Бесплатный вебинар «Аналитик без границ» — Сообщество Аналитиков

Бесплатный вебинар «Аналитик без границ» — Сообщество Аналитиков Аналитика

Что требуют работодатели от аналитика данных

Мы проанализировали свыше 450 вакансий на позицию аналитика данных, открытых в августе-сентябре 2020 года. Во многих случаях требования к специалистам очень отличаются. Как мы писали выше, границы между Data Analyst, Data Engineer и Data Scientist стерты, поэтому часто бывает, что в заголовке вакансии пишут «Аналитик данных», а фактически вакансия полностью соответствует «Инженеру данных».

Кто такой аналитик данных и что он должен знать

Прежде чем анализировать вакансии, разберемся, что делает Data Analyst в компании. В IT-сфере есть три направления специальностей по работе с данными: Data Analyst, Data Engineer и Data Scientist.

Data Analyst собирает информацию, обрабатывает и интерпретирует ее на «человеческий язык». По сути, он переводит статистику и big data в понятные и наглядные выводы, которые можно использовать для развития конкретного проекта или бизнеса в целом.

Результат работы аналитика данных — это основа для принятия любых бизнес-решений.

Data Engineer работает больше не с самими данными, а с их инфраструктурой: базами данных, хранилищами и системами обработки. Инженер данных определяет, как анализировать данные, чтобы они были полезными для проекта. Если обобщить, то Data Engineer налаживает конвейер обработки данных.

Data Scientist занимается стратегической работой с информацией. Именно он создает системы прогнозирования, моделирования и динамического анализа, внедряет алгоритмы автоматизации и обучения.

Главная сложность в том, что границы между этими тремя специальностями довольно размыты. Большинство компаний не видят разницы, поэтому часто в вакансиях Data Analyst встречаются требования, которые больше подходят специалистам Data Engineer или Data Scientist.

В основном это обусловлено спецификой рынка. Если в IT-компаниях знают, что Data Analyst, Data Engineer и Data Scientist — это в идеале три разных специалиста или даже три разных подразделения, то в продуктовых компаниях и производствах часто об этом даже не задумываются.

Дополнительный анализ:  Математика для Data Scientist: необходимые разделы / Блог компании Plarium / Хабр

Зарплата и другие плюшки для аналитика данных

Теперь перейдем к самому интересному — к зарплате. Мы проанализировали открытые вакансии на сайтах

Откуда прийти в профессию и куда расти аналитику данных

Есть мнение, что попасть в касту аналитиков можно только с исключительными знаниями математики. Но это не так.

В аналитику обычно уходят Junior- и Middle-разработчики на Python. Если вдобавок есть базовые знания SQL — вообще отлично. В таком случае разобраться со всеми особенностями работы будет намного проще.

Также можно начать карьеру непосредственно с аналитика. Выбирайте один из десятков доступных курсов — и вперед. Высшую математику знать необязательно. Для Data Analyst уровня Junior и Middle нужно только знание инструментов работы с данными. А в большинстве случаев хватит и школьных знаний математики.

Возможностей роста для специалиста аналитики данных тоже хватает. Три самых очевидных: Data Mining Specialist, Data Engineer, Data Scientist. Первый работает непосредственно с поиском данных для аналитики, второй разрабатывает инфраструктуры данных, а третий — прогнозированием и стратегией.

Еще один возможный вариант — BI-аналитика. Визуализация данных аналитики — это отдельный скил, и многие крупные компании ценят сотрудников, которые умеют не только анализировать информацию, но и доходчиво предоставить выводы руководству.

Создан международный банковский клуб «аналитика без границ».

Это неформальное, некоммерческое добровольное объединение без образования юридического лица. Целью деятельности клуба является создание единого информационно-аналитического пространства в финансово-банковской сфере на территории стран СНГ, Центральной и Восточной Европы.

Клуб будет организовывать мероприятия (семинары, конференции и т.д.) по актуальным вопросам финансово-банковской деятельности с активным использованием международного опыта. Намечается создание интернет-сайта и форума Клуба. Планируется активное взаимодействие с национальными банками, банковскими ассоциациями и союзами стран СНГ, Центральной и Восточной Европы.

