Коли ми купуємо молоко в супермаркеті чи обираємо фільм на вечір, ми створюємо дані. Компанії щосекунди фіксують терабайти наших цифрових або фізичних слідів. Деякі бізнеси торгують даними, деякі — судяться за доступ до них. Але дані самі по собі не мають цінності. Це аналітики — ті люди, які перетворюють масиви інформації на інсайти для маркетингу, продажів або розробки.
Елла Тьоса — рекрутерка з агенції talentC, яка наймає аналітиків даних для українських компаній. Для Laba Елла розповідає, який бекграунд та скіли потрібні, щоби почати перетворювати дані на рішення для бізнесу.
Текст буде корисним для джунів-аналітиків і тих, хто думає про світч в аналіз даних з іншої сфери, але не знає, чи варто й що для цього потрібно.
Не лише аналізує: що ще дата аналітик робить з даними
Основна частина роботи полягає в тому, щоб «копати» в даних, які надходять з різних джерел. Щоб знаходити закономірності й тренди, аналітики використовують різні інструменти. Але крім цього аналітик також:
- Очищує. Дані рідко надходять у чистому вигляді, тому аналітики мають слідкувати за тим, щоб інформація була коректною та придатною для аналізу. Це містить пошук помилок, пропущених значень або некоректних форматів.
- Візуалізує. Аналітики також мають перетворювати результати аналізу на візуальні звіти — графіки, діаграми або панелі керування (dashboard).
- Запитує. Адже вміння ставити правильні запитання та знаходити відповіді у певних зрізах даних допомагає розв’язувати реальні бізнес-завдання.
Залежно від галузі та компанії функції також можуть відрізнятися.
Наприклад:
- Маркетингові аналітики зазвичай фокусуються на тому, як витрачаються гроші на рекламу, оцінюють ефективність кампаній та вираховують рентабельність інвестицій в маркетинг. Це допомагає компаніям зрозуміти, що спрацьовує, а що — ні.
- Економічні та комерційні аналітики можуть займатися аналізом покупок, вивченням споживчих кошиків, географією покупок або навіть розглядом банківських транзакцій. Їхня робота дозволяє зрозуміти, як і де люди купують товари, а також виявляти тренди у споживчій поведінці.
- Продуктові аналітики занурюються в поведінку користувачів у додатках і на сайтах. Вони шукають у діях користувачів аномалії, які можуть бути пов’язані з сезонними подіями, несправностями посилань або сервісів. Це допомагає знайти проблеми й вдосконалити досвід користувачів.
DOU та Djinni надають чудову аналітику по зарплатах, яка досить точно відображає реальну ситуацію на ринку. У продуктових IT-компаніях зарплати продуктових, маркетингових, дата- й фінансових аналітиків зазвичай не дуже відрізняються. Основна різниця може полягати в тому, як різні команди визначають рівень спеціалістів. Деякі компанії готові наймати junior-фахівців без комерційного досвіду, якщо вони мають сильні теоретичні знання та практичні навички роботи з інструментами. Водночас інші можуть вважати джунами кандидатів з досвідом від одного року. Саме це і впливає на рівень зарплати.
Варто зазначити, що частка закритих вакансій аналітиків серед усіх значно зросла в період з 2022 до 2024 року. Якщо у 2022 вакансії аналітиків становили лише 6,7% від усіх закритих, то цього року, який ще не завершився, їхня частка зросла до 10,1%. Це свідчить про те, що роль спеціалістів стає критично важливою в сучасних компаніях, а попит на них підвищується.
5 базових інструментів дата-аналітика
Якщо порівняти різні вакансії дата-аналітиків, можна побачити, що вже на junior-рівні роботодавці вимагають володіння основним набором інструментів.
#1. Excel
Для обробки таблиць, створення зведених таблиць (pivot tables) та базових звітів. Наприклад, за допомогою Excel можна швидко провести аналіз продажів за місяць або проаналізувати тенденції в даних, використовуючи формули та функції.
#2. SQL
Мова для запитів до баз даних. Вона дозволяє ефективно отримувати й обробляти великі обсяги інформації. Наприклад, за допомогою SQL можна витягнути відомості про всіх клієнтів, які зробили покупку влітку 2024, або відфільтрувати дані за певними критеріями.
#3. Tableau / Power BI
Це інструменти для візуалізації даних, що допомагають створювати інтерактивні панелі керування (dashboards). Наприклад, можна візуалізувати дані про продажі в регіонах, порівнюючи їх між собою за допомогою графіків та мап.
#4. Python
Мова програмування для автоматизації процесів аналізу, обробки великих наборів даних і застосування статистичних або машинних алгоритмів. Наприклад, можна використовувати Python для прогнозування попиту на товар на основі історичних даних, створивши просту модель лінійної регресії.
#5. Базові знання статистики
Необхідні для того, щоби правильно аналізувати та інтерпретувати дані. Наприклад, знання стандартного відхилення чи коефіцієнта кореляції допоможуть зрозуміти, наскільки точно можна прогнозувати тенденції або чи існує взаємозв’язок між двома показниками.
Як перевіряють hard skills дата-аналітиків
Рекрутери часто вже під час першої скринінгової співбесіди ставлять такі запитання: «Як би ти оцінив свій рівень знань?» або «Чи був комерційний досвід використання того чи іншого інструменту? Для чого ти його використовував?».
Глибше оцінювання hard skills зазвичай проводять наймаючі менеджери. На етапі спілкування з ними можуть бути невеликі кейсові завдання (наприклад, написати SQL-запит прямо в чаті Zoom або Google Meet у режимі реального часу), глибше спілкування про зони використання інструментів або навіть задачі на логіку, теорію ймовірності, теоретичні запитання з базових знань статистики тощо.
Проте найбільш суттєвою перевірка хард-скілів є саме на етапі виконання тестового завдання. Зазвичай джуніор-аналітикам пропонують візуалізувати дані (або навіть запропонувати додаткові метрики, які могли б стати в пригоді для тієї чи іншої задачі), написати SQL-запити, інтерпретувати вже наявні дані та їхні візуалізації або навіть змоделювати А/B-тест.
Тож часто навіть на джуніор-вакансіях від кандидатів очікують достатньо високого рівня знань статистики, теорії ймовірності, навички SQL та будь-якого візуалізаційного інструменту. А от щодо Python або інших мов програмування — це опціонально, проте може бути перевагою на деяких вакансіях.
Який бекграунд полюбляють наймаючі менеджери
Вища технічна освіта — важливий фундамент. Особливо будуть релевантними спеціальності: прикладна математика, системний аналіз і комп’ютерні науки. Вони дають ґрунтовні знання з програмування, алгоритмів і статистики, що є ключовими для роботи з даними.
Але не тільки технічні спеціальності допомагають стати успішним аналітиком. Наприклад, соціологія, економічний аналіз, електронні прилади та системи, економічна і соціальна географія або навіть аналітична хімія — це приклади «нетрадиційних» спеціальностей, випускники яких можуть вміти працювати з даними.
Часто аналітики даних приходять у цю професію через інші ролі. Наприклад, багато компаній підтримують перехід Sales Manager до Sales Analyst, а потім до Data Analyst. Це дозволяє спеціалісту спочатку зрозуміти бізнес-процеси, а потім зануритися в аналітику продажів.
Така ж схема працює і в інших сферах. Наприклад, HR-фахівець може стати HR Analyst, аналізуючи продуктивність команд, а потім перейти до Data Analyst, розширюючи свої навички роботи з даними в загальному бізнес-контексті.
Ми також мали досвід наймання аналітиків навіть з тих посад, які спочатку не були пов’язані з аналізом даних, — наприклад, фармацевтів або маркетологів. Тут вирішальні фактори — це знання аналітичних інструментів, досвід фрилансу або портфоліо з реальними пет-проєктами, що показують практичні навички роботи з даними.
Джунам, які хочуть знайти роботу, але не мають комерційного досвіду в аналізі даних, я рекомендую звернутися до знайомих, у яких є невеликий бізнес, і спробувати проаналізувати дані для них. Головне — показати результати своєї роботи як пет-проєкт у портфоліо.
Крім того, багато компаній активно організовують хакатони, школи, інтенсиви та стажування, участь у яких зазвичай безплатна. Це чудова можливість для новачків отримати практичний досвід роботи з даними та попрацювати над бізнес-завданнями в умовах, наближених до реальних.
Після таких заходів компанії часто запрошують найкращих учасників приєднатися до своїх команд, де навчають їх відповідно до потреб свого відділу. Таким чином, це може стати чудовим стартом кар'єри для тих, хто прагне почати свій шлях в аналітиці, але ще не має попереднього комерційного досвіду. Тож дуже раджу підписатися на сторінки улюблених компаній в LinkedIn, Instagram або Telegram, щоб не пропускати такі можливості.
Куди можна зростати в аналітиці даних
Якщо ти дата-аналітик і хочеш розвиватися в аналітиці далі, є декілька напрямків: продуктова, маркетингова, комерційна тощо.
Але якщо ти більше про технічний бік, тоді варто звернути увагу на такі напрямки:
- Data Science / Machine Learning (DS/ML): це для тих, хто хоче працювати з прогнозами, моделями та алгоритмами. Тут ти будеш використовувати машинне навчання і статистику, щоб створювати моделі, які можуть навчатися на даних і робити точні прогнози. Це про те, як зробити так, щоб комп’ютери самостійно приймали рішення на основі даних, допомагаючи бізнесам автоматизувати процеси та покращувати результати.
- Data Engineering (DE): якщо тобі цікава інфраструктура й технічні процеси, може підійти цей напрям. Data Engineers будують і підтримують системи для збору й обробки даних, налаштовують ETL-процеси, забезпечують чистоту і готовність даних до аналізу.
Бажаєте отримувати дайджест статей?
