Гид по профессии аналитик данных: кто это, чем занимается и сколько зарабатывает

~9 минут 16

Рассказываем, кто такие аналитики данных, как они работают и нужны ли таким специалистам глубокие знания в разработке.

Задачи аналитика данных и инструменты, которыми он пользуется
Где нужен аналитик данных
Что нужно знать, чтобы стать аналитиком данных
Аналитик данных: с чего начать обучение
Аналитик данных и дата-сайентист: в чем разница
Сколько зарабатывает аналитик данных
В чем сложности профессии аналитика данных
Николай Голов, Head of Data Engineering в ManyChat — о профессии аналитика данных
Что почитать, посмотреть и послушать будущему аналитику данных

Дата-аналитик — это специалист, который анализирует данные компании, сферу ее работы и рынка в целом, чтобы использовать их для принятия решений. Каждый день он изучает информацию о предпочтениях клиентов, рассчитывает метрики работы компании, формулирует и проверяет гипотезы. Все это нужно, чтобы получить так называемые actionable insights — выводы, на основе которых бизнес сможет принять правильное решение и улучшить продукт.

На практике это выглядит так. Допустим, компании нужно распределить бюджет между двумя продуктами: увеличить инвестиции в один — закупить рекламу, увеличить производство — и сократить вложения в другой. Как понять, какой из них принесет большую прибыль?

Интуитивно кажется, что нужно вкладываться в продукт, который больше покупают. Но не все так просто. Спрос может быть волнообразным: расти, а потом падать. Данные о продажах и состоянии рынка часто распределены по разным системам: CRM, сервисам для управления заказами, рекламой или маркетинговыми коммуникациями.

Задачи аналитика данных и инструменты, которыми он пользуется

Главная задача аналитика данных — объединить имеющиеся данные, собрать недостающие и интерпретировать полученный массив информации.

Основные рабочие инструменты аналитика — Sublime Text, Jupyter Notebook, Google Sheets или Excel. Насчет последнего: в интернете можно встретить шутки на тему того, что считать таблицы в Excel «большими данными» уже не модно.

Это не так: огромное количество компаний по всему миру строят мощную аналитику на базе таблиц в Excel. Даже несмотря на то, что в их распоряжении есть самые продвинутые технологии. В первую очередь потому, что это доступные и простые инструменты, которые позволяют решать самые сложные задачи. Например, автоматизировать обработку данных в сводных таблицах, формировать листы прогноза, чтобы планировать бизнес-процессы, и даже строить 3D-карты.

Аналитикам данных также приходится писать запросы в базы данных SQL, чтобы получить точечную информацию о процессах или клиентах. Еще нужно работать с BI-системами Tableau, Power BI, Looker Studio, которые агрегируют данные из различных источников. А иногда приходится даже программировать на языках Python, R или Java, чтобы, например, автоматизировать поиск по таблицам, сегментировать их или выявить закономерности.

Вот конкретный кейс: аналитику нужно преобразовать видеопортал, такой как YouTube, в стриминговую платформу — площадку для проведения прямых эфиров. Для этого он:

Собирает информацию, как пользователи взаимодействуют с платформой — проводит исследования, опросы и объединяет полученные данные, устраняя невалидные и повторяющиеся.
Описывает модели данных и сценарии использования — собирают фокус-группы, прорабатывают данные и предлагают варианты действий.
Формирует предложения по архитектуре и потокам данных.

Результат работы аналитика — графики, таблицы, данные. То есть артефакты с готовыми результатами. При этом сами специалисты по дата-анализу не принимают решения по итогам своей работы. Их задача — найти лучший способ представления информации, так, чтобы руководитель, опираясь на него, сам смог быстро принять решение.

Например, результатом работы может быть вот такой график с данными по выручке и продажам, собранный в Tableau — распространенном сервисе визуализации данных:

Приведем другой пример — тепловую карту. Это такой способ визуализации данных, в котором их значения отображаются разными цветами. Ниже тепловая карта c данными по объему спроса в различных геолокациях, собранная в визуальном элементе Azure Maps для Power BI:

Читайте также: Иллюзия больших данных: как работает социология и что делать, чтобы тебе верили

Где нужен аналитик данных

Аналитик данных нужен фактически любой компании, где принимаются решения. Дата-аналитики востребованы везде, где есть диджитал-маркетинг: в ретейле, IT, телекоме, здравоохранении. Такие специалисты превращают маркетинг в эффективный инструмент — они помогают точно понять, куда уходят деньги, и получить максимальную прибыль при минимальных вложениях.

Но есть отрасли и направления, где работа аналитика данных особенно важна. Например, банки — сфера, где всегда очень много информации: пользовательские данные, личные и финансовые. При этом управленческие ошибки в банковском секторе очень дороги. Например, если создать неправильную скоринг-модель — алгоритм, который оценивает, стоит ли выдавать клиенту кредит, — можно потерять и деньги, и доверие клиентов.

А еще с помощью аналитики данных можно:

Привлечь и удержать инвестора в стартапе
Бороться с кассовыми разрывами, сопоставляя доходы и расходы компании
Прогнозировать динамику спроса предложения и точно знать, каких товаров запасти впрок перед Новым годом или Черной пятницей
Изучать рынок труда, собирать эффективную команду — например, приглашать только определенных кандидатов на основе статистики найма и увольнения.

Что нужно знать, чтобы стать аналитиком данных

Стать аналитиком можно, даже если всю жизнь до этого вы работали ученым, журналистом или госслужащим. Специальных талантов для этого не нужно. Но вот что точно может пригодиться всем новичкам:

Интерес к цифрам и систематизации данных. Без него аналитику может быть тяжело, ведь ежедневно ему приходится обрабатывать много разной информации.
Усидчивость. Аналитика — это про спокойствие, внимание и дотошность. С импульсивным характером и склонностью принимать спонтанные решения, будет сложно.
Аккуратность. Суперсила аналитика данных в том, что он обращает внимание на неочевидные вещи и видит то, что упускают из внимания другие.

Аналитик данных: с чего начать обучение

На старте нужно знать, как работать с Excel и Google Sheet, обрабатывать данные с помощью языка SQL и писать сложные SQL запросы, представлять информацию в виде графиков и диаграмм.

После изучения основ аналитики стоит выбрать конкретную отрасль. Здесь может пригодиться прошлый опыт. Если вы были HR-специалистом, можно искать вакансии в сфере HR-аналитики. Работали бухгалтером — выбирайте экономическую и финансовую специфику, основные термины и процессы вам уже будут знакомы.

Читайте также: С чего начать учиться на аналитика данных

Аналитик данных и дата-сайентист: в чем разница

Чтобы начать работать аналитиком, не нужно глубоко знать программирование. Но если вы интересуетесь разработкой, есть еще одно возможное направление роста — Data Science.

Дата-сайентист — это эксперт, работающий на стыке бизнес-анализа и машинного обучения. Он обучает нейронные сети и создает прогнозные алгоритмические модели для сложных вычислений: оптимизации бизнес-процессов, научных расчетов. С помощью таких моделей можно, например, предсказывать эффективность рекламных кампаний, создавать новые формулы лекарств и даже изучать космос. Но здесь без знания Python или основ ML уже не обойтись.

Сколько зарабатывает аналитик данных

Если заглянуть на HeadHunter, то разброс зарплат окажется довольно большим. В первую очередь, это связано с опытом работы специалистов и спецификой каждой вакансии.

Например, начинающим специалистам в среднем предлагают от 100 до 150 тыс. рублей.

Мидл- и сеньор-аналитики могут рассчитывать на зарплату от 200 до 400 тыс. рублей в зависимости от опыта и навыков.

На уровень зарплат влияет и регион работы. В Москве специалист уровня мидл, скорее всего, будет получать не меньше 200 тыс. рублей на руки. А в Тюменской области, например, для аналогичной вакансии установлена вилка от 100 до 130 тыс. рублей.

В чем сложности профессии аналитика данных

Хороший аналитик должен не просто собирать данные, но и понимать, для чего он это делает. Его работа поставлять не графики, а то, что следует за ними. Инсайты — вспышки озарения, которые двигают бизнес вперед. Без инсайтов графики остаются просто красивыми картинками.

Для того, чтобы этому научиться, недостаточно просто пройти курсы. Нужно наработать опыт, научиться глубоко погружаться в бизнес и уметь работать с собой — избегать простых обобщений, легких выводов и поверхностных решений. Тогда действительно получится стать не просто специалистом, а настоящим экспертом: ценным, конкурентоспособным и востребованным.

Николай Голов, Head of Data Engineering в ManyChat — о профессии аналитика данных

На первый взгляд, аналитик похож на оператора прибора. Его главная задача — снимать объективные показания и передавать их руководителям для принятия решений. Но, в отличие от оператора, аналитик делает это не механически, а вдумчиво, четко понимая, для чего это нужно и как данные помогут бизнесу.

Очень важно правильно визуализировать информацию, чтобы, глядя на график, можно легко принять решение: развивать направление, сфокусироваться на продукте, закрыть отделение или готовиться к кризису.

У этой профессии много сфер применения, а у специалистов — много возможностей для роста и развития. Если аналитик умеет работать с базами данных и инструментами визуализации, по уровню зарплаты его можно поставить на полступени ниже разработчика. А если знает Python и умеет работать с моделями — возможно, даже на ступень выше.

При этом для работы с основными задачами не обязательно глубоко погружаться в программирование и работу с моделями. В отличие от дата-сайентиста, для аналитика данных работа с моделями — не обязанность, а приятная опция. Хотя многие этой опцией пользуются. Сейчас очень много готовых библиотек для моделей, поэтому машинное обучение постепенно используется даже в рутинных задачах: классификации, А/В тестах, прогнозировании. Поэтому развиваться и строить карьеру можно в любом направлении.

Что почитать, посмотреть и послушать будущему аналитику данных

Чтобы начать учиться на аналитика данных, действительно не нужны специальные знания или навыки. Но можно заранее подготовиться, чтобы процесс погружения прошел легче: почитать книги, изучить особенности профессии и разобраться с базовыми терминами. Собрали книги, курсы и видео, которые в этом помогут:

Книги:

«Python и анализ данных», Уэс Маккинни
«Говори на языке диаграмм», Джин Желязны
«Статистика для всех», Сара Бослаф

Курс:

Подборка курсов по системе Microsoft Power BI

Лекции и видео:

Основы Microsoft Excel
Методы прогнозирования и анализ данных с R
Руководство по анализу данных для начинающих

Евгения Зейналова 23 января 2023