5 шагов, чтобы стать дата-аналитиком | Rusbase

5 шагов, чтобы стать дата-аналитиком | Rusbase Аналитика
Содержание
  1. Курс 5 основы программирования на python
  2. Что такое большие данные
  3. Курс 11 introduction to python for data science
  4. Почему я выбрал онлайн-обучение
  5. Курс 2 основы статистики
  6. Системный аналитик: что делает, сколько получает и как им стать | медиа нетологии
  7. Курс 6 основы sql
  8. Что делает аналитик данных
  9. Курс 7 введение в базы данных
  10. Профессиональные компетенции аналитика данных: что должен знать dataanalyst
  11. Курс 4 введение в математический анализ
  12. Skypro — профессия аналитик данных
  13. Зачем бизнесу анализировать данные
  14. Как освоить новую профессию онлайн
  15. Как освоить профессию аналитика данных
  16. Как проходит онлайн-обучение дата-аналитике
  17. Как я выбирал направление
  18. Как я нашел работу
  19. Как освоить новую профессию онлайн
  20. Какие знания и навыки нужны аналитику данных
  21. Кому подойдет профессия
  22. Курс 1 data science professional certificate
  23. Курс 10 профессия — аналитик данных
  24. Курс 3 базовый курс по математике
  25. Курс 8 информационная бизнес-аналитика
  26. Курс 9 профессия data scientist: анализ данных
  27. Навыки
  28. Плюсы и минусы профессии
  29. С какими сложностями сталкиваются студенты на курсе по анализу данных
  30. Самый короткий путь в профессию
  31. Секрет популярности профессии
  32. Телеграм-каналы
  33. Чем работа аналитика данных отличается от data scientist
  34. Ютуб-каналы
  35. Выводы

Курс 5
основы программирования на python

Платформа: «Курсера».

Организатор: ВШЭ.

Длительность: 9 недель. Я занимался в мае — июне 2021 года, но застопорился на седьмой неделе и не стал проходить дальше.

Что я получил: курс был очень сложным, но интересным. Я потренировался решать задачи математически, а потом писать алгоритм решения кодом на Python. Так я понял, что мне нужно еще больше знаний по математике и алгоритмам.

Минусы: многие задачи были такими сложными, что пригодилась бы помощь преподавателя, а ее не было. Пришлось самому копаться в интернете и искать решения. Еще у нас был форум студентов. Там мы обсуждали задачи, а иногда нам отвечали администраторы курса. Но это все равно не то.

На курсе было слишком много высшей математики и теории вероятностей. И сложность заключалась не в написании кода, как я хотел, а в том, что я не умел решать олимпиадные задачи по математике.

Полезность: 8 из 10.

Что такое большие данные

На уроках математики в школе вы постоянно работали с данными: складывали, умножали, делили в уме или в столбик. Возможно, вы также ведёте семейный бюджет в блокноте или в таблице — вносите информацию и используете простые формулы: находите суммы, разности, средние значения.

Большие данные — это когда информации действительно много: чёткой границы нет, но обычно речь идёт о гигабайтах, если не о терабайтах. Эти массивы могут поступать сразу из множества источников: интернет‑магазинов и социальных сетей, промышленных систем управления качеством, систем видеонаблюдения, устройств интернета вещей.

Данные отличаются по структуре, бывают упорядоченными и нет. Например, история операций по кредитке упорядочена по времени, а характеристики смартфонов на складе можно хранить без строгого порядка.

Плотность данных также может быть разной: одни системы выполняют измерения каждый час, другие — несколько раз в секунду. Соответственно, и объёмы информации отличаются: от нескольких килобайт до сотен гигабайт.

Работать с большими данными вручную сложно: это долго, дорого и неэффективно. Поэтому для анализа таких массивов используют средства автоматической обработки.

Курс 11
introduction to python for data science

Платформа и организатор: «Дата-кэмп».

Длительность: подписка была на год, но я занимался только в феврале — апреле 2020 года.

Стоимость: 80 $ (6152

Р

) — подписка на год.

Минусы: курсы короткие, есть даже всего по 10 часов. Поэтому сначала мне казалось, что они недостаточно информативные. Чтобы глубоко понять какую-то тему в комплексе, нужно пройти десяток курсов.

Полезность: 10 из 10.

По каждому из 10 курсов я получил сертификат

Почему я выбрал онлайн-обучение

Чтобы устроиться на работу, мне нужны были сертификаты, которые подтвердят мои знания. Я мог читать статьи о программировании и смотреть ролики на «Ютубе», но за это не дают сертификатов. Можно получить их в вузах — там бывает очная магистратура по компьютерным наукам и анализу данных. А можно пройти онлайн-курсы. Я выбрал второй вариант, и вот почему.

А онлайн-курсы были в основном недорогие. Вот «Основы программирования на Python» на «Курсере» стоили 5000 Р. А были и вообще бесплатные, например «Введение в базы данных» на платформе «Стэпик». В общем, я понял, что онлайн-обучение точно обойдется дешевле.

Проще бросить. Я допускал, что учеба может мне не понравиться, а курсы и магистратуру в вузах нужно оплачивать вперед. Я боялся, что будет сложно вернуть деньги, и рассуждал, что за курс потеряю меньше, чем за магистратуру. Забегая вперед, скажу, что я дважды возвращал деньги в процессе обучения, проблем с этим не было.

Легко совмещать с работой. Я хотел и дальше трудиться в продажах, а параллельно учиться. Планировал заниматься по вечерам, в выходные и праздники. Еще на работе у меня бывали «окна» в течение дня: в это время я собирался учиться, а если что, переключаться на срочные задачи. С офлайн-обучением такой график был бы невозможен.

Курс 2
основы статистики

Платформа: «Стэпик».

Организатор и лектор: Анатолий Карпов — дата-аналитик из «Мэйл-ру-груп». Курс выложен на базе Института биоинформатики — это научная организация, которая создает бесплатные курсы для математиков, информатиков и биологов.

Длительность: 9 занятий, я проходил их 1,5 недели в марте 2021 года.

Стоимость: бесплатно.

Что я получил: повторил все, что изучал в вузе по статистике, и вспомнил базовые термины. Потом мне было легче на других курсах.

Минусы: ответы на некоторые тесты можно было просто угадать. Я бы усложнил варианты вопросов и ответов.

Полезность: 9 из 10. Курс подойдет и новичкам, и тем, кто уже изучал статистику, но забыл. Я сравнивал темы из курса с главами учебника по статистике — во многом они совпали. Но смотреть лекции и решать практические задачи по курсу интереснее, чем читать учебник.

Системный аналитик: что делает, сколько получает и как им стать | медиа нетологии

Граница между бизнес- и системным аналитиком сильно размыта: часто обязанности этих специалистов смешиваются. Но бизнес-аналитик больше сфокусирован на оптимизации бизнес-процессов, снижении издержек и увеличении прибыли за счёт автоматизации. Он разрабатывает решение и передаёт системному аналитику, который перекладывает это решение на техническую реализацию и помогает команде понять, что должно получиться в результате разработки.

Аналитик занимается Big Data: умеет обрабатывать сырые данные и строить гипотезы на этой основе. Аналитик данных работает с метриками, системный аналитик — с процессами. Для первого знание Python необходимо, для второго — будет плюсом.

Системный аналитик переводит собранные требования в задачи на разработку. Project-manager контролирует ход проекта, согласовывает сдвиги в плане, управляет ресурсами и рисками.

Product-manager отвечает за стратегию продукта — от выдвижения гипотезы до анализа результатов. Он знает, что нужно пользователю, а системный аналитик понимает, как это сделать.

Системный аналитик продумывает строение системы, а архитектор её создаёт. Системный архитектор проектирует архитектуру таким образом, чтобы разрабатываемая система не только удовлетворяла текущим требованиям бизнеса, но и могла гибко расширяться и модифицироваться при возникновении новых потребностей.

Технический писатель отвечает за документацию. В обязанности системного аналитика тоже входит подготовка документов, но круг его обязанностей намного шире.

Курс 6
основы sql

Платформа: «Стэпик».

Организатор и лектор: Никита Шультайс — программист, основатель собственной компании по разработке Shultais Education.

Длительность: 32 часа, я прошел их за три недели в августе — сентябре 2021 года.

Стоимость: 4500 Р.

Что я получил: познакомился с реляционными базами данных — они состоят не из одной таблицы, а из многих, но данные в них связаны между собой. Плюс я узнал, как формировать запросы на языке SQL. Все это сейчас нужно мне для работы аналитиком.

Полезность: 9 из 10.

Плохо, что в сертификате не было программы курса. Мои работодатели не могли узнать, что именно я проходил и как долго учился

Что делает аналитик данных

Как правило, Data Analyst работает с информационными массивами, самостоятельно выполняя при этом целый набор операций:

  • сбор данных;
  • подготовка данных к анализу (выборка, очистка, сортировка);
  • поиск закономерностей в информационных наборах;
  • визуализация данных для быстрого понимания имеющихся результатов и будущих тенденций;
  • формулирование гипотез по улучшению конкретных бизнес-метрик за счет изменения других показателей.

Все эти задачи необходимы для достижения главной цели аналитика данных – извлечение из массивов информации сведений, ценных бизнесу для принятия оптимальных управленческих решений.

В некоторых компаниях в обязанности аналитика данных также входит их моделирование, т.е. разработка и тестирование моделей машинного обучения (Machine Learning). Однако, в большинстве случаев, Machine Learning является областью ответственности исследователя или ученого по данным (Data Scientist).

Также стоит отметить, что иногда Data Analyst занимается анализом бизнес-процессов и очень плотно работает с другими ИТ-специалистами при описании потоков и хранилищ корпоративной информации. Таким образом, в область ответственности аналитика данных также входят задачи BusinessIntelligence (BI) и оптимизации производственных процессов.

