Топ 20 Инструментов для Анализа Данных | OWOX BI

Топ 20 Инструментов для Анализа Данных | OWOX BI Аналитика
Содержание
  1. Как проходит онлайн-обучение дата-аналитике
  2. Проектирование решения
  3. 11 полезных инструментов для бизнес-анализа
  4. Как я выбирал направление
  5. Как я нашел работу
  6. Как освоить новую профессию онлайн
  7. Выявление контекста и ограничений
  8. Востребованность науки о данных
  9. Инструменты отчетности против инструментов бизнес-аналитики
  10. Что такое анализ данных?
  11. Как стать системным аналитиком
  12. Как анализировать данные?
  13. Что следует учесть, выбирая инструмент для работы с данными
  14. Курс 8 информационная бизнес-аналитика
  15. Аналитик данных
  16. Выявление потребностей и целеполагание
  17. OWOX BI
  18. Курс 1 data science professional certificate
  19. Почему я выбрал онлайн-обучение
  20. Резюме
  21. Курс 11 introduction to python for data science
  22. Плюсы и минусы профессии «системный аналитик»
  23. Курс 9 профессия data scientist: анализ данных
  24. График и формат работы системного аналитика
  25. Функции
  26. Курс 5 основы программирования на python
  27. Кто такой аналитик (специалист по данным)?
  28. Курс 10 профессия — аналитик данных
  29. Курс 2 основы статистики
  30. Как я стал системным-аналитиком
  31. Внедрение решения
  32. Вертикальный карьерный рост
  33. Проектирование требований
  34. Курс 6 основы sql

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.

Проектирование решения

Аналитик создает непротиворечивые, полные, проверяемые модели, отражающие какой-то срез или “проекцию” будущей системы для согласования с стейкхолдерами и для принятия управленческих решений (делаем так/изменяем/не делаем). Наиболее полная модель – это реализованная система, но часто достаточно меньших усилий для получения нужных ответов на вопросы.

Например, модель системы из предыдущего примера это электрическая фритюрница.

Моделей системы может быть несколько (и довольно много), но типовые это

  1. Функциональная модель, отвечающая на вопрос “как это работает, функционирует, обеспечивает функцию”.

  2. Конструктивная модель, отвечающая на вопрос “как это сконструировано, из каких частей состоит”.

  3. Географическая модель, отвечающая на вопрос “где это работает” или “где расположены части” делается совместно на основе предыдущих двух.

  4. Финансовая модель, отвечающая на вопрос “сколько стоит создание, поддержка, вывод из эксплуатации решения, в какие сроки и за счет чего отобьются вложенные инвестиции”, также часто собрать данные – это работа аналитика. Эта модель основная для принятия управленческих решений опирается на конструктивную и географическую модели.

Потребностей может быть много, решение, которое закрывает все потребности часто оказывается за рамками выявленных ограничений. К тому же часто нет уверенности, что закрытие потребностей приведет к ожидаемому бизнес-эффекту. Это толкает руководство к итерационной разработке с получением работающих решений на ранних этапах. Для проектирования таких решений нужно признать, что какие-то потребности останутся не закрыты или закрыты не полностью.

В итерационной разработке, в каждой следующей итерации должна быть создана система, которая приносит максимум пользы бизнесу, но при этом которая может быть создана в небольшие сроки (с учетом того, что некоторые пропасти не перешагнуть в два шага).

Аналитик решает задачу по проектированию такого решения, которое закрывает потребности по правилу Парето, 20% усилий должны принести 80% бизнес-результата, где усилия берутся из треугольника (цена-качество-сроки) в рамках выявленных ограничений, а результат – это оценка улучшения атрибутов качества бизнес-процесса.

В нашем примере альтернативная модель – инструмент это сковородка, которая разогревается с помощью кухонной плиты. Оно требует больше времени на готовку, зато обеспечивающая достаточное качество и оно значительно дешевле.

ИТ аналитику в поиске помогают

  • Знание того, как ИТ решают задачи по улучшению процессов,

  • Знание того, какие ключевые свойства потребностей влекут разные способы реализации,

  • Знание готовых ИТ решений, решающих задачу полностью или частично или умения быстро их находить и выбирать оптимальное,

  • Знание предметной области,

  • Знание процессного управления и процессов управления изменениями,

  • Понимание трудоемкости, стоимости и сложности решения широкого спектра ИТ задач,

  • Ну и разумеется, эксперты, партнеры по интеграции, смежники, вендоры ИТ решений и разработчики.

Исправление ошибок системы на стадии проектирования дешевле, чем после его реализации. И поскольку любой аналитик иногда да ошибается, то решение, которое он создал стоит проверять.

Наибольший эффект контроля качества достигается с помощью формализации условий задачи (потребности, цели, контекст, ограничения) и решения задачи (модели будущей системы). Без условий задачи, решение проверить невозможно.

“Дайте мне аспирин” 
“А это вылечит вашу боль?”
(неизвестно, если причина боли не диагностирована)

11 полезных инструментов для бизнес-анализа

Используют для базовых расчётов, работы с таблицами и диаграммами.

В первую очередь нужно научиться использовать функции ВПР, СУММЕСЛИ, СРЗНАЧ, СЧЁТ, а также сводные таблицы, фильтры и графики.

Также будут полезны:

Достойна упоминания надстройка VBA, котораяпомогает писать макросы для автоматизации действий в Excel. Однако сейчас редко кто ей пользуется. Из примеров использования: запуск последовательности расчётов для обновления модели, собирающей данные из нескольких файлов, и выгрузки данных с сайта с последующей обработкой в модели. В последнее время похожие задачи можно решить при помощи R, Python или программ, которые помогают парсить данные или настроить интеграцию без применения кода.

С другими функциями и возможностями Excel стоит разбираться по мере необходимости.

Вместо Excel можно использовать гугл-таблицы, Airtable, таблицы в Notion. Разница в интерфейсе, количестве функций, интеграции с онлайн-сервисами.

Примеры задач, которые помогает решить Excel:

Презентации — часть базового инструментария аналитика. Недостаточно просто разобраться в программе — нужно научиться делать качественные презентации.

В первую очередь следует обращать внимание на структурирование презентации, композицию информации на слайде, подбор цветов, картинок и иконок. В освоении помогут видео и курсы от студий разработки презентаций Esprezo, Метаформы, Presium.

Рекомендуем тренировать насмотренность, искать качественные примеры — особенно из консалтинга. Например, отчет McKinsey Global Energy Perspective 2021: Reference Caseили отчёт BCG «Исследование развития комфортной городской среды в Москве и ведущих городах мира».

Полезные надстройки и ресурсы:

Примеры задач, где понадобится презентация:

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.

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.

Выявление контекста и ограничений

Разумеется заказчик находится в какой-то ситуации и он ограничен принятыми ранее решениями (decision).

“Разгрузить грузовик” – это сложно? Неясно, так как неясен контекст.

Дополнительный анализ:  СИСТЕМА ТЕНДЕРЛЭНД

К примеру, “Разгрузи грузовик в минус 40, на дне озера” и “Разгрузи грузовик в плюс 25, на асфальте” выглядят как совершенно разные задачи.

Для проектирования модели нужно разобраться в контексте того, как полученное решение (solution) будет использоваться, в каком процессе и для чего. Какая ситуация у заказчика.

Выявление контекста – сфокусировано на области, где проявляют себя потребности. Нет смысла начинать решение задачи с “описания текущих процессов”, если не сформулировано цели (потребности, боли) изменений. Процессов и деталей этих процессов слишком много, их изучение само по себе без цели не имеет смысла и окончания.

Перед проектированием будущего изменения часто нужно выявить желаемые сроки внедрения. Возможны разные варианты:

  1. Сделать к “черной пятнице”,

  2. Сделать, потому что каждый день мы что то теряем,

  3. Сделать, иначе с какого-то момента мы будем каждый день что-то терять.

Таким образом выявляются ожидания/ограничения по срокам.

Не всегда все нужно делать монументально, часто бизнес не уверен в будущих выгодах. В этом случае стоит сделать более быстрое/менее качественное решение, чтобы проверить гипотезу. Также иногда лучше сделать менее качественно, но более быстро, даже если это “заплатка” или “костыль”. Нужно выявить ожидания/ограничения по качеству.

Часто заказчики выбирают решение с минимальной стоимостью внедрения/владения в рамках заданных сроков и качества. Иногда ограничена стоимость и нужно подобрать оптимальное сочетание сроков/качества.

В итоге, складывается понимание ограничений на проектный треугольник (стоимость/сроки/качество).

Кроме того, область решений (solution) ограничена еще:

  1. Ограничениями по ресурсам

  2. Требованиями удобства пользователей

  3. Решениями по существующему ИТ-ландшафту и уровню ИТ сервиса

  4. Выбором подрядчиков и правилами привлечения новых

  5. Правилами работы с подрядчиками

  6. Требованиями безопасности и распространения информации

  7. Требованиями регуляторов

  8. И т.д.

Не зная ограничения, нельзя спроектировать решение с их учетом.

В случае слишком жестких ограничений решения может и не найтись. Тогда ограничения заменяются функциями штрафа и аналитик ищет наименее болезненное решение.

Востребованность науки о данных

Если между стартапами, транснациональными корпорациями, политическими лидерами и другими организациями и есть что-то общее, то это использование данных для принятия стратегических решений.

Стартапы собирают все данные о рынке, которые им доступны, в том числе данные о поведении потребителей и информацию о конкурентах, и на основе них разрабатывают бизнес-планы.

Большие и малые компании, многонациональные корпорации и организации, работающие в разных отраслях, полагаются на статистические данные, такие как рыночные тенденции и результаты прошлых лет, при принятии решения о судьбе дочерних компаний, отделов и даже руководителей компаний.

Политические партии тратят миллионы долларов только на проведение опросов, которые позволят им определить, какого кандидата поддержать.

Как мы зарабатываем миллионы рублей в год на парсинге сайтов. Делимся опытом…

Организации во всех секторах получают ценную информацию из данных и используют их для принятия важных решений — у каких поставщиков покупать сырье, в каких странах нужно расширяться, в какие продукты или сервисы стоит инвестировать и т.п.

Данные всегда были важным товаром, но в последние годы в отрасли наблюдается огромный рост числа компаний, внедряющих большие данные.

Исследование, проведенное Dresner Advisory Services, показало, что число компаний, использующих большие данные, значительно увеличилось с 17% в 2021 году до 41% в 2021 году и 53% в 2021 году.

Этот график показывает процент компаний, использующих большие данные, с 2021 по 2021 год.

Число компаний, которые пока не используют большие данные, за тот же трехлетний период сократилось всего до 11%.

Эксперты сравнивают большие данные с сырой нефтью, о чем свидетельствует твит Ника Билодо, эксперта по финансовым технологиям.

Самый ценный ресурс теперь не нефть, а данные

Если данные — это новая нефть, то наука о данных (data science) — это машина, которая обрабатывает их, чтобы сделать полезными. Без нее данные остаются нечитаемыми, и из них невозможно получить информацию.

Инструменты отчетности против инструментов бизнес-аналитики

Люди часто используют термины «инструменты бизнес-аналитики» и «инструменты отчетности» (в данном случае reporting это не только создание графиков, но и извлечение данных, работа с ними, анализ и, в конце-концов, построение отчетов) взаимозаменяемо, поэтому различия между ними как-то размыты.

Большинство платформ бизнес-аналитики уже включают в себя инструменты отчетности, и это понятно, так как, согласно приведенному выше исследованию Dresner, отчетность — это номер в списке технологий и инициатив, которые имеют стратегическое значение для бизнес-аналитики.

Этот график из исследования рынка Dresner Big Data Analytics показывает 33 лучшие технологии и инициативы, которые имеют стратегическое значение для бизнес-аналитики. Отчетность находится вверху списка.

Вот в чем инструменты отчетности отличаются от инструментов бизнес-аналитики:

  • Перспектива: инструменты отчетности описывают состояние компании на основе того, что произошло в прошлом, а инструменты бизнес-аналитики объясняют, что произошло, и как можно улучшить положение дел.
  • Область применения: инструменты отчетности используются для работы с определенными наборами данных, например, формирования ежедневных отчетов о количестве заказов или количестве доставленных продуктов. Однако инструменты бизнес-аналитики объединяют несколько наборов данных и показывают взаимосвязь между этими данными.

Например, с помощью инструментов BI вы, просмотрев данные из отдела кадров, узнаете, почему сократилось количество доставок. Затем вы узнаете, как повысить производительность вашего отдела доставки, чтобы количество доставок в день соответствовало количеству полученных заказов.

  • Формат: Отделы придерживаются фиксированного формата отчетности, чтобы облегчить работу работников. Например, команда доставки сразу узнаёт, какие поставки следует выполнить, потому что она уже знакома с форматом.

Когда дело доходит до инструментов бизнес-аналитики, формат является динамическим, что позволяет компаниям быстро работать с разными источниками данных и видеть причинно-следственные связи между ними.

Что такое анализ данных?

В маркетинге анализ данных — это процесс организации, объяснения и интерпретации данных, чтобы ответить на вопросы о маркетинговой стратегии, умножить ее преимущества и укрепить ее слабые места. Например, с помощью анализа, вы сможете найти ответы на следующие вопросы:

  • Сколько уникальных посетителей у вашего сайта в среднем в день, неделю и месяц? Сколько из них новых? На какие страницы они приходят?
  • Какой из ваших рекламных каналов самый эффективный?
  • На каких каналах вам следует сосредоточиться, чтобы увеличить доход?

Маркетологам необходим анализ данных. С его помощью они могут избежать догадок и увидеть, какие области их маркетинговой стратегии требуют особого внимания. Анализ данных можно использовать для выявления тенденций, закономерностей и ценной информации, чтобы упростить рабочий процесс, корректировать рекламные кампании и повышать доход.

Правильно анализируя данные, вы сможете достичь следующих маркетинговых целей:

  • Уменьшить расходы на рекламу. Найдите неэффективные кампании, ключевые слова, регионы, посадочные или товары, которые плохо конвертируют, прекратите вкладывать в них средства и сосредоточьтесь на каналах, которые приносят больше дохода.
  • Увеличить доход от посетителей. Прогнозируйте LTV (жизненную ценность клиента) и вероятность конверсии; предлагайте пользователям товары, которые действительно им нужны за счет повышения уровня персонализации.
  • Вовремя принимать решения на основе данных. Получая качественные данные, вы будете иметь прочную основу для своевременного принятия решений, быстрого тестирования гипотез и будете уверены в своих следующих шагах.

Инструменты для работы с данными в маркетинге отличаются по уровню детализации и методам интерпретации. Как правило, они сосредоточены на сборе, анализе или визуализации информации. Тем не менее, количество вариантов на рынке довольно велико, и найти идеальный инструмент не так просто. Давайте разберемся, как происходит процесс анализа и что следует учитывать при выборе инструмента.

Как стать системным аналитиком

Не имея базового представления о методах статистического анализа или принципах разработки ПO, не понимая основных бизнес-процессов и не разбираясь в способах их автоматизации, стать профессиональным системным аналитиком будет сложно.

Освоить специальность можно тремя способами: 

  1. На практике. Попасть в компанию, где готовы делиться знаниями, обучать этой профессии и растить своих специалистов, но приоритетное право занять вакансию получают те, у кого есть техническое или экономическое образование.
  2. Получить высшее образование. В вузах есть специальности «Системный анализ и управление». Дипломированным специалистам проще устроиться на официальную работу и начать карьерный рост, но на обучение придётся потратить не менее четырёх лет.
  3. Онлайн-обучение. Пройти курс по системному анализу на одной из образовательных платформ. Многие программы рассчитаны на людей без специальных знаний и предлагают обучение с нуля. Средний срок обучения — 6 месяцев. Обычно такие курсы делают упор на практику — это позволяет быстро сформировать портфолио и влиться в рабочий процесс после обучения. По окончанию курса выдаётся сертификат.

Выбрать подходящую программу поможет подборка лучших онлайн-курсов по системному анализу

Как анализировать данные?

Основная цель анализа данных — найти в них смысл, который вы сможете использовать для улучшения маркетинговой стратегии.

Анализ данных состоит из следующих этапов:

  1. Определение цели. Определите свои ожидания и вопросы, на которые вы хотите ответить с помощью анализа. Решите, какие данные вам необходимо собрать (о рекламных кампаниях, посетителях, заказах, открытых электронных письмах и т. д.).
  2. Сбор данных. Соберите и объедините данные из разных источников, затем очистите, упорядочите и систематизируйте их.
  3. Обеспечение качества. Убедитесь, что в ваших данных нет ошибок или пропусков. В противном случае дальнейшая интерпретация не будет достоверной.
  4. Анализ и интерпретация результатов. Создайте дашборды, отчеты или диаграммы и сопоставьте их с вашими начальными вопросами и ожиданиями.
  5. Действия на основе данных. Используйте найденные инсайты в качестве основания для дальнейших действий: перераспределите бюджет, скорректируйте ставки, создайте новые сегменты аудитории или отключите неэффективные кампании, чтобы повысить эффективность вашей маркетинговой стратегии.
  6. Повтор цикла. Анализируйте, как результаты меняются с течением времени.

Ручной сбор, очистка и систематизация данных занимают много времени, к тому же предполагают высокую вероятность человеческой ошибки. Низкое качество данных может привести к потере до 21% вашего маркетингового бюджета. Вы можете часами искать ошибки в куче таблиц без гарантии качества результатов. Чтобы сэкономить время и убедиться в точности полученной информации, автоматизируйте анализ с помощью специализированных инструментов.

Перед выбором инструмента сузьте список возможных вариантов, определив:

  • типы данных, которые вы хотите анализировать
  • цель, которую вы хотите достичь с помощью анализа
  • уровень детализации, которого вы хотите достичь в своем анализе

Теперь давайте взглянем на двадцать самых популярных инструментов анализа данных.

Что следует учесть, выбирая инструмент для работы с данными

Инструменты отчетности помогают повысить производительность и могут внести огромный вклад в общую эффективность бизнеса вашей компании.

Однако важно понять, какой инструмент отчетности нужен именно вам, поскольку не все инструменты созданы равными. От выбранной вами платформы может зависеть работа ключевых отделов, поэтому важно тщательно подойти к ее выбору.

Факторы, которые вы должны учитывать при выборе:

  • Количество пользователей. Первое, что нужно оценить, — это количество людей, которые будут использовать инструмент не только на начальном этапе, но и в будущем. Вы планируете расширяться? Тогда количество пользователей тоже может увеличиться. Убедитесь, что выбранный вами инструмент отчетности поддержит этот рост.
  • Объем обрабатываемых данных: у вас должно быть представление о размере данных, которые, как ожидается, будет обрабатывать инструмент отчетности. Инструмент отчетности должен быть масштабируемым, чтобы он мог справляться с растущим объемом данных, особенно это важно для SaaS и интернет-компаний.
  • Ваш бюджет: сумма денег, которую вы можете инвестировать, также очень важна. Узнайте и сравните цены на различные инструменты и посмотрите, соответствуют ли они вашему бюджету.
  • Простота использования: кривая обучения при использовании инструмента должна быть крутой, чтобы эффективно повышать производительность. Выберите инструмент с интуитивно понятным пользовательским интерфейсом, чтобы пользователи могли легко понять, как его использовать.
  • Послепродажная поддержка: могут возникнуть проблемы, требующие обращения в службу поддержки разработчика, поэтому убедитесь, что он предоставляет достойную послепродажную поддержку. Это может включать в себя такие ресурсы, как видео и учебные пособия.
  • Репутация поставщика: наконец, вам также необходимо изучить репутацию и стабильность поставщика. Компания работает в отрасли достаточно долго? Если она новичок, ее долгосрочные планы выглядят хорошими? Кто стоит за компанией? Вы должны знать эти вещи, так как вы будете доверять данные своей компании этому инструменту.
Дополнительный анализ:  Политические новости России -

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

Аналитик данных

Если кратко:

— Группа из 100 человек, которая двигается в ежедневном режиме. Все дают обратную связь всем. Вы получаете огромную насмотренность.

— Ежедневные задания с примерами. Задания, примеры и действия — основа. Теория — справочным материалам.

Наша методика основывается на трех простых принципах:

Act Daily. Ежедневно предпринимать действия. Неважно — результат будет положительный или отрицательный. Из результата каждого действия можно сделать вывод. Действия, а не уроки — это основа всему. Учиться надо тому, что делаешь, а не откладывать действия до того, как научишься. Ежедневность — единственный способ приучиться действовать.

As Student and Teacher. Вы ничему не научитесь, если мы будем только вас учить. Самый лучший способ научиться чему-то — учить этому других. Только так вы сможете учиться на чужих ошибках и глубже разбираться в том, что вы не можете по-человечески объяснить другим. Попеременно выступать в роли ученика и учителя — способ научиться в разы быстрее и глубже, чем быть только учеником.

Retractions Accepted. Нельзя сразу научиться всему. Обучение — это последовательный процесс. На каждом новом шаге обучения вы можете осознать, что раньше вы что-то не понимали. Это отличный повод вернуться назад и переделать это по-новому. Сделать и переделать — значит, глубоко понять. Вот так мы учимся на своих ошибках.

Если сложить заглавные буквы первых предложений из предыдущих пунктов, то мы получим слово ADASTRA. Получился кусок из латинского изречения «Per aspera ad astra» — «Через тернии к звездам». Совпадение? Не думаем.

Выявление потребностей и целеполагание

Пациент приходит к доктору и требует “Выпишите мне аспирин, срочно!!!”.

Требование = “Выписать аспирин”. Что делает доктор в данном случае? Плохой доктор даст аспирин. Хороший доктор будет выявлять причины проблемы и лечить их.

Требование (requirement) – это некоторый образ или свойство результата, который кто-то у кого-то требует. “Выпишите аспирин”, “Программа должна делать это” – это требование. Термин не самый удачный в русском языке, он плохо стыкуется с бытовым толкованием, что запутывает заказчика и аналитика.

Требование лежит в области решения (solution). “Поесть в ресторане”, “Приготовь еду” – это требования.

Что делает хороший аналитик ? Выявляет потребности и анализирует их, определяя влияние на бизнес (почему, в чем причина, как часто, какой ущерб для бизнеса, в каком проценте случаев, в какой географии, для каких клиентов, ..). Понимание потребности дает понимание что делать, какое решение нужно, какое требование к решению важно.

Поэтому аналитик выявляет потребности и проектирует решение (требования к решению).

В разное время разные бизнесы стремятся к оптимизации разных атрибутов качества своих систем и процессов.

  1. Обеспечить функциональность

  2. Качественную работу

  3. Скорость/Производительность

  4. Безопасность

  5. Низкие издержки

  6. И т.п.

Разрыв ожиданий и реальности атрибутов качества создает проблему, которую нужно решить, и для этого нужны какие-то изменения. Устранение разрыва будет целью (goal) будущего изменения.

Внедрение или улучшение ИТ системы нужно для улучшения атрибутов качества бизнес-процесса, иначе оно не приносит пользы и поэтому бессмысленно.

OWOX BI

OWOX BI — это универсальная платформа для маркетинговой аналитики, которая автоматически собирает данные из нескольких онлайн и офлайн источников в одном месте, например, Google Analytics или Google BigQuery, где маркетологи и аналитики могут продолжить работу с данными.

OWOX BI объединяет, очищает и систематизирует данные, собранные из рекламных сервисов, веб-сайтов, Google Analytics, CRM, офлайн-магазинов и других источников. Затем вы можете использовать сервис для построения отчетов из шаблонов или создания собственных отчетов, чтобы увидеть, что лучше всего работает в вашем маркетинге. Одним из больших преимуществ OWOX BI является то, что вам не нужно понимать принцип работы программного обеспечения или знать SQL — вы можете создать любой отчет в простом конструкторе.

Ключевые характеристики:

  • Собирает данные в структуре Google Analytics, а также контролирует их качество
  • Можно интегрировать с другими маркетинговыми инструментами, такими как Google Analytics и Google BigQuery, и импортировать расчеты в сервисы визуализации или инструменты бизнес-аналитики, например, Google Sheets, Looker, Tableau, Power BI и Data Studio
  • Никаких ограничений на собираемые данные, они обрабатываются в режиме реального времени и не сэмплируются
  • Предлагает собственную data-driven модель атрибуции, которая с помощью машинного обучения оценивает, как ваши маркетинговые каналы влияют друг на друга и на конверсии.

Вы можете использовать OWOX BI бесплатно. Платные планы начинаются от 42 долларов в месяц, и вы можете запросить план, соответствующий вашим конкретным потребностям.

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.

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.

Резюме

Работа аналитика это превращение проблем в задачи, при котором характерны этапы:

  1. Выявление потребностей и целеполагание,

  2. Выявление контекста и ограничений,

  3. Проектирование требований,

  4. Проектирование решения,

  5. Внедрение решения.

Опыт проектирования и внедрения решения необходим для грамотного выявления потребностей, контекста и ограничений. Без опыта неясно что из потребностей в каких ограничениях возможно закрыть автоматизацией. Без опыта выявления потребностей и ограничений можно спроектировать неверное решение.

И тем не менее, самая ценная часть – это проектирование требований и моделей решения (еще говорят, инженерия требований и моделей решения). Первые три пункта может сделать грамотный заказчик. Последнее – ключевой пользователь. И поэтому лучшее название этой роли – аналитик-проектировщик (более строго аналитик-инженер, но термин инженер, увы, сильно искажен).

Основная ценность работы аналитика-проектировщика для бизнеса состоит в поиске и создании непротиворечивых проверяемых моделей решения, закрывающего потребности по правилу Парето 80 на 20, имея как фокус проявленную выгоду от внедрения с учетом выявленных ограничений.

Для этого аналитик-проектировщик выявляет потребности, цели изменения, проектирует и согласовывает требования, отсекая часть требований на последующую автоматизацию и создавая модели решения, отвечающие этим требованиям.

P.S. Спасибо участникам КиФБ за отзывы и корректировки к статье, а так же отдельное спасибо Денису Бескову и Анатолию Левенчуку за то, что помогли взглянуть на проблему системно

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

Плюсы и минусы профессии «системный аналитик»

Ниже расскажем о сильных и слабых сторонах работы. Если вы только начинаете свой профессиональный путь, они помогут соотнести ожидания с реальностью. 

Плюсы:

  • востребованная профессия — всё чаще компании в разных сферах и направлениях, нанимают системных аналитиков, чтобы выстроить эффективные бизнес-процессы;
  • высокая заработная плата — потолка в заработной плате у системных аналитиков практически не существует. Всё зависит от опыта работы, накопленных знаний и приложенных усилий;
  • интересные задачи — изначально может показаться, что профессия системного аналитика далеко не творческая: работа с цифрами, графиками, технической документацией, сбор и анализ данных. Но именно такие специалисты помогают повысить эффективность бизнеса и способны найти новые креативные решения для этого;
  • перспективы роста — от стажёра до профессионала, который руководит целым отделом системной аналитики. В этой профессии возможен не только вертикальный карьерный рост, но и переход в смежные области: бизнес-аналитика, системная архитектура, разработка и программирование.  
Дополнительный анализ:  Курсы рекламы в интернете: SEO-продвижение, контекстная реклама, маркетинг в SMM, веб-аналитика в Минске | Курсы "Лидер" - запишись на курсы №1 в Беларуси

Минусы:

Курс 9
профессия data scientist: анализ данных

Платформа и организатор: «Скиллбокс».

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

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

График и формат работы системного аналитика

Поскольку от системного аналитика зависит работа всей команды и специалисту такого профиля приходится зачастую согласовывать большое количество вопросов с разными людьми, то полный рабочий день с обязательным присутствием в офисе — наиболее распространённое требование работодателей. Чаще всего работать в офисе предлагают по стандартной системе — 5/2 по 8-9 часов в день. 

Возможности удалённой работы.Всё чаще появляются и удалённые вакансии, когда системный аналитик выполняет всю работу дистанционно. Плюсов у такого формата для работника много, но есть и недостатки для компании: зачастую многие вопросы, которые быстро решаются с глазу на глаз, дистанционно приходится долго согласовывать.

Статистика по форматам работы для системного аналитика

Для тех, кто только начинает карьерный путь системного аналитика и пока не выбрал удобный формат и график работы, существует формат стажировок в крупных компаниях. Это эффективный способ влиться в профессию, узнать много нового и начать свой карьерный путь.

Функции

Вот особенности SAS Business Intelligence:

  • Настраиваемая панель отчетности
  • Drag-and-drop функциональность
  • Отчеты: финансовые, маркетинговые и продажи
  • Экспорт данных
  • Автоматизация и планирование отчетов
  • Соединение источников данных
  • Углубленная аналитика
  • Прогнозирование

Если мы захотим определить одну сильную сторону SAS, то это будет его всесторонность. Клиентам не нужно использовать другие инструменты для своей бизнес-аналитики, визуализации данных или статистического анализа.

Программное обеспечение SAS используется на многих рынках, включая:

  • Банковское дело
  • Управление капиталами
  • Казино
  • Связь
  • Потребительские товары
  • Оборона и безопасность
  • Правительственные службы
  • Здравоохранение и страхование
  • Высшее образование
  • Отели
  • Естественные науки
  • Производство
  • СМИ
  • Средний бизнес
  • Нефтяная и газовая промышленность
  • Школьное образование
  • Розничная торговля
  • Спорт
  • Путешествия и транспорт
  • Коммунальные услуги

SAS является одним из основных игроков в сфере бизнес-аналитики, наряду с SAP, IBM, Salesforce и другими лидерами рынка. Взгляните на “Магический квадрант” Gartner для платформ бизнес-аналитики, который представил Рональд фон Лун:

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.

Кто такой аналитик (специалист по данным)?

Наука о данных — это машина, которая обрабатывает большие данные, тогда как специалисты по данным (дата сайентисты) — это люди, управляющие этими машинами. Они решают проблемы с помощью своих аналитических и технических навыков.

Неотъемлемая черта любых дата сайентистов — любопытство. Они должны интересоваться тем, что компании нужно для успеха, исследовать инструменты и заставлять их работать в своих целях, понимать, чего они не знают.

Как метко сказала Кэти О’Нил, американский математик и автор книги «Оружие математического поражения» (Weapons of Math Destruction): «Иногда задача ученого по данным состоит в том, чтобы знать, что вы ничего не знаете».

Конкретные обязанности ученого по данным включают в себя:

  • Сбор большого количества неструктурированные данные и превращение их в структурированные, читаемые данные
  • Использование разных языков программирования, таких как Python, SQL и R
  • Исследование последних аналитических методологий, таких как глубокое и машинное обучение
  • Анализ данные с выявлением закономерностей и тенденций, которые могут помочь компании в достижении своих целей
  • Решение сложных проблем с помощью данных и статистики

Специалист по данным также должен обладать навыками настройки и работы с различными инструментами, включая инструменты отчетности.

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 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.

Как я стал системным-аналитиком

«Я учился на программиста и после окончания универа устроился по специальности в небольшую компанию. Дела фирмы пошли вверх и появились не только программистские, но и бизнесовые задачи, которые нужно было решать программными инструментами. Я понял, что знаний мне не хватает и пошёл учиться на системного аналитика

Постепенно вместо исполнителя я стал своеобразным переводчиком задач между бизнесом и разработкой. Я собираю все требования, объединяю, систематизирую и описываю задачи команде.  Я формирую задачи на создание системы, программного обеспечения и приложений — делаю то самое «техническое задание» или ТЗ, которое будет отвечать задачам бизнеса и которое поймут разработчики. Так я стал приносить больше пользы компании, у меня поменялась должность и в разы выросла зарплата»

Андрей, системный аналитик

Внедрение решения

При проектировании на первых итерациях получается не полнофункциональная ИТ-система. При создании ИТ системы с нуля, как правило, закрывается главная дорога, а исключения и боковые ветви остаются за рамками создаваемого ИТ решения. При внедрении готового решения за рамками остаются процессы, которые туда не ложатся.

Зачастую аналитик создает эти временные подпорки и формирует требования на изменения регламентов так, чтобы внедрение не привело к серьезным сбоям процесса.

Также зачастую аналитик готовит данные либо формирует требования по их преобразованиям.

Если можно внедрить систему в географически выделенных подразделениях, то аналитик прорабатывает то, каким образом будут взаимодействовать старая и новая система совместно, обеспечивая один процесс.

Когда все готово, аналитик проводит обучения ключевых пользователей и сопровождает внедрение.

Активное участие аналитика во внедрении необходимо, чтобы аналитик получил обьективную обратную связь по спроектированному решению, нашел ошибки в методиках проектирования и развивался.

Вертикальный карьерный рост

Начинающий специалист может пройти все традиционные этапы интернет-профессий: начинающий — джуниор, специалист с опытом — мидл и опытный специалист — синьор. Эти статусы определяются не возрастными границами, а зависят от опыта работы, объёма знаний и количества выполненных проектов. 

  • Джуниор — это стажёры и младшие системные аналитики, которые только начинают свой путь в профессии. Требования, предъявляемые к ним работодателям довольно просты. В основном — это высшее, но не обязательно профильное образование, системное мышление, владение MS Office. Преимуществом будет знание различных языков программирования и моделирования: SQL, BPMN, UML, JSON или XML.
  • Мидл  — это опытные специалисты, которые могут быстро внедриться в проект и начать решать задачи компании в первые же недели работы. От таких специалистов требуется: опыт работы в этой должности не менее двух-трёх лет, умение работать с отчётностью, аналитическими документами и технической документацией.

Пример вакансий джуниор и мидл специалиста

Проектирование требований

Выявленные потребности в выявленном контексте дают возможность начать проектировать будущее решение.

При проектировании удобно в первую очередь создать набор атомарных требований, описывающий какой-то аспект будущего решения и уже после этого приступать к моделированию.

Например, я решил пожарить картошку, чтобы поесть. Для этого мне нужно как-то ее очистить и помыть, как-то нарезать и в чем-то ее пожарить. Мне нужен инструмент для жарки картошки – это потребность.

Создаем требования на инструменты. Я требую инструмент с нагреваемой емкостью. Имея инструмент (а также масло и соль) я могу пожарить картошку.

Какая емкость? Какого объема? Неясно, требований не достаточно.

Дополняем потребность из контекста – мне нужно готовить в среднем на два человека. Требование – емкость объемом один литр (такие требования иногда называют нефункциональными).

Каким образом будет подаваться энергия в инструмент? Ограничением будет использование только существующих источников энергии. У нас дома электричество, есть кухонная плита, но газа нет. С учетом этого появляется требование – использование электричества или кухонной плиты, как источника энергии.

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
Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector