SQL, BI-системи, статистика. Що, де і як вчити в аналітиці даних, щоб підготуватися до першого оферу

Усі статті, обговорення, новини для початківців — в одному місці. Підписуйтеся на телеграм-канал!

Мене звати Роман Повзик. Як продуктовий аналітик співпрацюю з геймдев-компанією Bini Bambini. Нещодавно виповнився рік як я почав працювати в аналітиці даних.

На початку серпня я подумав, що мій невеликий досвід може стати корисним початківцям, які хочуть почати кар’єру в аналізі даних в ІТ. Часто у людини немає знайомих, які вже працюють в цій сфері й можуть розповісти про плюси-мінуси та допомогти з першими кроками, сформувати навчальний план. Те ж було зі мною влітку 2021-го, коли вирішив перейти у нову сферу.

Оскільки я за попередньою професією піарник, то підійшов до цього, як до медіапроєкту: зібрав майданчики й ініціативи, де шукають менторів, і розповідав, чим можу допомогти. Кількість людей із запитом на таку консультацію приємно вразила. Нині по 4-5 разів на тиждень вечорами спілкуюся з менті (початківцями), відповідаючи на їхні питання стосовно професії та вимог до неї.

Я не проводжу відбору, а знайомлюся з усіма бажаючими. Разом проговорюємо цілі, мотивацію та сумніви, що виникають через світчинг. Інколи сфера — навіть не аналітика.

Ці люди різні: хтось студент у комп’ютерних науках, а хтось — у лінгвістиці, хтось уже працює в ІТ, але не на технічних посадах, хтось хоче світчитися з державного підприємства чи з посади університетського викладача. Станом на зараз поспілкувався з 27 охочими і маю ще 14 запланованих консультацій до середини жовтня. Одна людина вже навіть отримала офер.

Радісне повідомлення про офер від одного з початківців

На першій зустрічі даю список ресурсів, які знадобилися мені при підготовці до роботи, або які відкриваю тільки зараз і вважаю корисними новачку. Розповідь про важливість та користь кожного з них займає десь 15 хвилин з годинної сесії. Та я б хотів приділяти більше часу саме питанням менті, а не FAQ, — тому й вирішив зробити цей матеріал, в якому зібрав усі корисності разом.

Зрозуміти, який саме нині ринок для аналітика

Щоб почати рух до професії, потрібно розуміти попит та пропозицію на ринку. Якщо орієнтуватися на Україну, то тут цілком вистачає Djinni та DOU:

1. Дашборд щодо кількості кандидатів та вакансій у розрізі місяця. Зручний інструмент Djinni, що допомагає зрозуміти кількість конкурентів на ринку. Наприклад, в аналізі даних на вересень 2022-го 527 акаунтів з досвідом роботи менш як 2 роки або активних пошукачів роботи. Акаунтів з досвідом понад 2 роки роботи, які пасивно розглядають вакансії, — ще 131. Сумарно для цих людей опубліковано 106 вакансій. Тобто співвідношення 6,2 до 1. Не так вже й погано, якщо подивитися, що відбувається за іншими напрямками.

Динаміка зростання кількості кандидатів у аналітиці даних

2. Вакансії на Djinni та DOU. Допомагають дізнатися, що пропонують компанії, які у них вимоги і технологічний стек. Користуючись фільтрами, можна побачити, що нині для аналітика з роком досвіду є 30 вакансій. У першу чергу новачок має дивитися саме на ці вакансії, оскільки пропозицій «без досвіду» майже немає. А якщо і є одиниці, то кількість подач на них сягає 50-70 кандидатур.

3. Часто новачки не орієнтуються, яку оплату вони можуть отримувати на старті. Раджу тут покладатися на зарплатне опитування DOU. Але при цьому розуміти, що медіана — це не середнє арифметичне зарплат тих, хто заповнив анкету, а сума, менше якої можуть заробляти до 50% опитаних.

Розвинути «продуктовий mindset»

Здебільшого аналітики-початківці прагнуть працювати у продуктових компаніях. Тому серед ресурсів я розмістив і кілька таких, що стосуються продуктової аналітики:

1. «Хто такий Product Analyst в ігровій індустрії. Кар’єра в геймдеві» — спільний матеріал, до якого доклалися мій колишній тимлід, а нині продуктовий аналітик Stepicо Олександр Тунік, вся команда продуктових аналітиків Bini Bambini та представники Gameloft. Вийшло детальне пояснення не лише для геймдеву, а й для інших сфер, де може працювати Product Analyst. Основні ролі та завдання, етапи в роботі, навички, плюси-мінуси та перспективи — старалися описати все максимально відкрито та зрозуміло.