Дополнительный анализ:  Что такое стек - Журнал «Код»: программирование без снобизма
Data Ananlyst, аналитик данныхб Data Science, Data Mining, Big Dtat, Business Intelligence
Профессиональный портрет аналитика данных

Курс 7
введение в базы данных

Платформа: «Стэпик».

Организатор и лектор: программисты Александр Мяснов и Иван Савин.

Длительность: 13 часов, я прошел их за неделю в сентябре 2021 года.

Стоимость: бесплатно.

Что я получил: основные моменты я уже знал из учебника Грабера и из курса по SQL. А здесь глубже вник в реляционные базы данных и понял, по какой логике делать запросы на языке SQL.

Полезность: 7 из 10. Мне понравилось, что многие задачи по SQL были прикладными. Например, нужно было рассчитать запасы товаров на складе интернет-магазина или проанализировать транзакции клиентов в банке.

Профессиональные компетенции аналитика данных: что должен знать dataanalyst

Исходя из вышеописанных задач, можно определить следующие области знаний, необходимые для аналитика данных:

  • информационные технологии – методы и средства интеллектуального анализа данных (Data Mining) – языки программирования (R, Python и пр.) и SQL-подобные языки для написания запросов к нереляционным и реляционным базам данных, а также BI-системы, ETL-хранилища и витрины данных типа Tableau, Power BI, QlikView и т.д., а также основы инфраструктуры Apache Hadoop;
  • математика (статистика, теория вероятностей, дискретная математика);
  • системный анализ, управление качеством, проектный менеджмент и методы анализа бизнес-процессов (подходы бережливого производства, SWOT, ABC, PDCA, IDEF, EPC, BPMN, ССП и пр.).

Кроме того, весьма полезны будут прикладные знания и практический опыт, специфичные для предметной области, в которой работает Data Analyst. Например, основы бухучета пригодятся для аналитика данных в банке, а методы маркетинга помогут при анализе информации о потребностях клиентов или оценке новых рынков.

что должен знать аналитик данных data analyst
Области знаний для аналитика данных

Специфика BigData добавляет к этим базовым компетенциям Data Analyst еще навыки работы с озерами данных (Data Lakes), понимание вопросов информационной безопасности и управления данными (Data Governance), а также владение типовыми сценариями цифровизации (цифровой трансформации) и применения технологий больших данных в различных предметных областях (use-cases).

Все это и множество других практических знаний для аналитика данных мы рассматриваем на наших курсах обучения и повышения квалификации ИТ-специалистов в лицензированном учебном центре для руководителей, аналитиков, архитекторов, инженеров и исследователей Big Data в Москве:

Курс 4
введение в математический анализ

Платформа: «Стэпик».

Организатор и лектор: Александр Храбров — кандидат физико-математических наук, преподаватель ВШЭ и СПбГУ.

Длительность: 26 часов, я прошел за 3 недели в марте — апреле 2020 года.

Стоимость: бесплатно.

Что я получил: вспомнил азы матанализа и прорешал много интересных и сложных задач. Часть из них потом встретил в курсе по основам программирования на Python — мне было легче их решать.

Skypro — профессия аналитик данных

Зачем бизнесу анализировать данные

Представьте, что вы управляете продуктовым магазином. Как узнать, чего хочет покупатель? Спросите его — и услышите, какие товары он приобретает чаще, в какое время обычно ходит за покупками.

Но масса деталей останется за кадром. Например, именно аналитики знают, как на покупки влияет заполненность полок, плохая погода, фоновая музыка.

Все эти и другие данные можно собрать и проанализировать. Это поможет супермаркету расставить товар так, чтобы покупатель как можно дольше оставался в торговом зале и обращал внимание на нужные предложения, и пересмотреть график работы кассиров, чтобы уменьшить очереди на кассах.

Найти применение большим данным можно в любой сфере:

  • На заводах система компьютерного зрения следит за рабочими. Система заметит, если кто‑то забыл про каску, и напомнит о правилах безопасности.
  • В банках анализ больших данных диктует условия кредитов и депозитов, выявляет хакерские атаки и подозрительные операции.
  • Городами тоже управляют большие данные. Умные светофоры уменьшают пробки, компьютерное зрение ищет преступников в толпе. С аналитиками советуются, прежде чем построить новую дорогу или центр госуслуг, изменить маршрут автобуса.

На основе данных можно построить модели и проверить гипотезы. Модель — это математическое описание любой ситуации, которое помогает предположить будущее. Например, модель прогнозирования спроса в торговой сети предскажет, как будет меняться востребованность отдельных товаров, поможет скорректировать цены и объёмы закупок.

