Kata Janos Tanulmany Vegso

1

Az új OKJ szakképesítésének oktatásához szükséges tanári kompetenciák kidolgozása Az üzleti OKJ elemzése Készítette: Dr. Kata János

Bevezetés....................................................................................................................................2 1. A „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoport összefoglaló jellemzése .....................................................................................................................................................2 2. A vizsgálat módszere...............................................................................................................3 2.1 A szakmai tartalom kiválasztásának módszere.................................................................3 2.2 Az értékeléshez felhasznált matematikai apparátus..........................................................5 3. A szakmai követelmények elemzése.......................................................................................9 3.1 Kiértékelés elemi statisztikai módszerekkel....................................................................9 3.2. Kiértékelés a statisztikai modellezés módszereivel.......................................................13 4. A szakmák elemzése............................................................................................................18 4.1 Kiértékelés elemi statisztikai módszerekkel.................................................................18 5. A szakmai tanárképzés kompetenciáinak meghatározása a „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoportban...........................................................................................22 5.1 A tanári kompetenciák meghatározása deduktív módszerrel.........................................22 5.11 Általános megjegyzések a szakmacsoporttal kapcsolatosan.....................................22 5.12 A szakmai kompetenciák összegzése........................................................................23 5.13 A kompetenciaalapú-modulrendszerű OKJ elemzése...............................................26

2

Bevezetés A tanári kompetenciák rendszerén belül különleges helyet foglalnak el a szakmai tanárképzés kompetenciái. A közismereti szakos tanárok kompetenciáinak ugyanis döntő részét képezik az általános tanári kompetenciák – az ilyen pedagógussal szemben általában a kommunikációs, az előadói, az empatikus, a konfliktuskezelő képességekhez köthető követelményeket támasztják. Ezeket pedig lényegében kiegészítik a tantárgyi tartalom ismeretének és magabiztos kezelésének kompetenciái. Nem véletlen, hogy a közismereti szakos kollégák (egy kisebbségtől eltekintve) általában nem folytatnak szakmai tudományos tevékenységet, közöttük elsősorban a pedagógiai ösztönös tehetségek, vagy a tudományosan megalapozott tevékenységre épülő tudatos pedagógiai munkát végzők érnek el sikereket tanulóik között. A szakmai tantárgyakat tanító pedagógusok munkája ezzel szemben csaknem mindig megjelenik a tanulók munkaerőpiaci megítélésében. Itt nem az általános tanári kompetenciák az elsődlegesek (természetesen ezek léte sem gátolja munkájukat), hanem a szaktudáshoz köthető elvárások. Nem véletlen, hogy az elmúlt évtizedekben (az általános jogi szabályozáson túlmenően) viszonylag széles volt a tanári képesítés nélkül szakmai tantárgyat tanító (általában műszaki) szakemberek köre. Közismert volt, hogy ők sok esetben a hagyományos tanári kompetenciák ismerete nélkül is képesek lehetnek sikeres oktatói munkára, hiszen például a szakmai logika, a mérnöki gondolkodásmód alkalmazása ezeket jól helyettesíti. A szakképzés elmúlt évtizedeinek tendenciái emellett azt a jelleget is erősítik, hogy ma már egyre kevesebb a tisztán elméleti, illetve a tisztán gyakorlati tudományterület. Amíg a közismereti tantárgyaknál ma is elkülöníthetőek a „készségtantárgyak” (testnevelés, énekzene stb.), a „természettudományoktól” (fizika, kémia stb.) és a „társadalomtudományoktól” (nyelv, történelem stb.), addig a szakképzésben egyre jellemzőbbek a komplex műhelygyakorlatok, a laborméréseket is tartalmazó elméleti órák. A szakmai tanár ma sokszor tanítja egyidejűleg az elméleti és a gyakorlati órákat, így tudása nem merül ki sem az elméleti ismeretekben, sem a gyakorlati alkalmazásokban. Jó példa erre az éppen a kereskedelmi és üzleti szakmacsoport oktatásában alkalmazott „taniroda”, aminek a működése életszerűen szimulálja a valóságos piaci viszonyok között végzett munkát, és ahol a tanárral szemben alapvető követelmény az elméleti tudás mellett a tényleges, aktuális üzleti gyakorlat is. A most elvégzett felmérés ebben a szellemben készült. Nem tagadva az általános pedagógusi kompetenciák fontosságát, elsősorban a szakmai tudás kompetenciáira koncentráltunk. Bár sok esetben nehéz volt, szándékosan nem választottuk szét az elméleti tudáshoz és a gyakorlati képességekhez kötődő követelményeket, ezzel is érzékeltetve a komplexitás általunk nagyra tartott fontosságát.

1. A „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoport összefoglaló jellemzése Az OKJ kialakítása során számos szakmai vitán hangzott el az a vélemény, hogy a jegyzékbe felvett szakmák (annak idején a világbanki programból mechanikusan átvett) csoportosítása erőltetett, a magyar hagyományoknak nem megfelelő. Közismert például a

3 „Közlekedési” szakmacsoportba felvett szállítmányozási, közúti fuvarozási és városi tömegközlekedési szakmáknak az a borzalma, amikor a leendő (lényegében adminisztratív) ügyintézőknek az autószerelőkhöz hasonlóan gépműhelygyakorlaton kellett részt venniük, látványosan elsajátítva olyan, számukra elengedhetetlen szakmai fogásokat, mint a lakatos- és a forgácsoló munkaműveletek. Az OKJ fejlődése során ezeket a hibákat nagyrészt sikerült kiküszöbölni. A fenti példához hasonló jelenségek ma már nem jelennek meg ilyen látványosan, de a szakmák mindenáron való (nem matematikai halmaz- és csoportelméleten alapuló) csoportosításának kényszere most sem kedvez a határterületek művelőinek. Ilyeneket a vizsgált szakmacsoport is tartalmaz. Adatbázisként a 2005-ben érvényes szakmák listáját használtuk fel. Ez 59 szakmát sorol fel, melyek nagy része valóban kizárólagosan a hagyományos kereskedelmi és üzleti munkatevékenységekhez köthető. Ezek a szakmák lényegében az „általános” kereskedői munkákat képezik le, különböző termékek értékesítése céljából, különböző üzlettípusokban. Az ABC-eladó, az élelmiszer- és vegyiáru-kereskedő, a kereskedelmi menedzser, a vas- és műszaki kereskedő munkája sokban hasonlít egymásra, sok esetben még a szükséges áruismeret is megegyezik. Nagyon sok olyan szakma is megjelenik a listán, amelyek a hagyományos kereskedelmi tevékenységek korszerűsödéséből alakultak ki. Ilyen például az Európai Uniós üzleti szakügyintéző, a Veszélyesáru-/ADR ügyintéző. Az eddigi két alcsoporttól már eltérő jellegűek azok a szakmák, amelyek a kereskedelmi-üzleti tevékenységek általánosításából fejlődtek ki. A kereskedelmi menedzser, a kereskedő vállalkozó és a termelésirányító munkaköre már más, az előzőektől részben eltérő képességeket és tudást igényel (gondoljunk például a nyelvtudásra, a számítógépes ismeretekre, vagy a gazdaságstatisztikai módszerek alkalmazására). Végül a negyedik csoportba tartoznak azok a szakterületek, amelyek tipikusan valamilyen (legtöbbször műszaki) határterületeken találhatóak. Az emelőgép-ügyintéző üzleti és gazdasági ismeretek helyett markáns műszaki kérdésekben (hatósági vizsgáztatásokban) dönt, komoly munkavédelmi és jogi ismereteket alkalmazva. A logisztikai menedzserasszisztens munkájának csak elenyésző részét képezik az üzleti tárgyalások, a mindennapokban komoly informatikai és műszaki tevékenységeket lát el. Az antikváriumi szakelőadó ezzel szemben régészeti és történelmi, művészettörténeti és latin nyelv- (és kultúra-) ismereti háttérrel dolgozik. Az ingatlankezelő építőipari és jogi ismeretek birtokában végzi munkáját (talán nem véletlen, hogy az egész szakmacsoportból egyedül neki kell etikai ismeretekkel rendelkeznie), a munkaelemző és a termelésirányító pedig a munkaszervezési eszköztárát felhasználva konkrét technológiai folyamatokkal is foglalkozik. A Kereskedelmi-marketing, üzleti adminisztráció szakmacsoport tehát nem homogén halmaz, benne számos „csoportidegen” műszaki és humán területet érintő szakma is található.

2. A vizsgálat módszere 2.1 A szakmai tartalom kiválasztásának módszere A vizsgálat módszertanilag két, egymással kapcsolatban álló részből tevődik össze. Az elméleti törvényszerűségek érvényesíthetősége céljából először egy deduktív elemzést végeztünk. Ennek fókuszában az állt, hogy meghatározzuk azokat a elméleti jellemzőket, amelyek befolyásolják a szakmai kompetenciák kialakítását. Az elemzés eredménye olyan általános szakmai követelmények megfogalmazása, amelyek lényegében megfelelnek az OKJ követelménymoduljainak.