2. «LTV, ARPU та ще понад 20 понять, які має знати кожен продуктовий аналітик» — матеріал, де описав найчастіше вживані у роботі поняття, які можуть стати у пригоді новачку. Частину з них пояснював саме на додатках Bini Bambini, з якими працюю щодня. Звісно, в кожне з цих понять можна заглибитися далі. Але принаймні їх список буде під рукою.

3. «Створення та розвиток ІТ-продуктів» — базовий курс від Genesis та Мінцифри. Контенту в ньому десь на п’ять годин і він допомагає зрозуміти, як працюють продуктові команди в ІТ. Єдиний мінус — доволі складний фінальний іспит, який не зможеш пройти, якщо не відповіси правильно на всі 25 питань.

Курс про продуктове ІТ на «Дії»

Загальний підхід до вивчення технічного стеку

Майбутня компанія — лотерея, коли говорити про інструменти. Звісно, будуть обов’язкові вимоги, наприклад, знання SQL або основ статистики. Стосовно інших інструментів, тут складніше. Наприклад, чи ти використовуватимеш Power BI чи Tableau для створення дашбордів? Наскільки добре треба знати англійську? Чи використовуватимеш Python? Все залежить від компанії.

Варто придивитися, що саме актуально у вакансіях, перш ніж братися за вивчення інструментів. Якщо бачиш, що якась з них переважає у вакансіях Djinni та DOU — скеровуй погляд на неї.

Писати SQL-запити до баз даних

Це одна з ключових навичок в аналітиці. Адже щоб аналізувати дані, їх потрібно спочатку дістати з бази. Тут і знадобляться уміння роботи із запитами.

Без знань SQL не варто навіть надсилати резюме рекрутерами на аналітика. Ця вимога буде майже у всіх вакансіях.

Радив би звернути увагу на W3School і засвоїти синтаксис розділу «SQL Tutorial», а також окремо пройти віконні функції — їх люблять питати на співбесідах. Я відкривав цю мову з відео «MySQL Tutorial for Beginners [Full Course]» від Моша Хамедані.

Якщо ж є бажання додати до свого LinkedIn сертифікати курсів з SQL, найпростіший варіант — «Intro to SQL» та «Advanced SQL» на Kaggle.

Курс «Вступ до SQL» на Каggle

Один з початківців, з яким спілкувався, серед проблем відзначав різницю між запитами, які вчиш в рамках курсів, і тими, що задають під час технічної співбесіди. Щоб нівелювати її, раджу розв’язувати задачки на «CodeWars». Буває, що з нього беруть навіть задачі для тестового. Чим більше розв’яжеш — тим краще підготуєшся.

Вже почавши працювати, я проходив платний курс Udemy «The Complete SQL Bootcamp 2022: Go from Zero to Hero» від Jose Portilla. Але з цим ресурсом треба бути обережним і купувати лише, коли ціна за курс показується менше ніж $20. Бо інколи може бути у 4-5 разів дорожче.

Створювати дашборди у Power BI

Вивчення потрібної BI-системи для дашбордів — теж лотерея, адже популярних в індустрії кілька.

Проте все ж у лідерах дві: Power BI або Tableau. Вони якісні, і у компанії можуть бути різні причини, чому застосували ту чи іншу. Наприклад, історично склалося: перший аналітик працював саме з Power BI. І далі дашборди накопичували у цьому інструменті, до нього звикали як аналітики, так і менеджери. І настає момент, коли перехід на іншу ВІ-систему вже сильно ресурсозатратний.

Щодо посилань для Power BI, то пропоную орієнтуватися на офіційні ресурси від Microsoft Power BI у вигляді текстових пояснень та YouTube-курс «Introduction to Power BI», хоч останньому уже 6 років.

Також є влогери, які активно розповідають про функції цього інструменту: Leila Gharani та «Guy in a Cube». Крім того, у самому Power BI Desktop є розділ «Help» з посиланнями на курси, документацію, спільноту, блог. А вже далі, щоб бути у курсі змін програми, варто переглядати щомісячні оновлення, які публікують на Microsoft Power BI.

Розділ «Help» з допоміжними ресурсами в Power BI

Далі варто взяти датасет з цікавої тобі теми на Kaggle і спробувати зробити на його основі дашборд. По-перше, це допоможе зрозуміти, де є слабкі місця. По-друге, матимеш власний pet-проєкт, який допоможе і виділитися, і довести, що вмієш працювати з Power BI.

Вже під час роботи, стикаючись з реальними дашбордами, я підтягував базу на інших платних курсах Udemy: «Microsoft Power BI Desktop for Business Intelligence», «Power BI A-Z: Hands-On Power BI Training For Data Science!», «Microsoft Power BI — The Practical Guide [2022 EDITION]». Але це вже не обов’язковий набір для пошуку роботи.