Как освоить новую профессию онлайн

  1. Подумайте, в какой сфере хотите работать, и изучите, какие там есть профессии. Почитайте о них в интернете и посмотрите на требования в вакансиях. Выбирайте то, что вам интересно и где зарплата на старте вас устраивает.
  2. Составьте список скиллов, которые нужны работодателям. Отметьте, что вы уже знаете, а что придется освоить. Подумайте, что предстоит изучить в первую очередь. Остальное наметите в процессе.
  3. Найдите в интернете курсы по нужным направлениям. Сравните программы, цены, расписание и отзывы бывших студентов, если они есть.
  4. Занимайтесь каждый день.
  5. Если курс явно бесполезен, не тратьте на него время. А если он еще и платный, требуйте вернуть деньги.
  6. Когда вы освоите больше половины навыков из вакансий, составьте резюме. Опишите все, что умеете, и приложите сертификаты.
  7. Ответственно выполняйте тестовые задания: если получится хорошо, вас примут на работу даже без опыта.

Как освоить профессию аналитика данных

Обычно в университетах студенты получают фундаментальные знания, но работодателей интересуют навыки решения практических задач и опыт в нужной области. И если крупные учебные заведения регулярно обновляют программу, рассматривают реальные кейсы и современные инструменты для анализа данных, то вузам поменьше для этого часто не хватает ресурсов. Поэтому студентам приходится самостоятельно искать проекты и задачи, чтобы научиться применять теорию на практике.

Быстрое погружение в профессию и понимание потребностей работодателей даёт почувствовать, какие знания и умения нужны. Формируется привычка самостоятельного поиска решений, примеров, похожих кейсов, нарабатывается опыт, растёт портфолио.

Проверьте, готовы ли вы освоить профессию аналитика данных:

  1. Пройдите вводный курс — поймёте, насколько вам интересен анализ данных.
  2. Прочитайте отзывы людей, которые уже завершили занятия на курсе по этой профессии и трудоустроились.
  3. Изучите программу обучения и задайте вопросы образовательной поддержке курса.
  4. Найдите вакансии в своём городе или предложения удалённой работы, изучите требования к специалистам по анализу данным.
  5. Взвесьте все за и против. Было ли интересно анализировать данные на вводном курсе? А вакансии кажутся привлекательными? Если всё так, похоже, вам подходит эта профессия.

Как проходит онлайн-обучение дата-аналитике

Я учился на 11 онлайн-курсах по дата-аналитике. Один из них проходил напрямую у создателя — Высшей школы бизнес-информатики. Остальные нашел на образовательных платформах «Курсера», «Стэпик», «Скиллбокс», «Дата-кэмп» и «Яндекс-практикум».

На всех платформах я выбирал отдельные курсы. Только на «Дата-кэмпе» оплатил сразу годовую подписку и мог проходить по ней любые курсы.

У каждого курса на «Стэпике» было не только описание с планом, но и отзывы с оценками. Так мне было легче понять, стоит ли вообще его проходить. Каталоги курсов на других платформах были устроены аналогично

Кто преподавал. Курс в Высшей школе бизнеса вели преподаватели самой школы, а в «Яндекс-практикуме» — аналитики «Яндекса». На других платформах курсы создали преподаватели университетов, колледжей и бизнес-школ и сотрудники крупных успешных компаний.

«Скиллбокс» сам набирает команду преподавателей. На курсе «Профессия Data Scientist: анализ данных» лекции читали сотрудники «Рамблера», «Профи-ру», Сбера и самого «Скиллбокса».

В Высшей школе бизнес-информатики преподавали директора крупных компаний. Но курс по аналитике это не спасло, мне он не понравился. Расскажу про это дальше в статье

Формат занятий. Курсы включали в себя теорию в виде лекций — текстовых или в формате видео. И практику — тесты и домашние задания. Смотреть лекции и сдавать тесты я мог в любое время, хоть ночью. Главное — успевать все делать в пределах модуля. На «Яндекс-практикуме» модуль длился 2 недели, на остальных платформах — неделю.

За тесты мне начисляли баллы. Потом из них складывалась итоговая оценка. В основном тесты проверяли преподаватели, только на Data Science Professional Certificate на «Курсере» это делали такие же студенты, как и я. Мне это не понравилось.

Так выглядел тренажер «Яндекс-практикума». Аналогичный был на «Дата-кэмпе»

Качество. Некоторые курсы были очень качественно сделанными, с хорошим планом занятий и интересными практическими заданиями. Например, на «Курсере» мне понравился курс «Основы программирования на Python». Другие курсы были непродуманными: они не казались цельными, потому что из раза в раз менялся формат лекций. Таким был курс «Профессия Data Scientist: анализ данных» на «Скиллбоксе».

Сертификаты. Если я проходил обучение до конца, то получал электронный сертификат. В нем было мое имя, название курса и итоговая оценка. Потом я прикрепил все сертификаты к резюме.

Сертификат курса IBM, который я прошел на «Курсере»

Я оценю полезность каждого курса по шкале от 1 до 10 баллов, где 1 — совсем бесполезно, а 10 — очень полезно, интересно и применимо в новой работе.

