Специалисты, работающие на стыке IT и бизнеса, финансов и маркетинга, умело сочетают технологии с возможностями их практического применения в своей работе. Примером такого специалиста является IT-аналитик — профессия, которая предлагает большие возможности для развития, и в то же время обеспечивает интересную работу и хорошо оплачивается.
Подписывайтесь на наши новости телеграмм. В HR-блоге вы найдете: интересные статьи, подкасты на тему IT-подбора, обзоры HR и IT мероприятий, также будем делиться своей аналитикой IT рынка.
ЧЕМ ЗАНИМАЕТСЯ ИТ-АНАЛИТИК?
Проще говоря, основная задача ИТ-аналитика — участвовать в разработке систем и приложений, чтобы они оптимально поддерживали реализацию бизнес-целей компании.
Это требует от него выявления и определения реальных потребностей, а затем определения необходимых действий и модификаций в ИТ-системах. Приведенное описание работы, очевидно, является упрощением описания работы аналитика. Он может быть очень изменчивым и зависит от многих факторов — например, стадии, на которой находится проект, типа решения, к которому он относится, а также отрасли и методологии управления проектами, принятой в компании.
Кто такой Бизнес-аналитик в IT?
ЧЕМ ЕЖЕДНЕВНО ЗАНИМАЕТСЯ ИТ-АНАЛИТИК?
Как работает ИТ-аналитик, если нет правил и устоявшихся моделей выполнения задач? С какими неожиданностями он может столкнуться и к каким испытаниям должен быть готов? Что будет его ключом к успеху и самым большим активом?
Работа аналитиком требует, прежде всего, умения совмещать две области — понимание потребностей и бизнес-процессов, происходящих в компании, и знание доступных технологий, включая их возможности и ограничения.
Аналитик предлагает решения, но не навязывает их. Иногда он выступает посредником между ИТ и другими областями в организации. Например, когда бизнес ожидает одно решение, а команда программистов видит в них существенные риски или сложности реализации. Тогда хорошо объединить эти два мира и выработать общее удовлетворительное решение .
Работа ИТ-аналитика во многом заключается в поддержке коммуникации между командами — встречи с бизнесом и программистами, анализ данных, документирование процессов, расстановка приоритетов и постоянная проверка хода выполнения согласованных действий.
Рабочий день начинается с проверки того, какие встречи вы запланировали и какие темы нужно обсудить. Аналитик — это мост, связующее звено между бизнесом и программистами, поэтому и встреч много. С одной стороны, нужно собрать информацию от бизнеса, запросить подробности, которые могут быть полезны, систематизировать и передать программистам.
Желательно лично, потому что это позволяет более подробно объяснить, откуда берется именно эта, а не другая идея решения. Вы также можете сразу же выслушать идеи другой стороны и вместе найти хороший компромисс. Кроме того, есть организационные встречи. Поэтому необходимо постоянно контролировать свой календарь.
Вопросы на собеседовании ИТ Бизнес-Аналитика. Часть 1
ВОЗМОЖНОСТИ, ПОЛЕЗНЫЕ В РАБОТЕ АНАЛИТИКА:
Возможность выбирать и согласовывать приоритеты — когда нужно выполнить несколько задач одновременно, нужно быстро определить те, которые важнее, и те, которые могут подождать «в очереди . Кажется просто, но на деле это не так. За каждым приоритетом стоят люди, для которых их задачи являются самыми важными. Более того, отдельные виды деятельности часто взаимосвязаны и влияют друг на друга. В таких случаях решающее значение имеет способность быстро связывать факты и принимать решения.
Любознательность . ИТ-аналитик не должен бояться задавать вопросы. Это очень важно, потому что это огромная часть его работы. Иногда, как и у всех нас, у нас возникают проблемы с тем, чтобы показать свое невежество или признать, что мы чего-то не понимаем. Здесь для этого нет места — без глубокого понимания предмета мы не в состоянии предложить оптимальное или даже правильное решение.
Коммуникативные навыки . Чрезвычайно важны в связи с необходимостью поддерживать постоянный контакт с людьми, представляющими совершенно разные среды. В каждом из них говорят на несколько ином языке, а аналитик часто выступает в роли интерфейса, облегчающего обмен информацией между ними. Его роль включает уточнение неточностей, предоставление информации о потенциальных трудностях, выявленных обеими сторонами, а также обеспечение того, чтобы потребности бизнеса не доминировали над ИТ и наоборот. Можно сказать, что аналитик приводит язык бизнеса и технологий к общему знаменателю и следит за тем, чтобы он был понятен для всех людей, вовлеченных в проект.
Подбор ит персонала для стартапов и продуктовых ИТ-компаний по всему миру. 5500+ закрытых вакансий, 150+ положительных отзывов клиентов. Закрываем вакансии за 14 дней! Убедитесь сами!
ПРОФЕССИОНАЛЬНЫЕ КОМПЕТЕНЦИИ АНАЛИТИКА — ЭТА РАБОТА ПОДОЙДЕТ ВАМ, ЕСЛИ ВЫ:
Неугомонный дух, но хорошо организованный – это работа, в которой ситуация иногда меняется очень динамично, происходит много, и понимание смысла возникающей информации и событий имеет решающее значение. Для этого необходим порядок в документации и соблюдение плана действий.
Проницательный – это аналитик, который должен уметь видеть несоответствия и анализировать возможности их устранения.
Отличный слушатель – хотя это всего лишь метафора, аналитика можно сравнить с психотерапевтом. Их объединяет способность терпеливо и внимательно прислушиваться к мнению и потребностям клиентов. Аналитик должен уметь слушать с полной отдачей, чтобы понять, о чем говорит его собеседник. При этом уже во время беседы он должен уметь сочетать сообщаемую информацию с уже имеющимися у него знаниями. Благодаря этому уже на этапе первого контакта он может выявить неточности или проблемные вопросы, требующие уточнения .
Коммуникативные навыки – знания, собранные аналитиком, полезны только тогда, когда он/она в состоянии понять их своим коллегам. Этот навык необходим как при планировании и подготовке документации, так и в общении с программистами или деловыми партнерами. Понятная, четкая коммуникация при работе с бизнесом помогает перефразировать только что услышанное, чтобы подтвердить правильность понимания полученной информации. При подготовке документации — четко определяет и делает понятными выполняемые задачи, что приводит к меньшему количеству вопросов, возникающих при работе с программированием. Во время бесед с программистами — помогает прояснить обсуждаемый вопрос и снижает риск ошибок. Таким образом, сокращается время совещаний и повышается эффективность работы программистов, что стоит недешево .
IT-АНАЛИТИК – ПРОФЕССИЯ ДЛЯ ВСЕХ?
Женщины в ИТ-индустрии составляют лишь около 10% ее сотрудников. Интересно, что профессия аналитика среди них более популярна, чем другие специализации — например, системное администрирование или программирование. Согласно отчетам, описывающим рынок труда, женщины составляют 22% ИТ-аналитиков. Что означает эта разница?
Предположительно, причина в специфических предрасположенностях и широком спектре компетенций, необходимых для работы на этой должности. Среди рассмотренных ранее характеристик хорошего кандидата в аналитики важное место занимают так называемые мягкие навыки. В том числе и те, которые облегчают межличностное общение .
IT-АНАЛИТИК: С ЧЕГО НАЧАТЬ?
Есть несколько способов начать работать ИТ-аналитиком:
1. Основной – начало карьеры со стажировки или ученичества. Это очень хороший первый шаг в ИТ для начинающих. Современный рынок труда изобилует объявлениями о наборе на стажировку младшего аналитика. Обычно они адресованы студентам или выпускникам факультетов информационных технологий и естественных наук. Пройдя одну или две стажировки, они могут получить навыки, которые позволят им искать работу в качестве младшего ИТ-аналитика.
2. Еще один вариант, рекомендуемый для людей с базовым профессиональным опытом, — претендовать на должности, связанные с ИТ-аналитикой на уровне юниоров. В этом случае требуется опыт проектной работы для ИТ-индустрии или практические знания, связанные с технологиями баз данных (например, SQL), созданием моделей бизнес-процессов и систем (например, BPMN, UML) или углубленное знание электронных таблиц.
3. Еще один способ продолжить карьеру ИТ-аналитика — пройти переподготовку из смежной профессиональной области.
Изменение карьеры в рамках одной организации дает вам ряд дополнительных преимуществ. Вы можете исследовать новые профессиональные области, работая в знакомой и безопасной среде. Это облегчает обучение и получение информации.
Условия трудоустройства, предлагаемые ИТ-аналитикам, обычно неплохие. Современные компании ищут их, понимая, что для специалистов в этой области, помимо оплаты труда, важны возможности развития и профессионального роста. Благодаря этому кандидаты на эту должность могут найти предложения о работе, которые предусматривают широкий спектр неоплачиваемых льгот и обучения.
Количество предложений работы на должность ИТ-аналитика растет и, вероятно, будет продолжать расти, ведь люди, являющиеся посредниками и посредниками между программистами и бизнесом, играют ключевую роль в эффективном управлении ИТ-проектами. Их работу нельзя автоматизировать или заменить алгоритмами, что однозначно делает ИТ-аналитика профессией будущего и все указывает на то, что ее значение в ближайшие годы будет расти.
Еще больше интересного в нашем HR-блоге! Узнай как получить работу, успешно пройти интервью и с нуля освоить профессию IT рекрутера. Ждем вас по ссылке! Мы собрали опыт нашего кадрового it агентства и делимся им теперь с вами!
Наши клиенты: HeadHunter, Miro, VK, Озон, Banzai Games, Тинькофф, Binance, Agoda, Novakid, Яндекс и международных стартапов, выпускников Y Combinator.
- 170 000+ база резюме it специалистов
- 5 500+ вакансий успешно закрыто
- 14 дней средний срок закрытия вакансий
- 150+ положительных отзывов от клиентов
- 15 ИТ-рекрутеров в штате
- 10 лет в подборе IT персонала
Источник: dzen.ru
ИТ-АНАЛИТИКА: лучшие инструменты и ПО
Чтобы справиться с разнообразными ИТ-задачами, современные компании используют различное программное обеспечение для мониторинга и управления, включая внешнее управление справочной службой, мониторинг инфраструктуры, кибербезопасность, управление проектами и администрирование Active Directory. Каждый день каждое из этих приложений создает гигабайты данных. Кроме того, он ставит различные задачи. Поэтому мы посвятили этот пост тому, чтобы рассказать обо всем, что вам нужно знать об ИТ-аналитике, инструментах, программном обеспечении и другой необходимой информации.
ИТ-аналитика
ИТ-аналитика — это методы сбора, анализа и составления отчетов о данных, используемых в ИТ-операциях, управлении и стратегиях для обнаружения сложных моделей доступности ИТ-систем и больших наборов данных при одновременном повышении производительности и получении бизнес-аналитики в режиме реального времени. Реализация различных трансформационных проектов, которые часто ложатся на плечи ИТ-отдела, больше не будет проблемой или неудачей. С помощью подходящего программного обеспечения для аналитики вы можете управлять своими данными в режиме реального времени, чтобы иметь актуальные и полезные показатели для своевременного выявления проблем и их немедленного устранения.
Обзор
Внутри фирм формируется новый набор связей вокруг того, как сотрудники, работающие с данными, аналитиками, ИТ и операционными командами, взаимодействуют друг с другом. Существует ли «правильный» способ установки этих соединений?
Традиционные границы между областью ИТ и обязанностями операционных подразделений стираются данными и аналитикой. Рассмотрим основную миссию современного ИТ-отдела: поглощать весь технологический «беспорядок» компании (иногда из многих отделов), формировать необходимые компетенции и обеспечивать экономию средств и эффективность. Выполнив свою первоначальную задачу, многие ИТ-компании теперь сосредотачиваются на следующем шаге, а именно инновация.
Введите данные и аналитику, которые открывают двери для такого творчества. Однако, дата обычно принадлежит компании, а аналитика ценна только в том случае, если она используется для обоснования бизнес-решений, которые также «принадлежат» компании. Чтобы ИТ-отдел мог работать в среде данных и аналитики, часто требуется перераспределение ролей и обязанностей.
Что такое аналитика и для чего используются ИТ?
Нахождение значимых закономерностей в данных является целью области компьютерных наук, известной как аналитика, которая использует математику, статистику и машинное обучение. Процесс аналитики, также известный как аналитика данных, включает в себя просеивание огромных наборов данных для обнаружения, интерпретации и передачи новой информации и понимания.
Что за работа аналитика?
Данные, относящиеся к фирме, анализируются бизнес-аналитиком. Управленческая отчетность — это процесс предоставления руководству анализа данных по различным бизнес-процессам. Аналитик корпоративной стратегии: этот тип занятости будет сосредоточен на оценке данных по всей компании и консультировании руководства по стратегическому направлению организации.
Является ли аналитика сложным навыком?
Хотя аналитическое мышление классифицируется как форма мягких навыков, существуют определенные навыки, которые могут помочь вам стать лучшим аналитиком в целом. Анализ данных, исследования, творческое решение проблем и эффективное общение — все это примеры аналитических навыков.
Аналитика — это тяжелая работа?
Анализ данных не является ни «жестким», ни «мягким» навыком; скорее, это процесс, который включает в себя комбинацию обоих этих типов навыков. Языки программирования, такие как Python, инструменты базы данных, такие как Excel, и инструменты визуализации данных, такие как Tableau, — вот некоторые примеры технических способностей, которыми должен обладать аналитик данных.
Программное обеспечение для ИТ-аналитики
Программное обеспечение для ИТ-аналитики является одним из наиболее широко используемых методов анализа данных. Это программное обеспечение, специализирующееся на бизнес-аналитике, будет полезно любому аналитику данных, которому необходимо оценивать, отслеживать и сообщать о критических результатах. Самообслуживание, предиктивная аналитика и сложные режимы SQL делают эти решения адаптируемыми к любому уровню понимания без необходимости обширного вмешательства ИТ-специалистов. Без бизнес-аналитика, наш список программного обеспечения для ИТ-аналитики данных был бы неполным, и datapine является одним из примеров, который отвечает большинству потребностей как начинающих, так и опытных пользователей.
№1. Датапин
Datapine — это известная программа бизнес-аналитики, которая предоставляет базовые, но мощные функции анализа для начинающих и опытных пользователей, которым требуется быстрое и надежное решение для онлайн-анализа данных. Вы можете легко перетаскивать выбранные значения в анализатор данных и создавать различные диаграммы и графики с эффективным пользовательским интерфейсом.
Если вы опытный аналитик, возможно, вы захотите изучить SQL режим. Это позволяет вам создавать свои собственные запросы, а также позволяет быстро вернуться в визуальный режим. Еще одним важным компонентом является механизм прогнозирования прогнозной аналитики. Хотя существует множество доступных инструментов прогнозирования, datapine предлагает лучшее с точки зрения простоты и скорости. Подробная диаграмма будет развернута с прогнозами после определения входных и выходных данных прогноза на основе предоставленных точек данных и выбранного качества модели.
Стоит также отметить, что мощный искусственный интеллект становится незаменимым инструментом в современных аналитических процессах. Нейронные сети, распознавание образов и оповещения о пороговых значениях уведомят вас, как только возникнет бизнес-аномалия. Таким образом, вам не придется тратить время на анализ огромных объемов данных вручную. Легко делитесь своими выводами со всеми, кому нужны быстрые ответы на любые бизнес-запросы, с помощью информационных панелей или настраиваемых отчетов.
№ 2. Р-Студио
R — это язык, созданный статистиками, и один из наиболее часто используемых инструментов анализа данных. Она была создана в 1995 году и в настоящее время является одной из наиболее широко используемых программ для статистического анализа и обработки данных. Он имеет открытый исходный код и работает на различных платформах, включая Windows и macOS. Наиболее распространенной интегрированной средой разработки является RStudio. Вывод отчета о очистке данных, сокращении данных и анализе данных R с функциями уценки R. Это делает его незаменимым аналитическим помощником как для общего, так и для академического анализа данных.
Он состоит из обширной экосистемы из более чем 10,000 XNUMX пакетов и расширений, которые вы можете просматривать по категориям и использовать для статистического анализа, такого как регрессия, совместный анализ, факторно-кластерный анализ и т. д. R может выполнять сложные математические операции с помощью одной команды. Это упрощает понимание для людей, у которых нет большого опыта программирования. Потому что у него есть эффективная способность создавать отличные визуализации. Ряд графических библиотек, таких как ggplot и plotly, отличают этот язык от других в статистическом сообществе.
Когда-то R в основном использовался в академических кругах, но теперь он применяется в различных отраслях и крупных корпорациях, таких как Google, Facebook, Twitter и Airbnb, и это лишь некоторые из них. R имеет большое и активное сообщество благодаря большому количеству исследователей, ученых и статистиков, которые его используют.
№3. Python
Python довольно легко кодировать для других популярных языков, таких как Java, а его синтаксис очень прост для изучения, что делает его популярным среди клиентов, которые ищут решение с открытым исходным кодом с простыми методами кодирования. Это анализ данных для сканирования, очистки, моделирования и построения алгоритмов анализа в зависимости от бизнес-сценариев. Python — это язык высокого уровня, не зависящий от локального процессора компьютера. Таким образом, программистам не нужно разбираться в архитектуре системы или управлять памятью.
Переносимость Python — еще одна заметная характеристика. Нет необходимости создавать полностью новый код, поскольку пользователи могут просто запускать код в нескольких операционных системах без внесения каких-либо изменений. Python — это язык с высокой степенью переносимости, поскольку программисты могут использовать его как в Windows, так и в Mac OS X. Следовательно, это уважаемый и удобный язык в различных отраслях. Наиболее популярными организациями, использующими его, являются Spotify, Netflix, Dropbox и Reddit. Python становится признанным авторитетом в области расширенных процедур анализа благодаря таким возможностям, как анализ текста и машинное обучение.
№ 4. SQL-консоль
SQL — это язык программирования для управления и запроса данных в реляционных базах данных. Поэтому он особенно хорош при обработке данных в качестве инструмента базы данных для аналитиков. Это один из инструментов аналитики в многочисленных бизнес-кейсах и сценариях данных. Следовательно, он очень популярен в сообществе специалистов по данным.
Объяснение простое: потому что большинство данных находится в реляционных базах данных, и вам нужно получить доступ и разблокировать их значение. SQL является жизненно важным компонентом корпоративного успеха, и аналитики, освоившие его, могут дать своим навыкам конкурентное преимущество. Существуют различные реляционные (основанные на SQL) системы управления базами данных.
Например, MySQL, PostgreSQL, MS SQL и Oracle, а также освоение этих программ для анализа данных. Это было бы чрезвычайно ценно для любого профессионального аналитика. Мы сосредоточимся на MySQL Workbench, поскольку он наиболее популярен.
№ 5. Верстак MySQL
Аналитики используют MySQL Workbench для визуального проектирования, моделирования и управления базами данных. Оптимизируйте SQL-запросы, управляйте настройками MySQL и используйте различные инструменты для повышения производительности приложений MySQL.
Это позволит вам создавать и проверять базы данных и объекты (такие как триггеры или хранимые процедуры), настраивать серверы и многое другое. Резервное копирование и восстановление, а также проверка данных аудита — простые задачи. MySQL Workbench — это комплексное решение для аналитиков, занимающихся администрированием реляционных баз данных. И предприятий, которым необходимо содержать свои базы данных в чистоте и эффективности, а также выполнять миграцию баз данных.
№ 5. Прогнозирование SAS
SAS Forecasting for Desktop зарекомендовала себя как одна из самых популярных и сложных программ для анализа данных. с различными методологиями прогнозирования, такими как иерархическое согласование, моделирование событий, анализ «что, если» и планирование сценариев.
Автоматическое прогнозирование, масштабируемость и моделирование; бесконечное хранилище моделей; простой в использовании графический интерфейс; консоль моделирования событий; и анализ «что, если». Подготовка данных входит в число семи основных аспектов процедур прогнозирования, которые они предлагают. SAS автоматически выбирает переменные на основе переменных, которые вы вводите в процессе моделирования, чтобы генерировать прогнозы, которые помогут вам понять, что происходит в вашей организации.
Кроме того, этот пакет данных позволяет клиентам делать огромное количество прогнозов и автоматизировать свои процедуры, комбинируя решения SAS Forecast Server и Visual Forecasting. Поскольку организация существует уже несколько десятков лет. Они зарекомендовали себя как авторитетные фигуры в области прогнозной аналитики, поэтому имеет смысл дать им шанс.
№ 6. Специалист по моделированию данных Erwin (DM)
В хранилище данных и в облаке Erwin DM работает как со структурированными, так и с неструктурированными данными. Согласно их официальному веб-сайту, это «обнаружение, визуализация, проектирование, распространение и стандартизация высококачественных корпоративных данных».
Для достижения ваших бизнес-целей и требований Erwin может помочь вам уменьшить сложности и понять источники данных. Они также обеспечивают автоматизированные процессы, которые позволяют автоматически разрабатывать модели и конструкции, уменьшая количество ошибок и повышая эффективность. Это один из инструментов аналитики, ориентированный на архитектуру данных. И позволяет разрабатывать логические, концептуальные и физические модели данных.
Дополнительные функции, такие как единый интерфейс для всех ваших данных, структурированных или неструктурированных, в хранилище данных или в облаке. Сделайте это решение легко адаптируемым к вашим аналитическим потребностям. Средство моделирования данных Erwin поставляется в семи различных версиях. Это делает его очень адаптируемым для предприятий и аналитиков, которым требуются различные функции моделирования данных.
Занимаются ли аналитики данных математикой?
Прочная основа в математике необходима для успеха в области анализа данных, как и в любой другой научной деятельности. Прежде чем приступить к обучению на аналитика данных, рекомендуется освежить свои математические знания и, при необходимости, внести необходимые улучшения. Взгляните на следующий список некоторых важных аспектов исследования:
Нужен ли мне Python для анализа данных?
Пришло время сделать шаг, поскольку ожидается, что потребность как в специалистах по данным, так и в людях, которые анализируют данные, вырастет более чем на тысячу процентов в течение следующих нескольких лет. Изучение и знание Python является абсолютной необходимостью, если вы хотите продолжить карьеру аналитика данных или продвинуться по карьерной лестнице до специалиста по данным.
Каковы 4 шага анализа данных?
Из-за этого важно иметь представление о четырех уровнях аналитики, которые описываются как описательный, диагностический, предсказательный и предписывающий соответственно.
Описательная аналитика.
Диагностическая аналитика.
Прогнозная аналитика.
Предписывающая аналитика.
Является ли SQL достаточным языком для анализа данных?
Знание SQL также требуется от аналитиков данных, чтобы они могли понимать информацию, содержащуюся в реляционных базах данных, таких как Oracle, Microsoft SQL и MySQL. Изучение SQL абсолютно необходимо для правильной подготовки и организации данных. Например, если аналитикам необходимо выполнить анализ с помощью инструментов для работы с большими данными, им необходимо знать язык SQL.
FAQ
Каковы три основных навыка аналитика данных?
Основные навыки для аналитиков данных
- SQL. SQL, или язык структурированных запросов, — это повсеместно распространенный язык баз данных, являющийся отраслевым стандартом, и, возможно, это самый важный навык, который должен знать аналитик данных. …
- Майкрософт Эксель.
- Критическое мышление.
- R или Python – статистическое программирование.
- Визуализация данных.
- Навыки презентации.
- Машинное обучение.
Насколько сложна аналитика данных?
Как я упоминал выше, аналитика данных не является сложной областью, потому что она не очень академическая, и вы можете приобрести необходимые навыки на этом пути. Это означает, что вам нужно будет посвящать пару часов в неделю изучению этих навыков, чтобы сделать карьерный переход эффективным.
Могу ли я изучить Data Analytics самостоятельно?
Да, вы можете изучить основы анализа данных самостоятельно. Чтобы изучить R, человеку с опытом программирования может потребоваться всего неделя заочного обучения, в то время как новичку, скорее всего, потребуется около трех недель очного обучения. Конечно, ни один из этих навыков не используется изолированно.
Цифровая аналитика — это сложно?
По сути, веб-аналитика очень сложна, потому что мы имеем дело с очень сложными наборами данных, статистическим анализом, пытаемся связать онлайн- и офлайн-данные, сезонность и многое другое. Нужен очень умный человек, чтобы делать это хорошо, не делая ошибок.
Связанные Airticles
- МЕТОДЫ ПРОГНОЗИРОВАНИЯ: Полное руководство по прогнозированию
- HR АНАЛИТИКА: актуальность, примеры, курсы, вакансии
- Преимущества переноса традиционного бизнеса в онлайн-бизнес
Источник: businessyield.com
Как начать карьеру дата-аналитика, где получить знания и каких ошибок можно избежать в этой профессии
Аналитика помогает бизнесу определить, куда лучше направить свои силы, что принесет больше результата. Например, какая аудитория приносит больше выручки, какой функционал удерживает пользователей, какая коммуникация увеличивает конверсию в покупку.
В современном мире огромную роль играют данные. Прогнозы, политики и стратегии выстраиваются на их основе. От профессионализма аналитика, знания отрасли, критического мышления, умения правильно и оптимально решать задачи зависит очень многое. Ирина Пилявская, руководитель аналитики Тинькофф банка рассказывает, как начать карьеру дата-аналитика, где получить необходимые знания и каких ошибок можно избежать в этой новой, но очень востребованной профессии.
Кто такой дата-аналитик и чем он занимается? Какова его роль в бизнесе?
Есть такое устоявшееся представление, что аналитик — человек, который занимается очень сложными расчетами. Мне не очень нравится это амплуа, потому что никогда не бывает задачи просто посчитать, аналитик — это не калькулятор. Никакие расчеты сами по себе не несут ценность для бизнеса. Ценность работы аналитика состоит в нахождении ответа на вопрос, в обнаружении инсайта, подтверждении или опровержении гипотезы, в помощи в принятии решения с опорой на данные.
В моем представлении аналитик — это партнер менеджера, который консультирует его, изучив данные. Для качественной работы такой специалист должен очень хорошо разбираться в контексте того, что он изучает, чтобы общаться с бизнесом на одном языке. Ему необходимо правильно понимать вопросы, возникающие у его коллег, и уметь доносить результаты своей работы доступно, чтобы менеджер понимал, что ему дальше с этими результатами делать.
Именно эта необходимость глубокого погружения в контекст приводит нас к специализации аналитиков. Маркетинговые, продуктовые, e-com, game-dev, crm — огромное множество приставок к слову «аналитик», которые можно встретить как в описании вакансий, так и в резюме специалистов. Экспертиза в какой-то области всегда идет большим плюсом для кандидата и может стать решающим фактором при найме в соответствующую команду.
Получается, что аналитик — это очень много про soft-skills и критическое мышление. Умение правильно и оптимально решать аналитические задачи я закладываю в инструментарий, который не всегда такой сложный, как его себе представляют. Необязательно надо быть гением статистики. Очень многие задачи можно решить минимальным набором навыков и обычной логикой.
В чем разница между Data Mining и Data Analyst?
Data Mining — это процесс анализа данных, которым занимается Data Analyst. Грубо говоря, недостаточно просто найти какую-то аномалию в данных. Ее обязательно надо объяснить человеческим языком, что она значит в реальном мире, как это выражается в поведении пользователей. Не встречала в своей практике, чтобы этим занимался отдельно выделенный человек, но вполне допускаю, что в очень больших аналитических командах такая роль может быть.
Я бы скорее поговорила о различиях Product Analyst и Data Analyst, потому что эта тема многих споров между аналитиками.
Продуктовый аналитик — специалист, который изучает поведение пользователей в продукте, аудиторию продукта, продуктовые сценарии. Тут очень важно уметь ставить себя на место конечного пользователя, и чаще гипотеза становится первичной. То есть это ситуация, не когда мы видим аномалию и пытаемся додумать, как при этом выглядит поведение аудитории, а наоборот — выдвигаем гипотезу и проверяем ее в данных. И очень важно уметь поставить себя на место менеджера продукта, понять, какие вопросы он задает, какие решения ему надо принимать, как ему помочь с помощью данных. Все то, о чем я уже говорила ранее.
Не все аналитики хотят развиваться в сторону продукта, маркетинга или любой другой сферы бизнеса. Есть много специалистов, у которых страсть к данным, их дофамин от работы лежит в области решения сложных статистических задач. Такие ребята идут скорее в Data-аналитики и, может, потом даже в Data Scientists. Им все равно важно понимать контекст задачи и целиться в применимость результатов их работы, но сами задачи более технологичные. Например, те же рекомендательные системы, предсказание покупок и много других задач в области, где сам продукт, может, и не слишком широк в плане функционала, поэтому улучшения данного продукта достигаются в том числе за счет использования данных.
Как начать карьеру аналитика, какие минимальные скиллы надо иметь?
Чтобы ответить на этот вопрос, надо сначала понять, что входит в задачи начинающего аналитика. Как правило, Junior-аналитику выделяют пул довольно простых задач, не требующих экспертизы, глубокого понимания тех самых бизнес-процессов. Например, какие-то несложные отчеты, базы для рассылок. Для этого аналитику достаточно уметь извлечь данные из базы и правильно представить.
В навыках это SQL, можно немного Python, математика и основы описательной статистики. В целом из hard-skills этого достаточно, хотя, конечно, очень сильно зависит от работодателя. Софт-скиллы нарабатываются опытом, надо много слушать, как мыслят бизнес-заказчики, смотреть выступления с конференций про конкретные кейсы — тоже очень полезно.
По мере роста у аналитиков появляются более сложные задачи, такие как построение дашбордов, исследования, проведение A/B-тестов. Для этого требуется уже хорошо понимать область, представлять ход мысли менеджеров, глубже разбираться в статистике и уметь понятно рассказывать сложные вещи.
Думаю, как и во многих других специальностях, карьерный рост аналитика связан не только с ростом сложности решаемых задач, но и с ростом самостоятельности, ответственности и инициативы. Это та профессия, в которой весьма ценится проактивность. Аналитик, понимающий потребности бизнеса, инициирует исследования и приходит к бизнесу уже с результатами и предложениями — такой специалист ценится на рынке на вес золота. Кстати, наблюдается довольно частая практика, когда в итоге аналитики становятся менеджерами продукта или управленцами бизнеса.
Где нужно учиться?
В вузах дают хорошую математическую базу, технически ребята выпускаются оттуда сильные. Но я не встречала, чтобы после учебы и без опыта работы кто-то разговаривал с менеджерами на одном языке. То есть без опыта сразу претендовать на middle-позицию, скорее всего, не получится. Есть и более быстрый способ — дополнительно поучиться. Образовательные курсы есть у многих компаний, и это будет ближе к запросу рынка в плане скиллов.
Тут я похвастаюсь тем, что делают мои коллеги по Тинькофф, потому что это правда большой вклад в индустрию. Есть образовательная программа «Тинькофф Финтех», на которой представлены образовательные курсы по разным направлениям: аналитике, разработке, QA, SRE, маркетингу и другим. Занятия ведут лиды и топовые специалисты компании, проверяют работы и помогают с пониманием материала.
Есть более длительная программа, специально подготовленная для студентов МГУ, ИТМО и УрФУ, доступная также и тем, кто не является студентом этих вузов. И самая фундаментальная и продолжительная образовательная программа — магистратура Тинькофф в МФТИ. Как я уже говорила, для аналитика критически важно понимать, как применять навыки на практике, и этим особенно хороша данная программа — с первого дня обучения вас трудоустраивают в компанию, дают возможность сразу «пощупать» задачи на практике и начать нарабатывать свой профессиональный опыт. Все образовательные программы бесплатны и доступны после отбора для всех, кто интересуется аналитикой или разработкой.
Хочу еще сделать акцент на том, что не стоит бояться и оттягивать обучение или думать, что перед тем, как сделать первый шажочек в профессии аналитика, надо сначала потратить годы на образование. Лучше освоить минимум и сразу искать практику, например, на позиции стажера или джуна. У меня в команде была пара ребят, которые так начинали и вскоре показывали очень хороший результат.
Конечно, во время работы они продолжали много изучать недостающего материала, но мы все всегда учимся — это тоже особенность профессии. Есть и примеры, когда аналитики приходили из другой профессии. Один, например, работал маркетологом — и это просто здорово! Такой маркетинговый аналитик может делать очень крутые вещи именно потому, что прекрасно понимает бизнес-контекст.
Это мой ответ на сомнение, которое может возникнуть относительно перехода из гуманитарной специальности. Я его не поддерживаю. Вот социология — гуманитарная наука? Из социологов получаются хорошие продуктовые аналитики, потому что, если задуматься, эти профессии схожи, они обе изучают поведение человека. Только социолог анализирует человека в социуме, а продуктовый аналитик — в продукте.
Сама я начинала свою карьеру тогда еще в стартапе — в приложении «Кошелёк». Это очень интересный опыт, но очень сложный из-за отсутствия ментора, который будет подстраховывать своим опытом и направлять в развитии. Поэтому для старта я бы все же рекомендовала крупные компании, где есть ресурсы и желание помогать начинающим аналитикам. Это более комфортный рост.
Профессия аналитика довольно молодая, может, поэтому вокруг нее так много дискуссий, и сама концепция хорошего аналитика непрерывно деформируется. Это интересно, и в то же время требует постоянного обучения, актуализации знаний, расширения своих профессиональных навыков. Для внутреннего развития и в том числе перехода из другой профессии у нас в Тинькофф есть курсы для сотрудников, где можно как изучать тот же SQL, статистику или дашбординг с нуля, так и прокачивать свои скиллы, чтобы развиваться в темпе индустрии.
Сколько стоит работа аналитика? На какую зарплату можно рассчитывать?
Рынок, конечно, очень разный. Надо понимать, что в самом начале нужно очень много времени других специалистов, чтобы рассказывать новичку все, что ему нужно узнать, проверять его работу и подсказывать, как выполнять задачи. И это всегда инвестиции со стороны компании-работодателя. В целом, по моим ощущениям, зарплатные ожидания начинающих аналитиков начинаются от 60 тысяч.
Аналитик уровня Middle в среднем по рынку получает 120–160 тысяч. За время локдауна зарплаты сильно росли, потому что иностранные компании стали больше нанимать на удаленке с гораздо более высокими офферами. Компаниям приходилось догонять и конкурировать с ними за найм, поэтому ставки доходили до 200 тысяч, но специалист должен был быть действительно хорошим, проактивным.
Для Senior Analyst или позиции Lead зарплаты начинаются от 220 тысяч и вплоть до 450 тысяч. Видела такие вакансии у кипрских криптостартапов, например. Но это и сфера очень специфическая, и потом может быть неприятно возвращаться к рыночным ставкам. Шучу, что такие вакансии надо показывать школьникам, чтобы они учили математику.
Как выглядит день для аналитика данных?
Очень сильно зависит от бизнес-команды, в которой работает аналитик. Скажем, в операционном подразделении, таком как отдел продаж, у аналитика очень много заказчиков задач, поэтому много коммуникаций и мало предсказуемости. В день в такой команде аналитик потратит не меньше часа, а то и два просто на ответы коллегам по команде. На передачу результатов работы давайте выделим 30 минут — час. Три часа я бы выделила на кодинг и часа два на красивое доступное оформление результатов своей работы: презентации, отчеты, документацию по исследованиям.
В продуктовой команде заказчик один — продуктовый менеджер. Ежедневно аналитик потратит 30 минут на синхронизацию по статусам задач, час можно выделить на взаимодействие с командой разработки по новым функционалам, разметке статистикой этих функционалов. Час выделим на подведение итогов A/B-тестов, а все остальное время потратим на продуктовые исследования, изучение поведения пользователей и прочее.
Что самое сложное в работе?
Вообще сложностей много, но ко всем можно придумать решение. Например, иногда прилетают очень срочные задачи, когда кто-то из бизнеса прямо сейчас сидит на переговорах и хочет получить какие-то цифры. Это может быть сложно некоторым ребятам чисто психологически — не растеряться, не испугаться и быстро сориентироваться. Конечно, я стараюсь предусмотреть такие моменты и подготовить все заранее, иметь все самые критичные данные в дашбордах. Но тут никто не защищен от подобных задач, если работает с операционными подразделениями.
Может быть сложно делать какие-то долгие исследования, когда не видно ни конца, ни края, просто потому что не чувствуешь прогресс и теряешься в том, что делать дальше. Можно прописывать заранее все гипотезы и фиксировать каждый день, что уже проверено, какие результаты. Но да, особенно первые три-четыре исследования могут именно из-за этого показаться сложными.
Есть ребята очень амбициозные, которые любят признание. Таких может задевать то, что результаты их работы как будто присваивают заказчики, потому что именно менеджеры принимают решения на основе данных и собирают все лавры. Для того чтобы не было подобных обид, я регулярно провожу аналитические демовстречи, на которых аналитики рассказывают всей команде о том, что классного они сделали, какие инсайты нашли. Это очень помогает.
Я сейчас думаю и понимаю, что я вообще не рассматриваю какие-то технические моменты как сложности. Аналитики — люди очень отзывчивые, мы все всегда рады помочь друг другу справиться с любыми расчетами, исследованиями, алгоритмами. Поэтому таких сложностей бояться вообще не стоит. А сложности с коммуникациями, мотивацией, выгоранием — хороший тимлид должен помогать своей команде с этим справляться, это его прямые обязанности. Плюс в Тинькофф в этом помогают психологи лайф-коучи, к которым может обратиться любой сотрудник.
Как выстроить процессы для аналитиков? Расскажите про взаимодействие с командой.
Если кратко сформулировать принципы, которых я придерживаюсь, когда выстраиваю процессы аналитической команде, то получится примерно следующее. Аналитика дает добавочную ценность бизнесу, но без нее можно прожить, поэтому взаимодействовать с аналитиками должно быть приятно и понятно, чтобы менеджеры обращались к аналитической экспертизе чаще. Процессы должны давать аналитикам комфортные условия для погружения в задачи, для этого коммуникации должны быть оптимизированы и удобны. И моей задачей является поиск баланса между удобством для аналитиков и качественным сервисом для менеджеров.
Очень важно, чтобы у аналитика была коммуникация и с бизнес-командой, и с другими аналитиками. Есть ребята, которым комфортно брать на себя роль просто молчаливого исполнителя, но это не то, что я от них хочу. Им надо много общаться со своим бизнес-заказчиком, поэтому у них должны быть регулярные встречи, чтобы они обсуждали цели и результаты задач.
Каждый день утром я встречаюсь со своей командой аналитиков, чтобы узнать, как у них прошел предыдущий день, что они обнаружили в данных, с какими вопросами столкнулись. Нужно понимать, что команда аналитиков может друг другу рассказать очень много полезного, подсказать. Но для этого нужна формальная встреча.
Как тимлид я провожу со своей командой регулярные ретро. Это такие психологические кружки, когда мы обсуждаем, что у нас получилось, что нас радует, что нас тревожит, расстраивает и так далее. Мне очень важно вовремя понимать, если что-то идет не так. Аналитик — это на самом деле такой творческий человек в мире статистики.
А хорошо делать интеллектуальную работу может только счастливый человек. Если ты находишься в постоянном стрессе, это просто неминуемо приведет к выгоранию. Привести к этому может что угодно: нет понимания полезности своей работы, проблемы в общении с менеджерами, слишком большая нагрузка, синдром самозванца. Моя задача и задача компании — вовремя разглядеть проблему и решить ее, лучше сразу через процессы и для всей команды.
Очень важно грамотно планировать нагрузку на аналитиков и приоритеты для задач. Приоритеты определяют сами заказчики, что сейчас важнее сделать. Но мы, как исполнители, должны сообщить, сколько задач мы можем взять, чтобы не испытывать стресс, что мы что-то не успеваем и не перерабатывать. И еще это все про управление ожиданиями — заказчик задачи должен понимать, когда мы отдадим ему результат и в каком виде, чтобы планировать свою работу.
Еще очень важно дать аналитикам возможность сосредоточиться на своих задачах в течение дня и не отвлекаться на сообщения от менеджеров. Сообщений может быть очень много, и тогда сосредоточиться на исследовании просто не получается. Я решила эту проблему каналом в слаке для вопросов к аналитикам. Получается, что ответить может любой освободившийся специалист.
И интересно, что это даже не всегда аналитик — любой, кто уже сталкивался с вопросом и знает, как ответить. Также мы собрали ответы на самые частые вопросы. Получается, что такой канал освободил для нас очень много времени. И это уже такой взгляд на аналитику как на продукт и сервис.
Тема процессов — очень интересная и актуальная для многих команд, а еще обширная. У меня есть отдельная статья на habr, в которой я рассказываю про адаптацию scrum под аналитиков.
Какие ошибки наиболее распространены в работе аналитика?
Качество данных — это наше больное место. Часто в спешке делаешь работу на каких-то данных, с которыми уже много раз сталкивался, что что-то могло произойти с их доставкой в БД, и тогда результаты расчетов получаются неверными.
Еще из технических ошибок: когда собираешь как-то очень сложно данные из разных таблиц с кучей условий, то большая вероятность где-то напортачить. Проблема в том, что наш код никто, кроме нас, не протестирует. Поэтому надо выделить время, чтобы сесть и перепроверить, получается ли результат, который ожидаешь.
Чтобы отловить ошибки, мы внедряем процесс code-review — это когда твой код должен перепроверить другой аналитик. Вообще такая практика есть у разработчиков, но мы тоже пишем код, а потому часто подсматриваем у них успешные практики. И вот я опять вернулась к процессам.
Я так же отнесу к ошибкам ситуации, когда аналитик не проработал постановку задачи с заказчиком. То есть, когда задачу не обсуждают заранее, а просто делают по тз от менеджера. Часто выходит, что бизнес сформулировал свой вопрос как-то не так, и аналитик сделал не то, что решит проблему заказчика. Приходится переделывать и тратить в два раза больше времени.
Как аналитика помогает в кризисное время?
Аналитика — это глаза бизнеса. Нескромно звучит, но я в это верю. И в Тинькофф со мной согласны — мы очень любим подвергать сомнению гипотезы, считать и принимать решения на основе данных. Аналитика помогает бизнесу определить, куда лучше направить свои силы, что принесет больше результата.
Например, какая аудитория приносит больше выручки, какой функционал удерживает пользователей, какая коммуникация увеличивает конверсию в покупку. То есть аналитика — это знания, без которых бизнес стреляет из пушки по воробьям.
Источник: www.it-world.ru