Ассир Битохов: хороший дата-аналитик — это математика плюс прокачанные софт-скиллы
2026-02-21 10:30 Diff
https://skillbox.ru/media/code/assir-bitokhov-khoroshiy-dataanalitik-eto-matematika-plyus-prokachannye-softskilly/

#статьи

  • 29 авг 2022
  • 0

Ассир Битохов: хороший дата-аналитик — это математика плюс прокачанные софт-скиллы

Гайд по дата-аналитике: зарплаты, грейды, путь в профессию.

Иллюстрация: Wan / Rawpixel / Hightech / Annie для Skillbox Media

Журналист, коммерческий автор и редактор. Пишет про IT, цифровой маркетинг и бизнес.
Сайт: darovska.com.

Я работаю аналитиком в европейском подразделении американской компании Xometry. Наш бизнес — что-то вроде Uber или Airbnb, только в сфере производства. Заказчики заходят на наш В2В-маркетплейс и загружают чертежи нужных им деталей и оборудования в диапазоне от университетских приборов до аэрокосмонавтики. А встроенные в сервис алгоритмы позволяют сравнительно быстро просмотреть тысячи производителей и выбрать оптимальный по стоимости и срокам вариант.

Я выстраиваю self-service-аналитику для команды менеджеров. То есть поддерживаю весь процесс — начиная с технической части (создание ETL-процессов, проектирование витрин и синхронизация разных источников данных) и заканчивая конечным аналитическим продуктом (дашборды, результаты экспериментов, глубокий ресёрч). Мои главные рабочие инструменты — SQL, Python и Looker.

В работе аналитика, если сравнивать его с другими разработчиками, есть две основные особенности. Во-первых, у нас больше математики. Во-вторых, для нас очень важны софты и бизнес-экспертность, так как мы работаем ВМЕСТЕ с бизнесом.

Я перепробовал довольно много ролей в энтерпрайзе, пока не остановился на аналитике. В то время эта профессия была не особо популярна: данных было не так много, а компании не очень понимали, что с ними делать.

Сейчас, когда вокруг бигдаты столько хайпа, появилось много стажировок, курсов, джуновских вакансий. Но специалистов всё равно не хватает, потому что спрос растёт ещё быстрее.

В России более или менее рукастый и головастый аналитик получает около двухсот тысяч рублей. Даже джуновские позиции начинаются примерно от ста тысяч. Впрочем, у нас нет такого жёсткого разделения по грейдам — академическая база у всех примерно одинаковая, и ключевую роль играет опыт.

Джуниор часто умеет всё то же самое, что и сеньор, но не всегда понимает, где какой инструмент использовать. Он пока меньше разбирается в предмете и хуже умеет работать с командой. Поэтому джуны часто заняты простой работой — например, подготовкой несложных выборок и дашбордов, отчётов по уже утверждённым метрикам.

Мидлам уже можно поручать конкретные задания с чётким дедлайном. Сеньоры выстраивают процессы — например, я примерно половину рабочего времени трачу именно на это, а также на то, чтобы научить команду правильно интерпретировать данные. Наконец, лид направления может сам предлагать бизнесу какие-то идеи.

Чтобы работать в нашей сфере, нужно прежде всего понимать бизнес-задачи. Дата-аналитик — глаза и уши команды. Это человек, который помогает людям принимать решения на основе данных, а не опираясь, например, на «я так хочу» или «мне так кажется». Это повышает шансы на то, что сотрудники будут реже ошибаться и чаще действовать так, чтобы прибыль увеличивалась.

Аналитик обязан уметь корректно интерпретировать информацию. Для этого необходимо понимание предметной области. Иногда нужно очень глубоко погрузиться в конкретный бизнес, чтобы разобраться, что именно означают обнаруженные вами инсайты.

Как я уже говорил, наша специальность — точно не гуманитарная, хоть и находится на стыке бизнеса и технологий. Людям, которые не любят математику, у нас будет тоскливо и тяжело. Впрочем, доктором наук тоже быть не требуется: продвинутого курса средней школы и небольшой надстройки в виде матана и углублённой статистики будет, мне кажется, вполне достаточно. Мы ведь занимаемся не абстракциями: каждый применяемый нами математический инструмент имеет вполне конкретный физический смысл и конкретное влияние на конечный продукт.

Тем не менее академический бэкграунд в нашей профессии ценится высоко: без математических знаний выше риск принять решение на основе статистически недостоверной информации, допустить ошибку в интерпретации данных, в прогнозе. Пригодится углублённое понимание теории вероятности, линейной алгебры и матстата. У меня, например, образование в сфере экономического анализа и статистики. Многое из универской программы мне помогает и сейчас, но знания приходится регулярно освежать.

Что радует — значительная часть математических функций уже реализована в библиотеках Python и функциях Excel. Нужно просто понимать их и уметь применять. Если переступить через свой страх перед математикой, становится ужасно интересно. Главное — сделать этот шаг.

Кроме того, нужно уметь программировать. Классический вариант — Python: в нём есть удобные, классные встроенные пакеты для обработки и анализа данных. Это один из самых популярных и дружелюбных языков, который позволяет автоматизировать всё что угодно. Суперкруто, если вы вдобавок научитесь писать скрипты и анализировать данные. Откроется простор для более глубокого анализа и автоматизации.

Обязательно понадобится SQL — язык для работы с базами данных. При поиске работы большим плюсом будет умение что-то на нём писать и самостоятельно получать данные в базе. Желательно также владеть специальными инструментами для визуализации и шеринга — например, Tableau, Looker.

Аналитик гораздо больше, чем разработчики, взаимодействует с бизнесом и вообще с людьми нетехнических специальностей. Поэтому он должен уметь объяснять даже самые сложные вещи понятным, доступным языком. Не нужно грузить коллег техническими терминами — переходите к сути.

Очень часто приходится выступать перед большой аудиторией, показывать какую-то информацию стейкхолдерам. И софт-скиллы для этого очень важны. Аналитик всегда немножко в стрессе: его буквально заваливают вопросами, на многие из которых нет готового ответа.

Чтобы не теряться, надо понимать свою роль в команде: добытые вами знания и инсайты сами по себе не очень важны. Их ценность появляется, только когда вы смогли донести их до конечного пользователя, бизнес на их основе принял решения, изменил что-то.

Софты сложно измерить. Но обычно уже на собеседовании видно, как человек общается, аргументирует свою точку зрения, как относится к критике, как формулирует мысли. Очень важно, чтобы аналитик умел написать ясный отчёт со сторителлингом, понятным текстом, разбивкой по абзацам и смысловым блокам.

И естественно, нужно постоянно учиться. Это характерно для всех технических специальностей. У аналитиков львиная доля обучения — та самая предметная область, понимание бизнеса: чем лучше вы его знаете, тем адекватнее интерпретируете то, что находите. А если этих знаний нет, вы пропустите важные моменты или будете обращать внимание на незначительные.

Задачи аналитика сильно разнятся по объёму работы и затраченному на них времени: что-то можно сделать за час, что-то длится месяцами. Мы ведь работаем с людьми: они переучиваются, процессы меняются, всплывают какие-то смежные области.

Горизонт планирования зависит от зрелости компании. В энтерпрайзе он может быть на год или два — зависит от уровня текучки. Крупные компании вроде «Сбера» ставят соизмеримые цели примерно на год. Компании поменьше — чуть более гибкие. Часто у них горизонт планирования — неделя, месяц, квартал.

Точно так же разнятся и требования. Бывают совсем необоснованные — например, представители бизнеса часто думают, что аналитики будут сыпать инсайтами. К сожалению, это не так. Хорошие инсайты очень долго и кропотливо ищутся: приходится переворошить горы данных, чтобы вытащить хоть что-то мало-мальски полезное. А иногда их просто нет, и лучше не выдумывать на ровном месте — такое когнитивное искажение тоже присутствует в работе.

А вот работодатель, который понимает, для чего нанял аналитика, требует от него прежде всего критического мышления. Наша задача — подтверждать либо опровергать гипотезы, исходя из данных. Ведь у него есть уровень доступа, которого нет у других технических специалистов. Это требование — абсолютно обоснованное, и каждый аналитик должен ему соответствовать.

Нам нужно строже относиться к своим ошибкам, по десять раз всё перепроверять, сомневаться, челленджить, критиковать. Потому что, как правило, мы последнее звено на пути от идеи к реализации. До этого большое количество людей проверили, оценили идею, собрали какую-то выборку, запустили, раскатили новые изменения. Но только аналитик в конце должен всё оценить. Ответственность большая, потому что наше слово решающее.

Но бояться ошибок не стоит. Ведь иногда данные могут быть неточными. От этого никто не застрахован — но есть определённые лайфхаки, с помощью которых вы можете проверить свою идею и подумать, где есть вероятность ошибки, куда она закралась, исправить её и предупредить коллег. Со временем этих ошибок будет всё меньше.

В аналитику можно прийти из любой сферы— это всё-таки не rocket science. В бизнесе многое понятно интуитивно, и большинство задач довольно тривиальны.

Я лично знаю много людей, которые переучивались и уходили в очень предметные области: биоинформатику, компьютерное зрение. Знаю тех, кто с экономическим образованием уходил в data engineering и находил себя как разработчик.

Необязательно выбирать между самостоятельным обучением и курсами: можно совмещать. Никакой курс не соберёт всё, что может пригодиться в работе. Обязательно нужно доучиваться, читать статьи, осваивать новые инструменты. На Coursera или Stepik можно найти маленькие, короткие курсы, чтобы выучить Airflow или Python, линейную алгебру, теорию вероятности. Очень часто свои курсы делают компании — те же Ozon, «Сбер» или VK. Дополнительно рекомендую читать статьи и книги, брать специализированные курсы.

Например, на канале и на сайте Николая Валиотти об аналитике данных Left join очень много полезного про бизнес-аналитику и аналитику в целом. Есть большой сервис «ДатаЙога» про визуализацию данных.

Рекомендую учебник по machine learning от ребят из «Яндекса», в котором нормальным, доступным, русским языком расписаны практически все алгоритмы машинного обучения. Иногда в работе я обращаюсь к своим университетским учебникам и конспектам, поэтому учебник по алгебре вам тоже пригодится. Главное — чтобы это доставляло вам удовольствие. А если не доставляет, то зачем этим заниматься?

Все собеседования в аналитике можно разделить на три больших блока.

Первое, что проверяют, — это софт-скиллы. Это делают на этапе беседы с HR. Здесь важно просто уметь коммуницировать.

Затем следует оценка вашего логического мышления и математической интуиции, способности мыслить, критиковать. На этом этапе часто задают простые школьные задачки и просят объяснить ход решения.

Для проверки хард-скиллов могут попросить решить тестовое задание. Они похожи друг на друга. Рекомендую перед собеседованием решить несколько таких тестов дома. Также вам могут устроить лайвкодинг-сессию. У меня так было в «Сбере». Вам дают обезличенный, замаскированный кусок данных, просят его проанализировать и ответить на базовые вопросы. Обычно просят рассуждать, думать и ресёрчить в онлайн-режиме. Мне такой формат собеседования нравится больше всего, потому что он коммуникативный, наиболее честный и даёт возможность получить обратную связь.

Мой универсальный карьерный совет для джунов: если оставить сто откликов, какая-нибудь вакансия точно закончится оффером. С наличием перечисленных софт- и хард-скиллов найти работу абсолютно не проблематично. Это не экзамен — это просто переговоры с компаниями. Нужно найти компанию, в которой вам будет комфортно.

Бесплатный курс по Python ➞
Мини-курс для новичков и для опытных кодеров. 4 крутых проекта в портфолио, живое общение со спикером. Кликните и узнайте, чему можно научиться на курсе. Смотреть программу