Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-21

1 <a>#статьи</a>

2 <ul><li>29 авг 2022</li>

3 <li>0</li>

4 </ul><h2>Ассир Битохов: хороший дата-аналитик - это математика плюс прокачанные софт-скиллы</h2>

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

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

7 Журналист, коммерческий автор и редактор. Пишет про IT, цифровой маркетинг и бизнес. Сайт:<a>darovska.com</a>.

8 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.

9 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 <a>Looker</a>.

10 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.

11 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.

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

13 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.

14 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.

15 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.

16 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.

17 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.

18 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.

19 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.

20 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.

21 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.

22 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,<a>Tableau</a>,<a>Looker</a>.

23 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.

24 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.

25 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.

26 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.

27 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.

28 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.

29 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.

30 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.

31 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.

32 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.

33 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.

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

35 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.

36 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<a>Airflow</a>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.

37 Например, на канале и на сайте Николая Валиотти об аналитике данных<a>Left join</a>очень много полезного про бизнес-аналитику и аналитику в целом. Есть большой сервис "<a>ДатаЙога</a>" про визуализацию данных.

38 Рекомендую<a>учебник по machine learning</a>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?

39 Все собеседования в аналитике можно разделить на три больших блока.

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

41 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.

42 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.

43 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.

44 <a>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</a>