Jan Šanda: Jak Python mění svět financí?

Rozhovor s ředitelem data managementu v ČSOB.

Python se stal nezbytným nástrojem pro datovou analýzu a řízení rizik ve finančním sektoru. V tomto rozhovoru se zaměříme na to, jak Python transformuje finanční analytiku, zvyšuje efektivitu a kvalitu práce v bankovnictví.

Jan Šanda, který do ČSOB nastoupil v roce 2016 a v současnosti zastává pozici ředitele data managementu, sdílí své bohaté zkušenosti s využitím Pythonu v komplexním bankovním prostředí. Během své kariéry v ČSOB vedl týmy zaměřené na analýzu a reporting kreditního rizika, rozhodovací algoritmy a tržní rizika.

Svoji vášeň pro data a jejich efektivní využití propojuje s praktickými aplikacemi ve financích. Více se ale dozvíš na následujících řádcích.

Co tě motivovalo začít využívat Python ve finančním sektoru?

Python jsem znal už ze školy a stále ho používám i pro soukromé projekty, takže jsem si byl vědom, jak silný nástroj to může být. Práce v bance znamená pohybovat se v komplexním prostředí, které se neustále vyvíjí. Často také ale narazíte na nějaký technologický dluh různých systémů, čemuž se vzhledem ke stáří bank nedá vyhnout. A Python je skvělý nástroj, který dokáže vyřešit spoustu úkolů, které s touto komplexitou přicházejí.

Jak můžou finanční analytici těžit z využití Pythonu ve své práci?

Rozdíl mezi analytikem, který spoléhá pouze třeba na Sequel a Excel, oproti někomu, kdo zároveň ovládá i Python je alespoň podle mě obrovský. V druhém případě jste schopni zvládnout mnohem širší spektrum úkolů, případně dokážete dělat svou práci efektivněji, rychleji a kvalitněji. Navíc znalost programovacího jazyka dává člověku i schopnost trochu jiného přemýšlení a způsobu práce.

Jaké knihovny a nástroje v rámci Pythonu jsou pro oblast financí důležité a proč?

Pro typického analytika není tolik důležité napsat script co možná nejefektivněji, aby ušetřil třeba pár milisekund. Mnohem důležitější je čitelnost kódu, schopnost ho reprodukovat a jistota, že dává správný výsledek. Od toho se také odvíjí používané knihovny. Jde o standardní, prověřené knihovny jako třeba pandas, NumPy, scikit-learn, plotly atd.

Jak může znalost Pythonu ovlivnit kariérní růst ve finančním sektoru?

Velmi i vůbec, záleží na konkrétní pozici a oddělení. Můžete se dostat do oddělení, které Python již aktivně využívá, nebo se stát průkopníkem v rámci místa, kde působíte nyní. V každém případě vám Python otevře nové dveře.

Jak vidíš roli Pythonu v budoucnosti bankovnictví a finančních služeb?

Já si myslím, že Python má obrovskou budoucnost. Banky dnes již patří mezi největší technologické společnosti, byť se to tak na první pohled nemusí jevit. A jako všechny společnosti se snaží získat talentované zaměstnance. Aby toho dosáhly, musí jim dát prostor používat moderní technologie a nástroje, se kterými umí a chtějí pracovat.

A Python patří mezi nejpopulárnější jazyky současnosti se stále vzrůstající oblibou. Navíc má velkou komunitu podporující různé use cases pro bankovnictví.

Jak můžou manažeři řízení rizik využít Python ke zlepšení své práce?

Python lze využít pro automatizaci, zpřehlednění stávajících analytických činností a nabízí třeba i použití sofistikovaných metod a přístupů.

Jaké jsou hlavní výhody Pythonu oproti tradičním nástrojům, jako je Excel?

Věřím, že většina nástrojů má své místo. Spreadsheety jsou svým způsobem úžasný nástroj a upřímně bez nich by dnes minimálně finanční svět nefungoval. Nicméně měly by se používat na to, k čemu jsou určené a v čem vynikají. Samozřejmě když je někdo expertem na Excel, dokáže v něm udělat takřka cokoliv.

Ale představte si, že chcete v Excelu spojit 5 datových zdrojů, očistit a transformovat data a na výsledný dataset použít třeba tři různé predikční modely. Udělat to asi můžete, ale dost se nadřete a kolega, který po vás za rok analýzu převezme, vás mít rád nebude.

Samozřejmě jsou i objektivní omezení jako třeba rychlost kódu, možnost zpracovávat větší množství dat, integrace s ostatními nástroji, vizualizace atd. Navíc pro některé činnosti programovací jazyk prostě znát musíte. Python vám dá obrovskou míru svobody, protože budete vědět, že zvládnout lze takřka vše. Pokud se ale naučíte pracovat v Pythonu, na Excel rozhodně nezapomínejte.

V čem konkrétně Python překonává Excel při vizualizaci dat a reportingu?

Pro vizualizaci dat Python nabízí mnoho balíčků, od vytváření statických grafů až po interaktivní dashboarding. Nabízí také pokročilejší grafy, snadnější automatizaci reportingu, různé formáty výstupů, zvládne vizualizovat větší množství dat atd. Zjednodušeně řečeno s Pythonem zvládnete vše, co umí Excel. Obráceně to neplatí.

Jak mohou moderní nástroje, jako je GitHub Copilot, pomoci týmům v datové analýze?

GitHub Copilot je pro psaní kódu revoluční nástroj a každý by si ho měl osvojit. V blízké budoucnosti si pro efektivní práci nedovedu představit jeho nepoužívání. Stačí si položit otázku: Chci pracovat třeba o 30 % efektivněji?

Jaká úskalí jsou spojena s přechodem z Excelu na Python a jak je řešit?

Tohle je velmi široká otázka. Pokud pracujete v týmu, jedním z úskalí může být třeba nedostatečná zastupitelnost. Tady například pomáhá kvalitní dokumentace kódu a procesů.

Python je sofistikovanější nástroj, má tedy trochu delší learning curve, a i když je jeho zprovoznění jednoduché, pár kroků navíc udělat musíte. Takže mít kompetenční centrum, nebo kolegu, který dokáže pomoci, určitě není na škodu. Nicméně když budete z Excelu do Pythonu převádět pouze věci, které Python dělá lépe, byl bych v množství úskalí optimista.

Jaké bezpečnostní a etické aspekty je třeba zvážit při využití AI nástrojů ve financích?

Úplně všechny. Jednou z největších komodit, kterou banka má, je totiž důvěra. Navíc se jedná o velmi regulované odvětví, takže z hlediska bezpečnosti a etického zacházení s daty a AI je potřeba vše zvážit a dostatečně promyslet.

Je využití Pythonu přínosné pro všechny finanční instituce, nebo jsou situace, kdy jeho použití není vhodné?

Nemyslím si, že by využití Pythonu bylo nějakou instituci nevhodné.

Jak vnímáš budoucnost datové analýzy s nástupem AI a automatizace v nástrojích, jako je GitHub Copilot?

Souhlasím s názorem, že datový analytik vyzbrojený AI o místo nepřijde. Alespoň zatím to kolem sebe nevidím. Co se ale určitě změní, a je to dobře, bude způsob práce. Produktivita lidí, kteří nebudou AI využívat, bude mnohem nižší. Věřím, že za pár let bude programování bez AI srovnatelným prohřeškem jako tvrdit o Excelu, že se jedná o databázi.

Sdílet: