Как найти работу аналитиком данных

Как стать аналитиком данных с нуля и найти работу в этой сфере?

Все больше компаний начинают искать специалистов по анализу данных. Появляется много вакансий в этой сфере, в том числе удаленных. Например, в Яндексе. Это перспективное направление, которое хорошо оплачивается. В статье вы узнаете, как стать аналитиком данных с нуля. Пройти весь путь от обучения, в том числе самостоятельно, до трудоустройства.

В статье есть ссылки на бесплатные уроки и платные курсы, сайты с вакансиями и другие полезные ресурсы. Поэтому рекомендуем прочитать ее до конца.

Содержание статьи:

• Кому подойдет профессия?
• Какую специализацию выбрать?
• Где учиться? Обзор курсов с дипломом
• Как освоить профессию самостоятельно?
• Что нужно знать и уметь?
• Сколько можно заработать?
• Как устроиться на работу без опыта?

• Где искать вакансии начинающим?

Кому подойдет профессия?

Людям, которым нравится работа с данными: цифрами, статистикой. Хочется заниматься интерпретация данных: собрать их и сделать важные для бизнеса выводы, подготовить рекомендации.

В этой сфере нужны следующие качества:

• Хорошо развитое логическое мышление.
• Умение видеть задачу целиком, не зацикливаясь на деталях.
• Готовность к монотонной работе.
• Внимательность.
• Желание учиться и узнавать новое.

• Умение работать в команде.

В эту область приходят люди с разным образованием и опытом. Часто это вторая карьера: человек состоялся в одной специальности и хочет освоить новое направление. Либо перейти в смежную сферу.

Стать аналитиком с нуля можно самостоятельно или пойти учиться на курсах. Профильное (математическое) образование не обязательно, но совсем без подготовки не обойтись. Про то, на кого надо обучаться, расскажем ниже.

Чем занимаются аналитики? Выбор специализации

В таблице ниже собрана информация о разных направлениях в специальности. Основная задача одна – анализ и систематизация данных. Однако задачи могут отличаться.

Бизнесмены и топ-менеджеры все чаще стремятся принимать решения на основе цифр. Эксперт помогает собрать статистику и систематизировать ее, сделать выводы. Извлечь из цифр практическую пользу. Специалисты востребованы в разных сферах: IT, маркетинге, продажах, банковской отрасли, экономике.

Где учиться профессии? Обзор курсов

В таблице собраны популярные программы в онлайн-университетах. Они позволяют освоить профессию с нуля на уровне, достаточном для трудоустройства. Вы получаете системную подготовку, включая практику, и документы, подтверждающие уровень знаний.

Если вас интересуют уроки для самостоятельного обучения, пролистайте таблицу вниз – они будут под ней.

Как освоить профессию самостоятельно? Бесплатные уроки

Вам потребуется изучить:

• Excel – для анализа и обработки числовой информации. В Клубе фрилансеров Вконтакте собрано много бесплатных видео по работе с этой программой. Пользуйтесь поиском по видео, чтобы найти нужные лекции. Excel (либо Google Таблицы) – база, с которой стоить начать, чтобы стать дата аналитиком с нуля.
• SQL – для работы с базами данных. Документация по Microsoft SQL есть в открытом доступе на официальном сайте. Бесплатные курсы по работе с SQL выложены на YouTube.
• Язык программирования Python. Он популярный и несложный. Изучить его можно по бесплатным самоучителям.

• Основы статистики. Есть в открытом доступе, например, здесь: лекции и семинары по курсу Математическая статистика от МФТИ.

Плюсом будет умение пользоваться следующими программами:

• Power BI и Tableau – для представления цифр в виде графиков и таблиц. Уроки для знакомства Power BI выложены на сайте Microsoft.

• MS Power Point – чтобы готовить презентации для клиентов. Обучающие материалы по Power Point есть в Клубе фрилансеров.

Полный перечень необходимых для работы навыков зависит от специализации. Например, чтобы стать бизнес-аналитиком, нужно хорошо разбираться в экономике, финансах.

Для самостоятельного обучения будут полезны следующие ресурсы:

• @internetanalytics – канал Алексея Никушина, основателя конференции МатеМаркетинг.
• @yandexmetrika – официальный чат пользователей сервиса Яндекс.Метрика.
• @appmetrica_chat – официальный чат пользователей AppMetrica, сервиса Яндекса.
• @excel_everyday – канал о работе в Excel.
• @google_spreadsheets_chat – чат по Google Таблицам и скриптам.
• @itanalyst_ru_chat – чат по 1С.
• Stepik.org/course/63054/info — тренажер по SQL.

• Analyst.by/library — библиотека сообщества бизнес- и системного анализа.

Читайте книги, например:

• Для бизнес-анализа. «Руководство к Своду знаний по бизнес-анализу BABOK (аббревиатура от A Guide to the Business Analysis Body of Knowledge)». Это полноценный учебник. Книга дорогая, но ее рекомендуют представители отрасли и преподаватели вузов. Это всемирно признанный стандарт бизнес-анализа. Она поможет продвинуться тем, кто хочет самостоятельно стать бизнес-аналитиком с нуля.
• Для работы с big data (большим массивом данных – востребовано в таких компаниях, как Яндекс). «BIG DATA. Вся технология в одной книге» (Вайгенд Андреас).

• Для работы в IT. «Путь aналитика. Практическое руководство IT-специалиста» (Иванова Вера, Перерва Андрей).

Что еще надо знать и уметь?

Математику, программирование и понимание бизнес-процессов. Чтобы стать аналитиком данных, нужно разбираться в этих сферах. В некоторых специализациях дополнительно понадобятся профильные знания.

• Математика. Нужно иметь знания в областях статистики, математического анализа и линейной алгебры и уметь их применять.
• Программирование. Нужно уметь программировать на Python и использовать SQL.
• Понимание бизнес-процессов, знание основных метрики.

• Редакторы таблиц. В профессии необходимо умение сортировать информацию, составлять диаграммы и графики. Если вы хотите самостоятельно стать аналитиком данных с нуля, начать стоит с изучения Excel и Google Таблиц.

Также могут потребоваться дополнительные знания и навыки. Например, для работы в иностранной компании может понадобиться иностранный язык, обычно – английский. По этой ссылке вы найдете много бесплатных самоучителей, словарей и другой полезной информации.

Сколько можно зарабатывать?

Разброс зарплат в сфере Data Analyst большой. Самые высокие доходы – в Москве и Санкт-Петербурге. Ниже перечислены средние зарплаты в разных городах:

• Москва — от 90 000 руб.
• Санкт-Петербург — от 80 000 до 100 000 руб.
• Казань — от 80 000 руб.
• Владивосток — от 75 000 руб.

• Самара — от 60 000 руб.

В среднем самые высокие доходы – в направлении финансового анализа. Зарплаты зависят от стажа и обязанностей:

• Стажеры и младшие специалисты — от 80 000 руб.
• Сотрудники среднего уровня — от 100 000 руб.

• Senior-специалисты и руководители отделов — от 170 000 руб.

В качестве дополнительного стимула работодатели могут предлагать программы добровольного медицинского страхования, посещение фитнес клуба и курсы иностранных языков.

Как устроиться на работу без опыта?

Чтобы получить предложение от работодателя, стоит тщательно прорабатывать каждый отклик на вакансию:

• Составить привлекательное резюме. Разборы резюме есть в телеграм-канале @products_jobs, там можно найти много полезных советов по его составлению. Также почитайте, как составить резюме, чтобы выделиться, как написать сопроводительное письмо. Опишите в резюме те навыки и задачи, которые близки к новой работе, и уберите непрофильные. Это поможет устроиться на работу аналитиком даже без опыта.
• Подписаться на каналы с вакансиями в социальных сетях, на лидеров отрасли. Оставлять содержательные комментарии под постами.
• Зарегистрироваться на профессиональных форумах и периодически читать, а также комментировать статьи и сообщения.
• Рассмотреть стажировку. Ее предлагают в том числе такие компании, как JetBrains, Авито, Яндекс.
• Добавить в резюме не только описание образования и опыта, но и личные качества, такие как аналитический склад ума, бизнес-мышление, внимание к деталям.

• Готовиться к каждому собеседованию: изучать информацию о работодателе, узнавать, кто будет проводить интервью.

Где искать работу новичкам?

Сайты, где можно найти вакансию аналитика данных, в том числе без опыта работы:

• HH.ru – популярный сайт для поиска работы. Здесь можно найти не только вакансии, но и варианты стажировки.
• Kwork – здесь можно разместить информацию о своих услугах и получать заказы.
• Career.habr.com – раздел с вакансиями на сайте для IT-специалистов.
• @kadrof_work – здесь размещаются предложения удаленной работы и заказы для фрилансеров.
• @analysts_hunter – профильные вакансии в Телеграм.
• @datasciencejobs – предложения о работе в области искусственного интеллекта, сбора, обработки и дата-анализа.
• @foranalysts – предложения для Digital analysts и Data scientists.
• @products_jobs – вакансии и разбор резюме.

• @hireproproduct – продуктовые вакансии.

Как найти стажера — аналитика данных

Привет, Хабр!

Хочу поделиться опытом поиска стажеров – аналитиков данных. Статья может быть интересна тимлидам аналитики, а при некоторой адаптации — и для лидов других направлений. Скорее всего, какие-то подходы вы найдете спорными, давайте дискутировать. Кандидатам на стажерские позиции статья тоже может пригодиться, но все секреты не выдам 🙂

Сам я пришел к аналитике немного извилистым путем: начинал с программирования сложных технических и математических задач, продолжил, создавая хранилища и платформы для аналитики, после чего стал лидировать направление аналитики в компании реального сектора. Постепенно переходя от оптимизации абстрактных вещей к вполне конкретным миллиардам, которые дополнительно получает наша компания. Аналитика хороша тем, что это комбинация технически интересных задач и результатов прямо сейчас.

Почему стоит брать стажеров? Даже сейчас лучшие умы находят себе хорошее место задолго до окончания университета,  поэтому если хотите получить к себе в команду таких, нужно подсуетиться. Холивар на тему “брать стажеров или нет” оставлю на постскриптум. А сейчас расскажу о сложностях, с которыми столкнулись, и изложу относительно простой алгоритм, выработанный для их решения. Подход заключается в том, что оценивается не столько правильный ответ на прямой вопрос, сколько большое количество сопутствующих паттернов поведения.

В чем сложность?

Хороший аналитик обладает практически несовместимым в одном человеке набором качеств. Он должен хорошо знать математику, быть технарем, обладать продуктовым и бизнесовым мышлением… Все это надо проверить. Причем, в случае найма стажеров надо оценить не столько текущее состояние, сколько потенциал. Потенциал же определяется образовательной базой, способностью обучаться, самостоятельному поиску, независимостью мышления и коммуникабельностью.

Задача выбора осложняется тем, что входящий поток кандидатов может быть очень большой. В последний раз я просмотрел более чем 800 одинаковых резюме: студент курса N такого-то ВУЗа, без опыта работы. Это ограничивает применение традиционных приемов или методик типа STAR, поскольку они опираются на рабочий опыт, которого нет. Можно опираться на учебный опыт, но это лишь покажет, как кандидат вел себя в нерелевантных условиях.

