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).