<\/a><\/noindex>A Data Science c\u00e9lja nem csup\u00e1n feladatok v\u00e9grehajt\u00e1sa. Sokkal ink\u00e1bb az, hogy \u00faj, er\u0151s \u00fczleti lehet\u0151s\u00e9geket tanulm\u00e1nyozzunk \u00e9s fejlessz\u00fcnk. Az algoritmus-alap\u00fa term\u00e9kek \u00e9s szolg\u00e1ltat\u00e1sok, mint p\u00e9ld\u00e1ul az aj\u00e1nl\u00f3rendszerek, \u00fcgyf\u00e9lkapcsolatok, st\u00edluspreferenci\u00e1k klasszifik\u00e1l\u00e1sa, m\u00e9retaj\u00e1nl\u00e1sok, ruh\u00e1zati diz\u00e1jn, logisztikai optimaliz\u00e1l\u00e1s, szezon\u00e1lis trendek felfedez\u00e9se \u00e9s m\u00e9g sok m\u00e1s nem \u00e1ll\u00edthat\u00f3 el\u0151 el\u0151re. Ezeket meg kell ismerni. Nincsenek tervek a reproduk\u00e1l\u00e1sra, ezek \u00faj lehet\u0151s\u00e9gek, amelyek bels\u0151 bizonytalans\u00e1ggal rendelkeznek. Az ar\u00e1nyok, modellek, modellek t\u00edpusai, hiperparam\u00e9terek, minden sz\u00fcks\u00e9ges elem k\u00eds\u00e9rletez\u00e9s, pr\u00f3b\u00e1lkoz\u00e1s \u00e9s hib\u00e1k \u00fatj\u00e1n kell, hogy tanulm\u00e1nyozzunk. Az egyszer\u0171s\u00edt\u0151 k\u00e9pz\u00e9s \u00e9s tervez\u00e9s el\u0151re, a gy\u00e1rt\u00e1s el\u0151tt t\u00f6rt\u00e9nik. A Data Science sor\u00e1n a folyamat sor\u00e1n tanulsz, nem pedig azel\u0151tt.<\/p>\n
A t\u0171gy\u00e1rban, ahol a k\u00e9pz\u00e9s az els\u0151 sz\u00e1m\u00fa priorit\u00e1s, nem v\u00e1runk, \u00e9s nem is akarjuk, hogy a dolgoz\u00f3k improviz\u00e1ljanak a term\u00e9k b\u00e1rmely jellemz\u0151j\u00e9n, azon k\u00edv\u00fcl, hogy n\u00f6velj\u00e9k a gy\u00e1rt\u00e1s hat\u00e9konys\u00e1g\u00e1t. A feladatok specializ\u00e1ci\u00f3ja \u00e9rtelmet nyer, mivel a folyamatok hat\u00e9konys\u00e1g\u00e1hoz \u00e9s a gy\u00e1rt\u00e1s koherenci\u00e1j\u00e1hoz vezet (an\u00e9lk\u00fcl, hogy v\u00e1ltoztatn\u00e1nk a v\u00e9gterm\u00e9ken).<\/p>\n
De amikor a term\u00e9k m\u00e9g mindig fejl\u0151dik, \u00e9s a c\u00e9l a tanul\u00e1s, a specializ\u00e1ci\u00f3 akad\u00e1lyozza a c\u00e9ljainkat az al\u00e1bbi esetekben:<\/p>\n
1. Ez n\u00f6veli a koordin\u00e1ci\u00f3s k\u00f6lts\u00e9geket. <\/b><\/p>\n
Teh\u00e1t azok a k\u00f6lts\u00e9gek, amelyek felhalmoz\u00f3dnak a besz\u00e9lget\u00e9sre, megbesz\u00e9l\u00e9sre, indokl\u00e1sra \u00e9s a v\u00e9grehajtand\u00f3 munka priorit\u00e1sainak meghat\u00e1roz\u00e1s\u00e1ra ford\u00edtott id\u0151 alatt. Ezek a k\u00f6lts\u00e9gek nemline\u00e1risan n\u00f6vekednek a r\u00e9sztvev\u0151 emberek sz\u00e1m\u00e1val. (Ahogy J. Richard Hackman tan\u00edtott minket, a kapcsolatok sz\u00e1ma r hasonl\u00f3an n\u00f6vekszik a tagok sz\u00e1m\u00e1nak n f\u00fcggv\u00e9ny\u00e9ben az al\u00e1bbi egyenlet szerint: r = (n ^ 2-n) \/ 2. \u00c9s minden kapcsolat felt\u00e1r egy bizonyos k\u00f6lts\u00e9g-ar\u00e1nyt). Amikor az adat-analitikai