Коли все ок, але робота не драйвить: чому я перейшов в Data Analytics

💡 Усі статті, обговорення, новини для початківців — в одному місці. Приєднуйтесь до Junior спільноти!

Привіт, спільното!

Мене звати Володимир. Я був C+±розробником, тестувальником, пробував себе в embedded, геймдеві, робив сайти — але постійно відчував: це «не зовсім моє». Врешті, своє я знайшов у цифрах — зараз працюю дата-аналітиком у «Книгарні Є».

Можливо моя історія допоможе комусь зважитися на зміни і теж знайти «своє» у професії.

Data Analytics — це коли твоя робота впливає на успіх бізнесу

До прикладу, середня зарплата C+±програміста мідл-рівня — $2275. Дякую DOU за статистику. Стабільність, передбачуваність, бенефіти — базовий пакет у цьому напрямі. Але мені хотілося не просто технічної роботи, а такої, що має вплив на бізнес-рішення. В якийсь момент я згадав те, що мене реально драйвило ще з університету — аналіз даних, робота з закономірностями, цифри. Так і почалася історія з data analytics.

Сьогодні всі говорять про Big Data, AI, кастомер джорні, але я сам був здивований масштабом. Згідно зі звітами World Economic Forum (Future of Jobs Report 2025), до 2030 року у світі зʼявиться понад 170 мільйонів нових робочих місць і переважно в галузях, пов’язаних з даними, аналітикою, штучним інтелектом і кібербезпекою.

На українському ринку тенденція така сама. За даними DOU за квітень, Data Analytics входить у топ-5 напрямів з найбільшою кількістю вакансій для джунів. Це про зрозумілий вхід, великий попит і реальні можливості. Тоді я й почав шукати, де підтягнути свої скіли, університетську базу і, головне, де я зможу опісля одразу працевлаштуватися.

Як я вчився на аналітика і який сет скілів потрібно мати на старті

Моє навчання почалося із безкоштовного марафону від GoIT. Там розігрувався повний курс серед учасників — ця ідея мене підкупила. Не виграв, але втягнувся настільки, що без вагань інвестував у повну програму з Data Analytics — рішення точно себе виправдало.

Берiть на замiтку, якi реально навички вам знадобляться, якщо плануєте перехід у дата-аналітику:

• Google Spreadsheets — здавалося б, банально, але тут ми будували прогнозування, рахували базові метрики (DAU, MAU, LTV), працювали з регресіями. Один з перших кейсів — аналітика мобільного застосунку.
• SQL та BigQuery. Тут відбувся мій персональний краш-тест: думав: знаю SQL. А потім збирав себе по частинах після багаторівневої задачі. Точка росту, як кажуть.
• Tableau — для просунутих візуалізацій, щоб робити графіки зрозумілим для широкої аудиторії. Реально вчився «говорити через дані». Дашборди для SaaS, маркетингу, аналітики продукту — створив 2 міні проєкти під час курсу.
• Python — для обробки даних. Сьогодні — основа 80% моїх задач. І ще Pandas, Matplotlib, Jupyter Notebook.
• A/B-тестування. База, яка потрібна, щоб правильно готувати, запускати тести такі тести і інтерпретувати результати. Без цього складно бути корисним продуктовій команді.

Зізнаюся, найважче було на фінальному іспиті — складне завдання, ще й паралельно виконував тестові. Там був SQL-запит у BigQuery — обʼєднати купу таблиць, зробити аналіз по категоріях, ще й дедлайн піджимав. Тут підсапортив ChatGPT. Власне зараз це ще один мій інструмент в роботі разом з Grok.

Знайти роботу — місія здійсненна

Здати фінальний проєкт і успішно завершити навчання — це круто. Але давайте чесно: головна мета всього цього — знайти роботу й почати працювати за новою спеціальністю.

Тут, мабуть, нікого не здивую: LinkedIn, Djinni, портфоліо — база, з якої починає кожен. Але для дата-аналітика важливо одразу підсвітити потрібні інструменти й проєкти. У моєму випадку це були SQL-запити, графіки з Tableau і Power BI, візуалізації на реальних задачах, фінальний проєкт — усе зібрано в одне портфоліо. Дякую карʼєрному центру GoIT за сапорт — дуже допомогли з тим, як оформити профіль, що писати в описі проєкту, а що краще винести в окремий файл. А менеджерка по роботі з компаніями-партнерами підготувала пул відкритих вакансій (спойлер, там була і вакансія від «Книгарні Є»).

Якщо говорити про тривалість цього всього процесу, скільки часу в мене зайняв, то від моменту «все, починаю шукати» до оферу пройшло менше місяця. Ні, ніяким богам я не молився:) Напевне зіграло те, що я був рішуче налаштований отримати першу роботу в DA і відкритий реально до всіх можливостей, бо розглядав це як точку старту, можливість отримати перший практичний досвід і далі розвиватися, шукати щось ще.

Тестове було одним з етапів на вакансію у компанії, де я врешті працюю. Зробив його, зізнаюся, не ідеально. Воно було доволі обʼємне і, чесно кажучи, я обнадійливо думав, що зроблю всі завдання швидко. Попри те, що в мене тоді не було фултайм зайнятості. Якби я паралельно ще й працював, то є сумніви чи впорався не те, що швидко, а хоча б за тиждень.

Не робіть такої помилки як я, бо якщо робиш щось перші рази, можеш неправильно оцінити скільки часу на це може знадобиться.

Безпосередньо на співбесідах з рекрутерами мене питали чому я пішов в аналітику, а не залишився там, де працював, чому обрав новий напрям. Нічого дуже складного, просто треба вміти спокійно пояснити свій вибір. Я у свою чергу розповідав чим займався, що вивчав, над чим працював, щоб підсвітити свої навички. Переконаний, що саме сильні скіли в Python та Power BI відкрили мені шлях до оферу. Перше — рятує зараз під час роботи, а Power BI буде рятувати в майбутньому.

В сукупності, я надіслав 14 відгуків, отримав 7 відповідей, пройшов 4 співбесіди і, врешті, here we are: я з офером від «Книгарні Є». І чесно — бачу в цьому величезний плюс професії. Дата-аналітика — це напрям з легким входом і зростаючим попитом. Зараз я працюю з даними продажів. Мій основний стек — Excel і Python.

Що далі? Хочу розвиватися у напрямку Data Science. Мені подобається поєднання коду, математики й задач, які мають прикладний сенс. Також подобається, що аналітика дає універсальність: можна працювати у фінансах, маркетингу, e-commerce, логістиці — аналітика всюди.

І ще — ця професія справді змінює ставлення до даних. Ти перестаєш бачити в них «цифри заради цифр». Ти бачиш у них рішення.

Для тих, хто тільки починає

Спойлер: для роботи дата-аналітиком потрібно мати певний склад характеру: бути терплячим, скрупульозним, уважним до деталей. І звичку перевіряти себе. Тому порада: спробуйте кілька простих завдань самостійно. Пошукайте відкриті датасети, спробуйте щось «почистити», згрупувати, побудувати перший графік. І ви все зрозумієте:)

Також я раджу обирати навчання так, щоб охопити базу і мати знання+інструменти на руках, з якими легко поглиблювати і розвиватися у тому напрямі дата-аналітики, який подобається. Як це роблять у медицині: спочатку — база, потім — вибір спеціалізації.

По суті, зі своїм стеком після навчання я можу обрати один з трьох різних напрямів дата аналітики:

1. Маркетингова аналітика — те, чим я займаюся зараз. Це про аналіз цифр, поведінки покупців, ефективності маркетингових активностей. У моєму випадку — як краще продавати книги. Але ці навички так само потрібні в рітейлі, фінансах, IT-компаніях — скрізь, де є реклама, користувачі й дані.
2. Інший, теж цікавий напрям, — продуктова аналітика, для тих, хто хоче працювати з технічними продуктами в фінтеці, едтеці, геймдеві, маркетплейсами. Якщо б я працював аналітиком у Glovo, то моїми завданнями були б аналіз того, скільки людей завантажили застосунок, але не зробили замовлення, на якому етапі вони залишають процес замовлення, які страви замовляли найчастіше і в який час. Щоб зробити продукт зручним для користувачів та вигідним для бізнесу.
3. BI-аналітика. Це вже аналітика високого рівня, тому що релевантна для компаній, які працюють з реально великими даними. Тут поле роботи для тих, хто особливо любить створювати графіки, звіти, дашборди.

До чого це все я? До того, що краще обирати навчання, яке дає одразу ці всі знання, робити всі домашки, реально занурюватися в матеріал, щоб відчувати себе більш вільно і впевнено, шукаючи першу роботу.

Забирайте мій особистий чекліст:

• Не женіться за ідеальним портфоліо. Краще зробити простий, але «живий» кейс — з описом, логікою, висновками.
• Прокачуйте англійську. Особливо письмову — вам доведеться не лише писати SQL, а й оформлювати репорти.
• Очистка даних — це 80% робочого часу. Після першого тижня на новій роботі я зрозумів: без Python цю частину просто не витягти. Це не просто nice-to-have, а must.
• Вчіться пояснювати. Графік сам по собі — лише картинка. А от пояснення: що він показує, чому це важливо, які рішення варто ухвалити — ось справжня аналітика. Це — ключова навичка на реальній роботі.
• І головне — не бійтеся змінити напрямок, навіть уже будучи в ІТ. І наостанок

І наостанок

Чи це професія для широкого кола людей, навіть без технічного бекграунду? На мою думку, однозначно так. І особливо для тих, хто має бекграунд у фінансах, маркетингу, навіть гуманітарних науках. Скрупульозність, логічне мислення, вміння працювати з текстами, уважність — це все ключові навички в роботі аналітика. Не менш важливі, ніж Python.

Сьогодні аналітика — це не просто «цифри». Це універсальна мова, яка допомагає бізнесам приймати рішення, оптимізовувати процеси, економити гроші. І навіть більше — вона дозволяє бачити світ «зсередини». Як працює логістика? Як користувачі реагують на інтерфейс? Як маркетинг впливає на реальні продажі? Усе це — про Data Analytics.

І ще один момент. Сьогодні виграють ті, хто «продає» себе не лише через hard skills. Потрібно вміти пояснювати складне просто. Уміти бути частиною команди, комунікувати, не боятися поставити запитання, допомагати іншим — це теж складові успіху в аналітиці. А особливо на першій роботі.

Мені аналітика дала не просто нову професію, а ясність: що я хочу, куди йду, як розвиватися. Так що, якщо ви теж у точці «шукаю себе», вам хочеться зрозуміти, як влаштований світ і що з цим робити, — можливо, це також ваш напрям.