Как я выбирал направление

Я искал область, где можно начать с нуля в 30 лет и где даже на старте доход будет от 80 000—100 000 Р на руки. Выбирал между веб-разработкой, гейм-разработкой и анализом данных. Читал о них на «Хабре» и смотрел требования и зарплаты в вакансиях в интернете.

Еще в гейм-разработке меня смутило то, что в вакансиях много требований даже для новичков. И без профильного высшего образования эти знания получить трудно.

Дополнительный анализ:  Аналитик данных в Новосибирске с зарплатой 63 000 ₽: как живет, сколько тратит и откладывает
Это требования в вакансии гейм-разработчика. Как минимум нужно отличное знание и владение C#, а я с ним никогда не имел дело

Что такое аналитика. Аналитики исследуют разные данные, фильтруют их и прогнозируют. А компании смотрят на этот анализ и решают, как им дальше развиваться и какие новые продукты создавать.

Меня интересовали два направления аналитики — дата-сайенс и бизнес-аналитика, то есть BI. Дата-аналитики работают с данными, которые помогают развивать бизнес компании. Например, анализируют транзакции клиентов в банке. Потом банк формирует для этих клиентов заманчивые предложения.

Бизнес-аналитики анализируют структуру организации и ее внутреннюю деятельность. Советуют, что улучшить, чтобы компания развивалась, и разрабатывают программы, которые ускоряют бизнес-процессы.

Почему я выбрал дата-аналитику. О дата-аналитике мне подробно рассказал друг: он как раз заканчивал магистратуру по дата-сайенс в Высшей школе экономики. Он сказал, что это перспективное направление и аналитики востребованы во всем мире.

Чтобы заняться аналитикой с нуля, нужно хорошо разбираться в математике и статистике. А я забыл их со времен университета. Зато из языков программирования нужны были только Python и SQL. Я стал читать о них, нашел примеры кода — языки показались мне простыми и доступными.

Меня расстраивал только доход: в некоторых вакансиях предлагали всего 40 000—60 000 Р. А на одну позицию искали стажера-аналитика Python и вовсе на 25 000 Р. Но я понимал, что если сменю специальность, то поначалу придется просесть в деньгах. Зато перспективы роста у меня будут лучше, чем в продажах.

Меня успокоило, что опытные Python-разработчики могут рассчитывать на более высокий доход

Как я нашел работу

В конце зимы — начале весны 2020 года я составил резюме на «Хедхантере», описал свои навыки и приложил сертификаты. Откликался на вакансии, где полностью подходил по требованиям или где чувствовал, что потом освою навыки.

Об опыте нигде не расспрашивали, но уточняли, знаю ли я тот или иной инструмент. Иногда присылали на почту тестовые задания по SQL или Python. А вот сертификаты даже не смотрели. Только иногда интересовались, каково было учиться в «Яндекс-практикуме» и «Дата-кэмпе».

В резюме я немного приукрасил свои навыки. Например, указал, что уже применял SQL в работе, пусть на базовом уровне. И написал, что уже обрабатывал данные с помощью Python. В остальном резюме было честным и открытым

В апреле, в разгар карантина, я устроился аналитиком в банк. Python там пока не применяю, а вот SQL — плотно и постоянно. Основное направление моей работы — это клиентская и CRM-аналитика. У моего банка есть два подразделения: одно отвечает за клиентов из малого бизнеса, другое — из среднего.

Они дают мне задания: например, сделать выборку людей, которые могут заинтересоваться кредитом или сберегательным депозитом. Я проверяю транзакции всех клиентов и смотрю, какие продукты они оплачивали в других банках. Так и узнаю, что наш продукт им тоже может быть интересен.

Как освоить новую профессию онлайн

  1. Подумайте, в какой сфере хотите работать, и изучите, какие там есть профессии. Почитайте о них в интернете и посмотрите на требования в вакансиях. Выбирайте то, что вам интересно и где зарплата на старте вас устраивает.
  2. Составьте список скиллов, которые нужны работодателям. Отметьте, что вы уже знаете, а что придется освоить. Подумайте, что предстоит изучить в первую очередь. Остальное наметите в процессе.
  3. Найдите в интернете курсы по нужным направлениям. Сравните программы, цены, расписание и отзывы бывших студентов, если они есть.
  4. Занимайтесь каждый день.
  5. Если курс явно бесполезен, не тратьте на него время. А если он еще и платный, требуйте вернуть деньги.
  6. Когда вы освоите больше половины навыков из вакансий, составьте резюме. Опишите все, что умеете, и приложите сертификаты.
  7. Ответственно выполняйте тестовые задания: если получится хорошо, вас примут на работу даже без опыта.