szakemberek funkci\u00f3k szerint vannak szervezve, minden szakaszban, minden v\u00e1ltoz\u00e1ssal, minden szolg\u00e1ltat\u00e1s\u00e9rint\u00e9ssel \u00e9s \u00edgy tov\u00e1bb. Sz\u00e1mos szakemberre van sz\u00fcks\u00e9g, ami n\u00f6veli a kooridn\u00e1ci\u00f3 k\u00f6lts\u00e9geit. P\u00e9ld\u00e1ul a statisztikai modellez\u00e9ssel foglalkoz\u00f3 szakembereknek, akik \u00faj funkci\u00f3kkal szeretn\u00e9nek k\u00eds\u00e9rletezni, koordin\u00e1lniuk kell cselekedeteiket az adatfeldolgoz\u00f3 m\u00e9rn\u00f6k\u00f6kkel, akik minden alkalommal kieg\u00e9sz\u00edtik az adatokat, amikor \u00faj dolgokat akarnak kipr\u00f3b\u00e1lni. Hasonl\u00f3k\u00e9ppen, minden \u00fajonnan tan\u00edtott modell azt jelenti, hogy a modell fejleszt\u0151j\u00e9nek sz\u00fcks\u00e9ge van valakire, akivel koordin\u00e1lhatja a munk\u00e1j\u00e1t a bevezet\u00e9shez. A koordin\u00e1ci\u00f3s k\u00f6lts\u00e9gek az iter\u00e1ci\u00f3 d\u00edjak\u00e9nt m\u0171k\u00f6dnek, ami nehezebb\u00e9 \u00e9s k\u00f6lts\u00e9gesebb\u00e9 teszi \u0151ket, \u00e9s nagyobb val\u00f3sz\u00edn\u0171s\u00e9ggel arra k\u00e9sztetik az embereket, hogy lemondjanak a kutat\u00e1sr\u00f3l. Ez megakad\u00e1lyozhatja a tanul\u00e1st.<\/p>\n
2. Ez megnehez\u00edti a v\u00e1rakoz\u00e1si id\u0151t. <\/b><\/p>\n
M\u00e9g ijeszt\u0151bb, mint a koordin\u00e1ci\u00f3s k\u00f6lts\u00e9gek, az az id\u0151, amely elveszik a munkaid\u0151-v\u00e1lt\u00e1sok k\u00f6z\u00f6tt. M\u00edg a koordin\u00e1ci\u00f3s k\u00f6lts\u00e9geket \u00e1ltal\u00e1ban \u00f3r\u00e1kban m\u00e9rik: az az id\u0151, amely a tal\u00e1lkoz\u00f3k, megbesz\u00e9l\u00e9sek, projekt-\u00e1ttekint\u00e9sek lebonyol\u00edt\u00e1s\u00e1hoz sz\u00fcks\u00e9ges, a v\u00e1rakoz\u00e1si id\u0151 \u00e1ltal\u00e1ban napokban, hetekben vagy ak\u00e1r h\u00f3napokban m\u00e9rhet\u0151! A funkcion\u00e1lis szakemberek \u00fctemez\u00e9se nehezen kivitelezhet\u0151, mivel minden szakembernek t\u00f6bb projektre is ki kell osztani. Egy \u00f3ra hosszat tart\u00f3 \u00fcl\u00e9s a v\u00e1ltoztat\u00e1sok megvitat\u00e1s\u00e1ra hetekbe telhet a munkafolyamat \u00f6sszehangol\u00e1s\u00e1ban. A v\u00e1ltoz\u00e1sok j\u00f3v\u00e1hagy\u00e1sa ut\u00e1n meg kell tervezni a t\u00e9nyleges munk\u00e1t is, figyelembe v\u00e9ve sz\u00e1mos m\u00e1s projektet, amelyek a szakemberek munkaidej\u00e9t foglalj\u00e1k le. A k\u00f3djav\u00edt\u00e1ssal vagy kutat\u00e1ssal kapcsolatos feladatok, amelyek befejez\u00e9s\u00e9hez csak n\u00e9h\u00e1ny \u00f3r\u00e1ra vagy napra van sz\u00fcks\u00e9g, sokkal t\u00f6bb id\u0151t vehetnek ig\u00e9nybe, miel\u0151tt a forr\u00e1sok el\u00e9rhet\u0151v\u00e9 v\u00e1lnak. Ezen id\u0151szak alatt az iter\u00e1ci\u00f3 \u00e9s a tanul\u00e1s sz\u00fcnetel.<\/p>\n
3. Ez sz\u0171k\u00edti a kontextust.<\/b><\/p>\n
A munka megoszt\u00e1sa mesters\u00e9gesen korl\u00e1tozhatja a tanul\u00e1st, jutalmazva az embereket az\u00e9rt, mert a saj\u00e1t szakter\u00fclet\u00fck\u00f6n maradnak. P\u00e9ld\u00e1ul egy kutat\u00f3, aki a saj\u00e1t funkci\u00f3j\u00e1n bel\u00fcl kell, hogy maradjon, energi\u00e1j\u00e1t k\u00fcl\u00f6nb\u00f6z\u0151 algoritmusok: regresszi\u00f3, neuronh\u00e1l\u00f3k, random forest stb. kis\u00e9rletez\u00e9s\u00e9re \u00f6sszpontos\u00edtja. Nyilv\u00e1nval\u00f3an a megfelel\u0151 algoritmus kiv\u00e1laszt\u00e1sa fokozatos javul\u00e1st eredm\u00e9nyezhet, de \u00e1ltal\u00e1ban sokkal t\u00f6bbet lehet kihozni m\u00e1s tev\u00e9kenys\u00e9gekb\u0151l, p\u00e9ld\u00e1ul \u00faj adatforr\u00e1sok integr\u00e1l\u00e1s\u00e1b\u00f3l. Hasonl\u00f3k\u00e9ppen, ez seg\u00edthet egy olyan modell kidolgoz\u00e1s\u00e1ban, amely kihaszn\u00e1lja az \u00f6sszes magyar\u00e1z\u00f3 k\u00e9pess\u00e9get, amely a rendelkez\u00e9sre \u00e1ll\u00f3 adatokra jellemz\u0151. Ennek ellen\u00e9re a szakter\u00fclete az lehet, hogy a c\u00e9lv\u00e1ltoz\u00f3 m\u00f3dos\u00edt\u00e1sa vagy bizonyos korl\u00e1tok enyh\u00edt\u00e9se. Ezt neh\u00e9z \u00e9szlelni vagy megtenni, amikor a munk\u00e1j\u00e1t korl\u00e1tozz\u00e1k. Mivel a szak\u00e9rt\u0151 kutat\u00f3 az algoritmusok optimaliz\u00e1l\u00e1s\u00e1ra specializ\u00e1l\u00f3dik, sokkal kisebb es\u00e9llyel foglalkozik m\u00e1ssal, m\u00e9g ha az jelent\u0151s haszonnal is j\u00e1r.<\/p>\n
N\u00e9zz\u00fck meg azokat a jeleket, amelyek megjelennek, amikor a data science csapatok \u00fagy m\u0171k\u00f6dnek, mint a gombgy\u00e1rak (p\u00e9ld\u00e1ul egyszer\u0171 st\u00e1tuszfriss\u00edt\u00e9sek eset\u00e9n): \"adatfolyamat-v\u00e1ltoztat\u00e1s v\u00e1rakoz\u00e1sa\" \u00e9s \"ML Eng er\u0151forr\u00e1sok v\u00e1rakoz\u00e1sa\", amelyek \u00e1ltal\u00e1nos blokkol\u00f3 t\u00e9nyez\u0151k. Mindazon\u00e1ltal \u00fagy gondolom, hogy a legvesz\u00e9lyesebb hat\u00e1s az, amit nem \u00e9szlelsz, mert nem sajn\u00e1lhatod azt, amir\u0151l m\u00e9g nem tudsz. A k\u00f6vetelm\u00e9nyek hib\u00e1tlan teljes\u00edt\u00e9se \u00e9s az \u00f6nel\u00e9g\u00fclts\u00e9g, amely a folyamatok hat\u00e9konys\u00e1g\u00e1nak el\u00e9r\u00e9s\u00e9b\u0151l fakad, eltakarhatja az igazs\u00e1got arr\u00f3l, hogy a szervezetek nincsenek tiszt\u00e1ban az oktat\u00e1s el\u0151nyeivel, amelyekr\u0151l lemaradnak.<\/p>\n
A probl\u00e9ma megold\u00e1sa term\u00e9szetesen abban rejlik, hogy megszabadulunk a gombgy\u00e1ri m\u00f3dszert\u0151l. A tanul\u00e1s \u00e9s iter\u00e1ci\u00f3 \u00f6szt\u00f6nz\u00e9s\u00e9hez a data science szerepeknek k\u00f6z\u00f6snek kell lenni\u00fck, de sz\u00e9lesk\u00f6r\u0171 felel\u0151ss\u00e9gekkel, amelyek nem f\u00fcggenek a technikai funkci\u00f3kt\u00f3l, teh\u00e1t a szakembereket \u00fagy kell megszervezni, hogy azok az oktat\u00e1sra optimaliz\u00e1ltak legyenek. Ez azt jelenti, hogy fel kell venni \u201eteljes k\u00e9szlet\u0171 szakembereket\u201d \u2014 \u00e1ltal\u00e1nos szakembereket, akik k\u00fcl\u00f6nb\u00f6z\u0151 feladatokat tudnak ell\u00e1tni: a koncepci\u00f3t\u00f3l a modellez\u00e9sig, a megval\u00f3s\u00edt\u00e1st\u00f3l a m\u00e9r\u00e9sig. Fontos megjegyezni, hogy nem felt\u00e9telezem, hogy a teljes k\u00e9szlet\u0171 szakemberek felv\u00e9tel\u00e9vel a munkat\u00e1rsak sz\u00e1ma cs\u00f6kkenne. Val\u00f3j\u00e1ban ink\u00e1bb azt felt\u00e9telezem, hogy amikor \u0151ket m\u00e1sk\u00e9pp szervezik, az \u00f6szt\u00f6nz\u0151ik jobban \u00f6sszhangban \u00e1llnak az oktat\u00e1s \u00e9s hat\u00e9konys\u00e1g el\u0151nyeivel. P\u00e9ld\u00e1ul van egy h\u00e1rom f\u0151s csapat, amely h\u00e1rom \u00fczleti jellemz\u0151vel rendelkezik. A gombgy\u00e1rban minden szakember az idej\u00e9nek egyharmad\u00e1t minden egyes szakmai feladatra ford\u00edtja, mivel senki m\u00e1s nem tudja elv\u00e9gezni a munk\u00e1j\u00e1t. Egy teljes k\u00e9szleten minden univerz\u00e1lis munkat\u00e1rs teljes m\u00e9rt\u00e9kben elk\u00f6telezett az \u00fczleti folyamat ir\u00e1nt, a munka b\u0151v\u00edt\u00e9s\u00e9\u00e9rt \u00e9s az oktat\u00e1s\u00e9rt.<\/p>\n
A kevesebb ember, aki t\u00e1mogatja a termel\u00e9si ciklust, cs\u00f6kkenti a koordin\u00e1ci\u00f3t. Az univerzalista z\u00f6kken\u0151mentesen v\u00e1lt a funkci\u00f3k k\u00f6z\u00f6tt, b\u0151v\u00edtve az adatfolyamot, hogy t\u00f6bb adatot adjon hozz\u00e1, \u00faj funkci\u00f3kat pr\u00f3b\u00e1lva ki a modellekben, \u00faj verzi\u00f3kat bevezetve a termel\u00e9sbe a kauz\u00e1lis m\u00e9r\u00e9sekhez, \u00e9s min\u00e9l gyorsabban ism\u00e9tli a l\u00e9p\u00e9seket, amint \u00faj \u00f6tletek \u00e9rkeznek. Term\u00e9szetesen az univerzalista k\u00fcl\u00f6nb\u00f6z\u0151 funkci\u00f3kat hajt v\u00e9gre egym\u00e1s ut\u00e1n, nem p\u00e1rhuzamosan. V\u00e9g\u00fcl is, ez csak egy ember. Azonban a feladat v\u00e9grehajt\u00e1sa \u00e1ltal\u00e1ban csak a sz\u00fcks\u00e9ges id\u0151 kis r\u00e9sz\u00e9t foglalja mag\u00e1ban ahhoz, hogy hozz\u00e1f\u00e9rjen egy m\u00e1sik szakosodott er\u0151forr\u00e1shoz. \u00cdgy az iter\u00e1ci\u00f3s id\u0151 cs\u00f6kken.<\/p>\n
A mi univerzalist\u00e1nk tal\u00e1n nem annyira \u00fcgyes, mint egy szakember egy adott munka m\u0171k\u00f6d\u00e9s\u00e9ben, de nem a funkcion\u00e1lis t\u00f6k\u00e9letess\u00e9gre vagy a kis fokozatos javul\u00e1sokra t\u00f6reksz\u00fcnk. Ink\u00e1bb arra t\u00f6reksz\u00fcnk, hogy felfedezz\u00fck az \u00faj szakmai kih\u00edv\u00e1sokat fokozatos hat\u00e1ssal. Az integr\u00e1lt kontextussal a teljes k\u00f6r\u0171 