Як побудувати кар’єру у Data Analytics. Покроковий гайд

Привіт! Я Максим Самсонюк, Head of Analytics у Brainstack_. Я керую командою із шести аналітиків і допомагаю бізнесу ухвалювати ефективні рішення на основі даних.

Розпочинав кар’єру з продуктового аналітика, потім прокачав додаткові скіли та став дата-аналітиком, а ще за два роки доріс до позиції Head. За цим шляхом стоять роки навчання в політехнічному ліцеї, КПІ, додаткові курси та прокачка не лише хард скілів, а й софтів.

Я переконаний: кожен, хто має бажання, наполегливість та «відчуття чисел», може розвинутися у дата-аналітиці. У цій статті я надам дієві поради як розпочати кар’єру, розвиватися у професії, чого навчатися та куди рости далі.

Data Engineering/Analytics/Science: в чому різниця

Для початку розберімось, чим відрізняються Data Engineering, Data Analytics та Data Science. Адже це три різні напрями, які доповнюють один одного.

Data Engineering — це фундамент аналізу даних. Дата-інженери займаються збором та обробкою даних, підготовкою необхідних сорсів даних та розбудовою архітектури, з якою потім працюють аналітики.

Data Analytics — спеціальність, яка найтісніше пов’язана з бізнесом. Дата-аналітики проводять A/B тести та різноманітні аналізи. Будують репорти, на основі яких надають компанії рекомендації щодо прийняття необхідних рішень. Вони допомагають зрозуміти поведінку клієнтів, оптимізувати бізнес-процеси та підвищити ефективність маркетингових кампаній.

Data science — це, так би мовити, наступна сходинка у роботі з даними. На основі історичних даних створюються моделі машинного навчання, нейронні мережі та прогнози. Ці моделі дозволяють автоматизувати процеси, передбачати майбутні тенденції та приймати більш точні та ефективні рішення. Data scientists використовують складні алгоритми та техніки для аналізу великих обсягів даних, що дозволяє виявляти приховані закономірності та взаємозв’язки.

Тепер, коли ми з вами не плутаємося у напрямах, перейдемо до теми пошуку першої роботи саме в дата-аналітиці.

Освіта — це фундамент

Курси, які обіцяють зробити з вас дата-аналітика з нуля за один-три місяці, часто мають свої обмеження. Вони можуть надати корисні базові знання, навички, поверхнево занурити вас у світ аналітики, але не варто покладатися на них повністю. Для успішного опанування аналізу даних за такий короткий час необхідно мати сильну основу в дискретній математиці, теорії ймовірності та математичній статистиці. Без такої бази ви просто не зможете ефективно працювати у цій сфері.

Сильна математична освіта — це фундамент, від якого ви надалі відштовхуєтеся в ІТ-спеціальностях та дата-аналітиці зокрема. Я навчався у політехнічному ліцеї, потім — на факультеті системного аналізу в КПІ. З впевненістю можу сказати, що освіта зіграла для мене важливу роль у професійному розвитку. Окрім необхідної математичної бази, університет дав доступ до ком’юніті та знайомств для роботи. З одногрупниками ми обмінювалися інсайтами ІТ-професій, трендами, актуальними навичками. Це дійсно дає буст.

Чи можна опанувати ці знання самостійно? Так. Почніть з книжок Practical statistics for data scientist та «Мистецтво статистики», розв’язуйте задачі на тренажерах SQL, опановуйте візуалізацію даних та беріться за цікаві проєкти, які згодом додасте у своє портфоліо.

Наявність такого портфоліо під час пошуку першої роботи може зіграти вирішальну роль на вашу користь. Зробіть акцент на тому, які бізнес-проблеми допомагають вирішити ваші дашборди та які інсайти з них можна отримати.

Головні навички дата-аналітика

Поглиблене знання математики — це лише початок. Для того, аби реалізуватися у професії, дата-аналітик має опанувати, як мінімум:

• Мову запитів SQL. Початківцям рекомендую ознайомитись з базовою інформацією про SQL W3Schools. У Microsoft також є інформація на цю тему, а ще є хороший курс для початківців на Khan Academy. Але краще взяти поглиблений курс, наприклад, на Coursera; також рекомендую гарний курс на udemy, програма SQL Cookbook by Antonio Molinaro. Практичний курс SQL для аналітиків даних від Нікіти Тимошенка можна переглянути українською мовою на Ютубі. А для того, щоб практикувати навички SQL, використовуйте тренажер. Наприклад SQL Practice.
• BI-інструменти для візуалізації даних (Tableau або PowerBI).
• Розуміння продуктових метрик, як їх обчислювати та використовувати. Сюди належать LTV, CAC, ROI та інші. Можна опанувати самостійно на безплатних ресурсах або долучитися до спеціалізованих курсів. Наприклад, у PRJCTR є курс з продуктової аналітики з фокусом саме на метрики.
• Пакети Python для аналізу даних (numpy, pandas, scikit-learn, matplotlib тощо). На Coursera є спеціальний курс, присвячений пакетам Python для дата-аналітика.

Важливим скілом дата-аналітика з мого досвіду, є так зване «відчуття чисел» — вміння «інтуїтивно» бачити аномалію в результатах і розуміти, куди копати, аби це виправити. Розвинути таку навичку на початку кар’єри доволі важко, але раджу більше практикуватись. Регулярно аналізуйте різні набори даних, шукайте можливі аномалії або відхилення і досліджуйте їх. Також обов’язково мати аналітичне мислення, увагу до деталей, ініціативність, проактивність, здатність до генерування ідей на основі проведеного аналізу.

