Сколько зарабатывает аналитик данных

Сколько зарабатывает аналитик данных

Неверные решения при разработке нового продукта или функции сервиса могут стоить компании репутации и денег. Чтобы этого не произошло, компании обращаются к аналитику данных. Он собирает, обрабатывает, изучает и интерпретирует данные: проводит А/B-тесты, строит модели и проверяет, как пользователи и клиенты реагируют на нововведения. Это стоит дешевле и снижает риски бизнеса.

Аналитик данных работает с разными инструментами анализа, не ограничиваясь готовыми решениями и системами, знает языки программирования и формулирует гипотезы.

Такие специалисты особенно востребованы в data-driven компаниях — то есть тех, которые ориентируются в решениях на big data и аналитику данных.

Например, специалисты по данным Netflix вычислили популярность сериала «Карточный домик» с помощью аналитики: зрителям оригинального британского «Карточного домика» также нравились фильмы Финчера и (или) картины, где играл Спейси. Netflix объединили Дэвида Финчера (один из режиссеров House of Cards), политические интриги и Спейси в одном проекте. Видеосервис заключил контракт со Спейси и Финчером без съемок пилотной версии. Рейтинг сериала на IMDb и «Кинопоиске» составляет 8,7 и 8,3 соответственно.

Профессия data scientist. Кто такой аналитик данных? ЭтоИзи

Обязанности аналитика данных

Рабочие задачи Data Analyst находятся на стыке математики, программирования и продакт-менеджмента. В результате его работы компания может получать больше прибыли и делать пользователей счастливее. Обязанности аналитика данных могут различаться в зависимости от места работы и уровня квалификации.

RB.RU готовит большое обновление — и мы хотим учесть пожелания и интересы вас, наших читателей. Если вы готовы поделиться своим мнением об RB.RU, переходите по ссылке, чтобы заполнить короткую анкету.

Как правило, такой специалист проводит статистические тесты и решает бизнес-проблемы, на которые пока ответа нет. Затем составляет прогнозы, стратегии, планы и рекомендации.

Чем обычно занимается аналитик данных:

1. Общается с представителями бизнеса и выявляет проблемные места компании.
2. Собирает информацию.
3. Составляет гипотезы для улучшения определенных показателей.
4. Готовит данные к проведению анализа: сортирует, фильтрует и делает выборку.
5. Находит закономерности.
6. Визуализирует данные: переводит статистику и Big Data в понятные выводы и наглядные графики.
7. Предлагает решения, которые используются для развития проекта или бизнеса.

На основе данных, предоставленных Data Analyst, компания может принимать любые бизнес-решения.

Личные качества

Хороший аналитик данных — это не только метрики и отчеты. Вне зависимости от профиля, классный специалист должен обладать гибкими навыками, которые нужны для продуктивной работы:

Все, что нужно знать о профессии аналитика данных

• Системное мышление и логика. Важно уметь анализировать, синтезировать, сравнивать и делать выводы из порой неочевидных закономерностей. Аналитик должен понимать, из каких предпосылок он исходит в своих суждениях, и проверять их корректность.
• Внимание к деталям, методичность и рациональный скептицизм. Все результаты анализа должны быть проверены, перепроверены и обоснованы. Лучше уточнить непонятные детали и усомниться даже в самом авторитетном мнении, чем запустить ненужный продукт.
• Вежливость, навыки общения и повествования. Аналитики общаются со специалистами из разных направлений: бизнес, ИТ, бухгалтерия и безопасность. Важно сохранять конструктивный и вежливый подход, не поддаваться на провокации и лоббировать интересы своего отдела.
• Терпение. Пригодится при очередном письме «концепция изменилась, давайте посчитаем заново».
• Прагматизм и деловой подход. Важно концентрироваться на тех вопросах, которые позволят улучшить показатели работы компании: увеличить доходы, сократить затраты, оптимизировать процессы.
• Стремление учиться. Хороший аналитик любит узнавать новое и расширять свой кругозор.

Как стать аналитиком данных и где этому учат

67% специалистов по аналитике пришли в Data Science из других сфер. В основном это разработчики и маркетологи, но есть и неожиданные профессиональные бэкграунды: геммологи, звукорежиссеры и даже ядерные физики.

Чаще всего изучать аналитику начинают с профессиональной литературы, тематических статей, авторитетных блогов и профильных каналов в мессенджерах. В открытом доступе много теоретической информации, где можно собрать базовый пул теории и практики. И все же для первых самостоятельных шагов нужна система. Проще и быстрее погрузиться в практическую аналитику на образовательных курсах.

Роман Крапивин
руководитель проектов, компания ООО «ИНТЭК»:

«В 2020 я задумался о смене профессии, поскольку пандемия коронавируса серьезно ударила по строительному бизнесу, где я работал руководителем проектов последние три года. Долго выбирал онлайн-курсы, хотел прокачать свои скилы в проектном управлении и пошел на курс Project Manager.

