Путь аналитика. Работа над ошибками / Хабр

Путь аналитика. Работа над ошибками / Хабр Аналитика

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.

Что я делала в сложившейся ситуации:

3.1. Много читала:

в ход пошли Вигерс, Леффингуэлл, Коберн, и т.д. Я рассматривала примеры спецификаций, старалась почерпнуть максимум полезного и подходящего, и незамедлительно это использовала в работе.

3.2. Организовала своевременную обратную связь тестировщиков и программистов на ранних стадиях проекта:менеджер проекта удивлялся, когда я просила выделить тестировщика для просмотра спецификации, но шел навстречу. Ведь есть такие вопросы, что приходят в голову только тестировщикам! И хорошо, когда они рассмотрены вовремя.

3.3. Собирала вместе кого-то из представителей заказчика, программистов, тестировщика, менеджера проекта перед запуском проекта: на такой встрече мы убеждались, что правильно понимаем друг друга, напоминали важные детали и т.п.

Спустя короткий период времени программисты стали отмечать прогресс и благодарить за спецификации.

И тут я поняла, что застопорилась на неком уровне и хочу двигаться дальше. У меня появилась навязчивая идея: узнать, как в других компаниях пишут спецификации, и почерпнуть что-то новое для себя. Нашлись форумы, сообщество аналитиков. Я читала «а как у других», рассматривала примеры, инициировала встречи и задавала вопросы.

Отдельно хочу отметить, что мир не без добрых людей, и малознакомые, но опытные аналитики ни разу мне не отказали во встрече и ответах на вопросы. Спасибо вам, дорогие коллеги. Поэтому, «ищите и найдете, стучите, и вам отворят».

Продолжение следует…

Почему именно такое разделение

Навыки, требуемые БА и СА верхнеуровнево схожи, но дьявол кроется в деталях. Системному аналитику требуется намного больше практических технических навыков для полноценной деятельности, он гораздо ближе к группе технических специалистов и должен лучше понимать их язык (без этого сложно добиться уважения в коллективе, а значит, невозможно транслировать свое видение).

БА в ИТ больше настроен на коммуникацию с бизнесом, его задача — определить нужду (боль), найти, сформулировать и предложить решение проблемы бизнес-заказчика с помощью ИТ систем, в некотором роде «продать» это решение. Близость и понимание пользователя помогают БА эффективнее приоритизировать задачи, описывать нефункциональные требования и ограничения в конкретном случае.

Более того, БА присущи чрезмерные требования к системе, он мыслит целями бизнеса и не должен быть скован возможностями технологий, что для СА неприемлемо. Иногда такие чрезмерные требования БА помогают найти действительно прорывные решения.

При этом есть и ограничения. У БА — это рамки доменной или изученной отрасли (например: глубокое знание правил банковской деятельности), у СА — технологий и системы (например: выдающийся опыт работы с продуктами oracle). Эти ограничения могут быть препятствием при переходе между командами, проектами и компаниями, но быстро устраняются при желании и помощи коллег.

Практически всегда аналитик в команде играет обе роли в большей или меньшей мере  (поэтому хотелось бы избежать споров о совмещении «а у нас БА ещё и вирусолог»). В некоторых случаях аналитики могут быть и не нужны, в некоторых — один специалист может полноценно выполнять обе роли.

Это не нарушает правила, а говорит о совмещении ролей, уровне зрелости и ценности конкретного специалиста. В случае опытного работника — это вполне нормально, но странным выглядит вакансия «junior BA» со знанием SQL, JS и API на всем известном сайте.

Что тут происходит

1. Клиент зашел на сайт

Перешел по рекламе или прямо название вбил.

2. Счетчик аналитики создал/нашел client id в cookies

Счетчик – это труба обмена данными между вашим сайтом и базой данных сервиса аналитики.

Он должен стоять на всех страницах сайта.

3. Счетчик отправил информацию о клике на сервер аналитики

Там около 50 стандартных параметров, в частности utm-метки, ip, реферер. Все это привязывается к конкретному посетителю по client id.

4. Счетчик зафиксировал события (цели)

Например когда клиент отправил заявку и у вас сработала цель на страницу “Спасибо”. На самом деле это делается чуть по другому, но так понятней.

В рамках сквозной аналитики цели особо не нужны, т.к. идет работа напрямую с CRM и считаются реальные заявки и продажи. Цели – это полурешение, когда нет возможности подключить CRM.

5. Счетчик получил подменные номера для коллтрекинга и подменил их на сайте

Актуально если у вас коллтрекинг.

На стороне сервера за посетителем по client id закрепляется номер, обычно на 12 минут и выдается счетчику.

Далее счетчик по правилам подмены пытается найти исходный номер на сайте в HTML-коде и заменить подменным.

6. Клиент оставил заявку одним из доступных способов

Позвонил, написал в чат или оставил данные в форме.

7. Заявка из корзины ушла в вашу CRM

Обычно в интернет магазинах уже есть интеграция CRM с корзиной, куда передается заказ со списком товаров.

Как мы помним, для аналитики нужен client id и поэтому его нужно пробросить вместе с товаром силами программиста.

Почему это нельзя сделать автоматически? Потому что товары. Там обычно сложная логика передачи каждого товара и совсем автоматически не сделать.

Но сам код простой, примерно одна такая строчка:

$data[‘fields’][‘UF_CRM_UTMSTAT’] = isset($_COOKIE[‘utmstat_client_id’]) ? $_COOKIE[‘utmstat_client_id’] : null;

8. Заявка через звонок/чат/форму

Тут уже гораздо проще.

Ничего программировать не нужно. Нужно лишь настроить стандартные коннекторы в сервисе аналитики и коллтрекинг.

Далее все заявки поступают во внутреннюю CRM сервиса аналитики.

Что нужно понимать в коллтрекинге

Не путайте коллтрекинг и телефонию

Номера коллтрекинга – это расходник.

Сегодня у вас один сервис, завтра другой. Также в них нет никакого функционала из обычных телефоний, например IVR и распределение по менеджерам.

Поэтому если вашему бизнесу нужен основной номер, купите его в сервисе телефонии.

А уже сверху накручивайте подменные номера из коллтрекинга.

Только так.

Сколько нужно номеров

Номеров нужно столько, сколько у вас одновременное количество посетителей на сайте за 12 минут. Для простоты расчета – 1 номер на 100 визитов 10%. Точная цифра считается в сервисе в процессе эксплуатации.

Не экономьте на номерах

Сейчас стоимость городского номера около 200 руб/мес.

Обычно нужно 5-10 штук, итого 1000-2000 руб/мес.

Стоимость номеров составляет незначительную часть от рекламного бюджета. Поэтому если вы решили настроить аналитику, не экономьте на спичках.

Закупите достаточное количество номеров и полученная информация даст возможность сэкономить/заработать сильно больше, чем сэкономленная 1000 руб.

Разница между динамическим и статическим коллтрекингом

Динамический коллтрекинг – это когда номера подменяются на сайте, где установлен счетчик аналитики.

Статический – это когда номера размещены за пределами сайта, например на Авито.

Технически – номера одни и те же, стоят одинаково. Разница в несложных настройка на уровне сервиса.

Динамический коллтрекинг есть во всех сервисах коллтрекинга, кроме некоторых “лидеров рынка”.

Для коллтрекинга не нужно перенастраивать вашу телефонию

До подключения коллтрекинга, звонки у вас работали так:

Номер клиента => основной номер.

После подключения – так:

Номер клиента => подменный номер => основной номер.

На вашей стороне ничего не меняется. Телефонию перенастраивать не надо, от текущего номера отказываться не надо.

Просто ставится код на сайт, покупаются номера, назначается в качестве номера переадресации ваш основной номер и все.

Не нужно назначать номера по источникам в коллтрекинге на сайте

Периодически слышим от клиентов, что давайте на Яндекс Директ назначим одни номера, на Google Ads – другие.

Так делать категорически нельзя, даже ради экономии.

Дополнительный анализ:  Аналитик данных

Ломается логика сквозной аналитики. Не знаю откуда это пришло, видимо из устаревших сервисов.

Сейчас все гораздо проще. Ставится счетчик на сайт, покупаются номера и все работает.

Источники нужно назначать только для номеров для статического коллтрекинга, например с Авито.

Предыстория


Шел 2006 год. Мой путь системного аналитика начался в очень большой компании с хорошо налаженным жизненным циклом разработки.

Аналитики, менеджеры проектов, программисты, тестировщики, архитекторы работали в компании уже не один год. Задолго до моего появления в команде, в компании был утвержден формат спецификации требований, для всех удобный, привычный и понятный.

Мне сказали: делай так, и будет всем счастье. И стало так… до релиза первого серьезного проекта. Там-то и выяснилось, что просто грамотно следовать шаблону, а затем согласовать документ с необходимым списком лиц — недостаточно.

А выяснила я это уже через пол года работы аналитиком.

Что же я делала целые пол года, спросите вы?

Мне поручали описание небольших изменений, о которых так или иначе все были в курсе еще до моего прихода в компанию. Специалисты знали, что надо будет сделать; грядущие проекты неоднократно обсуждались ранее. А спецификация требований была скорее «бумажкой» для сбора подписей.

Еще в мои обязанности входило описание стандартных задач (конфигурация или мелкие, простые изменения в системе). Такие требования тоже были всем понятны с полуслова. В общем, документ был напоминанием, что надо сделать, но никто не вчитывался особо.

И вот через пол года мне поручили непростую задачу. В начале проекта я, как обычно, встретилась несколько раз с представителем заказчика, мы обсудили необходимые изменения, я их описала, согласовала со всеми. Получив на титульной страничке необходимый набор подписей я, очень довольная проделанной работой, отдала документ менеджеру и благополучно ушла в отпуск. «Моя работа в данном проекте завершена» — думала наивная я, опираясь на опыт предыдущих мелких задач.

Вот тут-то и началось самое интересное. На глубине описанного мною уровня детализации всем все было понятно. Все поставили свои подписи на документе. И отдали в работу программистам и тестировщикам. Когда дело дошло до тестирования, я уже давно вернулась из отпуска и занималась следующей задачей, на которую была выделена на 100%.

В общем, один и тот же текст трактовался по-разному: мною, программистами и тестировщиками. Спасибо, хоть с заказчиками у меня видение совпало. Потом мы вместе отстаивали нужный вариант. Описано было так, что, копнув чуть глубже, каждый плохо знакомый с процессами компании специалист мог найти то, что ему было удобнее/понятнее. Я была в шоке. Но быстро оправилась, «намотала эту ситуацию на ус» и провела работу над ошибками.

Callibri

Callibri — маркетинговая платформа, которая предлагает сквозную аналитику, коллтрекинг, email-трекинг и другие инструменты для повышения конверсии сайта и улучшения клиентского опыта.

В Callibri есть два сервиса — мультитрекинг и мультичат. Инструменты сквозной аналитики доступны в сервисе «мультитрекинг».

Callibri предоставляет отдельные решения для разных отраслей бизнеса: интернет-магазинов, сферы недвижимости, автодилеров, бухгалтерских компаний. Также есть антикризисное решение.

Установка

  • Мобильные ОС: Android, iPhone/iPad.
  • Веб-приложение, облако.

Интеграция

Callibri предлагает 18 интеграций, в том числе с Яндекс.Метрикой, Яндекс.Директом, Google Ads, Google Analytcs, amoCRM, Bitrix24, Авито и другими.

Стоимость

Бесплатный пробный период — 5 дней.

Минимальная цена — 1000 рублей в месяц. За эти деньги подключается сквозная аналитика, статический коллтрекинг, выдается один подменный номер и один email. Тарифный план подходит для сайтов с суточной посещаемостью 100 человек.

Интерфейс

В разделе «Аналитика» доступны отчеты по источникам трафика, конверсиям, сегментации аудитории, ключевым словам, таргетингу.

В отчете по источникам трафика на линейном графике показывается динамика посещений сайта из разных источников. Данные можно детализировать по дням, неделям, месяцам и т. д.

В таблице ниже показано, сколько визитов, конверсий, кликов, обращений было зарегистрировано по каждому источнику за отчетный период и сколько потратила компания на привлечение посетителей.

Вверху отчета находятся настройки, которые позволяют фильтровать данные по атрибуции, классу и типу обращения, количеству обращений:

Например, чтобы узнать, сколько тратит компания на получение одного лида, надо кликнуть в настройках на «Класс обращений» и выбрать только позиции класса «Лид»:

При анализе источников трафика важно понимать, сколько обращений на сайт приходит через тот или иной канал. Для этого кликаем на «Тип обращений» и выбираем те каналы трафика, которые нас интересуют:

Преимущества

  • Подходит для сайтов с высокой посещаемостью.
  • Есть мобильное приложение.
  • Подключение по API.
  • Можно подключить A/B тестирование.
  • Есть кастомизированные отчеты и дашборды.

Недостатки

  • Мало интеграций.
  • Нет отчета по времени пребывания пользователей на сайте.
  • Не отслеживает популярность ссылок.

Roistat

Roistat — маркетинговая платформа со сквозной аналитикой, коллтрекингом, email-трекингом, когортным анализом и другими инструментами.

Установка

  • Мобильное приложение: iPhone / iPad.
  • Веб-приложение, облако.

Интеграция

Roistat предоставляет API для собственных решений и 200 интеграций. Среди них: Мегаплан, amoCRM, 1С–Битрикс, Мой Склад, inSales и другие.

Стоимость

Бесплатный пробный период — 14 дней. На этот период создается пробный демо-проект.

Минимальная цена — от 7300 рублей. Сюда входит подключение 1 проекта, до 50 000 визитов по проекту, базовые возможности (подключение коллтрекинга, аналитики, когортного анализа, автоворонки). Не входят расширенные опции — ловец лидов, обратный звонок, сплит-тестирование и другие.

Интерфейс

Проект создается в кабинете Roistat. Инструмент подтягивает данные из рекламных кабинетов, CRM, мессенджеров и других внешних источников. После этого появится доступ к аналитике — и можно составлять отчеты по продажам, расходам, лидам и т. д.

Отчеты по продажам, расходам, ROI доступны в разделе «Аналитика»:

В основном отчете есть фильтр, который позволяет выбрать, по каким показателям и за какой период отображать данные на графике. В таблице ниже представлены данные о количестве визитов, заявок, выручке из разных источников привлечения клиентов.

В Roistat доступны как шаблонные стандартные отчеты, так и кастомизированные отчеты:

Также здесь можно строить дашборды по разным показателям аналитики и рекламным каналам:

Преимущества

  • Подходит для сайтов с высокой посещаемостью.
  • Есть дашборды.
  • Доступен когортный анализ (разделение пользователей на группы по определённым признакам и анализ их поведения в динамике).
  • Есть выбор между шаблонными и кастомизированными отчетами.
  • Интеграция через API. Пользователь отправляет запрос на разработку интеграции с его системой учета и оплачивает эту услугу.

Недостатки

  • Нет мобильного приложения для Android.
  • Дополнительный платные опции. Например, даже если компания приобрела тарифный план «Бизнес» за 47 300 рублей в месяц, подключение онлайн-чата не входит в стоимость тарифа и оплачивается отдельно.

А в чем все-таки разница между системными и бизнес аналитиком?

В разных компаниях требования к бизнес-аналитикам и системным могут отличаться. Даже в крупной ИТ-компании при наличии нескольких структурных подразделений люди, находясь на одной должности, могут выполнять разные обязанности.

Поэтому ниже я опишу собственный опыт по поводу отличий двух типов аналитиков.

Бизнес-аналитик – про общение с заказчиком и погружение в предметную область.

Системный – про общение с разработчиками и погружение в продукт.

Я не буду рассказывать про то, какими качествами должен обладать каждый сотрудник – ответственность, вежливость, самостоятельность, уверенное пользование ПК и т.д.– это все должно идти в комплекте поставки по умолчанию.

Лучше рассмотреть подробнее каждый из типов. Начнем с бизнес-аналитиков:

  • Их основная работа это общение с заказчиками. Бизнес-аналитики являются лицом компании. По ним судят уровень компетенций всей команды. Они должны быть сосредоточены в моменте, аккуратны, уметь задавать правильные вопросы, не испытывать терпение заказчика, мусоля одну и ту же тему множество раз.
  • Они много читают. Очень много читают. Эти люди погружаются в новые области с головой, следят за изменениями законодательства, изучают требования от заказчика. Термин «ходячие энциклопедии» придумали, когда смотрели на аналитика.
  • Они отсеивают ненужное и формируют требования, излагая только суть. При этом не нужно переусердствовать, в нашей сфере краткость не всегда сестра таланта. Итогом на выходе являются задачи в таск-трекере, ЧТЗ, ТЗ и т.д.
  • Порой они занимаются тестированием проведенных доработок и разработкой документации по ним, например, ПМИ, руководств пользователя.
  • Обычно консультированием пользователей занимается техническая поддержка, но я не исключаю тот вариант, что эта обязанность может лечь и на плечи аналитика, поэтому он должен обладать железными нервами, ведь ему предстоит общение с множеством людей.
  • Они ездят в командировки – кто-то меньше, кто-то больше — зависит от работодателя. Возможны любые варианты.
  • Они шпионят и наблюдают за конкурентами, изучают их решения, перенимают опыт.
  • Есть шансы начать карьеру, не имея специализированного образования. Все примеры, приведенные мной во вступлении, были как раз про бизнес-аналитиков. Эти люди пришли в профессию, не имея опыта, но имея желание и необходимые качества.

Теперь переходим к системным аналитиками. Вот, что нужно знать, выбирая эту профессию:

  • Они общаются именно с разработчиками, переводя требования на «технический» язык.
  • Они изучают новые технологии, постоянно мониторят предметную область и изучают изменения в ней.
  • Если бизнес-аналитики решают поставленную задачу «в лоб», то системные аналитики смотрят на ее решение комплексно, выявляя сферы, которые могут быть затронуты при решении вопроса и находят оптимальное решение, которое удовлетворит максимальное количество пользователей.
  • Системные аналитики редко общаются с заказчиками, они появляются только в самых сложных случаях, когда знаний бизнес-анализа недостаточно. И командировки у них случаются, соответственно, крайне редко.
  • Часто системные аналитики занимаются проработкой новых решений и продумывают создание новых систем/модулей от и до.
  • Не имея специализированного образования, пройденных курсов или достаточного опыта работы бизнес-аналитиком нереально получить эту должность. Поэтому первым шагом к карьере является обучение и опыт работы с ИТ.
Дополнительный анализ:  Исследование показало, где в России продается самое дешевое пиво :: РБК Магазин исследований

Конечно, часто бывает так, что обязанности пересекаются, а иногда функции системного и бизнес аналитика пытаются объединить в одном лице. Но найти такого многостаночника зачастую гораздо сложнее, чем работать с двумя отдельными специалистами.

Если вы хорошо знаете технический язык и/или успели поработать в разработке, но при этом не хотите заниматься непосредственно программированием, то вам открыт путь в системные аналитики. А если у вас есть желание «войти в ИТ» из другой области бизнеса и вы готовы поработать транслятором идей заказчика, то бизнес-аналитика ваш выбор. В любом случае, выбирайте какая профессия вам по душе, и добро пожаловать в мир ИТ!

#аналитика#карьера

Атрибуция

Но тут появляется нюанс.

Прежде чем оставить заявку, клиент может зайти на сайт с разных рекламных источников. На схеме это Яндекс Директ (Клик 1) и SEO (Клик 3).

Какому источнику засчитать заявку? Яндекс Директ или SEO?

Этот неопределенный вопрос называется – атрибуция.

  1. Если вы считаете что Яндекс Директ (Клик 1) – это атрибуция по первому клику.
  2. Если вы считаете что SEO (Клик 3) – это атрибуция по последнему значимому (рекламному) клику.
  3. Если вы считаете что Внутренний переход (Клик 5) – это атрибуция по последнему клику.

На практике достаточно атрибуции по последнему значимому клику и во многих сервисах аналитики она стоит по умолчанию.

Разумеется кто-то возразит про дата-драйвен и post-view атрибуции, многоканальные последовательности.

Но post-view в популярных рекламных источниках не посчитать, а канал очень часто один, вот пример:

Что на картинке:

  1. Около 800 заявок за период 30 дней
  2. 523 без источника
  3. 250 пришли с одного источника
  4. И всего 6 (шесть) пришли с 2-х источников какой-то хвост из штучных заявок где несколько каналов,

В итоге получается, что атрибуция это важно, но факту она не особо то и нужна, так как большая часть заявок с одного источника.

Тут другая проблема – 523 заявки без источника. Это потеря 60% данных для аналитики, потому что подрядчик или клиент забили на аналитику.

Поэтому прежде чем думать об атрибуции, нужно данных для нее собрать. Строить аналитику на дырявых данных не имеет смысла.

Итого: во многих проектах с бюджетами до 1 млн руб/мес достаточно атрибуции по последнему значимому клику и прежде чем дальше все усложнять, нужно привести в порядок базовые вещи – трекинг заявок и разметку трафика.

Бизнес-аналитик — кто такой и зачем нужен

Дата сайентисты и системные аналитики сильнее в программировании, лучше разбираются в инструментах BI, организации системы хранения и обработки данных.

Маркетинговые аналитики работают с BI, оптимизируют маркетинговые кампании, экономику продаж.

Финансовые аналитики разбираются в финансовых инструментах, инвестициях, кредитах и займах, условиях финансирования.

Продуктовые аналитики лучше знают метрики, связанные с конкретными продуктами, и инструменты для анализа работы эффективности продуктов (performance).

Наконец, бизнес-аналитики погружаются в выстраивание процессов, экономику, финансы, исследования. Работают с BI и отчётностью, визуализируют данные.

Посмотрим, в каких командах задействованы бизнес-аналитики и какова их роль в каждой из них.

Чаще всего бизнес-аналитики работают в консалтинговом подразделении — внутреннем отделе или в консалтинговой компании. Под консалтингом подразумеваем управленческий консалтинг, среди известных представителей которого компании McKinsey, PWC, Deloitte, Ernst&Young.

Консалтинг — это проектные команды, которые решают задачи по изменению компании. Имеется в виду изменение бизнес-процессов — допустим, закупок, найма и онбординга, системы KPI — или создание и внедрение новых проектов.

Пример. Перед запуском системы для оплаты проезда «Тройка» в Московском метро консультанты просчитали экономику, затраты, ресурсы, схему работы.

Это подразделение компании, которое занимается долгосрочным планированием и развитием бизнеса. Например, аналитики решают, будет ли компания приобретать новые активы, запускать новые направления бизнеса.

Пример. Помимо «Северстали» и добывающих предприятий «Севергрупп» решила развиваться через создание цифровых активов, в частности, купив онлайн-ритейлера «Утконос».

Подразделение компании, которое внедряет цифровые технологии для оптимизации бизнес-процессов, повышения ценности для клиентов, разработки инноваций и улучшения организационных результатов.

Использование инструментов обмена данными, Интернета вещей позволяет получать метрики от больших производственных машин, объединять их в единую экосистему и минимизировать потери, к примеру, металла, а также оптимизировать трудозатраты.

Пример. Цифровая трансформация в металлургической или тяжёлой промышленности — это работа по внедрению ИТ-систем, в результате чего часть процессов автоматизируют, а часть оптимизируют.

Это команда, которая создаёт инструменты для сбора данных и далее для управления компанией на основе данных. Например, инструмент для сбора данных Share point для сотрудников или автоматический сбор данных.

BI — решение на собственном движке или внутри сервисов Tableau, Power BI, QlikView. Позволяет создавать автоматические отчёты, которые демонстрируют эффективность работы компании.

Аналитики в операционных командах могут посчитать финансовую модель проекта: сколько денег нужно вложить для реализации проекта, где целесообразно купить существующую компанию для выхода на рынок, а где — создать компанию с нуля.

В таких случаях это смежная с менеджментом специальность.

Пример. В Яндексе операционная команда запускает бизнес в новых городах и странах.

Функция, близкая к отчётности и стратегии. Такие команды создают системы KPI, поддерживают OKR (инструменты планирования), премии, расчёт показателей эффективности, бонусы — количественные показатели, которые крупные компании используют для сохранения конкурентоспособности и развития.

Business Intelligence (BI) — бизнес-аналитика, точнее — анализ бизнес-данных для принятия управленческих решений

Дает ли работа в достаточной мере сложных задач? ведь только ими и растешь.

На любом проекте есть задачи сложные и рутинные. В моей работе соотношение примерно 40/60, и меня это устраивает. Каждый день — и зарядка для ума, и возможность отдохнуть за написанием инструкций.

Приведу несколько примеров задач из практики:

1. Существует система X и система Y. Для выполнения одного из процессов (к определенной дате, не раньше, не позже), системе Y требуются данные из X. Системе X, в свою очередь, нужно подтверждение об успешной передаче данных в систему Y, их корректности и полноте.

Решение: Взаимодействие X и Y реализовано через веб-сервисы. Файловый обмен ведется в режиме 24/7, с момента наступления определенного события в системе Y, до полного завершения выгрузки/до наступления дедлайна/до ручной остановки процесса. Разработан формат обмена, перекрестная (между двумя системами) матрица статусов загрузок, утверждены коды возвратов.

Файлы на входе Y проверяются на корректность, а в случае ошибок отклоняются до исправления ошибок и повторной загрузки. Реализована форма мониторинга, ведутся подробные логи. По завершению загрузки каждого файла Y подтверждает или не подтверждает прием файла.

Проведено нагрузочное тестирование X и Y в период работы сервиса обмена данными (результаты тестирования были неутешительными, поэтому пришлось придумать хитрый алгоритм очередности загрузок, позволяющий не грузить тяжелые файлы в периоды активной работы пользователей Y).

2. Существует утвержденный перечень нормативов (около 700 строк), с которым работает несколько компаний, включая заказчика. Одна из компаний в судебном порядке оспаривает часть нормативов, предлагая свой вариант. Суд удовлетворяет требование. Одновременно некая экспертная организация производит пересчет части нормативов, выдвигая новый перечень (еще около 150 строк).

Задача: обеспечить систему заказчика актуальной нормативной базой.

Сложность задачи в том, что каждый комплект нормативов отличался единицами измерения и наименованиями позиций. Результирующего списка нормативов не существовало.

Решение: попытки автоматизировать процесс сопоставления строк результата не дали, поскольку в каждом конкретном случае решение должен принимать человек. Поэтому списки пришлось выверять вручную, искать совпадения (Отменен судом? Пересчитан?) и включать, либо не включать в результирующий список.

3. Ввести новый параметр для расчетных операций в системе.

Выполнение:

1) Определить точку «входа» параметра в Систему: вводится пользователем? Рассчитывается из других параметров (Каких? Каким образом? В какой момент времени?)?

2) Определить функции, в которых будет задействован новый параметр.

3) Для каждой функции: Проверить, влияет ли новый параметр на выполнение последующих операций, ввести параметр в формулы расчета.

4) Определить способ и место отображения параметра в интерфейсе. Нарисовать макеты.

5) Узнать, должен ли новый параметр фигурировать в выходных формах: в каких именно, каким образом.

6) На содержимое каких выходных форм этот параметр повлияет неявно? Если да, определить степень влияния, вынести вопрос на обсуждение.

7) Определить объем необходимых доработок.

8) Написать постановку задачи на разработку, либо ТЗ (в зависимости от объема доработки).

9) Протестировать результат.

Вопросы задала Эльмира Давыдова.

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.

Дополнительный анализ:  Читать Провал аналитика (СИ) - Яковлев Геннадий Павлович - Страница 1 - читать онлайн

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.

Какими навыками и компетенциями нужно обладать? нужно ли иметь it-образование?

Для работы в it-сфере соответствующее образование, считаю, нужно. Мне очень пригодились в работе знания в области баз данных, сетей, объектно-ориентированного программирования, и даже лекции «Микропроцессоры и микро-ЭВМ» были не лишними. Однако, встречала людей со специальностями, далекими от it, но с большим багажом практических знаний в этой сфере. IT-сфера сейчас настолько широка, что люди самых разных специальностей могут найти свою нишу.

Ключевые навыки, которые очень помогут — системность и логичность мышления, умение в большом объеме информации выявить причинно-следственные связи, скрупулезность и дотошность (исключительно полезное качество при сборе требований у заказчика). Поскольку каждый заказчик, и каждый проект, индивидуален, очень ценятся аналитики, обладающие не только опытом, но и гибким умом, способные выйти за рамки шаблонов, и придумать что-то новое.

Ну и, разумеется, больших успехов не добиться без усидчивости (на разработку одного макета может уйти несколько часов!)

Что касается набора инструментов, которыми должны владеть аналитики, — у каждой рабочей группы он свой. Но обязательным, на мой взгляд, является умение пользоваться прикладным ПО для рисования макетов, и знание какой-либо нотации моделирования процессов.

Для интерфейсов мне нравится Balsamiq Mockups, за разнообразие инструментария и веселенький дизайн:

Процессы мне удобнее отрисовывать в нотации EPC (хотя BPMN тоже ничего):

Критерии выбора сервиса сквозной аналитики

1. Интеграция. Бизнесу важно видеть полную картину о расходах на привлечение клиентов и рентабельности каналов. Это возможно только в том случае, если сервис интегрируется со всеми источниками данных, которые использует компания. Речь идет о CRM, рекламных системах, сервисах аналитики, соцсетях. Поэтому чем больше интеграций предлагает сервис сквозной аналитики, тем лучше.

2. Аналитика. В сервисе должны быть все базовые отчеты, которые необходимы для анализа бизнеса. Сюда относят отчет об источниках трафика, конверсиях и лидах, ключевых словах, популярных ссылках и страницах сайта.

Для лучшей визуализации данных некоторые сервисы предоставляют шаблонные и кастомизированные дашборды. Но такая опция есть не во всех сервисах сквозной аналитики.

3. Дополнительные возможности. Сервисы сквозной аналитики предлагают услуги коллтрекинга — отслеживания звонков из разных источников (контекстной рекламы, органического поиска и др.). У некоторых есть своя внутренняя СRM, и ее можно использовать для отслеживания заявок.

Также в профессиональных тарифных планах могут быть такие опции: ловец лидов, мультиканальная аналитика, email трекинг, сплит-тестирование, брендирование отчетов, управление ставками и т. д.

4. Стоимость. Стоимость использования сервисов сквозной аналитики для больших компаний может превышать 50 000 рублей. Поэтому важно обращать внимание на услуги, которые входят в предлагаемый тарифный план. Не всегда имеет смысл уходить к конкурентам, где изначально цена подключения тарифного плана может быть ниже, но не будет всех необходимых услуг или они будут платными.

5. Бесплатный пробный период/демо-версия. Только непосредственная работа с сервисом позволит компании оценить все его возможности. Поэтому большинство предоставляют бесплатный пробный период. Если же пробного периода нет, то должен предоставляться доступ к демо-версии.

6. Установка. Большинство сервисов сквозной аналитики доступны в виде веб-приложений. Некоторые сервисы также предусмотрели мобильные приложения и облачные решения. Поэтому если руководству компании важно иметь доступ к аналитике в любое время, то в таком случае следует обратить внимание на сервисы с мобильными приложениями.

Софт скиллы


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

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.

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.

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

Вместо вывода

Из каждого утюга слышно, что со временем сложность бизнес-проблем и их ИТ-решений возрастает по экспоненте. Наравне с этим стек технологий развивается интенсивно и экстенсивно, вширь и вглубь. Выбор правильной композиции технологий может дать прорывные конкурентные преимущества, но и действовать губительно, часто выбор осуществляется на годы вперед, ставя разработчиков в узкие рамки.

Сложившаяся ситуация требует от ИТ аналитиков (1) глубокого познания предметной области бизнеса, особенностей внутренних процессов, внешней среды и трендов, (2) не менее глубоких знаний технологий, часто практического их использования.

Можно быть идеалистом, искать гения и требовать от него высокого понимания различных, если не полярных областей знаний. Можно спуститься на землю и понять, что такая двойственность обязанностей с большой вероятностью приведет к факапу в обоих направлениях. Сидеть на двух стульях — не лучшая практика.

Если сложность проекта требует наличия БА и СА, то для начала следует сформировать понятие, какой уровень знания бизнеса и технических особенностей нужен от специалиста и транслировать его в публикуемую вакансию, стратегию собеседования и тестирования.

Коллегам, нашедшим себя или планирующим работать БА или СА, советую провести такую же процедуру и честно понять для себя, хотите ли вы (1) искать зерно истины в часто не поддающемся алгоритмам и логике, постоянно изменяющемся бизнесе или (2) исследовать и проектировать сложные, запутанные, но интересные системы.

Оцените статью
Аналитик-эксперт
Добавить комментарий