Как стать аналитиком с нуля: кого ищет работодатель

В этой статье

Кто такие аналитики и что они должны уметь

Все аналитики работают с данными, но у каждого есть специализация. Data Engineer, ML Engineer, ML Researcher, Data Implementator, Data Visualisator, Product Analyst, Marketing Analyst, Customer Experience Analyst, Chief Data Officer — направлений в аналитике очень много.

Конечно, универсальные аналитики тоже встречаются — это data-аналитики. Data-аналитик умеет всё. И если компания молодая или только начинает заниматься аналитикой, она будет нанимать именно data-аналитиков — ребят, которые знают, что такое данные, как с ними работать, как загружать откуда угодно, как их трансформировать.

Например, три года назад в Skyeng не было градации, все были data-аналитиками. И такой же путь проходят многие организации.

Но в крупных компаниях обычно работают три вида узкоспециализированных аналитиков.

BI-аналитик. Это человек, который анализирует уже имеющуюся бизнес-модель. Смотрит, не сломалось ли в ней что-то, правильно ли работают все элементы, выполняет ли каждый филиал свои задачи. Словом, на этой позиции нужно анализировать готовое и рисовать очень много дашбордов.

Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*

Как получить измеримые результаты в фарммаркетинге.

Показываем на примерах →

Спецпроект

Продуктовый аналитик. Тот, кто помогает компании и продукту поменяться. Когда мы запускаем продукт, мы должны давать потребителю то, что решит его проблему. Аналитику тут нужно находить пользовательские данные, работать с логами, с большим количеством экспериментов. И в продуктовом анализе вообще никак без статистики.

Маркетинговый аналитик. Он работает с веб-аналитикой или аналитикой приложений в зависимости от типа бизнеса, прогнозирует эффективность маркетинговых кампаний, планирует целевые показатели и KPI.

Маркетинговый аналитик разбирает воронку продаж, чтобы понять, как работают каналы и атрибуция. Он определяет, какими каналами лучше пользоваться. Например, решает, что надо сначала прогревать пользователей через YouTube, а потом показывать таргетированную рекламу в Фейсбуке. Или наоборот.

Три необходимых скилла аналитика

Работу аналитиков можно разделить на три части.

Первая касается данных и надёжности. Всегда нужно обогащать данные! Если вы анализируете кандидатов, то с помощью api можно посмотреть во ВКонтакте, какую музыку они любят. Пригодиться может что угодно. Если вы работаете с данными, и думаете, что нашли всё, просто знайте — нет, не всё.

Данных всегда больше, чем кажется. Дополнительные данные могут быть где-то рядом. Поэтому на курсах Skypro мы всегда учим искать больше и находить то, что нужно для решения задачи, а не работать с тем, что есть.

Вторая часть — метрики. Хорошие метрики — это чувствительные метрики. Если в продукте что-то поменяется, аналитик сразу должен увидеть это по изменениям показателей. Метрика должна быть чувствительной, а в идеальном варианте метрики должны ещё и выстраиваться в иерархию или слои пирамиды метрик.

Третья часть — это репортинг, то есть доставка метрик до конечного потребителя. Должна быть явная, понятная система алертов, система дашбордов. Чтобы любой человек мог зайти и понять, что с его продуктом происходит, чтобы данные приходили вовремя (не часто, а именно вовремя), чтобы они всегда были актуальными и легко-интерпретируемыми.

Самые важные инструменты аналитика

Достичь всего этого можно с помощью инструментов, которыми должен владеть каждый аналитик.

Ключевые инструменты: языки программирования, умение работать с базами данных, математической статистикой и средствами визуализации.

Среди языков программирования самые популярные Python и SQL. SQL — это не совсем язык программирования, это язык структурированных запросов. Но знать его просто необходимо, так как в 80% случаев информация, с которой приходится работать аналитикам, находится в базах данных. Достать её оттуда можно как с помощью SQL.

Python же — более универсальное средство, которое позволяет вам оперировать данными и делать с ними вообще всё, что угодно. Знание Python не является обязательным для того, чтобы начать работать аналитиком, но оно очень сильно повышает ваши возможности в анализе данных, поэтому я убежден, что знать этот язык просто необходимо, чтобы конкурировать на рынке труда.

Самое популярное средство визуализации — Tableau. Но он очень дорогой и позволить его себе могут только крупные столичные или международные компании.

Доступный аналог табло — Power BI. Это бесплатный продукт Microsoft, похожий на Excel. Его мы тоже изучаем на наших курсах. Существуют и другие системы визуализации. Мы в Skyeng используем не одну, а сразу несколько. Чем больше инструментов у аналитика, тем лучше.

Кроме того, аналитику потребуются математические и статистические инструменты. Очень многое из статистики придумали психологи: если нужно доказать какой-то психологический эффект, требуется собрать выборку, провести тест и математически доказать эффект.

При работе с людьми измерения проводить сложно, приходится прибегать к методам математического моделирования и статистике. Так что аналитикам, как и психологам, нужно хорошо разбираться в том, как понять, можно ли считать наблюдаемый эффект случайным, или всё же можно говорить о какой-то закономерности.

Какого аналитика ищут работодатели

Владеть инструментами — это не просто написать их названия в резюме. Главное в аналитике — уметь их применять. Если вы просто знаете, что есть такая штука как Python или SQL и понимаете, как оно работает, то это ещё не всё. Аналитиком вас делает умение превращать данные в действия и отвечать на вопросы. Я часто провожу собеседования и могу сказать, что это самая большая беда — начинающие аналитики не могут ответить на вопросы бизнеса.

Даже аналитик без опыта должен обладать широким кругозором и знать, как можно использовать все теоретические инструменты в работе.

Если он понимает, как работают данные — он знает, что можно сделать и как, а чего делать не стоит.

Поэтому аналитик должен понимать суть, а не просто заучивать методы. Аналитики пишут много кода, и если вы понимаете, как он работает, вы легко можете найти в нём ошибку, оптимизировать его, понять, что здесь делал другой человек. Работа аналитиком — это про 8 часов поиска ошибки в скрипте. Вы не сможете сделать это без полного понимания того, что видите. Готовность добраться до смысла важна для любого аналитика.

Как аналитику найти работу: советы от Михаила Морозова

Подпишитесь на каналы с вакансиями в Facebook, Telegram, любых соцсетях. Я рекомендую каналы: Карьерный Цех, Работа ищет аналитиков и Интернет-аналитика.
Подпишитесь на всех хедов аналитики и дружите в соцсетях с опытными аналитиками. Постучитесь ко мне. Также советую подписаться на Анну Ахременко из Яндекс.Практикума, Алексея Никушина, создателя конференции Матемаркетинг и на Шагане Мирзоян из СберМаркет.
Комментируйте посты лидеров о работе, а не пишите им в личку.
Читайте статьи и книги, которые обсуждают в комьюнити каналов Data Science Chat, Чат Tableau, Product Analytics.
Пишите в резюме не только про инструменты, которыми вы владеете, но и про важные для аналитиков soft-skills: умение декомпозировать задачи, оценивать их сложность, бизнес-мышление, внимание к деталям.
Подготовьтесь к собеседованию. Узнайте, кто вас будет собеседовать, напишите скрипты, которые соберут информацию об этом человеке или компании, покажите их прямо на собеседовании.
Идите стажёром в крупные организации. Например, к нам в Skyeng, Яндекс, Epam, JetBrains, Авито. Компании, которые берут стажёров, серьёзно вкладываются в развитие сотрудников. Вы многому научитесь на практике и заведёте полезные контакты.