Как устроиться на работу аналитиком данных

Опубликовано: 27.04.2025

Данные собирают все — от магазинов и ресторанов до компаний-монополистов и приложений с миллионной аудиторией. Аналитик данных помогает сделать так, чтобы собранная информация приносила пользу бизнесу. Мы выяснили, какие задачи вместе с экспертами решает такой специалист и почему ему нужно разбираться в бизнес-процессах не хуже владельца компании.

Кто такой аналитик данных

Аналитик данных (или дата-аналитик) — это специалист, который собирает, обрабатывает, изучает и интерпретирует данные. Его работа помогает принимать решения в бизнесе, управлении и науке. Обычно такие специалисты работают в компаниях, которые практикуют data-driven подход — ориентируются на данные и их анализ при принятии решений. Курс «Аналитик данных» Яндекс.Практикума рассчитан именно на это направление.

«Любой продукт, у которого есть аудитория, собирает данные. Аналитика есть в телекоме, банках, играх, консалтинге. Если сильно обобщить, то можно сказать так: там, где есть возможность сохранять данные о продукте и поведении пользователя, рано или поздно должен появиться аналитик», — говорит Анна Чувилина, автор и менеджер программы «Аналитик данных».

Аналитик данных — важный участник бизнеса, потому что обеспечивает уверенность в принятии решений. Создавать новый продукт очень дорого, а ошибка при внедрении новой функции может стоить компании репутации и прибыли. Дата-аналитики проводят А/B-тесты и строят модели, чтобы проверить, как пользователи или клиенты реагируют на нововведения, и оценить перспективы того или иного проекта. Это дешевле и снижает риски бизнеса. Чтобы делать свою работу хорошо, аналитик должен видеть бизнес-процессы. Поэтому важно, чтобы он мог влиять на процесс принятия решения, основываясь на результатах своих исследований. Иначе работа такого специалиста теряет ценность.

Задачи аналитика данных

Хороший аналитик данных — не просто математик с навыками программиста. Он понимает бизнес-процессы и хорошо знает продукт. Такой специалист разбирается, на чем зарабатывает конкретный бизнес. В результате его работы компания может получать больше прибыли и делать своих пользователей счастливее. Сильный аналитик данных прежде чем взяться за работу всегда спрашивает руководителя о том, какую задачу хочет решить бизнес.

Кроме программных инструментов аналитику данных важно развивать — метапрофессиональные умения, которые помогают делать работу лучше. Это способность налаживать общение с коллегами и партнерами, умение решать проблемы и выходить из конфликтных ситуаций с наименьшими потерями, сильный эмоциональный интеллект. Такие навыки больше связаны с личностью человека, чем с его профессиональным уровнем. Но их тоже можно формировать и развивать.

«Важно не путать дата-саентиста и дата-аналитика. Первый — это программист, знающий определенный набор языков и алгоритмов. Он решает поставленную техническую задачу. А дата-аналитик ставит эту задачу и переводит результат на язык бизнеса. Для этого нужно развивать гибкие навыки: работа с требованиями, визуализация данных, переговоры. То есть понимать самому и уметь объяснить, что дает бизнесу ваша аналитика. Изучить программы недостаточно — нужно критически подходить к задаче», — говорит Алексей Колоколов, эксперт по BI и визуализации данных.

Для каждого бизнеса задачи будут свои, а порядок действий общий. Аналитик данных работает так:

собирает данные (формирует запрос сам или получает задачу от менеджеров);
знакомится с параметрами набора (какие типы данных собраны, как их можно отсортировать);
проводит предварительную обработку (очищает от ошибок и повторов, упорядочивает);
интерпретирует (анализирует, собственно решает задачу);
делает вывод;
визуализирует (так, чтобы на основе вывода можно было принять решение, подтвердить или опровергнуть гипотезу).

