Аналитик данных: чем он занимается и сколько зарабатывает
По статистике международной стаффинговой группы Ancor, в 2022 году 45% российских компаний ищут аналитиков данных. Эти специалисты разбираются в массивах данных и помогают бизнесу вовремя замечать тренды, контролировать ситуацию на рынке и прогнозировать успешность проектов и кампаний.
Разберёмся, чем конкретно занимаются дата-аналитики, сколько зарабатывают и какие навыки им нужны для старта в профессии. Статья будет полезна новичкам и тем, кто хочет перейти в сферу из смежной отрасли.
Благодарим Вячеслава Потапова, руководителя отдела аналитики в компании «Метр квадратный» и эксперта Нетологии, за помощь в подготовке материала.
Светлана Устилко
В материале
Кто такой аналитик данных и зачем он компаниям
Дата-аналитик — специалист, который собирает, обрабатывает, анализирует и интерпретирует большие данные. Он помогает искать скрытые причинно-следственные связи между массивами информации, объяснять их цифрами и находить решения для оптимизации бизнес-процессов.
Аналитики данных востребованы в разных отраслях экономики: технологической, энергетической, финансовой, логистической, промышленной, научной и многих других. С их помощью компании ищут точки роста, повышают эффективность процессов и проверяют различные гипотезы.
В промышленной сфере аналитики данных помогают спрогнозировать сценарии отказов оборудования, в финансовой — оценить платёжеспособность клиентов при выдаче займа. Энергетические компании используют дата-анализ для предсказания потребления электроэнергии — эта информация помогает им своевременно оптимизировать производство и сократить издержки.
Какие задачи решает дата-аналитик
Задачи аналитика данных находятся на стыке математики, статистики, программирования и продакт-менеджмента. В результате его работы компания получает наглядные выводы, которые помогают ей прогнозировать будущее, принимать объективные бизнес-решения и получать выгоду.
Чем обычно занимается дата-аналитик:
- Автоматизирует процессы сбора и обработки данных для составления аналитических и статистических отчётов.
- Ищет закономерности в результатах проведённых исследований. Понимание взаимосвязей нужно для определения решений, основанных на цифрах и фактах.
- Внедряет бизнес-метрики, которые помогают оценивать различные виды деятельности компаний. Так, CAC показывает сумму, которая была потрачена на привлечение клиента, а ROI позволяет определить процент окупаемости инвестиций. Метрики могут быть разные и зависят от предмета исследования.
- Применяет диагностическую аналитику, чтобы установить причинно-следственные связи между произошедшими ранее явлениями.
- Использует предсказательную аналитику для выдвижения новых гипотез.
- Проводит A/B тестирование. Это помогает исследовать реакцию рынка и потребителей на изменения в продуктах и услугах компании.
- Применяет методы юнит-экономики для поиска наиболее выгодных решений по логистике и дистрибуции товаров.
Часто дата-аналитиков путают с дата-сайентистами, хотя это две разные профессии. Первый занимается выгрузкой, обработкой информации, формулированием выводов, машинным обучением. Второй имеет более широкие компетенции в Data Science и специализируется на решении технических задач: создаёт нейросети, внедряет технологии, протоколы и алгоритмы.
Вячеслав Потапов
Руководитель отдела аналитики в компании «Метр квадратный»
Поделюсь личным опытом и расскажу, чем могут заниматься аналитики данных в банковской сфере.
Однажды мы с коллегами решили усовершенствовать алгоритм проверки действий клиентов. Дело в том, что банки должны противодействовать мошенническим операциям, незаконному выводу средств и финансированию запрещённых организаций. Они обязаны следить за потоком транзакций, своевременно останавливать подозрительные действия и сообщать о них в надзорный орган. Однако на практике выполнять эти задачи непросто: клиенты совершают огромное количество финансовых операций, да и мошенники постоянно совершенствуют методы обмана.
Наш банк действовал по правилам, установленным службой безопасности. По этому регламенту ежедневно под блокировку попадали тысячи транзакций и сотни счетов. Но возникала проблема: из-за попытки снизить шансы на проведение мошеннических операций страдали невиновные клиенты. Их счета и переводы также блокировались.
С помощью статистических методов мы несколько месяцев изучали поведение мошенников, анализируя их транзакции и данные о лицевом счёте, строили графы, изучали зависимости. В результате удалось создать техническое решение, которое в автоматизированном режиме мониторит сотни транзакций в секунду и своевременно сигнализирует сотрудникам отдела финансового контроля о подозрительных действиях. Наша система работает на стабильно высоком уровне, сильно не затрагивая добросовестных клиентов.
Таким образом мы смогли решить сразу две задачи:
Выполнение требований Росфинмониторинга по блокировке подозрительных клиентов.
Соблюдение интересов бизнеса — добросовестные клиенты больше не страдали из-за системы контроля.
Какие навыки нужны в работе аналитика данных
Чтобы эффективно справляться с описанными задачами, специалисту по анализу данных понадобятся следующие хард- и софт-скиллы ↓
- Написание запросов на языке SQL. Это помогает автоматизировать рутинные задачи, анализировать данные, проверять предположения, обрабатывать большие объёмы информации для поиска закономерностей.
- Формулирование гипотез. Необходимо для подготовки предложений и прогнозов, которые смогут решить проблему или задачу заказчика.
- Визуализация данных в Qlik Sense, Tableau или Power BI. Графическое представление информации в дашбордах позволяет наглядно презентовать бизнесу выводы и наблюдения.
- A/B-тестирование. Этот инструмент помогает убедиться в правильности предположений.
- Создание отчётов на языке пользователей. Важно подбирать понятные для заказчика термины для представления результатов работы.
- Использование систем типа Big Data. С их помощью значимая информация выгружается из различных источников.
- Критический анализ собственных идей и информации. Необходим для получения достоверных выводов, основанных на цифрах, а не привычных представлениях.
- Навыки коммуникации, ведения переговоров. Важно находить общий язык с заказчиками и правильно понимать их желания и проблемы.
- Умение работать в Google Sheets или Excel. Этот навык необходим для создания отчётов, дашбордов, предоставления информации для пользователей.
На примере реальной вакансии c hh.ru можно убедиться, что от соискателей ждут плюс-минус этих знаний и умений:
Где работают дата-аналитики и сколько зарабатывают
Аналитики работают в крупных компаниях, которым необходимы сотрудники для обработки массивов данных в хранилищах и внешних источниках. Это банки, организации по защите интеллектуальной собственности, мультиплатформенные и мобильные операторы, информационные центры, промышленные холдинги, сети магазинов, маркетинговые агентства, IT-компании.
В среднем специалисты по анализу данных получают 129 тысяч рублей. Размер зарплаты зависит от стажа, уровня квалификации соискателя и платёжеспособности работодателя.
На старте карьеры дата-аналитик может зарабатывать от 35 тысяч рублей:
Мидл-аналитикам готовы платить до 140 тысяч рублей:
Сеньоры получают до 300 тысяч рублей:
Как стать аналитиком данных
Обычно в дата-аналитики идут выпускники физико-математических специальностей, а также те, кто уже работает в области математики, статистики, экономики и программирования. Однако попробовать свои силы в этой области может любой.
Если есть базовые знания по статистике и программированию, освоить специальность будет проще. Развить навыки самостоятельно помогут книги и онлайн-ресурсы, за более системным обучением стоит идти на программы переквалификации. С нуля получить профессию аналитика данных можно на профильных курсах.
Программу профессиональной переподготовки проводит НИУ ВШЭ. На факультете компьютерных наук вуза студентов обучают прикладной статистике, продуктовым и бизнес-подходам в анализе, SQL и Tableau. Курсы нужно посещать очно.
Дополнительное профессиональное образование можно получить в МФТИ. В программу включены практикумы по анализу данных, уроки по визуализации информации в Power BI, Tableau, кодированию на Python. Занятия проходят в формате вебинаров. Есть возможность задать вопросы преподавателям в чате.
Онлайн-курс «Аналитик данных» есть в Нетологии. Программа адаптирована под реальные задачи, с которыми сегодня встречаются специалисты на практике. Студенты получают универсальные знания и навыки, которые позволяют работать в любых отраслях экономики.
Профессия
Аналитик данных
Узнать больше
- Станете универсальным аналитиком, который сможет работать в любой сфере
- Изучите технологии и получите навыки, востребованные у работодателей
- Начнёте работать по специальности уже через 6 месяцев обучения
Что почитать про аналитику данных
Полезные знания для работы аналитиком данных можно найти на профильных ресурсах и в книгах от экспертов.
Блоги
- Leftjoin — сайт аналитика данных Николая Валиотти, основателя компании Valiotti Analytics. Автор делится опытом разработки дашбордов, применения BI-систем, словарей, полезных модулей Python.
- AnalyzeCore — англоязычный ресурс Сергея Брыля, директора по науке данных в IT-компании MacPaw. Он пишет о моделях атрибуции, поиске аномалий, маркетинговых метриках, когортном анализе, сегментации клиентов, машинном обучении.
- Reveal the Data — в блоге кандидата технических наук Романа Бунина можно почитать о развитии BI-систем и визуализации данных. На сайте есть примеры работ с комментариями эксперта, статьи про дашборды.
- GoPractice — одноимённый ресурс компании-разработчика программного обеспечения GoPractice. Здесь можно почитать статьи о создании и развитии продуктов, управлении ими, об инструментах анализа данных, юнит-экономике, метриках, A/B-тестировании и экспериментах.
Книги
Работа с данными в любой сфере
Кирилл Еременко
Практическое руководство по использованию аналитики для обработки массивов. Директор компании ZIFF Бен Тейлор назвал издание самым подробным источником для желающих разобраться, кто такой аналитик данных и что он делает.
Гид по профессии аналитик данных: кто это, чем занимается и сколько зарабатывает
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.
Аналитик данных — с нуля до трудоустройства за 9 месяцев
- Постоянная поддержка от наставника и учебного центра
- Помощь с трудоустройством
- Готовое портфолио к концу обучения
- Практика с первого урока
Вы получите именно те инструменты и навыки, которые позволят вам найти работу
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.
- Описывают модели данных и сценарии использования — собирают фокус-группы, прорабатывают данные и предлагают варианты действий.
- Формируют 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.
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:
- « Python и анализ данных », Уэс Маккинни
- « Говори на языке диаграмм », Джин Желязны
- « Статистика для всех », Сара Бослаф
- Подборка курсов по системе Microsoft Power BI
- Основы Microsoft Excel
- Методы прогнозирования и анализ данных с R
- Руководство по анализу данных для начинающих
С чего начать учиться на аналитика данных: особенности, источники и идеи для первых проектов
В этой статье вместе с математиком и дата-сайентистом Василием Васильевым разберемся в перспективах и популярности профессии аналитик данных в 2022 году, поговорим о навыках и инструментах, необходимых для работы, и о источниках идей для первых проектов.
Кто такой аналитик данных
Начнем с простого примера. Представьте, что ваш ребенок нарисовал картину и вам нужно найти инструмент, чтобы повесить ее. Можно использовать гвозди, но чем их забить — непонятно. Можно сделать это кулаком, но, наверное, будет больно. Можно книжкой, но, наверно, жалко. Самый удобный инструмент — молоток.
В работе с большими объемами данных инструмент — математические модели. Они помогают найти связи между разрозненными наборами информации и перевести ее на язык, понятный человеку. Сбором, обработкой данных и построением математических моделей занимается Data Analyst. Результат его работы — наглядные выводы (схема, диаграмма или инфографика), которые можно использовать для принятия бизнес-решений.
Аналитик данных — с нуля до трудоустройства за 9 месяцев
- Постоянная поддержка от наставника и учебного центра
- Помощь с трудоустройством
- Готовое портфолио к концу обучения
- Практика с первого урока
Вы получите именно те инструменты и навыки, которые позволят вам найти работу
Аналитик данных, например, помогает ответить на следующие вопросы:
- На каких клиентов должен ориентироваться бизнес в своей следующей рекламной кампании
- Какая возрастная группа наиболее уязвима для того или иного заболевания
- Какие модели поведения связаны с финансовым мошенничеством.
Спрос на аналитиков данных постоянно растет — это сравнительно новая сфера, в которой число вакансий существенно превышает предложение. По прогнозам Всемирного экономического форума, с 2020 до 2030 года количество вакансий для аналитика данных вырастет на 25%. Это существенно быстрее, чем общий темп роста занятости (7,7% за тот же период).
С чего начать учиться
Без знания математики анализировать данные будет довольно сложно. На начальном уровне достаточно понимать производные на уровне школьной программы, уметь применять метод градиентного спуска, знать теорию вероятностей, основы дискретной математики и статистики.
Если говорить о выборе языка программирования, то чаще аналитики работают со связкой Python и SQL. В вакансиях чаще упоминаются Python-библиотеки Pandas и NumPy. Если говорить об инструментах для визуализации данных, то чаще встречаются следующие:
- Matplotlib — Python-библиотека для визуализации данных двумерной графикой.
- Seaborn — еще одна Python-библиотека для создания статистических графиков.
- Power BI — комплекс программных служб от Microsoft, в числе которых инструменты для визуализации данных.
- Metabase — сервис, котрый позволяет хранить данные, создавать DataLake, строить гибкие запросы и визуализировать отчеты.
Стоит отметить, что знать все перечисленные выше инструменты визуалиции не обязательно: часто в вакансиях указывают одну из них на выбор.
Стоит отметить, что существуют no-code решения с готовыми математическими моделями, в которые достаточно загрузить данные. Однако пользоваться ими стоит только в случае, если вы понимаете, что происходит внутри математической модели. В противном случае в результате анализа может быть много ошибок, которые напрямую повлияют на качества информации, которую предоставляет аналитик.
Какими источниками пользоваться
Выше уже говорилось, аналитику данных важно уделять много внимания математике, а не только учиться писать код. Вот несколько бесплатных курсов, которые помогут понять, в каком направлении двигаться:
- Введение в математический анализ , Александр Храбров, ВШЭ
- Введение в математическую логику, Хекслет
- Теория вероятностей , Александр Храбров, ВШЭ
- Python: Основы программирования, Хекслет
- Открытый курс по машинному обучению , сообщество Open Data Science
Отдельные темы, связанные с анализом данных, обсуждаются на форуме cyberforum в разделах, посвященных базам данных, Python и SQL. Несмотря на устаревший дизайн, пользователи форума достаточно активно отвечают на вопросы и помогают решать проблемы.
Читайте также: Как сохранять фокус на протяжении всего обучения: советы от Хекслета
В списке книг — Data Science from Scratch Джоэла Граса (в русском переводе «Data Science. Наука о данных с нуля») и Data Science for Business Фостера Провоста. Обе предназначены для новичков, которые уже знакомы с математикой, и посвящены базовым принципам анализа данных.
Как проверить знания на практике
Kaggle — крупнейшее в мире англоязычное сообщество дата-сайентистов и платформа для тренировки навыков по анализу данных. На ней есть раздел Learns с классическими задачами на анализ данных и Competition с более сложными кейсами, которые можно решать одному или в команде.
Кроме того, можно решать задачи из вступительных экзаменов прошлых лет в Высшую школу экономики (ВШЭ), Российскую экономическую школу (РЭШ) или Школу анализа данных (ШАД). Они доступны в открытом доступе, а результаты можно обсудить, например, с пользователями cyberforum .
На какую зарплату можно рассчитывать
По данным рекрутингового сервиса HH, в апреле 2022 года в России открыто 10 536 вакансий Data Analyst. Подавляющее большинство из них — в Москве (5 536), далее следуют Санкт-Петербург (1 356), Свердловская область (314) и Татарстан (307).
Средняя зарплата аналитика данных, по подсчетам сервиса Zarplan, в апреле 2022 года составляет 227 тыс. рублей. Минимальная зарплата составляет 60 тыс., максимальная — 500 тыс. рублей для руководителя команды анализа данных.
Вместо заключения
Главный итог обучения — смена профессии. Вот несколько советов, с чего начать переход от задач и тренировки к реальным проектам в портфолио:
Лучшее, с чего можно начать — найти в своей жизни момент, который можно автоматизировать. Например, посчитать, сколько страниц книги вы читаете в день и как количество прочитанных страниц зависит от времени, в которое вы читаете.
- Задачи, которые встречаются в реальных проектах
Можно попробовать решить задачи, которые встречаются в реальных проектах. Часто их можно найти в тестовых заданиях компаний, которые ищут аналитиков данных. В отдельном репозитории Хекслета на GitHub есть около сотни реальных тестовых заданий российских и зарубежных компаний.
- Принять участие в опенсорс-проекте
Опенсорс — настоящие проекты или реальный продакшен. Участие в них дает новичку опыт работы в команде, учит ответственности, планированию, тайм-менеджменту и помогает применить знания на практике.
Профессия «Аналитик данных»
- Изучите востребованную в каждой компании профессию и помогайте бизнесам расти и развиваться
- Научитесь собирать, обрабатывать, изучать и интерпретировать данные с помощью SQL и Google Sheets
- Освойте когортный анализ и визуализацию данных с помощью Superset и библиотек Python
Что нужно знать аналитику данных?
Хотите стать аналитиком данных? В 2022 году объем мирового рынка данных составит 300 миллиардов долларов. Аналитик данных, специалист по данным, инженер данных, архитектор данных — эти специальности переживают бум, и ИТ-компании активно ищут таких профессионалов.
Главные преимущества этих профессий — заработная плата и постоянное развитие. Каждую секунду компании собирают тонны данных, и специалисты по работе с ними нужны им уже сейчас.
В этой статье мы поговорим об одной из самых интересных профессий — аналитик данных. Также мы расскажем о навыках, которыми должен обладать такой человек.
План обучения для аналитика данных
Кто такой аналитик данных? Чем он занимается?
Проще говоря, аналитик данных отвечает за сбор данных, их обработку и анализ.
В большинстве случаев аналитик работает с необработанными данными. Обрабатывая их, он делает осмысленные выводы. Основная часть аналитиков не работает с базовым машинным обучением или моделями глубокого обучения.
Аналитик работает с множеством инструментов для обработки данных и работы с ними. Поэтому важно получить опыт работы с этими инструментами и статистикой.
В следующих разделах мы обсудим все необходимые навыки и посоветуем материалы для обучения.
1: Статистика
Для каждого специалиста по работе с данными статистика и математика — обязательные предметы. Потому что без знания статистики и теории вероятности вы не сможете интерпретировать данные.
Основными аспектами являются описательная и инференциальная статистика. Начинающим желательно потратить 2-3 недели на освоение этих тем и на решение практических задач.
Рекомендуем к прочтению:
- Мичиганский университет (Coursera) — Статистика в Python . Этот важный курс поможет применить знания статистики в Python.
- советуем также ознакомиться с этими книгами .
2: Excel
Excel — один из самых важных инструментов для обработки и анализа данных. Есть много других инструментов, с которыми работают аналитики, но на сегодняшний день Excel является важнейшим из них.
В нем очень много полезных функций: диаграммы, анализ, VBA, макросы, фильтры и формулы. А функции Pivot table и VLOOKUP – наиболее часто используемые аналитиками в Excel.
Следовательно, глубокое знание Excel будет серьезным позитивным сигналом для работодателя. Поэтому мы рекомендуем вам пройти пару курсов и как можно больше практиковаться.
Рекомендуем к прочтению:
- 365 Data science – Введение в Excel . Один из самых недооцененных курсов. Он предлагает гораздо больше, чем просто изучение Excel для анализа данных.
- Университет Райса (Coursera) — Введение в аналитику данных и работа с Excel. Этот курс входит в специализацию “Бизнес-статистика и анализ”. Он научит вас работать с Excel (от основ до продвинутого уровня).
3: SQL
Поговорим о важности SQL в анализе. Как аналитик вы также должны быть знакомы с базами данных и их управлением, ведь вам нужно будет выполнять CRUD-операции в базе данных. Для этого нет инструмента лучше, чем SQL.
Для проведения эффективного анализа нужно освоить: соединения, операции с таблицами, объединение, группирование, упорядочивание и т. д.
Рекомендуем к прочтению:
- Университет Дьюка (Coursera) – О т Excel до SQL: способы анализа бизнес-данных . Этот курс поможет изучить все концепции SQL, которые нужны для анализа данных.
- Одна из лучших книг – Learning SQL (Oreilly), 3-е издание .
4: Инструменты бизнес-аналитики
Инструменты бизнес-аналитики, или BI – это наиболее используемые инструменты для бизнес-аналитиков и аналитиков данных. Работать с ними можно с помощью Python, R, а также SQL.
BI в основном используется для создания дашбордов, отчетов и визуализации данных. Лучшие инструменты BI в 2022 году — это Tableau, PowerBL и Looker.
Рекомендуем к прочтению:
- Калифорнийский университет (Coursera) — Визуализация данных с помощью Tableau . Этого курса более чем достаточно для изучения Tableau.
- Udemy — введение в Power BI . Лучший курс для новичков, который поможет освоить Power BI.
- Также следите за учебными материалами на официальных сайтах инструментов.
5: Язык программирования
Знание одного или нескольких языков программирования будет большим плюсом. Хотя некоторые компании и не требуют от аналитиков таких навыков.
Мы рекомендуем изучить Python и R. В этих языках есть множество надежных библиотек: numpy, pandas и mat plot lib в Python и dplyr, ggplot в R.
Знание этих библиотек сделает анализ эффективнее и точнее.
Рекомендуем к прочтению:
- Профессиональная сертификация “Аналитика данных от IBM” и профессиональная сертификация “Анализ данных от Google ” – одни из лучших курсов Python и R для аналитики. Первый больше сфокусирован на Python, а второй— на R.
- Free code camp, Анализ данных с помощью Python . Этот курс познакомит вас со всеми методами и библиотеками для анализа данных в Python.
- Лучшие книги: Python for Data analysis (Oreilly) , 2-е издание и Data Analytics with R .
6: Портфолио и резюме
После прохождения всех курсов и практик полученные знания нужно отразить в резюме и портфолио. Старайтесь работать над какими-то реальными проектами, в которых вы сможете применить приобретенные знания.
Обязательно потратьте время на составление резюме и укажите все ваши умения, проекты и опыт. Ведь по итогу резюме и портфолио – единственное место, где ваша работа будет тщательно описана.
Последний, но довольно важный навык — сторителлинг данных. Вы можете быть очень сильны технически и разбираться в утилитах, но без хорошего сторителлинга весь ваш анализ будет напрасным. Поэтому убедитесь, что правильно излагаете свои мысли.
Рекомендуем к прочтению:
- Data camp, советы по составлению резюме для аналитика данных .
- Криш Найк, YouTube-канал, посвященный науке о данных . Здесь вы найдете большое количество видео, связанных с составлением резюме и портфолио.
Все ресурсы и навыки в этой карте обучения очень важны. Поэтому обратите внимание на каждый, если хотите построить карьеру.
Предлагаемый здесь план охватывает почти все востребованные в отрасли навыки и основан на интервью многих работающих специалистов. Потратьте немного времени, попрактикуйтесь, решите несколько задач и поработайте над реальными проектами, если хотите попробовать себя в аналитике данных.