4 A vizsgálat második, induktív része az új OKJ-követelményrendszer elemeinek vizsgálatából indul ki, és eredményeképpen az elméleti követelményekhez való igazodást ellenőriztük. A szakmacsoport deduktív elemzéséhez a korábbiakban is említett 2005-ös listát használtuk fel. Mivel ez 59 szakmát sorol fel, mintavételes módszerrel választottuk ki a vizsgálandó szakmákat. A mintavétel első fázisában a betűrendes sorba rendezett lista első hét tagját választottuk ki (ezáltal biztosítva egyfajta véletlenszerűséget, hiszen a kezdőbetűk rendje és a munka jellege között nincs kapcsolat). Így került a listára az ABC-eladó, az antikváriumi szakeladó, a becsüs, a drogériai kereskedő, az élelmiszer- és vegyiáru-kereskedő, az emelőgép-ügyintéző és az Európai Uniós üzleti szakügyintéző. A mintavétel második fázisában a 8. és az 59. szakma között 1 és 6 közötti véletlenszámok segítségével választottuk ki a hulladékgyűjtő, az ingatlankezelő, az integrált ügyfélkapcsolatok asszisztense, a kereskedő-vállalkozó, a kultúrcikk-kereskedő, a logisztikai szervező, a logisztikai ügyintéző, a munkaelemző, a nemzetközi szállítmányozási és logisztikai menedzser, a PR-munkatárs, a protokoll-ügyintéző, a segédlevéltáros, a terméktervező műszaki menedzserasszisztens, a töltőállomás-kezelő és –eladó, valamint a veszélyesáru/ADR-ügyintéző szakmákat. Az elemzésre felhasznált táblázatban ez a 22 szakma reprezentálta tehát a szakmacsoport 59 szakmáját, a mintavételi arány tehát 37,29 %-os volt. Az elemzésben arra törekedtünk, hogy az egyes szakmák „Szakmai és vizsgakövetelményei”-ből kigyűjtsük a gyaníthatóan valamilyen munkaerőpiaci felmérés után megfogalmazott „szakmai követelményeket”. E paraméterek birtokában kívántuk az elemzés későbbi számításait elvégezni. Előzetes koncepciónk szerint kiválasztottuk volna a 15 legfontosabb paramétert, majd ezekkel végeztünk volna el bizonyos statisztikai alapú modellezéseket (a rendelkezésre álló „student” verzió maximum ennyi paramétert – mért adatot – képes kezelni). Sajnos, ez a vizsgálat nem volt elvégezhető, elsősorban a dokumentációk egymás közötti kompatibilitásának hiánya miatt (ez első kutatási eredményként rögtön meg is fogalmazható: a szakmai és vizsgakövetelmények nem egységesek, egymás közötti közvetlen összehasonlításra alkalmatlanok. Példa erre két, egyébként egymással rokon szakma: az egyiknél a követelmények összefoglalóan megemlítik, hogy a vizsgán ismerni kell a piac működési szabályait, a másik pedig ugyanezt mondja, de féloldalnyi terjedelemben felsorolva a konkrét tananyagrészeket. Még rosszabb a helyzet a határterületi témákkal, itt ugyanis a gyaníthatóan nem kereskedelmi képesítéssel rendelkező kidolgozók kereskedelmi fogalmak nélkül, műszaki terminus technicus segítségével fogalmazzák meg követelményeiket.) Mindezek alapján az elemzés megkezdése előtt össze kellett fésülni ezeket az eltéréseket, és ennek megfelelően átfogalmazni, egyes paramétereket összevonva, máshol pedig szétválasztva meghatározni az egyes szakmák követelményrendszerét. Mindezek eredményeként a következő paraméterek meglétét, illetve hiányát vizsgáltuk a későbbiekben: - Árurendelés (a beszerzés szervezése), - Árukezelés (raktározás, rakodás), - Áruelőkészítés (az értékesítés előkészítése, csomagolás, restauráció stb.), - Vevőtájékoztatás (kommunkációs technikák), - Reklamáció (kommunikáció a vevőkkel, konfliktuskezelés, ügyintézés), - Leltározási ismeretek (a készlet ellenőrzésének technikái), - Egyéb szolgáltatások (nem kereskedelmi jellegű bolti ügyfélkiszolgálás), - Adminisztráció (kereskedelmi ügyintézés), - Áruismeret (termék, illetve munkafolyamat, restaurációs ismeretek, műszaki ismeretek, stb.),

5 -

Vállalkozási ismeretek (üzleti tervek készítése stb.), Jogi ismeretek (ingatlanjog, szerződésjog stb.), Egészségügyi ismeretek (gyógynövényismeret, veszélyes áruk hatásai stb.), Munkavédelmi ismeretek (balesetvédelem stb.), Tűzvédelmi ismeretek (veszélyes áruk, üzemanyagok stb.), Környezetvédelem (vegyi anyagok, veszélyes áruk hatásai stb.), Számítógépes ismeretek (irodai alkalmazások), Statisztikai ismeretek (adatfeldolgozás és adatelemzés), Nyelvi ismeretek (kommunikáció idegen nyelven), EU-ismeretek (külkereskedelmi országismeret), Konferenciaszervezés (PR-tevékenységként), Karrierépítés (önéletrajz készítése, pályázatok összeállítása stb.), Etika (az erkölcsösség megjelenése az üzleti tevékenységben), Szervezetismeret (termelési szervezetek és folyamatok, valamint gyártástechnológiák ismerete).

A felsorolásból jól látható, hogy e paraméterek egyrészt komplexek (elméleti és gyakorlati tevékenységeket egyaránt takarnak), másrészt pedig önálló tantárgy (illetve tananyagrész) formájában is leképezhetőek. 2.2 Az értékeléshez felhasznált matematikai apparátus A statisztikai módszernek több szempontot kell egyidejűleg kielégítenie: 1. A statisztikai módszer adatai legyenek számok. Tudjuk, hogy nem minden numerikus adat jelent számot, és a számok sem egyforma jellegűek. A skálázás során minden adatról el kell dönteni, hogy milyen jellegű, mert csak így lehetünk nyugodtak afelől, hogy mely műveletek végezhetőek el vele. Legbiztosabb, ha az adat arányskálán helyezkedik el (természetes mutató, naturális érték). Léteznek persze olyan statisztikai eljárások, melyek képesek intervallumskálákat és rangskálákat is kezelni, de e tulajdonságot minden felhasznált módszerről ismerni kell. 2. A statisztikai módszer legyen objektív. Az általa szolgáltatott információk ne függjenek a készítés előzetes koncepciójától, korlátozódjanak a rendszer tényleges adatainak elemzésére. 3. A módszer legyen megbízható. Tartalmazzon biztosítékokat arra, hogy az általa feltárt információk valóban hitelesek, jellemzőek a vizsgált rendszerre. 4. A módszer legyen ellenőrizhető, megismételhető. Az ismétlések során egy elfogadható hibahatáron belül azonos információkat nyújtson. Az elemi statisztikai eljárások közé tartozik a legegyszerűbb statisztikai mutatók (átlag, szórás, megoszlási viszonyszám stb.) kiszámolása, de a viszonylag összetettebb eljárások (regressziószámítás, khi-négyzet próba, hipotézisvizsgálatok) is. Külön csoportba sorolásukat alkalmazási szempontból az indokolja, hogy elméleti alapjaik általában egyszerűek, könnyen és gyorsan számolhatóak, és nem utolsó sorban az, hogy számítástechnikai alapszolgáltatásokban (pl. a Microsoft Office Excel-ben) egyszerűen és gyorsan hozzáférhetőek. Ez jelentősen megkönnyíti mindennapi alkalmazásukat a pedagógusok számára is. Módszertani szempontból a sajátosságuk éppen pedagógiai: a hagyományos szóhasználat szerint e módszerekre épülnek a pedagógiai mérések legfontosabb területét képező didaktikai kutatások.

6 A döntéselőkészítő statisztikai modellek csoportjába tartozó eljárások az elmúlt néhány évtized termékei. Kialakulásuk alapfeltétele a számítógépek megjelenése, széleskörű alkalmazásuké pedig a személyi számítógépek elterjedése volt. Közös jellemzőjük, hogy információikat az adatstruktúra feltárásával nyerik, így a vizsgált rendszer működésének elmélyültebb elemzését teszik lehetővé. Számításigényességük nagyságrendekkel nagyobb az elemi módszerekéinél, ezért manuálisan nem lehet az eredményeiket kiszámolni. A bennük felhasznált számítástechnikai és matematikai apparátus (maximum likelihood-technikák, dimenziótranszformációk stb.) pontos megértése komoly feladat elé állítaná a nem matematikus felhasználót. Erre azonban általában nincs is szükség, az alkalmazási feltételeket és az eredmények értékelési lehetőségeit e programrendszerek leírásai közérthetően ismertetik. A statisztikai modellek közé tartoznak a megfigyelt változók csoportosítására, illetve az erre épülő látens változók tulajdonságainak meghatározására irányuló számítások (faktorelmezés, klaszterelemzés, sokdimenziós skálázás), és az ezekre épülő összetett rendszerszimulációs eljárások (látens változók strukturális elemzése) is. A minta elemzésének eredményeit összefoglaló táblázatot leíró statisztikának nevezik, és az EXCEL szolgáltatásaival könnyedén előállítható. Legfontosabb információit az adathalmaz: • •

Várható értéke Standard hibája

• • • • • • • • • • • • •

Mediánja Módusza Szórása Varianciája Csúcsossága Ferdesége Adatainak tartománya Minimuma Maximuma Összege Darabszáma N darab legnagyobb értéke N darab legkisebb értéke

alkotják. A regressziószámítás leglátványosabb alkalmazása a többszörös (többváltozós) függvényillesztés. Ez azt jelenti, hogy segítségével egy adott folyamatjellemző változásait több tényező függvényében írjuk le. Vizsgapontszámainkat a matematika tantárgy osztályzatai mellett további lehetséges befolyásoló hatások figyelembe vételével írhatjuk így le, ezáltal várhatóan növelve becsléseink pontosságát. A számítástechnika fejlődésével korábban nem látott lehetőségek nyíltak, hiszen e számításokban többek között mátrixinvertálások is szerepelnek. Ez géppel rövid idő alatt elvégezhető, maniálisan azonban csak legfeljebb 4-5 változó figyelembe vételével lehet sok számítással megoldani. A regressziószámítás adja az összetettebb eljárások matematikai alapját, a modellezés eszközét.

7

A khi-négyzet próba eredetileg egy viszonylag durva becslésként alakult ki a statisztika tudományán belül, napjainkra azonban az egyik legösszetettebb elemi statisztikai módszerré fejlődött. Jelentőségét tovább fokozta, hogy napjaink statisztikai modellező eljárásainak szerves részét képezik a khi-négyzet próbával elvégzett összefüggésvizsgálatok. Alapváltozatában két változó közötti összefüggést elemez. Ehhez azonban nem egyszerűen mérési eredményeket vizsgál, mint a regresszió- és korrelációszámítás, hanem csak az egyes változók szerinti osztályközökbe eső adatok mennyiségét. Ilyen módon visszatérünk a hisztogramok világába, vagyis pontosságot veszítünk a többi fejlett kvantitavív módszerhez képest. Cserében viszont nagy lehetőséget nyerünk. Az osztályközös jelleg lehetővé teszi ugyanis, hogy ne csak számszerű adatok vizsgálatára terjedjenek ki elemzéseink, hanem azok szinte tetszőleges kategorizálás szerinti jellemzők lehetnek. Lényegesen általánosabban alkalmazható eljárást kapunk ezáltal, mint amit az elvileg egzaktabb módszerek nyújtanak. A khi-négyzet próba mindig két tényező összefüggését vizsgálja, ami persze nem akadályozza meg azt sem, hogy egymás után többször elvégezve több változó elemzését is megtegyük. Mindehhez egy kontingenciatáblázat nevű eszközt használ fel, melybe az egyes változók osztályközeinek megfelelő gyakoriságokat írják be. A módszer alapelve az, hogy amennyiben a két tényező egymástól teljesen független, a gyakorisági táblázat nem tartalmaz „tendenciózus” adatokat, és csak mindkét változó szempontjából véletlenszerű előfordulási számot enged meg. Ez a gyakoriság arányos az adott osztályköz szélességével mindkét változóra vonatkoztatva. Ha azonban mégis van valamilyen összefüggés a tényezők között, ez a véletlenszerűség felborul, és az egyik változó egyik osztályközéhez a másik változó valamelyik osztályközének nagyobb gyakorisága párosul. A próba alapvető célja az, hogy megítélje, milyen mértékű az eltérés a véletlenszerű előforduláshoz képest. A statisztika eszköztára nem szorítkozhat arra, hogy csupán egy mérési paraméter különböző mérésekből származó jellemzőit elemezze. A valóságos rendszerek ugyanis már a legegyszerűbb esetekben is annyira összetettek, hogy leírásuk, elemzésük és minősítésük sok szempont figyelembe vételét igényli. Ilyenkor nem lehet megelégedni azok egymástól izolált elemzésével, sőt, azzal sem, hogy vizsgáljuk egymástól való függetlenségüket. Az adatok egyidejű kezelésével és elemzésével nyert modell vizsgálata arra irányul, hogy felderítsük a vizsgált rendszer komplex struktúráját, az egyes tényezők egymásra hatását. Eredményeként olyan többváltozós egyenletrendszert kapunk, amely képes a rendszer működésének leképezésére. Az ilyen eljárások lényegében új matematikai eszközöket használnak fel a korábbiakhoz képest. Az adatok kezelése ugyanis olyan táblázatos elrendezést igényel, amelyik világosan kifejezi azok szerkezetét. E táblázat sorai tartalmazzák az egyes mérések adatait, oszlopai pedig a mérések során regisztrált tényezőket, vagyis a táblázat x ij eleme mutatja meg az i-edik mérés során a j-edik tényező mért értékét. Az így kapott táblázatot a matematikában mátrixnak nevezik. A mátrixszámítás módszerei olyan lehetőséget adnak a rendszerelemző kezébe, mellyel közvetlenül képesek kimutatni az adatok belső szerkezetének egyébként rejtett tulajdonságait. Az egyik ilyen eljárás a matematikából jól ismert sajátérték- és sajátvektorszámítására épülő főkomponens-elemzés, illetve ennek továbbfejlesztése, a faktoranalízis. Ezt követi a tényezőknek egy n-dimenziós virtuális térben elfoglalt helyeinek távolsága alapján történő osztályba sorolását elvégző klaszterelemzés, illetve e pontoknak a háromdimenziós térbe való visszatranszformálásával operáló sokdimenziós skálázás. Mindhárom eljárás végeredményeként olyan rendszerjellemzőket ismerünk meg, amelyek az elemi statisztikai

8 eljárásokkal rejtve maradnak, és lehetővé teszik a rendszerek működésének matematikai modellezését. E rejtett információk feltárása ugyanakkor átvezet a statisztikai elemzések csúcsán elhelyezkedő látens folyamatjellemzők elemzésének világába is A faktorelemzés közvetlen módszertani előzménye a főkomponens-elemzés volt. Főkomponenseknek nevezzük azokat a látens (mesterséges) változókat, amelyek: • •

A megfigyelt változók lineáris kombinációi (ez azt jelenti, hogy a megfigyelt változókból állítjuk őket elő); Korrelálatlanok (egymástól függetlenek).

A főkomponens-elemzés eredményeként a megfigyelt m számú változó helyett ugyancsak m számú mesterséges változót nyerünk. Ezek azonban jobban illeszkednek az adatok szerkezetéhez, ezért jobban is modellezik a valóságos rendszert. Mivel a mesterséges változók nem egyforma mértékben függnek össze a mérési adatokkal, arra is lehetőség van, hogy a kevésbé jelentőseket elhanyagoljuk, így a változók számának redukciójára is lehetőség nyílik. Ennek végeredményeként pedig az m számú megfigyelt változót n számú (egymást részben átfedő) osztályba sorolhatjuk, ami lehetőséget arra, hogy minősítsük azokat. Az osztályok elemzésével pedig a rendszerműködést legjobban befolyásoló néhány látens változó jellemzőit is meghatározhatjuk. A klaszterelemzés egy speciális feladat megoldására vállalkozik. Segítségével osztályokba soroljuk a vizsgált objektumokat (az egyedeket, azok jellemzőit, illetve magukat a méréseket). Szemben a faktorelemzéssel ezalatt az objektumok halmazának olyan felbontását érti, hogy a részhalmazok teljes rendszert alkossanak, vagyis a csoportok diszjunktak (egymást kizáróak) legyenek és együttesen a teljes halmazt adják. Más szavakkal ez azt jelenti, hogy az objektumok olyan csoportosítását keresi, amelyre igaz, hogy: • • •

egy objektum egy és csakis egy csoporthoz tartozik, azokhoz lesz hasonló, amelyekkel egy csoportba került, a többi csoportba tartozó elemektől különbözik.

A klaszterelemzés szemléletében is túllép a klasszikus logika modelljein. Ennek első oka az, hogy nem monotetikus osztályozást eredményez (tehát egy osztály elemei nem minden szempontból ekvivalensek, csak hasonlóak). A másik oka (és jelentős előnye) pedig az, hogy nem definiál típusokat azelőtt, mielőtt besorolná az objektumokat az osztályokba, ugyanakkor a csoportosítás után képes megadni a típusjegyeket (így típusalkotásra képes). Klasszikus logika viszont először definiálja (részben önkényesen) a típusokat, majd ezután sorolja be ezekbe az objektumokat. A sokdimenziós skálázás a matematikai eljárások azon fejezetei közé tartozik, amelyek a többváltozós adatelemzést már nyíltan a rejtett jellemzők feltárása érdekében elemzik. A fejezetben érintett eljárások közül ez tekinthet vissza a legrövidebb múltra annak ellenére, hogy a téma első publikációját Torgenson már 1958-ban kiadta. E módszert a szerző egy pszichológiai probléma elemzéséhez dolgozta ki. Ennek során a vizsgálati személyeknek ki kellett választaniuk, hogy két szín közül melyik hasonlít jobban egy harmadikhoz. A színek (illetve a színérzékelések) távolságai alapján Torgenson el akart készíteni egy olyan táblázatot, amely léptékhelyesen ábrázolja a színek elhelyezkedését egy síkbeli ábrán.

9 A feladat egyébként kísértetiesen hasonlít arra, amikor valaki egy térkép kilométermutatója (távolságmátrixa) alapján próbálja elképzelni a városok elhelyezkedését a térképen („újra elhelyezni őket a térképen”). A feladat nem megoldhatatlan, de számos nehézséget támaszt azzal szemben, aki vállalkozik rá. A rendszertechnika igényeinek megfelelően azonban kialakítottak olyan eljárásokat is, amelyek fő célja az volt, hogy túllépjenek a rendszerek funkcionális vizsgálatának módszerein. Így lényegében feltörték a korábbi rendszervizsgálatok „fekete dobozát” és az átmeneti függvények vizsgálata átadta helyét a struktúravizsgálatoknak. Mindennek az elvi és módszertani alapját egy olyan probléma megoldása adta, amely a statisztikusokat közel egy évszázadon keresztül zavarta. Az elemző ugyanis sosem lehet biztos benne, hogy amit mérni tudunk, az valóban a közvetlen oka-e a jelenségnek, vagy pedig maga is csak valamilyen indikátora a tényleges, elméleti oknak. Ilyenkor az elméleti változóval feltételezett kapcsolatban levő megfigyelt változókat használjuk fel arra, hogy következtessünk az elméleti változó jellegére, hatásaira.

3. A szakmai követelmények elemzése 3.1 Kiértékelés elemi statisztikai módszerekkel A klasszikus statisztikai elemző módszerek közé olyan eljárások tartoznak, amelyek az adathalmazból közvetlenül kinyerhető, úgynevezett primer információkat szolgáltatják eredményként. Ilyenek például a viszonyszámok, a megoszlási arányok, az adatok közötti korrelációk, illetve a trendszámítások. Esetünkben a legelső ilyen lehetőség a szakmai követelmények között megemlített kompetenciák súlyának, a képzésen belüli szerepének megítélése, melyet az 1.sz.ábra alapján lehet elvégezni.

18 16 14 12 10 8 6 4 2 0 N ye lv ve ze t is m . Sz er

t

tin g is m er M et un ek ka vé de le Kö m rn ye ze Sz tv . ám ító gé p St at isz tik a

Jo

gi

ke

er e ás

-m ar

ió Vá lla l

ko z

Ár u

ism

rá c

ltá r

is

zt

Le

in Ad m

ze lé s ác oz ió ta s tá üg s yi nt éz és áj ék

R ek

la m

Ve v

őt

Ár u

ke

el és

Adatsor1

re nd Ár u

mennyiség

SZAKMAI KÖVETELMÉNYEK

kompetencia 1.sz.ábra A szakmai kompetenciák említési száma az egyes szakmákban

10

Az egyes szakmák képzési követelményei nem teljesen kompatibilisek egymással, ezért azokat az elemzés megkezdése előtt összhangba kellett hozni. (Volt olyan szakma, ahol megemlítették a számítógépek irodai használatának követelményét, máshol ugyanezt a végletekig részletezték a táblázatkezelés egyes módozatainál elkezdve a levelezési ismeretek alkalmazásán keresztül a konferenciakiadványok szerkesztéséig bezárólag.) Az előkészítéshez tartozott továbbá a fentiek szerint összevont és átfogalmazott kompetenciák számának 15-re szűkítése, a felhasznált modellek ugyanis legfeljebb ilyen mennyiségű adatot képesek kezelni. A grafikon jól szemlélteti, hogy a szakmacsoport egyes szakmáinak műveléséhez szükséges képességek három jól elkülöníthető halmazt alkotnak. A legtöbbször említett követelmények a vállalkozási és a jogi ismereteket, a vevők tájékoztatását, a bolti adminisztráció elvégzését és az áruismeretet (ez persze majdnem mindig szakmaspecifikus, és sokszor nem is áruhoz, hanem valamilyen termelési folyamathoz, termelőberendezéshez kötődik) tartalmazzák. Ezek azok a tevékenységek, amelyek a hagyományos bolti kereskedelem minden területén jelentkeznek. A második csoportban találhatóak a reklamációs ügyintézéssel, a számítástechnika alkalmazásával, a statisztikai adatok kezelésével, a környezetvédelemmel, és az áruk beszerzésével kapcsolatos képességek, melyeket egyre több szakmában kiegészítenek a nyelvi kompetenciák is. Ezek a paraméterek jól láthatóan kötődnek a hagyományos kereskedői tevékenységkörhöz, de jellemzően napjaink igényeihez és lehetőségeihez igazodva. A harmadik csoportba sorolhatóak azok a követelmények, amelyek a mintában kevés alkalommal fordultak elő, illetve fel sem kerültek az elemzési listára. Ilyen például az áruk kezelése (ez legtöbbször a kereskedelemhez kötődő dolog, de túlságosan „műszaki” a kereskedők számára – raktározási módok és eszközök, rakodógépek és szállítóeszközök kerülnek itt tárgyalásra), a munkavédelem, vagy a termelési szervezetek ismerete. Legtöbbször itt valamilyen speciális szakterületről van szó (veszélyes áruk értékesítése, ingatlanközvetítés, gyógynövénykereskedelem), vagy pedig olyan szakmáról, amelyik határterületként „csak véletlenül” került a szakmacsoportba. Ez a fajta elemzés tehát a primer adatok alapján három csoportba sorolta a szükséges paramétereket: -

a hagyományos kereskedői szerep közvetlen tevékenységei, a korszerű eszközök és eljárások felhasználási lehetőségei a kereskedelemben, sajátos, illetve a kereskedelmi alapoktól már távolodó szakterületek tudásanyaga.

A másik egyszerűen használható hagyományos elemzési lehetőség az adatok varianciaanalízise (ezt az előzőhöz hasonlóan a standard EXCEL-szolgáltatások között találhatjuk meg). Annak megállapítására szolgál (1.sz.táblázat), hogy az általunk vizsgált szakmák, illetve a hozzájuk köthető kompetenciák egységes, koherens rendszert alkotnak-e.

11

VARIANCIAANALÍZIS Tényezők Sorok Oszlopok Hiba

SS 10,7 10 55,7

Összesen

76,5

df

MS 21 0,508 13 0,772 273 0,204

pF érték 2,487331819 0 3,783155688 0

F krit. 1,594742033 1,756133708

307

1.sz.táblázat A szakmák és a szakmai követelmények varianciaanalízisének eredményei E táblázat a következő, számunkra fontos információkat szolgáltatja: sem a vizsgált szakmák, sem a hozzájuk köthető képességek nem azonos jellegű alapsokaságból lettek kiválasztva (ez abból látszik, hogy a sorok – a szakmák – és az oszlopok – a kritériumok – F értéke meghaladja az Fkrit kritikus határt). Másként fogalmazva ez azt jelenti, hogy előző elemzésünkhöz hasonlóan kijelenthetjük, hogy a vizsgált képességjegyek (és ezzel szimmetrikusan a szakmacsoport szakmái is) több alcsoportra oszthatóak. Ezek többé-kevésbé megegyeznek előző eredményeinkkel. A 2.sz.táblázat szerinti tevékenységek képezik a kereskedői munka hagyományos „háttérfolyamatait”. E munkafázisok – bár sem az áruval, sem a vevővel nincsenek közvetlen kapcsolatban, alapvetően szükségesek a hatékony értékesítéshez, mint a rendszer belső folyamatai. Egytényezős varianciaanalízis ÖSSZESÍTÉS Csoportok Reklamációs ügyintézés Leltár Adminisztráció

Darabszá m

Össze g

22 22 22

VARIANCIAANALÍZIS Tényezők Csoportok között Csoporton belül

SS 1,484848 14,95455

Összesen

16,43939

Átlag

Varianci a

11 0,5 0,261905 6 0,272727 0,207792 14 0,636364 0,242424

df

MS 2 0,742424 63 0,237374

F p-érték F krit. 3,12766 0,050694 3,142809

65

2.sz.táblázat A bolti belső részmunkafolyamatok elemzése A 3.sz.táblázatban szereplő, a második csoportot alkotó folyamatok lényegében a kereskedői munka hátterét jelentő, a piachoz kötődő ismereteket tartalmazzák, melyek a rendszer környezetéhez biztosítják a megfelelő kapcsolatokat.

12

. Egytényezős varianciaanalízis ÖSSZESÍTÉS Csoportok Vállalkozásmarketing Jogi ismeretek Áruismeret

Darabszá m

Össze g

22 22 22

16 0,727273 0,207792 16 0,727273 0,207792 14 0,636364 0,242424

VARIANCIAANALÍZIS Tényezők SS Csoportok között 0,121212 Csoporton belül 13,81818 Összesen

Varianci a

Átlag

Df

13,93939

MS F p-érték F krit. 2 0,060606 0,276316 0,759488 3,142809 63 0,219336 65

3.sz.táblázat A bolti külső részmunkafolyamatok elemzése A harmadik csoport azokat a területeket reprezentálja (4.sz.táblázat), amelyek egyrészt a korszerű technológiai és piaci követelményekből, másrészt határterületi ismeret-igényekből származnak. Egytényezős varianciaanalízis ÖSSZESÍTÉS Csoportok Számítógép Statisztika Nyelv Szervezetism. Munkavédelem Környezetv.

Darabszá Össze m g 22 11 22 8 22 7 22 5 22 6 22 8

VARIANCIAANALÍZIS Tényezők SS Csoportok között 0,977273 Csoporton belül 28,68182 Összesen

29,65909

df

Átlag 0,5 0,363636 0,318182 0,227273 0,272727 0,363636

Varianci a 0,261905 0,242424 0,227273 0,183983 0,207792 0,242424

MS

F

p-érték

F krit.

5 0,195455 0,858637 0,511017 2,286184 126 0,227633 131

4.sz.táblázat A kereskedői munka sajátos és korszerű tevékenységeinek elemzése

13 Mindhárom csoport nagymértékben homogén, amint ez a F és Fkrit értékek összehasonlításából is látszik. Érdekességként (és az elemzés adott szintjének hiányosságaként) meg kell ugyanakkor említeni, hogy olyan, látszólag (és a kereskedelem gyakorlatában is) fontos műveletek, mint az árukezelés, az árurendelés és a vevőtájékoztatás egyik csoportba sem sorolhatóak be, ráadásul önmaguk sem alkotnak önálló, homogén halmazt. 3.2. Kiértékelés a statisztikai modellezés módszereivel Az elemi statisztikai törvényszerűségek alkalmazása a kutatómunkában számos hiányossággal bír. Ezek közül az a legfontosabb, hogy csak a folyamatok (illetve az adathalmaz) felszínes vizsgálatát teszik lehetővé. Ezen azt értjük, hogy minden mért adatot közvetlenül valamilyen lényegi, a többitől független paraméter megnyilvánulásaként fognak fel ezek a módszerek. A statisztikai elemzők azonban sokszor attól tartanak, hogy az igazi, a folyamatot ténylegesen befolyásoló paramétereket nem tudják mérni, csak valamilyen más hatáson keresztül. Ez a gyakorlatban sokszor nyilvánvaló (gondoljunk például arra, hogy az autó fogyasztásának növekedése – ez a primer, illetve manifeszt adat – mindig visszavezethető valamilyen nem, vagy nehezen mérhető okra – dugattyúkopásra, rossz hűtőrendszerre stb. – ez a szekunder, illetve látens adat), de adatokkal való leképezésükből nem egyértelmű. A látens változók meghatározásának és elemzésének több módszere ismert a faktoranalízistól a klaszterelemzésen át az összetettebb vizsgálatokig. Ilyen komplex módszer a látens változók útelemzése, amelynek egyik számítógépes módszere LISWIN 32S néven szerezhető be. Ez képes a manifeszt változók több lehetséges csoportbeosztásához hozzárendelve a csoportokon belüli és a csoportok közötti faktorelemzések és hibabecslések alapján meghatározni a lehetséges látens változókat, és kiszámítani, hogy a valóságnak az adott változattal történő leképezése milyen mértékben tekinthető szignifikánsnak. A modellezéshez rendelkezésre álló „student version” a kidolgozók rendelkezésére álló alapváltozathoz képest csökkentett funkciókhoz enged csak hozzáférést, így például csak 15 változót képes egyidejűleg kezelni (ez indokolta a változók körének korábbiakban említett szűkítését). A modellezés módszere azt igényli, hogy az első lépésben egy feltételezett látens változóra vezessük vissza a manifeszt változókat. Amennyiben ez a modell szignifikáns (ezt a hagyományos khi-négyzet vizsgálattal dönti el az elemzés), az esetünkben azt jelenti, hogy az összes vizsgált szakmai követelmény egy látens változóra (egy komplex kompetenciára) vezethető vissza. Ilyenkor azt mondjuk, hogy a szakmai követelmények rendszere koherens (tehát erős belső kapcsolatokkal rendelkezik). Ezt a modellt a 2.sz.ábra tartalmazza.

14

2.sz.ábra A szakmai követelmények egy látens változós modellje

Az egyváltozós modell nem képezi le megfelelő biztonsággal a szakmai követelmények valódi összefüggéseit (a khi-négyzet értéke 177,9, a modell szabadságfoka 90, a hozzá tartozó szokásos 5 %-os szignifikanciaszinthez tartozó kritikus érték pedig 113,1). A manifeszt változókat (a szakmai követelmények összességét) tehát a következőkben két látens változóra kellett visszavezetni. Ezt a 3.sz.ábra szemlélteti.

15

3.sz.ábra A szakmai követelmények két látens változós modellje A kétváltozós modell statisztikailag megbízhatóan leképezi a valóságot. A modell khinégyzet-értéke 105,9, szabadságfoka 87. Az ehhez tartozó kritikus érték (a szokásos 5 %-os szignifikanciaszinten) 109,7 (lineáris interpolációval meghatározva a 80-as és a 90-es szabadságfokhoz tartozó 101,9 és 113,1 értékek alapján). Látható tehát, hogy a két látens változós modell a megbízhatóság határán van, de már szignifikánsan képezi le a valóságos összefüggéseket. Ezek szerint a kereskedelmi és üzleti szakmacsoportban összefogott szakmák követelményei két halmazt alkotnak. A két halmaz között gyenge kapcsolat van (a korrelációs együttható értéke -0,12), tehát nagymértékben függetlenek egymástól. Az első csoportba az árurendeléssel, az árukezeléssel, a vevők tájékoztatásával, a reklamációk intézésével, a leltározási munkával, az üzleti adminisztrációval és az áruismerettel kapcsolatos tevékenységek tartoznak. A második csoportot a vállalkozásokkal, a joggal, a munkavédelemmel, a környezetvédelemmel, a számítógépek kezelésével, a

16 statisztikai módszerek alkalmazásával, a nyelvtudással és a szervezetismerettel kapcsolatos tudáshalmaz alkotja. E két listát összehasonlítva megállapítható, hogy az első csoport a hagyományos kereskedői munkafolyamatokat, a második pedig a korszerű, illetve a kereskedelmi tevékenységből kinövő határterületi ismereteket tartalmazza. Másként fogalmazva ez azt is jelenti, hogy a kereskedői kompetenciákat egy alsóbb szintű (a közvetlen gyakorlati, beosztotti munkavégzéshez kötődő), és egy magasabb szintű (szélesebb látókört igénylő és szellemi jellegű, irányítói munkavégzéshez kötődő) csoportba lehet sorolni. A program javaslata szerint az árurendelési és az árukezelési tevékenységek, illetve a vevőtájékoztatási és reklamációs ügyintézési folyamatok hibái részben egymással magyarázhatóak, ami utal e területeknek a többinél erősebb kapcsolatára is. Mivel ezek a gyakorlatban is egymáshoz hasonló jellegűek, a modell egyfajta megerősítését is szolgálják. A faktoranalízissel történő modellezés eredményét az 5. és a 6. táblázatok tartalmazzák: Total Variance Explained Initial Eigenvalues Component Total % of Variance Cumulative % 1 3,973 26,486 26,486 2 3,393 22,619 49,105 3 1,940 12,936 62,041 4 1,521 10,140 72,181 5 1,208 8,054 80,235 6 ,993 6,621 86,856 7 ,502 3,348 90,204 8 ,392 2,614 92,818 9 ,351 2,339 95,157 10 ,239 1,596 96,753 11 ,169 1,127 97,880 12 ,118 ,785 98,665 13 ,108 ,723 99,388 14 5,243E-02 ,350 99,738 15 3,931E-02 ,262 100,000 Extraction Method: Principal Component Analysis.

Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3,973 26,486 26,486 3,393 22,619 49,105 1,940 12,936 62,041 1,521 10,140 72,181 1,208 8,054 80,235

5. táblázat A faktoranalízis sajátértékei Component Matrix Árurendelés Árukezelés Vevőtájékoztatá s Reklamációs ügyintézés LELTÁR Adminisztráció Áruismeret Vállalkozásmarketing

Component 1 ,793 ,765 ,725

2 -,164 -7,213E-02 ,395

3 -4,874E-02 5,399E-02 ,238

4 ,360 ,541 -,241

5 -,188 -,117 -1,006E-02

,762

,483

9,631E-02

,101

,170

,845 ,586 ,129 ,336

-1,541E-02 ,132 -,608 ,620

-,245 9,386E-03 ,459 ,344

9,225E-02 -,390 -,314 -,314

3,363E-02 ,584 -,145 -,346

17 Jogi ismeretek 5,896E-02 ,447 Munkavédelem 4,098E-02 -,376 Környezetv. -,156 -,282 Számítógép -,239 ,834 Statisztika -,244 ,662 NYELV -,307 ,758 Szervezetism. -,474 ,263 Extraction Method: Principal Component Analysis. a 5 components extracted.

,350 ,815 ,728 ,180 ,260 -,139 ,207

-,375 8,712E-02 ,127 ,219 ,535 -,247 ,336

,171 ,218 -,293 -,174 5,656E-02 -,262 ,618

6. táblázat Az egyes szakmai követelmények illeszkedése a főfaktorokhoz

A szakmai követelmények faktoranalízissel történő elemzése szerint az üzleti szakmák alapvetően 5 fő tényezőcsoportra vezethetőek vissza. Az elsőbe tartoznak a hagyományos kereskedelmi tevékenységek, a másodikba a korszerű szakmai környezet elvárásai (nyelv, marketing, számítógép stb.), a harmadikba a környezet és a balesetvédelem követelményei, a negyedikben nincs releváns tényező, az ötödikben pedig a szolgáltatási szervezetek felépítésének ismeretei tartoznak. A K-közép eljárással elvégzett klaszteranalízis szerint a 7. táblázat eredménye adódik 4 klaszter feltételezése esetén: Cluster Membership Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Cluster 1 1 2 2 1 2 4 2 2 4 1 3 3 2 2 4 4 4 4 3 2 3

Distance 1,118 1,118 1,414 1,118 1,323 1,323 1,280 1,225 1,323 ,799 ,866 1,561 1,854 1,225 2,000 1,624 ,986 ,986 1,518 1,392 1,500 1,199

7. sz. táblázat 4 klaszteres elemzés eredménye Ennek eredményei szerint a fő tényezőcsoportokat gyakorlatilag a faktoranalízisnél kapott szakmai tudáselemek képezik.

18

4. A szakmák elemzése A szakmai követelmények előzőekben elvégzett elemzése arra a szemléletre épül, mely szerint az egyes követelmények megjelenését figyeljük meg az egyes szakmákban – a mért paraméter tehát a követelmény (illetve annak megléte), az egyes mérések pedig az egyes szakmákhoz (illetve azok vizsgálatához) köthetők. Az adatbázis azonban megengedi azt a lehetőséget is, hogy ez éppen fordítva történjék. Ez azt jelenti, hogy paramétereink az egyes szakmák (ezeket csoportosítjuk tehát valamilyen szempontok szerint), méréseink pedig az egyes követelmények (tehát az, hogy azok mely szakmáknál kerülnek említésre. Amíg tehát az előzőekben a követelményeket elemeztük, addig a következőkben a szakmákat vetjük vizsgálat alá. Természetesen a két elemzés egymás „tükörképe”, vagy „inverze”, hiszen ugyanazt az adatbázist használják. Matematikailag az adatbázist alkotó adatokat tartalmazó adatmátrix transzponáltján történnek a számítások, ezért leghelyesebb a két elemzést egymás transzponáltjának nevezni. 4.1 Kiértékelés elemi statisztikai módszerekkel A követelmények függvényében vizsgálva a szakmák említési számait, a 4.sz.ábra grafikonját határozhatjuk meg.

ve és

ze ris lm él e

gy ke iá dő ru -k em er Eu es e lő ró ke gé pa dő piU üg ni yin ós té üz ző le ti üg yi in n te té hu ző gr lla ál dé tü kg gy yű fé in lk jt ő ga ap tla cs nk ol ez at ok el ő as sz ke is re zt sk en ed se ővá ku l la ltú lk rc o zó ikk -k lo er g is es zt ke ika dő is lo ze g is r v zt ez ika ne ő iü m gy ze tk i n öz té m ző is un zá ka ll . el és em lo ző g. M en ed zs PR er -m te rm un pr ék k ot at te ok ár rv s ol ez -ü ő gy m i űs n se té za gé ző ki dl m ev en él tö ed tá lt ő r zs os ál er om as ás sz ve i s k sz zt ez en él el ye s ő sá és ru el /A a D dó R -ü gy in té ző

er es

sü s

la dó

la dó

za ke

be c

gé ri a ik dr o

AB

an tik

vá r iu m

is

12 10 8 6 4 2 0

Ce

mennyiség

SZAKMÁK

szakma 4.sz.ábra A szakmák említési száma az egyes követelmények kapcsán A grafikon alapján kijelenthető, hogy a szakmacsoport szakmái a szükséges követelmények mennyisége alapján a következő csoportokra bonthatók:

19 -

-

-

sok követelménnyel rendelkező szakmák ide tartoznak a kultúrcikk-kereskedő, a terméktervező műszaki menedzserasszisztens, a veszélyesárú/ADR ügyintéző, valamint az élelmiszer- és vegyi áru-kereskedő szakmák; átlagos számú követelményekkel rendelkező szakmák ide sorolhatók az ABC-eladó, az antikváriumi szakelőadó, az integrált ügyfélkapcsolatok asszisztense, a kereskedő-vállalkozó, a logisztikai szervező, a nemzetközi szállítmányozási és logisztikai menedzser, a PR-munkatárs, a protokoll-ügyintéző, a segédlevéltáros, valamint a töltőállomáskezelő éseladó szakmák; kevés követelménnyel rendelkező szakmák ezek a mintában szereplő becsüs, drogériai kereskedő, emelőgép-ügyintéző, Európai Uniós üzleti ügyintéző, hulladékgyűjtő, ingatlankezelő, logisztikai ügyintéző és munkaelemző szakmák.

Ezek szerint a szakmacsoport különböző szakmái összetettségben eltérnek egymástól. Megjegyzendő, hogy az olyan közismerten komplex szakmák, amelyek például a logisztikával, illetve a nemzetközi ügyintézéssel kapcsolatosak, a vártnál rosszabb minősítést kaptak. Ez elsősorban arra utal, hogy a tantárgyi leírások nem egységesek. A szakmák varianciaanalízise (ez értelemszerűen megegyezik az 1.sz.ábrán közöltekkel) alapján szintén kijelenthető, hogy a szakmák nem alkotnak egységes, homogén csoportot. Initial Eigenvalues

Extraction Sums of Squared Loadings Total 4,360 3,174 2,668 1,478 1,011

Component Total % of Variance Cumulative % 1 4,360 29,068 29,068 2 3,174 21,161 50,229 3 2,668 17,785 68,014 4 1,478 9,853 77,868 5 1,011 6,742 84,610 6 ,969 6,462 91,072 7 ,412 2,748 93,821 8 ,292 1,945 95,766 9 ,240 1,602 97,368 10 ,148 ,985 98,353 11 ,128 ,854 99,207 12 6,026E-02 ,402 99,609 13 4,006E-02 ,267 99,876 14 1,859E-02 ,124 100,000 15 -4,552E-16 -3,035E-15 100,000 Extraction Method: Principal Component Analysis.

% of Variance Cumulative % 29,068 29,068 21,161 50,229 17,785 68,014 9,853 77,868 6,742 84,610

8. táblázat A szakmák faktoranalízissel meghatározott sajátértékei Az üzleti szakmák tehát 5 fő csoportba sorolhatóak a faktoranalízis módszerével. Component Matrix Component 1

2

3

4

5

20 ABC-eladó antikváriumi szakeladó BECSÜS drogériai kereskedő élelmiszer-és vegyi árukeresked emelőgépügyintéző Európai Uniós üzleti ügyintéző hulladékgyűjtő ingatlankezelő integrált ügyfélkapcsolato k assz kereskedővállalkozó kultúrcikkkereskedő logisztikai szervező logisztikai ügyintéző munkaelemző

,708 ,895

-,465 -8,879E-02

-,456 ,285

4,785E-02 -8,998E-02

,184 -6,134E-04

,453 ,240

,239 ,678

,547 ,273

-,225 ,107

-,449 ,202

,744

,203

-,445

,307

-7,438E-02

7,369E-02

,601

,120

-,662

,270

-,465

-,316

,759

1,343E-02

-,207

,264 ,606 -5,597E-02

,664 ,193 -,496

-1,282E-02 ,636 ,692

,285 -2,201E-02 ,133

,446 ,216 ,233

,827

-,480

3,225E-03

-,136

-,124

,604

-,442

,373

-6,016E-02

,199

-,139

,222

,408

,826

-4,129E-02

8,508E-03

,825

,107

-,133

-,301

-,715

-,227

,120

-,223

,408

9. táblázat A szakmák faktoranalízissel meghatározott tengelyeihez illeszkedés mértéke Ezek közül az elsőbe az általánosan elterjedt kereskedői szakmák, a másodikba napjaink újabb tevékenységeit megjelenítő szakmák, a harmadikba azok, amelyek értékbecslő funkciót is igényelnek, a negyedikbe logisztikai szervezők, az ötödikbe a munkaszervezők tartoznak. A 10. táblázatban a faktoranalízis eredményei szerint K-közép eljárással 5 csoportba sorolt szakmákat tüntettük fel: Cluster Membership Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Cluster 2 2 2 2 2 2 5 4 4 3 3 1 1 1 1 2 2

Distance 1,076 1,110 1,206 ,752 ,727 1,443 ,000 1,111 ,889 ,866 ,866 ,866 ,866 1,118 1,500 1,076 1,110

21 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75

2 2 2 2 5 4 4 3 3 1 1 1 1 2 2 2 2 2 2 5 4 4 3 3 1 1 1 1 2 2 2 , 2 2 , , 4 3 3 1 1 1 1 2 , 2 , 2 2 5 4 4 3 3 1 1 1 1

10. táblázat

1,206 ,752 ,727 1,443 ,000 1,111 ,889 ,866 ,866 ,866 ,866 1,118 1,500 1,076 1,110 1,206 ,752 ,727 1,443 ,000 1,111 ,889 ,866 ,866 ,866 ,866 1,118 1,500 1,076 1,110 1,206 , ,727 1,443 , , ,889 ,866 ,866 ,866 ,866 1,118 1,500 1,076 , 1,206 , ,727 1,443 ,000 1,111 ,889 ,866 ,866 ,866 ,866 1,118 1,500

22 A szakmák csoportosítása 5 klaszteres K-közép eljárással A klaszterelemzés eredményei megfelelnek a faktoranalízis eredményeinek.

5. A szakmai tanárképzés kompetenciáinak meghatározása a „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoportban A kompetenciák meghatározhatóak az eddigi elemzések alapján deduktív módszerrel, illetve a tényleges OKJ-adatok elemzése útján induktív módszerrel is. Anyagunkban a tanári kompetenciák köréből kiemeljük a szakmai, illetve a hozzájuk köthető egyéb kompetenciákat. 5.1 A tanári kompetenciák meghatározása deduktív módszerrel A szükséges tanári kompetenciákat alapvetően meghatározzák a szakmák csoportosításának módszerei (illetve végeredménye), illetve az egy csoportba sorolt szakmák jellemzői. Először az első, majd a második szempont szerinti elemzés következik. 5.11 Általános megjegyzések a szakmacsoporttal kapcsolatosan A vizsgált szakmacsoport szakmai összetétele az OKJ készítői által megfogalmazott homogenitási igénynek nem felel meg. Ennek legfontosabb metodikai oka az, hogy a lista összeállítása során nem vették figyelembe a korszerű csoportba sorolás elméleti szabályait. Ezek ugyanis kimondják azt a tételt, hogy az osztályokba sorolás akkor konzekvens, ha a részhalmazok teljes rendszert alkotnak, vagyis a csoportok diszjunktak (egymást kizáróak), együttesen pedig kiadják a teljes halmazt. Ez azt jelenti, hogy egy elem egy és csak egy csoporthoz tartozik, és annak elemeihez hasonló, míg a többi csoport elemeitől különbözik. Ezt olyan módszerekkel lehet konzekvensen megoldani, amelyek nem definiálnak típusokat az osztályokba sorolás előtt, utána viszont egyértelműen megadják a halmazok típusjegyeit (szemben a klasszikus logikával, amely először típusokat definiál, majd ezekbe sorolja az elemeket). Ezek a feltételek nem teljesülnek esetünkben, illetve az OKJ egészében sem.

Ebből következik, hogy az OKJ korábbi módosításai törvényszerűek voltak, hiszen határterületi szakmák esetén ez a besorolás óhatatlanul hibákat visz a rendszerbe. A kezdeti időkben például a szállítmányozói szakmák a közlekedési szakmacsoportban voltak, e tanulók együtt végezték a lakatos műhelygyakorlatot az autószerelőkkel. Ezt az ellentmondást napjainkban azzal oldották fel, hogy e szakmák átkerültek a most vizsgált szakmacsoportba. Ki merné azonban azt állítani, hogy egy logisztikus munkája közelebb áll az áruházi eladóéhoz, mint a vasúti forgalmistáéhoz ? Ilyen ellentmondások a vizsgált szakmacsoport számos szakmájánál fellelhetőek. Az antikváriumi értékesítő szükséges kereskedelmi ismeretei eltörpülnek a humán (történelmi, irodalmi és művészeti) ismeretei mellett, a munkaelemző foglalkozásának űzéséhez nem szükségesek marketing ismeretek, és a töltőállomáskezelő is több időt szán a környezetvédelmi munkára, mint a forgalomnövelő módszerek alkalmazására. Az OKJ jelenlegi rendszere tehát biztosan változni fog már a közeljövőben is. A kutatómunka ezért nem elégedhet meg a jelenlegi állapot feltárásával, hanem olyan előrejelzéseket is kénytelen tenni, amelyek az elméleti összefüggésekből következnek.

23 Összefoglalva: A szakmacsoport jelenlegi összetétele hibás. A kereskedelmi szakmák mellett olyan határterületi szakmákat is tartalmaz, amelyek jellegükben, a szükséges képességek követelményeiben más szakmacsoportok jellemzőit is hordozzák, vagy legalábbis inhomogénné teszik a szakmacsoportot. E rendszeridegen szakmák figyelembe vétele a szakmacsoport tanárképzésében teljesíthetetlenné teszi az egységes kompetenciák kidolgozását. Mindez a képzési gyakorlatban is zavarokat fog okozni, ezért a jövőbeli várható módosítások éppen ezek kiiktatására irányulnak majd. 5.12 A szakmai kompetenciák összegzése A szakmai kompetenciákat az elemi statisztikai módszerek segítségével három csoportba oszthattuk. Az első csoportba a hagyományos kereskedelmi tevékenységek (ezek lényegében minden szakmára jellemzőek), a másodikba e tevékenységek napjainkra adaptált változatai (ezek a szakmák többségére jellemzőek), a harmadikba pedig az adott szakterület speciális ismeretei (ezek szakmafüggők) kerültek. Ennek megfelelően a tanárképzésben a következő szakmai kompetenciákra kell összpontosítani: 1. Hagyományos kereskedelmi tevékenységek a. elméleti és gyakorlati kompetenciák -

az adott kereskedelmi tevékenységben forgalmazott áruk, szolgáltatások sajátos jellemzőinek ismerete; az áruk kezelésének módszerei; az árubeszerzés lehetőségei; a bolti adminisztráció bizonylati rendszerének ismerete; a vevők tájékoztatásának, a velük történő kommunikációnak módszerei. b. személyiségkompetenciák

-

megbízhatóság; pontosság; tisztaság; rendszeretet; udvariasság; empátia.

2. Napjaink kereskedelmi tevékenységei a. elméleti és gyakorlati kompetenciák -

nyelvtudás; számítógépes adminisztráció; vállalkozási-marketing ismeretek; jogi ismeretek; munkavédelmi ismeretek; környezetvédelmi ismeretek; statisztikai ismeretek; levelezési ismeretek;

24 -

prezentációkészítési ismeretek. b. személyiségkompetenciák

-

tárgyalókészség; kompromisszumkészség; kommunikációs képesség; konfliktuskezelő képesség.

3. Szakmaspecifikus kompetenciák (példák) a. elméleti és gyakorlati kompetenciák -

egészségi ismeretek; veszélyes áruk ismerete; anyagmozgató gépek ismerete; művészettörténeti ismeretek; munkaszervezési ismeretek; vállalatszervezési ismeretek; irodalmi ismeretek. b. személyiségkompetenciák

-

monotonitástűrő képesség interperszonális kapcsolatteremtő képesség; teammunkára való alkalmasság; irányítókészség; beosztotti munkára való alkalmasság.

(Ez utóbbi lista érzékelteti, hogy a szakmacsoporton belül rendkívül széles, és sokszor egymásnak ellentmondó kompetenciák jellemzőek. A jelenlegi képzési rendszerben ebből következően szinte minden képzésbe be kell vonni olyan, általában nem kereskedelmi végzettségű pedagógusokat is, akik – bár az adott képzésben csak kis óraszámban vesznek részt, mégis kulcsszerepet játszanak a tanulók kompetenciáinak kialakításában.) A statisztikai adatelemző eljárás alkalmazásával kapott modell a szükséges kompetenciákat két csoportba osztja. Itt a határvonal nem a szakmai tevékenységek, illetve azok jellege között, hanem a munkavégzésnek a hierarchiában betöltött szintje között húzódik. Azokra a szakmákra tehát, amelyek egyszerűbb munkavégzést igényelnek, más kompetenciák jellemzőek, mint a magasabb képzettséget igénylő, összetettebb szakmákra. Ennek megfelelően a kompetenciák a következők szerint is megfogalmazhatóak: 1. Beosztotti munkakörök kompetenciái a. elméleti és gyakorlati kompetenciák -

az adott kereskedelmi tevékenységben forgalmazott áruk, szolgáltatások sajátos jellemzőinek ismerete;

25 -

az áruk kezelésének módszerei; az árubeszerzés lehetőségei; a bolti adminisztráció bizonylati rendszerének ismerete; a vevők tájékoztatásának, a velük történő kommunikációnak módszerei. b. személyiségkompetenciák

-

megbízhatóság; pontosság; tisztaság; rendszeretet; udvariasság; empátia. 2. Középvezetői szintű munkakörök kompetenciái a. elméleti és gyakorlati kompetenciák

-

nyelvtudás; számítógépes adminisztráció; vállalkozási-marketing ismeretek; jogi ismeretek; munkavédelmi ismeretek; környezetvédelmi ismeretek; statisztikai ismeretek; levelezési ismeretek; prezentációkészítési ismeretek. egészségi ismeretek; veszélyes áruk ismerete; anyagmozgató gépek ismerete; művészettörténeti ismeretek; munkaszervezési ismeretek; vállalatszervezési ismeretek; irodalmi ismeretek. b. személyiségkompetenciák

-

tárgyalókészség; kompromisszumkészség; kommunikációs képesség; konfliktuskezelő képesség. monotonitástűrő képesség interperszonális kapcsolatteremtő képesség; teammunkára való alkalmasság; irányítókészség; beosztotti munkára való alkalmasság.