Какие знания и навыки нужны аналитику данных

Прежде всего, технические (hard skills):

  • Основы математической статистики. За многими методами анализа стоят статистические законы. Для правильных выводов недостаточно одних данных, нужно пользоваться статистикой: отсекать выбросы, правильно считать среднее значение или медиану, проверять статистические гипотезы.
  • Умение создавать программы для анализа данных. Чаще всего в этой области используют язык программирования Python. У него простой и логичный синтаксис, есть немало готовых библиотек — чтобы не изобретать велосипед, а собрать программу из уже существующих функций и блоков.
  • Понимание принципов работы реляционных (табличных) баз данных. Массивы информации чаще всего хранятся в них. Чтобы получить сведения из таких источников, нужно знать язык SQL и уметь составлять на нём запросы к базам данных.

Но и человеческие качества (soft skills) имеют значение. Они определяют, насколько вы эффективны в качестве аналитика данных и комфортно ли вам будет работать на такой должности. Пригодятся:

  • Желание найти корни проблем. Если вы действительно хотите разобраться в причинах событий и явлений, учиться и работать будет легче и интереснее.
  • Умение нестандартно мыслить. Очень странные гипотезы порой находят подтверждение и помогают компаниям заработать миллионы.
  • Смелость. Вы можете сколько угодно сомневаться в своих идеях, но лучше проверить их на данных, чем отправить «в стол», лишь бы коллеги не посчитали вас странным.
  • Навык задавать правильные вопросы, чтобы получить полезную информацию. Это нарабатывается с опытом.

Кому подойдет профессия

Профессия подойдет тем, кто хорошо умеет мыслить логически, поскольку аналитику придется структурировать получаемую информацию и находить закономерности в массиве сведений.

Также важны умение сконцентрироваться, склонность с рутинному, иногда монотонному труду, усидчивость и терпение. Аналитика данных – не та сфера, где можно с лихвой раскрыть свои творческие качества, наоборот – это труд, требующий ежедневной скрупулезности.

Большую роль в аналитике играют внимание к деталям, прагматизм и стремление узнавать что-то новое, самосовершенствуясь.

Курс 1
data science professional certificate

Платформа: «Курсера».

Организатор: IBM — американский производитель программного обеспечения.

Длительность: 1—9 месяцев. Программа состояла из 9 курсов по дата-сайенс, но я прошел только 4: по языкам программирования Python и SQL, визуализации данных и машинному обучению. Учился в январе — апреле 2021 года.

Что я получил: на курсе интересно рассказали про азы языков Python и SQL.

Минусы: многие модули были поверхностными. Например, на модуле по машинному обучению нас просто знакомили с темой, но не раскрывали ее до конца. Быстро переходили от теории к примерам программного кода, но не описывали его полностью, а предлагали скопировать готовые части в окошко ответа и посмотреть результат. Я не всегда понимал, как все работает и почему код именно такой.

Проверяли задания такие же студенты, как и я. Например, я каждый раз проверял минимум два задания двух других учеников. Было бы лучше, если бы это делали преподаватели и давали обратную связь.

Полезность: 5 из 10. Для новичка курс хороший, но для работы знаний бы не хватило. Я глубже изучил Python и SQL на других курсах. Так что считаю, что мог бы без него обойтись.

Курс 10
профессия — аналитик данных

Платформа и организатор: «Яндекс-практикум».

Преподаватели: аналитики «Яндекса».

Длительность обучения: 6 месяцев, январь — июль 2020 года.

Что я получил: я окончательно разобрался в основах дата-аналитики. Хорошо понял библиотеки Python, которые нужны, чтобы анализировать и визуализировать данные. Это, например, библиотеки Pandas, Matplotlib, Seaborn. Сейчас я активно пользуюсь ими в работе.

Минусы: все модули стартовали ровно раз в 2 недели, утром в понедельник. И если я заканчивал модуль раньше, не мог сразу начать другой.

Еще в работе мне пока не пригодились две дисциплины — автоматизация рутинных задач и машинное обучение.

Полезность: 10 из 10. Материал был логично структурирован, его отлично подавали. Вместо невнятных видеолекций предлагали занимательный, юморной, интерактивный текст. А все примеры были живые и понятные — из работы сервисов и продуктов «Яндекса».

Курс 3
базовый курс по математике

Платформа: «Стэпик».

Организатор и лектор: Анна Зубаха — преподаватель Московского физико-технического института.

Длительность: 25 часов, я прошел их за 2 недели в марте — апреле 2021 года.

Стоимость: бесплатно.

Что я получил: освежил школьные знания по математике, потренировал мозг и развил аналитическое мышление. Вот зачем это было нужно: задачи на курсах по программированию сначала решают математически, то есть без математики невозможно программировать. Все, что дал мне этот курс, пригодилось и в следующем — по математическому анализу.

Курс 8
информационная бизнес-аналитика

Где: в Высшей школе бизнес-информатики.

Организатор: ВШБИ — это отдельный институт ВШЭ.

Длительность: 8 месяцев. Я занимался 2,5 месяца, в ноябре — декабре 2021 года, а потом бросил. Это единственный курс, где занятия проходили не онлайн, а в аудиториях по вечерам. Их сделали дистанционными, когда в 2020 году объявили пандемию коронавируса.

Что я получил: ничего.