Вкратце про STAR

Оговорюсь, что в нашей стажерской программе мы берем только студентов старших курсов: это формальное ограничение. Но именно на позицию стажера я бы других и не рассматривал, потому что на младших курсах работать некогда, а после окончания ВУЗа уже не стажерскую позицию пора искать.

Правда, тут не покрывается один кейс: иногда в ИТ успешно работают люди без высшего образования вообще, а мы их не возьмем, это минус.

Отбор состоит из нескольких этапов:

1 этап — отбор резюме

На этом этапе HR отбирают студентов из релевантных технических университетов. Если в воронке много кандидатов, то можно брать только топовые институты. Причины две:

• Там дают хорошую фундаментальную базу по математике. Если тут будет пробел, то восполнить его на работе не получится.

• Если кандидат сумел поступить в хороший институт, то это свидетельствует о его мотивации.

Но в целом в хороших институтах не дают хороших навыков аналитика. У меня порой даже обратное ощущение. В не самых лучших институтах студенты понимают бесполезность даваемых знаний, они сразу ищут работу, и получают там необходимые навыки. Но, в конце концов, скиллы я дам стажеру легко, а фундаментальное образование — нет.

Кроме хороших ВУЗов, большим плюсом считаю следующее:

• Есть какой-то личный проект, напрямую не связанный с учебой, который кандидат сделал сам. Это позволяет увидеть как мотивацию, так и достаточную фундаментальную базу.

• Есть какой-то совершенно необычный опыт, который стоит рассмотреть отдельно. Например, у нас в воронке был студент – ассистент советника бывшего президента США 🙂

• Уже есть очень релевантный опыт работы и результаты.
  Кстати, нерелевантный опыт, типа McDonalds, тоже считаю плюсом, так как показывает хорошую мотивацию.

Альтернативный подход — давать всем тестовое задание. Тогда все в равных условиях, оценка только по результатам, а не формальным признакам. Но есть минусы. Мои знакомые делятся на тех, кто никогда не делал тестовое задание, и тех, кто делал их большой сплоченной командой. Да-да, не только у вас воронка из сотен кандидатов — у хороших кандидатов воронка из десятков других возможностей, и пары часов на тестовое задание может не найтись. Или же задание сделает не ваш кандидат, а его друг. И еще — нужно потратиться на автоматизацию тестирования, поскольку глазами просмотреть все решения не будет возможности.

2 этап — видеоинтервью

При большой воронке имеет смысл проводить видеоинтервью.

Суть в том, что кандидат самостоятельно в онлайне отвечает на подготовленные вопросы, ответы потом можно посмотреть в записи. У кандидата это занимает 15 минут, а мы на удвоенной скорости вполне можем просмотреть сотню кандидатов, т.к. в большинстве случаев не требуется смотреть полностью. Есть готовые платформы для видеоинтервью, свою писать не нужно.

Кандидаты, которые показались супер-релевантными уже по резюме, в этот этап не попадают. Они не будут отвлекаться на разговор с бездушной машиной, зовите их на собеседование сразу. Таких будет немного. Из оставшихся больше половины не запишут интервью, но наиболее мотивированные запишут. В конце концов, это всего 15 минут.

Начинается интервью с вопроса “Расскажите о себе”. Главная цель — помочь кандидату расслабиться, ведь про себя все могут спокойно рассказать. Времени на ответ дается много. Еще вариант: какое ваше самое большое достижение? Вопрос тоже расслабляющий, но иногда тут выявляются какие-то личные приоритеты и ценности.

Далее идут вопросы по хард скиллам, в нашем случае — Python, SQL, BI. Мы задаем вопросы трех видов:

1. Тривиальный вопрос. Позволяет понять, знает ли кандидат это вообще. Времени давать очень мало, чтоб не успеть загуглить.

2. Открытый вопрос. “Расскажите какие конструкции в <…> вы знаете”. Позволяет определить охват, не гарантируя что кандидат это действительно знает глубоко. Потом проверите.

3. Хитрый вопрос. Ответ на него не знают многие спецы. 99% кандидатов на него не ответят. И зачем его задавать?

   • Многие говорят “я не знаю, но могу предположить что ..”, и далее следует неправильный ответ. Это вполне нормально, человек попытался предложить хоть какое-то решение. Но иногда кандидаты уверенно отвечают чушь, что точно означает профнепригодность для аналитика.

   • Тот же самый вопрос (!) потом задается на очном собеседовании. Если кандидат столкнулся с чем-то незнакомым и прошел мимо, то такой любознательности не хватит для нашей работы.

Отмечу, что SQL часто просто нулевой. Многим студентам его просто негде получить. Это не блокер для дальнейшего. Но Python (или R) уже в каком-то виде должен быть.

Из кандидатов я отбираю достойных, и их уже смотрит вся команда. Мы голосуем, и в итоге отбираем человек 10 для следующего этапа.

3 этап — зум собеседование

Пожалуй, это самый ответственный и длительный этап. Я на него подключаю еще и команду, ну как минимум по финалистам команда смотрит запись интервью.

Начинаю с короткого small talk, потом рассказываю в общих словах про позицию и чем мы занимаемся. Дальше вопросы кандидату:

1. Расскажите о себе. Снова и с той же целью — войти кандидату в комфортный режим.

2. Когда комфортный режим достигнут, я цепляюсь за какой-то учебный кейс и пытаюсь оценить глубину погружения. Бывают зубрилы, от которых отскакивает вся теоретическая часть и нет абсолютно никакого понимания о чем все это. Например, ошибки разного рода в медицинской диагностике, когда в случае False Negative человек умер, а при False Positive принимал лишний раз безобидное лекарство. Тут рассуждения о площади под ROC кривой не помогают, но обычно именно про это и рассказывают. Хорошо, если кандидат рассуждает про последствия ошибок, которые могут и не быть безобидными в конкретных кейсах.

3. Задача на логику. Она показывает сообразительность и понимание асимптотических штук. Считаю важным, чтобы аналитик понимал, “а что будет в пределе?”.
   На задаче очень многие тупят! Это ни о чем не говорит, нужно давать подсказки и направлять решение. В процессе этого можно понять, насколько легко с кандидатом “думать вместе”. А я обычно думаю вместе с командой. Если “думать вместе” не получается и подсказки не находят понимания, это довольно плохо, сработаться будет тяжело. Если же находят — задача будет рано или поздно решена.

4. Задача на Python, которую следует решить онлайн с шарингом экрана. Мы предпочитаем не использовать специальных сервисов онлайн собеседований, а просим кандидата продемонстрировать свой экран. Что мы тут смотрим:

   • Конечно, как человек пользуется поиском! Как он ищет по документации, на каком языке (английский лучше!), быстро ли понимает, то он нашел, или не то. Можно оценить бэкграунд кандидата по поисковым подсказкам, или когда по части ссылок ранее проходили.

   • Вообще, далеко не все понимают, что можно пользоваться поиском. Но зачем даже профессионалу держать в голове функции для работы с датами для всех 5 языков, которые он активно использует? Прямой вопрос “а можно ли искать” показывает хорошие коммуникативные навыки кандидата.
     Один кандидат, удостоверившись что можно пользоваться поиском, начала гуглить не функции с датами, а готовое решение именно этой задачи. Ценю! Но для нашей задачи не помогло.

   • Знаком ли вообще с горячими клавишами или хотя бы с интерфейсом Jupyter, Pycharm или чего-то еще. Именно по владению IDE понятен реальный бэкграунд кандидата.
     Вообще, если Python стоит на компьютере кандидата, это уже плюс, скорее всего он когда-то что-то на нем делал. Если не стоит какая-то библиотека, можно посмотреть, сможет ли кандидат её поставить. Вопрос от кандидата “что такое pip?” — это блокер.

   • Если доходит дело до получения ответа, то проверит ли кандидат свой ответ на common sense. При самой частой технической ошибке в итоге получается, что все рейсы авиакомпании задерживаются. А данных за 5 лет. Реально ли, чтобы такая авиакомпания проработала 5 лет?

   • Бывает, что человек говорит “я вот на Python не особо, вот бы на R порешать”. В таком случае я говорю — ок, решайте как привыкли. Забавно, что получал ответ “Ой, а на R я уже два года ничего не писал”. Короче, Python можно заменить SQL или R, задача должна это позволять.

5. Простые и провокационные вопросы по статистике. Один из таких: “Билл Гейтс заходит в случайный бар, где 10 посетителей. В результате этого посетители бара становятся в среднем миллиардерами. Так ли это?”
   Если кандидат может порассуждать о выбросах, отличиях медианы и среднего — это хорошо. Можно поспрашивать, когда выбросы нужно игнорировать, а когда нельзя.

Завершается интервью тем, что я рекламирую нашу команду, и рассказываю почему в целом стоит идти именно в эту компанию. Вы должны уметь очень хорошо это продавать, надо тренироваться! Я оставляю это под конец, поскольку при отрицательном исходе этот этап можно пропустить.

Финальное решение

Решение обсуждается всей командой. Это позволяет нивелировать личные симпатии или антипатии к кандидату. Берем только единогласно.

Заключение

Такой подход позволяет оценить множество софт-скиллов параллельно с оценкой хард скиллов. В большинстве вопросов трудно показаться лучше, чем ты есть на самом деле, или наоборот — зафакапиться из-за волнения.

Полагаю, часть приемов можно использовать и при собеседовании опытных аналитиков, но с осторожностью. В этом случае есть хорошие методики типа STAR, которые позволяют относительно достоверно все выяснить.

Итого. Набирайте стажеров, используя подходы,которые обкатали мы. Результат вас может приятно удивить.

P.S. Брать или не брать, that is the question

Стажерские программы имеют массу минусов, вот на мой взгляд главные:

• Обучение стажеров требует времени. Если ваш продукт должен будет выйти вчера, то не берите стажеров.

• Стажеров кто-то должен учить. Если у вас в аналитике никто сам не шарит, опять же – не берите.

• Стажеров нужно уметь продвигать. Если в вашей компании на уровне регламентов зарплаты можно повышать только на 5 процентов в год, то через год ваш стажер будет получать 2x, но в x5 🙂 Зарплатами дело не ограничивается, должны быть еще соответствующие задачи. Это прям критически важно, самых умных надо продвигать быстро. А не самые умные пусть уходят, вам же лучше.

Но все-таки, почему стоит запускать стажерские программы?

• Как я писал вначале, это способ получить в команду лучшие умы. Если у вас нет IT-бренда, то других способов немного.

• Проблемы с софт скиллами сотрудника проще всего решить на ранних стадиях карьеры. Напротив, проблемы с тех. скиллами понятно как решать и их проще оценить на собесе.

• Наконец, киллер-аргумент 🙂 Мне просто нравится! Развивая других, я развиваюсь и сам.

В материале разберем, какими навыками и знаниями должен обладать начинающий аналитик, какие бывают специализации и задачи, а также — как предыдущий опыт поможет перейти в профессию.

Навигация

Прогноз развития сектора

Во времена кризиса многие компанию стараются судорожно свести дебет с кредитом, аналитика становится особенно актуальной по ряду причин: важно посчитать, что компания имеет сейчас, что бы хотела иметь и скорректировать действия по выполнению поставленных планов. Основной целью будет:

Поскольку в нестабильной ситуации аналитик — важный инструмент, умение обращаться с данными — ценный навык, поскольку аналитики становятся людьми, способными ответить на вопросы “как нам дальше жить?”, “что делать?” и “как скорректировать планы на год-два?”, а также принять верные data-driven решения.

Важно понимать, что не все компании смогут увеличить или хотя бы сохранить объемы найма на прежнем уровне, поэтому чем большим спектром навыков вы обладаете — тем больше у вас шансы получить должность (в кризис хочется нанять меньше, но лучше). Получается, основной запрос сейчас на высокий уровень скиллов, но с другой стороны, джуниор-специалисты тоже актуальны: растущий внутри компании кадр, хранитель знаний, недорогой, но при этом желающий обучиться. Важно будет показать высокую мотивацию.

Новичок в IT — что делать и надо ли?

Для начала, стоит определиться с тем, хочется вам именно в аналитику или нет. Важно понимать, что помимо решения творческих задач есть достаточно внушительное количество рутины и копошения в огромных таблицах.

Если внимательное прочтение строк выше вас не отпугивает и вы любите периодически позалипать в табличках, плюс, вы детально изучили виды задач у аналитиков и избрали для себя наиболее предпочтительный путь, необходимо:

После того, как вы более-менее освоите перечисленную выше базу, можно переходить к поиску работы. Из-за большого количества кандидатов стоит заморочиться с резюме и подготовкой его к идеальной для вас вакансии: детально изучить, что требуется в компании мечты, и постараться максимально адаптировать имеющийся опыт под требования работодателя.

Помогут в этом примеры реальных задач с собеседований на glassdoor.com или где-нибудь еще 🙂

Nota Bene: аналитик — это все же технический специалист, хоть и с часто смешанным функционалом. Чтобы сильно не разочаровываться, не стоит пытаться без опыта сразу заскочить на позицию middle.

Какие задачи выполняет аналитик?

Если говорить о позиции аналитика в целом, не разделяя на отдельные подвиды (об этом дальше), то можно выделить такие задачи:

Какие бывают аналитики?

Продуктовый аналитик

Навыки: SQL, Python/R, хорошее знание математической статистики и теории вероятности, визуализаторы данных типа Tableau, Qlik, Power BI

BI-аналитик

Навыки: SQL, ETL, визуализаторы данных

Бизнес-аналитик

Навыки: SQL, визуализаторы данных, плотная работа в Confluence, BPMN (BizAgi Modeler) , UML

Системный аналитик

Навыки: UML, BPMN и инструменты для него, Confluence, SQL/Python

Маркетинговый/веб аналитик:

Навыки: SQL, Python, Google Analytics, визуализаторы данных как бонус, инструменты мобильной аналитики (Amplitude), математическая статистика

А еще есть дата-аналитики, которые часто являются комбинацией либо всего из вышеперечисленного, либо частично 🙂

Разновидностей аналитиков на рынке — масса, но:

Лучше выбрать направление себе по душе и фокусироваться на нем 🙂

Как переиспользовать текущий опыт?

Вопрос неоднозначный, поэтому вариантов несколько:

Вариант 1

Вы приходите в IT-аналитику с соответствующим образованием (IT, экономика, бизнес-анализ) — в таком случае вы вспоминаете пройденные курсы по статистике/теорверу, вспоминаете задачки, которые решали, и добиваете сверху SQL и прочими радостями

Вариант 2

Вы приходите в IT-аналитику с похожим опытом: например, работали аналитиком продаж или аналитиком в какой-нибудь FMCG-компании, то есть типовые задачки решали, рекомендации давали, но инструментами не владеете: тогда докачиваем продуктовое мышление и снова SQL

Вариант 3

Вы приходите в IT-аналитику вообще из другой сферы, ничего подобного до этого не делали и ничему такому не обучались. В таком случае, самое релевантное — взять полноценный курс, где вы пройдете все, начиная с самых основ. Самостоятельно может быть сложно, а вот кураторы/менторы на курсах могут здорово помочь.

Полезные материалы

Успехов 😉

Профессия аналитик данных (Дата-аналитик) – модная, современная, высокооплачиваемая и такая непонятная для новичков… Попробуем в этой статье исправить ситуацию и рассказать вам о ней все, что может вам пригодиться, если вы решите выбрать для себя это направление.

Сразу предупреждаем, что профессия достаточно сложная, не для всех, требует определенного склада ума, знания математики на высоком уровне, а также Python (правда не глубоко), SQL и многих других достаточно сложных вещей.

Кто такой аналитик данных и чем он занимается

Это высокопрофессиональный специалист, который собирает данные, обрабатывает их и делает выводы, а на основании его отчетов в компаниях принимают важнейшие решения. Поэтому цена ошибки или плохой работы любого аналитика данных – финансовая судьба бизнес-компании.

Также, дата-аналитик помогает увидеть точки роста и расширения бизнеса. Он помогает искать скрытые для обычного человека, причинно-следственные связи между огромными массивами информации, объяснять их цифрами и находить готовые решения для оптимизации бизнес-процессов в компании, где он работает.

Обязанности дата-аналитика

К основным обязанностям относится:

1. Регулярное общение с владельцами бизнеса и определение проблемных точек в компании.
2. Сбор всей необходимой информации.
3. Создание гипотез для улучшения необходимых показателей компании.
4. Подготовка данных к выполнению анализа: их сортировка, фильтрация и т. д.
5. Определение закономерностей.
6. Разработка решений, которые потом можно использовать для проекта или бизнеса.
7. Визуализация данных для наглядности.

Рассмотрим несколько будничных задач, которые регулярно приходится решать людям этой профессии:

1. Автоматизация процесса сбора и обработки данных, необходимая для составления аналитических отчетов и статистики.
2. Поиск закономерностей в результатах своих исследований.
3. Внедрение бизнес-метрик, помогающих оценивать разные виды деятельности (CAC, ROI и др.).
4. Применение диагностической аналитики, необходимой для установления причинно-следственных связей между случившимися ранее явлениями.
5. Осуществление A/B тестирования. Оно необходимо, чтобы исследовать реакцию рынка на изменения, произошедшие в услугах компании.
6. Использование в своей работе предсказательной аналитики, нужной для выдвижения новых гипотез.
7. Применение методов юнит-экономики, необходимой для поиска самых выгодных решений по логистике и дистрибуции различных товаров.

Пример работы аналитика данных

Для того, чтобы вам проще было понять всю суть работы этих специалистов, предлагаем рассмотреть несколько наглядных примеров из их трудовых будней.

1. Дано: аналитик работает в сети интернет-магазинов по продаже одежды.
2. Проблема: у владельца бизнеса очень плохая эффективность при очень хорошем трафике. Говоря простым языком, люди переходят на сайт, смотрят, изучают ассортимент, но уходят, так и не совершив покупки.
3. Работа аналитика данных: он выясняет, на каком этапе у клиента теряется интерес. Затем предлагает и самостоятельно проверяет различные гипотезы, которые помогут удержать клиента и обязательно довести до покупки на сайте.
4. Итог: владелец бизнеса решает проблему с продажами, бизнес растет, все довольны и счастливы!

Это всего лишь один пример. А так, аналитики данных работают практически во всех отраслях современной экономики :

• в IT-компаниях;
• компаниях, оказывающих рекламные услуги;
• услуги продвижения (SEO, SMM и т.д.);
• в маркетинговом агентстве;
• в банках;
• в медицинских организациях;
• в государственных структурах;
• в страховом бизнесе и т.д.

Кем и где потом можно работать

Давайте рассмотрим, кем и где сможет работать человек, окончивший обучение по этой профессии.

1. Непосредственно, аналитиком данных.
2. Аналитиком в e-commerce (разрабатывать и внедрять рекомендательные системы, проводить анализ прибыльности товаров и т.д.).
3. Маркетинговым аналитиком (настраивает сквозную аналитику, готовит отчеты и дашборды для оценки эффективности компании).
4. Продуктовым аналитиком ( оценивает текущее состояние продукта, внедряет процессы аналитики в компании).
5. Веб-аналитиком (собирает и анализирует данные о посетителях сайта или интернет-магазина, ищет и устраняет причины плохой посещаемости или конверсии (перехода в продажи).
6. Аналитиком в Fin-tech (помогает улучшить механизмы оценки заемщиков, оценивает риски при выпуске новых финансовых продуктов).
7. Маркетплейс-аналитиком (помогает онлайн-магазинам выявить ключевые бизнес-метрики и улучшить эффективность.
8. Bi-аналитиком (выявляет тенденции и закономерности, плохо влияющие на эффективность компании).

Востребованность в России и зарплата

Профессия супервостребована! В этом достаточно легко убедиться пробежавшись по сайтам вакансий. Если взять самый популярный HH.RU, то на момент написания этой статьи, только по Москве было 6617 вакансий , по Питеру – 1500 вакансий, если брать такие города как Нижний Новгород, Екатеринбург, Казань, то там можно отыскать примерно по 400-500 вакансий на должность аналитика данных.

Хорошие аналитики требуются во все отрасли экономики, их мало и поэтому компании вынуждены переманивать их друг у друга, предлагая лучшие условия.

На какую зарплату можно рассчитывать? Тут конечно все будет зависеть от региона, стажа и многих других факторов. Ориентировочные цифры могут быть примерно такие:

• дата-аналитик без опыта/стажер – 40-50 тысяч;
• мидл – до 140-150 тысяч;
• сеньор-аналитик – до 300 тысяч рублей.

Точные цифры по заработной плате можно узнать все на тех же сайтах вакансий, введя свой регион и профессию.

Что должен уметь хороший аналитик данных и какими навыками обладать

В принципе, чтобы узнать какие хард-скиллы ждет от вас будущий работодатель, достаточно открыть любой сайт вакансий по этой профессии. Рабочие задачи и навыки которые будут от вас ожидать там четко прописываются. Вот, например, мы открыли первую попавшуюся вакансию от Сбера.

Также, это может быть:

1. Умение писать запросы на языке SQL. Этот навык помогает автоматизировать многие рутинные задачи, анализировать данные, проверять предположения, обрабатывать очень большие объёмы информации для поиска закономерностей.
2. Умение формулировать гипотезы. Понадобится вам для подготовки предложений и прогнозов, которые потом смогут решить проблему или задачу компании или бизнеса.
3. Умение визуализировать данные в Qlik Sense, Tableau или Power BI. Графическое представление информации в дашбордах позволяет наглядно презентовать бизнесу ваши выводы и наблюдения.
4. Умение проводить A/B-тестирование. Этот инструмент лучше всего помогает убедиться в правильности предположений.
5. Умение создавать отчёты на языке пользователей. Очень важно подбирать по максимуму понятные для заказчика термины для представления результатов своей работы.
6. Умение использовать систему типа Big Data. С их помощью значимая информация выгружается из разнообразных источников.
7. Владеть критическим анализом собственных идей и информации. Навык необходим для получения достоверных выводов, основанных на цифрах, а не на привычных представлениях.
8. Иметь навыки коммуникации, грамотного ведения переговоров. Очень важно находить общий язык с заказчиками и правильно понимать их желания и проблемы.
9. Уметь работать в Google Sheets или Excel. Этот навык понадобится вам для создания отчётов, дашбордов, предоставления информации для пользователей.

Аналитик данных: платные и бесплатные курсы – что выбрать для учебы

Для начала, давайте разберем разницу между платными и бесплатными курсами. Мы рекомендуем начать с прочтения нашей статьи, которая так и называется:

1. Зачем проходить бесплатные курсы, если они не дают знаний, позволяющих освоить профессию.

Задача любых бесплатных курсов, прежде всего познакомить новичков с той или иной профессией. Вы должны четко понимать, что полноценно учить бесплатно вас никто не станет.

Но польза и у таких курсов тоже есть. Правда не у всех. Одни гуру могут лить вам воду в течении нескольких часов, рассказывая о том, насколько крута будущая профессия, с которой вы пришли познакомиться и какие золотые гору вас ожидают.

Другие – помимо лекций предложат еще и практику, что очень важно, ибо только попробовав, можно понять, хотите вы этим заниматься или нет!

Научившись выбирать хорошие бесплатные курсы вы сможете черпать знания на халяву и попутно готовиться к тому, чтобы когда-нибудь освоить выбранную профессию полноценно.

Мы в своих статьях стараемся не давать ссылки на бесполезные бесплатные курсы, а рекомендуем только те, которые в обязательном порядке включают практику. Один из таких – ниже.

Бесплатный курс по аналитике данных от SkillFaktory

Кому будет полезен этот бесплатный интенсив?

1. Новичкам, которые хотят познакомиться с этой профессией поближе и примерить ее на себя.
2. Начинающим аналитикам, которые хотят поднять свой уровень компетенции и понять, как максимально быстро сделать карьеру.
3. Практикующим разработчикам. Есть возможность бесплатно научиться работать с SQL и писать запросы к базам данных. Вы поймете, как данные помогают решать задачи бизнеса.
4. Специалистам в любой отрасли, для общего развития. Пройдя 3-дневный интенсив вы научитесь работать с инструментами анализа данных и сможете применять их в своей текущей профессиональной деятельности.

SkillFaktory традиционно славится качеством своих бесплатных материалов, которые обязательно включают в себя практику. Данный курс-интенсив также не является исключением и научит вас за 3 дня многому. Например:

1. Работать с базами данных в аналитике.
2. Писать запросы к данным на SQL.
3. Применять полученные знания для анализа состояния компании и мн.
   др.

Посмотреть программу бесплатного курса и записаться на него, можно по этой ссылке. Не обращайте внимание, если дата прохождения стоит уже прошедшая. Интенсивы проходят регулярно, просто оставьте свои данные и вам сообщат, когда будет ближайший.

Полноценное освоение профессии аналитика данных с нуля до PRO

Полноценное обучение – это только хорошие платные курсы! Длятся они в среднем 1 год или чуть менее. За это время можно освоить профессию аналитика данных буквально с нуля и до уровня PRO!

Да, cтоят такие курсы недешево, но они дают реальную перспективу получить классную, высокооплачиваемую профессию, трудоустроиться и начать карьеру.

Кем потом вы сможете работать, мы описывали в этой статье выше. Вариантов масса.

Окончив хорошие курсы вы получите крепкий фундамент профессии аналитика данных: изучите и разовьете основы аналитического мышления, освоите ключевые инструменты профессии (Google Analytics, Google Tag Manager, Яндекс.Метрику, Google Sheets, SQL, Python, Power BI, математическую статистику мн. др.).

Из всего многообразия онлайн-школ, предлагающих обучение по этой профессии, мы рекомендуем обратить внимание всего на 2. Это Нетология (самая топовая платформа в России) и Скиллфактори, где традиционно очень сильно именно это направление и поэтому многие выбирают именно эту школу.

Не гонитесь за большими скидками малоизвестных образовательных платформ, помните про скупого, который всегда платит дважды!

Онлайн-курс – Аналитик данных с нуля до PRO от SkillFaktory.

Онлайн курс – Аналитик данных с нуля до middle от Netology.

Второй курс более углубленный (171 час теории и 297 часов практики), поэтому длится 13 месяцев.

Как обычно проходит собеседование

Предположим, вы получили профессию и пытаетесь трудоустроиться. Давайте рассмотрим, вкратце, чего следует ожидать будущему аналитику данных, который первый раз пришел на собеседование.

Обычно собеседование происходит в 3 этапа:

1. В самом начале проверяют ваши софт-скиллы. В этой статье мы описывали Soft skills необходимые в дизайне, но можете прочитать. Многое пересекается. В основном обращают внимание на ваше умение грамотно разговаривать, строить речь, общительность, стрессоустойчивость и т.д.
2. На втором этапе проверяют уже навыки, без которых не представляется возможным профессия аналитика данных: умение логически мыслить, знание математики, способность мыслить интуитивно. Проверяется это элементарными простыми задачками из школьной программы.
3. Третий этап – это проверка непосредственно ваших профессиональных знаний в профессии, так называемых – хард-скиллов. Уровень ваших навыков проверяется при помощи разных тестовых заданий, которые у каждой компании могут быть свои, в зависимости от фантазий.

В хороших онлайн-школах, таких как SkillFaktory, Skillbox, Netologya подобных вещам уделяют пристальное внимание и готовят своих студентов к собеседованию заранее, прорешивая с ними подобные тестовые задания заранее, собирая портфолио, готовя резюме и т.д.

Обычно это делается через центр развития карьеры или непосредственно в процессе учебы. Мы рекомендует уточнять этот вопрос еще до того, как вы оплатите обучение и начнете учиться. В противном случае, вам придется готовиться к собеседованию самостоятельно.

Я физик и работаю в стартапе YCombinator. Из-за специфики работы компании я получаю много писем с просьбами дать советы по построению карьеры в области анализа данных.

Зачастую разными людьми задаются похожие вопросы. Благодаря тому, что я получаю большое количество таких писем и отвечаю на них, у меня появились шаблонные ответы на часто получаемые вопросы.

Пару дней назад я получил письмо, в котором задавалась куча вопросов, обычно задаваемых по одному, каждый в отдельном письме. Я написал ответ, отправил его и понял, что я мог бы поделиться своими ответами с людьми, чтобы их могли увидеть все, у которых по неизвестной им причине есть затруднения с поиском работы.

На каждого человека, задающего вопрос, приходится десять человек, задающихся тем же вопросом, но не озвучивающих их. Если вы один из этих десяти, то эта статья для вас. Надеюсь, она будет полезной.

Вот письмо, которое я получил:

От: Лонни[имя изменено]

Тема: Попытки получить работу в области машинного обучения

Я человек, не окончивший ВУЗ (начну с этого, потому что, видимо, если ты не родился с докторской степенью по физике и пятнадцатью годами работы в сфере аналитики данных, то что-то пошло не так). […] Пока я пытался постичь маркетинг, я понял, что мне очень нравится работа с данными. Сначала я прошел квалификационное тестирование A / B, получив сертификат Google в Google Analytics и Optimizely. Затем начал работать с Python, SQL, и т.д. И вот, недавно я окончил обучение в известном буткэмпе по науке о данных и теперь пытаюсь пройти интервью. Я отправил более 100 копий резюме, но получил катастрофически мало приглашений.

Для поддерживания уровня я прохожу программы Udacity NanoDegree и Dataquest.io.

[…]

Я думаю, что неоконченное высшее образование мешает мне. Ведь проблема не в отсутствии навыков: мне даже не удаётся получить возможность пройти интервью, чтобы продемонстрировать их.

У меня было интервью в крупной компании. Это был мой первый опыт написания кода на доске, поэтому всё прошло не так хорошо, как хотелось бы.

У меня было задание на дом от крупного стартапа: анализ выживаемости, но я никогда этим не занимался ранее, поэтому и это у меня вышло хуже, чем ожидалось.

У меня было задание от крупной корпорации, которое я выполнил, но на личной встрече они не взяли меня из-за отсутствия образования (это глупо, ведь у них было моё резюме и до этого).

Остальное: совсем ничего

[1]

Мой ответ

Привет, Лонни! Большое спасибо за обращение.

Реальность такова: в некоторых случаях процент приёма на интервью может быть 2–3%, в зависимости от того, куда ты отправляешь резюме. Этому есть две причины, о которых ты можешь даже не знать.

“Затерянный в толпе”

Первая причина — многие HR-команды используют систему для трекинга кандидатов: она определяет, откуда чаще приходят лучшие работники. Если ты подаёшь заявку через ресурс с плохим рейтингом в прошлом, рекрутеры потратят на тебя гораздо меньше времени. 

Например, если подаёшь на техническую вакансию через Indeed, вероятность того, что тебя возьмут, очень мала. Слишком много людей пользуется этим способом. Это значит, что человек, подающий резюме через Indeed, скорее всего, будет среднестатистическим соискателем. Поэтому специалист по подбору кадров лишь пробежится глазами по резюме, так как заранее будет думать, что оно совершенно непримечательное.

Эту проблему можно обойти, подавая резюме через сайты, о которых люди не так много знают. Такими являются, например, Key Values и Work At A Startup. Если вы отправляете резюме через такие малоизвестные и специализированные сайты, у работодателя создаётся впечатление, будто вы намеренно ищете работу именно у них. Среднестатистический соискатель с таких ресурсов, как правило, ценится выше. Поэтому компании уделяют больше внимания резюме людей, пришедших с относительно малоизвестных источников.

Политика офиса

Вторая причина, почему не стоит подавать резюме через известные биржи вакансий — компании размещают вакансии не для того, чтобы найти людей, которых они действительно хотят нанять. 

Это звучит абсурдно: зачем же они тогда размещают эти объявления? Для начала, нужно понять, что в большинстве крупных компаний отдел по подбору кадров и инженеры-разработчики мало связаны между собой. Отдел по подбору персонала как раз-таки и размещает вакансии на Indeed.

К несчастью, в отделе HR вряд ли много разработчиков, поэтому они не могут определить по резюме, какие из кандидатов действительно окажутся хорошими кадрами. Они определяют это по сертификации, то есть, диплом ВУЗа или опыт работы в крупной компании.

Вот она, тёмная правда того, почему ответ поступил лишь на 2–3% отправленных резюме: отдел HR не может отличить стоящие резюме от не очень качественных. Поэтому они просто говорят “Нет”, потому что не хотят тратить время на выпускников, возможно, посредственных резюме.

Есть и хорошие новости: большинство команд инженеров-разработчиков понимают, что отдел HR может отсеять талантливых кандидатов. Поэтому они набирают работников через совершенно другие каналы. Дам совет: посещай митапы по машинному обучению. Находи их, например, на meetup.com, выбирай те, которые выглядят привлекательно и иди туда.

Довольно скоро ты научишься определять, которые из них действительно стоит посетить. Это может дать очень много возможностей, поэтому задавай умные вопросы, веди продуктивные беседы и жди неизбежного “мы ищем…”.

Собеседование

Интервью для приёма на работу — тёмный, мистический ритуал. В каждой компании процесс совершенно разный, при этом каждая компания думает, что их собеседование наиболее полное и продуктивное.

Есть много способов стать лучше, но наиболее действенный — пройти через это много раз. Мой совет посещать митапы поможет и тут: чем больше ты ведёшь бесед, относящихся к работе, тем лучше ты становишься в этом. Даже если ты провалишь свои первые интервью, всё хорошо, просто не останавливайся.

Да, система очень сложна, в особенности для начинающих. Это несправедливо, но в конце туннеля виден свет: после 1–2 лет опыта компании сами начнут тебя приглашать. Награда оправдывает усилия.

Перевод статьи Edouard Harris: What no one will tell you about data science job applications