Что не так с курсами на дата-аналитика (Data Analyst)

Всем привет! Я Лаптев Алексей, основатель и главный разработчик группы аналитических и маркетинговых сервисов в datamonster.

Нет цели как-то принизить ценность курсов, но их содержимое периодически очень сильно отличается от реальных потребностей там, где платят деньги, делая диплом таких курсов волчьим билетом на рынке труда.

Надеюсь замечания помогут методистам курсов составлять более грамотные программы, не вызывающие смешанных чувств.

Уверен, такие программы - это недразумение и чей-то недосмотр, а не попытка растянуть курс для увеличения LTV.

Но возможно я не прав и готов принять всю критику в комментах.

Увидел на одном канале рекламу курсов на аналитика с зп 285 000 руб у одного лидера рынках ну и решил глянуть чему там учат … и с трудом выдохнул обратно.

На лендинге курса есть схема, которая нам объясняет путь будущей карьеры.

То есть вершиной карьеры после курса будет middle аналитик со специализациями:

Так получилось что я в этом немного разбираюсь и знаю что там реально нужно, по крайней мере на уровне middle.

Поэтому чтобы понять некоторую странность курса, давайте разберемся что делают эти товарищи.

Дисклеймер

Приведенных требований хватит чтобы решить 95% задач по аналитике в каждой специализации.

Опустим уникальные требования на штучных задачах в крупнейших конторах. Смотрим массовый рынок, где наибольший шанс найти работу.

Маркетинговый аналитик

Задача:

Оценивает эффективность рекламы и говорит куда лучше тратить рекламный бюджет

Что ему нужно знать:

Продуктовый аналитик

Задача:

Анализировать продуктовые метрики и предлагать гипотезы роста ключевых продуктовых метрик.

Что ему нужно знать:

BI аналитик

Задача:

Построение кастомных дашбордов и разработка источника данных под них.

Что ему нужно знать:

На мой взгляд, ML-аналитика — это отдельная специальность, которой нет в рамках курса.

Использование различных сервисов и API на уровне «закинул данные/получил результат» — это не МL аналитика и большого ума тут не надо.

Такие сложные аналитические продукты как сквозная аналитика (utmstat) или обработчики данных (apimonster) пишутся на банальном php/sql или аналогах.

Там нет рокетсайнса, ML и прочих атрибутов современного аналитика, которого нам пытаются продать.

Просто потому что на практике, все эти сложности в 99% случаев не нужны.

Это я к тому, что если уж сложные продукты по своей сути просты, то не нужно переусложнять требования к аналитику.

Напоминаю схему карьеры

Уровень Intern — 5 месяцев

Из полезного тут только я бы назвал SQL/Excel.

Зачем будущему маркетинговому аналитику машинное обучение, ML модели и теория вероятностей — я не знаю.

Уровень junior — 4 месяца

So-so. Python лишнее, растянуто, но в целом пойдет.

Уровень middle

9 месяцев учили довольно бесполезные вещи, а далее за 3 месяца решили освоить 3 разные специальности: )

Было бы полезней эти 9 месяцев зубрить Python/БД/SQL и строить различные дашборды, тогда бы итогу можно было бы стать супер-аналитиком, для которого маркетинговая и продуктовая аналитика это лишь одна из задач.

Ну или сразу учиться на одну из специальностей 3 месяца.

Про маркетинговую аналитику.

В utmstat есть услуга маркетинговой аналитики под ключ. Это когда мы раз в неделю делаем аудит данных и говорим где проблемы в маркетинге и продажах - в этом суть сквозной аналитики.

Весь ее смысл — скрипт в Google Doc на 10 страницах + возможности utmstat.

Результат: клиент получает список всех грубых ошибок в аналитике и продажах со стабильным качеством независимо от эксперта с кем работал.

Срок обучения?

Как такового обучения нет, прочитал и идешь работать с клиентами с небольшой помощью наставника.

На столько все просто, потому что отлажено и автоматизировано.

То есть при желании - неплохим маркетинговым аналитиком можно стать за месяц, если получить нужные инструкции, инструменты и опыт.

12 месяцев на такое учиться — это катастрофа.

Критикуешь — предлагай.

Однозначно не стоит мешать в кучу абсолютно разные специальности, я бы сделал так:

Курс 1. Продуктовая/Маркетинговая аналитика.

Учим метрики, сервисы, SQL и немного Python. Без ML.

Курс 2. BI-аналитика.

Хорошо учим БД, SQL, Python, визуализация. Без ML.

Курс 3. ML-аналитика.

Хорошо учим все что надо для ML + Python/SQL.

Я бы не рекомендовал курсы такого уровня и печально что такие курсы проникают в известные учебные заведения.

Материал далек от коммерческой реальности, при этом требует потратить целый год на его изучение. Хотя сами специальности не скажу что денежные, но востребованные.

Прежде чем инвестировать год своей жизни в курс — убедитесь что он имеет ценность. Покажите его практикам.

P.S.

Ссылка на канал в телеге.