Az e-commerce, marketing és sales világában egyre több pozícióban elvárás az adatvezérelt gondolkodás. Nem mindenki lesz Data Scientist vagy Webanalyst, de szinte minden szakembernek – legyen szó PPC managerről, CRM szakértőről vagy akár sales vezetőről – tudnia kell helyesen értelmezni adatokat. Ezt hívjuk data literacy-nek, vagyis adatértési műveltségnek.
Egy jó data literacy szint különbséget jelent a „tapasztalatból lövöldöző” marketinges és az adatok alapján döntést hozó szakember között. Az interjú során ezért kulcsfontosságú, hogy kiderüljön: a jelölt valóban érti az adatokat, vagy csak „számokat néz”.
Mi az a data literacy, és miért fontos?
A data literacy nem technikai skill, hanem inkább képesség. Arra utal, hogy valaki képes:
- értelmezni az adatokat kontextusban,
- felismerni trendeket és anomáliákat,
- kérdéseket feltenni az adatok alapján,
- és helyes döntéseket hozni belőlük.
Egy PPC specialist például hiába tudja, hogy a CTR 3,1%, ha nem érti, hogy ez jó vagy rossz a kategóriában, és hogyan hat a CPA-ra. Ugyanez igaz egy sales managerre is: a pipeline számokat látva tudnia kell, mely dealek valószínűsége reális, és melyek torzítják az előrejelzést.
Hogyan mérjük interjún a data literacy szintet?
Az egyik legjobb módszer a teszt jellegű feladat. Ez nem arról szól, hogy a jelölt tudja-e használni a SQL-t vagy Python-t, hanem hogy helyesen értelmez-e egyszerű adatokat.
Példa tesztfeladat
„Képzeljük el, hogy a webshopodban a konverziós ráta januárban 2,1%, februárban 1,8%, márciusban 2,3%. Mit mondanak neked ezek a számok?”
Egy gyengébb data literacy szintű jelölt annyit mond: „februárban rosszabbul ment, márciusban jobban”.
Egy erősebb jelölt viszont hozzáteszi:
- lehet szezonális hatás (február rövidebb hónap),
- fontos megnézni a forgalmi csatornákat is, mert ha több rossz minőségű traffic érkezett, az magyarázhatja a visszaesést,
- a három hónapos minta még nem elég egyértelmű trendhez.
Ez a különbség: az adatokat kontextusban értelmezi.
Milyen kérdéseket érdemes feltenni?
- Trendértelmezés: „Ha az átlagos kosárérték 18%-kal csökkent, de a bevétel nőtt, mi lehet az oka?”
- Összefüggések keresése: „Ha a CTR nő, de a ROAS csökken, mit látsz a háttérben?”
- Adatkritika: „Ha egy kampányban az Analytics és az Ads teljesen más számot mutat, mit tennél?”
- Prioritás: „Látsz három KPI-romlást egyszerre, melyiket vizsgálod meg először, és miért?”
Ezek mind azt vizsgálják, hogy a jelölt tud-e gondolkodni az adatokkal, vagy csak olvassa őket.
Miért buknak el sok jelölt ezen a teszten?
Sokan azért, mert a data literacy-t összekeverik a tool literacy-vel. Egy jelölt lehet profi Google Ads-ben vagy HubSpotban, de ha az adatot nem érti meg kontextusban, rossz döntéseket fog hozni. A másik tipikus hiba az „overfitting”: a jelölt túlmagyarázza a számokat, és nem tud különbséget tenni zaj és valódi trend között.
Hogyan építsd be a folyamatba?
- A data literacy teszt lehet egy 15 perces mini case interjú.
- Adhatsz hozzá egyszerű Excel táblát 4–5 KPI változással.
- Fontos, hogy ne trükkfeladat legyen, hanem a való életet tükrözze.
- Az értékelésben figyeld:
- mennyire hoz logikus következtetést,
- mennyire kérdez vissza az adatokra,
- mennyire tudja üzleti nyelvre fordítani a számokat.
30–60–90 napos próbaidős terv data literacy szempontból
- 30 nap: a jelölt átnézi a cég riportjait, felismeri a fő KPI-kat.
- 60 nap: képes önállóan insightokat hozni (pl. „az organic traffic bővítése csökkentené a CAC-ot”).
- 90 nap: részt vesz a döntéstámogatásban, és megbízható adatértelmezőként tekint rá a csapat.
Csekklista – kell neked data literacy teszt?
- ❓ Sokszor vitáztok arról, hogy „mit jelentenek a számok”?
- ❓ Van, hogy a csapat rossz döntést hozott hibás adatértelmezés miatt?
- ❓ A riportokat csak a vezető érti, a specialisták nem?
- ❓ A jelöltek többsége jól ismeri a toolokat, de nem tudja értelmezni a KPI-okat?
Ha ezek közül több igaz, akkor a data literacy teszt az egyik legfontosabb elem lesz az interjúfolyamatodban.
A data literacy nem extra skill, hanem alapkészség 2025-ben. Egy jó PPC, CRM vagy sales szakember nem csupán használja az eszközöket, hanem érti az adatokat, amelyek mögöttük vannak. Mi megtaláljuk és levadásszuk azt a jelöltet, aki nemcsak számokat néz, hanem döntést is tud belőlük hozni.
Vélemény, hozzászólás?