Работа начинающим аналитиком в Москве

Работа начинающим аналитиком в Москве Аналитика

Почему каждый специалист хочет стать аналитиком и кто такой сitizen data scientist?

Под начинающим аналитиком в этой статье мы в большей степени подразумеваем специалиста с техническим или экономическим образованием, но не исключаем и другую непрофильную специализацию.

В современном мире тяжело представить компанию, которая не собирает данные и не ориентируется при этом на «data-driven»-подход. На фоне информатизации более востребованными становятся специалисты, которые помогают бизнесу принимать решения на основе данных:

Специалисты в предметных областях постепенно переквалифицируются в аналитиков данных. Связано это с тем, что бизнес-эксперты являются основными носителями ключевых знаний о компании и хотят использовать эти данные. У них есть информация и сотни идей, как улучшить бизнес.

Однако в большинстве компаний весь анализ данных завязан на IT-отделе. Из-за этого возникает ряд проблем:

  • «Хотелок» у бизнеса много, IT-ресурсов мало, рынок меняется быстро. Возникает боль всех заказчиков — очередь к IT-специалистам. Из-за этого ожидание реализации задачи может длиться месяцами.
  • Эксперты понимают бизнес, но не понимают язык программистов. Программисты, наоборот, не знают тонкостей бизнеса. Из-за разницы в толковании и терминологии, объяснении постановки задач и обсуждении технического задания срок реализации растягивается.

У бизнес-пользователей всё чаще появляется необходимость анализировать данные собственными силами, проверять гипотезы на практике и получать работающие прототипы систем, быстро решать свои задачи, не дожидаясь разработчиков. Это стремление привело к появлению новой роли в аналитике — гражданский специалист по работе с данными (Сitizen data scientist).


Портрет Сitizen data scientist

Этот специалист умеет создавать и генерировать модели продвинутой аналитики и прогнозирования. При этом основная его роль выходит за рамки статистики и аналитики — прежде всего он остается бизнес-экспертом внутри своего подразделения. Сitizen data scientists не является профессионалом в области интеллектуального анализа данных и Big Data, у него нет специального образования и глубоких навыков в этой сфере. Зато он привносит в этот процесс собственный опыт и уникальные предметные знания.

Для воплощения своих идей в жизнь гражданскому специалисту по работе с данными требуется подходящее программное обеспечение. Именно развитие технологий послужило ключевым фактором роста числа Сitizen data scientists. Аналитические инструменты для неспециалистов стали доступнее в использовании, обеспечивают упрощённую подготовку, обработку данных и расширенную аналитику, включающую в себя Machine Learning и другие инструменты Data Science.

Какой инструмент для анализа данных выбрать начинающему аналитику? Давайте рассмотрим популярные классы систем для анализа данных и их особенности.

Excel

Бытует теорема о полноте Excel: любой бизнес-процесс можно описать достаточно «жирным» excel-файлом. Действительно, этот табличный редактор — настольный и универсальный инструмент любого специалиста по работе с данными. До сих пор ни один инструмент аналитика не может превзойти Excel по популярности.

Быстро произвести разнообразные расчёты, построить сводные таблицы, рассчитать прогноз и показать графики руководству — для этого вполне подходит табличный редактор. Анализ данных в Excel можно выполнить с помощью статистических процедур и функций (корреляция, регрессия, скользящее среднее и т.д.).


Пример работы в Excel

Производительность Excel — недостаток программы, который особенно ощущается при росте объёма данных до одного миллиона строк: система начинает медленно производить вычисления. Иногда из-за этих трудностей с Excel-таблицами становится невозможно работать.

Проблемы с Excel появляются, когда компания растёт, в подготовке одного отчёта в Excel участвуют несколько сотрудников, которые постоянно обмениваются файлами, требуется автоматизация или сложная многоэтапная обработка. Например, каждую неделю разные подразделения готовят отчёты для коммерческого директора, склеивая данные из нескольких Excel-таблиц и выгрузок из 1С, с десятками вкладок и ссылок в нескольких версиях, да ещё постоянно изменяют и «улучшают» эти отчёты.

Резюме:

➕ : Excel знаком каждому, поэтому подойдёт всем начинающим аналитикам. Сфера применения: для быстрого индивидуального исследования гипотез на небольшом объёме структурированных данных.

➖ : Когда танцы с бубном над подготовкой данных и сводными отчётами начинают занимать до нескольких часов в сутки, данных становится много, информационная модель усложняется, с отчётами работает несколько человек, появляется необходимость в изменении бизнес-процессов и переходе на другой инструмент.

Аналитические low-code платформы

Здесь речь пойдёт не про все аналитические платформы, а только те, которые работают по принципу low-code. Эти инструменты визуального проектирования были разработаны специально для аналитиков, не обладающих навыками программирования, и оснащены всеми необходимыми инструментами для простой работы с данными. Примеры таких решений: Loginom, Alteryx и т.д.

Аналитические платформы, которые базируются на принципе low-code, представляют собой конструкторы с набором готовых «кубиков». Решения, которые ранее разрабатывались программистами, теперь могут собираться самими аналитиками, «мышкой», в короткие сроки. Системы показывают высокую производительность при работе с большими массивами данных.

Платформы позволяют автоматизировать ежедневную работу аналитика различной сложности, практически не привлекая к ней разработчиков. Получение данных из различных систем, объединение, преобразование, очистка, простые и сложные вычисления, визуализация — та самая работа, на которую у аналитиков уходит до 80% времени. Она легко выполняется на аналитической платформе без кодирования и не требует специфичных знаний.

Для продвинутой аналитики платформы содержат инструменты Machine Learning. Наличие упрощённых мастеров настройки алгоритмов анализа данных с уточняющей документацией максимально упрощает вход в профессию аналитика.


Пример работы в Loginom

Для применения алгоритмов продвинутой аналитики всё-таки понадобится изучение теории по анализу данных и математической статистике. Не требуется становиться 100% Data Scientist’ом, но должно быть понимание, для чего нужен определённый алгоритм анализа данных, как правильно подготовить данные для него и интерпретировать результаты.

Минусом аналитических платформ также является ограниченное количество компонентов. При нехватке функционала придётся использовать встроенные языки программирования и просить помощи у своих IT-шников. Low-code не исключает написание кода, а сводит его к минимуму.

Резюме:

➕ : Визуальное проектирование понятно всем, кто работает в Excel. Для получения первых результатов непрофессиональным разработчикам достаточно пары дней. На базе аналитической платформы начинающие аналитики смогут реализовать бОльшую часть своих ежедневных задач: от подготовки данных до машинного обучения и моделирования.

➖ : Для использования продвинутой аналитики придётся погуглить про алгоритмы анализа данных, изучить, что это такое и как может быть применено к вашим данным. В случае выхода за рамки low-code идеологии требуется написание кода или помощь IT-отдела.

Бросаясь в пучину неизвестного

Если аналитики понимают, что не обладают всеми фактами и ищут в потемках, они пытаются быть образцами непредвзятости. Ваше сознание должно быть открытым. Это критически важно, если вы не хотите столкнуться с предвзятостью восприятия — из 20 историй вы заметите только ту, что подтверждает мысль, в которую вы верите.

Начинающие думают, что цель поисковой аналитики отвечать на вопросы, но на самом деле их нужно задавать.

В этом вопросе программы обучения разнятся. В каждом курсе статистики вас учат не делать глупых выводов в условиях неопределенности. Аналитические курсы лишь поверхностно затрагивают тему математических выводов и эпистемологических нюансов.

Дополнительный анализ:  Оказался вдруг. Россия видит в Китае союзника в борьбе с Западом. Но готов ли Пекин помочь обойти санкции?: Госэкономика: Экономика:

Если вы совершите прыжок веры в вопросе данных, подобно Икару, ничем хорошим это не закончится. (Совет для аналитиков: если хотите избегать сферу статистики, просто боритесь с желанием делать выводы. Готово! Вы восхитительны.)

Аналитика помогает вам сформулировать гипотезы. Это улучшает качество ваших вопросов.Статистика помогает вам проверить гипотезы. Это улучшает качество ваших ответов.

Многие думают, что цель поисковой аналитики отвечать на вопросы. Это распространенная ошибка. На самом деле их нужно задавать. Исследование данных аналитиками позволяет вам задавать правильные вопросы. Паттерны, которые обнаружат аналитики, не стоит воспринимать серьезно, до тех пор пока они не будут доказаны статистически на основе новых данных. Аналитика помогает вам сформулировать гипотезы, статистика помогает вам проверить их.

Аналитик добывает информацию в конкретном наборе данных.

Статистик помогает понять стоит ли воспринимать эту информацию как феномен, применимый и за пределами этого набора данных.

Я наблюдала за тем как другие сотрудники унижали аналитиков, полагая, что они лучше, потому что пользуются более точными уравнениями. Во-первых эксперты-аналитики используют такие же уравнения, но для другой цели. Во-вторых, информация может выглядеть иначе под разными углами.

Я видела много провалов в дата сайнс, вызванных непониманием функции аналитика. Эффективность вашей организации зависит от авангарда аналитиков. Инвестируйте в них и цените их, если не хотите искать в неправильном месте. Обращайтесь к статистикам с целью тщательного изучения идей, которые вы получите от аналитиков.

Вам нужно и то и другое

Выбирать между хорошими вопросами и хорошими ответами больно и старомодно. Если вы можете себе это позволить, работайте и с аналитиками, и со статистиками. Тогда ваша жизнь станет проще. К сожалению, платить нужно не только персоналу. Чтобы вклад ваших экспертов по работе с данными был ощутим, нужно обилие данных и культура их разделения.

Неправильное понимание различий приводит к множеству ненужных нападок со стороны статистиков и множеству некорректных мнений, которые аналитики продают как готовый продукт.

Люди, обладающие большим количеством данных, не привыкли разделять данные. Сто лет назад такой принцип не был жизнеспособным в условиях голода. Никто не хотел разделять данные, потому что их было слишком сложно собрать. В ходе истории граница между аналитиками и статистиками постепенно стиралась, породив их вражду.

Мы застряли в этой ситуации, потому что забыли переосмыслить ее. Устаревшие предрассудки приводят к множеству ненужных нападок со стороны статистиков и множеству некорректных мнений, которые аналитики продают как готовый продукт. Если у вас много данных и вы хотите извлечь из них пользу, у вас есть возможность получить и вдохновляющие идеи, и точные результаты. Зачем лишать себя этого? Разделяйте данные!

Если вы можете себе это позволить, работайте и с аналитиками, и со статистиками. Тогда ваша жизнь станет проще.

Рано или поздно вы поймете, что разделение данных позволяет аналитикам и статистикам множить свои силы и улучшать результаты. Тогда для вас станет загадкой почему это не практикуют все вокруг.

Перевод: Диана Шеремьёва

Узнайте подробности, как получить востребованную профессию с нуля или Level Up по навыкам и зарплате, пройдя платные онлайн-курсы SkillFactory:

Зачем нужна статистика в веб-аналитике

Итак, что делать с информацией, которую вы собираете на своем сайте? Первое и самое простое, что можно узнать — откуда приходит трафик и его основные характеристики, число посещений, клики и т.д. Для этой задачи достаточно стандартных отчетов в Google Analytics.

Однако для расчета относительных метрик (ROAS

Прибыль от размещения рекламы = доход от размещения рекламы / расходы на рекламу × 100%
, CPC

Сумма, которую рекламодатель платит за один клик по его рекламе
и др.)

Есть вопросы и бизнес-задачи, ответы на которые можно найти, применив статистические методы. Например:

  • Классифицировать пользователей, чтобы эффективней работать с рекламными кампаниями.
  • Оценить изменения в дизайне сайта. К примеру, узнать с помощью A/B тестирования, как уменьшение количества полей в форме заказа повлияло на конверсию.
  • Понять, насколько критичной является просадка либо рост той или иной метрики. Для этого необходимо определить интервал допустимых значений основных метрик на сайте.
  • Спрогнозировать поведение пользователя на сайте по тем или иным показателям. Определить потенциальных покупателей и запустить для них рекламные кампании.


Условно весь процесс анализа данных можно разделить на три части:

  1. Digital-аналитика — сбор и анализ полученных данных. Этот этап включает в основном поверхностный анализ взаимодействий пользователей с сайтом и оценку маркетинговых усилий. Digital-аналитики помогают, к примеру, определить самые популярные страницы и категории товаров, найти слабые стороны в функционале сайта.
  2. Data governance — управление данными. Этот этап включает координацию задач между разными отделами в компании и управление доступом к данным.
  3. Data science — наука обработки и управления данными. На этом этапе происходит более глубокий анализ собираемых данных: поведение пользователей на сайте, офлайн-продажи, продажи через колл-центр, данные из CRM. Data Scientists могут оценить влияние того или иного фактора (источник привлечения, геолокация, день недели и т. д.) на наблюдаемый результат, например, конверсию и построить прогноз.

Как применять статистические методы в a/b тестировании

A/B тестирование, пожалуй, одна из самых распространенных задач в веб-аналитике.
Чтобы результаты тестирования стали по-настоящему полезной информацией, на которую можно положиться, их нужно проверять на значимость. В этом-то и поможет статистика.

Статистическая мощность измеряется в процентах и определяет, насколько вероятно, что тест покажет разницу между вариантом А и В, если она есть. К примеру, вы хотите проверить гипотезу, что мужчинам больше нравится зеленый цвет, чем красный. Если вы покажете разные варианты кнопки двум мужчинам и один нажмет красную кнопку, а другой — зеленую, можно ли говорить, что ваша гипотеза опровергнута?

Конечно нет, потому что один из двух мужчин мог оказаться любителем ярких цветов или дальтоником. Если же вы покажете кнопки, например, тысяче посетителей сайта мужского пола, то уже сможете определить, кнопка какого цвета нравится мужчинам. То есть, чем больше длина (размер) выборки для теста, тем выше его статистическая мощность. Не стоит доверять тестам, статистическая мощность которых ниже 80%.

Так какой же должна быть выборка, чтобы результат был достоверным? Это зависит от того, какой статистической мощности и значимости (о ней мы напишем чуть ниже) вы ждете от теста. К счастью, считать длину выборки вручную совсем не обязательно — есть огромное количество удобных онлайн-калькуляторов, например этот. Как пользоваться этим калькулятором, вы можете почитать в статье.

Следующий аспект, который нужно учитывать при A/B тестировании — это статистическая значимость. Она определяет, насколько вероятно, что тест показал разницу между вариантом А и В, которой в действительности не существует. Оптимальный уровень значимости для А/B теста (также его называют доверительной вероятностью)

Доверительный интервал

Предельные значения показателя, который с заданной доверительной вероятностью будет находиться в этом интервале при выборке большего объема
показывает, насколько стабилен показатель, который вы получили в результате теста, то есть повторится ли он, если увеличить выборку.

Допустим, вы показали тысяче посетителей своего сайта зеленую кнопку (вариант А), и 30% на нее нажали. Вычисляем погрешность для доверительного интервала с помощью онлайн-калькулятора и получаем ± 2,8%. Это значит, что если увеличить выборку, то с вероятностью в 95% на зеленую кнопку нажмут от 27,2% до 32,8% посетителей.


Если сравнить доверительные интервалы для вариантов А и B, мы увидим, что они пересекаются в диапазоне от 27,2% до 28,7%. Графически это выглядит так:

На горизонтальной оси графика — KPI (в нашем случае конверсия), на вертикальной оси — плотность вероятности (плотность распределения случайной величины).

Существует ряд статистических критериев, которые помогают решить, принимать или не принимать изначально поставленную гипотезу. Один из самых известных и применяемых — t-критерий (или критерий Стьюдента). На самом деле под t-критерием, как правило, понимают не один конкретный метод, а целый класс методов проверки статистических гипотез, основанных на распределении Стьюдента.

Дополнительный анализ:  Хочу все знать: бизнес-анализ. Часть 1 / Хабр

А для гиков есть формулы 🙂


Применить t-критерий можно только при следующих условиях:

  1. Исходные данные должны иметь нормальное распределение.
  2. Если применяется двухвыборочный t-критерий для независимых выборок

    Проверяет гипотезу о равенстве средних значений в двух выборках. Применяется, например, когда нужно сравнить оценки по итоговому экзамену в двух разных ВУЗах
    , дисперсии должны быть равны.

Двухвыборочный t-критерий для независимых выборок

Если размеры выборок отличаются незначительно, применяется упрощённая формула приближенных расчетов:

где X1X21 и n2— количество элементов выборки, а

Количество степеней свободы рассчитывается как:


Основные преимущества t-теста в том, что он:

  • Нормально работает с огромными выборками (нет ограничения на объем данных).
  • Учитывает распределение и величину выборки.
  • Подходит для измерения разных параметров (можно сравнивать и количественные показатели в том числе).

Какие точки входа в профессию?

Если вы уже работаете в IT (дизайнер, разработчик, тестировщик и т. д.), можно попробовать следующие варианты.

  • Программы внутренней переподготовки. В крупных компаниях чаще всего такие программы есть.
  • Совмещение ролей. Можно работать, условно, тестировщиком, и помогать бизнес-аналитику на своем проекте. Обычно это рутина вроде документирования требований по шаблону, подготовка протоколов по результатам обсуждений.

  • Когда приблизитесь к уровню джуна, участвуйте во внутренних инициативах по разработке или улучшению систем, используемых вашей компании. Часто такие инициативы придумывают, чтобы у джунов была возможность попрактиковаться, прежде чем им доверят клиентские задачи. Как правило, это происходит в нерабочее время и не всегда оплачивается. Зато нарабатывается опыт и репутация.

Если работаете не в IT:

  • Трейни-программы. Крупные компании проводят набор в свои школы, в том числе, DataArt. Это происходит нерегулярно, поэтому нужно следить за анонсами. Туда непросто попасть, но я настойчиво рекомендую попробовать. Первое, что спросят в такой школе — насколько хорош ваш английский. Еще проверят, насколько серьезны ваши намерения и умеете ли вы ясно выражать свои мысли. Чтобы закрыть все пункты, в DataArt, например, просят написать эссе на английском о себе и своей мотивации. Лучших выпускников компании берут на практику, на позицию трейни или джуна.
  • Участие в стартапах, учебных проектах. Наверняка у вас есть знакомые, создающие интернет-магазин или мобильное приложение. Думаю, они готовы воспользоваться вашими услугами бесплатно. Такого опыта будет достаточно, чтобы на базовом уровне разобраться, что от бизнес-аналитика ждет заказчик и команда.

  • Работа с ментором. Искать ментора можно в своей компании, в тематических чатах в Telegram и Facebook, через знакомых — где угодно. Стоит заранее определиться, что именно вы хотите прокачать с ментором и придумать, что можете дать взамен. Ментор будет отвечать на вопросы, советовать литературу, давать задания и проверять их.

Особенности профессии

Чаще всего вакансия аналитика предполагает, так или иначе, работу с числами – самой подходящей формой представления информации для проведения исследований, анализа, выявления статистических принципов, прогнозирования и формирования планов дальнейшего развития.

То, о чем говорят эти числа, может относиться практически к любой области жизни современного общества. Хотя на практике аналитики все же чаще работают в областях, связанных с финансами, поскольку именно они требуют детальнейшего анализа и предельно четких прогнозов, основанных на реальных данных и научной математике, а не чьей-то интуиции.

Ключевые обязанности аналитика сводятся к следующей последовательности действий:

  • Сбор всех данных, необходимых для проведения анализа, и их первичная обработка (она направлена на приведение данных к единой форме, выделение основных признаков, переменных и неизвестных для анализа и прочие подготовительные работы).
  • Определение основных тезисов исследования, выдвижение гипотез.
  • Непосредственно анализ собранной и стандартизированной информации, выполняемый с помощью математических методов и современного программного обеспечения. В результате анализа гипотезы либо подтверждаются, либо опровергаются.
  • Составление прогнозов, планов развития, проектов, методических рекомендаций, основанных на результатах выполненного анализа.
  • Оформление аналитического отчета о результатах анализа, формирование выводов, их презентация работодателю/клиенту.

Например, бизнес-аналитик может работать в штате конкретной компании и изучать ее финансовые процессы, реальные и потенциальные договора с партнерами, конкурентов, чтобы определить ее слабые и сильные места, предложить оптимальные способы оптимизации ее работы, сокращения расходов и повышения прибыли.

Аналитики, работающие в области компьютерных технологий, совершенствуют концепции и методы разработки программного обеспечения, консультируют по вопросам информационной безопасности, помогают внедрять более совершенные алгоритмы на практике.

Профессия: аналитик данных

Кто такой аналитик

В чём заключается моя работа

Как я стала аналитиком

Где учат на аналитиков

Какие качества нужны, чтобы успешно работать аналитиком

Карьера, график работы, зарплата

Аналитик данных в будущем

Аналитик — специалист, который занимается обработкой данных и составлением на их основе прогнозов, стратегий, планов и рекомендаций клиентам.

Существует несколько профессий, в названии которых также есть слово «аналитик» — финансовые аналитики, программные аналитики, системные аналитики. Все они занимаются анализом той или иной информации, но не обязательно используют в своей деятельности математику, статистику и языки программирования. Их нужно отличать от отдельной профессии «аналитик данных».

Аналитик данных должен хорошо разбираться в математике, статистике, информатике, компьютерных науках, бизнесе и экономике.

Данные, которые обрабатывает аналитик, зависят от сферы деятельности, которой он занимается. Например, аналитик в области рекламы определяет целевую аудиторию для рекламных кампаний: составляет алгоритм, с помощью которого ищет в базах данных информацию о потенциальных клиентах, анализирует рекламные стратегии с точки зрения отклика, оценивает показатели эффективности кампаний.

Я работаю ведущим аналитиком в рекламном подразделении таргетированных смс-рассылок мобильного оператора. По соображениям конфиденциальности назвать компанию я не могу, она входит в так называемую «большую тройку». Моё подразделение занимается рассылкой рекламы абонентам, сегментируя их по опредёленным социально-демографическим, поведенческим и другим признакам. Аналитик занимается тем, что из всей абонентской базы выбирает абонентов, которые отвечают этим признакам, чтобы рекламодатель рассылал рекламу именно тем людям, которых она может заинтересовать.

Например, к нам приходит клиент, директор стоматологии, и заказывает рекламную кампанию. Аналитик и клиент вместе определяют набор признаков, по которым абоненты могли бы заинтересоваться этой конкретной стоматологией — проживание в определённом районе, обращение за стоматологическими услугами в недалёком прошлом и так далее. Составив список этих признаков, аналитик направляет запросы в базу данных, чтобы реклама была отправлена релевантным абонентам. Для формирования запросов используется специальный язык программирования SQL, предназначенный для работы с базами данных.

Такая реклама называется таргетированной, от английского слова target — цель. Основная задача аналитика — правильно определить эту цель. Чем точнее определён круг признаков и правильнее составлен запрос, тем успешней рекламная кампания.

По результатам кампании аналитики собирают и анализируют данные о её эффективности: смотрят, как много абонентов откликнулись на рекламу— , то есть позвонили по указанным телефонам, обратились в эту стоматологию;, и анализируют, от чего зависит эффективность рекламы, когда она срабатывает, а когда нет. Это похоже на настоящее научное исследование.

Меня с детства интересовали математика и программирование, работа с данными, таблицами, поиск и анализ закономерностей. Работа аналитика включает все эти аспекты.

Я закончила НИУ ВШЭ по направлению, связанному с маркетингом. На факультете нам преподавали математику, статистику, прогнозирование, эконометрику, и эти предметы мне нравились больше всего. Кроме того, я занималась программированием на дополнительных курсах.

После окончания вуза я стала работать в PR, но вскоре поняла, что эта сфера деятельности мне не нравится. Мне было неинтересно, работала я через силу, заставляя себя приходить в офис. Поэтому я решила сменить направление. В вузе я узнала, как работает статистика, какие математические инструменты используются для анализа данных, познакомилась с языком программирования SQL. С этими навыками в резюме я решила посмотреть вакансии аналитика и вскоре нашла мою нынешнюю работу. Поначалу мне поручали и другие задачи, но постепенно аналитика стала моим основным занятием.

Дополнительный анализ:  Для ювелиров настало золотое время – Газета Коммерсантъ № 139 (7101) от 09.08.2021

За три года я стала ведущим аналитиком— руководителем подразделения. В мои обязанности входит не только составление запросов в базы данных, но и распределение задач внутри моей команды, взаимодействие с заказчиками рекламных кампаний или аккаунт-менеджерами, которые ведут этого рекламодателя.

Профессию аналитика получают на направлениях, связанных с информатикой, математикой, программированием. Эти направления есть практически во всех ведущих вузах страны.

Список вузов от редакции:
МГУ им. М.В. Ломоносова — факультет вычислительной математики и кибернетики, направление «Прикладная математика и информатика».

СПБГУ — направления «Математика и компьютерные науки», «Математика, алгоритмы и анализ данных», «Прикладная математика и информатика», «Прикладная математика, фундаментальная информатика и программирование», «Программирование и информационные технологии», «Системный анализ и прикладные компьютерные технологии».

НИУ ВШЭ — направления «Экономика и статистика», «Бизнес-информатика», «Прикладная математика и информатика».

Национальный исследовательский университет МЭИ — Институт автоматики и вычислительной техники, направление «Прикладная математика и информатика».

Национальный исследовательский технологический университет МИСиС — факультет «Информатика и вычислительная техника».

Московский политехнический университет — факультет информационных технологий, направление «Прикладная информатика (большие и открытые данные)», «Прикладная математика и информатика», «Бизнес-информатика (IT-менеджмент)».

Московский технический университет связи и информатики (МТУСИ) — факультет экономики и управления (ФЭУ), направление «Прикладная информатика».

Финансовая академия при правительстве России — направления «Прикладная математика и информатика», «Бизнес-информатика», «Прикладная информатика».

Работа аналитика по большей части заключается в том, чтобы взаимодействовать с компьютером, а не с людьми. Аналитик, если он не руководитель подразделения, мало общается даже с коллегами, не говоря уже о клиентах. Он не проводит встреч, его рабочий день проходит у монитора за обработкой данных. Есть люди, которым обязательно нужно общение — им такая работа не подойдёт!

Важно, чтобы человеку нравилось оперировать статистическими данными, составлять графики и таблицы, видеть закономерности, структурировать информацию, выделять главное, отбрасывать второстепенное.

Аналитик — профессия не творческая. Каждый день аналитику приходится заниматься одним и тем же: сбором, анализом, оценкой данных. Эта работа очень похожа на главное увлечение моего детства — собирание пазлов. Мне доставляло удовольствие взять набор непонятных разрозненных деталей и часами собирать из них что-то целостное, разумное, имеющее смысл. Так же работают и аналитики.

Аналитик по большей части имеет дело с точными категориями: данными, цифрами, алгоритмами. Составляя запросы, нужно совершать как можно меньше ошибок и максимально точно подбирать аудиторию.

Аналитик должен учитывать все факторы, которые могут повлиять на результат анализа, не упустить ни одной важной детали, иначе на выходе он получит неверные данные и сделает ошибочные выводы.

Карьера. Внутри компании можно из простого аналитика стать тимлидом, руководителем подразделения и развиваться в направлении менеджмента — разрабатывать и курировать собственные продукты, придумывать стратегии их развития.

Можно совершенствовать навыки программирования, повышать свою квалификацию как аналитика данных, переходить в более крупные компании, на более востребованное и престижное направление, заниматься дата-моделированием, большими данными (big data), делать прогнозы и предсказания.

График работы. Аналитики в офисе работают по обычному графику с 9:00 до 18.00 или с 10:00 до 19:00. Иногда приходится задерживаться на работе, но это зависит от нагрузки конкретного аналитика.

Аналитик может работать и удалённо: консультировать заказчиков, которым необходим анализ данных, писать приложения. Всё, что ему для этого нужно — компьютер или ноутбук, выход в интернет и доступ к базам данных.

Зарплата. Зарплата аналитика зависит от его опыта и квалификации, от компании, в которой он работает. В начале карьерного пути я получала 45 тысяч рублей, сейчас зарабатываю больше.

Средняя зарплата аналитика в Москве — 70 тысяч рублей. Начинающий аналитик сразу после окончания вуза может получать от 25 тысяч рублей.

Современный бизнес во многом строится на анализе данных о клиентах, продажах, эффективности рекламных стратегий, поэтому профессия аналитика сейчас очень востребована и останется такой в ближайшие десятилетия. Перспективные направления: работа с большими данными, дата-моделирование, экономическое прогнозирование. Кроме того, умение работать с большим количеством информации (анализировать, структурировать её, делать выводы) востребовано не только в экономике и финансах, но в любой другой сфере деятельности.

Я считаю, что профессию надо выбирать по зову сердца, ориентируясь на то, что нравится делать. Какой бы перспективной ни была профессия, в ней невозможно достичь высот, если не получаешь от неё удовольствия.

Работа

Аналитическая система ,первичная обработка данных , система визуализации. Навык-BI(business intelligence , data analyst , data intelligence , data warehouse , mdx .

Высшее образование в области анализа данных, математики, статистики. Знание и умение настраивать Bi систем (Power Bi, Tableu, Superset и др.).

§

Комплексная работа с Wildberries, Ozon. Аналитика, маркетинг, ассортимент, Ценообразование. Управление поставками: контроль остатков, формирование заказов, подготовка отгрузок. Расширение товарной матрицы…

Опыт не обязателен, но приветствуется. Внимательность, ответственность, инициативность. Высокая работоспособность в рамках рабочего времени. Умение разбираться с нестандартными ситуациями.

§

…для разработки и внедрения регламентирующих документов. Руководство подразделениями: Процессный офис, Проектный офис, Отдел корпоративного управления, Отдел документооборота, Отдел бизнес-аналитики.

Релевантный опыт работы на руководящих должностях (генеральный директор, операционный директор, исполнительный директор) не менее 5 лет в компаниях со штатной…

§

Организация IR работы с инвесторами, банками, инвестиционными компаниями, фондами, управляющими компаниями, страховыми и пенсионными фондами, частными и корпоративными инвесторами.

…всех этапах (первичные переговоры, road show, текущая и годовая отчетность, аналитика). Желателен опыт подготовки компании к IPO или последующего сопровождения.

Чем digital-аналитик отличается от data scientist

Фактически Digital-аналитика — это первая ступень на пути к Data Science. Наука о данных широко применяется в различных сферах: аналитике, биологии, медицине, психологии, политологии и т.д. Независимо от сферы деятельности любой Data Scientist должен:

  • Разбираться в предметной области и анализировать имеющиеся результаты.
  • Работать с большим объемом данных (владеть языками программирования R и Python, применять машинное обучение).
  • Разбираться в статистических методах анализа (математическая подготовка).

Если изобразить эти требования схематически, то получится вот такой рисунок, на котором Data Scientist будет в самом центре:


Чтобы понять разницу между Digital-аналитиком и Data Scientist, рассмотрим конкретный пример. Допустим, доход от сайта снизился на 3% по сравнению со средним значением прошлой недели.

Digital-аналитик сможет:

  • Подсказать источник, где есть резкое падение трафика.
  • Определить время, когда проявилось снижение.
  • Подсчитать точный процент падения трафика для разных источников.

Data Scientist, используя методы математической статистики, будет рассматривать ситуацию с другого ракурса. Для начала он ответит на вопрос, выходит ли полученное значение дохода за границы области допустимых значений этой метрики (так называемый доверительный интервал).

В целом направление Data Science позволяет решать следующие задачи:


А теперь давайте разберем подробнее пару задач, для решения которых нужно применять статистические методы.

Языки программирования для анализа данных

Среди аналитиков популярны языки программирования Python и R. Они мощные и гибкие, что позволяет написать на них практически всё, что необходимо, работают с большими объёмами данных. В помощь Data Scientist’ам существует огромное количество готовых библиотек для визуализации, ETL, машинного обучения и интеллектуального анализа данных. Часто появляются новые библиотеки, которые размещаются в открытом доступе.


Пример работы в Python

Порог вхождения в языки программирования самый высокий по сравнению с другими инструментами, так как нужны специальные знания в области IT и статистики, а также умение писать код. Нельзя просто прочитать инструкцию для «чайников» и пойти программировать работающие системы. Ведь между копированием библиотеки и полноценным решением огромная разница.

Для бизнеса немаловажное значение имеет, как быстро и сколько сотрудников смогут разрабатывать решения на языке программирования. Сейчас много доступных обучающих курсов на популярных площадках, но: а) нужно длительное время на изучение; б) высок шанс для непрограммиста осознать, что это не его и он не сможет осилить эти знания.

Резюме:

➕ : Если предыдущие инструменты не решают ваших задач, то переходите на новый уровень прокачки своих аналитических умений — изучайте языки программирования. С помощью них вы сможете настроить весь процесс анализа данных и использовать, в том числе, продвинутые алгоритмы машинного обучения в своей работе.

➖ : Для начинающего аналитика этот порог входа самый высокий. Помимо знаний в Data Science необходимы умения в области программирования. Будьте готовы, что на довольно плотное обучение уйдёт минимум полгода. Ведь бизнес-пользователь должен освоить новую, достаточно сложную, специальность.

Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector