Направления в аналитике — Введение в дата-аналитику

В этом курсе мы изучаем анализ данных в целом, но на практике этот навык используют разные специалисты: обычные аналитики данных, бизнес-аналитики, системные аналитики. Все эти профессии требуют своих навыков, поэтому на переход обычно уходит много времени и сил.

Поэтому важно, чтобы вы на раннем этапе понимали, какое направление интересно вам больше всего. В этом уроке мы изучим все распространенные виды аналитики и разделим их на профессии. Так вы определитесь с важными для себя навыками и поймете, какое направление вам интересно.

Для начала рассмотрим, какие существуют чистые виды аналитики:

Анализ данных
Продуктовый анализ
Системный анализ
Бизнес-анализ
Маркетинговый анализ
Финансовый анализ
Управленческий анализ

На деле продуктовый и маркетинговый анализ — это ответвления анализа данных, а бизнес-анализ может включать в себя финансовый и управленческий анализ. Вообще реальные рабочие роли нередко смешивают разные виды анализа. Поэтому разделим их на три группы по профессиям:

eyJpZCI6IjdlM2I3YWQ5Y2RmNTg3MDdjNDkxNTNiZDc1NTA3YTc3LnBuZyIsInN0b3JhZ2UiOiJjYWNoZSJ9?signature=447bd61b0e7cafcd030f736b70d582276398623ef1d386482b7be0cdddfacf92

Аналитик данных

Ключевой вопрос, на который отвечает анализ данных — «Как получить из наших данных краткий ответ на поставленный вопрос?». Мы можем ставить вопросы о любом времени:

Анализировать прошлое помогает классический анализ данных
Для анализа настоящего мы используем продуктовый и маркетинговый анализ с их системой тестирования гипотез и исследования рынка
Строить прогнозы о будущем помогает data science

Чтобы мы могли оценивать данные и делать выводы из них, нужны такие технические компетенции:

Excel
SQL
Python
Power BI, Tableau и другие BI-системы
Статистика
Теория вероятности
Эконометрика
Машинное обучение

Отвечая на вопросы, поставленные при анализе данных, мы в любом случае получаем цифры. Их собирают в виде таблицы или графика. Потом эти таблицы и графики показывают лидерам команд, коммерческим директорам или заказчикам, которые заплатили компании за создание отчетов.

Обсудим подробнее, в каких ситуациях применяют разные виды анализа данных:

Классический анализ данных подходит, если мы хотя бы в общих чертах знаем, как данные взаимосвязаны. В этом случае анализ помогает подтвердить гипотезы и зафиксировать взаимосвязи в цифрах
Data Science подходит, когда мы лишь отчасти предполагаем взаимосвязи. В Data Science активно используются активные мощности компьютеров. Машины находят способы группировки данных, которые неочевидны для человека — это называется кластеризацией
Продуктовый и маркетинговый анализ подходят, когда мы хотим предпринять какой-то шаг и предполагаем эффект от него. Например, таким образом можно проанализировать пользу от запуска новой акции или обновления дизайна кнопки «Купить». Так можно проанализировать несколько разных шагов и выбрать самый выгодный для компании
В редких случаях анализ данных соединяется с инженерией данных. Это называется Data Analytics and Data Engineering или сокращенно DA+DE. Такой анализ подходит, когда нужно создать новую таблицу на основании уже имеющихся. Новую таблицу можно будет перевести в графики и диаграммы, чтобы провести финальный анализ данных и сделать выводы

Бизнес-аналитик

Главный вопрос в бизнес-анализе — «Как достичь цели бизнеса в точечной задаче?».

Бизнес-анализ включает в себя:

Сбор требований
Рисование UML-диаграмм
Описание кейсов использования (Use Cases)
Моделирование бизнес-процессов
Составление ТЗ на разработку
Коммуникацию с техническими исполнителями задачи
Тестирование сделанной работы и проверка на соответствие поставленной задаче (User Acceptance Testing или UAT)

Попробуем обобщить эти пункты. Условно бизнес-анализ можно разделить на два этапа — до разработки продукта и после нее. До разработки бизнес-аналитик старается внятно описать, какого результата компания ждет от технического исполнителя. Уже после разработки аналитик изучает результат. Он проверяет, не отклонился ли исполнитель от требований заказчика, точно ли все функционирует правильно.

Для примера представьте стартап, которая хочет разработать свое приложение. Чтобы начать работу над приложением, нужно для начала описать все технические требования — это и есть задача бизнес-аналитика.

Еще бизнес-анализ иногда описывает, куда уходят деньги. Для этого в него включают:

Анализ управленческой отчетности (отчетов о движении денежных средств, прибылях и убытках)
Анализ финансовой отчетности (бухгалтерского баланса)

Если бизнес-анализ подразумевает работу с управленческой и финансовой отчетностью, то у него появляется еще одна цель — добиться лучшего финансового результата с опорой на имеющуюся модель бизнеса.

Системный аналитик

Вселенная системного анализа состоит не из галактик, а из разных программ, которые как-то между собой взаимодействуют. Эти программы называются системами. Правила их взаимодействия изучают и используют системные аналитики.

С работой компьютеров и программ ближе всего знакомы выпускники айти-специальностей, поэтому нередко именно они и становятся системными аналитиками.

В целом системный анализ отвечает на такой вопрос: «Как состыковать кусочки программ для нужного результата?».

Для системного анализа нужны такие навыки:

Сбор и фиксация требований заказчика
Составление физической и логической моделей данных
Знание устройства реляционных DWH и Data Lake
Умение работать с SQL и PL/SQL
Умение работать с ODI, Informatica powercenter, Airflow и другими ETL-инструментами

По итогам системного анализа у нас появляется документ, с которым можно прийти к разработчикам и поставить им задачи. При этом системный аналитик не продумывает, как эти задачи должны быть реализованы на продакшене. Над этим думают уже сами разработчики.

Иногда системный аналитик может выполнять функции бизнес-аналитика, анализируя или составляя управленческую отчетность.

Также системные аналитики часто работают с хранилищами данных (Data Warehouse или DWH). В таком случае рождается системный анализ DWH. Тогда задача системного аналитика усложняется:

Сначала он изучает, как поток многомиллионных таблиц обрабатывается системой расчетов
Затем на основе этих знаний он составляет маппинг — это код, который показывает, какие столбцы из каких таблиц нужно тянуть

Это непростая задача, потому что в современных компаниях основная масса таблиц пополняется новыми данными не вручную, а автоматически — с помощью налаженных ETL-процессов. У этой загрузки есть свои правила, источники данных и периодичность. Все эти детали системный аналитик должен разузнать и учесть.

Выводы

Так или иначе, все виды анализа завязаны на работе с информацией, просто обрабатывают они ее по-разному. Сегодня вы узнали, как именно работают с информацией в анализе данных, бизнес-анализе и системном анализе. Эти знания помогут точнее определиться со специальностью, которая вам интересна.

Еще этот урок поможет быстрее адаптироваться к реальным рабочим процессам. Отличая виды анализа, вы сможете быстро выбрать тот, который больше всего подойдет для конкретной задачи.