Analyst starter что это за работа отзывы

Если вам хочется работать с данными и влиять на важные решения в компании, аналитика данных — идеальный для этого вариант. Аналитик данных — это тот, кто помогает бизнесу разбираться в цифрах и принимать правильные решения. Он не просто строит графики и вытаскивает информацию из баз, а пытается разобраться, что действительно важно для компании. Рассказываем, что делает аналитик данных, что он должен знать и уметь и как всему этому научиться.

Кто такой аналитик данных

Главная цель анализа данных здесь — помочь бизнесу принять верное решение. Представьте, что у компании есть большие массивы данных: сколько людей заходит на сайт, что покупают клиенты, какие товары самые популярные и так далее. Аналитик данных берёт все эти цифры, находит в них важные закономерности, интерпретирует их, находит взаимосвязи, делает выводы и помогает бизнесу понять, как действовать дальше. Именно за это аналитикам часто платят хорошие зарплаты — за то, что их работа позволяет компании зарабатывать больше или тратить меньше.

Иногда аналитику данных путают с другими областями — с Data Science или системным анализом, но это разные роли. 

Дата-сайентист больше про код и не очень частое общение с заказчиками. Он скорее работает внутри кода: настраивает нейросети, занимается машинным обучением, оптимизирует функции и так далее.

Системный анализ — это про проектирование и оптимизацию ИТ-систем. Системный аналитик глубоко погружается в технические требования и архитектуру системы, общается с заказчиками и разработчиками, чтобы понять бизнес-задачи и перевести их в технические решения. 

А вот аналитик данных где-то посередине: он не так углублён в код и технологии, но при этом тесно связан с бизнесом. Он может общаться с заказчиками, чтобы понять их потребности, и с разработчиками, чтобы объяснить, как нужно работать с данными. 

👉 Короче, аналитик данных — это тот, кто понимает и бизнес, и цифры и помогает их связать:

Картинка с сайта: thecode.media

Сейчас анализ данных нужен везде: в маркетинге, финансах, промышленности и геймдеве. В маркетинге, например, аналитик помогает понять, какая реклама работает лучше, в финансах — прогнозирует движение денег, а в геймдеве анализирует поведение игроков, чтобы разработчики могли сделать игру интереснее.

Чем занимается аналитик данных

Работа аналитика данных — это поиск ответов на конкретные вопросы бизнеса. Допустим, нужно понять, какие товары приносят больше прибыли, или почему пользователи добавляют товары в корзину, но не завершают покупку. Аналитик собирает информацию, ищет закономерности, строит гипотезы и проверяет их.

Для этого аналитик данных использует разные инструменты: статистику, программирование (чаще всего Python и SQL) и визуализацию данных с помощью Tableau или Excel. Результаты анализа могут быть представлены в виде отчётов, прогнозов или моделей, которые позволяют предсказать, как, например, изменятся продажи в следующем квартале.

Картинка с сайта: thecode.media

Аналитику приходится часто общаться с заказчиками — с теми, кому понадобился анализ. Например, заказчик может прийти с просьбой составить кучу таблиц. Задача аналитика — расспросить заказчика, зачем это делать и какую проблему мы этим решаем. Может оказаться, что на самом деле нужны не таблицы, а новая модель данных, которая учитывает нынешнее положение компании.

Что должен знать и уметь аналитик данных

Как и всё в ИТ, аналитик данных — это профессия, где постоянно нужно учиться новому, но есть базовые навыки, без которых не обойтись. Их всегда проверяют на собеседованиях.

SQL

SQL — язык запросов для работы с базами данных. С его помощью аналитики вытаскивают из базы нужную информацию по разным критериям. SQL позволяет фильтровать данные по разным критериям, объединять таблицы и делать сводные отчёты.

На собеседовании у аналитика могут попросить написать SQL-запрос, который выберет данные из нескольких таблиц, посчитает сумму или среднее значение или, например, найдёт клиентов, которые сделали больше 5 покупок за последний месяц. Важно не только уметь писать запросы, но и понимать, как работает база данных: могут спросить, как оптимизировать запрос, или объяснить, зачем нужны индексы.

Программирование на Python или R

Язык программирования R, Python или опыт работы в Excel. Какие-то расчёты и визуализации можно делать внутри Excel, какие-то — в Python. Начать можно с погружения в Excel — для начала работы аналитиком не нужно быть программистом (но потом хорошо бы всё-таки немного освоить область). А дальше достаточно научиться писать простые функции для обработки данных и визуализации.

Ещё могут попросить выполнить задачу на манипуляции с данными — очистить набор от пропусков, посчитать медиану или написать простую функцию для подсчёта количества уникальных записей.

Python-библиотеки для визуализации данных

Когда данные проанализированы, их нужно красиво и понятно представить. Это делают с помощью специальных библиотек — Matplotlib и Seaborn. С их помощью можно строить графики, диаграммы и тепловые карты, которые помогут бизнесу понять результаты анализа. Seaborn позволяет строить более сложные и наглядные графики, что важно, если работаете с большими объёмами данных.

Картинка с сайта: thecode.media

Инструменты Tableau, Power BI

Для создания отчётов и дашбордов понадобятся инструменты Tableau и Power BI. Они позволяют строить отчёты и предоставлять интерактивные дашборды с ключевыми показателями. В таком дашборде можно взаимодействовать с данными в реальном режиме: смотреть, как меняются графики, если что-то убрать или добавить, фильтровать данные и делать другие штуки.

На собеседовании могут попросить построить интерактивный отчёт или дашборд, показать, как работают фильтры и метрики, или объяснить, как бы вы визуализировали ключевые показатели для бизнеса.

Картинка с сайта: thecode.media

Jupyter Notebook

Jupyter Notebook — инструмент, который делает работу аналитика намного удобнее. Он позволяет писать код, запускать его сразу или небольшими блоками и моментально видеть результаты, что особенно полезно при работе с данными. Можно запускать код по частям, проверять, как меняются данные, и быстро вносить правки. К тому же все графики и таблицы выводятся прямо в Jupyter Notebook — так получится делать интерактивные отчёты.

На собеседовании могут спросить, как с помощью Jupyter Notebook сделать пошаговый анализ данных с выводом промежуточных результатов.

Математика и статистика

Математика, основы статистики и теории вероятностей. Анализ данных — это прежде всего работа с цифрами, построение моделей, гипотез и их проверка. Для этого нужно знать математику, разные формулы и уметь применять это всё на практике. Придётся строить гипотезы, проверять их с помощью статистических методов, уметь считать средние значения, медианы, дисперсии и работать с распределениями. Например, важно понимать, что такое p-value (уровень значимости) и как использовать его для проверки гипотез.

Совсем на старте достаточно хороших школьных знаний, но в процессе работы лучше изучить это поглубже.

На собеседовании могут спросить, как провести A/B-тест, как рассчитать вероятность события или как интерпретировать результаты теста на основе предоставленных данных.

Качества успешного аналитика данных

Разбираться в данных, чтобы найти там что-то полезное, требует усидчивости и терпения. А из софт-скилов в аналитике особенно ценится ответственность, критическое мышление и проактивность.

Аналитику нужно быть готовым брать на себя ответственность за результаты. Например, вы заметили, что в данных есть незначительная ошибка. На первый взгляд она несущественная и её можно проигнорировать, но как только на основании ваших выводов примут решения, последствия могут оказаться серьёзнее. Здесь важно проверять данные и выводы дважды, даже если это потребует больше времени. 

Умение критически относиться к полученным результатам — ещё одна черта хорошего аналитика. Если данные показывают неожиданные или слишком хорошие результаты, то стоит задуматься, а нет ли тут ошибки (может, и нет, всякое бывает). Критическое мышление помогает находить ошибки в данных и делать корректные выводы. Например, при проведении A/B-теста важно не просто принять результаты, но и убедиться, что они получены корректно и не содержат скрытых аномалий.

Проактивность — умение предлагать решения до того, как их от вас потребуют, — тоже ценится в этой профессии. Это значит, например, что вы не просто делаете отчёт по продажам, а анализируете данные глубже, чтобы понять способы оптимизации ассортимента или улучшения стратегии продаж. Поэтому аналитик должен не бояться общаться с продактами, дизайнерами и менеджерами и узнавать у них, с какими проблемами может помочь.

Хороший аналитик также умеет не только анализировать, но и объяснять результаты другим. Придётся общаться с людьми, которые не разбираются в технических деталях, поэтому важно уметь доступно и понятно донести суть анализа. Например, если представляете результаты маркетинговой кампании, сделайте акцент на том, какие действия помогут увеличить её эффективность, а не на сложных методах анализа.

Задачи аналитика данных

Задачи аналитика данных могут различаться в зависимости от сферы, но всегда связаны с тем, чтобы найти ответ на вопрос или решить проблему с помощью данных. Аналитик может быть частью маркетингового или продуктового отдела, и его главная цель — помочь компании принять правильные бизнес-решения.

Типичные задачи могут быть такими:

Допустим, аналитик работает в отделе маркетинга, и бизнес даёт ему задачу: выяснить, какие рекламные каналы приносят больше всего клиентов, чтобы эффективнее распределить бюджет.

Первым делом аналитик собирает разные данные: с рекламных платформ, CRM-систем и данные о продажах. Это даёт полную картину: сколько денег потратили на рекламу, сколько было кликов и сколько людей в итоге сделали покупку. Но в данных часто бывают дубликаты или ошибки, поэтому чтобы работать с точной информацией, аналитик должен данные очистить. Обычно для этого используют разные Python-библиотеки.

Затем начинается самое интересное — анализ. Аналитик сравнивает, сколько клиентов привёл каждый рекламный канал и сколько это стоило. Допустим, один канал принёс много трафика, но с низкой конверсией, а другой — меньше людей, но с высоким процентом покупок. Аналитик рассчитывает ROI (возврат на инвестиции) для каждого канала, чтобы разобраться, какие из них эффективны. Самый простой анализ можно сделать в Excel, но для сложных задач его может не хватить:

Картинка с сайта: thecode.media

Дальше нужно сформировать и проверить гипотезы: что если один канал лучше работает для определённой аудитории или в определённое время дня. Затем можно провести A/B-тесты и убедиться в своих выводах.

После того как данные проанализированы, а гипотезы проверены, нужно визуализировать свои выводы и результаты и предоставить их команде маркетинга. А дальше на основании этого команда уже решит, как лучше перераспределить бюджет.

Сколько зарабатывает аналитик данных

По данным Хабр Карьеры, средняя зарплата аналитика данных — 136 000 ₽, причём у джунов — 90 000 ₽. Сеньор может зарабатывать до 276 000 ₽.

Картинка с сайта: thecode.media

По данным hh, больше всего вакансий аналитика данных — в Москве и Санкт-Петербурге. Но тут нужно понимать, что​ ещё есть бизнес-аналитики и продуктовые, которые занимаются немного другими вещами. В вакансиях часто всё перепутано, поэтому нужно смотреть на обязанности, а не на название вакансии.

Самые распространённые задачи из вакансий: работать с базами данных, формировать гипотезы, изучать причины статистических расхождений, создавать отчётность.

Как стать аналитиком данных

В Яндекс Практикуме есть курс для старта в профессии с нуля: «Аналитик данных». На курсе получите основной набор навыков и инструментов, сделаете 4 больших проекта, 11 практических работ и разберёте 10 реальных кейсов от работодателей.

Если что, отдельные курсы про продуктовую аналитику и инструменты тоже есть:

На всех курсах есть бесплатная часть: можно попробовать и посмотреть, подходит это вам или лучше попробовать другой курс.

А ещё порешайте наши задачи на логику и аналитику — такое частенько спрашивают на собесах.

Сфера IT – это одна из самых быстро развивающихся отраслей мировой экономики. В этой сфере работает множество специалистов – программисты, системные администраторы, разработчики, тестировщики и аналитики данных.

Описание

Аналитик данных (Data Analyst) занимается сбором, обработкой и анализом информации. Он пишет запросы в базы данных, выявляет тенденции, проверяет гипотезы, проводит тесты и на основе результатов делает определенные выводы, которые помогают решить ту или иную задачу.

Чтобы хорошо выполнять свою работу, аналитик данных должен разбираться в математике, теории вероятностей, статистике, основах программирования и визуализации данных. Работа аналитиком подходит усидчивым и коммуникабельным людям с развитым логическим мышлением.

Расширенный курс «Аналитик данных» от Нетологии

Картинка с сайта: www.kp.ru

Хотите сделать уверенный шаг в аналитику данных, стать востребованным специалистом и получать приглашения на работу в крупнейшие компании? Расширенный курс «Аналитик данных» от Нетологии – ваш выбор! Качественные видеолекции, живые вебинары и практические задания, основанные на реальных бизнес-задачах, позволят стать специалистом уровня middle всего за 13 месяцев обучения, а получить первую работу – уже спустя полгода.

Базовый модуль курса включает основы статистики, баз данных и языка Python для сбора информации, ее анализа и проверки гипотез. Вы научитесь работать с SQL, git, NumPy, Pandas и другими инструментами data science. Дополнительный блок воркшопов от экспертов из игровой индустрии, мира финансов, медицины и онлайн-образования помогут увидеть разные области применения полученных навыков и завести полезные профессиональные знакомства. Среди приглашенных спикеров – профессионалы-аналитики из МТС, Microsoft, Яндекс и СБЕР.

По окончании первого модуля карьерные консультанты Нетологии помогут составить привлекательное резюме и сопроводительное письмо к нему, предложат вакансии и стажировки. А значит, уже на этом этапе обучения вы сможете получить место junior-специалиста и зарабатывать больше 65 000 рублей в месяц.

Второй блок курса направлен на углубление знаний и прокачку навыков до уровня middle. Практические проекты этого этапа помогут разобраться в финансовых метриках и A/B-тестах, научиться работать с big data и визуализировать аналитику в Power BI. А после модуля профессионального английского вы сможете читать техническую документацию, составлять резюме для зарубежных компаний, общаться в профессиональных чатах и готовить англоязычные отчеты и презентации.

В подарок каждый студент получит уроки по обработке данных в MS Excel с помощью Power Query, а также лекции о проведении переговоров и публичных выступлениях.

Курс завершается защитой дипломного проекта. Это может быть анализ продаж или прогноз эффективности бизнес-стратегии, алгоритм работы с запасами на складах или другая задача на выбор студента. Всего в копилке выпускника будет восемь крупных проектов и более 30 отдельных практических задач, которые составят внушительную базу для портфолио и станут весомым аргументом при трудоустройстве.

 При всей насыщенности курса, на обучение не придется тратить много времени, достаточно шести часов в неделю. А значит, учебу можно совмещать с работой и домашними делами.

Набор на курс идет уже сейчас, а первые записавшиеся получат ощутимую скидку на обучение. Сделайте шаг в data science сегодня – и получите высокооплачиваемую и престижную работу уже через 6 месяцев!

Реклама ООО «НЕТОЛОГИЯ» ИНН 7726464125 Erid: LjN8JuM8z

Полезная информация о профессии аналитик данных

Мы собрали полезные данные об этой профессии в одну таблицу.

Плюсы

Перечислим плюсы профессии аналитик данных:

• Быстрое обучение

Стать аналитиком данных можно за один год, причем как самостоятельно, так и закончив специальные курсы. При этом математическое образование будет хорошей базой, но оно не обязательно.

• Хорошая зарплата

Специалисты из сферы IT имеют высокий доход, и аналитики данных – не исключение.

• Удаленная работа

Аналитик данных может работать как в офисе компании, так и из дома.

• Быстрый карьерный рост

За несколько лет стажер-аналитик может вырасти до старшего аналитика, а потом стать главой отдела.

• Работа в команде

В больших компаниях в отделе аналитики работает целая команда сотрудников. Более опытные коллеги всегда помогут новичкам.

Узнайте больше об обучении в Нетологии

Картинка с сайта: www.kp.ru

Изучите основы статистики и научитесь работать с SQL, Python, Power BIАналитик данных

Картинка с сайта: www.kp.ru

С нуля освоите профессию и сможете искать работу через 5 месяцев обученияData Scientist

Минусы

Также у профессии аналитик есть и свои минусы:

• Монотонность

Хотя работа аналитика довольно творческая, в основном она связана с рутинными действиями, например со сбором данных.

• Постоянное обучение

Сфера информационных технологий развивается очень быстро, поэтому нужно постоянно учиться и быть в курсе всех изменений.

• Ответственность

Работа аналитика влияет на развитие компании. Иногда сотруднику приходится отстаивать свое мнение перед начальством и брать на себя ответственность за результат.

Где учиться в 2025 году

В колледжах и вузах нет специальности «Аналитик данных», но навыки, необходимые для этой профессии, можно получить на разных направлениях обучения, связанных с математикой и информатикой. Также эту профессию можно освоить самостоятельно или на специальных курсах.

Учебные заведения

Тем, кто хочет получить среднее профессиональное образование в этой области, подойдет программа «Информационные системы и программирование», которую предлагают многие средние специальные учебные заведения страны, например:

• Московский техникум космического приборостроения Московского государственного технического университета имени Н. Э. Баумана;
• Институт среднего профессионального образования Санкт-Петербургского политехнического университета Петра Великого;
• Волгоградский индустриальный техникум;
• Высший колледж информатики Новосибирского национального исследовательского государственного университета.

В университетах выбор программ обучения гораздо больше, чем в колледжах. Абитуриенты, желающие связать свою карьеру с аналитикой, могут выбрать одну из следующих программ:

• Прикладная математика;
• Математическое и компьютерное моделирование;
• Математическое моделирование и вычислительная математика;
• Прикладная информатика;
• Бизнес-аналитика и прогнозирование;
• Аналитика данных и эффективное управление и другие.

Эти направления обучения есть в таких вузах, как:

1. МИРЭА – Российский технологический университет, г. Москва;
2. Санкт-Петербургский государственный университет;
3. Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского;
4. Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, г. Екатеринбург.

Курсы

Существует много онлайн-курсов, как платных, так и бесплатных, на которых обучают основам аналитики данных. При выборе курса важно обратить внимание на количество часов теории и практики и выбирать те, где много практических заданий. Длительность онлайн-курсов варьирует от 2-3 месяцев до 2 лет. Приведем несколько примеров платных курсов:

1. Курс «Аналитик данных» от «Яндекс.Практикум» длительностью 6 месяцев. После курса у студента остается портфолио из 15 проектов и сертификат.
2. Курс по аналитике данных от «Skillfactory» также длится 6 месяцев. На курсе студенты выполняют 10 проектов для портфолио.
3. Полугодовой курс «Аналитик данных с нуля» от SkillBox. В конце курса нужно защитить дипломную работу.

Для тех, кто предпочитает бесплатные курсы, существует несколько хороших вариантов:

1. Курсы «Программирование на Python», «Основы статистики» и «Анализ данных в R» на платформе «Stepik»;
2. Курс «Введение в данные» на платформе «Coursera» от Новосибирского государственного университета;
3. Курс «Программирование на R в науке о данных» от «Microsoft» на английском языке.

Востребованность

Профессия аналитик данных входит в топ самых востребованных профессий не только в России, но и в мире. Сегодня ни одна крупная компания не обходится без услуг аналитика, так как результаты работы этого специалиста помогают понять, насколько эффективно работает бизнес и в каком направлении его следует развивать.

Устройство на работу и карьера

При наличии нужных профессиональных навыков, личных данных и портфолио устроиться на работу аналитиком может даже новичок. Начать лучше со стажировки, которая поможет увидеть все процессы изнутри. Для портфолио можно взять пару бесплатных проектов в той области, в которой кандидат хочет работать. Также большим плюсом будет, если кандидат разбирается в какой-то области: например, имеет опыт в сфере финансов, маркетинга, а не только в аналитике данных.

Первой ступенью карьерной лестницы после стажировки является позиция джуниора или младшего аналитика. Младший аналитик работает под контролем более опытных коллег и оттачивает навыки на конкретных задачах. Примерно через полтора года младший аналитик может получить повышение и стать аналитиком, а еще через год-два – старшим аналитиком. Вершиной карьеры в пределах одной компании будет должность главного аналитика.

Уровень зарплаты

Зарплата стажера составляет примерно 30 тысяч рублей, а аналитик данных с опытом в среднем зарабатывает от 70 тысяч рублей в месяц и выше. Доход зависит от региона, опыта и количества решенных задач, способностей и от того, умеет ли кандидат правильно себя подать.

Перспективы в будущем

Объемы данных постоянно растут, а значит, будут нужны и специалисты, которые смогут эти данные обрабатывать. Аналитики данных будут очень востребованы в ближайшем будущем, особенно сильные специалисты, занимающиеся сложными направлениями, например Big Data, машинным обучением и Microsoft Power BI.

Отзывы специалистов

Елена Щенявская, старший консультант дирекции аналитических и индустриальных решений, компания SAS Россия/СНГ:

– Профессия аналитик данных – одна из самых заманчивых для тех, кто всегда мечтал исследовать мир. Она не привязана к конкретной отрасли, и любой неопытный в какой-то сфере человек может с помощью алгоритмов анализа информации получить подсказки из данных на уровне бизнес-эксперта. Эта профессия позволяет окунуться в разные направления бизнеса и расширить кругозор. На одном проекте ты можешь изучать закономерности в поведении клиентов банка, а на другом проекте – анализировать причины оттока клиентов в фуд-ритейле.

Мне лично нравится находить инсайты, о которых не подозревает и продвинутый бизнес-эксперт. Есть в этом процессе некоторый азарт! В анализе данных есть место для творчества – ты придумываешь, какими параметрами описать бизнес-проблему, переложить ее на язык математики и нередко удивляешься тому, какие интересные закономерности на самом деле присутствуют в данных. Для меня это захватывающий процесс. Ну а не нравится то, что на сбор данных уходит 80% времени аналитика, и лишь оставшиеся 20% – на анализ, моделирование и интерпретацию результатов.

Для аналитика данных важно выработать в себе навык абстрактного мышления, и это возможно лишь путем решения большого количества задач. Я советую новичкам участвовать в разных конкурсах анализа данных, соревнованиях на Kaggle, смотреть, как решают задачи продвинутые аналитики, и постоянно обучаться на своем и чужом опыте.

Популярные вопросы и ответы

Отвечает Иван Пакулин, маркетолог, преподаватель курса «Аналитика данных в медиа» НИУ ВШЭ в Санкт-Петербурге.

Аналитик работает с большими объёмами информации. Он собирает её, обрабатывает, выявляет закономерности, и на их основе делает выводы. Результаты его работы помогают компании составлять и корректировать планы развития. Это престижная, востребованная и одна из самых высокооплачиваемых профессий в IT-сфере.  

Аналитика включает несколько разных специальностей, которые заняты в разных отраслях — от маркетинга и IT-сферы до управления. Мы поговорили с представителем одного из  наиболее востребованных направлений. Наш герой — Андрей, аналитик из Екатеринбурга. Он даст свой отзывы о работе аналитиком, расскажет о тонкостях и трудностях своей профессии, и даст советы новичкам. 

Картинка с сайта: checkroi.ru

Нужно всегда выяснять, зачем ты что-то делаешь. Если не будет синхронизирован полученный в конце работы результат, то недовольны будут все. Ты просто будешь делать что-то для галочки, и вряд ли это поможет бизнесу.  Андрей, 44 года, Екатеринбург

Картинка с сайта: checkroi.ru

«В аналитику я пришёл в 1996 году»

Аналитика для меня — это исследование данных, желательно оцифрованных. Любые мои выводы и заключения всегда подкреплены данными. 

Ещё в школе я увлекался ценными бумагами, поэтому мои интересы были в области котировок акций и финансового анализа. В университете на экономиста, поэтому в тот момент у меня совпало всё: интерес и направление. Интерес к аналитике у меня был всегда на уровне детского любопытства. А в профессию я пришёл случайно, хотя к этому всегда и стремился.  

В профессию аналитика я пришёл в 1996 году, после работы экономистом в ЦБ РФ.  Мне посчастливилось попасть в проект по экономико-математическому моделированию, который Центробанк проводил вместе с Российской академией наук. Там я получил действительно много практики. 

В то время мы собирали статистику и анализировали значимые цифры для макроэкономического моделирования. Мы учились строить модели — предсказывать, моделировать и прогнозировать развитие макроэкономики. Так я получил свой первый практический опыт, который оказался для меня действительно важным. 

«Универсальных аналитиков не бывает»

Однозначно базовое образование для аналитика должно быть высшим экономическим или высшим финансовым. Без понимания процессов построить карьеру аналитика просто невозможно. Ты не можешь анализировать себестоимость, не понимая, из чего она складывается. Развею популярный миф: универсальных аналитиков, которые могут анализировать всё что угодно, не бывает. 

Медицинская аналитика и медицинская статистика — совершенно разные вещи. Если взять силовые структуры, разведку, работу детективов и следователей, то там тоже есть работа для аналитика. Расследование преступлений, сопоставление фактов — всё это тоже аналитика. Но это всё разные разделы аналитики, которые пересекаются разве что в своих основах

Так как не бывает универсальных аналитиков, то учиться нужно чему-то конкретному. Сегодня нет просто аналитиков без специальности. Есть бизнес-аналитики, дата-аналитики, аналитики данных, продуктовые аналитики и др.

Если речь идёт о том, чтобы поменять профессию, то надо выбирать курсы, применимые к определённому направлению. Если ты хочешь быть бизнес-аналитиком, то надо смотреть в сторону бизнеса. Если ты хочешь стать дата аналитиком — надо изучать сферу больших данных, а не просто аналитику.

«Аналитику трудно заработать на фрилансе»

Так как я учился на экономиста, то смог попасть на практику-стажировку студентов в ЦБ, после чего остался там на полставки. Я считаю, что сегодня заработать хорошие деньги аналитику просто на фрилансе  трудно. Аналитика — это составляющая какого-то процесса, определённого бизнеса, и необходимо полностью погружаться в проект. Распыляться не получится. Сейчас я распрощался с прошлым работодателем и нахожусь в творческом отдыхе и поиске себя. Думаю над тем, открывать ли свой проект или искать другую работу. 

«Многие руководители не понимают задачи специалиста»

Трудности и минусы есть в любой профессии, даже если это работа мечты. Говоря об аналитике, то многие руководители не до конца понимают, в чём заключается роль и задачи специалиста. Соответственно, они не могут чётко поставить задачу, описать ожидаемый результат, и поэтому получить удовольствие от полученного результата. Часто из-за этого формируется недовольство. 

Руководитель даёт задачу проанализировать какие-то цифры. Аналитик анализирует, и в ответ на результаты руководить просто спрашивает «и что дальше?». Ему непонятно, что делать со всеми этими данными. Аналитик не понимает претензий — его просили проанализировать, он проанализировал. А поскольку руководитель толком не объяснил, зачем это надо, то остался недоволен.

Аналитик начинается с вопроса «зачем я это делаю?»

Три заданных подряд вопроса «зачем?» выведут любого руководителя или заказчика на чистую воду и помогут выяснить главную задачу. 

– Проанализируй мне эти цифры.
– Зачем?
– Я хочу увидеть, что там у меня происходит в бизнесе.
– Где в бизнесе: в кадрах, в продажах, в финансах? Зачем ты это хочешь увидеть?
– Я хочу увидеть, где я теряю деньги. 

На этом этапе уже становится более ясна цель аналитики: необходимо проанализировать цифры, и показать, где бизнес теряет деньги. Или если речь идёт о кадрах, то понять, почему уходят специалисты и такая текучка кадров. 

