Что делают аналитики данных на самом деле? Чем они пользуются на работе? Правда ли, что аналитикам не обязательно с кем-либо общаться и что им достаточно только цифр и таблиц?
Мы поговорили с Дариной Кухтиной, наставником в Яндекс Практикуме, и спросили её обо всём этом и о других нюансах профессии. Получился честный и открытый рассказ о том, как устроена работа современного аналитика данных. Можно посмотреть видео или послушать как подкаст:
Как попасть в профессию — опыт Дарины
Дарина захотела стать аналитиком ещё в школе, поэтому после окончания она поступила в СПБГУ, чтобы специально выучиться на аналитика. Во время учёбы Дарина брала подработку — например, работала в проекте, связанном с медицинскими данными. Также подрабатывала репетитором математики у школьников.
А потом ей встретилась вакансия Практикума — открывались курсы по анализу данных. Дарина написала в Практикум, и её взяли как преподавателя на курс.
Комментарий редакции
Лучший способ освоить профессию на старте — это практика. Как можно больше практики. Если есть возможность совмещать учёбу и реальные проекты — это сразу ускорит ваше погружение в тему и поможет лучше разобраться в предмете. Многим компаниям нужны те, кто возьмёт на себя несложную, но нужную работу — и им хорошо, и вам полезно.
Зачем на самом деле нужны аналитики данных
Многие начинающие аналитики зацикливаются на деталях — каких-то навыках, языках и фреймворках, без которых сложно в профессии. Начинающие аналитики углубляются в данные, изучают модели, но построение моделей — это только один из инструментов аналитика.
Главная идея анализа данных — это помочь бизнесу принять верное решение. Цель не в том, чтобы построить миллион графиков, а в том, чтобы помочь компании решить свои бизнесовые задачи. Именно за это аналитикам платят хорошие зарплаты — за то, что их работа позволяет компании зарабатывать больше или тратить меньше.
Миф: аналитик работает только в таблицах и не общается с людьми
Аналитик — это чаще всего профессия про общение. Конечно, аналитику нужно много работать с данными, чтобы доставать из них какие-то выводы. Но потом эти выводы нужно представить бизнесу, а для этого нужно уметь презентовать свою работу.
Аналитику приходится часто общаться с заказчиками — с теми, кому понадобился анализ. Например, заказчик может прийти с просьбой составить миллион таблиц. Задача аналитика — расспросить заказчика, зачем это делать и какую проблему мы этим решаем. Может так оказаться, что на самом деле нужен не миллион таблиц, а новая модель данных, которая учитывает нынешнее положение компании.
В жизни многие заказчики приходят не с проблемой, а как раз со способом решения — сделай нам таблицы, посчитай вот такие-то цифры и всё такое. А хороший аналитик всегда выяснит, какой же настоящий запрос у заказчика и какую задачу он хочет решить.
Инструменты для работы
SQL — язык запросов для работы с базами данных. С его помощью аналитики вытаскивают из базы нужную информацию по разным критериям.
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, а дальше — как пойдёт. Если что, для начала работы аналитиком достаточно минимального знания языка программирования — главное, чтобы код работал, а красота и скорость работы придут с опытом.
Математика, основы статистики и теории вероятности. 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. Совсем на старте достаточно хороших школьных знаний, но в процессе работы лучше изучить это поглубже.
Какие софт-скиллы полезны
Софт-скиллами принято называть не профессиональные, а личные качества человека. Многие считают, что настоящему профи достаточно хорошо делать свою работу, а всё остальное неважно, но в жизни всё не так. Никому не приятно работать с человеком, который не умеет общаться с коллегами и ведёт себя как сноб.
Что из софт-скиллов особенно ценится в аналитике:
Ответственность: готов ли я взять ответственность за решения и конечный результат? Например, аналитик решил скрыть ошибку от заказчика и не исправил её, но на итоговые выводы это не повлияло — это безответственно или нет?
Проактивность: готов ли я сам предлагать какие-то решения, или буду ждать, пока меня об этом спросят или поставят задачу?
Критическое мышление: могу ли я критически посмотреть на продукт? Могу ли я понять, что мы работаем с некорректными данными? Могу ли я отличить какие-то безумные результаты от адекватных?
Короче, софт-скиллы — это важно, даже если вы почти всё время работаете только с данными.
Правда ли, что сейчас нужен аналитик почти в каждую компанию?
Если коротко, то да.
Раньше был упор на дата-сайентистов, но сейчас всё больше вакансий дата-аналитиков. Проблема в том, что многие не понимают разницы между сайентистами и аналитиками данных.
Аналитик данных больше общается с бизнесом. Он больше про помощь бизнесу и принятие бизнес-решений, и именно про таких специалистов мы сейчас и говорим.
Дата-сайентист — больше про код. Это такой исполнитель, который редко общается с заказчиками. Он больше работает внутри кода: настраивает нейросети, занимается машинным обучением, оптимизирует функции и так далее.
Ещё есть бизнес-аналитики и продуктовые аналитики, которые занимаются немного другими вещами. В вакансиях часто всё перепутано, поэтому, если будете искать работу аналитиком, смотрите на обязанности, а не на название вакансии.
Средняя зарплата аналитика
На 2023 год средняя зарплата аналитика, по данным Хабр Карьеры, — 127 000 рублей. Для начинающих аналитиков — 90 000 рублей. Вакансий на рынке много, хороших предложений — мало. Это значит, что если у вас есть хорошая база и желание развиваться дальше, то работу будет найти гораздо проще. За хорошей базой приходите в Практикум на курс «Аналитик данных» — там бесплатный старт и много реальных кейсов, которые можно положить в портфолио.
Выводы
- Аналитик данных помогает бизнесу заработать больше денег или оптимизировать разные процессы.
- Для работы нужно знать математику, статистику, вероятности и уметь немного программировать.
- Чем раньше вы начнёте заниматься реальными задачами, тем быстрее вырастете в квалифицированного аналитика. Практика решает.
- Софт-скиллы — это важно. Не забывайте про это.
- Работы много, спрос есть. Учиться на аналитика не будет поздно ещё долго.
