data analyst кто это и что делает

Data Analyst или Data Scientist — кем бы вам хотелось быть?

Каково находиться в каждой из этих ролей, рассказывает Matt Przybyla, автор статьи, опубликованной в блоге towardsdatascience.com. Предлагаем вам ее перевод.

Фото с сайта Unsplash. Автор: Christina @ wocintechchat.com

Мне довелось поработать и профессиональным аналитиком данных (Data Analyst), и исследователем данных (Data Scientist). Думаю, было бы полезно поделиться опытом по каждой должности, указывая ключевые различия в повседневных задачах. Я надеюсь, что моя статья поможет определиться, что подходит именно вам. А тем, кто уже работает, возможно, после прочтения захочется изменить свою должность. Некоторые начинают аналитиками данных, а затем переходят в исследователи. Не так популярен, но не менее интересен путь от исследователя на невысоких позициях до аналитика на позиции сеньора. Обе должности имеют свои особенности и требуют определенных умений, о которых необходимо знать, прежде чем сделать следующий большой шаг в профессиональном развитии.

Ниже я, опираясь на свой опыт, расскажу, что такое быть аналитиком данных и исследователем данных, и подробно отвечу на наиболее частые вопросы о каждой позиции.

Data Analyst

Если вы хотите описывать данные за прошедший период или текущий момент и презентовать стейкхолдерам ключевые результаты поиска, полную визуализацию изменений и тенденций, значит, вам подходит позиция аналитика данных. У упомянутых должностей есть общие черты, которые я описывал в другой статье, охватывающей сходства и различия между необходимыми для этих позиций навыками. Сейчас же я хочу показать, как роль аналитика данных в сравнении с ролью исследователя данных ощущается. Очень важно понимать, чего ждать этим специалистам в их повседневной работе. Аналитик будет взаимодействовать с разными людьми, много общаться и поддерживать высокий темп выполнения задач — выше, чем требуется от исследователя данных.

Поэтому впечатления, получаемые на каждой из должностей, могут сильно различаться.

Ниже вы найдете ответы на самые частые вопросы о том, с чем сталкиваются аналитики данных.

Data Scientist

Исследователи данных довольно сильно отличаются от аналитиков данных. Они могут использовать одинаковые инструменты и языки, но исследователю приходится работать с другими людьми, над более крупными проектами (такими как создание и внедрение модели машинного обучения) и тратить на это больше времени. Аналитики данных обычно работают над своими проектами самостоятельно: например, использовать панель Tableau для презентации результатов может и один человек. Исследователи данных вправе привлекать нескольких инженеров и менеджеров по продукту для эффективного выполнения бизнес-задач с использованием правильных инструментов и качественных решений.

Заключение

Фото с сайта Unsplash. Автор: Markus Winkler

Аналитики и исследователи данных пользуются одинаковыми инструментами, такими как Tableau, SQL и даже Python, но профессиональные задачи у них могут быть очень разными. Повседневная деятельность аналитика данных включает больше собраний и личного взаимодействия, требует прокачанных софт-скиллов и быстрого выполнения проектов. Работа исследователя предполагает более долгие процессы, общение с инженерами и менеджерами по продуктам, а также построение прогностических моделей, осмысляющих новые данные или явления в их развитии, тогда как аналитики фокусируются на прошлом и текущем состоянии.

Надеюсь, статья была интересной и полезной. Спасибо за внимание!

Источник

Кто такой аналитик данных и как им стать — полный гид по профессии

Успешность современного бизнеса определяет работа с данными: сбор информации, ее обработка, интерпретация под конкретную бизнес-модель, адаптация под новый проект. Эффективная работа с данными снижает вероятность ошибок, которые могут дорого обходиться компании, и позволяет внедрять и развивать именно те продукты, которые будут востребованы и принесут бизнесу прибыль.

Рассчитать, предугадать, проверить предположения и дать рекомендации бизнесу ― задача аналитика данных. Эта профессия востребована среди работодателей и перспективна для людей, которые ценят не только математику и программирование, но и готовы глубоко разбираться в бизнес-процессах.

Что представляет собой профессия аналитика данных? Чем занимаются эти специалисты и сколько зарабатывают? Как строят карьеру и как приходят в профессию? Ответы на эти вопросы читайте в обзоре ФАН.

Аналитик данных — кто это и что делает

Специалист этой профессии работает с данными:

Он может работать с данными двух типов.

Специалисты этой профессии востребованы во всех видах бизнеса, который работает с большой аудиторией. Это:

Аналитики данных обеспечивают бизнесу уверенность в принимаемых решениях. Они проводят тестирования, строят модели, анализируют их, учитывают внутренние и внешние факторы влияния на бизнес, проверяют реакцию клиентов и потенциальных покупателей на новый продукт. В конечном счете помогают бизнесу принимать взвешенные, проверенные решения и снижать риски.

Специализации профессии аналитика данных

В самой профессии есть несколько направлений, поэтому она может быть одинаково интересна людям с «математическим» складом ума, а также тем, кто не привык оставаться в стороне от бизнес-процессов.

Data science аналитик данных

У этого специалиста ― исключительно технические задачи. Data science — это уверенный программист, который отлично владеет языками программирования, знает алгоритмы, эффективно решает с их помощью задачи, которые ставит перед ним работодатель. Он ищет закономерности в больших массивах данных, анализирует их, делает выборку информации, на которую указывает руководитель или менеджер, предоставляет сводную информацию по требуемому запросу, хранит данные. Работа специалиста data science в большей мере связана с компьютерными программами и вычислениями.

Data analyst аналитик данных

Эти специалисты работают не столько с данными, сколько с конкретными бизнес-задачами. Поэтому прежде чем приступить к новому проекту, хороший дата-аналитик уточняет у менеджера или работодателя, какой именно результат они планируют получить в итоге исследования.

По этой причине специалист не может работать в отрыве от конкретного бизнеса и проекта: он должен досконально разбираться в нем, иметь возможность получения доступа к любым сведениям, не только к статистике, но и неочевидной информации. Он должен понимать, какой вид аналитики необходим в текущий момент конкретному бизнесу. Должен уметь не только собрать информацию, но и преподнести ее в удобном, визуализированном виде, подтвердить свои доводы и провести переговоры с руководителем, коллегами.

Для работы дата-аналитиком недостаточно лишь знания компьютерных программ. Важно критическое мышление, понимание бизнес-процессов, сильный эмоциональный интеллект, умение общаться с коллегами и спокойно, а нередко и терпеливо доносить значимую информацию, полученную в результате анализа.

Как аналитик работает с данными

В каждом бизнесе будут свои особенности интерпретации данных и разный подход к их выбору. Но общая концепция работы с ними едина.

В работе специалист использует технические средства. Обязательно для эксперта по аналитике данных знание программных инструментов. Технические задачи решают с помощью языков программирования Python или R, с массивами информации работают посредством баз данных SQL. На завершающем этапе анализа специалисту требуются другие программные продукты, которые помогают визуализировать полученный результат, придать ему наглядность. Для этого используют системы интерактивной бизнес-аналитики.

Кроме технических навыков на каждом из этапов специалисту не обойтись без личностных: интереса к решению бизнес-задач, опыта, накопленного при реализации разных проектов. Ценность эксперта растет по мере увеличения количества выполненных им кейсов: умение думать бизнес-терминами и способность разбираться в бизнес-моделях в этой сфере куда более важны, чем сильная математика и хорошее программирование.

Data analyst обучение с нуля

Обучение специальности предлагают вузы, она есть в программах университетов экономического направления. Освоить ее можно и с помощью курсов, проходя обучение по программам университетов или онлайн-сервисов. На курсах обучение длится от двух недель до шести месяцев. За это время потребуется освоить или подтянуть профессиональный уровень в направлениях:

При выборе курса стоит читать отзывы других пользователей, так как нередко даже бесплатные курсы обладают большей практической ценностью, чем дорогие, но непродуманные образовательные продукты. Также важно повышать уровень знаний самостоятельно, читая учебную литературу и прокачивая технические навыки с помощью бесплатных тренажеров SQL.

Обучение покажется интересным тем, кто всегда дружил с математикой или уже знаком с программированием. Для гуманитариев это направление может оказаться слишком скучным или сложным, из-за чего велик риск быстро потерять интерес к обучению.

Зарплата аналитика данных

Уровень заработной платы зависит от двух факторов.

Знание английского языка позволяет хорошему специалисту трудоустроиться в зарубежную компанию и увеличить уровень заработка в 6–7 раз.

Источник

Сколько зарабатывает аналитик данных: обзор зарплат и вакансий в 2020

Привет, Хабр! 28 сентября Skillfactory запускает новый поток курса Data Analyst, поэтому мы решили сделать широкий обзор рынка вакансий, которые предлагают сегодня компании.

Действительно ли профессия аналитика данных может приносить до «300к/наносек»? Какие умения требуют работодатели от аналитиков и что вообще нужно знать, чтобы стать востребованным и высокооплачиваемым спецом? Какие возможности для роста предлагает рынок сегодня?

Мы проанализировали 450 вакансий на должность аналитика данных в России и за рубежом и собрали результаты в этой статье.

Кто такой аналитик данных и что он должен знать

Прежде чем анализировать вакансии, разберемся, что делает Data Analyst в компании. В IT-сфере есть три направления специальностей по работе с данными: Data Analyst, Data Engineer и Data Scientist.

Data Analyst собирает информацию, обрабатывает и интерпретирует ее на «человеческий язык». По сути, он переводит статистику и big data в понятные и наглядные выводы, которые можно использовать для развития конкретного проекта или бизнеса в целом.

Результат работы аналитика данных — это основа для принятия любых бизнес-решений.

Data Engineer работает больше не с самими данными, а с их инфраструктурой: базами данных, хранилищами и системами обработки. Инженер данных определяет, как анализировать данные, чтобы они были полезными для проекта. Если обобщить, то Data Engineer налаживает конвейер обработки данных.

Data Scientist занимается стратегической работой с информацией. Именно он создает системы прогнозирования, моделирования и динамического анализа, внедряет алгоритмы автоматизации и обучения.

Главная сложность в том, что границы между этими тремя специальностями довольно размыты. Большинство компаний не видят разницы, поэтому часто в вакансиях Data Analyst встречаются требования, которые больше подходят специалистам Data Engineer или Data Scientist.

В основном это обусловлено спецификой рынка. Если в IT-компаниях знают, что Data Analyst, Data Engineer и Data Scientist — это в идеале три разных специалиста или даже три разных подразделения, то в продуктовых компаниях и производствах часто об этом даже не задумываются.

Что требуют работодатели от аналитика данных

Мы проанализировали свыше 450 вакансий на позицию аналитика данных, открытых в августе-сентябре 2020 года. Во многих случаях требования к специалистам очень отличаются. Как мы писали выше, границы между Data Analyst, Data Engineer и Data Scientist стерты, поэтому часто бывает, что в заголовке вакансии пишут «Аналитик данных», а фактически вакансия полностью соответствует «Инженеру данных». Но мы смогли выделить набор хард и софт скилов, которые работодатели указывают в большинстве вакансий на должность аналитика данных.

Хард скилы

Python с библиотеками для анализа данных Pandas и NumPy. Это мастхэв, его знание хотя бы на базовом уровне требуют 83% компаний в отрасли. Знание R, JavaScript и других ЯП нужны всего лишь 17% работодателям.

Интересно, что в 2013 году по результатам опроса дата-аналитиков и дата-сайентистов язык R в аналитике данных был куда популярнее — его использовали 61% специалистов.

SQL — практически во всех вакансиях требуется знание SQL и навыки работы с реляционными базами данных. Чаще всего требуют умение писать запросы и оптимизировать их.

Навыки работы с NoSQL системами управления базами данных вроде MongoDB, CouchDB или Apache Cassandra работодатели требуют довольно редко — примерно 9% вакансий.

Power BI, Qlik, Tableau. Большинство компаний не требует знаний какой-нибудь конкретной программы визуализации данных. Обычно они указывают одну из трех на выбор или пишут «системы визуализации данных» без указания конкретной. В целом специалисты могут сами выбирать, что именно им удобнее использовать. Принципиальной позиции у абсолютного большинства работодателей нет.

Опыт работы с Agile, Scrum, Kanban. Почти в половине вакансий работодатели указывают, что дополнительным плюсом будет умение работать с гибкими методологиями создания продуктов.

То есть важно не только то, что делает аналитик данных в рамках своей специальности, но и то, как он это делает.

Но ключевым требованием опыт работы с Agile не является (хоть его и указывают в вакансиях). Да, соискателю придется потратить время, чтобы привыкнуть работать в таком формате, но, по мнению компаний, это не критично.

Excel и Google Sheets. Как ни странно, но в трети вакансий требуется знание электронных таблиц. В основном это нужно продуктовым и консалтинговым компаниям, которые довольно мало пересекаются с диджитал-разработкой, или же относительно небольшим проектам, где весь отдел аналитики состоит из нескольких человек.

Действительно, маленьким командам часто незачем использовать мощные ресурсы SQL, если для обработки данных вполне хватает и обычного Excel. Но в таких ситуациях «аналитик данных» часто занимается сразу всем: сбором и анализом данных, инфраструктурой и автоматизацией.

Многие компании выделяют высокий уровень математической подготовки. Но здесь нужно понимать, что Data Analyst, в отличие от Data Scientist, использует довольно ограниченные математические инструменты, поэтому не нужно быть гением математики. Большинство задач аналитика данных вписываются в рамки базовых знаний статистики, теории вероятностей, математического анализа и линейной алгебры.

Высшее образование в области математики пригодится, но при должном усердии все необходимые функции можно изучить и самому. Но для Data Scientist глубокое знание математики уже считается критичным. Если вы планируете расти из Data Analyst в Data Scientist, то математику нужно будет подтянуть.

По основным хард скилам это все. Остальные встречаются менее чем в 10% вакансий, поэтому их можно отнести к индивидуальным особенностям работы в отдельных компаниях.

Софт скиллы

В целом они практически совпадают для всех специальностей, которые работают с данными:

Многие считают профессию аналитика данных «малообщительной». Аналитик кажется нердом, который работает только с цифрами, а не с людьми.

На самом деле, все немного иначе. Аналитик данных действительно много времени проводит над анализом, но ему также важно уметь донести выводы руководителям компании или отдела. Навыки выступления перед публикой и грамотного подбора аргументации очень пригодятся. Ведь от того, насколько правильно ЛПРы поймут результаты аналитики, будут зависеть их дальнейшие действия в развитии компании или конкретного проекта.

Особняком из софт скилов стоит разве что английский язык. Многие компании отмечают знание английского как преимущество, но есть ряд вакансий, которые рассчитаны на работу в международных командах и с англоязычными проектами. В таких свободное владение английским обязательно.

Обязательный английский часто приятно отражается на зарплате. Вакансии в международных проектах гарантируют денежные компенсацию в 1,3-2 раза больше, чем в русскоязычных.

Зарплата и другие плюшки для аналитика данных

Теперь перейдем к самому интересному — к зарплате. Мы проанализировали открытые вакансии на сайтах HH.ru и Хабр Карьера.

Аналитики данных востребованы в любом крупном и среднем бизнесе, особенно в тех проектах, которые относятся к диджитал и IT. Финтех-банки, диджитал-агентства, продуктовые компании, которые налаживают онлайн-систему продаж, консалтинговые проекты. Среди вакансий есть представители бизнеса практически всех сфер: от медицины до тяжелой промышленности.

Больше всего вакансий для аналитиков данных по состоянию на 12.09.2020 открыто в Москве (241) и в Санкт-Петербурге (74). Для сравнения, во всей остальной России актуально всего 99 вакансий на эту должность.

Интересно, что только 20% компаний указывают уровень заработной платы в самом объявлении. Остальные 80% предпочитают обсуждать денежное вознаграждение в личной беседе с соискателем.

Разброс зарплат довольно большой. Зависит он не только от опыта соискателя, но и от географии. К примеру, аналитик-стажер в Перми получает 25 000 рублей, а Data Analyst в московском офисе международной компании зарабатывает 200 000 рублей.

В Москве средняя зарплата аналитика данных составляет 134 000 рублей. На нее вполне может рассчитывать хороший специалист с опытом от 2 лет.

В Санкт-Петербурге ситуация напоминает московскую, но зарплаты немного меньше. Среднестатистический аналитик данных может рассчитывать на 101 000 рублей в месяц. В остальном же условия практически полностью дублируют московские.

Стажеры и Junior-спецы получают от 60 000 рублей. Есть небольшое количество вакансий, которые предлагают ниже этой суммы (8%), но они в основном предлагают работу не на полный день либо с ограниченной загрузкой в неделю.

Руководители отделов аналитики и Senior-спецы могут рассчитывать на зарплату от 170 000 рублей. Есть даже вакансии, которые предлагают больше 250 000 рублей в месяц. Да, для них требуется опыт больше 5 лет в аналитике и большой пул компетенций, но такие вакансии есть. Так что вполне ясно, куда можно расти.

В качестве дополнительных «плюшек» и мотиваторов часто указывают возможность корпоративного обучения, медицинскую страховку и даже корпоративные пенсионные программы. Некоторые компании предлагают релокацию в Европу или США после определенного количества лет, проработанных в компании. Любимые многими «печеньки и кофе» тоже встречаются, но уже довольно редко. Работодатели в своем большинстве делают ставку на действительно полезные мотиваторы.

В других городах России ситуация похуже. В них частично стирается сама суть работы аналитика данных, он становится больше похож на эникейщика. В небольших компаниях на несколько десятков человек аналитик вообще один и полностью ведет обработку всей бизнес-информации.

Зарплата у такого специалиста тоже не топовая. В среднем, аналитик за пределами Москвы и Питера получает 54 000 рублей. Дополнительных «плюшек» в половине случаев часто нет вообще, а в остальном они ограничиваются б̶е̶с̶п̶л̶а̶т̶н̶ы̶м̶ ̶к̶и̶п̶я̶т̶о̶ч̶к̶о̶м̶ ̶н̶а̶ ̶к̶о̶ф̶е̶п̶о̶й̶н̶т̶е̶ «печеньками и кофе», спортзалом и обучающими курсами.

Максимальная зарплата аналитика данных, на которую может рассчитывать специалист в регионах, — 100 000 рублей. Но чтобы получать больше, необязательно переезжать в Москву. Можно без особых проблем найти удаленные вакансии — формально работать в столице, а жить в родном городе. Многие компании идут навстречу соискателю, в котором заинтересованы.

Мы также провели сравнительный анализ вакансий из Украины и Беларуси.

Средняя зарплата аналитика данных в Украине порядка 20 000 гривен (53 000 рублей). В столице есть вакансии с оплатой в 2-2,5 раза выше, но их выставляют преимущественно международные компании с филиалами в Киеве.

Абсолютно та же ситуация и в Беларуси. Средний размер заработной платы аналитика данных составляет 2800 белорусских рублей (81 000 рублей), но разброс зарплат очень большой. В Гомеле, к примеру, аналитик с опытом от года получает в среднем 1100 белорусских рублей (31 000 российских рублей), а в Минске специалист может зарабатывать вплоть до 10 000 (287 000 российских рублей).

Откуда прийти в профессию и куда расти аналитику данных

Есть мнение, что попасть в касту аналитиков можно только с исключительными знаниями математики. Но это не так.

В аналитику обычно уходят Junior- и Middle-разработчики на Python. Если вдобавок есть базовые знания SQL — вообще отлично. В таком случае разобраться со всеми особенностями работы будет намного проще.

Также можно начать карьеру непосредственно с аналитика. Выбирайте один из десятков доступных курсов — и вперед. Высшую математику знать необязательно. Для Data Analyst уровня Junior и Middle нужно только знание инструментов работы с данными. А в большинстве случаев хватит и школьных знаний математики.

Возможностей роста для специалиста аналитики данных тоже хватает. Три самых очевидных: Data Mining Specialist, Data Engineer, Data Scientist. Первый работает непосредственно с поиском данных для аналитики, второй разрабатывает инфраструктуры данных, а третий — прогнозированием и стратегией.

Еще один возможный вариант — BI-аналитика. Визуализация данных аналитики — это отдельный скил, и многие крупные компании ценят сотрудников, которые умеют не только анализировать информацию, но и доходчиво предоставить выводы руководству.

Специально для этого материала мы попросили дать комментарий о необходимых навыках для роста в BI-аналитике Александра Царёва, основателя компании SmartDataLab, лидера образовательного курса BI SkillFactory и Сергея Земскова, руководителя направления Power BI/DWH SmartDataLab, преподавателя Bootcamp SkillFactory.

В обзоре указаны мастхэв компетенции, но если вы хотите и дальше расти как Аналитик данных, вам понадобится быть в курсе ETL и изучить:

Также аналитик данных может вырасти в продуктового, маркетингового аналитика или бизнес-аналитика. То есть, принять ответственность за развитие конкретного продукта или проекта, либо же брать участие в принятии стратегических бизнес-решений, подкрепляя свое мнение аналитическими данными.

Также аналитику данных можно уйти полностью в разработку на Python, но этот вариант выбирает сравнительно небольшое количество специалистов.

Аналитик данных — это перспективная и востребованная профессия. И чтобы стать Data Analyst, не нужно быть Перельманом и уметь решать теорему Пуанкаре — хватит школьных знаний математики и упорства в освоении инструментов аналитика.

Совсем недавно мы запустили первый в России Онлайн-буткемп по Data Analytics, включающий в себя 5 недель обучения, 5 проектов в портфолио, оплачиваемую стажировку для лучшего выпускника. Это суперинтенсивный формат для самых целеустремленных: учиться нужно фултайм.

Получить востребованную профессию с нуля или Level Up по навыкам и зарплате, можно, пройдя онлайн-курсы SkillFactory:

Источник

Чем занимается аналитик данных и как им стать

Team lead продуктовой линейки Data Science и аналитики в «Нетологии»

С каждым годом увеличивается объем генерируемой человеком информации. К 2025 году объем хранимых данных увеличится до 400 зеттабайт (1 ЗБ

1 миллиард ГБ). И всеми этими данными можно управлять.

Аналитик данных, или Data Analyst, становится одной из самых востребованных ИТ-специальностей. По данным исследования рынка аналитиков, спрос на профессионалов значительно превышает предложение.

О том, кто такой аналитик данных и как им стать, рассказывает Полина Маликова, Team lead продуктовой линейки Data Science и аналитики в «Нетологии».

Содержание статьи:

Кто такой аналитик данных

Неверные решения при разработке нового продукта или функции сервиса могут стоить компании репутации и денег. Чтобы этого не произошло, компании обращаются к аналитику данных. Он собирает, обрабатывает, изучает и интерпретирует данные: проводит А/B-тесты, строит модели и проверяет, как пользователи и клиенты реагируют на нововведения. Это стоит дешевле и снижает риски бизнеса.

Аналитик данных работает с разными инструментами анализа, не ограничиваясь готовыми решениями и системами, знает языки программирования и формулирует гипотезы.

Такие специалисты особенно востребованы в data-driven компаниях — то есть тех, которые ориентируются в решениях на big data и аналитику данных.

Например, специалисты по данным Netflix вычислили популярность сериала «Карточный домик» с помощью аналитики: зрителям оригинального британского «Карточного домика» также нравились фильмы Финчера и (или) картины, где играл Спейси. Netflix объединили Дэвида Финчера (один из режиссеров House of Cards), политические интриги и Спейси в одном проекте. Видеосервис заключил контракт со Спейси и Финчером без съемок пилотной версии. Рейтинг сериала на IMDb и «Кинопоиске» составляет 8,7 и 8,3 соответственно.

Обязанности аналитика данных

Рабочие задачи Data Analyst находятся на стыке математики, программирования и продакт-менеджмента. В результате его работы компания может получать больше прибыли и делать пользователей счастливее. Обязанности аналитика данных могут различаться в зависимости от места работы и уровня квалификации.

Первая всероссийская премия в области AgroTech-решений. Участвуй сам или номинируй достойных!

Как правило, такой специалист проводит статистические тесты и решает бизнес-проблемы, на которые пока ответа нет. Затем составляет прогнозы, стратегии, планы и рекомендации.

Чем обычно занимается аналитик данных:

На основе данных, предоставленных Data Analyst, компания может принимать любые бизнес-решения.

Личные качества

Хороший аналитик данных — это не только метрики и отчеты. Вне зависимости от профиля, классный специалист должен обладать гибкими навыками, которые нужны для продуктивной работы:

Как стать аналитиком данных и где этому учат

67% специалистов по аналитике пришли в Data Science из других сфер. В основном это разработчики и маркетологи, но есть и неожиданные профессиональные бэкграунды: геммологи, звукорежиссеры и даже ядерные физики.

Чаще всего изучать аналитику начинают с профессиональной литературы, тематических статей, авторитетных блогов и профильных каналов в мессенджерах. В открытом доступе много теоретической информации, где можно собрать базовый пул теории и практики. И все же для первых самостоятельных шагов нужна система. Проще и быстрее погрузиться в практическую аналитику на образовательных курсах.

Роман Крапивин
руководитель проектов, компания ООО «ИНТЭК»:

«В 2020 я задумался о смене профессии, поскольку пандемия коронавируса серьезно ударила по строительному бизнесу, где я работал руководителем проектов последние три года. Долго выбирал онлайн-курсы, хотел прокачать свои скилы в проектном управлении и пошел на курс Project Manager.

После первого блока обучения стало понятно, что хорошему руководителю проектов просто необходимо разбираться в аналитике, хотя бы на базовом уровне.

Поэтому я начал изучать Power BI, на котором научился визуализировать данные и получил первые знания для дальнейшей работы с аналитическими данными. Но тогда я понял, что для меня мало базовых основ аналитики. Поэтому для себя я открыл профессию Аналитик BI. И в настоящее время изучаю программу визуализации данных Tableau, программу для работы с базами данных SQL, прошел курс по аналитике больших данных (Big Data). К сожалению, на настоящем месте работы я не могу в полной мере применять аналитические знания и программы, которые я освоил. Поэтому задумался о смене профессии: хотел бы попробовать себя в финансовом секторе или крупном ритейле, чтобы погрузиться в мир аналитики».

Иван Натаров
консультант отдела развития предпринимательства Министерства экономического развития Приморского края:

«Будучи студентом магистратуры, проводил исследование инновационной экосистемы Приморского края, тогда познакомился с нейросетями и Data Science. Суть исследования заключалась в разработке алгоритма, основанного на нейросетях и теории нечеткого множества и нечеткой логики, который позволял бы давать объективную оценку инновационного развития региона. У нас это получилось, даже научную статью написали.

Параллельно я изучал Data Science и посетил форум «Открытые инновации» в 2019 году. Послушав экспертов, я понял, что влюбился в эту сферу.

Я люблю узнавать истории из данных, поэтому и выбрал направление аналитики данных.

Я все еще учусь, но почти за год прокачался в этом направлении довольно неплохо. Из инструментов, что я изучил, любимыми стали Python и Power BI, они смогли автоматизировать многие процессы в работе, активно чекаю их. Python больше использую для написания парсеров XML и HTML, Power BI — для предобработки данных и визуализации».

Что должен знать и уметь аналитик данных

Такой специалист формулирует гипотезы, проводит статистические тесты на существующих данных для решения текущих вопросов, на которые нет ответа.

Минимальный набор скиллов начинающего аналитика:

Инструменты, которые используют аналитики

Основные навыки аналитика данных:

А еще хорошие аналитики данных умеют работать с Big Data, проверять гипотезы с помощью подходов А/Б-тестирования и быть настоящими исследователями.

Большинство работодателей просят посчитать определенные метрики, например, какие товары чаще всего возвращают покупатели. Иногда нужно рассчитать инвестиционный потенциал и скорректировать бизнес-модель.

Востребованность профессии и перспективы работы

Сейчас аналитика данных используется в более чем 50% компаний по всему миру. Аналитики востребованы в ИТ-компаниях, ритейле, кинопроизводстве, науке, машиностроении и медицине. В октябре 2020 года по запросу «Аналитик данных» на hh.ru было открыто 8 699 вакансий с зарплатой от 65 тысяч рублей до 300 тысяч рублей.

По результатам исследования 2019 года, спрос на специалистов сферы Data Science за два года вырос на 226%. Популярность профессии аналитика данных со временем только растет, поскольку для развития бизнеса необходимо собирать и изучать данные клиентов и конкурентов.

В профессии аналитика данных пока нет границ и сложно достичь потолка. При этом можно развиваться вертикально, от начинающего специалиста до главы аналитического отдела, или горизонтально, меняя сферы деятельности: продуктовая аналитика, банковская аналитика, маркетинговая аналитика.

Сколько зарабатывают аналитики данных в России

Зарплата будет зависеть от опыта и географии. Так, аналитик-стажер в Воронеже получает 25 тысяч рублей, а Data Analyst в московском офисе международной компании зарабатывает 200 тысяч рублей.

В Москве аналитик данных с опытом работы от двух лет в среднем зарабатывает 134 тысячи рублей. В Санкт-Петербурге такой же специалист может рассчитывать на 101 тысячу рублей в месяц. Стажеры и Junior-специалисты зарабатывают от 60 тысяч рублей.

Сколько зарабатывают аналитики данных в США

Рынок труда и будущее аналитики данных

Только за последние два года через направление Data Science Нетологии прошло более 3000 студентов, большинство из них работают на профильных позициях в российских и зарубежных компаниях.

Со временем эксперты ожидают повышение спроса на аналитиков Big Data и представителей смежных специальностей. Чтобы оставаться востребованными, необходимо учиться и работать.

Осознанный подход организаций к анализу данных и понимание важности Data Science увеличивает потребность бизнеса в интерпретируемых аналитических методах.

По данным International Data Corp. (IDC), мировой доход от решений для больших данных и бизнес-аналитики (BDA) достигнет 260 миллиардов долларов в 2022 году при среднегодовом темпе роста (CAGR) 11,9 процента. В 2025 программные роботы будут выполнять большинство задач, таких как очистка и сбор данных, т.е. многие процессы станут более автоматизированными. К 2030 году Data Science уже не будет заниматься поиском и очисткой данных. Эту задачу возьмут на себя программные роботы.

В настоящее время технологии уже развиваются и достигают своих высот. Подумайте о будущем, когда искусственный интеллект будет в зените, машинное обучение — на пике, облако захватит рынок, а интернет вещей начнет проникать в большинство отраслей. Специалисту по данным потребуются лучшие навыки, будь то технические или социальные, чтобы быть востребованным к 2030 году.

Игорь Полянский, Head of Global product analytics в Gett:

«Мир продолжает ускоряться, а вместе с ним — и требования бизнеса к скорости принятия решений. Подход «задай вопрос, направь его аналитику, а он проанализирует» больше не удовлетворяет требования к оперативности получения инсайтов. Поэтому стандартные подходы к анализу все больше упаковываются в коробочные решения.

В 2020 году анализ, на который раньше уходили часы аналитика, менеджер может сделать в несколько кликов. Аналитики же делают более сложные исследования, и требования к их компетенциям повышаются. Системы аналитики все больше переходят на формат real-time анализа. У многих компаний это давно must have».

Фото на обложке: Shutterstock / LightField Studios

Источник