Дополнительный анализ:  Валентин Катасонов: «Нас ждет дефицит зерна и рост цен на хлеб» | Новости Информация Аналитика

Софт скиллы


В целом они практически совпадают для всех специальностей, которые работают с данными:

  • Критическое мышление 
  • Аналитический склад ума
  • Умение правильно излагать и доносить информацию
  • Ответственность и внимание к деталям
  • Бизнес-мышление
  • Готовность принимать решения и брать ответственность за результат
  • Многозадачность
  • Чувство юмора

Многие считают профессию аналитика данных «малообщительной». Аналитик кажется нердом, который работает только с цифрами, а не с людьми.

На самом деле, все немного иначе. Аналитик данных действительно много времени проводит над анализом, но ему также важно уметь донести выводы руководителям компании или отдела. Навыки выступления перед публикой и грамотного подбора аргументации очень пригодятся. Ведь от того, насколько правильно ЛПРы поймут результаты аналитики, будут зависеть их дальнейшие действия в развитии компании или конкретного проекта.

Особняком из софт скилов стоит разве что

английский язык

. Многие компании отмечают знание английского как преимущество, но есть ряд вакансий, которые рассчитаны на работу в международных командах и с англоязычными проектами. В таких свободное владение английским обязательно.

Обязательный английский часто приятно отражается на зарплате. Вакансии в международных проектах гарантируют денежные компенсацию в 1,3-2 раза больше, чем в русскоязычных.

Хард скилы

Python с библиотеками для анализа данных Pandas и NumPy

. Это мастхэв, его знание хотя бы на базовом уровне требуют 83% компаний в отрасли. Знание R, JavaScript и других ЯП нужны всего лишь 17% работодателям.

Интересно, что в 2021 году по результатам опроса дата-аналитиков и дата-сайентистов язык R в аналитике данных был куда популярнее — его использовали 61% специалистов.SQL

— практически во всех вакансиях требуется знание SQL и навыки работы с реляционными базами данных. Чаще всего требуют умение писать запросы и оптимизировать их.

Навыки работы с NoSQL системами управления базами данных вроде MongoDB, CouchDB или Apache Cassandra работодатели требуют довольно редко — примерно 9% вакансий.

Power BI, Qlik, Tableau. Большинство компаний не требует знаний какой-нибудь конкретной программы визуализации данных. Обычно они указывают одну из трех на выбор или пишут «системы визуализации данных» без указания конкретной. В целом специалисты могут сами выбирать, что именно им удобнее использовать. Принципиальной позиции у абсолютного большинства работодателей нет.

Дополнительный анализ:  Агротайм » Аналитика АПК

Опыт работы с Agile, Scrum, Kanban. Почти в половине вакансий работодатели указывают, что дополнительным плюсом будет умение работать с гибкими методологиями создания продуктов.

То есть важно не только то, что делает аналитик данных в рамках своей специальности, но и то, как он это делает.

Но ключевым требованием опыт работы с Agile не является (хоть его и указывают в вакансиях). Да, соискателю придется потратить время, чтобы привыкнуть работать в таком формате, но, по мнению компаний, это не критично.

Excel и Google Sheets. Как ни странно, но в трети вакансий требуется знание электронных таблиц. В основном это нужно продуктовым и консалтинговым компаниям, которые довольно мало пересекаются с диджитал-разработкой, или же относительно небольшим проектам, где весь отдел аналитики состоит из нескольких человек.

Действительно, маленьким командам часто незачем использовать мощные ресурсы SQL, если для обработки данных вполне хватает и обычного Excel. Но в таких ситуациях «аналитик данных» часто занимается сразу всем: сбором и анализом данных, инфраструктурой и автоматизацией.

Многие компании выделяют высокий уровень математической подготовки. Но здесь нужно понимать, что Data Analyst, в отличие от Data Scientist, использует довольно ограниченные математические инструменты, поэтому не нужно быть гением математики.

Высшее образование в области математики пригодится, но при должном усердии все необходимые функции можно изучить и самому. Но для Data Scientist глубокое знание математики уже считается критичным. Если вы планируете расти из Data Analyst в Data Scientist, то математику нужно будет подтянуть.

https://www.youtube.com/channel/UCB05hKgjJ-nL5N2YWWC7b6A/channels?shelf_id=0

По основным хард скилам это все. Остальные встречаются менее чем в 10% вакансий, поэтому их можно отнести к индивидуальным особенностям работы в отдельных компаниях.

Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector