Коли робота — це детектив: як стати дата-аналітиком і чим він займається

Професія Data Analyst має все більший попит, оскільки все частіше компанії приймають рішення не інтуїтивно, а на основі даних, бо це допомагає їм заощадити час та уникнути зайвих витрат. І завдання дата-аналітика — добувати цінні знання з покладів необроблених даних.

Чим конкретно займається аналітик даних, у чому різниця між Data Analyst та Business Analyst, а також як стати дата-аналітиком і скільки можна заробляти, розповідає Михайло Барибан, дата-аналітик в Uklon.

Суть професії дата-аналітика

Дата-аналітик — це експерт, який допомагає приймати управлінські рішення на основі даних. Фахівець на цій ролі обробляє та аналізує інформацію, шукає взаємозв’язки, неточності чи аномалії, які можуть допомогти компанії відповісти на різні запитання: від стратегічно важливих до більш конкретних на кшталт «Який середній чек продукту в регіоні?» або «Чому впав той чи інший показник?».

Робота дата-аналітика — це детектив, але без напруженого сюжету. Треба пов’язати всі фактори між собою, знайти можливі збіги або їхню відсутність, відстежити логіку причинно-наслідкових зв’язків. Для цього потрібно вдивлятися в дані так довго, поки вони не почнуть вдивлятися в тебе.

Чим відрізняється аналітик даних від бізнес-аналітика

Різниця між дата- та бізнес-аналітиками полягає в тому, що дата-аналітик працює з даними, що надходять із різних джерел, а бізнес-аналітик працює з вимогами до продукту. Розберемося трохи детальніше.

Що робить бізнес-аналітик? Уявімо, що бізнес вирішив розробити новий функціонал. Суть професії бізнес-аналітика в тому, щоб:

• обробити вимоги бізнесу до продукту, проаналізувати їх та узгодити;
• за потреби проаналізувати конкурентів на ринку, які мають схожі продукти; 
• сформувати технічне завдання (ТЗ) для функціонала, поставити завдання дизайнерам, копірайтерам і розробникам;
• комунікувати з усіма, хто залучений у процес розробки, та узгоджувати все, щоб в кінці всі частинки пазла зібралися докупи й працювали;  
• після завершення роботи прийняти й оцінити результат і перевірити, щоб він відповідав початковим вимогам бізнесу.

Що робить аналітик даних? Він працює у зовсім іншій площині. За допомогою даних він шукає пояснення подіям, перевіряє різні гіпотези, трансформує дані, щоб побачити ситуацію у різних розрізах, розробляє дашборди, систему сповіщень на випадок, якщо щось піде не так, щоб бізнес міг оперативно реагувати, проводить тестування, обробляє конкретні запити команди та проводить презентації, якщо необхідно пояснити якісь зміни чи поділитися результатами дослідження.

Необхідні скіли для Data Analyst

Hard skills для професії аналітика даних

Базовий набір дата-аналітика складається з Excel, SQL, Python і Business Intelligence системи (Tableau, Power BI, Looker тощо).

Спочатку була таблиця, і таблиця була Excel. Серйозно — Excel (Google Sheets, якщо ви з диджиталізацією на ти) — може бути потужним інструментом аналітика для невеликих компаній. Якщо сумніваєтесь, то ви явно не чули про чемпіонат світу по Excel.

Минає день, минає ніч, і ось мегабайти даних стають гігабайтами й терабайтами, а робота в Excel перетворюється з незручної на неможливу. Тут стане в пригоді SQL (structured query language) — мова програмування, що відповідає за взаємодію з базами даних. У неї можуть бути різні діалекти в залежності від бази, але якщо вивчити один, то за пару днів можна подужати й інший. 

Business Intelligence інструменти: Tableau, Power BI, Looker тощо — допоможуть візуалізувати дані. У них доволі широкі можливості: від формування простих графіків до побудови складної системи звітів із різними рівнями доступу та налаштованими сповіщеннями, якщо щось пішло не так.

Мова програмування Python може доповнити чи замінити вищеописані інструменти. Велика кількість готових бібліотек і можливість написати власні функції значно розширюють можливості аналітика. Тут є де розгулятись: від сповіщень у телеграмі, просунутих методів А/В-тестування чи моделювання до нейронних мереж.

Soft skills для професії аналітика

Уважність. Якщо зробити помилку в SQL- чи Python-коді, він не запуститься. Якщо це легко виправити самостійно чи загуглити, то логічні помилки набагато підступніші: під час трансформації даних інформацію можна випадково продублювати або навпаки — втратити важливу її частину. Тож необхідно бути уважним на кожному кроці.

Критичне мислення. Почаклувавши над даними, необхідно знайти в них логіку та відповісти на поставлене бізнесом запитання: що, як і чому. Тут проти аналітика часто починають грати когнітивні упередження. Тож йому краще зайвий раз пошукати аргументи проти своєї теорії, а не за неї. Бо інакше в цій детективній історії можна виявитися не Шерлоком Холмсом, а звичайним слідчим Скотленд-Ярду.

Пильність. Може здатися, що це те саме, що й уважність. Уважно можна написати код і перевірити всі дані, але в результаті метрики можуть суперечити одна одній. Тут і потрібна пильність, яка допомагає шукати зв’язки між різними метриками та знаходити причину суперечностей. Наприклад, ми перевіряємо дві версії застосунку — з новим функціоналом і без нього. Метрики не змінилися. Чому? Ідея могла виявитися невдалою. Але, покопавшись у даних, з’ясовуємо, що сповіщення про новий функціонал приходили не так, як було задумано, і в половині випадків були не актуальними для користувача. 

Системність. Це про те, щоб бачити взаємозв’язки в продукті: як між усіма частинами загалом, так і можливий вплив на них ззовні. І про те, щоб системно підходити до покращення своїх навичок та інструментів, щоб оптимізувати час на виконання завдань і не втрачати в якості.

Уміння розповідати про складне просто й зрозуміло. Це потрібно, щоб колега, який терміново запитав у вас інформацію щодо конкретної метрики, не отримав замість однієї потрібної цифри дашборд із купою фільтрів або презентацію на десяток слайдів. Хоча буває і навпаки: вам щось здається очевидним, тоді як для інших доречно зробити слайди з покроковим поясненням. Тож треба мати мудрість відрізнити одне від іншого.

Читайте також: Як створити документацію, що сподобається команді та полегшить їй життя?

Де працюють аналітики даних

Дата-аналітики працюють у компаніях, де рішення приймаються саме на основі даних.

З переходом бізнесів в інтернет кількість даних збільшилась, бо їх стало легше й дешевше отримувати. Раніше інвестиції на вимірювання чогось могли навіть не окупитися. Запитання на кшталт «Хто твій клієнт і як часто він щось купує?» тягнули на багаторічні дослідження. Зараз же рекламні платформи можуть розповісти купу всього про поведінку покупців, і дізнатися це хоче кожен сайт. 

Скільки дашбордів знадобилося Стіву Джобсу, щоб створити iPod? Питання загалом риторичне, але, ймовірно, менше, ніж Тім Куку, щоб перестати їх випускати. Це багато говорить про данину візіонерству, різні стадії розвитку компанії та невідворотність data driven підходу. Бо даних стає все більше, а інфраструктура для їх використання — дешевше, і окупність стає очевидною навіть динозаврам.

Тож аналітиків потрібно все більше. Найчастіше їх все ще шукають фінансовий, телекомунікаційний і транспортний (таксі, доставка) сектори, гемблінг та великі інтернет-магазини. Але вакансій аналітика даних від середнього бізнесу теж стає більше.

Скільки отримують аналітики даних 

Свою оплату за надання послуг я не можу розголошувати згідно з NDA. Втім, якщо подивитися на статистику DOU за червень 2023 року, можна побачити, що в середньому дата-аналітик заробляє $1600 на місяць:

• середня зарплата працівника з досвідом менш ніж рік — $735;
• середня зарплата працівника з досвідом 1-5 років — $1700;
• середня зарплата працівника з досвідом 5+ років — $3000.

Проте з мого досвіду в продуктових компаніях грошова винагорода може бути дещо вищою за зазначену тут середню.

Де навчатись на аналітика даних

Uklon має великий аналітичний відділ, де працюють різні аналітики: продуктові, фінансові, бізнесові, дата-аналітики тощо. Якось я спитав у команди, хто на якій спеціальності навчався. З’ясувалося, що лише третина працює строго за фахом, інші мають дотичну технічну освіту та самостійно опанували необхідні навички.

Виходить, без технічної освіти в аналітику зась? Безглуздо стверджувати, що гарна вища освіта є зайвою. Якщо йти цим шляхом, варто придивитися до спеціальностей, де вивчають статистику, теорію ймовірностей, математичне моделювання, дата-аналіз, Data Science. Профільна вища освіта дасть певні очки на старті, але з часом в резюме  її перекриють місця роботи та фактичний досвід. Тож, як і всюди в IT, тут більше цінуються знання і навички, що набуваються завдяки урокам на YouTube, курсам, різноманітним тестам, спостереженню за тим, як інші розв’язують робочі завдання. Також цінується вміння опановувати нове та швидко вчитися.

Наприклад, я за освітою комп’ютерний інженер, робив невеликі IT-проєкти ще під час навчання. Інженери можуть розробити технічно досконале рішення, але це не означає гарний продукт за замовчуванням. Бо за фокусом на технологіях можна не побачити тих, хто буде цим продуктом користуватися. Тож я пішов вивчати, як працює бізнес загалом і продуктове мислення зокрема. Кілька років працював у маркетингу, а потім повернувся в IT. Дата-аналітика дозволяє мені найкраще використовувати отриманий досвід, технології та бізнес-знання.

З чого почати новачку?

Є очевидний шлях: прийшов з навчального закладу на стажування, попрактикувався, отримав роботу. Якщо казати про світчерів, поділюся своїм досвідом. 

Для початку варто зануритися в середовище. Подивитися блогерів, які займаються аналітикою, що вони розповідають. Зрозуміти, чи є взагалі бажання цим займатися. Доплисти до берега займе час, і краще, щоб на березі не виникло непорозумінь.

Далі можна піти на курси чи вчитися самостійно, тут залежить від уподобань. Курси від Google чи IBM, крім освітньої функції, ще й матимуть гарний вигляд у резюме.

Місцеві курси теж мають свої переваги: відсутність мовного бар’єра, наявність однодумців, можливість поставити запитання й швидко отримати відповідь. А викладачами можуть бути експерти-практики, що можуть порекомендувати вас на роботу.

Якщо навчатиметесь самостійно, раджу починати з візуалізації даних, наприклад в Tableau. Далі вчити SQL та практикуватись. Почитати про Python, як правильно працювати з таблицями та графіками. Можна практикуватись у Google Colab: там уже встановлені Python і базові бібліотеки, є можливість приєднатися до свого Google Диска й завантажити файл, розгорнути SQL-сервер, щоб попрактикуватися, і навіть є шанс отримати непогані обчислювальні потужності, щоб погратися з машинним навчанням.

Далі можна заглибитись у статистику й іншу математику. А якщо зацікавить A/B-тестування, раджу книгу «Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing» (автори Ron Kohavi, Diane Tang, Ya Xu).

Читайте також: 10 книжок для тих, хто хоче збудувати технічну кар’єру в ІТ

Пошук роботи краще почати з оцінки ваших сильних та слабких сторін і ситуації на ринку. А це вже типова задача аналітика. Можливо, ви раніше гралися зі шрифтами, тому вашою сильною стороною буде створення дашбордів. Наприклад, я був упевнений у своїх технічних навичках, але мій плутаний досвід роботи до цього міг здатися ейчару нерелевантним. Тож я зробив невеликий аналітичний проєкт на основі даних нью-йоркського таксі, створив сторінку на LinkedIn та скинув моєму майбутньому ліду. За пару годин він мені відповів, щоб завтра я чекав на дзвінок від ейчара. Пройшовши співбесіду, я потрапив в Uklon. 

Як можна розвиватися далі

Кар’єрне зростання для дата-аналітика можливе як вертикальне (від джуна до керівника напряму аналітики), так і горизонтальне. Якщо цікаво працювати з трансформацією даних, то можна перейти на позицію Data Engineer. Якщо подобається працювати з логікою продукту — на посаду Product Owner чи Product Manager. Якщо цікаво працювати з Python чи machine learning, можна стати Data Scientist. 

Або, наприклад, стати суперекспертом з візуалізації та робити інфографіку для різних проєктів і подій. Чи стати експертом з тестування і за допомогою статистичних трюків допомагати компаніям швидше проводити тести, а отже — швидше впроваджувати круті рішення та заробляти більше грошей.

Читайте також

5 порад світчерам від тестувальниці, яка перейшла в бізнес-аналітику

Чому ви досі джун? 7 можливих причин і як це виправити

Яку мову програмування краще вибрати для старту в ІТ?