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.
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
Опыт работы.
Если вы решили стать аналитиком данных, первый шаг – получить соответствующее образование или самостоятельно освоить необходимые навыки. Однако, наличие знаний и навыков только половины дела. Чтобы начать работать в области аналитики данных, нужно найти подходящую вакансию и получить опыт работы.
Junior аналитик данных может претендовать на зарплату от 50 тысяч рублей в месяц. Для middle-специалистов средняя зарплата уже составляет около 140 тысяч рублей в месяц. Senior специалисты могут претендовать на 260 тысяч рублей в месяц. Однако, зарплата может значительно различаться в зависимости от региона, компании и индустрии.
Как найти работу в области аналитики данных? Существует множество платформ для поиска работы, включая HeadHunter, SuperJob. Также, многие компании публикуют вакансии на своих официальных сайтах.
Кроме того, существуют специализированные платформы для поиска работы в области аналитики данных, такие как Kaggle, DataCamp, Hired, и Indeed. Эти платформы предлагают вакансии от ведущих компаний и позволяют пройти тестирование своих знаний и навыков.
Важно также участвовать в проектах и соревнованиях в области аналитики данных. Это позволит пополнить свой портфолио и получить практический опыт работы
Такие платформы, как Kaggle, TopCoder и CrowdAnalytix предлагают различные задачи и проекты для аналитиков данных. Участвуя в них можно продемонстрировать свои навыки и получить обратную связь от опытных специалистов.
Также рекомендуется участвовать в конференциях, вебинарах и тренингах по аналитике данных, которые проводятся как онлайн, так и оффлайн. Это позволяет быть в курсе последних тенденции.
Кто может стать аналитиком данных?
На первый взгляд создается впечатление, что освоить специальность аналитика данных может человек с весомым математическим, экономическим или техническим бэкграундом. Но, не спеши с выводами. Дорога в Data-аналитику открыта для людей с любым уровнем подготовки. Как говорится, было бы желание. Так, например, можно пройти обучение по аналитике данных и стать новичком в семье Big Data.
При этом твой прежний опыт работы может быть не связан напрямую с анализом данных. Если ты открыт к новому, не боишься стартовать и готов пропускать через себя нескончаемый поток информации — освоить эту востребованную профессию будет нетрудно. По сути для старта хватит знаний школьной программы, развитой логики, внимательности и усидчивости. Этого набора хватит, чтобы освоить курс. После обучения ты получишь достаточную подготовку, чтобы решать задачи аналитика уровня junior, то есть младшего специалиста.
Освоить эту профессию не помешает и тем, чья работа уже частично связана с анализом данных. Это в равной степени относится к программистам, финансистам, разработчикам и тем, в чьи обязанности входит ежедневное «общение» с большим объемом информации: менеджерам по продажам, рекрутерам и брокерам. На специальных курсах ты прокачаешь свой инструментарий и найдешь решения тысячам задач. Поймешь, что сила не только в Excel, а в комбинации методов.
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.
Проблемы со сбором разнородных данных
Для качественного анализа данных важно, чтобы на каждом этапе присутствовало минимальное количество ошибок. Перед сбором данных аналитику стоит тщательно продумать, откуда и как будет собираться информация
Далее ему стоит решить, как получить данные – вручную или с помощью алгоритма. Проблема заключается в том, что данные часто поступают из разных источников и в разных форматах, на ручной сбор уходит слишком много времени и сил, а многие аналитики не умеют использовать алгоритмы для автоматизированного сбора данных.
Решение
Решением станет автоматический парсинг данных с помощью Python. Аналитик сможет создать алгоритм, который сам найдет и добавит в базу уже конвертированные данные, с которыми будет удобно работать.
«Вынужденное бездействие утомляло»: о работе в комиссионном магазине и первом шаге к изменениям
— Екатерина, если бы вас попросили рассказать о себе, с чего бы вы начали?
— Думаю, как и все, — с высшего образования. На самом деле, подход к его получению сильно характеризует меня, как человека. Будущую профессию я выбирала осознанно: уже в школе знала, в какой университет и на факультет поступлю — в Волгоградский государственный, на машиностроение. Даже три года специально училась в лицее при этом вузе.
Хоть математику я не очень любила, мне нравилось чертить и анализировать. Чувствовала, что по характеру мне подойдёт профессия, близкая к точным наукам. Так и оказалось: все пять лет я училась с большим энтузиазмом, даже несмотря на ранние подъёмы и дорогу до вуза через весь город, а зимой — ещё и в потёмках.
— Вы целеустремлённая! А после вуза работали по специальности?
— Нет, ни дня! Образование-то я получила, но устроиться по нему не смогла: без опыта работы предприятия не горели желанием принимать меня к себе. Поэтому после выпуска я посидела-посидела, подумала и пошла туда, где для меня нашлись места: сначала работала в регистратуре поликлиники, потом — управляющей в большом сетевом магазине.
Мне всё нравилось, я видела перед собой перспективы роста и поэтому получила ещё одно образование — экономическое. А параллельно жизнь шла дальше: я строила семью, рожала детей. И вот однажды знакомые предложили мне место товароведа-оценщика в комиссионном магазине. «Интересно, попробую», — подумала я. Обучилась за три дня и… проработала там 14 лет.
— Каково это — каждый день работать в комиссионном магазине с драгоценностями и ювелирными украшениями?
— На самом деле очень интересно! С помощью одних специальных приборов мы проверяли подлинность драгоценных металлов, с помощью других — измеряли вес, объём камней, вычисляли их стоимость и всё это записывали. Я люблю точность, поэтому с удовольствием ходила на работу много лет.
— И почему же однажды вы решили уйти из профессии?
— В последние годы я, как человек наблюдательный, замечала, как падает проходимость магазина, уменьшается выручка. В то время как цены на драгметаллы, наоборот, только растут.
Бизнес стагнировал, и я это видела. А ещё понимала, что такими темпами ему скоро придёт конец. Эти размышления вытягивали из меня все силы: в последние три года моей первой мыслью с утра всегда было: «Как же не хочется идти на работу». А ещё очень утомляло вынужденное бездействие — покупатели не приходили, заняться было нечем. В тот период я впервые и задумалась об онлайн-обучении.
— Многие люди до сих пор с недоверием относятся к онлайн-курсам. Что помогло вам решиться на обучение, несмотря на стереотипы?
— Во-первых, я видела перед глазами позитивные примеры. Моя старшая дочь выучилась в онлайн-формате на веб-дизайнера и сейчас работает по профессии. А во-вторых, моя подруга точно так же переквалифицировалась в тестировщицу. Ей, кстати, как и мне, больше 40.
Екатерина с дочерьми и мужемФото: личный архив Екатерины Удовиченко
Карьера Data Analyst
Обнадеживающая новость в том, что крутые аналитики данных востребованы везде. Спрос на эту специализацию в ближайшие пять лет вырастет на 20%. Вот отрасли, в которых спрос на аналитиков данных уже высок:
- Маркетинговые исследования: 72% маркетологов считают анализ данных жизненно важным для успеха в нынешнем маркетинговом ландшафте. Успех маркетинговых кампаний можно понять с помощью анализа данных. Кроме того, анализ данных используют компании для исследования рынка перед запуском нового продукта или услуги.
- Финансы и инвестиции. Финансовым учреждениям обычно требуются как аналитики данных начального уровня, так и эксперты. В финучреждениях, таких, как инвестиционные компании и банки, самый распространенный карьерный путь аналитиков данных — менеджмент. Аналитический ум и правильный подход к управленческим решениям сильно продвинет тебя по карьерной стезе.
- Продажи. Массив данных, связанных с продажами продуктов и услуг компаний — разношерстный. При правильном его анализе получается не только увеличить продажи и повысить степень удовлетворенности клиентов, но и выявить препятствия, которые мешали товару или услуге завоевать нишу. В этом плане профессия аналитика данных способна открыть клондайк, о котором мечтают собственники бизнеса, SEO и СMO.
«Я поставила себе цель заниматься ежедневно»: об обучении
— Итак, вы решили получить новую профессию. Какие первые шаги сделали на пути к этой цели?
— О, я аналитически подошла к вопросу. Сначала исследовала, какие вообще онлайн-школы существуют на рынке, какие профессии они предлагают. На этом этапе отмела те специальности, что мне совсем не подходят. А о тех, что остались в моём списке и вызывали интерес, стала искать больше информации: смотрела видеопрезентации профессий, читала подробные описания.
— Почему в конце концов остановились именно на бизнес-аналитике?
— Во-первых, потому, что аналитика — это буквально мой образ жизни. Даже в обычных, нерабочих делах, например перед путешествием, я всегда анализирую все данные: географическое положение места, куда мы направляемся, температуру, составляю списки закупок перед поездкой, расписание дней, задачи для каждого члена семьи. У меня всё и всегда просчитано до мелочей.
Во-вторых, меня привлекло то, что аналитика — это очень широкая область. Можно развиваться как в бизнес-аналитике, так и в анализе данных. Если наскучит, попробовать себя в системном анализе.
— С какими основными трудностями вы сталкивались в процессе прохождения курса?
— Честно говоря, главной сложностью для меня было не само обучение, его темы и задания, а моя техника и отношения с ней
Мой компьютер был уже стареньким и учёбу не тянул. Пришлось затянуть потуже поясок и купить себе новый ноутбук. Следующей миссией стало с ним разобраться. Надо сказать, что раньше я, конечно, работала в программах, но немного: разве что в Excel-таблицах и программе для розничной торговли. А тут пришлось осваивать новые приложения, искать и устанавливать их. Где-то сама, где-то помогли дети. В итоге всё получилось.
— Как вам удавалось эффективно совмещать работу и учёбу? Или вы сразу уволились?
— Я совмещала обучение с работой в комиссионке год! Каждый день брала с собой ноутбук и, когда магазин пустовал без клиентов, слушала на нём лекции, делала домашки.
Помню, поставила себе цель заниматься ежедневно
Причём неважно, послушаю я только 20-минутную лекцию или выполню несколько объёмных задач, главное — делать хоть что-то на регулярной основе
Благодаря ежедневным маленьким шагам на пути к цели я держала себя в тонусе и не бросала обучение.
— А как же семья, дети? Как вам удавалось везде успевать?
— Семья никогда не виделась мне помехой: обе мои дочери взрослые, а муж довольно часто уезжает в командировки, поэтому работу с обучением совмещала ловко. Училась, конечно, не только на работе, но и вечером, когда возвращалась домой. В итоге окончила обучение и защитила итоговый проект всего за год.
Екатерина на работе в комиссионном магазинеФото: личный архив Екатерины Удовиченко
— Никто из близких или знакомых не пытался отговорить вас от смены профессии? Не говорили, мол, 40 лет, уже поздно для нового старта?
— Нет, совсем нет. Наоборот, у нас вся семья постоянно тянется к новым знаниям. Старшая дочь всё время какие-то курсы проходит — и по работе, и для себя. Муж тоже периодически записывается на разные образовательные программы, а ещё учит английский. Про подругу-тестировщицу я вам уже рассказывала Так что я совершала свой переход в спокойствии и комфорте.
— Грустная статистика такова, что больше половины студентов так никогда и не доходят до конца обучения. Вы не в их числе. В чём секрет?
— Прежде всего в сильной мотивации. В обучении я видела свои перспективы, возможности для будущего роста, поэтому сильно старалась.
Как я стала анализировать данные в образовательной компании
Осенью я присоединилась к карьерному чату в SkillFactory, где предлагали посмотреть резюме и дать по нему обратную связь. Из интереса я отправила свое, но мне сказали, что это редкий случай, когда оно в исправлениях не нуждается. Однажды в чате опубликовали вакансию младшего аналитика в SkillFactory. Это была просто мечта! Я даже сильно задержалась на работе, чтобы в тот же день заполнить анкету. Через пару дней со мной связалась HR и прислала техническое задание.
Это было не то, чем я занималась, но я разобралась. Нужно было написать в SQL запрос, который выгружал бы определенную информацию, обработать данные на Python, выполнить задание на понимание принципов А/В-тестирования и самой выбрать метрики и сделать дашборд. Далее было собеседование с непосредственным руководителем, мы обсудили задание, он спрашивал, почему я сделала так, а не иначе.
Часть тестового задания в SkillFactory. Нужно было обработать массив данных и вывести целевые показатели
В финале было собеседование с СЕО, на котором я поняла, что наши взгляды на то, каким должно быть образование, совпадают. В ноябре я получила оффер, закрыла дела и 1 декабря вышла на новую работу.
Что я делаю сейчас
В основном я работаю с базами данных, делаю выгрузки. Например, когда нужно сделать рассылку по новым или старым клиентам, делаю отчеты для регулярного просмотра с показателями в разных разрезах с разными фильтрами. Моей первой задачей было сделать отчет по коммерческой деятельности. Все текущие показатели прибыли раньше собирались вручную разными людьми, а мы стали все автоматизировать.
Мне очень нравится удаленный формат работы. Раньше я полтора часа добиралась до офиса, часто в ужасную погоду. Кто живет в Петербурге, поймет мою боль. Теперь у меня больше свободного времени и я не устаю от дороги. Правда, пока я не закончила курс. Продолжаю проходить его и верю, что он положительно скажется на моей карьере (пока для работы мне знаний хватает). Главное, что сейчас я на хороших условиях занимаюсь тем, что люблю, и вижу перспективы для роста.
Развитие профессиональных навыков.
Развитие профессиональных навыков является важным фактором для успешной карьеры в области аналитики данных. Специалисты должны постоянно обновлять свои знания и умения, следить за новыми тенденциями и технологиями, чтобы быть востребованными на рынке труда.
Одним из первых шагов в развитии профессиональных навыков является освоение новых программ и языков программирования. Например, многие аналитики данных используют Python и R для анализа данных и создания моделей. Они также должны знать основы статистики и машинного обучения, а также понимать, как применять их в работе.
Кроме того, аналитики данных должны уметь работать с базами данных и находить необходимую информацию в больших объемах данных. Они должны уметь создавать эффективные запросы и использовать инструменты, такие как SQL, для анализа данных.
Важным аспектом развития профессиональных навыков является также работа над собственными проектами и участие в соревнованиях по анализу данных. Это помогает развивать навыки и получать опыт работы в реальных условиях.
Чтение специализированной литературы и блогов — полезный способ узнавать о новых инструментах и технологиях. Участие в конференциях и вебинарах позволяет получить новые знания и поделиться опытом. Общение с коллегами позволяет узнавать о лучших практиках и новых тенденциях в отрасли. Все эти методы помогают развивать профессиональные навыки и оставаться востребованным на рынке труда.
Наконец, аналитики данных могут также получать дополнительное образование, например, проходить курсы и программы обучения, чтобы узнать о новых технологиях и инструментах, а также получить сертификаты, которые подтверждают их квалификацию и умения.
Уровень заработной платы для специалистов в области аналитики данных может значительно варьироваться в зависимости от опыта, уровня квалификации и региона работы. В целом, однако, можно говорить о следующих примерных средних заработных платах в России:
Конечно, эти цифры могут существенно отличаться в зависимости от конкретной компании, отрасли, проекта и других факторов. В любом случае, одним из ключевых факторов, влияющих на заработную плату, является уровень навыков и опыта специалиста в области аналитики данных.
Чтобы оставаться востребованным, необходимо следить за тенденциями в отрасли и на рынке труда
Также важно развивать свои профессиональные навыки и участвовать в конкурсах и проектах
Как стать аналитиком данных без опыта?
Если планируешь получить профессию аналитика данных, но опыта работы в отрасли нет, самый верный путь — начать с понятного онлайн-курса «Профессия Data Analyst». Курс заложит или укрепит фундамент знаний, поможет разобраться с проектами на практике и даст вектор дальнейшего развития навыков. Двигаясь дальше, ты сможешь пройти стажировку или взять внештатный проект, чтобы получить опыт и добавить кейс в резюме. Это поможет выделиться на фоне остальных новичков и получить преимущество, когда начнешь искать высокопрофессиональную работу аналитика данных.
Но будь готов к тому, что анализ данных связан с пониманием меняющихся тенденций и технологий, поэтому учиться придется всю жизнь. Мир слишком изменчив, чтобы консервировать знания.
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.
Что изучают аналитики данных простыми словами?
Вот основные аспекты, которые изучают во время обучения аналитике данных:
Сбор данных. Это как собирать доказательства. Аналитик данных находит и собирает всю информацию, которая ему понадобится для анализа. Это может быть что-то простое, например подсчет количества проданных бутылок воды в магазине каждый день, или что-то более сложное вроде отслеживания потоков пользователей на сайте.
Очистка данных. Представьте, что собранные доказательства нужно очистить от грязи. В данных тоже бывает «грязь» — ошибки, пропуски, нерелевантная информация
Аналитик данных удаляет всё лишнее, чтобы осталось только то, что важно для исследования.
Анализ данных. Здесь детектив начинает соединять факты
Аналитик данных использует математические и статистические методы, чтобы найти закономерности, связи между разными данными.
Визуализация данных. Теперь, когда все факты собраны, их нужно эффективно и емко представить. Аналитик данных визуализирует данные, например, с помощью графика или таблицы, чтобы показать выводы наглядно.
Прогнозирование на основе данных. На основе собранных данных и выявленных тенденций можно сделать прогноз.
Используя инструменты и методы анализа данных, аналитики получают ценные инсайты из большого массива сведений. Они могут использоваться для более эффективного принятия решений или выявления закономерностей.
Почему я начала изучать анализ данных
Я закончила Высшую школу менеджмента СПбГУ. С программированием впервые столкнулась в университете: на третьем курсе у нас была эконометрика (наука о количественных и качественных взаимосвязях с помощью статистических и других методов и моделей) на английском языке. Мы изучали программирование в R (статистическое ПО для анализа данных), строили модели, считали корреляции. Сначала мне было сложно и по разным причинам не получалось уделять учебе должного времени. Я сдала этот курс еле-еле, и меня это по-хорошему разозлило. Мне нравились статистика и математика, а тут ничего не получалось.
Профессия / 14 месяцев
Аналитик данных
Находите закономерности и делайте выводы, которые помогут бизнесу
Аналитик данных
Я внимательнее отнеслась к следующему предмету, связанному с количественными методами в исследованиях. На занятиях мы пользовались аналогичными инструментами, и вел их тот же преподаватель. В процессе поняла, что мне это очень интересно. Я сказала преподавателю, что хочу еще глубже погрузиться в предмет, и он предложил мне стажировку в небольшой юридической компании, которую основал его знакомый.
Они связались со мной и написали, что в работе мне понадобится SQL, Python и несколько инструментов попроще. Я стала изучать гайды в свободном доступе. Не могу сказать, что идеально справилась со всеми задачами, но стажировку прошла. После нее я использовала статистические инструменты для диплома: моя работа была связана с психологией, коучингом и измерением командной эффективности.
Эконометрическая модель из диплома. Я построила линейную регрессию, которая оценивает значимость разных факторов в оценке эффективности команды. Выяснилось, что самый значимый фактор — это грамотная организация командной работы
После университета мне хотелось работать в образовании, потому что я всегда любила учиться и по своему университету знаю, что такое классная учеба, когда у человека просыпается интерес, который есть в каждом с детства. Еще хотелось приносить пользу обществу. Тогда в поле зрения был только Skyeng, они искали младшего аналитика. Я дошла до последнего этапа отбора, но техническое интервью было серьезным, мне не хватило знаний.
Примерно полгода я ничего не могла найти. Тогда я испытывала разочарование, некоторую растерянность, так как никто не знал, как лучше поступить, и только мне нужно было решать, куда двигаться дальше: учиться в магистратуре или искать работу.
Я стала откликаться на все подряд, и однажды мне позвонили из Сбербанка, пригласили на первое интервью с внешним HR, потом была беседа с одним из моих будущих коллег, затем техническое задание и собеседование с руководителем. Наконец в декабре 2019 года я устроилась к ним младшим аналитиком.
Станьте аналитиком данных и получите востребованную специальность
Подробнее
Оперативный анализ и визуализация данных
Следующий шаг – анализ данных. Основная проблема заключается в том, что анализировать данные нужно как можно быстрее – чем раньше получены результаты, тем быстрее можно внедрить решение. К тому же некоторые данные быстро устаревают.
Помимо этого, данные не всегда удается визуализировать таким образом, чтобы донести до руководства все инсайты, полученные в ходе анализа. Сами по себе цифры лишены смысла, осмысленными их делает интерпретация.
От того, насколько убедительно будут представлены таблицы, графики и дашборды, зависит то, удастся ли аналитику донести до начальства текущее состояние и проблемы, над которыми нужно работать
Важно подобрать подходящую форму визуализации, в которой будут учтены все тенденции, нюансы и детали. К сожалению, визуализация данных – трудоемкий процесс, если делать все вручную
Пример
Аналитик, работающий в онлайн-кинотеатре, может оказаться в следующей ситуации. Например, дела в компании идут хорошо: сервис набирает популярность, количество аудитории и платных подписчиков растет. И тут ему приходит задача: подготовить отчет для инвесторов о том, влияют ли просмотры трейлеров и рекомендаций на решение клиента о покупке.
Решение
Чтобы проанализировать показатели, нужно посчитать с помощью Python и сравнить по когортам конверсию в покупку двух типов пользователей: тех, кто видел и не видел трейлеры. Результаты можно визуализировать с помощью библиотек Matplotlib и Seaborn либо в Google Таблицах (Excel).
Сложности в работе с базами данных
Аналитикам приходится работать с большим количеством данных, в которых запросто можно «утонуть». Практически всегда на начальном этапе аналитик имеет дело с сырой информацией. Сначала данные нужно «очистить» – проверить на дублирование, удалить лишние, устаревшие, противоречивые и некачественные – и привести в единообразный вид.
Пример
Приведем еще один пример. Аналитику мобильного приложения для тренировок поступило задание: исследовать поведение пользователей на этапе обучения и понять, влияет ли прохождение этого шага на частоту и величину выплат пользователей.
Решение
Для нахождения разницы между процентом пользователей, просмотревших обучение и совершившихся оплату, и тех, кто не прошел его до конца, нужно использовать данные из БД PostgreSQL и провести их анализ с помощью Python. После получения данных аналитику стоит провести их обзор и преобразование, выделить группы/когорты, рассчитать значения для каждой группы и сделать датафреймы, определить разницу в значениях.
Сколько зарабатывает Data Analysts?
Ответственный и прогрессивный аналитик данных получает приличную зарплату. Диапазон, конечно, зависит от опыта и навыков человека и отрасли, в которой работает специалист. Если говорить о западных компаниях, то там аналитик данных в среднем может рассчитывать на зарплату от $62 000 в год. Это еще один повод подтянуть английский язык.
В странах бывшего СНГ ставка ниже, но имеет тенденции к росту с увеличением опыта и объема дополнительных навыков специалиста. Так, младший аналитик данных обычно стартует с зарплаты $1000-1500 в месяц. При этом уже на второй год работы ставка Data Analyst традиционно увеличивается в полтора-два раза при условии стабильных позитивных результатов.
Что я делала раньше
Мое подразделение занималось внутренним аудитом, ревизиями и проверками всей деятельности банка. Я была техническим специалистом, обеспечивала коллег информацией, знала, где и что взять, агрегировала и передавала информацию, чтобы ее можно было анализировать.
Изначально мне нужен был только SQL, но я хотела развиваться в Python и предложила руководителю автоматизировать алгоритмы. Он, конечно, был только «за». Я стала брать такие задачи помимо основных, но все равно мне не хватало системного понимания, из-за чего код был неоптимальный. Еще тогда я ничего не знала про парсинг данных и некоторые важные библиотеки.
Я записалась на бесплатный курс по Python на Coursera, он длился несколько месяцев и был на английском, что усложняло восприятие. Мотивация постепенно угасла, и я поняла, что мне нужен другой формат, в котором будет более сжатая структура. Тогда в марте 2020 года я купила курс по Data Science в SkillFactory, и тогда же всех перевели на удаленную работу, поэтому в начале получалось много времени посвящать учебе. Через два месяца мы вышли в офис. Хотя на работе позволяли какое-то время уделять учебе, я все равно не успевала сдать все проекты и даже решила перевестись на более поздний поток.
Задание из курса: анализ переменных модели, которая предсказывает баллы ученика на экзамене по математике
Помимо учебы и работы я думала о будущем и стала работать с карьерным коучем, он психолог и тоже учился в магистратуре в ВШМ. Он согласился помочь мне бесплатно, и это был очень ценный опыт. Я разобралась, как откликаться на вакансии, как проходить собеседования. У меня было заблуждение, что если хочешь попасть в одну компанию мечты (когда-то для меня такой был Skyeng), то надо подаваться только в нее и не рассматривать другие варианты.
Коуч объяснил, что лучше получить как можно больше тестовых заданий и проходить собеседования, чтобы выработать навык. Еще у меня было резюме на двух страницах с фотографией из паспорта. Мы сократили его до одной страницы, я написала, чем конкретно занималась и какие результаты смогла принести, и сделала новое фото.
Как достичь успеха в аналитике данных.
Для достижения успеха в области аналитики данных, необходимо иметь твердые знания в различных областях. К ним относятся математика, статистика, программирование и базы данных. Без таких знаний будет сложно эффективно работать с данными и создавать ценные инсайты. Но это не единственные качества, которыми должен обладать аналитик данных
Важно иметь хорошие коммуникативные навыки. Также необходимо умение работать в команде
Важно уметь презентовать свои идеи и убеждать других в своей правоте.
Наконец, для успеха в карьере аналитика данных нужны навыки коммуникации и работы в команде. Так как они работают с другими специалистами, такими как разработчики, маркетологи и менеджеры продуктов. Общение и компромиссы помогают достигать лучших результатов в работе и продвигаться по карьерной лестнице.
В целом, аналитика данных является очень перспективной профессией. В современном мире все больше компаний нуждаются в квалифицированных аналитиках данных. Существует множество возможностей для развития карьеры в этой области, но необходимо постоянно обучаться и развиваться. Не следует забывать о развитии социальных и коммуникационных навыков.