Как начать работу аналитиком данных?

В материале разберем, какими навыками и знаниями должен обладать начинающий аналитик, какие бывают специализации и задачи, а также — как предыдущий опыт поможет перейти в профессию.

Что происходит с IT индустрией и будут ли нужны аналитики?
Что делать новичкам в IT?
Какие задачи выполняет аналитик?
Виды аналитиков
Как переиспользовать текущий опыт

Во времена кризиса многие компанию стараются судорожно свести дебет с кредитом, аналитика становится особенно актуальной по ряду причин: важно посчитать, что компания имеет сейчас, что бы хотела иметь и скорректировать действия по выполнению поставленных планов. Основной целью будет:

сокращение костов (затрат) для сохранения текущей позиции
поиск дополнительных возможностей для роста — этим скорее занимается продуктовый аналитик, его задачи и другие виды специалистов затронем чуть дальше

Поскольку в нестабильной ситуации аналитик — важный инструмент, умение обращаться с данными — ценный навык, поскольку аналитики становятся людьми, способными ответить на вопросы “как нам дальше жить?”, “что делать?” и “как скорректировать планы на год-два?”, а также принять верные data-driven решения.

Важно понимать, что не все компании смогут увеличить или хотя бы сохранить объемы найма на прежнем уровне, поэтому чем большим спектром навыков вы обладаете — тем больше у вас шансы получить должность (в кризис хочется нанять меньше, но лучше). Получается, основной запрос сейчас на высокий уровень скиллов, но с другой стороны, джуниор-специалисты тоже актуальны: растущий внутри компании кадр, хранитель знаний, недорогой, но при этом желающий обучиться. Важно будет показать высокую мотивацию.

Для начала, стоит определиться с тем, хочется вам именно в аналитику или нет. Важно понимать, что помимо решения творческих задач есть достаточно внушительное количество рутины и копошения в огромных таблицах.

Если внимательное прочтение строк выше вас не отпугивает и вы любите периодически позалипать в табличках, плюс, вы детально изучили виды задач у аналитиков и избрали для себя наиболее предпочтительный путь, необходимо:

выучить базовые запросы в SQL
освежить в памяти университетский курс статистики (при наличии профильного образования) — даже если вы претендуете на вакансию бизнес-аналитика, часто разделение задач между различными специализациями в аналитике может размываться, поэтому этот пункт важен.
открыть книги/видео/тг-каналы с бизнес-кейсами для развития продуктового мышления — большинство продуктовых компаний отходит от парадигмы, будто аналитик занимается исключительно подсчетом цифр и визуализацией дашбордов. Сейчас от аналитика будут ожидать чуть большего: например, не просто эксель-таблицу, но и предложения по решению проблемы, рекомендаций. Важно понимать, что делает компания и в каких целях.
нарешивать задачи в sql-тренажерах и везде, где найдете примеры реальных аналитических задач
визуализация данных — например, можно скачать большой датасет и попрактиковаться на тестовых аккаунтах

После того, как вы более-менее освоите перечисленную выше базу, можно переходить к поиску работы. Из-за большого количества кандидатов стоит заморочиться с резюме и подготовкой его к идеальной для вас вакансии: детально изучить, что требуется в компании мечты, и постараться максимально адаптировать имеющийся опыт под требования работодателя.

Помогут в этом примеры реальных задач с собеседований на glassdoor.com или где-нибудь еще :)

Nota Bene: аналитик — это все же технический специалист, хоть и с часто смешанным функционалом. Чтобы сильно не разочаровываться, не стоит пытаться без опыта сразу заскочить на позицию middle.

Если говорить о позиции аналитика в целом, не разделяя на отдельные подвиды (об этом дальше), то можно выделить такие задачи:

Может прогнозировать будущие сценарии — от аналитика ожидают, что он способен построить базовый прогноз, например, даже с помощбю Excel, основываясь на исторических данных за прошлый год, можно спрогнозировать какую-либо метрику на ближайший квартал. Чем выше уровень, тем продвинутыми будут прогнозы: появятся более сложные графики, возникнет необходимость применения Python и тд.
Подсвечивает точки роста и успешные кейсы — часто применимо к продуктовым аналитикам, тем не менее от бизнес- или дата-аналитиков это могут ожидать в том числе (вспоминаем поинт про размытость задач). Например, когда компания не понимает, что ей делать сейчас, она нуждается в построении стратегии на основе текущих ресурсов.

Аналитик в этом случае может посмотреть на продуктовый портфель и сказать: мы все это время концентрировались на продукте А, хотя еще неплохо перфомил продукт Б, почему бы не попытаться промотировать его тоже или продавать в качестве апсейла.
Или: сравнить маркетинговые стратегии и предложить использование наиболее оптимальной.

Помогает лучше узнать ваших пользователей (паттерны) — аналитик может отследить поведение клиента на сайте или в приложении, оценить “кликабельность” каких-то баннеров и прийти в рекомендациями к отделу продукта
Держит руку на пульсе (аналитика рынка и внутренняя: дашборды и прочие фокусы) — аналитик должен быть осведомлен, что в целом происходит в индустрии продукта, которым он занимается
Разумеется, занимается текучкой — эдхоками (срочные важные задачи из какой-либо команды), А/В -тестами (если умеет)
Ищет инсайты в данных в рамках продолжения стратегии и целей компании (важно!!!), а не делает работу “чтобы было” — сейчас многие компании стремятся собирать всевозможные данные и нередко аналитикам приходится считать какие-то метрики только потому, что “конкуренты тоже считают”. Такой подход следует заменять на “чтобы надо” и собирать данные, которые действительно будут помогать продукту и компании
Иногда плоды его трудов помогают привлечь внимание инвесторов и создавать инфоповоды

Продуктовый аналитик

Проводит исследования по типу ‘как повышение цен скажется на нашем общем перформансе’, ‘почему упала конверсия’, ‘почему этот продукт перестал перформить’
Готовит и считает результаты АВ-тестов
Делает дашборды и эдхоки в рамках своего продукта
Основная его задача: находить точки роста в продукте и генерить инсайты из этого
Обычно привязан к конкретному продукту/команде, сфокусирован только на них

Навыки: SQL, Python/R, хорошее знание математической статистики и теории вероятности, визуализаторы данных типа Tableau, Qlik, Power BI

BI-аналитик

В основном, строит дашборды и отчеты, чтобы все стейкхолдеры могли отслеживать на них операционную эффективность
Чаще всего немножко умеет в дата-инжиниринг
Помогает оптимизировать процессы в компании (автоматизирует отчётность, рассылки, помогает в организации хранилища данных)
Делает разные выгрузки по запросу
Чаще всего работает кросс-командно — сразу с несколькими командами (но бывают исключения)

Навыки: SQL, ETL, визуализаторы данных

Бизнес-аналитик

Занимается сбором, анализом требований и формированием детальных ТЗ (use cases, блок-схемы, модели данных)
Является эдаким посредником между разработчиками и бизнесом
Конечно же, анализирует проблемные области и формулирует предложения для улучшения
Управляет требованиями (обработка запросов на изменение, анализ и описание влияния на существующие требования)
Опять же, может делать запросы и дашборды по просьбе заказчиков

Навыки: SQL, визуализаторы данных, плотная работа в Confluence, BPMN (BizAgi Modeler) , UML

Системный аналитик

Чаще всего бдит документацию всех данных, таблиц
Детально описывает структуру данных, бизнес-процессы, чтобы это было всем понятно
Является промежуточным звеном между разработкой, дата-инженерами и бизнес-командой: собирает запросы, комментарии и жалобы от бизнеса

Навыки: UML, BPMN и инструменты для него, Confluence, SQL/Python

Маркетинговый/веб аналитик:

Улучшает эффективность performance/медийных каналов привлечения
Работает над оптимизацией воронки пользователей
Тестирует и развивает модели атрибуции, анализирует цепочки маркетинговых каналов и их взаимодействия между собой
Оценивает окупаемость запускаемых кампаний (их ROI)

Навыки: SQL, Python, Google Analytics, визуализаторы данных как бонус, инструменты мобильной аналитики (Amplitude), математическая статистика

А еще есть дата-аналитики, которые часто являются комбинацией либо всего из вышеперечисленного, либо частично :)

Разновидностей аналитиков на рынке — масса, но:

Во-первых, важно определиться, что вам нравится больше всего — наводить порядок в данных, находить инсайты и точки роста или строить дашборды
Во-вторых, не пытайтесь объять необъятное, как бы ни хотелось: продуктовому аналитику не стоит пытаться совмещать его работу с функционалом системного аналитика (например)

Лучше выбрать направление себе по душе и фокусироваться на нем :)

Вопрос неоднозначный, поэтому вариантов несколько:

Вариант 1

Вы приходите в IT-аналитику с соответствующим образованием (IT, экономика, бизнес-анализ) — в таком случае вы вспоминаете пройденные курсы по статистике/теорверу, вспоминаете задачки, которые решали, и добиваете сверху SQL и прочими радостями

Вариант 2

Вы приходите в IT-аналитику с похожим опытом: например, работали аналитиком продаж или аналитиком в какой-нибудь FMCG-компании, то есть типовые задачки решали, рекомендации давали, но инструментами не владеете: тогда докачиваем продуктовое мышление и снова SQL

Вариант 3

Вы приходите в IT-аналитику вообще из другой сферы, ничего подобного до этого не делали и ничему такому не обучались. В таком случае, самое релевантное — взять полноценный курс, где вы пройдете все, начиная с самых основ. Самостоятельно может быть сложно, а вот кураторы/менторы на курсах могут здорово помочь.