megold\u00e1s \u00e9rdek\u00e9ben l\u00e1tja azokat a lehet\u0151s\u00e9geket, amelyeket a sz\u0171k specialist\u00e1k elszalasztan\u00e1nak. T\u00f6bb \u00f6tlete \u00e9s t\u00f6bb lehet\u0151s\u00e9ge van. \u0150 is kudarcot vall. Ennek ellen\u00e9re a kudarc \u00e1ra csek\u00e9ly, m\u00edg a tanul\u00e1s el\u0151nyei magasak. Ez az aszimmetria el\u0151seg\u00edti a gyors iter\u00e1ci\u00f3t \u00e9s jutalmazza a tanul\u00e1st.<\/p>\n
Fontos megjegyezni, hogy a tud\u00f3sok \u00e1ltal biztos\u00edtott auton\u00f3mia m\u00e9rt\u00e9ke \u00e9s a k\u00e9szs\u00e9gek sokf\u00e9les\u00e9ge, akik teljes technol\u00f3giai stackkel dolgoznak, nagym\u00e9rt\u00e9kben f\u00fcgg azokt\u00f3l az adatplatformokt\u00f3l, amelyeken dolgoznak. Egy j\u00f3l megtervezett adatplatform elvonja a tud\u00f3sokat az adatfeldolgoz\u00e1s bonyodalmait\u00f3l, p\u00e9ld\u00e1ul a kont\u00e9neriz\u00e1l\u00e1s, a elosztott feldolgoz\u00e1s, m\u00e1s er\u0151forr\u00e1sokra val\u00f3 automatikus \u00e1tt\u00e9r\u00e9s \u00e9s m\u00e1s fejlett sz\u00e1m\u00edt\u00e1stechnikai koncepci\u00f3k ter\u00e9n. Az elvon\u00e1s mellett egy megb\u00edzhat\u00f3 adatplatform z\u00f6kken\u0151mentes kapcsol\u00f3d\u00e1st k\u00edn\u00e1lhat a k\u00eds\u00e9rleti infrastrukt\u00far\u00e1hoz, automatiz\u00e1lhatja a megfigyel\u00e9st \u00e9s az \u00e9rtes\u00edt\u00e9si rendszert, biztos\u00edthatja az automatikus sk\u00e1l\u00e1z\u00e1st, valamint algoritmikus eredm\u00e9nyek \u00e9s hibakeres\u00e9s vizualiz\u00e1ci\u00f3j\u00e1t. Ezeket az \u00f6sszetev\u0151ket az adatplatform m\u00e9rn\u00f6kei tervezik \u00e9s \u00e9p\u00edtik, azaz a Data Science szakember nem adja \u00e1t ezeket az adatplatform fejleszt\u0151csapat\u00e1nak. Az adatkutat\u00f3 felel\u0151s az \u00f6sszes k\u00f3d\u00e9rt, amellyel az platform m\u0171k\u00f6dtethet\u0151.<\/p>\n
Engem is egyszer foglalkoztatott a munkamegoszt\u00e1s funkcion\u00e1lis sz\u00e9tv\u00e1laszt\u00e1sa, kihaszn\u00e1lva a folyamatok hat\u00e9konys\u00e1g\u00e1t, de pr\u00f3b\u00e1k \u00e9s t\u00e9ved\u00e9sek m\u00f3dszer\u00e9vel (nincs jobb tanul\u00e1si m\u00f3d) felfedeztem, hogy a tipikus szerepek jobban hozz\u00e1j\u00e1rulnak a tanul\u00e1shoz \u00e9s az innov\u00e1ci\u00f3hoz, \u00e9s helyes mutat\u00f3kat ny\u00fajtanak: sokkal t\u00f6bb \u00fczleti lehet\u0151s\u00e9get felfedezni \u00e9s ki\u00e9p\u00edteni, mint a specializ\u00e1lt megk\u00f6zel\u00edt\u00e9s. (Nincs hat\u00e9konyabb m\u00f3dszer, hogy err\u0151l a megszervez\u00e9shez val\u00f3 megk\u00f6zel\u00edt\u00e9sr\u0151l tudom\u00e1st szerezz\u00fcnk, mint amit a pr\u00f3b\u00e1k \u00e9s t\u00e9ved\u00e9sek m\u00f3dszer\u00e9vel tapasztaltam, \u00e9s elolvassuk Amy Edmondson \u201eCsapatmunka: hogyan tanulnak, innov\u00e1lnak \u00e9s versenyeznek a szervezetek a tud\u00e1salap\u00fa gazdas\u00e1gban\u201d c\u00edm\u0171 k\u00f6nyv\u00e9t).<\/p>\n
Vannak fontos felt\u00e9telez\u00e9sek, amelyek miatt ez a megk\u00f6zel\u00edt\u00e9s bizonyos c\u00e9gekn\u00e9l kev\u00e9sb\u00e9 vagy ink\u00e1bb megb\u00edzhat\u00f3 lehet. Az iter\u00e1ci\u00f3s folyamat cs\u00f6kkenti a pr\u00f3b\u00e1k \u00e9s hib\u00e1k k\u00f6lts\u00e9geit. Ha a hiba \u00e1ra magas, \u00e9rdemes lehet cs\u00f6kkenteni \u0151ket (de ez nem aj\u00e1nlott orvosi alkalmaz\u00e1sok vagy gy\u00e1rt\u00e1s eset\u00e9n). Ezen k\u00edv\u00fcl, ha petab\u00e1jtnyi vagy exab\u00e1jtnyi adatokkal dolgozol, sz\u00fcks\u00e9g lehet az adat-tervez\u00e9s specializ\u00e1ci\u00f3j\u00e1ra. Hasonl\u00f3k\u00e9ppen, ha fontosabb a h\u00e1l\u00f3zati \u00fczleti lehet\u0151s\u00e9gek fenntart\u00e1sa \u00e9s el\u00e9rhet\u0151s\u00e9ge, mint azok fejleszt\u00e9se, a funkcionalit\u00e1s f\u00f6l\u00e9nye fel\u00fclm\u00falhatja a tanul\u00e1st. V\u00e9g\u00fcl a teljes stack modell azok v\u00e9lem\u00e9ny\u00e9re t\u00e1maszkodik, akik \u00e9rtenek ehhez. \u0150k nem unikornisok; megtal\u00e1lhat\u00f3k vagy magad is felk\u00e9sz\u00edtheted \u0151ket. Azonban nagyon keresettek, \u00e9s a v\u00e1llalatba vonz\u00e1suk \u00e9s megtart\u00e1suk \u00e9rdek\u00e9ben versenyk\u00e9pes anyagi kompenz\u00e1ci\u00f3ra, fenntarthat\u00f3 v\u00e1llalati \u00e9rt\u00e9kekre \u00e9s \u00e9rdekes munk\u00e1ra van sz\u00fcks\u00e9g. Gy\u0151z\u0151dj meg r\u00f3la, hogy a v\u00e1llalati kult\u00far\u00e1d meg tudja teremteni ezeket a felt\u00e9teleket.<\/p>\n
M\u00e9g mindezek figyelembev\u00e9tel\u00e9vel is \u00fagy gondolom, hogy a teljes stack modell biztos\u00edtja a legjobb felt\u00e9teleket a kezd\u00e9shez. Kezdj ezekkel, majd tudatosan haladj a funkcion\u00e1lis munkamegoszt\u00e1s fel\u00e9, csak akkor, amikor ez pontosan sz\u00fcks\u00e9ges.<\/p>\n
A funkcion\u00e1lis specializ\u00e1ci\u00f3nak m\u00e1s h\u00e1tr\u00e1nyai is vannak. Ez felel\u0151tlens\u00e9ghez \u00e9s passzivit\u00e1shoz vezethet a munkav\u00e1llal\u00f3k r\u00e9sz\u00e9r\u0151l. Smith maga is b\u00edr\u00e1lja a munkamegoszt\u00e1st, azt \u00e1ll\u00edtva, hogy ez a tehets\u00e9g tompul\u00e1s\u00e1hoz vezet, azaz a munkav\u00e1llal\u00f3k tudatlanokk\u00e1 \u00e9s z\u00e1rk\u00f3zottakk\u00e1 v\u00e1lnak, mivel szerep\u00fck csak p\u00e1r ism\u00e9tl\u0151d\u0151 feladatra korl\u00e1toz\u00f3dik. Mik\u00f6zben a specializ\u00e1ci\u00f3 biztos\u00edthatja a folyamat hat\u00e9konys\u00e1g\u00e1t, ritk\u00e1bban inspir\u00e1lja a munkav\u00e1llal\u00f3kat.<\/p>\n
Az univerz\u00e1lis szerepek mindent biztos\u00edtanak, ami \u00f6szt\u00f6nzi a munkahelyi el\u00e9gedetts\u00e9get: auton\u00f3mia, szak\u00e9rtelem \u00e9s c\u00e9lorient\u00e1lts\u00e1g. Az auton\u00f3mia abban rejlik, hogy nem f\u00fcggenek valamit\u0151l a siker el\u00e9r\u00e9s\u00e9ben. A szak\u00e9rtelem a er\u0151s versenyel\u0151ny\u00f6kben rejlik. A c\u00e9lorient\u00e1lts\u00e1g pedig abban, hogy k\u00e9pesek legyenek hat\u00e1ssal lenni a v\u00e1llalkoz\u00e1sra, amelyet l\u00e9trehoznak. Ha siker\u00fcl motiv\u00e1lni az embereket a munk\u00e1juk ir\u00e1nt \u00e9s jelent\u0151s hat\u00e1st gyakorolni a c\u00e9gre, akkor minden m\u00e1s a hely\u00e9re ker\u00fcl.habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"HIROSHI WATANABE\/GETTY IMAGES \u0412 \u043a\u043d\u0438\u0433\u0435 \u00ab\u0411\u043e\u0433\u0430\u0442\u0441\u0442\u0432\u043e \u043d\u0430\u0440\u043e\u0434\u043e\u0432\u00bb \u0410\u0434\u0430\u043c \u0421\u043c\u0438\u0442 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442, \u043a\u0430\u043a \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0442\u0440\u0443\u0434\u0430 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0433\u043b\u0430\u0432\u043d\u044b\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0438\u043c\u0435\u0440\u043e\u043c \u0432\u044b\u0441\u0442\u0443\u043f\u0430\u0435\u0442 \u043b\u0438\u043d\u0438\u044f \u0441\u0431\u043e\u0440\u043a\u0438 \u0437\u0430\u0432\u043e\u0434\u0430 \u043f\u043e \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0443 \u0431\u0443\u043b\u0430\u0432\u043e\u043a: \u00ab\u041e\u0434\u0438\u043d \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u0442\u044f\u043d\u0435\u0442 \u043f\u0440\u043e\u0432\u043e\u043b\u043e\u043a\u0443, \u0434\u0440\u0443\u0433\u043e\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u043b\u044f\u0435\u0442 \u0435\u0451, \u0442\u0440\u0435\u0442\u0438\u0439 \u043e\u0431\u0440\u0435\u0437\u0430\u0435\u0442, \u0447\u0435\u0442\u0432\u0435\u0440\u0442\u044b\u0439 \u0437\u0430\u043e\u0441\u0442\u0440\u044f\u0435\u0442 \u043a\u043e\u043d\u0435\u0446, \u043f\u044f\u0442\u044b\u0439 \u043e\u0431\u0442\u0430\u0447\u0438\u0432\u0430\u0435\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 \u043a\u043e\u043d\u0435\u0446 \u0434\u043b\u044f \u043d\u0430\u0441\u0430\u0436\u0438\u0432\u0430\u043d\u0438\u044f \u0433\u043e\u043b\u043e\u0432\u043a\u0438\u00bb. \u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438, \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0431\u043e\u0442\u043d\u0438\u043a \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0432\u044b\u0441\u043e\u043a\u043e\u043a\u0432\u0430\u043b\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u043c […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":24671,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-32907","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Mi\u00e9rt](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")