Створювати дашборди у Tableau

Такий же підхід з Tableau. Ця програма дорожча у порівнянні з Power BI, десктопна версія якого є безкоштовною. Але купувати його для навчання початківцю недоцільно.

Натомість є сервіс Tableau Public, який дає той же функціонал, що й у платній версії, але з обмеженнями. Одне з них: створений дашборд публічно доступний за посиланням. Тому його не варто робити на чутливих приватних даних.

Офіційні навчальні ресурси по Tableau можна знайти тут. Цей інструмент теж має спільноти та влогерів, за якими варто слідкувати, щоб дізнаватися про оновлення. На жаль, порадити їх не можу, оскільки в роботі працюю з Power BI і під час переходу проходив лише ці офіційні відеокурси Tableau.

Навчальні ресурси для новачка в Tableau

Як і у випадку з Power BI, варто взяти датасет з Kaggle і зробити Tableau-дашборд на основі навичок, які вже маєш. Раджу працювати над темою, яка особисто цікава — працюється краще і розповідь про такий pet-проєкт буде яскравішою. Принаймні, очі горітимуть.

Ще не варто відкладати роботу над першими дашбордами до часу, коли добре володітимеш ВІ-системою. Навіть простий дашборд кращий за його відсутність. А у процесі вивчення нових прийомів покращиш вже ті візуалізації, що зробиш раніше.

Знати статистику і теорію ймовірності

З того, що б радив: курс з основ статистики від Стенфордського університету на Coursera. Його можна пройти безкоштовно і отримати сертифікат, якщо попрохати фінансову допомогу і почекати 15 днів. Кнопка для цього розміщена справа від запису на курс. Викладач Гюнтер Вальзер (Guenther Walther) дає базове розуміння найголовніших понять, зокрема тестування гіпотез та статистичну значущість.

Приклад контенту про p-value з курсу з основ статистики

Також на Khan Academy є якісний курс «Statistics and probability».

З книжкових рекомендацій — книжка «Practical Statistics for Data Scientists». Її я якраз дочитав за кілька днів до ключової для себе співбесіди. Довірчі інтервали, t-критерій Стюдента, АВ-тести та статзначущість — ці поняття там описані просто і доступно. Після прочитання на технічних співбесідах буде простіше відповідати.

З платних курсів Udemy, які проходив за цією темою вже після старту роботи — «Become a Probability & Statistics Master» від Math King. Після кожного розділу теорії йде кілька задач, які допоможуть потренувати те, що щойно вивчаєш.

Розуміти теорію, яка стоїть за АВ-тестами в продукті

Складність у вивченні AB-тестів якраз і полягає у доступності теорії та недоступності практики. Неможливо запустити АВ-тест, доки не працюєш з певним продуктом, у якого вже є аудиторія. Принаймні, не знайшов, як цьому можна повчитися до початку роботи.

У статті про понад 20 термінів для продуктового аналітика я радив ресурси для розуміння теорії АВ-тестів, повторю їх тут:

1. Курс «Online Experiment Design and Analysis» на Udacity від фахівчинь Google. Про нього дізнався з рекомендації CTO Preply Дмитра Волошина, який на вебінарі «A/Б тестування, або як статистика з університету допомагає будувати класні ІТ продукти» дуже позитивно відгукувався щодо курсу. До речі, його лекція теж багато пояснила мені на початку шляху в аналітиці.

2. YouTube-плейліст від колишньої дата-саєнтистки з Airbnb Емми Дінг, де зібрано відповіді на часті питання з технічних співбесід щодо АВ-тестів. І взагалі, її канал «Data Interview Pro» дуже корисний для підготовки до співбесід у сфері роботи з даними.

YouTube-плейліст з відповідями стосовно АB-тестів від Емми Дінг

Раджу навчитися користуватися цими двома калькуляторами: перший — для отримання статзначущості та другий — для необхідної мінімальної кількості аудиторії в експерименті, щоб цю статзначущість отримати.

Часто технологічні компанії мають технічні блоги, де якраз і описують підходи в АВ-тестах та роботі з даними. Варто продивитися і їх, наприклад, Netflix, Duolingo.

Крім того, на Kaggle є 52 датасети AB-тестів, на яких можна потренуватися в аналізі та подивитися, як це роблять інші.

Приклад датасетів з даними по AB-тестам

Знати Python, що «буде плюсом» для кандидата

Наскільки продуктовий аналітик використовуватиме Python залежить від стека, з яким працює компанія. Буває, що простіше написати запит в SQL, який і дасть відповідь, яку шукає аналітик.

Але Python корисно знати. З часом аналітик може вивчити машинне навчання, щоб застосувати до своїх датасетів. І, звісно ж, користуватиметься бібліотеками Python: Scikit-learn, PyTorch, TensofFlow.

Крім того, інколи ця мова допомагає у рутинний задачах. Наприклад, мені якось потрібно було перетворити 60 довжелезних json-файлів у таблиці та знайти розбіжності. З допомогою Python розпарсити все це і порівняти зайняло в кілька разів менше часу, ніж вручну.

Протягом робочого дня мало стикаюся з Python. Але планую активно впроваджувати його у задачі.

У самих же вакансіях часто можна побачити, що знання Python було б «добре мати» або «as a plus». Тобто вже тут пояснюють, що це не така ж обов’язкова вимога, як у випадку з SQL.

Радив би почати вивчення з відео «Python Tutorial — Python Full Course for Beginners» Моша Хамедані. А також з мінікурсу «Python» на Kaggle. Далі вже рухатися більше у вивчення бібліотек, які використовуються саме для аналізу даних (Pandas, NumPy) та візуалізації (Matplotlib та Seaborn).

Мош Хамедані, з відео якого почались мої знайомства з Python та SQL

Потім звичний алгоритм — знаходиш датасет на Kaggle про цікаву тобі тему і проводиш з ним аналіз на Python. Кожен набір даних тут має вкладку «Code», де можна побачити роботи інших користувачів, що допомагає знайти цікаві підходи та повчитися у колег з досвідом.

Я свого часу робив на Python начитник тексту, який і слугував pet-проєктом, про який розповідав рекрутерам. Це не релевантне портфоліо для аналітика, але краще, ніж нічого.

Отримати сертифікацію Google з аналізу даних

Минулого року на Coursera з’явилася спеціалізація «Google Data Analytics Professional Certificate». На сьогодні на неї зареєструвався майже один мільйон студентів. І влогери-аналітики, яким я довіряю, — Тіна Хуанг та Люк Бароуз — добре відгукуються про її контент.

Сертифікація з аналізу даних на Coursera

Спеціалізація складається з восьми курсів, що містять у собі SQL, Google Spreedsheet, Tableau та R. Детально описував, як проходив її і як можна пришвидшити цей процес до тижня тут.

Радив і далі раджу витратити на неї зусилля. Професійним аналітиком вона тебе не зробить і сертифікати важать набагато менше за pet-проєкти. Але ці курси і пояснення фахівців з Google допоможуть сформувати базу, щоб заглибитися у серйозніші питання.

Спробувати проєктно-орієнтоване навчання

Використати ці ресурси для навчання — пів справи. Важливіша задача — застосувати знання на практиці.

Кожному початківцю, який звертається з питаннями щодо вивчення аналітики, раджу швидше почати робити pet-проєкти. Тобто самостійно зробити щось руками, щоб довести, що дійсно знаєш технологію. Проєкт буде непрофесійним і через якийсь час про нього не захочеться згадувати. Але це — не його задача.

Найголовніше — переконати рекрутера, що на тебе варто звернути увагу через активність та цілеспрямованість. І хоч ще не маєш робочого досвіду — але робиш все можливе, щоб отримати потрібні для роботи аналітика навички.

Поки з новачків, з якими спілкувався, ніхто не показав своїх пет-проєктів з необхідних для професії технологій. Але сподіваюся, що вони з’являться і допоможуть краще показати навички рекрутерам та технічним менеджерам. Тож варто звернути увагу на цей підхід.

Освоїти англійську для спілкування

Стосовно англійської і потреби у її щоденному використанні — залежатиме від типу компанії. Якщо це українська продуктова і всі колеги з України, то англійська буде потрібна лише для навчання та прочитання документації стосовно технології (наприклад, щомісячні оновлення Power BI).

В аутсорс- та аутстаф-компаніях англійська використовується значно більше. Тому її перевірятимуть уже на етапі спілкування з рекрутером.

Звісно, варто починати з граматики та збільшення словникового запасу. Але коли він уже є, мовний бар’єр все ще лишається перепоною.

Долати його мені допомагав «Tandem». Це додаток, де можна знайти людей, які говорять англійською і хотіли б вивчити українську. Можеш написати такій людині і поспілкуватися наживо. А далі й взагалі перейти з платформи у зручніші месенджери та сервіси для відеодзвінків. Якщо співрозмовник цікавий, то через кілька зустрічей взагалі перестаєш помічати, що говориш іноземною. Так, я вже кілька місяців розмовляю з Сесилією з Мексики, яка дуже вболіває за Україну, обожнює Зеленського та меми про нашу війну.

Коли ж побутове спілкування англійською не лякатиме, варто перейти до складнішого рівня — розмови на професійну тему. Тут допоможе сервіс співбесід «Pramp». Детальніше про нього розповідав тут.

Приклад співбесіди на Pramp за спеціальністю Data Science

Ключове у «Pramp»: це можливість проведення імітаційних інтерв’ю — поведінкових або за певними спеціальностями. Спочатку інтерв’юєш співрозмовника, потім — навпаки. Таким чином, у безпечному середовищі практикуєш терміни та відповіді, які можуть допомогти на співбесіді англійською. Ще й цікаві знайомства отримуєш.

Вчити, подаватися, доучувати

Ці ресурси і поради — суб’єктивні. Частина з них допомогли мені рік тому отримати роботу в аналітиці даних. І їх раджу початківцям, які звертаються щодо навчального плану.

При цьому задача всіх цих ресурсів: дати базові знання. Більшість ресурсів, де викладають основи SQL, статистики, Power BI, Tableau, Python — хороші. Навряд чи складеться ситуація, що колись шкодуватимеш, що 5-10 годин витрачено на курс, який зруйнував твою кар’єру.

Але не варто надто зосереджуватися на навчанні. Оскільки воно може стати формою прокрастинації: людина постійно проходить курси з однієї й тієї ж теми, відчуваючи внутрішню невпевненість. Початківець каже собі: я ще недостатньо знаю, тому не можу починати пошуки роботи, бо провалю співбесіду, краще пройти ще той курс.

Інколи це відбувається через небажання роботи pet-проєкти. Набагато простіше просто повторювати код за викладачем і отримувати правильні результати. Коли ж береш незнайомий датасет для власного проєкту, то відразу з’являються проблеми. І викладача з курсу поруч уже немає, як і прогрес-бару, що створює ілюзію продуктивності.

Раджу вивчити певні технології, бібліотеки та інструменти, зробити з ними невеличкі проєкти, щоб довести рекрутеру, що володієш потрібними вміннями, і подаватися на вакансії. Якщо дійсно погано щось засвоїв, то дізнаєшся це на технічному інтерв’ю або після тестового. І тоді повернешся до навчальної програми: пройдеш додатковий курс чи прочитаєш потрібну книгу.

Вивчаєш, подаєшся, доучуєш — такий підхід я використовував влітку рік тому, коли шукав першу роботу в дата аналітиці. Він ефективний для швидкого навчання на помилках і отримання результату. Це важко і боляче, але це працює.

Ще лишилися питання щодо старту в аналітиці даних?

Якщо ж починаєш шлях у дата аналітиці і ще маєш питання чи сумніви, — напиши мені, з радістю поговоримо про це.

Звісно, мій рік досвіду — це ще не так і багато. Але принаймні уже один аналітик, до якого можна звернутися за порадою, серед твоїх знайомих з’явиться. Спробую максимально допомогти, щоб українська аналітична спільнота поповнилася ще одним цінним фахівцем.

👍ПодобаєтьсяСподобалось71
До обраногоВ обраному36
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Романе, дякую за твою грамотну статтю, а також дивлюся твій youtube канал і отримую там багато корисної інформації. Ознайомлююсь поки що поверхнево зі сферою дата-аналітики. Задумуюсь, чи варто глибше занурюватися у вивчення. Маю питання загального характеру. Я зараз працюю в сфері B2B продажів (товари для промисловості). Всі процеси там налагоджені в мене, є ряд обовʼязків, але все доволі гнучко і можна вивільнити необхідну кількість часу. Як гадаєш, з огляду на обовʼязки дата-аналітика, чи можлива робота в цій сфері як додаткова діяльність? Умовно part-time. Думаю про занурення в цю сферу, але не відходячи від моєї базової роботи. І ось чи це добра ідея, хто зна

Привіт, Андрію.
Дуже приємно чути теплі слова про контент і що знаходиш у ньому корисність собі.

Скажу чесно, то не знаю жодного прикладу, де початківець в аналітиці даних зміг би знайти парт-тайм роботу. Зазвичай, якщо компанія вирішує інвестувати у джуна (а на старті кар’єри він приноситиме менше користі, ніж потрібно вкладати у нього ресурсів), то захоче весь його робочий час. Ну і маючи інших можливих кандидатів, які готові будуть працювати фулл-тайм, вибір буде не на користь парт-таймщика.

Так само не сильно вірю в ідею набирати досвід аналітика на фрілансі, особливо у продуктовій аналітиці. Бо щоб робити гарні ресьорчі, потрібне добре розуміння продукту, специфіки бізнесу. А маючи короткочасні проєкти з погодинним тарифом, наврядчи матимеш таку розкіш як час на занурення у документацію тощо. Але можу помилятися, бо сам не працював у цій сфері на фрілансі. І не знаю жодного успішного прикладу когось, хто міг би себе повністю забезпечити цим, будучи на початковому рівні.

Романе, дякую за твою грамотну статтю, а також дивлюся твій youtube канал і отримую там багато корисної інформації. Ознайомлюсь поки що поверхнево зі сферою дата-аналітики. Задумуюсь, чи варто глибше занурюватися у вивчення. Маю питання загального характеру. Я зараз працюю в сфері business2business retail. Всі процеси там налагоджені в мене, є ряд обовʼязків, але все доволі гнучко і можна вивільнити достатню кількість часу. Як гадаєш, з огляду на обовʼязки дата-аналітика, чи можлива робота в цій сфері як додаткова діяльність? Умовно part-time. Думаю про занурення в цю сферу, але не відходячи від моєї базової роботи. І ось чи це добра ідея, хто зна

Привіт, Андрію.
Дуже приємно чути теплі слова про контент і що знаходиш у ньому корисність собі.

Скажу чесно, то не знаю жодного прикладу, де початківець в аналітиці даних зміг би знайти парт-тайм роботу. Зазвичай, якщо компанія вирішує інвестувати у джуна (а на старті кар’єри він приноситиме менше користі, ніж потрібно вкладати у нього ресурсів), то захоче весь його робочий час. Ну і маючи інших можливих кандидатів, які готові будуть працювати фулл-тайм, вибір буде не на користь парт-таймщика.

Так само не сильно вірю в ідею набирати досвід аналітика на фрілансі, особливо у продуктовій аналітиці. Бо щоб робити гарні ресьорчі, потрібне добре розуміння продукту, специфіки бізнесу. А маючи короткочасні проєкти з погодинним тарифом, наврядчи матимеш таку розкіш як час на занурення у документацію тощо. Але можу помилятися, бо сам не працював у цій сфері на фрілансі. І не знаю жодного успішного прикладу когось, хто міг би себе повністю забезпечити цим, будучи на початковому рівні.

«Google Data Analytics Professional Certificate» ужасный курс, медленно, растянуто, знаний минимум, болтовни максимум о том какой Гугл классный. Можно просмотреть по диагонали, но вот вообще не советую. Миллион участников, потому что много разных программ предлагают его пройти бесплатно

Ну я його свого часу і проходив на 5 вечорів (сумарно 17,5 годин). Так що згоден, що дуже розтягнутий по часу. Але якщо у людини взагалі немає жодного уявлення про аналітику даних, то міг би бути таким вступом. Хоча багато зайвого (той же R).

dou.ua/forums/topic/35460 — тут два роки тому писав статтю про досвід швидкісного проходження цього курсу.

дякую за матеріал, надихає, бо загорілася Data місяць тому. Відчуваю, що маю потенціал, але дуже страшно, що не вийде. а щось детальніше про pet-setи можете розповісти, з якою базою знань до них варто підходити і де брати дані для них?

Привіт, Вероніко.
Радий чути, що стаття сподобалася.
Якщо системно працювати над своїми знаннями та проєктами, то все вийде.
Якщо будуть якісь сумніви, то можемо списатися у Лінкедін, поговорити про це.

Щодо пет-проєктів та датасетів, то ось писав про це окрему статтю: dou.ua/forums/topic/43889. Сподіваюся, відповість на ваші питання щодо цього.

усі дані зберігаються у реляційних базах, потрібно спочатку вивчити реляційну теорію, нормалізацію, потім просторове моделювання для сховищ, а вже потім писати селекти, без цьго ви нічого не навчитесь, бо головне розуміти як структуровани дані у базах

Як на мене, це більше відповідальність дата інженерів. Якщо у компанії є ця посада, то задача аналітика даних — проводити аналіз і робити висновки-рекомендації. Але якщо немає, то все ж частина часу йтиме на дата інженерію.

я не розумію як без цього писати селекти, особливо аналітичні, вибачте, я цим займаюсь з 97 року

Якщо знаєш таблиці, з якими потрібно працювати і які колонки там є, то цілком можеш забирати потрібні тобі дані, — без реляційних теорій та нормалізацій. Впевнений, що наші дата інженери все це знають. Але для моїх ресьорчів це не грає ролі.

зрозуміло, більш питань не маю :)

Ця стаття має бути темного або зебра кольору
Бо геймдев

Дякую за матеріал, дуже корисний. А платні курси можете якісь порадити?

А навіщо, якщо безкоштовних матеріалів більше, ніж достатньо?
Я вказую в цій статті деякі платні курси Udemy, які проходив з SQL, Power BI та статистики. Але я навчався на них, коли уже почав працювати, щоб впевненіше себе почувати.

Клас. Спробую по цьому шляху піти. А взагалі думав піти на платні щоб сртуктуровану подачу матеріала отримати, зворотній зв’язок

Ніщо не заважає вам самому собі зробити структуровану програму (перелік дисциплін берете з тих вакансій, на які хотіли б податися у майбутньому). А зворотній зв’язок краще брати у ментора по спеціальності.

Але якщо все ж хочете спробувати якісь платні курси з викладачем, то знайдіть у LinkedIn 3-5 людей, які цей курс уже пройшли, й попитайте їхні враження та чи вдалося їм отримати офер. Бо часто є думка «платний курс — гарантія оферу». А це далеко від реальності.

Стаття дуже сподобалась. Корисні посилання на ресурси. Дякую.

Дякую) Для того ж і писав, щоб цими ресурсами користувалися для самоосвіти в аналітиці даних.

Привіт, Романе! Дуже дякую за цю статтю і всі рекомендації, якими Ти поділився. Дуже цінно! Проходжу курс від Гугла і знайшла твою статтю, розумію, що попереду варто пройти ще декілька курсів, але наразі стало ясніше куди, що і як. Раптом виникнуть питання, обовязково звернусь!

Привіт, Ольго.
Дуже дякую за відгук. Радий, що стаття допомогла краще зорієнтуватися щодо ресурсів.
Звісно, як будуть якісь питання — пиши у LinkedIn (лінк у моєму профілі).

Романе, стаття просто безцінна! Щиро дякую!

Дякую вам, Тетяно.
Дуже приємно чути, що навіть через рік після написання стаття ще й досі отримує увагу) І всі ресурси так само актуальні тут.

Дуже гарна стаття. Залишив як інструкцію бо тількі починаю шлях в цьому.

Дякую, так її й задумував: як стартову карту для початківців, яку б сам хотів би мати на початку кар’єри.

Дякую вам, Зараз навчаюсь на 3 курсі Кібербез і зараз шукаю напрямок в якому розвиватись ,почала перебирати варіанти, ваша стаття мені дуже допомогла!

Дякую, Маріє.
Надзвичайно приємно читати такі коментарі. Якщо виникнуть питання щодо аналітики у процесі дослідження цієї професії — стукайте у LinkedIn, постараюся допомогти з ними)

Дуже цікава стаття!
Дякую!
Але все-таки у мене залишилось запитання))

Англійська на рівні початківець;
робота за компʼютером на рівні звичайного споживача (ніякого поглибленого Word чи Excel);
жодного досвіду зі сфери статистики чи аналітики чи IT (освіта вища медична та вища управління персоналом, досвід роботи за оствітою);

Плюс сімʼя, двоє дітей і т д.

Чи варто при такому розкладі взагалі рухатись в напрямку аналітики?
Як зрозуміти, чи є у мене передумови (склад розуму чи схильність) для такого напрямку роботи?
Чи є якийсь тест, який допоможе це визначити?))

Щиро вдячна за відповідь!

Дякую за теплі слова.

Рішення за вас про ваше майбутнє я прийняти не зможу. Професія має подобатися людині, інакше дуже складно буде займатися нею по 40 годин на тиждень + самоосвіта, потреба у якій залишиться назавжди.

Якогось тесту для профпридатності аналітика я не знаю (як і для інших спеціальностей в ІТ). Хіба подаватися на вакансії та дивитися, на якому етапі йде найбільше відпадання.

Якщо хочете — можемо списатися у LinkedIn та домовитися про зустріч, де проговоримо ваші питання та сумніви. Але фінальне рішення має бути за вами.

thanks)

Будь ласка) Радий, якщо матеріал і ресурси з нього стануть у нагоді.

Я тривалий час провів в пошуках напрямку, який подобається та в якому хочу розвиватись, фактично з нуля, але в жодному з напрямків, які для себе розглядав, не було 100% впевненості, що це моє, і я з цим впораюсь. І завдяки випадку натрапив на ваше інтерв’ю, а згодом, на всі ваші статті, через які фактично і відкрив для себе data analytics.Тепер Романе, ваші статті для мене, як roadmap. Дякую

Ого, дякую. Надзвичайно приємно читати подібні коментарі.

Якщо буде бажання або ще залишаються якісь питання щодо навчання в аналітиці, то можемо зустрітися онлайн і поговорити. Відповім на усі питання, пов’язані з професією.

Напишіть мені у LinkedIn, якщо що.

Чьотка і грунтовна стаття, ще раз її прочитав навіть)

Дякую, приємно чути.
Я і сам повертаюся час від часу на неї, якщо хочу скопіювати якесь посилання на той чи інший ресурс. Зручно агрегував тут багато чого)

Романе, дуже корисна стаття. Дякую!
Я також в минулому році обрав дата/продуктову аналітику, як кращий та найбільш цікавий для себе напрямок для переходу з FMCG індустрії. Пройшов навчання на декількох програмах та вже маю в активі невдалі співбесіди, але продовжую рухатись до своєї мети) Ви дуже класно впорядкували послідовність кроків на шляху до опанування спеціальності аналітика, описуючи свій досвід. Отримав новий заряд мотивації більш системно рухатись до своєї мети. Ще раз дякую!

Дякую вам, Володимире.
Приємно читати, що зміг зарядити мотивацією. Чекатиму від вас позитивних новин у майбутньому. І звертайтеся у разі питань щодо навчання — завжди радий допомогти.

Дякую за цікаву статтю, Романе! для мене зараз дуже корисно та актуально. Чи можна ще отримати консультаціюпо карєрі?

Дякую вам.
Так, звісно. Радий буду допомогти порадами й відповісти на ваші питання.
Напишіть мені в Лінкедін: www.linkedin.com/in/romanpovzyk.

Дякую за мега корисну інформацію. Почала вивчати SQL з лекцій на YouTube Андрей Созикин та тренажера sql-ex.ru. Думала паралельно вчити Phyton, але прислухаюся до Ваших порад і почну з основ статистики. Скільки в цілому Ви освоювати ці навички?

Эх хорошие там задачки были, в работе таких извращений не встречал, но мозги вставили.

Трекав час протягом навчання. Тому можу сказати, що для отримання оферу від компанії, з якою нині співпрацюю, знадобилося майже 500 годин навчання. Але я трохи його присвятив такій темі як машинне навчання, яке зайве для аналітика-початківця. Тому цей шлях можна пройти швидше. Але загалом мій досвід такий.

Удивлён, что в статье не упоминается всем известный крутой ресурс для практики. Если hackerrank.com позволяет набить руку на однотипных задачах, то sql-ex.ru напротив — заставляет подумать, рассмотреть задачу с разных сторон, и учесть ряд нюансов, которые зачастую в процессе обучения игнорируются. Я бы рекомендовал сочетать практику на обоих

Дізнався про hackerrank уже коли закінчив статтю і надіслав у редакцію. Вирішив не додавати, оскільки сам його не використовував. А зібрав ресурси, з якими сам мав справу. Можливо, згодом зроблю оновлену версію (коли частина з цих порад щодо ресурсів стануть неактуальними).

Дякую, старався максимально використати тут корисні жири)

Пройшло півроку платних курсів з Python/штучний інтелект. Почуваюся цілковитим нулем, і в голові з півроку навчання залишилося — начебто переглянула годинну лекцію. Все дуже поверхово знаю. Хота витрачала на кожне заняття та домашню роботу 4-16 годин на день. Де таким, як я знайти практику? За якоїсь компанії? Усі хочуть вже готового фахівця.

А для якої професії вивчали?
Який зазвичай технічний стек у подібних вакансій?
Який зворотній зв’язок отримуєте після співбесід?

Я вирішив навчатись в цьому напрямку, щоб в майбутньому свічнутись. Маю бекграунд аналітика та продакта фізичних продуктів, але не ІТ.
Аналізуючи ринок праці, я прийщов до тих самих висновків, які ви описали (співвідношення вакансіі/кандидати, різні вимоги до стеку навичок). Також я зрозумів, що у дата-аналітика є більше пропозицій в продуктових компаніях.
АЛЕ я зіткнувся з купою питань: з чого почати? що вчити в першу чергу, а що можна паралельно? коли можна буде починати відправляти резюме? і т.д.

Велика дяка вам, Роман, за цей допис та поради. Довго шукав подібну інформацію і нарешті знайшов) Зрозумів, що треба в першу чергу прокачати англійську, щоб проходити усі ці курси

Дякую вам, Марку, що читаєте.
Радий, якщо матеріал стане для вас корисним.
Так, англійська — ключ до величезної кількості професійного контенту. Але в рамках технічних курсів вона простіше сприймається: зазвичай на екрані код, процес створення дашбордів, малювання графіків, що допомагають розумінню, навіть якщо на слух важко зрозуміти весь контент.

я зара ВА, проте останнім часом зацікавився аналітикою данних, почав з курсу гугл сертифікації, дякую за надану структуровану інформацію

Дякую за відгук. Старався подати все, щоб було максимально практично. Якщо виникнуть питання у процесі навчання — звертайтесь)

для практики в sql раджу також тренажер www.hackerrank.com

Так, минулого тижня теж про нього почув. Але ще не пробував, тому вирішив не включати до переліку.

Підписатись на коментарі