάτων είναι εξίσου σημαντική με τα technical skills

Το να γνωρίζεις SQL ή Python είναι απαραίτητο. Εξίσου σημαντικό, όμως, είναι να μπορείς να αντιμετωπίσεις ένα άγνωστο πρόβλημα και να βρεις τον τρόπο να το λύσεις.

4. Η σωστή δομή και καθοδήγηση μπορούν να κάνουν τη διαφορά

Το να μαθαίνεις μόνος σου και το να μαθαίνεις μέσα από ένα οργανωμένο περιβάλλον με projects, feedback και υποστήριξη είναι δύο διαφορετικές εμπειρίες.

Και στις δύο περιπτώσεις χρειάζεται προσωπική προσπάθεια. Η διαφορά βρίσκεται στο πλαίσιο μέσα στο οποίο γίνεται αυτή η προσπάθεια.

Όπως λέει ο Γιώργος, όταν η ενασχόληση με το αντικείμενο γίνει πραγματικό ενδιαφέρον:

«Αν το αγαπάς, οι ώρες που αφιερώνεις, τόσο στη δουλειά όσο και στο να εξελίσσεσαι περαιτέρω, δεν θα σου φαίνονται ποτέ σαν αγγαρεία.»

Ίσως αυτή να είναι και η άλλη πλευρά του «effortless is a myth».

Δεν σημαίνει ότι κάποια στιγμή όλα γίνονται εύκολα.

Σημαίνει ότι, όταν βρεις ένα αντικείμενο που σε ενδιαφέρει πραγματικά, η προσπάθεια αποκτά διαφορετικό νόημα.

Συχνές ερωτήσεις

Μπορώ να γίνω Data Engineer χωρίς πτυχίο Computer Science;

Ναι. Η είσοδος στο data engineering δεν προϋποθέτει απαραίτητα πτυχίο Computer Science. Άτομα με διαφορετικά ακαδημαϊκά και επαγγελματικά backgrounds μπορούν να αποκτήσουν τα απαραίτητα technical skills μέσα από στοχευμένη εκπαίδευση, πρακτική εξάσκηση και συνεχή μάθηση.

Η περίπτωση του Γιώργου αποτελεί ένα χαρακτηριστικό παράδειγμα career transition από έναν εντελώς διαφορετικό κλάδο προς το Data Engineering.

Πόσο χρόνο χρειάζεται ένα Data Engineering Bootcamp;

Ένα εντατικό Data Engineering Bootcamp μπορεί να ολοκληρωθεί μέσα σε μερικούς μήνες, προσφέροντας συγκεντρωμένη εκπαίδευση σε βασικές τεχνολογίες και πρακτικές του κλάδου.

Η μικρότερη διάρκεια σε σχέση με ένα μεταπτυχιακό συνοδεύεται από μεγαλύτερη ένταση και απαιτεί σημαντική προσωπική ενασχόληση εκτός μαθημάτων.

Είναι καλύτερο ένα bootcamp από ένα μεταπτυχιακό;

Εξαρτάται από τους στόχους, το background και τον διαθέσιμο χρόνο κάθε ατόμου.

Ένα μεταπτυχιακό μπορεί να προσφέρει μεγαλύτερο βάθος στη θεωρία και πιο μακροχρόνια ακαδημαϊκή προσέγγιση. Ένα bootcamp εστιάζει συνήθως σε πιο συμπυκνωμένη, πρακτική εκπαίδευση και στην εφαρμογή των γνώσεων μέσα από projects.

Και οι δύο διαδρομές απαιτούν προσωπική προσπάθεια και συνεχή μάθηση.

Ποια soft skills είναι σημαντικά για έναν Data Engineer;

Η επικοινωνία, η ικανότητα επίλυσης προβλημάτων, η συνέπεια και η δυνατότητα να εργάζεσαι αυτόνομα είναι σημαντικά soft skills στην καθημερινότητα ενός Data Engineer.

Ιδιαίτερα σημαντικό είναι και το να μπορείς να μετατρέπεις ένα business requirement σε μια τεχνική λύση και να συνεργάζεσαι αποτελεσματικά με διαφορετικές ομάδες.

Γιατί πολλοί άνθρωποι πιστεύουν ότι «δεν είναι αρκετά technical» για να μάθουν Data;

Επειδή βλέπουμε συνήθως το αποτέλεσμα και όχι τη διαδικασία που προηγήθηκε.

Ένα ολοκληρωμένο project, μια νέα θέση εργασίας ή ένα επιτυχημένο career transition κρύβει πίσω του ώρες debugging, αποτυχημένες προσπάθειες, διάβασμα και επανάληψη.

Όπως και στην περίπτωση του Federer, αυτό που φαίνεται effortless είναι συνήθως το αποτέλεσμα μιας πολύ μεγαλύτερης προσπάθειας που δεν βλέπουμε.