Окремо хочу виділити навички презентації. Сухі цифри нікому не зрозумілі — вам потрібно буде дієво комунікувати їх зі стейкхолдерами. Саме тому опановуйте Tableau чи Power BI, вчіться структурувати інформацію, робити зрозумілі репорти та говорити мовою цифр і фактів так, аби вас зрозуміли не лише колеги дата-аналітики.

Ваше завдання як дата-аналітика — вмикати критичне мислення та ефективно доносити інформацію.

З чого почати кар’єрний шлях

Переглядаючи вакансії, ви будете бачити різні назви посад. Наприклад, продуктовий аналітик, білінг/пеймент чи маркетинг-аналітик. Це підкатегорії дата-аналітика, які різняться обов’язками.

Річ у тому, що у користувача є декілька етапів взаємодії з продуктом, і на кожному з них необхідний глибокий аналіз даних для прийняття рішень.

Перший етап — це маркетинг. Задача аналітика тут: визначити шлях заходу користувача на сайт. З якого каналу це відбулося, яка була воронка, які рекламні кампанії є найбільш прибутковими, як співвідноситься LTV до CAC (вартість закупки користувача), що з ROI тощо. Одним словом, проаналізувати всі етапи до спроби оплати.

Після цього у гру вступає білінг-аналітик, який аналізує механіки платежів, прохідність транзакцій, ефективність автосписань (якщо продукт працює за subscription моделлю), скасування покупок.

Продуктовий аналітик вивчає дані взаємодії юзера з продуктом. Це може бути відношення кількості користувачів, які натиснули певну кнопку, до загальної кількості всіх, хто залогінився у цей день. Сюди ж — аналіз використання фічів, LTV, retention, DAU/MAU, Churn rate та інші показники.

У вакансії звертайте увагу не на посаду в заголовку, а саме на задачі, з якими потрібно працювати. На перших інтерв’ю розпитуйте про зону відповідальності та про те, що саме буде входити у ваші обов’язки на цій ролі.

Моя перша робота була у продуктовій аналітиці. Якийсь час я аналізував поведінку користувача всередині продукту, але мені було цікаво йти глибше. Працювати з маркетингом, технічними фахівцями, розробниками та іншими відділами. Для цього я мав підтягнути знання з архітектури баз даних та детальніше вивчити SQL. Також пройшов додаткові навчання з інструментарію Business Intelligence (BI), опанував візуалізацію даних.

Згодом я перейшов на посаду Data Analyst в компанію Brainstack_. Познайомився там з архітектурою бази та процесом збору й обробки даних, що стосуються різних аспектів продукту. Це дало мені глибше розуміння того, як працює дата-інженерія. Всі ці процеси мене дуже захопили та згодом я почав відповідати за аналітику нового окремого продукту. Для мене це було великим викликом, оскільки досвіду розбудови аналітики та репортингу з нуля я не мав, хоча ідей та думок було дуже багато.

Розвиваючи аналітику цього продукту я зрозумів, що готовий до більшої зони відповідальності та занурення у бізнес-процеси. Я давав аналітичні та аргументовані відповіді на бізнес-кейси, пропонував власні рішення, достукався до овнерів продукту та побудував комунікацію між відділами на основі data-driven підходів. Тому вже за півтора року мені запропонували стати Lead Analyst та розвивати аналітику для декількох продуктів.

В ролі ліда я продовжив свій розвиток вже не тільки як аналітик, але і як менеджер. Великим викликом було самостійно контролювати всі процеси, бути ментором, правильно розподіляти ресурси та відстоювати свою думку. І в мене це виходило. На основі досліджень моєї команди покращувалися основні KPI-метрики продукту, на основі репортів приймалися важливі рішення. Наша робота покращувала результати бізнесу і це дуже мотивувало мене вести за собою аналітику далі.

Через пів року мене підвищили до Head of Analytics, що стало новою сходинкою в кар’єрі та новим викликом.

Я став Head of Analytics: що далі

Зараз в мене команда із шести людей, але це не означає, що я просто займаюсь менеджментом і не роблю нічого руками. В мої обов’язки так само входить робота з даними, побудова аналітичних фреймворків, при цьому додалися менеджерські обов’язки та більше відповідальності.

Моя мета як Head of Analytics — покращити результати бізнесу на основі інсайтів нашої команди. А для цього важливо побудувати всередині такі процеси, щоб аналітикам самим було цікаво працювати з даними. Саме тому я не обмежую KPI команди кількістю задач на місяць і нікому не раджу це робити. Аналітики — творчі люди (навіть якщо вам здається інакше) і оцінювати їх роботу потрібно за ефективністю знайдених інсайтів, внеском у зростання бізнес-показників та загальним впливом на розвиток проєкту.

Чи можна вважати, що Head of Analytics — це стеля кар’єри й далі рухатися нікуди? Ні. Розвиток в аналітиці — це довгий процес, і залежно від того, що вам подобається більше, можна обрати шлях зростання. Наприклад, досконало вивчити побудову архітектури баз даних та свічнутись в data engineers. Зануритися у data science, опанувати моделі машинного навчання або розвиватися у напрямі продуктових фреймворків. Перейти у маркетинг, білінг, стати Product Manager чи Product Owner.

Світ дата-аналітики дуже захопливий, і векторів подальшого розвитку більш ніж достатньо. Головне — не зациклюйтеся на чомусь одному, а будьте допитливими. Тоді у вас точно все вийде.