После первого блока обучения стало понятно, что хорошему руководителю проектов просто необходимо разбираться в аналитике, хотя бы на базовом уровне.

Поэтому я начал изучать Power BI, на котором научился визуализировать данные и получил первые знания для дальнейшей работы с аналитическими данными. Но тогда я понял, что для меня мало базовых основ аналитики. Поэтому для себя я открыл профессию Аналитик BI.

И в настоящее время изучаю программу визуализации данных Tableau, программу для работы с базами данных SQL, прошел курс по аналитике больших данных (Big Data). К сожалению, на настоящем месте работы я не могу в полной мере применять аналитические знания и программы, которые я освоил. Поэтому задумался о смене профессии: хотел бы попробовать себя в финансовом секторе или крупном ритейле, чтобы погрузиться в мир аналитики».

Иван Натаров
консультант отдела развития предпринимательства Министерства экономического развития Приморского края:

«Будучи студентом магистратуры, проводил исследование инновационной экосистемы Приморского края, тогда познакомился с нейросетями и Data Science. Суть исследования заключалась в разработке алгоритма, основанного на нейросетях и теории нечеткого множества и нечеткой логики, который позволял бы давать объективную оценку инновационного развития региона. У нас это получилось, даже научную статью написали.

Параллельно я изучал Data Science и посетил форум «Открытые инновации» в 2019 году. Послушав экспертов, я понял, что влюбился в эту сферу.

Я люблю узнавать истории из данных, поэтому и выбрал направление аналитики данных.

Я все еще учусь, но почти за год прокачался в этом направлении довольно неплохо. Из инструментов, что я изучил, любимыми стали Python и Power BI, они смогли автоматизировать многие процессы в работе, активно чекаю их. Python больше использую для написания парсеров XML и HTML, Power BI — для предобработки данных и визуализации».

Что должен знать и уметь аналитик данных

Такой специалист формулирует гипотезы, проводит статистические тесты на существующих данных для решения текущих вопросов, на которые нет ответа.

Минимальный набор скиллов начинающего аналитика:

1. Работать в Google-таблицах, группировать, фильтровать данные — на ходу, без перекладывания из таблички в табличку.
2. Уметь писать SQL-запросы.
3. Изучить минимум один язык программирования: Python или R.
4. Делать выводы и представлять результаты в виде интерактивных дашбордов (Tableau, Power BI).
5. Разбираться в бизнес-процессах и понимать ключевые метрики анализа эффективности.

Инструменты, которые используют аналитики

Основные навыки аналитика данных:

• Сбор и анализ требований заказчиков к отчетности.
• Получение данных с помощью языка запросов SQL.
• Применение в работе ключевых математических методов и основ статистики.
• Очистка и трансформация данных с помощью Python.
• Прогнозирование событий на основе данных.
• Анализ результатов кампаний, исследований и тестирования продуктовых гипотез.
• Способность создавать аналитические решения и представлять их бизнесу

А еще хорошие аналитики данных умеют работать с Big Data, проверять гипотезы с помощью подходов А/Б-тестирования и быть настоящими исследователями.

Большинство работодателей просят посчитать определенные метрики, например, какие товары чаще всего возвращают покупатели. Иногда нужно рассчитать инвестиционный потенциал и скорректировать бизнес-модель.

Востребованность профессии и перспективы работы

Сейчас аналитика данных используется в более чем 50% компаний по всему миру. Аналитики востребованы в ИТ-компаниях, ритейле, кинопроизводстве, науке, машиностроении и медицине. В октябре 2020 года по запросу «Аналитик данных» на hh.ru было открыто 8 699 вакансий с зарплатой от 65 тысяч рублей до 300 тысяч рублей.

По результатам исследования 2019 года, спрос на специалистов сферы Data Science за два года вырос на 226%. Популярность профессии аналитика данных со временем только растет, поскольку для развития бизнеса необходимо собирать и изучать данные клиентов и конкурентов.

В профессии аналитика данных пока нет границ и сложно достичь потолка. При этом можно развиваться вертикально, от начинающего специалиста до главы аналитического отдела, или горизонтально, меняя сферы деятельности: продуктовая аналитика, банковская аналитика, маркетинговая аналитика.

Сколько зарабатывают аналитики данных в России

Зарплата будет зависеть от опыта и географии. Так, аналитик-стажер в Воронеже получает 25 тысяч рублей, а Data Analyst в московском офисе международной компании зарабатывает 200 тысяч рублей.

В Москве аналитик данных с опытом работы от двух лет в среднем зарабатывает 134 тысячи рублей. В Санкт-Петербурге такой же специалист может рассчитывать на 101 тысячу рублей в месяц. Стажеры и Junior-специалисты зарабатывают от 60 тысяч рублей.

Сколько зарабатывают аналитики данных в США

Больше половины аналитиков готовы рассмотреть релокацию и работать за рубежом. Средняя годовая зарплата для аналитиков данных в США составляет $62 тысячи.

Больше всего на американском рынке труда востребованы Data Scientists. Это одна из самых высокооплачиваемых специальностей со средней годовой зарплатой в $130 тысяч. По прогнозам McKinsey, в ближайшие годы разрыв между предложением и спросом у специалистов в этой области составит 50%.

Рынок труда и будущее аналитики данных

Только за последние два года через направление Data Science Нетологии прошло более 3000 студентов, большинство из них работают на профильных позициях в российских и зарубежных компаниях.

Со временем эксперты ожидают повышение спроса на аналитиков Big Data и представителей смежных специальностей. Чтобы оставаться востребованными, необходимо учиться и работать.

Осознанный подход организаций к анализу данных и понимание важности Data Science увеличивает потребность бизнеса в интерпретируемых аналитических методах.

По данным International Data Corp. (IDC), мировой доход от решений для больших данных и бизнес-аналитики (BDA) достигнет 260 миллиардов долларов в 2022 году при среднегодовом темпе роста (CAGR) 11,9 процента. В 2025 программные роботы будут выполнять большинство задач, таких как очистка и сбор данных, т.е. многие процессы станут более автоматизированными. К 2030 году Data Science уже не будет заниматься поиском и очисткой данных. Эту задачу возьмут на себя программные роботы.

В настоящее время технологии уже развиваются и достигают своих высот. Подумайте о будущем, когда искусственный интеллект будет в зените, машинное обучение — на пике, облако захватит рынок, а интернет вещей начнет проникать в большинство отраслей. Специалисту по данным потребуются лучшие навыки, будь то технические или социальные, чтобы быть востребованным к 2030 году.

Игорь Полянский, Head of Global product analytics в Gett:

«Мир продолжает ускоряться, а вместе с ним — и требования бизнеса к скорости принятия решений. Подход «задай вопрос, направь его аналитику, а он проанализирует» больше не удовлетворяет требования к оперативности получения инсайтов. Поэтому стандартные подходы к анализу все больше упаковываются в коробочные решения.

В 2020 году анализ, на который раньше уходили часы аналитика, менеджер может сделать в несколько кликов. Аналитики же делают более сложные исследования, и требования к их компетенциям повышаются. Системы аналитики все больше переходят на формат real-time анализа. У многих компаний это давно must have».

Фото на обложке: Shutterstock / LightField Studios

Источник: rb.ru

Зарплаты: Data Analyst, Россия | декабрь 2022 года

224882.0 руб. — средняя зарплата для ‘Data Analyst’ (Россия).

Средняя зарплата для ‘Data Analyst’, рассчитанная на основе вакансий, показывает среднее арифметическое по зарплатам из найденных вакансий (количество таких вакансий для ‘Data Analyst’ равно 17).

215000.0 руб. — медианная зарплата для ‘Data Analyst’ (Россия).

Возможно, вас заинтересуют зарплатные обзоры по следующим профессиям и специализиям:

Обзор зарплат

Профессия, должность Средняя зарплата, руб. Медианная зарплата, руб. сколько вакансий с зарплатой учитывалось // всего вакансий // дата вычисления зарплат

Analyst	117375.0	99000.0	2838 вак. (с зп) 9839 вак. 07.11.2022
аналитик	121057.0	99000.0	2721 вак. (с зп) 9245 вак. 30.12.2022

Статистика зарплат для ‘Data Analyst’ по городам

Лидеры по количеству вакансий для ‘Data Analyst’: Москва, Санкт-Петербург.

Лидеры по уровню средней зарплаты для ‘Data Analyst’: Москва, Санкт-Петербург.

Обзор зарплат для ‘Data Analyst’ по городам

Населённый пункт Средняя зарплата, руб. Медианная зарплата, руб. сколько вакансий с зарплатой учитывалось // всего вакансий // дата вычисления зарплат

Москва	250250.0	233000.0	16 вак. (с зп) 166 вак. 17.11.2022
Санкт-Петербург	233667.0	153000.0	6 вак. (с зп) 37 вак. 30.09.2022

Источник: zarplan.com

Аналитик данных: чем он занимается и сколько зарабатывает

По статистике международной стаффинговой группы Ancor, в 2022 году 45% российских компаний ищут аналитиков данных. Эти специалисты разбираются в массивах данных и помогают бизнесу вовремя замечать тренды, контролировать ситуацию на рынке и прогнозировать успешность проектов и кампаний.

Разберёмся, чем конкретно занимаются дата-аналитики, сколько зарабатывают и какие навыки им нужны для старта в профессии. Статья будет полезна новичкам и тем, кто хочет перейти в сферу из смежной отрасли.

Благодарим Вячеслава Потапова, руководителя отдела аналитики в компании «Метр квадратный» и эксперта Нетологии, за помощь в подготовке материала.

Светлана Устилко

В материале

Кто такой аналитик данных и зачем он компаниям

Дата-аналитик — специалист, который собирает, обрабатывает, анализирует и интерпретирует большие данные. Он помогает искать скрытые причинно-следственные связи между массивами информации, объяснять их цифрами и находить решения для оптимизации бизнес-процессов.

Аналитики данных востребованы в разных отраслях экономики: технологической, энергетической, финансовой, логистической, промышленной, научной и многих других. С их помощью компании ищут точки роста, повышают эффективность процессов и проверяют различные гипотезы.

В промышленной сфере аналитики данных помогают спрогнозировать сценарии отказов оборудования, в финансовой — оценить платёжеспособность клиентов при выдаче займа. Энергетические компании используют дата-анализ для предсказания потребления электроэнергии — эта информация помогает им своевременно оптимизировать производство и сократить издержки.

Какие задачи решает дата-аналитик

Задачи аналитика данных находятся на стыке математики, статистики, программирования и продакт-менеджмента. В результате его работы компания получает наглядные выводы, которые помогают ей прогнозировать будущее, принимать объективные бизнес-решения и получать выгоду.

Чем обычно занимается дата-аналитик:

• Автоматизирует процессы сбора и обработки данных для составления аналитических и статистических отчётов.
• Ищет закономерности в результатах проведённых исследований. Понимание взаимосвязей нужно для определения решений, основанных на цифрах и фактах.
• Внедряет бизнес-метрики, которые помогают оценивать различные виды деятельности компаний. Так, CAC показывает сумму, которая была потрачена на привлечение клиента, а ROI позволяет определить процент окупаемости инвестиций. Метрики могут быть разные и зависят от предмета исследования.
• Применяет диагностическую аналитику, чтобы установить причинно-следственные связи между произошедшими ранее явлениями.
• Использует предсказательную аналитику для выдвижения новых гипотез.
• Проводит A/B тестирование. Это помогает исследовать реакцию рынка и потребителей на изменения в продуктах и услугах компании.
• Применяет методы юнит-экономики для поиска наиболее выгодных решений по логистике и дистрибуции товаров.

Часто дата-аналитиков путают с дата-сайентистами, хотя это две разные профессии. Первый занимается выгрузкой, обработкой информации, формулированием выводов, машинным обучением. Второй имеет более широкие компетенции в Data Science и специализируется на решении технических задач: создаёт нейросети, внедряет технологии, протоколы и алгоритмы.

Вячеслав Потапов

Руководитель отдела аналитики в компании «Метр квадратный»

Поделюсь личным опытом и расскажу, чем могут заниматься аналитики данных в банковской сфере.

Однажды мы с коллегами решили усовершенствовать алгоритм проверки действий клиентов. Дело в том, что банки должны противодействовать мошенническим операциям, незаконному выводу средств и финансированию запрещённых организаций. Они обязаны следить за потоком транзакций, своевременно останавливать подозрительные действия и сообщать о них в надзорный орган. Однако на практике выполнять эти задачи непросто: клиенты совершают огромное количество финансовых операций, да и мошенники постоянно совершенствуют методы обмана.

Наш банк действовал по правилам, установленным службой безопасности. По этому регламенту ежедневно под блокировку попадали тысячи транзакций и сотни счетов. Но возникала проблема: из-за попытки снизить шансы на проведение мошеннических операций страдали невиновные клиенты. Их счета и переводы также блокировались.

С помощью статистических методов мы несколько месяцев изучали поведение мошенников, анализируя их транзакции и данные о лицевом счёте, строили графы, изучали зависимости. В результате удалось создать техническое решение, которое в автоматизированном режиме мониторит сотни транзакций в секунду и своевременно сигнализирует сотрудникам отдела финансового контроля о подозрительных действиях. Наша система работает на стабильно высоком уровне, сильно не затрагивая добросовестных клиентов.

Таким образом мы смогли решить сразу две задачи:

Выполнение требований Росфинмониторинга по блокировке подозрительных клиентов.

Соблюдение интересов бизнеса — добросовестные клиенты больше не страдали из-за системы контроля.

Какие навыки нужны в работе аналитика данных

Чтобы эффективно справляться с описанными задачами, специалисту по анализу данных понадобятся следующие хард- и софт-скиллы ↓

• Написание запросов на языке SQL. Это помогает автоматизировать рутинные задачи, анализировать данные, проверять предположения, обрабатывать большие объёмы информации для поиска закономерностей.
• Формулирование гипотез. Необходимо для подготовки предложений и прогнозов, которые смогут решить проблему или задачу заказчика.
• Визуализация данных в Qlik Sense, Tableau или Power BI. Графическое представление информации в дашбордах позволяет наглядно презентовать бизнесу выводы и наблюдения.
• A/B-тестирование. Этот инструмент помогает убедиться в правильности предположений.
• Создание отчётов на языке пользователей. Важно подбирать понятные для заказчика термины для представления результатов работы.
• Использование систем типа Big Data. С их помощью значимая информация выгружается из различных источников.
• Критический анализ собственных идей и информации. Необходим для получения достоверных выводов, основанных на цифрах, а не привычных представлениях.
• Навыки коммуникации, ведения переговоров. Важно находить общий язык с заказчиками и правильно понимать их желания и проблемы.
• Умение работать в Google Sheets или Excel. Этот навык необходим для создания отчётов, дашбордов, предоставления информации для пользователей.

На примере реальной вакансии c hh.ru можно убедиться, что от соискателей ждут плюс-минус этих знаний и умений:

Где работают дата-аналитики и сколько зарабатывают

Аналитики работают в крупных компаниях, которым необходимы сотрудники для обработки массивов данных в хранилищах и внешних источниках. Это банки, организации по защите интеллектуальной собственности, мультиплатформенные и мобильные операторы, информационные центры, промышленные холдинги, сети магазинов, маркетинговые агентства, IT-компании.

В среднем специалисты по анализу данных получают 129 тысяч рублей. Размер зарплаты зависит от стажа, уровня квалификации соискателя и платёжеспособности работодателя.

На старте карьеры дата-аналитик может зарабатывать от 35 тысяч рублей:

Мидл-аналитикам готовы платить до 140 тысяч рублей:

Сеньоры получают до 300 тысяч рублей:

Как стать аналитиком данных

Обычно в дата-аналитики идут выпускники физико-математических специальностей, а также те, кто уже работает в области математики, статистики, экономики и программирования. Однако попробовать свои силы в этой области может любой.

Если есть базовые знания по статистике и программированию, освоить специальность будет проще. Развить навыки самостоятельно помогут книги и онлайн-ресурсы, за более системным обучением стоит идти на программы переквалификации. С нуля получить профессию аналитика данных можно на профильных курсах.

Программу профессиональной переподготовки проводит НИУ ВШЭ. На факультете компьютерных наук вуза студентов обучают прикладной статистике, продуктовым и бизнес-подходам в анализе, SQL и Tableau. Курсы нужно посещать очно.

Дополнительное профессиональное образование можно получить в МФТИ. В программу включены практикумы по анализу данных, уроки по визуализации информации в Power BI, Tableau, кодированию на Python. Занятия проходят в формате вебинаров. Есть возможность задать вопросы преподавателям в чате.

Онлайн-курс «Аналитик данных» есть в Нетологии. Программа адаптирована под реальные задачи, с которыми сегодня встречаются специалисты на практике. Студенты получают универсальные знания и навыки, которые позволяют работать в любых отраслях экономики.

Профессия

Аналитик данных

Узнать больше

• Станете универсальным аналитиком, который сможет работать в любой сфере
• Изучите технологии и получите навыки, востребованные у работодателей
• Начнёте работать по специальности уже через 6 месяцев обучения

Что почитать про аналитику данных

Полезные знания для работы аналитиком данных можно найти на профильных ресурсах и в книгах от экспертов.

Блоги

• Leftjoin — сайт аналитика данных Николая Валиотти, основателя компании Valiotti Analytics. Автор делится опытом разработки дашбордов, применения BI-систем, словарей, полезных модулей Python.
• AnalyzeCore — англоязычный ресурс Сергея Брыля, директора по науке данных в IT-компании MacPaw. Он пишет о моделях атрибуции, поиске аномалий, маркетинговых метриках, когортном анализе, сегментации клиентов, машинном обучении.
• Reveal the Data — в блоге кандидата технических наук Романа Бунина можно почитать о развитии BI-систем и визуализации данных. На сайте есть примеры работ с комментариями эксперта, статьи про дашборды.
• GoPractice — одноимённый ресурс компании-разработчика программного обеспечения GoPractice. Здесь можно почитать статьи о создании и развитии продуктов, управлении ими, об инструментах анализа данных, юнит-экономике, метриках, A/B-тестировании и экспериментах.

Книги

Работа с данными в любой сфере

Кирилл Еременко

Практическое руководство по использованию аналитики для обработки массивов. Директор компании ZIFF Бен Тейлор назвал издание самым подробным источником для желающих разобраться, кто такой аналитик данных и что он делает.

Источник: netology.ru

Сколько зарабатывает аналитик данных: обзор зарплат и вакансий в 2020

Привет, Хабр! 28 сентября Skillfactory запускает новый поток курса Data Analyst, поэтому мы решили сделать широкий обзор рынка вакансий, которые предлагают сегодня компании.

Действительно ли профессия аналитика данных может приносить до «300к/наносек»? Какие умения требуют работодатели от аналитиков и что вообще нужно знать, чтобы стать востребованным и высокооплачиваемым спецом? Какие возможности для роста предлагает рынок сегодня?

Мы проанализировали 450 вакансий на должность аналитика данных в России и за рубежом и собрали результаты в этой статье.

Кто такой аналитик данных и что он должен знать

Прежде чем анализировать вакансии, разберемся, что делает Data Analyst в компании. В IT-сфере есть три направления специальностей по работе с данными: Data Analyst, Data Engineer и Data Scientist.

Data Analyst собирает информацию, обрабатывает и интерпретирует ее на «человеческий язык». По сути, он переводит статистику и big data в понятные и наглядные выводы, которые можно использовать для развития конкретного проекта или бизнеса в целом.

Результат работы аналитика данных — это основа для принятия любых бизнес-решений.

Data Engineer работает больше не с самими данными, а с их инфраструктурой: базами данных, хранилищами и системами обработки. Инженер данных определяет, как анализировать данные, чтобы они были полезными для проекта. Если обобщить, то Data Engineer налаживает конвейер обработки данных.

Data Scientist занимается стратегической работой с информацией. Именно он создает системы прогнозирования, моделирования и динамического анализа, внедряет алгоритмы автоматизации и обучения.

Главная сложность в том, что границы между этими тремя специальностями довольно размыты. Большинство компаний не видят разницы, поэтому часто в вакансиях Data Analyst встречаются требования, которые больше подходят специалистам Data Engineer или Data Scientist.

В основном это обусловлено спецификой рынка. Если в IT-компаниях знают, что Data Analyst, Data Engineer и Data Scientist — это в идеале три разных специалиста или даже три разных подразделения, то в продуктовых компаниях и производствах часто об этом даже не задумываются.

Что требуют работодатели от аналитика данных

Мы проанализировали свыше 450 вакансий на позицию аналитика данных, открытых в августе-сентябре 2020 года. Во многих случаях требования к специалистам очень отличаются. Как мы писали выше, границы между Data Analyst, Data Engineer и Data Scientist стерты, поэтому часто бывает, что в заголовке вакансии пишут «Аналитик данных», а фактически вакансия полностью соответствует «Инженеру данных». Но мы смогли выделить набор хард и софт скилов, которые работодатели указывают в большинстве вакансий на должность аналитика данных.

Хард скилы

Python с библиотеками для анализа данных Pandas и NumPy. Это мастхэв, его знание хотя бы на базовом уровне требуют 83% компаний в отрасли. Знание R, JavaScript и других ЯП нужны всего лишь 17% работодателям.

Интересно, что в 2013 году по результатам опроса дата-аналитиков и дата-сайентистов язык R в аналитике данных был куда популярнее — его использовали 61% специалистов.

SQL — практически во всех вакансиях требуется знание SQL и навыки работы с реляционными базами данных. Чаще всего требуют умение писать запросы и оптимизировать их.

Навыки работы с NoSQL системами управления базами данных вроде MongoDB, CouchDB или Apache Cassandra работодатели требуют довольно редко — примерно 9% вакансий.

Power BI, Qlik, Tableau. Большинство компаний не требует знаний какой-нибудь конкретной программы визуализации данных. Обычно они указывают одну из трех на выбор или пишут «системы визуализации данных» без указания конкретной. В целом специалисты могут сами выбирать, что именно им удобнее использовать. Принципиальной позиции у абсолютного большинства работодателей нет.

Опыт работы с Agile, Scrum, Kanban. Почти в половине вакансий работодатели указывают, что дополнительным плюсом будет умение работать с гибкими методологиями создания продуктов.

То есть важно не только то, что делает аналитик данных в рамках своей специальности, но и то, как он это делает.

Но ключевым требованием опыт работы с Agile не является (хоть его и указывают в вакансиях). Да, соискателю придется потратить время, чтобы привыкнуть работать в таком формате, но, по мнению компаний, это не критично.

Excel и Google Sheets. Как ни странно, но в трети вакансий требуется знание электронных таблиц. В основном это нужно продуктовым и консалтинговым компаниям, которые довольно мало пересекаются с диджитал-разработкой, или же относительно небольшим проектам, где весь отдел аналитики состоит из нескольких человек.

Действительно, маленьким командам часто незачем использовать мощные ресурсы SQL, если для обработки данных вполне хватает и обычного Excel. Но в таких ситуациях «аналитик данных» часто занимается сразу всем: сбором и анализом данных, инфраструктурой и автоматизацией.

Многие компании выделяют высокий уровень математической подготовки. Но здесь нужно понимать, что Data Analyst, в отличие от Data Scientist, использует довольно ограниченные математические инструменты, поэтому не нужно быть гением математики. Большинство задач аналитика данных вписываются в рамки базовых знаний статистики, теории вероятностей, математического анализа и линейной алгебры.

Высшее образование в области математики пригодится, но при должном усердии все необходимые функции можно изучить и самому. Но для Data Scientist глубокое знание математики уже считается критичным. Если вы планируете расти из Data Analyst в Data Scientist, то математику нужно будет подтянуть.

По основным хард скилам это все. Остальные встречаются менее чем в 10% вакансий, поэтому их можно отнести к индивидуальным особенностям работы в отдельных компаниях.

Софт скиллы

В целом они практически совпадают для всех специальностей, которые работают с данными:

• Критическое мышление
• Аналитический склад ума
• Умение правильно излагать и доносить информацию
• Ответственность и внимание к деталям
• Бизнес-мышление
• Готовность принимать решения и брать ответственность за результат
• Многозадачность
• Чувство юмора

Многие считают профессию аналитика данных «малообщительной». Аналитик кажется нердом, который работает только с цифрами, а не с людьми.

На самом деле, все немного иначе. Аналитик данных действительно много времени проводит над анализом, но ему также важно уметь донести выводы руководителям компании или отдела. Навыки выступления перед публикой и грамотного подбора аргументации очень пригодятся. Ведь от того, насколько правильно ЛПРы поймут результаты аналитики, будут зависеть их дальнейшие действия в развитии компании или конкретного проекта.

Особняком из софт скилов стоит разве что английский язык. Многие компании отмечают знание английского как преимущество, но есть ряд вакансий, которые рассчитаны на работу в международных командах и с англоязычными проектами. В таких свободное владение английским обязательно.

Обязательный английский часто приятно отражается на зарплате. Вакансии в международных проектах гарантируют денежные компенсацию в 1,3-2 раза больше, чем в русскоязычных.

Зарплата и другие плюшки для аналитика данных

Теперь перейдем к самому интересному — к зарплате. Мы проанализировали открытые вакансии на сайтах HH.ru и Хабр Карьера.

Аналитики данных востребованы в любом крупном и среднем бизнесе, особенно в тех проектах, которые относятся к диджитал и IT. Финтех-банки, диджитал-агентства, продуктовые компании, которые налаживают онлайн-систему продаж, консалтинговые проекты. Среди вакансий есть представители бизнеса практически всех сфер: от медицины до тяжелой промышленности.

Больше всего вакансий для аналитиков данных по состоянию на 12.09.2020 открыто в Москве (241) и в Санкт-Петербурге (74). Для сравнения, во всей остальной России актуально всего 99 вакансий на эту должность.

Интересно, что только 20% компаний указывают уровень заработной платы в самом объявлении. Остальные 80% предпочитают обсуждать денежное вознаграждение в личной беседе с соискателем.

Разброс зарплат довольно большой. Зависит он не только от опыта соискателя, но и от географии. К примеру, аналитик-стажер в Перми получает 25 000 рублей, а Data Analyst в московском офисе международной компании зарабатывает 200 000 рублей.

В Москве средняя зарплата аналитика данных составляет 134 000 рублей. На нее вполне может рассчитывать хороший специалист с опытом от 2 лет.

В Санкт-Петербурге ситуация напоминает московскую, но зарплаты немного меньше. Среднестатистический аналитик данных может рассчитывать на 101 000 рублей в месяц. В остальном же условия практически полностью дублируют московские.

Стажеры и Junior-спецы получают от 60 000 рублей. Есть небольшое количество вакансий, которые предлагают ниже этой суммы (8%), но они в основном предлагают работу не на полный день либо с ограниченной загрузкой в неделю.

Руководители отделов аналитики и Senior-спецы могут рассчитывать на зарплату от 170 000 рублей. Есть даже вакансии, которые предлагают больше 250 000 рублей в месяц. Да, для них требуется опыт больше 5 лет в аналитике и большой пул компетенций, но такие вакансии есть. Так что вполне ясно, куда можно расти.

В качестве дополнительных «плюшек» и мотиваторов часто указывают возможность корпоративного обучения, медицинскую страховку и даже корпоративные пенсионные программы. Некоторые компании предлагают релокацию в Европу или США после определенного количества лет, проработанных в компании. Любимые многими «печеньки и кофе» тоже встречаются, но уже довольно редко. Работодатели в своем большинстве делают ставку на действительно полезные мотиваторы.

В других городах России ситуация похуже. В них частично стирается сама суть работы аналитика данных, он становится больше похож на эникейщика. В небольших компаниях на несколько десятков человек аналитик вообще один и полностью ведет обработку всей бизнес-информации.

Зарплата у такого специалиста тоже не топовая. В среднем, аналитик за пределами Москвы и Питера получает 54 000 рублей. Дополнительных «плюшек» в половине случаев часто нет вообще, а в остальном они ограничиваются б̶е̶с̶п̶л̶а̶т̶н̶ы̶м̶ ̶к̶и̶п̶я̶т̶о̶ч̶к̶о̶м̶ ̶н̶а̶ ̶к̶о̶ф̶е̶п̶о̶й̶н̶т̶е̶ «печеньками и кофе», спортзалом и обучающими курсами.

Максимальная зарплата аналитика данных, на которую может рассчитывать специалист в регионах, — 100 000 рублей. Но чтобы получать больше, необязательно переезжать в Москву. Можно без особых проблем найти удаленные вакансии — формально работать в столице, а жить в родном городе. Многие компании идут навстречу соискателю, в котором заинтересованы.

Мы также провели сравнительный анализ вакансий из Украины и Беларуси.

Средняя зарплата аналитика данных в Украине порядка 20 000 гривен (53 000 рублей). В столице есть вакансии с оплатой в 2-2,5 раза выше, но их выставляют преимущественно международные компании с филиалами в Киеве.

Абсолютно та же ситуация и в Беларуси. Средний размер заработной платы аналитика данных составляет 2800 белорусских рублей (81 000 рублей), но разброс зарплат очень большой. В Гомеле, к примеру, аналитик с опытом от года получает в среднем 1100 белорусских рублей (31 000 российских рублей), а в Минске специалист может зарабатывать вплоть до 10 000 (287 000 российских рублей).

Откуда прийти в профессию и куда расти аналитику данных

Есть мнение, что попасть в касту аналитиков можно только с исключительными знаниями математики. Но это не так.

В аналитику обычно уходят Junior- и Middle-разработчики на Python. Если вдобавок есть базовые знания SQL — вообще отлично. В таком случае разобраться со всеми особенностями работы будет намного проще.

Также можно начать карьеру непосредственно с аналитика. Выбирайте один из десятков доступных курсов — и вперед. Высшую математику знать необязательно. Для Data Analyst уровня Junior и Middle нужно только знание инструментов работы с данными. А в большинстве случаев хватит и школьных знаний математики.

Возможностей роста для специалиста аналитики данных тоже хватает. Три самых очевидных: Data Mining Specialist, Data Engineer, Data Scientist. Первый работает непосредственно с поиском данных для аналитики, второй разрабатывает инфраструктуры данных, а третий занят прогнозированием и стратегией.

Еще один возможный вариант — BI-аналитика. Визуализация данных аналитики — это отдельный скил, и многие крупные компании ценят сотрудников, которые умеют не только анализировать информацию, но и доходчиво предоставить выводы руководству.

Специально для этого материала мы попросили дать комментарий о необходимых навыках для роста в BI-аналитике Александра Царёва, основателя компании SmartDataLab, лидера образовательного курса BI SkillFactory и Сергея Земскова, руководителя направления Power BI/DWH SmartDataLab, преподавателя Bootcamp SkillFactory.

В обзоре указаны мастхэв компетенции, но если вы хотите и дальше расти как Аналитик данных, вам понадобится быть в курсе ETL и изучить:

• Так называемый золотой треугольник Microsoft: SSRS, SSIS, SSAS;
• Иметь представление о других промышленных ETL, например, KNIME;
• Литературу по архитектуре данных, например, книгу Билла Инмона «Методология Кимбалла»;
• Также нужно хотя бы в первом приближении понимать, что такое Informatica, GreenPlum, Pentaho, чем они друг от друга отличаются и как работают.
• Быть в курсе, что такое SAP Web Analytics и другие новые BI решения от SAP, хотя сейчас отмечается переход с этих решений на Power BI (который, по исследованию проведенному в июле-августе телеграм каналом вакансий и фриланса в BI/DWH “BI HeadHunter”, в топе по запросу от работодателей).

Также аналитик данных может вырасти в продуктового, маркетингового аналитика или бизнес-аналитика. То есть, принять ответственность за развитие конкретного продукта или проекта, либо же брать участие в принятии стратегических бизнес-решений, подкрепляя свое мнение аналитическими данными.

Также аналитику данных можно уйти полностью в разработку на Python, но этот вариант выбирает сравнительно небольшое количество специалистов.

Аналитик данных — это перспективная и востребованная профессия. И чтобы стать Data Analyst, не нужно быть Перельманом и уметь решать теорему Пуанкаре — хватит школьных знаний математики и упорства в освоении инструментов аналитика.

Совсем недавно мы запустили первый в России Онлайн-буткемп по Data Analytics, включающий в себя 5 недель обучения, 5 проектов в портфолио, оплачиваемую стажировку для лучшего выпускника. Это суперинтенсивный формат для самых целеустремленных: учиться нужно фултайм.

Получить востребованную профессию с нуля или Level Up по навыкам и зарплате можно, пройдя онлайн-курсы SkillFactory:

• Онлайн-буткемп по Data Analytics (5 недель)
• Курс по аналитике данных (6 месяцев)
• Профессия аналитика с любым стартовым уровнем (18 месяцев)

Eще курсы

• Обучение профессии Data Science с нуля (12 месяцев)
• Профессия Веб-разработчик (8 месяцев)
• Курс по Machine Learning (12 недель)
• Продвинутый курс «Machine Learning Pro + Deep Learning» (20 недель)
• Курс «Математика и Machine Learning для Data Science» (20 недель)
• Курс «Python для веб-разработки» (9 месяцев)
• Курс по DevOps (12 месяцев)
• Профессия Java-разработчик с нуля (18 месяцев)
• Курс по JavaScript (12 месяцев)
• Профессия UX-дизайнер с нуля (9 месяцев)
• Профессия Web-дизайнер (7 месяцев)

Источник: habr.com