«Задача аналитика — не просто собрать цифры»

Раз уж это отзыв о работе аналитиком, вам нужно знать о том, что цифры — это не всё. По моему жизненному опыту, часто под аналитиком понимается человек-калькулятор, задача которого — составить управленческую отчётность. И сидит этот человек с утра до ночи, выгружает данные из 1С, всё это складывает в Excel, пишет формулы, копирует из одного файла в другой и делает сводную таблицу «Сводный отчёт по продажам за вчера». 

Многие считают, что это и есть работа аналитика, но это не так. Это работа бухгалтера — собрать цифры из нескольких мест и представить их в одном месте. Возможно, причина в том, что профессия аналитика не имеет общего стандарта, как слесарь третьего разряда. Поэтому каждый называет как хочет. 

Многие руководители не хотят верить цифрам. Бывают руководители, которые нанимают аналитика, но не верят информации, которую он до них доносит. По разным сторонам баррикад становятся экспертное мнение самого руководителя, и данные аналитика, которые опровергают его. Когда аналитик вытаскивает цифровое подтверждение, каким-то опровергающим их мнение доводам — это может сердить руководство. И с этим ничего не поделать, приходится уживаться. 

– Я считаю, что мне направление N приносит прибыль.
– Но посмотри на цифры, направление N тебе приносит убытки. 

Полезные советы 

Всегда спрашивайте себя «Зачем ты это делаешь?». Иногда полезно отвлечься от своего основного поля деятельности, работы с цифрами и графиками и просто задать себе этот вопрос. Важно приподняться над процессом анализа и посмотреть на свою деятельность с точки зрения руководителя. 

Ты делаешь презентацию на 150 слайдов, на каждом из которых по 15 графиков. Эти графики отображают всё, что ты анализировал. Как руководитель будет на это смотреть? Руководитель смотрит на всё это сквозь призму вопроса «И что?»

Проверочный вопрос «И что?» даёт хорошие подсказки. Если ты закончил вечером презентацию, то открой её утром и посмотри с точки зрения руководителя. Задай себе этот философский вопрос «И что?». Это поможет сделать определённые выводы по проделанной работе. 

Задавайте себе ещё один проверочный вопрос «А почему?». Если ты видишь график, который отражает рост продаж, то задай себе вопрос «А почему они растут?». И делай так со всей информацией, над которой работаешь. Суть аналитика в том, чтобы докопаться до истины. Возможно, впоследствии эту информацию придётся детализировать: раскрыть, продажи каких товаров растут, в каких каналах и так далее. Это поможет понимать суть происходящего, и не ставить руководство перед фактом, что что-то растёт, а что-то падает. Важно знать всё наверняка: почему что-то изменилось, что-то выросло, и что-то упало.  

Уделяйте внимание визуальному оформлению результатов. Будь аккуратен в оформлении данных. Если ты сделал небрежную табличку, где данные отражены разными цветами и разными шрифтами, то это может транслироваться другими, как небрежно собранные и проанализированные тобой данные. Верх мастерства работы аналитика — сделать таблицу, график или диаграмму, бросив взгляд на которую, работодатель моментально получит необходимую информацию. Ответ на его вопрос «И что?» должен быть понятен с первого взгляда.

Спасибо за то, что дочитали до конца. Надеюсь мой отзыв о работе аналитика будет для вас полезен и вы нашли в нём то, что искали. 

Хотите рассказать свою историю — пишите нам, мы побеседуем с вами и опубликуем ее. 

Картинка с сайта: checkroi.ru

Эта способность способствует установлению взаимосвязи с коллегами и клиентами, помогает выявить начальные точки для решения разных задач, а также понять, как функционируют определенные процессы внутри компании.

В современном мире работодатели все чаще отдают предпочтение специалистам, способным работать удаленно или в комбинированном формате, что создает возможности для бизнес-аналитиков, которые могут претендовать на вакансии без необходимости находиться в офисе.

В конструкторе Unisender у вас есть возможность взаимодействовать с высококвалифицированным AI-ассистентом.
Он может предложить вам актуальные темы и тексты для рассылки,
создать соответствующие графические элементы и предоставить советы
по оптимизации процесса рассылки.

Бизнес-аналитик — это специалист, занимающийся исследованием и оценкой бизнес-процессов с целью помочь компании в их оптимизации.

Основная задача данного специалиста заключается в повышении операционной эффективности компании. Он взаимодействует с различными аспектами бизнеса, включая финансовую отчетность, маркетинг, логистику, технологии и управление человеческими ресурсами. В каждой из этих областей бизнес-аналитик работает над выявлением проблем и поиском возможностей для развития. После этого он совместно с другими специалистами формулирует подходящие решения и контролирует процесс их внедрения.

К примеру, если организация решает инвестировать в развитие своей команды, предлагая оплату специализированных курсов, карьерные консультации или приглашение экспертов для обучения мягким навыкам, основатели и HR-отдел исходят из предположения, что такие действия повысят доходность компании и помогут удержать сотрудников. Для проверки верности этих выводов бизнес-аналитик соберет подходящую информацию о необходимых затратах и ресурсах, оценит влияние этого на коллектив, исследует изменения в результативности работы сотрудников и выявит возможные риски, а также методы их устранения.

Картинка с сайта: beautybarshop.ru

Существует также смежная профессия — системный аналитик. Несмотря на различия в функциональных обязанностях, работодатели иногда путанут эти названия, что может вызвать путаницу в процессе найма. Источник

Основные обязанности

Исследование процессов. Бизнес-аналитик должен глубоко понимать, как функционируют основные операции в компании. После вступления в новое подразделение первым шагом будет детальное изучение продукта, логистических процессов, работы команд и анализа других данных. Если специалист решает перейти из одной области в другую, ему предстоит изучить множество новой информации. Четкое понимание специфики рынка, на котором работает организация, это важный элемент успешной карьеры бизнес-аналитика.

Выявление проблем. Аналитик проводит интервью с руководителями компании и лидерами команд, анализирует бизнес-показатели и выполняет различные виды анализа для нахождения проблемных зон и, наоборот, возможностей для роста.

Формирование гипотез. Бизнес-аналитик разрабатывает разные варианты для повышения эффективности работы компании. Он обсуждает эти идеи с коллегами из других областей. Например, если необходимо решить технические проблемы, аналитик обращается к разработчикам, которые могут предоставить свою точку зрения на признаки и ограничения, которые должен учитывать аналитик при поиске решений. Они также могут предоставить ценную информацию, известную лишь специалисту в их области.

Постановка технического задания (ТЗ). По мере формирования гипотез начинается процесс их тестирования. За этот этап может отвечать либо проектный менеджер, либо аналитик. Один из них координирует работу с другими специалистами, устанавливает задания, сроки и контролирует выполнение задач.

Формирование отчетности. Специалист обрабатывает и составляет отчеты на основе результатов проведенных исследований. Он должен уметь представлять данные визуально: через диаграммы, модели и таблицы. Эти визуализации впоследствии презентуются руководству компании.

Картинка с сайта: beautybarshop.ru

В объявлениях о вакансиях для бизнес-аналитиков нередко указаны разнообразные обязанности, связанные с документацией и отчетностью.

Андрей, 44 года, Екатеринбург

Картинка с сайта: beautybarshop.ru

Для меня аналитика — это исследование данных, желательно оцифрованных. Все мои выводы и заключения всегда подкреплены данными.

Еще в школе я увлекался ценными бумагами, и мои интересы были связаны с котировками акций и финансовым анализом. В университете я изучал экономику, и в тот момент у меня совпали интересы и обучение. Интерес к аналитике сохранялся на уровне детского любопытства, а в профессию я пришел практически случайно, хотя к этому всегда стремился.

В мир аналитики я пришел в 1996 году, после работы экономистом в Центральном банке РФ. Мне повезло участвовать в проекте по экономико-математическому моделированию, который Центробанк проводил вместе с Российской академией наук. Там я получил действительно много практических навыков.

В то время мы занимались сбором статистики и анализом важных чисел для макроэкономического моделирования. Мы учились строить модели, предсказывать, моделировать и прогнозировать развитие макроэкономических процессов. Это был мой первый практический опыт, который оказался для меня крайне значимым.

Универсальных аналитиков не бывает

Безусловно, базовое образование для аналитика должно быть высшим и желательно в области экономики или финансов. Без понимания процессов нельзя построить успешную карьеру в аналитике. Вы не сможете анализировать себестоимость, если не знаете, из каких составляющих она состоит. Позволю себе развеять миф о том, что универсальные аналитики, способные анализировать всё и сразу, действительно не существуют.

Медицинская аналитика и медицинская статистика — это совершенно разные области. Если рассматривать силовые структуры, разведку, работу детективов и следователей, то там также требуются аналитики. Расследование преступлений, сопоставление фактов — всё это тоже аналитическая работа. Но это разные разделы аналитики, которые могут пересекаться лишь в своих основах.

Поскольку универсальных аналитиков не существует, необходимо специализироваться в каком-то определенном направлении. В настоящее время нет одиночных аналитиков без конкретной специализации. Существуют бизнес-аналитики, дата-аналитики, аналитики данных, продуктовые аналитики и другие.

Если вам нужно сменить профессию, важно выбирать курсы, соответствующие определенному направлению. Если ваша цель — стать бизнес-аналитиком, стоит углубляться в изучение особенностей бизнеса. Если вам интересно стать дата-аналитиком, необходимо освоить сферу больших данных, а не просто общую аналитику.

В подробном обзоре профессии «Аналитик» мы расскажем детально, чем занимаются аналитики различных направлений.

Полезная информация о профессии аналитик данных

Мы собрали полезные сведения об этой профессии в виде таблицы.

Плюсы

Расскажем о преимуществах профессии аналитика данных:

Достигнуть уровня аналитика данных можно всего за один год, как самостоятельно, так и пройдя специальные курсы. Математическое образование будет полезной базой, но не является обязательным.

Специалисты из области информационных технологий имеют высокий уровень дохода, и аналитики данных не являются исключением.

Аналитик данных может работать как в офисе, так и на удаленке.

За несколько лет работы стажер-аналитик может стать старшим аналитиком и, в конечном итоге, занять пост руководителя отдела.

В крупных компаниях в отделе аналитики работает команда специалистов. БолееExperienced коллеги всегда готовы помочь новичкам.

Узнайте больше об обучении в Нетологии

Картинка с сайта: beautybarshop.ru

Изучите основы статистики и научитесь работать с SQL, Python, Power BI Как аналитик данных

Картинка с сайта: beautybarshop.ru

Освоите востребованную профессию на уровне middle-специалиста Как аналитик данных: расширенный курс

Картинка с сайта: beautybarshop.ru

С нуля освоите профессию и сможете искать работу через 5 месяцев обучения Как Data Scientist

Плюсы и минусы

Высокий спрос на специалистов: Аналитики данных востребованы во многих отраслях.

Зарплата: В зависимости от уровня опыта и региона, зарплаты могут быть очень конкурентоспособными.

Возможности для роста: Возможность карьерного роста, в основном это «Бизнес-аналитик» или «Системный аналитик», реже другие смежные области.

Разнообразие задач: Работа с данными предполагает решение множества различных задач и постоянное развитие навыков, что можно считать как плюсом, так и минусом, так как обучение будет непрерывным.

Высокие требования: Необходимо постоянно совершенствовать свои навыки и обучаться.

Сложность задач: Работа с большими объемами данных может быть сложной и утомительной, особенно в начале карьеры.

Ответственность: Принятые на основе анализа данных решения могут существенно влиять на бизнес-процессы компании.

Стоит ли стремиться стать аналитиком данных?

Стоит стремиться, если вам увлекательна работа с данными и вы готовы постоянно учиться. Перспективы данной профессии хорошие, поскольку количество данных, которые необходимо анализировать, непрерывно растет. Кроме того, аналитики данных могут находить применение в различных отраслях, что делает эту профессию очень гибкой.

Работа аналитика данных — это отличная возможность для тех, кто любит цифры и стремится развиваться в этой области. Если вы готовы вложить много усилий в обучение и развитие своих навыков, вы сможете добиться успеха и стать востребованным специалистом. Однако не стоит ждать быстрых результатов — потребуется время, чтобы обрести уверенность в своих знаниях, и вы несомненно столкнетесь с сомнениями на пути. Но если вы преодолеете эти трудности, дальнейшая работа станет значительно легче, и вы увидите много перспектив и возможностей.

Картинка с сайта: beautybarshop.ru

Посты читателей. Здесь делятся опытом и рассказывают свои финансовые истории

• Владислав Сорокин: Если вы знаете Табло и M-Language, то зачем вам VBA? Использовать макросы в Excel? Какова их целесообразность в данном контексте? Тот же вопрос о Питоне.
• Анастасия: Я согласна, что каждая компания имеет свою специфику, но все зависит от самих задач. Сейчас работаю 2 года аналитиком — начинала в ритейле, сейчас в IT-компании. В ритейле кроме Excel ничего не было, поэтому и ушла. За время работы я лучше поняла специфику профессии и выбрала для себя направление: BI-аналитика. Начала смотреть вакансии на hh и попала в IT-компанию. Работа BI-аналитика выглядит так: поступает запрос от бизнеса на создание отчета, проводятся встречи для согласования требований и так далее. Мне нужно извлечь данные из базы при помощи SQL-запросов, и обычно это несколько запросов, формирующих несколько таблиц. Эти таблицы загружаются в PowerBI, налаживаются связи между ними, и затем создается отчет. В остальном работа аналогична. Я использую MSSQL и PowerBI (внутри нужно знать Power Query и язык DAX), никакого Питона здесь не требуется, хотя иногда Excel может понадобиться для сверки данных, но даже макросы не применяются.
• Dmitri: Владислав, Табло используется только для визуализации, это хороший навык, но многие предпочитают Power BI, Power Point или другие программы в зависимости от компании. M-Language не предназначен для сложной автоматизации, на этом языке не создадут пользовательский интерфейс, и он не всегда подходит для выполнения тех задач, для которых лучше использовать VBA. Знание M-Language — это безусловный плюс, но чаще отдают предпочтение знаниям VBA или R. В случаях, когда данных много (а вот с VBA не рекомендуется обрабатывать более 200 000 строк и ~15 колонок), применяют Python — он в разы быстрее и более функционален, чем VBA. Многие именно его используют, реже — R.
• Dmitri: Анастасия, компании и задачи бывают совершенно разные. То, что вы описали, относится именно к работе бизнес-аналитика. Но представьте ситуацию, когда нужно выгрузить определенное количество строк из базы данных, и в каждой строке есть текст, содержащий серийные номера. Количество серийных номеров заранее неизвестно: их может быть 0, а может и 10. Если они есть, нужно скопировать всю строку и вставить ее ниже столько раз, сколько серийных номеров, причем в каждой новой строке остается только один серийный номер. Подобных условий может быть много, и в таких случаях данные требуют именно обработки. Обычно же этим занимается не бизнес-аналитик.
• Владислав Сорокин: Дмитрий, это элементарная трансформация на стороне запроса, не так ли? Серийные номера помещаются в список, и затем в строки.
• Владислав Сорокин: Дмитрий, я немного запутался, когда вы говорили об интерфейсах и обработке данных. M-Language действительно предназначен для обработки данных. Power Query — это синоним M-Language. В части обработки данных VBA достаточно ограничен, и у меня был неплохой опыт его использования для этой цели, но это крайне утомительно.
• Dmitri: Владислав, нет, запросом так данные не преобразуются, например, текст может содержать серийный номер, и он может находиться в абсолютно произвольном месте. Я описывал ничего не шаблонного. Это пример работы аналитика данных, и я согласен, что у бизнес-аналитика задачи отличаются, и сложно очищать и трансформировать данные не приходится.
• Lisa: Дмитрий, как меняются условия работы с развитием AI?
• Dmitri: С внедрением AI значительно упростился процесс написания кода. Ранее при создании методов или функций приходилось долго думать, писать, тестировать и зачастую переделывать код. Теперь достаточно описать задачу, указать язык разработки, вставить часть своего кода и AI предложит несколько вариантов решения. Но просто копировать и вставлять код плохо — несмотря на то, что AI может генерировать рабочий код, он часто бывает сложно читаемым, может содержать ошибки и не учитывать многих важных моментов. Но можно взглянуть на рекомендации AI и на их основе создать аналогичный код или внести дополнения. Использование AI значительно ускоряет процесс разработки, но для его грамотного применения нужно хорошо разбираться в коде и его функционале, иначе AI может сгенерировать работающий код, который в итоге выйдет с необъяснимыми последствиями. У меня уже были ситуации, когда код был просто сгенерирован и запущен — на первый взгляд все работало, но при незначительных изменениях данных возникали проблемы. Я рассчитывал на 30 минут исправлений, но в итоге потратил полутора дня из-за сложности кода. Поначалу я поправил существующий код, а потом полностью переписал его. В целом, AI весьма полезен, особенно в написании кода, но обращаться с ним необходимо осторожно. Если бы я только начинал учиться, взаимодействие с AI значительно упростило бы мою задачу раньше.
• Олег Балов: Дмитрий, похоже, этот ответ также был сгенерирован AI.
• Dmitri: Олег, я полагаю, что он сказал бы что-то более обобщенное, без конкретных примеров ненормативного кода и детальных воспоминаний о поиске решения на форумах. Хотя в данный момент это можно сказать о любом тексте.
• Dmitri: Владислав, мне кажется, вам просто не хватает опыта. Это хороший инструмент, хоть у него нет именованных списков, но имеются массивы и коллекции. Он весьма удобен, когда нужно быстро обработать небольшие объемы данных, если известно, что он для этого подходит, как в приведенном вами примере. Чтобы правильно использовать любой инструмент, нужен опыт, тогда будет очевидно, где что можно использовать для достижения быстрого результата. Я активно использую VBA около 10 лет, когда заметил в Великобритании множество вакансий, в том числе разработчиков на VBA. В России подобных позиций было крайне мало, и мне было интересно узнать, почему. Все оказалось просто: в Великобритании существует крепкий контроль за программным обеспечением. Использование нелицензионного софта приводит к серьезным рискам. Лицензионный софт может оказаться дорогим, а небольшие компании, только начинающие деятельность, часто не готовы вкладываться в разработчиков. Они выбирают более доступные методы: база данных + Excel, создавая пользовательские интерфейсы для каждой позиции, где операторы вводят данные, которые затем обрабатываются. Можно использовать Google таблицы с их скриптами и формулами.
• Johnny Cash: Олег, так нет ничего лучше примера, и этот пример показал, как AI используется.
• Johnny Cash: Спасибо за ваши мысли, но подскажите, куда легче войти: в профессию тестировщика или аналитика?
• Светлана Мехедова: «онлайн-сервисы и мобильные приложения, где можно попробовать ответить на вопросы, которые задают аналитикам данных на собеседованиях, и, возможно, понять, что нужно изучить» — спасибо за статью! Может, кто-нибудь назовет пару таких сервисов или приложений?
• Владислав Сорокин: Дмитрий, вам просто не хватает времени, когда с ним работаешь 🙂 У Google Sheets технологии выполняет JavaScript, и это значительно лучше, чем в VBA. Прошу прощения за краткость ответа.
• Барсучок: Johnny, подумала бы на вашем месте не о том, где проще и выгоднее начать, а о том, что у вас лучше получается и что больше нравится.
• Барсучок: Я пробовала все три направления, самым трудным оказалось системная аналитика. Там нужно работать с данными и разбираться в бизнес-аналитике.
• Dmitri: Владислав, интересное утверждение, можете объяснить подробно? Есть много сторонников того или иного языка, каждый из которых считает, что интерфейс одного языка более дружелюбен, чем у другого.
• Dmitri: Johnny, это довольно разные области, но считаю, что стать тестировщиком проще. Необходимо знание программирования на базовом уровне для написания автотестов и умение работать с баг-трекерами. Я не тестировщик, но думаю, следует учитывать, насколько вам интересна каждая из этих областей, а не просто гнаться за зарплатой.
• Dmitri: Светлана, несколько раз наталкивался на такие сервисы, но не запомнил названия. Просто попробуйте поискать в интернете.
• Анастасия: Дмитрий, сейчас бизнес-аналитик — это не то же самое, что BI-аналитик; уже существует множество разновидностей. Я согласна, что аналитика данных требует больше технических знаний и хард скиллов, а BI требует большего количества софт скиллов, и в описаниях курсов меньше говорится об этом. Именно это создает путаницу для пользователей, потому что хочется продать курс любой цене и любым специалистам.
• Vlad Sorokin: Дмитрий, мне казалось, что я это уже уточнил, нет? VBA — старый язык, не удивительно, что в нем не реализованы некоторые необходимые функции. Я несколько лет занимался обработкой данных в VBA, используя большие массивы, полученные из JIRA, а затем компания решила перейти на Google Sheets, и это стало настоящим облегчением.
• Dmitri: Влад, вам действительно было проще обработать большие данные в Google Sheets? Или это действительно условная обработка? Не хотел бы показаться защитником VBA, простой функционал выбирать нет смысла, но нет серьезных проблем с обработкой в VBA. Используется Python для больших объемов данных, но в Google Sheets большие данные совсем другая история.
• Анатолий Овчинников: Аналитик не должен собирать и очищать данные. Это задача для дата-инженеров.
• Dmitri: Анатолий, дата-инженер в основном создает базы, инфраструктуру и подобное. Но в маленьких компаниях это может быть делегировано другим специалистам. Аналитики данных занимаются именно обработкой и интерпретацией данных, и хотя в названии может быть какое угодно, функции могут активно пересекаться.
• Dmitri: Максим, честно говоря, ничего не понял.
• Ольга Надеева: Дмитри, Анатолий прав. Очистка данных — это задача для дата-инженеров, даже на этапе курсов это описано.
• Dmitri: Ольга, на курсах много чего интересного пишут, но в реальности задачи могут значительно отличаться. Работодатели часто нагружают не своих специалистов, что порой создает проблемы, так как неверные выводы могут привести к неправильным решениям в процессе работы.
• rukivbbruki: Спасибо за статью, познавательно!
• Виктор Рупасов: Спасибо, очень познавательно, тоже смотрю в сторону аналитики. Вот если я правильно понимаю, нужно сначала хорошо изучить Excel, научиться делать аналитику, затем pivot и query, попробовать Power BI и VBA, и вскоре станет ясно, мое это или нет.
• Dmitri: Виктор, да, Excel — это основа, он нужен почти везде. Сводные таблицы и Power Query — ключевые инструменты, нужно их обязательно изучить. VBA немного сложнее, особенно без опыта программирования, но если есть навыки, его освоение не займет много времени. Дальше вы поймете, в каком направлении двигаться, и не забывайте об изучении SQL. Это станет основой работы с данными.
• Маргарита Черная: сможет ли врач (естественно без математического образования) стать аналитиком данных?
• Dmitri: Маргарита, если есть желание, то, конечно. Но, к сожалению, предыдущий опыт и медицинские навыки могут не пригодиться в этой сфере.

Новая работа ― аналитик

Интересно, что своего будущего работодателя я нашла почти в начале поиска работы на hh.ru. Я откликнулась на вакансию аналитика в сфере развития бизнеса компании, занимающейся разработкой мобильных игр. Затем я написала напрямую рекрутеру через мессенджер. Меня пригласили на собеседование, позже предложили тестовое задание, и я прошла еще два интервью. Уже на первой встрече я ощутила, что мы с коллегами разделяем общие ценности, возникла химия.

Вот уже полгода я работаю в отделе аналитики компании. Я получаю задания от внутреннего департамента развития бизнеса. Специфика работы мне знакома благодаря прежнему опыту. Я создаю различные отчеты — здесь почти нет двух одинаковых задач. Заказчики очень креативные, поэтому я каждый раз получаю новые идеи и вводные данные. Хотя с точки зрения визуализации у меня не так много пространства для творчества, я перевожу их креатив в цифры и нахожу закономерности — в этом и заключается кайф.

Важно, что я самостоятельно управляю своим временем и большей частью работаю непосредственно с заказчиком, поэтому могу сами организовывать свой рабочий график. Такой формат позволяет мне работать более продуктивно и уделять больше времени детям.

Общее впечатление: каково это — менять профессию в 42 года

Всё на самом деле логично: мне, как математику и слегка социофобу, была нужна именно такая роль, как аналитик данных. Да, я дауншифтер. Вы стоите перед выбором: либо зарабатывать большие деньги на административных должностях, либо делать то, что действительно нравится, но при этом терять доход. Я выбрала второе. К тому же важно было, чтобы была возможность удаленной работы. И сейчас я думаю: какое счастье осознавать, что можешь встать и в пижаме отправиться на работу.

___________________
Самые ценные инвестиции — это в себя и свое образование. Подписчикам hh.ru Яндекс.Практикум предоставляет бонус на покупку любого курса, кроме английского и школьной математики. Чтобы получить бонус, пройдите по ссылке и активируйте промокод. Предложение действительно до 31 октября.

? Был ли этот материал полезен? Поделитесь им с друзьями через социальные сети!
Кнопки для репоста находятся в шапке статьи ⏫

Вакансии дня

• Поиск сотрудников
• Помощь
• Наши вакансии
• Реклама на сайте
• Требования к ПО
• Безопасный HeadHunter
• HeadHunter API
• Партнерам
• Инвесторам
• Каталог компаний
• Работа по профессиям
• Работа рядом с метро

• Готовое резюме
• Все сервисы
• Профориентация
• Продвижение резюме
• Хочу у вас работать
• Производственный календарь
• Экспертная рекомендация

На информационном ресурсе hh.ru применяются рекомендательные технологии (информационные технологии, основанные на сборе, систематизации и анализе сведений, связанных с предпочтениями пользователей интернета на территории Российской Федерации).

Как стать аналитиком? (и зачем)

В этом материале я расскажу вам о роли аналитика в крупной технологической компании, а также о том, как можно им стать. Что такое крупная технологическая компания? Под этим можно понимать множество организаций, но в этом материале я буду называть так компании, которые получают львиную долю своей выручки благодаря программному обеспечению. Сюда можно отнести Google, Apple, Amazon и Netflix. Из отечественных можно выделить Яндекс, Ozon, Тинькофф и VK (ex. Mail.Ru Group).

В любой такой компании сегодня есть аналитики. Они носят множество имен: Data Analyst, Data Scientist, Product Analyst и т. д., но всех их объединяет одна основная черта — эти люди занимаются анализом данных. Дальше под словом “аналитик” я буду подразумевать людей всех этих специальностей. Стоит отметить, что в технологических компаниях также востребованы системные- и бизнес- аналитики, но их работа отличается своей особой спецификой и в данной статье я буду говорить не о них.

Я постарался сделать материал интересным к прочтению для людей любого уровня подготовки, но я особенно хочу дотянуться до тех, кто в настоящий момент продолжает обучение в университетах или только выбирает ВУЗ. Статья также будет полезна всем, кто рассматривает карьеру аналитика. 

Сколько получают аналитики?

Итак, начнем с главного.

Например, вот так оценивает зарплаты аналитиков ресурс Хабр Карьера. От себя добавлю, что чисто эмпирически цифры скорее занижены, чем завышены. Даже по самый консервативной оценке специалист уровня Middle сегодня получает от 150 тыс. руб./мес. 

Картинка с сайта: habr.com

Лучше всего можно понять, как выглядит реальный рынок зарплат, посмотрев на конкретные предложения. Из соображений конфиденциальности не раскрываю имена компаний. Например, здесь готовы нанять аналитика уровня Middle на ЗП в районе 250 тыс. руб./мес.: 

Картинка с сайта: habr.com

Тут младший специалист уже может претендовать на 150 тыс. руб/мес. + премии, а Middle претендует на 300 тыс. руб./мес. + премии. 

Картинка с сайта: habr.com

Когда дело доходит до старших специалистов, то вилки иногда начинают пробивать потолок. Например, здесь старшему специалисту готовы платить 450 тыс. руб. / мес. + премия по результатам работы.

Картинка с сайта: habr.com

Кто такие аналитики? Разберем роль аналитика в крупной технологической компании — посмотрим, в какой момент нам понадобится придумать аналитика:

• Разработчики. Все начинается с них — кто-то должен писать код. Сюда можно отнести фронтэнд-, бэкэнд- и мобильных разработчиков, DevOps, тестировщиков и т. д. Эти люди непосредственно несут ответственность за качество кода: они программируют и в целом делают все, чтобы софтверная часть продукта работала. Они заботятся об отказоустойчивости, отсутствии багов и скорости. Чего они не делают? Они (в среднем при прочих равных) не принимают решения о том, куда дальше двинется продукт. Разработчики не определяют, какую задачу должен решать их код. Они делают так, чтобы эта задача была решена. Кто же определяет задачи?

• Менеджеры. Именно они решают, что должен делать продукт. Почему? Все просто — они непосредственно отвечают за финансовые показатели продукта. Если код работает неправильно — это ответственность разработчика. Если код работает правильно, а прибыль снижается — ответственен менеджер, ведь именно он поставил задачу разработке. К менеджерам можно отнести Product-менеджеров, весь C-level менеджмент, а также всех, кто ответственен за принятия решений о будущем сервиса/продукта. Стоит отметить, что иногда менеджерские функции берут на себя аналитики (“Менеджер-аналитик”) или разработчики (“Product Engineer”). Однако в больших компаниях эти функции чаще разделены и есть отдельные люди, которые отвечают за принятие решений. Так зачем же нужны аналитики?

• Аналитики помогают менеджерам принимать правильные решения. Почему менеджерам нужна помощь в принятии решений? Дело в том, что в отличии от физического бизнеса, цифровой гораздо сложнее осмыслить без технической подготовки. У менеджеров неизбежно появляются вопросы, ответы на которые с одной стороны необходимы для принятия решения, а с другой требуют погружения в технический аспект. Почему бы просто не обратиться к разработчикам? Практика показывает, что эффективно отвечать на вопросы менеджеров настолько объемная задача, что для этого нужна отдельная роль. Такой человек должен не просто отвечать на вопросы менеджеров, но и работать с ними вместе, участвовать в формулировании этих вопросов, проверять гипотезы, ставить эксперименты и многое другое. Оговорюсь, что сегодня роль аналитика сильно шире, чем просто отвечать на вопросы бизнеса, но именно это первопричина выделения этой роли.

Какие бывают вопросы у бизнеса? Давайте разберем типичные примеры вопросов и как может выглядеть ответ: 

• Ad-Hoc. (от лат. “по особому случаю”) Самый простой случай это так называемая ad-hoc аналитика. К вам пришел один из менеджеров с конкретным вопросом. В ответ он хочет получить цифру или набор цифр, а также интерпретацию и ваш финальный вывод. В таком случае ответом на вопрос бизнеса может стать простая таблица с данными и график. Примеры таких вопросов: сколько мы потратили на рекламу в 2022 году? какой экран нашего мобильного приложения принес нам больше всего денег? как изменилась конверсия из просмотра в заказ с января по декабрь этого года? Помимо простых вопросов часто бизнесу нужно проверить гипотезу, которая валидирует или опровергает намеченный ими план.

• Исследование. Когда аналитика вроде бы носит разовый характер, но обладает расплывчатой формулировкой, сложной логикой и большой значимостью, стоит говорить скорее об исследовании, чем об ad-hoc задаче. Как правило для ad-hoc вопросов характерны количественные формулировки, тогда как в исследованиях вопросом может быть “почему?” или “как нам сделать Х?”. Примеры таких вопросов: почему 1 млн. пользователей смотрит главный экран нашего приложения, но рекламу смотрит только 70%? почему мы стали терять пользователей в августе 2021 года? как нам удержать наших пользователей? Успешное исследование может органически перерасти во все другие форматы работы аналитика и стать отдельным направлением.

• Дашборд. Когда Ad-Hoc задачи начинают повторяться, пора задуматься об автоматизации ответов. Никто не говорил, что на вопросы бизнеса обязательно нужно отвечать вручную каждый раз. Необходимо только, чтобы люди имели возможность видеть все то, что происходит внутри продукта. Для этого аналитики создают специальные инструменты — дашборды от англ. dashboard — приборная панель. Как правило, на них выводятся ключевые показатели бизнеса и продукта: выручка, количество активных пользователей и прочие метрики. Результатом исследования вполне может стать новый показатель (метрика), который хочется отслеживать на постоянной основе. В таком случае показатель можно добавить в дашборд. Качественные дашборды становятся не просто “приборной панелью” сервиса, но самостоятельным инструментом проверки гипотез. Менеджеры могут проверять гипотезы, используя фильтры, группировки и селекторы. В последнее время многим людям пришлось узнать, что такое дашборд на примере мониторинга коронавирусной инфекции. По всему миру возникла потребность следить за динамикой числового показателя в разбивке по странам, городам и прочим. Например, вот так выглядит коронавирусный дашборд OurWorldInData:

  

  Картинка с сайта: habr.com

• Эксперимент. Однако не все гипотезы можно проверить путем простых вычислений на исторических данных. Иногда гипотезу нельзя по-настоящему корректно оценить без проведения эксперимента. В таких случаях аналитики занимаются экспериментами. Как проводятся эксперименты в технологических компаниях? Типичный пример — АБ-эксперимент. Выделяется какое-то весомое множество пользователей (скажем, 10%) и члены этого множества делятся случайным образом на 2 группы: А, в которой не будет никаких изменений пользовательского опыта, и Б, в которой сделаем одно конкретное изменение. В результате мы сможем оценить, как это изменение влияет на интересующие нас показатели. Допустим, мы хотим перекрасить кнопку “Купить” из зеленого в синий цвет. Мы выделяем случайные 5% пользователей в группу А и те же случайные 5% в группу Б так, чтобы группы не пересекались. У группы А ничего не меняем, у группы Б перекрасим кнопку в синий цвет. В течение какого-то периода (скажем, 10 дней) у нас будут 2 абсолютно одинаковых группы пользователей, которые видят разную кнопку. Если в группе Б станут делать больше заказов, то мы делаем вывод, что синяя кнопка лучше, чем зеленая. Аналитики занимаются дизайном эксперимента, а также помогают принять финальный вывод по итогам. Здесь возникают вопросы статистической значимости наших выводов, а также “сколько по времени нужно держать эксперимент?” и “как одновременно проверять множество гипотез, чтобы эксперименты не влияли друг на друга?”.

• Алгоритм / модель машинного обучения. “Вопросы бизнеса” это не только непосредственно менеджеры. Иногда сама кодовая база требует ответа на определенные вопросы. Например, в каком порядке Google или Яндекс должен выдавать результаты поиска? Какое видео должен показать TikTok следующим? Какую цену должно выставить Яндекс.Такси для поездки? В таких задачах партнером аналитика выступает скорее разработчик, а не менеджер. Здесь вопросы появляются уже у разработки и нужно умение строить выводы по данным на уровне кода, т. е. сам продукт должен автоматически принимать решения на основе данных. Когда стоит задача сделать рекомендательную систему, отранжировать страницы по убыванию важности или выставить правильную цену, на помощь разработке приходят аналитики. Как правило, в таких случаях аналитики делают прототип решения и уже разработчики реализуют принципы для всей аудитории продукта. Стоит оговориться, что в некоторых организациях выделяется смежная роль — Machine Learning Engineer, которого иногда по-русски называют “Аналитик-разработчик”. Такой человек сначала разрабатывает прототип алгоритма, а потом самостоятельно раскатывает логику на всю пользовательскую базу.

Какие навыки нужны аналитику? (по убыванию значимости)

1. Английский Язык. Отрасль анализа данных это международный феномен и большинство нововведений приходит из-за границы. Все библиотеки для анализа данных, а также справочники, технологии и знания должны быть понятны всему миру, поэтому оптимизированы под английский язык. Все онлайн-курсы и книги написаны на английском языке. Стоит ли говорить, что английский язык может стать основным сдерживающим фактором, если вы решите строить карьеру заграницей. Если разработчик/программист еще хоть как-то может обойтись базовым знанием языка, то для аналитика нужен по-настоящему беглый разговорный язык. Роль подразумевает умение общаться с самыми разными людьми, объяснять сложные вещи простым языком, а также зачастую выступать на публике с презентацией концепций и результатов. Если вы вдруг сейчас продолжаете обучение в университете или даже школе и рассматриваете карьеру аналитика, то приоритезируйте английский язык. Почти все остальное можно так или иначе освоить потом, но с возрастом мозг теряет пластичность и языки становится учить сложнее. По ощущениям английский важнее, чем все остальные дисциплины вместе взятые. С другой стороны, в в конечном итоге вывести английский язык на высокий уровень поможет лишь одно — практика. Я не говорю о разговорном клубе и не обязательно имею в виду поездки в другие страны. На моем опыте самый большой объем взаимодействия с языком можно получить в интернете. Читайте тексты, Twitter, мемы, Reddit, книги. Смотрите видео, фильмы, сериалы. Сначала с субтитрами, потом в оригинале. Во всех возможных интерфейсах, где можно выбрать английский язык, выбирайте его — на телефоне, в играх, программах. Сегодня каждый человек так или иначе потребляет контент в социальных сетях. Постарайтесь найти для себя интересный контент на английском языке, тогда изучать его сразу станет проще. 

2. SQL. (Structured Query Language) Своего рода язык программирования для проведения расчетов на больших (и не очень) массивах данных. С 70-х годов 20-го века является доминирующим инструментом для аналитики данных. В конце 10-х годов казалось, что рост объемов датасетов сделает невозможным использование языка, но вместе с такими решениями, как ClickHouse, SQL вернул и приумножил свою актуальность. Для начинающего аналитика это первое, что нужно освоить. Без SQL невозможна работа с большими массивами данных и построение выводов по этим данным, чего ждут от аналитиков, начиная с самого младшего специалиста.

3. Теория Вероятности и Математическая Статистика. Для аналитика это главная математическая дисциплина, потому что она учит построению выводов по данным — финальной задаче аналитика. В первую очередь аналитики используют методы статистики, чтобы правильно провести эксперимент и проверять гипотезы. При этом в статистике буквально есть развитый и проверенный годами математический инструментарий для проверки гипотез. Более того, почти любая аналитическая задача подразумевает определенный уровень грамотности в вопросах вероятности и статистической значимости. Почти каждый вывод аналитика базируется на данных. Даже самая простая ad-hoc задача вызывает вопрос — насколько значим полученный результат? Мог ли он быть получен случайно или это результат фундаментальных свойств объекта исследования? Чтобы оперативно отвечать на такие вопросы нужна математическая статистика. Более того, в хороших компаниях на собеседованиях вас обязательно ждут задачи на вероятность — без этого никак.

4. Python. Минималистичный язык программирования, который в последние годы нашел обширное применение в анализе данных. С помощью Python делают все: обрабатывают табличные данные, рисуют визуализации, автоматизируют процессы обработки данных и даже тренируют нейронные сети. Более того, разработчики тоже используют язык для своих задач, поэтому владея им сильно проще понимать друг друга. Например, читать код разработчиков, чтобы понять, что он делает. Во многих компаниях для аналитиков обязательно владение как минимум одним языком программирования. На собеседовании это не обязательно должен быть Python, но как только вас возьмут, то попросят писать именно на нем и все-равно придется его учить. 

5. Машинное Обучение. Сегодня сложно представить себе по-настоящему большую компанию, которая не использует машинное обучение. Далеко не все аналитики на практике создают модели машинного обучения, но для всех сегодня обязательно понимать, какие задачи оно решает. В очень упрощенном виде машинное обучения выполняет работу аналитика за него — модель делает выводы по данным в автоматическом режиме. Простейшие модели прогнозируют объем продаж на торговой точке, отток пользователей из приложения или вероятность дефолта по кредиту. Более сложные модели рекомендуют видео, ранжируют страницы и даже распознают лица. Принцип остается прежним: модель использует исторические данные, чтобы делать выводы о будущем. 

6. Алгоритмы и Структуры Данных — это математическая дисциплина, которая изучает последовательности действий для решения задач преобразования информации, а также способы ее эффективного хранения и утилизации. На практике это значит — как писать код так, чтобы он выполнял поставленную задачу за разумное время. Самые банальные алгоритмические задачи включают в себя поиск и сортировку элементов в массиве (‘16126’ -> ‘11266’) и сравнения строк (‘abcdefg’ = ‘gfedcba’?). С другой стороны, наиболее сложные алгоритмы занимаются проблемами расшифровки генома человека и стохастической оптимизацией, используемой в нейронных сетях. Многие аналитики считают, что работодатели несправедливо требуют от них знания алгоритмов и структур данных. Зачем аналитикам алгоритмы? Ведь они не пишут код, это нужно скорее разработчикам. На практике самые творческие аналитические задачи непременно требуют знания алгоритмов. Это касается не только “Аналитиков-разработчиков”/”Machine Learning Engineer”, но и тех, кто не пишет боевой код. Алгоритмы могут понадобится аналитикам для моделирования сложных процессов, создания прототипов и моделей машинного обучения, а также для сложных расчетов на больших массивах данных.

7. Прочая математика. Почти вся математика, которая преподается в университетах в той или иной степени пригождается в работе аналитика. Математический Анализ необходим для понимания методов машинного обучения, Линейная Алгебра используется для перемножения матриц в нейронных сетях, про Методы Оптимизации я вообще молчу. Более того, все взаимосвязано. Например, комбинаторные формулы Дискретной Математики используются в Теории Вероятности. Интегралы, которые традиционно входят в курс Математического Анализа, применяются для проверки статистических гипотез.

Где учиться? 

1. ВУЗы. НИУ ВШЭ, МГУ, МФТИ дают в первую очередь математическую базу, которую очень сложно догнать потом. Помимо математики очень полезны курсовые и дипломные работы, потому что зачастую это буквально построение выводов по данным. Кроме того, студенческие годы это хорошее время попробовать себя в разных специальностях на неполный рабочий день. Например, одним летом можно стажироваться в разработке, а другим — в аналитике. Таким образом, можно лучше понять, какая специальность нравится больше.

2. Онлайн-курсы. Яндекс.Практикум, datacamp.com, educative.io помогают добрать необходимые навыки, которым, как правило, не учат в университете. Это языки программирования Python и SQL, специализированные библиотеки для анализа данных, а также методы машинного обучения и навыки прикладного применения математического аппарата. 

Где работать?

• Стажировка. Самый лучший старт в карьере это стажировка в крупной технологической компании. (Яндекс, Озон, VK, Тинькофф) Оплата, как правило, символическая, но опыт работы открывает множество перспектив и потом можно быстро выйти на достойный уровень. Стажировки сейчас часто удаленные и на 20 часов / неделю, поэтому такую занятость более чем реально совмещать с учебой. В компаниях очень лояльно относятся к сессиям, курсовым и дипломам действующих студентов. С одной стороны, из-за ностальгии сотрудников и добрых побуждений, а с другой — человек получает образование и в будущем может стать еще более полезным сотрудником.

• Любая другая практика. Не стоит сильно расстраиваться, если у вас не получилось примкнуть к крупным IT-компаниям на старте. Стажировок очень мало и мест на всех не хватает. На старте нужно быть готовым для любой работы, которая позволяет вам практиковать хотя бы часть из навыков, которые понадобятся в профессии. Например, можно присмотреться к банковской сфере. В банках требуется множество аналитиков. Как правило, в банковской сфере под этим понимают немного других людей, но тем не менее это неплохой опыт для будущей работы в IT-компаниях. В следующий раз на вас неизбежно будут смотреть как на человека с опытом. В банковской сфере вполне можно потренировать навыки SQL, Python и даже машинного обучения.

Как пройти собеседование?

В РФ довольно лояльно смотрят на вчерашних выпускников на стартовых позициях, собеседование получить не очень сложно. Однако не стоит поддаваться иллюзиям из-за приятного тона рекрутера и его 100%-ой уверенности в вашей высокой квалификации. Это их работа — довести как можно больше +- подходящих людей до встречи с интервьюером как можно быстрее. Дальше вы попадаете к интервьюеру и он не будет вас жалеть, это другой человек с другими целями. Его задача — ни в коем случае не допустить найм “не того” человека. Какие задачи могут ждать вас на собеседовании?

• SQL. Здесь будут задачи до среднего уровня на простые SELECT’ из таблиц. Вам будут даны таблицы, а вам нужно будет грамотно объединить (JOIN) данные из них и провести определенные вычисления. Попрактиковаться можно на https://www.sql-ex.ru, уже много лет этот сайт является золотым стандартом подготовки к собеседованиям по SQL. Важно: некоторые люди могут попросить вас выполнить тестовое задание, для которого нужно самостоятельно создать базу данных. Для младшего специалиста это достаточно сложная задача сама по себе и это нормально, если для вас это составляет половину сложности задания. Важно 2: некоторые задачи выглядят очень простыми, но на самом деле требуют от вас заметить маленькую деталь, которая полностью меняет смысл. 

• Вероятность. Здесь будут задачи почти как из университетского курса Теории Вероятности и Математической статистики. Пример: Есть две стандартные игральные кости. Какова вероятность выпадения одинаковых значений при броске? Больше примеров по ссылке. 

• Python. Как правило аналитиков просят объединить пару таблици с помощью библиотеки Pandas или что-то подобное. После datacamp.com вы станете в этом настоящим экспертом. Вероятно после других курсов тоже возможно получить высокий уровень. 

• Алгоритмы. Здесь аналитиков попросят решить задачи уровня Easy и Medium с https://leetcode.com. Решать много-много задач оттуда хорошая практика для этого этапа. Как правило, аналитиков не спрашивают совсем жесткие алгоритмы. 

• Машинное обучение. Если мы не говорим о ролях с глубоким упором на ML, то здесь достаточно понимать основные задачи, методы оценки точности моделей, примеры приложений и, желательно, механизм работы алгоритмов. Конечно, последний пункт самый сложный. Пример задачи: если мы хотим сделать модель для прогнозирования Y в зависимости от X, то какой алгоритм лучше использовать для такой выборки: линейную регрессию или градиентный бустинг?

Картинка с сайта: habr.com

>>>>>>>>>>>>>>>>>>>>>>>>>> МОЙ LinkedIn <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<