Типичные задачи, с которыми приходят к дата-аналитику:

Получить выгрузку данных для определенных целей
Бухгалтерии нужен список сотрудников, у которых в семье пятеро детей, — специалист делает выгрузку из базы данных.
Ответить на вопрос бизнеса
Сделать расчет определенной метрики: сколько сотрудников уволилось до конца испытательного срока в этом году и сколько в предыдущем. Если компания вводит новую систему адаптации, то изменения такой метрики покажут результат.
Провести А/B-тестирование
Нужно выяснить, как пользователи реагируют на то, какого цвета кнопка, зеленого или красного. Аналитик тестирует два прототипа. Часть пользователей видят прототип с зеленой кнопкой, другие — с красной. Он смотрит, как реагировали пользователи, проверяет, было ли различие статистически значимо. В итоге — рекомендует решение, которое проверил в ходе теста: внедрить зеленую или красную кнопку.
Провести исследования
Конкретного вопроса от бизнеса нет, но нужен ресерч: взять внешние или внутренние данные, исследовать, найти аномалии или инсайты, провести пиар-исследование.
Просчитать, какой вариант выгоднее
Юнит-экономика: расчет РОИ, инвестиционного потенциала. Оценить окупаемость рекламной кампании или скорректировать бизнес-модель.
Выяснить, какой товар и в какое время больше покупают
Взять группу товаров и посмотреть, есть ли сезонные всплески интереса, сравнить с другими группами.

Статистика позволяет сделать общие выводы по конкретному вопросу. А аналитика данных — исследовать тему со всех сторон, сравнить решения, найти аномалии или инсайты, сопоставить события по множеству параметров. Это открывает новые возможности для бизнеса.

Дата-аналитик может исследовать внутренние данные компании или обратиться к внешним источникам. Анализ открытых данных позволяет отслеживать важные социальные и культурные тренды.

«Дата-аналитик может глубже исследовать проблему. Например, в наших данных по ДТП в России есть доля водителей, которые нарушили правила ОСАГО. Зная эту долю и то, как она менялась в разные годы, мы можем делать выводы о социально-экономической ситуации в регионе — видим тенденцию, когда водители перестают покупать полисы, потому что у них нет денег.

Из того же датасета мы вытаскивали информацию про скрывшихся водителей. Оказалось, что в Омской области 20% водителей покидают место ДТП. Получив эту информацию, мы можем задавать дополнительные вопросы: почему так происходит, что это за социальные и культурные процессы», — рассказывает Сергей Устинов, аналитик данных и проджект-менеджер.

Как начать строить карьеру

Стереотипы в сфере аналитики данных не работают — неважно, гуманитарное или техническое образование получил дата-аналитик.

«У меня нет технического образования, я учился на факультете госуправления. А Python изучал на курсе биоинформатики для биологов. На мой взгляд, этот язык больше всего подходит для старта, база навыков работы с ним приобретается за два-три месяца. Затем стоит изучать профильные библиотеки для сбора и анализа данных. Чем больше ты знаешь библиотек, тем более качественная аналитика тебе доступна», — говорит Сергей Устинов.

Компании не рассчитывают, что начинающий аналитик данных будет уметь сразу всё. Они готовы обучать и направлять молодого специалиста. Главное — интерес к решению бизнес-задач. Правильно сформулированный перед исследованием вопрос важнее, чем большой опыт работы с программными инструментами.

«Программирование и математику можно выучить. А софтскиллы — нарабатываются опытом и практикой. Поэтому дата-аналитику полезны хакатоны и чемпионаты с решением практических задач. Он увереннее чувствует себя, прокачивая стиль мышления, ориентированный на решение конкретных бизнес-задач», — говорит Анна Чувилина.

Начинающих специалистов в сфере ИТ охотнее всего берут на позиции, связанные с анализом данных: доля вакансий для кандидатов с опытом работы меньше года здесь на четверть выше, чем в целом по рынку.

Работодатели ждут, что начинающий специалист:

знает хотя бы один язык программирования: Python или R;
умеет писать запросы к базам данных SQL;
может показать выводы и метрики в виде понятного дашборда (Tableau, Power BI, Amplitude);
хочет разбираться в бизнес-процессах, мыслит в терминах бизнес-задач.

Аналитику данных нужно понимать, что такое статистика и гипотеза. Серьезная математика не пригодится, главное ориентироваться в понятиях. В зависимости от запроса компании могут понадобиться навыки работы с Яндекс.Метрикой или Google Analytics. Опытные программисты с сильной математикой, которые не готовы думать в терминах задач бизнеса, закрывают себе путь в профессию аналитика данных.

