Чем занимается бизнес-аналитик в банке

Привет! Меня зовут Максим, и я бизнес-аналитик в Газпромбанке. О карьере аналитика задумываются многие. Но понять, кто такой аналитик и чем он занимается, с ходу бывает непросто. Функции сильно варьируются, причем не только в разных компаниях, но даже на разных продуктах одной компании. Например, существуют финансовые аналитики, веб-аналитики, маркетинговые аналитики и так далее.

Чтобы не запутаться, проще всего оценивать позицию по пулу задач. Например, я занимаюсь продуктовой и маркетинговой аналитикой в стриме автокредитования. В задачи входит как анализ продуктов, так и построение моделей. Поэтому моя позиция — что-то среднее между аналитиком данных и data scientist. В статье расскажу, как я стал аналитиком, какие задачи выполняю в банке и что думаю по поводу нейросетей.

Вуз я окончил в 2022 году. У меня профильное образование, но прежде чем стать аналитиком в Газпромбанке, я попробовал себя в нескольких направлениях. Преподавал програмирование, запускал стартап-приложение для поиска ресторанов, писал ботов. Потом я начал использовать Data Science и аналитику данных в своих проектах, осознал полезность и значимость подобного подхода, так называемого Data Driven, и в целом понял, что этот подход мне близок. Это и привело меня к текущей профессии.

Но можно сказать, что на эту должность меня привел личный энтузиазм и давняя любовь к данным. Я давно заметил про себя, что даже в простых житейских ситуациях всегда стремлюсь принимать максимально рациональные решения. Даже если это касается поиска самого выгодного варианта для покупки телефона. Какое лучшее время для покупки? На каких ресурсах лучше искать? Где будет выгоднее с учетом кешбэка? Конечно, матрицы в этом случае я не строю, но уделяю этому куда больше внимания, чем другие.

Я работаю в департаменте анализа данных и моделирования. Мы решаем задачи, связанные со всеми продуктами компании. Можно сказать, что «получаем заказы» от разных отделов. Это может быть анализ внутренних и внешних данных, поиск инсайтов, изучение пути пользователя. Для этого нужно сопоставлять массивы разноплановых данных. И банкинг — это однозначно самая интересная область для приложения знаний о статистике, потому что в работе находятся огромные массивы данных.

Продуктов такое количество, что любой пласт информации про клиента может привести к инсайтам для того или другого продукта.

Например, по данным полисов ОСАГО мы можем понять, что у клиента давно не менялась машина, и ему стоит предложить автокредит.

Аналитик должен искренне любить, искать такие закономерности. «Ресерчить» — самое подходящее с точки зрения заложенных смыслов слово. Желание ресерчить и глубоко разбираться в вопросе я считаю ключевыми для хорошего аналитика. Очень часто нам приходится часами и днями решать рутинные задачи, которые которые могут привести к быстрому к «выгоранию» сотрудника без этих качеств.

А также нужно помнить, что в работе не просто сухие данные — за ними стоит бизнес. А без понимания бизнеса сделать выводы на основе данных не получится, они останутся сухими и бездушными цифрами. Порой, пока не начинаешь погружаться, процесс кажется не имеющим значения в метакорреляции. Поэтому в современном мире важно, чтобы почти любые действия были оцифрованы. Даже если это процесс доставки карты курьером.

Помимо интереса к поиску данных, аналитику будет непросто без любви к рационализации. Грамотно подвести итоги А/Б-теста сможет не каждый человек. Нужна статистика, математика, способность отличать корреляцию от причинно-следственной связи. Или наоборот, готовность искать связь там, где корреляция сходу не очевидна. Мы все любим принимать быстрые «интуитивные» решения, но в случае работы с массивами данных этот подход недопустим.

После учебы я рассматривал несколько офферов. Хотя аналитика была приоритетом, были также идеи заняться DevOps и данными в розничной торговле. В Газпромбанк я пришел — и остался! — по многим причинам. Помню, что меня привлекло требование знать Python, что сильно отличало эту позицию от других. Но прежде всего — тестовое задание!

Мне дали задачу — оценить работу кластерной модели и интерпретировать ее результаты. Это была самая «страшная» тестовая задача из тех, что мне встречались. Но именно это меня и зацепило.

Обычно тестовое задание для аналитика данных ограничивается задачами по SQL и презентациями, и только здесь мне сходу пригодился опыт работы с Python. Нужно было вникнуть в задачу бизнеса, оценить вид и качество данных.

Я подумал: «Если такие кейсы дают на стадии интервью, на самой работе будет еще интереснее!» И ни разу не ошибся. Автором задачи был один из тимлидов в моей будущей команде, и ему предложенное мной решение тоже помогло понять, что мы сработаемся.

Еще один важные момент: в Газпромбанке есть редкая свобода действий. Я был приятно удивлен, когда руководитель спустя некоторое время поинтересовался, насколько нынешнее направление интересно мне для работы и не хочу ли я его сменить. Порой я использую в задачах опыт прошлых проектов. Парсинг — просто потому, что умею. Бывает даже — пишу код, и смена деятельности сильно радует.

Главное, чего аналитики, как правило, не ожидают от своей работы, — большого количества коммуникации. Главный софт-скил в работе — энтузиазм в поиске информации. Однако это значит не только часами вглядываться в бездну таблиц, но и налаживать связи с живыми людьми, много общаться и искать пересечения.

Чтобы собрать и понять эти данные, порой нужно поговорить с десятком людей. Данные приходят от самых разных отделов и сотрудников, совершенно не связанных между собой. Это напоминает работу журналиста. Им тоже требуется анализ множества данных и аналитическое мышление. Думаю, если бы я не пошел в аналитику, то мог бы стать журналистом.На самом деле у меня даже есть опыт съемки короткометражных документальных фильмов.

Коммуникация в виде отчетности — также колоссальная часть работы. Если взглянуть на мой (среднеарифметический) рабочий день со стороны, то порядка 70% времени занимает подготовка отчетности. Для этого, опять же, нужен навык перевода с языка цифр, статистики на «человеческий», чтобы аргументировать решения и помочь коллегам извлечь пользу из собранных данных.

Формат передачи измерений бизнесу тоже очень важен. Отчеты нужно не только составлять, но и поддерживать и совершенствовать. Например, маркетинговый отдел получает плохой трафик с рекламного канала и просит выделить нерелевантных для оффера клиентов. Для этих задач у меня уже есть готовый отчет с портретом клиента, и, сопоставив с ним данные, я могу отсечь нужный сегмент. Это очень важно — уметь систематизировать свои наработки и превращать их в инструменты.

Для облегчения коммуникации аналитиков и бизнеса у нас имеется и внутренняя библиотека для построения моделей. Я тоже порой пишу для нее код. Она сконструирована так, чтобы ей мог пользоваться даже новичок. Наша библиотека способна многократно ускорить процесс разработки и анализа полученной модели а также систематизировать разработку и ведение документации.

Если говорить про стек, который используется каждый день, то все довольно стандартно. Конечно, в первую очередь в работе нужен SQL, для стандартных запросов и задач. Во вторую очередь — Python, для любой сложной задачи. В наш рабочий инструмент не так давно добавлен BI Superset, и я являюсь его активным популяризатором. Он незаменим в визуализации графиков, расшаривании информации и автоматизации. Но как бы мы ни любили BI-инструменты, без обычных таблиц никуда.

Нейросети открывают огромные возможности, и мы часто обсуждаем, как они изменят подход к данным на уровне корпораций. Но пока, конечно, они не используются. Через службу безопасности «протащить» эти решения очень сложно. Думаю, будущее для больших компаний — легковесные модели, которые могут безопасно работать офлайн.

В повседневной жизни я активно применяю языковые модели. Они отлично справляются с решением рутинных бытовых задач. К примеру, я использую их как систематизированные и умные заметки. Иногда — как генератор идей. Или можно быстро «скормить» им пару книжек и оперативно применить знания из книг в различных задачах.

Уверен, что вскоре ИИ будет обязательным инструментом, который сможет выполнять множество рутинных задач, связанных с выгрузками и отчетами. Вымрет ли профессия бизнес-аналитиков как класс? Думаю, что нет, но она сильно изменится. Проведение анализа зачастую непростой процесс, включающий огромное количество коммуникаций. А где есть софт-скиллы, там и меньше возможностей у нейросетей. Профессия аналитика данных трансформируется, требуя более высокого уровня навыков в работе с ИИ и в использовании данных для стратегических решений.

Первое, что нужно в работе, — знание статистики. Второе — SQL и работа с базами данных, работа со сводными таблицами, знание Python и понимание Data Science, хотя бы на базовом уровне. Можно ли получить эти знания на курсах — вопрос, на который нет однозначного ответа. Это зависит даже не от качества курсов, но в первую очередь от способности человека воспринимать информацию в таком формате. Важен также практический опыт: участие в реальных проектах, создание собственных аналитических кейсов и работа над самостоятельными проектами. Это помогает лучше понять и закрепить полученные знания.

То, что помогло мне, — не механическое нарешивание задач из Data Science, но также их статистическая оценка. Это дает огромный буст к получаемому опыту. Книга «Статистика и котики» помогает взглянуть на аналитику свежим взглядом и увидеть новые пути ее приложения, даже в повседневной жизни.

На интервью ключевым преимуществом будет собственный кейс, решенный при помощи аналитики данных. Можно использовать одну из задач, решенных не для работы, а «для себя». В моей практике, например, это был опыт оценки собственной поисковой системы.

Я бы посоветовал любому новичку попробовать себя в максимально разных задачах, прежде чем определиться с выбором. Однако исследования и аналитика данных — это особенно крутое и невероятно увлекательное направление, которое позволяет глубоко погружаться в изучение данных, находить инсайты и принимать обоснованные решения.

Как я писал, в Газпромбанке есть редкая возможность перемещаться «горизонтально» между разными задачами. Это спасает от выгорания, а также позволяет сотрудникам получить разноплановый опыт и увидеть организацию изнутри под разными углами. Что делать, когда знаешь все обо всем и объективно нужно расти вверх? Традиционно путей для роста два: либо переход в бизнес, либо в сторону более сложного построения data-science-систем.

Мы живем в эпоху Data Driven. Умение работать с данными поможет на множестве позиций, но на руководящей должности этот опыт может оказаться решающим. Если руководитель знает как обращаться с данными и может подкрепить ими свои решения, тем лучше для всей организации.