|
Professor Seleznov
|
Всем привет! Меня зовут Сергей Тимакин, мне 22 года, я работаю в Озоне на должности аналитика данных и учусь на первом курсе онлайн-магистратуры «Специалист по работе с данными и ИИ» НИЯУ МИФИ в партнёрстве с Яндекс Практикумом.
В статье хочу рассказать о том, как я сам стал аналитиком и как определить, на какую реальную роль аналитика открыта вакансия и понять, какой вы аналитик.
Как я стал аналитиком данных и почему до сих пор продолжаю учиться
В 11 классе, когда нужно было выбирать предметы ЕГЭ, я ещё не знал, кем хочу стать. Учился я в обычной школе и для ЕГЭ выбрал профильную математику и обществознание. У меня был не очень высокий балл за три предмета: учитывая ЕГЭ по русскому языку, я набрал 225 баллов. В итоге я поступил в РУТ МИИТ на направление «Бизнес-информатика».
На втором курсе (это был 2023 год), я откликнулся на стажёрскую вакансию в МГТС, мне предстояло работать с BI-отчётностью и базами данных. Меня взяли, и так получилось, что я уже со второго курса совмещал учёбу с работой. Было непросто, но руководство компании шло мне навстречу, плюс в университете я изучал нужные для работы инструменты и сразу применял их в рабочих задачах. На третьем курсе, после нескольких откликов и собеседований я перешёл в компанию MWS на вакансию аналитика данных на гибридный график работы — совмещать с учёбой стало легче. В MWS я составлял отчётность и тоже работал с базами данных.
Спустя год, на четвёртом курсе, я начал задумываться о том, что делать дальше. Хотелось расти в профессии, углубляться в инструменты и прокачивать навыки. Передо мной стоял выбор: расти «на практике», продолжая работать, но работа не давала гарантии роста. Я решил, что нужно продолжить учиться, поступить в магистратуру в ведущий технический вуз и сменить работу — так вырастет вероятность новых задач и будет больше системного опыта.
На четвёртом курсе, после нескольких десятков откликов и и собеседований я получил офер в Озон и стал присматривать магистратуру для поступления. Я сразу принял решение, что поступать буду в онлайн-магистратуру, поскольку учёбу мне пришлось бы совмещать с работой. Поэтому я выбрал онлайн-программу «Специалист по работе с данными и ИИ» НИЯУ МИФИ в партнёрстве с Яндексом.
С какими требованиями к аналитикам данных я столкнулся при поиске работы
Общие требования к аналитикам на рынке сформировались далеко не сразу.
Даже сейчас каждая компания воспринимает ту или иную роль по-своему. Иногда аналитик работает только в Excel и считает бюджеты или базовые метрики, а иногда — поддерживает инфраструктуру и пишет разные оптимизационные программы.
Размытость границ профессии может смущать тех, кто только входит в сферу. Новичок читает описания десятков вакансий и видит: в одной компании от аналитика ждут знаний Excel и расчёта финансовых моделей, в другой — глубоких знаний машинного обучения и Python, в третьей — умения настраивать ETL-пайплайны и администрировать базы данных. В итоге у начинающего специалиста складывается впечатление, что нужно быть одновременно промт-инженером, бухгалтером, программистом, дата-сайентистом и бизнес-консультантом. Да и я сам иногда изрядно путаюсь в требованиях к кандидатам и сбиваюсь с толку, смотря на название вакансии.
Сегодня, к сожалению, нельзя ориентироваться на название роли. Нужно читать описание вакансии или смотреть по факту, какие задачи предстоит выполнять. Лично у меня были ситуации, когда я нанимался работать аналитиком данных с погружением в Python и хранилища данных, а по факту занимался расчётом данных в Excel и составлением презентаций.
Какие есть виды аналитиков — по моему опыту
Официальных или нормативных классификаций аналитиков я за свою карьеру не встречал. Лично я разбиваю аналитиков на 4 когорты и 3 критерия, это помогает мне искать работу и понимать свои обязанности.
Когорта 1: анализ требований
Анализ требований — это часть процесса разработки программного обеспечения (ПО), включает сбор требований, их систематизацию, выявление взаимосвязей и документирование.Сюда входят бизнес-аналитики (БА) и системные аналитики (СА).
- Бизнес-аналитик работает с заказчиком: собирает требования, описывает процессы, считает эффект от внедрения, готовит ТЗ для команды. Главные инструменты — Confluence, Jira, Miro, BPMN, Excel, PowerPoint. Погружение в SQL и код обычно минимальное.
- Системный аналитик переводит требования в язык разработки: описывает API, структуры данных, интеграции, логику работы системы. Главные инструменты — SQL (продвинутый), Swagger/OpenAPI, UML, Draw.io, Postman, Confluence, Git. Код на Python/Java читать умеют, но пишут редко.
Нередко обязанности бизнес и системного аналитика совмещаются в одной роли. На рынке труда в целом вакансии бизнес и системного аналитика так и называются, но бывают и случаи, когда ищут «аналитика данных» с обязанностями системного или бизнес-аналитика.
Когорта 2: анализ данных без погружения в код и продвинутой математики
Здесь под анализом данных подразумевается изучение (не сильно математическое) уже подготовленных за вас данных. Вам нужно предоставить выводы и рекомендации бизнесу. Сюда входят те, кто работает преимущественно с данными, но не пишет сложный код и не погружается глубоко в математику.
Главные инструменты: SQL, Excel, Power BI, Tableau, Superset. Код в стиле Python или R используется редко и поверхностно.
- Аналитики данных (коммерческие, финансовые, маркетинговые, продуктовые и т.д.): считают метрики, строят отчёты, анализируют воронки и юнит-экономику, работают преимущественно в SQL, Excel и BI-инструментах.
- BI-аналитики (все разновидности): проектируют и строят дашборды, настраивают визуализацию, оптимизируют отчётность для бизнеса.
Когорта 3: анализ и разработка — код и/или математика
Сюда попадают специалисты либо с серьёзными математическими знаниями, либо те, кто активно работают с кодом, а часто — и те и другие. Третью когорту можно рассматривать, как высшую ступень развития из второй когорты (но не обязательно): коммерческий аналитик, освоивший DWH и Python, может перерасти в аналитика третий когорты.
- Аналитики DWH: проектируют витрины данных, оптимизируют запросы, работают с ETL/ELT-процессами.
- Data Science-специалисты: строят модели, разбираются в статистике, машинном обучении, A/B-тестировании.
- Аналитики-разработчики: пишут код (в том числе в Data Engineering-целях), настраивают пайплайны, автоматизируют аналитику, но при этом также анализируют данные.
- ИИ-аналитики / AI-специалисты (относительно новое направление): работают с большими языковыми моделями (LLM), промпт-инжинирингом, тонкой настройкой моделей, внедряют ИИ-решения в бизнес-процессы. По сути — гибрид DS и разработчика, сфокусированный на генеративных и классических ИИ-моделях.
Даже если в вакансии или должности написано финансовый аналитик, но описаны требования из 3 когорты, то вы больше будете DS (или другим подвидом аналитика-разработчика), чем финансовым аналитиком.
Когорта 4: анализ и менеджмент
Эти специалисты называются аналитиками, но в существенный анализ глубоко не погружаются. Их работа — Excel, PowerPoint и управленческая деятельность:
- Презентации для топ-менеджмента.
- Бюджеты и факты методом sky finge.
- Процессы внутри компании.
- Согласования и коммуникация.
На рынке труда их могут называть по разному: «бизнес-аналитик», «аналитик», «финансовый аналитик». Но требования в вакансиях у них совсем другие: там редко встретишь SQL или Python, зато часто просят «умение делать крутые презентации» и «опыт взаимодействия с руководством».
Три критерия, по которым вы можете определить, какой вы аналитик
Каждого аналитика можно разложить по трём критериям:
- Функционал.Что конкретно делает специалист? Собирает требования, пишет код, строит дашборды, считает метрики, тестирует гипотезы, настраивает ETL, презентует результаты — или всё сразу. Функционал определяет место, в какой когорте вы располагаетесь.
- Инструменты. Какими инструментами пользуется? Excel / Google Sheets, SQL (базовый или продвинутый), BI-системы (Power BI, Tableau, Superset), языки программирования (Python, R, Scala), DWH / Data Lake / Spark / Airflow, или вообще «руками и глазами» без систем.
- Методы обработки информации (математические vs. «глазные» / Sky Finger). Как специалист анализирует? Математические методы: статистика, A/B-тесты, когортный анализ, модели, доверительные интервалы, проверка гипотез. «Глазные» методы (Sky Finger): «посмотрел на график и понял», «по опыту кажется, что так правильно», «визуально похоже на сезонность», «на глаз тренд растёт».
Метод определения, какой вы аналитик
- Посмотрите на название вакансии или вашей должности.
- Определите, какой функционал вы выполняете.
- Определите, какими инструментальными методами вы пользуетесь.
- Определите, какими методами обработками информации вы пользуетесь.
Расставьте нумерацию когорт по каждому пункту. Если преобладает какая-либо когорта, то вы — этот аналитик. Если получилось 50/50, то вы — могучий универсал.
Например:
- Должность — коммерческий аналитик (2 когорта)
- Функционал — строю ETL-пайплайны и обучаю модели (3 когорта)
- Инструменты и технологии: Python, SQL, Data Lake (3 когорта)
- Методы обработки информации: математические (ML-алгоритмы, статистика,временные ряды) (3 когорта)
Вердикт: вы — DS (3 когорта), а не коммерческий аналитик (2 когорта).
Другой пример:
- Должность — аналитик данных (2 когорта)
- Функционал — делаю презентации и первичный анализ данных (4 когорта)
- Инструменты и технологии: Excel, Power point (4 когорта)
- Методы обработки информации: Sky finger (4 когорта)
Вердикт: вы аналитик-менеджер (4 когорта), а не классический аналитик данных (2 когорта).-Источник
|