Минусы: в курсе было много теории, но в этой сфере она быстро устаревает и почти не нужна, потому что практика важнее.

В курс впихнули все подряд: и бизнес-анализ производств, и анализ информационных систем и финансовой структуры предприятия, и вопросы менеджмента. Получилось обо всем и ни о чем конкретно.

Было много кейсов из сфер, которые не связаны с аналитикой. Например, нам рассказывали про работу какой-то фотостудии в Москве и про логистику цветочного магазина. Эти знания были мне не нужны: я хотел заниматься только аналитикой. Я так и не понял, каких специалистов планировали выпустить после окончания курса.

Полезность: 3 из 10 — исключительно за громкое название, красивую историю на дне открытых дверей и удобное расписание занятий. Я учился 2 будних дня по вечерам и почти весь день в субботу.

Из нас пытались сделать что-то среднее между руководителем, аналитиком и менеджером. Не представляю, как и кем бы я работал, если бы прошел только этот курс

Курс 9
профессия data scientist: анализ данных

Платформа и организатор: «Скиллбокс».

Длительность: 9 месяцев, но я бросил через 2 недели в январе 2020 года.

Дополнительный анализ:  Аналитическая работа налоговых органов - Все о бухучете

Стоимость: 40 800 Р, но мне полностью вернули деньги.

Что я получил: ничего.

Минусы: курс состоял из записей скучных вебинаров. Преподаватель монотонно что-то рассказывал и одновременно писал примеры кода в командной строке, которая отображалась на экране.

Когда я сделал первое домашнее задание, в оценке неизвестный проверяющий написал: «Все ок». Хотя я сам знал, что задачу можно было решить лучше. Такая обратная связь меня не устраивала.

Когда я позвонил по поводу возврата денег, менеджер признала, что курс действительно сырой.

Полезность: 2 из 10.

В рекламе этого курса меня привлекло обещание трудоустройства. Но я решил, что найду курс получше и устроюсь работать без чьей-либо помощи
5 шагов, чтобы стать дата-аналитиком | Rusbase
Согласно рейтингу, составленному по результатам опроса, более 57 тысяч респондентов, SQL, Python являются одними из самых востребованных технологий среди разработчиков. Источник

Плюсы и минусы профессии

5 шагов, чтобы стать дата-аналитиком | Rusbase
Аналитикой данных занимаются 8,2% из опрошенных IT-специалистов. Рейтинг составлен на основе опроса более 47 тысяч человек. Источник

С какими сложностями сталкиваются студенты на курсе по анализу данных

Аналитик данных — не самая простая профессия. Чтобы стать хорошим специалистам, придётся приложить немало усилий. К чему стоит быть готовым?

  • Придётся регулярно выделять время на учёбу. Освоить весь материал в сжатые сроки физически невозможно: здесь надо много читать, запоминать, создавать предсказательные модели, писать код, проводить эксперименты и улучшать их результаты.
  • Вы будете постоянно задавать вопросы, и, чтобы получить нужный ответ и не тратить время впустую, необходимо научиться правильно их формулировать.
  • Часть информации предстоит искать самостоятельно. Конечно, в интернете есть всё, а ИТ‑сообщество достаточно отзывчиво, но с нестандартными запросами придётся повозиться.
  • Порой эксперименты с данными завершаются неудачей: ваша модель не подходит для решения задачи, вы получаете совсем не те результаты, которые ожидали. Это нормально: даже опытные аналитики не всегда достигают цели с первого раза. И это вовсе не повод останавливаться.
  • Некоторые темы покажутся совершенно непонятными. Вы можете читать материал снова и снова, но не приблизитесь к сути вопроса. В таких ситуациях помогает переключиться, а позднее вернуться к занятиям — либо попросить помощи у ментора или у других студентов.

Самый короткий путь в профессию

Человеку, который заинтересован в построении карьеры в области работы с данными, стоит изучить как можно больше информации из разнообразных источников. Чем серьезнее издание и лучше систематизирована информация, тем больше вероятность, что она достоверная. Лучше следовать пяти следующим шагам:

  • Разобраться, как устроена сфера Data Science

Изучить, какие есть профессии и в чем их отличие: в этой сфере есть дата-инженеры, дата-аналитики, менеджеры данных и еще с десяток других направлений, которые сильно отличаются по функционалу и задачам. Например, работа дата-саентиста и дата-инженера во многом похожа, но эти специалисты не взаимозаменяемы и выполняют разные задачи.

Позиция Data Engineer — прикладная, а Data Scientist — более творческая и аналитическая. Чтобы попасть в профессию, требуется основательно изучить подходы и специфику работы в компаниях разных размеров: от небольшого стартапа до международной корпорации.

  • Выяснить, какие задачи и модели особенно актуальны

Что сейчас в тренде и куда, скорее всего, будет развиваться предметная область в ближайшее время. Чтобы держать руку на пульсе, можно изучать доклады с топовых конференций: именно там публикуются самые свежие идеи. Часто что-то стоящее можно найти в препринтах на на arXiv.org. Много материалов для начинающих есть на канале «Технострим».

