Кто такие аналитики данных и где они обитают

Всем привет, меня зовут Кукарина Елена, я амбассадор школы онлайн образования Mathshub. Я закончила мехмат МГУ, более 7 лет проработала аналитиком данных в мобильной разработке (Linerock Investments, LTD) , сервисе такси (Ситимобил) и Fintech-компании (Mercuryo) , затем перешла на роль продакт-менеджера. В этой статье я расскажу все тайны работы аналитика данных.

Аналитик данных (или Data Analyst) занимается сбором и анализом больших данных, обрабатывает их, изучает и делает выводы.

Эти специалисты проводят A/B тесты, выявляют тенденции в поведении клиентов, проверяют гипотезы.

Результаты работы аналитика данных помогают бизнесу в принятии объективных решений и снижают риски при запуске новых проектов.

Основная задача аналитика — получать релевантные выводы из имеющихся данных. Для решения этой задачи необходимы следующие навыки:

SQL: Более 60% работы аналитика занимает написание SQL-запросов, особенно на старте работы.

Python используется для финального статистического анализа данных, а иногда и для получения данных из различных источников, поэтому аналитику не обойтись без знания основ.

Математика, статистика и A/B тесты — это тот функционал, который как раз делает аналитика аналитиком. Потому что основной фокус его работы — делать релевантные выводы из данных.

BI tool может быть любой, важно понимать принципы визуализации данных и уметь презентовать их максимально понятным образом.

Excel, тут можно без уточнений. Хотя по моему опыту из-за большого объема обрабатываемых данных, его начинают использовать реже.

В зависимости от компании и ее организации хранения данных, какие-то из этих навыков будут использоваться больше, а какие-то меньше. Но без хотя бы базовых знаний каждого из них, начинающему аналитику будет сложно найти работу.

Продуктовый аналитик

Работает в компаниях, где есть свой продукт, например: Яндекс, компьютерные игры, приложения такси и т. д.

Продуктовый аналитик отвечает за изменения внутри продукта и за поведение пользователей, проводит эксперименты, строит воронки движения пользователей внутри продукта. Находит лучшие решения по развитию и считает основные метрики:

LTV (Lifetime Value) — прогнозируемая общая прибыль, которую клиент принесет компании за весь срок взаимодействия с ней

CAC (Customer Acquisition Cost) — стоимость привлечения клиента для покупки продукта или услуги

MRR (Monthly Recovery Revenue) — ежемесячная регулярная сумма дохода от пользователя в SAAS бизнесе

Churn Rate — показатель ушедших клиентов.

Мобильный аналитик

Подвид продуктового аналитика. Он специализируется на работе с мобильными приложениями, их специфическими метриками, условиями работы и оплаты. Например, в мобильных приложениях чаще используют подписную модель (оплата через подписку на определенный сервис) . Помимо навыков продуктового аналитика, знаком и умеет работать с сервисами AppMetrika, AppsFlyer.

Веб-аналитик

Оценивает эффективность сайта с точки зрения достижения его целей: продажи, генерация трафика и т. д.

Веб-аналитик изучает основные отчеты сайтов Яндекс Метрика, Google Analytics, Google Data Studio и платные сервисы сквозной аналитики. Выдвигает гипотезы о том, что могло пойти не так, как это можно улучшить.

Часто функции веб-аналитика принимает на себя продуктовый или маркетинговый аналитик.

Маркетинговый аналитик

Работает с отделом маркетинга, проводит эксперименты и выявлять наиболее успешные рекламные кампании и акции. Маркетинговый аналитик понимает, сколько трафика привлекла рекламная кампания и может оценить качество этого трафика в долгосрочной перспективе. Рассчитывает бюджет и экономику рекламной кампании, прогнозирует ее итог: будет акция в плюс или в минус.

Специалист работает как с внутренними базами данных, где собирает статистику о поведении пользователя, так и с внешними сервисами аналитики, чтобы получать информацию о только пришедшем юзере и правильно его сегментировать.

Финансовый аналитик

Работает с отделом финансов. Кроме основных навыков аналитика, он знает экономику и умеет анализировать финансовую деятельность компании. Финансовому аналитику нужно уметь просчитывать риски, выстраивать инвестиционные стратегии, понимать и прогнозировать тенденции развития мировой экономики.

Аналитик собирает, очищает и интерпретирует наборы данных, чтобы решить проблему бизнеса или ответить на вопросы, например:

С какими типами задач чаще всего сталкиваются аналитики данных?

Ad-hoc задачи

Это задачи, которые поступают здесь и сейчас, обычно они не повторяются и их решение не масштабируется для других задач. В основном из них состоит работа у начинающих аналитиков.

Пример:

— Рассчитать какие-либо показатели за определенный период, объяснить изменения в них.

— Понять поведение конкретной группы пользователей.

Построение Dashboard

В процессе работы над ad-hoc задачами, аналитик может заметить повторяющиеся паттерны, которые просят проанализировать.

Например, один и тот же показатель, но для разных групп клиентов или за разное время. А также постоянно повторяющиеся задачи, например, еженедельные отчеты.

Для таких задач аналитик строит dashboard в одном из возможных BI tools. В dashboard отражают основные метрики в формате графика/диаграммы/таблицы и т. д., также добавляют необходимые фильтры и параметры.

Чем лучше аналитик понимает продукт, тем больше задач он сможет масштабировать в dashboard из вида ad-hoc. От ad-hoc задач полностью отказаться не получится, но минимизировать вполне возможно.

Исследования

Исследование данных — весомая часть работы аналитика, особенно уровня Middle+.

В рамках таких исследованией выявлеются паттерны поведения пользователей и инсайты по развитию продукта, возможно найти дыры, где теряется конверсия в том или другом разрезе.

Это достаточно творческий процесс, который опирается на опыт аналитика и его понимание продукта. Таких задач обычно меньше всего.

Планирование и проведение экспериментов

Аналитику нужно понимать, как любые изменения повлияют на бизнес.

Для безопасного развития продукта и понимания рынка, рекомендуется внедрять любые изменения в продукт через A/B-тестирование.

В действительности, выдержать все требования для тестирования практически невозможно, а также сложно просто уговорить руководителей потратить время и деньги на тестирование. Поэтому часть работы аналитика заключается в том, чтобы понять, какие изменения являются критичными и требуют тестирования, и убедить в его необходимости менеджеров.

Убеждением уже занимаются аналитики высокого уровня, но любой аналитик должен понимать и знать, как презентовать важность эксперимента.

Аналитик должен спланировать тестирование:

Дата-сайентист занимается анализом массивов больших данных, запускает эксперименты на данных, а также может запускать модели машинного обучения.

С помощью математики он выявляет закономерности и аномалии данных, создает модели для предсказания

Разумеется, дата-сайентист умеет выполнять все задачи дата-аналитика.

Основное различие между работой дата-сайентиста и аналитика данных состоит в том, что аналитик данных отвечает на вопрос «Что было?», а Дата-сайентист отвечает на вопрос «Что будет?».

То есть аналитик данных — изучает поведение пользователей, какие они совершили действия и к каким результатам это привело, а Дата-сайентист на основе старых данных прогнозирует поведение.

Построение моделей машинного обучение требует глубоких знаний высшей математики, лучшего уровня программирования и понимания принципов работы с большими данными. Поэтому дата-сайенс специалист получает в 1,5 -2 раза больше, чем аналитик данных, особенно на позициях Middle+. Если речь идет про стартовые позиции, то тут будет сильно зависеть от навыков специалиста и задач, которые ему готовы доверить.

Во первых, прокачиваться в качестве аналитика данных, развивать необходимые навыки и идти к должности Senior и Team Lead.

Во вторых, аналитик может развиваться в сторону Дата-сайентиста, для этого нужно повысить уровень программирования и углубить знания высшей математики.

В третьих, аналитик может качать свои менеджерские скиллы и перейти из аналитика в продакт/проджект-менеджеры. (Имхо: самый непростой путь)

Во всем многообразии аналитических профессий легко запутаться, так как грань между ними бывает едва заметной. Надеюсь, после прочтения этой статьи, работа аналитика данных стала вам понятнее, а может вы и сами захотели стать аналитиком.