26 Az elméleti elemzésből, az ezek alapján kidolgozott modellek vizsgálatából a fentiek szerint jól következik, hogy a szakmacsoport képzési folyamataiban nagyfokú egymásra épülés, illetve a munkatevékenységek szintje alapján történő elkülönülés van. Ez jól alátámasztja a kompetenciaalapú, modulrendszerű OKJ kidolgozásának indokoltságát. 5.13 A kompetenciaalapú-modulrendszerű OKJ elemzése Az új típusú OKJ szakít a korábbi hagyományokkal. Újdonságként szerepelteti az úgynevezett követelménymodulokat az egyes képzési formáknál, és ezek között egymásra épüléseket és kapcsolatokat határoz meg a szakmai továbbképzés, illetve a szakmák közötti átjárhatóság biztosítása érdekében. Az egyes követelménymodulok tehát a rokon szakmákban ismétlődnek, a bennük leírtakat tehát további szakmák megszerzése során már nem kell megismételni. A követelménymodulokon belül találjuk az egyes szükséges kompetenciákat, azok manifesztációjának csoportosítása alapján. Hatalmas előrelépés ez a korábbi jegyzékhez képest. Nemcsak azért, mert rendet próbál teremteni – alapvetően sikeresen - a képzések közötti kapcsolatok dzsungelében, hanem abból az adminisztratív szempontból is, hogy szerkezete biztosítja a korábbi képzési jegyzékből hiányolt egységesség követelményét is. A modulrendszer ugyanakkor egy bíztató kezdeményezés arra is, hogy általa kialakuljon az előzőekben érintett csoportosítási elvek érvényesülése (e modulok előbb-utóbb automatikusan egymáshoz „közel (egy klaszterbe) húzzák” a rokon szakmákat. Végül a modulrendszer az általa felhasznált követelménymodulokkal az előzőekben elméletileg bizonyított látens változók gyakorlati leképezéseként is felfogható. Ezek a tulajdonságok már rövid távon előre vetítik az új rendszerű OKJ automatikus minőségi javulását (bár mai formájában még természetszerűleg nem lehet tökéletes). A jelenleg hozzáférhető képzési programok száma nem túl magas. Az NSZI honlapján július elején 23 szakma leírása található, melyek között számos új (és természetesen régi is) szerepel. Ezek a következők: 52 341 01 0000 00 00 Autó- és motorkerékpár-kereskedő 52 341 02 0000 00 00 Becsüs 31 341 01 0000 00 00 Bolti eladó 51 789 01 0000 00 00 Fényképész és fotótermék-kereskedő 52 341 04 0000 00 00 Kereskedelmi ügyintéző 52 341 05 0000 00 00 Kereskedő 52 341 06 0000 00 00 Kereskedő, boltvezető 52 341 01 0000 00 00 Kultúrcikk-kereskedő 54 341 01 0000 00 00 Külkereskedelmi üzletkötő 52 213 02 0000 00 00 Látszerész és fotócikk-kereskedő

27 52 345 03 0000 00 00 Logisztikai ügyintéző 52 342 01 0000 00 00 Marketing- és reklámügyintéző 33 341 01 0000 00 00 Mintabolti értékesítő, szolgáltatásértékesítő 33 341 02 0000 00 00 Műszaki anyag- és alkatrészkereskedő 51 341 03 0000 00 00 Műszakicikk-kereskedő 52 341 08 0000 00 00 Piacfelügyelő 52 841 02 0000 00 00 Postai ügyintéző 52 342 02 0000 00 00 PR ügyintéző 31 341 02 0000 00 00 Raktáros 51 341 02 0000 00 00 Régiségkereskedő 31 341 03 0000 00 00 Töltőállomás kezelő 31 341 04 0000 00 00 Vegyesiparcikk-kereskedő 51 215 01 0000 00 00 Virágkötő, -berendező, virágbolti eladó A listából jól látható, hogy a szakmacsoport kialakításának koncepciói nem változtak. A klasszikus üzleti, kereskedői tevékenységek mellett megtalálhatóak azok mai, speciális változatai (például a töltőállomás-kezelő), a kereskedői munka napjainkra kifejlődött általánosabb, elméletigényesebb (napjainkra önállósodott) szakmái (például a PR-ügyintéző), valamint továbbra is olyan határterületi szakmák, amelyeknek a szakmacsoportban való megjelenése nem feltétlenül indokolható (például a logisztikai ügyintéző). Az ebből adódó ellentmondások a követelménymodulok leírásában is megjelennek tehát. Az áruismeretnek a deduktív részben leírt meghatározó fontossága annyira érvényesül, hogy sok esetben nem is (vagy alig) hagy teret a rokon szakmákkal való közös modulokra. Elemzésünket e részben is a mintavétel módszerével végeztük. A listából véletlenszerűen kiválasztott 5 szakma (becsüs, kereskedelmi ügyintéző, látszerész és fotócikkkereskedő, piacfelügyelő és töltőállomás-kezelő) a rendelkezésre álló lista 21,7 %-át reprezentálja. Ezek követelménymoduljai a következő elemekből tevődnek össze:

SZAKMAI KÖVETELMÉNYMODULOK BECSÜS A kereskedelmi egység szabályszerű működtetése A becsüs és a régiségkereskedő tevékenységéhez kapcsolódó általános feladatok A Drágakő-meghatározó tevékenységéhez kapcsolódó általános feladatok

28 Ékszerek és dísztárgyak értékbecslése Drágakő-meghatározás Festmények értékbecslése Műtárgyak értékbecslése A bútorok, szőnyegek értékbecslése Kiegészítő ismeretek a Becsüs szakképesítéshez, a Drágakő-meghatározó KERESKEDELMI ÜGYINTÉZŐ 0061-06 Ügyviteli, irodatechnikai, kommunikációs ismeretek 0062-06 Marketing és PR alapismeretek 0067-06 A beszerzés és az értékesítés előkészítése, megszervezése 0069-06 Ügyintézői feladatok a külkereskedelmi ügyletek előkészítése, megszervezése, lebonyolítása terén LÁTSZERÉSZ ÉS FOTÓCIKK-KERESKEDŐ A vállalkozások alapítása, működtetése, átszervezése, megszüntetése Marketing tevékenység Az áruforgalmi tevékenység tervezése, irányítása, elemzése Az áruforgalom lebonyolítása A kereskedelmi egység szabályszerű működtetése A fotótermékek főbb jellemzői Szemészeti és optikai alapismeretek, optikai termékek értékesítése, szemüvegkészítés Optometrista ismeretek PIACFELÜGYELŐ A piacfelügyelő tevékenységi körébe tartozó feladatok A gombaszakellenőr tevékenysége TÖLTŐÁLLOMÁS-KEZELŐ Az áruforgalom lebonyolítása A kereskedelmi egység szabályszerű működtetése PB gázcseretelep üzemeltetése Üzem- és kenőanyagok töltőállomási forgalmazása, töltőállomási shoptermékek értékesítése

A szakmák 2-9 követelménymodult tartalmaznak (átlagosan 5,4-et). Ezek közül 1-5 kereskedelmi (átlagosan 3,6), 0-5 pedig a forgalmazott termékkel (szolgáltatással) kapcsolatos áruismereti modul (átlagosan 1,8). Az elvileg közösnek tekinthető modulok aránya tehát átlagosan 67%, míg a szakmaspecifikus (áruismereti) moduloké 33 %. Ez elvileg megfelelő arány (indokolhatja a közös csoportba sorolást). Részletesebben megvizsgálva azonban már nem ilyen kedvező a kép. A kereskedelmi modulok csak egy esetben ismétlődnek 3 szakmánál (itt tehát 60 %-os az elemek ismétlődése), ugyancsak egy esetben ismétlődtek 2 szakmánál (40 %-os ismétlődési arány), míg 22 esetben (ez 81,4 % !) a kereskedelmi modulnak is erős szakmaspecifikumai voltak. Összességében tehát a kereskedelmi modulok 18,5 %-a közös, ami az összes követelménymodul 13,9 %-a. A közös elemek ilyen alacsony aránya a deduktív részben felvetett azonos szakmacsoportba sorolhatóság megkérdőjelezését erősíti meg.

29 A jelenlegi adatok tehát azt erősítik meg, hogy a szakmacsoport pedagógusképzésében a kompetenciák döntő súlyát a szakmai kompetenciáknak kell adniuk. A követelménymodulok minden szakma esetében szakmai, személyes, társas és módszerkompetenciákból állnak. Az egyes szakmák különböző szintjeinek és ágainak leírásaiban 48-147 (átlagosan 85) szakmai, 15-42 (átlagosan 25,6) személyes, 13-36 (átlagosan 21,6) társas, és 19-47 (átlagosan 29,2) módszerkompetencia volt felsorolva (természetesen ezek között számos ismétlődés volt szakmánként aszerint, hogy hány ágra bomlott egy-egy szakma). A kompetenciák 52,7 %-a tehát szakmai (itt együtt szerepelnek a tényleges szakmai és a kereskedelmi kompetenciák, melyekre ebből kb. 35 % jut a kereskedelmi, kb. 18 % a tényleges szakmai területre). Emellett 15,9 % a személyes, 13,4 % a társas és 18,1 % jut a módszerkompetenciákra. Ez az elemzés is azt erősíti meg, hogy a szakmai tanár kompetenciáinak jelentős része minősíthető szakmainak (illetve szakmaspecifikus kereskedelminek és szakmainak). A nem szakmai kompetenciák aránya tehát közel megegyezik a szakmai kompetenciákéival az egyes képzéseknél (szakmánkénti átlagban összesen 47,3 % a három csoport összaránya) . Vizsgálatuk azonban mégis szükségtelen, mert azok olyan jellegűek, amelyek lényegében minden szakma művelőitől elvárhatóak (az elemző nem sokat tud tenni az olyan fogalmakkal, mint a pontosság, az önállóság, a döntésképesség, a határozottság, a kompromisszumkészség, a közérthetőség, a helyzetfelismerés, a rendszerezőképesség, az általános tanulóképesség – ezek éppúgy jellemzőek a villamosvezetőre, mint a fodrászra vagy a piacfelügyelőre). A nem szakmai kompetenciák tehát az elméleti vizsgálatok tükrében túl általánosak, ezért felszínesek, a jelen elemzés számára semmitmondóak. Az új OKJ közvetlen (induktív) elemzése tehát lényegében ugyanazt az eredményt adta, mint a deduktív vizsgálat. A szakmacsoport szakmai pedagógusainak szakmai kompetenciái tehát a következőkben foglalhatóak össze: 1. Általános kereskedelmi, gazdasági ismeretek 1.1 Boltüzemeltetési ismeretek 1.2 Adminisztrációs ismeretek 1.3 Árukezelési ismeretek 1.4 Vevőkommunikációs ismeretek 1.5 Vállalkozási ismeretek 1.6 Piacszervezési ismeretek 1.7 Jogi ismeretek 1.8 Munkavédelmi ismeretek stb. 2. A korszerű kereskedelem ismeretei 2.1 Számítógépkezelési ismeretek 2.2 Nyelvtudás 2.3 Gazdaságstatisztikai ismeretek 2.4 Környezetvédelmi ismeretek 2.5 Külkereskedelmi ismeretek stb. 3. A forgalmazott áru, szolgáltatás ismerete (pl. drágakövek ismerete, gombaismeret, vegyiáruk tulajdonságai stb.)

30 4. A forgalmazott áru, szolgáltatás sajátos kereskedelmi adottságainak ismerete (pl. töltőállomási műveletek, régiségkereskedelmi sajátosságok stb.) Ez utóbbi két pontot éppen a szakmaspecifikumok miatt nem lehet részletezni, de arányuk messze magasabb a leírt terjedelmüknél. Az előző elemzések alapján az egyes területek kompetenciáinak arányai közelítőleg 20-20-30-30 %-ra becsülhetőek. A felsorolt szakmai kompetenciák összessége pedig az összes tanári és általános kompetencia 60-70 %-át teszik ki. Mellékletek: 1. A szakmák dendrogramja a négyzetes euklideszi távolságok alapján * * * * * * H I E R A R C H I C A L * * *

C L U S T E R

A N A L Y S I S * * *

Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num

0 5 10 15 20 25 +---------+---------+---------+---------+---------+

60 75 15 30 45 55 70 10 25 40 56 71 11 26 41 59 74 14 29 44 58 73 13 28 43 57 72 12 27 42 54 69 9

-+ -+ -+---------------+ -+ I -+ +-------+ -+ I I -+ I I -+---------------+ I -+ +---------+ -+ I I -+ I I -+ I I -+-----------------------+ I -+ I -+ +---------+ -+ I I -+ I I -+-------------+ I I -+ I I I -+ I I I -+ +-------------------+ I -+ I I -+---+ I I -+ I I I -+ +---------+ I -+ I I -+ I I -+---+ +---+ -+ I I -+ I I -+ I I -+ I I -+-------------------------------------+ I I

31 24 39 32 47 2 17 19 34 4

-+ -+ -+ -+ -+-------+ -+ I -+ I -+-------+---------------+ -+ I I

I I I I I I I I I I I I I I +-----+ I

I I I I I I I I I

32

* * * * * * H I E R A R C H I C A L * * * C A S E Label

0

5

10

C L U S T E R

15

A N A L Y S I S * * *

20

25

Num

+---------+---------+---------+---------+---------+

50 65 5 20 35 46 61 1 16 31 51 66 6 21 36 38 68 8 23 48 63 3 18 33 37 67 7 22

-+ I I I I -+ I I I I -+---+ I I I I -+ I I I I I -+ +---+ I I I -+ I I I I -+ I +-------------+ I -+---+ I I -+ I I -+ I I -+ I I -+ I I -+-----------------------+ I -+ I I -+ I I -+ I I -+ I I -+---------------+ I I -+ I I I -+ +-------+ I -+ I I -+---------------+ I -+ I -+ I -+ I -+ I -+-----------------------------------------------+ -+

2. A szakmák dendrogramja a legközelebbi szomszéd módszerével az euklideszi távolságok alapján meghatározva

33

* * * * * * H I E R A R C H I C A L * * *

C L U S T E R

A N A L Y S I S * * *

Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num

0 5 10 15 20 25 +---------+---------+---------+---------+---------+

60 75 45 30 15 55 70 40 25 10 56 71 41 26 11 59 74 44 29 14 58 73 43 28 13 57 72 42 27 12 54 69 39 24 9 51 66 36 21 6 38 68

-+ -+ -+ -+---------------------------------+ -+ I -+ I -+ I -+ I -+---------------------------------+ -+ +-----+ -+ I I -+ I I -+ I I -+---------------------------------+ I -+ I -+ +---+ -+ I I -+ I I -+---------------------------+ I I -+ I I I -+ I I I -+ +-----------+ I -+ I I -+-------------------+ I I -+ I I I -+ +-------+ I -+ I +---+ -+ I I I -+-------------------+ I I -+ I I -+ I I -+ I I -+ I I -+---------------------------------------+ I I -+ I I I -+ I I I -+ I I I -+ +---+ I -+---------------------------------+ I I -+ I I I -+ I I I -+ I I I

34

* * * * * * H I E R A R C H I C A L * * * C A S E Label

0

5

C L U S T E R

10

15

A N A L Y S I S * * *

20

25

Num

+---------+---------+---------+---------+---------+

23 8 48 63 33 18 3 32 47 17 2 46 61 31 16 1 50 65 35 20 5 19 34 4 37 67 22 7

-+---------------------------------+-----+ I -+ I I -+ I I -+ I I -+ I I -+---------------------------+ I I -+ I I I -+ I I I -+ I I I -+-------------------+ +-----+ I -+ I I I -+ I I I -+ I I I -+ +-------+ I -+-------------------+ I -+ I I -+ I I -+ I I -+ I I -+-------------------+ I -+ I I -+ I I -+-------------------+ I -+ I -+ I -+ I -+-----------------------------------------------+ -+

3. A szakmák faktoranalízissel meghatározott jellemzői a legkisebb négyzetek módszere esetén Total Variance Explained Initial Eigenvalues Factor 1 2 3 4 5 6 7 8 9

Total 4,360 3,174 2,668 1,478 1,011 ,969 ,412 ,292 ,240

% of Variance Cumulative % 29,068 29,068 21,161 50,229 17,785 68,014 9,853 77,868 6,742 84,610 6,462 91,072 2,748 93,821 1,945 95,766 1,602 97,368

Extraction Sums of Squared Loadings Total 4,197 2,902 2,547 1,326 ,881

% of Variance Cumulative % 27,981 27,981 19,344 47,326 16,981 64,307 8,838 73,145 5,872 79,017

35 10 ,148 ,985 98,353 11 ,128 ,854 99,207 12 6,026E-02 ,402 99,609 13 4,006E-02 ,267 99,876 14 1,859E-02 ,124 100,000 15 -4,552E-16 -3,035E-15 100,000 Extraction Method: Unweighted Least Squares.

Factor Matrix Factor 1 ,729 ,887

2 ABC-eladó -,462 antikváriumi -5,562E-02 szakeladó BECSÜS ,453 ,276 drogériai ,199 ,600 kereskedő élelmiszer-és ,730 ,216 vegyi árukeresked emelőgép6,553E-02 ,654 ügyintéző Európai Uniós -,462 -,332 üzleti ügyintéző hulladékgyűjtő ,226 ,594 ingatlankezelő ,599 ,222 integrált -4,924E-02 -,500 ügyfélkapcsolato k assz kereskedő,845 -,460 vállalkozó kultúrcikk,565 -,383 kereskedő logisztikai -,146 ,191 szervező logisztikai -1,089E-02 ,756 ügyintéző munkaelemző -,645 -,214 Extraction Method: Unweighted Least Squares. a 5 factors extracted. 10 iterations required.

3 -,455 ,288

4 1,115E-02 -6,454E-02

5 ,139 -2,295E-02

,565 ,215

-,160 ,129

-,602 -5,821E-02

-,430

,318

-2,395E-02

,128

-,672

,333

,750

7,435E-03

-,134

-2,037E-02 ,637 ,678

,242 2,367E-03 8,697E-02

,290 ,329 ,393

2,133E-02

-,152

-4,100E-02

,325

-4,500E-02

-4,226E-02

,373

,771

4,656E-02

9,432E-02

-4,704E-02

-9,430E-02

9,080E-02

-,194

6,622E-02

4. A szakmai tudáselemek klaszterei K-közép eljárással Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Cluster 1 1 1 1 1 1 1 1 1 1 1 2 2 2

Distance 1,330 1,389 1,403 1,268 1,220 1,539 2,100 1,723 1,992 1,879 2,002 ,866 ,866 1,118

36 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74

2 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 1 1 1 , 1 1 , , 1 1 1 2 2 2 2 1 , 1 , 1 1 1 1 1 1 1 2 2 2

1,500 1,330 1,389 1,403 1,268 1,220 1,539 2,100 1,723 1,992 1,879 2,002 ,866 ,866 1,118 1,500 1,330 1,389 1,403 1,268 1,220 1,539 2,100 1,723 1,992 1,879 2,002 ,866 ,866 1,118 1,500 1,330 1,389 1,403 , 1,220 1,539 , , 1,992 1,879 2,002 ,866 ,866 1,118 1,500 1,330 , 1,403 , 1,220 1,539 2,100 1,723 1,992 1,879 2,002 ,866 ,866 1,118

37 75

2

1,500

5. A szakmai tudáselemek faktoranalízise a legkisebb négyzetek módszerével meghatározva Total Variance Explained Initial Eigenvalues Factor Total % of Variance Cumulative % 1 3,973 26,486 26,486 2 3,393 22,619 49,105 3 1,940 12,936 62,041 4 1,521 10,140 72,181 5 1,208 8,054 80,235 6 ,993 6,621 86,856 7 ,502 3,348 90,204 8 ,392 2,614 92,818 9 ,351 2,339 95,157 10 ,239 1,596 96,753 11 ,169 1,127 97,880 12 ,118 ,785 98,665 13 ,108 ,723 99,388 14 5,243E-02 ,350 99,738 15 3,931E-02 ,262 100,000 Extraction Method: Unweighted Least Squares.

Extraction Sums of Squared Loadings Total 3,765 3,129 1,648 1,295 ,956

% of Variance Cumulative % 25,101 25,101 20,862 45,963 10,987 56,950 8,631 65,582 6,375 71,956

6. A szakmai tudástényezők csoportosítása klaszterelemzéssel euklideszi távolságok alapján a legközelebbi szomszéd módszerével

38

* * * * * * H I E R A R C H I C A L * * *

C L U S T E R

A N A L Y S I S * * *

Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num

0 5 10 15 20 25 +---------+---------+---------+---------+---------+

10 18 17 19 7 16 2 11 1 12 9 21 3 4 8 14 6 20 22 15 5 13

-+ -+---------------+ -+ +-----------+ -----------------+ I -----------------+-----------+ -----------------+ I -----------------+ I -----------------+-----------+ -----------------+ I -----------------------------+-----------+ -----------------+-----------+ I -----------------+ I I -----------------------------+ I -----------------+-----------+ I -----------------+ I I -----------------------------+ I -----------------------------+ I -----------------------------------------+ -----------------------------------------+-------+ -----------------------------------------+ I -----------------------------------------+ I -------------------------------------------------+