В чём разница между data scientist data analyst и data engineer

Навыки для всех трёх профессий

Теперь давайте ближе рассмотрим эти роли, чтобы увидеть, какие навыки им нужны для работы. Data scientists и data analysts имеют много общих навыков, но data scientists углубляются глубже. Они могут создавать базы данных и объединять информацию из различных источников.

Ребята, важно помнить, что в отличие от data analysts, data scientists нужны продвинутые навыки программирования, им нужно хорошо понимать языки программирования, такие как Python, C++ или Java, плюс некоторая экспертиза в SQL. Другие навыки data scientists включают машинное обучение и глубокое обучение, data mining, Apache Spark, Apache Hive, Apache Peak и Hadoop, визуализацию данных и бизнес-аналитику. Data analysts.

Вот суть, ребята. Аналитики данных приходят из самых разных сфер. Традиционно аналитик данных может иметь степень в математике или информатике, но в наши дни они могут приходить из любой области, которая имеет дело с цифрами, включая бизнес или естественные науки, поэтому становление аналитиком данных не строго привязано к определенному образованию, это скорее о ваших навыках работы с данными и их интерпретации, поэтому если вы планируете стать аналитиком данных, вам может захотеться изучить навыки, такие как хранение данных, базовое программирование, скриптование и статистика, базы данных и SQL, Excel и инструменты визуализации данных.

Ладно, люди, а теперь давайте поговорим о навыках, необходимых для становления инженером данных. Инженеры данных. Они похожи на архитекторов и хранителей мира данных. Их основная работа связана со системами баз данных. Исходя из этого, их набор навыков включает продвинутое программирование, хранение данных и ELT, глубокие знания систем баз данных, Hadoop, MapReduce, Hive, поток данных и архитектуру данных с созданием конвейеров. Я знаю, друзья, до сих пор мы видели много сходств между этими тремя профессиями. Но теперь давайте поговорим о том, что делает их уникальными.

Кто такой дата-аналитик?

Data analyst использует данные для выявления трендов, получения инсайтов и формулирования выводов. Они занимаются обработкой, анализом и визуализацией данных, используют статистические методы и инструменты для выявления зависимостей и делают прогнозы на основе данных. Аналитики данных выполняют задачи отчетности, разрабатывают дашборды и готовят аналитические отчеты, которые помогают бизнесу принимать решения.

Есть несколько отраслей, где используется аналитика данных, например, технологии, медицина, социальные науки, бизнес и не только. Разные бизнесы могут анализировать тенденции на рынке, требования своих клиентов и изучать свои показатели с помощью анализа данных. Это позволяет им принимать взвешенные решения на основе данных.

Двумя наиболее важными методами, используемыми в анализе данных, являются описательная и логическая статистика. Аналитик данных также хорошо разбирается в нескольких методах и инструментах визуализации. Для такого специалиста крайне необходимо иметь навыки презентации. 

Аналитика данных позволяет отраслям обрабатывать быстрые запросы для получения действенных результатов, которые необходимы в короткие сроки. 

Два популярных и распространенных инструмента, которые используют аналитики данных, — SQL и Microsoft Excel.

Обязанности

1. Бизнес-аналитик выполняет следующие обязанности:

• собирает и анализирует требования к проекту от клиента или заказчика;

• определяет цели и ограничения проекта, формулирует задачи для команды разработки;

• моделирует процессы, описывает функциональность системы, составляет спецификации и документацию;

• участвует в тестировании и контроле качества продукта или услуги;

• проводит обучение и консультирование пользователей по работе с системой;

• мониторит результаты внедрения проекта и предлагает улучшения.

2. В обязанности финансового аналитика входит:

• получение и аналитика финансовых сведений из различных источников (бухгалтерский учет, отчеты, статистика, новости);

• оценка финансового положения организаций, инвестиционных проектов или рыночных сегментов;

• составление финансовых прогнозов, бюджетов, планов и отчетов;

• подготовка рекомендаций для управления финансами, инвестициями или кредитованием;

• предоставление консультаций и поддержки клиентам или руководству по финансовым вопросам.

О разнице в целях

Специалисты по аналитике и отчетности в своей деятельности преследуют разные цели, что и объясняет разницу между понятиями.

Главные цели аналитики:

• поиск причин и факторов;
• прогнозирование результатов;
• разработка стратегии;
• формирование рекомендаций.

При этом отчетность преследует такие цели:

• информирование;
• предоставление данных;
• мониторинг;
• ведение документации.

Простыми словами, аналитика сконцентрирована на глубоком анализе для поиска стратегических решений, а отчетность ориентируется на сохранении прозрачности процессов и отслеживания результатов.

Отрасли

Бизнес-аналитик и финансовый аналитик могут работать в различных отраслях деятельности, в зависимости от своих интересов, степени специализации и возможностей. Некоторые из наиболее популярных и перспективных отраслей для аналитиков — это:

• IT и цифровые технологии. Это одна из самых динамичных и инновационных отраслей, где требуется анализировать и помогать оптимизировать бизнес-процессы, разрабатывать и внедрять новые продукты и услуги, а также удовлетворять потребности и ожидания пользователей. Бизнес-аналитики в этой отрасли взаимодействуют с разработчиками, дизайнерами, тестировщиками, менеджерами проектов и другими сотрудниками. Финансовые аналитики здесь взаимодействуют с инвесторами, стартапами, криптовалютами, финтехом и другими направлениями.

• Банки и финансовые учреждения. Здесь требуется анализировать и прогнозировать финансовое состояние, риски и доход, предоставлять рекомендации для управления финансами, инвестициями или кредитованием. Бизнес-аналитики в этой сфере взаимодействуют с клиентами, продуктами, регуляторами и другими заинтересованными сторонами. Финансовые аналитики взаимодействуют с ценными бумагами, портфелями, рынками и другими инструментами.

• Промышленность и производство. В этой области необходимо анализировать и помогать улучшать процессы, продукты, эффективность, безопасность и экологичность. Бизнес-аналитики взаимодействуют с инженерами, технологами, логистами, поставщиками и другими сотрудниками. Финансовые аналитики в этой отрасли взаимодействуют с бюджетами, затратами, прибылью, инвестиционными проектами и другими показателями.

Это далеко не полный список отраслей, где могут трудиться аналитики. Существуют и другие направления, такие как здравоохранение, туризм, спорт, культура и т.д. В любой отрасли аналитики могут помогать и вносить свой вклад. Главное — интерес к своей специализации, стремление к беспрерывному совершенствованию и развитию, а также готовность к вызовам.

Data analysts

Data analysts собирают, очищают и анализируют данные, чтобы помочь бизнесу принимать умные решения. Представьте их как рассказчиков, которые превращают данные в понятные отчеты и красивые визуализации. И если вы хотите стать data analyst, вам нужно всего лишь бакалаврский диплом и хорошее понимание статистики. Но на самом деле, ребята, сегодня формальное образование не является обязательным. Потому что важнее ваши навыки. Просто убедитесь, что у вас есть некоторые знания о работе с данными, моделировании и отчетности.

И вы в порядке. Понимание бизнес-аспектов было бы большим плюсом. Вот что обычно делают data analysts. Сбор данных из разных источников. Очистка и организация данных.

Анализ данных для выявления тенденций. Создание отчетов и визуализаций и деление своих результатов с другими. Наконец, давайте поговорим о data engineers.

Гибкость

Вы не понимаете, у нас тут Agile

Жизнь — штука непредсказуемая.

Проекты тому не исключение, соответственно ситуации могут возникать отнюдь не из приятных:

• Проект, итоговая работа по которому отправляется в стол

• Секвестр бюджета и последующее сокращение половины команды

• Увольнение тимлида/продакта в самый ответственный момент проекта

• Длительное ожидание новых задач, ибо разработчик — узкое горлышко команды

Настоящая сила системного аналитика — быть гибким и уметь подстраиваться и адаптироваться под появление таких «черных лебедей» на проектах. Да и в целом по жизни очень полезный навык.

А какие у вас были форс-мажорные ситуации на проектах?
Поделитесь в комментариях.Спасибо!

Статистика

Статистика – это наука, которая занимается сбором, анализом, интерпретацией и представлением данных. Статистики учитывают различные переменные и проводят статистические исследования для выявления связей и закономерностей между ними. Они используют различные методы и техники, такие как математические модели, вероятностные распределения и различные статистические тесты.

Статистики работают со структурированными данными и часто используют специальные программы и инструменты для обработки информации. Они часто занимаются вычислением средних значений, дисперсий, корреляций и других статистических показателей. Этот анализ помогает статистикам делать выводы и принимать решения на основе данных.

1.1 Основные задачи статистики:

• Сбор данных
• Описание данных
• Выводы на основе данных
• Прогнозирование на основе данных

Заработная плата каждого из специалистов

Ниже мы рассмотрим статистику средней заработной платы junior-специалистов по данным dou.ua:

Data scientist — $950.

Data Analyst — $785.

Data engineer — $815.

В чем отличие аналитика от сайентиста?

У аналитика данных есть самое простое определение: это человек, который работает с данными, обрабатывает их, интерпретирует и получает из них ценные для бизнеса инсайты. Получив необработанную информацию в построчном виде, он создает отчеты и дашборды, отвечает на вопросы бизнеса и дает свою оценку и рекомендации происходящему.

Аналитик часто общается с командой и бизнесом, чтобы лучше понять бизнес-процессы.

Data Scientist обрабатывает большие объемы информации, анализирует их и на этой основе разработать модель, которая «предскажет будущее». Созданные дата-сайентистом алгоритмы помогут оптимизировать логистику транспортной компании или предположить, кто из сотрудников скоро уволится, изучив его рабочий день.

Такие специалисты не только смотрят в будущее, но и занимаются наукой, передавая свои знания другим. Для работы им нужно знать математические основы и принципы работы машинного обучения, понимать основы бизнеса или той сферы, в которой разрабатывается проект.

Основное отличие аналитика и дата-сайентиста заключается в том, что первый работает с ретроспективными данными здесь и сейчас и помогает бизнесу принять правильное решение на их основе. Второй же смотрит в будущее и создает такие модели, которые могут упростить, модифицировать или же найти креативные решения в работе компании.

Время работы специалистов также отличается: если неделя работы над одним отчетом для аналитика — часто непозволительная роскошь, то сайентист может работать над проектом месяцами. Это связано с тем, что отчеты по продажам должны быть сделаны быстро, а аналитические модели нужно сначала обучить, чтобы они давали хороший результат и действительно помогали в работе.

В ЧЕМ РАЗНИЦА МЕЖДУ СТАТИСТИКОЙ И АНАЛИТИКОЙ?

Редактор: Михайло Мельник

Ви можете поставити запитання спеціалісту!

В чем разница между статистикой и аналитикой?

Статистика и аналитика – это две термины, которые часто используются в современном мире, особенно в сфере бизнеса и информационных технологий. Однако, многие люди путают эти понятия и не знают их истинного значения. В этой статье мы рассмотрим разницу между статистикой и аналитикой и объясним, какие навыки и знания необходимы для работы в этих областях.

Аналитика

Аналитика – это процесс изучения данных с целью получения информации и использования этой информации для принятия решений и определения стратегий. В отличие от статистики, аналитика шире и включает в себя анализ данных как структурированных, так и неструктурированных.

Є питання? Запитай в чаті зі штучним інтелектом!

Аналитики могут работать с различными видами данных, включая текстовые документы, изображения, видео и социальные медиа. Они используют различные методы анализа, такие как машинное обучение и искусственный интеллект, чтобы извлечь ценную информацию из больших объемов данных. Аналитика помогает в прогнозировании трендов, определении потребностей клиентов и определении эффективности бизнес-стратегий.

2.1 Основные задачи аналитики:

• Анализ данных
• Создание моделей
• Прогнозирование трендов
• Принятие решений на основе анализа данных

Коммуникация

P.S В начале хотелось назвать качество Коммуникабельность, но тут же вспомнились четыре всадника Апокалипсиса для рекрутеров в резюме:

Итак, что у нас по коммуникации. Да в целом это и есть тот самый soft skill, который довольно просто оценить, но сложно прокачать.

Аналитик с развитым скиллом коммуникации может ясно и четко объяснить свои идеи и донести свою аналитику разработчикам и другим участникам проекта.

Плохой пример: системный аналитик не может объяснить разработчику, почему он решил реализовать логику именно таким образом. В результате разработчик тратит время на погружение в бизнес-процесс, чтобы самому убедиться в корректности решения, либо чтобы предложить свое.

Хороший пример: системный аналитик задает вопросы пользователю с целью лучшего понимания требований и умеет объяснять сложные концепции простым языком как заказчикам, так и разработчикам. По итогу обсуждения к его решению вопросов нет, либо они минорные.

На собеседовании навык коммуникации проверяют через следующие вопросы:

• Расскажите о себе и своем опыте.

• Расскажите, что вы делали как аналитик.

• Какими достижениями в своей работе вы гордитесь?

• Расскажите о своей самой сложной/важной работе за последние полгода.

• С какими группами заинтересованных лиц вы общались?

Data scientists

Эта профессия занимается изучением сложных цифровых данных, расшифровкой их сложностей. Они используют статистику, машинное обучение и навыки программирования, чтобы понять, что данные пытаются нам сообщить. Это похоже на решение головоломок в данных, выявление тенденций и прогнозирование будущих событий.

Теперь вы можете спросить, что мне нужно, чтобы получить эту роль? Ну, подумайте о том, чтобы получить опыт и овладеть навыками, такими как продвинутая статистика, машинное обучение и обработка данных. Основные задачи для этой роли обычно включают очистку беспорядочных данных, работу с моделями машинного обучения, выявление тенденций в данных, делание прогнозов и докладывание о своих открытиях своему руководству. Хорошо, теперь давайте посмотрим на data analysts. Ребята, если вы планируете работать с данными и хотите начать с начального уровня, data analyst – это ваш выбор.

Софт-скилы аналитика

Коммуникативные навыки

Аналитикам нужно переводить задачи с языка бизнеса на технический язык или объяснять клиенту и стейкхолдерам сложные концепции простым языком. Важно уметь создавать понятные презентации, представлять результаты своих отчетов в доступном для всех уровней аудитории виде.

Аналитическое мышление

Это главный навык любого аналитика, вне зависимости от сферы. Такой специалист должен одновременно видеть общую картину и уделять внимание деталям. Развитое аналитическое мышление предполагает способность находить тенденции и паттерны, уметь делать прогнозы на основе имеющейся информации.

Адаптивность

Как и в любой работе, аналитики встречаются с ситуациями с высокой неопределенностью. Это могут быть и технические проблемы, и изменившиеся требования заказчика, и незнакомые задачи. Этот навык позволяет быстро находить решения в стрессовой ситуации и адаптироваться к меняющимся условиям.

Продуктовое мышление

Это подход, который позволяет исследовать продукт с точки зрения пользователя. Продуктовое мышление помогает принимать решения для улучшения их опыта использования.

Тайм-менеджмент

Аналитику любого уровня нужно уметь хорошо управлять множеством задач и проектов, соблюдая сроки. Для этого требуется способность приоритизировать задачи в зависимости от требований бизнеса и личных ресурсов.

Командная работа

Для аналитика взаимодействие с командой — неотъемлемая часть работы. Нужно много общаться с коллегами из других отделов — разработки, маркетинга, финансов. Для успешной командной работы важно уметь бережно давать и уверенно принимать обратную связь.

Умение учиться

IT-отрасль меняется и меняет мир вокруг. Появляются новые технологии и обновляются существующие инструменты. Аналитику нужно следить за трендами и осваивать новые навыки. Такая гибкость повышает качество работы и помогает оставаться востребованным на рынке труда.

Эмпатия

Способность понимать эмоции других людей и свои собственные помогает управлять уровнем стресса, разрешать конфликты, работать в команде и строить гармоничные профессиональные отношения с коллегами.

Как учиться и насколько перспективна профессия?

Мое обучение заняло примерно пять лет: в 2011 году я закончила магистратуру по маркетингу, а до этого училась на факультете статистики. Уже через несколько лет я знала большинство основных инструментов и могла претендовать на хорошие должности.

Первой работой стал крупный оператор сотовой связи, где я занималась анализом эффективности продуктового портфеля и расчетом LTV (life-time-value) и других ключевых метрик абонентов после ввода новых продуктов. Там я научилась многому: работодатель отправлял меня на сначала на базовые курсы SQL, а после — на продвинутые.

Для аналитиков сейчас растут требования: 10 лет назад нужно было знать SQL, 5 лет назад — SQL и Python, а сейчас добавились и BI-инструменты. Выучить это можно в университете, с помощью коллег или самостоятельно. Обойтись без базиса в виде высшего образования можно, но тогда лучше быть любознательным и готовым учиться и развиваться.

Профессия пригодится везде, и она очень перспективна. Человек, который взаимодействует с бизнесом и помогает принимать решения не на основе интуиции, а на основе цифр, очень важен. Автоматизация в этой сфере действительно может произойти, но многие предприятия далеки от этого. Кому-то не хватит денег, а у кого-то это просто невозможно. Поэтому люди всегда будут нужны.

Я математик по образованию: получив знания по прикладной математике, сразу же пошел в Data Science и работаю там уже 11 лет.

Чтобы вырасти в сфере, придется понимать математику, так как без нее не получится продвинуться дальше позиции стажера или джуниора. Но не стоит ее бояться, так как в профильных университетах или на курсах дают достаточно большой объем.

Сейчас есть все условия для дата-сайентистов: такие специалисты требуются как в России, так и за границей. Многие заинтересованы в этом направлении из-за выросшего объема данных, а систем, которые могут справиться с таким их количеством, еще не так много.

К тому же дата-сайентист не только прогнозирует, распределяет и обучает модели, но и уменьшает человеческие затраты и ресурсы. Компаниям это выгодно.

Data engineers

Data engineer настраивает и управляет системами для data scientists и analysts.

Они являются архитекторами за кулисами. Они убеждаются, что данные собираются, хранятся и анализируются без сбоев. Их работа включает создание и управление потоками данных, обеспечение безопасного и эффективного хранения данных. Так что, чтобы стать data engineer, у вас обычно есть два варианта. Получить степень магистра в области данных, получить опыт работы и вырасти из data analyst. Некоторые ключевые навыки, которые вам понадобятся, это хорошее техническое понимание, умение создавать и использовать API и понимание потоков данных и обеспечение их бесперебойной работы.

Задачи data engineering обычно включают управление потоками данных, обеспечение безопасного и организованного хранения данных, обеспечение качества данных и поддержание инфраструктуры данных. Так что, ребята, как вы видите, некоторые повседневные задачи, которые выполняют эти профессионалы, похожи. Конечно, есть определенное пересечение.

Нет сюрприза. Все эти роли связаны с работой с данными и деланием их полезными. Еще одна важная вещь, которую я хотел бы добавить, это то, что эти роли востребованы во многих отраслях. Например, сферы, такие как здравоохранение, технологии, электронная коммерция и финансы, нуждаются в компетентных data scientists, analysts и engineers. Ладно, теперь вы знаете, чем занимаются data scientists, data analysts и data engineers.

Обучение и требования

1. Для работы финансовым аналитиком необходимо высшее образование в области финансов, бухгалтерии, экономики или математики. Желательно иметь дополнительные сертификаты или курсы по финансовому анализу, например, от Chartered Financial Analyst (CFA) Institute или Association of Chartered Certified Accountants (ACCA).

2. Для работы бизнес-аналитиком необходимо получение диплома в области экономики, менеджмента, информатики или математики.

Если вы хотите стать бизнес-аналитиком или повысить степень своей квалификации, приглашаем вас пройти переподготовку на бизнес-аналитика, где вы получите теоретические знания и практические навыки по этой профессии. Это уникальная программа обучения, которая даст вам возможность получить квалификацию бизнес-аналитика за короткое время и с минимальными затратами. Вы изучите теорию и практику бизнес-аналитики от опытных преподавателей и наставников, получите доступ к современным методам и инструментам для аналитики данных, поддержку при трудоустройстве или продвижении по карьерному пути. Мы уделяем внимание каждому человеку, пришедшему к нам. По окончании программы вы получите документ, подтверждающий вашу квалификацию. Возможна оплата программы в рассрочку, без привлечения банков.

Сервисы для аналитики в маркетинге

Как правило, дата-аналитики используют такие сервисы в работе:

1. Excel или Google таблицы — базовые программы для работы с данными в формате таблиц;
2. Google Analytics 4 — сервис от Google, который объединяет аналитику сайтов и приложений;
3. Looker Studio помогает в создании удобных визуальных отчетов
   Semrush — один из самых популярных сервисов для аналитики и отслеживания данных сайта.
   Ahrefs подходит для SEO-продвижения, анализа трафика и контент-аналитики.
   Data.Ai — первая платформа для аналитики мобильных приложений на базе искусственного интеллекта.
   Similarweb обеспечивают глубокую аналитику конкурентов.
   HubSpot — CRM-система, которая объединяет в себе продажи, маркетинг и создание контента.

Также дата-аналитик работает и с другими сторонними сервисами для отчётности и мониторинга, а также с CRM компании.

Направления аналитики

В этой профессии универсальные специалисты — редкость. Задачи в разных индустриях сильно отличаются между собой: знание принципов сельскохозяйственного рынка вряд ли будет применимо в дизайнерском бюро.

Рассмотрим, какие бывают аналитики в современном бизнесе и чем одна специализация отличается от другой.

Аналитик данных

Аналитик данных — специалист, который делает бизнес, менеджмент, научные исследования и другие сферы более успешными.

Обычно аналитик данных необходим в компаниях, которые применяют data-driven-подход (то есть ориентируются на данные при принятии решений). Причем неважно, что именно делает компания, аналитик данных будет полезен в любой сфере.

• собирает информацию из разных источников и извлекает данные
• классифицирует данные, сортирует, очищает от лишнего
• приводит к единому виду и находит закономерности в массивах информации
• делает из закономерностей выводы о текущем положении дел в компании, ее перспективах, слабых местах, а также прогнозирует развитие
• визуализирует результаты анализа

Для решения этих задач аналитик может использовать языки программирования и запросов (Python и SQL) и пользоваться специальным ПО для визуализации (Tableau, Power BI).

Хард-скилы аналитика данных:

1. Понимание базовой теории вероятностей и математической статистики. Аналитик должен уметь проверять гипотезы, понимать ошибки, зависимость и независимость испытаний и так далее.
2. Математическая культура. Если аналитик использует метод или алгоритм, он должен знать область его применимости.
3. Продуктовое мышление. Уметь оцифровывать пользовательский опыт в метриках, а также видеть за метриками пользователей, пытающихся решить определенную задачу.
4. Бизнес-мышление. Уметь оцифровывать бизнес-процессы компании и изменения рынка, связывать это воедино с продуктом и пользователями.
5. Знание Python и умение писать SQL запросы для получения данных.
6. Знание Microsoft Excel или Google Sheets для работы с данными в таблицах.
7. Умение визуализировать данные в Power BI, Tableau или FineBI.

Бизнес-аналитик

Задачи бизнес-аналитика направлены на внедрение новых решений для улучшения процессов в компании и достижения целей. Этот специалист собирает и исследует данные, связанные с работой бизнеса. Среди таких данных структура бизнеса, финансовые показатели компании (доходы и расходы), количество и роли сотрудников. Бизнес-аналитик должен искать проблемы, формулировать и проверять варианты гипотез по их решению.

1. Понимание бизнес-процессов и знание методологий разработки Agile и Scrum.
2. Знание Microsoft Excel или Google Sheets для анализа данных.
3. Знание программ для визуализации данных. Кроме упомянутых Tableau и Power BI — DataLense и Qlik Sense.
4. Знание инструментов и программ для моделирования бизнес-процессов — Camunda и Bizagi.

Системный аналитик

Системные аналитики объединяют мир бизнеса и мир разработчиков. Они переводят требования бизнеса на язык, понятный программистам, которые будут разрабатывать нужные компании решения.

Работа системных аналитиков делится на этапы:

1. Определение потребностей бизнеса. Системный аналитик общается со стейкхолдерами, чтобы точно описать будущий функционал продукта.
2. Составление ТЗ. После сбора требований системный аналитик собирает информацию в четкое и подробное техническое задание для разработчиков.
3. Разработка и внедрение. Во время разработки, тестирования и после внедрения системный аналитик остается важным звеном между IT-отделом и бизнесом. Он помогает исправлять обнаруженные в приложении недочеты и внедрять обновления.

Помимо навыков коммуникации, командной работы и критического мышления, системный аналитик должен обладать техническими знаниями — от принципов разработки и архитектуры ПО до Agile и моделирования бизнес-процессов.

Продуктовый аналитик

Задача продуктового аналитика — исследование показателей конкретного продукта для их улучшения. Источником данных для продуктового аналитика является поведение пользователей: как они взаимодействуют с продуктом и сколько времени в нем проводят.

Хард-скилы продуктового аналитика:

1. Умение сегментировать аудиторию и проверять созданные гипотезы с помощью A/B-тестов.
2. Понимание тенденций рынка и бизнес-процессов.
3. Умение собирать и анализировать данные.
4. Знание SQL для запросов к базе данных, Microsoft Excel и Python для анализа данных и автоматизации сбора.
5. Умение визуализировать данные и создавать отчеты и дашборды в Power BI и Tableau.
6. Знание систем аналитики, Google Analytics и «Яндекс Метрики».
7. Понимание бизнес-метрик и юнит-экономики продукта. Умение работать с LTV и Retention.

Веб-аналитик

Узкое направление продуктового и дата-анализа, связанное с сайтами и веб-платформами. Специалист в этой области настраивает системы аналитики, выгружает данные и создает на их основе отчеты и презентации. Его цель — создание и проверка гипотез по улучшению эффективности рекламы и лендингов.

1. Умение работать с рекламными счетчиками и аналитикой, настраивать и собирать данные с популярных инструментов анализа трафика на сайтах «Яндекс Метрики» и Google Analytics.
2. Базовые знания интернет-маркетинга и интернет-рекламы для того, чтобы верно строить и проверять гипотезы.
3. Умение визуализировать данные, знание инструментов Power BI и Tableau для удобного представления результатов работы.

Финансовый аналитик

Финансовый аналитик отвечает за экономическую составляющую компании. Он оценивает финансовое состояние компании, анализирует прибыль и расходы, а также возможные риски и прибыль от инвестиций компании. На основе исторических данных, а также используя машинное обучение и статистические методы, финансовый аналитик прогнозирует возможные финансовые показатели для планирования бюджета разработки инвестиционных стратегий.

Хард-скилы финансового аналитика:

1. Знание экономики, принципов работы рынков и бизнеса, финансового управления.
2. Владение программными инструментами, чтобы анализировать данные и строить предсказания: Python, Microsoft Excel, 1C.
3. Умение визуализировать данные. Здесь тоже используются Tableau и Power BI.

Курс «Аналитик данных. Первые шаги»

Убедитесь, что начинать — нетрудно и нестрашно. За 20 минут освоите базовый навык для работы с данными и решите типичную задачу аналитика 4 разными способами.

Смотреть курс бесплатно 💸

Как стать аналитиком

Освоить профессию можно несколькими путями.

Университет

Обучение аналитике может проходить в рамках различных факультетов и специализаций, в зависимости от конкретной области аналитики и интересов студента.

На факультете информатики и вычислительной техники студенты изучают программирование, алгоритмы, базы данных, машинное обучение и искусственный интеллект, что является фундаментальной базой для аналитика данных. Факультет прикладной математики и статистики готовит специалистов в области статистического анализа, вероятностей, математического моделирования, что крайне важно для анализа данных и прогностического анализа. Экономический факультет или факультет управления дает знания в области бизнес-аналитики, экономической теории, финансов, маркетинга, управления проектами, что помогает анализировать бизнес-процессы и принимать обоснованные управленческие решения. На социологическом факультете изучают анализ социальных, психологических данных и тенденций поведения человека, а факультет международных отношений подходит для тех, кто заинтересован в аналитике в сфере глобальных тенденций, политики и экономики.

Из плюсов можно выделить структурированность программы, обратную связь от преподавателей и ассистентов, а также возможность обучения смежным направлениям в рамках получения высшего образования.

Изучение аналитики в университете имеет свои минусы: обучение может быть дорогостоящим, а технологии и инструменты в области аналитики данных развиваются очень быстро, и учебные программы не всегда успевают за этими изменениями. Некоторые университетские курсы сосредоточены на теории и уделяют слишком мало времени практической подготовке. Также получение высшего образования обычно занимает от трех до пяти лет, что может быть существенным недостатком для тех, кто хочет быстрее приступить к работе.

Онлайн-курс

В Bang Bang Education программа «Аналитик данных» составлена ведущими экспертами и соответствует требованиям вакансий. Обучение рассчитано на 8 месяцев, но уже через полгода вы получите достаточно знаний, чтобы приступить к поиску первой работы.

Курс состоит из 85 уроков, которые поделены на введение, 7 модулей и 3 бонусных занятия:

1. Вход в профессию: специализации в анализе данных, траектории развития, инструменты и программы, софт-скилы аналитика данных.
2. Работа с таблицами. По итогам модуля сделаете анализ продаж в интернет-магазине и статистики посещаемости сайта.
3. Основы статистики и теории вероятностей. Научитесь проверять гипотезы на основе данных.
4. Основы SQL и баз данных. По итогам модуля сделаете анализ данных о клиентах и заказах в базе данных, а также для системы управления задачами.
5. Основы программирования на Python. После прохождения модуля проведете исследовательский анализ данных о погодных условиях и пассажирах корабля.
6. Работа с Git: введение в систему контроля версий, основные команды Git, удаленные репозитории на GitHub, разметка Markdown для документации проекта, разрешение конфликтов при слиянии изменений, ветвление и слияние в Git.
7. Большие данные и машинное обучение: применение больших данных и машинного обучения, обработка и анализ больших датасетов, прогнозирование и классификация данных, применение машинного обучения в бизнесе, инструменты обработки больших данных, база данных NoSQL.
8. Визуализация данных в Tableau. По итогам модуля сделаете дашборд с данными о финансовых показателях компании и анализ данных о клиентах и продажах.
9. Анализ показателей и метрик: показатели и метрики для разных сфер, анализ воронок, когортный анализ, финансовые, маркетинговые и продуктовые метрики, метрики эффективности.
10. Дипломный проект: анализ на основе собственных или предложенных данных.

В результате обучения вы добавите в портфолио 20 практических заданий и до 10 проектов. После выпуска научим составлять сопроводительные письма и подготовим к собеседованию в нашем карьерном центре Ultimate Education.

Необходимые компетенции

1. Бизнес-аналитик должен владеть следующими компетенциями:

• аналитическое мышление и внимание к деталям;

• умение общаться с разными людьми и понимать их потребности;

• работать в команде и координировать действия;

• использовать различные методики и инструментарий для аналитики и моделирования процессов;

• знание основ бизнеса, экономики, менеджмента и маркетинга;

• знание основ технологий, программирования, баз данных и системного анализа.

2. Финансовый аналитик должен быть компетентен в следующем:

• аналитический склад ума, умение замечать детали;

• умение взаимодействовать с большими объемами информации и проводить качественную и количественную аналитику;

• использовать различные методики и инструментарий для прогнозирования финансов;

• знание необходимых основ финансов, бухгалтерии, учета, аудита и налогообложения;

• знание основ ценных бумаг, рыночных инструментов и рисков;

• знание основ экономики, макроэкономических показателей и тенденций.

Должен ли аналитик уметь программировать

В разных сферах аналитики предъявляют разные технические требования к кандидатам. В некоторых областях достаточно уверенной работы с таблицами. Они предлагают широкий функционал для обработки сырых данных и их визуализации.

Знание языка Python расширяет перечень задач, над которыми сможет работать аналитик. При работе с большими данными знание программирования просто необходимо. Не только для анализа и обработки, но и для оптимизации сбора информации. В веб-, бизнес-, продуктовой, системной и финансовой аналитике знание программирования не обязательно, но оно сильно выделит вас на фоне других кандидатов и сделает более востребованным специалистом. К счастью, изучить Python можно довольно легко за счет простого и логичного синтаксиса.

Другой полезный навык — умение работать с базами данных и обращаться к ним с помощью SQL. Это тоже простой для изучения язык, который позволяет общаться с хранилищем данных и быстро получать большие объемы собираемой информации о пользователях, заказах и т. д. Без SQL можно обойтись, но с его знанием шансы получить работу возрастают.

Техническая экспертиза

Перекосы случаются.. но это все менеджеры виноваты!

Именно то, что оценивают в процессе технического интервью.

Здесь довольно противоречивая история, так как интервьюеры на собеседованиях часто проверяют не техническую экспертизу кандидата, а устраивают «соковыжималку» его фундаментальных знаниях.
Это мое личное мнение и опыт проведения интервью, возможно многие тимлиды со моим подходом не согласятся. Но ни одна из команд, куда я аппрувил аналитика, тестировщика или разработчика, по завершению испытательного срока кандидата не выгоняла и была максимально довольна.

Мое видение: решение практических задач > вопросы на фундаментальные темы
Почему так? Ответ напишу на своем канале в ближайшее время.

Плохой пример: системный аналитик имеет недостаточное понимание технических аспектов проекта, что может привести к неправильной архитектуре или непроизводительной системе.

Например, на проекте системный аналитик никогда не работал и не понимает, как работает брокер сообщений, он не учитывает его ограничения, что приводит к неэффективному проектированию приложения.

Хороший пример: системный аналитик понимает принципы построения интеграций, архитектуры систем и других технических аспектов, чтобы эффективно проектировать решения.

На проекте при проработке бизнес-требований системный аналитик смог предложить оптимальную архитектуру будущей системы, учитывая существующее legacy-решение и технические ограничения.

Вопросы, проверяющие базовую техническую экспертизу:

• Нарисуйте диаграмму последовательности для процесса, когда пользователь через веб-форму отправляет запросы в rest-сервис для получения данных.

• Приходилось ли вам проектировать взаимодействие информационных систем? Какие способы интеграций вы знаете?

• Есть четыре системы, участвующие в исполнении заказа клиента на выдачу карты: форма заявки на выдачу карты, скоринг клиента, доставка карты, активация карты. Опишите, как вы их cинтегрируете между собой.

• Напишите пример rest-API для книжной библиотеки (напишите методы, эндпоинты и пример JSON).

Как стать бизнес или финансовым аналитиком?

Если вы решили стать бизнес-аналитиком или финансовым аналитиком, то вам необходимо подготовиться к этой карьере. Вот некоторые шаги, которые вам нужно сделать:

1. Получить высшее образование в области бизнеса, экономики, математики, статистики или другой смежной специальности для бизнес-аналитика или в области экономики, бухгалтерского учета, экономики или другой смежной специальности для финансового аналитика. Можно пройти курсы переподготовки или повышения квалификации, или изучать материалы самостоятельно.

2. Набраться опыта в делах. Начните с практики, стажировки или помогайте на волонтерских началах в компаниях или организациях, которые занимаются бизнесом. Можно прямо во время обучения поучаствовать в проектах или важных конкурсах по бизнес-аналитике или финансовому анализированию. Вы можете создавать свои собственные проекты на основе реальных или вымышленных кейсов.

3. Уделить время созданию портфолио и резюме. Вы должны продемонстрировать свои знания, навыки и достижения в области бизнес-аналитики или финансового анализирования. Включите в рубрики портфолио и резюме соответствующие примеры своих проектов, сертификаты, рекомендации, отзывы и другие доказательства вашей квалификации для работодателя.

4. Искать работу в области бизнес-аналитики или финансового анализирования. Можно использовать различные каналы, которые помогают найти работу: сайты по трудоустройству, социальные сети, рекрутинговые агентства и другие. Будьте готовы к прохождению важного отборочного процесса, который может включать тесты, интервью, кейс-стади и другие этапы. Вы должны быть уверены в своих знаниях и навыках, и уметь продемонстрировать свою мотивацию и заинтересованность.

В чём отличия между специалистами

Различия. Хорошо, давайте разберем различия между учеными по данным, аналитиками данных и инженерами данных. Ученые по данным похожи на решателей проблем в мире данных. Они погружаются в сложные вопросы и используют данные для прогнозирования. Аналитики данных – это детективы данных. Они собирают, очищают и анализируют данные, чтобы помочь бизнесу принимать более умные решения. Инженеры данных – это технические строители. Они создают и поддерживают системы, которыми пользуются ученые по данным и аналитики для работы с данными.

В дополнение к этому, есть некоторые дополнительные детали. Ученые по данным склонны к статистике и машинному обучению. Аналитики склонны к математике и бизнесу. А инженеры имеют крепкий фундамент в информатике и инженерии.

Итак, как вы можете видеть, друзья, у каждой роли есть свои суперспособности в мире данных. Как выбрать? Хорошо, эти работы имеют много общего. Они все имеют дело с данными и цифрами. Но вы можете спросить, какую из них выбрать? Ну, друзья, выбор правильной роли зависит от ваших навыков и интересов. Если вы любите использовать данные для решения проблем и прогнозирования, выбирайте ученого по данным. Если вам нравится копаться в данных, чтобы помочь бизнесу принимать умные решения, выбирайте аналитика данных. Для тех, кто любит идею создания и поддержания систем данных, выбор – инженер данных. Тем не менее, не забывайте, друзья, что независимо от выбора, сильные аналитические и проблемные навыки играют важную роль. И, конечно, не забывайте о своих навыках коммуникации.

Потому что умение объяснять и представлять свои результаты руководству критично. Сегодня существует множество ресурсов онлайн для изучения науки о данных, анализа или инженерии. И существует множество курсов и программ сертификации, которые могут предложить ценные знания. Я рассмотрел многие из них на своем канале, так что не стесняйтесь заглянуть. Кроме того, я сделал три отдельных видеоролика о путях в науку о данных, аналитику данных и инженерию данных.

Кто такой исследователь данных?

Data scientist — специалист, который занимается использованием данных для выявления новых знаний, разработки моделей прогнозирования и решения сложных проблем. Они используют методы машинного обучения, статистики и алгоритмы для анализа данных, разработки моделей и прогнозирования будущих событий.

Хотя наука о данных все еще очень молода, она уже успела занять почти все отрасли промышленности. Каждая компания ищет специалистов по данным, чтобы повысить свою производительность и оптимизировать производство. Компании извлекают данные для анализа и получения информации о различных тенденциях и практиках. Для этого они нанимают специализированных специалистов по данным, которые обладают знаниями в области статистических инструментов и навыками программирования. Более того, специалист по данным обладает знаниями алгоритмов машинного обучения.

Эти алгоритмы отвечают за предсказание будущих событий. Таким образом, науку о данных можно рассматривать как океан, который включает в себя все операции с данными, такие как извлечение данных, обработка данных, анализ данных и прогнозирование данных для получения необходимой информации.

Однако наука о данных не является единственной областью. Это количественная область, которая имеет общие корни с математикой, статистикой и компьютерным программированием. 

Главные отличия аналитики и отчётности

Среди различий аналитики и отчетности, можно выделить 4 главных:

1. Презентация vs интерпретация. Отчетность необходима для понятной и структурированной демонстрации данных, аналитика же — для их анализа и объяснения.
2. «Что происходит?» vs «Почему это происходит?». Отчетность предоставляет данные о том, что произошло в конкретный отрезок времени. Аналитика помогает выяснить причины тех или иных событий.
3. Организация vs рекомендации. Отчетность суммирует и систематизирует данные, на её основе создаются информативные отчеты. Аналитика же предоставляет конкретные рекомендации, основанные на существующих данных, и помогает найти решение.
4. Объективность vs субъективность. Задача отчётности — собрать воедино объективные данные в чёткой форме. Аналитика же по большому счету субъективна, так как подразумевает под собой интерпретацию данных.

Разница между аналитикой и анализом

Иногда аналитику путают не только с отчетностью, но и с анализом, ведь эти понятия достаточно схожи. Однако существуют весомые различия. Начнем с того, что анализ — это изучение конкретных исторических данных за определенный промежуток времени. Он необходим, чтобы принимать мгновенные решения, которые базируются на предыдущих данных. Анализ может быть как глубоким, учитывающим мельчайшие детали и метрики, так и поверхностным. Однако этот процесс всегда будет ограничен определенным промежутком времени и событиями, которые уже произошли.

В то же время, аналитика — это метод более глубокого изучения данных, который использует как модели анализа, так и прогнозирования. Если в процессе анализа мы изучаем то, что есть, то при помощи аналитики формируем гипотезы, создаем прогнозы, планируем будущие шаги.

По факту, анализ — это одна из составляющих аналитики.

Объясняем на примерах

Сейчас я работаю в сфере Fashion-Tech. В моем подчинении четыре человека: дата-инженер, джун и два мидла. И результат нашей работы может быть разным. В первую очередь мы рассчитываем оптимальный уровень цен, их величину внутри различных каналов продаж, даем рекомендации по оптимальному распределению товаров между каналами продаж и маркетплейсами. Также занимаемся настройкой отчетности BI (инструменты для обработки и визуализации), вопросами коммерческой эффективности товарных групп, ad hoc-запросами (единоразовые запросы). Иначе говоря, полным обеспечением информацией руководства и заинтересованных участников.

Например, я могу анализировать, почему товар на одном из маркетплейсов продается хуже. При этом изначальные данные будут говорить о том, что цены, как и условия, схожи с конкурентами. Однако после проведения анализа может выясниться, что они могут продвигаться за счет промо или другого профиля потребителя.

К тому же в работе есть большое количество специализированных одноразовых задач (ad hoc-запросы). Например, нужно создать отчет и сделать вывод по эффективности нового продукта. Тогда, как правило, ни один из существующих отчетов не подходит и его необходимо создавать с нуля.

В этой статье мы рассказали, чем занимается аналитик данных в сервисе Gett Delivery

Мой KPI в институте AIRI — публикация результатов исследований в журналах и выступление на конференциях. Мы выдвигаем гипотезы, проводим эксперименты, выводим новые методы и делимся этой информацией с другими.

Взаимодействие с бизнесом тоже есть — все проекты должны на что-то существовать, — но при том далеко не каждая модель или результат исследований может быть монетизирован. Например, проект Сбера ruDALL-E, который генерирует картинку по описанию: там монетизация почти что невозможна, но модель двигает сферу вперед.

Стоит понимать, что Data Science-специалисты в основном не работают в науке и не развивают используемые методы, а применяют готовые методы и модели для решения прикладных бизнес-задач.

Я занимаюсь исследованиями в области активного обучения. Мой проект — модель для распределения новостей по тематикам.

Основная идея заключается в обучении модели только на наиболее информативных примерах, что значительно снижает накладные расходы на разметку данных. Это особенно актуально в областях, где для разметки приходится привлекать высококвалифицированных экспертов, например при решении задач в области медицины.

Рассмотрим пример с обучением модели классификации текстов новостей по тематикам: социальная, спорт, политика, общество и другие. Для обучения ей нужны данные, причем размеченные. Этим сначала занимаются люди: вручную распределяют часть текстов по тематикам.

Чтобы добиться хорошего качества работы модели, можно обучать ее не на всех доступных текстах, а на наиболее информативных — это сильно сократит затраты на разметку данных.

Один из вопросов, которые я решаю в ходе исследования, — как найти необходимые примеры. Самый простой способ — рассмотреть вероятности, с которыми модель относит неразмеченный текст к тому или иному классу.

Если модель предсказывает, что вероятность политической новости 95%, то это уверенное предсказание. Соответственно, размечать ее не стоит. А если у новости одинаковая вероятность по всем классам, то модель не уверена в своем решении и такой текст передается разметчику.

Применять обученные модели можно не только на текстах. В сельском хозяйстве это поможет посчитать поголовье скота и выявить зараженные участки растений, в ритейле — помочь с логистикой и покупательскими предпочтениями. Даже музыкальные рекомендации пользователей связаны с моделями предсказаний.