Почему всем нужны аналитики данных?

10 лет назад 64 гигабайта памяти в смартфонах считалось роскошью. Большинству хватало 8, а остальное место оставалось неиспользованным. Сейчас не хватает и 128 гигабайт: одни приложения занимают по 30-40.

Объемы данных растут, приложения, сайты собирают терабайты информации о пользователе: историю транзакций, активность, увлечения. Базы данных превратились в огромные помещения со стойками жестких дисков. Разобраться с миллионами строк в БД помогают аналитики данных. В статье рассказываем все о перспективной профессии.

Содержание

1. Кто такой аналитик данных
2. Чем занимается аналитик
3. Виды аналитиков
4. Что должен знать новичок?
5. Востребованность профессии
6. Как стать аналитиком с нуля?
7. Отличия data scientist и аналитика данных

Кто такой аналитик данных

Аналитик данных (Data Analyst) – специалист по работе с большим объемом информации. Он собирает, анализирует и интерпретирует данные.

Такой специалист востребован в компаниях, которые придерживаются data-driven подхода: улучшают продукт на основе знаний о пользователе. Например, создатели приложения по поиску авиабилетов ищут способ увеличить число повторных покупок. Команда придумала акцию для клиентов: вторая поездка со скидкой 30%. Но вдруг гипотеза не сработает? Чтобы не брать изменения “с потолка”, data analyst собирает информацию о пользователях, их потребностях, проверяет статистическую значимость, на основе данных предлагает идеи изменений.

Цифры врут реже, чем люди. Так компании фокусируются на улучшениях, которые принесут пользу клиентам и бизнесу.

Чем занимается аналитик данных

Быстрый ответ: переводит требования руководства на язык цифр и ищет подтверждения. То есть мало уметь строить дашборды, собирать данные по критериям. Опытный специалист понимает, как его действия приносят пользу компании, и умеет доносить идеи до руководства. Так выглядят типичные задачи аналитика:

• собирает “сырые” данные (необработанную информацию)
• убирает лишнее: отчищает от повторов, ошибок, нерелевантной информации
• анализирует: ищет закономерности, причины
• делает выводы
• визуализирует: представляет итоги в понятном виде, чтобы принять бизнес-решение

Рассмотрим на примере маркетинговой компании:

• Дата аналитик собирает всех пользователей, перешедших по рекламному объявлению из Яндекса 25 мая; 
• выделяет сегменты по поведению: посмотрели 3 страницы сайта, добавили товар в корзину, совершили покупку; ушли с сайта, не совершив действий;
• анализирует сегменты: выявляет на каком этапе пользователи бросили корзину, что общего у этих клиентов;
• делает выводы: клиенты отваливаются на этапе ввода данных карты;
• визуализирует данные: на графиках показывает основные этапы, на которых отваливаются пользователи.

Также аналитики данных проверяют гипотезы на A/B-тестах. Такой тест выявляет, повлияло ли нововведение на пользователей. Часть клиентов видит старую страницу регистрации, часть – новую. Сравнивая две версии, аналитик определяет, действительно ли новая страница удобна для пользователей. Подробнее об A/B-тестировании мы рассказывали в другой статье.

Еще аналитиков привлекают для оценки метрик продукта, построения юнит-экономики: посчитать LTV, CAC, ARPU, ROI тысячи клиентов и свести это в единую систему.

Виды аналитиков данных

Компании собирают данные на всем пути пользователя: от просмотра рекламы до использования продукта. Информации так много, что один аналитик не справится. Поэтому в профессии есть 3 специализации, которые отличаются зонами ответственности.

Маркетинговый аналитик

Занимается анализом привлечения пользователей. Представьте 100 рекламных компаний на 5 рекламных площадках, по которым пришло 500 000 пользователей. Сколько пришло новых? Сколько совершили покупку? Окупились ли затраты? Задача маркетингового аналитика дать ответ на эти вопросы, оптимизировать рекламу.

Продуктовый аналитик

Работает с продуктом. Продуктовый аналитик обрабатывает информацию о пользователях: какой сегмент совершает повторные покупки, какие у проблемы мешают клиентам, как это отражается на метриках. На основе этих данных команда добавляет новые функции и улучшения.

BI-аналитик

Business Intelligence Аnalyst помогает бизнесу принимать решения. Не путайте с продуктовым аналатиком: бизнес-решения не всегда касаются улучшения продукта. Такой специалист больше отвечает за “прозрачность”данных, демонстрирует руководству критические места бизнеса, подсвечивает проблемы и точки роста. 

У специализаций есть общее: понимание работы алгоритмов и методов анализа данных. Но для успешной работы нужно понимать специфику отдельной сферы. Освоить специализации можно в нашем курсе.

Что должен знать начинающий аналитик данных

Новички в профессии начинают с изучения инструментов работы с данными. Работодатели ждут, что junior аналитик данных умеет:

• писать SQL-запросы в базы данных;
• работать с Google Sheets и Excel;
• обрабатывать данные с помощью Python;
• визуализировать результаты и строить дашборды;
• анализировать основные продуктовые, бизнес метрики;
• работать с Яндекс Метрикой, Google Analytics, Tableau.

Вот пример вакансии от Тинькофф:

Для middle специалиста требуется знание A/B-тестов и BI-инструментов, специализация на маркетинге, продукте или бизнес-показателях.

Востребованность профессии аналитик данных

В пандемию компании активно начали “цифровую трансформацию”: запускают собственные приложения, переводят бизнес, работу команды в онлайн, внедряют высокотехнологичные методы управления, обрабатывают все больше данных. 

В июле 2022 на hh.ru открыто 10 000 вакансий аналитика данных, при этом 700 компаний ищут кандидатов без опыта. На рынке не хватает как начинающий, так и опытных кадров. 

Компании предлагают минимальную зарплату в 60 000 рублей, а средняя зарплата новичка – 80-90 тысяч рублей. 

Специалиста уровня middle ищут более 5000 компаний. Средняя зарплата аналитика данных переваливает за 120 000 рублей. Зарплаты в Москве выше, чем в регионах, но 1600 компаний предлагают удаленную работу.

Как стать аналитиком данных с нуля

Начните изучать программы: Excel или Google таблиц, Tableau. Работодатели ждут, что начинающие специалисты умеют работать с массивами, строить прогнозы и дашборды. Не забудьте про языки программирования: SQL, Python это must have. Здесь помогут youtube-каналы:

Не забывайте практиковаться. SQL, Python быстро забываются, если не писать запросы на постоянной основе. Сделайте перерыв на месяц, и почувствуете сложность в работе с массивами в Excel. К тому же, работодатели не любят “теоретиков”.

Решение учебных кейсов – тоже опыт, поэтому оттачивайте свои навыки в “боевых условиях”. 

Тут помогут профильные курсы: составители учли нюансы профессии, сделали упор на практику. Вы поработаете с кейсами реальных компаний, предоставите результат на собеседовании, а диплом повысит рейтинг в глазах работодателя. 

Не обращайте внимание на мифы, что аналитики данных это сплошь “технари”. В профессии важны развитые soft скиллы, которых часто не хватает любителям формул. Часто сильные специалисты это самоучки, которые не боялись инвестировать в развитие, пробовать новое.

Что выбрать: Data Science или аналитик данных?

Требования к специалистам двух сфер похожи, однако это 2 разные профессии. Аналитик больше взаимодействует с бизнесом, поэтому специализации завязаны на знание специфики отдельных сфер: маркетинга, продукта или бизнес-показателей. Он занимается поиском инсайтов, больше взаимодействует с командой, стейкхолдерами. Такому специалисту пригодятся сильные soft-skills, понимание продукта, а не только продвинутая математика или знание инструментов. Опытный аналитик сам ищет узкие места, проводит исследования, а не ждет распоряжения “сверху”.

Data Scientist это более техническая профессия. Он выполняет поставленную задачу: построить регрессию, обработать данные машинным обучением. В Data Science больший уклон в программирование, работу с сложными моделями, инструментами. Здесь важнее hard скиллы, нежели умение работать с коллективом и пользователями. 

Новичкам проще начать карьеру с аналитики: освоить базовые инструменты, понять принцип работы IT-компаний, получить первый опыт. Помогут развитые soft skills, понимание бизнесов процессов, если математика хромает. Data Science – узкая сфера, в которой на первом плане алгоритмы и математические методы.