  • Определиться, с каким типом данных и в каком направлении вам интересно работать

Важно понять, что ближе именно вам: маркетинг или e-commerce, голосовые помощники или беспилотники. Из-за огромной области применения, в этих профессиях всегда будет что- интересное и новое. Например, в банковской сфере дата-аналитик может решать задачу кредитной оценки и заниматься процессами распознавания речи.

Маркетологам Data Science поможет проанализировать данные карт лояльности и понять, каким группам клиентов какую рекламу лучше таргетировать, а в сфере логистики позволит изучить данные с GPS-трекеров и оптимизировать маршрут перевозок.

  • Оценить ситуацию на рынке: составить список компаний, у которых есть интересные задачи и технологии, подходящая корпоративная культура

Можно обратиться к техническим блогам компаний, чтобы лучше понять, как работает всё изнутри, использовать технические статьи от ИТ-специалистов. По ним часто можно понять, что конкретная компания делает по части работы с данными, и насколько вам это может быть интересно.

  • Узнать, каких навыков эти компании требуют от дата-аналитиков, сверить их со своими и, при необходимости, освоить недостающие

Внимательно прочитайте вакансии и ответьте себе, где у вас пробел, и какие скиллы вам еще необходимо прокачать.  Сейчас много курсов и онлайн-ресурсов, таких как Coursera, Udacity, DataCamp, которые могут помочь заполнить эти пробелы. 

Самый короткий путь для человека, уже имеющего небольшой опыт работы в ИТ — это обучение на курсах, которые проводят крупные ИТ-компании, например, в Академии больших данных MADE.

Это удобно, поскольку не придется тратить время и силы на поиск и отбор информации. Студенты получают готовый план обучения и все, что может понадобиться для изучения материала. А вишенкой на торте может стать предложение работы. 

Секрет популярности профессии

Профессия дата-аналитика и до 2020 года была актуальна и востребована, но пандемия дала ей новый толчок. Все увидели, что данные можно использовать для решения проблем мирового масштаба.

Страны публиковали статистику (и продолжают это делать), ученые прогнозировали распространение эпидемии, медики использовали технологии, позволяющие по характеру кашля и снимкам КТ определить вероятность диагноза «ковид».

Они нашли точки роста и быстрее остальных приспособились к новой реальности. Таким образом, пандемия продемонстрировала еще и важность цифровизации, которая перестала быть модной тенденцией и стала вопросом выживания.

Телеграм-каналы

Чем работа аналитика данных отличается от data scientist

В простых ситуациях можно обойтись без анализа больших данных и использовать банальную логику. Например, если вы заметили, что покупатели с детьми в магазине часто приобретают определённое печенье, то вы можете просто поставить рядом с ним детский сок и тем самым увеличить продажи.

Но на практике всё обычно куда сложнее. Например, как составить оптимальный пакет услуг мобильного оператора и определить цену, которая будет доступной для абонента и принесёт максимальную выгоду компании?

Аналитик может структурировать и обработать данные о рынке мобильной связи, существующих пакетах и расходах абонентов. Он сформулирует и проверит гипотезы, найдёт закономерности и сделает выводы: предложит конкретный состав пакета и его цену.

Более сложными задачами, а также поиском неочевидных закономерностей в данных занимается уже другой специалист — data scientist. Так, вы можете и не подозревать, что покупки связаны между собой. Или что маршруты автомобилей во вторник и в среду отличаются, поэтому пробки образуются в разных районах — хотя, казалось бы, это обычные будние дни.

Для решения таких задач задействуют машинное обучение и искусственный интеллект. Data scientist выбирает конкретные методы, которые позволяют системе учиться на разрозненных данных, делать логичные выводы и прогнозы.

Ютуб-каналы

Курс «Введение в анализ данных»

Курсы аналитика данных

Как стать аналитиком с нуля

Выводы

Напоследок хочу дать небольшой совет начинающим дата-аналитикам, которые прямо сейчас ищут первую работу. Не стоит на собеседовании создавать иллюзию, что вы хорошо разбираетесь в том, о чем на самом деле знаете лишь в общих чертах, и что не применяли на практике.

Лучше честно говорите, что пока вы не в теме, но сможете быстро разобраться. Это отлично характеризует вас как сотрудника — и, если вас пригласят на работу, руководитель сможет правильно распределить нагрузку и поставить реалистичные сроки для выполнения задачи.

Совсем недавно самыми востребованными были специалисты по компьютерному зрению, а сегодня гораздо популярнее обработка текстов. Завтра, вероятно, в большинстве вакансий будут упоминаться навыки работы с графовыми нейронными сетями и рекомендательными системами.

В этой отрасли все меняется очень быстро, но работодатели всегда отдают предпочтение специалистам, которые стремятся углублять и актуализировать знания в соответствии с потребностями бизнеса и умеют быстро переключаться на новые задачи.

Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector