Что нужно знать аналитику

Как стать аналитиком данных: какие навыки нужно получить и где искать первые проекты

Аналитика — идеальная сфера для тех, кто любит решать головоломки. Рассказываем, как стартовать в ней с нуля.

Фото: Monty Rakusen / Getty Images

Роман Панов

Редактор и иллюстратор. Перепробовал пару десятков профессий — от тестировщика до модели, но нашёл себя в удалёнке. Учится в Skillbox и делится в своих текстах новыми знаниями.

О старте в аналитике рассказала

Влада Савина

Специалист по машинному обучению департамента аналитических решений в ГК «КОРУС Консалтинг». Магистр НИУ ВШЭ по направлению «Наука о данных». В IT с 2019 года, участвовала в проектах из разных сфер — от ретейла до финтеха.

Профессия аналитика данных востребована — только на HeadHunter размещено более 49 тысяч вакансий со словом «аналитик» в описании. Аналитика позволяет зарабатывать 200 тысяч рублей в месяц, с неё можно начать путь в IT.

Если вы мало знаете об этой сфере, но хотите освоить профессию аналитика данных, читайте нашу статью. Рассказываем, что нужно знать на старте.

• Кто такой аналитик данных
• Чем занимается аналитик данных
• Сколько он зарабатывает
• Что знает и умеет аналитик данных
• Как стать аналитиком данных
• Где искать работу новичку

Кто такой аналитик данных

Аналитик данных (data analyst) — это специалист, который работает с данными: собирает, обрабатывает их и делает выводы на их основе. Эти выводы помогают принимать бизнес-решения.

Аналитик ищет закономерности в данных — а они бывают как довольно очевидные, так и неявные. Когда аналитик обнаруживает неявные закономерности, это называют инсайтом — от английского insight, что значит «понимание», «интуиция».

Вот пример закономерностей, с которыми работает аналитик. Компания продаёт товары на маркетплейсе. Руководитель ставит аналитику задачу: нужно понять, как изменить цены на товары, чтобы продавать больше.

Аналитик изучает данные и замечает, что некоторые товары охотнее покупают перед выходными. Он делает вывод: возможно, это значит, что перед выходными цены на такие товары стоит повышать. Или аналитик находит другую закономерность: молодые люди покупают товары определённой категории чаще, чем старшее поколение. Он делает вывод: возможно, необходимо снизить цены на эти товары, чтобы привлечь новых клиентов.

Аналитик может работать как в офисе, так и удалённо. Но чем ближе он к бизнес-процессам, тем больше ему нужно общаться с сотрудниками компании. Поэтому аналитиков чаще нанимают на работу в офисе.

Также аналитик данных может работать на фрилансе и вести несколько проектов одновременно. Но искать задачи на фрилансе сложнее — в основном компании ищут сотрудников в штат.

Чем занимается аналитик данных

Все аналитики данных решают следующие задачи:

• Сбор данных. Аналитику нужно понять, какие данные могут потребоваться для решения задачи и где их можно найти. Он берёт данные из внутренних и внешних источников — онлайн-сервисов, документов и баз — и объединяет их для дальнейшей работы.
• Обработка данных. Аналитик удаляет ненужные данные, очищает их от ошибок и повторов. Решает, как их можно отсортировать, и упорядочивает.
• Интерпретация. Аналитик ищет закономерности в данных и выявляет аномалии. Выясняет, как метрики влияют друг на друга, и рассчитывает необходимые для бизнеса показатели.
• Построение отчётов. Аналитик готовит отчёты и визуализирует их: делает графики и диаграммы.
• Выводы. Выводом может служить результат логического умозаключения или рекомендация. Например, аналитик может выяснить, почему изменилась какая-то метрика, или выдвинуть гипотезу о том, что стоит сделать, чтобы улучшить результаты.

В аналитике данных много направлений и, следовательно, есть разные специализации. Например, бывают маркетологи-аналитики, продуктовые аналитики, бизнес-аналитики, финансовые аналитики. Все они решают задачи, о которых мы говорили выше. Но методы анализа, метрики и объекты, с которыми работают специалисты, различаются.

Например, маркетологи-аналитики, скорее всего, будут работать с воронками продаж, сегментацией аудитории и юнит-экономикой. Продуктовые аналитики — с системой продуктовых метрик, мониторингом KPI и анализом причин и следствий. Бизнес-аналитики — с бизнес-процессами: эти специалисты больше других погружены в детали работы компании.

Редакция «Управление» Skillbox Media изучила зарплаты на рынке

Сколько зарабатывает аналитик данных

На рынке труда большой спрос, а специалистов не хватает. Поэтому зарплаты в этой отрасли большие. Согласно статистике Zarplan, средняя зарплата аналитика данных в России — 107 516 рублей в месяц. А медианная зарплата — 83 тысячи рублей в месяц.

На зарплату влияют разные факторы — например, регион, размер компании, число обязанностей. Но в первую очередь уровень дохода зависит от квалификации специалиста. В диджитале обычно выделяют три уровня компетенций: джун, мидл, сеньор.

Джуниор — новичок, который может написать простой код и работать с базами данных. Его зарплата — от 40 тысяч до 80 тысяч рублей в месяц: такие предложения есть на HeadHunter.

Мидл — специалист с опытом работы от года. Зарплата специалиста такого уровня — от 100 до 200 тысяч рублей в месяц.

Сеньор — специалист с опытом работы от трёх лет. Он разбирается в бизнес-процессах и умеет общаться с бизнес-заказчиками и разработчиками. Сеньор может рассчитывать на зарплату от 200 тысяч рублей в месяц.

Вертикальный рост «джун → мидл → сеньор» обычно занимает около 4–5 лет. Чем больше у специалиста опыта и проектных достижений, тем больше его будут ценить и, следовательно, тем больше ему будут платить.

Аналитик данных может продвинуться по карьерной лестнице и зарабатывать больше. Если развить хард-скиллы — например, навыки программирования, математики, статистики или моделирования, — можно переквалифицироваться в дата-сайентиста. Это программист, который создаёт модели, предсказывающие результат.

Если сделать упор на софт-скилы и прокачать умение управлять командой и проектом, ответственность и понимание бизнес-процессов, то можно стать руководителем проектов.

Что нужно знать и уметь, чтобы работать аналитиком данных

Аналитик данных использует в работе математические методы, программирование и специальные сервисы. Перечислим то, что требуется каждому аналитику.

Знать математику и статистику. А именно математический анализ, линейную алгебру, численные методы, математическую статистику, дискретную математику. Это разделы математики, изучить их можно в вузе или на курсах для аналитиков.

Знать теорию нужно, чтобы правильно обрабатывать и анализировать данные, искать закономерности и зависимости, в том числе неявные. Ещё эти знания нужны для формирования и проверки гипотез.

Владеть языками программирования. Написание кода — неотъемлемая часть работы аналитика при обработке данных. Чаще всего используют следующие языки программирования:

• SQL. Довольно простой язык. Полезен для первого знакомства с данными.
• Python и R. Языки более высокого уровня, с их помощью можно выявлять сложные закономерности. Также они помогают визуализировать данные, что тоже полезно для аналитики.

Уметь работать с таблицами в Google и Excel. Почти все данные, с которыми работает аналитик, содержатся в таблицах. Также в Excel и «Google Таблицах» обрабатывают данные, строят прогнозы и составляют отчёты.

Уметь работать с инструментами визуализации. Например, с Power BI, Tableau, Qlik. В них строят дашборды — интерактивные информационные панели, которые получают данные из других систем и отображают их в понятном виде.

Понимать потребности бизнес-заказчиков. Аналитик должен хорошо разбираться в бизнесе, с которым работает. Только так он сможет определить, что означают для бизнеса полученные выводы.

Уметь общаться с людьми нетехнических специальностей. Аналитик часто взаимодействует не только с разработчиками и дата-инженерами, но и с другими сотрудниками. Поэтому он должен уметь объяснять даже самые сложные вещи понятным языком, избегая технических терминов.

Кому подойдёт работа аналитиком

В аналитике будет комфортно людям, которые любят решать головоломки или сложные неординарные задачи и готовы скрупулёзно изучать данные.

Что такое скрупулёзность? Аналитик данных должен быть внимателен к мелочам. Любая, даже незначительная ошибка может сильно повлиять на конечный результат. Кроме того, аналитик должен уметь мыслить критически.

Людям, которые не готовы долго сидеть над одной задачей, в аналитике будет сложно. Плохая новость для тех, кто в школе хейтил математику: её в аналитике достаточно.

Есть ещё один важный момент. В аналитике может не быть осязаемого результата. Заранее бывает сложно сказать, получится ли найти инсайты, с которыми можно вернуться к бизнесу. Или предложенные правила могут не сработать в реальной среде — и часто виноваты в этом будете не вы, а внешние обстоятельства, которые сложно предсказать.

Как стать аналитиком данных с нуля

Есть три основных способа начать работать в сфере. В аналитику приходят из смежных сфер, после получения профильного образования в вузе и после курсов.

Чаще всего в аналитику переходят из смежных отраслей. Аналитиками становятся программисты, экономисты, HR-специалисты и все, чья работа предполагала анализ данных. Даже те, кто просто работал с Excel. Главное для тех, кто приходит из смежных сфер, — подтянуть недостающие скиллы, например программирование или статистику.

Кроме того, в сферу попадают после обучения в вузе по специальности или смежным дисциплинам. Например, в НИУ ВШЭ есть магистерская программа по наукам о данных, а на мехмате МГУ — бакалаврская программа «Фундаментальная математика и математическая физика».

Ещё одна точка входа — курсы. На них преподают и математику, и программирование. Обычно программы курсов построены таким образом, чтобы дать необходимые для работы навыки.

Неважно, как вы пришли в аналитику. Главное — практиковаться. Примеры проектов, в которых вы участвовали, помогут подтвердить навыки при трудоустройстве. Подойдут даже симуляции проектов или результаты с Kaggle — популярной платформы для соревнований по data science от Google.

Учат ли на аналитика данных в Skillbox? Да, в Skillbox есть курс «Аналитик данных с нуля». Он подойдёт для старта в отрасли, даже если вы не слышали об аналитике данных раньше. Тем, кто хочет освоить профессию после вуза или перейти в отрасль из смежной специальности, курс поможет быстрее получить необходимые навыки. В программе 35 практических заданий по SQL, Power BI, Python и итоговый проект — работа над кейсом от разработчика компьютерных игр.

• проводить исследования и делать точные выводы — использовать математические модели, работать с массивами данных и находить закономерности в цифрах;
• использовать программирование: языки Python и SQL;
• строить гипотезы и оценивать перспективы бизнес-решений с помощью метрик;
• делать развёрнутые аналитические отчёты, работать с «Яндекс Метрикой» и Google Analytics и собирать данные в одном окне;
• работать с заказчиками — определять запросы бизнеса и презентовать результаты.

Найти работу можно уже во время обучения. Специалисты Центра карьеры Skillbox помогают оформить резюме и подготовиться к собеседованию, предлагают партнёрские вакансии.

Где искать работу аналитику данных

Искать работу можно на агрегаторах, на специальных площадках и по знакомству.

Площадок с вакансиями много. Можно пойти на агрегаторы вакансий — HeadHunter, «Хабр Карьеру» и другие. Если есть желание выйти на международный рынок, лучше всего искать работу на LinkedIn. Ещё есть каналы в Telegram — например, getmatch и careerspace.

Начинающим аналитикам данных полезно ходить на мероприятия IT-тематики и знакомиться там с работодателями и IT-специалистами. А ещё можно вступить в профессиональные сообщества в социальных сетях.

Чем больше усилий вы приложите, тем выше шанс быстро найти работу. Вот несколько советов начинающим аналитикам данных:

• Участвуйте в соревнованиях или создайте пет-проект — проект, который разрабатывают не на заказ, а для себя. Его можно включить в портфолио и показать при трудоустройстве.
• Готовьтесь к собеседованию — повторите технический материал, а также почитайте о компании, в которую вы идёте на интервью. Важно разбираться в контексте, чтобы показать свою заинтересованность на собеседовании.
• Оформите резюме. Желательно, чтобы оно включало проекты и решённые задачи. Также стоит упомянуть курсы, которые вы проходили.

Не бойтесь откликаться на вакансии, которые вам интересны, но требованиям в которых вы не соответствуете. Зачастую решение о найме принимают не на основе резюме, а после личной встречи, на которой вы можете показать себя с лучшей стороны.

Главное об аналитиках данных в 4 пунктах

• Аналитик данных (data analyst) — это специалист, который работает с данными. Он собирает их, обрабатывает и делает выводы на их основе. Аналитик данных может работать удалённо и в офисе, в штате и на фрилансе. Но чаще компании ищут специалистов в штат, в офис.
• В аналитике данных высокие зарплаты. Средний доход в России — 107 тысяч рублей в месяц. Рост от джуна до сеньора занимает в среднем 4–5 лет, и за это время можно увеличить доход до 300 тысяч рублей в месяц.
• Аналитик данных должен знать математику и статистику, уметь программировать на Python, R и SQL, работать с Excel и BI-системами. Аналитика подойдёт людям, которые любят решать головоломки и неординарные задачи.
• Есть три точки входа в аналитику — смежная отрасль, вуз и курсы. Курсы — хорошее решение и для тех, кто хочет освоить аналитику с нуля, и для тех, кто хочет перейти в неё из смежной отрасли или дополнить знания, полученные в вузе.

Редакция Skillbox Media рекомендует

Как узнать больше об аналитиках данных

• В Skillbox Media есть обзоры разных профессий, связанных с аналитикой. Прочитайте статьи о работе маркетолога-аналитика, финансового аналитика, UX-аналитика, веб-аналитика, бизнес-аналитика, чтобы понять, какая специализация вам подойдёт.
• Также в Skillbox Media есть статья, которую написал Ассир Битохов — дата-аналитик американской компании Xometry. Прочитайте её, чтобы узнать, как устроены карьерная лестница и собеседования в этой отрасли.
• Если вас интересуют сервисы, в которых работают аналитики данных, прочитайте другие материалы Skillbox Media. Мы уже рассказывали о «Яндекс Метрике», Google Analytics, BI-системах и Power BI.
• Если вы хотите стартовать в аналитике данных, обратите внимание на курс Skillbox «Аналитик данных с нуля». Он построен так, чтобы помочь освоить новую профессию даже тем, у кого нет опыта и знаний. На курсе учат всему, что пригодится в работе, и помогают с трудоустройством.

Больше материалов Skillbox Media для тех, кто интересуется аналитикой

• Кто такой data scientist, сколько он получает и как им стать, даже если вы не программист
• Что такое сквозная аналитика, чем она полезна бизнесу и кто её должен настраивать
• Чем занимается аналитик букмекерской компании и почему ему готовы платить 100 тысяч рублей в месяц
• Главное о маркетинговых исследованиях: зачем бизнесу опросы, Jobs to be done и глубинные интервью
• 6 книг для UX‑дизайнера и UX‑аналитика на русском языке

Медианная зарплата — зарплата «посередине» выборки. Это значит, что половина участников выборки получает зарплату больше, а другая половина — меньше.

Навыки и требования к аналитикам данных на разных уровнях в «Яндексе». Профессия аналитика данных

Этот материал вместе с GoPractice написал Женя Козлов. Он восемь лет руководил аналитикой: три с половиной года строил функцию аналитики в «Яндекс.Маркете», затем 4,5 года — в «Яндекс.Такси». Повествование в материале ведется от лица автора.

Подписывайтесь на телеграм-канал Жени « Секрет лапшичного супа ».

За 8 лет в аналитике я проинтервьюировал и нанял сотни людей — я хорошо представляю, как устроен рынок аналитиков.

Ключевое знание об аналитиках данных — этого рынка практически нет. В 2019 году я нанял в свою команду 34 аналитика, из которых 23 (68%) — это стажеры и джуниоры. Мы были бы рады нанимать более зрелых ребят, но их просто нет, поэтому приходится нанимать людей с потенциалом и растить.

Для сравнения, в команду дата-инженеров мы наняли 23% джунов (5 человек из 22) — здесь рынок есть. Эта дисциплина развита в банках, телекомах, ритейле — а значит, на рынке больше готовых специалистов.

Эта статья преследует две цели:

Первая — поделиться с рынком терминами, в которых мы в «Яндексе» думаем об уровнях аналитиков. Это позволит уменьшить энтропию на рынке, где сегодня за вакансией и резюме аналитика может скрываться произвольный набор ожиданий и навыков: от проектного менеджмента и системного анализа до автоматизации рутинных операций бизнеса. Приставки же младший, старший, ведущий вообще не несут никакой информации.

Вторая — дать понятный план для роста и развития в роли аналитика данных. В «Яндекс.Такси» мы вынуждены выстраивать конвейер для роста сотрудников, так как иначе мы просто не будем справляться. Сама формализация уровней аналитиков является следствием этого подхода. Но не все работают в больших компаниях, не у всех рядом есть сильный наставник или ментор. Эта статья призвана помочь таким людям взглянуть на свои точки роста и поработать над ними.

Обратите внимание: материал написан в ноябре 2020 года.

Что подразумевает роль аналитика данных

Аналитик данных — это человек, который помогает команде:

• Принимать решения более объективно, основываясь на фактах и данных (в противовес мнению, интуиции и опыту);
• Искать точки роста продукта и бизнеса.

Работа аналитика подразумевает работу с данными через использование SQL, Python и других языков программирования, создание дашбордов, автоматизацию процессов. Но это лишь инструменты для достижения двух целей, описанных выше. Если человек занимается только этим, то его не стоит относить к аналитикам. Возможно, он дата-инженер, разработчик автоматизаций, но это совсем другие роли с другими требованиями.

Аналитик концентрируется на изучении данных, структурировании сложных систем, осмыслении процессов, чтобы приносить пользу бизнесу. Продукт аналитика — это ответы на заданные и незаданные вопросы, создание мыслительных моделей и фреймворков, и выведенные из них рекомендации, которые приводят к росту показателей бизнеса.

Способ достижения этого в большинстве случаев — работа с данными, но не обязательно. Аналитика помогает принимать решения, приводит к действиям в продукте и бизнесе. В ряде случаев можно принять решение и без анализа данных: просто хорошо формализовать все возможные ситуации и вилки решений, а далее — откинуть большую часть вариантов, опираясь на то, что уже известно команде.

↓ Чтобы глубже разобраться в том, как создаются, развиваются и масштабируются продукты, пройдите обучение в симуляторах GoPractice.

→ В «Симуляторе управления продуктом на основе данных» вы научитесь принимать решения с помощью данных и исследований при создании продукта.

→ В «Симуляторе управления ростом продукта» найдете пути управляемого роста и масштабирования продукта.

→ В «Симуляторе SQL для продуктовой аналитики» поймете, как применять SQL для решения продуктовых и маркетинговых задач.

→ В «Симуляторе управления ML/AI-проектами» научитесь применять технологии машинного обучения с пользой для бизнеса.

→ Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом. Вы определите свои сильные стороны и слепые зоны, получите план профессионального развития.

→ Еще больше ценных материалов и инсайтов — в телеграм-канале GoPractice .

Базовые навыки аналитика данных

Для того, чтобы эффективно справляться с описанными задачами, аналитику нужно:

• Иметь отличную математическую базу. За аналитиком не хочется перепроверять выкладки и формулы;
• Понимать базовую теорию вероятности и математическую статистику. Нужно уметь проверять гипотезы, понимать ошибки разного рода, зависимость и независимость испытаний и так далее;
• Иметь математическую культуру. Если аналитик использует метод или алгоритм, он должен знать область его применимости;
• Обладать критическим мышлением. Реже, чем другие люди, попадаться в ловушки когнитивных искажений;
• Обладать продуктовым мышлением. Уметь оцифровывать пользовательский опыт в метриках, а также видеть за метриками пользователей, пытающихся решить определенную задачу;
• Обладать бизнесовым мышлением. Уметь оцифровывать бизнес-процессы компании и изменения рынка, связывать это воедино с продуктом и пользователями;
• Быть технарём. Аналитик не обязан программировать как разработчик (эффективно, отказоустойчиво и масштабируемо), но у него не должно быть технических блокеров для того, чтобы решать задачи бизнеса: изучить документацию, сходить в какую-то новую БД и вытащить нужные данные, написать парсер, воспользоваться каким-то API для автоматизации и так далее.

Важное свойство хорошего аналитика — объективность по отношению к самому себе. Аналитик должен контролировать собственное желание казаться лучше, чем он есть. Даже самые сильные аналитики ошибаются. Это нормально, без ошибок невозможно развитие. Очень важно уметь отслеживать свои ошибки и быстро доносить их до команды, особенно если это может изменить принятое ранее решение. Сокрытие ошибок — флаг профнепригодности аналитика.

В «Яндекс.Такси» аналитики закреплены за какими-то командами, но мы не придаём большого значения предметной области: маркетинг, продукт или операционка — требования к уровню мышления, описанные выше, позволяют переключаться с одного на другое (разумеется, требуется время на погружение).

Получайте знания там, где вам удобно

Делимся новостями GoPractice и новыми материалами для профессионального развития в нашей почтовой рассылке и в телеграм-канале

Саммари уровней аналитиков: от стажера до суперзвезд и супербоссов

Используйте таблицу с осторожностью! В «Яндексе» понимание грейдов приходит в результате калибровок в процессе перформанс-ревью. Это процесс, когда тимлиды аналитиков отстаивают оценки своих подопечных, опираясь на их результаты за полгода. По опыту, нужно пройти как минимум пару ревью, чтобы понять требования настолько, чтобы уметь их транслировать. Это часть культуры, она впитывается не мгновенно.

Таблица — это шпаргалка: она хорошо помогает, если вы знаете, о чем речь, и вводит в заблуждение, если это единственный источник информации. Поэтому таблицу стоит использовать только совместно с текстом ниже.

Далее мы будем рассматривать две ветви развития аналитиков — как специалиста и как менеджера аналитиков.

↓ Полная версия таблицы с уровнями аналитиков данных:

Уровни аналитиков данных (специалисты)

1. Аналитик-стажер (trainee data analyst)

Чуть выше я описывал требования к аналитику. Это скрининговые требования, то есть все они должны выполняться даже на уровне стажера. Чаще всего аналитик-стажер не имеет никакого профильного опыта, кроме университетского. При этом у него есть необходимые качества, чтобы вырасти в сильного аналитика.

И тут вы можете удивиться — не слишком ли много? Ответ — нет, и вот почему.

Стажер все 3 месяца своей стажировки будет отнимать силы и время руководителя и коллег (а не добавлять ресурса, как может показаться), поэтому в качестве стажеров имеет смысл нанимать только ребят с заметным потенциалом, чтобы максимизировать возврат инвестиций на обучение.

Наиболее важными критериями при найме человека на позицию аналитика-стажера являются академическая база, способ мышления (mindset) и опыт программирования в университете или на каких-то проектах.

Академическая база

Аналитик работает со статистическими данными. У стажера может не быть практического опыта, но за время стажировки он разберется, зачем же у него был этот курс в университете. Если курса не было — объём обучения стажера становится слишком большим. Мы в «Яндексе», скорее всего, не возьмем такого человека в команду.

Способ мышления

Это сложно формализуемая штука, но мы пытаемся придумать тесты на входе, которые не зависят от рабочего опыта кандидата. Например, взять процесс, с которым сталкивается каждый житель города ежедневно и формализовать его в виде продуктовых метрик.

Таким образом мы проверяем способность человека поставить себя на место потребителя и выделить самое главное в его потребительском опыте. Это не что-то специальное, чему учат — это способ смотреть на мир, уровень эмпатии, критический взгляд.

Примеры задач: придумать пользовательские метрики для светофора, оцифровать процесс нагревания воды в электрическом чайнике и так далее.

Опыт программирования

Речь не о промышленном программировании. В работе аналитика данных нужно уметь читать документацию, быстро разбираться и использовать инструменты работы с данными, а также автоматизировать свою рутину. Это SQL разных реализаций, Python, библиотеки Pandas, библиотеки визуализации, умение использовать API.

Люди технического склада как правило сталкиваются с программированием существенно раньше, чем выходят на работу, они проще и быстрее прокачивают технические навыки — это то, что мы хотим от людей, которые пришли в профессию.

Софт-скиллы

Без организованности и ответственности, умения вести конструктивную коммуникацию с коллегами сложно добиться какого-либо результата в команде. Бывают исключения из этого правила, но это большая редкость.

Постановка задач

Аналитик-стажер работает на уровне точно сформулированных и хорошо формализованных задач. Задачи стажеру ставит исключительно старший товарищ-аналитик (наставник или руководитель). Он же проверяет результаты выполнения этих задач перед тем, как отдать эти данные куда-либо еще. Функции проверки, осмысления данных, их визуализации и коммуникации выводов пока лежат на руководителе, хотя стажер может делать свои первые подходы к этим частям работы.

2. Младший аналитик (junior data analyst)

Обработка данных

Младший аналитик — это стажер, который освоил инструменты обработки данных. Для него уже не существует ограничений в задачах по трансформации имеющихся данных к необходимой форме. Он всё ещё может делать что-то неоптимально: излишне греть вычислительный кластер неэффективными расчетами, тратить на простые задачи много времени, — но задачу он решит.

Недоверие к данным и валидация данных

Опыта младшего аналитика уже хватает, чтобы не доверять данным. Когда младший аналитик начинает работать с какими-то данными, он узнаёт природу этих данных и делает проверки: убеждается, что в данных именно то, что ожидается. Например, что показатели в нужной размерности, распределение величин выглядит разумно, нет странных выбросов, данные отражают реальную картину изучаемого явления и так далее.

Постановка задач

Младшему аналитику не хватает опыта в реальном продукте и бизнесе, поэтому он склонен решать задачи так, как они поступают:

• Нужно выгрузить эксельку с вот такими колонками? — Держите.
• Нужно сделать дашборд? — Нарисуйте на листочке, как он должен выглядеть.
• И так далее.

Как правило при постановке задачи на младшего аналитика обсуждается детальный алгоритм с описанием данных, которые нужно использовать, способом трансформации этих данных (фильтрации, группировки, join’ы) и буквальным описанием, как должен выглядеть результат (если это график, то какие должны быть оси, нормировки, подписи, способ визуализации).

Простые задачи младшему аналитику бизнес-заказчик может ставить напрямую, но это не рекомендуется. В идеале все задачи всё ещё должны контролироваться его руководителем.

По мере роста опыта младший аналитик может работать более уверенно со знакомыми данными и с меньшей детализацией задачи со стороны наставника. При этом флагом для определения уровня является то, как он работает с незнакомыми данными.

Внедрение и применение результатов работы

Как правило младший аналитик не в состоянии подготовить аналитический отчет или исследование в формате рекомендаций с понятным обоснованием. И тем более не способен довести свои рекомендации и выводы до уровня реальных изменений на уровне продукта, процессов или бизнеса.

Младшие аналитики всё ещё приносят мало пользы бизнесу, поэтому критично чтобы они как можно быстрее росли. Принцип, прокачивающий младшего аналитика, — «делай как я». Аналитик постарше (в присутствии младшего) обсуждает новую задачу с командой проекта, задаёт уточняющие вопросы, погружается в контекст проблемы, и в результате этого диалога возникает подход к решению. Дальше этот подход старший товарищ декомпозирует на задачи по обработке данных для младшего аналитика. Это позволяет наблюдать, как проблемы бизнеса превращаются в задачи на написание кода и рисование графиков, находят своё решение в них. Со временем младший аналитик должен научиться делать это самостоятельно.

Почему важно глубоко обсуждать постановку задачи с младшими аналитиками

Обычно при ведении проекта возникают вопросы и проблемы, с которыми могут помочь аналитики. Вместе с идеей сходить к аналитику у бизнес-заказчика, как правило, возникает и примерное решение, с запросом на которое он, скорее всего, и придет («а построй мне вот такой график?»). Но у проектного менеджера, дизайнера или продакта может просто не хватать информации о том, какие ещё есть данные и инструменты для получения ответа. Возможно, существует более точный способ дать ответ или более простой. Может быть, в рамках возникшей гипотезы вообще не нужно обрабатывать данные, а достаточно посмотреть на дашборд, где будет пусть не идеальный, но график, позволяющий с некоторыми допущениями ответить на заданный вопрос.

3. Аналитик 1 (Middle data analyst – 1 step)

Аналитик 1 обладает всеми навыками младшего аналитика данных с точки зрения технической работы с данными и критического мышления, но при этом продвигается дальше в следующих аспектах своей работы и влияния на бизнес.

Постановка задач

Это первый уровень самостоятельного аналитика. Почти все его задачи возникают в прямом взаимодействии с командой или бизнес-заказчиком.

Младший аналитик перебирается на этот уровень после появления желания больше влиять на бизнес или продукт. Понятно, что одного желания недостаточно. Нужно подкопить опыта и кармы, чтобы желание трансфомировалось в возможность.

Аналитик 1 всё чаще и чаще докапывается до сути идей и вопросов, с которыми к нему пришли. Думает про задачи в терминах решений, которые будут приняты, а не в терминах работы с данными.

Сложность решаемых задач и глубина решения

Аналитик на этом уровне справляется с большинством простых задач самостоятельно. Однако с учетом небольшого опыта решения задач именно в бизнесовой постановке (с обработкой данных, как мы помним, всё нормально уже с уровня джуниора), аналитику на этом грейде может не хватать глубины мышления или ширины контекста, чтобы лучше понимать природу сложных задач и подбирать лучший способ решения.

Как правило трудности вызывают:

• Ситуации с высокой степенью неопределенности;
• Задачи вокруг сложных и многослойных бизнес-процессов;
• Задачи со сложным заказчиком, когда нужно аккуратно работать с возражениями.

В этих ситуациях аналитику 1 требуется помощь старшего товарища для понимания задачи, её декомпозиции или презентации результатов (чтобы они были применены).

Аналитик 1 чаще других грейдов сталкивается с проявлением синдрома Даннинга-Крюгера . Он уже стал самостоятельным, научился помогать бизнесу, поэтому ему кажется, что ему любая задача по плечу (и вообще он уже дорос до старшего аналитика).

Проблема в том, что аналитик 1 не понимает, в какой из своих задач он мог бы копнуть глубже. Поэтому руководитель такого аналитика старается быть в курсе почти всех его задач и выбранных способов решения. Формат контроля может быть разный, например, стендапы всей команды или регулярные встречи 1 на 1.

Аналитик 1 хорошо (и самостоятельно) справляется с задачами, которые имеют понятный путь к решению, например, подготовка и анализ рутинного A/B-теста. Если аналитик проявляет проактивную позицию и не только отвечает на прямой вопрос A/B-теста «можно катить или нет?», а смотрит (и находит!) проблемы в каких-то срезах, что позволяет улучшить показатели продукта, — это инициатива уже на грейд выше.

Сложные комплексные исследования аналитик 1 может делать только под присмотром наставника, который помогает и с сутью, и с декомпозицией и зачастую с оформлением и презентацией результата.

Софт-скиллы

Высокая степень самостоятельности означает, что сотрудник на этом уровне обладает навыками тайм-менеджмента, формирования ожиданий, прогнозирования сроков. Аналитик 1 несёт ответственность за результат.

Данные

Аналитик 1 начинает договариваться со смежниками о логировании или поставках данных, если ему их не хватает для решения задач. Не факт, что он это делает оптимально с точки зрения развития аналитического хранилища, но свои локальные проблемы он уже может решать. В полной мере это умение развивается к следующему грейду.

4. Аналитик 2 (Middle data analyst – 2 step)

Аналитик 2 — автономный аналитический юнит. Наносит пользу бизнесу. Это более опытная версия предыдущего грейда, но есть и отличия, которые являются качественными, существенными: это понимание контекста и выросший уровень рефлексии. Ниже о том, почему это важно и как меняется характер взаимодействия и пользы от этого аналитического юнита.

Контекст и проактивность

Аналитик 2 находится в глубоком контексте того, что происходит в его продукте или кусочке бизнеса. Это позволяет ему проявлять проактивность, приходить с идеями и предложениями, помогать тогда, когда не спрашивали. Это радикально повышает пользу от такого сотрудника.

Почему важно быть в контексте

Самые сложные проблемы — это задачи, которые трудно даже сформулировать. Это ситуации, в которых назрела какая-то боль или потребность, но что делать — совершенно непонятно. На такие задачи не ставят тикеты, а значит, чтобы помочь в их решении, нужно выступить проактивно. Но если аналитик не знает о проблеме, то помочь он не сможет.
Нельзя быть аналитиком высокого уровня и не быть в контексте проблем и задач своего бизнеса и продукта.

Рефлексия

Важное отличие аналитика 2 от аналитика 1 заключается в возросшем уровне рефлексии. Чтобы быть хорошим аналитиком, нужно во всем сомневаться и критически переосмысливать. К слову, на этом базируется наука, и успешные аналитики, как и успешные ученые, обладают этим качеством.

Следствие возросшего уровня рефлексии — такого аналитика не страшно оставить одного с задачами и каким-то направлением бизнеса. Можно быть уверенным, что там не произойдёт каких-то глупостей. Если нужно, аналитик 2 сам придёт за советом.

В результате получаем особенность менеджмента аналитика 2. Поскольку аналитик 2 сам придет к своему руководителю за советом в случае необходимости, руководитель может быть не погружен в ежедневную рутину, и обсуждать на регулярках они могут более высокоуровневые вещи.

Сложность решаемых задач и глубина решения

Другое важное отличие — более высокий доступный уровень абстракции при мышлении о бизнесе. Аналитик 2 должен уметь за рутинными операционными задачами видеть какие-то системные направления развития доверенной ему части бизнеса и понимать, как задачи связаны с целями, куда и зачем глобально движется продукт и компания.

Аналитик 2 отлично погружен в предметную область, что позволяет ему копать глубоко. Он умеет сводить задачи бизнеса к задачам оптимизации метрик. В вопросах, с которыми к нему приходят, он умеет докапываться до сути и оцифровывать эту суть.

Аналитик 2 решает задачи в бизнесовой постановке, и результат его работы сформулирован обычно в таком же виде. Если это аналитический отчет — в нём есть рекомендация, как поступать и на что обратить внимание (точки роста и потенциальные проблемы). Если это дашборд или график — они помогают принимать решения.

Результатам аналитика 2 доверяют. Это характеристика как накопленного опыта и кармы, так и того, как аналитик на этом уровне оформляет и доносит результаты своей работы. Обычно в его задачах понятно описана методология, приложены скрипты и код, описаны допущения и область применимости результата, есть блок с выводами, которые написаны понятным языком. Если результату аналитика не доверяют, этот результат не будет приводить к действиям, а значит, работа этого аналитика бесполезна.

Большая часть результатов аналитика 2 должна быть actionable. Аналитик 2 — опытный профессионал, которого мы вырастили или наняли, чтобы он приносил пользу компании. Польза аналитика, как мы помним, заключается в улучшении показателей, а не в написании SQL-запросов или создании отчетов-графиков. Поэтому между анализом данных и бизнес-результатом должен быть прочный мост actionability.

Данные

Аналитик 2 может быть самостоятельным заказчиком для команды аналитического хранилища (DWH) — описывать витрины, которые ему необходимы для работы.

Наставничество

Часто к аналитикам 2 приставляют стажеров или младших аналитиков. Аналитик 2 должен уметь контролировать и обучать младших товарищей, в том числе должен уметь делегировать им какие-то простые задачи, растить их экспертизу и степень самостоятельности.

5. Старший аналитик (Senior data analyst)

Супергерой — таких очень мало. Даже в режиме рутинной работы приносит колоссальную пользу бизнесу, выраженную во влиянии на ключевые показатели продукта или вверенного ему бизнес-процесса. По сравнению с предыдущим уровнем растет глубина и сложность решаемых задач, автономность и проактивность. К сожалению, не каждый аналитик 2 способен дорасти до этого уровня.

Сложность решаемых задач и глубина решения

Старший аналитик способен решать проблемы, у которых нет «решения в лоб» — и его результат вызывает доверие. Он умеет коммуницировать результат так, чтобы его поняли и приняли. Типичный пример такой задачи — оценить какой-нибудь запуск без A/B-теста, когда невооруженным глазом ничего непонятно (программа лояльности, влияние «Драйва» на «Такси», каннибализации в перформанс-маркетинге и так далее).

Старший аналитик обладает опытом и контекстом, который позволяет ему предугадывать, какие задачи могут возникнуть в перспективе.

Старший аналитик — ценный ресурс. С точки зрения компании важно стремиться к тому, чтобы каждый результат старшего аналитика приводил к позитивным изменениям. Если старший аналитик раскопал что-то ценное — он обязан сделать так, чтобы об этом узнали все причастные, пролоббировать нужное изменение в продукте или бизнесе.

У старшего аналитика развиты коммуникативные навыки, он умеет находить подход к разным людям в компании, умеет выбирать способ коммуникации, подходящий под решаемую задачу, умеет простым языком объяснять сложные концепции.

Данные

Опыт старшего аналитика позволяет ему быть квалифицированным заказчиком для команды DWH (аналитического хранилища). Он отлично формирует требования к данным и логированию, позволяющие решать на этих данных как текущие задачи, так и те, которые могут возникнуть в будущем.

Наставничество

Как правило, задачи и проекты старшего аналитика достаточно большие — он может декомпозировать их и раздавать части аналитикам помладше.

В условиях растущей компании у старшего аналитика почти непрерывно есть стажер или младший аналитик, которого он обучает.

Менеджмент

Как правило старший аналитик управляется целями («сейчас мы в точке А, хотим попасть в точку Б»), большую часть из которых он определяет сам и согласует с руководителем. Чаще всего регулярное общение старшего аналитика с руководителем проходит в формате обсуждения стратегии, психотерапии, HR-вопросов.

6. Ведущий аналитик (Lead data analyst)

Аналитик-легенда. Таких единицы. Мы заходим на территорию, где нет устоявшегося рынка и требований.

Сложность решаемых задач и глубина решения

Ведущий аналитик — это суперэксперт в своей предметной наукоемкой области (как пример, алгоритмы диспетчеризации или поведенческая экономика). Требуется сильный академический бэкграунд, широкий кругозор и многолетний опыт. Как правило всё это отлично сочетается с написанием научных статей и выступлениями на научных конференциях .

Чтобы реализовывать проекты в сложных предметных областях, нужно иметь сильные коммуникативные и менеджерские навыки, нести образовательную и популяризаторскую функцию.

Менеджмент

Ведущий аналитик сам определяет свои приоритеты и способы приносить пользу, и лишь согласует это видение с руководителем. Если требуется смена приоритетов, обычно это происходит в формате перефокусировки: «Мне кажется, вот этот вопрос сейчас приобрел большую важность для компании. Подумай, пожалуйста, что можно было бы тут сделать».

Уровни руководителей аналитиков данных

Задача руководителя аналитиков — масштабировать пользу от себя через свою команду. Например, если Вася — старший аналитик, то в роли менеджера Вася будет молодцом, если его команда из пяти аналитиков (и его самого) принесёт пользу хотя бы как три Васи.

Грейд руководителя обычно соответствует максимальному грейду сотрудника +1. Триггер для роста грейда руководителя — наличие трекшена по выращиванию людей до своего текущего уровня и их результативному менеджменту.

Хорошо, когда руководителями становятся старшие аналитики, но жизнь сложна, и иногда в порыве роста компании менеджерскую функцию приходится брать и специалистам среднего уровня.

Руководитель аналитики 0

На самом деле такого грейда не существует, но я завел данную категорию, чтобы подчеркнуть, что наставничество не является менеджментом, как могут подумать некоторые начинающие наставники.

Руководитель аналитики 1 (Analyst team lead)

Структура команды

Начинающий руководитель. Несколько аналитиков в прямом горизонтальном подчинении. Оптимально — до 5, но бывает и больше.

Наставничество

Руководителю аналитики 1 приходится растить своих ребят через наставничество. Помогать с задачами: декомпозировать большие задачи до необходимого уровня сложности, участвовать в постановках, решении, донесении результатов, учить новым подходам и технологиям.

Мотивация

Руководитель аналитики 1 занимается мотивацией сотрудников на ежедневной основе в рамках регулярных встреч с командой и отдельными сотрудниками. Формулирует вдохновляющие цели и помогает их достигать, делает так, чтобы команда чувствовала себя командой и возникала синергия от взаимодействия разных аналитиков, даже если они занимаются разными вопросами.

Вопросами премий, компенсации и контр-офферов начинающему руководителю заниматься сложно в силу отсутствия накопленного опыта: у него было слишком мало таких ситуаций. Обычно с этим ему помогает его руководитель.

Экспертиза

Руководитель аналитики 1 обладает экспертизой в той части бизнеса, за которую отвечает, и является ключевым лицом, формирующим требования к данным по своему кусочку домена (например, перформанс-маркетинг или клиентский продукт). Эти данные впоследствии будут переиспользоваться другими командами. Важно, чтобы они были корректны, удобно спроектированы и задокументированы. Это позволяет снижать порог входа для коллег.

Процессы

Руководителю аналитики 1 приходится заниматься выстраиванием процессов взаимодействия с бизнес-заказчиками и смежниками, чтобы команда и коллеги могли работать эффективно. При выстроенных процессах у коллег не должно возникать вопросов: к кому приходить с задачами, как их ставить, как в целом им могут помочь аналитики, как долго ждать результата, как повлиять на приоритет задачи. С другой стороны — команда аналитиков должна находиться в одном контексте с бизнесом, они должны понимать друг друга с полуслова.

Обычно это означает, что есть принятые ритуалы взаимодействия. В разных командах и компаниях они могут быть разными. Примеры: стендапы команды аналитики, регулярные встречи про приоритеты с бизнесом, семинары для обмена опытом, регулярные встречи 1 на 1 с руководителем, отчетные выступления о результатах работы аналитиков за сезон, правила работы над задачами (тикеты, код под контролем версий, нейминг метрик в отчетах и так далее).

Подчеркну, что всё перечисленное — это артефакты деятельности руководителя, главное же — это смысл: аналитики должны приносить максимальную пользу, работать эффективно.

Руководитель аналитики 2 (Head of some analytics)

Существенное отличие от предыдущего уровня — в структуре команды и выросшей зоне ответственности.

Структура команды

У руководителя 2 существенно больше команда, поэтому в ней появляются промежуточные руководители. Обычно их 3–4. С точки зрения ответственности — всё то же самое, но в большем масштабе.

Процессы

Руководитель этого уровня занимается системными вопросами, которые помогают его команде и компании работать эффективнее. Это может касаться:

• HR-процессов найма;
• Процессов оценки результатов (перформанс-ревью);
• Вопросов аналитической инфраструктуры;
• Инструментов отчетности;
• И так далее. Список неполный.

Как правило, руководитель такого уровня — опытный аналитик. Он хорошо знает, какие задачи бывают у аналитиков, с какими сложностями в процессе они сталкиваются.

Одна из зон ответственности руководителя аналитики 2 уровня — удобная аналитическая инфраструктура и среда: виртуалки, JupyterHub’ы, библиотеки, облегчающие рутину, удобные витрины данных и так далее. Является квалифицированным заказчиком для команды аналитического хранилища (DWH).

Руководитель аналитики может не являться профессионалом в машинном обучении, но, безусловно, с предметной областью знаком и может говорить с Data Scientist на одном языке. Хорошо понимает, когда задачу стоит решать методами машинного обучения. Это позволяет ему быть квалифицированным заказчиком для команды ML.

Если компания маленькая, то руководителю аналитики на данном грейде могут быть подчинены команды DWH и Data Science.

Руководитель 2 является связующим звеном между топ-менеджментом и командами аналитики. Поддерживает контекст и единое информационное поле в своей команде и в компании в целом.

Наставничество

Руководит руководителями 1 уровня. А значит, умеет воздействовать на команды и процессы в них без непосредственного вмешательства, а через промежуточного руководителя. Является наставником для начинающих руководителей.

Руководитель аналитики 3 (Директор по аналитике, Chief Data Officer / Chief Analytics Officer)

C-level*. Является частью топ-менеджмента. Обладает отличным знанием и пониманием контекста (в том числе непубличного), в котором живет компания и рынок, цели и проблемы компании. В широком смысле отвечает за эффективность компании, помогая улучшать её с помощью аналитики и работы с данными. Чтобы быть успешным директором по аналитике, нужно безусловно быть профессионалом в аналитике. Но описание роли директора больше похоже на описание роли любого другого директора в компании, если не учитывать предметную область.

* Большие корпорации имеют сложные и разветвленные структуры. Здесь имеется в виду C-level на уровне отдельного бизнес-юнита или продукта, руководитель которого назывался бы CEO, если бы это была отдельная компания.

Структура команды

Десятки или даже пара сотен человек (в зависимости от размера компании) разных специальностей:

• Аналитики;
• Специалисты по машинному обучению;
• Специалисты по визуализации и репортингу;
• Дата-инженеры;
• Системные аналитики и проектные менеджеры;
• Маркет-рисёчеры и UX-специалисты;
• (Список неполный).

Лидерство

Директор — безусловный авторитет и лидер своего направления. Аналитики и инженеры не хотят делать таски, они хотят влиять на компанию, продукт, клиентский опыт и делать мир лучше.

Задача лидера — вдохновлять команду на крутые результаты, показывать, как цели и задачи конкретных ребят связаны с большими целями компании.

Почему это так важно для этого грейда? Безусловно, лидерство важно и на более младших уровнях, но если его не хватает, то с этим могут поддержать руководители постарше. Но когда ты самый большой начальник в направлении — помогать больше некому. Конечно, есть CEO, но его время очень дорого и ограничено, так что его помощь должна быть скорее исключением.

Прикладные задачи

Директор по аналитике занимается прикладными аналитическими задачами очень ограничено — как правило это важные исследования, на основании которых принимает решения топ-менеджмент.

Что такое важные вопросы, в которых директор по аналитике участвует непосредственно, но которые при этом не являются частью построения системы? Приведу примеры:

• Построение системы KPI для всей компании и выставления целей по ним;
• Оценки профита от проектов и их ранжирование в рамках регулярного планирования;
• Построение прогнозных моделей компании и рынка;
• Исследования, которые могут поменять стратегию компании;
• Оценка потенциальных сделок M&A;
• Интеграционные проекты по результатам M&A;
• Проекты про данные, несущие большие регуляторные риски, например, на соответствие GDPR, SOX и другим дорогим аббревиатурам.

Процессы

В больших компаниях директор по аналитике (как и любой другой директор) не может контролировать каждый вопрос или задачу, которые возникают в его направлении, но при этом его функция — сделать так, чтобы результатам аналитики, на основе которых принимаются решения в локальных командах, можно было доверять, аналитика была actionable и приносила измеримую пользу бизнесу.

Директор добивается этого через наём правильных людей, их развитие и мотивацию, выстраивание процессов внутри компании (в широком смысле, не только аналитических), улучшение аналитической инфраструктуры, определение фокусов и целей команд. Чтобы нанимать лучших людей с рынка, директору приходится заниматься HR-брендом своего направления.

Департамент аналитики — это нервная система компании. Благодаря аналитике менеджменту приходят сигналы и принимаются решения — задача директора организовать работу большой группы людей, чтобы эта функция выполнялась и давала рост компании.

В заключение

С тех пор, как я впервые формализовал и внедрил грейды в своей команде, я не представляю, как от них можно отказаться. Грейды так прочно засели в моём сознании менеджера, что теперь про все задачи, связанные с людьми, я думаю в терминах грейдов: наём, развитие, материальная мотивация, кому какую зону ответственности стоит доверить и так далее.

Если вы руководите аналитиками, надеюсь, фреймворк окажется вам полезен — и, спустя время, вы разделите мой энтузиазм.

Для того, чтобы начать чувствовать систему грейдов «на кончиках пальцев» требуется много практики. Как руководителю вам нужно выставить грейд хотя бы паре десятков сотрудников, чтобы разобраться в нюансах и пограничных ситуациях.

Если вы аналитик, можете использовать этот материал как гайд по профессиональному и личностному росту. Пришлите эту статью вашему руководителю и предложите на следующей регулярной встрече обсудить, на какой ступени аналитики вы сейчас находитесь, над чем вам стоит поработать, чтобы перебраться на следующую. Заданная система координат позволяет вести подобные разговоры содержательно и ёмко.

Если по прочтении у вас остались вопросы — не стесняйтесь задавать их мне лично . А если вам понравился материал, и вы хотели бы узнавать о новых статьях от меня, подписывайтесь на мой телеграм-канал « Секрет лапшичного супа ».

Образовательные
продукты

Бесплатный тест навыков в управлении продуктом

Оцените свои навыки в управлении продуктом за один час

Симулятор управления продуктом на основе данных

Пройдите симулятор управления продуктом на основе данных

Симулятор управления ростом и масштабированием

Усильте знания и навыки в симуляторе управления ростом продукта

Симулятор SQL для продуктовой аналитики

Научитесь применять SQL в работе над продуктом и маркетингом

Новый симулятор управления ML/AI-проектами

Подписка
на новости и
материалы
Получайте знания там, где вам удобно

Делимся новостями GoPractice и новыми материалами для профессионального развития в нашей почтовой рассылке и в телеграм-канале

Кто такой аналитик данных и чем он занимается

Анализ данных — это процесс, который позволяет увидеть скрытые закономерности и ответить на самые важные вопросы бизнеса: «Можно ли дать человеку кредит?», «Кнопка какого цвета лучше работает?», «Где открыть новую палатку с шаурмой?» и не только. Рассказываем главное о сферах применения, зарплатах, навыках и карьерных перспективах аналитика данных (Data Analyst) вместе с руководителем отдела аналитики SkillFactory Артемом Боровым.

Освойте профессию «Аналитик данных»

Аналитик данных — кто это

Аналитик данных (Data Analyst или дата-аналитик) — это специалист по анализу больших данных: он собирает их, обрабатывает и делает выводы. На основании его отчетов в компаниях принимают важные решения. Профессия аналитика данных находится на стыке IT, менеджмента и математики. С одной стороны, дата-аналитик должен уметь работать с IT-инструментами: например, ему может понадобиться кодить на Python или составлять запросы на SQL. С другой стороны, аналитика включает в себя методы из математики, статистики и теории вероятностей — нужно быть с ними знакомым, разбираться, для чего они нужны, как и когда используются. Наконец, менеджмент: дата-аналитик собирает данные не просто так, а ради решения бизнес-задач, в которых он тоже должен разбираться.

Что делает дата-аналитик

Например, в онлайн-торговле аналитик данных может проанализировать, как клиенты используют промокоды и какой контент больше всего интересен посетителям сайта. На основе этого будут решать, какие площадки для продвижения использовать. В крупных сетевых магазинах, опираясь на выводы аналитиков, оптимизируют логистику и работу с потоком покупателей.

10 месяцев
Полный курс по анализу данных
Находите закономерности и делайте выводы, которые помогут бизнесу
2 790 ₽/мес 4 650 ₽/мес

Задачи аналитика данных

• Собирать информацию из разных источников.
• Классифицировать данные, сортировать, очищать от лишнего.
• Приводить данные к единому виду.
• Находить закономерности в массивах информации и интерпретировать с помощью математики.
• Делать из закономерностей выводы о текущем положении дел в компании, ее перспективах, слабых местах, прогнозировать развитие и так далее.
• Визуализировать результаты, например в виде графиков.

Для решения этих задач аналитик может пользоваться языками программирования и запросов, например Python и SQL, и специальным ПО. Есть программы для построения графиков, автоматизации подсчетов, реализации разных математических методов. Но многое аналитик должен понимать сам, например какие методы использовать, какие выводы следуют из найденных закономерностей.

Допустим, компании нужно проверить, каким образом пользователи взаимодействуют с сайтом. Тогда к сайту подключают системы аналитики, и те автоматически собирают данные о действиях пользователей. После этого аналитик выгружает данные, соединяет информацию из разных систем в единую базу и начинает с ней работать. Например, он приводит к ее одинаковому виду, сортирует и фильтрует, разбирает на составляющие — готовит к анализу. Чтобы интерпретировать эти данные и сделать из них выводы, аналитик может пользоваться методами из математики и статистики, писать код самостоятельно или загружать кластеры информации в специальное ПО. Когда аналитик находит закономерности — например, большинство пользователей проводит на главной странице от 5 до 10 минут — он визуализирует результаты, составляет графики и таблицы, готовит отчет о результатах.

Что такое большие данные (БД)

БД — это гигантские объемы информации, которые можно собрать и проанализировать только автоматизированным способом.

Предположим, каждый вечер после работы вы играете с собакой. Однажды вы заметили, что пес неприлично громко лает, бегая за мячом. При этом за резиновой игрушкой он гонится с такой же радостью, но молча. Несколько дней вы тестируете гипотезу: проверяете, действительно ли такую реакцию вызывает только мяч? Возможно, ведете дневник наблюдения, отмечая уровень шума по всем игрушкам. Убедившись в своей правоте, вы решаете играть с собакой в мяч только днем или в выходные. Отношения с соседями спасены.

Пройдите тест по аналитике данных и узнайте, какие перспективы ждут вас в этой профессии. Ссылка в конце статьи.

Эти данные — «маленькие», их легко собрать и посчитать вручную, даже в уме. Большие данные — это терабайты разрозненной информации, которую надо собрать по кусочкам, обработать и перевести на «человеческий язык». Например, компания по производству игрушек для животных может анализировать привычки сотен тысяч собак, чтобы выпустить для них новый идеальный продукт.

Каким компаниям нужны аналитики данных

Большие данные — ключевой ресурс для бизнеса: их используют в IT, ритейле, финансах, здравоохранении, игровой индустрии, киберспорте, телекоме, маркетинге. Самые крутые и современные компании называют себя Data-Driven. Они принимают стратегические решения на основе данных.

«На самом деле аналитик данных нужен в любой компании, где есть данные, — уверен Артем Боровой. — Условной сети ларьков с шаурмой он тоже по-хорошему нужен, чтобы анализировать потоки, понимать, где лучше открыть новую точку, выстраивать логистику».

Вот три ситуации, в которых бизнесу может пригодиться специалист по анализу больших данных:

Незавершенные покупки. В интернет-магазине пользователи добавляют в корзину товары, но потом уходят с сайта, не оформив заказ. Специалист по анализу данных сначала выясняет, на каком этапе пользователь теряет интерес. Например, уходит с сайта, когда видит сложную форму для регистрации. Затем предлагает и проверяет гипотезы, которые помогут удержать клиента и довести до нужного магазину результата (оформление заказа).

«Плохие» долги. В банке хотят свести к минимуму количество клиентов, которые не возвращают кредиты. Дата-аналитик изучает, какие характеристики клиента указывают на то, будет ли он вовремя вносить платежи. На этом основании клиенту будет одобрен или не одобрен кредит.

Проверка эффективности дизайн-решения. Создатели приложения для знакомств хотят понять, как пользователи реагируют на цвет кнопки. Аналитику данных предстоит протестировать два прототипа: часть пользователей видит вариант с синей кнопкой, другая часть — с красной. В итоге он помогает дизайнеру интерфейса решить, какого цвета кнопка лучше сработает.

Еще благодаря качественному анализу данных можно:

• выявлять настоящие и будущие потребности клиентов;
• прогнозировать спрос на товар или услугу;
• оценивать вероятность ошибки при разных действиях;
• контролировать работу и износ оборудования;
• управлять логистикой;
• следить за эффективностью сотрудников.

Все это помогает компании узнать о себе больше, увеличить прибыль и сократить издержки.

Читайте также Big Data: что это и где применяется?

Какие знания и навыки нужны аналитику данных

Вот стартовый пакет для начинающего специалиста по профессии аналитик:

• работать с данными с помощью Google Sheets, Sublime, Excel;
• использовать для решения задач хотя бы один язык программирования: Python или R;
• писать запросы к базам данных SQL;
• реализовывать отчетность в BI-системах: Tableau, Power BI, Google Data Studio и др.;
• иметь базовые знания по статистике.

В зависимости от направления могут добавляться специфические инструменты. Например, веб-аналитику нужны знания Яндекс.Метрики и Google Analytics.

Станьте аналитиком данных и получите востребованную специальность

Какие специализации бывают у аналитика данных

В профессии аналитик данных есть классическое для IT деление на джуниор-, мидл- и синьор-аналитиков. Но, имея базовые знания по работе с данными, можно применять их в других направлениях. Вот несколько специализаций.

Продуктовый аналитик нужен, если необходимо развивать продукт на основе метрик и анализа данных. Продуктовый аналитик глубоко погружается в тематику, проводит тесты и исследования, чтобы понять, какие функции пользуются популярностью, а какие — нет, какие проблемы возникают у пользователей при использовании продукта.

Маркетинговый аналитик помогает привлечь клиентов через рекламу, оптимизировать затраты, опираясь на анализ данных по пользовательскому поведению и кликам.

BI-аналитик проектирует системы для анализа и хранения данных, тестирует гипотезы и автоматизирует отчетность. Он помогает бизнесу моделировать различные ситуации, делать правильные выводы и распределять ресурсы между отделами.

Востребованность профессии

В июне 2021 года на сайте hh.ru было более 13 тысяч вакансий для аналитика данных.

Данные накапливаются с огромной скоростью. В 2018 году аналитическая компания IDC прогнозировала: за пять лет, в период с 2015 по 2020 год, объем цифровых данных в мире вырастет в два раза и составит 40 зеттабайт (один зеттабайт равен миллиону миллионов гигабайт) — но фактически накопление информации идет еще быстрее: в 2020 году объем информации уже достиг 59 зеттабайт. По оценкам Ассоциации больших данных, рынок Big Data в России ежегодно растет на 12%.

Для работы с таким количеством данных компаниям нужны специалисты. В 2019 году вакансий в области анализа данных стало больше в 9,6 раза, чем в 2015 году.

Сколько зарабатывает аналитик данных

Мы проанализировали открытые вакансии на HH.ru и Хабр Карьера. Разброс зарплат оказался довольно большим. Что ожидаемо — он зависит от опыта и города, в котором работает аналитик. Стажеру в Перми предлагают 25 тыс. рублей, а аналитик данных в московском офисе международной компании зарабатывает 200 тыс. рублей.

Средние зарплаты получились такими:

Стажеры и junior-специалисты получают от 60 тыс. рублей. В 8% вакансий указана сумма ниже, но в основном они предлагают частичную занятость.

Руководители отделов и синьор-аналитики получают от 170 тыс. рублей. В некоторых вакансиях предлагают больше 250 тыс. рублей в месяц, но для них нужен опыт больше пяти лет в аналитике и большой пул компетенций.

В регионах ситуация иная. Максимальная зарплата, на которую можно рассчитывать, — 100 тыс. рублей. Но многие работают удаленно в своем городе, получая «столичную» зарплату. На сайте hh.ru удаленные вакансии для дата-аналитиков данных составляют 15% от общего количества.

В каких случаях становятся аналитиками данных

67% специалистов приходят в эту профессию из других сфер: маркетинга, науки и даже госслужбы. Аналитиками данных становятся, когда:

• хотят работать в IT, но не хотят 100% времени заниматься «техникой»;
• хотят повысить свой доход;
• интересно работать с данными, но не хватает технических навыков;
• хочется автоматизировать и упростить процессы,с которыми сталкиваются;
• понимают, что текущая профессия может исчезнуть (например бухгалтеры), и ищут новое перспективное направление.

С чего начать

Если вы понимаете, что специалист по анализу данных — это профессия вашей мечты, стоит подробнее изучить путь, который придется проделать.

Для начала обучения вам достаточно изучить Excel: знать, что такое сводные таблицы и как работают функции. Полезно также подтянуть знания по статистике, SQL и Python. Это можно сделать с помощью бесплатных курсов или тренажеров.

Полезные ссылки

• бесплатные курсы: Основы статистики;
• тренажеры: SQL;
• полезные материалы по продуктовой аналитике от команды МатеМаркетинга;
• чат с вакансиями в сфере анализа данных;
• канал с полезными материалами про работу с данными.

Артем Боровой: «На мой взгляд, самый удобный путь — начать применять инструменты аналитика в своей текущей работе. Можно постепенно изучать языки и программы, а потом использовать их для своих задач. Конечно, не у всех может быть доступ к данным по месту работы, но для таких случаев есть площадки для самостоятельного обучения. Онлайн-курсы в этом плане проще и удобнее, так как человеку не нужно самому отбирать информацию, они помогают пройти по всем важным пунктам, дают материал в нужном темпе, погружают в комьюнити».

Образование при этом не имеет значения — начать разбираться в профессии можно с любым бэкграундом. Хороший пример — истории выпускников SkillFactory.

Что такое аналитика данных простыми словами?

Аналитика данных — процесс сбора, обработки и анализа информации для принятия решений в бизнесе или другой сфере деятельности.

Что такое продуктовая аналитика?

Продуктовая аналитика — отдельная область аналитики данных, которая занимается анализом данных о продуктах, их использовании и взаимодействии с пользователями. Аналитики в этой области помогают оптимизировать процессы разработки и улучшения продуктов, а также повышают их эффективность и конкурентоспособность.

Какие виды аналитики данных бывают?

Среди видов аналитики данных — дескриптивная аналитика, предиктивная аналитика, прескриптивная аналитика и машинное обучение.

Что нужно знать аналитику данных?

Аналитик данных должен знать основы математики, статистики, программирования и баз данных, а также иметь навыки анализа и интерпретации данных, визуализации и презентации результатов.

Какие бывают аналитики?

Существуют разные виды аналитиков данных — бизнес-аналитики, финансовые аналитики, маркетинговые аналитики, IT-аналитики и т.д.

Чем отличается аналитик данных от системного аналитика?

Аналитик данных отличается от системного аналитика тем, что первый занимается анализом данных, а второй — проектированием информационных систем.

Чем отличается аналитик данных от бизнес-аналитика?

Аналитик данных отличается от бизнес-аналитика тем, что первый занимается анализом данных, а второй — анализом бизнес-процессов и оптимизацией бизнес-стратегий.

Чем статистика отличается от аналитики?

Статистика — наука о сборе, анализе и интерпретации данных, а аналитика данных — это более широкое понятие, включающее в себя не только статистический анализ, но и машинное обучение, предиктивную аналитику и другие методы анализа данных.

Аналитик данных

Аналитики влияют на рост бизнеса. Они выясняют, какой товар и в какое время больше покупают. Считают юнит-экономику. Оценивают окупаемость рекламной кампании. Поэтому компании ищут и переманивают таких специалистов.

Как стать аналитиком данных с нуля и найти работу в этой сфере?

Все больше компаний начинают искать специалистов по анализу данных. Появляется много вакансий в этой сфере, в том числе удаленных. Например, в Яндексе. Это перспективное направление, которое хорошо оплачивается. В статье вы узнаете, как стать аналитиком данных с нуля. Пройти весь путь от обучения, в том числе самостоятельно, до трудоустройства.

В статье есть ссылки на бесплатные уроки и платные курсы, сайты с вакансиями и другие полезные ресурсы. Поэтому рекомендуем прочитать ее до конца.

Содержание статьи:

• Кому подойдет профессия?
• Какую специализацию выбрать?
• Где учиться? Обзор курсов с дипломом
• Как освоить профессию самостоятельно?
• Что нужно знать и уметь?
• Сколько можно заработать?
• Как устроиться на работу без опыта?
• Где искать вакансии начинающим?

Кому подойдет профессия?

Людям, которым нравится работа с данными: цифрами, статистикой. Хочется заниматься интерпретация данных: собрать их и сделать важные для бизнеса выводы, подготовить рекомендации.

В этой сфере нужны следующие качества:

• Хорошо развитое логическое мышление.
• Умение видеть задачу целиком, не зацикливаясь на деталях.
• Готовность к монотонной работе.
• Внимательность.
• Желание учиться и узнавать новое.
• Умение работать в команде.

В эту область приходят люди с разным образованием и опытом. Часто это вторая карьера: человек состоялся в одной специальности и хочет освоить новое направление. Либо перейти в смежную сферу.

Стать аналитиком с нуля можно самостоятельно или пойти учиться на курсах. Профильное (математическое) образование не обязательно, но совсем без подготовки не обойтись. Про то, на кого надо обучаться, расскажем ниже.

Чем занимаются аналитики? Выбор специализации

В таблице ниже собрана информация о разных направлениях в специальности. Основная задача одна – анализ и систематизация данных. Однако задачи могут отличаться.

Название специализации (по ссылкам можно перейти на более подробные статьи)

Где может работать, в каких сферах востребован

Формирует рекомендации для руководителей компаний по различным вопросам.

Банковский и финансовый сектор, продажи.

Изучает прибыли и затраты, проводит сравнение с конкурентами, ищет идеи для инвестирования.

Банки, брокерские и страховые компании, инвестиционные корпорации.

Работает в IT, может обладать навыками программирования. Помогает определить требования к ПО.

IT- компании, сфера компьютерной безопасности.

Анализирует показатели сайта: посещаемость, конверсии и другие метрики. Работает над их улучшениями.

Работает в тандеме с разработчиками ПО и предлагает стратегии автоматизации бизнес-процессов. Консультирует сотрудников по работе в 1С.

Торговые и производственные предприятия, компании- франчайзи 1С.

Поиск способов увеличения продаж на торговых площадках Озон, WB и других.

Вакансии предлагают Вайлдбериз, Озон и другие крупные маркетплейсы.

Разрабатывает стратегию продвижения бизнеса в социальных сетях, анализирует клиентскую базу.

Востребованы в сферах, активно использующих SMM: торговля: ресторанный бизнес, индустрия красоты, моды.

Исследует рынок, изучает потребности клиентов, анализирует спрос на продукт.

IT-фирмы, производственные компании.

Оформляет отчетность компании. Систематизирует информацию в виде дашбордов и понятных таблиц. Помогает автоматизировать процесс составления отчетов.

Страховые компании, банки, торговля, интернет-магазины и другие компании.

Готовит рекомендации по интерфейсу и дизайну сайта.

Реклама, маркетинг, IT, торговля.

Изучает поведение игроков, рассчитывает ожидаемую прибыльность проектов, предлагает варианты улучшения игры.

Бизнесмены и топ-менеджеры все чаще стремятся принимать решения на основе цифр. Эксперт помогает собрать статистику и систематизировать ее, сделать выводы. Извлечь из цифр практическую пользу. Специалисты востребованы в разных сферах: IT, маркетинге, продажах, банковской отрасли, экономике.

Где учиться профессии? Обзор курсов

В таблице собраны популярные программы в онлайн-университетах. Они позволяют освоить профессию с нуля на уровне, достаточном для трудоустройства. Вы получаете системную подготовку, включая практику, и документы, подтверждающие уровень знаний.

Если вас интересуют уроки для самостоятельного обучения, пролистайте таблицу вниз – они будут под ней.

Название и ссылка на программу

Поможет освоить профессию с нуля, опыт в IT не нужен. Обучение состоит из лекций, мастер-классов, домашних заданий с проверкой.

• делать анализ в Excel,
• применять SQL,
• использовать Python для анализа,
• работать с Power BI,
• ориентироваться в метриках (показателях),
• тестировать гипотезы,
• проводить A/B тесты.

Спикеры курса – преподаватели-практики и эксперты, сотрудники крупных компаний. Практика проходит на реальных задачах.

Курс поможет стать аналитиком данных с нуля. По окончании обучения студенты будут иметь 5 проектов в портфолио, диплом установленного образца и знания, достаточные для работы.

Это направление особенно востребовано во время нестабильности. Специалисты помогают компаниям повышать продажи, сокращать издержки. На курсе научат:

• Рассчитывать бизнес-модель.
• Анализировать экономику проекта.
• Оптимизировать процессы.
• Программировать на Python.
• Решать задачи с помощью IT.
• Работать с заказчиками.
• Работать с Excel, Google Таблицами.

Не требует начальных знаний и поможет стать бизнес-аналитиком с нуля. Лекции идут в записи, поэтому обучение в Skillbox рассчитано на людей, готовых учиться самостоятельно.

Это новая и востребованная специальность. Задача – собирать, анализировать цифры и представлять их в виде таблиц и дашбордов. Курс поможет стать аналитиком BI с нуля, без опыта в этой сфере.

Это первый шаг к профессии: курс поможет развить качества, необходимые для работы. Специальные знания для старта не нужны. Формат обучения – видеолекции, вебинары, домашние задания, квизы.

• Основы статистики.
• Работа с Google.Таблицами.
• Python как инструмент анализа.
• SQL.
• Основы машинного обучения.

Вы сможете понять, насколько эта сфера вам интересна. Получите начальные навыки и базовые знания, которые в дальнейшем помогут вам стать аналитиком данных с нуля.

Как освоить профессию самостоятельно? Бесплатные уроки

Вам потребуется изучить:

• Excel – для анализа и обработки числовой информации. В Клубе фрилансеров Вконтакте собрано много бесплатных видео по работе с этой программой. Пользуйтесь поиском по видео, чтобы найти нужные лекции. Excel (либо Google Таблицы) – база, с которой стоить начать, чтобы стать дата аналитиком с нуля.
• SQL – для работы с базами данных. Документация по Microsoft SQL есть в открытом доступе на официальном сайте. Бесплатные курсы по работе с SQL выложены на YouTube.
• Язык программирования Python. Он популярный и несложный. Изучить его можно по бесплатным самоучителям.
• Основы статистики. Есть в открытом доступе, например, здесь: лекции и семинары по курсу Математическая статистика от МФТИ.

Плюсом будет умение пользоваться следующими программами:

• Power BI и Tableau – для представления цифр в виде графиков и таблиц. Уроки для знакомства Power BI выложены на сайте Microsoft.
• MS Power Point – чтобы готовить презентации для клиентов. Обучающие материалы по Power Point есть в Клубе фрилансеров.

Полный перечень необходимых для работы навыков зависит от специализации. Например, чтобы стать бизнес-аналитиком, нужно хорошо разбираться в экономике, финансах.

Для самостоятельного обучения будут полезны следующие ресурсы:

• @internetanalytics – канал Алексея Никушина, основателя конференции МатеМаркетинг.
• @yandexmetrika – официальный чат пользователей сервиса Яндекс.Метрика.
• @appmetrica_chat – официальный чат пользователей AppMetrica, сервиса Яндекса.
• @excel_everyday – канал о работе в Excel.
• @google_spreadsheets_chat – чат по Google Таблицам и скриптам.
• @itanalyst_ru_chat – чат по 1С.
• Stepik.org/course/63054/info — тренажер по SQL.
• Analyst.by/library — библиотека сообщества бизнес- и системного анализа.

Читайте книги, например:

• Для бизнес-анализа. «Руководство к Своду знаний по бизнес-анализу BABOK (аббревиатура от A Guide to the Business Analysis Body of Knowledge)». Это полноценный учебник. Книга дорогая, но ее рекомендуют представители отрасли и преподаватели вузов. Это всемирно признанный стандарт бизнес-анализа. Она поможет продвинуться тем, кто хочет самостоятельно стать бизнес-аналитиком с нуля.
• Для работы с big data (большим массивом данных – востребовано в таких компаниях, как Яндекс). «BIG DATA. Вся технология в одной книге» (Вайгенд Андреас).
• Для работы в IT. «Путь aналитика. Практическое руководство IT-специалиста» (Иванова Вера, Перерва Андрей).

Что еще надо знать и уметь?

Математику, программирование и понимание бизнес-процессов. Чтобы стать аналитиком данных, нужно разбираться в этих сферах. В некоторых специализациях дополнительно понадобятся профильные знания.

• Математика. Нужно иметь знания в областях статистики, математического анализа и линейной алгебры и уметь их применять.
• Программирование. Нужно уметь программировать на Python и использовать SQL.
• Понимание бизнес-процессов, знание основных метрики.
• Редакторы таблиц. В профессии необходимо умение сортировать информацию, составлять диаграммы и графики. Если вы хотите самостоятельно стать аналитиком данных с нуля, начать стоит с изучения Excel и Google Таблиц.

Также могут потребоваться дополнительные знания и навыки. Например, для работы в иностранной компании может понадобиться иностранный язык, обычно – английский. По этой ссылке вы найдете много бесплатных самоучителей, словарей и другой полезной информации.

Сколько можно зарабатывать?

Разброс зарплат в сфере Data Analyst большой. Самые высокие доходы – в Москве и Санкт-Петербурге. Ниже перечислены средние зарплаты в разных городах:

• Москва — от 90 000 руб.
• Санкт-Петербург — от 80 000 до 100 000 руб.
• Казань — от 80 000 руб.
• Владивосток — от 75 000 руб.
• Самара — от 60 000 руб.

В среднем самые высокие доходы – в направлении финансового анализа. Зарплаты зависят от стажа и обязанностей:

• Стажеры и младшие специалисты — от 80 000 руб.
• Сотрудники среднего уровня — от 100 000 руб.
• Senior-специалисты и руководители отделов — от 170 000 руб.

В качестве дополнительного стимула работодатели могут предлагать программы добровольного медицинского страхования, посещение фитнес клуба и курсы иностранных языков.

Как устроиться на работу без опыта?

Чтобы получить предложение от работодателя, стоит тщательно прорабатывать каждый отклик на вакансию:

• Составить привлекательное резюме. Разборы резюме есть в телеграм-канале @products_jobs, там можно найти много полезных советов по его составлению. Также почитайте, как составить резюме, чтобы выделиться, как написать сопроводительное письмо. Опишите в резюме те навыки и задачи, которые близки к новой работе, и уберите непрофильные. Это поможет устроиться на работу аналитиком даже без опыта.
• Подписаться на каналы с вакансиями в социальных сетях, на лидеров отрасли. Оставлять содержательные комментарии под постами.
• Зарегистрироваться на профессиональных форумах и периодически читать, а также комментировать статьи и сообщения.
• Рассмотреть стажировку. Ее предлагают в том числе такие компании, как JetBrains, Авито, Яндекс.
• Добавить в резюме не только описание образования и опыта, но и личные качества, такие как аналитический склад ума, бизнес-мышление, внимание к деталям.
• Готовиться к каждому собеседованию: изучать информацию о работодателе, узнавать, кто будет проводить интервью.

Где искать работу новичкам?

Сайты, где можно найти вакансию аналитика данных, в том числе без опыта работы:

• HH.ru – популярный сайт для поиска работы. Здесь можно найти не только вакансии, но и варианты стажировки.
• Kwork — здесь можно разместить информацию о своих услугах и получать заказы.
• Career.habr.com – раздел с вакансиями на сайте для IT-специалистов.
• @kadrof_work – здесь размещаются предложения удаленной работы и заказы для фрилансеров.
• @analysts_hunter – профильные вакансии в Телеграм.
• @datasciencejobs – предложения о работе в области искусственного интеллекта, сбора, обработки и дата-анализа.
• @foranalysts – предложения для Digital analysts и Data scientists.
• @products_jobs – вакансии и разбор резюме.
• @hireproproduct – продуктовые вакансии.