«Джуниор вырастает в крутого специалиста, решая реальные кейсы. Потому что насмотренность определяет твой уровень: важно, сколько раз жизнь ставила тебя в ситуацию, когда нужно принимать решение. Развиваться в том, как владеешь инструментами, тоже важно. Но и решение реальных задач помогает аналитику данных расти», — говорит Анна Чувилина.

Всем привет! Я уже больше 10 лет работаю с данными, я работал в России, Европе, Канаде и США и создавал аналитические решения для различных секторов бизнеса. Но речь пойдет не обо мне или моем опыте. Мы поговорим, про то, как начать работать с данными, какие профессии бывают и какие перспективы у вас есть.

Понятие аналитика это термин включающий в себя технологии, инструменты и методологии для работы с данными . То есть в сердце аналитики находятся данные.

Откуда берутся данные? Данные создаются бизнес процессами, приложениями, системами, клиентами.

То есть, когда вы совершаете какое-то действие, например, заходите на сайт vc.ru или покупаете капучино в Starbucks, данные о вашем посещение или о покупке собираются для последующего анализа. Данные позволяют организациям анализировать ваше поведение, узнать ваши предпочтения, откуда вы пришли и многое другое.

Если вкратце, то целью аналитики является:

1. Заработать больше денег

2. Сократить расходы

3. Исследовать новые рынки и продукты

4. Избежать/предсказать риски

Первый два пункта - самые главные. Неважно, у вас маленький стартап или у вас огромная компания. Вам необходимо собирать данные и отслеживать ключевые показатели. Например, количество активных покупателей, стоимость привлечения клиента, прибыль, расходы, и многое другое.

Как правило, компании нанимают людей, у которых есть навыки для работы с данными, начиная от простых, таких как, Excel и заканчиваю сложными - создание моделей машинного обучения (ML). Между Excel и ML есть еще много навыков, которые вам помогут преуспеть, например:

- SQL - язык для работы с базами данных

- Python - популярный язык для работы с данными

- Business Intelligence - инструменты визуализации данных и создания отчетности

- Хранилище данных - база данных для консолидации всех данных

- Решения Big Data - противоположность хранилищам данных (например Озеро данных)

- Интеграция данных (ETL/ELT) - инструменты для сбора данных и загрузки в единый репозитория

- Облачные вычисления - технологии активно развиваются и компании все чаще использую облачные решения, например AWS, Azure, GCP или отечественные аналоги.

- Углубленная аналитика - data science, machine learning, deep learning и все что с этим связано.

Чтобы картина был более полноценной, необходим еще рассказать про основные вакансии, которые есть в индустрии и их обязанности.

- SQL разработчик/аналитик - специалист, которых отлично знает SQL, может написать сложные запросы, рассчитать показатели и помочь бизнесу быть эффективней.

- BI разработчик/инженер - человек который работает с бизнесом, и помогает извлекать пользу из данных, по средством инструментов BI. Например, можно создать удобный дашборд, и передать его бизнес пользователям, где они самостоятельно могут отслеживать бизнес показатели. Я сам работал долго BI разработчиком, и мне нравиться эта вакансия, потому что она на стыке ИТ и бизнеса. Есть огромное количество креативных задач.

- ETL разработчик - человек, который управляет процессом загрузки и трансформации данных

- Инженер Данных - современно название ETL разработчик. Данный специалист часто работает с облачными решениями, решениями BigData. Он строит, так называемые, data pipelines, то есть организовывает потоки данных и часто загружает их в хранилище данных или озеро данных, давая доступ BI разработчикам, аналитикам или бизнес пользователям.

- BigData инженер - специалист, который отлично знает решения Apache Hadoop и всю экосистему BigData. Может использоваться как синоним Инженера Данных

- Data Scientist, Аналитик данных, ML инженер - ребята, кто знает как извлечь с данных дополнительную пользу, которую не так просто заметить, они используют специальные алгоритмы, статистику и математику, чтобы создать модель, которая будет решать задачу классификации (например предсказать - перестанет клиент пользоваться сервисом или нет) или регрессии (например запланировать бюджет на следующий квартал).

С одной стороны, все достаточно просто, есть данные, если инструменты для работы с ними, бери и делай, но с другой стороны, все сложно, так как сейчас в интернете огромное количество информации, платных курсов, которые используют "хайп" вокруг аналитики и продают вам дорогие курсы, обещают трудоустройство. Так же очень мало ресурсов на русском языке и мы часто теряемся в этом океане информации и терминов.

