Аналитик данных: кто такой и как им стать
Образование
13K
Фотография — Laurence Dutton / iStock

Аналитик данных: кто такой и как им стать

И сколько зарабатывает специалист
14
Аватар автора

Игорь Петров

директор по работе с вузами Arenadata

Страница автора
Аватар автора

Екатерина Мамонова

бизнес-архитектор Arenadata

Страница автора

Аналитики данных обрабатывают большие объемы информации и предлагают бизнесу решения на их основе.

Например, какой цвет кнопки на сайте даст больше конверсии или какие товары принесут компании больше выручки.

Рассмотрим, где можно обучиться профессии и сколько зарабатывают специалисты.

Кто такой аналитик данных

Это специалист, который собирает, обрабатывает и анализирует большие массивы данных. Он находит связи и закономерности и помогает компаниям принимать эффективные решения на основе фактов и цифр.

Аналитиков данных еще называют дата-аналитиками, в статье мы будем использовать оба понятия как синонимы. Дата-аналитиков часто путают с продуктовыми или системными. Но они фокусируются на обработке данных техническими и статистическими методами, а не на технических решениях или бизнес-процессах. Разберем на примере мобильного приложения для доставки еды.

Дата-аналитик смотрит, в какие дни недели или время суток покупатели чаще оформляют заказы. На основе этой информации он предлагает акции для менее популярных часов, чтобы равномерно распределить нагрузку на курьеров и увеличить выручку.

А продуктовый обращает внимание, как пользователи взаимодействуют с системой поиска ресторанов. Если много клиентов не находят нужную кнопку или бросают заказ на этапе оформления, аналитик предлагает улучшить интерфейс и сделать поиск интуитивно понятным.

Какие бывают аналитики

ПрофессияЧем занимаетсяКлючевые навыки и инструментыПримеры отраслей
Аналитик данныхСобирает, обрабатывает данные и ищет в них закономерностиSQL, Python, R, машинное обучение, визуализация данныхЛюбые отрасли, работающие с большими данными
Дата-сайентистАнализирует, визуализирует данные и на их основе строит моделиМашинное и глубокое обучение, SQL, Python, базы данных, математика, статистика, визуализацияКрупные компании, стартапы и научные организации
Системный аналитикФокусируется на ИТ-системах и технологияхЗнание архитектуры систем, интеграций, технических требованийИТ, телекоммуникации
Продуктовый аналитикИсследует продукты и помогает их развивать на основе метрик и анализа данныхАнализ поведения пользователей, A/B⁠-⁠тестирование, UX/UIE-commerce, продуктовые компании
Финансовый аналитикИзучает финансовые показателиФинансовый анализ, моделирование, прогнозированиеФинансы, инвестиционные компании
Бизнес-аналитикАнализирует и оптимизи­рует бизнес-процессы, разрабатывает решенияМоделирование процессов, управление требованиями, общениеБанки, ретейл, ИТ, промышленность

Какие бывают аналитики

Аналитик данных
Чем занимаетсяСобирает, обрабатывает данные и ищет в них закономерности
Ключевые навыки и инструментыSQL, Python, R, машинное обучение, визуализация данных
Примеры отраслейЛюбые отрасли, работающие с большими данными
Дата-сайентист
Чем занимаетсяАнализирует, визуализирует данные и на их основе строит модели
Ключевые навыки и инструментыМашинное и глубокое обучение, SQL, Python, базы данных, математика, статистика, визуализация
Примеры отраслейКрупные компании, стартапы и научные организации
Системный аналитик
Чем занимаетсяФокусируется на ИТ-системах и технологиях
Ключевые навыки и инструментыЗнание архитектуры систем, интеграций, технических требований
Примеры отраслейИТ, телекоммуникации
Продуктовый аналитик
Чем занимаетсяИсследует продукты и помогает их развивать на основе метрик и анализа данных
Ключевые навыки и инструментыАнализ поведения пользователей, A/B⁠-⁠тестирование, UX/UI
Примеры отраслейE-commerce, продуктовые компании
Финансовый аналитик
Чем занимаетсяИзучает финансовые показатели
Ключевые навыки и инструментыФинансовый анализ, моделирование, прогнозирование
Примеры отраслейФинансы, инвестиционные компании
Бизнес-аналитик
Чем занимаетсяАнализирует и оптимизи­рует бизнес-процессы, разрабатывает решения
Ключевые навыки и инструментыМоделирование процессов, управление требованиями, общение
Примеры отраслейБанки, ретейл, ИТ, промышленность

Что должен уметь аналитик данных

Главная задача специалиста — преобразовать сырые данные в информацию, которая сделает работу эффективнее. Нужно анализировать ключевые метрики, выявлять закономерности, приводить данные к единому формату. Важно не только проводить статистический анализ, но и создавать на его основе практические рекомендации для команды.

Требования к аналитикам в компаниях различаются. Рассмотрим самые распространенные задачи на примерах из разных отраслей.

Сбор данных. В онлайн-магазине аналитик данных ищет в разных источниках информацию о поведении клиентов. Он может извлекать данные из внутренних баз, чтобы смотреть историю покупок и избранные товары, и на их основе формировать рекомендации для клиента.

С помощью API  аналитик данных узнает, какие продукты чаще добавляют в корзину. А после анализа данных с веб-сайта поймет, какие страницы посетители просматривают чаще всего.

Очистка и подготовка данных. В транспортной компании аналитик обрабатывает данные по маршрутам и очищает их от дубликатов. Это нужно, чтобы избежать ошибок в логистических расчетах. Затем в CRM-системе  он структурирует телефонные номера и контакты клиентов, чтобы компания могла эффективнее управлять заказами.

Анализ данных. В розничной торговле специалист анализирует продажи за квартал, чтобы определить время пиковых покупок, популярные продукты и предпочтения покупателей. Это поможет компании оптимизировать ассортимент, выстроить стратегию закупок и маркетинговых кампаний.

Интерпретация результатов. Дата-аналитики переводят технические данные в понятные рекомендации и объясняют их значимость для бизнеса. Например, в страховой компании заметили, что в одном регионе выросло число страховых случаев. Анализ показал, что это связано с сезонными катаклизмами — ураганами, когда на машины падают деревья. Аналитик предложит стратегии для минимизации убытков: например, повысить взносы в регионе или разработать более строгие условия страхования на этот период.

Визуализация данных. В медицинской сфере аналитик может визуализировать данные о пациентах, чтобы показать, в какое время года случается всплеск обращений с конкретными симптомами. Тогда клиника составит расписание, которое распределит нагрузку на врачей в пик сезона.

Понимание бизнес-процессов. Аналитик заметил, что в отчетах по доставкам много случаев задержек. Разобравшись в процессе, он выяснил, что это связано с нехваткой водителей в определенные дни недели, и предложил изменить график выходов на работу и пересмотреть маршруты. Благодаря этому компания снизила количество задержек и повысила удовлетворенность клиентов.

Создание отчетов и презентаций. В ИТ-компании аналитика могут попросить сделать презентацию по мобильному приложению. В докладе он выделит активные сегменты пользователей, частоту использования функций и уровень отказов — процент тех, кто прекратил открывать приложение после установки. Это поможет понять, как улучшить работу приложения и удержать клиентов.

Какими инструментами пользуется аналитик данных

Специалист работает с инструментами для сбора, обработки и анализа данных. Рассмотрим подробнее.

Языки программирования. Python  и R  — основные инструменты для анализа, моделирования и автоматизации данных. Python подходит для обработки больших массивов, а R используют для статистического анализа и построения графиков.

Аналитики также используют SQL  : с его помощью можно извлекать, фильтровать и объединять большие объемы данных из различных таблиц, чтобы подготовить их для дальнейшего анализа в Python или R.

Статистический анализ. Нужно разбираться в описательной  и инференциальной статистике  , регрессии  , корреляции  и основах теории вероятности.

С помощью статистического анализа специалист проводит тесты, чтобы выявить важные закономерности и тренды. Он проверяет гипотезы и делает выводы на основе полученных данных.

Базы данных и Big Data. Дата⁠-⁠аналитики работают с огромными объемами данных и их базами. Создают, редактируют и удаляют таблицы, а также находят нужную информацию. Например, это помогает анализировать данные о клиентах: их предпочтения, заказанные продукты и опыт взаимодействия с компанией. Используя эти данные, бизнес лучше понимает потребности клиентов и повышает качество обслуживания.

Инструменты визуализации. С ними проще интерпретировать сложные данные, выявлять тенденции и аномалии, делиться выводами с командой или руководством. Интерактивные дашборды и отчеты в Luxms BI или Tableau помогут отслеживать метрики в реальном времени и оперативно реагировать на изменения.

Пример дашборда розничной компании в Luxms BI. Источник: архив автора
Пример дашборда розничной компании в Luxms BI. Источник: архив автора

Личные качества, нужные для работы

Способность анализировать большие объемы данных и доходчиво объяснять результаты — ключевые навыки специалиста. Но есть и другие софт-скиллы, которые ежедневно используют в работе.

Аналитические способности. Они позволяют специалистам находить причины проблем и предлагать конкретные решения.

Дата-аналитик в онлайн-кинотеатре заметил, что пользователи часто закрывают видео на определенной минуте. После анализа он понял, что проблема связана с долгой загрузкой. Тогда он предложил улучшить алгоритмы загрузки видео, что сократило время ожидания. В результате средняя продолжительность просмотров увеличилась и пользователи стали реже закрывать видео.

Работа с большим объемом информации. Аналитик должен собирать, систематизировать и обрабатывать большие объемы данных из различных источников.

Аналитика попросили исследовать факторы, влияющие на удовлетворенность клиентов. Он проанализировал их поведение, выявил взаимосвязи и подготовил презентацию для коллег из отдела продаж. В ней дал рекомендации, как улучшить клиентский сервис и повысить лояльность.

Внимание к деталям. Дата-аналитики работают с цифрами, поэтому точность для них — ключевой навык. Важно замечать даже мелкие расхождения, ведь они могут повлиять на результаты.

Аналитик готовил квартальный отчет по продажам электроники, но заметил дубликаты транзакций и отклонения в динамике продаж. После устранения несоответствий он предоставил руководству отчет, который помог составить стратегию закупок.

Критическое мышление. Аналитик должен критически оценивать источники данных, перепроверять их и задавать вопросы, которые помогут лучше понять контекст.

Компания провела опрос по покупательским предпочтениям. Аналитик данных заметил, что результаты в регионах сильно различаются. Чтобы понять причины, он изучил методику проведения опроса, узнал у исследовательской команды, как они выбирали респондентов, и проверил влияние внешних факторов — акций и сезонных скидок.

Навыки коммуникации. Дата-аналитик часто общается с коллегами из других отделов и руководством. Ему приходится объяснять сложные концепции доступным языком, адаптируясь под каждого собеседника.

В разговоре с разработчиками специалист углубился в технические детали анализа — алгоритмы обработки данных и методики моделирования. А в беседе с маркетологами он сосредоточился на бизнес-результатах: росте продаж, предпочтениях клиентов и прогнозах спроса.

Работа в команде. Аналитику важно уметь работать с разными специалистами, чтобы координировать усилия всех отделов.

Перед запуском нового продукта аналитик данных работал с отделами маркетинга, разработки и продаж. Он анализировал данные о клиентских предпочтениях и делился результатами с командой. Это помогло маркетингу скорректировать рекламную кампанию, а отделу продаж — подготовить нужные материалы.

Тяга к знаниям. Такая работа требует постоянного развития: нужно изучать новые методики и технологии. ИТ-конференции и профессиональные сообщества помогают оставаться в курсе событий и обмениваться опытом с коллегами.

Если аналитик хочет повысить грейд и зарплату, ему придется пройти обучающий курс или самому освоить какой-либо навык — например, новый инструмент анализа данных или машинного обучения.

Сколько зарабатывает аналитик данных

Зарплаты аналитиков в ИТ и финансовом секторе обычно высокие благодаря прибыльности компаний и уровню ответственности сотрудников.

Редакция Т⁠—⁠Ж проанализировала вакансии на «Хедхантере»: в 2023 году медианная зарплата дата⁠-⁠аналитика составила 175 000 ₽. В 2024 году «Хабр-карьера» опросила ИТ⁠-⁠специалистов: медианная зарплата насчитывала 130 000 ₽. Джуниор-аналитики получают в среднем от 52 000 ₽, а сеньоры — до 282 000 ₽.

Где искать работу. Найти подходящий вариант можно на разных ресурсах:

  1. На сайтах по поиску работы: HH.ru, SuperJob, Careerspace, «Работа-ру».
  2. На специализированном ресурсе «Хабр-карьера».
  3. В карьерных центрах корпораций: Т⁠-⁠Банк, Сбер, «Авито», «Вконтакте».
  4. В профильных телеграм-каналах: Data jobs, Data Analytics Jobs, «Работа ищет аналитиков».

Карьерный путь и советы для роста

Работа аналитика начинается с позиции джуниора. С ростом опыта и знаний появляются более сложные и ответственные обязанности. Разберемся, какие шаги помогут двигаться по карьерной лестнице.

Младший аналитик данных, Junior. Разбирается в основах статистики, программирования и баз данных. Знает SQL, Python и R. Умеет визуализировать данные в дашбордах — например, Power BI или Tableau.

Джуниор работает под руководством старших коллег и выполняет задачи с меньшей ответственностью: собирает и очищает данные, исправляет ошибки, удаляет дубликаты и создает отчеты.

Чтобы повысить грейд, нужно:

  1. Решать аналитические задачи. Это поможет прокачать навык работы с большими объемами данных. Пробуйте задания разной сложности — их можно найти в журнале «Код» или на онлайн-платформе для соревнований по анализу данных и машинному обучению Kaggle.
  2. Работать над хард-скиллами. Чтобы понять, чего ждут работодатели, проанализируйте вакансии мидл-аналитиков. Обычно от специалистов требуют продвинутых знаний математической статистики и теории вероятности. Из программ: уверенное владение SQL и библиотеками Python — polars, pandas, numpy.
  3. Развивать навыки коммуникации. Умение проводить презентации, писать отчеты и ясно доносить свои выводы — ключ к карьерному росту. Тренируйтесь объяснять сложные технические выводы простым языком.
  4. Подготовить портфолио. Соберите примеры своих проектов и опубликуйте их на GitHub  или Kaggle.
Пример портфолио. Источник: kaggle.com
Пример портфолио. Источник: kaggle.com

Опытный аналитик данных, Middle. Обладает сильной технической базой и знает продвинутые методы анализа. Отлично владеет SQL и библиотеками Python.

Мидл-аналитик работает с коллегами из других отделов, предлагает решения и обосновывает их перед командой. Часто становится наставником младших специалистов.

Для перехода на следующий этап:

  1. Выберите конкретную область. Это могут быть финансы, маркетинг, промышленность. Узкая специализация позволяет глубже вникать в специфику бизнеса, понимать потребности компании и быстрее решать задачи.
  2. Прокачайте технические навыки. Изучите расширенную статистику, машинное обучение, искусственный интеллект. Освойте новые инструменты обработки больших данных — например, Hadoop, Spark и базы данных NoSQL.
  3. Перейдите к руководящей роли. Возьмите инициативу в свои руки — попробуйте управлять небольшими командами. Распределяйте задачи младших аналитиков, контролируйте их выполнение и помогайте коллегам. Учитесь координировать процессы, решать конфликты и мотивировать команду.
  4. Следите за тенденциями в отрасли. Погрузитесь в передовые технологии: CQRS  и Event Sourcing  , Big Data, Blockchain  и другие.
Требования к мидл-дата-аналитику зависят от специфики компании. Но во всех случаях от кандидата ожидают знания SQL, Python и Power BI. Источник: habr.com
Требования к мидл-дата-аналитику зависят от специфики компании. Но во всех случаях от кандидата ожидают знания SQL, Python и Power BI. Источник: habr.com

Старший аналитик данных, Senior. Эксперт в области данных. Управляет крупными аналитическими проектами, координирует работу команд, отвечает за сбор и анализ больших объемов данных, разрабатывает и внедряет сложные модели прогнозирования и оптимизации.

Сеньор использует методы машинного обучения и искусственного интеллекта. Еще одна задача — обучение менее опытных специалистов.

Аватар автора

Екатерина Мамонова

бизнес-архитектор Arenadata

Страница автора

Пути карьерного роста для дата⁠-⁠аналитика

У аналитика данных несколько путей развития в зависимости от интересов и сильных сторон.

Рост до руководства. Специалист может продвигаться от джуниора до сеньора, а затем — до руководителя группы аналитиков и даже до директора по аналитике.

Для этого потребуется развивать не только технические компетенции, но и лидерские качества, умение управлять командой, планировать и координировать процессы. Чем выше должность, тем меньше рутинных задач и больше ответственности за результаты команды.

Углубление в конкретную область. Некоторые аналитики данных дополнительно прокачивают знания в определенной сфере, чтобы стать уникальным экспертом на стыке аналитики и конкретной отрасли.

Например, финансовый анализ подойдет тем, кто увлекается инвестициями и оценкой финансовых рисков. Те, кому интересно разбираться в рекламных кампаниях и поведении клиентов, выбирают маркетинговую аналитику. В риск⁠-⁠аналитику идут люди, которые любят оценивать и управлять рисками в разных сферах бизнеса — от финансов до производственной безопасности.

Переход в Data Science или Data Engineering. Старший аналитик может прокачать знания в программировании и математическом моделировании, чтобы стать дата⁠-⁠сайентистом или дата⁠-⁠инженером. Вот в чем разница:

  • дата-сайентист работает с большими объемами данных и применяет алгоритмы машинного обучения для сложных задач — прогнозирования спроса или автоматизации процессов;
  • дата-инженер проектирует архитектуру баз данных, организует потоки данных и их интеграцию из разных источников. Он должен отлично разбираться в SQL, облачных сервисах и технологиях ETL  .

Где учиться на аналитика данных

Высшее образование. В вузе дают теоретическую базу и развивают аналитические способности. Подойдут почти любые направления, связанные с математикой или программированием: например, прикладная математика и информатика, статистика, инженерия.

Студенты-информатики учатся разрабатывать алгоритмы, а инженеры обрабатывают и анализируют сложные технические данные. На прикладной математике осваивают методы математического моделирования, на статистике работают с большими объемами данных. Все эти программы формируют навыки, которые пригодятся в профессии.

Примеры программ высшего образования для аналитика данных

ПрограммаКод специальностиУниверситеты
Математика и компьютерные науки02.03.01МГТУ им. Баумана, РУДН, КФУ
Прикладная математика и информатика01.03.02МГУ, МФТИ, НИУ ВШЭ, РЭУ им. Плеханова, СПбГУ, Финансовый университет, МАИ
Информатика и вычислительная техника09.03.01НИУ ВШЭ, МГТУ им. Баумана, Московский политех, РТУ МИРЭА, МИСИС
Статистика01.03.05РЭУ им. Плеханова, МИРЭА, СПбПУ, РТУ МИРЭА, РГСУ
Бизнес-информатика38.03.05РАНХиГС, НИУ ВШЭ, МГТУ им. Баумана, РГУ нефти и газа им. И. М. Губкина, ИТМО, МАИ
Программная инженерия15.03.01НИУ ВШЭ, МГТУ им. Баумана, Финансовый университет, СПбГУ, МАИ, ИТМО

Примеры программ высшего образования для аналитика данных

Математика и компьютерные науки
Код специальности02.03.01
УниверситетыМГТУ им. Баумана, РУДН, КФУ
Прикладная математика и информатика
Код специальности01.03.02
УниверситетыМГУ, МФТИ, НИУ ВШЭ, РЭУ им. Плеханова, СПбГУ, Финансовый университет, МАИ
Информатика и вычислительная техника
Код специальности09.03.01
УниверситетыНИУ ВШЭ, МГТУ им. Баумана, Московский политех, РТУ МИРЭА, МИСИС
Статистика
Код специальности01.03.05
УниверситетыРЭУ им. Плеханова, МИРЭА, СПбПУ, РТУ МИРЭА, РГСУ
Бизнес-информатика
Код специальности38.03.05
УниверситетыРАНХиГС, НИУ ВШЭ, МГТУ им. Баумана, РГУ нефти и газа им. И. М. Губкина, ИТМО, МАИ
Программная инженерия
Код специальности15.03.01
УниверситетыНИУ ВШЭ, МГТУ им. Баумана, Финансовый университет, СПбГУ, МАИ, ИТМО

Программы профессиональной переподготовки. Например, курс «Анализ данных и машинное обучение» в МГУ длится год. Студенты изучают Python, SQL, основы статистики и машинного обучения. Похожие программы есть в МГТУ им. Баумана, НИУ ВШЭ и других вузах.

Стажировки. После них можно пополнить портфолио сертификатом и получить оффер. Стажировки для дата⁠-⁠аналитиков проводят в МТС, «Яндексе», Ozon, «Вконтакте» и Сбере.

Курсы от крупных компаний. Некоторые проводят курсы для будущих аналитиков. Например, студенты магистратуры смогут присоединиться к программе по большим данным от ГК Arenadata и Центрального университета. Ученики будут разбирать реальные кейсы и решать задачи по анализу. Курс продлится два года. Студенты с хорошей успеваемостью получат стипендию, а после окончания смогут присоединиться к команде Arenadata.

Для учеников 9—11 классов и студентов есть онлайн-курс от Т⁠-⁠Банка. Там учат анализу данных с Python и Excel, математической статистике, A/B-тестам и визуализации.

Онлайн-курсы. На них можно освоить базовые инструменты анализа и визуализации данных. Но не все курсы предлагают качественное образование и трудоустройство по завершении. Перед покупкой внимательно изучите программу. Отзывы учеников о разных курсах по аналитике есть в Сравняторе.

Профессиональная литература. Тем, кто только начинает путь в анализе данных, полезно прочитать книгу Джоэла Граса «Data Science. Наука о данных с нуля» и Кирилла Еременко «Работа с данными в любой сфере».

Советуем также обратить внимание на руководство Сары Бослаф «Статистика для всех». В нем просто и доступно объясняют базовые концепции статистики с реальными примерами.

Если вы хотите добавить легкости в обучение, ознакомьтесь с книгой Владимира Савельева «Статистика и котики». Автор объясняет сложные статистические понятия на примерах с котиками.

Вне зависимости от способа обучения, стоит подумать, как учиться эффективнее. В этом помогут уроки бесплатного курса Учебника Т⁠—⁠Ж «Как учиться в свое удовольствие».

Фрагмент книги «Статистика и котики». Барсик помогает разобраться с дисперсией и стандартным отклонением. Источник: market.yandex.ru
Фрагмент книги «Статистика и котики». Барсик помогает разобраться с дисперсией и стандартным отклонением. Источник: market.yandex.ru

Плюсы и минусы профессии

Среди плюсов можно отметить:

  • Востребованность. Профессия дата-аналитика — одна из самых востребованных в ИТ-сфере. Спрос на специалистов будет только расти, ведь технологии непрерывно развиваются, а объем данных увеличивается.
  • Высокие зарплаты. По данным «Хабр-карьеры», в первом полугодии 2024 года аналитики данных заняли третье место в топе высокооплачиваемых ИТ-профессий — их обогнали системные и продуктовые аналитики.
  • Карьерный рост. При активной работе и постоянном обучении младший аналитик быстро перейдет к уровню опытного, а затем старшего. Ускорить карьерный рост получится благодаря участию в сложных проектах, расширению зоны ответственности и развитию хард-скиллов.
  • Широкий выбор отраслей. Дата⁠-⁠аналитики востребованы в различных сферах: от финансов до здравоохранения.
  • Удаленная работа. Анализировать данные, кодировать и создавать отчеты можно из любого места с доступом к интернету. Обычно компании идут на уступки и предлагают гибридный или полностью удаленный формат работы.

Вот возможные минусы профессии:

  • Постоянное обучение. Аналитику данных приходится уделять много времени образованию и постоянно следить за развитием технологий и новых инструментов.
  • Многозадачность. Приходится часто совмещать дела: работать над проектом, готовить отчет, общаться с коллегами. Чтобы все успевать, нужно развивать навыки тайм-менеджмента.
  • Монотонный труд. Работа с огромными массивами данных может показаться рутинной и однообразной.
  • Высокая ответственность. Ошибки в анализе или интерпретации данных могут негативно повлиять на стратегические решения компании.

Запомнить

  1. Аналитики данных обрабатывают и анализируют большие объемы информации. Они работают с данными из различных источников, выявляют закономерности и создают отчеты.
  2. Чтобы лучше интерпретировать информацию и предлагать решения, которые соответствуют целям компании, аналитикам нужно понимать бизнес-процессы.
  3. Карьерный путь начинается с позиции младшего специалиста и может привести к роли старшего аналитика.
  4. Обучиться профессии можно на онлайн-курсах или программах переподготовки. Но высшее техническое образование даст прочный теоретический фундамент и станет преимуществом при поиске работы.
  5. Сфера анализа данных динамично развивается, появляются новые технологии и методы анализа, поэтому надо постоянно обучаться и развивать навыки.

Новости из мира образования, советы по карьере и учебе, вдохновляющие истории — в нашем телеграм-канале: @t_obrazovanie

Игорь ПетровХотите стать аналитиком данных? Расскажите, что вас привлекает в этой профессии:
  • Нехетти ГринОчень привлекает книга про котиков! Кстати, коллеги, пожалуйста, сделайте тело ссылки покороче - зачем там "ознакомьтесь с".0
  • ИринаИнтересно, сколько курсов надо пройти, по каким направлениям, чтобы уже не стыдно было на вакансии откликаться?5
  • Андрей ЧевозёровИрина, В общем случае можно не пройти ни одного курса и приносить пользу, а можно пройти количество курсов стремящееся к бесконечности и быть бесполезным. На опыте: чем раньше начать откликаться, тем будет проще откорректировать учебный план под потребности работодателей8
  • ИринаАндрей, спасибо за совет.0
  • 2128506Подскажите пожалуйста. Я обладаю глубокими знаниями аналитики, статистики и навыками обработки больших объемов данных, но отстала от жизни, и из программ могу делать это только в Excel. Презентации и диаграммы тоже умею. Как мне поступить, чтобы найти работу и развиваться в этом направлении в текущих реалиях? Учиться умею и люблю.0
  • Вадим Любин2128506, выучите sql и посмотрите курсы по аналитике данных, чего вам не хватает. Посмотрите вакансии на hh. ПроАНАЛизируйте их1
  • Ида СвиридоваПоздняк метаться, короче )))0
  • АртёмСпасибо за статью и полезные ссылки. Забыли только упомянуть, что несмотря на рассказы о дефиците кадров в IT, по факту конкурс в целом по сфере составляет более 8 человек на место (хуже ситуация, кажется только в добыче нефти и газа), а для джунов в той же дата-аналитике ситуация вообще кошмарная - на каждую вакансию прилетают СОТНИ, если уже не тысячи откликов от вчерашних выпускников расплодившихся курсов с идентичными резюме и одинаковыми учебными проектами. Курсы, кстати, у нас стоят в 5-15 раз дороже, чем то же самое, но на английском языке. Вообще, то, как вместо, собственно, работы аналитиками все вдруг начали заниматься обучением этой самой аналитике, вызывает подозрения, что, может, не так уж там и хорошо... Лично у меня параллель со всякими коучами, крипто-трейдерами и прочими инфо-цыганами напрашивается сама собой.2
  • 2128506Вадим, Я и хотела узнать, какие вакансии я с моими условиями могу рассматривать на hh.0
  • Елена АртемьеваОчень смешно, что в компетенциях аналитика данных нет статистики. Как, простите, аналитик может анализировать информацию, если он основ статистики не знает? Датасайентисты должны знать линейную алгебру и более сложные методы обработки информации, в том числе вероятностное прогнозирование, которые обычным аналитикам не нужно. Но аналитик без знаний общей теории статистики и теорвера - не аналитик. Скиллы продуктового аналитика вообще очень странно написаны. Анализ поведения пользователей? Это не то чтобы навык. С помощью чего он этот анализ должен делать? Все с ума сошли на sql и Python, но только далеко не эти навыки делают аналитика аналитиком, так как проводить анализ данных можно хоть в Excel, хоть где угодно, если знаешь методы анализа.1
  • Вадим Любин2128506, это надо посмотреть на hh.0
  • Александр БудановЛично меня давно привлекает аналитика сама по себе,и использую это при торговле на бирже,правда пока на начальном уровне. И не понятно было изначально связь аналитики данных с программированием. Необычно было. А так в будущем хотел бы углубиться в эту тематику.0