Когда я проходил свой первый курс по аналитике, я услышал одну фразу, которая стойко въелась в мою память: «Данные — это новая нефть». И это действительно так.
Согласно данным исследования Statista, количество данных к 2025 году предположительно достигнет 182 зеттабайта, что эквивалентно 164,6 млрд терабайтам.
Источник: Statista
Так кто же такой аналитик данных?
Аналитик данных (data analyst) — это один из видов аналитиков, которые работают со всеми внешними и внутренними данными, необходимыми компании. Любые действия клиента: клики, входы в приложения, посещения сайтов, покупки и многое другое логируются, и могут быть использованы для аналитики.
Аналитик данных — это обширное понятие, которое включает в себя множество специализаций: маркетинговый аналитик, финансовый аналитик, продуктовый аналитик, бизнес-аналитик, гейм-аналитик, веб-аналитик и другие более узкоспециализированные виды аналитиков. Также к аналитику данных можно отнести BI-аналитика (при условии, что аналитик не только визуализирует данные в BI-системах, но и собирает их).
Что делает аналитик данных?
Аналитики данных, вопреки ожиданиям многих обывателей, не только «строят таблички». До того, как построить отчет необходимо:
- Собрать данные с разных источников;
- Сырые данные необходимо очистить и обработать, в том числе привести к единому виду;
- Объединить данные;
- Провалидировать данные (подтвердить их корректность);
- Рассчитать метрики;
- Визуализировать данные (построить отчётность в виде графиков, дэшбордов и/или таблиц);
- Проанализировать данные и интерпретировать их (например, оценить эффективности маркетинговой кампании в рамках А/В тестирования);
- Презентовать результаты.
Давайте рассмотрим простой пример и поймем какие задачи решает аналитик:
Представьте, что у вас свой бизнес, например, небольшая бургерная. У вас есть ряд источников данных:
- Из системы учета заказов - базы данных (количество продаж каждого блюда);
- Таблица в Excel, где отражена себестоимость каждого блюда в разрезе расходов.
Вам, как владельцу бизнеса, хочется понять, как увеличить прибыль. Вы нанимаете аналитика данных и просите его найти самые прибыльные блюда.
Первое с чем столкнется аналитик это сложность в объединении данных из разных источников. Так как ручная запись в Excel может не совпадать с наименованием в базе данных. Для этого придется преобразовать данные к единому формату и объединить.
После этого необходимо будет посчитать себестоимость каждого блюда и понять маржинальность - зачастую самые дорогие блюда имеют минимальную маржинальность. Чтобы понять какое из блюд заказывается чаще всего необходимо будет агрегировать данные.
В итоге на выходе аналитик получит данные по количеству заказов каждого блюда и маржинальность каждого из них. Таким образом, он сможет понять, что условный картофель фри намного маржинальнее бургера с мраморной говядиной. Следовательно, для увеличения маржинальности ресторана, владельцу бизнеса нужно будет поставить задачу официантам/кассирам делать допродажу картофеля фри к каждому заказу.
Карьера аналитика данных
Карьера аналитика данных зависит от многих факторов и может идти как вертикально, так и горизонтально. Но важным фактором роста является постоянное обучение и адаптация к новым условиям и технологиям.
Горизонтальное развитие предполагает смену направления, например, из маркетингового аналитика в финансового, или смену вектора, например, из аналитика данных можно перейти в data science или стать инженером данных.
Для того, чтобы стать data science необходимо более углубленно изучать процессы построения различных моделей и нейросетей. Чтобы стать инженером данных необходимо разбираться в разработке, хранении и обработке больших данных.
Вертикальный рост предполагает три базовые ступени: junior, middle и senior. В разных компаниях эти грейды могут варьироваться, к ним могут добавляться junior +, middle аналитик уровня 1 и уровня 2, а также ведущий и главный аналитик.
Но мы с вами рассмотрим только базовые ступени.
Junior аналитик
Это начальная позиция, с которой начинают большинство аналитиков. У младших аналитиков минимальная ответственность, так как они работают под руководством более опытных наставников или ревьюеров, которые помогают им избежать ошибок и помочь в сложных моментах. Также junior аналитик осваивает новый технологический стек и погружается в бизнес-процессы компании.
Middle аналитик
Это уже позиция специалиста, который может самостоятельно решать большинство задач. Имеет достаточный опыт, чтобы предложить несколько вариантов решения проблемы с аргументацией каждого из них. Может эффективно коммуницировать со стейкхолдерами (с бизнес лидерами или продукт менеджерами) и другими подразделениями.
Senior аналитик
Позиция старшего аналитика подразумевает не только самостоятельное решение сложных задач, но и постановка задач коллегам, а также наставничество. Он может оптимизировать процессы и улучшать уровень аналитической культуры в компании.
Ниже я привел таблицу, по которой можно сравнить уровни задач аналитиков.
Дальнейшее развитие аналитика будет зависеть от желаемого результата - можно стать Тим-лидом, главным аналитиком или master data expert.
Зарплаты аналитиков данных
В качестве источника для расчета заработных плат аналитиков возьмем данные с портала hh карьера. Я собрал данные за последние 4 года чтобы показать, как менялась заработная платная специалистов всех трех уровней:
Как видите, медианная зарплата младшего аналитика данных составляет 58 375 рублей, middle-аналитика — 100 638 рублей, а старшего аналитика данных — 198 517 рублей. Стоит понимать, что это медианная зарплата по всей России — в Москве зарплата выше, в регионах — ниже. Также данную статистику искажает отсутствие указанных зарплат (многие компании не указывают конкретные значения), поэтому данные могут отличаться от реальных значений. Также по графику заметно, что заработные платы специалистов уровней junior и middle растут из года в год – это связано с дефицитом таких специалистов на рынке.
Востребованность профессии Data Analyst
Как я уже указывал выше количество данных постепенно растет, поэтому растёт и потребность в аналитиках, которые будут обрабатывать и интерпретировать эти данные.
Также, согласно отчету Gartner, в 2023 году более 80% компаний стали рассматривать данные как стратегический актив. Этот тренд продолжится и в 2024-2025 годах, когда компании будут нацелены на создание и внедрение data-driven подходов для принятия решений в бизнесе.
Не стоит упускать из вида и прогресс в области технологий анализа данных, таких как искусственный интеллект (AI) и машинное обучение (ML), что также способствует росту потребности в аналитиках данных. Ожидается, что к 2025 году более 60% компаний будут активно использовать AI и ML в своих процессах, что увеличит спрос на специалистов, способных писать модели и интерпретировать результаты этих технологий.
Плюсы и минусы профессии аналитика данных
Стоит понимать, что работа аналитиком данных подойдет не каждому — это достаточно монотонный и скрупулёзный труд.
Поэтому давайте рассмотри плюсы и минусы профессии:
Плюсы
- Востребованность профессии. Сейчас наблюдается повышенный спрос на аналитиков и в ближайшем будущем он не ослабнет.
- Заработная плата. Аналитики данных получают высокие зарплаты, которые будут продолжать расти в условиях дефицита кадров и одновременного развития отрасли.
- Возможность работать удаленно. Конечно, не все компании разрешают сотрудникам работать удаленно, но все же есть и те, кто понимает, что продуктивность не зависит от нахождения сотрудника в офисе.
- Влияние на принятие решений и развитие бизнеса.
- Постоянное обучение и движение в ногу с технологиями.
Минусы
- Высокий уровень стресса — любая ошибка может стоит компании денег, поэтому аналитик должен тщательно проверять свои данные и выводы.
- Монотонность — большую часть времени аналитик провидит один на один с компьютером, собирая и анализируя данные.
- Переработки — это «болезнь», готовьтесь к переработкам. Звучит, конечно, жутко, но эти переработки зачастую происходят не «из-под палки», а потому что вы хотите завершить задачу или настолько глубоко погружены в нее, что забываете про время.
Кому подходит работа аналитиком данных
Работа аналитиком данных подходит всем, кто получает от нее удовольствие - не важно какое у вас образование и технические навыки. Всему можно научиться. Да, на рынке есть компании, которые требуют знание статистики и теории вероятности, но это больше исключение, чем правило.
Аналитический склад ума — это тоже не помеха, когда вы начинаете писать скрипты, ваш мозг тоже начинает перестраиваться. Да, это не быстро и не просто, и временами болезненно, но со временем вы начинаете понимать все больше и получаете удовольствие от осознания этого.
Чтобы вы понимали, что я не преувеличиваю я расскажу свою историю: я по образованию врач-эпидемиолог и это не помешало мне выучить SQL, Python, научиться строить дэшборды, кубы и отчеты, и стать руководителем направления аналитики.
Где учиться на аналитика данных
Выучиться на аналитика данных можно в вузах на специальностях по «Анализу данных» и «Бизнес-информатике». Там вы сможете получить обширные значения по программированию, базам данных, машинному обучению, видам анализа данных и даже кибербезопасности.
Кроме того, можно пройти специализированные курсы. В зависимости от программы курса вас научат описывать процессы, собирать требования, решать задачи с помощью SQL и Python, визуализировать данные и многому другому. Огромным плюсом таких курсов служит минимизация излишней информации и больше количество практики.
Также на аналитика данных можно выучиться самостоятельно – для позиции junior-аналитика вам будет достаточно изучить SQL, Excel (в том числе Power Query, Power Pivot и DAX) и иметь хотя бы базовые знания Python. Да, скорее всего вы не будете понимать процессы построения моделей и дэшбордов, но с такими навыками устроиться на позицию младшего аналитика вполне возможно. Конечно, обучиться самостоятельно будет сложно – нужно будет много практиковаться и желательно иметь наставника, который поможет вам понять почему делается именно так, а не как-то иначе.
Вне зависимости от пути, который вы выбрали практика нужна всегда. Я могу вам посоветовать несколько интернет-ресурсов, которые всегда рекомендую своим друзьям и где сам проходил задачи. С их помощью вы сможете улучшить свои навыки решения задач с помощью SQL и Python и начать развивать аналитическое мышление (к примеру, IT-resume).
Маленький совет: когда решете задачи, не нужно просто писать код и переходить с следующему заданию. После решения посмотрите на данные и сделайте вывод о том, как полученная информация может помочь бизнесу. Это поможет вам развивать насмотренность.
Заключение
В заключении хочется сказать, что важно не бояться пробовать новое. Аналитик данных это прекрасная, интересная и творческая профессия, которая доступна любому желающему. Все что вам нужно иметь это огромное желание развиваться в данный отрасли и немного терпения.