Я считаю, что лучший способ - это начать с простого, и двигаться к более сложным вещам.

Хотите освоить востребованные навыки или улучшить существующие? Переквалифицироваться? Все в ваших руках!

Наталья — профессиональный маркетолог и многодетная мама. В 39 лет она решила освоить новую профессию и записалась на курс по аналитике данных.

Наталья рассказала, почему её заинтересовал именно анализ данных, можно ли совмещать получение образования с воспитанием четырёх детей и как игра на барабанах помогла ей избавиться от страха перед обучением.

Я родилась и выросла в Туле, там же с отличием окончила школу. Как и многие выпускники, не имела чёткого понимания, куда поступать дальше. Мне нравились точные науки, но экзамены по математике и физике я провалила. Так получилось, что во время экзаменационной подготовки мне пришла в голову мысль срочно похудеть. Я села на диету и за неделю довела себя до предобморочного состояния — в таких условиях о высоких баллах на экзамене не могло быть и речи.

Я поступила в Высшую школу экономики, при этом факультет и специализацию выбрала почти случайным образом. На менеджмент пошла по принципу исключения — там не было ненавистной географии. Специализацию помогла определить дважды подброшенная монетка — так выбор пал на маркетинг, а не на логистику, информационные системы и управление человеческими ресурсами .

После защиты диплома я устроилась помощником маркетолога. Через месяц работы осталась без поддержки и наставника — разбираться в нюансах пришлось самостоятельно, без опыта и опираясь только на теорию. Компания, где я работала, сильно экономила свои бюджеты, поэтому я была и верстальщиком, и дизайнером сувенирной продукции, и ответственной за сайт в одном лице. Задач было много, но никакого развития в маркетинге я не получала.

Развитие детей — это важно, но при этом я хотела совершенствовать и свои навыки. Муж, зная мою склонность к математическим наукам и решению нестандартных задач, предложил попробовать силы в аналитике. От идеи заняться самообразованием я отказалась сразу — не верила, что смогу сама разобраться во множестве специфических деталей.

Сначала я боялась браться за обучение, но психологический блок помогла снять игра на барабанах — увидела рекламу, пошла на пробный урок и быстро начала получать удовольствие от процесса. На самоизоляции у нас с мужем сложился неплохой дуэт — он играет на гитаре и пишет песни. Если получилось с барабанами, может, получится и с анализом данных, подумала я.

В марте 2020 года я увидела рекламу курса Data Analyst от Skillfactory и стала читать отзывы. Сделала историю в Instagram, в которой попросила поделиться впечатлениями тех, кто имел дело с этим курсом. Некоторые знакомые откликнулись — кто-то сам учился, кто-то рассказал об опыте своих друзей.

Мне понравилось, что это был полноценный курс, где ничего не нужно искать самой. Базовые знания ученикам обещали дать за шесть месяцев, а потом, при желании, можно было продолжить учиться по выбранной специализации. Курс продавался со скидкой, а в случае, если я не потяну, школа давала возможность вернуть деньги. И я решилась.

На старте обучения у меня не было уверенности, что новая профессия точно мне подойдёт, но проверить это можно было только опытным путём.

Курс сочетает теорию и практику — решение задач на основе полученных знаний. Дополнительно ученики участвовают в вебинарах по Python и видеоуроках по статистике. За полгода нужно освоить 12 кейсов. Кейс — это моделирование практической задачи – такой, как если бы к вам пришёл реальный заказчик с настоящей проблемой. В каждом кейсе преподаватели сначала объясняют, какими методами можно решить задачу, а потом дают похожее задание для самостоятельного решения. Каждый кейс рассматривают по две недели.

Сначала я шла чётко по расписанию. Потом наступило лето, мы с мужем уехали в отпуск, а когда вернулись, стали готовить детей к новому учебному году. Моё обучение могло бы оказаться под угрозой, но спас академический отпуск, который можно взять на срок до двух месяцев, при этом как целиком, так и частями.

После каждых четырёх кейсов все ученики получают самостоятельный проект — это такой же кейс, но к нему нет примера решения, найти способ нужно самостоятельно.

Помимо теории и практических задач, на курсе есть тренажёры, обучающие работе с Python, SQL, «Google Таблицами», статистикой. Ни с чем из этого списка я раньше не работала. Чем сложнее становилась учёба, тем чаще у меня стала возникать мысль о том, чтобы бросить всё это. Но тот факт, что значительная часть пути уже позади, убедил меня не сдаваться. Сейчас я закончила 10 кейсов, осталось совсем немного. Уровень сложности продолжает расти, а количество информации зашкаливает, но сойти с пути — уже не вариант. Я убедилась в том, что анализом данных я могу и хочу заниматься и дальше.

Я интроверт, поэтому онлайн формат мне идеально подошёл — самостоятельно изучаю теорию и решаю задачи, в случае трудностей — обращаюсь к ментору. Он поддерживает, интересуется моими успехами, напоминает о своевременной сдаче заданий и спрашивает о причинах, если я не решаю задачи в срок.

Сначала мне было тяжело переступить через себя и обратиться к ментору, сложно признаться, что я чего-то не понимаю. Тем не менее, я попробовала, и поняла, что меня не осуждают за непонимание, наоборот — ментор помогает разобраться, даёт советы и подсказывает, как решить задачу.

Поддержку также можно получить в Slack, где есть чат под каждый проект. Там можно задавать свои вопросы и искать ответы на чужие. Всё это особенно важно в те моменты, когда новая задача внезапно ставит в тупик и понимания, с чего начать её решение, нет даже и близко.

У меня четверо детей: старшей дочери 10 лет, мальчишкам-близнецам по восемь лет, а младшей дочери — три с половиной года. Я привыкла существовать в условиях многозадачности, когда одновременно требуют решения сразу несколько разных вопросов. Вот почему самой сложной задачей во время учёбы для меня стала концентрация, необходимость целиком сосредоточиться на решении одной проблемы.

Обычно я занимаюсь три раза в неделю по полдня. Сначала дети вообще не понимали, что мама учится и отвлекать её нельзя. Потом со старшими получилось договориться, а присматривать за младшей дочерью во время моих занятий стал муж.

Сейчас я понимаю, что и мужу, и детям, и даже себе я более интересна и ценна не когда бегаю вокруг них, а когда занимаюсь собой и ищу свой путь.

После базового курса по аналитике можно продолжить обучение — выбрать специализацию «продуктовая аналитика» или «маркетолог-аналитик». Главная моя цель сейчас — дойти до конца основного курса и отработать навыки, защитить финальный проект.

После базовой ступени курса у меня будет три проекта в портфолио, знание основ и понимание того, где найти информацию, если мне чего-то не хватает. Чтобы отработать навыки, я хочу попробовать себя в аналитике как фрилансер. Наработаю опыт, закреплю знания, а потом, возможно, продолжу учиться.

Чтобы стать специалистом в аналитике данных, нужно освоить много навыков в самых разных областях. Это посильная задача: каждую сферу можно осваивать и углублять постепенно.

Будущим аналитикам данных нужна самоорганизация и целеустремленность, чтобы освоить такой объём знаний. Придётся ориентироваться в потоках информации, не потеряться в порядке изучения, найти самые актуальные методы и принципы, а самое главное — разобраться, почему что-то работает не так, и найти достаточное поле для практики.

Для тех, кто не боится вызовов и хочет освоить востребованную специальность, в Skillfactory разработали курс Data Analyst. Он спроектирован в соответствии с запросами рынка в сотрудничестве с практиками data science из российских компаний.

Весь материал подобран и организован так, чтобы студенты постепенно осваивали необходимые навыки и отрабатывали их на большом количестве практических заданий — на тренажёрах, аналитических кейсах, создании алгоритмов машинного обучения и в соревнованиях.

Комплексная и продуманная программа дополняется сильным сообществом, в котором состоят студенты разных потоков, кураторы, менторы и наставники. Каждый из них выполняет свою роль: одни помогают с техническими и организационными вопросами, другие поясняют правильность выполнения учебных задач, третьи отвечают на вопросы о реалиях сферы data science, мотивируют продолжать учебу и развивают своих подопечных.

Промокод ТЖ дает скидку 50% на курс «‎Профессия Data Analyst» до 30 ноября.

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
Обязанности аналитика данных
Личные качества
Как стать аналитиком данных и где этому учат
Что должен знать и уметь аналитик данных
Востребованность профессии и перспективы работы
Сколько зарабатывают аналитики данных в России
Сколько зарабатывают аналитики данных в США
Рынок труда и будущее аналитики данных

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.

Конкурс ВТБ – придумай имя голосовому помощнику и выиграй Iphone 12

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.

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:

Общается с представителями бизнеса и выявляет проблемные места компании.
Собирает информацию.
Составляет гипотезы для улучшения определенных показателей.
Готовит данные к проведению анализа: сортирует, фильтрует и делает выборку.
Находит закономерности.
Визуализирует данные: переводит статистику и Big Data в понятные выводы и наглядные графики.
Предлагает решения, которые используются для развития проекта или бизнеса.

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:

Системное мышление и логика. Важно уметь анализировать, синтезировать, сравнивать и делать выводы из порой неочевидных закономерностей. Аналитик должен понимать, из каких предпосылок он исходит в своих суждениях, и проверять их корректность.
Внимание к деталям, методичность и рациональный скептицизм. Все результаты анализа должны быть проверены, перепроверены и обоснованы. Лучше уточнить непонятные детали и усомниться даже в самом авторитетном мнении, чем запустить ненужный продукт.
Вежливость, навыки общения и повествования. Аналитики общаются со специалистами из разных направлений: бизнес, ИТ, бухгалтерия и безопасность. Важно сохранять конструктивный и вежливый подход, не поддаваться на провокации и лоббировать интересы своего отдела.
Терпение. Пригодится при очередном письме «концепция изменилась, давайте посчитаем заново».
Прагматизм и деловой подход. Важно концентрироваться на тех вопросах, которые позволят улучшить показатели работы компании: увеличить доходы, сократить затраты, оптимизировать процессы.
Стремление учиться. Хороший аналитик любит узнавать новое и расширять свой кругозор.

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:

Работать в Google-таблицах, группировать, фильтровать данные — на ходу, без перекладывания из таблички в табличку.
Уметь писать SQL-запросы.
Изучить минимум один язык программирования: Python или R.
Делать выводы и представлять результаты в виде интерактивных дашбордов (Tableau, Power BI).
Разбираться в бизнес-процессах и понимать ключевые метрики анализа эффективности.

Инструменты, которые используют аналитики

Основные навыки аналитика данных:

Сбор и анализ требований заказчиков к отчетности.
Получение данных с помощью языка запросов SQL.
Применение в работе ключевых математических методов и основ статистики.
Очистка и трансформация данных с помощью Python.
Прогнозирование событий на основе данных.
Анализ результатов кампаний, исследований и тестирования продуктовых гипотез.
Способность создавать аналитические решения и представлять их бизнесу

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

Больше половины аналитиков готовы рассмотреть релокацию и работать за рубежом. Средняя годовая зарплата для аналитиков данных в США составляет $62 тысячи.

Больше всего на американском рынке труда востребованы Data Scientists. Это одна из самых высокооплачиваемых специальностей со средней годовой зарплатой в $130 тысяч. По прогнозам McKinsey, в ближайшие годы разрыв между предложением и спросом у специалистов в этой области составит 50%.

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».

На уроках математики в школе вы постоянно работали с данными: складывали, умножали, делили в уме или в столбик. Возможно, вы также ведёте семейный бюджет в блокноте или в таблице — вносите информацию и используете простые формулы: находите суммы, разности, средние значения. То есть выполняете обработку данных, причём преимущественно вручную. Когда их мало, справляться с такими задачами сравнительно несложно.

Большие данные — это когда информации действительно много: чёткой границы нет, но обычно речь идёт о гигабайтах, если не о терабайтах. Эти массивы могут поступать сразу из множества источников: интернет‑магазинов и социальных сетей, промышленных систем управления качеством, систем видеонаблюдения, устройств интернета вещей.

Данные отличаются по структуре, бывают упорядоченными и нет. Например, история операций по кредитке упорядочена по времени, а характеристики смартфонов на складе можно хранить без строгого порядка.

Плотность данных также может быть разной: одни системы выполняют измерения каждый час, другие — несколько раз в секунду. Соответственно, и объёмы информации отличаются: от нескольких килобайт до сотен гигабайт.

Работать с большими данными вручную сложно: это долго, дорого и неэффективно. Поэтому для анализа таких массивов используют средства автоматической обработки.

Зачем бизнесу анализировать данные

Представьте, что вы управляете продуктовым магазином. Как узнать, чего хочет покупатель? Спросите его — и услышите, какие товары он приобретает чаще, в какое время обычно ходит за покупками.

Но масса деталей останется за кадром. Например, именно аналитики знают, как на покупки влияет заполненность полок, плохая погода, фоновая музыка.

Все эти и другие данные можно собрать и проанализировать. Это поможет супермаркету расставить товар так, чтобы покупатель как можно дольше оставался в торговом зале и обращал внимание на нужные предложения, и пересмотреть график работы кассиров, чтобы уменьшить очереди на кассах. Узнав больше об интересах своих клиентов, магазин сможет оптимизировать закупки и логистику. В результате выручка увеличится, а расходы сократятся.

Найти применение большим данным можно в любой сфере:

На заводах система компьютерного зрения следит за рабочими. Система заметит, если кто‑то забыл про каску, и напомнит о правилах безопасности.
В банках анализ больших данных диктует условия кредитов и депозитов, выявляет хакерские атаки и подозрительные операции.
Городами тоже управляют большие данные. Умные светофоры уменьшают пробки, компьютерное зрение ищет преступников в толпе. С аналитиками советуются, прежде чем построить новую дорогу или центр госуслуг, изменить маршрут автобуса.

На основе данных можно построить модели и проверить гипотезы. Модель — это математическое описание любой ситуации, которое помогает предположить будущее. Например, модель прогнозирования спроса в торговой сети предскажет, как будет меняться востребованность отдельных товаров, поможет скорректировать цены и объёмы закупок. Использование математических описаний обеспечивает поддержку принятия решений на каждом шагу: конкретный результат работы с данными — точный прогноз на будущее.

На курсе «Профессия аналитик данных» от «Яндекс.Практикума» вы научитесь получать, готовить и анализировать данные, которые собирают компании. Вы сможете построить и проверить гипотезы, предсказать события, которые определят развитие бизнеса и помогут ему увеличить прибыль.

Освоив язык программирования Python, среду для интерактивных вычислений Jupyter Notebook, SQL‑запросы к базам данных и современные технологии оперирования большими данными, вы соберёте эффектное портфолио из реальных кейсов. С ним вам будет проще найти первую работу — в офисе или удалённо.

Чем работа аналитика данных отличается от data scientist

В простых ситуациях можно обойтись без анализа больших данных и использовать банальную логику. Например, если вы заметили, что покупатели с детьми в магазине часто приобретают определённое печенье, то вы можете просто поставить рядом с ним детский сок и тем самым увеличить продажи.

Но на практике всё обычно куда сложнее. Например, как составить оптимальный пакет услуг мобильного оператора и определить цену, которая будет доступной для абонента и принесёт максимальную выгоду компании?

Аналитик может структурировать и обработать данные о рынке мобильной связи, существующих пакетах и расходах абонентов. Он сформулирует и проверит гипотезы, найдёт закономерности и сделает выводы: предложит конкретный состав пакета и его цену.

Более сложными задачами, а также поиском неочевидных закономерностей в данных занимается уже другой специалист — data scientist. Так, вы можете и не подозревать, что покупки связаны между собой. Или что маршруты автомобилей во вторник и в среду отличаются, поэтому пробки образуются в разных районах — хотя, казалось бы, это обычные будние дни.

Для решения таких задач задействуют машинное обучение и искусственный интеллект. Data scientist выбирает конкретные методы, которые позволяют системе учиться на разрозненных данных, делать логичные выводы и прогнозы.

Какие знания и навыки нужны аналитику данных

Прежде всего, технические (hard skills):

Основы математической статистики. За многими методами анализа стоят статистические законы. Для правильных выводов недостаточно одних данных, нужно пользоваться статистикой: отсекать выбросы, правильно считать среднее значение или медиану, проверять статистические гипотезы.
Умение создавать программы для анализа данных. Чаще всего в этой области используют язык программирования Python. У него простой и логичный синтаксис, есть немало готовых библиотек — чтобы не изобретать велосипед, а собрать программу из уже существующих функций и блоков.
Понимание принципов работы реляционных (табличных) баз данных. Массивы информации чаще всего хранятся в них. Чтобы получить сведения из таких источников, нужно знать язык SQL и уметь составлять на нём запросы к базам данных.

Но и человеческие качества (soft skills) имеют значение. Они определяют, насколько вы эффективны в качестве аналитика данных и комфортно ли вам будет работать на такой должности. Пригодятся:

Курс «Профессия аналитик данных» от «Яндекс.Практикума» — возможность освоить востребованную специальность с нуля. Попробуйте бесплатные вводные уроки. Они помогут понять, насколько вам интересен анализ данных, разобраться в профессии на практике и попробовать онлайн‑формат обучения.

С какими сложностями сталкиваются студенты на курсе по анализу данных

Аналитик данных — не самая простая профессия. Чтобы стать хорошим специалистам, придётся приложить немало усилий. К чему стоит быть готовым?

Придётся регулярно выделять время на учёбу. Освоить весь материал в сжатые сроки физически невозможно: здесь надо много читать, запоминать, создавать предсказательные модели, писать код, проводить эксперименты и улучшать их результаты.
Вы будете постоянно задавать вопросы, и, чтобы получить нужный ответ и не тратить время впустую, необходимо научиться правильно их формулировать.
Часть информации предстоит искать самостоятельно. Конечно, в интернете есть всё, а ИТ‑сообщество достаточно отзывчиво, но с нестандартными запросами придётся повозиться.
Порой эксперименты с данными завершаются неудачей: ваша модель не подходит для решения задачи, вы получаете совсем не те результаты, которые ожидали. Это нормально: даже опытные аналитики не всегда достигают цели с первого раза. И это вовсе не повод останавливаться.
Некоторые темы покажутся совершенно непонятными. Вы можете читать материал снова и снова, но не приблизитесь к сути вопроса. В таких ситуациях помогает переключиться, а позднее вернуться к занятиям — либо попросить помощи у ментора или у других студентов.

Как освоить профессию аналитика данных

Обычно в университетах студенты получают фундаментальные знания, но работодателей интересуют навыки решения практических задач и опыт в нужной области. И если крупные учебные заведения регулярно обновляют программу, рассматривают реальные кейсы и современные инструменты для анализа данных, то вузам поменьше для этого часто не хватает ресурсов. Поэтому студентам приходится самостоятельно искать проекты и задачи, чтобы научиться применять теорию на практике.

Быстрое погружение в профессию и понимание потребностей работодателей даёт почувствовать, какие знания и умения нужны. Формируется привычка самостоятельного поиска решений, примеров, похожих кейсов, нарабатывается опыт, растёт портфолио.

Проверьте, готовы ли вы освоить профессию аналитика данных:

Пройдите вводный курс — поймёте, насколько вам интересен анализ данных.
Прочитайте отзывы людей, которые уже завершили занятия на курсе по этой профессии и трудоустроились.
Изучите программу обучения и задайте вопросы образовательной поддержке курса.
Найдите вакансии в своём городе или предложения удалённой работы, изучите требования к специалистам по анализу данным.
Взвесьте все за и против. Было ли интересно анализировать данные на вводном курсе? А вакансии кажутся привлекательными? Если всё так, похоже, вам подходит эта профессия.

Учёба на курсе «Профессия аналитик данных» от «Яндекс.Практикума» похожа на работу в крупной IT‑компании. Студенты анализируют реальные данные, очищают их от ошибок, обсуждают с заказчиком детали заданий, а с наставником — варианты решений. Будущие аналитики не работают с абстрактными кейсами, а составляют рекомендации для актуальных задач бизнес‑практики. Программа прокачает необходимые hard и soft skills. Все эти навыки оттачиваются в течение 6 месяцев.

В конце курса студенты защищают выпускной проект и ищут работу. В этом помогают HR‑специалисты из «Яндекс.Практикума». Работа над резюме и портфолио, подготовка к собеседованию — всё это входит в учебный курс. Впрочем, некоторым студентам удаётся трудоустроиться ещё до получения диплома.

Читайте также: